(电力系统及其自动化专业论文)电网短期母线负荷数据预处理及预测模型研究.pdf_第1页
(电力系统及其自动化专业论文)电网短期母线负荷数据预处理及预测模型研究.pdf_第2页
(电力系统及其自动化专业论文)电网短期母线负荷数据预处理及预测模型研究.pdf_第3页
(电力系统及其自动化专业论文)电网短期母线负荷数据预处理及预测模型研究.pdf_第4页
(电力系统及其自动化专业论文)电网短期母线负荷数据预处理及预测模型研究.pdf_第5页
已阅读5页,还剩65页未读 继续免费阅读

(电力系统及其自动化专业论文)电网短期母线负荷数据预处理及预测模型研究.pdf.pdf 免费下载

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

华北电力大学硕士学位论文 摘要 短期母线负荷预测是电网安全预警和经济分析的基础,其预测模型的通用性、 预测精度和预测速度是研究的重点。论文从负荷特性分类、样本数据预处理和预测 算法这三个方面进行了研究。首先提出了一种基于灰色关联度矩阵的母线负荷特性 分类方法,为选择预测模型和提高预测速度及精度奠定基础;然后针对母线负荷序 列中三类典型异常数据,提出了一种基于改进的数据横向比较法和小波阀值去噪法 的样本数据综合预处理方法,实例证明了此方法的有效性;最后提出了一种基于最 小二乘支持向量机( l s s v m ) 和马尔可夫链的短期母线负荷预测方法,并提出一种 广义网格搜索算法对l s s v m 模型参数进行优化,实例证明所提预测方法能够达到 满意的预测精度。 关键词:短期母线负荷预测,灰色关联度矩阵,数据预处理,最小二乘支持向 量机,马尔可夫链 a b s t r a c t t h es h o r t t e r mb u sl o a df o r e c a s t i n gp r o v i d e sab a s i sf o rt h e 鲥ds e c u r i t ye a r l y - w a r n i n g a n de c o n o m i ca n a l y s i s t h ef o r e c a s t i n gm o d e l sp o p u l a r i t y , f o r e c a s ta c c u r a c ya n df o r e c a s t s p e e da l et h ek e ys t u d yp o i n t so fs h o r t - t e r mb u sl o a df o r e c a s t i n g t h ep a p e rs t u d i e dt h e s h o r t t e r mb u sl o a df o r e c a s t i n gf r o mt h r e ea s p e c t s :l o a dc h a r a c t e r i s t i cc l a s s i f i c a t i o n ,d a t a p r e p r o c e s s i n ga n df o r e c a s tm e t h o d f i r s t l y , ac h a r a c t e r i s t i cc l a s s i f i c a t i o nm e t h o db a s e do n g r a y i n c i d e n c em a t r i xw a sp r o p o s e d ,w h i c hs e tt h es t a g ef o ri t sa d a p t i v ep r e d i c t i o n s e c o n d l y , an e wd a t ap r e p r o c e s s i n gm e t h o dw a sp r o p o s e dt op r o c e s st h et h r e et y p i c a la b n o r m a ld a t a , w h i c hw a sb a s e do nt h em o d i f i e dd a t aa c r o s sc o m p a r i s i o na n dw a v e l e tt h r e s h l o d i n gd e n o i s i n g m e t h o d a tl a s t ,i tp u tf o r w a r dah y b r i dm e t h o db a s e do nl e a s ts q u a r e ss u p p o r tv e c t o r m a c h i n e s ( l s s v m ) a n dm a r k o vc h a i nt of o r e c a s t t h eb u sl o a d ,i nw h i c hag e n e r