电力工业模型预测控制

电力工业模型预测控制（精选10篇）

电力工业模型预测控制 篇1

模型预测控制 (Model Predictive Control, MPC) 是上世纪末发展起来的一类新型计算机控制算法。由于它控制效果好、鲁棒性强, 适用于不易精确建立数学模型而且比较复杂的工业生产过程, 所以它一出现就受到国内外工程界的重视, 并已经在石油、化工、冶金和机械等工业部门的控制系统中得到了成功的应用。在分类上, MPC属于先进过程控制 (Advanced Process Control, APC) 。

1 模型预测控制的基本原理及分类

MPC使用模型对过程输出在输入变化下的未来行为进行预测。其使用模型和当前过程的测量值来计算操纵变量的未来动作, 并保证所有的输入输出均满足约束条件, 而后MPC将计算好的多个控制输入值下载到调节器控制回路中, 由调节器完成基础的控制作用。在线性MPC框架下, 线性叠加原理可以轻松地处理多输入多输出过程的预测问题, 将控制问题转化为快速有效的矩阵运算。非线性MPC直接使用由数据拟合方法或机理方法获得的非线性模型, 对于状态不可测的情况, 可用于非线性滚动时域估计, 线性化处理后再使用线性MPC方法。

MPC是一种基于模型的控制算法, 包括经典模型预测控制和综合模型预测控制。经典模型预测控制包括MAC、DMC、GPC等;综合模型预测控制包括状态反馈模型预测控制、有限切换时域的模型预测控制、输出反馈模型预测控制等。预测模型控制基本特征可以简要概括为预测模型、滚动优化和反馈校正。预测模型, 是指一类能够显式的拟合被控系统的特性的动态模型;滚动优化:滚动优化是指在每个采样周期都基于系统的当前状态及预测模型, 按照给定的有限时域目标函数优化过程性能, 找出最优控制序列, 并将该序列的第一个元素施加给被控制对象;反馈校正:反馈校正用于补偿模型预测误差和其他扰动。

2 模型预测控制在工业系统中的应用分析

模型预测控制应用于工业生产, 很好地满足了以上的要求, 顺应了工业产生的发展趋势。模型预测控制不是某一理论研究的产物, 而是在工业实践中, 为解决复杂的过程控制问题, 在工业生产中不断发展和完善的一类控制技术。MPC可以降低控制系统的方差, 可将控制系统推近至最有价值的约束边界附近, 从而达到增加经济效益的目的。所以, 最适宜MPC的场合就是多变量有约束的工业生产过程, 如石化和炼油等生产过程中。

在近30多年的工业实践中, 其应用范围不断扩大, 目前有上万套模型预测控制技术设备应用于工业上, 并且与日俱增。国外如美国和法国A spen Tech和A der2sa开发的DMCplus和FPC软件包都是工业应用商业化的很好产品。国内开发的MCC软件包, 在大型裂化催化设备中得到应用, 标志着MPC应用进入成熟阶段。

3 模型预测控制的发展趋势

目前, 模型预测控制理论与实践研究中还存在以下问题:一是对非线性、时变的不确定性系统的模型预测控制的问题还没有很好地解决, 二是将满意的概念引入到系统设计中来, 但满意优化策略的研究还有待深入, 三是模型预测控制算法还可以继续创新, 如引入神经网络、人工智能、模糊控制等理论以更加灵活地适应生产需要, 四是经典模型预测控制中闭环系统的稳定性不能保证。

针对实际工业过程的非线性、不确定、时变、有约束和参数分布的复杂系统, 如何描述它、分析它、解决它, 我们提出以下解决问题的思路: (1) 采用无穷时域优化的方法保证稳定性; (2) 采用多包来描述我们的线性和非线性时变系统; (3) 采用Min-Max方法来分析我们的性能目标函数, (4) 采用状态反馈来最小化我们的性能指标的上界; (5) 采用线性矩阵不等式 (LMI) 的方法对多包描述系统进行分析和控制器设计。从模型预测控制理论和实践的飞速发展来看, 预测控制已经存在大量成功的工业应用案例, 一些线性预测和非线性预测工程软件包已经推出和应用。传统模型预测控制理论研究日臻成熟, 模型预测控制与其他先进控制策略的结合也日益紧密。

参考文献

[1]丁宝苍.预测控制的理论与方法[M].机械工业出版社, 2008 (5)

[2]余伟, 陈文燕.预测控制理论综述[J].冶金自动化, 2009, S1

电力工业模型预测控制 篇2

研究了在航空发动机全权限数字式电子控制(FADEC)系统中引入模糊广义预测控制算法问题.研究采用T-S模型描述航空发动机的非线性动态特性,并结合广义预测控制算法来实现对发动机的控制.此法能很好地解决航空发动机模型的难确定性和其较高的鲁棒性、实时性要求这一矛盾.仿真结果证明了该方法的.有效性.未来的研究工作将在现有工作的基础上,进一步改善预测模型的在线校正和多变量控制问题.

作 者：林士兵 张毅 杨煜普 宋军强 作者单位：林士兵,张毅,杨煜普(上海交通大学自动化系,上海,30)

宋军强(中国航空动力控制系统研究所,无锡,214063)

电力工业模型预测控制 篇3

电力负荷预测是发电和配电的基础，科学的进行预测可以使各方获得较为满意的经济效益，同时也会获得巨大的社会效益。预测失误可能会带来不可弥补的损失，目前用于中长期预测方法有很多，回归分析法通过观察数据的统计分析和处理，来寻找负荷与影响因素之间的因果关系，建立回归模型进行负荷预测；时间序列分析法依据过去统计数据，找到随时间变化的规律，建立时序模型，推断未来负荷；智能预测法只需要知道过程模型的结构和参数的相关知识，不需要建立过程数学模型，主要有神经网络预测和灰色系统理论预测[7]等，效果都较为不错。

以往运用系统动力学对电力负荷预测进行预测时，往往把第一、二、三产业分为几个系统进行预测，所需要的各种数据较为复杂。本论文从系统学的观点出发，结合线性回归思想对电力负荷进行系统分析，从影响电力负荷的各个方面出发建立系统动力学模型，然后得出预测结果，作为一种新的预测方法不免存在某些缺陷，所以模型需要得到不断的改善，使该理论在负荷预测中能够更好的得到应用。

二、电力负荷预测模型建立

1、系统动力学建模 系统动力学模型的建立首先需要确定流位和流率变量等指标体系，见表1。

2、模型程式 系统动力学模型的仿真运算不需要编程，但是需要确定每个变量间的数学逻辑关系，从系统动力学流图中可以得到各个变量间的逻辑关系和系统构造，但是无法显示其定量关系，因此需要建立系统动力学方程，本系统规模较小，因此程式较为简单。

首先缺电流位变量间的主要方程：

电力负荷=INTEG(发电量年均增长率*电力负荷，电力负荷初始值)；

GDP总值=INTEG(GDP增长率*GDP总值，GDP总值初始值)；

其次确定辅助变量的方程：

每元GDP用电量=电力负荷/GDP；

流率变量的确定采用回归分析方法来确定各个变量之间关系的系数。以1993年到2004年的数据作为样本来确定其参数，如表2。

一元线性回归模型为：y=a+bx+ε (公式1)

需要对参数a和b进行估值计算，可以通过公式2、3得到估值结果。

通过matlab进行计算可以得到a，b的估计值，a＝0.0139，b＝0.5575。

因此可以得到GDP增长率的方程为：

GDP增长率=0.0139+0.5575*每元GDP用电量。

电力弹性系数设为常量：电力弹性系数=0.9。

可以看到整个系统分为两个子系统分别为GDP增长系统和电力负荷增长系统，子系统间的连接是通过每元GDP用电量辅助变量实现的，形成了一个较为完整的系统，因此其可以相互影响，相互制约。较为合理的模拟了电力负荷与GDP之间的相互关系。

三、仿真预测

1、仿真模拟 中长期预测无法达到很精确，因此允许存在一定的误差。将上节所建立的方程和系统动力学模型用计算机表述为系统动力学程式，应用Vensim PLE软件所提供的编译捡错和跟踪功能对模型的正确性和合理性进行检验[13]。

初始设置为：INITIAL TIME=1994；FINAL TIME＝2004；SAVEPER=0.1；

TIME STEP=1。电力负荷的初始值为1994年的负荷值为9278亿千瓦时，GDP总量为48197.9亿元，电力弹性系数[14]设为预测区间内的平均值0.9。2004年实际值为21870，预测值为22806.3，误差为4.1%,在5％以内，拟和程度较好，因此模型能够进行长期电力负荷预测，仿真所得到的预测数据和实际数据如表3。

从上表可知2000年到2002预测值与实际值出入较大，主要原因是因为1999年和2002年间国家禁止建设电厂，使得电力增长速度降低，带来了各个因素的不确定变化，由于政府政策的干涉使得模型预测模拟程度较差，直接原因是设置的电力弹性系数过大，需要把其设置为一个表函数，这样可以更真实的反映事实，因此这是模型改进的地方之一。虽然存在某些误差，但是对整个预测结果影响不使很明显。

