当前位置：文档之家 › 2007-基于神经网络的电力系统不良数据的修正

2007-基于神经网络的电力系统不良数据的修正

  • 格式：pdf
  • 大小：120.62 KB
  • 文档页数：3

第31卷 增刊2 电 网 技 术 Vol. 31 Supplement 2 2007年12月 Power System Technology Dec. 2007

文章编号：1000-3673（2007）S2-0173-03 中图分类号：TM711 文献标识码：A 学科代码：470·4051

基于神经网络的电力系统不良数据的修正

叶学勇，吴军基，杨 伟，张俊芳

（南京理工大学 动力学院，江苏省 南京市 210094）

The Correction of the Bad Data in Power System Based on Neural Network

YE Xue-yong，WU Jun-ji，YANG Wei，ZHANG Jun-fang

（School of Power Engineering，Nanjing University of Science and Technology，Nanjing 210094，Jiangsu Province，China）

摘要：电力网络中大量实时数据的准确与否决定着电力系统运行的安全与稳定。为提高电力系统运行的安全与稳定，必须对电力系统中的不良数据进行检测辨识与修正。文章提出了利用神经网络对不良数据进行修正的方法，利用从江苏省电力公司采集到的实时数据进行了仿真，仿真过程简单易行，仿真结果准确，成功实现了不良数据的修正。

关键词：不良数据；人工神经网络；修正

0 引言

现代电力网络的规模不断扩大，电力网络的结

构和运行模式变得越来越复杂，人们对电能质量和

网络运行的可靠性也提出了更高的要求。电力网络

中大量实时数据的准确与否决定着电力系统运行

的安全与可靠性。电力系统中的不良数据可能会导

致调度员做出错误的决策，进而影响电力系统的正

常运行，甚至可能会威胁整个电力系统的安全。因

此，为确保电力系统的安全稳定运行，检测这些不

良数据并将其从原始数据中提取出来加以修正具

有重要意义。

当部分实时测量数据作为可疑不良数据被剔

除后，还必须对其进行补充或修正，如负荷功率数

据(包括有功和无功)，以保证系统的可观察性。对

不良数据进行修正有利于掌握电力系统运行的实

时状态，从而做出正确的决策，有利于提高电力系

统运行的安全和可靠性。

本文在利用基于肘形判据的间隙统计算法(gap

statistic algorithm，GSA)实现电力系统不良数据的

检测与辨识的基础上[1-3]，提出了利用神经网络对不

良数据进行修正的方法，该方法主要利用神经网络

处理非线性输入输出关系以及自学习的能力实现

对不良数据的修正。 1 BP神经网络算法

3层BP神经网络如图1所示，前馈多层网络

由输入层、输出层和介于输入层与输出层之间的中

间层组成。中间层有单层或多层，由于它们和外界

没有直接的联系，故也称为隐层，在隐层中的神经

元也称为隐单元。虽然隐层不与外界连接，但它们

的状态影响输入、输出之间的关系，这就是说改变

隐层的权系数可以改变整个神经网络的性能。设有

一个m层的神经网络，输入层样本为X，设第k层

第i个神经元的输入总和表示为kiU，输出表示为kiX；

从第k−1层的第j个神经元到第k层的第i个神经

元的权系数为Wij，各神经元的激发函数为f，则各

个变量之间的关系表示为[4-5]

()kkiiXfU= (1)

1kkiijjjUWX−=∑ (2)

