[發(fā)明專利]一種電力系統(tǒng)臺(tái)區(qū)負(fù)荷預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710656093.7
• 申請(qǐng)日: 2017-08-03
• 公開(kāi)（公告）號(hào): CN107480815A
• 公開(kāi)（公告）日: 2017-12-15
• 發(fā)明（設(shè)計(jì)）人: 平凡;胡保東;潘龍懿;賈科;林瑤琦
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)河北省電力公司保定供電分公司;國(guó)網(wǎng)河北省電力公司;國(guó)家電網(wǎng)公司;華北電力大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/08
• 代理公司: 北京凱特來(lái)知識(shí)產(chǎn)權(quán)代理有限公司11260
• 代理人: 鄭立明,鄭哲

技術(shù)領(lǐng)域

本發(fā)明涉及電力系統(tǒng)技術(shù)領(lǐng)域，尤其涉及一種電力系統(tǒng)臺(tái)區(qū)負(fù)荷預(yù)測(cè)方法。

背景技術(shù)

電力系統(tǒng)中，短期負(fù)荷預(yù)測(cè)早期以變電站、母線為探討對(duì)象，隨著配網(wǎng)重要性的日趨提升、電力市場(chǎng)開(kāi)放以及電力行業(yè)各種技術(shù)的發(fā)展成熟，電網(wǎng)對(duì)短期負(fù)荷預(yù)測(cè)的需求展露出多部口化、多應(yīng)用場(chǎng)景化的趨勢(shì)，將短期負(fù)荷預(yù)測(cè)延伸至配網(wǎng)低壓層級(jí)，即將臺(tái)區(qū)當(dāng)作基本預(yù)測(cè)單位，能夠達(dá)到電網(wǎng)各部口對(duì)負(fù)荷預(yù)測(cè)的各種要求，拓展智能配網(wǎng)利用并提高了其服務(wù)水準(zhǔn)，具有非常重要的工程實(shí)用價(jià)值和商業(yè)價(jià)值。

目前，短期負(fù)荷預(yù)測(cè)建模主要根據(jù)相似性原理以及各種優(yōu)化算法實(shí)現(xiàn)，具體可分為傳統(tǒng)預(yù)測(cè)方法和現(xiàn)代預(yù)測(cè)方法兩個(gè)階段。傳統(tǒng)預(yù)測(cè)方法基于傳統(tǒng)數(shù)學(xué)工具實(shí)現(xiàn)，而現(xiàn)代預(yù)測(cè)方法興起則基于人工智能的繁榮。

傳統(tǒng)預(yù)測(cè)方法主要包括趨勢(shì)外推預(yù)測(cè)方法、時(shí)間序列法、灰色模型預(yù)測(cè)方法等，其預(yù)測(cè)未來(lái)負(fù)荷值是通過(guò)依據(jù)歷史負(fù)荷數(shù)據(jù)或其相關(guān)影響因素建立一種確定的模型。

在傳統(tǒng)預(yù)測(cè)法中，趨勢(shì)外推法是依照過(guò)去負(fù)荷數(shù)據(jù)擬合一條可反映當(dāng)前負(fù)荷走向的曲線，從而實(shí)現(xiàn)負(fù)荷預(yù)測(cè)。傳統(tǒng)預(yù)測(cè)法中的時(shí)間序列法則是首先確定與目標(biāo)序列符合的某一隨機(jī)模型，同時(shí)預(yù)估其中參數(shù)，然后對(duì)其進(jìn)行考核，若通過(guò)考核，則在此基礎(chǔ)上構(gòu)建預(yù)測(cè)表達(dá)式進(jìn)行預(yù)報(bào)。傳統(tǒng)預(yù)測(cè)法中的灰色模型預(yù)測(cè)方法則是首先將初始數(shù)列的數(shù)據(jù)按照累加生成、累減生成等得到規(guī)律較強(qiáng)的新數(shù)列，之后再用生成的新數(shù)列建立微分方程模型以進(jìn)行電力負(fù)荷預(yù)測(cè)。

然而，上述傳統(tǒng)預(yù)測(cè)方法存在著很大的局限性，包括：

(1)刻畫負(fù)荷變動(dòng)以及預(yù)測(cè)負(fù)荷趨勢(shì)的模型較為片面；

(2)對(duì)氣候變化以及人為造成擾動(dòng)難以反應(yīng)，使預(yù)測(cè)模型具有較低的穩(wěn)定性，受到干擾情況時(shí)預(yù)測(cè)精度急劇下降；