a l i z e d 酊d s e a r c ha l g o r i t h mw a su s e dt oo p t i m i z et h es e l e c t i o no fm o d e lp a r a m e t e r t h ec a s es t u d y p r o v e dt h a tt h ep r o p o s e dd a t ap r e p r o c e s s i n gm e t h o da n dh y b r i df o r e c a s tm e t h o da r ea v a i l a b l e t os a t i s f a c t o r yf o r e c a s ta c c u r a c y l ig u a n g z h e n ( p o w e rs y s t e ma n di t sa u t o m a t i o n ) d i r e c t e db yp r o f l i uw e n y i n g k e yw o r d s :s h o r t - t e r mb u sl o a df o r e c a s t i n g ,g r a yi n c i d e n c em a t r i x , d a t a p r e p r o c e s s i n g ,l e a s ts q u a r e ss u p p o r tv e c t o rm a c h i n e s ,m a r k o vc h a i n i 华北电力大学硕士学位论文 目录 中文摘要 英文摘要 第一章绪论1 1 1 选题背景及其意义1 1 2 国内外研究现状1 1 2 1 国外现状1 1 2 2 国内现状2 1 3 目前存在的主要问题4 1 4 本文的主要工作内容4 第二章短期母线负荷预测概述6 2 1 母线负荷的定义6 2 2 母线负荷的构成特点6 2 3 母线负荷的一般特性6 2 4 短期母线负荷预测流程1 0 2 5 短期母线负荷预测考核指标h 1 1 第三章基于灰色关联度矩阵的母线负荷特性分类方法13 3 1 母线负荷特性分类的必要性1 3 3 2 基于灰色关联度矩阵的母线负荷特性分类方法1 3 3 2 1 特征向量1 4 3 2 2 灰色关联度矩阵聚类方法1 6 3 2 3 全网母线负荷特性分类流程框图1 8 3 3 本章小结1 9 第四章短期母线负荷预测样本数据综合预处理2 0 4 1 短期母线负荷预测样本数据预处理的必要性2 0 4 2 数据处理技术现状2 0 4 2 1 传统的数据处理技术2 0 4 2 2 新兴处理方法2 2 4 2 3 各种数据处理方法的优缺点比较2 3 4 3 基于改进数据横向比较法的母线负荷数据预处理2 3 4 3 1 传统的数据横向比较法2 3 4 3 2 改进的数据横向比较法2 4 4 4 基于小波阀值去噪的母线负荷数据预处理2 5 4 4 1 小波阀值去噪法的概念与流程2 5 华北电力大学硕士学位论文 4 4 2 小波分解2 6 4 4 3 阀值门限的选取2 7 4 4 4 阀值去噪函数2 7 4 4 5 小波重构2 8 4 5 短期母线负荷预测样本数据综合预处理方法的具体步骤2 8 4 6 本章小结3 0 第五章基于l s s v m 和马尔可夫链的短期母线负荷组合预测3 2 5 1 常用短期负荷预测方法的优缺点3 2 5 1 1 回归分析法3 2 5 1 2 指数平滑法3 3 5 1 3 时间序列方法3 3 5 1 4 灰色模型法3 3 5 1 5 卡尔曼滤波法3 5 5 1 - 6 趋势外推法3 5 5 1 7 马尔可夫预测模型3 5 5 1 8 专家系统法3 5 5 1 9 模糊预测技术3 6 5 1 1 0 小波分析法3 6 5 1 1 l 神经网络方法3 6 5 1 1 2 相空间重构法3 7 5 1 1 3 支持向量机3 8 5 1 1 4 组合预测法3 8 5 2 基于l s s 的短期母线负荷预测3 9 5 2 1l s s v m 理论7 6 删3 9 5 2 2 输入变量的选取4 0 5 2 3 核函数的选取4 0 5 2 4 模型参数的广义网格搜索算法4 l 5 3 基于马尔可夫链的误差修正方法4 2 5 3 1 马尔可夫链理论哺引4 3 5 3 2 基于马尔可夫链的误差修正步骤4 3 5 4 基于l s s 和马尔可夫链的短期母线负荷预测流程框图4 4 5 5 本章小结4 5 第六章实例分析4 7 6 1 短期母线负荷预测样本数据综合预处理4 7 6 1 1 改进的数据横向比较法4 7 i t l 华北电力大学硕七学位论文 6 1 2 小波阀值去噪法4 8 6 1 3 短期母线负荷预测样本数据综合预处理4 8 6 2 基于l s s v m 和马尔可夫链的短期母线负荷组合预测4 9 6 3 本章小结5 2 第七章结论与展望5 3 7 1 主要成果及结论5 3 7 2 有待进一步研究的内容5 3 参考文献5 5 致谢6 0 在校期间发表的学术论文和参加科研情况6 1 i v 华北电力大学硕七学位论文 1 1 选题背景及其意义 第一章绪论 随着电网规模的不断扩大,我国电网正成为世界上规模最大和网架结构最复杂 的电网。