CN107689627B - 一种计及支路量测数据的短期负荷协调预测方法 - Google Patents

一种计及支路量测数据的短期负荷协调预测方法 Download PDF

Info

Publication number
CN107689627B
CN107689627B CN201710643201.7A CN201710643201A CN107689627B CN 107689627 B CN107689627 B CN 107689627B CN 201710643201 A CN201710643201 A CN 201710643201A CN 107689627 B CN107689627 B CN 107689627B
Authority
CN
China
Prior art keywords
node
load
prediction
prediction result
power
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.)
Active
Application number
CN201710643201.7A
Other languages
English (en)
Other versions
CN107689627A (zh
Inventor
李文博
王俊雄
杨思
孙东磊
陈博
蒋哲
麻常辉
张磊
杨冬
刘文学
李璐璐
李智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710643201.7A priority Critical patent/CN107689627B/zh
Publication of CN107689627A publication Critical patent/CN107689627A/zh
Application granted granted Critical
Publication of CN107689627B publication Critical patent/CN107689627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Prevention Of Electric Corrosion (AREA)

Abstract

本发明公开了一种计及支路量测数据的短期负荷协调预测方法，根据电网结构对负荷节点进行区域划分；各个负荷节点对上下层电压等级设备功率分别进行预测；对负荷节点内部上下层的预测结果进行协调；对负荷节点间的预测结果进行协调；判断全网预测协调是否完成；输出协调后的全网节点负荷预测结果。本发明所述方法以线路量测数据为基础使用支持向量机方法进行预测，首先通过节点内部上下层负荷预测结果之间进行协调，其次通过节点间关键信息交互对输电支路预测结果进行协调，在提高预测精度的同时可以实现上下层节点负荷预测结果的协调，可以为电力系统运行与调度提供技术支撑。

