一种基于人工神经网络的城市电网馈线负荷构成辨识方法技术

本发明专利技术提供一种基于人工神经网络的城市电网馈线负荷构成辨识方法，所述方法包括：(1)搜集对应气候区典型建筑负荷的设备构成、历史用电信息和气象信息；(2)建立各类典型建筑的用电负荷模型；(3)基于待辨识馈线负荷曲线对应的日期和气象信息，生成各类典型建筑负荷对应时段的负荷曲线；(4)采用BP人工神经网络算法对所述待辨识馈线负荷进行负荷构成的辨识。本发明专利技术有效辨识大型馈线节点不同建筑负荷构成，有助于预测馈线节点负荷动态特性、评估需求响应潜力，为制定合理的需求响应政策和机制奠定基础。

A method of load identification based on artificial neural network

The invention provides a method for identification of artificial neural network based on the city power grid load feeder, the method comprises the following steps: (1) collect the typical building load corresponding climate zone equipment composing, electricity information and meteorological information; (2) the establishment of various kinds of typical building electricity load model; (3) to identify the feeder the load curve of the corresponding date and weather information based on the load curve generate various load of typical buildings in the same period; (4) using BP artificial neural network algorithm for the identification of feeder load identification of load. The invention effectively identify large feeder nodes of different building load which is helpful to predict the dynamic characteristics, feeder node load assessment of demand response potential, lay the foundation for establishing reasonable demand response mechanism and policy.

