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.pdf

Microcomputer Applications Vol.39,No.10,2023文章编号：10 0 7-7 57 X(2023)10-0168-04开发应用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微型电脑应用2 0 2 3年第39 卷第10 期肖明伟，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2 410 2 7）摘要：受到温度情况、休息日、甚至突发事件等不确定因素的影响，配电网短期负荷分析准确性不高，与实际情况存在较大的偏差。针对上述问题，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。对配电网负荷数据进行预处理，包括缺失数据弥补、异常值处理以及归一化；利用经验模态分解，将预处理好的配电网负荷时间序列分解为若干独立IFM分量，以这些独立IFM分量为输入，利用深度置信网络分析配电网短期负荷值。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，优化深度置信网络计算得出的基本短期负荷分析结果，实现偏差校正。试验结果表明：所研究方法应用下，配电网短期负荷水平分析结果与实际结果之间的偏差均有所降低，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。关键词：经验模态分解；偏差校正；配电网短期负荷；深度置信网络；水平分析方法中图分类号：TM715文献标志码：AShort Term Load Level Analysis Method of Distribution NetworkBased on Empirical Mode Decomposition and Deviation CorrectionXIAO Mingwei,LIN Qiyou,YANG Lexin,WANG Han,YIN Cheng(Wuhu Power Supply Company,State Grid Anhui Electric Power Co.,Ltd.,Wuhu 241027,China)Abstract:Because of uncertain factors such as temperature,weekends and even emergencies,the accuracy of distribution net-work short-term load analysis is not ideal,and there is a large deviation from the actual situation.Aiming at the problem,adistribution network short-term load level analysis method based on empirical mode decomposition and deviation correction isproposed.We preprocess the load data of distribution network,including missing data compensation,abnormal value process-ing and normalization.Then,using empirical mode decomposition,the preprocessed distribution network load time series is de-composed into several independent IFM components.Taking these independent IFM components as inputs,the short-term loadvalue of distribution network is analyzed by deep confidence network.The fuzzy control method is introduced to take the twocommon uncertain factors of temperature change and weekends into account,optimize the basic short-term load analysis resultscalculated by the depth confidence network,and realize the deviation correction.The results show that under the application ofthe research method,the deviation between the distribution network short-term load level analysis results and the actual resultsis reduced,especially on Saturday and Sunday,the research goal is achieved,which indicates that the accuracy of distributionnetwork short-term load level analysis is improved.Key words:empirical mode decomposition;deviation correction;short term load of distribution network;deep confidence net-work;horizontal analysis method前者来说，后者可参考的数据就是有限的，使得短期负荷的0引言波动性更大，导致短期负荷分析误差较大。为平衡供电需求，电力合理分配电力，实现电力经济调针对上述问题，提高短期负荷水平分析精度是当前电力度是十分必要的！。配电网短期负荷水平分析主要分为两公式呕待解决的问题之一。关于这一问题，很多专家和学者种，一种是长期负荷分析，一种是短期负荷分析2。相对于都提出了不同的解决方法。例如，任勇等3在其研究中基于作者简介：肖明伟（198 5一），男，硕士，高级工程师，研究方向为电网规划、工程管理；林其友（197 6 一），男，硕士，高级工程师，研究方向为电网建设、工程管理；杨乐新（198 7 一），男，硕士，高级工程师，研究方向为配电网规划、配网工程设计；汪涵（1991一），男，硕士，工程师，研究方向为项目评审、工程管理；尹成（198 9一），男，本科，工程师研究方向为电网规划、工程管理。.168.Microcomputer Applications Vol.39,No.10,2023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。缺失数据弥补公式如：4=4-+式中，代表t时刻中间缺失部分的配电网负荷数据值，-1、+1代表t时刻的前一时刻、后一时刻的配电网负荷数据值，t代表t一1时刻和t十1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：(1 y+1-Y-1-1)mx式中,Y代表待检测的配电网负荷数值,Y-1,Yi+1代表Y前后t一1时刻和t十1时刻的邻近值，入代表设置的负荷数据变化阈值。当（|Yi+1-Y-Yi-)m a x 计算结果最大值大于入，认为Y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：Yi=(会)+(今)+(会)式中，W1、2、w 代表加权的权值，A代表包括Y在内的及其前后t一2、t一1、t十1、t十2 时刻配电网负荷数值的总和，A：代表包括Y在内的及其前后t-1、t十1时刻配电网负荷数值的总和，A2代表t一1、t十1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开发应用化处理。