CN104732295A - 一种基于大数据技术的电力负荷预测模型 - Google Patents
一种基于大数据技术的电力负荷预测模型 Download PDFInfo
- Publication number
- CN104732295A CN104732295A CN201510147127.0A CN201510147127A CN104732295A CN 104732295 A CN104732295 A CN 104732295A CN 201510147127 A CN201510147127 A CN 201510147127A CN 104732295 A CN104732295 A CN 104732295A
- Authority
- CN
- China
- Prior art keywords
- load
- power
- point
- transformer station
- backbone
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种基于大数据技术的电力负荷预测模型,包括配电网优化和配电网负荷预测,配电网优化包括主干线布线确定、负荷连接的确定、供电网络的布局以及配电网优化算法,在进行配网规划时,首先收集资料,包括负荷大小、负荷点的坐标、物理约束。变电站(即电源)设在规划区域的负荷中心,然后根据物理约束和负荷密度将规划供电区域划分为多个较小供电区域(以下简称小分区),在每个小分区内引出一条主干线形成辐射式网,对该小分区负荷供电。构造适合电力负荷预测的新型模型,实现对电力负荷的精确预测,并利用大数据技术实现对预测过程的监控。
Description
技术领域
本发明涉及配电网负荷优化预测技术领域,特别涉及一种基于大数据技术的电力负荷预测模型。
背景技术
配电网是电力系统的重要组成部分,是电力系统运行的集中反映,它的主要任务是把电源或输电网获得的电能直接分配给不同电压等级的用户。配电网优化是一个动态、多目标、不确定性以及非线性的整数规划问题,常规方法难以有效解决问题;通过科学合理的配电网优化工作,不仅可以优化配电线路走向,还可以提高整个社会的用电效益;此外,对配电网的优化规划可以降低系统的损耗及增加电网的运行效率,也可以科学的确定变电站的容量、位置和供电范围,达到系统有效运行管理的要求。配电网优化可以大大提高系统的运行可靠性,是提高系统投资效益的最有效途径,配电网优化的合理性直接影响着配电网自动化设施的投资效益,是配电自动化实施的前提和基础。科学合理的配电网优化具有非常重要的社会和经济意义。
电力负荷数据管理系统是电力营销技术支持系统的组成部分,它是以计算机应用技术、现代通信技术、电力自动控制技术为基础的信息采集、处理和实时监控系统。电力负荷优化和预测对电力系统运行有着重要的辅助作用,其优化预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。因此针对电力负荷短期预测问题建立智能预测模型的方法,并对电力负荷理论基础、概念发展、模型预测方法进行研究很有必要。
发明内容
本发明的目的是针对电力行业实际需要,提供一种分析挖掘电网海量数据,确定各个因素间的相关性,基于成熟的预测算法理论,构造适合电力负荷预测的新型模型,实现对电力负荷的精确预测,并利用大数据技术实现对预测过程的监控及预测结果的展示基于大数据技术的电力负荷预测模型。
一种基于大数据技术的电力负荷预测模型,包括配电网优化和配电网负荷预测, 配电网优化包括主干线布线确定、负荷连接的确定、供电网络的布局以及配电网优化算法;
在进行配网规划时,首先收集资料,包括负荷大小、负荷点的坐标、物理约束。变电站(即电源)设在规划区域的负荷中心,然后根据物理约束和负荷密度将规划供电区域划分为多个较小供电区域(以下简称小分区),在每个小分区内引出一条主干线形成辐射式网,对该小分区负荷供电。为了保证各个小分区内的负荷用电的可靠性,各小区域的总负荷矩要尽量接近,而且各个负荷点的电压降落要求在允许的范围内,设小分区内任意负荷点的电压降落为
,则:
式中,为系数,根据负荷转移情况确定;为任意负荷点的电压降落,kV;为规划网络允许的电压降落,单位为kV。
分别对每个小分区的电源点和负荷点进行初始编号,根据物理约束及负荷密度将各小分区划分成几个小分块,根据各小分块距离电源点的相对位置依次形成各个小分块内网架,然后实现相邻区域的拉手。
主干线的确定:
1)不考虑物理约束
主干线的位置会影响网络的损耗和电压降落,而负荷矩直接影响网络的损耗和电压降落,因此主干线的位置根据负荷矩来确定。对于某个小分区,过其各个小分块的首节点,作直线,使得各负荷点至该直线负荷矩F最小,即
式中,F为各负荷点至该直线的总负荷矩,kW•m;分别为负荷点i的横坐标和纵坐标,m;为负荷点i的有功功率,kW;k为直线的斜率。
求解上式无约束最优化问题得k值,直线为小分块初始主干线的位置。
2)考虑物理约束
对于需要考虑物理约束及沿道路布线等时,根据实际的情况确定出满足物理约束的中间节点,根据这些中间节点自动形成主干线。当小分区内的各小分块的主干线都确定后,可以将相邻小分块的主干线连接在一起,首尾依次相接,形成小分区的主干线。
负荷连接的确定
以路径最短和损耗最小为原则连接各负荷点。定义在连接负荷点过程中所产生的新交叉点为中间节点;电源点为根节点。电源点、负荷点和中间节点均可以称为节点。首先计算各负荷点至小分块主干线的距离以及负荷点之间的距离,根据其距离依次连接各负荷。设小分块内所有负荷点的集合为U,其主干线两侧的区域内的负荷点集合分别为和,即。
首先处理集合,设中总负荷点数为。对于任意的负荷点,,负荷点i、j的坐标分别为(xi,yi)和(xj,yj),负荷点i、j至主干线的距离分别记为dmi、dmj,负荷点i与j的距离dij根据下式计算
式中,k1为系数,k1>1.2;β为负荷点i与j连线与平行于主干线的直线之间的夹角,在计算dij时,根据最短路径和损耗最小的原则选取β。
