基于LSSVM的机床设备电气负荷预测.pdf

收稿日期:作者简介:靳 越()男河北张北人副教授硕士 研究方向:电气工程教学与科研等基金项目:本文系河北省教育厅河北省高等学校科学技术研究项目“电子技术类产业高技能人才培养模式的分析研究”(课题编号:)张家口市科协调研课题“建立氢能产业学院对推动张家口氢能产业发展作用的研究”(课题编号:)张家口市新能源(风电)技术创新中心项目的阶段性研究成果基于 的机床设备电气负荷预测靳 越何红亮李少清孙 娜(.张家口职业技术学院 机电工程学院河北 张家口.华北电力大学 电子与通信工程系河北 保定)摘 要:针对机床设备中电气负荷波动性大的问题在研究超短期负荷基本预测方法的基础上提出利用聚类分析方法改进最小二乘支持向量机方法 该方法利用 方法将前期负荷序列与同期序列进行对比并将对比结果引入至预测样本的构建中同时利用该方法对处理后的样本进行建模训练从而形成短期预测模型对比分析表明经该方法改进后的预测数据具有准确性高适应性强的优点关键词:电气负荷实时调度聚类算法最小二乘支持向量机中图分类号:文献标识码:文章编号:()引言机床设备供电电源稳定性及可靠性直接影响中断供电所造成的损失或影响的程度这要求对其负荷的预测达到一定的精确度从而确定固定周期内电力负荷及输配电基本运行模式实时监测机床设备电气动态负荷并利用其采集数据加强对超短周期内负荷的预测是保证机床电气可靠运行的重要手段 因此采取有效的方式对超短周期内负荷的预测具有重要的意义超短周期负荷预测是利用一定的分析方法或技术手段对最近几日或一定时间段内的负荷数据进行预测 其分析的依据是电网运行一定形式下负荷变化具有周期性变化特征可以根据其表现的外在形式以一定的内在联系为基础形成负荷的变化序列具有一定的预测价值常规的预测方法大多可以应用到超短周期的负荷预测中例如时间序列、负荷求导、遗传算法、神经网络算法等但效果并不尽如人意 超短周期的负荷预测目前面临的困难是拐点负荷的预测效率低和准确率差的问题而大量的科研也集中于此 张智晟等提出利用负荷聚类的方法构建负荷变化相类性序列马立新等则提出一种基于粗糙集的粗糙特征函数的算法通过神经网络加机器学习的方法构成闭环控制系统并对负荷历史数据进行挖掘找到负荷的关键特征来建立负荷预测模型明显的提高了预测准确度但这些方法也都不同程度地存在着预测效率低形成结果消耗的资源量过大的问题基于此利用最小二乘支持向量机()和聚类算法对机床设备电气负荷状态进行预测样本利用实时采集数据作为目标样本进行与历史序列值对比形成差异权值样本应用 采用权值处理后训练和建模 通过仿真/实验验证所提方法能够有效地提高效率和精度有较好的效果 相似聚类及其差异的确定在电网中负荷均是以功率的形式来表现功率分为 种形式:有功功率、无功功率和视在功率 而分布式电网中大多数的负荷都是以有功功率 来表示的所以以下的数据中未特殊标注单位的数据均是有功功率单位为(瓦)超短周期的负荷预测其目标是当前的实时采集数据而借助的是历史数据因此采取聚类的方法对历史数据进行分类形成历史负荷数据序列集合再同样利用聚类算法对实时采集数据进行分析并利用相似度分析得出实时类值与历史类中最相似的类形成预测样本历史数据集合采用每 小时间隔数据构建负荷序列采集间隔为 每个集合数据不超过 个以提高数据的计算速度聚类算法采取 算法 ()其中聚类中心由公式()计算可得利用实时采集数据构建实时数据集合同样利用 算法计算出相应的聚类中心 实并利用欧氏距离定理计算出与历史数据中最相近的 个聚类中心数据利用图形扫描的方法构建实时数据与 个历史数据集合的图形以梯形相似系数确定在一定容量内的相似度容量的选择可以根据实际图形及数据密集度动态确定基本有效范围为 确定一个与当前最相似的图形作为预测参考图形并确定其中心差值 实 具体构建过程如图 及图 所示 图 梯形相似度确定 图 相似聚类中心差值的确定 方法下的超短期负荷预测.最小二乘支持向量机 方法分析相比于支持向量机()最 小 二 乘 支 持 向 量 机 将 中的不等式约束转化为等式的约束从而构建出基于某一约束空间内的线性方程组 该方法改进具有的优势是大大简化 的求解的过程提高了运算的速度在对预测精度有一定容忍度的场合最小二乘支持向量机 基本可以胜任算法的简单化 回归函数的确定沿用 的基本方式其分界超平面沿用 中的 所表示的线性参数体超短期负荷描述的目标函数及约束条件为:()().()()其中 为设定误差值 等同于 的 值取由前面聚类算法形成的 作为对比参数利用对偶空间得到的 乘数法得出:()()()()各变量求偏微分方程简化为线性方程组后可得:/()从而得到 回归函数为:()()().实验数据分析采集大量某些负荷运行数据运用回归函数在超短期负荷预测中经方法训练神经网络训练数据、实际数据选取部分时间段数据后进行形成预测负荷对比分析减小了误差解决机床设备中电气负荷波动性大的问题如表 所示表 某企业 机床实际负荷数据与预测负荷数据对比时间实际负荷神经网络法误差本文方法误差:.:.:.:.:.:.:.:.:.表 结果通过采取某一小段时间分析可知所采取改进最小二乘支持向量机方法比神经网络方法预测精度更高降低了平均误差更贴近实际数据可以很直观地看出本文提出的方法比神经网络方法预测精度更高结语本文在研究超短期负荷基本预测方法的基础上提出利用聚类分析改进最小二乘支持向量机方法进行超短期负荷的预测解决了机床设备中电气负荷波动性大的预测 年 月张家口职业技术学院学报第 期 第 卷 第 期 年 月 .精度并减小误差 该方法改进后的预测模型数据相比于神经网络方法与实际值更接近通过仿真实验对比分析表明预测精度有明显提高同时保持了最小二乘支持向量机方法的基本特性训练速度加快对实际应用具有一定的指导价值可结合具体案例进行拓展参考文献:李少波李政杰等基于混合 的生产设备监测系统研究.机床与液压():.艾欣赵阅群周树鹏.适应清洁能源消纳的配电网直接负荷控制模型与仿真.中国电机工程学报():.张智晟孙雅明张世英等.基于数据挖掘多层次细节分解的负荷序列聚类分析.电网技术():.马立新郑晓栋尹晶晶.基于粗糙特征量的短期电力负荷预测.电子科技():.史军曹磊.基于局部相似和 的超短期负荷预测.中国电力教育():.米阳李战强吴彦伟等.基于两级需求响应的并网微电网 双 层 优 化 调 度 .电 网 技 术():.朱兰周雪莹唐陇军等.计及可中断负荷的微电网多目标优化运行.电网技术():.:.(.):.:(上接第 页)参考文献:李贤海李文瑞.对“红色资源”概念界定的思考.井冈山大学学报(社会科学版)():.刘正琨陈志刚.张家口“第二延安”红色文化精神与传承模式研究.品位经典():.(.):.:年 月靳 越何红亮李少清等:基于 的机床设备电气负荷预测第 期