Description

一种计及支路量测数据的短期负荷协调预测方法
技术领域
本发明涉及一种计及支路量测数据的短期负荷协调预测方法。
背景技术
传统的节点负荷预测技术，是先对节点连接线路上的量测数据进行处理，得到用于预测的节点历史负荷数据，然后根据历史负荷数据的特点选择合适的预测模型进行预测。在这个过程中，多条线路的量测数据被处理成单个节点的负荷数据，导致线路量测数据中包含的丰富的潮流信息、负荷波动信息被湮没，数据信息无法得到充分的利用。与此同时，一直以来传统的节点负荷预测方法中存在上下电压等级负荷预测结果不均衡、不协调的现象。以上层负荷预测结果为准的自上而下进行协调的方法，和以下层负荷预测结果为准的自下而上进行协调的方法都存在各自的局限性。考虑到以上两点，有必要研究能够充分利用线路量测数据并同时解决负荷预测结果不协调问题的节点负荷预测方法。
专利申请号为201610172068.7的中国专利：“一种短期负荷预测方法”，公开了一种短期负荷预测方法，该专利对历史负荷数据先进行聚类分析，生成典型负荷曲线，然后利用深度学习技术对短期负荷进行预测，并利用分布式内存计算框架Spark来实现预测模型的构建，从而提升整个短期负荷预测流程的高效性和实时性。但其中对历史负荷数据的处理仍使用传统方法，没有充分利用线路上的量测数据信息。专利申请号为201610705011.9的中国专利：“大数据多点负荷预测方法”，给出了一种大数据多点负荷预测方法，该专利避免采用有误数据、有效突破测量硬件的条件限制，从而降低了预测的误差，同时，对每个节点的预测采用对整体预测值进行并行式计算得到来代替传统的对每个节点进行单点负荷预测，使得预测更加高效。但该专利中实现的方法是在整体负荷预测结果更为准确、自上而下进行协调的思路假设条件下实现的，具有一定的局限性。
发明内容
本发明为了解决上述问题，提出了一种计及支路量测数据的短期负荷协调预测方法，本发明具以线路量测数据为基础进行预测，能够分布式地对全网节点负荷预测的结果进行协调，可以为电力系统运行与调度提供较为可靠的前瞻数据支撑。
为了实现上述目的，本发明采用如下技术方案：
一种计及支路量测数据的短期负荷协调预测方法，包括以下步骤：
(1)根据电网结构对负荷节点进行区域划分，确定负荷预测结果的协调范围；
(2)各个负荷节点提取本节点上层电压等级输电支路历史功率数据，并基于历史功率数据预测本节点所有上层电压等级输电支路的末端功率，作为其子预测结果；
(3)各个负荷节点提取本节点下层电压等级发电设备、直接负荷和输电支路历史功率数据，并基于历史功率数据预测本节点所有下层电压等级发电设备输出功率、直接负荷吸收功率和输电支路首端功率，作为其子预测结果；
(4)依次计算各个负荷节点内部上下层负荷预测结果，对各预测结果的可信度进行估计，作为协调权重，根据可信度信息对节点内部上下层的负荷预测结果进行协调处理，根据节点负荷预测结果的调整量对各子预测结果进行修正；
(5)依次计算各负荷节点交换输电支路预测结果及可信度信息，对负荷节点的输电支路预测结果进行线损补偿处理，根据两侧节点提供的可信度信息对连接两侧节点的输电支路预测结果进行协调处理，根据各输电支路协调后的预测结果重新计算各负荷节点的上下层负荷预测结果；
(6)判断全网预测协调是否完成，若没有完成，则按照步骤(4)～(5)依次迭代协调，直至设置的判据收敛；
(7)输出协调后的全网节点负荷预测结果。
所述步骤(2)中，使用最小二乘支持向量机算法进行预测各个节点所有上层电压等级输电支路的末端功率。
具体的，基于线路量测数据的最小二乘支持向量机预测模型如下：
Figure BDA0001366317620000031
其中xi为输入数据，包含输电支路的历史功率数据、天气数据和典型日数据；yi为输出数据，包含输电支路的末端功率预测值；p为状态变量的数量；n为训练样本的数量；C为支持向量机预测模型的超参数；ξi为松弛变量；A为代表线路连接关系的关联矩阵；φ(·)为将输入数据投射到高维空间的核函数；ω和b是支持向量机预测模型待求的参数。
所述步骤(3)中，使用最小二乘支持向量机算法进行预测各个节点所有下层电压等级发电设备输出功率、直接负荷吸收功率和输电支路首端功率。
具体的，节点下层各待预测量的最小二乘支持向量机预测模型具体如下：
Figure BDA0001366317620000041
其中xi为输入数据，包含发电设备、直接负荷、输电支路的历史功率数据、天气数据和典型日数据；yi为输出数据，包含发电设备输出功率、直接负荷吸收功率和输电支路的首端功率预测值；p为状态变量的数量；n为训练样本的数量；C为支持向量机预测模型的超参数；ξi为松弛变量；A为代表线路连接关系的关联矩阵；φ(·)为将输入数据投射到高维空间的核函数；ω和b是支持向量机预测模型待求的参数。