负荷点i与j之间距离的最小值为
式中,k为负荷点,k∈U,i≠k。
确定供电网络的布局
确定变电站整体联络的布局即确定变电站联络关系矩阵。设某一供电分块中共n座变电站,编号为1,2,„,n,定义变电站联络矩阵U如下:
式中:ui,j表示第i号变电站和第j号变电站的联络关系,当ui,j=0时,代表第i号变电站和第j号变电站间没有联络;当ui,j=1时,代表第i号变电站和第j号变电站间存在联络。并且定义当i=j时,ui,j=1,即变电站与自身之间存在联络关系。
建立变电站备选联络关系矩阵
设P={p1,p2,„,pn}是2维欧式空间上的点集,d(x,y)为x和y间的欧氏距离,
λ1,λ2,„,λn是给定的n个正实数,令
式中,p为2维欧式空间上的任一点;i,j∈{1,2,…,n}并且i≠j。上式将平面分成n部分,将Vn(pi,λi)(i=1,2,…,n)及其边界称为以pi为母点、λi为权重的点。
设供电区域内有n座变电站,编号为1,2,„,n,其中第i座变电站的地理位置坐标为(xi,yi),第i座变电站的容量为Ri,则每个变电站可抽象成平面上以Ri为权数的加权点。
因此,根据供电分块内各变电站的实际供电区域,我们可以确立变电站的备选联络关系矩阵Uv,即若两座变电站的实际供电区域有交集,则它们之间可建立联络,否则不可建立联络。
配电网优化算法
算法在求解配电网优化问题时,具有分布式并行全局搜索能力,通过路径的判断,确定最优解;算法解决网架优化问题时能够在短时间内快速收敛,并得到最优解空间;算法步骤主要有三个部分:确定目标函数、得到若干组最优解、寻优得到最终解。具体为:
(1)设置算法的目标函数如下式所示,
式中:为年运行费用,目标函数值;n为架设电线的总数;m为新建变电站的个数;为投资回收率;为年设备折旧率;是线路的总长度;为单位长度的总投资;表示是否新建,新建时取1,否则取0;为单位电价;T为年最大负荷利用小时数;为线路i的有功损耗;、为权重系数,
设置算法适应度函数如下式所示
,为线路输送功率惩罚因子,为节点电压惩罚因子
(2)利用算法解得最优解。具体为:
①对待建线路进行编码;
②随机产生个初始种群;
③计算初始种群中个体的适应度函数值;保留函数值较高的个体进行操作;
④选择复制优良个体,并进行交叉运算,交叉概率如下式所示;
进而进行变异操作,变异概率如下式所示;
以上为群体中最大适应度值;为两个交叉个体中适应度值较大个体的适应度值;为群体平均适应度值;f为变异个体的适应度值;为群体中个体的最小适应度。的取值范围为0到1,并且,如果种群中个体平均适应度值与最大适应度值接近时,交叉概率和变异概率就会显出较大差异,这种改进方式就会防止种群中多数个体只能拥有较小的交叉概率和变异概率以及算法停滞不前现象的发生。在改进的公式中,可以看出群体中最大适应度个体的交叉概率和变异概率不再为0,保证个体可以进化遗传,算法就会脱离停滞现象的发生。
⑤判断算法终止条件,产生蚁群算法所需若干组最优解。
(3)利用蚁群算法求解最终值。
①将所得最优解转化为蚁群算法的初始信息素;将m个蚂蚁放置到n个网点上进行寻优过程;
②利用下式计算初始目标函数值C1
③分别利用下列公式计算每条路径的转移概率;
为蚂蚁k允许选择的下一城市集,是蚂蚁在运动过程中积累的信息在不同的城市选择所起的作用,,为时刻城市i与城市j连线上残留的信息量。为城市与城市间的距离。初始时刻每条路径上的信息量都是相等的,设(c为任意常数)。
计算得到蚂蚁k的最终目标函数值C2
为最大迭代次数,参数是随着最大迭代次数的改变而变动,将两者联动起来;参数通过参数来控制的,也实现了两者的联动性。
④比较初始目标函数值C1与计算所得函数值C2,;若C2>C1,则设定初始函数值C2;否则转向步骤⑤
⑤利用自适应信息素更新机制对每条路径上的信息素浓度重新计算;
⑥增加迭代次数,进行下次寻优过程。若,则转向步骤③;否则,输出最优值。
配电网负荷预测是电力系统规划的主要工作,提高用电量预测技术水平,有利于计划用电管理,有利于合理安排电网运行方式和机组检修计划,有利于节煤、节油和降低发电成本,有利于制定合理的电源建设规划,有利于提高电力系统的经济效益和社会效益。I
用电量弹性系数是用电量的相对变化率和国民生产总值的相对变化率之比。
电量的相对变化率可以用发电量的年平均增长率表示,记作;国民生产总值的相对变化率可以用国民生产总值的年平均增长率表示,记作。
用电量弹性系数,记作E,可以由下面的公式表示:
预测m年的弹性系数为E,国民生产总值的增长率为,可得用电量增长率为:
则可以得到m年的用电量,记作:
式中—预测起始点年的用电量。
本发明通过电网规划来加快输电网改造,优化网络结构,不但可以降低电网损耗、保障输电网安全运行、提高电能质量和可靠性,还可以提高电力企业自身经济效益,使其能更加适应市场经济快速发展的要求,使得输电网能够最大限度地满足社会经济的发展和人民生活水平的提高对用电的需求。
预测模型的建立方法为:
1.运用微软通用的决策支持对象(DSO),结合区域电网气象负荷数据库设计了决策树式的数据挖掘模型并实现日负荷预测系统;
2.在描述DSO分层结构特性之后,分析研究日负荷预测的决策树数据挖掘模型构造过程并给出程序化实现方法,进一步实现通过决策树算法的负荷预测过程;
3.采用神经网络预测模型,输入变量和确定神经网络结构的方法和算法,此方法的提出可以使得从历史样本知识数据到最终预测模型的建模过程变得简单明了,便于实际应用;预测方法是使用MATLAB建立模型,对24个负荷点预测,采用多输入单输出的神经网络预测每天的整点负荷值;
4.最后把电力负荷数据导入MATLAB,然后进行短期负荷预测仿真,仿真结果表明其有较好的预测精度。
本发明的有益效果:模型结构较小,精度误差小,使用方便,能为科学决策提供数据支撑。
附图说明
图1是供电网络的建立流程;
图2是配电网优化算法流程。
具体实施方式
如图1、2,一种基于大数据技术的电力负荷预测模型,包括配电网优化和配电网负荷预测, 配电网优化包括主干线布线确定、负荷连接的确定、供电网络的布局以及配电网优化算法;
