采用Wolf異步迭代分析的電力異常負載預測仿真

郭　崇，王　征，張　楠

(1.沈陽農業大學 信電學院，沈陽　110866；2. 遼寧工業大學 管理學院，遼寧 錦州　121001；3. 國網遼寧省電力有限公司，沈陽　110006)

采用Wolf異步迭代分析的電力異常負載預測仿真

郭崇1,2，王征3，張楠3

(1.沈陽農業大學 信電學院，沈陽110866；2. 遼寧工業大學 管理學院，遼寧 錦州121001；3. 國網遼寧省電力有限公司，沈陽110006)

摘要：電力異常負載的準確預測是保障電力高效調度的關鍵，傳統方法采用線性指數時間序列預測算法，當電力負荷出現包絡振蕩時，預測精度不好。提出一種基于Wolf異步迭代分析的電力異常負載預測和仿真分析方法。對電力異常負載進行信息流模型構建和時間序列分析，提取電力負載信息流的時頻特征，采用Wolf異步迭代方法對時頻特征進行信息融合，對電力異常負載序列進行相空間重構后，計算電力異常負載時間序列的幾何不變量，進行異常節點和負載流的信息特征預測，實現電力異常負載預測算法改進。仿真結果表明，采用該算法進行電力異常負載預測的精度較高，誤差減少，性能優越。

關鍵詞：Wolf異步迭代分析；電力異常負載；預測算法

對電力系統的優化管理的根本是要保障電力負載的安全穩定運行，避免超負荷異常運行，因此，需要研究一種有效的電力異常負載優化預測方法，提高整個電力系統的管理和調度能力，相關算法研究受到人們的重視。通過對電力異常負載的準確預測，提高電力調度管理能力，通過對電力調度優化管理，可以帶來以下好處：一是促進電力系統的軟件進行改進和升級；二是提高電力負載的總體監管和調度能力。

傳統方法中，對電力異常負載的預測算法主要采用基于統計時間序列分析的電力異常負載預測方法、基于子空間降噪的電力異常負載預測算法和基于Marlov模型、Poisson模型的電力負載預測算法等，并取得可以定的預測效果[1-3]。但是這些算法存在計算精度不高，電力異常負載序列特征的提取受到的干擾較大等缺點，需要進行改進設計，對此，文獻[4]提出一種基于用定量遞歸分析的電力負荷預測算法，通過相空間重構提取電力負荷異常時間序列的非線性特征，然后進行定量遞歸圖構建，實現對電力異常負載的定量遞歸分析，以此為基礎實現負載發展趨勢的準確預測，但是該方法需要在高維空間中進行時間序列重構，導致計算開銷較大，實時性不好；文獻[5]提出一種基于用戶位置感知的電力異常負載時間序列量預測方法，該方法利用一些電力異常負載時間序列量屬性受用戶位置影響的事實，根據自治系統來計算電力用戶節點的異常特征，實現時間序列分析和預測，但該方法隨著對電力網絡分布的差異性較大導致負載預測的執行結果差異很大，精度不好；文獻[6]提出一種基于時間-頻率聯合分布特征提取的電力異常負載預測算法，該算法對窄帶長時段電力異常負載的預測效果較好，但對短時非線性電力異常負載的預測精度不高。文獻[7]采用線性指數時間序列預測算法，當電力負荷出現包絡振蕩時，預測精度不好。針對這些問題，本文提出一種基于Wolf異步迭代分析的電力異常負載預測算法，首先對電力異常負載進行信息流模型構建和時間序列分析，提取電力負載信息流的時頻特征，采用Wolf異步迭代方法對時頻特征進行信息融合，提高預測精度，仿真實驗進行了性能驗證，展示了本文算法在提高電力異常負載預測性能，降低預測誤差，提高抗干擾性能方面的優越性，得出有效性結論。

