基于經驗模態分解與偏差校正的配電網短期負荷水平分析方法

肖明偉, 林其友, 楊樂新, 汪涵, 尹成

(國網安徽電力有限公司蕪湖供電公司,安徽,蕪湖 241027)

0 引言

為平衡供電需求,電力合理分配電力,實現電力經濟調度是十分必要的[1]。配電網短期負荷水平分析主要分為兩種,一種是長期負荷分析,一種是短期負荷分析[2]。相對于前者來說,后者可參考的數據就是有限的,使得短期負荷的波動性更大,導致短期負荷分析誤差較大。

針對上述問題,提高短期負荷水平分析精度是當前電力公式亟待解決的問題之一。關于這一問題,很多專家和學者都提出了不同的解決方法。例如,任勇等[3]在其研究中基于聚類-回歸構建了一種分析模型,利用深度神經網絡實現電力短期負荷分析。閆重熙等[4]在其研究中首先利用蒙特卡洛準則對天牛須搜索算法進行了改進,彌補了一般天牛須搜索算法的存在的缺陷,實現更為準確的短期負荷水平分析。劉曉悅等[5]為彌補短期電力數據的不足,利用改進灰色關聯分析方法構建相似日集,利用改進后的BP神經網絡進行短期負荷分析。

在以往研究的基礎上,提出一種基于經驗模態分解與偏差校正的配電網短期負荷水平分析方法,以期為制定合理的配電規劃提供可靠的負荷數據,提高配電網運行經濟性。

1 基于EMD的配電網短期負荷水平分析研究

1.1 配電網負荷數據前期處理

在配電網短期負荷水平分析前,對配電網負荷數據提前進行一些處理是十分必要的,包括缺失數據彌補、異常值處理以及歸一化。下面對這3個方面進行具體分析。

1) 缺失數據彌補

缺失數據彌補是指將配電網負荷數據中缺失部分填補上,以保證其完整性。在配電網負荷數據采集過程中,經常發生數據丟失的問題,而數據一旦丟失,數據的特征就會打破,影響預測的準確性[6]。缺失數據彌補公式如:

(1)

式中,ψt代表t時刻中間缺失部分的配電網負荷數據值,ψt-1、ψt+1代表t時刻的前一時刻、后一時刻的配電網負荷數據值,Δt代表t-1時刻和t+1時刻二者間的時間差。

2) 異常值處理

在采集到的配電網負荷時間序列數據除了存在缺失問題外,還存在一種異常值,也就是與其他數值完全不同的離散值。這類數值雖然保證了數據的完整性,但是其存在反而會給整體序列數據造成干擾。為此,需要對這部分數據進行處理。具體過程包括兩個部分

(1) 異常值判斷。判斷公式如:

(|ψt+1-Yt|-|ψt-ψt-1|)max>λ

(2)

式中,Yt代表待檢測的配電網負荷數值,Yt-1、Yt+1代表Yt前后t-1時刻和t+1時刻的鄰近值,λ代表設置的負荷數據變化閾值。當(|Yt+1-Yt|-|ψt-Yt-1|)max計算結果最大值大于λ,認為Yt是異常值。

(2) 異常值處理。針對判斷出來的異常值,進行處理,處理公式如:

(3)

式中,w1、w2、w3代表加權的權值,A5代表包括Yt在內的及其前后t-2、t-1、t+1、t+2時刻配電網負荷數值的總和,A3代表包括Yt在內的及其前后t-1、t+1時刻配電網負荷數值的總和,A2代表t-1、t+1時刻配電網負荷數值的總和。

3) 歸一化

彌補缺失數據,處理異常數據后,需要對數據進行歸一化處理。歸一化的目的是實現數據量綱的統一,使得數據能夠用于同一種運算。數據歸一化處理公式如:

(4)

經過上述預處理后能在一定程度上提高配電網負荷數據質量,降低后期配電網短期負荷水平分析存在的誤差。

1.2 基于EMD的負荷時間序列分解

利用到經驗模態分解(EMD)來進行,以配電網負荷時間序列數據為輸入,得到若干個IMF分量和一個殘差分量?；贓MD的負荷時間序列分解具體流程如圖1所示。

圖1 基于EMD的負荷時間序列分解具體流程

基于EMD,最終將配電網負荷時間序列分解為如形式:

(5)

式中,ci(t)代表第i個IMF分量,rn(t)代表殘差分量。

1.3 基于深度置信神經網絡的配電網短期負荷分析

基于上節EMD分解得到的若干IMF分量,構建配電網短期負荷分析模型。該模型的構建以深度置信神經網絡為核心,利用其運算,得到未來短時期一段時間內的負荷值。深度置信神經網絡由多個受限玻爾茲曼機構成,如圖2所示。