在进行配网规划时,首先收集资料,包括负荷大小、负荷点的坐标、物理约束。变电站(即电源)设在规划区域的负荷中心,然后根据物理约束和负荷密度将规划供电区域划分为多个较小供电区域(以下简称小分区),在每个小分区内引出一条主干线形成辐射式网,对该小分区负荷供电。为了保证各个小分区内的负荷用电的可靠性,各小区域的总负荷矩要尽量接近,而且各个负荷点的电压降落要求在允许的范围内,设小分区内任意负荷点的电压降落为,则:
式中,为系数,根据负荷转移情况确定;为任意负荷点的电压降落,kV;为规划网络允许的电压降落,单位为kV。
分别对每个小分区的电源点和负荷点进行初始编号,根据物理约束及负荷密度将各小分区划分成几个小分块,根据各小分块距离电源点的相对位置依次形成各个小分块内网架,然后实现相邻区域的拉手。
主干线的确定:
1)不考虑物理约束
主干线的位置会影响网络的损耗和电压降落,而负荷矩直接影响网络的损耗和电压降落,因此主干线的位置根据负荷矩来确定。对于某个小分区,过其各个小分块的首节点,作直线,使得各负荷点至该直线负荷矩F最小,即
式中,F为各负荷点至该直线的总负荷矩,kW•m;分别为负荷点i的横坐标和纵坐标,m;为负荷点i的有功功率,kW;k为直线的斜率。
求解上式无约束最优化问题得k值,直线为小分块初始主干线的位置。
2)考虑物理约束
对于需要考虑物理约束及沿道路布线等时,根据实际的情况确定出满足物理约束的中间节点,根据这些中间节点自动形成主干线。当小分区内的各小分块的主干线都确定后,可以将相邻小分块的主干线连接在一起,首尾依次相接,形成小分区的主干线。
负荷连接的确定
以路径最短和损耗最小为原则连接各负荷点。定义在连接负荷点过程中所产生的新交叉点为中间节点;电源点为根节点。电源点、负荷点和中间节点均可以称为节点。首先计算各负荷点至小分块主干线的距离以及负荷点之间的距离,根据其距离依次连接各负荷。设小分块内所有负荷点的集合为U,其主干线两侧的区域内的负荷点集合分别为和,即。
首先处理集合,设中总负荷点数为。对于任意的负荷点,,负荷点i、j的坐标分别为(xi,yi)和(xj,yj),负荷点i、j至主干线的距离分别记为dmi、dmj,负荷点i与j的距离dij根据下式计算
式中,k1为系数,k1>1.2;β为负荷点i与j连线与平行于主干线的直线之间的夹角,在计算dij时,根据最短路径和损耗最小的原则选取β。
负荷点i与j之间距离的最小值为
式中,k为负荷点,k∈U,i≠k。
确定供电网络的布局
确定变电站整体联络的布局即确定变电站联络关系矩阵。设某一供电分块中共n座变电站,编号为1,2,„,n,定义变电站联络矩阵U如下:
式中:ui,j表示第i号变电站和第j号变电站的联络关系,当ui,j=0时,代表第i号变电站和第j号变电站间没有联络;当ui,j=1时,代表第i号变电站和第j号变电站间存在联络。并且定义当i=j时,ui,j=1,即变电站与自身之间存在联络关系。
建立变电站备选联络关系矩阵
设P={p1,p2,„,pn}是2维欧式空间上的点集,d(x,y)为x和y间的欧氏距离,
λ1,λ2,„,λn是给定的n个正实数,令
式中,p为2维欧式空间上的任一点;i,j∈{1,2,…,n}并且i≠j。上式将平面分成n部分,将Vn(pi,λi)(i=1,2,…,n)及其边界称为以pi为母点、λi为权重的点。
设供电区域内有n座变电站,编号为1,2,„,n,其中第i座变电站的地理位置坐标为(xi,yi),第i座变电站的容量为Ri,则每个变电站可抽象成平面上以Ri为权数的加权点。
因此,根据供电分块内各变电站的实际供电区域,我们可以确立变电站的备选联络关系矩阵Uv,即若两座变电站的实际供电区域有交集,则它们之间可建立联络,否则不可建立联络。
配电网优化算法
算法在求解配电网优化问题时,具有分布式并行全局搜索能力,通过路径的判断,确定最优解;算法解决网架优化问题时能够在短时间内快速收敛,并得到最优解空间;算法步骤主要有三个部分:确定目标函数、得到若干组最优解、寻优得到最终解。具体为:
(1)设置算法的目标函数如下式所示,
式中:为年运行费用,目标函数值;n为架设电线的总数;m为新建变电站的个数;为投资回收率;为年设备折旧率;是线路的总长度;为单位长度的总投资;表示是否新建,新建时取1,否则取0;为单位电价;T为年最大负荷利用小时数;为线路i的有功损耗;、为权重系数,
设置算法适应度函数如下式所示
,为线路输送功率惩罚因子,为节点电压惩罚因子
(2)利用算法解得最优解。具体为:
①对待建线路进行编码;
②随机产生个初始种群;
③计算初始种群中个体的适应度函数值;保留函数值较高的个体进行操作;
④选择复制优良个体,并进行交叉运算,交叉概率如下式所示;
进而进行变异操作,变异概率如下式所示;
以上为群体中最大适应度值;为两个交叉个体中适应度值较大个体的适应度值;为群体平均适应度值;f为变异个体的适应度值;为群体中个体的最小适应度。的取值范围为0到1,并且,如果种群中个体平均适应度值与最大适应度值接近时,交叉概率和变异概率就会显出较大差异,这种改进方式就会防止种群中多数个体只能拥有较小的交叉概率和变异概率以及算法停滞不前现象的发生。在改进的公式中,可以看出群体中最大适应度个体的交叉概率和变异概率不再为0,保证个体可以进化遗传,算法就会脱离停滞现象的发生。
⑤判断算法终止条件,产生蚁群算法所需若干组最优解。
(3)利用蚁群算法求解最终值。
①将所得最优解转化为蚁群算法的初始信息素;将m个蚂蚁放置到n个网点上进行寻优过程;
②利用下式计算初始目标函数值C1
③分别利用下列公式计算每条路径的转移概率;
为蚂蚁k允许选择的下一城市集,是蚂蚁在运动过程中积累的信息在不同的城市选择所起的作用,,为时刻城市i与城市j连线上残留的信息量。为城市与城市间的距离。初始时刻每条路径上的信息量都是相等的,设(c为任意常数)。
计算得到蚂蚁k的最终目标函数值C2