所述步骤(4)中，负荷节点内部上层负荷预测结果计算方法如下：
Figure BDA0001366317620000042
其中，Piu为i节点上层的节点负荷预测结果，Ku为i节点连接的上层电压等级输电支路的数量，Pik为输电支路k末端功率的预测结果。
所述步骤(4)中，负荷节点内部下层负荷预测结果计算方法如下：
Figure BDA0001366317620000043
其中，Pid为i节点下层的节点负荷预测结果，G为i节点连接的下层电压等级发电设备的数量，Pig为发电设备g输出功率的预测结果，L为i节点连接的下层电压等级直接负荷的数量，Pil为直接负荷l吸收功率的预测结果，Kd为i节点连接的下层电压等级输电支路的数量，Pik为输电支路k首端功率的预测结果。
所述步骤(4)中，各预测结果可信度估计过程如下：
选取预测结果的均方根误差作为预测结果的可信度，计算方法如下：
Figure BDA0001366317620000051
其中，Rt为实际功率，Pt为预测功率，N为选取的样本数量。
所述步骤(4)中，根据可信度信息对节点内部上下层的负荷预测结果的具体方法如下：
Figure BDA0001366317620000052
其中，Eiu为i节点上层负荷预测结果的可信度估计，Eid为i节点下层负荷预测结果的可信度估计，Piu′和Pid′为i节点上下层负荷预测结果协调处理后的预测值。
所述步骤(4)中，每个节点协调处理后，根据节点上层和下层负荷预测结果的调整量分别对节点所有上层电压等级输电支路预测结果和节点下层电压等级发电设备、直接负荷和输电支路预测结果进行修正。
进一步的，上层预测结果修正具体方法如下：
ΔPiu＝Piu′-Piu(7)
Figure BDA0001366317620000053
Pik′＝Pik+ΔPik(9)
其中，ΔPiu为i节点上层负荷预测结果的调整量，ΔPik为i节点上层电压等级输电支路k预测结果的调整量，Eik为i节点上层电压等级输电支路k预测结果的可信度估计，Pik′为i节点上层电压等级输电支路k预测结果的修正值。
所述步骤(4)中，下层预测结果修正具体方法如下：
ΔPid＝Pid′-Pid (10)
Figure BDA0001366317620000061
Figure BDA0001366317620000062
Pig′＝Pig+ΔPig,Pil′＝Pil+ΔPil,Pik′＝Pik+ΔPik (13)
其中，ΔPid为i节点下层负荷预测结果的调整量，∑Eis为节点下层各子预测结果可信度估计之和，Eig、Eil和Eik分别为i节点下层电压等级发电设备g、直接负荷l和输电支路k预测结果的可信度估计，ΔPig、ΔPil和ΔPik为i节点下层电压等级发电设备g、直接负荷l和输电支路k预测结果的调整量，Pig′、Pil′和Pik′为i节点下层电压等级发电设备g、直接负荷l和输电支路k预测结果的修正值。
所述步骤(5)中，对输电支路预测结果进行线损补偿处理的具体方法如下：
(5-1)利用最小二乘支持向量机得出的输电支路预测结果存在的正负，分别输电支路上的潮流方向，对于负荷节点，预测结果为正时潮流流入节点，预测结果为负时潮流流出节点；
(5-2)取输电支路历史数据中与预测结果最相近的多个样本计算样本线损值并取平均作为预测线损值，对预测结果进行补偿。
所述步骤(5-2)为：
Figure BDA0001366317620000063
Pik″＝Pik′+ΔPkC (15)
其中，ΔPkC为线损估计值，N为样本数量，In为线路相电流，R为线路电阻，Pik′为输电支路k在i节点内部协调后的预测结果，Pik″为输电支路k线损补偿处理后的预测结果。
所述步骤(5)中，根据可信度对线路预测结果进行协调处理的具体方法如下：
Figure BDA0001366317620000071
其中，Pik″为i节点对输电支路k线损补偿处理后的预测结果，Pjk′为输电支路k在j节点内部协调后的预测结果，Eik为i节点对输电支路k预测结果的可信度估计，Ejk为j节点对输电支路k预测结果的可信度估计，Pik″′和Pjk″为节点对线路预测结果协调处理后的预测值。
所述步骤(5)中，协调处理后，根据各输电支路协调后的预测结果重新计算各负荷节点的上下层负荷预测结果。
具体的，重新计算节点上层负荷预测结果方法如下：
其中，Piu″为重新计算后的节点上层负荷预测结果。
重新计算节点下层负荷预测结果方法如下：
Figure BDA0001366317620000073
其中，Pid″为重新计算后的节点下层负荷预测结果。
所述步骤(6)中，判断全网协调是否完成，具体判别式如下：
Figure BDA0001366317620000081
其中，I为全网负荷节点的数量，ε为选定的判定阈值。
与现有技术相比，本发明的有益效果为：
