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

        ?

        基于最優(yōu)動(dòng)態(tài)功率補(bǔ)償?shù)碾娏ω?fù)荷預(yù)測(cè)方法

        2021-10-14 01:43:10謝家安劉驤王玉榮
        廣東電力 2021年9期

        謝家安,劉驤,王玉榮

        (1.廣東電網(wǎng)有限責(zé)任公司佛山供電局, 廣東 佛山 528000;2.東南大學(xué) 電氣工程學(xué)院,江蘇 南京 210018)

        電力系統(tǒng)負(fù)荷預(yù)測(cè)按照時(shí)效性可分為短期、中期和遠(yuǎn)期負(fù)荷預(yù)測(cè)3種類型:短期負(fù)荷預(yù)測(cè)是電網(wǎng)經(jīng)濟(jì)運(yùn)行、方式調(diào)整、潮流控制以及調(diào)峰調(diào)頻的主要參考依據(jù)之一,對(duì)提高調(diào)度運(yùn)行水平有重要支撐作用;中遠(yuǎn)期負(fù)荷預(yù)測(cè)在設(shè)備檢修計(jì)劃制訂、電網(wǎng)結(jié)構(gòu)合理性評(píng)估和優(yōu)化、電網(wǎng)遠(yuǎn)期規(guī)劃等方面發(fā)揮著重要作用。因此,提高電力系統(tǒng)短期和中遠(yuǎn)期負(fù)荷預(yù)測(cè)的精度對(duì)提高電網(wǎng)的安全、穩(wěn)定及經(jīng)濟(jì)運(yùn)行具有重要意義[1-6]。

        由于電力系統(tǒng)負(fù)荷的時(shí)序性和非線性特點(diǎn),傳統(tǒng)的基于統(tǒng)計(jì)模型的分析方法(如時(shí)間序列法[7]、線性回歸分析法[8]、指數(shù)平滑法[9]、卡爾曼濾波預(yù)測(cè)法[10]等),能實(shí)現(xiàn)對(duì)負(fù)荷曲線時(shí)序相關(guān)性特征的有效提取,但對(duì)負(fù)荷曲線的非線性擬合能力不足,導(dǎo)致其對(duì)非平穩(wěn)、隨機(jī)性和非線性強(qiáng)的負(fù)荷預(yù)測(cè)精度有限;近年來(lái)具有深度學(xué)習(xí)能力的人工智能方法在電力系統(tǒng)負(fù)荷預(yù)測(cè)中得到深入研究和應(yīng)用[11-18],主要有人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、專家系統(tǒng)等,這些算法通過(guò)多層非線性映射可實(shí)現(xiàn)對(duì)負(fù)荷曲線非線性的良好擬合,但缺少對(duì)數(shù)據(jù)時(shí)序性特征描述,需要人為添加時(shí)間特征作為預(yù)測(cè)模型的輸入量,有較大的隨機(jī)性,難以保證負(fù)荷預(yù)測(cè)結(jié)果的準(zhǔn)確性,且預(yù)測(cè)模型的泛化性有待提高。為解決人工智能學(xué)習(xí)方法的時(shí)序性和非線性兼顧問(wèn)題,學(xué)者們提出了一種長(zhǎng)短期記憶(long short-term memory,LSTM)網(wǎng)絡(luò),它是一種特殊的非線性循環(huán)神經(jīng)網(wǎng)絡(luò),通過(guò)其特殊記憶結(jié)構(gòu)和門(mén)結(jié)構(gòu)可充分學(xué)習(xí)時(shí)序信號(hào)的時(shí)序相關(guān)性特征;因此,以LSTM為基礎(chǔ)而拓展出來(lái)的深度人工智能預(yù)測(cè)方法被廣泛研究和應(yīng)用[19-26],取得了大量的研究成果,可在一定程度上提高負(fù)荷預(yù)測(cè)的精度。但由于此類方法基本思路是通過(guò)訓(xùn)練海量歷史負(fù)荷數(shù)據(jù)與負(fù)荷影響因素之間的耦合相關(guān)性特征,并將其按照時(shí)間序列組合成獨(dú)立的數(shù)據(jù)向量輸入LSTM模型中,實(shí)現(xiàn)負(fù)荷預(yù)測(cè)的目的,因此較長(zhǎng)的時(shí)序信號(hào)輸入LSTM模型中的權(quán)重分配、信息丟失以及影響因素與負(fù)荷相關(guān)性考慮不全的問(wèn)題,都可能嚴(yán)重影響負(fù)荷預(yù)測(cè)精度。

