CN113298296A - 一种自下而上的输电变电站日前负荷概率预测方法 - Google Patents

一种自下而上的输电变电站日前负荷概率预测方法 Download PDF

Info

Publication number
CN113298296A
CN113298296A CN202110501818.1A CN202110501818A CN113298296A CN 113298296 A CN113298296 A CN 113298296A CN 202110501818 A CN202110501818 A CN 202110501818A CN 113298296 A CN113298296 A CN 113298296A
Authority
CN
China
Prior art keywords
load
prediction
medium
day
ahead
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
Application number
CN202110501818.1A
Other languages
English (en)
Inventor
朱炳铨
谷炜
项中明
吴华华
苏宜靖
陆梦可
阙凌燕
崔建业
马翔
吕磊炎
方璇
黄剑峰
刘东红
吴敏敏
姚剑峰
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 Zhejiang Electric Power Co Ltd
Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Jinhua Power Supply Co of State Grid Zhejiang 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 Zhejiang Electric Power Co Ltd, Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202110501818.1A priority Critical patent/CN113298296A/zh
Publication of CN113298296A publication Critical patent/CN113298296A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力技术领域，涉及一种自下而上的输电变电站日前负荷概率预测方法，包括：以待预测变电站下属的中压配电变电站历史负荷曲线为基础，归一化后形成待聚类的中压配变负荷曲线数据集；对待聚类中压配电变电站负荷曲线进行聚类，将属于同一类的未归一化前的中压配电变电站负荷曲线进行累加，形成各类中压配电变电站历史负荷总和曲线；获取历史累加误差曲线；获取预测均值与预测方差；根据步各类中压配电变电站负荷以及累加误差的日前预测均值与预测方差，以累加方式获取输电变电站日前负荷预测均值与预测方差，并形成预测区间。本发明能有效克服现有方法的不足，能更准确地估计变电站负荷预测结果中的不确定性，并给出较窄的预测区间。

