主办单位: 共青团中央   中国科协   教育部   中国社会科学院   全国学联  

承办单位: 贵州大学     

基本信息

项目名称:
基于dART&HS-ARTMAP神经网络的电力负荷预测新方法
小类:
能源化工
简介:
电力系统安全预警管理,特别是安全预警中负荷预测的研究是公认的世界性难题。长期以来,负荷分析和预测的研究一直滞后于电力工业的发展。本作品的研究旨在获得较为精确的电力负荷预测,并提出新的神经网络——dART&HS-ARTMAP。通过对澳大利亚新兰威尔士州和维多利亚州的负荷模拟,结果显示该算法取得了较好的预测结果。本作品的研究成果已发表在国际学术期刊Energy(SCI二区,影响因子:2.952)上。
详细介绍:
1、国内外电网崩溃事件及电网安全预警管理研究的现状 美国东部夏令时间(EDT)2003年8月14日16:11, 美国、加拿大发生北美历史上规模最大的停电事故,停电区域涉及美国俄亥俄州、密歇根州、纽约州等8个州以及加拿大魁北克省、安大略省2个省。据北美电力可靠性协会(NERC)统计,此次停电事故累计损失负荷61800MW。超过5000多万人的生活受到影响。据美国经济专家预测,此次美国历史上规模最大的停电事故所造成的经济损失高达300亿美元。 自上世纪60年代以来, 世界各国均发生过因电力系统稳定破坏而导致的大面积停电事故。1996年7-8月美国西部接连2次大停电事故, 美国总统认为停电事故已“直接危及国家安全”。2003年下半年在北美和加拿大、英国伦敦、瑞典——丹麦、意大利都先后发生过大面积停电事故, 后果震惊世界。 2005年5月25日莫斯科当地时间上午10:00,莫斯科及周边4个地区发生大规模停电事故,影响地区的人口数量约为150~200 万,到26日下午6:30,所有停电用户的电力供应完全恢复。诱因是俄罗斯提前到来的夏季高温(最高可达38.4℃),导致空调负荷的快速增长,加重系统负担,恶化了系统运行条件。 2006年11月4日22 :10 分(德国时间),欧洲多国发生大面积停电事故,包括法国和德国人口最密集的地区以及比利时、意大利、西班牙、奥地利的部分地区,法国首都巴黎和德国工业重镇科隆、著名的鲁尔工业区都未能幸免。约1000 万人受到影响,损失负荷14.5 GW。 事故发生前,系统的潮流发生了不可预测的变化,E. ON 电网内的实际负荷急剧增加并与负荷预测有很大的偏差,加之网内旋转备用机组不足导致电网崩溃。 2009-11-10T22:13, 巴西全国范围内发生大面积停电, 损失负荷24.436GW, 约占巴西全部负荷的40%,受影响人口约5000 万,约占巴西总人口的26%,是近年来世界上影响较大的大停电事故之一。 近年来, 中国各大电网发生的大停电事故有100余起。在西电东送, 南北互联的条件下, 我国将形成全国联网的巨型电力系统, 如果出现电力系统重大事故, 其规模和造成的损失有可能大幅度增加。因此, 保证大规模互联电力系统的安全、稳定和经济运行是一个重大而迫切的问题, 必须作为一个重大战略问题来解决。大停电的风险时刻存在,当前,这种风险发生的概率在中国正在加速上升。 由不同容量发电机、不同电压等级和长度的输配电线路以及不同容量和特性负荷组成的电力系统是一个典型的复杂大系统, 呈现高维、非线性、时变、信息的不完全性、广域大范围跨越时空互联性的复杂特性。这个大系统的时空运行管理历来就是一个非常困难的问题。目前急需补充和完善现有的理论和方法体系,并建立有效的安全预警机制来保证电力系统安全稳定的运行。 2、电网安全预警管理中需要解决的关键问题 在美加大停电的分析中,美国专家提出加强电网安全预警管理和预测方法开发的建议,并且认为,负荷预测模型的不准确及预测工具、手段缺乏是造成停电事故的主要原因,因为未能事先提示此次事故发生的可能性。1996年美国发生2次大停电事故后,在仿真计算时发现使用原有负荷预测模型无法重现事故的过程,使得对负荷预测模型问题的研究受到了进一步的重视和推动。 (1) 负荷预测模型的分类和建模方法 根据所研究问题的不同性质和目的可按各种方式(如线性和非线性、频率相关和频率无关、机理型和非机理型等)对负荷预测模型进行分类。电力系统调度管理部门主要关心所选取的负荷预测模型是否能反映实际电力系统的动态过程,为此可将负荷预测模型分为静态预测模型和动态预测模型两种。 美国电力安全管理工作组在推荐标准负荷预测模型的报告中指出,静态预测模型适用于潮流分析,在计算结果对负荷预测模型不敏感的地区还可用于动态分析。在计算结果对负荷预测模型敏感的地区,建议在进行动态分析时使用包括感应电动机的动态预测模型。即如果采用静态和动态预测模型得出的结论基本相同则使用静态预测模型,否则应使用动态预测模型,对于一些大型事故的复算和研究证明了该方法在一定的条件下是可行的。因此电力安全管理工作组认为开发和使用动态负荷预测模型是迫切需要的。 (2) 用于电力系统动态稳定性研究的负荷预测建模 英国工程物理咨询委员会(EPSRC Grant)GR/M38179/01项目组于2002年发表的关于电力系统稳定研究负荷建模的结论性报告,该项目的研究目的是为了在电力系统高压母线上进行测量以获取综合负荷特性,并为每种典型负荷提供低阶负荷预测模型。该文献的主要内容和观点包括: (I)在建立动态负荷预测模型时会遇到无法采集到系统中所有负荷详细数据的问题,因此只能采用统计分析法有选择地对一定数量的动态负荷进行采样,确定一些重要参数的统计值,最后根据动态负荷的综合表现进行建模预测。 (II)研究负荷预测建模的另一种主要方法是以测量为基础的实测辨识法,具体包括频域方法和时域方法,在电力系统的研究中大多使用后者。 (3)电压稳定性分析中的负荷预测模型 电压稳定性分析不能简单地使用静态负荷预测模型。瑞典国家电力公司曾用静态负荷预测模型重现一些停电事故,但不能解释电压崩溃现象,由此可知低压负荷特性不遵从稳定性研究中所采用的传统的负荷特性。加拿大安大略省水力部对渥太华地区所做的电压稳定性研究表明进行精确的动态负荷预测非常重要。在研究断开一条输电线的影响时发现,采用静态预测模型和动态预测模型所获得的结果之间存在着本质性差别,前者得到的是完全错误的结论。 上述讨论表明目前还没有一个通用的规则来指导采用合理的负荷预测模型,美国电力安全管理工作组建议应着重研究负荷特性并充分利用包括动态预测模型在内的现有预测模型以改进所建模型的真实性。 目前国际上一般所采用的负荷预测模型结构是一个组合式的负荷模型(动态部分+静态部分)。同样的,该方法也存在着很多不足: ①模型的通用性问题,即由某负荷点数据建立的负荷预测模型表现出专有性,难以灵活地推广至其它负荷点。这个问题也是负荷预模型研究走向实用化的关键。②模型对负荷时变性和变结构性的适应问题,基于实测数据所建模型可以较好地描述当时的负荷行为,但难以描述随时间、季节、气候变化后的负荷行为。也就是说,基于实测数据所建模型仅能准确描述实测数据所采集那一刻的负荷行为。而不能适应其它。 当我国进入大区电网互联阶段时,负荷预测模型对系统稳定计算结果的影响问题变得非常突出。在东北----华北交流互联系统的安全稳定分析中,第一次发现采用不同负荷预测模型进行仿真计算时,东北网内部一重要断面稳定极限计算结果相差很大。 由于无法判断哪种负荷预测模型更能反映出东北电网负荷的实际特性,因此对计算结果的准确与否缺乏判断,最终给系统安全预警及控制管理措施的选择造成了困难。随着全国联网工作的不断深入,建立能真实反映特定电网负荷特性的预测模型已成为当前迫切需要解决的问题。 综上所述,电力系统安全预警管理的好坏取决于所采用预测模型的准确性,通过电力工作者的不懈努力,发电机组和输电线路的调度管理已经相对成熟。与此相反,电力安全预警管理中所采用的负荷预测模型却相当简单,往往只能从基本概念出发采用理想化模型。这种粗糙的负荷预测模型与精确的电力调度很不协调并成为提高整个电力系统可靠性的瓶颈。上世纪七十年代以来的大量研究使负荷建模预测取得了一定的进展,但离问题的解决仍有一定的距离。目前电力系统安全预警管理中的负荷建模预测与分析仍然是电力界公认的世界性难题。 3、电网安全预警管理中的负荷预测问题的研究 近年来我们一直致力于电网安全预警管理的研究。但是负荷的预测研究,尤其是特殊情况下的冲击负荷预测研究比较困难,在国内外几乎很少开展。2003年8月14日美国发生了有史以来最大规模的电网崩溃事件以后,人们才对特殊情况下冲击负荷产生的危害性有了深刻的认识,并随着电力系统自动化程度的不断提高,负荷采集、传输与监测系统的不断完善,为电网安全预警管理提供了可靠、快捷的信息。从而也为异常负荷数据的检测、挖掘与预测提供了可能性。 在电网实际运行管理中我们研究发现,许多冲击负荷或尖峰负荷是与季节性或突发事件相联系的,它们一般在很长一段时间内(几个月或几年以上)才能显示出它的周期性规律,并且信息量较少, 电网管理人员容易忽视。但是该类负荷对电网危害极大。例如: 发生在2003年8月14日的美国及加拿大的大停电事故虽然原因尚未完全查明, 但下午4时是纽约地区温度最高时期,冷汽机、空调等用电负荷约占总负荷的30%,用电量急剧增加,冲击负荷估计不足加之美国与加拿大的输电线路遭受雷击,频率下降迅速造成电网崩溃. 在同一个地区1996年7月~8月连续发生了两起类似的电网崩溃事件,起因都是由炎热的气候引起的。 因此对该类冲击负荷或中、 长期尖峰负荷的研究是非常必要的,它是保证电网安全运行的前提条件。 在实际电网运行中,由于发电机的随机停运、用电负荷波动、线路故障等,都会破坏电力系统的平衡状态,出现有功功率的严重不足,严重时甚至造成电网崩溃,通过我们的研究发现主要表现为以下三个方面: 第一 在负荷密度大的电网中,由于负荷增长(早、晚高峰)或输送功率大量增长而引起电压不稳定,经历较长时间后,往往进一步引起连锁跳闸而导致电压崩溃,例如法国和日本东京的电压崩溃事件。这种实际运行中发生的虽然是个别的但其后果极为严重的电网崩溃现象。 第二 电网低频切负荷是保持电网稳定运行、防止系统崩溃的最后一道防线。从1996年以来国内外电网事故解列的后果可以看出,如果电网解列后低频减载装置存在较大的问题,电网内由于负荷的突然剧增,而严重缺乏有功功率时,频率可能严重下降甚至崩溃。 第三 如果电网攀峰响应能力不足难以应付网内负荷波动,则有可能造成电网崩溃。我国是以火电为主调峰的,对峰谷差达到最高负荷的1/3以上的情况一般系统已能应付,但在负荷水平高位急速攀升或低位急速下降时,则调峰响应能力不足。在纯火电电网内,负荷高位陡升的最高速率在每分钟三百分之一峰荷左右。随着经济的发展这种速率增长很快,当它升高到每分钟二百分之一峰荷时,现有投运机组集合的响应能力将难以保证稳频爬峰。 (1)传统上要解决上述问题必须从以下两个方面着手; 第一 必须加大有功热备用(即旋转备用容量)。在通常的电力系统运行方式下,旋转备用机组的裕度都是按尖峰负荷水平进行安排,一般情况为最大负荷的2%~5%,大系统采用较小数值,小系统采用较大数值。如果为了提高供电可靠性就必然要加大旋转备用容量的投入量,但这又势必会造成生产成本的提高。据初步统计,中国全年的用电尖峰大部分集中在夏季大负荷时期的十几个小时内,为此而无限制地增加装机容量的投资是不科学、不经济的。 第二 进行大规模的电网改造。规划设计电网结构时,为了避免发生严重事故(考虑实际可能的多重事故),防止因负荷转移引起的恶性连锁反映。这时不仅要考虑N-1运行管理方式,还要考虑N-2甚至更严重时的运行管理方式,这又势必造成电网投资的增加。这在我国现有经济条件下是不可能做到的。 鉴于以上情况,我们在电力负荷预测中做了大量的研究工作,并取得了实质性的进展。在参阅了大量的文献之后,我们仔细分析了已有的电力负荷预测方法,Box&Jenkinks方法,ARMA模型,Kalman滤波法,支持向量机等等,之后我们决定从自适应共振理论映射神经网络着手,这是1992年数学家、物理学家、神经学家Grossberg提出的一种全新的极为优秀的神经,几乎堪称完美。在经过学者们仔细的分析之后发现,自适应共振理论映射可能会出现增值的问题。为了解决这个问题,科学家们做了大量的工作。我们的想法是用一种新的神经网络来做分布式压缩编码,然后再去训练和预测。从这个角度出发,我们提出了新的神经网络——分布式自适应共振理论&超球自适应共振理论映射(dART&HS-ARTMAP)。通过对澳大利亚新兰威尔士州和维多利亚州的负荷数据模拟,并与经典的改进之后的BP神经网络和单独的HS-ARTMAP(2006年提出)进行多角度对比,结果新的神经网络方法具有精度高,结果稳定等一系列优点,运算时间上比BP提高一个数量级,比HS-ARTMAP提高了一倍。 本作品的研究成果已发表在国际学术期刊Energy(SCI二区,影响因子:2.952)上。申报者为该论文第一作者。

作品图片

  • 基于dART&HS-ARTMAP神经网络的电力负荷预测新方法
  • 基于dART&HS-ARTMAP神经网络的电力负荷预测新方法
  • 基于dART&HS-ARTMAP神经网络的电力负荷预测新方法
  • 基于dART&HS-ARTMAP神经网络的电力负荷预测新方法
  • 基于dART&HS-ARTMAP神经网络的电力负荷预测新方法

作品专业信息

撰写目的和基本思路

目的:本作品通过构建一种精度高、预测结果稳定、算法效率高的神经网络电力负荷预测新方法,为电网的安全预警管理提供可靠、快捷的信息。 基本思路:基于两种优秀的神经网络dART和HS-ARTMAP,本作品提出了一种新的神经dART&HS-ARTMAP,其具有快速、稳定的学习能力和良好的编码压缩、抗噪声能力。利用新提出的神经网络,本作品进行了多地区、多周期的电力负荷预测,并与多种方法进行了对比。

科学性、先进性及独特之处

1、本作品提出了一种新的神经网络,这种神经网络具有函数逼近精度高、预测结果稳定、运行时间短等优点。 2、HS-ARTMAP神经网络处理的是经神经网络dART处理过的压缩数据。这提供了一种快速运算的思路,在理论上是一种创新。 3、方法的验证上,本作品进行了多角度的负荷预测与对比——澳大利亚新兰威尔士州和维多利亚州的负荷预测;单周期和多周期的负荷预测;BP和HS-ARMAP神经网络的预测。

应用价值和现实意义

1996年美国接连发生2次大停电事故, 损失惨重。美国总统认为“停电事故已直接危及国家安全”。近年来,我国将形成全国联网的巨型电力系统, 如果出现电力系统重大事故, 其损失可能大幅增加。因此保证电力系统的安全、稳定运行是一个重大的问题。该作品的完成对电网安全管理提供了可靠的保证,也为国家智能电网的建设提供了理论上的支撑。

学术论文摘要

基于自适应共振理论,本文提出了一种新的神经网络模型——分布式自适应共振理论&超球自适应共振理论映射,并将其应用到电力负荷预测中。自适应共振理论拥有快速的学习能力,多层感知机能抗噪声,具有很强的编码能力,分布式自适应共振理论是上述两种神经网络的结合;似径向基神经网络使用超球基替代高斯基,超球自适应共振理论映射是似径向基神经网络和似自适应共振理论的结合,它在函数逼近的问题中具有增强的学习能力。在我们的模型中,超球自适应共振理论映射接收经过分布式自适应共振理论处理过的压缩的分布式数据,这样来解决自适应共振理论映射建筑经常碰到的增值问题。澳大利亚新南威尔士州和维多利亚州的电力负荷数据被用来验证我们的方法,通过与经典的反馈神经网络和单独的超球自适应共振理论映射的对比,模拟结果显示我们的方法具有精度高,速度快等一系列优点。

获奖情况

本作品研究论文英文稿《An efficient approach for electric load forecasting using distributed ART&HS-ARTMAP neural network》已于2011年2月在国际学术期刊《Energy》(SCI二区,影响因子2.952)正式发表。

鉴定结果

参考文献

[1]Mara Lu cia M. Lopes, Carlos R. Minussi, Anna Diva P. Lotufo. Electric load forecasting using a fuzzy ART&ARTMAP neural network. Applid Soft Computing. 5 (2005) 235-244 [2] Carpenter, G. A.. Distributed learning, recognition, and prediction by ART and ARTMAP neural networks. Neural Networks. 10 (1997) 1473-1494 [3] Mu-Chun Su, Jonathan Lee, Kuo-Lung Hsieh. A new ARTMAP-based neural network for incremental learning. Neurocomputing 69 (2006) 2284-2300 [4]Carpenter, G. A., Grossberg, S., Markuzon, N., Reynolds, J. H., Rosen, D. B.. Fuzzy ARTMAP: A neural network architecture for incremental supervised learning of analog multidimensional maps. IEEE Transactions on Neural Networks. 3 (1992) 698-713

同类课题研究水平概述

电力负荷预测的研究已经引起了广泛的关注,比如已经提出的预测方法有Box&Jenkins方法,ARMA模型,Kalman滤波法,支持向量机等等。考虑到电力负荷波动具有非线性的特征,而神经网络具有非线性映射,并行计算等优点,本作品集中精力研究了神经网络的方法。最早的经典预测类网络为三层反馈神经网络(BP),Bakirtzis首先在1996年应用这种方法进行电力负荷预测,但是这种方法是非在线的,收敛速度很慢,并且一旦训练数据发生改变,就得丢弃已经训练好的网络而重新训练。自适应共振理论(ART)很好的解决了这一问题,这种新方法是基于自适应的竞争类神经网络的,只有当输入的向量满足警戒参数时,获胜的神经元才会响应,此时才会发生共振并更新权值,从而解决了一般的竞争神经网络中的遇到的稳定性困境可塑性困境。但是自适应共振理论是一种分类的神经网络,不能用来做预测。基于自适应共振理论,模糊自适应共振理论映射神经网络(Fuzzy ARTMAP)在1992年被提出。这是一种被学者们称为几乎完美的神经。它是两个自适应共振理论的结合,在两个自适应共振理论分别对输入和输出数据做分类之后,联想记忆模块联系二者之间相互匹配的类别,从而成为一种预测的神经网络。这种神经网络具有学术上严格定义的增强的学习能力,且具有高精度、高稳定性、在线的快速学习等等一系列优点。但是科学家们后来发现这种神经网络会出现增值的问题, 即自适应共振理论分的类别可能过于庞大。围绕这个问题,一些学者也提出了一些方法,1995年提出的Gaussian ARTMAP,1997年提出的ARTMAP-IC,1997年提出的dARTMAP,2006年提出的HS-ARTMAP神经网络,但是他们的神经网络仍然会出现增值的问题,本作品的研究就是从这个角度出发的。
建议反馈 返回顶部
Baidu
map