CN114037006B - 电力系统典型日负荷曲线生成方法 - Google Patents
电力系统典型日负荷曲线生成方法 Download PDFInfo
- Publication number
- CN114037006B CN114037006B CN202111281768.7A CN202111281768A CN114037006B CN 114037006 B CN114037006 B CN 114037006B CN 202111281768 A CN202111281768 A CN 202111281768A CN 114037006 B CN114037006 B CN 114037006B
- Authority
- CN
- China
- Prior art keywords
- screening
- iter
- samples
- value
- individual
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000009826 distribution Methods 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 27
- 230000035772 mutation Effects 0.000 claims abstract description 10
- 230000002776 aggregation Effects 0.000 claims abstract description 8
- 238000004220 aggregation Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims description 74
- 238000007476 Maximum Likelihood Methods 0.000 claims description 15
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 abstract description 2
- 239000007787 solid Substances 0.000 abstract description 2
- 230000002068 genetic effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种电力系统典型日负荷曲线生成方法。方法包括以下步骤:首先,以固定采样周期获取本地多年的日负荷功率曲线为样本构成数据集合;然后,设定生成典型日负荷曲线的种类数量以及长度等于日负荷采样点数、各编码位为类别数内正整数的编码串,提取编码位值相同的日负荷样本为同类;接着,计算同一时刻样本值服从此概率分布的概率乘积,并加和所有时刻的乘积值,表征此类样本聚合的优劣;第四步,利用交叉、变异等遗传操作过程,优化编码串使其达到对历史样本的最优聚类;最后,根据最优聚类结果下,同类样本在各时刻的概率分布的均值表征出此类典型日负荷曲线。为本地新能源+储能系统的选址定容以及电力系统的调度规划奠定了坚实的基础。
Description
技术领域:
本发明涉及智能电网技术,具体涉及一种电力系统典型日负荷曲线生成方法。
背景技术:
近年来,随着电动汽车的大力发展,造成电力负荷的日益增长,无序的充电过程使得电网的复杂度升高。同时,可再生能源渗透率不断提高、储能技术的大力发展,其出力的不确定性和约束性对电力系统的调度规划造成了极大的困扰为,对电网调度、运行以及规划等各个方面带来挑战。显而易见的是电网中发电单元与用电单元的电力平衡是保证电力稳定的先决条件。因此,合理有效地估计区域内电力负荷的需求和变化,将是本地能源配置以及电力调度优化的首要问题。
目前,对于电力负荷变化规律和特点的研究众多,其中一个重要的研究方向就是典型日负荷曲线的生成和提取技术。围绕此问题已有众多学者提出了不同的方法,主要分为基于概率模型的场景生成方法和基于人工智能机器学习的场景生成方法。其基本遵循的基本思想是基于数据进行分析、挖掘其分布规律、模拟生成虚拟数据、利用聚类技术生成有限的曲线,表征出典型日负荷曲线的形态。其中在挖掘分布规律中比较代表性的研究就是分析日负荷曲线满足的概率分布函数或者是时序形态规律,如马尔科夫模型;而在模拟生成中最常用的方法是蒙特卡洛法,概率分布抽样模拟日负荷曲线的普适性数据;在聚类生成技术中往往是通过成熟的聚类方法如kmeans及其改进型开展。在这些方法中各环节均体现出独特的分析重点和要素,但是串行的生成提取过程忽视了整体优化的必要性,进而难以获得合适、准确的日负荷曲线。而基于人工智能和机器学习的方法,一般是需要针对大量的历史数据训练出场景生成模型(如变分自编码器、生成对抗网络等),在此类方法中最重要的问题在于数据的有效性影响极大、模型往往比较复杂、计算量大且物理含义丧失。
