基于Shaping-DDPG模型的变压器负荷预测技术研究.pdf

第 卷 第 期 年 月武 汉理工大学学报(信息与管理工程版)().文章编号:()文献标志码:基于 模型的变压器负荷预测技术研究山宪武宋秩行邱书琦叶新青(.国网新疆电力有限公司新疆 乌鲁木齐.浙江华云信息科技有限公司浙江 杭州)摘 要:为了协调电力系统供需平衡降低运维风险和成本引入 技术改进了深度确定性策略梯度()算法得到 预测模型 加入经验回放技术和目标网络技术以消除数据间的关联性设计变压器网络评估函数来评价变压器网络的优劣状态通过数据处理模块和卷积模块提取原始数据特征提高变压器系统的感知能力和学习效率 研究表明:与其他算法预测效果相比 模型的 误差平均值()最低比 模型、模型和 模型分别降低了 、和 相较于非线性变压器负荷系统 模型具有强大的反馈记忆功能能准确获取负荷序列潜在的变化趋势在变压器负荷曲线呈现波动时依然能够保证良好的预测能力 该研究为降低电网公司资源浪费和运维成本、协调电网公司与变压器系统之间的供需平衡提供了思路提高了运作效益关键词:变压器负荷预测深度确定性策略梯度 技术 误差平均值网络评估函数中图分类号:./.收稿日期:.作者简介:山宪武()男中级工程师研究方向为电能计量负荷预测与电力负荷监控.通讯作者:叶新青()男高级工程师研究方向为计算机系统研发、电力态势感知.基金项目:国家电网公司科技研发项目()国网新疆电力有限公司电力科学研究院项目(新电发【】号).电力行业直接影响了国家的不同领域其发展水平也与国家经济发展和人民生活相互关联 分析不同地区的海量历史数据可对未来一段时间的变压器负荷进行准确合理的预测从而能够为发电机的地址选择和装机容量提供参考 然而由于时间跨度较大变压器负荷预测过程往往会出现较大的预测误差留有一定的裕量 实时准确的变压器负荷预测可以保证电网公司、变压器系统或者地区电厂在送发电和机组承诺方面做出正确判断也能够为变压器系统的安全调度、稳定运行提供丰富的数据支撑有利于最大程度地发挥社会经济效益近几年智能电网()的发展突飞猛进不仅为变压器负荷预测提供了海量的支撑数据也为变压器负荷预测方法的优化和改进赋予了重要的现实意义 同时人工智能、数据挖掘等前沿计算机技术在各个领域取得了丰富的研究成果传统变压器技术和新兴先进手段出现了交叉融合逐渐影响了智能变压器系统的改进和优化 基于人工智能和数据挖掘的变压器系统技术具有较高的预测精度也为变压器系统的稳定运行和实时调度提供了坚实的技术支撑 为了协调电力系统供需平衡降低运维风险和成本笔者在深度确定性策略梯度算法中加入 技术基于变压器网络的评估函数对变压器网络的优劣状态进行评分通过数据处理模块和卷积模块提取原始数据特征得到了 模型以期为降低电网公司资源浪费和运维成本、协调电网公司与变压器系统之间的供需平衡提供思路提高运作效益 深度确定策略梯度模型构建本节详细介绍了网络结构、推理算法和网格训练方式 其中利用不同的网格层和子网格组成深度学习网络加入 技术改进深度确定性策略梯度算法()形成 深度确定策略梯度算法()采用经验回放模式训练深度学习网络在消除数据相关性的同时建立变压器系统的回报函数.推理网络结构模型推理网络的结构如图 所示 利用变压器系统中的断路器和分闸状态构成系统环境 通过观察模块()将 进一步转化为能够被网络识别的状态 之后通过卷积网络模块()对进行特征提取和降维得到状态 在此过程中卷积网络模块中的卷积神经网络层、池化层和全连接层的层数均为 层 根据 动作空间 中的 策略网络()对动作 进行选择对噪声 进行处理并执行动作 最终得到立即回报 此时系统环境状态由 转为 和状态 经验数据集模块 会将上述数据集 进行储存记录接着由 继续学习直至出现最优策略:()()()()图 推理网络结构利用 网络和 网络得到的逼近值来训练 卷积网络和 策略网络利用 、和 这 个目标网络来训练 网络和 网络以保证网络的稳定性有效消除数据之间的相关性 两个训练方法不同前者的 策略网络、网络和 网络会在迭代过程中不断进行参数更新而只有当迭代步数为固定数值时后者的目标网络 、和 的网络参数才会更新.