1電力異常負載時間序列模型構建與特征提取

1.1電力異常負載時間序列模型構建

為了實現對電力異常負載的預測，采用時間序列分析和信號處理方法，進行預測算法設計，首先需要構建電力異常負載時間序列模型，電力負載數據交互結構示意圖如圖1所示。

圖1　電力負載數據交互結構示意圖

在圖1所示的電力負載數據交互中心中，進行時間序列采樣，分析電力網絡中的電力負載的異常節點，在密集電力負載數據交互網絡中，確定電力負載傳輸的中繼節點，采用SN、sink和跳數進行相空間重構和時間序列迭代，在SN與sink之間的連線上進行適應度求解，且相鄰兩節點之間的用戶接入的控制精度最優。此時電力網絡的用戶接入分布式最優跳數hop_countopt是快照窗口?d/d0」或「d/d0?的簇集合，電力負載數據的相空間軌跡中心矢量距離為：

(1)

式中n0——負載數據的分布交叉項系數；β——負載的電力強度；α1，α2——兩個數據采樣通道的均衡系數。

在電力負載數據交互信息流序列中，采用非線性時間序列分析方法[8]，計算電力負載的離散樣本頻譜特征Xp(u)，得到多層矢量回歸空間中的離散樣本頻譜特征量為：

(2)

式中sc(t)——電力負載數據訓練集中屬于bi類的元素的概率密度；ej2πf0t——電力負載聚類獨立相關變量。

電力負載預測過程中需要進行數據聚類，此時負載數據的聚類時間窗口中的數據集為{X1，X2，…，Xn}，在上述構建的電力異常負載時間序列模型中，進行電力異常負載時間序列的時間標量序列分析和特征提取，為進行電力異常負載預測提供準確的測試樣本集。

1.2電力負載的異常特征提取和信息融合

在上述構建的電力異常負載時間序列模型中，進行特征提取和信息融合，假設一個短時電力異常負載非線性時間序列由一非線性多元特征線性方程表示，最小競爭異步遞進方程為：

xn=x(t0+nΔt)=h[z(t0+nΔt)]+ωn

(3)

式中h(.)——觀測電力異常負載標量時間序列的多元數量值函數；ωn——測量誤差。

假設給定監測的電力異常負載時間序列量表示為：

U={U1，U2，…，UN}

(4)

其中，Ui為維數為d維的隨機變量，采用電力異常負載時間序列的相空間重構方法對負載數據進行特征提取和矢量狀態圖構建，在m維相空間中，M是d維的滑動時間窗口，h是M上的一個光滑函數，電力異常負載數據在m維相空間中形成一種規則的傳輸拓撲圖，得到電力異常負載準確預測的概率密度函數表達為：

(5)

Θ=[α，u，∑]

(6)

(7)

(8)

[(1+Dl0)×(1+Dl1)×…×(1+DlM-1)]≤

[(1+Dl0+1+Dl1+…+1+DlM-1)/M]M=

(1+D)M

(9)

式(9)表示的是短時電力異常負載時間序列的時間標量序列為{x(t0+iΔt)}，i=0，1，…，N-1時的行特征向量，通過時頻特征提取，得到信息融合結果為：

X=K[s1，s2，…sK]n=K(xn，xn-τ，…，xn-(m-1)τ)

(10)

其中，K=N-(n-1)τ表示電力異常負載序列在時頻域中的嵌入維數，τ為時間延遲，根據Wolf異步迭代定理，在相空間中計算電力異常負載時間序列的幾何不變量，進行異常節點和負載流的信息特征預測。

2電力異常負載預測算法改進實現

在上述進行電力異常負載的時間序列分析和特征提取的基礎上，進行電力異常負載改進設計，傳統方法采用線性指數時間序列預測算法，當電力負荷出現包絡振蕩時，預測精度不好。為了克服傳統方法的弊端，本文提出一種基于Wolf異步迭代分析的電力異常負載預測和仿真分析方法。令為維數的矩陣，表征電力異常負載序列的d×L維廣域子空間，在m維度的多維狀態空間，根據Wolf異步迭代方法，在相空間中構建電力異常負載預測模型，得到的si=(xi，xi+τ，…，xi+(m-1)τ)T稱為短時電力異常負載非線性時間序列的嵌入空間狀態矢量，其表達式為：

(11)

結合式(11)，選擇適當的m和τ，使得電力異常負載時間序列量異步預測算法保證了父節點比其子節點擁有更多的特征分布的概率密度，此時電力負載中出現異常節點的概率密度特征表示為：

R1={X1，X2，X3，…，Xd}

(12)

