CN102867128A - 一种电力日负荷的混沌卡尔曼滤波模型安全监控预测方法 - Google Patents
一种电力日负荷的混沌卡尔曼滤波模型安全监控预测方法 Download PDFInfo
- Publication number
- CN102867128A CN102867128A CN2012103607939A CN201210360793A CN102867128A CN 102867128 A CN102867128 A CN 102867128A CN 2012103607939 A CN2012103607939 A CN 2012103607939A CN 201210360793 A CN201210360793 A CN 201210360793A CN 102867128 A CN102867128 A CN 102867128A
- Authority
- CN
- China
- Prior art keywords
- daily load
- chaos
- state
- electric power
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电力日负荷的混沌卡尔曼滤波模型安全监控预测方法,以电力日负荷为研究对象,基于混沌理论,耦合卡尔曼滤波的非线性预测方案,并应用到实际预测和安全监测中的物理建模分析方法。其技术方案如下:A.采集电力日负荷数据构成时间序列;B.分析电力系统日负荷时间序列的混沌特性;C.重构负荷相空间,得到空间相点;D.以相点为状态变量建立系统的状态空间模型;E.设定递推初始条件;F.预测均方误差阵;G.计算卡尔曼增益;H.计算均方误差阵;I.预测状态;J.对预测值进行滤波处理,直到预测完成。本发明说明电力日负荷具有混沌特性,耦合模型的预测精度高,能有效监测电力日负荷变化规律从而保障电力系统的安全经济运行。
Description
(一)技术领域:本发明涉及一种电力日负荷的混沌卡尔曼滤波模型安全监控预测方法,即以电力日负荷为研究对象,基于混沌理论,重构电力负荷相空间,并把卡尔曼滤波技术引入混沌相空间中,提取电力负荷的动力学信息特征,探讨负荷相空间中的非线性预测方案,然后应用到实际预测和安全监测中的物理建模分析方法,属于电力领域。
(二)背景技术:电力负荷数据作为水资源开发、优化配置、水库调度的重要依据。电力负荷预测对电力系统的安全经济运行起着十分重要的作用。电力系统的日负荷安全预测是电网为安排购电计划和输电方案的制定服务。实践中取得的电力负荷时间序列呈现出复杂性、不确定性、非线性的特点。基于混沌理论,重构电力负荷相空间,结合卡尔曼滤波模型,研究如何提取电力负荷的动力学信息特征,探讨负荷相空间中的非线性预测方案,再应用到实际预测和安全监测中是非常有意义的。
(三)发明内容:本发明提出的一种电力日负荷的混沌卡尔曼滤波模型安全监控预测方法,其技术方案如下。
1、采集电力系统日负荷数据构成日负荷时间序列。
2、分析电力系统日负荷时间序列的混沌特性,计算日负荷序列的饱和关联维数。
3、对混沌时间序列,选取合适的嵌入维数m和延迟时间τ,重构m维混沌相空间,得到N=n-(m-1)τ个相点。
4、以相点为状态变量建立如式(1)、(2)所示系统的状态空间模型。
系统的状态方程为:
系统的输出方程为:
其中,模型噪声w和观测噪声v为高斯白噪声,相互独立且与初始状态无关,模型误差协方差阵Q和观测误差协方差阵R为半正定阵。
状态转移矩阵:
的各分量为非时变参数,由已知的多组观测数据用最小二乘法来估计。误差协方差阵Q和R初步确定为常数阵后,在程序调试中优选。设模型噪声的分配阵Γ为单位阵。
系统初值对递推影响不大,会很快收敛到与初值无关的估计值上。
6、预测均方误差阵:P(k+1/k)=ΦP(k/k)ΦT+ΓQΓT。
7、计算卡尔曼增益:K(k+1)=P(k+1/k)CT(CP(k+1/k)CT+R)-1,其中输出矩阵 。
8、计算均方误差阵:P(k+1/k+1)=(I-K(k+1)C)P(k+1/k)。
9、预测状态: 。
10、对预测值进行滤波处理:
11、迭代次数k=k+1,递推未完再返回到第(4)步继续,直到预测完成。
本发明有益效果:
ⅰ.本发明说明电力日负荷具有混沌特性。通过分析电力日负荷序列的饱和关联维数,论证了日负荷序列的混沌特性。重构日负荷相空间,以混沌相空间的相点作为状态空间的向量,建立相点的状态空间模型,利用卡尔曼滤波技术进行实时预测和校正。
ⅱ. 本发明提出的一种电力日负荷的混沌卡尔曼滤波模型安全监控预测方法,由于耦合了卡尔曼滤波的实时预测方法,边预测边校正,预测精度高,相对误差小,对电力日负荷的实时预测和修正的效果很好,能有效监测电力日负荷变化规律从而保障电力系统的安全经济运行。
(四)附图说明:
图1四川省电力日负荷时间序列
图2四川省电力日负荷的饱和关联维数图
图3四川省电力日负荷的混沌卡尔曼滤波模型预测效果图
(五)具体实施方式:
1、四川省全省电力日负荷时间序列,资料数据从1998年8月至2001年12月,(见图1)。
2、电力日负荷重构相空间中,随着相空间维数m的升高关联维数会出现饱和现象,即电力日负荷具有混沌性,(见图2)。
3、重构电力日负荷7维混沌相空间,取延迟时间τ为60天,保证嵌入坐标之间的相关性较小,相空间中共构成877个相点。
4、选择相点作为状态向量,则电力日负荷相点的状态空间表达式为:
选取前700个相点组成观测数据,用最小二乘法估计出状态转移矩阵Ф:
5、取剩余150个相点为模型检验的预测点,预见期为2天,预测约5个月的日负荷数据作为模型检验,预测结果见图3。由效果图可见,系统初始状态和均方误差阵的初值对预测的影响很快消失,调试中误差协方差阵Q和R的值在一个较大范围内对预测精度影响较小。
6、模型预测的趋势跟踪非常好,混沌相空间的卡尔曼滤波模型对四川省电力日负荷预测的合格率为95.33%(相对误差小于10%的预测点占总的预测相点的百分比),平均相对误差为3.685%。
Claims (6)
4.权利要求2所述一种电力日负荷的混沌卡尔曼滤波模型安全监控预测方法,其特征是所述C步骤状态转移矩阵具有以下特征:
A 式中的各分量为非时变参数,由已知的多组观测数据用最小二乘法来估计;
B 误差协方差阵Q和R初步确定为常数阵后,在程序调试中优选;
C 设模型噪声的分配阵为单位阵。
5.权利要求1所述一种电力日负荷的混沌卡尔曼滤波模型安全监控预测方法,其特征是所述E步骤中系统初值对递推影响不大,会很快收敛到与初值无关的估计值上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103607939A CN102867128A (zh) | 2012-09-21 | 2012-09-21 | 一种电力日负荷的混沌卡尔曼滤波模型安全监控预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103607939A CN102867128A (zh) | 2012-09-21 | 2012-09-21 | 一种电力日负荷的混沌卡尔曼滤波模型安全监控预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102867128A true CN102867128A (zh) | 2013-01-09 |
Family
