亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于數(shù)據(jù)驅(qū)動的差分-RBF神經(jīng)網(wǎng)絡(luò)的臺區(qū)短期負(fù)荷預(yù)測方法

        2020-11-27 05:30:52段煉鄉(xiāng)立吳瓊陸顥文李茜瑩孫毅
        廣東電力 2020年11期

        段煉,鄉(xiāng)立,吳瓊,陸顥文,李茜瑩,孫毅

        (1.廣東電網(wǎng)有限責(zé)任公司廣州供電局,廣東 廣州 510630;2.華北電力大學(xué) 電氣與電子工程學(xué)院,北京 102206)

        短期負(fù)荷預(yù)測是指在考慮天氣因素、日類型等因素的前提下以小時、日或周為單位對電力系統(tǒng)的負(fù)荷進行預(yù)測[1]。相較于其他周期的負(fù)荷預(yù)測,短期負(fù)荷預(yù)測更具實際意義,是調(diào)度安排開停機計劃、機組最優(yōu)組合、經(jīng)濟調(diào)度、電力市場交易的重要基礎(chǔ)數(shù)據(jù)[2-4]。短期負(fù)荷預(yù)測精度越高,越有利于提高發(fā)電設(shè)備的利用率和經(jīng)濟調(diào)度的有效性。

        近些年,人工智能快速興起,如長短期記憶(long short-term memory,LSTM)神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)、支持向量機(support vector machine,SVM),極限學(xué)習(xí)機(extreme learning machine,ELM)等智能算法被應(yīng)用到負(fù)荷預(yù)測當(dāng)中[5-6]。文獻[7]提出了一種新的多核算法和一種應(yīng)用于電力系統(tǒng)短期負(fù)荷預(yù)測領(lǐng)域的加權(quán)支持向量回歸機。結(jié)合人工神經(jīng)網(wǎng)絡(luò)和SVM技術(shù),文獻[8]將其應(yīng)用于電力系統(tǒng)短期(1 h)負(fù)荷預(yù)測。文獻[9]利用平均絕對百分比誤差和均方誤差對差分整合移動平均自回歸(autoregressive integrated moving average,ARIMA)模型和SVM模型的預(yù)測能力進行了比較。針對電力負(fù)荷數(shù)據(jù)呈指數(shù)級增長,文獻[10]提出了基于相似日的極端梯度提升(extreme gradient boosting,XGBoost)負(fù)荷預(yù)測模型。針對配電網(wǎng)負(fù)荷波動性和隨機性大的特點,文獻[11]提出K-means聚類和小波-SVM相結(jié)合的配電網(wǎng)短期負(fù)荷預(yù)測方法。也有文獻[12]采取了基于相似日選取和反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)的方法,對夏季短期負(fù)荷進行了預(yù)測。LSTM神經(jīng)網(wǎng)絡(luò)作為目前受到學(xué)者關(guān)注較多的智能算法之一,能夠避免梯度消失導(dǎo)致的預(yù)測精度下降問題。文獻[13]通過相關(guān)分析篩選出與預(yù)測點高度相關(guān)的多元負(fù)荷序列,并用LSTM從時間的角度對負(fù)荷序列進行建模。為滿足強波動性配電網(wǎng)凈負(fù)荷短時預(yù)測需要,文獻[14]提出采用LSTM分別構(gòu)建小時前配電網(wǎng)負(fù)荷預(yù)測模型和短期光伏出力預(yù)測模型。文獻[15]則充分利用歷史負(fù)荷數(shù)據(jù),提高超短期負(fù)荷的預(yù)測精度,提出一種基于attention機制的LSTM超短期負(fù)荷預(yù)測方法。文獻[16]則考慮到配電網(wǎng)實測數(shù)據(jù)的結(jié)構(gòu)化、非結(jié)構(gòu)化和半結(jié)構(gòu)化的復(fù)雜特性,提出了一種變壓器特性數(shù)據(jù)聚類的LSTM負(fù)荷分布式預(yù)測方法。