发明内容:
本发明考虑基于概率分布的传统方法,不同之处在于将数据分布规律、聚合提取与优化过程结合起来,以数据分布描述最优为目标,有向地指引负荷数据样本的聚合过程,并通过概率分布的外在表征,形成典型日各时刻点的普适性描述,完成典型日负荷曲线的生成过程,为本地新能源+储能系统的选址定容以及电力系统的调度规划奠定了坚实的基础。具体技术方案如下:
电力系统典型日负荷曲线生成方法,包括下述步骤:
步骤1:获取当地负荷历史长时间的有功功率数据样本;具体过程包括:
获取当地历史负荷的总有功功率数据,以天为单位划分数据构成样本,等时间间隔提取各样本有功功率值,形成N个样本、T个时刻点的有功功率数据,第i个日负荷样本在第t时刻的功率值记作xi(t),形成数据集合A={xi(t)|i=1,2,…,N,t=1,2,…,T},其中N表示样本数,T表示典型日有功功率采样的时刻数量;
步骤2:定义日负荷曲线的筛选编码串并初始化相关参数;具体过程包括:
步骤2.1:设置预产生典型日负荷曲线的数量K,并定义S个长度为N、编码位为K以内正整数的筛选编码串,其中编码位与样本编号一一对应,第s个筛选编码串Binj如下所示:
其中,s=1,2,…,S表示筛选编码串的标号,j=1,2,…,N表示编码串的编码位标号,N+表示正整数;
步骤2.2:在1~K的正整数范围内随机初始化S个筛选编码串上的编码位,产生初始的筛选个体,每个筛选编码串为一个个体,并设置交叉率Pc、变异率Pm、最大迭代次数iterMax这些参数,令迭代次数iter=1;
步骤3:利用极大似然估计计算日负荷曲线筛选聚合后的适应度值;
步骤4:对S个个体适应度值排序,并进行交叉、变异操作更新个体的筛选编码;具体过程如下:
步骤4.1:根据步骤3中计算出第iter代S个个体的适应度值获得最优值和最优个体,若inter=1,则/>中最大值即为最优值,其所对应的个体为最优个体,假设当s=sp时适应度值最大,则最优值/>最优个体的筛选编码串为Binbest=Binsp=[bsp,1 bsp,2 … bsp,N];
若inter>1,则计算与最优值Jbest的大小关系,如果则Jbest=Jbest且Binbest=Binbest;如果/>则/>且其中/>为第inter代中最优值/>所对应的个体筛选编码串;
步骤4.2:判断迭代次数iter是否小于等于最大迭代次数iterMax,若是,则令iter=iter+1进入步骤4.3;若否,则进入步骤5;
步骤4.3:对步骤3中S个筛选编码串进行交叉和变异操作形成新的筛选编码;具体过程如下:
步骤4.3.1:随机将S个筛选编码串两两分组,若S为偶数,则可以形成D=S/2个编码串对,若S为奇数,则可以形成D=(S-1)/2个编码串对,c=1;
步骤4.3.2:随机生成一个服从0-1均匀分布的随机数rc,若rc≤Pc,则在第d对筛选编码串的随机编码位处交叉编码,则d=d+1并进入步骤步骤4.3.3;若rc>Pc,则d=d+1并进入步骤步骤4.3.3;
步骤4.3.3:判断d是否小于等于D,若是,则返回步骤4.3.2;若否,进入步骤4.3.4;
步骤4.3.4:对步骤4.3.3交叉操作后得到筛选编码串的各个编码位进行变异处理,即在第s个体的第i个编码位上随机生成一个服从0-1均匀分布的随机数rm,若rm≤Pm,则第s个体的第i个编码位值随机更改为不等于其原值下1~K正整数中的任意正整数值;
若rm≥Pm,则第s个体的第i个编码位值不变,形成了新的筛选编码个体,返回步骤3;
步骤5:基于最优个体筛选出N个样本的所属类别,提取同类样本生成典型日负荷曲线;具体过程如下:
步骤5.1:根据步骤3和步骤4在iterMax次迭代后的最优个体,第s个筛选编码串Binj如下所示:
其中,s=1,2,…,S表示筛选编码串的标号,j=1,2,…,N表示编码串的编码位标号,N+表示正整数;
选择编码串中相同的k值对应的样本为同一类别的,用于生成第k个典型日负荷曲线;由此组成样本集合Zk={zk,j(t)|j=1,2,…,lk;t=1,2,…,T;zk,j(t)∈A},即其中zk,j(t)表示最优个体筛选下第k类中第j个样本在t时刻的有功功率值,lk表示第k类样本的数量;
步骤5.2:令k=1;
步骤5.3:假设同类样本在t时刻的概率分布,根据极大似然估计计算出概率分布参数,获得第k类典型日有功功率曲线;具体过程包括:
步骤5.3.1:令时刻编号t=1;
步骤5.3.2:假设在t时刻的同类样本满足同概率分布fk(zk(t)|θk(t)),其中θk(t)为概率分布的参数θk(t)=[θ1,k(t) θ1,k(t) … θm,k(t)],表示此概率分布的参数共有m个;