研究与实现大电网安全及智能调度控制,是当前和未来较长时期内中国电 网建设发展的重大需求。短期母线负荷预测的准确性和时效性是电网安全预警及智 能调度技术研究的重要内容,对智能调度技术的研究和发展具有重要的意义。 短期母线负荷预测的预测精度将直接影响到电网安全预警分析、电网输送能力 计算、运行计划方式安排以及发电计划编制、安全约束调度、无功优化调度、最优 潮流分析结果等;对节能发电调度中的有约束计划编制、阻塞管理和安全校核等重 要环节也起着重要的基础性作用。如何在电网发展的新形势下建立科学的短期母线 负荷预测管理和技术体系,是当前智能调度技术领域的热点研究课题。 1 2 国内外研究现状 短期母线负荷预测主要有两类方法:一类卜2 】是基于系统负荷分配的预测方法, 另一类【3 郴1 是采用母线负荷的历史数据、负荷特性以及相应的影响因素直接进行短 期母线负荷预测。目前关于短期母线负荷预测的研究都集中于第二类。 1 2 1 国外现状 一个平均规模大小的系统含有5 0 0 条母线,而母线负荷特性各异,早期的计算 机技术还不成熟,因此早期关于短期母线负荷预测的研究并不多。国外关于短期母 线负荷预测的最早文献是p y n er a 于1 9 7 4 年发表的一篇题为“短期母线负荷预测及 其在检修计划分析中的应用 的文章【4 】。该文章中设计了一种母线负荷或节点负荷 的预测模型,这种模型分为三个部分:预测数据适配器、短期母线负荷预测器和输 入输出处理器,其中预测数据处理器用于处理系统数据和温度风速等相关影响因素 的数据,短期母线负荷预测器根据预测数据适配器提供的数据来预测母线注入功 率,输入输出处理器用于原始数据的输入和预测结果的输出。在模型中,采用线性 回归方法来预测负荷的季节性变化趋势,采用马尔可夫处理方法来构建母线负荷在 季节性变化趋势中的日常变化模型。这种短期母线负荷预测模块与系统检修计划相 华北电力人学硕士学位论文 结合并应用于系统的安全性评估。 文献 5 提出了静态母线负荷、由居民负荷和商业负荷组成的天气敏感型母线负 荷和天气不敏感型母线负荷这三种母线负荷的短期预测算法,并指出研究母线负荷 的概率密度函数算法将是下一步研究工作的重点。 文献 7 提出了一种模糊神经网络算法进行短期母线负荷预测;文献 8 】将 f a s e ( 自适应状态估计) 和m l p ( 多层反馈神经网络) 结合起来,前者作为粗估计估计 出母线负荷,后者研究f a s e 的输入输出量与实际母线负荷之间的映射关系;文献 【9 】先采用k 均值聚类方法对电网中众多母线进行特性聚类,形成几大类聚类中心, 然后采用多层神经网络方法进行母线负荷预测。 由于母线负荷序列具有多重季节性分量和高频波动分量【9 】,有较强非线性,直接 采用线性回归方法难以达到理想精度;且随着电力市场的开放、发输配电分开,缺 乏整体的母线负荷管理,基于经验的方法己不太适用于短期母线负荷预测,比如: 基于专家系统方法、模糊方法等;神经网络预测方法存在学习不足或过拟合现象。 1 2 2 国内现状 目前,国内对于短期母线负荷预测的公开报道较少,文献 3 1 1 6 将累积式自回归 动平均算法( a r i m a ) 和b p 神经网络方法综合起来对母线有功负荷进行短期预测。文 献 1 0 】提出了基于有色噪声的卡尔曼滤波算法。 文献 3 对实际母线负荷数据进行了分析,得出短期系统负荷预测的一些方法可 以应用于短期母线负荷预测的结论,并提出短期母线负荷预测的两大难点:一是如 何处理母线负荷和温度等气象因素的关系;二是如何使短期母线负荷预测的结果更 具实时性,进而应用于在线短期母线负荷预测。 短期系统负荷预测方法用于短期母线负荷预测、节点负荷预测已逐渐得到认 同。国内的研究人员针对短期负荷预测做了大量的研究工作,提出了各种预测方法。 由于d s b l f ( 中压配电网的短期母线负荷预测,或短期节点负荷预测) 存在信 息不完备、不精确问题,为了实现d s b l f ,文献 1 4 】根据认知科学理论,在并行分 布处理( p d p ) 模型基础上,提出了一种基于事例推理的模糊神经 网络方法( c b r f n n ) ,并提出一种混合( 有监督无监督) 学习算法,使得c b r f n n 具备了很好的泛化能力,c b r f n n 中的所有节点通过快速、增量式的学习过程动态 生成,并可通过网络自组织来有效抵御坏数据的影响。所提方法很好地解决了中压 配电网短期节点负荷预测这类信息不完备、不精确问题。但算法复杂,对每个变量 需重新推理,计算量大。 文献【1 5 针对短期负荷预测支持向量机( s v m ) 方法的局部逼近能力和泛化能力 进行研究,将多分辨率支持向量机( m s v m ) 用于短期负荷预测中节点负荷预测曲线 l 华北电力大学硕士学位论文 的回归估计。