论文部分内容阅读
随着中国电网建设的发展,电力行业也遇到了新的挑战。为了保证电力系统稳定、经济运行,避免电力资源的浪费,电网调控系统必须掌握各种负荷的变化规律以及发展趋势。现在飞速发展的特高压技术能够超远距离输送电能,它逐渐改变了以前以市、县级电网地域为单位的负荷预测模式。之前被广泛研究的系统负荷预测不适用于现在跨区域的1000k V特高压电网。以变压器为单位进行的负荷预测,更微观、更有针对性。变压器负荷预测结果的精度,会显著影响电力调度调峰管控的能力,能更科学地辅助安排安全校核工作以及制定检修计划。因此,积极开展变压器负荷预测工作,精细研究变压器负荷的变化规律,实现变压器负荷的精准预测,对于调度部门调控电网、设备部门展开检修和校核工作意义重大。目前,尽管已经开展了大量的电力系统负荷预测研究,但是关于变压器负荷的预测研究较少。相较于电力系统负荷,变压器负荷具有很强的随机性、不稳定性以及非线性,因此变压器负荷的预测难度相对较大。在现行的智能算法中,BP神经网络（BPNN）算法、ELMAN算法应用最为广泛,但是传统的神经网络算法由于层数较少,无法深入挖掘数据的本质特征,预测精度较低。有效的输入变量可以很明显地改变变压器负荷预测的误差偏移度。而深度学习具有很强的特征学习能力,可以提取到变压器负荷的深度特征。为了实现变压器负荷的精准预测,更好地处理变压器非线性、非平稳电力负荷数据,在本文中提出一种经补充总体经验模态分解（CEEMD）算法优化过的深度信念网络（即CEEMD-DBN）模型:将该深度学习模型应用到变压器负荷的预测建模中。本文的主要研究内容及结论如下:（1）详细分析了负荷预测的相关理论、主要特点和注意事项,指出了影响负荷预测精度的主要因素（历史负荷数据和环境因素）。介绍了负荷预测的方法,搭建了变压器负荷预测的典型预测模型,同时比较了浅层神经网络的缺点以及深度学习在变压器负荷预测下的优势。（2）搭建了基于深度信念网络（DBN）的变压器负荷深层预测网络框架。在此基础上,进一步提出了基于CEEMD优化后的深度信念网络的推演策略（即CEEMD-DBN）:首先利用CEEMD算法将预处理并归一化后的变压器负荷序列分解为不同的平稳子频序列,然后将基于分解后的子频序列分别建立独立的子DBN模型,子DBN模型的输出与子频序列的预测值相对应。结尾将子频序列预测值再次组合,获取全部变压器负荷的推测值。测试数据来自于镇江某核心220k V变压器2019年的电负荷及当地相关气象数据。预测结果表明,CEEMD-DBN模型的稳定性以及预测精度要高于BPNN、ELMAN、DBN等模型。这说明该模型可以更好地学习到变压器负荷序列的高层次、非线性和非平稳性特征。CEEMD-DBN的四季负荷预测模型平均MAE、MAPE、MSE分别为1.7122、4.06%、4.6748,相对于BPNN、ELMAN、DBN三种方法的MAE指标分别降低了0.7770、0.3343、0.2304,MAPE指标分别降低了1.90%、0.90%、0.58%,MSE指标分别降低了4.6728、1.5785、1.0068。（3）另一方面,致力于更好地提升模型的预估准确率,本文将温度、天气状况、湿度等气象因素量化,作为CEEMD-DBN模型的新的输入变量,分别建立了三种混合预测模型:单增加温度因素的CEEMD-DBN（T-CEEMD-DBN）、单增加天气状况因素的CEEMD-DBN（W-CEEMD-DBN）以及单增加湿度因素的CEEMD-DBN（H-CEEMD-DBN）模型。实验结果表明,通过增加气象因素,CEEMD-DBN模型的预测精度均获得不同程度的提升。其中基于湿度因素的CEEMD-DBN模型（H-CEEMD-DBN）预测效果最佳,四季负荷平均预测指标MAE、MAPE和MSE分别为0.8199、2.00%和1.0903,相对于CEEMD-DBN分别降低了52.11%、50.74%以及76.61%,而且CEEMD-DBN的采样点预测合格率从46.61%提升到了75.52%。本文中基于CEEMD-DBN模型的变压器电负荷预测研究对镇江地区电力负荷的调度管控提供了很有意义的参考。