采用虛假最近鄰點算法得到電力異常負載預測相關函數為：

(13)

設置一個預估計器來計算電力異常負載在最佳嵌入維數下的特征值分解值，電力負荷序列在子空間中的第一個極小點對應的特征分解表達式為：

(14)

假設，xj是xi近鄰的一組特征向量，采用Wolf異步迭代算法，從L+1到2L維進行電力異常負載時間序列量預測分析，取相空間中Xm為中心點，得到電力負載數據預測Wolf異步迭代的類推式為：

(15)

R2={Xd+1，Xd+2，…，Xd+m}T

(16)

(17)

電力異常負載的廣域特征解向量為：

V=[V1，V2，…，Vm]∈Rm×m

(18)

通過Wolf異步迭代分析，負載值Xm和Xk通過一步發展演變為Xm+1和Xk+1，其中V∈Rm×m在增長變化過程中具有正交向量解，Xm+1的最末分量x(tn+1)未知，從而得到：

VVT=IM

(19)

∑=diag(σ1，σ2，…，σm)∈Rm×m

(20)

VVT=IM

(21)

∑=diag(σ1，σ2，…，σm)∈Rm×m

(22)

式(22)即為提取的RTR的電力異常負載時間序列量預測分析數據的特征值，這些特征值之間存在大小關系，為：

σ1>σ2>σ3>…>σs+1>σm

(23)

通過FGN處理得到替代原電力異常負載的新的序列，表達為：

(24)

從而得到電力異常負載的預測值為：

x(tn+1)′=Xm+1(m)

(25)

電力異常負載序列的高斯自相似過程中的期望值mk和標準差εk，設N0=0，D0=1，對，對k=1，2，…，n-1，φkj電力異常負載序列進行相空間重構后，進行Wolf異步迭代，由下面的遞推公式計算得到，其中，j=1，2，…，k。產生的一組替代電力異常負載序列新的時間序列yk，得到預測結果為：

(26)

(27)

φkk=Nk/Dk

(28)

φkj=φk-1，j-φkkφk-1，k-j

(29)

在電力異常負載高斯分布N(0,1)中產生一個初始值x0，從而實現電力異常負載預測算法改進設計。

3仿真實驗與結果分析

為了測試本文算法在實現電力異常負載預測中的性能，進行仿真實驗。首先對電力異常負載進行數據采集，實驗環境建立在具有AD5545的數字接口的操作系統開發軟件LDACOS中，對電力負載數據進行信息交換，操作系統的輸入硬件資源的編譯數據共18位，高2位為地址譯碼，電力負載預測的軟件的接口的閾值δ設為δ=0.35。訪問節點數的變化范圍為210到1024，節點保存198對值作為堆棧的指針，在中心交換機進行采集電力異常負載數據。時間為本年度11月1日至15日的流量信息。采集方法是等時間間隔監測電力異常負載的數據包個數和數據量信息，構建時間序列模型，根據改進的電力異常負載預測算法，產生2 000個數值。根據仿真計算出λ1=0.43，根據上述仿真環境和參數設定，進行電力負載數據采集，得到時域波形如圖2所示。

圖2　電力負載數據采集時域波形

對上述采集結果進行時間序列分析，以采集數據為測試樣本，進行電力異常負載的預測，初值取x0=2，y0=2，z0=2，得到電力負載的異常值特征提取結果如圖3所示。

圖3　電力負載時間序列異常點特征提取結果

從圖3可見，采用本文算法能有效提取電力異常負載數據信息特征，以此為基礎進行Wolf異步迭代，進行電力異常負載預測，得到預測結果如圖4所示。

圖4　電力異常負載預測結果

從圖4可見，采用本文算法進行電力異常負載預測，能準確有效跟蹤電力異常負載的發展態勢，實現信息融合和跟蹤，提高預測精度，為了對比算法性能，采用本文算法和傳統方法得到預測準確度對比結果如圖5所示。從圖5可見，采用本文方法有效提高了電力負載的預測精度，性能優越。

圖5　預測精度對比

4結語

為了實現對電力異常負載的準確預測，本文提出一種基于Wolf異步迭代分析的電力異常負載預測算法，首先對電力異常負載進行信息流模型構建和時間序列分析，提取電力負載信息流的時頻特征，采用Wolf異步迭代方法對時頻特征進行信息融合，研究表明，采用該方法進行電力負載預測，提高電力異常負載預測性能，降低預測誤差，提高抗干擾性能，具有較好的應用價值。

參考文獻：

[1]EldemerdashYA,DobreOA,LIAOBJ.BlindidentificationofSMandAlamoutiSTBC-OFDMsignals[J].IEEETransactionsonWirelessCommunications,2015 14(2):972-982.