【技术实现步骤摘要】

本专利技术涉及一种电网馈线负荷构成辨识方法，具体涉及一种基于人工神经网络的城市电网馈线负荷构成辨识方法。
技术介绍
电力系统大型馈线节点负荷的构成与终端用户用电行为特征、周期和习惯相关，总是随着季节、日期以及外部环境持续变化从而影响整个系统负荷的动态用电特性并对电网形成扰动。通过需求侧管理将高峰时段的负荷转移至低谷时段将有利于发用电的平衡，但管理政策的规划和制定如动态电价机制设计需要清楚不同供电节点负荷的构成，从而有效评估馈线节点负荷柔性和可调度潜力。在负荷构成辨识方面国内外学者已开展了大量研究，主要包括侵入式负荷监测(intrusiveloadmonitoring,ILM)和非侵入式负荷监测(nonintrusiveloadmonitoring,Non-ILM)。ILM依赖于用户对设备运行、电量消耗、电费支出以及智能电表用电情况等日常用电行为的记录数据，需要在用户侧安装实时监测设备。而为不同用户的所有用电设备广泛安装测试设备是非常昂贵的，也会造成数据存储和分析的维数灾。Non-ILM依赖于负荷信号的高分辨率，如电流波形、扰动后动态负荷响应、瞬时功率或有功变化，广泛应用于居民公寓或用电功率较小时的非侵入式负荷监视。然而，对于大型用户或电力系统负荷馈线节点(用电功率往往高达MW或GW)，这种通过检测增量变化的模式难以分离出发生变化的负荷类型及设备。
技术实现思路
为了克服上述现有技术的不足，本专利技术提供一种基于人工神经网络的城市电网馈线负荷构成辨识方法，本专利技术有效辨识大型馈线节点不同建筑负荷构成，有助于预测馈线节点负荷动态特性、评估需求响应潜力，为制定合理的需求响应政策和机制奠定基础。为了实现上述专利技术目的，本专利技术采取如下技术方案：一种基于人工神经网络的城市电网馈线负荷构成辨识方法，所述方法包括：(1)搜集对应气候区典型建筑负荷的设备构成、历史用电信息和气象信息；(2)建立各类典型建筑的用电负荷模型；(3)基于待辨识馈线负荷曲线对应的日期和气象信息，生成各类典型建筑负荷对应时段的负荷曲线；(4)采用BP人工神经网络算法对所述待辨识馈线负荷进行负荷构成的辨识。优选的，所述步骤(3)中，所述待辨识馈线负荷曲线是由待评估馈线周负荷曲线和可辨识负荷的负荷曲线相减取得。优选的，所述步骤(4)中，包括如下步骤：步骤4-1、网络初始化，给各连接权值赋初值、计算精度和最大学习次数，设置k＝0；步骤4-2、生成的n类典型建筑周负荷曲线和相应气象信息，利用蒙特卡洛抽样构成馈线节点周负荷曲线，并形成三层BP网络结构，包括输入层、隐含层和输出层；步骤4-3、利用网络期望输出和实际输出，计算误差函数对输出层各神经元的偏导数，利用隐含层到输出层的连接权值和隐含层的输出，计算误差函数对隐含层各神经元的偏导数；步骤4-4、用输出层各神经元和隐含层各神经元的输出来修正连接权重，利用隐含层各神经元和输入层各神经元的输入来修正连接权重；步骤4-5、计算全局误差；步骤4-6、如果学习次数大于等于设定的最大次数m，终止计算；如果学习次数小于设定的最大次数，进入步骤4-7；步骤4-7、如果网络误差满足要求，终止计算；如果不满足，k＝k+1，转到步骤4-2。优选的，所述步骤4-2中，所述馈线节点周负荷曲线、所述典型建筑周负荷曲线和相应气象信息为网络的输入变量，每类典型建筑负荷的数量为输出变量。优选的，所述步骤4-3中，所述误差函数是反映神经网络期望输出与计算输出之间误差大小的函数，第k次样本计算公式如下：其中：do(k)为第o节点的期望输出值，yoo(k)为第o节点计算输出值，q为输出层神经元个数；所述计算误差函数对输出层各神经元的偏导数，公式如下：yoo(k)＝f(yio(k))计算误差对隐含层各神经元的偏导数为：其中，who为隐含层与输出层的连接权值，yio是输出层第o节点的输入向量，yio(k)是第k次样本输出层第o节点的输入向量，hoh(k)是第k次样本隐含层第h节点的输出向量，do(k)是第k次样本第o节点的期望输出值，yoo(k)是输出层第o节点的输出向量，yo'o(k)是输出层第o节点的输出向量对第o节点的输入向量的偏导数，bo是输出层各神经元的阈值，f(x)是激活函数。优选的，所述步骤4-5中，所述计算全局误差的公式如下：与最接近的现有技术比，本专利技术提供的技术方案具有以下优异效果：本专利技术通过搜集典型城市建筑负荷的构成和日用电特性，基于EnergyPlus软件建立了不同类型典型建筑负荷模型，在此基础上提出了一种将城市电网馈线负荷分离为不同类型典型建筑负荷的辨识方法，为指定合理的DSM政策和机制奠定基础。附图说明图1是本专利技术提供的一种基于人工神经网络的城市电网馈线负荷构成辨识方法流程图具体实施方式下面结合附图对本专利技术作进一步详细说明。本方法通过搜集典型城市建筑负荷的构成和日用电特性，基于EnergyPlus软件建立了不同类型典型建筑负荷模型，在此基础上提出了一种将城市电网馈线负荷分离为不同类型典型建筑负荷的辨识方法。其关键在于：1)典型负荷模型库应能够包含待分离馈线所在区域的主要负荷类型；2)典型负荷模型能够有效反应季节、日期及外部环境因素对用电曲线的影响。如图1所示，具体步骤包括：步骤1、搜集该馈线节点对应建筑气候区内典型建筑负荷类型(设为m类)、历史用电信息和相应气象信息；步骤2、基于EnergyPlus软件分别建立各类典型建筑的详细物理模型并模拟各类建筑负荷的实际用电情况；步骤3、通过电网公司的能量管理系统(EnergyManagementSystem,EMS)获取待评估馈线周负荷曲线，具有厂用EMS的大型工业负荷可通过厂用EMS得到可辨识负荷的负荷曲线，两者相减从而可得到待辨识部分的负荷曲线。步骤4、基于待辨识负荷曲线对应的日期和气象信息，通过EnergyPlus软件生成各类典型建筑负荷对应时段的负荷曲线；基于上述典型建筑负荷对应时段的负荷曲线，采用人工神经网络算法对待辨识馈线负荷进行负荷构成的辨识；其中，步骤4中人工神经网络算法使用BP神经网络，也就是采用按误差逆传播算法训练的多层前馈网络，又分为如下步骤。步骤S1：网络初始化，给各连接权值赋初值、计算精度和最大学习次数，设置k＝0；步骤S2：利用EnergyPlus软件生成的n类典型建筑周负荷曲线和相应气象信息，利用蒙特卡洛抽样形成不同构成的馈线节点周负荷曲线，并形成三层BP网络结构(输入层、隐含层和输出层)前馈环节输入层的训练样本集。其中馈线节点负荷的周负荷曲线、分类典型建筑负荷的周负荷曲线和相应气象信息为网络的输入变量，每类典型建筑负荷的数量为输出变量；步骤S3：利用网络期望输出和实际输出，计算误差函数对输出层各神经元的偏导数，利用隐含层到输出层的连接权值和隐含层的输出计算误差函数对隐含层各神经元的偏导数；其中误差计算函数是反映神经网络期望输出与计算输出之间误差大小的函数，第k次样本计算后可表示为：其中：do(k)为第o节点的期望输出值，yoo(k)为第o节点计算输出值，q为输出层神经元个数。误差函数对输出层各神经元的偏导数为：yoo(k)＝f(yio(k))计算误差对隐含层各神经元的偏导数为：其中，who为隐含层与输出层的连接权值，yio是输出层第o节点的输入向量，本文档来自技高网...