        然而,LSTM的訓(xùn)練稍顯困難,且需要存儲帶寬綁定計算,同時,一些智能算法屬于淺層結(jié)構(gòu)算法,難以表示出大量數(shù)據(jù)間的復(fù)雜非線性關(guān)系?;谏鲜鑫墨I的梳理和總結(jié),LSTM存在兩方面的缺陷:一是其從輸入到輸出能夠記憶大量長期的信息,但隨著輸出層的增加其記憶能力有所下降;二是隨著輸出層的增加,預(yù)測模型的復(fù)雜度隨之成倍增長,導(dǎo)致預(yù)測能力下降。LSTM盡管可有效兼顧時間序列數(shù)據(jù)的時序性及非線性關(guān)系,但仍然存在一些局限性[17]。

        同時考慮到,BP神經(jīng)網(wǎng)絡(luò)、ELM等把負(fù)荷預(yù)測作為靜態(tài)回歸問題[18],然而負(fù)荷數(shù)據(jù)是一種動態(tài)時間序列,即系統(tǒng)的輸出會持續(xù)受到過去輸入的影響;因此,BP和ELM等常規(guī)方法僅通過簡單建立輸入變量與輸出變量之間的非線性關(guān)系,難以持續(xù)深入挖掘到時間序列的內(nèi)部規(guī)律[19]。

        徑向基函數(shù)(radial basis function,RBF)神經(jīng)網(wǎng)絡(luò)有很強的非線性擬合能力,可映射任意復(fù)雜的非線性關(guān)系,而且學(xué)習(xí)規(guī)則簡單,便于計算機實現(xiàn),同時具有很強的魯棒性、記憶能力、非線性映射能力以及強大的自學(xué)習(xí)能力;因此,本文聚焦研究RBF神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)臺區(qū)負(fù)荷預(yù)測上的應(yīng)用,聚焦于點狀數(shù)據(jù)集采樣的臺區(qū)負(fù)荷預(yù)測。本文的研究著重挖掘時序數(shù)據(jù)之間的非線性聯(lián)系,能夠自適應(yīng)構(gòu)建高維度特征預(yù)測模型,挖掘其潛在相關(guān)性,并基于數(shù)據(jù)流驅(qū)動下的臺區(qū)負(fù)荷數(shù)據(jù)集來分析構(gòu)建預(yù)測模型,以期拓展負(fù)荷預(yù)測的實踐開展方式和開展思路。

        1 負(fù)荷數(shù)據(jù)流分類下的集合構(gòu)建及處理

        1.1 基于數(shù)據(jù)流驅(qū)動的負(fù)荷數(shù)據(jù)集構(gòu)建

        臺區(qū)負(fù)荷數(shù)據(jù)的主要指標(biāo)參數(shù)有:經(jīng)緯度信息、數(shù)據(jù)時間、額定容量、三相電壓、三相電流、綜合倍率、正向有功總功率、正向無功總功率等。

        對于用電監(jiān)測系統(tǒng)采集到的臺區(qū)負(fù)荷數(shù)據(jù),數(shù)據(jù)庫維護、網(wǎng)絡(luò)傳輸不穩(wěn)定、采集器斷路或短路、終端載波模塊故障等情況會引起數(shù)據(jù)缺失,同時也會產(chǎn)生無效值、異常尖峰值等數(shù)據(jù),影響負(fù)荷數(shù)據(jù)的完整性及相應(yīng)的預(yù)測準(zhǔn)確度,因此要對負(fù)荷數(shù)據(jù)進行降噪預(yù)處理。預(yù)處理過程包括缺失數(shù)據(jù)的處理和降噪處理,可采用統(tǒng)計產(chǎn)品與服務(wù)解決方案軟件(statistical product and service solutions,SPSS)中多重插補或者均值替換的方法,對缺失數(shù)據(jù)進行填充[20]。

        針對負(fù)荷數(shù)據(jù)流,本文采用一種帶有基分類器更新的數(shù)據(jù)流分類算法[21]進行分類,并著眼于同一臺區(qū)負(fù)荷進行預(yù)測分析。數(shù)據(jù)分類是數(shù)據(jù)資源庫形成、采集數(shù)據(jù)流存儲和分析的必要過程,同時,也是對本文構(gòu)架的預(yù)測模型進行灰色關(guān)聯(lián)度分析以及交叉比對的重要基礎(chǔ),用以體現(xiàn)和驗證本文預(yù)測方法的優(yōu)勢。