Description

一种自下而上的输电变电站日前负荷概率预测方法
技术领域
本发明涉及电力技术领域，特别涉及一种自下而上的输电变电站日前负荷概率预测方法。
背景技术
目前针对高压输电变电站短期负荷预测方法主要是基于采集自变电站本身的高压负荷数据。这种情况下，由于高压输变电站本身所包含的负荷量测设备较少，能用于高压负荷预测的信息量会受到限制，存在对输电变电站短期负荷预测的不确定性估计不足与概率预测精度不高的问题。
发明内容
本发明的目的是针对上述现有输电变电站概率负荷预测方法的不足，提出一种自下而上的输电变电站日前负荷概率预测方法。
为了达到上述目的，本发明所采用的技术方案如下：
一种自下而上的输电变电站日前负荷概率预测方法，具体包括如下步骤：
S1：以待预测变电站下属的中压配电变电站历史负荷曲线为基础，归一化后形成待聚类的中压配变负荷曲线数据集；
S2：采用K-means算法对待聚类中压配电变电站负荷曲线进行聚类，获得中压配电变电站负荷聚类结果，将属于同一类的未归一化前的中压配电变电站负荷曲线进行累加，形成各类中压配电变电站历史负荷总和曲线；
S3：根据各类中压配电变电站历史负荷总和曲线，以及输电变电站历史负荷曲线，获取历史累加误差曲线；
S4：根据各类中压配电变电站历史负荷总和曲线，以及历史累加误差曲线，采用基于前馈神经网络的概率负荷预测方法对各类中压配电变电站的日前负荷以及日前累加误差进行预测，获取预测均值与预测方差；
S5：根据步各类中压配电变电站负荷以及累加误差的日前预测均值与预测方差，以累加方式获取输电变电站日前负荷预测均值与预测方差，并形成预测区间。
优选的，所述步骤S1具体为：
针对待预测变电站下属的h个中压配电变电站的中压配电变电站历史负荷曲线集Yorigina＝[ynormalized,1,ynormalized,2,…,ynormalized,h]，采用max-min方法进行归一化，即：
Figure RE-GDA0003178906300000021
其中，yoriginal,t和ynormalized,t分别为原始负荷曲线和归一化后的负荷曲线的第t个元素，形成归一化后的历史累加误差曲线集Ynormalized。
优选的，所述步骤S2具体为：
采用K-means算法对归一化后的历史累加误差曲线集Ynormalized进行聚类，聚类的目标是各类类内距离最小，即：
Figure RE-GDA0003178906300000022
其中，ynormalized,j为第j条中压配电变电站负荷曲线，第i个ci为聚类中心向量。
采用DBI指标判断分类类数是否达到最优，其计算方法如下：
Figure RE-GDA0003178906300000023
式中，k为聚类类数，
Figure RE-GDA0003178906300000024
别表示第i类、第j类中的数据对象到相应类的聚类中心的平均距离，D(ci,cj)表示第i类到第j类的聚类中心的欧氏距离；计算得到DBI指标的最小值确定最优类数；
对于所有归属于同一聚类中心的中压配电变电站负荷曲线进行累加，形成k 类中压配电变电站历史负荷总和曲线yl，其中l＝1…k。
优选的，所述步骤S3具体为：
设输电变电站历史负荷曲线为yhv，基于k类中压配电变电站历史负荷总和曲线yl，计算历史累加误差曲线为：
Figure RE-GDA0003178906300000031
优选的，步骤S4具体为：
给定一个包含N对输入与输出的训练集：
Figure RE-GDA0003178906300000032
其中，xi＝[xi1,xi2,...,xid]是输入，yi是训练集的目标，一个具有nr个隐藏节点和激活函数g(·)的前馈神经网络表示为：
Figure RE-GDA0003178906300000033
其中，wj＝[wj1,wj2,...,wjd]T为连接第j个隐藏节点和输入节点的权重向量，βj为连接第j个隐藏节点和输出节点的权重向量，bj为第j个隐藏节点的阈值， f(xi；w,b,β)为FNN的输出；
当采用训练好的网络来预测t时刻的日前负荷值时，选择过去d天中t时刻的历史负荷值作为网络的输入xt，输入时间跨度d采用遍历法进行确定；
给定一个包含Ntest组输入输出的测试集
Figure RE-GDA0003178906300000034
其中xt＝[xt1,xt2,...,xtd]为输入，yt为实际负荷值，Ntest为测试样本数，在具体输入xt的情况下，对实际负荷值yt的预测可以用f(xt；w,b,β)表示；
在t时刻，实际负荷值yt被表示为预测值
Figure RE-GDA0003178906300000035
和预测误差εt之和，即：
Figure RE-GDA0003178906300000036
其中，预测误差εt由模型误差和数据误差造成，εt被表示为以上两类误差的和，即：
εt＝εm,t+εd,t (8)
其中，εm,t是模型参数、结构带来的误差，εd,t则是数据噪声带来的误差；
公式(8)中的模型误差与数据噪声误差的方差和总的预测误差的方差之间的关系被表示为：
Figure RE-GDA0003178906300000041
其中，
Figure RE-GDA0003178906300000042
为对应的模型误差εm,t的方差，
Figure RE-GDA0003178906300000043
为对应的数据噪声误差εd,t的方差；
采用相同的数据集训练具有随机初始权重和初始阈值的B个网络来预测t 时刻的负荷，假设
Figure RE-GDA0003178906300000044
