关键字 |
| 自回归、管制环境、预测、时间序列。 |
介绍 |
| 电动汽车电力公司面对很多问题在经济和技术操作,规划和控制的电力系统的目的为了履行向消费者提供质量可靠的电能安全、经济的方式筛选最优电力系统规划和运行[1],某些优化技术应用与减少的预期成本和实现这一目标,未来电力系统负荷的知识是最重要的要求。需求预测[2]是一个术语用来定义事先预测未来负荷需求的过程,这被认为是一个主要组件的能源管理系统,大大帮助电力公司作出决定购买和生成电力、负荷开关和基础设施发展。近年来由于过去十年电力市场管制的负荷预测精度的重要性越来越明显。在没有一个最佳的负荷预测,公用事业必须面临的风险——或在日前市场采购。电力需求密切影响的气候参数,有绝对影响需求模式。每小时负荷需求参数取决于这些至关重要的作用,因此在本文中温度对负荷的影响需求包括在内。 |
| 负荷预测可以分为三种类型:长期负荷预测(LTLF)[8]认为高峰负荷和消耗能源,每年,多年前。as例如,它扮演重要角色在新电力公用事业的规划,如果负载预测不准确导致重要的财务成本,需要扩张,设备采购等中期负荷预测(MTLF)涵盖了一段一个月提前几年。它用于调度燃料供应和单位维护的目的。短期负荷预测(STLF)一个紧迫的角色为电力系统规划。它是用来提供必要的信息系统管理的日常操作和单元的承诺。电力系统是非常必要的规划者和确保控制器的需求会有足够的生成满足要求的需求。加载服务实体使用预估系统安全的目的,安排发电机维护和最具成本效益的调度计划。它会导致预防设备故障和黑色出局。短期负荷预测(STLF)[8]是指预测电力需求(或负载),每小时的基础上,从一个提前数天或168小时。在这篇文章中,负荷预测已经一段时间的一个星期。 |
负荷预测方法 |
| 有无数的负荷预测模型的经典方法和人工智能方法是可用的。 |
| 答:短期负荷预测方法 |
| 不同数量的统计[9][1]和人工智能技术开发用于短期负荷预测。他们中的一些人发现使用摘要如下 |
| 1)时间序列-时间序列预测方法[5]、[7],[8]已经使用了几十年在经济学等领域,数字信号处理,以及电力负荷预测。时间序列法是一种处理随机序列的基本方法,并广泛应用于STLF电力系统。在这种方法中,电力负荷数据视为一个随时间变动数据序列点,考虑电力负荷和温度之间的因果关系。汽车倒退[3],[4]模型(AR模型),移动平均模型(MA模型)和汽车回归&移动平均模型(ARMA模型)三个主要模型[3]。ARMA(自回归移动平均),ARIMA(自回归综合移动平均),ARMAX(与外生变量自回归移动平均),和ARIMAX(与外生变量自回归综合移动平均)是最常用的经典时间序列方法。ARMA模型通常用于固定过程虽然ARIMA ARMA的非平稳过程的延伸。ARMA和ARIMA使用时间和负载作为唯一的输入参数。因为负载通常取决于当天的天气和时间,ARIMAX是负荷预测的最自然的工具在古典时间序列模型。考虑STLF的计算速度,AR(2)模型被选中在这项工作。 |
| 2)模糊集合理论Logic-Fuzzy[10]的统治技术在人工智能(AI)和它有一个广泛的在电力负荷预测中的应用。模糊系统(FS)提供一个非常强大的解剖学近似推理,因为它试图模型人类推理过程的认知水平。FS从领域专家中获得知识,这是内部编码算法的if - then规则集。模糊逻辑[9],[10]是一个泛化的布尔逻辑用于数字电路设计。布尔逻辑下一个输入需要的真值“0”或“1”。在模糊逻辑输入与之关联的一个定性范围,可能是“小”,“中等”和“高”。模糊逻辑允许一个人(逻辑上)推断从模糊输入输出。在这个意义上模糊逻辑是各种技术的输入映射到输出(即曲线拟合)。模糊逻辑的一个重要的优点是不需要数学模型映射输入,输出和没有需要精确的输入。如此简单的调节规则,妥善设计模糊逻辑系统时可以非常健壮的用于预测经过模糊输入的逻辑处理,可以使用“去模糊化”过程产生这样的精确输出。 Fuzzy logic ,has been therefore used in this paper to improve the result obtained from regression based time series method. |
| B)温度对负荷的影响 |
| 天气对电力消费有着巨大的影响。天气和温度是重要的电力消费驱动。超过40%的最终用途能源消耗的加热和冷却的需求有关住宅和商业部门。在本节中,将关注温度虽然其他变量的影响可以以同样的方式进行分析。今年电力负荷在遵循了同样的每日和每周的电力负荷,代表《每日和每周的人类活动和行为模式,周期,一些周期性和随机变化。的意义空间冷却电负载在夏天是非常明显的。另一方面,在冬季温度和电力需求之间存在反向关系,因为空间加热的必要性。 |