        針對(duì)電力系統(tǒng)負(fù)荷主要由全社會(huì)綜合經(jīng)濟(jì)狀況和氣象條件2個(gè)關(guān)鍵影響因素決定的特點(diǎn),為進(jìn)一步提高短期和中遠(yuǎn)期負(fù)荷預(yù)測(cè)的精度,本文提出一種基于最優(yōu)動(dòng)態(tài)功率補(bǔ)償?shù)呢?fù)荷預(yù)測(cè)方法。首先,按照時(shí)間順序?qū)⒇?fù)荷數(shù)據(jù)劃分為分段1和分段2,通過(guò)相似性矩陣計(jì)算,分別提取分段1和分段2最優(yōu)的訓(xùn)練體感溫差和目標(biāo)體感溫差曲線;其次,利用構(gòu)建的非線性映射能力強(qiáng)、收斂速度快、收斂性最優(yōu)且魯棒性好的徑向基(radial basis function,RBF)神經(jīng)網(wǎng)絡(luò),分別實(shí)現(xiàn)分段1和分段2最優(yōu)動(dòng)態(tài)補(bǔ)償功率的預(yù)測(cè);在此基礎(chǔ)上,利用本文推導(dǎo)的基于最優(yōu)動(dòng)態(tài)功率補(bǔ)償?shù)呢?fù)荷預(yù)測(cè)通用公式進(jìn)行修正,以實(shí)現(xiàn)短期和中遠(yuǎn)期負(fù)荷的有效預(yù)測(cè)。最后,通過(guò)應(yīng)用實(shí)例分析,對(duì)本文方法的可行性、有效性、通用性和精確性進(jìn)行驗(yàn)證。

        1 基本理論介紹

        1.1 時(shí)間序列的相似度指標(biāo)

        假設(shè)n維向量X=(x1,x2,…,xi,…,xn)和Y=(y1,y2,…,yi,…,yn),則定義向量X、Y之間的相似度指標(biāo)

        (1)

        (2)

        (3)

        式(1)—(3)中:k1、k2分別為向量X、Y的峰值的極小值和極大值;C(X,Y)為向量X、Y的余弦相似度。

        相似度指標(biāo)ρ值在[-1,1]范圍內(nèi)變化:其值接近-1時(shí),表明2個(gè)n維向量接近于反向完全相似;其值接近1時(shí),表明2個(gè)n維向量接近于正向完全相似;其值接近0時(shí),表示2個(gè)n維向量接近于正交。相似度指標(biāo)ρ可綜合度量2個(gè)n維向量的余弦相似度和幅值差異化,有效拓展了其使用范圍。

        1.2 綜合體感溫度計(jì)算

        自然環(huán)境中人體實(shí)際感受到的真實(shí)溫度稱為體感溫度,主要由實(shí)際溫度、空氣相對(duì)濕度、風(fēng)速以及太陽(yáng)輻射強(qiáng)度決定,體感溫度通用計(jì)算公式為[27]

        T=Ts+T1(u)+T2(v)+T3(o).