本发明所述方法以线路量测数据为基础使用支持向量机方法进行预测，首先通过节点内部上下层负荷预测结果之间进行协调，其次通过节点间关键信息交互对输电支路预测结果进行协调，在提高预测精度的同时可以实现上下层节点负荷预测结果的协调，能够分布式地对全网节点负荷预测的结果进行协调，可以为电力系统运行与调度提供较为可靠的前瞻数据支撑。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明的流程图；
图2为本发明的负荷节点内部结构示意图；
图3为本发明的示例图；
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的，现有技术中存在没有充分利用线路上的量测数据信息、具有一定局限性的不足，为了解决如上的技术问题，本发明提出了一种计及支路量测数据的短期负荷协调预测方法，本方法以线路量测数据为基础使用支持向量机方法进行预测，首先通过节点内部上下层负荷预测结果之间进行协调，其次通过节点间关键信息交互对输电支路预测结果进行协调，在提高预测精度的同时可以实现上下层节点负荷预测结果的协调，可以为电力系统运行与调度提供技术支撑。
如图1所示，一种计及支路量测数据的短期负荷协调预测方法，其具体包括如下步骤：
根据电网结构对负荷节点进行区域划分，确定负荷预测结果的协调范围，划分出的区域接线图如图3所示；
各个负荷节点提取本节点上层电压等级输电支路历史功率数据，使用最小二乘支持向量机算法进行预测。预测结果为本节点所有上层电压等级输电支路的末端功率。
其中基于线路量测数据的最小二乘支持向量机预测模型具体如下：
Figure BDA0001366317620000091
s.t.||yi-A·(ω·φ(xi)+b)||＝ξi (1)
其中xi为输入数据，包含输电支路的历史功率数据、天气数据、典型日数据等；yi为输出数据，包含输电支路的末端功率预测值；p为状态变量的数量；n为训练样本的数量；C为支持向量机预测模型的超参数；ξi为松弛变量；A为代表线路连接关系的关联矩阵；φ(·)为将输入数据投射到高维空间的核函数；ω和b是支持向量机预测模型待求的参数。
如图2和图3所示，节点C的上层输电支路预测结果为PCk2、PCk3和PCk5；
各个负荷节点提取本节点下层电压等级发电设备、直接负荷、输电支路历史功率数据，使用最小二乘支持向量机算法进行预测。预测结果为本节点所有下层电压等级发电设备输出功率、直接负荷吸收功率和输电支路首端功率。
节点下层各待预测量的最小二乘支持向量机预测模型具体如下：
Figure BDA0001366317620000101
s.t.||yi-A·(ω·φ(xi)+b)||＝ξi (2)
其中xi为输入数据，包含发电设备、直接负荷、输电支路的历史功率数据、天气数据、典型日数据等；yi为输出数据，包含发电设备输出功率、直接负荷吸收功率和输电支路的首端功率预测值；p为状态变量的数量；n为训练样本的数量；C为支持向量机预测模型的超参数；ξi为松弛变量；A为代表线路连接关系的关联矩阵；φ(·)为将输入数据投射到高维空间的核函数；ω和b是支持向量机预测模型待求的参数。
如图2和图3所示，节点C的上层输电支路预测结果为PCk6、PCk7、PCk8、PCg1和PCl1；
(4)依次对负荷节点内部上下层的预测结果进行协调：1)依次计算负荷节点内部上下层负荷预测结果；2)依次对各预测结果的可信度进行估计，作为协调权重；3)根据可信度信息对节点内部上下层的负荷预测结果进行协调处理；4)根据节点负荷预测结果的调整量对各子预测结果进行修正。
1)其中负荷节点内部上层负荷预测结果计算方法如下：
Figure BDA0001366317620000111
其中，Piu为i节点上层的节点负荷预测结果，Ku为i节点连接的上层电压等级输电支路的数量，Pik为输电支路k末端功率的预测结果。
如图2和图3所示，节点C的上层负荷预测结果为PCu＝PCk2+PCk3+PCk5；
其中负荷节点内部下层负荷预测结果计算方法如下：
Figure BDA0001366317620000112
其中，Pid为i节点下层的节点负荷预测结果，G为i节点连接的下层电压等级发电设备的数量，Pig为发电设备g输出功率的预测结果，L为i节点连接的下层电压等级直接负荷的数量，Pil为直接负荷l吸收功率的预测结果，Kd为i节点连接的下层电压等级输电支路的数量，Pik为输电支路k首端功率的预测结果。
如图2和图3所示，节点C的下层负荷预测结果为PCd＝PCk6+PCk7+PCk8+PCg1+PCl1；
2)其中各预测结果可信度估计模型具体如下：
选取预测结果的均方根误差作为预测结果的可信度，计算方法如下：
其中，Rt为实际功率，Pt为预测功率，N为选取的样本数量。
