1项目简介
1.
1.
项目背景
电力系统负荷是实时变化的，对负荷的准确预测将可避免的负荷与发电出力的不平衡、避免设备重过载等，负荷预测是电力调度工作的重要依据。除出于对整个电网负荷与出力的平衡考虑外，还常需考虑各子系统的平衡问题，一般以主变压器台区作为子区域单位，进行负荷再分配。主变的运行受容量限制，为避免主变重过载，对主变负荷的事前预测是至关重要的。调度中心在安排方式计划、错避峰计划时，均需了解可靠的主变负荷预测信息。 1.国际海事组织
Chinese go to publc wc1.
技术现状
根据项目查新，目前，南方电网系统内仅具备对于地级网区系统和关键母线的负荷预测功能，且以传统算法为主，缺少对主变负荷的可靠的、智能化预测手段。以广西北海网区为例，共有67台110kV级以上主变，且无相应负荷预测模型。若交由人工预测，需每天对24×N(或96×N)个负荷数据进行预测(N是所需预测的主变数量), 该工作量几乎是不可完成的，且人为预测存在随机性，难以作为调度依据。 1.
1.
项目主要研究内容
研究中设计的预测算法在广西电网北海网区进行综合测试，日负荷预测误差率低于1.94%，并与时间耦合的浅层神经网络预测算法、北海网区现日负荷预测系统算法进行比较，算法的可行性、进步性及实用性得到验证。
2主要研究内容
2.1基于深度学习的主变负荷预测算法
本项目采用历史负荷数据库以及处理完成的影响因素来进行深度学习网络的学习和预测工作，首先将构建完成的数据库按比例分为训练数据库和测试数据库，一般为7:3的比例，其中的训练数据库的数据将用于深度学习网络模型的学习过程，网络模型对数据库中的行列进行特征提取并建立模型；测试数据库中的数据用于训练完成后的预测阶段，主要是对训练好的深度学习网络模型进行性能测试，图2-1为整个深度学习网络模型的构建展示图，模型构建的流程就分成训练过程和测试过程两个阶段。
岛国文化图 2‑1 基于深度学习的负荷预测网络模型构建过程图
模型构建的详细流程如下：
（1）由于历史负荷数据与影响因素的历史数据之间具有很大的数据量级差别，此外，深度学习网络在处理[0,1]之间的数据时效果会更好，所以要针对数据库进行归一化处理，将数据处理为[0,1]区间内。
（2）将所有数据进行归一化处理之后，接着就要划分训练与测试集，本文按照所有数据库的70%作为训练数据集，剩余30%为测试数据集，训练数据集又按是否有标签将数据分为有标签数据和无标签数据。
（3）数据库处理完成之后，按照数据库的排列方式，对训练数据的输入量进行模型训练，基于LSTM网络特点，网络各层之间的权重参数都有联系。对于网络的第t层，其权重参数( , )由上一层t-1层的数据决定。
（4）将数据库的输入输出分别作为LSTM网络模型的输入和输出进行训练，采用梯度下降的方法对模型参数进行调整，代价函数为平方重构误差。
（5）完成训练过程后，利用测试数据库的数据通过LSTM模型输出数据，将得到的测试数
据进行反归一化处理，得到负荷的预测值。
（6）将（5）中得到的负荷预测值与实际负荷进行对比，采用误差的均方根值作为衡量标准，衡量LSTM网络模型的预测准确性。
吾守尔大爷的冰2.2模型的输入和输出
深度学习网络预测模型的输入量即负荷的历史值以及影响因素的量化值的集合。由于历史负荷之间大体趋势相同，但每日负荷受该日日期类型、气象因素（温度与光照）、电价波动、钢铁期货水平变化而产生相应的变化，尤其是北海地区本身负荷体量不大，其整体负荷更容易受这些影响因素波动的影响。由上文3.4节影响因素分析可知，北海系统的负荷预测不受光照因素的影响，负荷预测的输入特征集。特征集分别如表2-1所示：
表 2‑1不接光伏的负荷预测输入特征
特征序号 | 输入特征描述 |
1~7 | 待预测日7天的96点日负荷 |
8 | 社会化网络 待预测日的日期类型 |
9 | 待预测日的96点温度曲线 |
10 | 待预测日的96点电价 |
11~12 | 待预测前一日的96点钢铁价格走势（可以不要） |
| |
模型1中，1~7天的历史数据作为预测的输入量的一部分，整体预测系统输入输出考虑到LSTM网络具有保留数据时序性的优点，以一天的数据量即96行数据为一个步长，于是将输入量在纵向维度上设为步长为7即七天数据同时输入，此时输入输出数据集为一个672行乘以12列的矩阵；模型2中，仅适用一天的历史数据作为输入量的一部分，整体预测系统纵向维度步长也设为7，七天数据同时输入，此时的输入输出数据集为一个672行乘以7列的矩阵。危险化学品安全管理条例
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议