数据处理定义变压器系统一维数据 为初始状态用“”和“”分别代表变压器系统中所有开关的开合状态并将所有开关从小到大进行序号编排这样就构成了一维数据串 在观察模块中输入初始状态 结合开关的开合状态信息构成二维数据串 中的一维数据大小代表变压器网络中的节点个数二维数据大小代表所有节点的最大个数 这种二维方法的优势在于能够将不同节点与节点间的关系构成网络结构 假定某一变压器网络中有 个断路器和 个节点开关定义 为不同开关的开合状态将 定义为最大开关数此时初始状态 则会被定义为的矩阵表示如图 所示图 的矩阵表示将 输入到卷积网络模块其卷积操作在 个大小为()的卷积核中进行 卷积核在对数据进行挖掘时可以得到纵向和横向数据之间的特征关系数据以此获得数据结构完整的特征图表 变压器网络中同一断路器组各个电路节点开关之间的关系特征能够通过二维数据串 获得并进一步得到不同断路器组数据之间的关系特征 在两层全连接层接收上述数据结果后得到具有一维数据的状态 数据的变换过程如图 所示图 卷积模块数据处理过程.推理算法构建.深度确定性策略梯度算法()为加快卷积神经网络的学习速度在 算法中加入 技术将附加回报值加入状态 行为值函数的更新式中得到 的状态 行为值函数的更新式()()()()()()()()()()()()()()()()()()()()优势函数的迭代式为:武汉理工大学学报(信息与管理工程版)年 月()()()()()()()()()()如果优势函数为 网络便会自动终止学习过程 算法的优势在于能够通过实施异策略的方法控制状态值函数和状态 行为值函数不需要服从确定性策略 算法会将随机采样策略 赋予在状态值函数中 定义异策略的优势函数为:()()()()异策略优势函数的迭代式为:()()()将 算法中的状态 行为值函数替换为异策略优势函数可以加快算法收敛速度大幅提高算法的学习效率 同时在状态值函数 中加入了衰减因子(.立即回报函数评估后的状态会得到函数序列 假设 定义立即回报函数为()()()()如果系统状态从劣转化为优 会得到奖励如果系统状态从优转化为劣 会受到惩罚而如果某一状态的 在任何情况下都会受到惩罚时此时 便会主动搜索并学习最小惩罚值的动作 假设存在阈值 定义常规合理奖励值和不合理奖励值分别为 和 此时阈值 便可取满足 关系的任意数值此外设系统状态 为优状态状态 为劣状态则应存在 该过程系统获得的回报值为:()实例分析对神经网络模型进行了参数选定使用 算法拟合并预测了乌鲁木齐市电网公司的历史负荷 为了能够突出所提模型的预测性能验证模型在对气候和季节的特征变化中的捕捉能力对 年 个季节的变压器负荷数据进行验证和分析 将不同季节的前 周(月 月、月 月、月 月、月 月)作为训练数据集并对之后一周的变压器负荷进行预测预测结果如图 所示图 不同季节中变压器日负荷预测结果武汉理工大学学报(信息与管理工程版)年 月 从图 可以看出所设计的基于 模型对不同季节的变压器负荷预测效果较好 从拟合效果来看即便实际变压器负荷曲线偶尔会出现波动模型依然能够表现出较好的拟合效果不同季节变压器日负荷预测误差如表 所示 其中均方根误差 代表了整体预测效果数值越低则预测效果越好 由表 可知该模型的预测误差平均值较低 误差的平均值只有.误差的平均值为.