[發明專利]一種基于人工神經網絡的城市電網饋線負荷構成辨識方法

在審

• 申請號: 201611085626.2
• 申請日: 2016-11-30
• 公開（公告）號: CN106599417A
• 公開（公告）日: 2017-04-26
• 發明（設計）人: 王珂;韓冰;姚建國;趙家慶;楊勝春;田江;馮樹海;呂洋;李亞平;徐秀之;劉建濤;趙慧
• 申請（專利權）人: 中國電力科學研究院;國網江蘇省電力公司蘇州供電公司;國網江蘇省電力公司;國家電網公司
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06Q50/06
• 代理公司: 北京安博達知識產權代理有限公司11271
• 代理人: 徐國文

技術領域

本發明涉及一種電網饋線負荷構成辨識方法，具體涉及一種基于人工神經網絡的城市電網饋線負荷構成辨識方法。

背景技術

電力系統大型饋線節點負荷的構成與終端用戶用電行為特征、周期和習慣相關，總是隨著季節、日期以及外部環境持續變化從而影響整個系統負荷的動態用電特性并對電網形成擾動。通過需求側管理將高峰時段的負荷轉移至低谷時段將有利于發用電的平衡，但管理政策的規劃和制定如動態電價機制設計需要清楚不同供電節點負荷的構成，從而有效評估饋線節點負荷柔性和可調度潛力。

在負荷構成辨識方面國內外學者已開展了大量研究，主要包括侵入式負荷監測(intrusive load monitoring,ILM)和非侵入式負荷監測(nonintrusive load monitoring,Non-ILM)。ILM依賴于用戶對設備運行、電量消耗、電費支出以及智能電表用電情況等日常用電行為的記錄數據，需要在用戶側安裝實時監測設備。而為不同用戶的所有用電設備廣泛安裝測試設備是非常昂貴的，也會造成數據存儲和分析的維數災。Non-ILM依賴于負荷信號的高分辨率，如電流波形、擾動后動態負荷響應、瞬時功率或有功變化，廣泛應用于居民公寓或用電功率較小時的非侵入式負荷監視。然而，對于大型用戶或電力系統負荷饋線節點(用電功率往往高達MW或GW)，這種通過檢測增量變化的模式難以分離出發生變化的負荷類型及設備。

發明內容

為了克服上述現有技術的不足，本發明提供一種基于人工神經網絡的城市電網饋線負荷構成辨識方法，本發明有效辨識大型饋線節點不同建筑負荷構成，有助于預測饋線節點負荷動態特性、評估需求響應潛力，為制定合理的需求響應政策和機制奠定基礎。

為了實現上述發明目的，本發明采取如下技術方案：

一種基于人工神經網絡的城市電網饋線負荷構成辨識方法，所述方法包括：

(1)搜集對應氣候區典型建筑負荷的設備構成、歷史用電信息和氣象信息；

(2)建立各類典型建筑的用電負荷模型；

(3)基于待辨識饋線負荷曲線對應的日期和氣象信息，生成各類典型建筑負荷對應時段的負荷曲線；

(4)采用BP人工神經網絡算法對所述待辨識饋線負荷進行負荷構成的辨識。

優選的，所述步驟(3)中，所述待辨識饋線負荷曲線是由待評估饋線周負荷曲線和可辨識負荷的負荷曲線相減取得。

優選的，所述步驟(4)中，包括如下步驟：

步驟4-1、網絡初始化，給各連接權值賦初值、計算精度和最大學習次數，設置k＝0；

步驟4-2、生成的n類典型建筑周負荷曲線和相應氣象信息，利用蒙特卡洛抽樣構成饋線節點周負荷曲線，并形成三層BP網絡結構，包括輸入層、隱含層和輸出層；

步驟4-3、利用網絡期望輸出和實際輸出，計算誤差函數對輸出層各神經元的偏導數，利用隱含層到輸出層的連接權值和隱含層的輸出，計算誤差函數對隱含層各神經元的偏導數；

步驟4-4、用輸出層各神經元和隱含層各神經元的輸出來修正連接權重，利用隱含層各神經元和輸入層各神經元的輸入來修正連接權重；

步驟4-5、計算全局誤差；

步驟4-6、如果學習次數大于等于設定的最大次數m，終止計算；如果學習次數小于設定的最大次數，進入步驟4-7；

步驟4-7、如果網絡誤差滿足要求，終止計算；如果不滿足，k＝k+1，轉到步驟4-2。

優選的，所述步驟4-2中，所述饋線節點周負荷曲線、所述典型建筑周負荷曲線和相

應氣象信息為網絡的輸入變量，每類典型建筑負荷的數量為輸出變量。

優選的，所述步驟4-3中，所述誤差函數是反映神經網絡期望輸出與計算輸出之間誤

差大小的函數，第k次樣本計算公式如下：

其中：d_o(k)為第o節點的期望輸出值，yo_o(k)為第o節點計算輸出值，q為輸出層神經元個數；

所述計算誤差函數對輸出層各神經元的偏導數，公式如下：

yo_o(k)＝f(yi_o(k))

計算誤差對隱含層各神經元的偏導數為：