CN111160626B - 一种基于分解融合的电力负荷时间序列控制方法 - Google Patents

Abstract

本发明公开了一种基于分解融合的电力负荷时间序列控制方法，所述方法包括：获取原始负荷时间序列；利用变分模式分解将原始负荷时间序列分解为准正交固有模式函数分量；对各分量进行数据预处理形成各分量的原始输入特征集；运用广义互信息从原始输入特征集中提取各分量的最佳输入特征集；根据各分量的频率选择预测模型的核函数，建立LSSVM负荷预测模型；对每个分量分别使用LSSVM负荷预测模型进行预测，通过叠加这些分量的预测值得到最终的预测结果；基于所得预测结果对输电线路中的电力负荷进行控制。本发明提高了电力负荷预测的精度和效率，通过预测的结果对输电线路中的电力负荷进行控制，提高了输电线路的安全性。

Description

一种基于分解融合的电力负荷时间序列控制方法

技术领域

本发明涉及电力系统领域，尤其涉及一种基于分解融合的电力负荷时间序列控制方法。

背景技术

负荷预测技术一直以来不断发展，大致可将其分为传统负荷预测方法和人工智能预测方法。传统负荷预测方法主要可以分为回归分析法、时间序列法、灰色模型法和趋势外推法等。

人工智能预测方法以人工智能作为基础，是一种新兴的学科理论。因其具有很强的自适应和复杂函数拟合能力，可对大量的非确定性规律进行自学习表达，已逐渐在电力系统的短期负荷预测中发挥作用。人工智能负荷预测方法包括：模糊逻辑系统(FLS)、灰色系统理论(GST)、人工神经网络(ANN)、支持向量机法(SVM)等等。其中应用最广泛的是支持向量机法和人工神经网络。

随着数据收集和数据存储技术的快速进步，负荷影响因素的数量、种类、随机性日益复杂，使用单一的负荷预测方法的预测速度与预测精度已经难以满足要求，而综合多种数据处理方法与智能算法的组合预测方法可以取长补短，得出更稳定可靠的负荷预测结果。

发明内容

本发明提供了一种基于分解融合的电力负荷时间序列控制方法，本发明提高了电力负荷的预测精度和效率，通过预测的负荷结果对输电线路中的电力负荷进行控制，降低了输电线路的故障率，提高了输电线路的安全性，详见下文描述：

一种基于分解融合的电力负荷时间序列控制方法，所述方法包括：

获取原始负荷时间序列；

利用变分模式分解将原始负荷时间序列分解为准正交固有模式函数分量；

对各分量进行数据预处理形成各分量的原始输入特征集；

运用广义互信息从原始输入特征集中提取各分量的最佳输入特征集；

根据各分量的频率选择预测模型的核函数，建立LSSVM负荷预测模型；采用LSSVM负荷预测模型对每个分量分别进行负荷预测，叠加所有分量的预测值得到最终的预测结果；

基于最终的预测结果对电力负荷时间序列进行控制。

所述对各分量进行数据预处理形成各分量的原始输入特征集具体为：

选出影响历史数据时间序列变化的m个因素；从各影响因素数据中取出对应原始负荷时间序列的n个数据元素并形成特征列向量；

组合各影响因素特征数据，形成矩阵；对负荷数据进行对数化、归一化处理、反对数化处理，形成数据矩阵；

取数据矩阵的每一列为一个特征即可获得原始特征集。

所述运用广义互信息从原始输入特征集中提取各分量的最佳输入特征集具体为：

从原始特征集中提取特征，计算出相应的互信息；计算出每个特征的GMI大小并找到使得GMI值最大的x_i，将原X中的x_i元素去除，依次选取各分量的GMI最大时对应的特征，输入原为空集的S，形成各分量的最佳输入特征集；

判断S集中的元素个数是否为k，为k时S即为通过计算GMI值得出最佳特征集；

将各分量的最佳输入特征集分别输入LSSVM负荷预测模型；使用LSSVM负荷预测得到各分量的预测结果；通过叠加这些分量的预测值得到最终的预测结果

本发明提供的技术方案的有益效果是：

1、本发明通过VMD(变分模式分解)将历史数据时间序列分解，然后利用GMI(广义互信息)从影响因素和所得历史数据中提取最优特征集作为预测模型的输入，最后利用LSSVM(最小二乘支持向量机)模型对分解的每个分量进行预测，再通过叠加所有分量的预测值得到最终的负荷预测结果；