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)式中，Y代表t时刻归一化后的配电网负荷数据，代表t时刻原始配电网负荷数据。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人，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。开始输入配电网负荷时间序列F()找出F()中所有局部极大值点和局部极小值点用两条光滑的曲线连接所有的极小值点与极大值点上下包络线计算上下包络线的均值(1)F()减去均值,记为d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：F(t)=Zc(t)+r,(t)1-1式中，c（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。(2)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。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：Zf=f(Zwah+bt)(3)式中，代表最后一个RBM输出，代表RBM层数，w代表连接权值，b代表偏置量，f代表传递函数。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。.169.微型电脑应用2 0 2 3年第39 卷第10 期Y=lg 是否满足IFM条件是n+n+1,s(0)=d,u-u-s(t)文u是否为单调函数是得到若干IMF分量和一个剩余分量结束(5)（6)Microcomputer Applications Vol.39,No.10,2023输入模糊化图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，将温度值作为输人模糊变量。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，=(Z-Z)/Z 100%式中，代表温度因素造成的负荷偏差，代表度置信神经网络分析与实际负荷值之间的相对误差，g；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的模糊输人变量，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：-(2g)/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：Z(1)=(10+1)+2(2)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，”代表综合偏差，即=十。由此完成训练样本短期负荷值的休息日负荷偏差校正。开发应用经过校正后，基于深度置信神经网络的配电网短期负荷输出结果反向传播BP神经网络权重RBMO权重微调RBMOO权重微调RBMO输入IMF分量图2 深度置信神经网络知识库数据库规则库推理机解模糊22微型电脑应用2 0 2 3年第39 卷第10 期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方法仿真测试微调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2 0 2 1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。500，星期一400300星期日200100输出星期六图4配电网短期实际负荷图（单位：MW）3.2EMD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。3.3深度置信神经网络训练(8)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0.0 0 0 1，训练结果如图6 所示。从图6 中可以看出，当达到16 5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2 0 2 1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。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。(9)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。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。从表1可知，经过校正后，偏差均有所降低，尤其周六、(10)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。.170.星期二星期三星期四星期五Microcomputer Applications Vol.39,No.10,2023150时间/h5000-5000500EHNI0-50050500r0-5000500SHNI0-5000500r9HNI0-50050500-5000500r0-50050图5配电网短期负荷时间序列分解结果0.0005%/物0.00030.00010图6深度置信神经网络训练结果表1偏差校正结果校正前与实际结果校正后与实际结果日期之间的偏差/MW星期一25.36星期二24.85星期三25.55星期四23.32星期五24.80星期六34.33星期日36.52开发应用500r0-5000微型电脑应用2 0 2 3年第39卷第10 期4总结42844284时间/h4284时间/h4284时间/h4284时间/h4284时间/h4284时间/h4284时间/h50100送代次数/次之间的偏差/MW18.2618.2118.3217.5617.8418.2218.65126126126126126126126126150200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150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。5001150400300星期日200100150150150150150250星期一星期六星期五图7深度置信神经网络分析结果（单位：MW)500星期一40300星期日2001004星期六星期五图8偏差校正结果参考文献1孔祥玉，李闯，郑锋，等.基于经验模态分解与特征相关分析的短期负荷预测方法J.电力系统自动化，2019,43(5):46-52.2 王晓东，苗宜之，刘颖明，等.基于多分解策略和误差校正的超短期风电功率混合智能预测算法J.太阳能学报,2 0 2 1,42(6)：312-32 0.3任勇，曾鸣.基于簇负荷特性曲线的“聚类-回归”电力大用户短期负荷预测.华北电力大学学报（自然科学版），2 0 2 0,47(5)：7 5-8 5.4闫重熙，陈皓.基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究J.电测与仪表，2 0 2 0，57(6):6-11.5刘晓悦，魏宇册.基于改进灰色关联分析的BA-BP短期负荷预测J.科学技术与工程，2 0 2 0，2 0（1）：223-227.6 格日勒.基于多电平换流器的直流配电网极间短路故障保护分析J.微型电脑应用，2 0 2 1,37（4)：17 0-17 2.（收稿日期：2 0 2 2-0 1-2 4）171星期二星期三星期四星期二校正结果一深度置信神经网络分析结果实际负荷星期三星期四