肖明伟, 林其友, 杨乐新, 汪涵, 尹成

(国网安徽电力有限公司芜湖供电公司,安徽,芜湖 241027)

0 引言

为平衡供电需求,电力合理分配电力,实现电力经济调度是十分必要的[1]。配电网短期负荷水平分析主要分为两种,一种是长期负荷分析,一种是短期负荷分析[2]。相对于前者来说,后者可参考的数据就是有限的,使得短期负荷的波动性更大,导致短期负荷分析误差较大。

针对上述问题,提高短期负荷水平分析精度是当前电力公式亟待解决的问题之一。关于这一问题,很多专家和学者都提出了不同的解决方法。例如,任勇等[3]在其研究中基于聚类-回归构建了一种分析模型,利用深度神经网络实现电力短期负荷分析。闫重熙等[4]在其研究中首先利用蒙特卡洛准则对天牛须搜索算法进行了改进,弥补了一般天牛须搜索算法的存在的缺陷,实现更为准确的短期负荷水平分析。刘晓悦等[5]为弥补短期电力数据的不足,利用改进灰色关联分析方法构建相似日集,利用改进后的BP神经网络进行短期负荷分析。

在以往研究的基础上,提出一种基于经验模态分解与偏差校正的配电网短期负荷水平分析方法,以期为制定合理的配电规划提供可靠的负荷数据,提高配电网运行经济性。

1 基于EMD的配电网短期负荷水平分析研究

1.1 配电网负荷数据前期处理

在配电网短期负荷水平分析前,对配电网负荷数据提前进行一些处理是十分必要的,包括缺失数据弥补、异常值处理以及归一化。下面对这3个方面进行具体分析。

1) 缺失数据弥补

缺失数据弥补是指将配电网负荷数据中缺失部分填补上,以保证其完整性。在配电网负荷数据采集过程中,经常发生数据丢失的问题,而数据一旦丢失,数据的特征就会打破,影响预测的准确性[6]。缺失数据弥补公式如:

(1)

式中,ψt代表t时刻中间缺失部分的配电网负荷数据值,ψt-1、ψt+1代表t时刻的前一时刻、后一时刻的配电网负荷数据值,Δt代表t-1时刻和t+1时刻二者间的时间差。

2) 异常值处理

在采集到的配电网负荷时间序列数据除了存在缺失问题外,还存在一种异常值,也就是与其他数值完全不同的离散值。这类数值虽然保证了数据的完整性,但是其存在反而会给整体序列数据造成干扰。为此,需要对这部分数据进行处理。具体过程包括两个部分

(1) 异常值判断。判断公式如:

(|ψt+1-Yt|-|ψt-ψt-1|)max>λ

(2)

式中,Yt代表待检测的配电网负荷数值,Yt-1、Yt+1代表Yt前后t-1时刻和t+1时刻的邻近值,λ代表设置的负荷数据变化阈值。当(|Yt+1-Yt|-|ψt-Yt-1|)max计算结果最大值大于λ,认为Yt是异常值。

(2) 异常值处理。针对判断出来的异常值,进行处理,处理公式如:

(3)

式中,w1、w2、w3代表加权的权值,A5代表包括Yt在内的及其前后t-2、t-1、t+1、t+2时刻配电网负荷数值的总和,A3代表包括Yt在内的及其前后t-1、t+1时刻配电网负荷数值的总和,A2代表t-1、t+1时刻配电网负荷数值的总和。

3) 归一化

弥补缺失数据,处理异常数据后,需要对数据进行归一化处理。归一化的目的是实现数据量纲的统一,使得数据能够用于同一种运算。数据归一化处理公式如:

(4)

经过上述预处理后能在一定程度上提高配电网负荷数据质量,降低后期配电网短期负荷水平分析存在的误差。

1.2 基于EMD的负荷时间序列分解

利用到经验模态分解(EMD)来进行,以配电网负荷时间序列数据为输入,得到若干个IMF分量和一个残差分量。基于EMD的负荷时间序列分解具体流程如图1所示。

图1 基于EMD的负荷时间序列分解具体流程

基于EMD,最终将配电网负荷时间序列分解为如形式:

(5)

式中,ci(t)代表第i个IMF分量,rn(t)代表残差分量。

1.3 基于深度置信神经网络的配电网短期负荷分析

基于上节EMD分解得到的若干IMF分量,构建配电网短期负荷分析模型。该模型的构建以深度置信神经网络为核心,利用其运算,得到未来短时期一段时间内的负荷值。深度置信神经网络由多个受限玻尔兹曼机构成,如图2所示。

