帶有水電站的配電網(wǎng)短期負(fù)荷預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及電力系統(tǒng)及自動(dòng)化領(lǐng)域，尤其是設(shè)及帶有水電站的配電網(wǎng)短期負(fù)荷預(yù) 測(cè)方法。
【背景技術(shù)】
[0002] 我國(guó)小型水電站數(shù)目眾多，且多為無(wú)調(diào)節(jié)性能的徑流式電站，由于水電站常被當(dāng) 作負(fù)荷處理，故水電站發(fā)電常被稱作水電站發(fā)電負(fù)荷。水電站發(fā)電負(fù)荷受氣象因素影響，與 全社會(huì)用電負(fù)荷所表現(xiàn)的出來(lái)的特征并不一致，甚至相去甚遠(yuǎn)，此外，水電站一般存在于縣 級(jí)電網(wǎng)中，與大電網(wǎng)相比，含水電站地區(qū)的負(fù)荷特點(diǎn)是負(fù)載容量較小，水電站出力占比重相 對(duì)較大，當(dāng)?shù)仉娋W(wǎng)有主網(wǎng)和水電站兩個(gè)電源，由于徑流式水電站沒(méi)有庫(kù)容或庫(kù)容較小，在訊 期時(shí)，水電站出力較大，很可能本地消納不完而向主網(wǎng)倒送功率；因此，含密集徑流式水電 站的配電網(wǎng)網(wǎng)供負(fù)荷經(jīng)常處于功率下網(wǎng)和倒送的波動(dòng)狀態(tài)，給預(yù)測(cè)工作帶來(lái)很大困難。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明提供的帶有水電站的配電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，旨在克服現(xiàn)有技術(shù)中含密 集徑流式水電站站的配電網(wǎng)混合負(fù)荷預(yù)測(cè)困難的不足。
[0004] 為了解決上述技術(shù)問(wèn)題，本發(fā)明采用如下技術(shù)方案；帶有水電站的配電網(wǎng)短期負(fù) 荷預(yù)測(cè)方法，包括W下步驟：
[0005] 步驟1，將帶有水電站的配電網(wǎng)供給負(fù)荷分解為全社會(huì)用電負(fù)荷和水電站發(fā)電負(fù) 荷；
[0006] 步驟2,對(duì)于全社會(huì)用電負(fù)荷，采用遺傳神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型進(jìn)行預(yù)測(cè)；
[0007] 步驟3,對(duì)于水電發(fā)電負(fù)荷，采用基于重構(gòu)相空間的神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型進(jìn)行預(yù) 測(cè)；
[000引步驟4,通過(guò)公式"網(wǎng)供負(fù)荷+水電發(fā)電負(fù)荷=全社會(huì)用電負(fù)荷"還原網(wǎng)供負(fù)荷。
[0009] 作為優(yōu)選，所述步驟2中遺傳神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型的預(yù)測(cè)流程為：
[0010] a、數(shù)據(jù)輸入，給定神經(jīng)網(wǎng)絡(luò)的參數(shù)，設(shè)定遺傳網(wǎng)絡(luò)的參數(shù)，置迭代次數(shù)gen= 0 ;
[0011] b、采用實(shí)數(shù)編碼方式對(duì)神經(jīng)網(wǎng)絡(luò)初始權(quán)值和闊值進(jìn)行編碼，初始化種群；
[0012] C、計(jì)算各個(gè)體適應(yīng)度函數(shù)；判斷是否滿足終止條件，如滿足，則結(jié)束遺傳算法，進(jìn) 入步驟（e);否則，迭代次數(shù)gen=gen+1，進(jìn)入步驟（d);
[0013] t對(duì)種群中的個(gè)體進(jìn)行交叉、變異、選擇，繁殖出新種群，進(jìn)入步驟（C);
[0014] e、遺傳計(jì)算結(jié)束，將最終種群中的個(gè)體解碼，將最優(yōu)個(gè)體賦給神經(jīng)網(wǎng)絡(luò)作初始權(quán) 值和闊值，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練及預(yù)測(cè)輸出；
[0015] 其中，BP神經(jīng)網(wǎng)絡(luò)對(duì)P個(gè)訓(xùn)練樣本的總誤差準(zhǔn)則函數(shù)為：
[0016]
【主權(quán)項(xiàng)】
1. 帶有水電站的配電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，其特征在于，包括以下步驟： 步驟1，將帶有水電站的配電網(wǎng)供給負(fù)荷分解為全社會(huì)用電負(fù)荷和水電站發(fā)電負(fù)荷； 步驟2,對(duì)于全社會(huì)用電負(fù)荷，采用遺傳神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型進(jìn)行預(yù)測(cè)； 步驟3,對(duì)于水電發(fā)電負(fù)荷，采用基于重構(gòu)相空間的神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型進(jìn)行預(yù)測(cè)； 步驟4,通過(guò)公式"網(wǎng)供負(fù)荷+水電發(fā)電負(fù)荷=全社會(huì)用電負(fù)荷"還原網(wǎng)供負(fù)荷。
