检测负荷（精选7篇）
检测负荷 篇1
摘要：本文基于MSP430单片机设计了一种手持式便携设备, 采用心率传感器, 基于心率测量原理实现人体运动后心率的测量, 然后通过运动负荷转换算法计算出用户运动效果。
关键词：心率传感器,MSP430,运动负荷检测,便携设备
引言
近几年, 我国在校生的身体素质明显下滑, 除了繁重的学业因素外, 越来越多的学生把时间花费在了电脑等电子产品上, 导致身体素质下降;我国教育部曾提出“每天运动1小时, 健康工作50年”的口号, 倡导全民运动, 增强全民体质。基于以上背景, 我们研制便携式运动负荷检测仪, 不仅能增加用户运动的趣味性和热情, 同时方便体育老师的日常教学考核工作, 有较高的实用价值。
1 硬件系统设计
人体负荷检测仪的硬件结构图如图1所示, 该仪器以MSP430为主控制器, 外围模块主要由传感器模块、人机交互模块、数据存储模块、USB通讯模块、电源管理模块等部分组成。其中, USB通讯模块实现与上位机通讯, 电源管理模块由锂电池供电[1,2,3]3]。
在本系统中MSP430单片机系统是整个系统的核心控制部分, 其能耗也是整个系统中最大的。系统选用了MSP430F149型16位单片机。MSP430系列单片机是TI公司设计的一款在低功耗方面具有鲜明特色的单片机, 它的突出特点就是低电源电压和灵活的时钟源, 可以使器件达到极低的功率消耗, 可由多种电池供电, 非常适用于手持式设备的开发[4,5]。传感器模块包括脉搏传感器和加速度传感器, 用于检测人的心跳及运动加速度。数据存储模块用于存储检测到的人体负荷信息。USB通信模块用于上位机与单片机的通信, 人机交互模块用于用户获取自身运动信息并进行功能设置。电源管理模块保证系统不断电并实现对锂电池的充电。
2 心率传感器的选型
本产品采用的心率传感器为合肥华科电子研究所生产的HK-2000A传感器, 如图2所示。该型号采用高度集成化工艺的力敏元件 (PVDF压电膜) 、灵敏度温度补偿元件、感温元件、信号调理电路集成在传感器内。灵敏度高;抗干扰性能强;过载能力强;一致性好;性能稳定可靠;使用寿命长。模拟输出, 输出同步于脉搏波动的脉冲信号, 测试波形如图3所示;该产品用于脉率检测, 如运动、健身设备中的心率测试[6]。固定方法如图4所示。
3 运动负荷的计算
运动负荷评估体系中, 运动心率=运动后即刻测得的6秒心率×10;1分钟后心率=运动结束1分钟后测得6秒的心率×10;运动后心脏恢复率= (运动心率-1分钟后心率) /10。除需要运动前后心率数据外, 还需要使用两个非常重要的参数, 即靶心率和最大心率。其中靶心率范围为最大心率× (60%～85%) , 最大心率=220-用户年龄。这两个参数是通过配置的用户参数计算而得。运动负荷的计算规则如下表1和表2:
4 系统软件结构
本毕业设计内容主要以MSP430F149单片机作为主控芯片, 结合HK2000A心率传感器作为采集器件, 读取用户运动后的心率情况, 再通过数据处理等程序, 最终反映出用户的运动效果。
软件使用两层设计结构, 底层为硬件驱动层, 上层为图形用户界面 (菜单系统) 。硬件驱动层主要实现对外部设备的读写操作, 提供外围芯片的当前数据与状态;图形用户界面用以实现与使用者交互, 实现状态显示、菜单选择、参数设置等功能, 与硬件无关, 具有很好的可移植性能。
硬件驱动部分主要完成对硬件的操作, 主要包括:设备驱动与初始化程序;GPIO读写;蜂鸣器控制;LED控制;液晶显示器操作;按键读取;心率读取;EEPROM操作;温度读写;DS1302时钟读写。
图形界面层主要是在硬件层的基础上实现了简单的菜单显示功能。在实现菜单功能的过程中, 使用了链表作为数据结构, 具有易扩展、易于修改的特点。我们先在51单片机上开发该菜单系统, 之后成功移植到了MSP430系统上, 进一步证明该菜单系统具有良好的可移植性。系统软件结构如下图所示:
根据硬件设计, 采用五个按键进行菜单操作, 选择处理一系列问题, 主要步骤为:当给设备上电后, 首先进行设备初始化, 显示屏上显示主页界面和一些基本信息 (比如时间、日期等) , 然后等待接收用户的键入;根据相应操作, 显示不同的菜单序列, 提供对应的信息设置和数据显示界面等, 然后根据不同按键调用相应的应用程序, 提供对应的处理功能。系统软件结构流程图如下所示:
5 结束语
基于心率测量原理的人体负荷检测仪, 能够激发用户的运动热情和积极性。通过对该产品的外观、性能、功能等方面进一步优化, 产品稳定性将大大提高, 对于提高人体运动素质起到促进作用。
参考文献
[1]秦龙.MSP430单片机C语言应用程序设计实例精讲[M].北京:电子工业出版社, 2006
[2]赵德安等.单片机原理与应用 (第二版) [M].北京:机械工业出版社, 2010
[3]张福才, 张锐, 汝洪芳.MSP430单片机自学笔记[M].北京:北京航空航天大学出版社, 2011
[4]黄根春, 周立青, 张望先.全国大学生电子设计竞赛教程——基于TI器件设计方法[M].北京:电子工业出版社, 2007
[5]洪利, 章扬, 李世宝.MSP430单片机原理与应用实例详解[M].北京:北京航空航天大学出版社, 2010
[6]杨红红, 毛尧辉, 高满屯, 苑伟政.一种MEMS胎儿心率测量仪的设计与仿真平[J].传感技术学报, 2008, 17 (4) :116-118.
检测负荷 篇2
电力负荷监测方法大致可以分为侵入式和非侵入式2类[1]。非侵入式负荷监测(non-intrusive load monitoring,NILM)只需要在电力供给的入口处安装非侵入式的监测设备,就可以实现对整个系统内部负荷的在线监测。相较于传统的侵入式负荷监测方法,NILM不中断设备供电,易于被用户所接受;不需要安装大量的检测设备,节省了购买、安装和维护这些硬件设备所需要的投资和时间,是未来电力负荷监测的重要发展方向之一[2,3,4]。需求侧管理是智能电网最重要的组成部分之一[5],对电力公司而言,NILM有助于电力公司了解电力用户负荷的构成,加强负荷侧管理,通过引导用户合理消费、合理安排负荷的使用时间等措施达到调节峰谷差、降低网损等目的;有助于改善电力负荷的预测精度,为电力系统仿真分析、系统规划提供更准确的数据和模型。对电力用户而言,通过NILM系统,用户能够深入了解企业或者家庭各种用电设备的能源消耗及构成等各种信息,从而为采取有针对性的节能措施提供指导,进而减少不必要的能源开销。
为了提高NILM系统在负荷监测与辨识方面的效率和准确性,研究人员提出了很多的监测方法[2,3,6,7,8]。负荷投切等过程中产生的暂态特征相比用电设备的稳态特征,能为负荷辨识提供更多的有用信息,因此利用负荷暂态特征来辨识负荷及其运行状态是NILM发展的一个主流方向[4,6,9,10]。理论上,依据电气设备的暂态特征,NILM能够实现对整个变电站、建筑物内部负荷集群的有效分解与准确分析,可在一定程度上克服仅利用负荷稳态特征进行辨识的局限性。基于暂态特征进行负荷辨识,准确掌握电气设备的投切时刻是其关键,为此,本文提出了一种有效的暂态事件检测算法———基于滑动窗的双边累积和(cumulative sum,CUSUM)暂态事件自动检测算法,它能根据相关信号(如电压、电流、有功、无功等)准确检测到电气设备投切等引起的系统暂态过程,具有算法简单、抗干扰能力强的特点。
1 非参数化的CUSUM变点检测算法
把负荷投入或者切除等暂态过程定义为一个暂态事件,负荷投切等引起的暂态事件检测可以归结为变点检测问题。所谓变点是指在一个序列或者过程中,在某个未知时刻,序列或者过程的某些统计特性发生了变化[11,12,13]。变点检测就是对变点是否发生以及发生时刻等作出估计。电力负荷的投切等暂态过程往往导致采样序列的某些统计特性发生突变,常见的检测算法为CUSUM变点检测方法。
CUSUM算法是统计过程中常用的算法,它最初是由Page在1954年提出的,随后许多学者对此算法进行了深入的研究。CUSUM算法的理论基础是序贯分析原理中的序贯概率比检验(sequential probability ratio test,SPRT)理论。CUSUM设计思想是对样本数据信息加以累积,将过程的小偏移累积起来,达到放大的效果,从而提高检测过程中对小偏移的灵敏度。由于使用方便、判断准则简单、易于操作等原因,CUSUM算法在工业质量控制、自动故障监测、经济、金融等方面应用广泛。它通过研究信号均值、方差等信息来判断系统是否发生了变化,可分为参数化算法和非参数化算法2类[11,12]。在NILM的应用场合,由于电力系统中负荷是不断变化的,通常很难获得负荷的功率、电压、电流等随机变量的概率分布情况,故非参数化CUSUM算法更为合适。其主要思想是:当监测量的CUSUM明显比正常平稳运行条件下的平均水平高的时候,就意味着系统发生了变化,由此可判断系统出现了暂态过程。由于负荷的投切等通常伴随着功率水平、电压与电流有效值等信号平均值的变化,此时就可以用非参数化的CUSUM变点检测算法确定负荷的投切时刻,其原理如下。
考察随机时间序列X={x(k)},k=1,2,…。x(k)=μ+AkI(k<τ)+(D+Bk)I(k≥τ),其中,Ak和Bk为随机变量,且E(Ak)=E(Bk)=0,D为平均值的变化量,τ为变点发生的时间,I(·)为指示函数,μ为X的均值。定义非参数化CUSUM算法中统计函数g为:g0=0gk=max(0,gk-1+sk{)(1)式中:sk=xk-μ0-β,μ0为变点发生前的平均值,通常假定是已知或可估计的;β为外界引入的噪声,当xk的变化量大于β时才认为负荷水平有可能发生突变。
记检测延迟时间为d。当gk>0时,采样序列发生了变化,但若尚未达到阈值h,则令检测延迟时间d=d+1,否则令d=0。当gk>h时,一个暂态事件被检测出来,采样序列突变发生的时刻可以倒推估计为τ^=k-d。
由于电力系统负荷水平有可能增加也有可能减少,本文采用双边CUSUM算法,其具体算法如下。定义)(2)(3)
假设稳态时的采样序列均值为μ0,下面简要说明双边CUSUM的原理。
1)当序列处于稳态时,CUSUM统计量gk+和gk-是一个在0附近随机波动的变量,即以0为均值的随机变量。
2)若序列发生突变,出现正向偏移,偏移后的序列均值上升为μ1>μ0+β,那么,这个向上的、正的偏移就会不断累积到统计量gk+中,gk+不断增大;反之,如果序列发生负向偏移,偏移后的序列均值下降为μ1<μ0-β,那么向下的、负的偏移就会不断累积到统计量gk-中,gk-不断增大。
3)当gk+>0,但尚未达到阈值h时,令检测延迟时间dk+=dk++1,否则令dk+=0。当gk+>h时,一个均值增加的暂态事件被检测出来,采样序列突变的发生时刻τ可以倒推估计为τ^=k-dk+。类似地,当gk->0,但尚未达到阈值h时,令检测延迟时间dk-=dk-+1,否则令dk-=0。当gk->h时,一个均值减少的暂态事件被检测出来,采样序列突变的发生时刻τ可以倒推估计为τ^=k-dk-。
上述双边CUSUM算法的优点是算法简单、易于实现,但该算法的应用前提是已知采样序列均值μ0。对于负荷不断变化的实际电力系统,均值μ0也是不断变化的,为此本文通过引入滑动窗口来对CUSUM算法进行改进。
2 基于滑动窗的双边CUSUM变点检测
实际电力系统的负荷总在不断变化,故式(2)、式(4)中的μ0是不断变化的,这对直接采用双边CUSUM算法准确确定暂态事件造成了障碍。为此,本文提出了基于滑动窗的双边CUSUM算法,对此加以改进,该算法演进过程如图1所示。
在WM窗口,算法计算采样序列均值μ0;在WD窗口,算法判断系统是否发生了暂态事件。当没有检测到暂态事件时,WM和WD窗口向右滑动到新的采样点。当检测到一个暂态事件时,新的WM和WD窗口滑动到算法检测到变点的时刻。为了防止检测过程中某些暂态事件被漏检,当前WM窗口的末端与上一WD窗口减去检测延迟d后对齐。这是因为,当暂态事件发生在WD检测窗口的尾部时,gk+和gk-可能没有足够的时间上升到阈值h,此时平均值窗口WM的末端被特意调整放置在暂态事件可能的发生时刻之前,这样可以在新的窗口进一步验证是否真正有暂态事件发生,从而降低了漏检的可能性。
双边CUSUM算法中的2个参数h和β的物理意义不是很明确,它们可以用其他更具有物理意义的参数来描述,如暂态事件检测器能够检测到的最小突变量Δmin和检测到此突变量的最大允许延迟Tmax。如图2所示,针对幅度为Δmin的阶跃突变,要求算法在时间Tmax以内检测到。
由此可得,阴影部分面积h=(Δmin-β)Tmax,而在离散采样系统中:h=(4)式中:Tmax=NmaxTs;Nmax为允许的最大延迟采样点数;Ts为采样间隔;β与测量的噪声有关。
由于实际电力系统中,负荷消耗的有功功率一般是缓慢上升而不是阶跃变化的,上述阴影部分并不是一个矩形,此外噪声水平等因素也比较难确定,特引入系数λ1和λ2来修正阴影部分面积,式(4)可以进一步改写为:(5)式中:λ1≤1;λ2≥1。
具体的滑动窗双边CUSUM算法的程序流程如图3所示。
根据对Δmin和Tmax以及抗干扰能力的要求,可以对h等参数进行初始化,然后根据不断读入的数据块来判断系统是否发生了扰动。其中,数据块的采样点数为N,WM和WD窗口中采样点数分别为Nm和Nd,算法检测到暂态事件的时刻为kevent,暂态事件发生的起始时刻的估计值为kstart。Nm的大小表示平均值计算窗口样本个数的多少,它的取值要能尽量代表正常状态下的特征。Nd表示检测窗口样本个数的多少,Nd值不能太大,否则会由于检测窗口过长而引入较长的检测延迟。
3 算例仿真研究
本节通过算例仿真来验证所述暂态事件检测算法的有效性。在PSCAD/EMTDC中构建了一个改造过的IEEE 30节点测试系统,其基本参数见文献[14],网络拓扑结构如图4所示。在节点14处多种负荷通过一个33kV/13.8kV的变压器挂接在33kV母线14下,它简单模拟一个电力工业用户的内部系统。用户负荷包括容量为1.0 MVA的绕线式感应电动机M1(有软启动控制器),容量为0.3 MVA的鼠笼式感应电动机M2(无软启动控制器),多个感性(RL)负荷。由于负荷投切等暂态过程中,通常会伴随着功率水平的变化,可以根据功率水平的变化来判断是否发生了暂态事件。下文通过检测T1点的聚合功率来检测负荷的投切过程。NILM通过测量节点14相关的电气量可以进一步辨识工业用户内部的负荷构成及运行情况等有用信息,如哪些电气设备是耗电大户,哪些电气设备的运行管理存在问题等,以此来制订相应的节能改造措施。此外也为电力公司监测大型工业用户内部负荷种类及运行状态信息提供了便利。
3.1 算例1
额定电压为13.8kV、额定功率为1 MVA、功率因数为0.8的RL负荷启动过程中测量点的有功功率如图5所示,采样频率为1 000 Hz。RL负荷启动前测量点处负荷水平约为1MW,RL负荷启动时暂态功率分量会叠加在原有功率之上。RL负荷在k=420采样点处(约0.42s时)投入,测量点处的有功功率大约发生0.8 MW的跃变。
在MATLAB中实现上文所述的滑动窗双边CUSUM算法。在PSCAD/EMTDC中获得相关仿真数据,然后导入MATLAB中进行检验。为验证算法的抗干扰能力,在PSCAD/EMTDC中获得的相关仿真数据上叠加了标准差为2%的白噪声。本算例中,假定只检测功率大于0.8 MW的负荷波动,即检测算法的分辨率为0.8MW,波动幅度小于0.8 MW的负荷变化都不认为是真正的负荷投切引起的突变。在其他应用场合,综合考虑负荷水平及仪器的测量精度等信息,按照类似的原则可以选择恰当的分辨率。由上文分析可知,可以选择Δmin=0.8 MW,β=0.02。取λ1=0.8,λ2=2.0,Nmax=100,Nd=100,Nm=50,此时可得h=60.8。算法仿真结果如图6所示。在滑动窗1~3数据段内,由于无暂态事件发生,g+,g-,d+,d-均等于0或者很接近于0。在滑动窗4数据段尾段时,RL负荷投入,负荷水平发生变动,如图6所示,g+和d+开始累积,不断增长。但是,由于突变点发生在滑动窗检测窗口的尾部,虽然在此窗口中确实发生了暂态事件,但由于没有足够的时间使g+累积到阈值h,在此窗口内不能判断是否发生了暂态事件。如图6(a)所示,根据滑动窗4的d+,可以计算滑动窗口4内暂态事件可能发生的起始时刻为:k=450-27=423。为了准确检测到暂态事件发生的起始时刻,把滑动窗5检测窗口的起始点修正到k=423点处。在滑动窗5内,如图6(b)所示,g+不断累积,在k=kevent时g+累积到h,可以确定系统发生了暂态事件,此时暂态事件的起始时刻可以倒推为kstart=kevent-d+=523-98=425,非常接近发生突变的真实时刻。若采用普通的CUSUM算法,对于上述暂态事件发生在检测窗口尾部的情况将产生较大误差。算例中,由于负荷功率水平的跃变量等于能够检测到的最小突变量Δmin,故直到接近滑动窗口5的尾部g+才累积到h。
3.2 算例2
本算例校验负荷功率水平发生-1 MW跃变,即大于Δmin时的检测效果。图7所示为某个RL负荷切除时(k=350,t=0.35s)测量点的有功功率。
此算例中,CUSUM算法基本参数同算例1。在滑动窗1~3数据段内,由于无暂态事件发生,g+,g-,d+,d-均等于0或很接近于0。在滑动窗4数据段,RL负荷切除,负荷水平发生变动,如图8所示,g-和d-开始累积,不断增长,在k=kevent时,g-累积到h,可确定系统发生了暂态事件,此时暂态事件起始时刻可倒推为kstart=kevent-d-=437-82=355,同样非常接近突变事件的真实发生时刻。
类似地,在感应电动机负荷投入或切除等过程中,测量点的有功功率水平也会发生变化,此时根据g+和d-也能判断系统是否发生突变以及突变发生的初始时刻。根据采集到的负荷暂态特征信息可以进一步辨识负荷类型、参数及运行状态等信息。
4 结语
对NILM系统而言,负荷投切等过程中产生的暂态特征信息包含了丰富的有用信息。NILM能够利用此暂态信息将检测对象的负荷构成精确地分解到各类用电设备,进而根据电气设备的负荷特性形成整个检测对象的负荷特性,以提高后者的准确性。现在NILM已经与智能电表技术密切结合,来增强后者的检测功能。为了能充分地利用此暂态信息,本文提出了一种基于滑动窗的双边CUSUM暂态事件自动检测算法,此算法简单、抗干扰能力强。数值仿真表明它能够自动检测、辨识负荷投切等引起的暂态过程,从而为NILM后台高级应用程序打下基础,具有一定的工程实用价值。
摘要：非侵入式负荷监测(NILM)是未来电力负荷监测的重要发展方向之一。不同类型电力负荷在投切过程中,通常会表现出独特的暂态特征。据此,NILM能够克服利用负荷稳态特征信息进行负荷辨识的局限性,实现对整个变电站、建筑物内部负荷集群的分解与分析。提出了一种信号预处理算法——基于滑动窗的双边累积和(CUSUM)暂态事件自动检测算法,它能根据相关信号准确检测到负荷投切等引起的暂态过程、发生时刻等重要信息,并触发相关程序把暂态信息记录下来,然后送给后台高级应用程序作进一步处理。算例仿真表明了所述算法的有效性。
检测负荷 篇3
1 居民小区的燃气负荷规律
我们城市燃气使用负荷分为两大类:常年性负荷、季节性负荷。常年性负荷是指居民、公共、工业等使用的燃气负荷, 居民生活用气占有主要部分, 具有明显的小时不均匀性的特征, 与此同时随着季节的改变、居民生活方式的转变适应的日不均匀性及月不均匀性。例如某市在04年的元旦燃气负荷统计得出, 在1月1日的6:00—9:00是晚用气高峰, 中午的用气量要比平时的多, 燃气高峰系数分别达到2.98和4.56, 这说明了燃气负荷随着节假日、居民的生活方式的变化而变化, 具有不均匀性和周期性, 随着节假日的到来具有明显的增加。
季节性负荷是指有些地区随着季节的不同, 对燃气的使用量不同, 居民的供暖用气占有主要部分。供暖用气主要与室内外的温差、湿度及太阳辐射等外界条件有关系, 季节气候的温差变化就制约着燃气的使用, 温差大燃气使用负荷就越大。一个月或者一个星期的燃气负荷主要有居民的生活习惯及室内外的温差决定的, 但在一个星期内的日气温的变化不规律, 气温低的时候, 燃气负荷就大, 例如某市03年1月的日负荷及日不均匀系数达到1.205。这说明燃气量与季节有较大的关系。
通过研究分析燃气负荷资料, 得出燃气负荷变化的规律。首先, 时负荷具有趋势性、随机性并且以天为周期进行变化的规律。其次, 日负荷具有与时负荷类似的趋势性和随机性的变化规律。最后, 月负荷具有趋势性、并且以年为周期进行周期性的变化规律。因而对于时负荷、日负荷的短期负荷的变化规律是不同的, 时负荷具有明显的周期性。日负荷的趋势性就是指在一年内受到季节的温度的变化的影响, 使得其具有低温用气大, 高温用气少的确定性的负荷变化规律。通过图1可以看出, 日负荷燃气量随着季节的变化较明显, 类似二次曲线变化规律, 每月的日负荷随气温的变化而略有变化。图2是一年内日负荷在12个月的日负荷曲线图, 反映了燃气的负荷变化规律。
2 燃气短期负荷的预测
我国过去对燃气负荷预测的方法主要是基于统计学的回归分析模型和时间序列分析的两种方法。前者主要是通过对历史数据和数据模式进行序列分析进而找出变化规律, 但是要受到用气量不确定、变化激励及因素之间的关系三方面的限制, 不能较好的去分析预测负荷。后者主要是简化外部的影响因素的复杂作用, 分析历史数据及数据模式来概括整个燃气短期负荷的变化规律, 然而建立数学模型具有不确定性, 用这种方法很难精确地分析预测负荷。随着人工神经网络研究的新进展, 使用基于BP网络燃气短期负荷预测的方法具有明显的优势, 能够有效地预测居民燃气短期负荷。
基于BP网络燃气负荷预测的方法, 就要求已知前n天的燃气负荷X (t) (t=1、2、…、n) , 通过构造BP网络的结构形式, 确定输入输出模型, 进而预测到第n+1天的燃气负荷。通过以下几个步骤来警醒分析。
首先, 确定节点数和训练样本。通过实际问题的类型及解决方式的不同来确定输入输出的节点数目。例如预测某天的燃气负荷, 要选择最高温度、最低温度、天气及日期四个输入节点, 燃气负荷最为计算分析的输出接点。输入层把数据源加到网络上进行缓冲存储, 节点数目取决于数据源的维数, 进行设计时首先要分清正确的数据源是什么, 要剔除未经处理的或者不正确的信息数据, 确定数据源的合适的数目。设计者要根据自己的要求来确定输入输出层的维数, 缩小计算系统的规模减少系统的复杂性。筛选历史数据, 分成两部分即训练部分和检验部分。
其次, 确定隐含层及层内节点数目。隐含层在BP网络中进行筛选提取输入数据的特征。隐含层层数越多其处理数据能力就越强。有网络的用途来决定网络中的各层节点数目, 进而制约了BP网络的处理性能。下面是几点处理层数的经验, 隐含层的节点数目是2N+1, 通过估算得出N=logT, 进而得到训练模式数目T, 在进行高维数输入时, 第一层对第二层的最佳节点比例最好是3∶1。通过以上的具体方法确定了隐含层的层数木及层内的节点数目。
最后, 预测计算流程。人工神经网络系统的分析过程要经过初始化、输入参数及建立网络结构、训练网络等操作, 达到实现BP网络算法的流程及最后的数据预测分析功能。下面以实际的例子来说明整个网络的计算分析时显得具体步骤。已知某市的连续21天的日负荷, 要求通过前7天的数据, 来预测第8天的燃气日负荷, 并且由此推算以后的每天日负荷数据。首先确定四个参数即最高温度、最低温度、天气及日期和前7天的燃气负荷数据, 进行统一的归一化处理。通过前7天的四个参数进行辨识燃气负荷网络系统及训练网络模型。进而选出训练好的人工神经网络模型, 然后把第8天的四个参数输入进去, 进而得出第8天的燃气负荷预测值。通过分析每个的预测值误差均小于2%, 满足分析误差的要求。进而表明这种预测分析方法能够有效的预测居民燃气短期负荷。
3 小结
本文系统的阐述了时负荷、日负荷、月负荷、季节性负荷的特征及随外界的变化规律。通过BP网络系统的预测分析居民燃气短期负荷具有一定精确性可靠性, 能够利用历史数据, 建立准确的模型, 这种模型具有通用性和实效性, 进而预测工作日、一般日、节假日的燃气短期负荷。便于有效地对城市燃气管网规划、运行管理及调控, 保证城市的燃气优化运行和可持续发展。
参考文献
[1]焦文玲, 朱宝成, 冯玉刚.基于BP神经网络城市燃气短期负荷预测.煤气与热力.2006.
[2]潘新新, 周伟国, 严铭卿.居民小区燃气负荷规律与短期负荷预测.煤气与热力.2006.
[3]谭羽非, 李持佳, 陈家新等.基于人工神经网络的城市煤气短期负荷预测.煤气与热力.2001.
检测负荷 篇4
1 石河子地区负荷特性分析
1.1 年负荷曲线与负荷特性指标分析
新疆石河子地区2009～2012年负荷曲线如图1所示。从年负荷曲线中可以看出, 石河子地区负荷从平稳到快速增长。2010年9月是个负荷拐点, 负荷稳步上升到2011年5月进入快速增长期, 2011年7月达到最大值, 由于负荷增长过快, 受发供电设备严重过载的制约及当时负荷占比较大的农灌负荷急剧下降的影响, 8～9两个月负荷有所下降。经过10～11两个月的调整、检修、增容扩建, 到2011年年底负荷进入了高速增长期。
表1是石河子地区2009～2012年的负荷指标, 从季不均衡系数可以看出该地区负荷发展不均衡, 但是从2010年起负荷均衡度有了很大改善, 到2012年由于负荷大幅增加造成数据有所回头。而年平均日负荷率也逐年提高, 年最大峰谷差率先增大后减小, 反映出负荷增长过程中先期冲击性负荷增长快, 后期增长负荷稳定性高、基数大, 从而使年最大峰谷差率迅速降低。最大负荷利用小时数也增幅较大, 这说明该地区负荷发展趋势正向着好的方向发展。
1.2 影响石河子地区负荷的主要因素
石河子地区属于温带大陆性气候, 区内降水少。该地区2011年前用电多为农业灌溉负荷, 用电能量大, 2011年以前农业负荷占全网总负荷的一半以上。农灌负荷占比大但季节性强, 从图1可以看出, 2011年5月中旬负荷急剧上升到7月中旬达到顶峰, 9月又回到正常负荷。季节性负荷变化造成了石河子电网发展不均衡。
此外, 该地区工业负荷发展迅猛, 电解铝、多晶硅等高耗能产业的相继投产导致负荷剧增。2010年工业负荷只占总负荷的20%, 2012年已占总负荷的60%以上, 工业负荷在很大程度上影响着地区负荷走势。
逢节假日, 如“五一”、“十一”、春节等负荷变化也十分明显, 对负荷的均衡发展影响显著。
通过以上的地区负荷特性分析, 可以总结出影响石河子地区负荷变化的主要因素有三个———大用户用电、农灌用电、节假日用电。
2 各主要因素对石河子地区负荷影响分析
2.1 农灌负荷用电影响
石河子地区经济2011年前主要以农业生产为主, 由于采用电力节水滴灌技术, 该地区在春耕农灌时用电能量很大。以2011年为例, 全年最高负荷, 即7月的707.6 MW中, 农灌负荷350 MW占比49.5%。而农业负荷由于受季节影响, 波动较大。如图2是石河子地区2011年度总负荷及农业负荷曲线, 从中不难看出由于农灌负荷在总负荷中占比大, 变化明显, 从而严重影响了该地区负荷特性。
2.2 大用户用电影响
2010年底, 晶鑫硅业、合盛硅业相继建成投产总负荷120 MW, 石河子地区负荷增长超过20%, 大大缓解了该地区冬季用电负荷低发电出力严重过剩的矛盾。但是供电初期也出现了一些问题。图3所示为2011年4月典型日负荷曲线, 从图中可以看出, 新负荷的加入使日负荷曲线波动增大, 总负荷虽然增加了, 但是供电质量有所下降, 峰谷差增大, 日负荷率、不平衡系数均有所下降。经过调查发现这两家硅业工厂每天在0时、6时、10时、18时四个时间点进行停炉交接班, 这对负荷的调整及局部电压造成一定影响。通过与用户的协商, 由电力调度统一指挥协调各厂停炉交接班时间, 从而解决了负荷波动过大的问题。
天山铝业是该地区现如今用电负荷最大的工业大用户, 从2012年年初开始投产试运行, 到10月总负荷已达350 MW, 其用电负荷平稳, 波动小, 月平均峰谷差率只有1%～2%。这对提高地区负荷基数有很大好处。通过图1可以看到由于调配得当, 将天山铝业增加负荷的时间安排在7月下旬, 使往年出现的农灌负荷减少所造成的地区负荷急剧下降没有出现, 地区负荷上升平稳。表2是该地区2012年下半年负荷特性指标, 从中不难看出季不均衡系数、年平均日负荷率、最大负荷利用小时数都达到了一个较高的水平。在这种态势下运行的地区电网, 无论是安全性、经济性、稳定性都很高。
2.3 节假日负荷的影响
该地区节假日负荷与普通日负荷差异较大。经过对多年节假日用户停产负荷统计, 笔者发现, 该地区节假日停产的企业都是纺织、造纸等行业, 总负荷在100MW左右, 且近几年变化不大。在2011年以前由于假日停产负荷在总负荷中占比高达30%以上, 这就造成节假日发电出力严重过剩, 电网无法保证最小运行方式。而在各种节假日中又以春节假期最为突出, 因为这一时期是全年负荷最低点。以2011年春节为例, 为了减小出力, 在过节期间被迫将一座100 MW的热电厂机组全停, 只烧锅炉带热负荷。
该地区节假日停电负荷也有一定规律, 如春节期间停电负荷总是在农历大年三十早上10时整所有负荷降到零, 而在初四早上10时开始逐步恢复。而“五一”、“十一”期间停电负荷总是在头天晚上负荷降到零, 到假日第四天早上10时负荷逐步恢复。在对节假日负荷进行预测时, 准确把握这些时段和变化趋势有助于提高该地区假日负荷预测准确率。
图4是该地区历年来春节前后日负荷曲线, 从中可以看出在2011年前曲线变化很大, 且幅度基本相同。到2012年由于负荷基数大幅提高, 假日负荷变化正在被逐步弱化, 到2012年年底假日停电负荷只占总负荷的10%左右, 这大大提高了假日负荷率, 同时也使假日负荷预测准确率得以提高, 解决了假日期间电力供求矛盾。
3 结论
(1) 大用户天山铝业的用电已逐渐成为地区负荷的基础, 对稳定地区负荷、改善电网特性有重要意义, 也有利于负荷预测的准确性。
(2) 农业灌溉负荷占比还较大, 且季节性强。负荷受温度和降雨影响预测难度较大, 但是随着负荷基数的提高, 农灌负荷在总负荷的占比逐渐减小, 这有利于农灌期负荷的预测。
(3) 节假日期间负荷变化较大, 但变化量历年来不大, 且每年都有较大相似性。
(4) 影响石河子地区负荷特性的因素还有很多, 如用户自备电厂、冬季供暖因素、有序用电等, 但这些并不是影响该地区负荷特性的主要因素, 因此本文不作详细分析。
4 对地区负荷预测的建议
根据前文分析结果知道, 影响石河子地区负荷的重要因素, 具有很强的地域性、季节性。因此, 在对该地团县委组织的“爱心共建青年林”主题活动, 300多名青年志愿者共栽植树苗2 600余棵。区负荷进行预测时, 要充分考虑新负荷的增长因素, 做好信息采集和分析工作, 具体如下。
(1) 及时了解用户负荷增加情况, 特别是针对大用户大负荷, 应提前报备、提前申请按计划进行投产。对于冲击性负荷应在投运的同时投入辅助的补偿及消谐装置, 并协调其班组错开交班时间, 防止人为因素造成负荷波动过大。
(2) 及时了解气象信息, 准确把握农灌负荷的变化, 根据气温及降雨的气象信息及时调整负荷。
检测负荷 篇5
负荷预测是电力系统的一项重要任务,也是电网运行中的一个难题。负荷预测的精度直接关系到电力系统运行方式安排和调度计划的制定,影响着电力系统的安全、稳定和经济运行。短期负荷预测是电力工业提高安全性和经济运行水平的重要基础,又是电力系统安全经济运行的重要依据[1]。国内外大量的文献资料在短期负荷预测方面做了较充分的研究,特别是在近年来,在短期负荷预测方面取得了一定的成果。
电网用电负荷与所在地区负荷结构、气候条件等密切相关。随着国民经济的发展和人民生活水平的提高,工业用电和商业居民用电量不断增加,负荷结构越来越趋于复杂。部分省份小水电装机容量较大,小水电分布不均,小水电丰富地区用电负荷受降雨影响非常大。各种因素加大了负荷预测的难度,尤其是短期负荷预测的难度。在国内,一些比较成熟的短期负荷预测方法在一些条件比较特殊的情况下,通常会发挥失常,预测精度难以满足要求。在这种情况下,如果省级电力公司要求地市供电公司按时申报负荷预测数据,充分利用地市公司的预测数据,来形成省级电网的预测结果,对提高省级电网的负荷预测精度将具有一定的意义。
基于以上考虑,本文提出了一种基于地市公司负荷预测数据来预测省公司负荷的方法,对提高省级电网的负荷预测精度起到了一定的作用。
1 利用地市公司预测结果预测省公司负荷的原理
1.1 省级电网负荷特点
省级电网具有一定的独立性,省级电网负荷由该省所辖各地市负荷组成。省级电网负荷特点如下:
(1)负荷曲线的季节性变化和日变化具有一定的规律可循;
(2)供电区域大,供电负荷受各种因素影响相对较小;
(3)历史负荷数据较完整、详细,能够利用相似日来提高负荷预测精度;
(4)负荷的互补性强,电网越大,越有利于短期负荷预测;
(5)电网坚强的程度要高于地市级电网。
1.2 地市电网负荷特点
随着我国城镇人民经济水平的高速发展,居民生活用电比重不断上升。特别是夏季,空调负荷快速增长。城镇居民用电的增加,不仅表现在用电量的增加,更重要的是带来了季节性用电高峰问题,同时各地区电网用电负荷受气象条件变化影响的规律也不同,这在无形中加大了负荷预测的难度。地市级电网作为省级电力市场的基础,其短期负荷预测精度不但关系到本地区的用电计划,而且直接影响到省级电网管理部门的负荷预测精度和日发电量[5][6]。
与省级电网相比,地市级电网有以下特点:
(1)负荷的季节性变化和日变化都比较大;
(2)地市级电网供电区域较小,供电量有限,且供电负荷易受各种因素影响,变化较大[8];
(3)历史负荷数据不全,缺乏先进的管理手段,给规划和负荷预测工作带来一定困难[7];
(4)由于受经济结构调整影响,地市级电力负荷波动性较大,随着经济的发展,有些年份的用电量反而比以前降低,使负荷预测难度加大[8];
(5)地市级用电互补性差,白天一般是工业用电,用电量较大;夜里一般为居民生活用电,用电量较小,峰谷差大。
1.3 基于地市公司预测结果预测省公司负荷的原理
针对省级和地市级电网负荷的上述特点,本文提出了基于地市级电网负荷预测值预测省级电网负荷的新方法,并从理论上证明该方法的合理性和优越性。
在不考虑损耗的情况下,省公司的负荷应等于所有地市公司负荷之和,但在实际情况下,考虑到统调电厂厂用电和省网线损,省公司统调负荷高于各个地市负荷之和。高出的程度,由统调电厂厂用电和省网线损而定,而且高出的程度保持相对稳定。即:
undefined
式中:Lt为t时刻的省公司负荷;N为地市个数;Lit为t时刻第i个地市公司的负荷;k为省公司负荷相对地市公司负荷之和高出的比率。
式(1)的含义为:省公司负荷是地市公司负荷之和乘以一定比率。
经过理论推导,k会根据负荷水平在一个较小的范围内波动,但波动范围一般不超过1%。
假设各地市公司的负荷预测数据已知,根据式(1),求出省公司负荷的关键在于求得k值。
由概率论可知,如果一个量是由大量相互独立的随机因素组成,而每一个个别因素,在总影响中所起的作用不是很大,则这种量通常都服从或近似服从正态分布。由于地市级负荷(作为个体)满足相互独立、互不影响的条件,因此省公司负荷(作为母体)服从正态分布。在预测各个地市局负荷时,即使预测误差较大,由于这些正、负误差的相互独立,且均服从某一区间上的均匀分布,所以,各个地市公司负荷预测数据相加后,误差相互抵消,不会对省公司负荷实际值产生较大影响。这种理论的可行性证明如下。
中心极限定理指出,大量相互独立的随机变量之和(在每个随机变量对总和的影响都很微小的情况下)近似服从正态分布。以随机变量li表示第i个地市公司负荷预测数值,则N个地市局共同作用的和undefined。因此,只需证明,当N趋于无穷时,undefined的极限仍然服从正态分布。
设随机变量序列{Xn}相互独立,且同分布,并有共同的数学期望μ和方差σ2 ,部分和由undefined定义,则Sn的标准化undefined依标准正态分布收敛,即对任何undefined。其中,Φn(x)是ξn的特征函数。 因此,只需用中心极限定理证明Φn(t)以标准正态分布N(0,1)收敛到e-t2/2。
证明过程如下:
设μ=0,σ2=1,X1的特征函数Φ1(t)=EeitX1.
其中: Φ1′(0)=iEX1=0
Φ1″(0)=i2EX12=-1
将Φ1(t)在t=0处用Taylor公式展开:
undefined
于是,undefined的特征函数为:
undefined
undefined
其中:n→∞
令: Yj=(Xj-μ)/σ
则有:
E(Yj)=0, D(Yj)=1
undefined
因此,上述定理成立。
根据以上证明可以得出:如果地市公司的负荷预测精度较高,则省公司负荷预测精度也会相当高。这是因为,在将各个地市公司负荷相加的过程中,各个地市公司的预测偏差相互抵消。
设各个地市公司的实际负荷数据为li′,则负荷预测的误差为:
Δli=li-li′,(i=1,2,…,N)
在不考虑厂用电和线损情况下,各个地市公司负荷预测误差相加后即为省网负荷预测的误差。下面以计算各个地市负荷预测误差在±15%的情况下,省级电网负荷预测误差大于±15%的概率为例,进一步证明误差的相互抵消。
计算过程:设某省有12个地级市,且各个地级市负荷预测误差最大为±15%,且各个地级负荷预测误差为:
Δli(i=1,2,…,12)
由以上分析可知,li独立同分布,且在(-0.15,0.15)上服从均匀分布。因此:
undefined
undefined
记undefined为省级电网负荷预测误差,根据独立同分布的中心极限定理有:
undefined近似服从N(0,1).
所以:
P{|l|>0.15}=1-P{|l|≤0.15}
undefined
查表得: Φ(1.5)=0.93319
因此:
P{|l|>0.15}=0.13362
即:各个地市负荷预测误差在±15%的情况下,省级电网负荷预测误差大于±15%的概率为13.362%,预测偏差的期望值将小于地市公司负荷误差绝对值15%。这说明利用地市公司的负荷预测值去预测省级电网负荷值的方法能够提高负荷预测精度。因此,可以得出如下结论:
(1)若各个地市公司的负荷预测相互独立,误差也相互独立,则对于提高省公司的负荷预测精度非常有利。
(2)地市公司越多,对提高省公司负荷预测精度越有利。不过,地市局达到10个或以上时,个数增加,各个地市负荷预测偏差相互抵消的效果增长情况并不明显。
(3)各个地市公司负荷水平越接近,对提高省公司的负荷预测精度越有利。
(4)各地市公司负荷预测水平越高,对提高省公司的负荷预测精度越有利。如果上述条件1、2和3比较理想,即便各个地市局负荷预测水平比较差(如偏差达到15%或以上),省公司负荷预测精度仍然能够达到比较理想的结果。
2 预测方法的简化处理
根据上述分析,基于下级地市公司的负荷预测结果获得省公司的负荷预测结果的关键是求k。虽然k值理论上是各个地市公司负荷之和的函数,但对于省网而言,根据大量的历史数据可得,k值波动幅度不大,并保持相对稳定。为了简化预测方法,可以根据历史负荷计算k值,将其作为常数处理。
公式如下:
undefined
比如,根据省公司2007年1月23日的历史负荷预测2007年1月24日的负荷,可以取省公司2007年1月16日～1月22日(一周)的历史上各个时段的实际负荷,求和之后除以各地市公司各个时段实际负荷之和,从而求出k值。
根据(2)式获得k值后,将各个地市公司的预测负荷相加,再由(1)式便可计算出省公司预测负荷。
根据上述原理,可以先采取某种预测方法,对各个地市进行预测,再形成地市公司负荷之和;然后计算统计口径,最终得出省公司预测负荷。
3 计算实例
使用上述方法,对江西电网部分日期进行了预测,预测结果如下:
(1)气象异常日(高温、气象条件波动大的日期)
以2006年8月12日为例,各地市预测平均偏差统计如表1所示:
采用本文算法预测省网负荷,预测平均偏差为4.03%。
从表1可以看到,平均偏差低于全省预测偏差的地市只有C和D两个;其他地市预测偏差都高于全省;各个地市预测偏差的平均值为7.11%;全省的预测偏差为4.03%。可见,各个地市预测偏差相互抵消的程度比较高。
其他若干个气象异常日的预测偏差情况如下:
2006年8月13日偏差:7.67%;
2006年8月14日偏差:6.82%;
2006年9月4日偏差:6.84%。
(2)气象正常日
以2007年1月11日为例,各地市预测平均偏差统计如表2所示:
采用本文算法预测省网负荷,预测平均偏差为2.32%,明显低于每个地市的预测偏差。其他各气象正常日采用上述方法预测,偏差如下:
2007年1月12日偏差:1.42%;
2007年1月13日偏差:2.10%;
2007年1月14日偏差:1.36%。
从以上数据可以看出,采用本文所提出的方法,对提高短期负荷预测精度具有较大的意义。
4 结论
本文提出了一种基于下级短期负荷预测的新方法,即利用各地市公司负荷预测数据预测省公司负荷的方法。由于各个地市公司负荷相互独立,根据中心极限定理,大量相互独立的随机变量之和在每个随机变量对总和的影响都很微小的情况下,近似服从正态分布。所以,在各个地市公司负荷预测数据既有正误差、又有负误差的情况下,各负荷预测数据相加之后,正负误差可以相互抵消,从而减小省公司负荷预测误差。这一负荷预测新方法对提高省公司负荷预测精度具有一定的积极意义。
摘要：省级电网企业要求下级电网企业(地市公司)对辖区内的网供负荷进行预测。下级单位的负荷预测含有该区域内较多的信息,充分利用下级单位的负荷预测结果,可以提高短期负荷的预测精度。针对在利用下级单位负荷预测结果时统计口径不一致的问题,提出了利用下级单位负荷预测结果提高省级电网负荷预测精度的具体方法。算例表明,提出的方法是有效可行的。
关键词：短期负荷预测,中心极限定理,省级电网
参考文献
[1]康重庆,周安石,王鹏,等.短期负荷预测中实时气象因素的影响分析及其处理策略[J].电网技术,2006,30(7).
[2]罗军,何光宇,张思远,等.基于负荷点相似的地区短期负荷预测新方法[J].电网技术,2007,31(6).
[3]刘耀年,祝滨,曾令全,等.一种利用可加性模糊系统的短期负荷预测新方法[J].电网技术,2003,27(8).
[4]康重庆,程旭,夏清,等.一种规范化的处理相关因素的短期负荷预测新策略[J].电力系统自动化,1999,23(18).
[5]郑瑞峰.县级电网短期负荷预测方案研究[J].河北电力技术,2006,25(5).
[6]左新南,龚里.县级电网规划负荷预测方法的探讨[J].红水河,2006,25(2).
[7]陈根永,杨丽徙,郑自强.县级城区电网规划研究[J].郑州工业大学学报,2000,21(2).
[8]吴敏敏.地市级电力负荷预测方法初探[J].浙江电力,2002(4).
[9]马丽,张闻宇.基于省级电网的短期负荷预测系统的开发[J].华北电力技术,2003(10).
检测负荷 篇6
母线数据一般由SCADA系统采集后存储于数据库中。在数据采集的过程中,导致母线数据变化和出错的原因较多,例如测量装置异常、数据传输出现错误、天气突变、线路检修、小电源出力变化等均会使采集获得的母线负荷数据发生异常。如果使用异常数据对母线负荷进行预测,将会对预测的结果和准确性产生影响。
母线历史数据是母线负荷预测的基础,也是检验母线负荷预测是否准确的标志。因此,对数目多、数据大的母线负荷来说,采用有效和准确的方法对异常数据进行识别和修正,不仅是保证母线负荷预测结果可信的必要前提,也是确保母线负荷预测准确率的重要保障,对确保电网安全、经济、高效运行有着重要的意义。
目前,对于异常数据的修正方法,使用较多的是针对原始负荷数据提出的算法上的改进与创新,例如文献[1]提出了完全可信和不完全可信时刻负荷样本概念,根据完全可信时刻的负荷样本形成的曲线对异常数据进行替换;文献[2]采用DB4小波去噪的方法处理由信道噪声引起的数据波动来实现对负荷数据的平滑处理;文献[3]利用数值计算方法来判断和修正数据;文献[4]利用移动平均值方法识别出可疑点,再利用K-means方法辨别可疑点及可疑点之间的点是否为异常数据;文献[5]针对自动化系统故障造成的异常数据,提出了具有负荷预测应用特点的总加值动态多源处理技术,针对大负荷的突发性偶然波动造成的异常数据,采用对电网终端负荷的逐一扫描辨识;文献[6,7,8]均以数据挖掘思想为基础,结合相应的算法,从大量数据中发现潜在的数据规律。而本文提出的基于母线负荷曲线特性的修正策略,则是根据出现异常数据的时段、季节、日类型等因素结合聚类中心曲线与修正算法进行修正。
1 异常数据的种类和特点
负荷样本中的异常数据是影响母线负荷预测精度的重要因素,这些异常数据不能准确地反映负荷变化的一般规律[9]。在母线负荷预测过程中,历史数据中的异常值至少会产生2方面的影响[10]:其一,作为建模数据时,干扰了对负荷变化规律的正确认识;其二,作为检测预测结果的预测值时,会导致对负荷预测结果的误判。出现异常数据的情况可分为出现畸变数据和缺失数据2种。
1.1 畸变数据
畸变数据通常是在测量系统正常情况下由于影响负荷变化的随机因素造成的,在日负荷曲线上出现局部的突然增大或减小。母线负荷由于基数小,对这种突然的变化,表现尤为明显。畸变数据可分为以下2类:
(1)含有冲击负荷数据:主要由于突发事件或某些社会政治经济生活中的大事件、或电力市场模式中的随机因素造成。如大用户设备的突然停、投而引起连续时段内负荷的升高或降低,大雨后空调负荷的减少,以及一些特殊节假日的重大庆祝活动等。这类负荷应分解为正常的规律性负荷和受诸类因素影响的冲击负荷。
(2)含毛刺负荷数据。这类畸变数据在负荷曲线上表现为在相邻时段若干个负荷点间的突然增大或减小。有突变幅度大小之分,极大极小值有时候属于突变幅度过大的毛刺。
值得注意的是,对于一些专用变压器的母线来说,由于其负荷特性较单一,可能出现经常性的波动,呈锯齿状,且出现波动负荷点的在时间上并不相同。例如,为钢铁企业和工业区供电的专用变压器负荷、提供高铁运行的牵引变压器负荷等[11]。此类负荷的负荷特性决定了其日负荷曲线存在较大变化,符合负荷变化规律,只是对其的预测难度较大,不能将此类负荷数据视为畸变数据进行修正。
1.2 缺失数据
数据缺失是由于长时间内某个测量单元的故障或在数据采集过程中其他相关元件的故障造成母线负荷数据大量丢失,使负荷曲线不完整。对于这类缺失的数据在SCADA系统中一般表示为空或零,但这些零值并不是实际的负荷数值。而另一种零值负荷是由于停电检修或是事故停电等因素,使得相应的母线停运,造成实际母线负荷数值为零。无论是上述哪一种原因造成的零值数据,都不是该类母线负荷的一般特性。为了能充分反映母线的实际负荷特性,在对母线负荷展开分析与预测前,必须先将零值数据进行修正。
缺失数据可分为以下2种类型:
(1)非连续缺失数据:主要是由于在1天内的某一段时间由于线路检修、设备停电检修或某些变电所在一段时期内测量表计损坏等因素造成的,使母线日负荷曲线与相邻采样点或次日历史负荷相比在1天、一段时间内出现的若干个负荷点的数据缺失,这种缺失对1天96个点的负荷曲线来说,修复较容易。
(2)连续缺失数据:主要是由于SCADA系统的故障造成的,在数据库中出现若干负荷数据连续丢失。由于缺少相邻的负荷数据做参考,较难保证每个点的修复数据的准确性,因此需要在掌握其负荷曲线特性的情况下,才能尽量保证其修复数据接近原始历史数据。
2 异常数据的识别与修正
季节、温度等外部因素的变化常常影响用户的用电规律,自然也就形成了负荷曲线有规律的变化。与负荷预测相似,异常数据修正需要利用这种变化规律,尽可能真实地还原其原始负荷值。本文根据母线负荷曲线的整体变化特性,从修正点横向与纵向2个方面的变化特性着手,采用负荷聚类中心进行修正。根据不同的影响因素选择聚类中心,并结合当日已有负荷数据和前若干日该时段的负荷数据进行修正,既保证了负荷曲线纵向上的增减趋势,又保证了曲线拥有较好的横向变化趋势,采用相应的修正策略进行修正。图1为母线负荷异常数据修正步骤的流程图。
2.1 参考样本及聚类中心的选取
2.1.1 相似参考样本选取
母线负荷基数较低,影响因素也较单一,本文主要以待修正日的日类型、温度和季节来选取相似样本。本文将这些影响因素转化为直观的特征向量,通过计算特征向量的灰色关联理度来选取相似样本。由于灰色关联度对于样本的多少和有无规律都同样适用,而且计算量小不会出现量化结果与定性分析结果不符的情况[12],因此更加简单实用。以日特征向量:(d,s,tmax,tmin,t2,t8,t14,t20)为下一步计算灰色关联度的样本,如表1所示。
灰色关联度分析是分析灰色系统内部各因素之间发展变化的关联程度的一种方法,其基本思想是根据序列曲线几何形状的相似程度来判断其联系是否紧密[13]。对于一个负荷序列来说,通常有个与之相关的比较数列xi,i=1,2,…n这些序列可以是影响负荷的各种因素,则
式中:ξ(k)为序列x0与xi在k点的灰色关联系数;分别为2级最小极差和最大极差;ρ为分辨系数,在0与1之间,一般取0.5。
综合各点的相关系数,得到所有曲线xi和x0的关联度,Ri为N个关联系数的平均值,它表示是曲线xi对参考曲线x0的关联程度。具体公式如下:
2.1.2 聚类中心的选取
对于聚类中心的选取,采用的是模糊C均值聚类方法[14,15,16,17,18,19,20,21],首先给定聚类类别数c,2≤c≤n,为输入样本的个数,然后根据需要设定迭代停止阀值ε,假设初始化的聚类原型模为式P(0),加设一个迭代计数器b=0。计算步骤如下:
(1)采用式(2)来求划分矩阵U(b):对于任意i、k,如果存在,则有式(3);如果存在i、k,使得,则有,且对j≠r,
(2)根据式(3)来求聚类原型模式矩阵P(b+1):
(3)如果求得‖P(b)-P(b+1)‖<ε,那么计算停止并输出划分矩阵U和聚类原型P,否则令b=b+1,然后又重新返回式(1)再进行计算。
根据日类型、温度和季节等影响因素的不同,选取不同的日负荷曲线,并通过Matlab仿真生成不同的负荷聚类中心,供异常数据修正算法使用
2.2 异常数据识别
对于畸变数据的识别,本文从横向与纵向2个方面进行。横向法是针对母线日负荷曲线96个点之间的负荷变化情况进行判断。采用负荷趋势法,根据各点间负荷变化率对异常数据进行识别步骤:1)根据式(5)求出所选样本日第i点的负荷变化率;2)根据式(6)算出前n天同时刻的平均负荷变化率;3)如果|Δli|≥Δli,av,则视为异常数据
式中:Δli为2个连续负荷点间的负荷变化率;Δli,av为n个样本数据的平均负荷变化率;k为负荷突变系数,根据实际负荷特性选定,一般居民用电负荷与商业负荷等突变率较低的负荷类型,其数值较小,而工业用电等负荷突变较多的负荷其数值相对大些;i为负荷点数,取值为1,2,……96。
纵向法是选取n天的母线负荷数据作为样本,将母线日负荷曲线上同一时刻负荷值进行对比。本文基于统计学原理来设计异常数据识别的具体算法。
步骤如下:1)将n天96个点的日负荷数据视为成横向量为96点,纵向量为n的数组,并根据式(7)、式(8)求出每点的期望和方差;2)根据式(9)求出二维数组里每个数值的偏移率,与设定的阀值λ进行比较,若偏移率大于λ,则判定为异常数据,否则终止;
式中:E(i)为第i点的期望值;为第i点的方差;ρ(i,j)为数值的偏移率;为修正后的数值。
对缺失数据的识别相对容易,除牵引变压器以及接有小电源的母线外,负荷值一般不会出现零值,出现零值或空值数据时,通过该点历史负荷数据可直接判断。而对于数据缺失后随机产生的数据,由于只是数据库中用于标注缺失数据的标记,其数值往往与其他数据有明显的区别,表现为远远大于或小于其他数据,可通过对比相邻数据和历史数据来剔除。
2.3 异常数据修正
现有的异常数据修正方法,大多是单纯地利用历史数据本身,采用不同的算法进行修正,无法准确反映出负荷的变化规律,对于受日类型和气象影响较大的负荷类型修正效果不理想。例如利用插值法、残差法、概率统计法、曲线置换法等。本文基于母线负荷曲线的相关影响因素,利用这些因素选择相似日样本,将样本进行聚类分析,生成聚类中心,然后再利用聚类中心曲线进行修正。
设数组X(n)、Y(n)分别为待修正负荷数组和聚类中心数组。根据母线日负荷曲线的波动情况可采用全日均值修正以及分时段均值修正。对于全日均值法,采用公式(10)进行修正。
式中:X(i)'为修正后的负荷数据;i为待修正的负荷点;n为正常负荷点;m为待修正负荷点的总数。
而对于分时段均值法,则是根据所分段数和各段负荷点数进行修正,见公式(11)。
式中:k为母线日负荷曲线分段数;nk为每段正常负荷点;mk为每段待修正负荷点总数;Nk为每段日负荷点总数。
3 实例分析
本文以2009年12月某地区一条220 kV母线负荷数据为例,进行异常数据的筛选和修正。通过分析该母线的历史负荷可知其负荷特性为:从00:00～08:00负荷水平较低且曲线变化幅度较小;而08:00～23:00负荷水平较高,纵向上历史负荷的差别也较大;23:00后负荷水平逐渐降低变化幅度也减小。因此,根据上述特性将聚类中心曲线分3段,采用分时段均值法,用式(11)对每段识别出的异常数据进行修正。
图2～4为该母线出现的存在异常数据的3种典型类型曲线,采用上文方法进行选取聚类中心、识别异常数据和修正,红色点状线为修正值曲线,蓝色线为原始值曲线,黑色粗线为聚类中心曲线。
图2中的原始值曲线存在非连续畸变数据,其识别方法采用上文提到的横向法,通过式(5)和式(6)计算连续点的负荷变化率,判断条件中的k值一般取2～4,可根据负荷特性适当增减。
图3是连续畸变数据,通过横向法只能识别出突变较大的起始点和结束点,处于中间位置的畸变点由于2点间的变化较小,无法准确识别出,因此就需要结合聚类中心进行识别,若中间位置负荷数据与对应位置聚类中心曲线数值的比值大于两曲线正常部分比值的最大值,则可判断为异常数据。
图4很明显出现了连续的数据缺失,由于中间出现了大量的零值数据,因此只要用横向法判断出曲线突变的初始和结束位置即可识别整段缺失曲线。
根据国家电网公司下达的《电网母线负荷预测工作考核管理办法》中对母线负荷预测考核的有关规定,母线负荷预测结果主要的考核指标有:
第i条母线负荷在时刻的引用误差[13]:
式中:Pk为k时刻的预测负荷;为k时刻的实际负荷;PB为母线负荷的基准值,对于220 kV电压等级的基准值为305 MW。
式中:P为日母线负荷预测准确率;Ei为第i个预测值与实际值之间的相对误差。
表2中统计了该母线2009年12月份的异常数据情况,包括异常数据出现的日期、个数、类型、所占比例和修正前后的母线负荷预测准确率。
从表2中可以看出,异常数据中畸变数据占主要部分,缺失数据情况相对较少,但缺失数据时对母线负荷预测准确率影响大,历史数据修正前后的预测准确率之差达到1 3.56%,而畸变数据的数量越多对预测准确率的影响也越大
4 结论
(1)根据母线负荷的主要影响因素选取相似日来获得聚类样本的方法确保了每类样本数据的相近度,提高了模糊聚类的准确性和运算速率。
(2)采用模糊C均值聚类的方法获得了较为准确的聚类中心,为异常数据的识别和修正提供了良好的数据支持。
(3)采用聚类中心曲线进行异常数据修正的方法能适用于不同异常数据类型,有良好的修正效果,提高了母线负荷预测的准确率。
摘要：介绍了异常数据的种类、特点和识别母线负荷异常数据的方法 根据母线负荷特性的影响因素生成特征向量,通过灰色关联度来选取相似参考样本,以相似样本为基础采用模糊C均值聚类获得聚类中心曲线,并根据识别出的异常数据种类,结合聚类中心曲线与修正算法进行异常数据修正实例证明该修正方法对不同的异常数据类型都能有较好的修正效果,确保了母线数据的完整性,提高了母线负荷预测的工作效率和预测精度
检测负荷 篇7
1 基于BP神经网络电力负荷预测的分析方法
所谓神经网络,就是指通过模仿大脑对信息的认知、加工、处理的过程完成对信息的自适应性质的记忆、学习。这种模仿人类处理问题的方式已经应用于诸多领域,在电力负荷预测中,BP神经网络算法也有一定的应用基础。当人们进行负荷预测时,已知的是既往和实时数据,所求的是未来一段时间的负荷值。BP神经网络算法中,已知数据当作输入量,通过三层网络模型构造的函数,适当改动函数里的权值、阈值,最终会求出所要的输出量,也就是负荷预测量。神经网络的传输过程由正反双向传送通道构成。正向传输就是由已知数据按设计流程得出预测数据;反向传输就是由得出的预测数据反过来与已知数据进行比较,若两者之间存在差值,则需要继续按照正向传输的步骤得出修正后的预测值,这个过程也就是指BP神经网络所具有的记忆性。通过这个过程可以逐步将偏差缩小,在预测值满足期望目标的区间内,得出满足收敛要求的最小误差偏差,完成BP网络的记忆学习过程,得到最终符合精度要求的负荷预测值。
2 朝阳市朝阳市超短期电力负荷预测研究
神经网络主要分为输入层、隐层和输出层三部分。输入层设有3个神经元,隐层设有5个神经元,输出层设有1个神经元,将输入层中检测单元所得到的已知数据作为输入层神经元的输入信号,将信号传递到隐层中的神经元,经过算法的分析处理,传递给输出层的神经元,这样就可以得到我们所需要的负荷预测值,具体的三层结构神经网络如图1所示。
关于三个层级的结构设计按照以下的几点要求:输入层和输出层的节点数要等于选定样本的维数;而隐层的节点数也就是交点数针对连续和不连续函数是不同的,连续函数3个即可,不连续函数时交点数要适中,过多会增加网络运行时间,降低泛化能力,过少则冗余度弱,容错率小。具体的隐层数的公式可按经验得出:
式中,l为隐层交点个数,n为输入点个数,m为输出点个数,a为浮动常数,一般取1~10。利用BP神经网络负荷预测的模型,对朝阳市50余家用电用户总的用电负荷进行短时预测。分析所用的历史数据为2016年4月20日至2016年6月12日的负荷数据,预测的目标是2016年8月5日的负荷曲线。利用BP神经网络模型预测的结果如表1所示。
表1中可以得出实际值和预测值最大误差为12.90%,最小误差为0.19%,平均误差为5.13%。实际的结果较为精确的反应了预测值的准确度。预测结果用负荷特性曲线表达,如图2所示。
3 结论
本文主要对朝阳市的典型用电用户的用电负荷特性进行了负荷特性分析和负荷预测功能。依据负荷特性分析方法和负荷预测的数学模型,通过选取的典型电负荷类型的用电企业,对其具体数据进行了处理,验证了所提方法和模型在解决朝阳市电网企业管理实际问题中所发挥的作用,显示了本文所做的负荷分析和预测工作的准确性和有效性。
参考文献
[1]陈艳.基于遗传神经网络的短期电力负荷预测研究[D].大连:大连理工大学,2006.
[2]林一凡.基于目标管理的电力负荷管理系统研究[D].大连:华北电力大学,2013.