        (4)

        式中:T為體感溫度,單位為℃;Ts為實(shí)際溫度,單位為℃;T1(u)、T2(v)、T3(o)分別為空氣相對(duì)濕度u、風(fēng)速v、太陽(yáng)輻射強(qiáng)度o對(duì)溫度的修正項(xiàng),單位均為℃。

        由于本文綜合考慮該地區(qū)平均體感溫度對(duì)負(fù)荷所產(chǎn)生的影響,而孤立的室外輻射強(qiáng)度修正項(xiàng)對(duì)用電負(fù)荷的影響幾乎可以忽略不計(jì);因此,本文中體感溫度計(jì)算時(shí)不考慮太陽(yáng)輻射強(qiáng)度修正項(xiàng)的作用,即

        (5)

        (6)

        式(5)—(6)中:u為空氣相對(duì)濕度,單位為一;ui為臨界相對(duì)濕度,即靜風(fēng)和非太陽(yáng)直射條件下,體感溫度等于測(cè)量溫度時(shí)的相對(duì)濕度,單位為一;v為風(fēng)速,單位為m/s。

        1.3 RBF神經(jīng)網(wǎng)絡(luò)模型

        RBF神經(jīng)網(wǎng)絡(luò)[28-29]是一種性能良好的三層前饋型神經(jīng)網(wǎng)絡(luò)模型,包括輸入層、隱含層和輸出層的多輸入單輸出系統(tǒng),其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

        圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

        RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中:X=(x1,x2,…,xi,…,xN)T為輸入向量,N為輸入向量X的維數(shù);H=(h1,h2,…,hj,…,hM)T為網(wǎng)絡(luò)RBF向量,M為隱含層神經(jīng)元個(gè)數(shù);yM(k)為第k個(gè)輸出節(jié)點(diǎn)的輸出;wj為隱含層第j個(gè)節(jié)點(diǎn)與輸出層之間的輸出權(quán)重值;RBF函數(shù)為高斯函數(shù)。

        (7)

        式中:cj為隱含層第j個(gè)高斯函數(shù)的中心矢量;σj為隱含層第j個(gè)高斯函數(shù)的寬度。則RBF神經(jīng)網(wǎng)絡(luò)輸出

        (8)

        本文采用高斯牛頓法[28]對(duì)輸出權(quán)重值wj進(jìn)行訓(xùn)練,目標(biāo)是使得輸出總誤差E最小,

        (9)

        式中y(k)為輸入樣本X所對(duì)應(yīng)的期望輸出值。

        RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單,訓(xùn)練速率快,泛化能力強(qiáng),能夠以任意精度逼近任意非線性函數(shù),實(shí)現(xiàn)對(duì)被預(yù)測(cè)對(duì)象的非線性和多變量特性的高精度非線性擬合,并且可有效避免局部最小值和最大值問(wèn)題,被廣泛應(yīng)用于非線性受控對(duì)象的行為預(yù)測(cè)中。

        2 負(fù)荷預(yù)測(cè)方法分析

        2.1 理論分析

        假設(shè)待預(yù)測(cè)t時(shí)刻的負(fù)荷曲線P(t,T)可由兩部分組成,一部分為基準(zhǔn)體感溫度T0下的固定負(fù)荷P(t,T0),另一部分為基于體感溫度差(T-T0)的動(dòng)態(tài)補(bǔ)償功率ΔP(t,T-T0),即

        P(t,T)=P(t,T0)+ΔP(t,T-T0),

        (10)

        式(10)可改寫(xiě)為

        P(t,T)=P(t0+t-t0,T0)+

        ΔP(t0+t-t0,T-T0),

        (11)

        式中t0為與基準(zhǔn)體感溫度T0對(duì)應(yīng)的基準(zhǔn)時(shí)間。

        在統(tǒng)計(jì)學(xué)上,時(shí)間差(t-t0)效應(yīng)通常可以用全社會(huì)綜合經(jīng)濟(jì)增長(zhǎng)率來(lái)表示,而全社會(huì)的國(guó)民生產(chǎn)總值(gross domestic product,GDP)與用電量之間存在典型的線性關(guān)系[30-31],該線性關(guān)系通常用Pearson相關(guān)系數(shù)來(lái)表示,因此式(11)可進(jìn)一步表示為

        P(t,T)=r(1+R)(P(t0,T0)+

        ΔP(t0,T-T0)).