在使用 技术之后 模型能够利用海量数据进一步挖掘出变压器负荷预测的效果表 不同季节日负荷预测误差结果预测时间/年 月 日.年 月 日.年 月 日.年 月 日.四季平均.同时通过获取总回报值对 和 两种算法的学习效率进行对比分析两种算法的学习曲线如图 所示 其中学习次数定为 轮迭代步数为 由图 可知两个算法的收敛结果区别不大但是 算法的收敛速度明显快于 算法 这表明 算法能够提高学习效率优化算法性能图 两种算法学习曲线 变压器负荷预测结果对比与分析研究所选用数据是由 年 年的节假日、温度和实际用电价格等信息构成的除了节假日的数据采样间隔为.之外其他工作日时间的数据采样间隔为 将数据集中 年某个时间段的变压器历史负荷数据划分为训练集和测试集其中训练集为该时间段的前 周变压器负荷数据测试集为该时间段的后一周变压器负荷数据 并在测试集中对 、和 种算法模型进行预测结果如图 所示 由图 可知与其他算法相比 算法依然能够保证良好的拟合效果这表明 模型的变压器负荷预测效果较好图 各模型预测日负荷结果对比不同算法模型对日负荷预测的 误差柱状图如图 所示可知 模型的 占比只有 在 种方法中误差占比最小其余算法模型的 误差占比从小到大分别为 (模型)、(模型)和(模型)图 各模型日负荷预测结果 误差柱状图不同工作日预测结果的 误差柱状图如图 所示可知 模型的 误差平均值(约为 )最低其次为 模型(约为 )而 模型和 模型的 误差平均值(和)最高图 各模型工作日负荷预测结果 误差柱状图第 卷 第 期山宪武等:基于 模型的变压器负荷预测技术研究 模型 的 误差平均值比 模型、模型和 模型分别降低了、和 虽然 模型的预测效果较好但是由于自身变压器负荷数据的波动趋势不能被很好地控制因此预测结果并不理想而加入 技术之后 模型能够有效控制负荷数据波动大幅提高变压器负荷数据的预测效果 结论()在深度确定性策略梯度算法中加入了 技术得到 模型通过数据处理模块和卷积模块提取了原始数据特征进一步提高变压器系统的感知能力和学习效率()与其他算法预测效果相比 模型对日负荷预测的 误差占比只有 误差平均值为 比 模型、模型和 模型分别降低了 、和 ()相比非线性变压器负荷系统加入 技术的 模型具有强大的反馈记忆功能准确获取负荷序列潜在的变化趋势在变压器负荷曲线呈现波动时依然能够保证良好的拟合效果和预测能力参考文献:蔡舒毅.配电网规划中电力负荷预测方法的有效性探究.通信电源技术():.文素梅.配电网规划中电力负荷预测方法探讨.低碳世界():.邓永生焦丰顺张瑞锋等.配电网规划中电力负荷预测方法研究综述.电器与能效管理技术():.于海李峰霍英哲等.电力信息网络安全态势评估方法.科学技术与工程():.胥威汀李婷刘友波等.考虑电力市场交易影响的中长期负荷预测方法.电测与仪表():.():.杨立波王亚军赵利.基于云计算的电网预测模型与自适应调度研究.电子器件():.:.:.王成勇.大数据分析在电力规划中的应用.中国设备工程():.:.谷云东马冬芬程红超.基于相似数据选取和改进梯度提升决策树的电力负荷预测.电力系统及其自动化学报():.王旭强陈艳龙杨青等.基于时序分解的用电负荷分析与预测.计算机工程与应用():.():.余洋陈庚余佳磊等.基于聚类和长短期记忆神经网络的光热电站并网电力预测.热力发电():.:.王沛王翰林徐文涛等.基于 聚类算法的配电网短期负荷预测.微型电脑应用():.张智旺.遗传算法优化的 网络在电力系统负荷预测中的应用.电子世界():.(下转第 页)武汉理工大学学报(信息与管理工程版)年 月 :.:.:.:.(上接第 页):().()().:.武汉理工大学学报(信息与管理工程版)年 月