步骤5.3.3:根据第k类中lk个样本在t时刻的有功功率值,利用极大似然估计方法如下所示:
求解方程组可以估计出概率分布fk(zk(t)|θk(t))中参数θk(t);
步骤5.3.4:根据步骤5.3.3求得的概率分布参数,计算出各时刻点的均值μk(t)和标准差σk(t),其中μk(t)和σk(t)分别表示第k类典型日负荷曲线中第t个时刻的有功功率和有功功率波动,则第k类典型日的功率曲线为[μk(1) μk(2) … μk(T)],同时第k类典型日的功率曲线的置信范围的下限为[μk(1)-3σk(1) μk(2)-3σk(2) … μk(T)-3σk(T)],而上限为[μk(1)+3σk(1) μk(2)+3σk(2) … μk(T)+3σk(T)];
步骤5.3.5:判断类别标号k是否小于等于K,若是,则令k=k+1返回步骤5.2;若否,则完成K个典型日负荷曲线及置信范围的生成。
与最接近的现有技术相比,本发明的有益效果是:
相比于其他基于概率分析的负荷典型日场景生成方法,本发明技术方案中,将日负荷曲线的概率分布分析、典型场景生成以及场景削减融为一体,通过将日负荷各时刻点数据分布的极大似然估计引入到聚类评价之中,作为典型日场景的生成目标,有方向地指导了历史日负荷曲线的聚合过程,并根据同类中各时刻点的极大似然估计下的概率分布表征出典型日的负荷曲线值以及置信范围;故所提出概率分析、同类聚合、优化提取的一体化结构将有利于表征出历史数据样本中负荷的变化的特点,形成更为优质、普适、典型的负荷曲线,将有助于电力系统调度及规划,为新能源+储能合理规划以及电网可靠运行奠定基础。
附图说明:
图1是本发明电力系统典型日负荷曲线生成方法的流程图。
图2是本发明实施例中步骤3的流程图。
图3是本发明实施例中步骤筛选编码对样本的筛选过程的示意图。
具体实施方式:
实施例:
电力系统典型日负荷曲线生成方法,包括下述步骤:
步骤1:获取当地负荷历史长时间的有功功率数据样本;具体过程包括:
获取当地历史负荷的总有功功率数据,以天为单位划分数据构成样本,等时间间隔提取各样本有功功率值,形成N个样本、T个时刻点的有功功率数据,第i个日负荷样本在第t时刻的功率值记作xi(t),形成数据集合A={xi(t)|i=1,2,…,N,t=1,2,…,T},其中N表示样本数,T表示典型日有功功率采样的时刻数量;
步骤2:定义日负荷曲线的筛选编码串并初始化相关参数;具体过程包括:
步骤2.1:设置预产生典型日负荷曲线的数量K,并定义S个长度为N、编码位为K以内正整数的筛选编码串,其中编码位与样本编号一一对应,第s个筛选编码串Binj如下所示:
其中,s=1,2,…,S表示筛选编码串的标号,j=1,2,…,N表示编码串的编码位标号,N+表示正整数;
步骤2.2:在1~K的正整数范围内随机初始化S个筛选编码串上的编码位,产生初始的筛选个体,每个筛选编码串为一个个体,并设置交叉率Pc、变异率Pm、最大迭代次数iterMax这些参数,令迭代次数iter=1;
步骤3:利用极大似然估计计算日负荷曲线筛选聚合后的适应度值;具体过程包括:
步骤3.1:令个体编号s=1,类别编号k=1;
步骤3.2:基于第iter代中第s个个体的筛选编码串和数据集合A,获得编码位为k值所对应的样本,组成样本集合Ak (iter)={yk,j (iter)(t)|j=1,2,…,nk (iter);t=1,2,…,T;yk,j (iter)(t)∈A},即其中yk,j (iter)(t)表示第iter代第s个个体筛选下第k类中第j个样本在t时刻的有功功率值,nk (iter)表示第k类样本的数量;
步骤3.3:假设同类样本在t时刻的概率分布,根据极大似然估计计算出概率分布参数,进而获得筛选编码的适应度函数值;
步骤3.3.1:令时刻编号t=1;
步骤3.3.2:假设在t时刻的同类样本满足同概率分布fk (iter)(yk (iter)(t)|θk (iter)(t)),其中θk (iter)(t)为概率分布的参数表示此概率分布的参数共有m个;
步骤3.3.3:根据第k类中nk (iter)个样本在t时刻的有功功率值,利用极大似然估计方法如下公式所示:
求解方程组可以估计出概率分布fk (iter)(yk (iter)(t)|θk (iter)(t))中参数θk (iter)(t);
步骤3.3.4:根据步骤3.3.3求得的概率分布参数,计算第iter代、第s个个体筛选下第k类中nk (iter)个样本在t时刻的概率乘积即/>
步骤3.3.5:判断时刻t是否小于等于T,若是,则令t=t+1返回步骤3.3.2;若否,则加和所有时刻的概率乘积值,得到第iter代、第s个个体筛选编码串在第k类上的适应度值为
