智能电表在配网负荷预测中的应用研究.pdf

《智能电表在配网负荷预测中的应用研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第11期总第221期农业科技与装备No．11TotalNo．2212012年11月Am'icultur~Science&Technolo~'vandEQuipmentNOV．2012智能电表在配网负荷预测中的应用研究高长亮，周启龙，赵龙(沈阳农业大学信息与电气工程学院，沈阳110866)}摘要：智能电表密集分布于配电网络中，能够实时反映配电网运行状况，是实现电网智能化管理的重要环节。基于智能电表采集负荷数据，并进行预处理获得学习样本，采用支持向量机的负荷预测方法对日负荷进行分析和预测。通过应用于实际负荷预测与负荷实际值进行比较，证明该方法的可行性。关键词：智能电表；负荷预测；支持向量机

2、；负荷预处理中图分类号：TM715文献标识码：A文章编号：1674—1161(2012)11-0041—03电力系统负荷预测具有重要意义[1]，但电力系统理论(StatisticalLearningTheory，SLT)的出现，提出了中各种负荷类型在用电过程中具有分布不均匀性、随结构风险最小化策略(如图l所示)[4】。并在此理论框机性。造成负荷累加成典型的非线性问题，不易用简架下产生了支持向量机(SVM)这一通用机器学习方单的数学模型来描述[2]。近年来，负荷预测技术趋于成法；同时．由于神经网络等新兴的机器学习方法的研熟，短期负荷预测主要采用时间序列法、小波分析、专究遇到一些困难(如确

3、定网络结构的问题、局部极小家系统等方法[31。与这些方法相比，支持向量机(Sup—点问题、过学习与欠学习问题等[5】)。使得SVM迅速发portVectorMachine，SVM)有较大的优越性，能较好展和完善，在解决小样本，非线性及高维模式识别问模拟因素和负荷之间的非线性关系。可提高泛化能力题中表现出许多特有的优势。并推广应用到函数拟合和处理复杂设计问题．不易陷入局部最优等问题。等其他机器学习问题中。目前，配电网安装了密集的远端测控和馈线终端欠学习装置。获得了大量反映运行状况的实时数据，使基于．过学习风险负荷预测的配电网络重构具有现实可行性。负荷预测的出发点源于数据采集与监控(SCA

4、DA)系统测量的实时负荷数据，而采用SCADA系统的测量数据在一定程度上忽略了配电网线路上的网损。不能非常精确地反映负荷的实际变化，影响负荷预测的效果，造成配电网优化网损的方法出现偏差，影响电网整体的经济性。这种类型的线路功率损耗较小，但在电力网络函数集子集：~IC~'aCS3Vc雉：hi《j《A3中数量众多。从用户到馈线之间的线损也被折算到用户负荷之中。计算公式如下式所示：图1结构风险最小化示意图Figure1SchematicdiagramofminimizedstructuralriskJsscADA+Is嘁s=SInAD(1)智能电表作为最底层的测量元件安装在用户侧，SVM的基

5、本原理是通过用内积函数定义的非线能够精确、实时地测量负荷值，将同一时段负荷预测性变换将输入空间变换到一个高维空间．在这个高维区域测量的实际负荷值汇总。作为负荷预测的学习样空间中寻找输入变量和输出变量之间的一种非线性本和精确性评估依据。关系。1基于智能电表支持向量算法的负荷预测原1．2基于智能电表的SVM算法理1．2．1负荷数据预处理由于智能电表收集的数据量巨1．1支持向量机的产生和原理大，在测量或传输过程中，可能会出现比较大的误差，20世纪9O年代。结构风险最小化思想统计学习所以首先要将这些不良数据剔除，对负荷测量值进行预处理，提高训练样本集的准确度。根据电力系统负荷数据为一维的随机变

6、量及其变化规律，可简略表示收稿日期：2012—09—13为：作者简介：高长亮(1987一)，男，硕士，从事地方电力系统及其ym=y'm+s(2)自动化方面的研究。42农业科技与装备2012年11月式中：Ym为测量值；y，m为负荷真值；s为随机干量决定。扰综合作用值。一般情况下，假定s的平均值为，方SVM中不同的内积核函数将形成不同的算法，差为。主要的核函数有三类。对负荷进行预处理的思路就是：由观测数据通过1)多项式核函数：统计分析的方法估计出y，m，选择一个合适的阀值6。(，y)=(·y+1)d，d=l，2，3，⋯(6)当观测值与负荷真值y，m的误差的绝对值大于62)S形函数：时，则y

7、m为不良数据；当观测值ym与负荷真值y，m的K(x，y)=tanh[b·。y)+(7)误差的绝对值小于时，则‰为正常观测数据。3)径向基(RadialBasicFunction，RBF)核函数：在历史负荷数据中。由于随机性因素的影响，负荷会在某段时间产生不同于正常运行方式的异常负，y)=exp(．_)(8)荷点，称之为异点。这些异点掺人到正常的负荷序列对于线性问题，根据统计学理论，SVM通过极小中，会使负荷序列的整体噪声增大，降低了负荷曲线化目