        以下主要簡要概述分類器的構(gòu)造和更新。

        構(gòu)造層面:用有序數(shù)據(jù)塊S1,S2,S3,…,Sn,…來表示負(fù)荷數(shù)據(jù)流,其中數(shù)據(jù)塊Sn={sn1,sn2,sn3,…}是由指標(biāo)參數(shù)構(gòu)成的數(shù)列,同時蘊含了經(jīng)緯度信息、數(shù)據(jù)時間、額定容量等數(shù)據(jù)。將數(shù)據(jù)流實例、數(shù)據(jù)塊Sn大小、基分類器數(shù)量輸入基分類器模型中,用以輸出多個在線分類器的集合。集成分類模型在構(gòu)造階段不對數(shù)據(jù)流進行分類。

        更新層面:將最新的數(shù)據(jù)塊Sn作為測試集,計算均方誤差

        (1)

        式中:數(shù)據(jù)塊Sn中的實例形式是(Pp,c),Pp為原始的正向有功總功率,c為實例的實際類標(biāo)簽,這里指臺區(qū)編號;i為基分類器序號;Pc,i(Pp)為第i個基分類器Ci將實際的類標(biāo)簽貼為c的概率。計算數(shù)據(jù)塊Sn中的所有實例的(1-Pc,i(Pp))2值,并且求和取平均以獲得基分類器Ci的均方誤差ηMSEi,來給Ci分配權(quán)重wi,即

        (2)

        式中ε用來避免ηMSEi為0的情況,將其設(shè)置為無窮小正常數(shù)。

        (3)

        式中p(c)為在Sn中各個類所占比例,其取值在0到1之間。

        當(dāng)Ci的均方誤差ηMSEi>ηMSE,A時,基分類器對集成模型不起作用,需要進行更新,以達到能夠充分利用數(shù)據(jù)、增加基分類器之間的不相似度的目的。由此先完成數(shù)據(jù)分類(其中數(shù)據(jù)分類重點考察地理位置信息,即臺區(qū)所屬位置),其次再結(jié)合其他因素進一步利用灰色關(guān)聯(lián)法進行分析。

        1.2 基于數(shù)據(jù)集選取的歸一化處理

        對于電力負(fù)荷數(shù)據(jù)的采集,現(xiàn)有技術(shù)可實現(xiàn)每間隔15 min獲得1個采樣點,構(gòu)成點狀數(shù)據(jù)集。預(yù)測方法基于地理位置分類后的數(shù)據(jù),數(shù)據(jù)集時間長度聚焦于1~2周的時間。直接采用分類好的原始數(shù)據(jù)進行訓(xùn)練會出現(xiàn)神經(jīng)元飽和現(xiàn)象,所以在利用神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試之前需要對輸入RBF網(wǎng)絡(luò)的原始數(shù)據(jù)進行歸一化處理。

        根據(jù)實驗顯示,以適當(dāng)?shù)姆绞竭M行歸一化預(yù)處理可以使神經(jīng)網(wǎng)絡(luò)的收斂速度變快,準(zhǔn)確度變高,達到更好的預(yù)測效果。一般在輸入層先將負(fù)荷數(shù)據(jù)及各個特征量歸一化到[-1,1]中,用統(tǒng)一的歸一化數(shù)值進行分析[22]。

        本文中序列的標(biāo)準(zhǔn)化采用最大最小值歸一化方法,即

        (4)

        式中:x′為歸一化值;x為待歸一化值,在本文中則為原始的正向有功總功率數(shù)據(jù)Pp;xmax為數(shù)據(jù)集中的最大值;xmin為數(shù)據(jù)集中的最小值。

        2 差分-RBF神經(jīng)網(wǎng)絡(luò)的臺區(qū)短期負(fù)荷預(yù)測模型

        RBF神經(jīng)網(wǎng)絡(luò)是在借鑒生物局部調(diào)節(jié)和交疊接受區(qū)域知識的基礎(chǔ)上,提出的一種采用局部接受域來執(zhí)行函數(shù)映射的人工神經(jīng)網(wǎng)絡(luò),其基本網(wǎng)絡(luò)結(jié)構(gòu)是具有單穩(wěn)層的三層前饋網(wǎng)絡(luò),主要模擬了人腦中局部調(diào)整、相互覆蓋接受域的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),包括輸入層(輸入數(shù)據(jù)xn)、隱含層(函數(shù)Wn)和輸出層(輸出函數(shù)f(x)),其結(jié)構(gòu)如圖1所示。