        (12)

        式中:r為全社會(huì)GDP與用電量的Pearson相關(guān)系數(shù);R為綜合經(jīng)濟(jì)增長(zhǎng)率。

        由前述分析可知,對(duì)負(fù)荷曲線P(t,T)的預(yù)測(cè)將由全社會(huì)綜合經(jīng)濟(jì)增長(zhǎng)率R、基準(zhǔn)負(fù)荷P(t0,T0)以及動(dòng)態(tài)補(bǔ)償功率ΔP(t0,T-T0)決定,而其中綜合經(jīng)濟(jì)增長(zhǎng)率R、基準(zhǔn)負(fù)荷P(t0,T0)均為常數(shù),因此負(fù)荷曲線P(t,T)預(yù)測(cè)的關(guān)鍵是實(shí)現(xiàn)最優(yōu)動(dòng)態(tài)補(bǔ)償功率的ΔP(t0,T-T0)的高精度預(yù)測(cè)。

        2.2 最優(yōu)動(dòng)態(tài)補(bǔ)償功率的預(yù)測(cè)方法

        為了便于計(jì)算和展示,將第i組f維功率數(shù)列Pi={Pi1,Pi2,…,Pif}用向量Pi表示,將N組f維功率數(shù)列組成的樣本集用矩陣P表示,P=[P1P2…Pi…PN]。同理,將N組g維體感溫度數(shù)列Ti={Ti1,Ti2,…,Tig}組成的樣本集用矩陣T表示,T=[T1T2…Ti…TN],待預(yù)測(cè)日的體感溫度數(shù)列用向量Tx表示。

        基于動(dòng)態(tài)補(bǔ)償功率與體感溫差耦合效應(yīng)的時(shí)段差異化特性,為提高負(fù)荷預(yù)測(cè)的精度,首先將數(shù)據(jù)矩陣P、T中的數(shù)列、Tx數(shù)列按照時(shí)間順序進(jìn)行二分段處理,其中分段1為00:00至07:00的采樣數(shù)據(jù),分段2為07:00至24:00的采樣數(shù)據(jù)。

        以分段1最優(yōu)動(dòng)態(tài)補(bǔ)償功率預(yù)測(cè)為例進(jìn)行分析。假設(shè)提取分段1的負(fù)荷差、體感溫差數(shù)據(jù)矩陣分別為:

        (13)

        (14)

        式中:ΔPi=Pi+1-Pi,ΔTi=Ti+1-Ti,1≤i≤N-1。

        提取分段1的待預(yù)測(cè)日體感溫差數(shù)據(jù)矩陣

        (15)

        式中:ΔTxi=Tx-Ti,1≤i≤N。

        對(duì)(ΔT)T和ΔTx數(shù)據(jù)矩陣中的向量進(jìn)行相似度指標(biāo)計(jì)算,可得到相似度指標(biāo)矩陣

        (16)

        對(duì)相似度矩陣ρ的元素進(jìn)行極大值計(jì)算,則有

        ρhl=max{ρ1,1,ρ1,2,…,ρN-1,N}.

        (17)

        進(jìn)一步可提取出分段1的最優(yōu)體感溫差、待預(yù)測(cè)日體感溫差向量組:

        (18)

        式(17)、(18)中:1≤h≤N-1,1≤l≤N;ΔTh為最優(yōu)訓(xùn)練體感溫差向量;ΔTxl為最優(yōu)目標(biāo)體感溫差向量。

        可構(gòu)建包含最優(yōu)訓(xùn)練體感溫差向量及其對(duì)應(yīng)的最優(yōu)訓(xùn)練負(fù)荷差向量的樣本集組:

        (19)

        式中:ΔPh為最優(yōu)訓(xùn)練體感溫差向量;ΔTh為ΔPh對(duì)應(yīng)的最優(yōu)訓(xùn)練負(fù)荷差向量。

        對(duì)式(19)所示樣本集組中的各數(shù)據(jù)向量分別進(jìn)行轉(zhuǎn)置處理,結(jié)果為:

        (20)

        式中ΔPc為(N-1)×L1維數(shù)據(jù)矩陣,ΔTc為(N-1)×L2維數(shù)據(jù)矩陣,其中L1、L2分別為向量ΔPh和ΔTh的維數(shù)。