该理论在保持曲线总体逼近能力的同时提高了局部区域的逼近能力。 但采用这一方法的前提是有较为完备的气象预报数据,另外次日天气预报的准确程 度也是影响负荷预测精度的重要因素之一。 文献 1 6 提出了一种基于相似点的地区短期负荷预测新方法并形成了基于该算 法的专家支持系统。该系统可定量地考虑气象信息、小水电、工作日类型等负荷相 关因素,并利用决策树技术较好地表达了气象信息及日类型与负荷值之间的非线性 关系,使得具有一定相似性的负荷点能够划分到同一类别之中,并引入遗传算法对 属性维度前的权重系数进行了优化,建立最优映射表,并根据映射表来寻找最优相 似点,最后将各相似点拟合成预测日的负荷序列。该算法主要用于对工作日负荷进 行预测。 为增强配电网运行的安全性和经济性,文献 1 7 提出了一种可系统解决配电网在 线节点负荷估计的新方法。该方法包含粗略负荷估计、负荷预测和抗差负荷估计3 个阶段。其中,负荷预测阶段使用基于事例模糊神经网络的方法提供节点负荷预测 值。该方法可实现长期自适应在线运行,能够为配电系统的监视、控制和管理提供可 靠一致的负荷数据集。 短期负荷预测一般可分为2 个基本过程:一是选取相似日:二是根据相似日负荷 进行加权、外推来预测待预测日负荷。相似日选取的好坏直接影响预测精度【1 8 】。因 此,需要研究相似日选取算法以提高短期负荷预测的精度【1 9 之0 1 ,其中大量文献采用人 工神经网络来选取相似日 2 1 - 2 2 】,需要大量的样本进行训练以获得负荷变化规律,而对 新出现的少量样本所体现的新规律反应不灵敏,气象变化时也不能准确把握负荷变 化规律。文献 2 3 】针对短期负荷预测的特点,分析了气象、日类型等因素对负荷影响 的常见规律,建立了在短期负荷预测中选取相似日的新方法。这种方法便于识别影响 负荷变化的主导因素。 小地区短期负荷预测是电网企业精细化管理的重要手段。针对小地区短期负荷 预测的特点,文献【2 4 】提出了基于解耦机制的误差分析模型和预测机制,将短期负 荷预测分为负荷水平预测和标幺曲线预测两部分,提出了标幺曲线和平均负荷预测 方法。小地区负荷结构单一,标幺曲线相对稳定;负荷基数较小,负荷水平的波动 比较明显;标幺曲线和负荷水平受不同因素的影响,影响机理不同,分别预测有利 于提高预测精度。 文献 2 5 结合粗糙集理论、遗传算法和神经网络的优点,提出了一种基于粗糙 集的遗传神经网络负荷预测模型。由于影响短期负荷预测的因素众多,通过粗糙集 理论中的属性约简对神经网络的输入进行了筛选,找到与预测量相关性大的影响因 素作为输入量,减少了神经网络的工作量。为了解决神经网络自身收敛速度慢和容 易陷入局部极小的缺陷,利用具有全局搜索能力强等优点的遗传算法与之相结合, 对网络参数提前进行了优化。 3 华北电力大学硕士学位论文 目前短期负荷预测方法分为传统预测方法和基于人工智能的预测方法。传统预 测方法包括回归分析法、时间序列法等,基于人工智能的预测方法包括专家系统方 法、神经网络方法、基于支持向量机的方法等。最近提出的预测方法主要是组合预 测方法【1 6 - 1 7 1 2 5 。3 6 】,即综合几种理论或方法形成新的预测技术,并朝着智能化、组合 模型、区间概率化的方向发展【37 1 。有关这些预测方法的优缺点描述请参见第五章5 1 小节。 在短期负荷预测的研究和应用中,根据不同的需求,存在短期系统负荷预测和 短期母线负荷预测,这就涉及到两种预测结果的协调问题。文献 3 8 提出了负荷预 测领域中的一个新的科学问题多级负荷预测的协调问题,并给出了理论研究框 架。文献 3 9 1 针对具有”直接加和”特性的多级负荷预测问题,借鉴电力系统状态估计 思想,建立了多级负荷预测的基本协调模型,提出了相应的基本协调方法。考虑到多 级负荷预测协调的关联特性,文献 4 0 】将多级负荷预测的基本协调模型扩展为多维多 级,首先针对典型的2 维2 级协调问题,建立了关联协调的标量模型和矩阵模型,并提 出了相应的关联协调方法;引入了不平衡向量和调整系数矩阵的新概念,从而阐明了 2 垒f 1 2 级关联协调方法的物理机理;为便于比较不同协调方法的协调效果,文中继承和 扩展了基本协调模型的评价标准,提出了关联协调模型的单项评价指标和综合评价 标准。 1 3 目前存在的主要问题 综上所述,对于短期母线负荷预测,国内外专家学者在预测方法上作出了很多 有益探索,将神经网络方法、模糊预测技术引入到短期母线负荷预测领域,提高了 整体预测精度。但仍存在以下主要问题: ( 1 ) 忽略了母线负荷特性在时间、空间上的差异性,所建预测模型不具备通用 性。 ( 2 ) 忽略了短期母线负荷预测样本的前期数据处理工作,参与预测的样本数据 质量欠佳,降低了预测精度。 ( 3 ) 以回归分析法为代表的传统预测方法采用线性方法来描述强非线性的母线 负荷序列,误差较大;以神经网络方法为代表的智能预测方法学习速度慢,并在理 论上有较大缺陷。 