3)其中根据可信度信息对节点内部上下层的负荷预测结果的具体方法如下：
Figure BDA0001366317620000121
其中，Eiu为i节点上层负荷预测结果的可信度估计，Eid为i节点下层负荷预测结果的可信度估计，Piu′和Pid′为i节点上下层负荷预测结果协调处理后的预测值。
图3中节点C协调处理后的下层负荷预测结果为：PCu′和PCd′。
4)其中根据节点上层负荷预测结果的调整量对各子预测结果进行修正的具体方法如下：
ΔPiu＝Piu′-Piu (7)
Figure BDA0001366317620000122
Pik′＝Pik+ΔPik (9)
其中，ΔPiu为i节点上层负荷预测结果的调整量，ΔPik为i节点上层电压等级输电支路k预测结果的调整量，Eik为i节点上层电压等级输电支路k预测结果的可信度估计，Pik′为i节点上层电压等级输电支路k预测结果的修正值。
根据节点下层负荷预测结果的调整量对各子预测结果进行修正的具体方法如下：
ΔPid＝Pid′-Pid (10)
Figure BDA0001366317620000123
Pig′＝Pig+ΔPig,Pil′＝Pil+ΔPil,Pik′＝Pik+ΔPik (13)
其中，ΔPid为i节点下层负荷预测结果的调整量，∑Eis为节点下层各子预测结果可信度估计之和，Eig、Eil和Eik分别为i节点下层电压等级发电设备g、直接负荷l和输电支路k预测结果的可信度估计，ΔPig、ΔPil和ΔPik为i节点下层电压等级发电设备g、直接负荷l和输电支路k预测结果的调整量，Pig′、Pil′和Pik′为i节点下层电压等级发电设备g、直接负荷l和输电支路k预测结果的修正值。
图2中节点C计算得到各预测结果的调整量和修正值。
(5)依次对负荷节点间的预测结果进行协调：1)各负荷节点交换输电支路预测结果及可信度信息；2)依次对负荷节点的输电支路预测结果进行线损补偿处理；3)根据两侧节点提供的可信度信息对连接两侧节点的输电支路预测结果进行协调处理；4)根据各输电支路协调后的预测结果重新计算各负荷节点的上下层负荷预测结果。
1)图2中节点C与节点A、D、E、F、G交换输电支路2、3、5、6、7、8的预测结果及可信度信息；
2)其中对输电支路预测结果进行线损补偿处理的具体方法如下：
步骤(2)和(3)中使用最小二乘支持向量机得出的输电支路预测结果存在正负之分，代表输电支路上的潮流方向。对于负荷节点，预测结果为正时潮流流入节点，预测结果为负时潮流流出节点。因为预测过程中输电支路的损耗也会计入负荷，所以应对潮流流入节点的预测结果进行线损补偿处理。取输电支路历史数据中与预测结果最相近的多个样本计算样本线损值并取平均作为预测线损值，对预测结果进行补偿，公式如下：
Figure BDA0001366317620000141
Pik″＝Pik′+ΔPkC (15)
其中，ΔPkC为线损估计值，N为样本数量，In为线路相电流，R为线路电阻，Pik′为输电支路k在i节点内部协调后的预测结果，Pik″为输电支路k线损补偿处理后的预测结果。
图2中节点C上线路2和线路3的潮流方向是流入节点C，因此线损补偿后的预测结果为PCk2″、PCk3″，其余节点做相同处理。
3)其中根据可信度对线路预测结果进行协调处理的具体方法如下：
Figure BDA0001366317620000142
其中，Pik″为i节点对输电支路k线损补偿处理后的预测结果，Pjk′为输电支路k在j节点内部协调后的预测结果，Eik为i节点对输电支路k预测结果的可信度估计，Ejk为j节点对输电支路k预测结果的可信度估计，Pik″′和Pjk″为节点对线路预测结果协调处理后的预测值。
对图2中节点C上线路2进行协调处理，
Figure BDA0001366317620000143
得到协调处理后的预测结果PCk2″′，其余节点和线路做相同处理。
4)其中重新计算节点上层负荷预测结果，具体计算方法如下：
其中，Piu″为重新计算后的节点上层负荷预测结果。
如图2和图3所示，节点C重新计算上层负荷预测结果：PCu″＝PCk2″′+PCk3″′+PCk5″。
重新计算节点下层负荷预测结果，具体计算方法如下：
其中，Pid″为重新计算后的节点下层负荷预测结果。
节点C重新计算下层负荷预测结果：PCd″＝PCk6″+PCk7″+PCk8″+PCg1′+PCl1′。
(6)判断全网预测协调是否完成，若没有完成，则按照步骤(4)～(5)依次迭代协调，直至判据收敛。
其中具体判别式如下：
Figure BDA0001366317620000152
其中，I为全网负荷节点的数量，ε为选定的判定阈值。
(7)输出协调后的全网节点负荷预测结果。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (17)

