本发明属于三相不平衡负荷调整技术领域,具体涉及一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法。
背景技术:
我国配电网自动化程度低,单相负荷多,尤其农村地区,电力用户繁杂且疏于规划,单相负荷分配不均衡,配电台区存在严重的三相负荷不平衡问题。当前,国内外治理三相负荷不平衡问题的方法主要有:无功补偿装置投切电容器组;相间电容转移有功功率;换相开关装置调整负荷等。其中,静止无功发生器和相间跨接电力电容器等无功补偿装置,未从根本上解决三相负荷不平衡问题;负荷自动调相装置价钱昂贵且控制终端与换相开关之间通信复杂,难以在配电台区中推广应用;人工调相操作具有一定的延时和滞后性。综上所述,目前三相不平衡负荷调整存在运维成本高,时间滞后等问题。
随着智能算法发展逐渐成熟,基于聚类分析和支持向量机算法的负荷预测,能够精确预测出未来一段时间内负荷的用电数据,遗传算法在电力系统最优方案筛选方面的应用较为广泛。然而,这些技术在三相不平衡负荷调整方面却鲜有应用。
技术实现要素:
本发明针对传统配电台区在治理三相不平衡时,忽视了换相对负荷的影响,换相开关寿命以及配电台区的经济性等问题,提供一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法。
为实现上述技术目的,本发明采取的技术方案为:
一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法,包括以下步骤:
s1:采用k-means算法对历史日负荷进行聚类,利用支持向量机对已经做过统计归类处理的历史数据进行短期负荷预测;
s2:计算对应配电变压器运行时三相负荷电流的不平衡度;
s3:建立以配电台区三相电流不平衡度最小,换相开关切换次数最少为目标的最优换相策略目标函数;
s4:通过遗传算法获得最优的换相方案。
为优化上述技术方案,采取的具体措施还包括:
上述的步骤s1包括以下步骤:
s11:将待预测时刻相关的所有历史数据进行预处理,即每条历史数据中依次包括时刻、负荷、温度、压强、湿度等气象因素,将所述历史数据输入至样本集中;
s12:设定聚类数k,依据气象因素将数据进行聚类分析;
s13:依据聚类结果筛选出与待预测时刻气象因素相似的历史数据集作为训练样本;
s14:利用支持向量机算法完成负荷的训练与预测。
步骤s12所述聚类分析方法为:气象数据相似度高的归于同类,而不同类间气象数据具有较大差异;聚类效果与同类内气象数据的相似度成正比,与类间的相似度成反比关系。
上述的步骤s12具体包括以下步骤:
(1)假设x={x1,x2,x3…,xn}是由n个m维待分类样本构成的数据集,其中xi∈rm,从数据集中选出k个样本作为初始聚类中心;
(2)计算数据集中所有点到k个聚类中心欧式距离的大小,距离越小相似度越高,将相似度较高的样本聚类为一类;
(3)每个簇cj代表一类,nj代表j簇中所含样本数量,重新确定出k簇样本中的中心样本οj:
(4)计算各簇中心外样本到其中心样本οj的总距离平方和s:
当s取得最小值且聚类中心不再发生变化,则聚类结束。
步骤s14所述预测函数为:
式中,符合mercer条件的核函数为:
通过控制核函数以及平衡系数c和三相电流不平衡度ε完成支持向量机算法非线性回归预测。
步骤s4所述换相策略的目标函数记为式(11):
m=min{(ε,t)}(11)
式中,三相电流不平衡度ε由馈线电流计算得出,计算公式如下:
其中,
换相开关调整的次数t计算公式如下:
其中,n为配电台区装设换相开关用户数,|δsy|为开关换相前后状态相序向量差的模值。
本发明具有以下有益效果:
本发明提出一种新的配电台区三相负荷不平衡治理方法:采集配电台区各用户历史负荷数据,利用k-means聚类算法将待预测日各时刻按气象因素进行分类,然后建立支持向量机模型对负荷用电量进行预测,预测结果出现严重的三相负荷不平衡问题,将提前调整负荷相别,防止三相不平衡问题的发生。避免了因未能及时调整负荷,加剧三相负荷不平衡程度的后果,同时减少了线路损耗,延长了换相开关的使用寿命,提高了配电台区的经济性及供电可靠性。