ID=47445996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012103607939A Pending CN102867128A (zh) | 2012-09-21 | 2012-09-21 | 一种电力日负荷的混沌卡尔曼滤波模型安全监控预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102867128A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832259A (zh) * | 2017-11-02 | 2018-03-23 | 国网四川雅安电力(集团)股份有限公司 | 一种基于时间序列和卡尔曼滤波的负荷预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040102937A1 (en) * | 2002-11-21 | 2004-05-27 | Honeywell International Inc. | Energy forecasting using model parameter estimation |
CN101788692A (zh) * | 2009-11-24 | 2010-07-28 | 西北电网有限公司 | 基于神经网络的短时风速预报方法 |
CN102509026A (zh) * | 2011-12-08 | 2012-06-20 | 沈阳工业大学 | 基于最大信息熵原理的风电场短期输出功率预测综合模型 |
-
2012
- 2012-09-21 CN CN2012103607939A patent/CN102867128A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040102937A1 (en) * | 2002-11-21 | 2004-05-27 | Honeywell International Inc. | Energy forecasting using model parameter estimation |
CN101788692A (zh) * | 2009-11-24 | 2010-07-28 | 西北电网有限公司 | 基于神经网络的短时风速预报方法 |
CN102509026A (zh) * | 2011-12-08 | 2012-06-20 | 沈阳工业大学 | 基于最大信息熵原理的风电场短期输出功率预测综合模型 |
Non-Patent Citations (1)
Title |
---|
李眉眉等: "混沌相空间的卡尔曼滤波模型及其应用", 《水电能源科学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832259A (zh) * | 2017-11-02 | 2018-03-23 | 国网四川雅安电力(集团)股份有限公司 | 一种基于时间序列和卡尔曼滤波的负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102945317B (zh) | 一种考虑软件和人为因素的继电保护装置可靠性评估方法 | |
CN104792529A (zh) | 基于状态空间模型的滚动轴承寿命预测方法 | |
CN104037790A (zh) | 一种基于时序蒙特卡罗模拟的新能源接纳能力评估方法 | |
CN103793613A (zh) | 基于回归分析和rbf神经网络的退化数据缺失插补方法 | |
Wei et al. | Wind speed forecasting via ensemble Kalman Filter | |
CN113743674A (zh) | 基于深度学习的储能出力预测方法、系统、设备及介质 | |
CN102867128A (zh) | 一种电力日负荷的混沌卡尔曼滤波模型安全监控预测方法 | |
CN103065049A (zh) | 一种基于coif5小波实时分解的风电功率实时预测计算方法 | |
Unchai et al. | Wind energy potential assessment as power generation source in Ubonratchathani Province, Thailand | |
CN106324517A (zh) | 一种新能源汽车电池性能预测方法 | |
Rust et al. | Confidence intervals for flood return level estimates using a bootstrap approach | |
Bakkiyaraj et al. | Reliability evaluation of composite electric power system based on Latin hypercube sampling | |
CN105184411A (zh) | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 | |
Roy et al. | A reliability assessment model of a wind farm for generation adequacy studies of wind integrated power system | |
Habibi Kandbon et al. | Qazvin's irrigation network evaluations, using the external indicators of rapid appraisal process | |
Sun et al. | Transmission network expansion planning with stochastic multivariate load and wind modeling | |
Kenawi | Flow Ramping from Hydropower Operation Evaluation of Trends and Mitigation of Peak Supply and Environmental Impacts in Norway | |
Liu et al. | Interval Estimation of Wind Speed and Operation Probability Forecasting of Wind Turbine: A Preliminary Empirical Investigation | |
Xie et al. | Comparison of stabilization ability of models for hydrological time series with a deterministic trend | |
CN105825292A (zh) | 一种基于连续时间mdp模型的预防性维护方法 | |
Vasseur et al. | Uncertainty analysis in probabilistic risk assessment: Comparison of probabilistic and non probabilistic approaches | |
Mahmoudian-Shoushtari et al. | Dam safety risk assessment (Case study: flood risk for Golestan Dam) | |
Awol et al. | Hydropower Energy Simulation Using Mike 11 Model; A Case Study In South Germany's Small Run-Of-River Hydropower Plants | |
Thanos et al. | Online state estimation of a microgrid using particle filtering | |
Dhungana | Incorporating correlation in the adequacy evaluation of wind integrated power systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130109 |