CN106355980A - 一种基于限定记忆极限学习机的电网调节能力预测方法 - Google Patents

Abstract

本发明公开了一种基于限定记忆极限学习机的电网调节能力预测方法，包括以下步骤：1）采集电网调度中心可测数据，对数据进行分析处理，基于电网实发功率影响因素，确定若干个预测模型可能输入量；2）采用粒子群算法进行优化计算，从若干个预测模型可能输入量中优化筛选出参与预测模型建立的输入自变量；3）建立基于限定记忆极限学习机在线预测模型，预测出将来时刻的电网实发功率值，从而得出电网的负荷调节能力。本发明算法先进、预测精度高，可以预测出将来时刻的电网实发功率值，利用预测结果可实时评估电网负荷调节以及调频能力性能的实时评估，可为电网调度提供参考，从而提高电网调度效率，保障电网安全运行。

Description

一种基于限定记忆极限学习机的电网调节能力预测方法

技术领域

本发明涉及电网调节能力预测方法，特别是涉及一种基于限定记忆极限学习机的电网调节能力预测方法，属于热能动力工程和热工控制技术领域。

背景技术

电网频率反映了电力系统内发电出力与负荷的平衡关系，二者的不平衡会导致电网频率偏离额定值发生波动。因此电网频率是整个电力系统安全运行的重要参数，同时也是评价电能质量的一个重要指标。为了保障电网的安全与供电电能的质量，我国对电网频率波动进行了严格的规定。

现代电网在电网频率的调节上一般分为一次调频和二次调频。通过利用汽轮机调速系统来缓和电网频率的改变程度的一次有差调频和机组采用AGC方式的二次无差调频能够使电网频率的偏差稳定在较小的范围之内。

但随着现代电网规模的扩大，分布式能源的加入以及特高压直流和智能电网的建设，对现行电网控制提出了精细化、智能化的更高的控制要求，因此通过对电网调节能力的预测可以实现电网负荷调节以及调频能力性能的实时评估，对电网电能的调度具有重要意义。

发明内容

本发明的主要目的在于，克服现有技术中的不足，提供一种算法先进、预测精度高的基于限定记忆极限学习机的电网调节能力预测方法，实现电网调节能力的预测，可为电网调度提供参考。

为了达到上述目的，本发明所采用的技术方案是：

一种基于限定记忆极限学习机的电网调节能力预测方法，包括以下步骤：

1)采集电网调度中心可测数据，对数据进行分析处理，基于电网实发功率影响因素，确定若干个预测模型可能输入量；

2)采用粒子群算法进行优化计算，从若干个预测模型可能输入量中优化筛选出参与预测模型建立的输入自变量；

3)将输入自变量输入到限定记忆极限学习机模型中，确定模型参数，建立基于限定记忆极限学习机在线预测模型，预测出将来时刻的电网实发功率值，从而得出电网的负荷调节能力。

本发明进一步设置为：所述步骤1)中的若干个预测模型可能输入量确定为7个，包括电网实时负荷、联络线实际负荷、参与AGC调节机组台数、非燃煤机组AGC调节容量、电网系统总调节容量、备用容量和电网频率。

本发明进一步设置为：所述步骤2)中的采用粒子群算法进行优化计算，具体为，

2-1)对每个预测模型可能输入量进行乘积变换，所乘系数即为粒子群算法中的优化变量，该优化变量取值为0或1，1代表输入自变量用于建模，0表示输入自变量不用于建模；

2-2)将粒子维度设计为7，初始种群规模为N；选取测试集数据均方误差的倒数作为粒子群算法的适应度函数，通过粒子的迭代计算，优化筛选出输入自变量。

本发明进一步设置为：所述步骤2-2)中的粒子的迭代计算，具体为，

(1)将第i个粒子的飞行速度记为V_i，V_i是一个7维的向量；

(2)通过适应度函数比较计算出第i个粒子迄今为止搜索到的最优位置，即个体极值，记为p_best；

(3)通过适应度函数比较计算出整个粒子群迄今为止搜索到的最优位置，即全局极值，记为g_best；

(4)当找到个体极值和全局极值这两个最优值时，粒子根据如下的公式来更新自己的速度和位置，

V_i+1＝ζV_i+c₁r₁(p_best-x_i)+c₂r₂(g_best-x_i)

x_i+1＝x_i+V_i+1

其中，V_i+1为第i+1粒子新的飞行速度，ζ为惯性权值，ζ为0.6，c₁和c₂为学习因子、也称加速常数，c₁和c₂均为2，r₁和r₂为[0，1]范围内的均匀随机数，x_i为当前粒子的位置，x_i+1为经过速度更新后粒子新的位置；