图2 深度置信神经网络

深度置信神经网络与一般人工神经网络一样,都需要经过训练。基于训练好的深度置信神经网络,输入测试样本,即经过处理的测试样本IMF分量,得出配电网短期负荷。配电网短期负荷水平分析公式如:

(6)

2 配电网短期负荷计算偏差校正

引入模糊控制方法,将温度变化及休息日这两种常见的不确定因素考虑在内,对上一章节基于深度置信神经网络获得的基本短期负荷分析结果进行校正。模糊控制方法原理框图如图3所示。

图3 模糊控制方法原理框图

(1) 温度因素造成的负荷偏差

温度高或者温度低都会加大人们对电量需求,因此温度因素会造成短期内电力负荷的变化。基于这一点,将温度值作为输入模糊变量。基于上述图3过程,计算得出温度因素造成的负荷偏差。计算公式如:

(7)

其中,

γ=[(Z-Z′)/Z′]×100%

(8)

式中,γ′代表温度因素造成的负荷偏差,γ代表度置信神经网络分析与实际负荷值之间的相对误差,gi代表模糊规则i的隶属度,m代表模糊规则数量,Z代表深度置信神经网络分析出来的训练样本短期负荷值,Z′代表训练样本的实际负荷值。由此完成训练样本短期负荷值的温度负荷偏差校正。

(2) 休息日造成的负荷偏差

以历年同一时间(休息日)相对应的负荷相对误差作为图3的模糊输入变量,经过图3流程进行处理,计算得出的休息日造成的负荷偏差。计算公式如:

(9)

式中,n代表休息日天数。

基于上述两个不确定因素造成的偏差,对深度置信网分析结果进行偏差校正,校正公式如:

(10)

式中,Z(1)代表偏差校正后的配电网短期负荷值,Z(2)代表深度置信网分析的配电网短期负荷值,γ‴代表综合偏差,即γ‴=γ′+γ″。由此完成训练样本短期负荷值的休息日负荷偏差校正。

经过校正后,基于深度置信神经网络的配电网短期负荷分析结果的精度有了很大的提高,弥补了不确定因素造成的偏差。

3 方法仿真测试

为验证本文方法在配电网短期负荷水平分析中的应用效果,进行方法仿真测试。

3.1 样本准备

在国网安徽电力有限公司运营监测(控)中心在线监测分析系统的调度运行数据内采集某市2021年5月份前3个星期的配电网某线路短期负荷数据作为训练样本,预测最后1个星期的配电网短期负荷数据。最后1个星期配电网短期实际负荷曲线图如图4所示。

图4 配电网短期实际负荷图(单位:MW)

3.2 EMD分解负荷时间序列

利用图1流程,分解配电网短期负荷时间序列,分解结果如图5所示。

图5 配电网短期负荷时间序列分解结果

3.3 深度置信神经网络训练

设置初始参数,利用训练样本对深度置信神经网络进行训练,训练精度为0.0001,训练结果如图6所示。

图6 深度置信神经网络训练结果

从图6中可以看出,当达到165次迭代时,深度置信神经网络满足训练精度要求,完成其训练。

3.4 基本短期负荷分析结果

利用训练好的深度置信神经网络分析2021年5月份最后一个星期配电网短期负荷结果。结果如图7所示。

图7 深度置信神经网络分析结果(单位:MW)

将图7与图4对比可以看出,最后一个星期的星期一到星期五分析值与实际值偏差较小,但是周六日分析偏差较大,因此需要进行偏差校正。

3.5 偏差校正结果

利用章节1.4进行偏差校正,校正结果如图8所示。

图8 偏差校正结果

计算图8与图4之间的偏差,再与图7与图4之间的偏差进行对比,结果如表1所示。

表1 偏差校正结果

从表1可知,经过校正后,偏差均有所降低,尤其周六、日,达到了研究目标,说明配电网短期负荷水平分析精度有所提高。这是因为本文考虑了温度情况、休息日这两项不确定因素,利用模糊控制方法对深度置信神经网络计算得出的配电网短期负荷分析结果进行校正优化,弥补了不确定因素造成的偏差,得到了精度较高的分析结果。

4 总结

提出一种基于经验模态分解与偏差校正的配电网短期负荷水平分析方法,将负荷时间序列分解为若干独立的向量,利用后者对基本短期负荷分析结果进行优化,提高预测结果的准确性。然而,本研究仅对星期为单位的短期预测有效,针对以日为单位的超短期负荷分析有待进一步研究。