为最大迭代次数,参数是随着最大迭代次数的改变而变动,将两者联动起来;参数通过参数来控制的,也实现了两者的联动性。
④比较初始目标函数值C1与计算所得函数值C2,;若C2>C1,则设定初始函数值C2;否则转向步骤⑤
⑤利用自适应信息素更新机制对每条路径上的信息素浓度重新计算;
⑥增加迭代次数,进行下次寻优过程。若,则转向步骤③;否则,输出最优值。
配电网负荷预测是电力系统规划的主要工作,提高用电量预测技术水平,有利于计划用电管理,有利于合理安排电网运行方式和机组检修计划,有利于节煤、节油和降低发电成本,有利于制定合理的电源建设规划,有利于提高电力系统的经济效益和社会效益。I
用电量弹性系数是用电量的相对变化率和国民生产总值的相对变化率之比。
电量的相对变化率可以用发电量的年平均增长率表示,记作;国民生产总值的相对变化率可以用国民生产总值的年平均增长率表示,记作。
用电量弹性系数,记作E,可以由下面的公式表示:
预测m年的弹性系数为E,国民生产总值的增长率为,可得用电量增长率为:
则可以得到m年的用电量,记作:
式中—预测起始点年的用电量。
本发明通过电网规划来加快输电网改造,优化网络结构,不但可以降低电网损耗、保障输电网安全运行、提高电能质量和可靠性,还可以提高电力企业自身经济效益,使其能更加适应市场经济快速发展的要求,使得输电网能够最大限度地满足社会经济的发展和人民生活水平的提高对用电的需求。
预测模型的建立方法为:
1.运用微软通用的决策支持对象(DSO),结合区域电网气象负荷数据库设计了决策树式的数据挖掘模型并实现日负荷预测系统;
2.在描述DSO分层结构特性之后,分析研究日负荷预测的决策树数据挖掘模型构造过程并给出程序化实现方法,进一步实现通过决策树算法的负荷预测过程;
3.采用神经网络预测模型,输入变量和确定神经网络结构的方法和算法,此方法的提出可以使得从历史样本知识数据到最终预测模型的建模过程变得简单明了,便于实际应用;预测方法是使用MATLAB建立模型,对24个负荷点预测,采用多输入单输出的神经网络预测每天的整点负荷值;
4.最后把电力负荷数据导入MATLAB,然后进行短期负荷预测仿真,仿真结果表明其有较好的预测精度。
本发明的有益效果:模型结构较小,精度误差小,使用方便,能为科学决策提供数据支撑。
Claims (8)
1.一种基于大数据技术的电力负荷预测模型,包括配电网优化和配电网负荷预测, 配电网优化包括主干线布线确定、负荷连接的确定、供电网络的布局以及配电网优化算法。
2.一种如权利要求1所述的基于大数据技术的电力负荷预测模型,其特征在于,在进行配网规划时,首先收集资料,包括负荷大小、负荷点的坐标、物理约束,变电站设在规划区域的负荷中心,然后根据物理约束和负荷密度将规划供电区域划分为多个较小供电区域,即小分区,在每个小分区内引出一条主干线形成辐射式网,对该小分区负荷供电,各小区域的总负荷矩要尽量接近,而且各个负荷点的电压降落要求在允许的范围内,设小分区内任意负荷点的电压降落为 ,则:
式中,为系数,根据负荷转移情况确定;为任意负荷点的电压降落,kV;为规划网络允许的电压降落,单位为kV,
分别对每个小分区的电源点和负荷点进行初始编号,根据物理约束及负荷密度将各小分区划分成几个小分块,根据各小分块距离电源点的相对位置依次形成各个小分块内网架,然后实现相邻区域的拉手。
3.一种如权利要求2所述的基于大数据技术的电力负荷预测模型,其特征在于,主干线布线的确定具体为:
1)不考虑物理约束
主干线的位置会影响网络的损耗和电压降落,而负荷矩直接影响网络的损耗和电压降落,因此主干线的位置根据负荷矩来确定,对于某个小分区,过其各个小分块的首节点,作直线,使得各负荷点至该直线负荷矩F最小,即
式中,F为各负荷点至该直线的总负荷矩,kWm;分别为负荷点i的横坐标和纵坐标,m;为负荷点i的有功功率,kW;k为直线的斜率,
求解上式无约束最优化问题得k值,直线为小分块初始主干线的位置,
2)考虑物理约束
对于需要考虑物理约束及沿道路布线时,根据实际的情况确定出满足物理约束的中间节点,根据这些中间节点自动形成主干线,当小分区内的各小分块的主干线都确定后,可以将相邻小分块的主干线连接在一起,首尾依次相接,形成小分区的主干线。
4.一种如权利要求3所述的基于大数据技术的电力负荷预测模型,其特征在于,负荷连接的确定具体为:以路径最短和损耗最小为原则连接各负荷点,定义在连接负荷点过程中所产生的新交叉点为中间节点;电源点为根节点,电源点、负荷点和中间节点均称为节点,首先计算各负荷点至小分块主干线的距离以及负荷点之间的距离,根据其距离依次连接各负荷,设小分块内所有负荷点的集合为 U ,其主干线两侧的区域内的负荷点集合分别为和,即,首先处理集合,设中总负荷点数为,对于任意的负荷点,,负荷点i、j的坐标分别为(xi,yi)和(xj,yj),负荷点i、j至主干线的距离分别记为dmi、dmj,负荷点i与j的距离dij根据下式计算
式中,k1为系数,k1>1.2;β为负荷点i与j连线与平行于主干线的直线之间的夹角,在计算dij时,根据最短路径和损耗最小的原则选取β,
负荷点i与j之间距离的最小值为
式中,k为负荷点,k∈ U ,i≠k。
5.一种如权利要求4所述的基于大数据技术的电力负荷预测模型,其特征在于,确定变电站整体联络的布局即确定变电站联络关系矩阵,设某一供电分块中共n座变电站,编号为1,2,,n,定义变电站联络矩阵 U 如下:
式中:ui,j表示第i号变电站和第j号变电站的联络关系,当ui,j=0时,代表第i号变电站和第j号变电站间没有联络;当ui,j=1时,代表第i号变电站和第j号变电站间存在联络,并且定义当i=j时,ui,j=1,即变电站与自身之间存在联络关系,
建立变电站备选联络关系矩阵
设 P ={p1,p2,,pn}是2维欧式空间上的点集,d(x,y)为x和y间的欧氏距离,λ1,λ2,,λ n是给定的n个正实数,令
式中,p为2维欧式空间上的任一点;i,j∈{1,2,…,n}并且i≠j,上式将平面分成n部分,将 V n(pi,λ i)(i=1,2,…,n)及其边界称为以pi为母点、λ i为权重的点,