是第h个网络给出的预测值，则所有B个网络给出的预测值的平均值表示为：
Figure RE-GDA0003178906300000045
将
Figure RE-GDA0003178906300000046
作为对t时刻负荷的点预测结果；
基于
Figure RE-GDA0003178906300000047
通过B个网络的输出来估计模型误差的方差如下：
Figure RE-GDA0003178906300000048
对于数据噪声方差，基于训练输入集变量xi，历史数据中的噪声方差估计如下：
Figure RE-GDA0003178906300000049
基于B个已训练的网络，如果
Figure RE-GDA00031789063000000410
是第h个网络给出的对yi的估计值，则历史数据噪声方差
Figure RE-GDA00031789063000000411
通过以下公式计算：
Figure RE-GDA00031789063000000412
为了得到t时刻的日前数据噪声方差，通过将训练集D中的训练输出yi替换为
Figure RE-GDA0003178906300000051
则得到一个新的训练集：
Figure RE-GDA0003178906300000052
在输入xt的情况下，根据公式(6)，采用训练集Dd训练的前馈神经网络预测数据噪声方差
Figure RE-GDA0003178906300000053
得到任意t时刻的日前中压概率负荷预测结果，其中包括确定性预测
Figure RE-GDA0003178906300000054
和预测方差
Figure RE-GDA0003178906300000055
给出一个训练集：
Figure RE-GDA0003178906300000056
其中，εa,i＝[εa,i1,εa,i2,...,εa,id]是历史上的累加误差，
Figure RE-GDA0003178906300000057
是对应的日前累加误差；根据公式(6)至(14)所示的步骤计算得到累加误差的点预测值
Figure RE-GDA0003178906300000058
以及预测误差的方差
Figure RE-GDA0003178906300000059
优选的，所述步骤S5具体为：
如果
Figure RE-GDA00031789063000000510
是第l条中压出线或第l个中压配变负荷的日前预测结果的均值，则高压变电站的日前负荷点预测结果的均值被表示为：
Figure RE-GDA00031789063000000511
如果
Figure RE-GDA00031789063000000512
是第l条中压出线或第l个中压配变负荷的日前预测结果的方差，则高压变电站的日前负荷点预测结果的方差被表示为：
Figure RE-GDA00031789063000000513
根据压变电站的日前负荷点预测结果的均值
Figure RE-GDA00031789063000000514
和方差
Figure RE-GDA00031789063000000515
t时刻的置信度为100(1-α)％的预测区间被表示为：
Figure RE-GDA00031789063000000516
其中，预测上限
Figure RE-GDA00031789063000000517
和预测下限
Figure RE-GDA00031789063000000518
由下式计算：
Figure RE-GDA0003178906300000061
Figure RE-GDA0003178906300000062
其中，z1-α/2表示标准高斯分布的临界值。
本发明的有益效果在于：
本发明提出了一种自下而上的输电变电站日前负荷概率预测方法，在所提方法中，中压负荷的预测均值和方差分别独立获得，并最终累加为高压输电变电站的负荷预测均值与方差，进一步形成预测区间。该方法能获得精度更高、预测区间更窄的概率负荷预测结果，从而能更好帮助电力公司建立发电计划、进行电力调度、分析潮流和监测高压变压器或输电线路的过载情况。
附图说明
图1为本发明一种自下而上的输电变电站日前负荷概率预测方法的流程示意图；
图2为本发明一种自下而上的输电变电站日前负荷概率预测方法中训练前馈神经网络的示意图。
具体实施方式
下面结合实施例和附图对本发明作进一步的说明。
本发明实施例提出一种自下而上的输电变电站日前负荷概率预测方法，如图1所示，具体包括如下步骤：
S1：以待预测变电站下属的中压配电变电站历史负荷曲线为基础，归一化后形成待聚类的中压配变负荷曲线数据集；
S2：采用K-means算法对待聚类中压配电变电站负荷曲线进行聚类，获得中压配电变电站负荷聚类结果，将属于同一类的未归一化前的中压配电变电站负荷曲线进行累加，形成各类中压配电变电站历史负荷总和曲线；
S3：根据各类中压配电变电站历史负荷总和曲线，以及输电变电站历史负荷曲线，获取历史累加误差曲线；
S4：根据各类中压配电变电站历史负荷总和曲线，以及历史累加误差曲线，采用基于前馈神经网络的概率负荷预测方法对各类中压配电变电站的日前负荷以及日前累加误差进行预测，获取预测均值与预测方差；
S5：根据步各类中压配电变电站负荷以及累加误差的日前预测均值与预测方差，以累加方式获取输电变电站日前负荷预测均值与预测方差，并形成预测区间。
上述技术方案中，进一步地，所述步骤S1具体为：
针对待预测变电站下属的h个中压配电变电站每15min一点的中压配电变电站历史负荷曲线集Yorigina＝[ynormalized,1,ynormalized,2,…,ynormalized,h]采用max-min方法进行归一化，即：
