关键字 |
| 神经网络，模糊逻辑，负荷预测。 |
介绍 |
| 电力系统远景负荷需求预测是电力系统规划中最关键的环节。电力系统的发电、输配电能力严格依赖于对系统能量和负荷的精确预测。电力系统的扩容规划始于对未来预期负荷需求的预测。需求和能源需求的估计对于有价值的系统规划是至关重要的。“预测”一词指的是通过一个系统的过程，以足够的定量细节确定未来的负荷，从而作出重要的系统扩展决策，从而确定预计的负荷需求。能源管理系统要求准确的负荷预测，而短期负荷预测能提供更好、更真实的结果。 |
| 目前业界对电力负荷进行预测的方法有很多种。预测铸造可以根据时间段进行。长期预测，在这种类型的预测中，预测周期很长，可能是10年。维修计划、燃料供应计划等都需要进行中期负荷预测。中期负荷预测涵盖几个星期的时间。它提供峰值负荷和每日能量需求。另一种预测是短期预测。短期预测给出了准确的负荷需求预测值。这种短期预测包括对一个星期的短期负荷的预测。目前讨论的方法是短期负荷预测。 A number of methods and techniques have already been worked out for prediction of load such as Artificial Neural Networks (ANN), Fuzzy Logic, and Regression Methods etc. Among all these Neural Networks are having the properties of sluggish convergence time and deprived ability to process a large number of variables at a time. In a power system with large geographical area, the weather and electricity demand diversity across the entire area is a key issue that influences the forecasting accuracy. In general the load will fluctuate more based on the weather conditions of the area. These weather conditions give the non linear behavior of the load. In day times the load is different from the night times, also in the week days and the normal days, the seasons will highly effect the load variations. |
2的工作 |
| 本文提出了一种基于模糊逻辑的短期负荷预测方法，并以不同的方式提出了利用人工神经网络进行短期负荷预测的方法。本文尝试用模糊逻辑的方法开发出部分完整的、通用的软件，用于工业、科研院所、住宅小区等民用及商业领域的电力负荷预测。输入参数为:当天最低温度、最高温度、季节、日容量、降雨、日照强度(多云)。一天的最低温度是工作时间开始时的温度。所有这些参数都作为模糊系统的输入，输入首先在必要的值限制下进行模糊化。使用已经存储在数据底部的先验数据(历史数据或启发式知识)进行演绎。规则库是根据各种输入的隶属函数来遵循启发式知识。如图1所示，在[0-1]范围内建立不同输入参数的隶属度，然后去模糊化以获得清晰的输出，然后将其降比例到所需的单位和范围[8]，[10]。 |
| 本部分的主要工作是收集学校的负荷工况数据，并通过保留一些测温设备对温度工况进行测量，找出温度工况。 |
3历史数据和关键因素 |
| 在数据库组织系统(DBMS)中存储了过去几年贡献参数的高质量数据，以便进行准确的负荷预测。短期负荷预测主要取决于后续情况: |
| •一天内的电力使用情况 |
| 温度和天气条件 |
| 虽然一天的容量可以定义为工作日或非工作日(周末或节假日)。但根据这一点，周末和假期被归入类似的类别，在这些时间里没有工作或可以忽略不计的工作。另外还考虑了一个特殊的日子。这类工作是在一天中通常的8个工作小时之后完成的(意思是工作完成了9个小时)。in a day表示一个完整的正常的一天和1小时。(特别的一天)或9小时。根据工作的类型而定。我们曾考虑ASTU的工作时间分为两种。一是基于学生的学习过程。首先，我们只考虑教学课程，包括理论和教程。 The power consumption equipments are lights, projectors, and fans. And second session is practical sessions, which includes labs and workshops. |
| 工作类型(理论或实践) |
| 日延伸 |
 |
| 决定气候环境的两个主要因素是不同的——沉闷和/或多雨的天气。多云天气对日照强度有重要影响，云层越多，日照集中程度越低，电能利用率越高。这些因素在某种程度上与一天的最低温度和最高温度有关。事实上，在相同的工作能力但不同的气候条件下，两个工作日之间可能存在对比;这两天的负荷强迫症会有所不同。这也可能发生在两天内，一个是运行的，另外一个是不工作的，在不同的天气条件下，消耗的负载是相同的。 |
四、负荷预测 |
答:模糊性 |
| 模糊化是使一个清晰的量变得模糊的过程。要做到这一点，我们只需认识到，许多我们认为清晰和确定的量实际上根本不是确定的:它们带有相当大的不确定性。如果优柔寡断的形式恰好是由于不精确、歧义或模糊而产生的，那么变量可能是模糊的，可以用隶属函数表示。在现实世界中，像数字电压表这样的硬件会产生清晰的数据，但这些数据会受到实验误差的影响。模糊语言变量用来表示作为模糊集成员的各种输入和输出参数。为了有序表达的模糊性，本文创建了一个模糊子集的协议，作为隶属函数[9]的不同输入和输出的总对话域。隶属函数可以是对称的，也可以是非对称的。它们通常在一维宇宙中定义，但它们当然可以在多维(或n维)宇宙中描述。几个输入和输出之间的关联可能是非线性的，但线性隶属函数已被用于直接性，只有季节的隶属函数是完整的脊形隶属函数，如gbell mf, gauss mf和gauss2mf。如图2所示。 |