        然后,將矩陣ΔPc和ΔTc轉(zhuǎn)換為(N-1)L1維數(shù)列ΔPc和(N-1)L2維數(shù)列ΔTc;將向量ΔPh,T和ΔTh,T轉(zhuǎn)換為數(shù)列ΔPh和ΔTh。

        進(jìn)而利用db5小波分別對(duì)數(shù)列ΔPc、ΔTc、ΔTh進(jìn)行4層小波包分解,得到16個(gè)節(jié)點(diǎn)小波包系數(shù),然后按照節(jié)點(diǎn)先后順序分別對(duì)每個(gè)節(jié)點(diǎn)小波包系數(shù)進(jìn)行重構(gòu)并計(jì)算其總能量特征系數(shù),可得到16維的能量特征系數(shù)數(shù)列WΔPc、WΔTc、WΔTh,最終可構(gòu)建一個(gè)48維的能量特征系數(shù)輸入樣本集向量(WΔPc,WΔTc,WΔTh)和輸出樣本集ΔPh。

        基于此,構(gòu)建一個(gè)RBF神經(jīng)網(wǎng)絡(luò),以(WΔPc,WΔTc,WΔTh)作為輸入樣本集,ΔPh作為輸出樣本集,對(duì)該RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

        進(jìn)一步,可構(gòu)建包含最優(yōu)目標(biāo)體感溫差向量的樣本集組:

        (21)

        與前述方法一致,對(duì)式(21)所示矩陣中的向量分別進(jìn)行轉(zhuǎn)置處理,并轉(zhuǎn)換為對(duì)應(yīng)的數(shù)列ΔPc、ΔTc、ΔTxl后,可分別提取數(shù)列ΔPc、ΔTc、ΔTxl的16維能量特征系數(shù)數(shù)列WΔPc、WΔTc、WΔTxl,構(gòu)建一個(gè)48維的能量特征系數(shù)輸入樣本集向量(WΔPc,WΔTc,WΔTxl),輸入訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò),可得到基于分段1的最優(yōu)動(dòng)態(tài)補(bǔ)償功率曲線ΔPxl,進(jìn)而可得到基于分段1最優(yōu)動(dòng)態(tài)功率補(bǔ)償?shù)呢?fù)荷預(yù)測(cè)結(jié)果

        P(t,Tx)=μ(P(tl,Tl)+ΔP(tl,Tx-Tl)).

        (22)

        式中:μ為修正系數(shù);tl為基準(zhǔn)體感溫度Tl對(duì)應(yīng)的基準(zhǔn)時(shí)間。

        當(dāng)式(22)應(yīng)用于短期電力負(fù)荷預(yù)測(cè)時(shí),修正系數(shù)μ=1。當(dāng)式(22)應(yīng)用于中遠(yuǎn)期電力負(fù)荷預(yù)測(cè)時(shí),

        μ=r(1+R1)(1+R2)…(1+Ri).

        (23)

        式中:r為該地區(qū)GDP與電力負(fù)荷之間的Pearson相關(guān)系數(shù);Ri為第i年相應(yīng)季度的同比經(jīng)濟(jì)增長(zhǎng)率。

        分段2的負(fù)荷差、體感溫差及待預(yù)測(cè)日體感溫差數(shù)據(jù)矩陣提取及負(fù)荷預(yù)測(cè)過(guò)程,與分段1的數(shù)據(jù)矩陣提取及負(fù)荷預(yù)測(cè)過(guò)程一致,本文不予贅述。

        2.3 預(yù)測(cè)結(jié)果誤差分析

        為驗(yàn)證本文方法對(duì)短期、中遠(yuǎn)期負(fù)荷預(yù)測(cè)的精確性,選取3個(gè)誤差評(píng)價(jià)指標(biāo)對(duì)預(yù)測(cè)結(jié)果進(jìn)行定量評(píng)價(jià),分別為平均絕對(duì)誤差(mean absolute error,MAE)、平均相對(duì)誤差(mean relative error,MRE)和均方根誤差(root mean square error,RMSE),各誤差評(píng)價(jià)指標(biāo)定義為:

        (24)

        (25)