图1 3层BP网络的结构

BP算法的基本思想为：学习过程由信号的正

向传播与误差的反向传播2个过程组成，正向传播

时，输入样本从输入层传入，经各隐层逐层处理后

传向输出层。若输出层的实际输出与期望的输出不174 叶学勇等：基于神经网络的电力系统不良数据的修正 Vol. 31 Supplement 2

符，则转入误差的反向传播阶段。误差反向传播是

将输出误差以某种形式通过隐层向输入层逐层反

传，并将误差分摊给各层的所有单元，从而获得各

层单元的误差信号，此误差信号就作为修正各单元

权值的依据。信号正向传播和误差反向传播过程

中，各层权值的调整周而复始地进行。权值不断调

整的过程也就是网络的学习训练过程，此过程一直

进行到网络输出的误差减小到可接受的程度，或进

行到预先设定的学习次数[3]。

2 实时数据的获取

本文采用的数据均来自江苏省电力调度中心

2006年5月15日的实时运行数据，共96组数据，

每隔15 min采集一次。每组数据包含29个量，这

些量是从图1所示的局部网络中获得的，其中包括

4个节点电压(V)，4台发电机的有功功率(PG)和无

功功率(QG)，5对负荷潮流值(PL和QL)，2条线路

的潮流值(Pline和Qline)，1个负荷的有功功率(PL)以

及2条线路的有功功率(Pline)。

图2表示的网络是一个简单的两厂两变的网

络，由天生港一厂、天生港二厂、齐心变和石庄变

构成。天生港一厂有4台额定功率为135 MW的发

电机，采用的是双母线带旁路的主接线，天生港二

厂有2台额定功率为300 MW的发电机，采用的是

单元接线的主接线方式。在实时数据采集时，天生

港一厂的9号发电机和天生港二厂的1号发电机都处于停运状态。

图2 江苏省局部电网的简易连接图

3 不良数据的修正

3.1 概述

本文采用一种新的不良数据修正方法，利用神

经网络来进行不良数据的修正。采用BP神经网络

实现对电力系统不良数据修正的主要思想是：利用

不良数据出现前一段时间的历史正常数据对BP神经网络进行训练，使训练好的神经网络具有预测能

力，然后利用不良数据出现前一时刻的正常数据通

过训练好的神经网络得到一组输出数据，将这组输

出数据作为对不良数据进行修正得到的数据。

3.2 BP神经网络的设计

对不良数据的修正采用单隐层的BP网络。输

入层的神经元有29个，输出层神经元有29个。隐

层神经元个数的选取根据如下经验公式计算得到：

α++=lnm α取值为7，即可得隐层的神经元个数为14。

网络中间层的神经元传递函数采用S型的正切函

数，输出层神经元的传递函数采用S型的对数函数。

网络的训练函数为trainlm，最大训练次数设为

1 000，最终的训练目标设为0.001，学习速率设为0.1。

3.3 数据的准备与网络的训练

由于本方法是利用不良数据出现前的历史数

据进行修正，所以神经网络的训练数据和测试数据

都是正常的历史数据。假设T为不良数据出现的时

刻，∆t为采样间隔，训练数据的组数为n，训练数

据为Ｔ−(n−1)∆t时刻到T−∆t时刻采集到的数据，

测试数据为T−∆t时刻采集到的数据。本文进行仿

真时取∆t=15 min，n=60。神经网络训练过程如图3

所示。

图3 神经网络的训练过程 3.4 数据的修正

（1）单个不良数据的修正。

单个不良数据的修正误差如图4所示。由仿真可

得：由不良数据检测辨识结果可知这个数据组中第1

个量测量为不良数据，不良数据的大小为1.097 6，

经神经网络修正后的数据为0.996 2，而数据的真实

值为0.997 8，修正偏差为0.001 4，修正误差为

0.14%。表明利用神经网络修正精度较高，能达到

正确修正不良数据的目的。 （2）多个不良数据的修正。

多个不良数据的修正误差如图5所示。由仿真

可得：由不良数据检测辨识结果可知这个数据组中

第2个、第11个、第13个量测量分别为不良数据。 第31卷 增刊2 电 网 技 术 175

