本发明涉及电力技术领域,特别是涉及一种电力景气指数检测方法和系统。
背景技术:
电力景气指数是电力系统中的不可观测变量,其对电力系统的有序运作,以及电力行业的稳定发展具有重要意义。
对于电力景气指数这类存在不可观测变量的参数检测,常用状态空间模型进行求解,SWI指数(电力景气指数)包含不可测因素因此用此模型达到分析和观测的目的。通常情况下,可以将上述电力景气指数通过可以从电力系统中直接进行读取的参数已知量进行表示,利用上述已知量进行Kalman滤波(卡尔曼滤波),以确定相应的电力景气指数,实现对电力景气指数的检测。
然而适用于线性量测方程,实际情况中,电力景气指数与电力系统中的相应已知量是非线性的,这样,利用上述传统方法进行电力景气指数的检测,准确性低。
技术实现要素:
基于此,有必要针对上述传统方法进行电力景气指数检测,准确性低的技术问题,提供一种电力景气指数检测方法和系统。
一种电力景气指数检测方法,包括如下步骤:
根据电力系统的各类消耗量建立所述电力系统对应的电力景气指数原始模型;
利用混合粒子滤波算法将所述电力景气指数原始模型变换为电力景气指数线性模型;
根据电力系统的各类消耗量对电力景气指数线性模型进行卡尔曼滤波,确定电力系统对应的电力景气指数。
一种电力景气指数检测系统,包括:
建立模块,用于根据电力系统的各类消耗量建立所述电力系统对应的电力景气指数原始模型;
变换模块,用于利用混合粒子滤波算法将所述电力景气指数原始模型变换为电力景气指数线性模型;
确定模块,用于根据电力系统的各类消耗量对电力景气指数线性模型进行卡尔曼滤波,确定电力系统对应的电力景气指数。
上述电力景气指数检测方法和系统,可以根据电力系统的各类消耗量建立所述电力系统对应的电力景气指数原始模型,将上述非线性的原始模型变换为电力景气指数线性模型,再对上述变换后的线性模型进行卡尔曼滤波,确定电力系统对应的电力景气指数,有效提高了所检测的电力景气指数的准确性。
附图说明
图1为一个实施例的电力景气指数检测方法流程图;
图2为一个实施例的电力景气指数检测系统结构示意图。
具体实施方式
下面结合附图对本发明的电力景气指数检测方法和系统的具体实施方式作详细描述。
参考图1,图1所示为一个实施例的电力景气指数检测方法流程图,包括如下步骤:
S10,根据电力系统的各类消耗量建立所述电力系统对应的电力景气指数原始模型;
上述电力系统的各类消耗量可以包括电力系统运行所消耗的电量、钢铁量和/或水泥量等能量消耗值,其可以从电力系统的相关数据中读取。电力系统的各类消耗量可以按照能量种类表现为消耗量向量,如yt。
在一个实施例中,上述电力景气指数原始模型为:
yt=h(xt)+vt,t=1,...,T,
xt=Stxt-1+ut,t=1,...,T,
其中,yt表示t时刻电力系统的各类消耗量,h(xt)表示电力景气指数函数,vt表示t时刻的观测噪声分量,xt表示t时刻的电力景气指数向量,St∈Rm×m,St表示t时刻状态转移矩阵,ut表示t时刻的转移噪声分量,T表示时刻总数。
上述状态转移矩阵St可以根据电力系统的运行特征进行设置。电力景气指数函数h(xt)是关于xt的线性或者非线性函数,如果是线性函数可以写作h(xt)=Bxt+C,其中B与C分别为待求的向量。如果是非线性函数,可以通过抽样的方法得到估计的函数形式。
ut与vt分别为正态分布状态的噪声,E(utus')=Qδts,E(vtvs')=σ2δts,其中Q为状态噪声协方差矩阵,σ2为观测噪声方差,上述ut与vt相互独立。
S20,利用混合粒子滤波算法将所述电力景气指数原始模型变换为电力景气指数线性模型;
在一个实施例中,上述利用混合粒子滤波算法将所述电力景气指数原始模型变换为电力景气指数线性模型的过程可以包括:
设置xt的初始向量x0,所述初始向量x0服从均匀分布;
对所述初始向量x0进行采样,根据采样得到的采样数据确定混合粒子滤波中的其中:式中,表示第i次从重要性分布中抽样过程中,给定t时刻电力系统的各类消耗量、0时刻到t-1时刻样本数值时,t时刻在重要性分布中取到的概率;表示第i次从重要性分布中抽样过程中,xt的0时刻到t-1时刻样本数值,yt表示t时刻的电力系统的各类消耗量,表示第i次从重要性分布中抽样过程中,xt的t时刻样本数值,表示第i次从重要性分布中抽样过程中,在已知xt-1的基础上取到xt的概率;