1.一种计及支路量测数据的短期负荷协调预测方法，其特征是：包括以下步骤：
(1)根据电网结构对负荷节点进行区域划分，确定负荷预测结果的协调范围；
(2)各个负荷节点提取本节点上层电压等级输电支路历史功率数据，并基于历史功率数据预测本节点所有上层电压等级输电支路的末端功率，作为其子预测结果；
(3)各个负荷节点提取本节点下层电压等级发电设备、直接负荷和输电支路历史功率数据，并基于历史功率数据预测本节点所有下层电压等级发电设备输出功率、直接负荷吸收功率和输电支路首端功率，作为其子预测结果；
(4)依次计算各个负荷节点内部上下层负荷预测结果，对各预测结果的可信度进行估计，作为协调权重，根据可信度信息对节点内部上下层的负荷预测结果进行协调处理，根据节点负荷预测结果的调整量对各子预测结果进行修正；
(5)依次计算各负荷节点交换输电支路预测结果及可信度信息，对负荷节点的输电支路预测结果进行线损补偿处理，根据两侧节点提供的可信度信息对连接两侧节点的输电支路预测结果进行协调处理，根据各输电支路协调后的预测结果重新计算各负荷节点的上下层负荷预测结果；
(6)判断全网预测协调是否完成，若没有完成，则按照步骤(4)～(5)依次迭代协调，直至设置的判据收敛；
(7)输出协调后的全网节点负荷预测结果。
2.如权利要求1所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：所述步骤(2)中，使用最小二乘支持向量机算法进行预测各个节点所有上层电压等级输电支路的末端功率。
3.如权利要求2所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：基于支路量测数据的最小二乘支持向量机预测模型如下：
Figure FDA0002287319780000021
其中xi为输入数据，包含输电支路的历史功率数据、天气数据和典型日数据；yi为输出数据，包含输电支路的末端功率预测值；p为状态变量的数量；ωj表示不同状态变量下，支持向量机预测模型待求的参数；n为训练样本的数量；C为支持向量机预测模型的超参数；ξi为松弛变量；A为代表支路连接关系的关联矩阵；φ(·)为将输入数据投射到高维空间的核函数；ω和b是支持向量机预测模型待求的参数。
4.如权利要求1所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：所述步骤(3)中，使用最小二乘支持向量机算法进行预测各个节点所有下层电压等级发电设备输出功率、直接负荷吸收功率和输电支路首端功率。
5.如权利要求4所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：节点下层各待预测量的最小二乘支持向量机预测模型具体如下：
其中xi为输入数据，包含发电设备、直接负荷、输电支路的历史功率数据、天气数据和典型日数据；yi为输出数据，包含发电设备输出功率、直接负荷吸收功率和输电支路的首端功率预测值；p为状态变量的数量；n为训练样本的数量；C为支持向量机预测模型的超参数；ξi为松弛变量；A为代表支路连接关系的关联矩阵；φ(·)为将输入数据投射到高维空间的核函数；ω和b是支持向量机预测模型待求的参数。
6.如权利要求1所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：所述步骤(4)中，负荷节点内部上层负荷预测结果计算方法如下：
Figure FDA0002287319780000031
其中，Piu为i节点上层的节点负荷预测结果，Ku为i节点连接的上层电压等级输电支路的数量，Pik为输电支路k末端功率的预测结果。
7.如权利要求1所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：所述步骤(4)中，负荷节点内部下层负荷预测结果计算方法如下：
Figure FDA0002287319780000032
其中，Pid为i节点下层的节点负荷预测结果，G为i节点连接的下层电压等级发电设备的数量，Pig为发电设备g输出功率的预测结果，L为i节点连接的下层电压等级直接负荷的数量，Pil为直接负荷l吸收功率的预测结果，Kd为i节点连接的下层电压等级输电支路的数量，Pik为输电支路k首端功率的预测结果。
8.如权利要求1所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：所述步骤(4)中，各预测结果可信度估计过程如下：
选取预测结果的均方根误差作为预测结果的可信度，计算方法如下：
Figure FDA0002287319780000033
其中，Rt为实际功率，Pt为预测功率，N为选取的样本数量。
9.如权利要求1所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：所述步骤(4)中，根据可信度信息对节点内部上下层的负荷预测结果进行协调处理的具体方法如下：
Figure FDA0002287319780000041
其中，Piu和Pid为i节点上下层的节点负荷预测结果；Eiu为i节点上层负荷预测结果的可信度估计，Eid为i节点下层负荷预测结果的可信度估计，Piu′和Pid′为i节点上下层负荷预测结果协调处理后的预测值。
10.如权利要求1所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：所述步骤(4)中，每个节点协调处理后，根据节点上层和下层负荷预测结果的调整量分别对节点所有上层电压等级输电支路预测结果和节点下层电压等级发电设备、直接负荷和输电支路预测结果进行修正。
11.如权利要求10所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：上层预测结果修正具体方法如下：
ΔPiu＝Piu′-Piu (7)
Pik′＝Pik+ΔPik (9)