        圖1 RBF神經(jīng)網(wǎng)絡(luò)Fig.1 RBF neural network

        RBF神經(jīng)網(wǎng)絡(luò)輸入層直接由信號源節(jié)點構(gòu)成,其作用只是接受輸入信號并將其傳遞到隱含層;隱含層是RBF網(wǎng)絡(luò)中最重要的一層,其單元數(shù)由所求解的問題的具體情況而定,該層神經(jīng)元的傳遞函數(shù)則是一種局部分布的、對中心點徑向?qū)ΨQ衰減的非負(fù)非線性函數(shù);而輸出層只實現(xiàn)對隱含層節(jié)點非線性基函數(shù)輸出的線性組合(其連接權(quán)值可調(diào)),從而得到最后的結(jié)果。RBF神經(jīng)網(wǎng)絡(luò)是一種局部逼近網(wǎng)絡(luò),理論上它能以任意的精度逼近任意連續(xù)函數(shù),即具有唯一最佳逼近特性,且無局部極小問題[23]。

        隱含層節(jié)點的激活函數(shù)對輸入激勵產(chǎn)生局部響應(yīng),輸入向量越靠近基函數(shù)的中心,隱含層節(jié)點做出的響應(yīng)越大。隱含層第a個節(jié)點的輸出響應(yīng)

        (5)

        式中:x′為歸一化后構(gòu)成的多維輸入向量;Qa為第a個隱含層節(jié)點的中心向量;δa為第a個隱含層節(jié)點的寬度;A為隱含層節(jié)點個數(shù);‖x′-Qa‖為歐幾里德范數(shù)。

        隱含層往輸出層的映射是線性的,因此網(wǎng)絡(luò)的線性輸出為單元響應(yīng)的總和,即

        (6)

        式中:Gj為第j個輸出對輸入向量x′的響應(yīng);wa,j為第a個隱含層節(jié)點與第j個輸出層節(jié)點的權(quán)值;J為輸出節(jié)點個數(shù)。

        在本文的策略改進中,差分-RBF神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測參考通信系統(tǒng)中對差分脈沖編碼調(diào)制(differential pulse code modulation,DPCM)和增量調(diào)制的思路對負(fù)荷數(shù)據(jù)進行差分預(yù)測。

        以下介紹流程中涉及到的負(fù)荷預(yù)測編碼器和解碼器。

        a)負(fù)荷預(yù)測編碼器。采用數(shù)據(jù)差分處理的方式作為神經(jīng)網(wǎng)絡(luò)的輸入,形成負(fù)荷預(yù)測編碼器,如圖2所示。

        圖2 負(fù)荷預(yù)測編碼器Fig.2 Load forecasting encoder

        圖2可表達為

        ei=x′i-x′i-1,x′i∈X′c(t) ,x′i-1∈X′c(t) .

        (7)

        b)負(fù)荷預(yù)測解碼器。采用與負(fù)荷預(yù)測編碼器差分相對應(yīng)的延遲單元對負(fù)荷數(shù)據(jù)進行解碼,形成負(fù)荷預(yù)測解碼器,如圖3所示。

        圖3 負(fù)荷預(yù)測解碼器Fig.3 Load forecasting decoder

        圖3可表達為

        (8)

        理論上,基于數(shù)據(jù)驅(qū)動的差分-RBF神經(jīng)網(wǎng)絡(luò)的臺區(qū)短期負(fù)荷預(yù)測方法,融合了編、解碼器在負(fù)荷預(yù)測流程中的實現(xiàn),可以剔除負(fù)荷數(shù)據(jù)的共同基數(shù),壓縮預(yù)測誤差的變化范圍,降低計算量,提高系統(tǒng)運行效率,并可以從關(guān)注負(fù)荷數(shù)據(jù)轉(zhuǎn)為關(guān)注負(fù)荷變化趨勢,進而根據(jù)趨勢來預(yù)測負(fù)荷。

        c)預(yù)測的流程。運用RBF神經(jīng)網(wǎng)絡(luò)進行短期負(fù)荷預(yù)測的具體實現(xiàn)思路是:首先將各種負(fù)荷影響因素映射為RBF神經(jīng)網(wǎng)絡(luò)的輸入層向量;其次對隱含層選取相應(yīng)的非線性函數(shù)作為激活函數(shù),以實現(xiàn)從輸入層到隱含層的非線性變換;然后將輸出層對應(yīng)為負(fù)荷預(yù)測目標(biāo),使它與隱含層之間建立線性變換關(guān)系;最后對隱含層和輸出層選用適當(dāng)?shù)乃惴ㄟM行訓(xùn)練學(xué)習(xí),獲取相應(yīng)的網(wǎng)絡(luò)參數(shù),代入已知負(fù)荷數(shù)據(jù)后即可獲得所需要的預(yù)測數(shù)據(jù)[23]。負(fù)荷預(yù)測流程如圖4所示。