时间序列模型和模糊模型 |
| 时间序列[5],[6]可以被定义为一组连续的数据测量随着时间的推移,如每小时,每日或每周的峰值负载。预测的基本思想是首先建立一个模式匹配可用数据尽可能准确,然后获得使用建立模型对时间的预测价值。直到现在,还有很多预测methodswhich已经使用,分为两种基本类型:定性和定量方法。回归分析、分解方法、指数平滑法和Box-Jenkins方法的定量方法。 |
| 一)AR(2)模型 |
 |
| 在这里,日军用于确定负荷预测的准确性 |
| B)模糊逻辑系统 |
| 在负荷预测,模糊逻辑[9]不需要精确的模型相关的输入和输出和干扰。适当的选择规则和相关逻辑的方法用于预测时变得健壮。一旦逻辑处理模糊输入,一个逆过程称为“de-fuzzification”可以用来产生输出。模糊逻辑系统可以应用为LTLF SLTF以及。模糊集理论是人工智能(AI)的主导技术之一,它广泛应用于负荷预测。模糊系统(FS)提供一个非常强大的近似推理框架,因为它试图模拟人类推理过程的认知水平。FS从领域专家中获得知识,这是内部编码算法的如果,那么规则的集合。模糊逻辑是一种泛化的布尔逻辑用于数字电路设计。布尔逻辑下一个输入需要的真值“0”或“1”。在模糊逻辑输入与之关联的一个定性范围。 For instance a transformer load may be “small”, “medium” and “high”. Fuzzy logic allows one to (logically) deduce outputs from fuzzy inputs. In this sense fuzzy logic is one of a number of techniques for mapping inputs to outputs (i.e. curve fitting). Among the advantages of fuzzy logic are the absence of a need for a mathematical model mapping inputs to outputs and the absence of a need for precise (or even noise free) inputs. With such generic conditioning rules, properly designed fuzzy logic systems can be very robust when used for forecasting. Of course in many situations an exact output (e.g. the precise 12PM load) is needed. After the logical processing of fuzzy inputs, a “defuzzification” process can be used to produce such precise outputs. Fuzzy logic is therefore used in this paper to improve the result obtained from regression based time series method. |
| 模糊控制是一种控制方法应用程序中使用的模糊数学理论,确定的,不能有效控制的一些数学模型构造过程。模糊系统无论如何计算,从输入和输出的角度,这是一个非线性函数。模糊控制系统的任意非线性连续函数,是找到一个类的成员函数,模糊推理规则,解决方法,模糊系统设计可以逼近任意非线性函数。 |
| 模糊系统是一个受欢迎的计算框架基于“模糊集合理论”的概念,“模糊如果规则”和“模糊推理”。模糊推理的结构包括三个概念性组件,即: |
| 1。规则库包含模糊规则的选择。 |
| 2。数据库定义隶属度函数。这些都是用于模糊规则。 |
| 3所示。推理机制,执行推理过程在给定的规则和事实,得出一个合理的输出或结论。 |