2、本发明提取局部特征，减少输入特征数量，充分考虑各种因素的影响，减少不确定因素，并促使算法空间复杂性得到降低，从而提高负荷预测的效率提高收敛速度，同时可充分考虑外部敏感因素的影响，提高了负荷预测的精度，基于得到了负荷预测结果，对实际的输电线路中的负荷进行控制，提高了输电线路的安全性，降低了输电线路的故障率。

附图说明

图1为基于分解融合的电力负荷时间序列控制方法的流程图；

图2为LSSVM预测模型负荷预测流程图；

图3为预测模型负荷实际值和预测值的曲线。

表1为负荷预测相对误差统计；

表2为负荷预测平均相对误差统计。

具体实施方式

为使本发明的目的、技术方案和优点更加清晰明确，下面对本发明实施方式作进一步地详细描述。

如图1所示，本发明实施例提供的基于人工智能算法的电力负荷控制方法，该方法包括：

(一)获取原始负荷时间序列；

原始负荷时间序列主要通过数据采集与监视控制系统(SCADA)或高级量测体系(AMI)获取。SCADA系统在远动系统中起到重要作用，是在电力系统中最广泛的、技术发展最成熟的系统，它可以对现场资源例如运行设备进行监控，实现数据采集、数据测量、设备控制、参数设置以及各类信号报警等各项功能，在当前的变电站综合自动化系统建设中占有重要地位。

因为SCADA系统的故障会导致数据点不好，在SCADA系统正常情况下，重大灾害等特殊事件也会导致数据失真。异常数据的产生具有分布随机性和不确定性的特点，大量异常数据都是单一的或重叠的。通过对用户用电量负荷曲线的分析，可以看出其具有一定的平滑性和相似性，用户负荷在短时间内不会突然变化，因此可以利用纵向相似性原理来识别异常数据点。纵向相似性是指对应日期与相邻日期在同一时间段内负荷曲线的相似性，包括负荷值的微小变化和高峰负荷时间的微小差异。判定纵向相似性的一种常用方法是根据相邻日期同一时刻的负荷值求出平均值并设置阈值。如果两个值之间的差异超过阈值，则将其确定为异常数据点。具体如下：

假设采用纵向比较法时用L(p，Q)表示负荷序列数据，其中p＝1，2，...，288表示按五分钟取样间隔得到的一天中的288个时刻，Q＝1，2，...，N表示取样天数。

根据等式(1)求出样本的平均值：

根据等式(2)求出各时刻对应的方差：

如果满足等式(3)，则将该数据点判断为坏数据点：

使用公式(2)中的平均值修改坏数据点，无需改变正常的数据。通过上述纵向相似性方法，可以迅速、方便地发现和纠正原始数据中的异常数据。校正异常数据点时数据集中的正常数据点保持不变。

(二)利用VMD将原始负荷时间序列分解为准正交固有模式函数分量；

VMD通过非递归方式将多分量信号分解为多个准正交固有模式函数。与LMD(局部平均分解)和EMD(经验模态分解)相比，VMD避免了在计算递归和结束效果期间引起的误差。

VMD分解原始负荷时间序列具体包括：

(1)变分问题的构建

f(t)是一个输入信号，{u_k}＝{u₁,…,u_K}为分解得到的K个有限带宽的分量，{w_k}＝{w₁,…,w_K}表示各个带宽的中心频率，k为模式数。

1)通过希尔伯特变换得到每种模式的解析信号，得到单边谱：

其中，σ(t)为狄拉克函数，t是时间脚本，*表示卷积。

2)分析信号由相应的中心频率调制：

计算这些调制信号的梯度范数，并估计每种模式的带宽，变分问题如下所示。

其中，f(t)为该输入信号。

(2)变分问题的解决方案

1)引入二次惩罚因子α和拉格朗日乘法算子λ(t)将原始约束问题转化为非约束变分问题，其中α可以保持重建的准确性，而且λ(t)可以确保非约束变分问题等同于原始问题。如下所示。