1 4 本文的主要工作内容 针对目前短期母线负荷预测在预测精度和预测速度存在的问题,论文主要做了 4 华北电力人学硕士学位论文 如。f 工作: ( 1 ) 对母线负荷特性进行了分析、归纳,提出了一种基于灰色关联度矩阵的母 线负荷特性分类方法,从三个层次依次完成母线负荷特性的分类。 ( 2 ) 针对母线负荷序列中存在的数据缺失、数据突变和噪声信号引起的异常数 据,提出了一种短期母线负荷预测样本数据综合预处理方法。 ( 3 ) 提出了一种基于l s s v m 和马尔可夫链的短期母线负荷组合预测方法,并 提出一种广义网格搜索算法对模型参数进行优化。 ( 4 ) 对以上提出的方法,采用甘肃某地区、内蒙古某地区的实际母线负荷数据 进行了验证,证明了方法的有效性。 5 华北电力人学硕士学位论文 第二章短期母线负荷预测概述 2 1 母线负荷的定义 母线负荷可以定义为由变电站的主变压器供给一个相对较小的供电区域的终 端负荷的总和【6 1 。通常一个地区的母线负荷性质比较固定,负荷类型较为单一,只 包括一、两种用户类型,且其特性与用电负荷的类型有十分密切的关系。 2 2 母线负荷的构成特点 母线负荷【3 】可分为城市民用负荷、工业负荷、商业负荷、办公负荷、农村负荷 等,通常由上述一两种负荷类型构成。 ( 1 ) 城市民用负荷 城市民用负荷主要指城市居民的家用负荷,包括居民生活照明用电、家用电器 等,具有经常性年增长以及明显的季节性波动特点,与居民的日常生活和工作的规 律紧密相关。 ( 2 ) 工业负荷 工业负荷指工业企业用于工业生产的用电。一般来说,在一年时间范围内,工 业用电负荷是比较恒定的,受阴雨、光照等自然气候条件和季节变化的影响较小。 ( 3 ) 商业负荷 商业负荷包括宾馆、银行和餐饮业等,主要是照明、空调、动力等用电负荷, 成为节假日中影响电力负荷的重要因素之一。 ( 4 ) 办公负荷 办公负荷包括医院、学校和政府办公等。 ( 5 ) 农村负荷 农村负荷包括农村民用电、生产与排灌用电以及农村商业用电等,这部分负荷 受季节、气温等自然条件的影响很大,有时候变化比较剧烈;地理位置也会对这类 负荷产生较大的影响。 2 3 母线负荷的一般特。性 电力系统中母线数目众多,量大面广,特性各异。与系统负荷相比,母线负荷 的基负荷小、波动性大、多毛刺,受电网检修、负荷转供等计划性相关因素影响比 6 华北电力大学硕士学位论文 较大,在空间上、时间上具有较大差异,比如不同变电站之间的母线负荷特性、同 一变电站不同电压等级的母线负荷特性、同一母线在不同季节时的负荷特性等。 ( 1 ) 母线负荷的基负荷小、波动性大、多毛刺 图2 。l 为甘肃某地区3 3 0 k v 母线2 0 0 8 年8 月15 日的日负荷曲线,最大负荷不 超过1 5 0 m w ;图2 2 为图2 1 负荷曲线中相邻点的相对负荷变化率,最大变化率达 到3 8 8 2 ,平均变化率8 6 1 。 ,。 时问( 共2 8 8 十赢每玢钟呆集一个数) ,: 罐毽,:端嘲帆。, ,i 口一钳j x ,饥t 。t、 ,。,。? 屯,;| ? o :,? 一吐、。4 。“耋 图2 - 1 日负荷曲线 图2 - 2 负荷变化率 ( 2 ) 周相似性不太明显 图2 3 为甘肃某地区3 3 0 k v 母线2 0 0 8 年8 月1 1 日至8 月1 7 日的周负荷曲线 7 华北电力人学硕十学位论文 董 蟊 簧 蕾 呵i qf 每5 弦钾幂秉一个熬) j 氛i ? j v 彬,t 一j 。i 。一 一,;一 。,。 k 锄敖 图2 - 3 周负荷曲线 ( 3 ) 母线负荷特性在空间上的差异性 不同变电站的地理供电区域不同,在同一日期下的母线负荷变化规律不同( 如 图2 4 中内蒙古某地区1 1 0 k v 母线负荷曲线与甘肃某地区1 1 0 k v 母线负荷曲线) ; 同一变电站中不同电压等级母线的负荷构成一般不同,对应的母线负荷特性也不同 ( 如图2 4 中甘肃某地区3 3 0 k v 母线负荷曲线与甘肃某地区1l o k v 母线负荷曲线) 。 图2 - 4 不同地域、不同电压等级的母线负荷曲线比较 ( 4 ) 母线负荷特性在时间上的差异性 1 ) 在相同季节因素下,不同日期类型下的母线负荷特性不同 8 华北电力大学硕士学位论文 图2 5 为甘肃某地区3 3 0 k v 母线2 0 0 8 年8 月1 1 日( 星期一) 、8 月1 4 日( 星 期四) 和8 月16 日( 星期六) 的日负荷曲线。三天的母线负荷同属于夏季负荷, 季节因素基本相同,在不同日期类型上特性各异。 罗 。 闫一季节下的不同日期类蛩的母线翕蔼曲鲢魄竣”。 7“” 塌 图2 - 5 相同季节因素、不同日期类型下的母线负荷曲线比较 2 ) 在相同季节因素、相同的日期类型下,不同时间的母线负荷特性不同 图2 6 为甘肃某地区3 3 0 k v 母线2 0 0 8 年8 月1 1 日、8 月1 8 日和8 月2 5 日的 日负荷曲线。三天的母线负荷同属于夏季负荷,季节因素基本相同;日期类型相同, 同属于星期一。 