一种基于LSSVM负荷预测的电力系统无功优化方法及终端技术方案

本发明专利技术公开一种基于LSSVM负荷预测的电力系统无功优化方法及终端，获取电力系统的目标预测节点的负荷历史数据集；使用最小二乘支持向量机模型基于所述负荷历史数据集对所述目标预测节点进行短期负荷预测，得到预测负荷值；基于所述预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值，利用最小二乘支持向量机模型对节点进行短期负荷预测能够简化预测过程，并提升预测精度，再结合改进蜉蝣算法进行寻优计算，能为实际运行调节提供实时的预选调整策略，提高了调节的实时性以及无功优化结果的优值率，从而提高电力系统无功优化的实时性和有效性。实时性和有效性。实时性和有效性。

【技术实现步骤摘要】
一种基于LSSVM负荷预测的电力系统无功优化方法及终端


[0001]本专利技术涉及电力系统无功优化
，尤其涉及一种基于LSSVM负荷预测的电力系统无功优化方法及终端。

技术介绍

[0002]电力系统在实际运行时，时刻都存在着电能质量问题，如电压偏差过大、运行损耗较大等。利用传统方式解决电能质量问题时，往往是利用电能质量问题发生后的上一时刻运行值寻求解决方案，而求解过程需要一定的时间，方案的获取与电网的运行存在时间差，无法满足实时调节电网运行状态的需求。
[0003]随着电力系统网架结构的庞大化与复杂化，每天都会产生大量的运行数据，合理运用这些数据，能够为电网运行调度、发电厂安排机组出力等带来有效的帮助。利用电力系统的历史运行数据，依据影响负荷变化的各类因素，对电力系统的负荷进行预测，是提高电力系统运行时的可靠性与经济性、提高用户侧的电能质量的重要手段。负荷预测分为长期负荷预测、中期负荷预测和短期负荷预测，但分类时并没有统一的标准。在进行负荷预测时，需要选取与负荷变化规律相关的特征量进行预测计算，如天气、温度、湿度等，同时还应考虑负荷的地理位置与运行时的日类型。传统的负荷预测方法有时间序列法、回归分析法等，这些方法有求解速度快、计算量小等优点，但在应用于大系统时，由于模型较为简单、无法满足预测的精度等局限性，从而限制了其运用范围。
[0004]随着计算机技术的不断发展，人工智能技术不断发展，将人工智能技术运用到电力系统运行调度是当下的研究热点。人工智能、机器学习等方面的发展，为负荷预测带来了新的求解思路。机器学习成功应用于负荷预测的预测方法主要有BP神经网络法、专家预测法、模糊逻辑方法等，但这些方法对初值的选取较为敏感，且隐含点数很难确定。
[0005]随着电力系统中各种分布式电源(如光伏发电、风力发电等)接入数量的增加，发电出力不稳定，导致电网的电压水平较以前更加不稳定。系统的无功功率的分布情况是影响系统电压水平的主要因素之一，当系统无功功率富余时，会导致部分节点的电压水平偏高；而当系统中无功功率无法满足负荷需求时，则某些节点的电压水平会偏低，从而使系统的电能质量下降，用户侧的用电受到一定程度的影响。在对电压进行调节时，会采用一些调压措施，如改变变压器分接头、投入静电电容器等。这些调压措施的本质是对系统的无功分布进行调整，从而使各节点的电压达到运行要求。
[0006]电力系统的无功优化是一个在电网运行中时刻存在的问题，如何将系统的无功功率分布调节到最优，使电网的电压水平合格并使整个系统的运行经济效益达到最高，是无功优化的主要任务。无功优化属于混合整数带约束问题，既包含连续变量也包含离散变量，求解时还需要满足系统的潮流约束要求以及各变量的操作和安全运行要求，这就导致无功优化变得十分复杂。为了解决无功优化问题，陆续有人将线性规划法(如灵敏度分析法、内点法等)、非线性规划法(简化梯度法、牛顿法等)、动态规划法等应用到了无功优化领域，也取得的较好的效果，这些无功优化方法均是利用上一时刻的潮流计算结果对系统进行优化
计算，采用这一思路，无法满足电力系统实时调节电压水平的要求。