其中，L{{u_k},{w_k},λ}为扩展后的拉格朗日表达式。

提出的变异问题由ADMM(乘法器的替代方向法)解决，它可以通过更新和来确定拉格朗日表达式的鞍点。

其中，可以使用如下公式更新：

当w_k与为相同的参数时，可以通过以下Parseval傅里叶等距变换在频谱域中求解：

其中，λ(ω),/>为傅里叶变换后的f(t)λ(t)u_k(t)，/>为在频谱中平移ω_k的/>sgn(ω+ω_k)为符号函数，/>为解决方案函数。

将ω用ω-ω_k代替可得，

可在非负频率上变为半空间积分：

这种二次优化问题的解决方案可以定义为：

该解决方案与当前残差的维纳滤波相同。

是时域中逆傅里叶变换形式的/>以类似的方式，中心频率可以更新为：

该可以视为相应模式功率谱的重心。

根据ADMM算法，可以更新为：

最后，可以获得VMD算法。

(三)对各分量进行数据预处理形成各分量的原始输入特征集；

根据电力负荷特点分析，温度、日期的类型及天气等因素都将可能造成短期负荷的波动，同时大量数据统计分析表明温度和湿度对负荷的波动的影响较大，所以，在建立预测模型时，根据与负荷变化有关因素的相关性分析，主要考虑温度，日类型和湿度对短期负荷波动的影响。

(1)选出影响历史数据时间序列变化的m个因素；

具体包括：影响原始负荷时间序列变化的因素有天气(温度，湿度，光照强度，风速)需求侧管理(电价)、日类型以及近期负荷变化规律等；

其中，天气因素的数据获取可以通过天气预报系统事先预知；需求侧管理的数据可以通过电网相关部门获取。

数据化日类型以便进行数据处理，使用1～12依次表示一月至十二月，1～7依次表示周一至周日，1～24依次表示一天中1至24小时，使用1和0分别表示节假日和非节假日；

其中，近期负荷变化规律，遵循预测中“近小远大”的原则，即物理量未来的变化趋势与远期数据关系不大，更多地取决于历史时段中近期数据的发展规律。

(2)从各影响因素数据中取出对应原始负荷时间序列的n个数据元素并形成特征列向量；

本实施例以我国某地电网2017年4月1日至6月30日2184h负荷时间序列的实际数据作为实验数据集，每隔一小时取一个数据点，2184h负荷时间序列就有2184个数据元素，各影响因素数据就取负荷时间序列对应的2184(所述n＝2184)个数据元素，以每个影响因素数据作为一个列向量，则m个因素构成m个特征列向量。

(3)组合各影响因素特征数据，形成矩阵F_n×m；

具体包括：将形成的m个因素构成的m个特征列向量组合为矩阵F_n×m。

(4)负荷数据的对数化处理；

具体包括：利用公式x′_ij＝lg(xi_j)，对负荷采用对数处理；

其中，x_ij为原负荷数据，x′_ij为对数化后的负荷数据。

(5)负荷数据的归一化处理；

具体包括：温度数据的归一化处理；日类型的规格化；湿度数据的规格化。

其中，温度数据的归一化处理，具体为利用公式T′_ij＝(T_ij-T_jmin)/(T_jmax-T_jmin)计算出归一化的温度值，其中，T_ij为原始温度；T_jmin，T_jmax分别为T_1j，T_2j，…，T_nj中的最小值、最大值；T′_ij为规格化后的温度系数。