Figure RE-GDA0003178906300000071
其中，yoriginal,t和ynormalized,t分别为原始负荷曲线和归一化后的负荷曲线的第t个元素。形成归一化后的历史累加误差曲线集Ynormalized
进一步地，所述步骤S2具体为：
采用K-means算法对归一化后的历史累加误差曲线集Ynormalized进行聚类，聚类的目标是各类类内距离最小，即最小化：
Figure RE-GDA0003178906300000072
其中ynormalized,j为第j条中压配电变电站负荷曲线，第i个ci为聚类中心向量。
本实施例中采用DBI指标判断分类类数是否达到最优，采用戴维森堡丁指数(Davies-Bouldin Index，也称为分类适确性指标或DBI指标)确定最优聚类类数，其计算方法如下：
Figure RE-GDA0003178906300000081
式中k为聚类类数,
Figure RE-GDA0003178906300000082
别表示第i类、第j类中的数据对象到相应类的聚类中心的平均距离。D(ci,cj)表示第i类到第j类的聚类中心的欧氏距离。DBI越小意味着类内距离越小，类间距离越大分类效果越明显。由此，寻找DBI指标的最小值就可以快速确定最优类数。
对于所有归属于同一聚类中心的中压配电变电站负荷曲线进行累加，形成k 类中压配电变电站历史负荷总和曲线yl，其中l＝1…k。
进一步地，所述步骤S3具体为：
设输电变电站历史负荷曲线为yhv，基于k类中压配电变电站历史负荷总和曲线yl，可以计算历史累加误差曲线为：
Figure RE-GDA0003178906300000083
进一步地，步骤S4中：
每一类中压配电变电站历史负荷总和曲线采用如下基于前馈神经网络的概率负荷预测方法进行预测，已获得预测均值与预测区间。
采用的前馈神经网络只有一个隐藏层的前馈神经网络进行预测，如图2所示。给定一个包含N对输入与输出的训练集：
Figure RE-GDA0003178906300000084
其中，xi＝[xi1,xi2,...,xid]是输入，yi是训练集的目标。一个具有nr个隐藏节点和激活函数g(·)的前馈神经网络在数学上可以表示为：
Figure RE-GDA0003178906300000085
其中，wj＝[wj1,wj2,...,wjd]T为连接第j个隐藏节点和输入节点的权重向量，βj为连接第j个隐藏节点和输出节点的权重向量，bj为第j个隐藏节点的阈值， f(xi；w,b,β)为FNN的输出。激活函数g(·)是最常用的sigmoid函数。该网络采用经典的反向传播法进行训练。
当采用训练好的网络来预测t时刻的日前负荷值时，本实施例中选择过去d 天中t时刻的历史负荷值作为网络的输入xt，输入时间跨度d采用遍历法进行确定。
给定一个包含Ntest组输入输出的测试集
Figure RE-GDA0003178906300000091
其中xt＝[xt1,xt2,...,xtd]为输入，yt为实际负荷值，Ntest为测试样本数，对于本章中关注的日前负荷预测问题， Ntest＝96。在具体输入xt的情况下，对实际负荷值yt的预测可以用f(xt；w,b,β)表示。
在t时刻，实际负荷值yt可以被表示为预测值
Figure RE-GDA0003178906300000092
和预测误差εt之和，这种关系可以被表示为：
Figure RE-GDA0003178906300000093
其中，预测误差εt主要由模型误差和数据误差造成，因此，εt可以被表示为以上两类误差的和，并写作：
εt＝εm,t+εd,t (8)
其中，εm,t是模型参数、结构带来的误差，εd,t则是数据噪声带来的误差。
公式(8)中的模型误差与数据噪声误差是相互独立且负荷高斯分布的，这两类误差的方差和总的预测误差的方差之间的关系可以被表示为：
Figure RE-GDA0003178906300000094
其中，
Figure RE-GDA0003178906300000095
为对应的模型误差εm,t的方差，
Figure RE-GDA0003178906300000096
为对应的数据噪声误差εd,t的方差。
为估计模型的模型误差的方差
Figure RE-GDA0003178906300000097
首先采用相同的数据集训练具有随机初始权重和初始阈值的B个网络来预测t时刻的负荷。假设
Figure RE-GDA0003178906300000098
是第h个网络给出的预测值，那么所有B个网络给出的预测值的平均值可以表示为：
Figure RE-GDA0003178906300000101
之后将
Figure RE-GDA0003178906300000102
作为对t时刻负荷的点预测结果。
基于
Figure RE-GDA0003178906300000103
可以通过B个网络的输出来估计模型误差的方差如下：
Figure RE-GDA0003178906300000104
对于数据噪声方差，基于训练输入集变量xi，历史数据中的噪声方差可估计如下：
Figure RE-GDA0003178906300000105
具体来说，基于B个已训练的网络，如果
Figure RE-GDA0003178906300000106
是第h个网络给出的对yi的估计值，则历史数据噪声方差
Figure RE-GDA0003178906300000107