设供电区域内有n座变电站,编号为1,2,,n,其中第i座变电站的地理位置坐标为(xi,yi),第i座变电站的容量为Ri,则每个变电站可抽象成平面上以Ri为权数的加权点,
根据供电分块内各变电站的实际供电区域,我们可以确立变电站的备选联络关系矩阵 U v,即若两座变电站的实际供电区域有交集,则它们之间可建立联络,否则不可建立联络。
6.一种如权利要求3所述的基于大数据技术的电力负荷预测模型,其特征在于,配电网优化算法步骤主要有三个部分:确定目标函数、得到若干组最优解、寻优得到最终解,具体为:
(1)设置算法的目标函数如下式所示,
式中:为年运行费用,目标函数值;n为架设电线的总数;m为新建变电站的个数;为投资回收率;为年设备折旧率;是线路的总长度;为单位长度的总投资;表示是否新建,新建时取1,否则取0;为单位电价;T为年最大负荷利用小时数;为线路i的有功损耗;、为权重系数,,
设置算法适应度函数如下式所示
,为线路输送功率惩罚因子,为节点电压惩罚因子,
(2)利用算法解得最优解,具体为:
①对待建线路进行编码;
②随机产生个初始种群;
③计算初始种群中个体的适应度函数值;保留函数值较高的个体进行操作;
④选择复制优良个体,并进行交叉运算,交叉概率如下式所示;
进而进行变异操作,变异概率如下式所示;
以上为群体中最大适应度值;为两个交叉个体中适应度值较大个体的适应度值;为群体平均适应度值;f为变异个体的适应度值;为群体中个体的最小适应度,的取值范围为0到1,并且,如果种群中个体平均适应度值与最大适应度值接近时,交叉概率和变异概率就会显出较大差异,这种改进方式就会防止种群中多数个体只能拥有较小的交叉概率和变异概率以及算法停滞不前现象的发生,在改进的公式中,可以看出群体中最大适应度个体的交叉概率和变异概率不再为0,保证个体可以进化遗传,算法就会脱离停滞现象的发生,
⑤判断算法终止条件,产生蚁群算法所需若干组最优解,
(3)利用蚁群算法求解最终值,
①将所得最优解转化为蚁群算法的初始信息素;将m个蚂蚁放置到n个网点上进行寻优过程;
②利用下式计算初始目标函数值C1,
③分别利用下列公式计算每条路径的转移概率;
为蚂蚁k允许选择的下一城市集,是蚂蚁在运动过程中积累的信息在不同的城市选择所起的作用,,为时刻城市i与城市j连线上残留的信息量,为城市与城市间的距离,初始时刻每条路径上的信息量都是相等的,设(c为任意常数),
计算得到蚂蚁k的最终目标函数值C2,
为最大迭代次数,参数是随着最大迭代次数的改变而变动,将两者联动起来;参数通过参数来控制的,也实现了两者的联动性,
④比较初始目标函数值C1与计算所得函数值C2,;若C2>C1,则设定初始函数值C2;否则转向步骤⑤
⑤利用自适应信息素更新机制对每条路径上的信息素浓度重新计算;
⑥增加迭代次数,进行下次寻优过程,若,则转向步骤③;否则,输出最优值。
7.一种如权利要求1所述的基于大数据技术的电力负荷预测模型,其特征在于,配电网负荷预测是电力系统规划的主要工作,提高用电量预测技术水平,有利于计划用电管理,有利于合理安排电网运行方式和机组检修计划,有利于节煤、节油和降低发电成本,有利于制定合理的电源建设规划,有利于提高电力系统的经济效益和社会效益;
用电量弹性系数是用电量的相对变化率和国民生产总值的相对变化率之比;
电量的相对变化率可以用发电量的年平均增长率表示,记作;国民生产总值的相对变化率可以用国民生产总值的年平均增长率表示,记作;
用电量弹性系数,记作E,可以由下面的公式表示:
预测m年的弹性系数为E,国民生产总值的增长率为,可得用电量增长率为:
则可以得到m年的用电量,记作:
式中—预测起始点年的用电量。
8.一种如权利要求1所述的基于大数据技术的电力负荷预测模型,其特征在于,预测模型的建立方法为:
1).运用微软通用的决策支持对象(DSO),结合区域电网气象负荷数据库设计了决策树式的数据挖掘模型并实现日负荷预测系统;
2).在描述DSO分层结构特性之后,分析研究日负荷预测的决策树数据挖掘模型构造过程并给出程序化实现方法,进一步实现通过决策树算法的负荷预测过程;
3).采用神经网络预测模型,输入变量和确定神经网络结构的方法和算法,此方法的提出可以使得从历史样本知识数据到最终预测模型的建模过程变得简单明了,便于实际应用;预测方法是使用MATLAB建立模型,对24个负荷点预测,采用多输入单输出的神经网络预测每天的整点负荷值;
4).最后把电力负荷数据导入MATLAB,然后进行短期负荷预测仿真,仿真结果表明其有较好的预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510147127.0A CN104732295A (zh) | 2015-03-31 | 2015-03-31 | 一种基于大数据技术的电力负荷预测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510147127.0A CN104732295A (zh) | 2015-03-31 | 2015-03-31 | 一种基于大数据技术的电力负荷预测模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104732295A true CN104732295A (zh) | 2015-06-24 |
Family
ID=53456167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510147127.0A Pending CN104732295A (zh) | 2015-03-31 | 2015-03-31 | 一种基于大数据技术的电力负荷预测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104732295A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243456A (zh) * | 2015-11-09 | 2016-01-13 | 国家电网公司 | 基于决策树和专家系统的短期电力负荷预测系统及方法 |