日类型的规格化，具体为根据前面的负荷特性分析，考虑到负荷波动的周期性，将一周内不同的日类型用不同的数字来表示。

湿度数据的规格化，具体为将原始的湿度数据已经归一化为[0，1]之间、没有量纲以及有相同尺度的值。消除模型训练过程中单位，量纲和数量级的影响。

(6)负荷数据的反对数化处理，形成数据矩阵；

具体包括：规格化处理后，所有特征量的值都变换到[0，1]的区间内，对预测后的负荷数据进行反对数化处理，形成归一化后的F_n×m矩阵。

(7)取矩阵的每一列为一个特征即可获得原始特征集F_m＝{x₁，x₂…x_m}，其中x_m为特征；

具体包括：

取F_n×m矩阵的每一列为一个特征向量即可获得原始特征集合F_m＝{x₁，x₂…x_m}，其中x_m为特征向量。

(四)运用GMI从原始输入特征集中提取各分量的最佳输入特征集；

具体步骤包括：

(1)从F_m中提取特征，对于特征X_i∈X，利用公式(16)计算出相应的互信息；

其中，p(x,y)是X和Y的联合概率分布函数，而p(x)和p(y)分别是X和C的边缘概率分布函数。

(2)根据公式(17)计算出每个特征的GMI大小并找到使得GMI值最大的x_i，将原X中的x_i元素去除。

其中，C为目标列标签；I(x_i,C)指特征x_i和目标类标签之间的互信息；I(x_i；x_s；C)指特征x_i、特征x_s与目标类标签之间的互信息。

依次选取各分量的GMI最大时对应的特征，输入原为空集的S，形成各分量的最佳输入特征集；

(3)判断S集中的元素个数是否为k，为k时S＝{x₁，x₂…x_k}即为通过计算GMI值得出最优特征集S；

(4)将各分量的最佳输入特征集S₁,S₂…S_n分别输入此LSSVM负荷预测模型；

(5)得到各个分量分别的预测结果Y₁,Y₂…Y_n；

(6)将所有分量预测值合并得到最终结果

其中，GMI方法具体包括：通过两个特征x_i和x_s以及子集S＝(x₁,x₂,…,x_k)作为由具有类别标签C的最大化MI产生的最优秀的特征子集，即I(C；S)。在I(x；_i；x)_sS示出了最大相关性，并相反地，最小化之间的冗余x_i和x_s基于联合概率共享。

其中，C为第三个属性，在获得B和C的信息后，根据公式(18)可知A仍有多少不确定性：

H(A|BC)＝H(ABC)-H(BC) (18)

想了解C如何影响两个子集之间的交互：A和B。这个想法是通过条件MI获得的。

根据公式(20)，I(A；B；C)定义为通过连接属性X和S减少不确定性。因此，它可以是零，负或正。事实证明它比传统的MI方案明显更好。

候选特征的相关性和冗余度可以通过公式(21)确定：

公式(21)中右手边的第二项I(x_i；x_s；C)表示冗余。方程式中x_i和C之间的联合MI，其测量输入候选特征如何与类标签相关。所选择的输入候选特征是使方程中的目标函数最大化的特征。它与类标签和最相关max-min与所选功能的交互。这种规模的增强是其选择具有最大辨别力的候选特征的工具。

(五)根据各分量的频率选择预测模型的核函数，建立LSSVM负荷预测模型；采用LSSVM负荷预测模型对每个分量分别进行负荷预测，叠加所有分量的预测值得到最终的预测结果。

其中，LSSVM预测模型，在负荷预测研究中得到广泛应用。结合电力系统负荷的特性，建立基于最小二乘支持向量机的负荷预测模型，考虑到负荷的日周期性非常明显，即各天同一时刻的负荷值之间都是相似的，所以在建立模型时，是以一天为整体，分别对每一小时建模，即建立了24个以小时为单位的预测模型，然后整合即可得到一天的预测值。

其具体步骤如下：

(1)设已知训练样本为S＝{(x₁,y₁),......,(x_l,y_l)}∈Rⁿ*R；

(2)根据负荷特性和实际情况选择合适的正则化参数C，选择合适的核函数K(x,x')及其参数δ；

(3)构造最优化函数式，求解最优解

(4)构造决策函数并且按照下式计算b的值

(5)用得到的决策函数对要求的负荷点进行负荷预测。

具体的程序流程如图2。

对于参数的选择和设置，最小二乘支持向量机中要选的参数只有正则化参数C和核函数参数σ。C表征的是对超出误差的样本的惩罚程度，C值取得小，则惩罚力度小，使对模型的训练误差增大，可以提高预测模型的推广能力；C值取得大，对应惩罚力度就大，预测模型的训练误差变小，降低了模型的推广能力。根据以往负荷预测的模型建立经验，对最小二乘支持向量机中的正则化参数和和函数参数进行选择，分别取C＝30，σ＝2，预测结果比较理想，但对不同的地区，不同的时间，其历史数据是不同的，模型并不能通用，参数设置也各有特点，比如温度对负荷影响，其相关性和季节有密切的关系，所以，有必要针对特定条件，对参数进行优化。

对于预测模型评价指标，常用的计算和分析误差的方法和指标很多，主要包括：

(1)绝对误差(absolute error，AE)：

(2)相对误差(relative error，RE)：

(3)平均绝对误差(mean absolute error，MAE)：

(4)平均相对误差(mean absolute percentage error，MAPE)：

在本方法中，采用相对误差PE和平均相对误差MAPE两个评价指标作为负荷预测误差的评价标准。可以根据相对误差，更直观的看出相对于实际值，预测值和实际值的误差到底有多大。