图4 单个不良数据的修正误差

图5 多个不良数据的修正误差

第2个量测值经神经网络修正后的数据为0.993 6，

而数据的真实值为0.995 7，修正误差仅为0.21%；

第11个量测值经神经网络修正后的数据为0.868 2，

而数据的真实值为0.869 3，修正误差仅为0.13%；

第13个量测值经神经网络修正后的数据为0.820 5，

而数据的真实值为0.821 7，修正误差仅为0.15%。

修正误差都小于1%，表明利用神经网络修正精度

较高，能达到正确修正不良数据的目的。

4 结论

（1）利用基于GSA的肘形判据的方法实现了

电力系统不良数据的检测与辨识的仿真，仿真结果

准确，成功实现了不良数据的检测与辨识，表明这种方法是可行的，而且简单准确。

（2）利用BP神经网络对不良数据进行了修正

仿真，仿真结果误差都小于1%，成功实现了不良

数据的修正，表明利用神经网络进行不良数据修正

是可行的，而且精度较高。

参考文献

[1] 葛成．基于GSA的电力系统不良数据辨识方法研究[D]．南京：南京理工大学，2005． [2] 杨伟，胡军，吴军基．基于GSA的电力系统不良数据辨识算法[J]．继电器，2005，33(22)：41-44． [3] Huang S-J，Lin J-M．Artificial neural network enhanced by gap statistic algorithm applied for bad data detection of a power system[C]．Transmission and Distribution Conference and Exhibition，2002，2：764-768． [4] 飞思科技产品研发中心．神经网络理论与MATLAB实现[M]．北京：电子工业出版社，2005． [5] 韩立群．人工神经网络理论、设计及应用[M]．北京：化学工业出版社，2002． 收稿日期：2007-08-08。 作者简介： 叶学勇(1983—)，男，硕士研究生，主要研究方向为数据挖掘在电力系统中的应用，E-mail：nohandsome@163.com； 吴军基(1955—)，男，教授，博士生导师，从事电力系统及其自动化、电力市场等方面的教学与研究工作； 杨 伟(1965—)，男，副教授，从事电力系统及其自动化方面的教学与研究工作； 张俊芳(1965—)，女，副教授，从事电力系统优化、运行与控制方面的教学与研究工作。 （责任编辑 沈杰）

合集下载

基于模糊神经网络的电力系统短期负荷预测研究

基于模糊神经网络的电力系统短期负荷预测研究

群　霸　应用科学　８ｌ　

基于模糊神经网络的电力系统短期负荷预测研究　

孙伟　

（新疆乌鲁木齐电业局营销部，新疆乌鲁木齐８３００１　１）　

摘要电力系统短期负荷受到多方面因素的影响，具有明显的多元非线性动态变化特性，很难准确的用单一的线性数学模型进行建模预　

测分析。为获得具有模糊自适应调节预测功能的负荷预测模型，将模糊控制与ＢＰ神经网络相结合，形成一个具有模糊自推理的负荷预测模　

型。　

关键词电力系统；模糊控制；ＢＰ神经网络；负荷预测　

中图分类号ＴＭ７１５　文献标识码Ａ　文章编号１６７３—９６７１一（２０１０）１０２—００８１—０２　

荷预测是电力系统科学经济能量管理系统构筑的重要组成部分之　

一。准确的短期负荷预测数据可以帮助调度管理人员合理制定发电机组　

的启停、水火电峰谷安排、联络线相互切换、分接点负荷安排、主要电　

气设备检修等计划，有效提高电网供电可靠性，保证电网安全、高效、　

经济等运行。同时，高效的负荷预测数据也是电力营销中电价制定有效　

科学依据。因此，构筑合理有效的电力系统负荷预测模型提高短期负荷　

预测的准确度具有较大的丁程实用价值。　

１　ＢＰ神经网络　

由Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ和Ｊ．Ｌ．ＭｃＣｌｅｌｌａｎｄ共同研究提出的ＢＰ神经网络数据预　