其中，Piu为i节点上层的节点负荷预测结果；Piu′为i节点上层负荷预测结果协调处理后的预测值；ΔPiu为i节点上层负荷预测结果的调整量，ΔPik为i节点上层电压等级输电支路k预测结果的调整量，Eik为i节点上层电压等级输电支路k预测结果的可信度估计，Pik为输电支路k末端功率的预测结果；Pik′为i节点上层电压等级输电支路k预测结果的修正值；Ku为i节点连接的上层电压等级输电支路的数量。
12.如权利要求1所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：所述步骤(4)中，下层预测结果修正具体方法如下：
ΔPid＝Pid′-Pid (10)
Figure FDA0002287319780000051
Figure FDA0002287319780000052
Pig′＝Pig+ΔPig,Pil′＝Pil+ΔPil,Pik′＝Pik+ΔPik (13)
其中，Pid为i节点下层的节点负荷预测结果，Pid′为i节点下层负荷预测结果协调处理后的预测值，G为i节点连接的下层电压等级发电设备的数量，L为i节点连接的下层电压等级直接负荷的数量，Kd为i节点连接的下层电压等级输电支路的数量，Pig为发电设备g输出功率的预测结果，Pil为直接负荷l吸收功率的预测结果，Pik为输电支路k首端功率的预测结果，ΔPid为i节点下层负荷预测结果的调整量，∑Eis为节点下层各子预测结果可信度估计之和，Eig、Eil和Eik分别为i节点下层电压等级发电设备g、直接负荷l和输电支路k预测结果的可信度估计，ΔPig、ΔPil和ΔPik为i节点下层电压等级发电设备g、直接负荷l和输电支路k预测结果的调整量，Pig′、Pil′和Pik′为i节点下层电压等级发电设备g、直接负荷l和输电支路k预测结果的修正值。
13.如权利要求1所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：所述步骤(5)中，对输电支路预测结果进行线损补偿处理的具体方法如下：
(5-1)利用最小二乘支持向量机得出的输电支路预测结果存在正负，分别表示输电支路上的潮流方向，对于负荷节点，预测结果为正时潮流流入节点，预测结果为负时潮流流出节点；
(5-2)取输电支路历史数据中与预测结果最相近的多个样本计算样本线损值并取平均作为预测线损值，对预测结果进行补偿。
14.如权利要求13所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：所述步骤(5-2)为：
Figure FDA0002287319780000061
Pik″＝Pik′+ΔPkC (15)
其中，ΔPkC为线损估计值，N为样本数量，In为支路相电流，R为支路电阻，Pik′为输电支路k在i节点内部协调后的预测结果，Pik″为输电支路k线损补偿处理后的预测结果。
15.如权利要求1所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：所述步骤(5)中，根据可信度对支路预测结果进行协调处理的具体方法如下：
Figure FDA0002287319780000062
其中，Pik″为i节点对输电支路k线损补偿处理后的预测结果，Pjk′为输电支路k在j节点内部协调后的预测结果，Eik为i节点对输电支路k预测结果的可信度估计，Ejk为j节点对输电支路k预测结果的可信度估计，Pik″′和Pjk″为节点对支路预测结果协调处理后的预测值。
16.如权利要求1所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：所述步骤(5)中，协调处理后，根据各输电支路协调后的预测结果重新计算各负荷节点的上下层负荷预测结果；
重新计算节点上层负荷预测结果方法如下：
Figure FDA0002287319780000071
其中，Piu″为重新计算后的节点上层负荷预测结果，Ku为i节点连接的上层电压等级输电支路的数量，Pik″′为节点对线路预测结果协调处理后的预测值；
重新计算节点下层负荷预测结果方法如下：
Figure FDA0002287319780000072
其中，Pid″为重新计算后的节点下层负荷预测结果，G为i节点连接的下层电压等级发电设备的数量,L为i节点连接的下层电压等级直接负荷的数量，Kd为i节点连接的下层电压等级输电支路的数量,Pig′、Pil′为i节点下层电压等级发电设备g、直接负荷l预测结果的修正值，Pik″′为节点对线路预测结果协调处理后的预测值。
17.如权利要求1所述的一种计及支路量测数据的短期负荷协调预测方法，其特征是：所述步骤(6)中，判断全网协调是否完成，具体判别式如下：
Figure FDA0002287319780000073
其中，I为全网负荷节点的数量，ε为选定的判定阈值，ΔPiu为i节点上层负荷预测结果的调整量，ΔPid为i节点下层负荷预测结果的调整量，ΔPig为i节点下层电压等级发电设备g预测结果的调整量、ΔPil为i节点下层电压等级直接负荷l预测结果的调整量，ΔPik为i节点上层、下层电压等级输电支路k预测结果的调整量，G为i节点连接的下层电压等级发电设备的数量，L为i节点连接的下层电压等级直接负荷的数量，Ku为i节点连接的上层电压等级输电支路的数量，Kd为i节点连接的下层电压等级输电支路的数量。
CN201710643201.7A 2017-07-31 2017-07-31 一种计及支路量测数据的短期负荷协调预测方法 Active CN107689627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710643201.7A CN107689627B (zh) 2017-07-31 2017-07-31 一种计及支路量测数据的短期负荷协调预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710643201.7A CN107689627B (zh) 2017-07-31 2017-07-31 一种计及支路量测数据的短期负荷协调预测方法