2. 根據(jù)權(quán)利要求1所述的帶有水電站的配電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，其特征在于：所述 步驟2中遺傳神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型的預(yù)測(cè)流程為： a、 數(shù)據(jù)輸入，給定神經(jīng)網(wǎng)絡(luò)的參數(shù)，設(shè)定遺傳網(wǎng)絡(luò)的參數(shù)，置迭代次數(shù)gen = O ; b、 采用實(shí)數(shù)編碼方式對(duì)神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值進(jìn)行編碼，初始化種群； c、 計(jì)算各個(gè)體適應(yīng)度函數(shù)；判斷是否滿足終止條件，如滿足，則結(jié)束遺傳算法，進(jìn)入步 驟（e);否則，迭代次數(shù)gen = gen+Ι，進(jìn)入步驟（d); d、 對(duì)種群中的個(gè)體進(jìn)行交叉、變異、選擇，繁殖出新種群，進(jìn)入步驟（C); e、 遺傳計(jì)算結(jié)束，將最終種群中的個(gè)體解碼，將最優(yōu)個(gè)體賦給神經(jīng)網(wǎng)絡(luò)作初始權(quán)值和 閾值，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練及預(yù)測(cè)輸出； 其中，BP神經(jīng)網(wǎng)絡(luò)對(duì)P個(gè)訓(xùn)練樣本的總誤差準(zhǔn)則函數(shù)為：
式中，if表示第P個(gè)訓(xùn)練樣本第k個(gè)輸出量的實(shí)際值，of表示第p個(gè)訓(xùn)練樣本第k個(gè) 輸出量的預(yù)測(cè)值，E是網(wǎng)絡(luò)的實(shí)際輸出與期望輸出之間的誤差平方和；是BP神經(jīng)網(wǎng)絡(luò)的一 個(gè)重要性能指標(biāo)，E越小則表示網(wǎng)絡(luò)的性能越好； 遺傳算法是通過(guò)適應(yīng)度函數(shù)的大小F來(lái)實(shí)現(xiàn)個(gè)體的優(yōu)劣性，即遺傳算法優(yōu)化的目標(biāo)就 是找到某一權(quán)值矩陣W和閾值矩陣Θ，使得： maxF = f (W, Θ ) - minE 假設(shè)種群大小為M，某個(gè)個(gè)體為i，其適應(yīng)度為&，則其被選取的概率為：
由于采用了實(shí)數(shù)編碼，故采取算術(shù)交叉的交叉算子；在種群中隨機(jī)均勻選取兩個(gè)染色 體Zi、作為交叉雙親，則由雙親產(chǎn)生的后代為： xi =X1V1 +X1 -η ) X1j =X1jT1 +X1(I-T1) 式中，ri為區(qū)間（0, 1)之間的隨機(jī)數(shù)；種群交叉操作的概率為Ρ。，沒(méi)有進(jìn)行交叉操作的 個(gè)體直接進(jìn)行復(fù)制；實(shí)數(shù)編碼遺傳算法中常用的變異算子有均勻變異算子；假設(shè)一個(gè)個(gè)體 為X = Χι，χ2, Λ，Xk，Λ，X1，若Xk為變異點(diǎn)，其取值范圍為[H]，經(jīng)均勻變異操作后變 異點(diǎn)的新基因?yàn)椋?br>式中，r為區(qū)間（〇, 1)范圍內(nèi)符合均勻概率分布的一個(gè)隨機(jī)數(shù)；[/I，分別為變異 點(diǎn)Xk取值范圍的上限值和下限值；種群變異操作的概率為p m，沒(méi)有進(jìn)行交叉操作的個(gè)體直 接進(jìn)行復(fù)制。
3.根據(jù)權(quán)利要求1所述的帶有水電站的配電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，其特征在于：所述 步驟3中基于重構(gòu)相空間的神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型的預(yù)測(cè)流程為： 1) 、整理負(fù)荷歷史數(shù)據(jù)序列： {xp i = 1，2，Λ，η}; 2) 、采用C-C法確定時(shí)間序列相空間重構(gòu)的時(shí)間延遲τ和嵌入維數(shù)m; 3) 、計(jì)算最大Lyapunov指數(shù)A1，檢驗(yàn)負(fù)荷序列的混純特性，若λ ρο,繼續(xù)步驟4);否 則停止； 4) 、對(duì)原始負(fù)荷序列進(jìn)行相空間重構(gòu)，得到M個(gè)子序列{Χ」，j = 1，2, Λ，Μ}:
5) 、構(gòu)建神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)等于m-1，每個(gè)輸入數(shù)據(jù)之間時(shí)間相 差1：個(gè)時(shí)間點(diǎn)，即1(1：)，1(^+1：)，1(^+2 1：)，*"，1(^+(111-1)1：);輸出節(jié)點(diǎn)即為預(yù)測(cè)時(shí)間點(diǎn) 的預(yù)測(cè)值，即x(t+l+(m-l) τ); 6) 、選取樣本數(shù)據(jù)對(duì)改進(jìn)的遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練； 7) 、選取預(yù)測(cè)時(shí)間點(diǎn)，執(zhí)行步驟2所述的遺傳神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型進(jìn)行預(yù)測(cè)； 對(duì)于長(zhǎng)度為η的時(shí)間序列{Xi，i = l，2，L，n}，延遲時(shí)間為τ，嵌入維數(shù)為m，重構(gòu)的相 空間為： X = HUXJt 即：
式中， Xi - [X i，xi+ τ，Xi+2 τ，L，Xi+(m-G τ ]，M為重構(gòu)后相空間中的相點(diǎn)個(gè)數(shù)，滿足M = n-(m-l) τ ,Xi為第i個(gè)相點(diǎn)； 米用C-C法來(lái)求取τ和m;該方法應(yīng)用關(guān)聯(lián)積分能夠同時(shí)估計(jì)出1^和最優(yōu)時(shí)間延遲 Td，通過(guò)在m和τ變化時(shí)始終保持\不變來(lái)同時(shí)確定嵌入維數(shù)和最優(yōu)延遲時(shí)間； 重構(gòu)相空間中嵌入時(shí)間序列Xi的關(guān)聯(lián)積分定義為：
式中，半徑r > 0 為相點(diǎn)X JP X」之間的距離，這里取無(wú)窮范數(shù)d ij= I IX i-Xj I I " ; 關(guān)聯(lián)函數(shù)
相點(diǎn)數(shù)M = N-(m-1) τ ;定義非線性檢測(cè)統(tǒng)計(jì)量為：
在上述公式中，取歹(?）的第一個(gè)零點(diǎn)或Δ歹(〇的第一個(gè)極小值作為最佳時(shí)間延遲τ d， 取Scor (t)的全局最小值作為時(shí)間窗口 Tw= (m-l) τ d，二者結(jié)合進(jìn)一步估計(jì)嵌入維數(shù)m; 選取Δ歹(/)的第一個(gè)極小值對(duì)應(yīng)的t作為最佳延遲時(shí)間，選取ScotU)的全局最小值對(duì) 應(yīng)的t作為時(shí)間窗口的值； 求得延遲時(shí)間τ和嵌入維數(shù)m后，計(jì)算 一 i=i
式中，CliGO為相空間中的每一對(duì)最近鄰點(diǎn)計(jì)算k個(gè)離散時(shí)間步后的距離，其中L是針 對(duì)某個(gè)k值的非零CliGO的數(shù)目；運(yùn)用最小二乘法計(jì)算曲線y(k)對(duì)k的斜率，該斜率值即 為最大Lyapunov指數(shù)；若該指數(shù)為正，則表示該負(fù)荷序列具有混純特性。
【專利摘要】本發(fā)明提供的帶有水電站的配電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，采用神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)模型，針對(duì)標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)由于初始神經(jīng)元之間的權(quán)值和閾值一般隨機(jī)選擇而具有易陷入局部最小值和收斂速度慢的缺點(diǎn)，用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行優(yōu)化；采用基于重構(gòu)相空間的神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，將水電站發(fā)電負(fù)荷歷史數(shù)據(jù)經(jīng)過(guò)相空間重構(gòu)后作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，來(lái)進(jìn)行水電站發(fā)電負(fù)荷的預(yù)測(cè)，再結(jié)合改進(jìn)的GA-BP神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)模型，這樣就構(gòu)成了含密集徑流式水電站地區(qū)的短期負(fù)荷混合預(yù)測(cè)方法，克服了人工選擇輸入輸出節(jié)點(diǎn)的經(jīng)驗(yàn)誤差，從而提高預(yù)測(cè)準(zhǔn)確度。
【IPC分類】G06Q10-04, G06Q50-06
【公開號(hào)】CN104866918
【申請(qǐng)?zhí)枴緾N201510230625
【發(fā)明人】季曉文, 徐建強(qiáng), 周懿, 梅進(jìn), 沈劉玉, 鄭莉, 吳 琳, 丁向群, 季奧穎
【申請(qǐng)人】國(guó)家電網(wǎng)公司, 國(guó)網(wǎng)浙江省電力公司麗水供電公司, 國(guó)網(wǎng)浙江省電力公司龍泉市供電公司
【公開日】2015年8月26日
【申請(qǐng)日】2015年5月7日