(3)預(yù)測(cè)日類型不同的負(fù)荷沒(méi)有合理且同意的辦法,節(jié)假日的預(yù)測(cè)精度尤其差。

智能預(yù)測(cè)方法無(wú)需預(yù)先了解參數(shù)的相關(guān)先驗(yàn)知識(shí)和確定過(guò)程模型的結(jié)構(gòu)，也無(wú)需利用繁雜系統(tǒng)辨識(shí)來(lái)建立過(guò)程的數(shù)學(xué)模型，因此十分適用多變量時(shí)變、非線性、隨機(jī)的電力負(fù)荷預(yù)測(cè)。智能預(yù)測(cè)方法主要包括小波分析法、專家系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法、模糊預(yù)測(cè)法和灰色理論預(yù)測(cè)法等。

小波分析法首先歸納原始數(shù)據(jù)的規(guī)律性，再對(duì)負(fù)荷序列實(shí)行小波變換，通過(guò)投影得到各尺度的子序列，這些子序列表征原始數(shù)據(jù)各個(gè)頻域分量，再對(duì)它們分別預(yù)測(cè)并通過(guò)重構(gòu)這些子序列獲取預(yù)測(cè)結(jié)果。小波分析預(yù)測(cè)精度依賴于小波基的選取。

專家系統(tǒng)法具有跟人類一樣的決策功能,其能模仿專家的思考決策過(guò)程,對(duì)問(wèn)題求解并給出類似于專家水平答案。但該方法存在自適應(yīng)性差，系統(tǒng)復(fù)雜，易由于人為而導(dǎo)致差錯(cuò)的缺點(diǎn)。

人工神經(jīng)網(wǎng)絡(luò)法中，人工神經(jīng)網(wǎng)絡(luò)包括多個(gè)并行運(yùn)算的神經(jīng)單元組成的非線性動(dòng)力學(xué)。人工神經(jīng)網(wǎng)絡(luò)利用一個(gè)神經(jīng)元可表達(dá)輸入、輸出之間某種非線性聯(lián)系，當(dāng)多個(gè)神經(jīng)元組合成網(wǎng)絡(luò)，則可表達(dá)復(fù)雜的非線性函數(shù)。人工神經(jīng)網(wǎng)絡(luò)利用學(xué)習(xí)算法改變連接權(quán)值，從而實(shí)現(xiàn)多維空間之間的非線性映射。但實(shí)踐發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)時(shí)收斂速度慢、易取得局部最優(yōu)解，且不易明確其隱藏層神經(jīng)元的個(gè)數(shù)。

支持向量機(jī)法源于數(shù)理統(tǒng)計(jì)，能高效解決回歸問(wèn)題。該方法第一步是將輸入空間非線性變換變換到高維空間，然后在變換后的空間中找到輸入、輸出間的某種非線性關(guān)系，最后一步是結(jié)果逆映射到變換前的原空間，從而實(shí)現(xiàn)對(duì)原空間的回歸。但有關(guān)支持向量機(jī)的算法還有些理論解釋不是很完善。

在現(xiàn)有的電力系統(tǒng)中，影響低壓臺(tái)區(qū)負(fù)荷的隨機(jī)因素較普通配網(wǎng)更多，負(fù)荷的非線性非常強(qiáng)。因此，需要對(duì)適用于臺(tái)區(qū)的負(fù)荷預(yù)測(cè)模型進(jìn)行更深層次的研究，但從上述目前已有的負(fù)荷預(yù)測(cè)實(shí)現(xiàn)方法無(wú)法很好地滿足臺(tái)區(qū)負(fù)荷預(yù)測(cè)需求。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種電力系統(tǒng)臺(tái)區(qū)負(fù)荷預(yù)測(cè)方法，從而可以準(zhǔn)確地進(jìn)行臺(tái)區(qū)負(fù)荷預(yù)測(cè)，滿足電力系統(tǒng)的負(fù)荷預(yù)測(cè)需求。

本發(fā)明的目的是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：

一種電力系統(tǒng)臺(tái)區(qū)負(fù)荷預(yù)測(cè)方法，包括：

步驟1，由動(dòng)態(tài)改變慣性權(quán)重的自適應(yīng)粒子群算法優(yōu)化后向傳播BP神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值，直至所述權(quán)值和閾值滿足適應(yīng)度要求；

步驟2，基于優(yōu)化后的所述權(quán)值和閾值，對(duì)BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化訓(xùn)練，得到參數(shù)的最優(yōu)組合；

步驟3，基于所述最優(yōu)參數(shù)組合進(jìn)行臺(tái)區(qū)負(fù)荷預(yù)測(cè)。

所述優(yōu)化后向傳播BP神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值的步驟包括：