2、仿真预测

根据以上参数值以1994年为起始年拟和了2004年的电力负荷，模型的结构具有一阶反馈回路，因此在对电力负荷预测的同时，各个变量也会随之变化，根据系统动力学模型原理，其他变量的结果只是作为参考，不需要太高的预测精度。具体结果见图1。

从图2中可以看到， 2020－2030年电力负荷增长较快，因此需要做好充分的准备，通过预测到2030年我国的电力负荷将达到235859亿千瓦时。按照国家规划，2020年国内生产总值要在2010年基础上翻一番，按照预测值，可以达到国家规划要求，这离不开电力工业的支持，因此当时的电力负荷也应该在2010年翻一番，因此本模型的预测具有一定的科学合理性。

四、结论

运用系统动力学方法建立长期电力负荷预测仿真模型，并对我国的未来需电量进行了长期预测，得到了较好的效果，偏差符合要求，从而为电力企业进行决策提供了一种理论依据。同时对该模型的各个流位变量和辅助变量需要进行进一步分析，使模型更加完善。能够更精确的预测未来长期的需电量。

电力工业模型预测控制 篇4

负荷预测是电力系统规划的重要组成部分, 其准确与否直接关系到电力系统的安全运行和经济调度, 准确的负荷预测便于更合理地安排电网设备调度及检修计划, 短期电力负荷预测更是在电力市场运营中占据着十分重要的地位[1,2]。

目前, 国内外专家学者对负荷预测问题已经进行了广泛而深入的研究, 开发了各种各样的负荷预测技术, 但没有任何一种方法能保证在任何情况下都获得满意的预测结果[3]。

当前使用组合预测难点主要在于单项预测模型的选择和各单项模型之间权值的确定。在以往的组合预测研究及应用中, 参与组合预测的单项预测模型往往没有经过筛选, 而是人为主观决定后直接进行组合, 文献[3]结论表明最优模型组包含的单项预测模型并非越多越好。

综上所述, 针对负荷变化的特点和已有方法的不足, 本文提出了一种基于有效度遴选和虚拟预测的负荷组合预测方法。

1 单项预测模型遴选

当参加组合的预测方法由n种增加到n+1时, 并不能保证一定会降低非负权重最优组合预测误差平方和。文献[4]采用排除冗余数据的方法, 从预测有效度的角度考虑, 确定最优模型组包含的单项预测模型。

根据有效度选择单项预测模型的过程如下:

步骤1:按照有效度公式对各单项预测模型进行评价, 并按有效度大小进行排序, 例如, 假设M (z1) ≥M (z2) ≥…≥M (zm) 。

步骤2:挑选有效度最高的两个预测模型z1和z2, 以误差平方和最小准则建立组合预测模型z12并计算其有效度M (z12) 。如果M (z12) ≤M (z1) , 表明单项模型z2的加入并没有使预测有效度提高, 说明z2为有效度冗余模型, 把它从单项模型中剔除;如果M (z12) ≥M (z1) , 表明z2的加入使得预测有效度提高, 保留该组合预测模型。

步骤3:将步骤2中得到的组合预测模型作为最好的预测模型, 继续加入余下的单项模型, 并进行有效度判断, 直到所有的单项模型判定完为止。最后所得组合预测模型即最终预测模型。

本文根据上述步骤, 在模糊预测法、灰色模型法、误差反馈加权时间序列法、回归分析法、BP神经网络法和最小二乘支持向量机中, 最终选取BP神经网络、灰色模型法和误差反馈加权时间序列法组成组合预测模型。

2 基于虚拟预测的负荷组合预测方法

虚拟预测是指对历史时间点的数据进行假定的预测, 预测结果被认为是历史时间点的拟合结果, 从而可以按拟合的效果做出各个单一方法的权重的判断。将预测日之前的历史数据进行整理分析, 其可分为历史时段和虚拟预测时段。本文构建的组合预测模型借助了虚拟预测应用在电力系统负荷预测上的基本思想。

组合预测模型通过利用各单项模型进行虚拟预测得到各单项模型的预测结果, 利用评价指标形成组合预测模型中单项模型的权系数。方差倒数法是一种常用的权系数生成方法, 使用预测误差平方和反映预测模型预测精度。对预测时段前的历史若干次等时长进行虚拟预测, 在同一时刻t预测误差平方和较小, 则认为单项模型在t时刻预测效果较好, 此单项预测模型在t时刻被赋以较高权重, 如下式所示:

式中, ;Ei, t为第i个单项预测模型进行的历史预测在t时刻的误差平方和;m为单项预测模型个数;n为预测时间长度。

根据前述有效度遴选, 本文选取BP神经网络、灰色模型法和误差反馈加权时间序列法组成组合预测模型, 可以得到虚拟预测模型的完整框架。

3 仿真分析

3.1 负荷准确率评价指标

经过有效度遴选, 确定由BP神经网络、灰色模型法和误差反馈加权时间序列法组成组合预测模型。其中, BP神经网络的输入除负荷样本外还考虑了最高温度、最低温度、降雨量和日期类型, 补充了时间序列模型和灰色理论模型的不足。

根据南方电网调度负荷预测管理与考核办法, 并结合地区电网的实际需求, 分别取日最大负荷准确率、日最小负荷准确率、日24:00准确率作为不同预测模型的评价指标。

3.2 实例分析

本文所使用的历史负荷数据 (2010—2012年) 由广东某地区电网提供, 是由数据采集与监控 (SCADA) 系统获取的实测负荷量, 所有数据的时间分辨率均为5min, 即一天拥有288个数据样本。该地区用电基数比较小, 处于300~1 000MW的规模, 同时存在着较多的钢铁用户, 其主要用电设备属于冲击性负荷, 与其他负荷的随机波动叠加在一起, 会造成电网负荷发生较大波动。

该地区负荷曲线呈现“三峰两谷”的变化趋势, 由于电网对工业用电实行峰谷电价, 鼓励多用低谷电, 因此炼钢厂、轧钢厂生产主要集中在凌晨0:00—8:00, 负荷曲线的每个拐点均为高频分量幅值较大的时刻。由实验结果可见, 本文所述的组合预测方法能准确地捕捉冲击毛刺的变化规律, 预测曲线比各单项预测更接近实际值 (图1) 。

4 结语

电力系统短期负荷预测是电网正常运行的基础, 对电力部门提高经济效益有着重要意义。针对该地区大量冲击负荷接入系统, 传统预测方法的预测精度已很难满足实际要求, 本文提出一种基于有效度遴选和虚拟预测的负荷组合预测方法。实验结果表明, 与单项预测模型相比, 本文所述组合方法能有效克服单一模型的缺点, 解决选择单项模型的随机性和权重难以确定的问题, 新方法具有更高的预测精度和更好的稳定性, 在相同负荷类型地区的负荷预测中值得推广借鉴。

参考文献

[1]廖旎焕, 胡智宏, 马莹莹, 等.电力系统短期负荷预测方法综述[J].电力系统保护与控制, 2011, 39 (1) :147-152.

[2]金鑫, 罗滇生, 孙广强, 等.中长期电力负荷预测模型筛选与组合方法[J].电力系统及其自动化学报, 2012, 24 (4) :150-156.

[3]高丙坤, 李阳, 许明子.优化粒子群算法在组合供热负荷预测中的应用[J].信息与电子工程, 2011, 9 (5) :655-659.

电力工业模型预测控制 篇5

关键词：模糊聚类；T-S模糊模型；非线性 

中图分类号：TN273文献标识码：A文章编号：1672-3198（2007）12-0264-02

1 基于T-S模糊模型的非线性预测控制

1.1 T-S模糊模型

为方便描述，这里只讨论单输入单输出系统读者可以很方便地将本文的结果推广到多输入、多输出系统。对象的T-S模糊模型的规则可以描述下：

1.2 T-S模型后件参数的在线辨识

对于实际系统，其结构一般不会发生变化，即模糊模型的规则数目、输入变量和输入空间划分等一般不发生变化。本文只对模型规则的后件参数进行在线调整。

为避免对某种工况的过度调整而造成模型泛化能力下降，本文提出了选择性在线调整，即每次进行调整时，首先计算每条规则对应的激励强度，只对具有最大激励强度的模糊规则参数进行在线调整，而其他规则参数保持不变。本文采用带自动调整遗忘因子的递推最小二乘法实现模型参数的在线学习，对模型规则的后件参数进行在线调整，遗忘因子随着系统动态特性的变化自动调整。当系统参数变化快时选择较小的遗忘因子，以提高辨识灵敏度。当参数变化慢时，选择较大的遗忘因子，增加记忆长度，提高辨识精度。其后件参数修正递推公式如下：

由于Y1(k)和F(k)仍是U(k)和Y^的函数，所以式（29）仍是一个非线性规划问题。采用工作点参考轨迹线，而非实际的控制量U(k)和模型预测输出Y^，式（29）就变为一个线性二次优化问题。其具体算法如下:

（1）在第k个周期，首先更新T-S模糊模型的结论部分参数，然后利用单步预测控制策略计算优化控制率U0(k)；

（2）利用式(28)和U0(k)计算模型输出Y^0；

（3）U0(k)和Y^0形成了新的工作点参考轨线，在新工作点参考轨线上重新计算Y1(k)和F(k)；

（4）求解二次优化问题式(29)得到优化解U1(k)；

（5）利用式(28)和U1(k)计算模型输出Y^1；

（6）U1(k)和Y^1形成了新的工作点参考轨线，在新工作点参考轨线上重新计算Y1(k)和F(k)；

（7）求解二次优化问题式(29)得到优化解U(k)；

（8）将U(k)的第一个元素输出到实际过程。

2 仿真研究

采用如下非线性方程作为计算机仿真研究的对象：

用基于T-S模糊模型的非線性预测控制进行跟踪阶跃仿真研究，其中预测步长为10，控制步长为5，输出最大值1，输出最小值为0，控制增量权重为0.2，输出误差权重为1。为了便于比较，本文同时设计了将采样时刻得到的模型作为整个预测时域模型的单步线性化预测控制器。图1给出了采用相同参数的单步线性化预测控制和多步线性化预测控制的结果。可以看出，多步线性化预测控制响应速度快，且过程的输出超调量小。而单步线性化预测控制响应以衰减振荡的形式收敛到设定值,过程响应超调量大。由此可见,多步线性化预测控制效果明显比单步线性化预测控制效果好。

3 结 论

本文提出一种新的基于T-S模型多步线性化的模糊预测控制策略。采用带可变遗忘因子的递推最小二乘法选择性对T-S模型后件参数进行在线辨识。在每个采样时刻线性化T-S模型，将T-S模型表示的非线性系统等价为线性时变状态空间模型，并将约束非线性优化问题转化为线性二次规划问题。以方便求解。其控制信号不需要反复迭代求解，进一步减小了计算量。仿真结果证明了该方法改善了过程动态特性，跟踪速度快，控制精度高，提高了系统的控制品质。

电力工业模型预测控制 篇6

关键词：通信业务,流量,预测模型

0 引言

国家电网公司正在全力建设智能通信网络,大量二次设备的接入以及实时数据的更新造成了电力通信网络流量的大幅增加,也给电力通信网络的流量情况带来了复杂变化。如何规划光缆的配置、路由的选择、带宽的分配,如何减少突发情况造成的重大损失,如何有效提高网络运行的速度和利用率,网络流量分析和带宽预测技术起关键作用。

网络流量预测是网络业务管理、拥塞控制以及流量控制的关键问题[1],能够防止网络拥塞,有效提高网络的利用率[2]。网络流量预测根据网络流量的数据以及规律,通过建立数学模型进行。

从本质上来说,网络流量数据是一种时间序列数据,可以通过传统的时间序列处理方法对其进行建模和预测。即使在流量发生突变时,网络流量也存在一定规律,通信网流量预测可采用一定的预测模型,根据收集的通信网络流量变化数据来对将来某一时刻的网络流量进行预测,为通信网络性能优化运行状况提供理论指导[3,4,5]。

网络带宽需求预测基于网络流量预测,对网络管理有重要的意义。目前的电力通信网络并未进行基于业务层面的网络流量实时监测,往往是当流量出现异常情况时由网络管理系统发出警告通知,然后由网络管理人员着手解决出现的问题[6]。这种响应式的行为,即先有问题后处理的方式,很可能造成由于没有足够的时间来分析和处理问题而影响网络的正常运行。如果能预测流量过载,在流量过载发生之前分析和解决问题,就能显著提高网络的可用性。

电网公司在进行通信业务带宽需求预测时,目前多凭借经验公式估算业务流量,未考虑业务的行为特征和时序特性,准确性不高。文章重点研究了电网公司生产和管理业务的需求发展和变化,分析了公司业务架构及其各类电力通信网络的承载关系;同时,结合公司通信网络及承载的业务,提出了适用于国家电网公司的通信业务需求带宽预测模型,根据模型分析了关键业务、典型站点、主要断面的通信业务组成和流量并在一定假设条件下对业务流量进行了估算。以上内容的研究和电力通信网业务流量测算模型的构建为电网日后的网络管理、运营维护、规划优化等工作提供了有效的支撑。

1 电网公司业务架构分析

1.1 电网公司业务及其网络承载

由于电力通信业务本身的特性,综合考虑安全性、可靠性、扩展性等要求,不同业务需要建设相应的业务网络来进行分类承载。目前的业务网络主要包括调度数据网、综合数据网等,另外还有一些其他业务需要由传输网提供专线通道。主要电力通信业务承载方式如表1 所列。

从表1 可以看出,对实时性要求最高的电网实时控制类继电保护业务直接承载在传输平台或裸光纤上;对安全性要求比较高的电网实时业务,包括调度自动化等业务,主要承载在调度数据网;行政办公信息数据及财务、营销、生产管理系统主要承载在综合数据网。

1.2 业务承载网络关系分析

根据网络本身的技术要求,调度数据网、综合数据网设备之间的组网一般情况下以传输网作为承载平面,由传输网提供连接通道。由于此类通道同时也作为传输网的业务存在,因此,传输网的业务带宽需求应同时考虑所承载业务网的组网通道需求。业务网、传输网以及光纤网络之间的相互承载关系如图1 所示。

2 电力通信业务带宽需求分析及预测方法

基于电力通信业务需求进行带宽需求预测研究,重点在于对各业务的通道带宽需求量进行预测以及对带宽进行统计预测,可以概括为3 个步骤。首先,结合业务种类和承载方式将通信业务进行分类;然后,根据各类业务的统计特征,选取拟合度较好的统计模型,逐一给出每类业务的通道带宽需求计算方法;最后,综合考虑业务流向,根据计算方法对单一或所有业务断面进行带宽统计预测。这些步骤中,业务的通道带宽需求计算是难点。电力通信网络一般承载2 类业务,一类是IP类业务,一类是由专线承载的时分业务,下面分别对这2 类业务的通道带宽需求计算方法进行介绍。

2.1 IP类业务通道带宽需求计算方法

对于某类IP业务而言,可以用如下公式描述其带宽需求:

其中,Bi表示第i类IP业务的带宽需求;Bi(t)为t时刻业务i所占用的带宽;bi为每个用户占用的基础带宽;φ 为带宽平均利用率(与IP网络开销有关,如路由寻址、维护信号等);ni(t) 为t时刻业务i的并发用户数,由业务类型决定。

可以看出,Bi与T时间段内业务i的峰值速率和平均网络带宽利用率有关,平均网络带宽利用率一般根据测算得出,经验值取0.7。计算Bi的关键在于确定ni(t),这需要选取合适的预测模型以对相应种类的业务特征进行拟合。

对电力通信业务进行流量分析,结合不同的业务特性可以选择不同的业务模型进行逼近和模拟。对于业务i,相应的流量模型选好之后,ni(t) 随之确定,步骤如下:

1)根据业务种类选择业务模型,并计算其所服从的随机过程Ni(t);

2)对于某个时间节点t,Ni(t) 是一个随机变量,因此可求得其概率分布函数F[Ni(t)]=P{Ni(t) ≤ ni(t)};

3)根据不同业务的有效性要求,确定F[Ni(t)]的具体值,如对于调度数据网业务,F[Ni(t)] 可取0.999 9,对于综合数据网业务,F[Ni(t)] 可取0.999;

4)利用Ni(t) 的概率分布函数以及F[Ni(t)] 的具体取值得到ni(t)。

电力通信数据网分2 类,一类调度数据网,主要承载电力生产业务;一类综合数据网,主要承载电力管理业务。表1 的业务中,调度自动化、配电自动化、用电信息采集属生产性业务,可以复用至调度数据网中传输;视频会议、ERP、GIS等业务书管理类业务,可复用至综合数据网中传输。因此,承载于调度数据网上的业务的带宽需求D可写为:

其中,Bk(t) 表示t时刻某类调度数据网业务k所占用的带宽。

同理,承载于综合数据网上的业务带宽需求可写为:

其中,Bm(t) 表示t时刻某类综合数据网业务m所占用的带宽。

由于IP网络往往通过传输网络(主要是同步数字体系(Synchronous Digital Hierarchy,SDH)、光传送网(Optical Transport Network,OTN),分组传送网(Packet Transport Network,PTN)技术目前在公司范围内还未普及,所以不做考虑)或者光纤直接组网,因此其通道大小多具有颗粒性。目前典型的用于承载IP业务的通道颗粒有2 M、100 M、155 M、622 M、1 000 M、2.5 G、10 G等。 同时,还需考虑通道层面的保护机制。在实际应用中,对同一断面的同一类业务,往往考虑基于单一颗粒的通道带宽配备。因此,考虑建设成本、组网方式和带宽利用率等因素的情况下,某断面的调度数据网(或者综合数据网)业务占用的通道带宽估算方法可建议如下:

1)光纤直接组网方式主要利用万兆光口、千兆光口和百兆光口沟通IP链路,此时建设成本是主要考虑的因素,因此在通道计算时选择100 M、2.5 G(1 000 M光模块与2.5 G光模块成本相当,因此在做链路配置时通常选择2.5 G光模块)、10 G颗粒。

对于调度数据网,在某一个通信断面上,通道需求Cd为(单位M bit/s,函数⎡x⎤表示对x向上取整,η为容灾系数):

对于综合数据网,在某一个通信断面上,通道需求Cr为(单位M bit/s):

2)传输通道组网方式主要利用万兆光口、2.5 G光口、千兆光口、百兆光/ 电口、622 M POS口、155 M POS口、155 M CPOS口以及SDH复用2 M捆绑的方式沟通IP链路,此时建设成本和带宽利用率都是很敏感的因素,因此在通道计算时选择2 M、155 M、622 M、1 000 M、2.5 G、10 G颗粒。

综合考虑成本和带宽利用率的因素,对于调度数据网,在某一个通信断面上,通道需求Cd的参考计算公式为(单位M bit/s):

同理,对于综合数据网,在某一个通信断面上,通道需求Cr的参考计算公式为(单位M bit/s):

由此可见,建设成本和通道的离散性是造成IP业务通道带宽利用率低的重要原因。

需要特别说明的是,电力数据网络组网方式较多,总部、各分部、省市公司的通道结构均存在较大差异,所以在做具体规划时必须考虑网络的实际情况来制定组网方案,本课题给出的数据网通道需求计算公式只针对典型应用,仅供参考。

2.2 时分业务通道带宽需求计算方法

电力时分业务主要有调度电话、行政电话、自动化远动信号以及采用SDH复用2 M的继电保护和安控业务。

2.2.1 调度电话、行政电话业务

对于调度电话、行政电话业务而言,可以用如下公式描述其通道带宽需求:

其中,Bj为调度/ 行政电话业务j的通道带宽需求;Bj(t) 为t时刻业务j所占用的带宽;bj为单用户的通道带宽;nj(t) 为t时刻业务j的并发电路数,为一随机过程;β 为冗余系数;η 为容灾系数。

对于传统的电路交换业务而言,泊松模型已经被理论和实践证明为最有效的业务预测模型,因此,本课题采用泊松模型对nj(t) 进行建模。由于调度电话、行政电话业务要求1+1 保护,所以容灾系数取2,冗余系数根据经验取1.3。对于调度/ 行政电话业务j,根据泊松模型确定nj(t),步骤如下:

1)列表达式:

2)对于某个时间节点t,Nj(t) 是一个随机变量,服从泊松分布,因而求得其概率分布函

3)根据不同业务的有效性要求,确定F[Nj(t)]的具体值,对于调度交换电话,F[Nj(t)] 可取0.999 9 ;对于行政电话业务,F[Nj(t)] 可取0.99。

4)利用Nj(t) 的概率分布函数以及F[Nj(t)] 的具体取值得到nj(t)。

因此,某一通信断面上程控交换语音业务的通道需求Cv为:

2.2.2 自动化远动、继电保护、安控业务

这几类业务为递增型业务,通道一旦启用即被长久占用,同时,其电路数量与电网发展直接相关,因此,可根据电网规划给出其通道带宽计算公式:

其中,Bk表示自动化远动/ 继电保护/ 安控业务的通道带宽需求;bk为每个用户占用的通道带宽;nk为业务k的电路数,由取决于电网规划;β 为冗余系数;η 为容灾系数。对于自动化远动、安控、距离保护业务,η 取2 ;对于光纤纵联差动保护业务,η 取1 ;β 取经验值1.3。

那么,某一通信断面上自动化远动、继电保护、安控业务的通道需求总和Cp可表示为:

某个通信断面上业务的通道总需求B则可以通过对以上几种业务的叠加得到,即:

3 电力通信业务带宽需求预测模型应用讨论

文章提出的业务流量测算方法适用于公司各级通信网,包括总部通信网、分部通信网、省公司通信网及地市公司通信网。按照总部、分部、省公司、地市公司不同类别的模板,通过统计分析各单位目前生产及管理业务节点的数量即可完成通信网业务流量测算工作。具体步骤如下:

1)计算各类业务基础流量,根据文章提供的计算公式计算出各类业务的基础流量,可以采用计算机套用相应的数学模型计算出结果,也可以采用简单的统计估算方法进行估算。

2)计算各类站点流量。例如,变电站选择相应电压等级的变电站模板,将该类站点的业务进行分类汇总(按照综合数据网、调度数据网、时分多路复用网、其他等分类),便于分类计算。

3)统计站点数量。按照国网、省、地市、区县等级别,统计变电站、配电站、电表、供电所等所有类别站点的数量,可以取上一年度年报数据。

4)计算断面流量。公司总部选择总部模板,分部选择分部模板,省公司选择省公司模板,地市公司选择地市公司模板,分别形成各断面的综合数据网、调度数据网、传输流量。

5)根据本层级通信网所承载的各类总的业务流量,按照当前通信网的整体架构,将业务流量分别分担到不同的综合数据网、调度数据网、传输网并形成不同系统进行优化、改造扩容等相关规划决策结论。

4 结语

网络流量预测是网络业务管理、拥塞控制以及流量控制的关键问题,文章进行了调研并提出了适用于公司各级通信网的业务流量测算模型。但是,一些因素也会对业务流量预测产生部分影响,包括基础研究、网络架构、政策影响等,在规划通信网时应充分考虑外界因素的影响,制定相应的应对策略。例如,随着十二五期间国家电网公司三集五大建设的推进,公司业务流向发生了巨大的变化,信息化业务由以往的分层模式改成大集中模式,电网生产业务也加快了IP化进程,通信专业应该加快研究IP化应对策略,加快提升业务网、承载网的IP承载能力;2014 年9 月,国家能源局颁布了新的《电力监控系统安全防护规定》,新规定较原先电监会5 号令有一些变化,特别是第8 条规定电力控制信息如果进行了安全加密并接入了安全接入平台也可以使用公网通道传输,所以,应重点考虑新规定对通信业务的影响,及时调整通信规划技术政策;随着国家加快推进电力体制改革,应重点关注各环节改革的进程,特别是配售电环节,这将对通信业务带来比较大的影响。

参考文献

[1]李文伟.电力数据通信网的业务流量分析[D].上海:上海交通大学,2007.

[2]张宾,杨家海,吴建平.Internet流量模型分析与评述[J].软件学报,2011,22(1):115-131.ZHANG Bin,YANG Jia-Hai,WU Jian-Ping.Survey and analysis on the Internet traffi c model[J].Journal of Software,2011,22(1):115-131.

[3]苟娟迎,马力.网络流量分析方法综述[J].西安邮电学院学报,2010,15(4):20-23.GOU Juan-ying,MA Li.The review of network traffic analysis m e t h o d s[J].J o u r n a l o f X i’A n U n i v e r s i t y o f P o s t s A n d Telecommunications,2010,15(4):20-23.

[4]曹建华.基于灰色神经网络模型的网络流量预测算法研究[D].江苏:江南大学,2008.

[5]苏占波.基于FARIMA模型的网络流量建模与预测[D].成都:电子科技大学,2010.

电力工业模型预测控制 篇7

1 GM (1, 1) 模型建模过程

GM (1, 1) 模型是一个单变量的一阶微分方程构成, 是目前使用最广泛的动态预测模型[2], 其建模过程如下。

设原始非负序列为:

X (0) = (x (0) (1) , x (0) (2) , …, x (0) (n) ) (1)

式中x (0) (i) >0 i=1, 2, …, n。

对原始序列做一次累加:

X (1) = (x (1) (1) , x (1) (2) , …, x (1) (n) ) (2)

其中undefined。

由一阶生成模块X (1) 建立模型GM (1, 1) , 对应的白化微分方程为:

undefined

(3) 式中a, μ的计算值可由

undefined

方程 (3) 的离散解为 :

undefined

令x (1) (1) =x (0) (1) 即:

undefined

x (0) (1) 称为初始值。

做累减还原, 得到原始数列的预测模型是:

undefined

2 GM (1, 1) 模型局限性分析

灰色系统有明显的优点:原理简单, 要求样本数据少, 运算方便, 短期预测精度高。因此, 得到了广泛的应用, 并取得了令人满意的效果, 但也存在一定的局限性, 一是当数据灰度越大, 即数据的离散程度越大, 则预测精度越差;二是不太适合电力系统长期后推若干年的预测, 在做长期预测模型时, 有实际意义, 精度较高的数据仅仅是以后的一两个数据。越往后发展, 其预测意义越小[3]。

从GM (1, 1) 模型建模过程可以看出, 预测精度取决于undefined和undefined两个值, 而影响undefined和undefined大小的原因主要有: (1) 原始数据的离散程度; (2) 背景值的选择; (3) 初始值的选取。这三个原因直接影响模型的拟合精度。

改造原始序列的目的主要是减弱异常值的影响, 强化原始序列的大致趋势, 尽可能将原始数列改造成指数递增序列, 实现这些目的方法很多, 诸如:指数加权法、滑动平均法、三分法、缓冲算子等方法。这些方法理论上都是切实可行的, 但又有明显的局限性, 特别是遇到原始数列较为平滑的情况, 效果很小, 不过还没出现“过拟合”的现象。

传统GM (1, 1) 模型初始值选用原始数列的第一个数据, 这是没有理论根据的, 会降低模型的建模精度和预测精度。一些研究者提出, 以中位值或末时刻值为基准来确定初始值, 但对提高模型的拟合精度并不明显。也有学者提出依次分别选用x (0) (m) m=1, 2, …, n建立预测公式, 计算预测误差, 通过比较, 选用误差最小的m值。此方法精度很高, 但计算量大。

关于背景值Z (1) (k+1) 的构造形式的改进, Z (1) (k+1) 是[k, k+1]这段时间内dx (1) /dt的背景值, Z (1) (k+1) 的紧邻均值生成是一种平滑, 当时间间隔很小, 序列数据变化平缓时, 这样构造的背景值是合适的, 模型偏差较小。但当序列数据变化急剧时, 这样构造出来的背景值往往产生较大的滞后误差, 模型偏差较大, 因而在一定程度上影响了预测精度[4]。

以上因素的改进研究者提出了许多行之有效的方法, 由于预测是在一定的假设条件下进行的, 预测量的发展变化规律存在多样性和复杂性, 也包含了许多不确定因素, 采用单一的改进某些参数的方法进行预测, 很难取得令人满意的结果, 因此, 在一个模型中需要选用多种改进方法进行综合预测[5]。这就使得那些预测效果好的改进方法进一步组合在一起, 以达到更佳的预测效果。

本研究将利用基本的数学原理, 修正拟合曲线与实际值之间的误差, 提高预测精度。

3 预测模型的改进

3.1 原始数据的弱化

对原始数据的弱化, 首先要观察原始数据的离散程度, 如果原始数据较平滑, 那么弱化的效果不明显, 若原始数据不是光滑的离散序列, 则可对原始数据进行幂函数平滑处理, 减弱异常值的影响, 对{x (0) (k) }进行幂变换得到{[x (0) (k) ]a}, 由于0

3.2 背景值的改进

根据上面的分析可知, 当原始数据变化较大时, 用函数的平均值来作为背景值效果明显比均值准确[7]:

undefined

由于模型为指数函数, 令f (t) =Clbt, 并且曲线过x (1) (k) , x (1) (k+1) 两点可解得:

undefined

undefined

3.3 初始值的选择

邓聚龙教授在建模时采用的是以初始值为准, 来确定c的方法。即选用实际的初始值为GM (1, 1) 的初始条件。但这样的选取并非最优初始条件。采用误差平方和最小的原则来改进比较明显。GM (1, 1) 模型的白化微分方程解的一般式为:

undefined

undefined

构造了一个Smin关于C二次函数。根据求函数极值求法, 令undefined, 可以求解得出c值, 此时最优初始值为undefined。

这样通过用误差平方和最小的原则来选择初始值。

4 实例分析

根据上述建模思想, 将以上改进的GM (1, 1) 模型来预测石家庄市电网1987～1990年度售电量, 使用MATLAB7.0编程。并与传统的GM (1, 1) 模型预测进行对比, 结果如表1所示。

由表1可以看出, 应用本研究提出的方法所建的模型具有良好的精度, 除一个误差是-4.29%, 其余的预测误差都在2%以下。可见该实例很适合于GM (1, 1) 进行预测, 改进后拟合效果明显, 预测值非常接近实际值。

5 结论

背景值、初始值、原始序列的灰度是影响灰色系统理论建模精度的重要因素。为提高灰色模型的预测精度, 对GM ( 1, 1) 模型中如何提高预测精度进行了研究, 提出了用函数平均值作为背景值。该背景值计算简洁, 适应性强, 利用简单的幂函数弱化原始序列, 减低数列离散度。利用误差平方和最小的原则选择初始值进行建模, 方法简单实用, 不需要通过现金的计算辅助方法。取得了满意的效果, 数据拟合精度较传统模型有显著提高。建模结果表明了本研究提出的方法的有效性。

摘要：灰色预测模型具有多种优点, 适用于电力负荷预测, 但其存在很多局限性。根据建模机理, 适当改进影响模型精度的几种重要因素, 能够有效地提高模型的预测精度。通过石家庄市电网年度销售电量数据加以验证。证明改进的效果明显。

关键词：GM (1, 1) 模型,平滑处理,精度,初始值,背景值

参考文献

[1]范鹰, 郭建伟.灰色模型在电力负荷预测中的应用与改进[J].电力需求侧管理, 2006 (3) :18-25.

[2]刘思峰, 郭天榜, 党耀国, 等.灰色系统理论及其应用[M].北京:科学出版社, 1999.

[3]牛东晓, 曹树华, 赵磊, 等.电力负荷预测技术及其应用[M].北京:中国电力出版社, 1998.

[4]董奋义, 田军.背景值和初始条件同时优化的GM (1, 1) 模型[J].系统工程与电了技术, 2007 (3) :464-466.

[5]康重庆, 夏青, 刘梅.地理系统负荷预测[M].北京:中国电力出版社, 2007.

[6]毛英雄, 刘策.一种改进的灰色预测模型及应用.天然气勘探与开发[J].2006 (3) :71-73.

电力工业模型预测控制 篇8

关键词：人工神经网络,短期电力负荷预测,天气敏感性模型,气象因素

0 引 言

短期负荷预测是电力系统优化调度(如机组最优组合,经济调度,最优潮流计算等)的基础工具,是电力企业日常经营管理工作的重要组成部分,准确的短期负荷预测是电网调度机构制定发供电计划和做好电网供需平衡的关键,它有助于系统运行人员高效地预估电能的生产输送,分配以及消费情况,制定出经济合理的发电方案。目前比较成熟的传统预测方法[1,2]可分为回归分析法、时间序列方法、线性外推法等。这几种方法具有模型简单,需要的历史数据少等优点,但仅仅着眼于对历史数据的整理、辨识,只能得到大致的负荷随时间的变化规律,对于天气变化对负荷的影响却很难估计。在运行实践中这些方法用于正常类型的负荷已能初步满足要求,一旦气候变化,以上基本方法预测结果便会与实际产生较大的差距。近几十年来, 以人工神经网络为代表的智能技术由于其具有的非线性映射能力和强大的自学习、自适应能力, 在负荷预测中得到了越来越多的应用[2,3,4,5]。 影响短期负荷预测的气象因素难以量化和估测,因为它的随机性和非线性都极强[6,7]。为了精确量化和估测气象因素的影响,本文采用带有自适应优势的人工神经网络预测方法,并且将气象预测与负荷预测相结合,把各种气象因素归结为气象负荷因子, 作为神经网络的一个输入, 充分考虑天气因素对地区短期负荷的影响,建立了一种具有天气敏感性的基于快速BP 算法的神经网络预测模型对地区短期电力负荷进行预测,并从神经网络的结构设计、气象数据的量化、训练样本的选取等几个方面进行探讨。

1 神经网络的结构[3,4]

神经网络的结构选择至关重要,直接关系到预测模型建立的合理性和预测精度。考虑到短期负荷预测的非线性程度较高,所以采用三层网络。选用有一个隐含层的BP网络进行短期负荷预测。图1是本文用于预测的BP网络模型。

BP网络是一种非线性映射的多层前馈高级人工神经元网络,理论上可以映射任意复杂的非线性关系。取一个隐含层,输入层为对负荷有影响的一些相关因素,输出为待预测的负荷,节点激活函数取为Sigmoid函数。通过代入历史数据进行神经网络训练,用训练好的网络进行负荷的预测。

传统的基于BP网络的预测方法是把天气因素和历史负荷对负荷预测值的影响综合在一起考虑, 这样在很大程度上忽略了天气因素对历史负荷的影响,造成预测精度下降[8,9]。而本文提出的天气因素敏感模型则把天气因素和历史负荷分开考虑,在BP 网络中对难以考虑的天气因素给出了较好的映射关系。下面将结合咸阳地区的短期负荷预测来具体分析天气因素敏感模型的神经网络结构的确定。

1.1 气象因素敏感模型神经网络输入变量的确定

基于因素影响的BP预测算法是通过从众多因素中找出对期望输出影响最明显的一些因素,组成一个有效的输入变量组进行运算,目的是提高预测精度和样本训练效率。咸阳地区负荷有如下特点: 以农业和生活用电为主, 基荷小, 负荷受气温影响明显(特别是夏、冬两季); 负荷变化的月、星期的周期不明显。但星期六和星期日的负荷与工作日不同。根据上述负荷特点,,定义神经网络结构为:选择三层BP神经网络,采用15-31-12的网络结构,即输入层节点数为15,中间隐含层节点数为31,而输出层12个节点表示预测日24个小时整点负荷值。网络所有代表的物理量见表1。

上述神经网络结构选择和节点配置体现了影响咸阳地区电力负荷值几个最主要因素的作用,将影响短期负荷变化的主要因素都考虑了, 通过对神经网络的训练, 可以寻找并掌握这些影响因素和负荷变化之间的某种规律。

1.2 天气因素敏感模型神经网络输入变量的处理

神经网络输入变量的建模和量化直接影响神经元各层之间的连接权值和阈值的调整[2],影响训练过程和预测效果。为了让训练过程能够正常进行,对各个输入变量分别做以下处理:

(1) 对于历史负荷值,为避免神经元的饱和,要将其进行归一化运算,使运算后的值在[0,1]的区间内,再把归一化后的值作为神经网络输入。具体公式为:

$\widehat{x}=\frac{x-x{}_{\min }}{x{}_{\max }-x{}_{\min }}(1)$

式中:$\widehat{x}$为归一化后的值;x为实际负荷值;xmin和xmax分别是实际负荷值的最小值和最大值。

(2) 由于电力负荷还与天气状况有关,比如最高和最低气温等,因此,还需要通过天气预报等手段获得预测日的最高气温、最低气温和天气特征值(晴天、阴天还是雨天)。以此形式表示天气特征值:0表示晴天,0.5表示阴天,1表示雨天。这里将电力负荷预测日当天的气象特征数据作为网络的输入变量。

(3) 对于气温,认为相差不大的温度状况对于负荷值的影响是相同的,故而可以按照一定的温度差对气温因子进行划分。这里以5 ℃为一个划分标准,得到表2所示的气温因子模型。

2 仿真预测

以咸阳市电网为例,利用BP人工神经网络技术建立的天气因素敏感模型,建立了一个三层的BP网络,选择了历史的、预报的天气、温度等影响短期电力负荷的因素作为BP网络的输入,用建立好的BP网络进行了咸阳地区的短期电力负荷预测,以咸阳电网2004-7-10—7-20的整点有功负荷值,以及2004-7-11—7-21的气象特征状态量作为网络的训练样本,预测7月21日的电力负荷。为了对比预测效果,对以上的样本数在不考虑天气因素影响的情况下进行预测(预测一),再用上文所提出的考虑天气因素影响的模型进行预测(预测二)。其中预测二的神经网络输入变量是2004-7-10—7-20所有电力负荷值及每天对应的各个影响因子,还包括7月21日的天气预报气温值及当天的其他因素。两种方法都取动量因子为0.1,训练次数为1 000次。预测结果见图2和图3。通过图2和图3可以看出,在不考虑天气因素对负荷的影响时,预测曲线与实际曲线吻合较差;当考虑到天气因素对短期电力负荷的影响之后,预测曲线与实际曲线基本吻合, 达到了较好的预测效果。具体的预测数据如表3所示。

通过表3可以看出,预测一的24 h平均误差为2.64%,最大误差达到10.2%;预测二的24 h平均误差为0.864%,最大误差为2.07%。显然,考虑天气因素影响的咸阳电网短期电力负荷预测效果好于传统的预测方法,说明了基于天气敏感模型的电力负荷预测适用于咸阳电网的短期负荷预测,因而能够比较准确地对咸阳市短期电力负荷值进行预测。

3 结 语

采用BP神经网络进行短期电力负荷预测,能反映负荷的特点并能将气象因素考虑进去,能反映负荷自然增长的内在规律;在负荷预测时, 首先要考虑气象因素的影响,但不同地区负荷水平、负荷构成和所处地理位置不同, 受到的气象影响因素也不同, 因此在设计神经网络结构时, 应与该地区的实际负荷情况相结合,将最重要的气象因素考虑进去;利用人工神经网络技术确定了天气因素敏感模型,用建立好的BP网络进行了咸阳地区的短期电力负荷预测,预测结果表明它充分考虑了天气因素的影响,负荷预测的精度是符合要求的,完全可以实际运用于一个地区性的电力系统中。

参考文献

[1]牛东晓,曹树华,赵磊,等.电力负荷预测技术及其应用[M].北京:中国电力出版社,2002.

[2]田景文,高美娟.人工神经网络算法研究及应用[M].北京:北京理工大学出版社,2006.

[3]刘晟晖.电力系统负荷预测预报理论与方法[M].哈尔滨:哈尔滨工业大学出版社,2007.

[4]史忠科.神经网络控制理论[M].西安:西北工业大学出版社,2004.

[5]Kwang-Ho.Short-term load forecasting for special days inanomalous load condifions using neural networks and fuzzyinference method[J].IEEE Transactions on Power Sys-tems,2000,15(2):559-565.

[6]康重庆,夏清,张伯明.电力系统负荷预测研究综述与发展方向的探讨[J].电力系统自动化,2004,28(17):10-12.

[7]莫维仁,张伯明,孙宏斌,等.短期负荷综合预测模型的探讨[J].电力系统自动化,2004,28(1):30-34.

[8]SALGADO R M,PEREIRA J J F,OHISHI T.A hybridensemble model applied to the short-term load forecastingproblem[J].International Joint Conference on Neural Net-works,2006(7):2627-2631.

[9]张亚军,刘志刚,张大波.一种基于多神经网络的组合负荷预测模型[J].电网技术,2006,30(21):21-25.

电力工业模型预测控制 篇9

GMDH是由乌克兰科学院A.G.Ivakhnenko院士于1967年首次提出, 并在Adolf Mueller等德国科学家的协作下得以不断发展, 如今已成为一个有效而实用的数据挖掘工具。自组织建模的过程实质上是寻求并确定系统最优复杂度模型的过程。它处理的对象为若干输入变量, 一个或多个输出变量构成的变量间关系待定的一个封闭系统。通过各输入变量相互结合产生众多候选模型集, 利用外准则选出若干项最优模型, 再将其结合, 由此得到再下一代。如此不断重复直到新产生的模型不比上一代更加优秀为止, 则倒数第二代中的最优模型就是我们寻找的最优复杂度模型。

GMDH是基于神经网络和计算机科学的迅速发展而产生和发展起来的。类似于生物神经网络, 自组织建模方法将黑箱思想、生物神经元方法、归纳法、概率论、Godel数理逻辑等方法有机地结合起来, 实现了自动控制与模式识别理论的统一。

2 AC模型原理

2.1 待选模式的产生

对于一个给定的具有N个观察值的实值m维序列xt={x1t, Λxmt} (t=1, 2, Λ N) , 一个模式定义为从第i行开始的含有k行的表格Pk (i) , 这里k称为模式长度 (i=1, 2, Λ, N-k+1) 。

将所有可能的待选模式Pk (i) (i=1, Λ, l, Λ, N-k+1) 与参照模式PR相对比, 希望找出与参照模式相似的模式来研究系统的行为。根据任务的不同, 参照模式可以是任何特定的模式。由于AC算法将相似模式的延拓组合起来作为参照模式的发展状态, 因而该方法进行预测时, 应该使预测区间恰好是参照模式的延拓。于是选用预测起点前的最近一个已知模式作为参照模式, 即取PR=Pk (N-k+1) 。

2.2 待选模式的变换

根据工作原理, 对于长度为k的某参照模式, 在数据样本中可能有一个或几个长度为k的相似模式。但是由于系统是动态的, 不同时期的相似模式可能具有不同的平均值和标准方差。

令x*1, i+j=aundefined+aundefined, j=0, 1, Λ, k-1;i=1, 2, Λ, N-k+1;l=1, 2, Λ, m参数aundefined可解释为参照模式与相似模式Pk (i) 间的状态差异, 而参数aundefined则视为一些不确定的因素。使用参照模式的对应数据xij (i=N-k+1, N-k+2, Λ N;j=1, 2, Λ m) 作为基准值, 对每个待选模式pk (i) , 由最小二乘法估计出未知的权重aundefined, aundefined, 并给出用于计算模式相似性度量的误差平方和。

2.3 相似模式的选取

这一步的主要目的是识别模式形状间的相似性, 我们将其度量称为模式相似度。为了度量一个已按步骤 (2) 变换了的待选模式pk (i) 关于参照模式pR的相似性, 就需要测量两个模式中具有m个系统变量的k个观察值之间的距离。一般地, 第i个待选模式与参照模式间的距离可定义为:

undefined

模式相似度可由距离来度量。第i个模式关于参照模式的相似度si定义为:

si=1/di

显然距离值越大, 模式相似度就越小。

模式相似度计算出来以后, 我们就可以根据相似度大小来选取相似模式。

2.4 将相似模式的延拓进行组合以得到预测

值得注意的是, 与通常的参数模型相比, 在对输出变量进行预测时, AC算法不需要预先对输入变量的发展趋势进行估计或作假设, 即预测完全由一致的数据给出, 是真正意义上的预测。这也是它优于一般预测方法的特点。

3 组合预测模型

所谓组合预测, 就是将不同的预测方法进行适当的组合, 综合利用各种方法所提供的有用信息, 从而尽可能的提高预测精度。2003年诺贝尔经济学奖得主、美国加利福尼亚大学的C.Granger教授关于组合预测的评价是:“组合预测提供了一种简便而实用的可能产生更好预测的途径。” 假设对工业增加值预测问题建立了m个预测模型, 他们对目标变量的预测值分别为f1 (t) , f2 (t) L fn (t) , 组合预测模型为undefined。

其中, c为常数, ω1, ω2, ω3, L, ωn为各种单项预测方法的预测值在组合预测中的权重。常数c和权重ωi (i=1, 2, …n) 的确定是根据最小二乘法原理, 是预测值和实测值误差的平方和达到最小而求出。

4 实证分析

4.1 组合预测结果及误差分析

把2007年1季度～2007年4季度的GMDH模型和AC模型的相关数据代入组合预测的线性模型式中, 即可求得组合预测的权重。在此组合预测模型下, 可使预测的误差平方和最小, 解得

ω1=4.979, ω2=-7.019, c=482.877

由此得到GMDH和AC预测模型及组合预测模型的相对误差分布见表1。

由表1可知组合预测之后, 模型的相对误差大大减小了, 模型的最大相对误差也在3%以内, 属于宏观经济预测可接受的误差范围。

5 结束语

论文讨论了GMDH自回归模型和AC模型在工业经济效益中的作用, 并针对两种预测模型的结果建立了最优线性组合预测模型。实例证明, 组合预测取得了比较好的预测效果。

随着我国工业的快速发展, 社会各界对于工业经济效益的预测工作越来越重视。论文借助GMDH自回归模型和AC模型进行组合预测, 经过验证, 该种方法能够有效地提高预测的精度, 比单一预测模型的相对误差更小, 更适合预测未来经济的发展。

用本文所提出的组合预测方法进行工业经济效益的预测已经在四川省得到应用。实践证明, 这种组合预测方法的预测效果很好。

参考文献

[1]贺昌政.自组织数据挖掘与经济预测[M].北京:科学出版社, 2005.

电力工业模型预测控制 篇10

电力通信经过数十年的发展，承载了大量线路继电保护、安全稳定控制系统、调度自动化、企业信息化等业务，通信故障处理不当可能会引起电网安全事故或设备、信息事件，直接影响到电网的安全运行和公司的经营管理[1]。《国家电网公司安全事故调查规程》以安全事件的形式，描述了通信事件的定级方法，分别从通信故障影响的范围、时长、后果等方面进行了定性和定量的评价，按照影响的严重程度分为5～8级事件，这些内容也是电力通信网安全运行风险最直接的后果体现，理应成为安全风险分析的最直接依据。

如何基于安全事件导向的定义，科学地分析当前网络中运行或各种可能触及事故的事件的风险，具有十分重大的实际意义。然而，《国家电网公司安全事故调查规程》中涉及的通信相关安全事件和事故，既缺乏单独的分析，也缺乏有效的量化方法，从而导致无法对安全事件风险进行分析和预测。针对该问题，本文提出了一种面向电力通信网的有效安全事件量化模型。该模型考虑了可能直接导致电力通信网相关安全事件的多种因素，并参考已有的业务、链路和节点权重量化方式，提出了一种安全事件的区间量化模型，进而给出了基于诱因概率的安全事件预测方法。经过实例分析表明，本文提出的模型能够有效完成通信相关安全事件的量化分析和预测。

1 电力通信相关安全事件量化模型

1.1 电力通信安全事件的量化过程分析

基于对电力通信网安全事件的定义分析，安全事件的关联性分析和量化过程如图1所示。

首先，通过对通信相关安全事件的定义进行分析，可知其相关因素为影响范围、业务中断和影响时长。考虑到业务中断的特殊性，本文将其关联到业务特征相关的业务因子，以及承载业务的通信设备上的节点故障因子和链路故障因子[2,3,4]。与此同时，通信设备故障又可能是由外在诱因，例如自然因素、设备因素、人为因素等决定。因此，电力通信安全事件的发生是由以上多种因素关联而成，在量化时需要考虑以上各种因素的影响。

考虑以上多种因素，对通信相关的电网安全事件影响值Vi进行初步量化，具体为：

式中，Ri为事件规定的影响范围比例值，Di为事件对应的业务si的重要度，Ti为事件规定的影响时长映射值。Ri和Ti的取值在量化参数章节具体分析。

考虑到业务承载和业务权重，对于Di的进一步量化如下：

考虑到电力通信网的分区特性，可以根据其分区将业务分成不同的类别，vih代表业务i所属种类h的权重。在同一类业务中，业务之间依据文献[2]进行权重区分，这里用Ci表示。wi为业务si承载的节点和链路的权重之和。

对于业务承载的链路和节点，需要考虑承载路由的多样性。设业务si的可选路由有K条，每条路径Pk表示为Pk={Vk,Ek}，其中Vk为路径上的设备节点，Ek为路径k上的链路，则wi可以进一步计算如下：

式中，φk为第k条路由的重要度权值，αj为Vk中设备节点vj的权重，βlm为Ek中链路elm(l,m均为设备节点编号）的权重。该量化结果说明为业务配置的备选路由越多，业务重要性越高。

在电力通信网中，各种因素的发生概率并不一定会引起故障，还需确定各种因素当前的影响等级，即要确定诱因概率[5,6,7,8,9,10]。各种因素的诱因概率一方面取决于历史时间上的因素发生概率，另一方面取决于当前的状况和影响，因此在量化时需要考虑这两方面的内容。

当前导致通信设备故障的诱因主要有自然因素、人为因素和设备因素，其特征各不相同，需要对各种因素的诱因概率分别进行量化。

1.1.1 自然因素量化

对自然因素i，设其在时间区间(–∞,t)内发生的次数为ni(t)，所有自然因素构成集合F={i}，则自然因素i的发生概率pi(t)为：

由于不同等级自然因素的破坏力不同，而级别之间的区别往往呈指数级增长，设时刻t自然因素的等级为di，则自然因素i在时刻t的诱因概率表示如下：

式中，f(di)为自然因素i在等级di下的影响。自然因素往往达到一定级别才会产生影响，可进一步将f(di)定义如下：

式中，di0为影响的起始等级。dimax为约定的最大等级。一般等级越高，影响越大。如果当前因素i并未发生，令di=0。

1.1.2 人为因素量化

对于人为因素i，设其在时间区间(–∞,t)内发生次数也为ni(t)，人为因素往往是随机事件，可以认为其发生概率符合泊松分布，考虑到历史数据，人为因素i的发生概率pi(t)可以表示为：

此时假设因素i的平均发生概率为ni(t)。人为因素也有相应的破坏等级，破坏等级与影响一般呈线性关系，设时刻t人为因素i的等级为di，对应的影响为f(di)，则人为因素i在时刻t的诱因概率表示如下：

考虑到人为因素的渐进效应，这里采用线性方式来衡量影响f(di)，其定义如下：

与人为因素相似，其中di0为影响的起始等级。dimax为约定的最大等级，一般等级越高，影响越大。如果当前因素i并未发生，令f(di)=0。

对于并无明确定义的人为因素和影响，例如软件误升级、错误决策等，也需要依据专家经验和历史数据自定义相应的级别和影响等级。

1.1.3 设备因素量化

设备本身老化、缺陷可以认为是随时间变化而可能产生衰减的设备因素，可认为其发生概率pi(t)是指定时长Ti（例如寿命）的指数函数。由于该因素主要与时间有关，而且客观存在，因此可以认为其诱因概率与发生概率一致，具体表示如下：

式中，γ为稳定生命周期的临界值，通常有γ小于1，φ为经过临界值之后的设备可用性约定值，可取0.1以下数值。

对于冗余、备份等可靠性设备因素，由于其本身客观存在，因此可以设置其风险发生概率pi(t)为1。

对于可靠性因素i，其当前配置值vi(t)是否满足约定要求也会影响风险值。因此，设备因素i的风险概率可以表示如下：

通过以上量化部分，可以建立各种设备故障的诱因概率。

1.2 量化模型参数的取值分析

以上模型中涉及时长、范围、业务等多重参数，针对各个参数，结合事件，本文采用的取值方式如下。

1）影响时长的取值。根据定义，影响的业务分为生产控制类业务和信息系统类业务。在已有定义中，两种不同类型业务定义的影响时长不一样，不同等级事件的影响时长差距较大，线性量化方法并不适用；同时，有的事件并未给出具体的影响时长。

在当前的电力通信网数据分析中，幂律是常见的数据统计方式[11]。考虑到时间域定义的幂律增长，本文采用对数形式来进行影响时间的映射，在保证量化区间不交叉的同时避免优化值的指数增长。

2）影响范围的取值。在定义中，一些安全事件给出了具体的影响范围，可直接对应到量化值。例如电力线路上的通信光缆因故障中断，且造成省级以上电力调度控制中心与超过10%直调厂站的调度电话、调度数据网业务全部中断，在安全时间量化时影响范围直接取0.1；有的事件并未给出具体的影响范围，例如省电力公司级以上单位本部通信站通信业务全部中断，由于影响范围为在本地站点的所有业务，这种情况设定影响范围取值为1；对于事件影响调度数据网和调度电话网两个不同网络，此时设业务所以影响范围取值为0.2；对于影响为在本地的单一业务，此时设影响范围为0.01。

3）业务权重Ci取值。参考文献[2]的业务重要度是从整个网络考虑的，并未具体从承载网络的角度细分为生产控制类业务和信息系统业务。考虑到不同业务对传输时延、误码率、可靠性、带宽等不同指标的要求，本文提出了一种熵权法来确定不同业务的权重，从而避免主观因素的影响。熵权法是根据各指标的观测值所提供信息量的大小来确定权重的方法。设指标cj在业务si下取值为xi′j的概率为yij，可表示如下：

此时有各个指标cj的决策信息可用其熵值hj来表示：

因此指标cj评价值数据的分散程度可表示为gj=1–hj。给定的指标cj、xij的差异越大，相应的gj值也越大，数据分布越分散，表明该指标所包含和传输的信息量越大，重要程度也越高；相反，则表明该指标的重要性低；如果各方案的xij都相等，则在指标评价值绝对集中该指标对综合评价不起任何作用。

进一步用熵测度来表示指标cj的权重wj:

基于确定的权重，基本思想是先构造评价问题的正理想解和负理想解，然后计算各业务i的权重di。对于指标，构造问题的正理想解X+和负理想解X–分别如下：

进一步计算业务si重要度权重与正理想解X+和负理想解X–的距离fi+和fi–如下：

最后，得到业务si的业务权重di如下权重，越大业务重要度越大。

通过对安全事件的量化发现，在对影响多个业务的安全事件业务重要度进行取值时，在未明确业务的情况下，多个业务重要度取折中值而不是累加和才能保证量化区间的独立性。

4）节点权重和链路权重取值。设备重要度主要是引用文献[2]给出的值，在对安全事件进行量化时，考虑到500 kV交流变电站的重要度偏高，需依据专家经验进行轻微调整。链路重要度取值则主要文献[2]。

5）路由数目取值。光缆一般有主备两条路由，只有路由均中断的情况下才会导致业务中断，因此认为影响路由条数为2，对于影响的是本部通信的业务，则认为影响路由条数是1。

6）业务种类权重取值。考虑到业务之间的等级已经通过重要度区分，因此业务种类权重全部设为1。

2 电力通信网安全事件预测方法

通过以上量化过程，能够获取不同等级安全事件的量化结果，以及不同故障诱因的概率量化方式。基于以上量化结果，可以实现对电力通信网安全事件的预测。电力通信网安全事件预测方法如图2所示。

在进行电力安全事件预测时，需要预先确定待预测的网络区域，之后按照以下流程进行：

1）网络区域内，根据诱因概率量化模型，计算各种通信设备的诱因发生概率；

2）基于诱因和通信设备之间的关系，利用文献[12]中的故障树方法获取指定通信设备的故障概率；

3）假定上述通信设备故障发生时，基于量化模型映射到对应的链路权重、节点权重和影响范围；

4）针对通信设备所能影响的业务，基于量化模型映射到具体的业务权重、业务种类权重和业务重要度等因子；

5）基于预判的影响时长，结合以上各因素的量化值，预测出故障发生时的量化结果值；

6）量化结果值对应到量化模型计算得到的区间值落在某个区间，则可以预判出当假定的故障发生时可能导致某一级别事件的发生。对应的，可以得到当前网络区域指定设备发生该级别事件的概率，即为步骤2中的故障概率。

通过以上方法，可以预测指定区域的指定设备在故障条件下，网络即将出现的通信相关安全事件的等级。对于已发生的故障，则可以将对应的概率设定为1，即确定故障发生。

3 安全事件量化模型和评估方法验证

基于某省的实际电力通信网架构，对安全事件量化模型和评估方法给出了相应验证。

3.1 量化模型验证

基于本文模型和方法，在某省公司电力骨干通信网络下，参考对时间区间的映射要求和不同类型业务定义的不同，采用的时间映射值见表1、表2所列。

结合性能指标需求和量化约束，本文所采用的具体业务重要度参考值见表3所列。

参照已有文献，本文所采用的节点权重参考值和链路权重参考值分别见表4和表5所列。

基于上述权重和事件定义，可得不同等级安全事件的量化区间见表6所列，可以看出量化的不同等级安全事件之间不存在重叠部分，且将量化值控制在区间[0,100]上，具有很强的直观性。

在进行了上述量化后，不同等级的设备事件和信息系统事件均有自己的范围和区间。然而，各等级事件之间并不连续，原因是《国家电网公司安全事故调查规程》在定义时并未充分考虑量化的连续性，而是多从直观的、定性的分析角度进行了定义。另一方面，可以发现八级设备事件值偏小，也从一定程度上反映了八级设备事件较容易达到的现状。

3.2 预测方法验证

以上量化结果仅仅给出了一个方法和思路，具体合理性还需要结合专家经验做进一步的分析。依据该事件的量化值，在已知设备、节点、业务重要度和网络拓扑、业务分布的情况下，可以预估得到设备、链路故障发生时的后果值，并映射到以上各个区间，进而预测到关键节点和链路故障时触发事件的可能性。

以冀北电力通信网的500 kV阳乐—500 kV姜家营的通信电缆为例，经过概率量化分析，其遭受冰雪灾害的概率为0.05，经过故障树分析，其可能导致主备电缆中断的概率为0.08。

根据网络拓扑，若主备光缆均因冰雪灾害中断，且导致2个500 kV站点之间的调度电话中断，由于2个站点之间的500 kV业务无迂回路由，如果中断时间为1 h，将会影响天马、昌黎2个500 kV站点下2/3的站点和相关业务。

基于量化方法的计算，可得此时的风险量化值为：0.5×2/3×1×9.38×2×(3.44+5.17)=53.841 2。根据量化区间的划分，可以预测该值处于五级设备事件的取值范围内。结合概率结果可知，在冰雪灾害下，有8%的可能性导致五级概率事件的发生。因此，当出现大面积冰雪天气时，应该提前进行五级事件的预警。该结果与操作维护人员的判决一致。因此，本量化模型具备一定的参考性。

4 结语

针对当前电力通信安全事件主要通过定性分析来判断，且存在迟滞响应的问题现状，提出了一种有效的安全事件量化模型。首先对《国家电网公司安全事故调查规程》中与通信相关的事件进行了整理，之后针对安全事件中的影响业务、站点类型、影响范围、影响时长等因素进行了量化，提出了一种区分等级的安全事件量化模型。该量化模型可以提前预估关键站点或链路故障时可能带来的安全事件等级及影响，进而为分析通信安全事件对电网的影响，建立基于安全事件的预警分析模型和关键业务优化策略，提供了有力的技术支撑。

然而，在当前通信安全事件的量化过程中，还存在区间断点较多、各参数取值理论依据不够完善、标准不够统一等问题。下一步需要分析这些问题产生的原因，寻找连续化的量化方法，并对《国家电网公司安全事故调查规程》中不合理的部分提出对应的修改意见。另外，考虑到电力通信网故障可能引起电网事件，下一步将研究其关联性的有效量化方案，以进一步实现对电网安全稳定运行的高效保障。

参考文献

[1]樊冰.电力通信网风险分析与控制研究[D].北京:华北电力大学,2015.

[2]赵子岩.复杂网络理论在电力通信网评估与优化的应用研究[D].北京:中国电力科学研究院,2011.

[3]曾瑛,朱文红,邓博仁,等.基于电网影响因子的电力通信网关键节点识别[J].电力系统保护与控制,2016,44(2):102-108.ZENG Ying,ZHU Wen-hong,DENG Bo-ren,et al.Crucial node decision algorithm based on power network impact factor in electric power[J].Power System Protection and Control,2016,44(2):102-108.

[4]郑蓉蓉,赵子岩,刘识,等.基于重要度的电力通信业务路由分配算法[J].电力信息化,2012,10(10):23-28.ZHENG Rong-rong,ZHAO Zi-yan,LIU Shi,et al.Importance based power communication service routing assignment algorithm[J].Electric Power Information Technology,2012,10(10):23-28.

[5]樊冰,曾瑛,唐良瑞.基于信息熵的电力通信网脆弱性评价方法[J].电子与信息学报,2014,36(9):2138-2144.FAN Bing,ZENG Ying,TANG Liang-rui.Vulnerability assessment of power communication network based on information entropy[J].Journal of Electronics&Information Technology,2014,36(9):2138-2144.

[6]赵子岩,刘建明.基于业务风险均衡度的电力通信网可靠性评估算法[J].电网技术,2011,35(10):209-213.ZHAOZi-yan,LIU Jian-ming.A new service risk balancing based method to evaluate reliability of electric power communication network[J].Power System Technology,2011,35(10):209-213.

[7]曾庆涛.电力通信网风险管理关键技术的研究[D].北京:北京邮电大学,2015.

[8]亓峰,李琪,韩骞,等.基于神经网络的电力通信网风险评估方法[J].北京邮电大学学报,2014,37(1):90-93.QI Feng,LI Qi,HAN Qian,et al.A neural network based method to assess electric power communication network risk[J].Journal of Beijing University of Posts and Telecommunications,2014,37(1):90-93.

[9]张伟,刘苑红,韦涛,等.基于特征模式划分的配网可靠性评估[J].电力信息与通信技术,2016,14(5):60-64.ZHANG Wei,LIU Yuan-hong,WEI Tao,et al.Distribution network reliability evaluation based on characteristic division[J].Electric Power Information and Communication Technology,2016,14(5):60-64.

[10]彭棚,何玉钧,何宇.电力通信网安全风险评估系统设计与实现[J].电力信息与通信技术,2014,12(3):53-59.PENG Peng,HE Yu-jun,HE Yu.Design and implementation of security risk evaluation system for power communication networks[J].Electric Power Information and Communication Technology,2014,12(3):53-59.

[11]王冠男,邓春宇,赵悦,等.电力数据中的幂律分布特性[J].电信科学,2013,29(11):109-114.WANG Guan-nan,DENG Chun-yu,ZHAO Yue,et al.Power law distribution in electric power data[J].Telecommunications Science,2013,29(11):109-114.