CN105512460A (zh) * | 2015-11-25 | 2016-04-20 | 国网福建省电力有限公司 | 一种电缆/架空混合线路的负荷矩归算方法 |
CN106067075A (zh) * | 2016-06-01 | 2016-11-02 | 新奥泛能网络科技股份有限公司 | 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 |
CN106451434A (zh) * | 2016-11-03 | 2017-02-22 | 国网浙江省电力公司电力科学研究院 | 一种基于神经网络算法的配电网电压确定方法及装置 |
CN106682763A (zh) * | 2016-11-25 | 2017-05-17 | 云南电网有限责任公司昆明供电局 | 一种用于大量样本数据的电力负荷优化预测方法 |
CN107066709A (zh) * | 2017-03-29 | 2017-08-18 | 西安电子科技大学 | 基于多智能体遗传算法的电力运输网络拓扑结构设计方法 |
CN107316105A (zh) * | 2017-06-09 | 2017-11-03 | 湖南省农业信息与工程研究所 | 一种大区域农业预测系统 |
CN107979174A (zh) * | 2017-10-23 | 2018-05-01 | 中国南方电网有限责任公司 | 一种基于电网运行管理系统的工作流运行方法 |
CN108205716A (zh) * | 2017-12-29 | 2018-06-26 | 国网山东省电力公司日照供电公司 | 配变装接容量预测方法及系统 |
CN108539738A (zh) * | 2018-05-10 | 2018-09-14 | 国网山东省电力公司电力科学研究院 | 一种基于梯度提升决策树的短期负荷预测方法 |
CN108683186A (zh) * | 2018-06-07 | 2018-10-19 | 华北电力大学(保定) | 一种面向供电能力提升的配电网双层扩展规划方法 |
CN108759902A (zh) * | 2018-03-30 | 2018-11-06 | 深圳大图科创技术开发有限公司 | 一种基于大数据的燃气管网智能监测系统 |
CN108805361A (zh) * | 2018-06-21 | 2018-11-13 | 国网安徽省电力公司合肥供电公司 | 一种融合城市用电和分布式发电的可视化方法 |
CN109754129A (zh) * | 2019-02-21 | 2019-05-14 | 清华大学 | 电力负荷组团供电方案优化方法及优化装置 |
CN110110893A (zh) * | 2019-04-03 | 2019-08-09 | 国网新疆电力有限公司昌吉供电公司 | 大规模电采暖设备接入的配电网网架优化方法 |
WO2019227273A1 (en) * | 2018-05-28 | 2019-12-05 | Alibaba Group Holding Limited | Hierarchical concept based neural network model for data center power usage effectiveness prediction |
CN112330017A (zh) * | 2020-11-04 | 2021-02-05 | 上海博辕信息技术服务有限公司 | 电力负荷预测方法、装置、电子设备和存储介质 |
CN113034018A (zh) * | 2020-12-21 | 2021-06-25 | 国网青海省电力公司 | 基于功率矩分析的电网供需平衡调节方法 |
CN114580795A (zh) * | 2022-05-06 | 2022-06-03 | 四川瑞康智慧能源有限公司 | 计及电力故障分流的电量预测方法及相关设备 |
CN115296424A (zh) * | 2022-10-10 | 2022-11-04 | 北京智盟信通科技有限公司 | 一种基于融合终端的分布式电源综合监测系统及方法 |
CN116739202A (zh) * | 2023-08-15 | 2023-09-12 | 深圳华越南方电子技术有限公司 | 一种电力选路方法、系统、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040167731A1 (en) * | 2002-12-23 | 2004-08-26 | Abb, Inc. | Failure rate adjustment for electric power network reliability analysis |
CN101930491A (zh) * | 2010-08-18 | 2010-12-29 | 华北电力大学 | 限制短路电流措施的综合评价方法 |
-
2015
- 2015-03-31 CN CN201510147127.0A patent/CN104732295A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040167731A1 (en) * | 2002-12-23 | 2004-08-26 | Abb, Inc. | Failure rate adjustment for electric power network reliability analysis |
CN101930491A (zh) * | 2010-08-18 | 2010-12-29 | 华北电力大学 | 限制短路电流措施的综合评价方法 |
Non-Patent Citations (4)
Title |
---|