可以通过以下公式计算：
Figure RE-GDA0003178906300000108
为了得到t时刻的日前数据噪声方差，通过将公式(5)中的训练输出yi替换为
Figure RE-GDA0003178906300000109
则可形成一个新的训练集：
Figure RE-GDA00031789063000001010
之后，在输入xt的情况下，根据公式(6)，采用训练集(14)训练的前馈神经网络预测数据噪声方差
Figure RE-GDA00031789063000001011
至此，可以得到任意t时刻的日前中压概率负荷预测结果，其中包括确定性预测
Figure RE-GDA00031789063000001012
和预测方差
Figure RE-GDA00031789063000001013
对于累加误差利用基于前馈神经网络的概率预测方法进行预测，从而根据εa的历史值来预测其日前值。具体来说，可以基于历史的累加误差，给出一个类似公式(5)的训练集：
Figure RE-GDA00031789063000001014
其中，εa,i＝[εa,i1,εa,i2,...,εa,id]是历史上的累加误差，
Figure RE-GDA00031789063000001015
是对应的日前累加误差。那么根据公式(6)至(14)所示的步骤可以得到累加误差的点预测值
Figure RE-GDA0003178906300000111
以及预测误差的方差
Figure RE-GDA0003178906300000112
进一步地，步骤S5中：
因为独立产生的中压出线或配变负荷预测结果是相互独立且符合高斯分布的，可以通过分别累加预测分布均值和预测分布的方差的方式来累加中压概率负荷预测结果。具体来说，如果
Figure RE-GDA0003178906300000113
是第l条中压出线或第l个中压配变负荷的日前预测结果的均值，由此高压变电站的日前负荷点预测结果的均值可以被表示为：
Figure RE-GDA0003178906300000114
相似的，如果
Figure RE-GDA0003178906300000115
是第l条中压出线或第l个中压配变负荷的日前预测结果的方差，由此高压变电站的日前负荷点预测结果的方差可以被表示为：
Figure RE-GDA0003178906300000116
根据压变电站的日前负荷点预测结果的均值
Figure RE-GDA0003178906300000117
和方差
Figure RE-GDA0003178906300000118
t时刻的置信度为100(1-α)％的预测区间可以被表示为：
Figure RE-GDA0003178906300000119
其中的预测上限
Figure RE-GDA00031789063000001110
和预测下限
Figure RE-GDA00031789063000001111
可以由下式计算：
Figure RE-GDA00031789063000001112
Figure RE-GDA00031789063000001113
其中的z1-α/2标准高斯分布的临界值，其值主要取决于置信度100(1-α)％。
在一示例实施例中，对基于中压配变负荷曲线的预测框架进行了实例测试，主要包括对2018年8月27日高压变电站的负荷曲线进行了预测和分析。变电站下属的996个中压配变已经按照其负荷曲线特征分为7个类。
首先通过前馈神经网络对配变负荷进行预测，此处以第一类和第二类配变负荷预测为例。对于第一类配变的负荷预测结果，MAPE指标值为4.90％，MAE 指标值为0.772。对于第二类配变的负荷预测结果，MAPE指标值为2.33％，MAE 指标值为2.187。预测误差较小，说明经典前馈神经网络对预测配变群的日前负荷来说是有效的。
表1比较了本发明提出的自下而上的输电变电站日前负荷概率预测方法和传统概率预测方法在预测变电站的日前负荷时的表现。
表1
Figure RE-GDA0003178906300000121
采用自下而上的输电变电站日前负荷概率预测方法预测输电变电站在不同季节的负荷曲线，以检验所提出的方法在处理不同数据集时的有效性。
为了更好地展现所提出的方法的性能，本发明将所提出的预测方法与三种流行的概率负荷预测方法进行比较，包括persistence、指数平滑法(Exponential SmoothingMethod,ESM)和基于bootstrap的极端学习机(Bootstrap based Extreme LearningMachine,BELM)法等。各算法性能的综合比较如表2所示。
表2
Figure RE-GDA0003178906300000122
Figure RE-GDA0003178906300000131
从表2中可以看出，本发明所提出的方法的APIW均小于其他方法。具体来说，与persistence和ESM相比，预测区间平均缩小了50％以上。同时,本发明提出的方法的所有PICP指标值都接近相应的置信度。其获取的所有预测区间对应的ACE指标值都接近于零,特别是在95％和90％的置信度下，这说明本方法构建的PI具有较高的可靠性。例如，在夏季时，本方法在置信度95％和90％时获取的预测区间的ACE指标值在1％左右，小于或等于其他三种方法。
总的来说，本章所提出的方法能提供可靠的点预测结果和概率预测结果，并且能显著缩窄预测区间。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。