        圖4 基于差分-RBF神經(jīng)網(wǎng)絡(luò)的臺區(qū)短期負(fù)荷預(yù)測分析流程Fig.4 Flowchart of short-term load forecasting analysis in station area based on differential RBF neural network

        d)負(fù)荷預(yù)測模型的訓(xùn)練算法。訓(xùn)練樣本集建模:設(shè)X為歷史數(shù)據(jù)集樣本集,由d日歷史負(fù)荷數(shù)據(jù)構(gòu)成,每日由v個數(shù)據(jù)構(gòu)成,則X可表示為

        (9)

        將訓(xùn)練樣本集按照上述流程進行訓(xùn)練,如圖5所示。

        圖5 預(yù)測模型的訓(xùn)練和預(yù)測流程Fig.5 Training and prediction flowchart of prediction model

        圖 5是將模型作為整體來示意預(yù)測的全過程。將前o日的數(shù)據(jù)作為模型訓(xùn)練的輸入?yún)?shù)完成訓(xùn)練,再將第o-1日的數(shù)據(jù)作為預(yù)測模型測試的輸入數(shù)據(jù),用于預(yù)測第o日的負(fù)荷數(shù)據(jù),并與實際數(shù)據(jù)進行對比。x′(d)為第d日數(shù)據(jù)的向量序列,d=1,2,…,第d日數(shù)據(jù)與前o日的數(shù)據(jù)相關(guān),因此設(shè)函數(shù)W使序列x′(d)=W(x′(d-1),x′(d-2),…,x′(d-o)),以真實采集的日臺區(qū)負(fù)荷數(shù)據(jù)進行預(yù)測分析,取o=30,即神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)目為30。RBF神經(jīng)網(wǎng)絡(luò)的輸出層由需要求解的問題決定,就電力系統(tǒng)短期負(fù)荷而言,以相應(yīng)時間段的負(fù)荷數(shù)據(jù)作為輸出,輸出層神經(jīng)元數(shù)目為30。

        為從數(shù)據(jù)指標(biāo)層面客觀評價策略效果,且減少某一負(fù)荷數(shù)據(jù)對結(jié)果的影響過大,本文選取均方根誤差ηRMSE作為臺區(qū)負(fù)荷預(yù)測效果的評價指標(biāo),則

        (10)

        式中:x′p(λ)是第λ個預(yù)測點的負(fù)荷數(shù)值序列;Λ為預(yù)測點個數(shù)。

        3 面向交叉驗證的灰色關(guān)聯(lián)度分析

        在數(shù)據(jù)分類的基礎(chǔ)上進行灰色關(guān)聯(lián)度分析,了解關(guān)鍵指標(biāo)參數(shù)與負(fù)荷預(yù)測正向有功總功率之間的關(guān)聯(lián)度,用于實驗的交叉驗證。其中指標(biāo)參數(shù)依據(jù)實際采集的負(fù)荷數(shù)據(jù),見第1.1節(jié)的開頭。

        簡要步驟為:

        a)確定反映系統(tǒng)行為特征的參考數(shù)列,和影響系統(tǒng)行為的比較數(shù)列。參考數(shù)列指的是正向有功總功率構(gòu)成的數(shù)列,比較數(shù)列指的是電流、電壓、正向無功總功率等構(gòu)成的數(shù)列。

        b)確保參考數(shù)列和比較數(shù)列已經(jīng)歸一化處理。

        c)求參考數(shù)列與比較數(shù)列的灰色關(guān)聯(lián)系數(shù)。參考數(shù)列B0有若干比較數(shù)列B1,B2,…,Bq,…。參照灰色關(guān)聯(lián)度分析計算方式,第q個比較數(shù)列Bq與參考數(shù)列在t時刻的關(guān)聯(lián)系數(shù)可用ξBq(t)表示,