        (26)

        3 負(fù)荷預(yù)測(cè)步驟

        負(fù)荷預(yù)測(cè)步驟如下:

        a)從數(shù)據(jù)庫(kù)提取與待預(yù)測(cè)日相同月份、日期類別一致的負(fù)荷樣本集及對(duì)應(yīng)的溫度、濕度和風(fēng)速樣本集,并計(jì)算綜合氣象指標(biāo)體感溫度。

        b)對(duì)數(shù)據(jù)進(jìn)行二分段處理,分別提取分段1和分段2的負(fù)荷差、體感溫差樣本集以及待預(yù)測(cè)日體感溫差樣本集。

        c)對(duì)分段1的體感溫差樣本集與待預(yù)測(cè)日體感溫差樣本集進(jìn)行相似性矩陣計(jì)算,提取1組最優(yōu)的訓(xùn)練體感溫差曲線和目標(biāo)體感溫差曲線。

        d)構(gòu)建最優(yōu)訓(xùn)練樣本集對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

        e)構(gòu)建最優(yōu)目標(biāo)樣本集并輸入訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò),可實(shí)現(xiàn)分段1最優(yōu)動(dòng)態(tài)補(bǔ)償功率的預(yù)測(cè)。

        f)將分段1數(shù)據(jù)替換為分段2數(shù)據(jù),并重復(fù)步驟c)—e)過(guò)程,可實(shí)現(xiàn)分段2最優(yōu)動(dòng)態(tài)補(bǔ)償功率的預(yù)測(cè)。

        g)利用式(22)分別對(duì)分段1和分段2的負(fù)荷預(yù)測(cè)進(jìn)行修正,實(shí)現(xiàn)短期和中遠(yuǎn)期負(fù)荷預(yù)測(cè)。

        4 實(shí)例分析

        以調(diào)度數(shù)據(jù)平臺(tái)采集的某供電局2018年7月的工作日負(fù)荷曲線及對(duì)應(yīng)的體感溫度曲線作為基礎(chǔ)數(shù)據(jù)樣本,分別開(kāi)展月份相同、日期類別一致的短期和中遠(yuǎn)期負(fù)荷預(yù)測(cè)。其中,日負(fù)荷曲線采樣點(diǎn)288個(gè),日體感溫度曲線采樣點(diǎn)96個(gè),RBF神經(jīng)網(wǎng)絡(luò)的核函數(shù)系數(shù)設(shè)置為10-3,懲罰因子為100。

        4.1 短期負(fù)荷預(yù)測(cè)

        基于2018年7月1日至19日區(qū)間內(nèi)連續(xù)14個(gè)工作日采樣數(shù)據(jù),對(duì)2018年7月20日的短期負(fù)荷曲線進(jìn)行預(yù)測(cè)。應(yīng)用本文方法提取的最優(yōu)體感溫差曲線及預(yù)測(cè)的最優(yōu)動(dòng)態(tài)補(bǔ)償功率曲線分別如圖2、3所示。

        圖2 最優(yōu)體感溫差曲線(短期負(fù)荷預(yù)測(cè))

        為了對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析比較,分別采用決策樹(shù)算法、CNN-LSTM算法以及本文算法進(jìn)行負(fù)荷預(yù)測(cè),結(jié)果如圖4所示。采用本文預(yù)測(cè)方法時(shí),式(22)中修正系數(shù)μ=1。

        圖3 最優(yōu)動(dòng)態(tài)補(bǔ)償功率曲線(短期負(fù)荷預(yù)測(cè))

        圖4 2018年7月20日負(fù)荷預(yù)測(cè)結(jié)果

        對(duì)3種算法的負(fù)荷預(yù)測(cè)結(jié)果進(jìn)行誤差指標(biāo)計(jì)算,結(jié)果見(jiàn)表1。

        表1 負(fù)荷預(yù)測(cè)誤差指標(biāo)(短期)