[2]KARAMIE,DOBREOA.IdentificationofSM-OFDMandAL-OFDMsignalsbasedontheirsecond-ordercyclostationarity[J].IEEETransactionsonVehicularTechnology,2015,64(3):942-953.

[3]MOHAMMADKARIMIM,DOBREOA.BlindidentificationofSpatialMultiplexingandAlamoutispace-timeblockcodeviaKolmogorov-Smirnov(K-S)test[J].IEEECommunicationsLetters,2014,18(10):1711-1714.

[4]ELDEMERDASHYA,DOBREOA,MAREYM,etal..Anefficientalgorithmforspace-timeblockcodeclassification[C].IEEEGlobalCommunicationsConference,Atlanta,USA,2013:3329-3334.

[5]ELDEMERDASHYA,MAREYM,DOBREOA,etal..Fourth-orderstatisticsforblindclassificationofSpatialMultiplexingandAlamoutispace-timeblockcodesignals[J].IEEETransactionsonCommunications,2013,61(6):2420-2431.

[6]MAREYM,DOBREOA,LIAOB.ClassificationofSTBCsystemoverfrequency-selectivechannels[J].IEEETransactionsonVehicularTechnology,2015,64(5):2159-2164.

[7]靳曉艷,周希元,張琬琳.多徑衰落信道中基于自適應MCMC的調制識別[J].北京郵電大學學報,2014,37(1):31-34.

JINXiao-yan,ZHOUXi-yuan,ZHANGWan-lin.ModulationrecognitionusingadaptiveMCMCinmultipathfadingchannel[J]．JournalofBeijingUniversityofPostsandTelecommunications，2014, 37(1)：31-34.

[8]張軍強,王汝傳,黃海平.基于分簇的無線多媒體傳感器網絡數據聚合方案研究[J].電子與信息學報,2014,36(1):8-14.

ZHANGJun-qiang,WANGRu-chuan,HUANGHai-ping.Researchoncluster-baseddataaggregationforwirelessmultimediasensornetworks[J].JournalofElectronics&InformationTechnology, 2014,36(1):8-14.

(本文編輯：楊林青)

Simulation of Abnormal Power Load Forecasting Using Wolf Asynchronous Iterative Analysis

GUO Chong1,2, WANG Zheng3, ZHANG Nan3

(1.SchoolofInformationandElectronicEngineering,ShenyangAgriculturalUniversity,Shenyang110866,China;2.DepartmentofManagement,LiaoningUniversityofTechnology,Jinzhou121001,China;3.StateGridLiaoningElectricPowerCompany,Shenyang110006,China)

Abstract:The accurate prediction of abnormal power load is the key to guaranteeing the efficient power scheduling. The traditional method, using linear index time series prediction algorithm, is low prediction accuracy in the event of power load envelope oscillation. This paper presents an analysis method of abnormal load forecasting and simulation based on Wolf asynchronous iterative analysis. By constructing the abnormal power load information flow model and analyzing the time series, it extracts the time-frequency features of power load information flow, and fuses time-frequency feature information by using Wolf asynchronous iterative method. After the phase space reconstruction of abnormal power load series, it calculates the geometric invariants of the time series of electric power, and predicts the information of the abnormal nodes and load flow, improving abnormal load prediction algorithm. The simulation results show that the proposed algorithm is superior in the performance by improving the prediction accuracy, and reducing the error.

Key words:Wolf asynchronous iteration; electric power; abnormal load; prediction algorithm

DOI：10.11973/dlyny201603015

作者簡介：郭崇(1980)，女，碩士，講師，主要研究領域為電子商務與數據挖掘。

中圖分類號：TP391.1

文獻標志碼：A

文章編號：2095-1256(2016)03-0325-05

收稿日期：2016-03-10