【技术保护点】
一种基于人工神经网络的城市电网馈线负荷构成辨识方法，其特征在于，所述方法包括：(1)搜集对应气候区典型建筑负荷的设备构成、历史用电信息和气象信息；(2)建立各类典型建筑的用电负荷模型；(3)基于待辨识馈线负荷曲线对应的日期和气象信息，生成各类典型建筑负荷对应时段的负荷曲线；(4)采用BP人工神经网络算法对所述待辨识馈线负荷进行负荷构成的辨识。

【技术特征摘要】
1.一种基于人工神经网络的城市电网馈线负荷构成辨识方法，其特征在于，所述方法包括：(1)搜集对应气候区典型建筑负荷的设备构成、历史用电信息和气象信息；(2)建立各类典型建筑的用电负荷模型；(3)基于待辨识馈线负荷曲线对应的日期和气象信息，生成各类典型建筑负荷对应时段的负荷曲线；(4)采用BP人工神经网络算法对所述待辨识馈线负荷进行负荷构成的辨识。2.根据权利要求1所述方法，其特征在于，所述步骤(3)中，所述待辨识馈线负荷曲线是由待评估馈线周负荷曲线和可辨识负荷的负荷曲线相减取得。3.根据权利要求1所述方法，其特征在于，所述步骤(4)中，包括如下步骤：步骤4-1、网络初始化，给各连接权值赋初值、计算精度和最大学习次数，设置k＝0；步骤4-2、生成的n类典型建筑周负荷曲线和相应气象信息，利用蒙特卡洛抽样构成馈线节点周负荷曲线，并形成三层BP网络结构，包括输入层、隐含层和输出层；步骤4-3、利用网络期望输出和实际输出，计算误差函数对输出层各神经元的偏导数，利用隐含层到输出层的连接权值和隐含层的输出，计算误差函数对隐含层各神经元的偏导数；步骤4-4、用输出层各神经元和隐含层各神经元的输出来修正连接权重，利用隐含层各神经元和输入层各神经元的输入来修正连接权重；步骤4-5、计算全局误差；步骤4-6、如果学习次数大于等于设定的最大次数m，终止计算；如果学习次数小于设定的最大次数，进入步骤4-7；步骤4-7、如果网络误差满足要求，终止计算；如果不满足，k＝k+1，转到步骤4-2。4.根据权利要求3所述方法，其特征在于，所述步骤4-2中，所述馈线节点周负荷曲线、所述典型建筑周负荷曲线和相应气象信息为网络的输入变量，每类典型建筑负荷的数量为输出变量。5.根据权利要求3所述方法，其特征在于，所述步骤4-3中，所述误差函数是反映神经网络期望输出与计算输出之间误差大小的函数，第k次样本计算公式如下：e=12Σo=1q(do(k)-yoo(k))2]]>其中：do(k)为第o节点的期望输出值，yoo(k)为第o节点计算输出值，q为输出层神经元个数；所述计算误差函数对输出层各神经元的偏导数，公式如下：∂e...

【专利技术属性】
技术研发人员：王珂，韩冰，姚建国，赵家庆，杨胜春，田江，冯树海，吕洋，李亚平，徐秀之，刘建涛，赵慧，
申请(专利权)人：中国电力科学研究院，国网江苏省电力公司苏州供电公司，国网江苏省电力公司，国家电网公司，
类型：发明
国别省市：江苏;32