根据所述确定混合粒子滤波中的其中:式中, 表示第i次从重要性分布中抽样过程中,在给定电力系统的各类消耗量0时刻到t时刻数值的情况下,在实际分布中取到0时刻到t时刻xt数值的概率, 表示在确定了电力系统的各类消耗量0时刻到t时刻数值的情况下第i次从重要性分布中抽样过程中,在重要性分布中取到0时刻到t时刻xt数值的概率;
根据重要性权重更新公式进行重要性权重更新,所述重要性权重更新公式为为第i次从重要性分布中抽样过程中,t时刻样本的权重,为第i次从重要性分布中抽样过程中,t-1时刻样本的权重;
根据重要性权重归一化公式对更新后的重要性权重序列进行归一化;所述重要性权重归一化公式为:式中,为归一化后第i次采样中t时刻重要性权重,N为总的采样次数;
根据计算xt的最小均方误差;其中:式中,表示xt的最小均方误差,xt表示t时刻电力景气指数向量;
根据对所述电力景气指数原始模型进行更新,得到电力景气指数线性模型,所述电力景气指数线性模型为:
xt=Stxt-1+ut,t=1,...,T
其中:Zt为t时刻xt的系数矩阵,et为t时刻电力景气指数向量MMSE估计与实际值间的误差。
作为一个实施例,上述et=εt+dt,t=1,...,T,
其中,εt,dt是k×1维向量,k为yt对应的消耗量的类别数,εt是连续的不相关扰动项,满足均值为0,协方差矩阵为Ht,即E(εt)=0,var(εt)=Ht,dt是除去εt以外et剩余的部分。
上述ut可以表示为:
ut=Rtηt+ct,t=1,...,T,
其中,Rt是q×g矩阵,为ηt的系数矩阵,q为向量xt中元素个数,q可以设置为1,g为ηt的列数,一般事先给定一个较大的初值(大于k),根据估计结果筛选(即将计算后ct为0的部分去除)。而ηt是g×1维向量,是均值为0,协方差矩阵为Qt的连续不相关干扰项,即E(ηt)=0,var(ηt)=Qt。ct是q×1维向量,为ut-1中除去连续不相关干扰项以外剩余的部分。
上述电力景气指数线性模型还可以表示为:
xt=Stxt-1+Rtηt+ct,t=1,...,T
上述电力景气指数线性模型满足下列假设条件:
(1)初始状态向量x0的均值为x0,协方差矩阵为P0,即E(x0)=0,var(x0)=P0;
(2)所有时间区间上,扰动项εt与ηt相互独立,且与初始状态不相关,即
E(εtηs')=0,s,t=1,...,T
E(εtx'0)=0,E(ηtx'0)=0,t=1,...,T。
S30,根据电力系统的各类消耗量对电力景气指数线性模型进行卡尔曼滤波,确定电力系统对应的电力景气指数。
在一个实施例中,上述根据电力系统的各类消耗量对电力景气指数线性模型进行卡尔曼滤波,确定电力系统对应的电力景气指数的步骤可以包括:
设置Ψ1|0,其中为已知0时刻时1时刻x取值的条件估计值,Ψ1|0为已知0时刻时1时刻实际值与估计值间误差的协方差矩:
设定已知xt-1时的估计值以及xt-1和之间误差的协方差矩阵Ψt-1,其中, E[]表示求期望值;
根据所述和Ψt-1确定xt的条件分布均值,其中,表示已 知时估计的xt条件分布的均值,
计算Ψt在已知Ψt-1时的条件分布均值Ψt|t-1,Ψt|t-1=StΨt-1St'+RtQtRt',t=1,...,T,上标’表示对相应的转置矩阵,
根据Ψt|t-1、yt构建更新方程组,所述更新方程组为:
Ft=ZtΨt|t-1Zt'+Ht,t=1,...,T,
其中,T表示时刻综述,上标-1表示对矩阵求逆;
通过求解更新方程组确定
将的取值确定为电力系统对应的电力景气指数。
本发明提供的电力景气指数检测方法,可以根据电力系统的各类消耗量建立所述电力系统对应的电力景气指数原始模型,将上述非线性的原始模型变换为电力景气指数线性模型,再对上述变换后的线性模型进行卡尔曼滤波,确定电力系统对应的电力景气指数,有效提高了所检测的电力景气指数的准确性。
参考图2,图2所示为一个实施例的电力景气指数检测系统结构示意图,包括:
建立模块10,用于根据电力系统的各类消耗量建立所述电力系统对应的电力景气指数原始模型;
在一个实施例中,上述电力景气指数原始模型为:
yt=h(xt)+vt,t=1,...,T,
xt=Stxt-1+ut,t=1,...,T,
其中,yt表示t时刻电力系统的各类消耗量,h(xt)表示电力景气指数函数,vt表示t时刻的观测噪声分量,xt表示t时刻的电力景气指数向量,St表示t时刻状态转移矩阵,ut表示t时刻的转移噪声分量,T表示时刻总数。
变换模块20,用于利用混合粒子滤波算法将所述电力景气指数原始模型变换为电力景气指数线性模型;
在一个实施例中,上述变换模块进一步用于:
设置xt的初始向量x0,所述初始向量x0服从均匀分布;
对所述初始向量x0进行采样,根据采样得到的采样数据确定混合粒子滤波中的其中:式中,表示第i次从重要性分布中抽样过程中,给定t时刻电力系统的各类消耗量、0时刻到t-1时刻样本数值时,t时刻在重要性分布中取到的概率;表示第i次从重要性分布中抽样过程中,xt的0时刻到t-1时刻样本数值,yt表示t时刻的电力系统的各类消耗量,表示第i次从重要性分布中抽样过程中,xt的t时刻样本数值,表示第i次从重要性分布中抽样过程中,在已知xt-1的基础上取到xt的概率;
根据所述确定混合粒子滤波中的其中:式中, 表示第i次从重要性分布中抽样过程中,在给定电力系统的各类消耗量0时刻到t时刻数值的情况下,在实际分布中取到0时刻到t时刻xt数值的概率, 表示在确定了电力系统的各类消耗量0时刻到t时刻数值的情况下第i次从重要性分布中抽样过程中,在重要性分布中取到0时刻到t时刻xt数值的概率;
根据重要性权重更新公式进行重要性权重更新,所述重要性权重更新公式为为第i次从重要性分布中抽样过程中,t时刻样本的权重,为第i次从重要性分布中抽样过程中,t-1时刻样本的权重;
根据重要性权重归一化公式对更新后的重要性权重序列进行归一化;所述重要性权重归一化公式为:式中,为归一化后第i次采样中t时刻重要性权重,N为总的采样次数;
根据计算xt的最小均方误差;其中:式中,表示xt的 最小均方误差,xt表示t时刻电力景气指数向量;
根据对所述电力景气指数原始模型进行更新,得到电力景气指数线性模型,所述电力景气指数线性模型为:
xt=Stxt-1+ut,t=1,...,T
其中:Zt为t时刻xt的系数矩阵,et为t时刻电力景气指数向量MMSE估计与实际值间的误差。
作为一个实施例,上述et=εt+dt,t=1,...,T,
其中,εt,dt是k×1维向量,k为yt对应的消耗量类别数,εt是连续的不相关扰动项,满足均值为0,协方差矩阵为Ht,即E(εt)=0,var(εt)=Ht,dt是除去εt以外et剩余的部分。
上述ut可以表示为:
ut=Rtηt+ct,t=1,...,T,
其中,Rt是q×g矩阵,为ηt的系数矩阵,q为向量xt中元素个数,q可以设置为1,g为ηt的列数,一般事先给定一个较大的初值(大于k),根据估计结果筛选(即将计算后ct为0的部分去除)。而ηt是g×1维向量,是均值为0,协方差矩阵为Qt的连续不相关干扰项,即E(ηt)=0,var(ηt)=Qt。ct是q×1维向量,为ut-1中除去连续不相关干扰项以外剩余的部分。
上述电力景气指数线性模型还可以表示为:
xt=Stxt-1+Rtηt+ct,t=1,...,T
上述电力景气指数线性模型满足下列假设条件:
(1)初始状态向量x0的均值为x0,协方差矩阵为P0,即E(x0)=0,var(x0)=P0;
(2)所有时间区间上,扰动项εt与ηt相互独立,且与初始状态不相关,即
E(εtη's)=0,s,t=1,...,T
E(εtx'0)=0,E(ηtx'0)=0,t=1,...,T。
确定模块30,用于根据电力系统的各类消耗量对电力景气指数线性模型进行卡尔曼滤波,确定电力系统对应的电力景气指数。
在一个实施例中,上述确定模块进一步用于:
设置Ψ1|0,其中为已知0时刻时1时刻x取值的条件估计值,Ψ1|0为已知0时刻时1时刻实际值与估计值间误差的协方差矩:
设定已知xt-1时的估计值以及xt-1和之间误差的协方差矩阵Ψt-1,其中, E[]表示求期望值;
根据所述和Ψt-1确定xt的条件分布均值,其中,表示已知时估计的xt条件分布的均值,
计算Ψt在已知Ψt-1时的条件分布均值Ψt|t-1,Ψt|t-1=StΨt-1St'+RtQtRt',t=1,...,T,上标’表示对相应的转置矩阵,
根据Ψt|t-1、yt构建更新方程组,所述更新方程组为:
Ft=ZtΨt|t-1Zt'+Ht,t=1,...,T,
其中,T表示时刻综述,上标-1表示对矩阵求逆;
通过求解更新方程组确定
将的取值确定为电力系统对应的电力景气指数。
本发明提供的电力景气指数检测系统与本发明提供的电力景气指数检测方法一一对应,在所述电力景气指数检测方法的实施例阐述的技术特征及其有益效果均适用于电力景气指数检测系统的实施例中,特此声明。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技 术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。