Publications (2)

Publication Number Publication Date
CN107689627A CN107689627A (zh) 2018-02-13
CN107689627B true CN107689627B (zh) 2020-02-14

Family

ID=61153093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710643201.7A Active CN107689627B (zh) 2017-07-31 2017-07-31 一种计及支路量测数据的短期负荷协调预测方法

Country Status (1)

Country Link
CN (1) CN107689627B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222879B (zh) * 2019-05-17 2023-02-10 广东电网有限责任公司电力调度控制中心 一种考虑置信区间的系统-母线负荷预测协调方法及装置
CN110568298B (zh) * 2019-10-17 2021-12-21 国家电网有限公司 一种在线监测直流线路损耗的装置及方法
CN113675844B (zh) * 2021-08-05 2022-09-27 湘潭大学 一种多节点电力负荷预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488869A (zh) * 2013-08-23 2014-01-01 上海交通大学 一种最小二乘支持向量机的风力发电短期负荷预测方法
CN104850918A (zh) * 2015-06-02 2015-08-19 国网山东省电力公司经济技术研究院 一种计及电网拓扑约束的节点负荷预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8890505B2 (en) * 2007-08-28 2014-11-18 Causam Energy, Inc. System and method for estimating and providing dispatchable operating reserve energy capacity through use of active load management
WO2015189991A1 (ja) * 2014-06-13 2015-12-17 三菱電機株式会社 発電量推定装置および発電量推定方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488869A (zh) * 2013-08-23 2014-01-01 上海交通大学 一种最小二乘支持向量机的风力发电短期负荷预测方法
CN104850918A (zh) * 2015-06-02 2015-08-19 国网山东省电力公司经济技术研究院 一种计及电网拓扑约束的节点负荷预测方法

Also Published As

Publication number Publication date
CN107689627A (zh) 2018-02-13

Similar Documents

Publication Publication Date Title
Kamwa et al. Automatic segmentation of large power systems into fuzzy coherent areas for dynamic vulnerability assessment
CN107689627B (zh) 一种计及支路量测数据的短期负荷协调预测方法
CN107730151B (zh) 一种基于概念性水文模型的流域设计洪水推求方法
CN108898251B (zh) 考虑气象相似性和功率波动的海上风电场功率预测方法
CN109800863B (zh) 一种基于模糊理论和神经网络的测井相识别方法
CN108053128B (zh) 一种基于elm和tf的电网暂态稳定快速评估方法
CN111523785A (zh) 一种基于生成对抗网络的电力系统动态安全评估方法
CN113762625B (zh) 一种基于图卷积网络的配电网状态评估方法和系统
CN113532397B (zh) 一种基于扩展算法的分区域高程异常拟合方法
Liu et al. Data-driven transient stability assessment model considering network topology changes via mahalanobis kernel regression and ensemble learning
CN105930900B (zh) 一种混合风力发电的预测方法及系统
CN104933483A (zh) 一种基于天气过程划分的风电功率预测方法
CN111460374A (zh) 一种考虑节点差异性的配电网d-pmu优化配置方法
CN115049163B (zh) 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置
CN116227538B (zh) 基于聚类和深度学习的小电流接地故障选线方法及设备
Abdel-Majeed et al. Usage of Artificial Neural Networks for pseudo measurement modeling in low voltage distribution systems
CN116319377A (zh) 一种抵御网络攻击的配电网分布式动态状态估计方法
Svendsen Grid model reduction for large scale renewable energy integration analyses
CN105932673A (zh) 一种含大规模新能源的大型互联电网的外网等值方法
CN113991711B (zh) 一种光伏电站储能系统容量配置方法
CN109638892A (zh) 一种基于改进模糊聚类算法的光伏电站等值建模方法
CN114266396A (zh) 一种基于电网特征智能筛选的暂态稳定判别方法
CN105260521A (zh) 一种基于层次分析法的负荷融合建模方法
Zhang et al. A right-hand side function surrogate model-based method for the black-box dynamic optimization problem
CN112101393B (zh) 一种风电场风机聚类方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 250003 2000 Wang Yue Road, Ji'nan, Shandong

Applicant after: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co.

Applicant after: SHANDONG University

Applicant after: STATE GRID CORPORATION OF CHINA

Address before: 250003 2000 Wang Yue Road, Ji'nan, Shandong

Applicant before: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co.

Applicant before: Shandong University

Applicant before: State Grid Corporation of China

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20180801

Address after: 250003 2000 Wang Yue Road, Ji'nan, Shandong

Applicant after: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co.

Applicant after: STATE GRID CORPORATION OF CHINA

Address before: 250003 2000 Wang Yue Road, Ji'nan, Shandong

Applicant before: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co.

Applicant before: Shandong University

Applicant before: State Grid Corporation of China

GR01 Patent grant
GR01 Patent grant