刘阳: "城市配电网网架结构优化两阶段研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
孟晓芳等: "中压配电网网架优化规划方法", 《农业工程学报》 * |
罗静: "电力负荷数据预测方法模型设计与分析", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
马天男: "城市配电网网架优化研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243456A (zh) * | 2015-11-09 | 2016-01-13 | 国家电网公司 | 基于决策树和专家系统的短期电力负荷预测系统及方法 |
CN105512460A (zh) * | 2015-11-25 | 2016-04-20 | 国网福建省电力有限公司 | 一种电缆/架空混合线路的负荷矩归算方法 |
CN106067075A (zh) * | 2016-06-01 | 2016-11-02 | 新奥泛能网络科技股份有限公司 | 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 |
CN106067075B (zh) * | 2016-06-01 | 2020-05-26 | 新奥泛能网络科技股份有限公司 | 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 |
CN106451434B (zh) * | 2016-11-03 | 2019-04-02 | 国网浙江省电力公司电力科学研究院 | 一种基于神经网络算法的配电网电压确定方法及装置 |
CN106451434A (zh) * | 2016-11-03 | 2017-02-22 | 国网浙江省电力公司电力科学研究院 | 一种基于神经网络算法的配电网电压确定方法及装置 |
CN106682763A (zh) * | 2016-11-25 | 2017-05-17 | 云南电网有限责任公司昆明供电局 | 一种用于大量样本数据的电力负荷优化预测方法 |
CN106682763B (zh) * | 2016-11-25 | 2020-12-29 | 云南电网有限责任公司昆明供电局 | 一种用于大量样本数据的电力负荷优化预测方法 |
CN107066709A (zh) * | 2017-03-29 | 2017-08-18 | 西安电子科技大学 | 基于多智能体遗传算法的电力运输网络拓扑结构设计方法 |
CN107066709B (zh) * | 2017-03-29 | 2019-05-21 | 西安电子科技大学 | 基于多智能体遗传算法的电力运输网络拓扑结构设计方法 |
CN107316105A (zh) * | 2017-06-09 | 2017-11-03 | 湖南省农业信息与工程研究所 | 一种大区域农业预测系统 |
CN107316105B (zh) * | 2017-06-09 | 2020-12-04 | 湖南省农业信息与工程研究所 | 一种大区域农业预测系统 |
CN107979174A (zh) * | 2017-10-23 | 2018-05-01 | 中国南方电网有限责任公司 | 一种基于电网运行管理系统的工作流运行方法 |
CN107979174B (zh) * | 2017-10-23 | 2021-05-04 | 中国南方电网有限责任公司 | 一种基于电网运行管理系统的工作流运行方法 |
CN108205716A (zh) * | 2017-12-29 | 2018-06-26 | 国网山东省电力公司日照供电公司 | 配变装接容量预测方法及系统 |
CN108759902A (zh) * | 2018-03-30 | 2018-11-06 | 深圳大图科创技术开发有限公司 | 一种基于大数据的燃气管网智能监测系统 |
CN108539738B (zh) * | 2018-05-10 | 2020-04-21 | 国网山东省电力公司电力科学研究院 | 一种基于梯度提升决策树的短期负荷预测方法 |
CN108539738A (zh) * | 2018-05-10 | 2018-09-14 | 国网山东省电力公司电力科学研究院 | 一种基于梯度提升决策树的短期负荷预测方法 |
WO2019227273A1 (en) * | 2018-05-28 | 2019-12-05 | Alibaba Group Holding Limited | Hierarchical concept based neural network model for data center power usage effectiveness prediction |
CN108683186A (zh) * | 2018-06-07 | 2018-10-19 | 华北电力大学(保定) | 一种面向供电能力提升的配电网双层扩展规划方法 |
CN108805361A (zh) * | 2018-06-21 | 2018-11-13 | 国网安徽省电力公司合肥供电公司 | 一种融合城市用电和分布式发电的可视化方法 |
CN108805361B (zh) * | 2018-06-21 | 2021-10-22 | 国网安徽省电力公司合肥供电公司 | 一种融合城市用电和分布式发电的可视化方法 |
CN109754129A (zh) * | 2019-02-21 | 2019-05-14 | 清华大学 | 电力负荷组团供电方案优化方法及优化装置 |
CN110110893A (zh) * | 2019-04-03 | 2019-08-09 | 国网新疆电力有限公司昌吉供电公司 | 大规模电采暖设备接入的配电网网架优化方法 |
CN112330017A (zh) * | 2020-11-04 | 2021-02-05 | 上海博辕信息技术服务有限公司 | 电力负荷预测方法、装置、电子设备和存储介质 |