| 当天的最低温度和最高温度表示为模糊子集[Very Low (VL)， Low (L)， Medium (M)， High (H)， Very High (VH)]。 |
| 日容量的语言变量为[Minimum (min)， Very Low (VL)， Low (L)， Medium (M)， High (H)， Very High (VH)， Maximum (max)]。 |
| 日容量的模糊子集为[Very Low(VL)、Low(L)、Normal (N)、High (H)、Very High (VH)]。 |
| 季节的模糊子集以季节的名称命名为[春、夏、秋、冬]。 |
| 降雨预报由模糊子集[无雨，毛毛雨，正常降雨，大雨]给出。 |
| 同样，输出因子负载也被分配为具有隶属函数的模糊子集[最小(min)，非常低(VL)，低(L)，中(M)，高(H)，非常高(VH)，最大(max)]。 |
| B.模糊规则库 |
| 这是模糊系统的一部分，启发式知识以“IF-THEN类型”规则的形式存储。该规则库将信息发送给模糊推理系统(FIS)，通过推理机制对嵌入在模糊规则库中的信息进行数值计算，从而得到输出。规则如下: |
| 如果(最小温度为M)，(最高温度为L)，(白天光照强度(云层)为VH)，(季节(天数)为夏季)，(正常降雨)则(输出负载为H)。 |
| 如果(最低温度为H)和(最高温度为H)和(白天光照强度(云)为L)和(季节(天数)为秋季)和(雨是毛毛雨)然后(输出负载为H)。 |
| 如果(最低温度为VL)和(最高温度为VL)和(白天光照强度(云)为H)和(季节(日数)为冬季)和(雨为NO_RAIN)然后(输出负载为Max)。 |
| 如果(最小温度为H)，(最高温度为H)，(白天光照强度(云)为L)，(季节(天数)为春季)，(雨为NO_RAIN) THEN(输出负载为M)。 |
| 如果(Day Type (Day Capacity)为MIN)和(Season (Day Number)为SUMMER) THEN (Output Load为MIN)。 |
| 表1显示了2005年6月处理和计算的数据的实际负荷、预测负荷以及预测负荷的%误差(欧洲)。本研究的%误差计算为 |
 |
| 与实际负载相比，预测负载的最大百分比误差为4.04814%，计算的最小百分比误差为-0.38425%。之所以显示10月份的预测负荷，是因为这是埃塞俄比亚Adama科技大学工作会议的中期。此外，季节的变化也发生在这段时间。 |
| 这两种结果以图形方式进行了比较，如图3所示，显示了表1中给出的同一会话的实际和预测负载的微小变化。 |
六、拟议的计划 |
| 一种技术本身并不一定能产生好的结果，但它也可以与其他方法合并或补充。利用带有模糊逻辑的人工神经网络(ANN)对其中一些值进行了实验，误差略有降低，但由于缺乏最优训练的网络，结果不一致。在该方案中，只要人工神经网络是经过训练的网络，就可以在不同的配置中加入模糊逻辑以获得更好的结果。虽然人工神经网络计算速度慢，不能处理大量阶段(隐藏层)的大量输入[4]，[7]。将人工神经网络加入模糊逻辑的两种方式如图4和图5所示。 |
表格一览 |
 |
| 表1 |
|
|
数字一览 |
|
|
|
参考文献 |
- 彭廷生，苏佩林，K。李志强，“宽带电力线通信网络中共模电流传输的建模与分析”，《电力传输学报》，Vol. 23, No. 1, 2008, pp.171-179。
- M. Mlynek, M. Koutny, J. Misurec，“电力线建模在PLC通信系统中的应用”，国际通信学报，第1期，第4卷，2010,pp.13-21。
- Holger philips，“高频电力线信道的性能测量”，国际PLC会议，1998,pp。229 - 237。
- Manfred Zimmermann和Klaus Dostert，“电力线信道的多路径模型”，《IEEE通信学报》，第50卷，NO. 1。4, 2002年4月，第553-559页。
- Stefano Galli和Thomas Banwell，“室内电力线通道建模的新方法-第二部分:传递函数及其性质”，《电力传输学报》，第20卷，第1期。3, 2005年7月第1869-1878页。
- Vinay Kumar Chandna和Mir Zahida，“不同拓扑结构对电力线上宽带性能的影响”，IEEE电力传输学报，卷。25，第4期，2010年10月，页2371-2375。
- Gerardo Laguna和Ricardo Barr´on，“室内电力线通信信道建模的研究”，电子工程学报，2008,pp.163-168
- 张勇，“基于网络拓扑结构的宽带室内电力线信道建模”，智能电网学报，2011,pp. 229-235。
- Sami Barmada，成员，IEEE, Antonino Musolino, Marco Raugi，“时变电力线通信信道响应评估的创新模型”，IEEE通信选择领域，Vol. 24, No. 7, 2006 pp.1317-1326
- Shabana Mehfuz, Abhishek Sinha和Mini S. Thomas，“基于宽带电力线通信的变电站室内电力线建模”，TENCON, Hyderabad, 2008, pp.1-4。
- 刘尔，高阳坡，奥萨马·比拉尔和Timo Korhonen，“室内电力线信道的宽带特性”。IEEE国际通信会议2005,VOL 2, pp. 901-905。
- Andrea M. Tonello，郑涛，“宽带PLC统计信道建模的自底向上传递函数生成器”，2009,pp.7-12。
|
菜单