Claims (6)

1.一种自下而上的输电变电站日前负荷概率预测方法，其特征在于，具体包括如下步骤：
S1：以待预测变电站下属的中压配电变电站历史负荷曲线为基础，归一化后形成待聚类的中压配变负荷曲线数据集；
S2：采用K-means算法对待聚类中压配电变电站负荷曲线进行聚类，获得中压配电变电站负荷聚类结果，将属于同一类的未归一化前的中压配电变电站负荷曲线进行累加，形成各类中压配电变电站历史负荷总和曲线；
S3：根据各类中压配电变电站历史负荷总和曲线，以及输电变电站历史负荷曲线，获取历史累加误差曲线；
S4：根据各类中压配电变电站历史负荷总和曲线，以及历史累加误差曲线，采用基于前馈神经网络的概率负荷预测方法对各类中压配电变电站的日前负荷以及日前累加误差进行预测，获取预测均值与预测方差；
S5：根据步各类中压配电变电站负荷以及累加误差的日前预测均值与预测方差，以累加方式获取输电变电站日前负荷预测均值与预测方差，并形成预测区间。
2.根据权利要求1所述的自下而上的输电变电站日前负荷概率预测方法，其特征在于，所述步骤S1具体为：
针对待预测变电站下属的h个中压配电变电站的中压配电变电站历史负荷曲线集Yorigina＝[ynormalized,1,ynormalized,2,…,ynormalized,h]，采用max-min方法进行归一化，即：
Figure FDA0003056686560000011
其中，yoriginal,t和ynormalized,t分别为原始负荷曲线和归一化后的负荷曲线的第t个元素，形成归一化后的历史累加误差曲线集Ynormalized。
3.根据权利要求1所述的自下而上的输电变电站日前负荷概率预测方法，其特征在于，所述步骤S2具体为：
采用K-means算法对归一化后的历史累加误差曲线集Ynormalized进行聚类，聚类的目标是各类类内距离最小，即：
Figure FDA0003056686560000021
其中，ynormalized,j为第j条中压配电变电站负荷曲线，第i个ci为聚类中心向量；
采用DBI指标判断分类类数是否达到最优，其计算方法如下：
Figure FDA0003056686560000022
式中，k为聚类类数，
Figure FDA0003056686560000023
别表示第i类、第j类中的数据对象到相应类的聚类中心的平均距离，D(ci,cj)表示第i类到第j类的聚类中心的欧氏距离；计算得到DBI指标的最小值确定最优类数；
对于所有归属于同一聚类中心的中压配电变电站负荷曲线进行累加，形成k类中压配电变电站历史负荷总和曲线yl，其中l＝1…k。
4.根据权利要求1所述的自下而上的输电变电站日前负荷概率预测方法，其特征在于，所述步骤S3具体为：
设输电变电站历史负荷曲线为yhv，基于k类中压配电变电站历史负荷总和曲线yl，计算历史累加误差曲线为：
Figure FDA0003056686560000024
5.根据权利要求1所述的自下而上的输电变电站日前负荷概率预测方法，其特征在于，步骤S4具体为：
给定一个包含N对输入与输出的训练集：
Figure FDA0003056686560000031
其中，xi＝[xi1,xi2,...,xid]是输入，yi是训练集的目标，一个具有nr个隐藏节点和激活函数g(·)的前馈神经网络表示为：
Figure FDA0003056686560000032
其中，wj＝[wj1,wj2,...,wjd]T为连接第j个隐藏节点和输入节点的权重向量，βj为连接第j个隐藏节点和输出节点的权重向量，bj为第j个隐藏节点的阈值，f(xi；w,b,β)为FNN的输出；
当采用训练好的网络来预测t时刻的日前负荷值时，选择过去d天中t时刻的历史负荷值作为网络的输入xt，输入时间跨度d采用遍历法进行确定；
给定一个包含Ntest组输入输出的测试集
Figure FDA0003056686560000033
其中xt＝[xt1,xt2,...,xtd]为输入，yt为实际负荷值，Ntest为测试样本数，在具体输入xt的情况下，对实际负荷值yt的预测可以用f(xt；w,b,β)表示；
在t时刻，实际负荷值yt被表示为预测值
Figure FDA0003056686560000034
和预测误差εt之和，即：
Figure FDA0003056686560000035
其中，预测误差εt由模型误差和数据误差造成，εt被表示为以上两类误差的和，即：
εt＝εm,t+εd,t (8)
其中，εm,t是模型参数、结构带来的误差，εd,t则是数据噪声带来的误差；
公式(8)中的模型误差与数据噪声误差的方差和总的预测误差的方差之间的关系被表示为：
Figure FDA0003056686560000036