步骤3.4:判断类别标号k是否小于等于K,若是,则令k=k+1返回步骤3.2;若否,则加和所有类别的适应度值,得到第iter代、第s个个体筛选编码串的适应度值
步骤3.5:判断个体标号s是否小于等于S,若是则令s=s+1且k=1返回步骤3.2;若否,则进入步骤4;
步骤4:对S个个体适应度值排序,并进行交叉、变异操作更新个体的筛选编码;具体过程如下:
步骤4.1:根据步骤3中计算出第iter代S个个体的适应度值获得最优值和最优个体,若inter=1,则/>中最大值即为最优值,其所对应的个体为最优个体,假设当s=sp时适应度值最大,则最优值/>最优个体的筛选编码串为Binbest=Binsp=[bsp,1 bsp,2 … bsp,N];
若inter>1,则计算与最优值Jbest的大小关系,如果则Jbest=Jbest且Binbest=Binbest;如果/>则/>且其中/>为第inter代中最优值/>所对应的个体筛选编码串;
步骤4.2:判断迭代次数iter是否小于等于最大迭代次数iterMax,若是,则令iter=iter+1进入步骤4.3;若否,则进入步骤5;
步骤4.3:对步骤3中S个筛选编码串进行交叉和变异操作形成新的筛选编码;具体过程如下:
步骤4.3.1:随机将S个筛选编码串两两分组,若S为偶数,则可以形成D=S/2个编码串对,若S为奇数,则可以形成D=(S-1)/2个编码串对,c=1;
步骤4.3.2:随机生成一个服从0-1均匀分布的随机数rc,若rc≤Pc,则在第d对筛选编码串的随机编码位处交叉编码,则d=d+1并进入步骤步骤4.3.3;若rc>Pc,则d=d+1并进入步骤步骤4.3.3;
步骤4.3.3:判断d是否小于等于D,若是,则返回步骤4.3.2;若否,进入步骤4.3.4;
步骤4.3.4:对步骤4.3.3交叉操作后得到筛选编码串的各个编码位进行变异处理,即在第s个体的第i个编码位上随机生成一个服从0-1均匀分布的随机数rm,若rm≤Pm,则第s个体的第i个编码位值随机更改为不等于其原值下1~K正整数中的任意正整数值;
若rm≥Pm,则第s个体的第i个编码位值不变,形成了新的筛选编码个体,返回步骤3;
步骤5:基于最优个体筛选出N个样本的所属类别,提取同类样本生成典型日负荷曲线;具体过程如下:
步骤5.1:根据步骤3和步骤4在iterMax次迭代后的最优个体,第s个筛选编码串Binj如下所示:
其中,s=1,2,…,S表示筛选编码串的标号,j=1,2,…,N表示编码串的编码位标号,N+表示正整数;
选择编码串中相同的k值对应的样本为同一类别的,用于生成第k个典型日负荷曲线;由此组成样本集合Zk={zk,j(t)|j=1,2,…,lk;t=1,2,…,T;zk,j(t)∈A},即其中zk,j(t)表示最优个体筛选下第k类中第j个样本在t时刻的有功功率值,lk表示第k类样本的数量;
步骤5.2:令k=1;
步骤5.3:假设同类样本在t时刻的概率分布,根据极大似然估计计算出概率分布参数,获得第k类典型日有功功率曲线;具体过程包括:
步骤5.3.1:令时刻编号t=1;
步骤5.3.2:假设在t时刻的同类样本满足同概率分布fk(zk(t)|θk(t)),其中θk(t)为概率分布的参数θk(t)=[θ1,k(t) θ1,k(t) … θm,k(t)],表示此概率分布的参数共有m个;
步骤5.3.3:根据第k类中lk个样本在t时刻的有功功率值,利用极大似然估计方法如下所示:
求解方程组可以估计出概率分布fk(zk(t)|θk(t))中参数θk(t);
步骤5.3.4:根据步骤5.3.3求得的概率分布参数,计算出各时刻点的均值μk(t)和标准差σk(t),其中μk(t)和σk(t)分别表示第k类典型日负荷曲线中第t个时刻的有功功率和有功功率波动,则第k类典型日的功率曲线为[μk(1) μk(2) … μk(T)],同时第k类典型日的功率曲线的置信范围的下限为[μk(1)-3σk(1) μk(2)-3σk(2) … μk(T)-3σk(T)],而上限为[μk(1)+3σk(1) μk(2)+3σk(2) … μk(T)+3σk(T)];
步骤5.3.5:判断类别标号k是否小于等于K,若是,则令k=k+1返回步骤5.2;若否,则完成K个典型日负荷曲线及置信范围的生成。
Claims (2)
1.电力系统典型日负荷曲线生成方法,其特征在于,所述方法包括下述步骤:
步骤1:获取当地负荷历史长时间的有功功率数据样本;具体过程包括:
获取当地历史负荷的总有功功率数据,以天为单位划分数据构成样本,等时间间隔提取各样本有功功率值,形成N个样本、T个时刻点的有功功率数据,第i个日负荷样本在第t时刻的功率值记作xi(t),形成数据集合A={xi(t)|i=1,2,…,N,t=1,2,…,T},其中N表示样本数,T表示典型日有功功率采样的时刻数量;
步骤2:定义日负荷曲线的筛选编码串并初始化相关参数;具体过程包括:
步骤2.1:设置预产生典型日负荷曲线的数量K,并定义S个长度为N、编码位为K以内正整数的筛选编码串,其中编码位与样本编号一一对应,第s个筛选编码串Binj如下所示:
其中,s=1,2,…,S表示筛选编码串的标号,j=1,2,…,N表示编码串的编码位标号,N+表示正整数;
步骤2.2:在1~K的正整数范围内随机初始化S个筛选编码串上的编码位,产生初始的筛选个体,每个筛选编码串为一个个体,并设置交叉率Pc、变异率Pm、最大迭代次数iterMax这些参数,令迭代次数iter=1;
步骤3:利用极大似然估计计算日负荷曲线筛选聚合后的适应度值;
步骤4:对S个个体适应度值排序,并进行交叉、变异操作更新个体的筛选编码;具体过程如下:
步骤4.1:根据步骤3中计算出第iter代S个个体的适应度值获得最优值和最优个体,若inter=1,则/>中最大值即为最优值,其所对应的个体为最优个体,假设当s=sp时适应度值最大,则最优值/>最优个体的筛选编码串为Binbest=Binsp=[bsp,1 bsp,2…bsp,N];
若inter>1,则计算与最优值Jbest的大小关系,如果则Jbest=Jbest且Binbest=Binbest;如果/>则/>且其中/>为第inter代中最优值/>所对应的个体筛选编码串;
步骤4.2:判断迭代次数iter是否小于等于最大迭代次数iterMax,若是,则令iter=iter+1进入步骤4.3;若否,则进入步骤5;
步骤4.3:对步骤3中S个筛选编码串进行交叉和变异操作形成新的筛选编码;具体过程如下:
步骤4.3.1:随机将S个筛选编码串两两分组,若S为偶数,则可以形成D=S/2个编码串对,若S为奇数,则可以形成D=(S-1)/2个编码串对,c=1;
步骤4.3.2:随机生成一个服从0-1均匀分布的随机数rc,若rc≤Pc,则在第d对筛选编码串的随机编码位处交叉编码,则d=d+1并进入步骤步骤4.3.3;若rc>Pc,则d=d+1并进入步骤步骤4.3.3;
步骤4.3.3:判断d是否小于等于D,若是,则返回步骤4.3.2;若否,进入步骤4.3.4;
步骤4.3.4:对步骤4.3.3交叉操作后得到筛选编码串的各个编码位进行变异处理,即在第s个体的第i个编码位上随机生成一个服从0-1均匀分布的随机数rm,若rm≤Pm,则第s个体的第i个编码位值随机更改为不等于其原值下1~K正整数中的任意正整数值;
若rm≥Pm,则第s个体的第i个编码位值不变,形成了新的筛选编码个体,返回步骤3;
步骤5:基于最优个体筛选出N个样本的所属类别,提取同类样本生成典型日负荷曲线;具体过程如下:
步骤5.1:根据步骤3和步骤4在iterMax次迭代后的最优个体,第s个筛选编码串Bi nj如下所示:
其中,s=1,2,…,S表示筛选编码串的标号,j=1,2,…,N表示编码串的编码位标号,N+表示正整数;
选择编码串中相同的k值对应的样本为同一类别的,用于生成第k个典型日负荷曲线;由此组成样本集合Zk={zk,j(t)|j=1,2,…,lk;t=1,2,…,T;zk,j(t)∈A},即其中zk,j(t)表示最优个体筛选下第k类中第j个样本在t时刻的有功功率值,lk表示第k类样本的数量;
步骤5.2:令k=1;
步骤5.3:假设同类样本在t时刻的概率分布,根据极大似然估计计算出概率分布参数,获得第k类典型日有功功率曲线;具体过程包括:
步骤5.3.1:令时刻编号t=1;
步骤5.3.2:假设在t时刻的同类样本满足同概率分布fk(zk(t)|θk(t)),其中θk(t)为概率分布的参数θk(t)=[θ1,k(t) θ1,k(t)…θm,k(t)],表示此概率分布的参数共有m个;
步骤5.3.3:根据第k类中lk个样本在t时刻的有功功率值,利用极大似然估计方法如下所示:
求解方程组可以估计出概率分布fk(zk(t)|θk(t))中参数θk(t);
步骤5.3.4:根据步骤5.3.3求得的概率分布参数,计算出各时刻点的均值μk(t)和标准差σk(t),其中μk(t)和σk(t)分别表示第k类典型日负荷曲线中第t个时刻的有功功率和有功功率波动,则第k类典型日的功率曲线为[μk(1) μk(2)…μk(T)],同时第k类典型日的功率曲线的置信范围的下限为[μk(1)-3σk(1) μk(2)-3σk(2)…μk(T)-3σk(T)],而上限为[μk(1)+3σk(1) μk(2)+3σk(2)…μk(T)+3σk(T)];
步骤5.3.5:判断类别标号k是否小于等于K,若是,则令k=k+1返回步骤5.2;若否,则完成K个典型日负荷曲线及置信范围的生成。
2.根据权利要求1所述电力系统典型日负荷曲线生成方法,其特征在于,所述步骤3具体过程包括:
步骤3.1:令个体编号s=1,类别编号k=1;