(5)将得到的更新后的粒子以0.5为分界值进行零壹化，将大于等于0.5的粒子零壹化为1，小于0.5的粒子零壹化为0，构成新的粒子群；

(6)经过多次粒子更新，当满足经迭代更新种群最优值变化小于阀值时，迭代终止，输出的末代粒子群中的最优粒子即为输入自变量。

本发明进一步设置为：所述步骤3)中的建立基于限定记忆极限学习机在线预测模型，具体为，

3-1)随机选取输入连接权值ω和偏置值b；

3-2)选定电网调度中心可测数据中的部分历史数据构建网络引层输出矩阵H₀；

3-3)计算限定记忆极限学习机迭代计算公式中的过渡矩阵K初始值K₀＝H₀ ^TH₀；

其中，H₀ ^T为网络引层输出矩阵H₀的转置矩阵；

3-4)计算隐含层与输出层的连接权初始值矩阵β⁰＝(K₀)^-1H₀ ^TY₀；

其中，(K₀)^-1为过渡矩阵K初始值矩阵K₀的逆矩阵，Y₀为所建在线预测模型的初始输出向量；

3-5)基于以下的限定记忆极限学习机迭代计算公式计算在线预测模型中各参数的实时值；

$K_{k+1}^{-1}={\mathrm{\μ}}^{-2}{K}_k^{-1}-{\mathrm{\μ}}^{-4}{K}_k^{-1}{H}_{k+1}^T{(I+{\mathrm{\μ}}^{-2}{H}_{k+1}{K}_k^{-1}{H}_{k+1}^T)}^{-1}{H}_{k+1}{K}_k^{-1}$

${\mathrm{\β}}^{k+1}={\mathrm{\β}}^k+K_{k+1}^{-1}{H}_{k+1}^T(Y_{k+1}-H_{k+1}{\mathrm{\β}}^k)$

式中，K_k和K_k+1分别为第k步和第k+1步迭代的过渡矩阵，μ为遗忘因子，μ取值为0.9，H_k+1为基于当前实时采集的输入值得出的网络引层输出矩阵，I为单位矩阵，β^k为第k步隐含层与输出层的连接权矩阵，β^k+1为第k+1步隐含层与输出层的连接权矩阵，Y_k+1为基于当前实时采集的输出值得出的输出向量。

与现有技术相比，本发明具有的有益效果是：

本发明实现了电网调节能力的预测，实现了粒子群算法与限定记忆极限学习机在线模型建模的有机结合，算法先进、预测精度高，可以预测出将来时刻的电网实发功率值，利用预测结果可实时评估电网负荷调节以及调频能力性能的实时评估，对电网电能的调度具有重要指导意义；同时也能够在电网负荷波动幅度较大时为预估电网频率提供依据，从而提高电网调度效率，保障电网安全运行。

上述内容仅是本发明技术方案的概述，为了更清楚的了解本发明的技术手段，下面结合附图对本发明作进一步的描述。

附图说明

图1为本发明一种基于限定记忆极限学习机的电网调节能力预测方法的流程图。

具体实施方式

下面结合说明书附图，对本发明作进一步的说明。

如图1所示的一种基于限定记忆极限学习机的电网调节能力预测方法，包括以下步骤：

1)采集电网调度中心可测数据，对数据进行分析处理，基于电网实发功率影响因素，确定若干个预测模型可能输入量。

其中，若干个预测模型可能输入量可确定为7个，包括电网实时负荷、联络线实际负荷、参与AGC调节机组台数、非燃煤机组AGC调节容量、电网系统总调节容量、备用容量和电网频率。