CN113034018A (zh) * | 2020-12-21 | 2021-06-25 | 国网青海省电力公司 | 基于功率矩分析的电网供需平衡调节方法 |
CN113034018B (zh) * | 2020-12-21 | 2024-02-06 | 国网青海省电力公司 | 基于功率矩分析的电网供需平衡调节方法 |
CN114580795A (zh) * | 2022-05-06 | 2022-06-03 | 四川瑞康智慧能源有限公司 | 计及电力故障分流的电量预测方法及相关设备 |
CN115296424A (zh) * | 2022-10-10 | 2022-11-04 | 北京智盟信通科技有限公司 | 一种基于融合终端的分布式电源综合监测系统及方法 |
CN116739202A (zh) * | 2023-08-15 | 2023-09-12 | 深圳华越南方电子技术有限公司 | 一种电力选路方法、系统、设备及存储介质 |
CN116739202B (zh) * | 2023-08-15 | 2024-01-23 | 深圳华越南方电子技术有限公司 | 一种电力选路方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104732295A (zh) | 一种基于大数据技术的电力负荷预测模型 | |
Xu et al. | Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS | |
Khare et al. | Solar–wind hybrid renewable energy system: A review | |
Xiao et al. | A combined model based on data pre-analysis and weight coefficients optimization for electrical load forecasting | |
CN106230026B (zh) | 基于时序特性分析的含分布式电源的配电网双层协调规划方法 | |
Nasiraghdam et al. | Optimal hybrid PV/WT/FC sizing and distribution system reconfiguration using multi-objective artificial bee colony (MOABC) algorithm | |
Uzlu et al. | Estimates of hydroelectric generation using neural networks with the artificial bee colony algorithm for Turkey | |
CN102629106B (zh) | 供水控制方法及系统 | |
Cinar et al. | Development of future energy scenarios with intelligent algorithms: case of hydro in Turkey | |
CN103049798B (zh) | 一种应用于光伏发电系统的短期发电功率预测方法 | |
CN103093288B (zh) | 基于气象信息的分区电网母线负荷预测系统 | |
CN105719091B (zh) | 一种梯级水电站群并行多目标优化调度方法 | |
Li et al. | Using multi-objective sparrow search algorithm to establish active distribution network dynamic reconfiguration integrated optimization | |
CN104734150A (zh) | 配电网优化方法 | |
CN105844371A (zh) | 一种用电客户短期负荷需求预测方法及装置 | |
CN105305490A (zh) | 一种考虑电能质量经济性最优的有源配电网规划方法 | |
Mellit | ANN-based GA for generating the sizing curve of stand-alone photovoltaic systems | |
CN103218674A (zh) | 基于bp神经网络模型的光伏发电系统输出功率预测方法 | |
CN109242177B (zh) | 有源配电网规划方法 | |
CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
Zhang et al. | Equilibrium-inspired multiagent optimizer with extreme transfer learning for decentralized optimal carbon-energy combined-flow of large-scale power systems | |
CN111030188A (zh) | 一种含分布式和储能的分层分级控制策略 | |
CN107453396A (zh) | 一种分布式光伏电源出力的多目标优化调度方法 | |
Tian et al. | An adaptive ensemble predictive strategy for multiple scale electrical energy usages forecasting | |
Alam et al. | A new subtractive clustering based ANFIS system for residential load forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150624 |