        (11)

        式中:Δmin、Δmax分別為第2級最小差值、最大差值;Δ0q(t)為比較數(shù)列Bq的點與參考數(shù)列B0的點的絕對差值;ρ為分辨系數(shù),一般在0~1之間,本文取0.5。

        d)求灰色關(guān)聯(lián)度?;疑P(guān)聯(lián)度是各個時刻的關(guān)聯(lián)系數(shù)的平均值,比較數(shù)列Bq對參考數(shù)列的灰色關(guān)聯(lián)度

        (12)

        式中N為時刻總數(shù)。rq表示參考數(shù)列與比較數(shù)列Bq之間關(guān)聯(lián)程度,rq值越接近1,說明相關(guān)性越好。

        e)灰色關(guān)聯(lián)度排序。因素間的關(guān)聯(lián)程度用灰色關(guān)聯(lián)度的大小次序描述。將比較數(shù)列對同一參考數(shù)列的灰色關(guān)聯(lián)度按大小順序排列。若rq>rs,則稱比較數(shù)列Bq對于同一參考數(shù)列B0優(yōu)于比較數(shù)列Bs,記為Bq>Bs。rs為比較數(shù)列Bs對參考數(shù)列的灰色關(guān)聯(lián)度。

        依據(jù)由灰色關(guān)聯(lián)度分析得到的參數(shù)關(guān)聯(lián)度排序,可以在不同類數(shù)據(jù)中選取數(shù)據(jù)相似度低的數(shù)據(jù),來交叉驗證本文方法的提升效果。這更加客觀地重現(xiàn)仿真結(jié)果,避免單次實驗的偶然性,也可以在工程實踐中給負(fù)荷預(yù)測的系統(tǒng)搭建等提供一種驗證思路。

        4 基于數(shù)據(jù)驅(qū)動的差分-RBF神經(jīng)網(wǎng)絡(luò)的臺區(qū)短期負(fù)荷預(yù)測方法

        圖6系統(tǒng)展示了本文各結(jié)構(gòu)之間的關(guān)系:數(shù)據(jù)采集形成數(shù)據(jù)塊指代數(shù)據(jù)分類,進而實現(xiàn)基于數(shù)據(jù)流驅(qū)動的負(fù)荷數(shù)據(jù)集構(gòu)建,并在分類的基礎(chǔ)上,采用圖4的流程實現(xiàn)負(fù)荷預(yù)測的仿真;而驗證則是基于灰色關(guān)聯(lián)度分析選取差異較大的數(shù)據(jù)集進行比對,確認(rèn)最終的仿真實現(xiàn)效果。基于數(shù)據(jù)驅(qū)動的差分-RBF神經(jīng)網(wǎng)絡(luò)臺區(qū)短期負(fù)荷預(yù)測分析方法的負(fù)荷預(yù)測編碼和負(fù)荷預(yù)測解碼分別對應(yīng)圖2和圖3,而差分-RBF神經(jīng)網(wǎng)絡(luò)臺區(qū)短期負(fù)荷預(yù)測分析方法仍是基于圖1的基礎(chǔ)結(jié)構(gòu)進行拓展的。

        圖6 基于數(shù)據(jù)驅(qū)動的差分-RBF神經(jīng)網(wǎng)絡(luò)的臺區(qū)短期負(fù)荷預(yù)測方法Fig.6 Short-term load forecasting method in station area based on data-driven difference RBF neural network

        預(yù)測方法可以適應(yīng)多類型、短時間段的數(shù)據(jù)采樣分析。本文整體的創(chuàng)新性體現(xiàn)在引入基于數(shù)據(jù)驅(qū)動的差分-RBF神經(jīng)網(wǎng)絡(luò)的臺區(qū)短期負(fù)荷預(yù)測方法,其特點在于數(shù)據(jù)驅(qū)動分類與差分-RBF神經(jīng)網(wǎng)絡(luò)的銜接構(gòu)成的系統(tǒng),其優(yōu)勢在于充分利用RBF神經(jīng)網(wǎng)絡(luò)的非線性并進行了改進,實現(xiàn)了性能優(yōu)化。