其中，
Figure FDA0003056686560000037
为对应的模型误差εm,t的方差，
Figure FDA0003056686560000038
为对应的数据噪声误差εd,t的方差；
采用相同的数据集训练具有随机初始权重和初始阈值的B个网络来预测t时刻的负荷，假设
Figure FDA0003056686560000041
是第h个网络给出的预测值，则所有B个网络给出的预测值的平均值表示为：
Figure FDA0003056686560000042
将
Figure FDA0003056686560000043
作为对t时刻负荷的点预测结果；
基于
Figure FDA0003056686560000044
通过B个网络的输出来估计模型误差的方差如下：
Figure FDA0003056686560000045
对于数据噪声方差，基于训练输入集变量xi，历史数据中的噪声方差估计如下：
Figure FDA0003056686560000046
基于B个已训练的网络，如果
Figure FDA0003056686560000047
是第h个网络给出的对yi的估计值，则历史数据噪声方差
Figure FDA0003056686560000048
通过以下公式计算：
Figure FDA0003056686560000049
为了得到t时刻的日前数据噪声方差，通过将训练集D中的训练输出yi替换为
Figure FDA00030566865600000410
则得到一个新的训练集：
Figure FDA00030566865600000411
在输入xt的情况下，根据公式(6)，采用训练集Dd训练的前馈神经网络预测数据噪声方差
Figure FDA00030566865600000412
得到任意t时刻的日前中压概率负荷预测结果，其中包括确定性预测
Figure FDA00030566865600000413
和预测方差
Figure FDA00030566865600000414
给出一个训练集：
Figure FDA0003056686560000051
其中，εa,i＝[εa,i1,εa,i2,...,εa,id]是历史上的累加误差，
Figure FDA0003056686560000052
是对应的日前累加误差；根据公式(6)至(14)所示的步骤计算得到累加误差的点预测值
Figure FDA0003056686560000053
以及预测误差的方差
Figure FDA0003056686560000054
6.根据权利要求1所述的自下而上的输电变电站日前负荷概率预测方法，其特征在于，所述步骤S5具体为：
如果
Figure FDA0003056686560000055
是第l条中压出线或第l个中压配变负荷的日前预测结果的均值，则高压变电站的日前负荷点预测结果的均值被表示为：
Figure FDA0003056686560000056
如果
Figure FDA0003056686560000057
是第l条中压出线或第l个中压配变负荷的日前预测结果的方差，则高压变电站的日前负荷点预测结果的方差被表示为：
Figure FDA0003056686560000058
根据压变电站的日前负荷点预测结果的均值
Figure FDA0003056686560000059
和方差
Figure FDA00030566865600000510
t时刻的置信度为100(1-α)％的预测区间被表示为：
Figure FDA00030566865600000511
其中，预测上限
Figure FDA00030566865600000512
和预测下限
Figure FDA00030566865600000513
由下式计算：
Figure FDA00030566865600000514
Figure FDA00030566865600000515
其中，z1-α/2表示标准高斯分布的临界值。
CN202110501818.1A 2021-05-08 2021-05-08 一种自下而上的输电变电站日前负荷概率预测方法 Pending CN113298296A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110501818.1A CN113298296A (zh) 2021-05-08 2021-05-08 一种自下而上的输电变电站日前负荷概率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110501818.1A CN113298296A (zh) 2021-05-08 2021-05-08 一种自下而上的输电变电站日前负荷概率预测方法