        從表1結(jié)果分析可知,采用本文算法、決策樹(shù)算法和CNN-LSTM算法對(duì)2018年7月20日短期負(fù)荷進(jìn)行預(yù)測(cè),其中MRE分別為1.03%、4.83%和3.18%,可見(jiàn)本文方法相較于CNN-LSTM算法和決策樹(shù)算法的負(fù)荷預(yù)測(cè)精度有較大幅度提高,取得了較好的負(fù)荷預(yù)測(cè)結(jié)果。同時(shí)由于本文方法采取了分段預(yù)測(cè)的方法,能較好地克服傳統(tǒng)負(fù)荷預(yù)測(cè)方法中存在的低負(fù)荷時(shí)段預(yù)測(cè)精度較低的問(wèn)題,有效提高了整體負(fù)荷曲線的預(yù)測(cè)精度。

        4.2 中期負(fù)荷預(yù)測(cè)

        基于2018年7月1日至31日區(qū)間內(nèi)連續(xù)22個(gè)工作日采樣數(shù)據(jù),對(duì)2019年7月18日進(jìn)行中期負(fù)荷預(yù)測(cè)。應(yīng)用本文方法提取的最優(yōu)體感溫差曲線組及預(yù)測(cè)的最優(yōu)動(dòng)態(tài)補(bǔ)償功率曲線分別如圖5、6所示。

        圖5 最優(yōu)體感溫差曲線(中期負(fù)荷預(yù)測(cè))

        圖6 最優(yōu)動(dòng)態(tài)補(bǔ)償功率曲線(中期負(fù)荷預(yù)測(cè))

        分別采用NARX算法、ARIMA-LSTM算法以及本文算法進(jìn)行負(fù)荷預(yù)測(cè),預(yù)測(cè)結(jié)果如圖7所示。采用本文預(yù)測(cè)方法時(shí),式(22)中修正系數(shù)μ=r(1+R1),Pearson相關(guān)系數(shù)r=0.968,2019年7月同比經(jīng)濟(jì)增長(zhǎng)率R1=7.1%。

        圖7 2019年7月18日負(fù)荷預(yù)測(cè)結(jié)果

        對(duì)3種算法的負(fù)荷預(yù)測(cè)結(jié)果進(jìn)行誤差指標(biāo)計(jì)算,結(jié)果見(jiàn)表2。

        表2 負(fù)荷預(yù)測(cè)誤差指標(biāo)(中期)

        從表2結(jié)果分析可知,采用本文算法、NARX算法和ARIMA-LSTM算法對(duì)2019年7月18日進(jìn)行中期負(fù)荷預(yù)測(cè)時(shí),MRE分別為1.02%、2.69%和2.16%,可見(jiàn)本文方法較NARX算法和ARIMA-LSTM算法的預(yù)測(cè)結(jié)果均有50%以上的精度提升,中期負(fù)荷預(yù)測(cè)精度較高。

        4.3 遠(yuǎn)期負(fù)荷預(yù)測(cè)

        基于2018年7月1日至31日區(qū)間內(nèi)連續(xù)22個(gè)工作日采樣數(shù)據(jù),對(duì)2020年7月23日進(jìn)行遠(yuǎn)期負(fù)荷預(yù)測(cè)。應(yīng)用本文方法提取的最優(yōu)體感溫差曲線組及預(yù)測(cè)的最優(yōu)動(dòng)態(tài)補(bǔ)償功率曲線分別如圖8、9所示。

        圖8 最優(yōu)體感溫差曲線(遠(yuǎn)期負(fù)荷預(yù)測(cè))

        分別采用NARX算法、ARIMA-LSTM算法及本文算法進(jìn)行負(fù)荷預(yù)測(cè),預(yù)測(cè)結(jié)果如圖10所示。采用本文預(yù)測(cè)方法時(shí),式(22)中修正系數(shù)μ=r(1+R1)(1+R2),Pearson相關(guān)系數(shù)r=0.968,2019年7月同比經(jīng)濟(jì)增長(zhǎng)率R1=7.1%,2020年7月同比經(jīng)濟(jì)增長(zhǎng)率R2=-3.2%。

        圖9 最優(yōu)動(dòng)態(tài)補(bǔ)償功率曲線(遠(yuǎn)期負(fù)荷預(yù)測(cè))