附图说明
图1是本发明的负荷预测流程图。
图2是本发明的遗传算法换相寻优流程图。
图3是本发明实施例2016年9月11日负荷预测结果。
图4是本发明实施例三相电流不平衡度适应度函数收敛曲线。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
1本发明的负荷预测原理
本发明的一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法,利用负荷预测结果对配电台区三相不平衡度提前进行预判,这要求相当高的负荷预测精度。由于短期负荷预测受温度、气压等气象因素影响,因此利用与待预测时刻气象因素相似的历史数据作为训练量本,是提高短期负荷预测精度的关键一步。
本发明采用先k-means聚类后svm建模的方法进行负荷预测:首先,将待预测时刻相关的所有历史数据进行预处理即每条历史数据中依次包括时刻、负荷、温度、压强、湿度等参考数值;然后将这些数据输入至样本集中,设定聚类数k,依据气象因素将数据进行聚类分析;最后,按照“近大远小”原则,依据聚类结果筛选出与待预测时刻气象因素相似的历史数据集作为训练样本,利用支持向量机算法完成负荷的训练与预测。具体流程如图1所示。
1.1k-means聚类分析
k-means算法属于典型的动态聚类法,先对所有样本点粗略的划分为k类,然后通过计算两个对象间的欧氏距离对原先粗略的划分进行修正,经过算法的层层迭代完成样本点的聚类。本发明依据气温、压强、湿度等气象因素对历史数据集进行聚类:气象数据相似度高的归于同类,而不同类间气象数据具有较大差异。聚类效果与同类内气象数据的相似度成正比,与类间的相似度成反比关系。具体步骤如下:
(1)假设x={x1,x2,x3…,xn}是由n个m维待分类样本构成的数据集,其中xi∈rm。从数据集中选出k个样本作为初始聚类中心;
(2)计算数据集中所有点到k个聚类中心欧式距离的大小,距离越小相似度越高,将相似度较高的样本聚类为一类;
(3)每个簇cj代表一类,nj代表j簇中所含样本数量,重新确定出k簇样本中的中心样本οj:
(4)计算各簇中心外样本到其中心样本οj的总距离平方和s:
当s取得最小值且聚类中心不再发生变化,则聚类结束。
1.2支持向量机
支持向量机算法(svm)提出于上世纪90年代,它在小样本、系统非线性等复杂的实际情况下应用广泛,同时克服了神经网络经验风险最小化的局限[10-11]。在样本聚类分析的基础上,利用svm进行预测可以有效提高训练的速度以及预测精度。svm原理模型如下:
假设{(xi,yi),i=1,2,…,n,xi∈rn,yi∈r}为给定训练样本集,其中xi∈rn代表变量的输入值,yi∈r对应输入变量的输出值,n为训练样本总数。支持向量机原理是将原本非线性关系的样本输入值通过非线性映射
假设y=f(x)=(ω·x)+b是输入空间至输出空间的回归函数,式中x是已知量代表变量输入值;ω∈rn代表权重,b∈r代表阈值,svm采用结构风险最小化原理来求之,具体如下:
式中,
式中,y代表预测值,f(x)代表实际值,若引入惩罚函数ξi、
由于(3)式直接求解困难,故引langrange因子和核函数,利用对偶技巧简化求解:
最终回归函数表达式可化为:
式中,
通过控制核函数以及c、ε两个参量完成svm非线性回归预测。
2本发明的基于遗传算法的换相寻优策略
遗传算法(geneticalgorithm,ga)最早由美国j.h.holland教授提出,是模拟生物在自然环境中遗传和进化过程时形成的自适应全局优化搜索算法。[13-17]遗传算法具有强鲁棒性和自适应性,高搜索能力和对目标函数依赖程度低的优点,十分适合解决换相最优解的问题。本发明在考虑换相开关并非全部覆盖所有用户的实际情况下,利用目标函数搭建最优换相数学模型,然后采用改进遗传算法筛选得出配电台区负荷最优换相方案,最大限度降低配电台区三相电流不平衡度的同时尽可能缩小开关调整次数,提高配电台区供电经济性和安全性以及换相装置的使用寿命。