基于最终的电力负荷预测结果对实际输电线路中的电力负荷进行控制，避免出现过载和问题，提高了输电线路的安全性，具体根据电力负荷预测结果对实际输电线路中的电力负荷进行控制的步骤为本领域技术人员所公知，本发明实施例对此不做赘述。

实施例3

对于负荷预测的实例分析，本方法的仿真环境为MATLAB R2017a，根据前面的分析，输入向量是前一天的最高温度、最低温度、平均温度、湿度、日类型和实际负荷值，前两天的同一时刻的实际负荷值以及当天的最高温度、最低温度、平均温度、湿度、日类型。以某地春季四个月(2月到5月)的历史负荷数据作为训练样本，用LSSVM模型对最后一周做负荷预测，所得结果与历史负荷数据做对比，进行验证和分析。并且选用相对误差来衡量每天24小时的预测误差，用平均绝对值百分数误差来衡量每天的预测误差。图3为3月18日预测负荷和实际负荷曲线对比图。

图中带方块的曲线为预测值，带圆圈的曲线为实测值。同时表1对一周内的平均误差进行了统计。

表1负荷预测在3月18日的相对误差统计

可以看出，在3月18日这一天，在负荷的峰谷误差最大，尤其为用电高峰期，预测误差明显变大，因为峰值时刻负荷的波动较大。

表2负荷预测平均相对误差统计

通过表2的统计数据可以看到，除了3月20日的预测误差较大之外，其他几天的预测误差都控制在了4％左右，相对来说效果还可以，但不是很理想。3月20日负荷波动较大可能是因断路器跳闸、检修设备等因素所引起，仅由负荷的变化数据并不能反映出具体的情况。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。

Claims (1)

1.一种基于分解融合的电力负荷时间序列控制方法，其特征在于，所述方法包括：

选出影响历史负荷数据时间序列变化的m个因素；从各影响因素数据中取出对应原始负荷时间序列的n个数据元素并形成特征列向量；

组合各影响因素特征数据，形成矩阵；对负荷数据进行对数化、归一化处理、反对数化处理，形成数据矩阵；

取数据矩阵的每一列为一个特征即可获得获取原始负荷时间序列；

利用变分模式分解将原始负荷时间序列分解为准正交固有模式函数分量；

对各分量进行数据预处理形成各分量的原始输入特征集；

运用广义互信息从原始输入特征集中提取各分量的最佳输入特征集；

根据各分量的频率选择预测模型的核函数，建立LSSVM负荷预测模型；对每个分量分别使用LSSVM负荷预测模型进行预测，通过叠加这些分量的预测值得到最终的预测结果；

基于所得预测结果对输电线路中的电力负荷进行控制，降低输电线路的故障率；

所述选出影响历史数据时间序列变化的m个因素具体为：

设待预测电力负荷时间序列为X₀＝[x₀(1),x₀(2),…,x₀(n)]，某一影响因素的时间序列为X_i＝[x_i(1),x_i(2),…,x_i(n)]，其中x₀(n)与x_i(n)分别为n时刻X₀与X_i的数值，且n为时间尺度；

根据公式计算时间序列在不同时刻的关联系数，式中F(k)为第k时刻的关联系数k∈(0,n)；/>是待预测电力负荷时间序列和某一影响因素的时间序列之间差值的最小值；/>是待预测电力负荷时间序列和某一影响因素的时间序列之间差值的最大值；λ∈(0,1)为分辨率；

通过公式计算两个时间序列的关联度r；

当r大于70％时，则该影响因素的时间序列被选为m个因素的其中一个；

所述运用广义互信息从原始输入特征集中提取各分量的最佳输入特征集具体为：

从原始特征集中提取特征，计算出相应的互信息；计算出每个特征的GMI大小并找到使得GMI值最大的x_i，将原X中的x_i元素去除，依次选取各分量的GMI最大时对应的特征，输入原为空集的S，形成各分量的最佳输入特征集；

判断S集中的元素个数是否为k，为k时S即为通过计算GMI值得出最佳特征集；

将各分量的最佳输入特征集分别输入LSSVM负荷预测模型；得到各分量的预测结果；

叠加各分量预测值得到最终预测结果。