萋 嚣 暇 蓍 图2 - 6 相同季节因素、相同的日期类型下,不同时间的母线负荷曲线比较 9 华北电力大学硕十学位论文 3 ) 不同季节因素下同一日期类型的母线负荷特性不同 图2 7 为甘肃某地区3 3 0 k v 母线2 0 0 8 年2 月1 6 日和2 0 0 8 年8 月1 l 同的日负 荷曲线。日期类型相同,同属于星期一。从图中可以看出,春季日负荷曲线和夏季 日负荷曲线的形状不同,波动规律不同。 图2 - 7 不同季节因素下的母线负荷曲线比较 2 4 短期母线负荷预测流程 短期母线负荷预测流程一般如下: ( 1 ) 获取母线负荷所属厂站区域及拓扑层次关系; ( 2 ) 搜索母线负荷特性数据库和预测模型库,寻找与之匹配的特性和预测模型; ( 3 ) 若有匹配的模型,则开始选取样本数据并进行样本数据预处理; ( 4 ) 采用匹配的预测模型进行预测,形成初步预测结果; ( 5 ) 根据当前电网检修等计划因素、气象因素以及省地县三级调度预测结果协 调机制,进行误差分析并修正预测结果; ( 6 ) 根据预测效果来修正当前预测模型,更新预测模型库,实现闭环反馈。 短期母线负荷预测流程框图如图2 - 8 所示: 1 0 华北电力大学硕士学位论文 更新模型库 网络拓扑 搜索 搜索 否 否 更新模型库 一 怔垂亟 电网检修等计划因素和气象信息 省调地调县调等多级预测结果协调 图2 8 短期母线负荷预测流程框图 2 5 短期母线负荷预测考核指标【4 1 】 短期母线负荷预测考核时,采用s c a d a 母线负荷量测数据作为母线负荷实际 值,计算预测误差,日预测结果按9 6 点进行编制和考核统计( 每日o o :l5 2 4 :0 0 , 每1 5 分钟一个点) 。主要考核指标有: ( 1 ) 月平均日母线负荷预测准确率。基本要求- 8 5 ,争取达到9 0 。 华北电力人学硕士学位论文 ( 2 ) 月平均日母线负荷预测合格率。基本要求7 5 ,争取达到8 5 。 ( 3 ) 月度母线负荷预测数据传送率。应达到1 0 0 。 所涉及的计算公式如下: ( 1 ) 单母线负荷i 时段k 的引用误差 l 尼时段预测值j | 时段实际值f 局旷l 丽疆蕊p 灯0 0 ( 2 1 ) ( 2 ) 半均i z t 博线负何坝侧准确翠 平均日母线负荷预测准确率:( 1 _ 1 笠4 2 ) 1 0 0 ( 2 - 2 )平均日母线负荷预测准确率2 舌4 2 1 0 0 其中:4 = i 1 i 笠= l e 2 七为时段k 的区域统计误差,m 为区域内可考核的母线负荷 总数,n 为日预测总时段数。 ( 3 ) 月( 年) 平均日母线负荷预测准确率 1 1 y 平均日母线负荷预测准确率 月 ( 年) 平均日母线负荷预测准确率= l 了r 露西1 丽 ( 2 - 3 ) ( 4 ) 平均日母线负荷预测合格率 平均日母线负荷预测合格率2 亩舌圾( 2 - 4 ) 其中,时段尼区域合格率反= 里鸶毳薹筹1 。,母线负荷预测合格数是 指在时段k 引用误差 0 5 ,当巧万( f ) 时,则视置与x ,为同类特征量。 万可根据实际问题的需要确定,6 越接近l ,分类越细,每一组分类中所包含的变 电站个数越小,反之亦然。 3 2 3 全网母线负荷特性分类流程框图 全网母线负荷特性分类的流程图如下: 空间上的第一层分类 ( 按行业负荷来分类) 空间上第一层分类 ( 按电压等级分类) 时间上进行分类 ( 按照影响凼素分类) 图3 一l 母线负荷特性分类的流程图 首先采用灰色关联度矩阵法按照行业负荷构成比例的差异对电网中变电站进 行分类,得出n 个变电站集合;然后从这n 个变电站集合中分别选出一个典型变电 站( 共n 个) ,参与第二层分类;之后按照电压等级对每个典型变电站进行分类; 最后,按照负荷的影响因素对于每个电压等级的母线进行进一步分类,最终形成电 网的母线负荷特性数据库。如果在整个特性分类中形成了x 个典型变电站,每个典 型变电站含有y 个电压等级,每个电压等级母线在第三层分类中分为z 类,则本地 1 8 华北电力火学硕士学位论文 区电网中母线被分为x y z 类。 3 3 本章小结 母线负荷特性分类是提高预测模型匹配性和实现短期母线负荷自适应预测的 基础。 本章提出了一种母线负荷特性分类方法。此方法从三个层次依次完成母线负荷 特性的分类:第一层,首先以变电站中各行业负荷所占比例作为特征向量,采用灰 色关联度矩阵法对地区电网中各个变电站进行分类,并通过聚类得到各类的中心向 量,从每类变电站集合中选取与聚类中心最近的变电站,形成新的变电站集合:第 二层,以母线电压等级为特征向量,采用灰色关联度矩阵法对上一步形成的新变电 站集合中的母线进行分类,形成新的母线集合;第三层,根据负荷影响因素组成特 征向量,在第二步基础上采用灰色关联度矩阵法对新母线集合中各母线负荷特性进 行分类,完成时间上的特性分类。依次经过三层分类,最终形成电网的母线负荷特 性数据库。 