2.1目标函数
本发明按照三相电流不平衡度最小和换相开关调整次数最少为标准建立目标函数,具体如下:
目标一:三相电流的不平衡度最小。三相电流不平衡度ε是衡量配电台区三相负荷平衡与否的重要指标,可由馈线电流计算得出:
其中,
目标二:换相开关调整的次数t尽可能少。换相开关的使用寿命有限,调相次数的降低可以有效提高配电台区运行的经济性。三阶方阵单位列向量分别代表换相开关投切至a、b、c相序,通过换相前后的相序状态向量可以求得换相开关调整次数,见式(10):
其中,n为配电台区装设换相开关用户数;|δsy|为开关换相前后状态相序向量差的模值。
综上,换相策略的目标函数记为式(11):
m=min{(ε,t)}(11)
2.2实现方案
改进遗传算法利用基因编码策略实现遗传编码,即基因[100]t、[010]t、[001]t分别代表负荷开关投切至a、b、c相。基因间相互依赖和互斥。装设换相开关的n个用户按照配电线路的顺序排列基因,组成染色体,即开关相序状态矩阵k。遗传操作包括交叉操作和变异操作,交叉操作采用相同位置向量基因行置换的方式,随机在两个染色体相同位置处选择断点,将断点左段相互交换,形成两个新染色体。然后进行变异操作,在随机选择出需要变异的基因后,根据基因间依赖互斥的关系以及算法的变异率使每个基因在[100]t、[010]t、[001]t三个向量之间变异,形成不同的染色体。具体流程如图2所示。
3实施例分析
3.1负荷预测数据准备
本发明实施例以安徽繁昌某配电台区2016年8月11日到9月10日整点负荷数据作为历史负荷数据进行分析。其中,每条历史负荷数据中除日期时间外还包括气温、压强、湿度等9项与气象相关的数据。预测时间为未来一天2016年9月11日整点的负荷数据。聚类分析样本数据取待预测时刻t前2小时的历史数据l(t-i)和前30天中t时刻的历史数据l(t-24j),其中i=1,2;j=1,2,3,…,30。预测前,先依据气象因素对样本数据进行聚类分析,根据聚类结果将待预测时刻所属气象类别进行归类并将该类历史负荷作为待预测时刻的训练样本。然后对训练集和测试集进行归一化处理,见式(12):
式中,x、y分别为归一化前后的数据;xmin、xmax分别为原始数据x中的最小值和最大值。
3.2负荷预测结果
实验计算环境为matlab2016blibsvm3.14。将预测前经聚类分析和仅采用支持向量机算法的预测方法进行对比并通过式(13)计算其平均相对误差值。
由图3和表1可以计算得出,单一的svm算法预测精度为4.03%,而采用聚类分析再支持向量机预测的方法平均相对误差仅为1.71%,其预测精度提高了2.33%。
表1不同方法得到的平均相对误差值
3.3换相寻优
通过上述预测方法对繁昌某配电台区2016年9月8日的负荷数据进行预测。表2为预测结果中三相负荷电流不平衡度最高的几个时刻,由表中可以看出,台区三相负荷不平衡程度随时间逐渐增高,需提前对负荷进行调整。
表2换相前电流值及其对应不平衡
通过改进遗传算法寻找负荷换相的最优解。参数设定如下:迭代次数n为50,种群数m为100,变异率为0.01。改变变异率可得如图4所示的适应度函数收敛曲线。从图中可以看出变异率为0.01时收敛效果较好。
表3为负荷调整后对应时刻各相电流值及不平衡度。对比表2,可以明显看出三相电流不平衡度大大降低,最低为6.7%,最高为14.2%。
表3换相后电流值及其对应不平衡度
综上所述,本发明提出的一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法,通过负荷预测获得各时刻的三相电流不平衡度,确定需提前进行负荷调整的时刻,然后采用改进遗传算法获得负荷最优调整方案。实施例分析结果表明本发明方法可以提前调整负荷所在相序,避免了因未能及时调整负荷,加剧三相负荷不平衡程度的后果,同时减少了线路损耗,延长了换相开关的使用寿命,提高了配电台区的经济性及供电可靠性。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。