步骤3.2:基于第iter代中第s个个体的筛选编码串和数据集合A,获得编码位为k值所对应的样本,组成样本集合Ak (iter)={yk,j (iter)(t)|j=1,2,…,nk (iter);t=1,2,…,T;yk,j (iter)(t)∈A},即其中yk,j (iter)(t)表示第iter代第s个个体筛选下第k类中第j个样本在t时刻的有功功率值,nk (iter)表示第k类样本的数量;
步骤3.3:假设同类样本在t时刻的概率分布,根据极大似然估计计算出概率分布参数,进而获得筛选编码的适应度函数值;
步骤3.3.1:令时刻编号t=1;
步骤3.3.2:假设在t时刻的同类样本满足同概率分布fk (iter)(yk (iter)(t)|θk (iter)(t)),其中θk (iter)(t)为概率分布的参数表示此概率分布的参数共有m个;
步骤3.3.3:根据第k类中nk (iter)个样本在t时刻的有功功率值,利用极大似然估计方法如下公式所示:
求解方程组可以估计出概率分布fk (iter)(yk (iter)(t)|θk (iter)(t))中参数θk (iter)(t);
步骤3.3.4:根据步骤3.3.3求得的概率分布参数,计算第iter代、第s个个体筛选下第k类中nk (iter)个样本在t时刻的概率乘积即/>
步骤3.3.5:判断时刻t是否小于等于T,若是,则令t=t+1返回步骤3.3.2;若否,则加和所有时刻的概率乘积值,得到第iter代、第s个个体筛选编码串在第k类上的适应度值为
步骤3.4:判断类别标号k是否小于等于K,若是,则令k=k+1返回步骤3.2;若否,则加和所有类别的适应度值,得到第iter代、第s个个体筛选编码串的适应度值
步骤3.5:判断个体标号s是否小于等于S,若是则令s=s+1且k=1返回步骤3.2;若否,则进入步骤4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111281768.7A CN114037006B (zh) | 2021-11-01 | 2021-11-01 | 电力系统典型日负荷曲线生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111281768.7A CN114037006B (zh) | 2021-11-01 | 2021-11-01 | 电力系统典型日负荷曲线生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114037006A CN114037006A (zh) | 2022-02-11 |
CN114037006B true CN114037006B (zh) | 2024-03-15 |
Family
ID=80142383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111281768.7A Active CN114037006B (zh) | 2021-11-01 | 2021-11-01 | 电力系统典型日负荷曲线生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037006B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401757A (zh) * | 2020-03-19 | 2020-07-10 | 西安交通大学 | 一种计及时空相关性的多区域电力负荷时序场景建模方法 |
WO2021073462A1 (zh) * | 2019-10-15 | 2021-04-22 | 国网浙江省电力有限公司台州供电公司 | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 |
CN113344073A (zh) * | 2021-06-02 | 2021-09-03 | 云南电网有限责任公司电力科学研究院 | 一种基于融合进化算法的日负荷曲线聚类方法及系统 |
CN113392877A (zh) * | 2021-05-24 | 2021-09-14 | 电子科技大学 | 一种基于蚁群算法与c-k算法的日负荷曲线聚类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8190540B2 (en) * | 2005-01-14 | 2012-05-29 | Ultra-Scan Corporation | Multimodal fusion decision logic system for determining whether to accept a specimen |
-
2021