空间上的两层分类充分体现了母线负荷在空间上的差异性,得出的母线集合能 够基本概括出电网中所有母线负荷的空间特性;在此基础上从时间特性差异的角度 对母线集合进行再次分类,最后得出母线负荷特征向量集和母线负荷特性数据库。 整个过程充分考虑了电网中各个母线负荷在空间上、时间上的差异性,通过三层分 类能够把众多的母线负荷归为几大类别,为建立母线负荷预测模型奠定基础。 1 9 华北电力人学硕十学位论文 第四章短期母线负荷预测样本数据综合预处理 4 1 短期母线负荷预测样本数据预处理的必要性 电网中各类母线负荷,均存在波动大、多毛刺、非线性、有高频波动分量和季 节性分量【8 1 ,噪声信号和多波动多毛刺的有用信号相互交叉,对母线负荷样本数据 的质量影响较大,直接影响母线负荷预测精度。另外,由于自动化系统问题等各种 原因,实际的母线负荷样本数据中总不可避免地包含有数据缺失、数据突变引起的 异常数据,这将掩盖历史母线负荷的真实变化规律,据此得出的短期母线负荷预测 结果将偏离正常的母线负荷变化轨迹,降低预测的准确性。因此,在对母线负荷特 性分类的基础上,还需对母线负荷样本数据进行预处理,以确保在建模和预测过程 中所运用的历史数据具有真实性、正确性和同规律性。 4 2 数据处理技术现状 4 2 1 传统的数据处理技术 传统的样本数据预处理方法主要有经验修正法、曲线置换法、插值法、2 0 修 正法、数据横向纵向对比法等等【5 4 】。这些方法容易实现,但是对数据处理得很粗糙, 修正效果不理想,而且一般需要人工干预,增加了运行人员的工作量。 近年来,在电力市场环境下,影响负荷变化的因素复杂多变,单纯追求预测方 法的先进性无法适应新形势下的需要,负荷预测中的数据处理技术已受到研究人员 的重视,并提出了一些新的数据处理方法【5 6 。6 3 】,比如:采用参数估计法结合灰色估 计对异常数据进行检测和辨识【5 6 1 、采用改进型的神经网络方法来实现异常数据的辨 识与调整【5 7 1 、采用快速傅立叶变换和频谱分析进行负荷数据预处理【59 1 、采用模糊软 聚类算法和分类算法进行异常数据的辨识【6 0 1 。 ( 1 ) 经验修正法 由现场负荷预测人员根据长期积累的经验对数据进行修正。 ( 2 ) 分时段设定阀值判别法 对不同时段区间内的负荷,参照其波动范围分别设定最大、最小阀值,然后对 区间的各负荷数据进行筛选。该法可以将多数异常数据筛选出来。对筛选出的异常 数据,运用其它方法进行修正。 2 0 华北电力人学硕士学位论文 ( 3 ) 曲线置换法 对大事故日负荷或明显负荷曲线异常的日负荷进行剔除或用正常皓线置换。 ( 4 ) 数据横向对比法 将某一时刻的负荷与其前后时刻的负荷进行比较如果差值大于某一闭阀值,则 认为是负荷毛刺。 ( 5 ) 数据纵向对比法 将某一时刻的负荷值,分别与其前l 天、2 天相同时刻的负荷值进行比较,如 果偏差大于某一阀值,则取平均值代替。 ( 6 ) 插值法 运用多种插值算法对数据进行识别和修正。 ( 7 ) 概率统计法 先采用经验修正法对多数异常数据进行筛选和修正,然后对余下的部分异常数 据用置信区间的方法进行识别和修正。 ( 8 ) 对比待检测日这两点的负荷变化率是否在正常范围内 通过统计历史上各日在两时刻间负荷变化率的范围,对比待检测日这两点的负 荷变化率是否在正常范围内来判定可疑点。该方法对于单个异常数据的识别比较有 效,但对于首元素是异常数据及大段异常数据连续存在的情况,易产生误判和漏判。 ( 9 ) 采用参数估计法结合灰色估计对异常数据进行检测和辨识 采用参数估计法结合灰色估计对异常数据进行检测和辨识,由于参数估计是复 杂的非线性优化问题,计算效率较低,且易陷人局部极值。 ( 1 0 ) 用神经网络实现异常数据的辨识与调整 该方法构思巧妙且能实现异常数据的定位,但存在着3 方面的不足:1 ) 所用 到的k o h o n e n 神经网络只能实现球形数据的硬聚类,以硬聚类中心矢量为特征曲线 对异常数据的调整较为粗糙;2 ) 文中使用反向传播( b p ) 神经网络作为模式分类,由 于b p 算法的固有特性,不可能从根本上避免局部极小的问题;3 ) 随着时间的推移, 负荷预测所用的样本集应该动态更新,但文中没有提出对样本集更新的动态处理措 施。 ( 1 1 ) 动态智能清洗模型【6 0 】 智能清洗模型利用了电力负荷曲线的相似性和平滑性这两个重要特征。由于日 曲线的几个峰谷时刻基本相同,大致形状极为相似,并且曲线的相邻点一般不会有 大的变化,异常数据的存在将明显破坏负荷曲线的平滑性,但相对数量较少,因此 不能破坏数据曲线的相似性。这样,我们就可以用数据挖掘理论中的聚类算法从大 量可能含有异常数据的负荷曲线中提取特征模式,然后利用分类算法将含有异常数 据的曲线模式同特征曲线模式分开,以实现异常数据的识别。 其优点是:利用模糊软聚类的思想对k o h o n e n 自组织特征映射神经网络进行了 2 1 华北电力火学硕士学位论文 改进,使之能实现数据的模糊动态软聚类,不仅克服了传统模糊聚类算法收敛较慢 的弱点,而且能对异常数据进行合理和精细的调整;通过构造具有更强的函数逼近 和模式分类能力的径向基函数( r b f ) 网络来实现异常数据的辨识和定位,收敛速度 大大高于b p 网络;所提出的动态聚类算法能根据样本数据的更新而自动搜寻新的 中心矢量( 即特征曲线) 。该模型具有高精度、实时性及动态性的优点。 以上这些数据处理方法都是针对系统负荷而言的,应用的前提是:负荷数据的 变化具有相似性和平滑性,曲线的相邻点一般不会有大的变化。但是,与系统负荷 特性相比,母线负荷特性有很大不同,有些母线负荷时间序列并不具有平滑的特性, 一般来讲,母线负荷的基负荷小、波动性大,多毛刺、非线性、有高频波动分量、 季节性分量【3 】,因此上述数据预处理方法都不适合用于母线负荷样本数据的预处理。 4 2 2 新兴处理方法 近年来,新兴处理方法主要是小波分析去噪方法。由于小波分析方法能同时在 时域和频域上对信号进行分析,所以它能较好地区分信号中的突变部分和噪声,从而 实现对信号的降噪处理【5 5 】【7 3 1 。因此,把历史负荷数据中的异常数据看成是负荷曲线 中的奇异点和噪声,采用小波分析法对负荷数据进行坏数据的辨识和处理具有良好 应用前景,并已在系统负荷预测方面得到一定应用【5 4 踟】【“击7 1 。 小波去噪方法是针对信号经小波变换后在不同分辨率下呈现不同规律,在不同 分辨率下设定不同阀值门限,调整小波系数,达到去除噪声的目的。目前,利用小 波去噪主要有三种方法【6 5 】【6 8 】:小波分解和重构法( 小波强制去噪) 、小波变换模极 大值去噪、小波阀值去噪。三种小波方法的特点如下: ( 1 ) 在小波强制去噪法中,将小波分解结构中的高频系数全部置为零,然后 再对信号进行重构处理。此方法较为简单,重构后的信号也较为平滑,但容易丢失 有用信号。小波强制去噪只能去除有效信号频带以外的噪声,不能去除在频谱上与 信号重叠的那部分噪声,而算法从原理上无法在频域内将噪声和信号加以区分,所 以不能去除这部分噪声。 ( 2 ) 小波变换模极大值去噪法的理论依据是:选择小波函数为某种平滑函数 的一阶导数时,小波变换模极大值与信号突变点的位置相对应。而由伪数据引起的异 常信息主要通过模极大值来体现,因此通过对小波变换模极大值的处理就可以消除 异常信息的伪数据。这种方法能够同时处理三种类型的异常数据,但是需要计算小 波系数模极大值曲线,计算量大,算法复杂,并且不能保存尖峰点的特性,不适合 用于具有多毛刺多波动特性的母线负荷数据的处理。 ( 3 ) 小波阀值去噪的具体处理过程为:将含噪信号在各尺度上进行小波分解, 华北电力大学硕十学位论文 保留大尺度低分辨率下的全部小波系数;对于各尺度高分辨率下的小波系数,可以设 定一个阀值,幅值低于该阀值的小波系数置为零,高于该阀值的小波系数或者完整 保留,或者做相应的“收缩处理”。最后将处理后获得的小波系数利用逆小波变换 进行重构,恢复出有效的信号。对于小波系数进行非线性阀值处理的方式主要有: 软阀值处理和硬阀值处理。 小波阀值法去噪主要适用于信号中混有白噪声的情况。其优点是噪声几乎完全 得到抑制,且反映原始信号的特征尖峰点得到很好的保留。其缺点是阀值不容易确 定,如果阀值选取的太高,会使信号失去太多细节,使信号失真,如果阀值选得太 低,不能达到去噪的目的。一般来说,对不同的信号,不同的噪声强度,阀值的选 取是不同的,且对于不同的分解层次,阀值的选取往往是与层次相关的,这样才能 更好的降低噪声的影响,使重建信号能保留原始信号的尖锐和陡峭的部分。 基于小波变换的阀值去噪关键是要解决3 个主要问题:小波基的选取、阀值门限 的选取和阀值去噪函数。最近出现了许多针对小波变换去噪算法的改进方法:比如 小波系数压扩去噪算法【6 9 】等。有很多文献对阀值门限的选取和阀值函数进行了改进 7 0 - 7 2 1 。 4 2 3 各种数据处理方法的优缺点比较 经过上述对负荷预测中的数据预处理技术的分析,本文认为:传统的数据处理 技术对负荷数据的处理太粗糙,而新兴的小波去噪法中,小波强制去噪法容易丢失 有用信号信息;小波变换极大值去噪法需要求出小波系数模极大值曲线,算法稍显 复杂,计算量大,速度慢,并且不能保存尖峰点的特性,不适合用于具有多毛刺多 波动特性的母线负荷数据的处理;虽然小波阀值去噪法简便易行,能够保存原始信 号的某些尖峰特性,但是当有数据缺失时将会出现较大尖峰,所以不能有效识别数 据缺失这一类的异常数据。 4 3 基于改进数据横向比较法的母线负荷数据预处理 数据横向比较法是一种利用日负荷曲线中连续两点负荷不突变的特性来判别异 常点的数据处理方法。如果前后两点的负荷变化超出预设的阀值,则判断为异常点。 一般采用此方法来修正数据缺失点和突变数据点。 4 3 1 传统的数据横向比较法 在传统的数据横向比较法中,将前后两个时间点的数据作为基准,设定待处理 2 3 华北电力大学硕士学位论文 数据点的最大变化范围,如果待处理数据超过这个范围就视为异

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论