        圖10 2020年7月23日負(fù)荷預(yù)測(cè)曲線

        對(duì)3種算法的負(fù)荷預(yù)測(cè)結(jié)果進(jìn)行誤差指標(biāo)計(jì)算,結(jié)果見(jiàn)表3。

        由表3結(jié)果分析可知,應(yīng)用本文算法、NARX算法和ARIMA-LSTM算法對(duì)2020年7月23日的負(fù)荷曲線進(jìn)行遠(yuǎn)期負(fù)荷預(yù)測(cè)時(shí),MRE分別為0.92%、4.04%和3.16%,其中NARX算法和ARIMA-LSTM算法的遠(yuǎn)期負(fù)荷預(yù)測(cè)精度較中期負(fù)荷預(yù)測(cè)精度均有較大幅度的下降,且預(yù)測(cè)誤差隨著預(yù)測(cè)時(shí)間跨度的增加而增大;本文方法在短期和中遠(yuǎn)期負(fù)荷預(yù)測(cè)時(shí)MRE保持在1%左右,短期和中遠(yuǎn)期負(fù)荷預(yù)測(cè)精度均能保持良好的穩(wěn)定性和較高的精確度。

        表3 負(fù)荷預(yù)測(cè)誤差指標(biāo)(遠(yuǎn)期)

        5 結(jié)束語(yǔ)

        本文提出了一種基于最優(yōu)動(dòng)態(tài)功率補(bǔ)償?shù)呢?fù)荷預(yù)測(cè)方法。首先按照時(shí)間順序?qū)⒇?fù)荷數(shù)據(jù)劃分為分段1和分段2,利用相似性矩陣計(jì)算,分別提取分段1和分段2最優(yōu)的訓(xùn)練體感溫差和目標(biāo)體感溫差曲線,利用構(gòu)建的RBF神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)分段1和分段2最優(yōu)動(dòng)態(tài)功率補(bǔ)償?shù)念A(yù)測(cè),最后采用本文推導(dǎo)的基于最優(yōu)動(dòng)態(tài)功率補(bǔ)償?shù)呢?fù)荷預(yù)測(cè)通用公式進(jìn)行修正,分別實(shí)現(xiàn)了短期和中遠(yuǎn)期負(fù)荷的有效預(yù)測(cè)。多個(gè)實(shí)例分析結(jié)果表明,本文方法具有可行性、有效性和通用性,負(fù)荷預(yù)測(cè)精度較高且預(yù)測(cè)精度能保持良好的穩(wěn)定性,具有一定的實(shí)際應(yīng)用前景。

        免费观看激色视频网站| 精品人妻少妇丰满久久久免| 久久精品国产熟女亚洲| 麻豆影视视频高清在线观看| 爱a久久片| 日产精品一区二区免费| 一本色道久久88加勒比| 亚洲日韩欧美一区、二区| 变态调教一区二区三区女同| 国偷自产视频一区二区久| 国模精品无码一区二区二区| 男人的天堂av一二三区| 日本视频一中文有码中文| 娇妻在交换中哭喊着高潮| 996久久国产精品线观看| av在线免费观看你懂的| 按摩师玩弄少妇到高潮av| 亚洲综合av一区二区三区| 97se在线| 婷婷色在线视频中文字幕| 欲女在线一区二区三区| 国产女人高潮视频在线观看| 亚洲精品亚洲人成在线下载 | 国产一区二区亚洲一区| 亚洲色精品三区二区一区 | 一级做a爰片久久毛片| 一道本中文字幕在线播放| 国产亚洲视频在线播放| 一本色综合久久| 日韩无码电影| 日本少妇爽的大叫高潮了| 亚洲一区精品在线中文字幕| 内射少妇36p亚洲区| 国产免费一区二区三区最新不卡| 亚洲国产综合精品中文| 久久人妻少妇嫩草av| 97久久精品人人做人人爽| 久久国产亚洲中文字幕| 国产精品毛片毛片av一区二区| 久久久久88色偷偷| 在线中文字幕有码中文|