| 有时有必要清晰的输出。这需要一个名为去模糊化的方法,提取一个脆值,最能代表模糊输出。这样清爽的输入和输出,模糊专家系统实现了一个从输入空间到输出空间的非线性映射。这种映射是通过大量的if - then规则,每一个都描述了一个当地的行为的映射。模糊逻辑开始,建立在一组用户提供的人类语言规则。模糊系统将这些规则转换成数学等价物。这简化了系统设计和计算机的工作,以更准确的表示方式和结果系统行为在现实世界中。额外的好处,模糊逻辑包括它的简单性和灵活性。模糊逻辑可以处理问题不准确和不完整的数据,它可以模拟任意复杂的非线性函数。 |
算法 |
| 回归建立时间序列模型的算法与模糊意识形态 |
| 为了证明算法,数据加载和数据对影响负荷的因素已经收集了一段359天(2012年1月1日至12月24日,2012)。的一个主要因素,国内消费者的负荷消费是温度的影响。加载和这个因素之间的关系是线性的。算法不仅要求载荷的预报值作为模糊输入数据模型也是错误的预测价值负载。提出的算法模型可以介绍如下 |
| 1.开始 |
| 2。读取加载数据和温度数据 |
| 3所示。初始化天= 1 |
| 4所示。形式包括温度的AR(2)模型 |
| 5。确定预测的负载 |
| 6。计算MAPEbetween实际和预测负载 |
| 7所示。应用模糊意识形态之间的误差最小化预测负荷的AR模型和实际负载 |
| 8。使用模糊计算预测负荷 |
| 9。计算新日军 |
| 10。检查< 7,如果是的,那么更新天=天+ 1,然后重复步骤(4),如果不去下一个步骤 |
| 11.停止 |
| STLF B)模糊逻辑方法 |
| 1)模糊化 |
| 模糊化的过程是清晰的数值转换成相关隶属度对应的模糊集。曼氏金融将接受作为它的参数脆值和返回值的程度属于模糊集MF代表。为了表达数据的模糊性,本文安排不同的输入和输出的模糊子集论域为隶属度函数完成。一些输入和输出之间的关系可能是非线性但线性隶属函数已经使用了简单性。一个三角形的隶属函数用于输入和输出。的两个输入STLF实际负荷和预测负荷。 |
| 2)模糊规则库 |
| 首先,历史数据检查和不同参数的最大值和最小值范围。这些范围的模糊化的过程中使用不同的参数,如实际负荷和预测负荷获得AR(2)模型。模糊化后,根据不同参数的负荷预测,规则是准备。这个规则是模糊系统的核心,所以最应该注意这些规则做准备。一次,准备获得规则错误在所需的时间。获得的输出与实际负荷和负荷预测的误差是用来改善未来预测的规则库。这种改善的模糊逻辑规则提高负荷预测的准确性。基于模糊集的分类器的输入即每小时负荷预测的数据获得AR(2)模型和实际负载通过模糊化的模糊推理系统。系统的模糊推理块心脏一样处理输入数据,输出预测负载。预测的推理系统完成任务的使用基于模糊规则的准备的预报员。 The accuracy of the forecast depends on the experience of the forecaster, the rules prepared by the forecaster and the number of rules prepared. After, the inference system gives output; the defuzzification block converts the fuzzified output to the crisp output which can be further displayed on a graph known as the load curve. |
| 这里,IP1代表输入1是实际的负载。 |
| IP2代表输入2从AR(2)模型预测负荷。 |
| OPL, OPM OPH代表相应的低,中,高的输出,错误。输入和输出的模糊规则即实际的负载和负载预测fuzzified使用三角形隶属函数根据给出的规则表我获得输出根据规则如图2所示 |
| 3)去模糊化 |
| 模糊推理后,我们有一个语言输出变量,需要翻译成acrisp价值。目标是获得一个清晰的数值,最能代表推断出模糊语言输出变量的值。去模糊化是这样的逆变换地图的输出模糊域回脆域。 |
| 图1显示了该工作的基本框图。基于模糊集的分类器的输入即每小时数据实际负荷和预测负荷的AR(2)给出了通过模糊化的模糊推理系统。系统的模糊推理块心脏一样处理输入数据,输出预测负载。改进预测的推理系统实现任务错误减少模糊规则库的使用准备的预测,预测的准确性取决于theforecaster的经验,规则由预报员和准备的规则数量。之后,推理系统给输出;去模糊化块fuzzified输出转换为脆输出.Fig 2显示了两个输入thetriangular成员函数作为实际和预测负荷和erroris视为输出提高负荷预测。为了处理输入的输出推理涉及六个步骤建立一个基于规则的模糊系统: |
