一种变压器视在功率预测方法与流程

1.一种变压器视在功率预测方法，属于预测技术领域。


背景技术：

2.目前，建设智能电网是电力系统建设中非常关注的方向，能够有效保证网络的安全可靠运行。此外，在电网安全运行的同时，运行经济性不可或缺。电力系统视在功率预测着眼于视在功率的实时运行状态，致力于视在功率的安全运行和数据分析，为挖掘和了解视在功率运行态势和工况提供技术基础。
3.在当前以电为主体的新型电力系统下，用电视在功率预测与多元因素相互关联，当存在设备多元数据剧烈波动、相互关联并且存在相互扰动情况下，温湿度、环境等自然因素以及分布式电源出力的不确定影响下，算法预测误差相对较大，无法满足精度较高的场景。若视在功率预测的误差较大，则会对电力调度系统的控制产生影响，导致发电、输电、配电、用电以及备用容量的不匹配，造成资源浪费，严重时会导致用户的用电需求得不到满足，发电、输电和配电设备运行效率低，严重影响了电网的运行经济性。因此，针对目前的算法在针对视在功率时间序列具有显著随机性、复杂性和非线性特征时，往往不能保证数据的精度和准确性的问题，亟待研究和开展一种基于云平台的日前视在功率预测方法及系统，使得视在功率特性能够得到准确把握，确保预测数据的准确性。


技术实现要素：

4.本发明要解决的技术问题是：克服现有技术的不足，提供一种基于云平台的日前视在功率预测方法及系统，使得视在功率特性能够得到准确把握，确保预测数据的准确性的变压器视在功率预测方法。
5.本发明解决其技术问题所采用的技术方案是：该变压器视在功率预测方法，其特征在于：包括如下步骤：s1：变压器的负荷历史数据的采集；s2：从低阶改进的岭多项式神经网络开始，进行训练并且更新权重；s3：若观测到的误差变化低于预定义阈值，则加入更高阶的前馈神经网络单元；s4：误差梯度的阈值和学习效率分别通过学习因子进行调整；s5：不断学习和更新改进的岭多项式神经网络，最后计算并输出预测值。
6.优选的，所述方法还包括，网络的整体输入是和的组合，且；其中，和是rrpnn神经网络在第和迭代的输出，是改进的岭多项式神经网络输入的维度；第阶改进的岭多项式神经网络的输出为：
；其中，是前馈神经网络单元的个数，是非线性激活函数，为第个前馈神经网络单元的输出；；其中，是相应前馈神经网络单元块中sigma单元的净和。
7.优选的，所述的相应前馈神经网络单元块中sigma单元的净和为：，其中，是输入和单位sigma单元之间的权重。
8.优选的，所述方法还包括，通过期望输出和算法预测的误差平方和完成训练，。
9.优选的，s2中rrpnn权重的更新过程和学习效率的关系如下：；；；其中，是输入和单位sigma单元之间的权重。
10.优选的，所述方法还包括，更新代表第个神经元的状态，为：；；
其中，为第个psnn的输出，是输入和单位sigma单元之间的权重。
11.优选的，所述方法还包括，是表示过去信息描述未来信息的公式，其中为：；其中，是输入和单位sigma单元之间的权重。
12.优选的，s2中的权重更新为：；；其中，表示可调节的权重，是权重的变化量，，。
13.优选的，所述方法还包括，采用平均绝对百分误差(mape)、均方根误差（rmse）和皮尔逊相关系数(ppmcc)对预测结果进行评价，；；；其中，和分别表示在时刻的预测数据和实际数据，和分别表示在时刻的预测数据和实际数据的平均值，表示在预测时间尺度上的样本点数。
14.与现有技术相比，本发明所具有的有益效果是：本变压器视在功率预测方法通过获取监测变压器视在功率的历史运行数据；构建一个由多个递增的前馈神经网络单元构成的前馈高阶神经网络；从输出层到输入层的反馈连接，通过反馈连接将输出节点的激活馈送到每个前馈神经网络单元中的求和节点；每个模块得到先前模式的结果输出，快速调整输出结果；依据预测值提供一种基于改进的岭多项式神经网络的日前视在功率预测系统，实现视在功率的日前有效预测。本发明能够有效提高日前视在功率的预测精度。
附图说明
15.图1为变压器视在功率预测方法的流程图。
16.图2为改进的岭多项式神经网络结构示意图。
具体实施方式
17.图1、图2是本发明的最佳实施例，下面结合图1、图2对本发明做进一步说明。
18.如图1所示：一种变压器视在功率预测方法，包括如下步骤：s1：变压器的负荷历史数据的采集；s2：从低阶改进的岭多项式神经网络开始，进行训练并且更新权重；s3：若观测到的误差变化低于预定义阈值，则加入更高阶的前馈神经网络单元；s4：误差梯度的阈值和学习效率分别通过学习因子进行调整；s5：不断学习和更新改进的岭多项式神经网络，最后计算并输出预测值。
19.其中，rrpnn指的是改进的岭多项式神经网络；pi-sigma的简写为psnn，指的是前馈神经网络单元。
20.具体包括如下步骤：s1.1：本发明通过某电力系统监测平台的配电变压器负荷运行数据，对配电变压器的视在功率进行预测。
21.s1.2：设置运行参数。rrpnn神经网络采用sigmoid函数作为神经元的激活函数，将122天的数据作为训练集，并将第123天的数据作为预测集，以均方误差（mse）作为损失函数，误差梯度的阈值和学习效率分别为0.1和0.05，学习因子和分别为0.05和0.8。
22.s2.1：设定和是rrpnn神经网络在第和迭代的输出，是rrpnn神经网络输入的维度；网络的整体输入是和的组合，其可以表示为：；第阶rrpnn神经网络的输出可以表示为：；其中，是psnn的个数，是非线性激活函数，为第个psnn的输出；。
23.s2.2：确定是相应psnn块中sigma单元的净和，其表达式为：，其中，是输入和单位sigma单元之间的权重。
24.s3：通过期望输出和算法预测的误差平方和完成训练：。
25.s4.1：rrpnn权重的更新过程和学习效率的关系如下：
；；；其中，是输入和单位sigma单元之间的权重。
26.s4.2：更新代表第个神经元的状态，其表达式为：；其中，；式中，为第个psnn的输出。
27.因此，是表示过去信息描述未来信息的公式，其表达式如下：。
28.s4.3：，，权重更新计算公式为：；；其中，表示可调节的权重，是权重的变化量。
29.s4.4：完成rrpnn 网络结构的构建，如图2所示。
30.s5.1：对预测结果进行计算并评价算法性能。rrpnn模型的预测结果为y，并采用平均绝对百分误差(mape)、均方根误差（rmse）和皮尔逊相关系数(ppmcc)对预测结果进行评价。mape、rmse和ppmcc计算公式分别为：；
；；其中，和分别表示在时刻的预测数据和实际数据，和分别表示在时刻的预测数据和实际数据的平均值，表示在预测时间尺度上的样本点数。
31.s5.2：本实施例中以改进的岭多项式神经网络（rrpnn）与岭多项式神经网络(rpnn)、极限学习机算法(elm) 、粒子群-岭多项式神经网络(pso-rpnn)和粒子群-极限学习机算法(pso-elm) 4个模型的变压器视在功率预测数据对比。通过表 1 可以看出，预测模型rrpnn的mape和rmse相比于 rpnn、elm、pso-rpnn和pso-elm 4个模型的数据要更小，此外相关系数ppmcc更接近1。从总体上看，本文所建立的rrpnn预测模型相对于另外四种模型，在mape及rmse上均为最小，说明其预测精度总体上要比其它四种模型高，具有更好、更稳健的预测效果。因此，结果表明本文提出的模型的预测效果更好，能够很好地预测出变压器视在功率的整体变化趋势。
32.表1五种模型的平均绝对百分误差(mape)、均方根误差(rmse)和皮尔逊相关系数(ppmcc)比较s5.3：构建基于rrpnn神经网络的变压器视在功率预测系统，实现变压器视在功率的日前数据预测。
33.本发明实施提出一种变压器视在功率预测方法，预测未来一段时间尺度上变压器的用能用电情况。本发明能够准确快速的对历史数据进行训练，得到数据的变化规律，能够有效提高数据的预测精度，实现数据的准确预测。本发明提供的方法，通过神经网络大数据学习，精确度高，实用性强，易于推广。
34.以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。