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
一种基于限定记忆极限学习机的电网调节能力预测方法 Download PDFInfo
- Publication number
- CN106355980A CN106355980A CN201610960724.XA CN201610960724A CN106355980A CN 106355980 A CN106355980 A CN 106355980A CN 201610960724 A CN201610960724 A CN 201610960724A CN 106355980 A CN106355980 A CN 106355980A
- Authority
- CN
- China
- Prior art keywords
- particle
- power grid
- learning machine
- extreme learning
- matrix
- 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
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B23/00—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes
- G09B23/06—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for physics
- G09B23/18—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for physics for electricity or magnetism
- G09B23/188—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for physics for electricity or magnetism for motors; for generators; for power supplies; for power distribution
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Power Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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Vi,Vi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pbest;
(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gbest;
(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,
Vi+1=ζVi+c1r1(pbest-xi)+c2r2(gbest-xi)
xi+1=xi+Vi+1
其中,Vi+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,xi为当前粒子的位置,xi+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;
式中,Kk和Kk+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,Hk+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,βk为第k步隐含层与输出层的连接权矩阵,βk+1为第k+1步隐含层与输出层的连接权矩阵,Yk+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Vi,Vi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pbest;
(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gbest;
(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,
Vi+1=ζVi+c1r1(pbest-xi)+c2r2(gbest-xi)
xi+1=xi+Vi+1
其中,Vi+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,xi为当前粒子的位置,xi+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;
式中,Kk和Kk+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,Hk+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,βk为第k步隐含层与输出层的连接权矩阵,βk+1为第k+1步隐含层与输出层的连接权矩阵,Yk+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Vi,Vi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pbest;
(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gbest;
(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,
Vi+1=ζVi+c1r1(pbest-xi)+c2r2(gbest-xi)
xi+1=xi+Vi+1
其中,Vi+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,xi为当前粒子的位置,xi+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;
式中,Kk和Kk+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,Hk+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,βk为第k步含层与输出层的连接权矩阵,βk+1为第k+1步隐含层与输出层的连接权矩阵,Yk+1为基于当前实时采集的输出值得出的输出向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610960724.XA CN106355980A (zh) | 2016-10-27 | 2016-10-27 | 一种基于限定记忆极限学习机的电网调节能力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610960724.XA CN106355980A (zh) | 2016-10-27 | 2016-10-27 | 一种基于限定记忆极限学习机的电网调节能力预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106355980A true CN106355980A (zh) | 2017-01-25 |
Family
ID=57863634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610960724.XA Pending CN106355980A (zh) | 2016-10-27 | 2016-10-27 | 一种基于限定记忆极限学习机的电网调节能力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106355980A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797456A (zh) * | 2017-11-09 | 2018-03-13 | 江苏方天电力技术有限公司 | 基于渐消记忆在线极限学习机的电厂除尘器优化控制方法 |
CN109375507A (zh) * | 2018-10-30 | 2019-02-22 | 国网江苏省电力有限公司 | 基于自寻优并矢展开控制器的火电机组深度调峰协调控制方法 |
CN109488526A (zh) * | 2018-11-23 | 2019-03-19 | 湖南工业大学 | 基于比例-极限学习机稳态估计的变桨距控制方法 |
CN110970936A (zh) * | 2019-12-02 | 2020-04-07 | 国网江苏省电力有限公司 | 一种深度调峰机组一次调频性能计算方法 |
CN111884251A (zh) * | 2020-07-22 | 2020-11-03 | 华北电力大学 | 联络线控制性能评价指标预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345201A (zh) * | 2013-07-01 | 2013-10-09 | 浙江工业大学 | Nurbs曲线降阶插补的运动控制系统 |
CN104008432A (zh) * | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
CN105046374A (zh) * | 2015-08-25 | 2015-11-11 | 华北电力大学 | 一种基于核极限学习机模型的功率区间预测方法 |
CN105354646A (zh) * | 2015-12-04 | 2016-02-24 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
-
2016
- 2016-10-27 CN CN201610960724.XA patent/CN106355980A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345201A (zh) * | 2013-07-01 | 2013-10-09 | 浙江工业大学 | Nurbs曲线降阶插补的运动控制系统 |
CN104008432A (zh) * | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
CN105046374A (zh) * | 2015-08-25 | 2015-11-11 | 华北电力大学 | 一种基于核极限学习机模型的功率区间预测方法 |
CN105354646A (zh) * | 2015-12-04 | 2016-02-24 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
张弦,王宏力: "限定记忆极端学习机及其应用", 《控制与决策》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797456A (zh) * | 2017-11-09 | 2018-03-13 | 江苏方天电力技术有限公司 | 基于渐消记忆在线极限学习机的电厂除尘器优化控制方法 |
CN109375507A (zh) * | 2018-10-30 | 2019-02-22 | 国网江苏省电力有限公司 | 基于自寻优并矢展开控制器的火电机组深度调峰协调控制方法 |
CN109375507B (zh) * | 2018-10-30 | 2021-09-28 | 国网江苏省电力有限公司 | 一种火电机组深度调峰控制方法 |
CN109488526A (zh) * | 2018-11-23 | 2019-03-19 | 湖南工业大学 | 基于比例-极限学习机稳态估计的变桨距控制方法 |
CN110970936A (zh) * | 2019-12-02 | 2020-04-07 | 国网江苏省电力有限公司 | 一种深度调峰机组一次调频性能计算方法 |
CN111884251A (zh) * | 2020-07-22 | 2020-11-03 | 华北电力大学 | 联络线控制性能评价指标预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107591844B (zh) | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 | |
CN106355980A (zh) | 一种基于限定记忆极限学习机的电网调节能力预测方法 | |
CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
CN107292502B (zh) | 一种配电网可靠性评估方法 | |
CN107895971A (zh) | 基于随机规划和模型预测控制的区域能源互联网调度方法 | |
CN103683274B (zh) | 区域中长期风电发电量概率预测方法 | |
CN110854932B (zh) | 一种交直流配电网多时间尺度优化调度方法及系统 | |
CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
CN106875033A (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN103138256A (zh) | 一种新能源电力消纳全景分析系统及方法 | |
CN104268800A (zh) | 基于场景库的风电并网调峰平衡判定方法 | |
CN104810863B (zh) | 一种考虑风电预测误差的机组有功实时调度方法 | |
CN109583655B (zh) | 一种发输电多阶段联合扩展规划方法及系统 | |
CN107437135B (zh) | 一种新型储能选型方法 | |
CN103345663B (zh) | 考虑爬坡速率约束的电力系统机组组合优化方法 | |
CN105303250A (zh) | 一种基于最优权系数的风电功率组合预测方法 | |
CN104091207A (zh) | 考虑有害气体排放量的含风电场多目标机组组合优化方法 | |
CN105631550A (zh) | 一种短时风电功率的组合预测方法 | |
CN104600755A (zh) | 风电、水电和火电机组优化协调的方法和系统 | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
Ahmadi et al. | A fuzzy inference model for short-term load forecasting | |
CN108985524A (zh) | 一种多能互补系统的协调控制方法 | |
CN106503833A (zh) | 基于支持向量机算法的光伏发电短期功率滚动预测方法 | |
CN111612244A (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170125 |
|
RJ01 | Rejection of invention patent application after publication |