2)采用粒子群算法进行优化计算，从若干个预测模型可能输入量中优化筛选出参与预测模型建立的输入自变量。

其中，采用粒子群算法进行优化计算，具体为，

2-1)对每个预测模型可能输入量进行乘积变换，所乘系数即为粒子群算法中的优化变量，该优化变量取值为0或1，1代表输入自变量用于建模，0表示输入自变量不用于建模。

2-2)将粒子维度设计为7，初始种群规模为N；选取测试集数据均方误差的倒数作为粒子群算法的适应度函数，通过粒子的迭代计算，优化筛选出输入自变量。

所述粒子的迭代计算，具体实现步骤为，

(1)将第i个粒子的飞行速度记为V_i，V_i是一个7维的向量；

(2)通过适应度函数比较计算出第i个粒子迄今为止搜索到的最优位置，即个体极值，记为p_best；

(3)通过适应度函数比较计算出整个粒子群迄今为止搜索到的最优位置，即全局极值，记为g_best；

(4)当找到个体极值和全局极值这两个最优值时，粒子根据如下的公式来更新自己的速度和位置，

V_i+1＝ζV_i+c₁r₁(p_best-x_i)+c₂r₂(g_best-x_i)

x_i+1＝x_i+V_i+1

其中，V_i+1为第i+1粒子新的飞行速度，ζ为惯性权值，ζ为0.6，c₁和c₂为学习因子、也称加速常数，c₁和c₂均为2，r₁和r₂为[0，1]范围内的均匀随机数，x_i为当前粒子的位置，x_i+1为经过速度更新后粒子新的位置；

(5)将得到的更新后的粒子以0.5为分界值进行零壹化，将大于等于0.5的粒子零壹化为1，小于0.5的粒子零壹化为0，构成新的粒子群；

(6)经过多次粒子更新，当满足经迭代更新种群最优值变化小于阀值时，迭代终止，输出的末代粒子群中的最优粒子即为输入自变量。

3)将输入自变量输入到限定记忆极限学习机模型中，确定模型参数，建立基于限定记忆极限学习机在线预测模型，预测出将来时刻的电网实发功率值，从而得出电网的负荷调节能力。

建立基于限定记忆极限学习机在线预测模型，具体为，

3-1)随机选取输入连接权值ω和偏置值b；

3-2)选定电网调度中心可测数据中的部分历史数据构建网络引层输出矩阵H₀；

3-3)计算限定记忆极限学习机迭代计算公式中的过渡矩阵K初始值K₀＝H₀ ^TH₀；

其中，H₀ ^T为网络引层输出矩阵H₀的转置矩阵；

3-4)计算隐含层与输出层的连接权初始值矩阵β⁰＝(K₀)^-1H₀ ^TY₀；

其中，(K₀)^-1为过渡矩阵K初始值矩阵K₀的逆矩阵，Y₀为所建在线预测模型的初始输出向量；

3-5)基于以下的限定记忆极限学习机迭代计算公式计算在线预测模型中各参数的实时值；

$K_{k+1}^{-1}={\mathrm{\μ}}^{-2}{K}_k^{-1}-{\mathrm{\μ}}^{-4}{K}_k^{-1}{H}_{k+1}^T{(I+{\mathrm{\μ}}^{-2}{H}_{k+1}{K}_k^{-1}{H}_{k+1}^T)}^{-1}{H}_{k+1}{K}_k^{-1}$

${\mathrm{\β}}^{k+1}={\mathrm{\β}}^k+K_{k+1}^{-1}{H}_{k+1}^T(Y_{k+1}-H_{k+1}{\mathrm{\β}}^k)$

式中，K_k和K_k+1分别为第k步和第k+1步迭代的过渡矩阵，μ为遗忘因子，μ取值为0.9，H_k+1为基于当前实时采集的输入值得出的网络引层输出矩阵，I为单位矩阵，β^k为第k步隐含层与输出层的连接权矩阵，β^k+1为第k+1步隐含层与输出层的连接权矩阵，Y_k+1为基于当前实时采集的输出值得出的输出向量。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于限定记忆极限学习机的电网调节能力预测方法，其特征在于，包括以下步骤：

1)采集电网调度中心可测数据，对数据进行分析处理，基于电网实发功率影响因素，确定若干个预测模型可能输入量；

2)采用粒子群算法进行优化计算，从若干个预测模型可能输入量中优化筛选出参与预测模型建立的输入自变量；

3)将输入自变量输入到限定记忆极限学习机模型中，确定模型参数，建立基于限定记忆极限学习机在线预测模型，预测出将来时刻的电网实发功率值，从而得出电网的负荷调节能力。