圖2 深度置信神經網絡

深度置信神經網絡與一般人工神經網絡一樣,都需要經過訓練?；谟柧毢玫纳疃戎眯派窠浘W絡,輸入測試樣本,即經過處理的測試樣本IMF分量,得出配電網短期負荷。配電網短期負荷水平分析公式如:

(6)

2 配電網短期負荷計算偏差校正

引入模糊控制方法,將溫度變化及休息日這兩種常見的不確定因素考慮在內,對上一章節基于深度置信神經網絡獲得的基本短期負荷分析結果進行校正。模糊控制方法原理框圖如圖3所示。

圖3 模糊控制方法原理框圖

(1) 溫度因素造成的負荷偏差

溫度高或者溫度低都會加大人們對電量需求,因此溫度因素會造成短期內電力負荷的變化。基于這一點,將溫度值作為輸入模糊變量。基于上述圖3過程,計算得出溫度因素造成的負荷偏差。計算公式如:

(7)

其中,

γ=[(Z-Z′)/Z′]×100%

(8)

式中,γ′代表溫度因素造成的負荷偏差,γ代表度置信神經網絡分析與實際負荷值之間的相對誤差,gi代表模糊規則i的隸屬度,m代表模糊規則數量,Z代表深度置信神經網絡分析出來的訓練樣本短期負荷值,Z′代表訓練樣本的實際負荷值。由此完成訓練樣本短期負荷值的溫度負荷偏差校正。

(2) 休息日造成的負荷偏差

以歷年同一時間(休息日)相對應的負荷相對誤差作為圖3的模糊輸入變量,經過圖3流程進行處理,計算得出的休息日造成的負荷偏差。計算公式如:

(9)

式中,n代表休息日天數。

基于上述兩個不確定因素造成的偏差,對深度置信網分析結果進行偏差校正,校正公式如:

(10)

式中,Z(1)代表偏差校正后的配電網短期負荷值,Z(2)代表深度置信網分析的配電網短期負荷值,γ?代表綜合偏差,即γ?=γ′+γ″。由此完成訓練樣本短期負荷值的休息日負荷偏差校正。

經過校正后,基于深度置信神經網絡的配電網短期負荷分析結果的精度有了很大的提高,彌補了不確定因素造成的偏差。

3 方法仿真測試

為驗證本文方法在配電網短期負荷水平分析中的應用效果,進行方法仿真測試。

3.1 樣本準備

在國網安徽電力有限公司運營監測(控)中心在線監測分析系統的調度運行數據內采集某市2021年5月份前3個星期的配電網某線路短期負荷數據作為訓練樣本,預測最后1個星期的配電網短期負荷數據。最后1個星期配電網短期實際負荷曲線圖如圖4所示。

圖4 配電網短期實際負荷圖(單位:MW)

3.2 EMD分解負荷時間序列

利用圖1流程,分解配電網短期負荷時間序列,分解結果如圖5所示。

圖5 配電網短期負荷時間序列分解結果

3.3 深度置信神經網絡訓練

設置初始參數,利用訓練樣本對深度置信神經網絡進行訓練,訓練精度為0.0001,訓練結果如圖6所示。

圖6 深度置信神經網絡訓練結果

從圖6中可以看出,當達到165次迭代時,深度置信神經網絡滿足訓練精度要求,完成其訓練。

3.4 基本短期負荷分析結果

利用訓練好的深度置信神經網絡分析2021年5月份最后一個星期配電網短期負荷結果。結果如圖7所示。

圖7 深度置信神經網絡分析結果(單位:MW)

將圖7與圖4對比可以看出,最后一個星期的星期一到星期五分析值與實際值偏差較小,但是周六日分析偏差較大,因此需要進行偏差校正。

3.5 偏差校正結果

利用章節1.4進行偏差校正,校正結果如圖8所示。

圖8 偏差校正結果

計算圖8與圖4之間的偏差,再與圖7與圖4之間的偏差進行對比,結果如表1所示。

表1 偏差校正結果

從表1可知,經過校正后,偏差均有所降低,尤其周六、日,達到了研究目標,說明配電網短期負荷水平分析精度有所提高。這是因為本文考慮了溫度情況、休息日這兩項不確定因素,利用模糊控制方法對深度置信神經網絡計算得出的配電網短期負荷分析結果進行校正優化,彌補了不確定因素造成的偏差,得到了精度較高的分析結果。

4 總結

提出一種基于經驗模態分解與偏差校正的配電網短期負荷水平分析方法,將負荷時間序列分解為若干獨立的向量,利用后者對基本短期負荷分析結果進行優化,提高預測結果的準確性。然而,本研究僅對星期為單位的短期預測有效,針對以日為單位的超短期負荷分析有待進一步研究。