一种自下而上的输电变电站日前负荷概率预测方法

摘要

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。

说明书

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Y

其中，y

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Y

其中，y

采用DBI指标判断分类类数是否达到最优，其计算方法如下：

式中，k为聚类类数，

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y

优选的，所述步骤S3具体为：

设输电变电站历史负荷曲线为y

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：

其中，x

其中，w

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x

给定一个包含N

在t时刻，实际负荷值y

其中，预测误差ε

ε

其中，ε

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：

其中，

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

将

基于

对于数据噪声方差，基于训练输入集变量x

基于B个已训练的网络，如果

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y

在输入x

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

给出一个训练集：

其中，ε

优选的，所述步骤S5具体为：

如果

如果

根据压变电站的日前负荷点预测结果的均值

其中，预测上限

其中，z

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Y

其中，y

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Y

其中y

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：

式中k为聚类类数,

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y

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y

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：

其中，x

其中，w

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x

给定一个包含N

在t时刻，实际负荷值y

其中，预测误差ε

ε

其中，ε

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：

其中，

为估计模型的模型误差的方差

之后将

基于

对于数据噪声方差，基于训练输入集变量x

具体来说，基于B个已训练的网络，如果

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y

之后，在输入x

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

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ε

其中，ε

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

相似的，如果

根据压变电站的日前负荷点预测结果的均值

其中的预测上限

其中的z

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

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

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。