        在數(shù)據(jù)處理過程中,對臺區(qū)負(fù)荷數(shù)據(jù)流采用基于集成分類器的數(shù)據(jù)流的分類方法,著眼于地理位置信息形成分類,基于關(guān)鍵指標(biāo)參數(shù),進行灰色關(guān)聯(lián)度分析,確定關(guān)聯(lián)度排序,搭建RBF神經(jīng)網(wǎng)絡(luò)并驗證其有效性。在此基礎(chǔ)上,選取不同臺區(qū)的數(shù)據(jù)對差分-RBF神經(jīng)網(wǎng)絡(luò)進行交叉驗證,并從運算時間、誤差區(qū)間等多個維度呈現(xiàn)仿真結(jié)果。

        5 仿真算例

        采用南方某地區(qū)變壓器2019年8月前15日96點數(shù)據(jù)源中15:00—24:00的數(shù)據(jù)進行仿真實驗,該時段為高峰負(fù)荷時段,基礎(chǔ)負(fù)荷數(shù)據(jù)分類歸一化后如圖7所示,其中:縱坐標(biāo)為歸一化后的負(fù)荷數(shù)據(jù),量綱為一;橫坐標(biāo)為該時段內(nèi)的時間序列,每個數(shù)值間隔代表15 min。

        圖7 南方某省負(fù)荷數(shù)據(jù)源分類整理示意圖Fig.7 Schematic diagram of load data source classification in a province in South China

        利用MATLAB軟件進行編程,設(shè)定目標(biāo)誤差為0.001,輸入層神經(jīng)元數(shù)目設(shè)為30,輸出層神經(jīng)元數(shù)目設(shè)計為30,擴展速度設(shè)為3,并采用BP神經(jīng)網(wǎng)絡(luò)、LSTM等多種預(yù)測算法[26]對同一編號的變壓器和同一時間段的負(fù)荷數(shù)據(jù)進行負(fù)荷預(yù)測分析,預(yù)測結(jié)果和對比如圖8所示,圖中“本文RBF神經(jīng)網(wǎng)絡(luò)預(yù)測值”即為基于數(shù)據(jù)驅(qū)動的差分-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測值。

        圖8 多種預(yù)測方法結(jié)果對比Fig.8 Result comparisons of various forecasting methods

        直觀上,多種方式的預(yù)測結(jié)果均可貼近實際負(fù)荷數(shù)據(jù)形成的曲線,而本文RBF神經(jīng)網(wǎng)絡(luò)預(yù)測方式的效果總體要好于BP、LSTM預(yù)測方式。

        由圖8可知,2條RBF預(yù)測曲線(RBF和本文RBF)更接近實際負(fù)荷曲線。為體現(xiàn)改進的優(yōu)勢,著重分析2條曲線的其他指標(biāo)。數(shù)據(jù)方面,為體現(xiàn)實際物理含義,將歸一化數(shù)據(jù)按照歸一化過程的反向求解得到物理意義的真實值(即逆歸一化)。在使用某綜合配電房負(fù)荷逆歸一化數(shù)據(jù)的情況下(算例1),2種預(yù)測算法結(jié)果的誤差區(qū)間(誤差上下限之間的區(qū)間)對比見表1。由表1可知,本文RBF神經(jīng)網(wǎng)絡(luò)預(yù)測算法可在保持良好的負(fù)荷預(yù)測效果的基礎(chǔ)上,一定程度上降低負(fù)荷波動預(yù)測誤差負(fù)荷波動區(qū)間。

        表1 算例1中預(yù)測算法結(jié)果的誤差區(qū)間對比Tab.1 Comparisons of error intervals of the results of forecasting algorithms in example 1

        相應(yīng)的,同樣配置環(huán)境下預(yù)測算法的性能(運行時間、平均絕對誤差、均方根誤差)對比見表2。

        表2 算例1中預(yù)測算法性能對比Tab.2 Performance comparisons of the forecasting algorithms in example 1