测模型，是一种利用误差反向传播比对分析劫ＩＩ练的前向型神经网络，有　

效解决了多层网络结构中隐含层单元间连接权重的设置问题。模型可以　

自动分析判断原始数据样本间的输入和输出运算映射间的函数关系，整　

个模型无需在训练前建立精确的数学和物理模型。ＢＰ网络内部学习算法　

的基本原理是误差梯度最速下降法，通过模型自动调整神经元间的连接　

权值，最终获得网络总误差平方最小的输出预测数据　ＢＰ神经网络模型　

的基本拓扑结构包括输入层（ＩＮＰＵＴ）、隐含层（ＨＩＤＤＥＮ　ＬＡＹＥＲ）和　

输出层（ＰＬ兀１ＰｕＴ）三大部分，详见图１所示。　

Ｘ　

１ＮＰＵＴ　输入　Ｈ｝ＤＯＥＮ　Ｌ—ＡＹＥＲ　隆禽屡　ＯＵＴＰＵＴ　输出联　Ｙ　

基于人工神经网络的负荷数据预处理

基于人工神经网络的负荷数据预处理

西安理工大学学报Ｊｏｕｒｎａｌ　ｏｆ　Ｘｉ’ａｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏ１ｏｇｙ（２Ｏ０７）Ｖｏ１．２３　Ｎｏ．３　２７７　

文章编号：１００６—４７１０（２００７）０３—０２７７—０５　

基于人工神经网络的负荷数据预处理　

姚李孝，薛关娟，冯继安　

（西安理工大学水利水电学院，陕西西安７１ＯＯ４８）　

摘要：对历史负荷数据进行处理是提高电力系统负荷预测精度首先要解决的问题。脏数据处理的　

过程就是对于含有脏数据的负荷曲线模式的辨识过程。首先利用自适应共振网络（ＡＲＴ网）对日　

负荷曲线进行分类，确定出每一类负荷曲线的特征曲线；然后用超圆神经网络（ＣＯ网）对特征曲线　

进行脏数据辨识；最后利用扩展短期负荷预测方法对脏数据进行修正。对某市２００２年８月份的数　

据进行脏数据辨识，结果证明所提出的模型对脏数据的平均检测率为９２．１１　，效果令人满意。采　

用该处理过的历史数据对某市２００２年８月１４日的负荷进行预测，结果表明，利用该方法处理后的　

数据进行负荷预测提高了负荷预测的精度。　

关键词：数据预处理；负荷预测；模式识别　

中图分类号：ＴＭ７１５　文献标识码：Ａ　

Ｌｏａｄ　Ｄａｔａ　Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ　Ｂａｓｅｄ　ｏｎ　Ａｒｔｉｆｉｃｉａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　

ＹＡ０　Ｌｉ—ｘｉａｏ，ＸＵＥ　Ｍｅｉ—ｊｕａｎ，ＦＥＮＧ　Ｊｉ—ａｎ　

（Ｆａｃｕｌｔｙ　ｏｆ　Ｗａｔｅｒ　Ｒｅｓｏｕｒｃｅｓ　ａｎｄ　Ｈｙｄｒａｕｌｉｃ　Ｐｏｗｅｒ，Ｘｉ’ａｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｘｉ’ａｎ　７１００４８，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｐｒｏｃｅｓｓｉｎｇ　ｈｉｓｔｏｒｉｃａｌ　ｌｏａｄ　ｄａｔａ　ｉｓ　ｆｉｒｓｔ　ｔｏ　ｓｏｌｖｅ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｉｎ　ｉｍｐｒｏｖｉｎｇ　ｔｈｅ　ｌｏａｄ　ｆｏｒｅ—　

ｃａｓｔｉｎｇ　ａｃｃｕｒａｃｙ　ｉｎ　ｐｏｗｅｒ　ｓｙｓｔｅｍ．Ｔｈｅ　ｐｒｏｃｅｓｓ　ｏｆ　ｄｉｒｔｙ　ｄａｔａ　ｐｒｏｃｅｓｓｉｎｇ　ｉｓ　ｔｈｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｐｒｏｃｅｓｓ　

电力系统负荷数据预测的设计与实现

电力系统负荷数据预测的设计与实现

电力系统负荷数据预测的设计与实现

发布时间：2023-02-03T01:59:02.361Z 来源：《科技新时代》2022年第18期 作者： 高岩 李峰 贺峰

[导读] 力系统历史负荷数据的准确与否对负荷预测效果有重要影响，首先采用减法聚类算法得到历史负荷数据的聚类数目和聚类中心，

高岩 李峰 贺峰

国网安徽省电力有限公司泗县供电公司，安徽 泗县，234300

摘要：电力系统历史负荷数据的准确与否对负荷预测效果有重要影响，首先采用减法聚类算法得到历史负荷数据的聚类数目和聚类中心，并以此来作为模糊c-均值聚类的起点，然后通过负荷曲线的横向相似性找出不良数据，最后修正不良数据，得到连续准确的负荷数