| 1。确定输入和他们的范围和名称。 |
| 2。识别输出及其范围和名称。 |
| 3所示。创建的模糊隶属函数为每个输入和输出。 |
| 4所示。构建规则库,该系统将操作下 |
| 5。决定如何行动将执行的规则分配的优点 |
| 6。结合规则和defuzzify输出 |
结果和讨论 |
| )数据集的细节 |
| 使用的数据是50一个星期两天即359天每小时负荷需求以兆瓦(MW)从1月1日,2012年到2012年12月24日。他们是来自国家负载调度中心(SLDC),阿萨姆邦,印度同期举办,在摄氏温度数据加载数据可从区域气象中心(RMC)位于Lokpriya Gopinath Bordoloi国际机场,Borjhar、阿萨姆邦,方法是应用于短期负荷预测[6]使用状态的实时数据负载调度中心(SLDC) 359天的时间跨度来预测2012年的最后一个星期。e从12月24日至12月31日,2012年,它是在MATLAB中实现和图形绘制与数量的样本代表每小时持续一整天的x轴和相应的实际负载和负载预测y轴。 |
结论 |
| 预测[3]负荷需求与高精度需要避免能源浪费,防止系统故障。精确的负荷预测是非常重要的电力公司在竞争环境中产生的电力行业放松管制。这里,图3显示了图的实际负荷与预测负荷24小时12月28日,2012年和表2显示了日军的比较没有模糊和模糊的上个2012年。 |
| 本文预测负荷已经通过使用基于回归时间序列分析。包含温度回归模型的预测结果略有增强。此外,预测的准确性已经被发送简易预测AR(2)模型中获取的值再一个模糊推理系统。最终预测效率已经被计算平均绝对百分比误差评估实际值和预测值之间的(日军)。预测结果对整个星期开始从12月25日到2012年12月31日取得了与最低日军以类似的方式。2012年12月,from25th将于12月31日,2012年我们能够获得平均4.57%的日军没有模糊和2.49%模糊代表高度的准确性。因此,基于时间序列模型的回归和模糊的意识形态已经发现了令人满意的结果。 |
表乍一看 |
 |
|
| 表1 |
表2 |
|
|
数据乍一看 |
|
|
|
引用 |
- Moghram和s拉赫曼¢分析和评价五短期负荷预测技术,一个¢IEEE反式。电力系统,4卷,没有4页。1484 A¢1491,1989年11月。
- j . p . Rothe A . k . Wadhwani和s . Wadhwani一个¢短期负荷预测使用多参数RegressionA¢,(IJCSIS) InternationalJournal计算机科学和信息安全,卷。6、2号,2009年
- d . Papalexopoulos和t . c . Hesterberg一个¢回归的短期负荷预测方法,一个¢IEEE反式。电力系统。,vol.5,No 4,pp. 1535âÂÂ1550, Nov. 1990.
- 文学士鲍尔曼,保留时间奥康奈尔,学士克勒”,预测、时间序列、回归:一个应用的方法,”4日加州:汤森布鲁克斯/科尔,2005。
- 华盛顿特区蒙哥马利,洛杉矶约翰逊,j.s加德纳,”预测和时间序列分析,“二十。纽约:麦格劳-希尔,1990年。IEEETransactions电力系统,8卷,1号,1993年2月
- Georgr总值,弗朗西斯科·d·Galiana¢短期负荷forecastingA¢,IEEE的前夕,vol.75, 1987年12月,pp.1558 - 1573。
- m·t·哈根和s . m . Behr一个¢时间序列的短期负荷预测方法,一个¢IEEE反式。电力系统。,vol. 2, pp.785âÂÂ79, Aug. 1987
- J.Y.风扇和J.D.麦当劳,一个¢电力短期负荷预测分布的实时实现SystemsA¢AIEEETransactions onPower系统,vol.9,不。2,pp.988 - 994, 1994。
- m . Chow h .有轨电车,“应用模糊逻辑技术的空间负荷预测,“IEEE电力系统,12卷,pp.1360 - 1366, 1997。
- Kun-Long Ho Yuan-Yih Hsu Chih-Chien梁和Tsau-Shin赖,一个¢台湾电力系统短期负荷预测使用AKnowledge-Based专家SystemsA¢,IEEE电力系统,5卷,1990年11月。
|
菜单
