一种基于粒子群优化的负荷基荷与温度敏感负荷辨识方法技术

本发明专利技术公开了一种基于粒子群优化的负荷基荷与温度敏感负荷辨识方法，包括如下步骤：建立描述负荷基荷的数据结构；基于年度负荷及温度序列，定义描述负荷基荷和温度敏感负荷辨识效果的目标函数；确定负荷基荷控制变量可行域；基于基荷负荷数据结构及可行域，初始化粒子群；计算各粒子目标函数值，更新个体历史最优位置和全体历史最优位置；迭代次数加1，更新个体历史最优位置和全体历史最优位置，直至迭代次数达到设定值；输出全体历史最优解，得到全年负荷基荷和温度敏感负荷辨识结果。本发明专利技术能够实现将基础负荷分解的问题转化为数学优化问题，减小负荷预测的误差，从而提高对于负荷规划和发电厂出力规划的精度。荷规划和发电厂出力规划的精度。荷规划和发电厂出力规划的精度。

【技术实现步骤摘要】
一种基于粒子群优化的负荷基荷与温度敏感负荷辨识方法


[0001]本专利技术属于负荷分解及监测领域，具体涉及一种基于粒子群优化算法的负荷基荷与温度敏感负荷的辨识方法。

技术介绍

[0002]随着社会经济不断发展，人们生活水平不断提高，以降温、采暖等使用用途为代表的家用大功率电器普及率越来越高，随之而来的是降温、采暖等温度敏感性用电负荷在总用电负荷中所占的比重也越来越大，温度变化对电力负荷的影响也更加突出，这种影响在夏、冬季用电高峰期尤为明显。此外，降雨、湿度等其他气象因子在较大面积区域内呈现出局部差异的特征，降雨一般又会导致气温下降。因此，在研究较大区域电力负荷与气象的关系时，考虑温度的影响具有较强的代表意义。其中，为有效提升负荷预测的精度，提取出与温度强相关的温度敏感负荷对负荷预测具有重要意义。
[0003]现有考虑温度影响的负荷分解技术中，主要通过多项式拟合的方法得到温度与负荷的关系，且仅选择夏季夏季高温期间温度与负荷的灵敏度进行建模分析，而由于温度对负荷的影响程度在一年中不同时期表现形式不同，导致现有结论在其他季节中缺乏普遍适用性。