据。

关键词：电力负荷预测；数据预测

引言

电力系统是人们日常生活的必需，也是经济繁荣的保障与支撑。在电网运行过程中，电能的生产、传输与消耗是同时进行的，如果无法预知负荷需求，则有可能导致资源不足或浪费。随着电网规模的扩大，受天气、地理环境、政策等因素影响，负荷预测的难度也越来越

大，捕捉负荷的非线性以及不确定性的趋势走向也变得越来越困难。

1电力负荷数据简述

1.1数据特性

电力负荷数据会表现出单位时间内的周期性规律，这些特性对预测模型构建有很大的指导意义，数据特性主要包括以下几点。（1）日周期性：电力负荷数据每日会按照时间段有相似的波动变化。逐步攀升达到峰值后回落，然后再增加，随后降为最低。（2）周周期性：以

周为周期，工作日负荷及周末休息日负荷的波动情况也存在相似波动趋势。（3）受外界因素影响：受温度、天气、湿度等外界因素影响。

1.2影响因素

电力系统用户可分为城市居民、乡镇居民、商业用户、工业公户等，每一类用户的负荷特性规律均不相同。通常情况下电力负荷会同时受到多种因素影响，逐一分析如下。（1）社会因素：主要包括经济发展水平、用户的收入及消费水平以及区域的消费结构。（2）时段

因素：通常存在早晚高峰期，工作日、节假日也会有所不同。（3）气象因素：受温度、湿度、降雨、风速等气候变化影响。

基于误差修正的短期负荷预测方法

基于误差修正的短期负荷预测方法

基于误差修正的短期负荷预测方法

张贲;邵常宁;赵燃

【摘 要】目前常用的负荷预测方法主要是通过负荷自身和相关关系的研究建立模型,提出一种新的负荷预测思路,即从传统频域预测方法的误差入手,通过研究虚拟预测误差的历史分布规律进行误差预测,然后对传统方法得到的预测结果进行修正.建立负荷预测的误差修正模型,并通过算例验证了误差修正的短期负荷预测方法的可行性和实用性,达到了提高短期负荷预测精度的目的.

【期刊名称】《电力自动化设备》

【年(卷),期】2015(035)011

【总页数】6页(P152-157)

【关键词】负荷预测;短期预测;频域分解;虚拟预测;误差分析;误差修正;模型

【作 者】张贲;邵常宁;赵燃

【作者单位】国家电网公司华北分部,北京100053;北京清软创新科技有限公司,北京100085;北京清软创新科技有限公司,北京100085

【正文语种】中 文

【中图分类】TM715

0 引言

短期负荷预测是电力系统运行的重要辅助决策手段，为电力调度部门安排日发电计划、机组组合、优化潮流以及经济调度提供科学依据，对于保障国民经济安全运行有重要意义。

多年来许多学者对短期负荷预测进行了深入的研究，提出了大量的预测方法。这些方法从机理上大体可分为2类：基于趋势外推思想的数学算法和考虑相关因素的智能算法。基于趋势外推思想的算法主要包括倍比平滑法、时间序列法、回归模型法等[1]，这些方法以探究负荷本身的发展规律为思想进行预测，大多数以线性模型为主。外推方法在相关因素影响弱的地方能取得不错的效果，但遇到相关因素变化剧烈的地方精度会变得很差，而且无法处理非线性问题。考虑相关因素的智能算法主要包括模糊逻辑法、人工神经网络（ANN）[2]和支持向量机（SVM）[3]等。这些方法是将经过自适应训练[4]后的相关因素量化参数作为输入，建立庞大的非线性映射模型进行运算，能够得到比较精确的预测结果。但其缺点为在数据处理、函数构造、参数优化等方面难度较大，一定程度限制了其应用。