Publications (1)

Publication Number Publication Date
CN113298296A true CN113298296A (zh) 2021-08-24

Family

ID=77321058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110501818.1A Pending CN113298296A (zh) 2021-05-08 2021-05-08 一种自下而上的输电变电站日前负荷概率预测方法

Country Status (1)

Country Link
CN (1) CN113298296A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706213A (zh) * 2021-09-02 2021-11-26 华能(福建)能源开发有限公司 一种应用电力市场公开信息预测变电站负荷的方法
CN115511173A (zh) * 2022-09-16 2022-12-23 国网天津市电力公司 一种基于概率建模和误差修正的电采暖负荷预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706213A (zh) * 2021-09-02 2021-11-26 华能(福建)能源开发有限公司 一种应用电力市场公开信息预测变电站负荷的方法
CN113706213B (zh) * 2021-09-02 2023-08-18 华能(福建)能源开发有限公司 一种应用电力市场公开信息预测变电站负荷的方法
CN115511173A (zh) * 2022-09-16 2022-12-23 国网天津市电力公司 一种基于概率建模和误差修正的电采暖负荷预测方法

Similar Documents

Publication Publication Date Title
CN106850254B (zh) 一种电力通信网中关键节点识别方法
CN107516170B (zh) 一种基于设备故障概率和电网运行风险的差异自愈控制方法
CN110149237B (zh) 一种Hadoop平台计算节点负载预测方法
Browell et al. Improved very short‐term spatio‐temporal wind forecasting using atmospheric regimes
CN103324980A (zh) 一种风电场风速预测方法
CN111523778A (zh) 基于粒子群算法和梯度提升树的电网运行安全评估方法
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN113298296A (zh) 一种自下而上的输电变电站日前负荷概率预测方法
CN109815995A (zh) 一种缺失观测值条件下锂电池剩余寿命预测方法
CN113884807B (zh) 基于随机森林和多层架构聚类的配电网故障预测方法
Iwata et al. Differential evolutionary particle swarm optimization for load adjustment distribution state estimation using correntropy
Schäfer et al. Evaluating machine learning models for the fast identification of contingency cases
CN117744916A (zh) 储能容量的预测方法、装置、计算机设备及可读存储介质
Zhang et al. Base station network traffic prediction approach based on LMA-DeepAR
Guo et al. Wind speed forecasting of genetic neural model based on rough set theory
Zhang et al. A power system transient stability assessment method based on active learning
CN115618743B (zh) 一种瞄准镜系统的状态评估方法及状态评估系统
Xu et al. Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network
Mishra et al. Tree Based Fault Classification in Underground Cable
CN113496255B (zh) 基于深度学习与决策树驱动的配电网混合观测布点方法
De Santis et al. Evolutionary optimization of an affine model for vulnerability characterization in smart grids
CN114741822A (zh) 一种自然灾害下配电网停电概率预测方法、系统及装置
Balaji et al. Deep Learning Based Energy Consumption Prediction on Internet of Things Environment.
Mustapha et al. Data selection and fuzzy-rules generation for short-term load forecasting using ANFIS
Bai et al. Contingency-based voltage stability monitoring via neural network with multi-level feature fusion

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