2.根据权利要求1所述的一种基于限定记忆极限学习机的电网调节能力预测方法，其特征在于：所述步骤1)中的若干个预测模型可能输入量确定为7个，包括电网实时负荷、联络线实际负荷、参与AGC调节机组台数、非燃煤机组AGC调节容量、电网系统总调节容量、备用容量和电网频率。

3.根据权利要求2所述的一种基于限定记忆极限学习机的电网调节能力预测方法，其特征在于：所述步骤2)中的采用粒子群算法进行优化计算，具体为，

2-1)对每个预测模型可能输入量进行乘积变换，所乘系数即为粒子群算法中的优化变量，该优化变量取值为0或1，1代表输入自变量用于建模，0表示输入自变量不用于建模；

2-2)将粒子维度设计为7，初始种群规模为N；选取测试集数据均方误差的倒数作为粒子群算法的适应度函数，通过粒子的迭代计算，优化筛选出输入自变量。

4.根据权利要求3所述的一种基于限定记忆极限学习机的电网调节能力预测方法，其特征在于：所述步骤2-2)中的粒子的迭代计算，具体为，

(1)将第i个粒子的飞行速度记为V_i，V_i是一个7维的向量；

(2)通过适应度函数比较计算出第i个粒子迄今为止搜索到的最优位置，即个体极值，记为p_best；

(3)通过适应度函数比较计算出整个粒子群迄今为止搜索到的最优位置，即全局极值，记为g_best；

(4)当找到个体极值和全局极值这两个最优值时，粒子根据如下的公式来更新自己的速度和位置，

V_i+1＝ζV_i+c₁r₁(p_best-x_i)+c₂r₂(g_best-x_i)

x_i+1＝x_i+V_i+1

其中，V_i+1为第i+1粒子新的飞行速度，ζ为惯性权值，ζ为0.6，c₁和c₂为学习因子、也称加速常数，c₁和c₂均为2，r₁和r₂为[0，1]范围内的均匀随机数，x_i为当前粒子的位置，x_i+1为经过速度更新后粒子新的位置；

(5)将得到的更新后的粒子以0.5为分界值进行零壹化，将大于等于0.5的粒子零壹化为1，小于0.5的粒子零壹化为0，构成新的粒子群；

(6)经过多次粒子更新，当满足经迭代更新种群最优值变化小于阀值时，迭代终止，输出的末代粒子群中的最优粒子即为输入自变量。

5.根据权利要求1所述的一种基于限定记忆极限学习机的电网调节能力预测方法，其特征在于：所述步骤3)中的建立基于限定记忆极限学习机在线预测模型，具体为，

3-1)随机选取输入连接权值ω和偏置值b；

3-2)选定电网调度中心可测数据中的部分历史数据构建网络引层输出矩阵H₀；

3-3)计算限定记忆极限学习机迭代计算公式中的过渡矩阵K初始值

其中，H₀ ^T为网络引层输出矩阵H₀的转置矩阵；

3-4)计算隐含层与输出层的连接权初始值矩阵β⁰＝(K₀)^-1H₀ ^TY₀；

其中，(K₀)^-1为过渡矩阵K初始值矩阵K₀的逆矩阵，Y₀为所建在线预测模型的初始输出向量；

3-5)基于以下的限定记忆极限学习机迭代计算公式计算在线预测模型中各参数的实时值；

$K_{k+1}^{-1}={\mathrm{\μ}}^{-2}{K}_k^{-1}-{\mathrm{\μ}}^{-4}{K}_k^{-1}{H}_{k+1}^T{(I+{\mathrm{\μ}}^{-2}{H}_{k+1}{K}_k^{-1}{H}_{k+1}^T)}^{-1}{H}_{k+1}{K}_k^{-1}$

${\mathrm{\β}}^{k+1}={\mathrm{\β}}^k+K_{k+1}^{-1}{H}_{k+1}^T(Y_{k+1}-H_{k+1}{\mathrm{\β}}^k)$

式中，K_k和K_k+1分别为第k步和第k+1步迭代的过渡矩阵，μ为遗忘因子，μ取值为0.9，H_k+1为基于当前实时采集的输入值得出的网络引层输出矩阵，I为单位矩阵，β^k为第k步含层与输出层的连接权矩阵，β^k+1为第k+1步隐含层与输出层的连接权矩阵，Y_k+1为基于当前实时采集的输出值得出的输出向量。