- 2021-11-01 CN CN202111281768.7A patent/CN114037006B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021073462A1 (zh) * | 2019-10-15 | 2021-04-22 | 国网浙江省电力有限公司台州供电公司 | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 |
CN111401757A (zh) * | 2020-03-19 | 2020-07-10 | 西安交通大学 | 一种计及时空相关性的多区域电力负荷时序场景建模方法 |
CN113392877A (zh) * | 2021-05-24 | 2021-09-14 | 电子科技大学 | 一种基于蚁群算法与c-k算法的日负荷曲线聚类方法 |
CN113344073A (zh) * | 2021-06-02 | 2021-09-03 | 云南电网有限责任公司电力科学研究院 | 一种基于融合进化算法的日负荷曲线聚类方法及系统 |
Non-Patent Citations (3)
Title |
---|
一种基于语义聚类的典型日负荷曲线选取方法;孟令奎;段红伟;黄长青;孙;;华北电力大学学报(自然科学版);20130130(第01期);全文 * |
基于K-means的电力系统典型日负荷特性计算方法研究;段博文;许沈彬;马骋;张强;衣涛;;无线互联科技;20200110(第01期);全文 * |
面向风电接纳能力评价的风资源/负荷典型场景集生成方法与应用;丁明;解蛟龙;刘新宇;石文辉;;中国电机工程学报;20160715(第15期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114037006A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985515B (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
CN107730006A (zh) | 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 | |
CN108446794A (zh) | 一种基于多个卷积神经网络结合架构深度学习预测方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN111401755A (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 | |
CN104616078A (zh) | 基于Spiking神经网络的光伏系统发电功率预测方法 | |
CN111523728B (zh) | 一种四阶段混合短时风向预测方法 | |
CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
CN117117968B (zh) | 一种基于数据增强的风电场爬坡事件预测方法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN112633565A (zh) | 一种光伏功率集合区间预测方法 | |
CN109886560A (zh) | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 | |
CN113705086A (zh) | 一种基于Elman误差修正的超短期风电功率预测方法 | |
CN114219126B (zh) | 基于残差修正的小水电渗透地区网供负荷预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN112686404B (zh) | 一种基于配电网故障抢修的协同优化方法 | |
CN114037006B (zh) | 电力系统典型日负荷曲线生成方法 | |
CN110674460B (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
CN114862007A (zh) | 一种面向碳酸盐岩气井的短周期产气量预测方法及系统 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN115456286A (zh) | 一种短期光伏功率预测方法 | |
CN114897260A (zh) | 基于lstm神经网络的短期风速预测模型建模方法及预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |