[发明专利]一种基于人工神经网络的城市电网馈线负荷构成辨识方法

说明书

技术领域

本发明涉及一种电网馈线负荷构成辨识方法，具体涉及一种基于人工神经网络的城市电网馈线负荷构成辨识方法。

背景技术

电力系统大型馈线节点负荷的构成与终端用户用电行为特征、周期和习惯相关，总是随着季节、日期以及外部环境持续变化从而影响整个系统负荷的动态用电特性并对电网形成扰动。通过需求侧管理将高峰时段的负荷转移至低谷时段将有利于发用电的平衡，但管理政策的规划和制定如动态电价机制设计需要清楚不同供电节点负荷的构成，从而有效评估馈线节点负荷柔性和可调度潜力。

在负荷构成辨识方面国内外学者已开展了大量研究，主要包括侵入式负荷监测(intrusive load monitoring,ILM)和非侵入式负荷监测(nonintrusive load monitoring,Non-ILM)。ILM依赖于用户对设备运行、电量消耗、电费支出以及智能电表用电情况等日常用电行为的记录数据，需要在用户侧安装实时监测设备。而为不同用户的所有用电设备广泛安装测试设备是非常昂贵的，也会造成数据存储和分析的维数灾。Non-ILM依赖于负荷信号的高分辨率，如电流波形、扰动后动态负荷响应、瞬时功率或有功变化，广泛应用于居民公寓或用电功率较小时的非侵入式负荷监视。然而，对于大型用户或电力系统负荷馈线节点(用电功率往往高达MW或GW)，这种通过检测增量变化的模式难以分离出发生变化的负荷类型及设备。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于人工神经网络的城市电网馈线负荷构成辨识方法，本发明有效辨识大型馈线节点不同建筑负荷构成，有助于预测馈线节点负荷动态特性、评估需求响应潜力，为制定合理的需求响应政策和机制奠定基础。

为了实现上述发明目的，本发明采取如下技术方案：

一种基于人工神经网络的城市电网馈线负荷构成辨识方法，所述方法包括：

(1)搜集对应气候区典型建筑负荷的设备构成、历史用电信息和气象信息；

(2)建立各类典型建筑的用电负荷模型；

(3)基于待辨识馈线负荷曲线对应的日期和气象信息，生成各类典型建筑负荷对应时段的负荷曲线；

(4)采用BP人工神经网络算法对所述待辨识馈线负荷进行负荷构成的辨识。

优选的，所述步骤(3)中，所述待辨识馈线负荷曲线是由待评估馈线周负荷曲线和可辨识负荷的负荷曲线相减取得。

优选的，所述步骤(4)中，包括如下步骤：

步骤4-1、网络初始化，给各连接权值赋初值、计算精度和最大学习次数，设置k＝0；

步骤4-2、生成的n类典型建筑周负荷曲线和相应气象信息，利用蒙特卡洛抽样构成馈线节点周负荷曲线，并形成三层BP网络结构，包括输入层、隐含层和输出层；

步骤4-3、利用网络期望输出和实际输出，计算误差函数对输出层各神经元的偏导数，利用隐含层到输出层的连接权值和隐含层的输出，计算误差函数对隐含层各神经元的偏导数；

步骤4-4、用输出层各神经元和隐含层各神经元的输出来修正连接权重，利用隐含层各神经元和输入层各神经元的输入来修正连接权重；

步骤4-5、计算全局误差；

步骤4-6、如果学习次数大于等于设定的最大次数m，终止计算；如果学习次数小于设定的最大次数，进入步骤4-7；

步骤4-7、如果网络误差满足要求，终止计算；如果不满足，k＝k+1，转到步骤4-2。

优选的，所述步骤4-2中，所述馈线节点周负荷曲线、所述典型建筑周负荷曲线和相

应气象信息为网络的输入变量，每类典型建筑负荷的数量为输出变量。

优选的，所述步骤4-3中，所述误差函数是反映神经网络期望输出与计算输出之间误

差大小的函数，第k次样本计算公式如下：

其中：d_o(k)为第o节点的期望输出值，yo_o(k)为第o节点计算输出值，q为输出层神经元个数；

所述计算误差函数对输出层各神经元的偏导数，公式如下：

yo_o(k)＝f(yi_o(k))

计算误差对隐含层各神经元的偏导数为：