技术实现思路

[0007]本专利技术所要解决的技术问题是：提供一种基于LSSVM负荷预测的电力系统无功优化方法及终端，能够提高电力系统无功优化的实时性和有效性。
[0008]为了解决上述技术问题，本专利技术采用的一种技术方案为：
[0009]一种基于LSSVM负荷预测的电力系统无功优化方法，包括步骤：
[0010]获取电力系统的目标预测节点的负荷历史数据集；
[0011]使用最小二乘支持向量机模型基于所述负荷历史数据集对所述目标预测节点进行短期负荷预测，得到预测负荷值；
[0012]基于所述预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值。
[0013]为了解决上述技术问题，本专利技术采用的另一种技术方案为：
[0014]一种基于LSSVM负荷预测的电力系统无功优化终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0015]获取电力系统的目标预测节点的负荷历史数据集；
[0016]使用最小二乘支持向量机模型基于所述负荷历史数据集对所述目标预测节点进行短期负荷预测，得到预测负荷值；
[0017]基于所述预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值。
[0018]本专利技术的有益效果在于：使用最小二乘支持向量机模型基于负荷历史数据集对目标预测节点进行短期负荷预测，得到预测负荷值，基于预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值，利用最小二乘支持向量机模型对节点进行短期负荷预测(Least Squares Support Vector Machine，LSSVM)能够简化预测过程，并提升预测精度，再结合改进蜉蝣算法进行寻优计算，能为实际运行调节提供实时的预选调整策略，提高了调节的实时性以及无功优化结果的优值率，从而提高电力系统无功优化的实时性和有效性。
附图说明
[0019]图1为本专利技术实施例的一种基于LSSVM负荷预测的电力系统无功优化方法的步骤流程图；
[0020]图2为本专利技术实施例的一种基于LSSVM负荷预测的电力系统无功优化终端的结构示意图；
[0021]图3为本专利技术实施例基于LSSVM负荷预测的电力系统无功优化方法中的无功优化流程示意图；
[0022]图4为本专利技术实施例基于LSSVM负荷预测的电力系统无功优化方法中的变量上下限设定示意图；
[0023]图5为本专利技术实施例基于LSSVM负荷预测的电力系统无功优化方法中的负荷的预测值和实际值的对比示意图；
[0024]图6为本专利技术实施例基于LSSVM负荷预测的电力系统无功优化方法中的改进蜉蝣
算法的收敛曲线示意图；
[0025]图7为本专利技术实施例基于LSSVM负荷预测的电力系统无功优化方法中的无功补偿设备各时刻投切组数示意图。
具体实施方式
[0026]为详细说明本专利技术的
技术实现思路
、所实现目的及效果，以下结合实施方式并配合附图予以说明。
[0027]请参照图1，本专利技术实施例提供了一种基于LSSVM负荷预测的电力系统无功优化方法，包括步骤：
[0028]获取电力系统的目标预测节点的负荷历史数据集；
[0029]使用最小二乘支持向量机模型基于所述负荷历史数据集对所述目标预测节点进行短期负荷预测，得到预测负荷值；
[0030]基于所述预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值。
[0031]从上述描述可知，本专利技术的有益效果在于：使用最小二乘支持向量机模型基于负荷历史数据集对目标预测节点进行短期负荷预测，得到预测负荷值，基于预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值，利用最小二乘支持向量机模型对节点进行短期负荷预测(Least Squares Support Vector本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSSVM负荷预测的电力系统无功优化方法，其特征在于，包括步骤：获取电力系统的目标预测节点的负荷历史数据集；使用最小二乘支持向量机模型基于所述负荷历史数据集对所述目标预测节点进行短期负荷预测，得到预测负荷值；基于所述预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值。