技术实现思路

[0004]专利技术目的：为了克服现有技术中存在的不足，提供一种基于粒子群优化的负荷基荷与温度敏感负荷的辨识方法，将负荷分解转化为数学优化问题，提取出温度敏感负荷从而更好的服务于负荷预测，减小负荷预测的误差，提高对于负荷预警的精度和发电厂出力规划水平，对提高电网运行稳定性和电网的规划及运行具有重要意义。
[0005]技术方案：为实现上述目的，本专利技术提供一种基于粒子群优化的负荷基荷与温度敏感负荷辨识方法，包括如下步骤：
[0006]S1.以负荷基荷作为优化控制变量，建立负荷基荷数据结构；
[0007]S2.基于年度负荷及修正温度序列，定义描述负荷基荷和温度敏感负荷辨识效果的目标函数；
[0008]S3.确定负荷基荷控制变量可行域；
[0009]S4.基于基荷负荷数据结构及可行域，初始化粒子群；
[0010]S5.计算各粒子目标函数值，更新个体历史最优位置和全体历史最优位置；
[0011]S6.迭代次数加1；若迭代次数未达到设定值，更新粒子群速度和位置，转入S5；否则输出全体历史最优解，得到全年负荷基荷和温度敏感负荷辨识结果。
[0012]进一步地，所述步骤S1中，负荷基荷包含周度各时段基荷和月度影响基荷，数据结构如下：
[0013]x＝[w11,w12,
···
,w1168,w21,w22,
···
,w2168,w31,w32,
···
,w3168,m1,m2,
···
,m
12
](1)
[0014]其中[w11,w12,
…
,w1168]表示冬季周度各时段基荷；[w21,w22,
…
,w2168]表示春秋季周度各时段基荷；[w31,w32,
…
,w3168]表示夏季周度各时段基荷；[m1,m2,
…
,m
12
]表示月度影响基荷。
[0015]进一步地，所述步骤S2中，基于年度负荷及修正温度序列，定义描述负荷基荷和温度敏感负荷辨识效果的目标函数步骤为：
[0016]201：提取一年中首个周一至最后一个周日的负荷序列及温度序列；所包含的周数记为N
w
,第i周的负荷序列记为P
L,i
；第i周的温度序列记为T
i
；
[0017]202：定义一组受原始温度影响的年度序列T
R
；
[0018]T
tR
＝T
t
‑
T
set
(2)
[0019]其中：T
set
数值为10，T
t
为全年第t时刻的温度值；
[0020]203：基于负荷基荷数据结构，得到第i周基荷为：
[0021]P
B,i
＝[w
s(i)
1,w
s(i)
2,
···
,w
s(i)
168]+m
j(i)
·
M1×
168
(3)
[0022]其中，M1×
168
为1
×
168维单位向量，j(i)为第i周的周一所属的月份数；s(i)为第i周的周一所属的季节段，当s＝1时为冬季时段，当s＝2时为春秋季时段，当s＝3时为夏季时段；
[0023]204：第i周温度敏感负荷为：
[0024]P
T,i
＝P
L,i
‑
P
B,i
(4)
[0025]205：由步骤204形成全年温度敏感负荷P
T
，再拟合全年温度敏感负荷序列与年度温度序列的三次多项式：
[0026]P
f
＝F(P
T
,T
R
)(5)
[0027]其中，T
R
为全年修正后的逐时温度序列，P
f
为全年的连续温度敏感负荷三次函数曲线，F为拟合函数；
[0028]206：从拟合得到的连续曲线中找出与温度序列依次对应的温度敏感负荷序列：
[0029][0030]207：求解经步骤204得到的温度敏感负荷与经多项式拟合得到的温度敏感负荷序列P
T,t
的目标函数：
[0031][0032]其中：N
y
为全年小时数，δ为平均相对误差的绝对值。
[0033]进一步地，所述步骤S3中，负荷基荷控制变量可行域表示为：
[0034][0035]其中：
[0036][0037][0038]其中，Q
m
表示年度负荷序列中，第m个自然月前28天负荷总电量。
[0039]进一步地，所述步骤S4中，基于基荷负荷数据结构及可行域，初始化粒子群位置与速度为：
[0040][0041][0042]其中：为第n个粒子群第d维度的初始位置，为第n个粒子群第d维度的初始速度，为第d维度的位置参数限制最小值，为第d维度的位置参数限制最大值，为人为设定第d维度的速度参数限制最小值，为人为设定第d维度的速度参数限制最大值，r为在区间[0,1]均匀分布下抽样得到的随机数。
[0043]进一步地，所述步骤S5具体步骤为：
[0044]501：记录第k次迭代粒子群每个个体的历史最优位置：
[0045][0046]502：计算各粒子目标函数值为：
[0047][0048]503：找出目标函数最优时的全体初始粒子群最优位置
[0049]进一步地，所述步骤S6具体步骤为：
[0050]601：迭代次数加1，表达式为：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粒子群优化的负荷基荷与温度敏感负荷辨识方法，其特征在于，包括如下步骤：S1.以负荷基荷作为优化控制变量，建立负荷基荷数据结构；S2.基于年度负荷及修正温度序列，定义描述负荷基荷和温度敏感负荷辨识效果的目标函数；S3.确定负荷基荷控制变量可行域；S4.基于基荷负荷数据结构及可行域，初始化粒子群；S5.计算各粒子目标函数值，更新个体历史最优位置和全体历史最优位置；S6.迭代次数加1；若迭代次数未达到设定值，更新粒子群速度和位置，转入S5；否则输出全体历史最优解，得到全年负荷基荷和温度敏感负荷辨识结果。2.根据权利要求1所述的基于粒子群优化的负荷基荷与温度敏感负荷辨识方法，其特征在于，所述步骤S1中，负荷基荷包含周度各时段基荷和月度影响基荷，数据结构如下：x＝[w11,w12,
···
,w1168,w21,w22,
···
,w2168,w31,w32,
···
,w3168,m1,m2,
···
,m
12
]
ꢀꢀꢀꢀ
(1)其中[w11,w12,
…
,w1168]表示冬季周度各时段基荷；[w21,w22,
…
,w2168]表示春秋季周度各时段基荷；[w31,w32,
…
,w3168]表示夏季周度各时段基荷；[m1,m2,
…
,m
12
]表示月度影响基荷。3.根据权利要求1所述的基于粒子群优化的负荷基荷与温度敏感负荷辨识方法，其特征在于，所述步骤S2中，基于年度负荷及修正温度序列，定义描述负荷基荷和温度敏感负荷辨识效果的目标函数步骤为：201：提取一年中首个周一至最后一个周日的负荷序列及温度序列；所包含的周数记为N
w
,第i周的负荷序列记为P
L,i
；第i周的温度序列记为T
i
；202：定义一组受原始温度影响的年度序列T
R
；T
tR
＝|T
t
‑
T
set
|
ꢀꢀꢀꢀ
(2)其中：T
set
数值为10，T
t
为全年第t时刻的温度值；203：基于负荷基荷数据结构，得到第i周基荷为：P
B,i
＝[w
s(i)
1,w
s(i)
2,
···
,w
s(i)
168]+m
j(i)
·
M1×
168
ꢀꢀꢀꢀ
(3)其中，M1×
168
为1
×
168维单位向量，j(i)为第i周的周一所属的月份数；s(i)为第i周的周一所属的季节段，当s＝1时为冬季时段...

【专利技术属性】
技术研发人员：邓振立，邓方钊，杨萌，李虎军，田春筝，郭兴五，司佳楠，于泊宁，赵文杰，李鹏，张艺涵，尹硕，刘军会，金曼，柴喆，路尧，陈兴，杨钦臣，李慧璇，郑永乐，谢安邦，祖文静，张泓楷，王世谦，李秋燕，宋大为，王圆圆，华远鹏，韩丁，卜飞飞，贾一博，汪涵，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：