        依據(jù)灰色關(guān)聯(lián)度分析的結(jié)果排序,采用2組負(fù)荷曲線差異較大的數(shù)據(jù)進行交叉驗證。分別從某村配電變壓器數(shù)據(jù)和某綜合配電房數(shù)據(jù)中各抽取1組數(shù)據(jù),這2組數(shù)據(jù)的相似度較低,具有負(fù)荷曲線的代表性。本文對這2組臺區(qū)數(shù)據(jù)的交叉驗證(算例2)以正向有功總功率為目標(biāo),選取的3個關(guān)鍵參數(shù)分別為B相電流、B相電壓、正向無功總功率,可得參數(shù)的關(guān)聯(lián)度分別為0.935、0.924、0.564,也即和負(fù)荷預(yù)測關(guān)聯(lián)度最高的是電壓電流。本文對該數(shù)據(jù)所做的仿真交叉驗證,本質(zhì)是通過2組數(shù)據(jù)對同一套仿真體系進行驗證,得到2種預(yù)測算法結(jié)果誤差區(qū)間的對比(見表3)和性能的對比(見表4)。

        表3 算例2中預(yù)測算法結(jié)果的誤差區(qū)間對比Tab.3 Comparisons of error intervals of the results of forecasting algorithms in example 2

        表4 算例2中預(yù)測算法性能對比Tab.4 Performance comparisons of the forecasting algorithms in example 2

        從表1和表3可知:與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測算法相比,本文RBF神經(jīng)網(wǎng)絡(luò)預(yù)測算法可將算例1中誤差區(qū)間從[70.69 kW,83.95 kW]壓縮到[69.45 kW,82.77 kW],將算例2中誤差區(qū)間從[0.50 kW,12.15 kW]壓縮到[0.02 kW,8.61 kW],即誤差更加貼近0,充分體現(xiàn)了壓縮誤差區(qū)間的優(yōu)點。

        通過比對交叉驗證后的表格數(shù)據(jù)(表3和表4)可得,本文策略的優(yōu)越性體現(xiàn)在縮短運算時間、壓縮誤差區(qū)間,具有一定的工程實踐意義。綜上,采用本文RBF神經(jīng)網(wǎng)絡(luò)預(yù)測算法進行預(yù)測時,同精度下預(yù)測顆粒度更小,可降低預(yù)測誤差區(qū)間,拓展了負(fù)荷預(yù)測的實踐方式。

        6 結(jié)束語

        本文針對負(fù)荷預(yù)測問題,提出一種基于數(shù)據(jù)驅(qū)動的差分-RBF神經(jīng)網(wǎng)絡(luò)的臺區(qū)短期負(fù)荷預(yù)測方法。本文首先引入了負(fù)荷數(shù)據(jù)流分類方法,為動態(tài)負(fù)荷數(shù)據(jù)流的處理與負(fù)荷預(yù)測的結(jié)合提供一種思路;其次,構(gòu)建了差分-RBF神經(jīng)網(wǎng)絡(luò)的臺區(qū)短期負(fù)荷預(yù)測模型,結(jié)合灰色關(guān)聯(lián)度分析;最后,采用交叉驗證的方式證實本文提出的算法逼近效果好,預(yù)測精度高,運行時間短,具有一定工程和實踐價值。

        免费人妻无码不卡中文字幕18禁 | 国内自拍视频在线观看| 99久久婷婷国产精品综合| 亚洲精品国偷拍自产在线| 亚洲欧洲∨国产一区二区三区| 亚州精品无码人妻久久| 少妇又紧又色又爽又刺| 亚洲最大免费福利视频网| 国产亚洲精品久久久ai换| 国产无套露脸| 国产成版人性视频免费版| 草逼动态图视频免费观看网站| 国内精品卡一卡二卡三| 国产高级黄区18勿进一区二区| 熟女少妇丰满一区二区 | 亚洲国产成人精品一区刚刚| 男女射黄视频网站在线免费观看 | 欧美丰满熟妇bbbbbb| 免费国精产品自偷自偷免费看 | 日韩少妇高潮在线视频| 亚洲一区二区免费在线观看视频| 精品少妇一区二区三区免费观 | 日韩精品极品免费在线视频 | 国产精品无码久久久久成人影院| 9999毛片免费看| 免费av网址一区二区| 白嫩丰满少妇av一区二区| 国产精品沙发午睡系列990531| 91美女片黄在线观看| 精品一区二区三区国产av| 欧美老肥妇做爰bbww| 无码人妻一区二区三区免费n鬼沢| 国产 在线播放无码不卡| 国产激情视频在线观看大全| 国产在线 | 中文| 亚洲另类欧美综合久久图片区| av免费网站不卡观看| 18国产精品白浆在线观看免费| 久久久精品波多野结衣| 美腿丝袜一区二区三区| 中国亚洲一区二区视频|