2.根据权利要求1所述的一种基于LSSVM负荷预测的电力系统无功优化方法，其特征在于，所述基于所述预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值包括：获取所述电力系统的原始数据，所述原始数据包括原始负荷值；将所述预测负荷值替代所述原始负荷值，得到替代后的负荷值；基于所述替代后的负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值。3.根据权利要求2所述的一种基于LSSVM负荷预测的电力系统无功优化方法，其特征在于，所述基于所述替代后的负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值包括：初始化种群数量和最大迭代次数；确定所述电力系统的控制变量，并确定所述控制变量的取值范围；根据所述控制变量的取值范围随机生成雌雄蜉蝣种群，并将所述控制变量作为所述雌雄蜉蝣种群的位置；确定所述控制变量的初始值，并根据所述初始值进行潮流计算，得到初始总有功网损；将所述初始总有功网损确定为所述雌雄蜉蝣种群的适应度值，并初始化个体最优位置、全局最优位置和速度；基于所述雌雄蜉蝣种群、所述速度、所述位置和所述适应度值更新所述个体最优位置和所述全局最优位置，并基于所述雌雄蜉蝣种群确定优秀个体；将所述优秀个体作为新的雌雄蜉蝣种群；获取当前迭代次数，并判断所述当前迭代次数是否达到所述最大迭代次数，若是，则退出迭代，并输出最优解，若否，则根据所述新的雌雄蜉蝣种群返回所述基于所述雌雄蜉蝣种群、所述速度、所述位置和所述适应度值更新所述个体最优位置和所述全局最优位置步骤。4.根据权利要求3所述的一种基于LSSVM负荷预测的电力系统无功优化方法，其特征在于，所述雌雄蜉蝣种群包括雌蜉蝣种群和雄蜉蝣种群；所述位置包括第一位置和第二位置；所述适应度值包括第一适应度值和第二适应度值；所述速度包括第一速度和第二速度；所述基于所述雌雄蜉蝣种群、所述速度、所述位置和所述适应度值更新所述个体最优位置和所述全局最优位置，并基于所述雌雄蜉蝣种群确定优秀个体包括：按照雌蜉蝣速度更新规则更新所述雌蜉蝣种群的所述第一速度，得到第一更新后的速度，并根据所述第一更新后的速度对所述第一位置进行更新，得到第一更新后的位置；将所述第一更新后的位置进行潮流计算，得到第一新的总有功网损，并将所述第一新的总有功网损更新所述雌蜉蝣种群的所述第一适应度值，得到第一更新后的适应度值；将所述第一更新后的适应度值与所述个体最优位置进行适应度值比较，得到第一比较结果，根据所述第一比较结果更新所述个体最优位置；按照雄蜉蝣速度更新规则更新所述雄蜉蝣种群的所述第二速度，得到第二更新后的速
度，并根据所述第二更新后的速度对所述第二位置进行更新，得到第二更新后的位置；将所述第二更新后的位置进行潮流计算，得到第二新的总有功网损，并将所述第二新的总有功网损更新所述雄蜉蝣种群的所述第二适应度值，得到第二更新后的适应度值；将所述第二更新后的适应度值与所述个体最优位置以及所述全局最优位置进行适应度值比较，得到第二比较结果，根据所述第二比较结果更新所述个体最优位置和所述全局最优位置；将所述雌蜉蝣种群和所述雄蜉蝣种群按照适应度值进行交配操作，得到子代蜉蝣；按照适应度值从所述雌蜉蝣种群、所述雄蜉蝣种群和所述子代蜉蝣中筛选得到优秀个体。5.根据权利要求4所述的一种基于LSSVM负荷预测的电力系统无功优化方法，其特征在于，所述第一更新后的速度为：式中，g表示惯性权重系数，表示雌蜉蝣种群中的第i个雌蜉蝣个体在第n次迭代中的第j维度上的第一速度，a3表示正吸引系数，β表示雌雄蜉蝣种群的固定能见度系数，r
mf
表示雌蜉蝣种群与对应的雄蜉蝣种群的欧式距离，表示雄蜉蝣种群中第i个雄蜉蝣个体在第n次迭代中的第j维度上的第二位置，表示雌蜉蝣种群中第i个雌蜉蝣个体在第n次迭代中的第j维度上的第一位置，Levy(λ)表示跳跃步长服从Levy分布的随机搜索向量，表示矢量运算，gbest
j
表示第j维度上全局的最佳位置；所述第一更新后的位置为：所述第二更新后的速度为：式中，表示雄蜉蝣种群中的第i个雄蜉蝣个体在第n次迭代中的第j维度上的第二速度，a1表示个体认知成分的大小，a2表示社会认知成分的大...

【专利技术属性】
技术研发人员：高飞翎，周勋甜，余萃卓，朱晓杰，董润方，邵雪峰，周子旺，
申请(专利权)人：宁波市电力设计院有限公司，
类型：发明
国别省市：