大数据分析技术的非线性谐波负荷预测
时间：2021-01-28 00:05:00 来源：达达文档网 本文已影响 人 
刘海涛 黄鸣宇 牛健
摘 要：
为了获得理想的非线性谐波负荷预测结果，设计基于大数据分析技术的非线性谐波负荷预测方法。首先分析当前非线性谐波负荷预测的研究进展，找到引起当前非线性谐波负荷预测效果差的原因;然后采集非线性谐波负荷历史数据，引入大数据分析技术对非线性谐波负荷历史数据进行建模和学习，并对非线性谐波负荷预测模型的参数进行优化，从而建立最优的非线性谐波负荷预测模型;最后在Matlab 2017平台上对非线性谐波负荷预测模型的性能进行了验证性测试，结果表明，该文方法的非线性谐波负荷预测精度超过95%，非线性谐波负荷预测的偏差明显小于当前其他非线性谐波负荷预测方法，同时加快了非线性谐波负荷预测的建模效率，获得更优的非线性谐波负荷预测结果。
关键词：
非线性谐波负荷; 负荷预测; 大数据分析技术; 参数优化; 预测建模; 验证性测试
中图分类号：
TN919?34; TP391 文献标识码：
A 文章编号：
1004?373X（2020）18?0114?04
Abstract：
The nonlinear harmonic negative based on big data analysis technology is designed to obtain the ideal results of the nonlinear harmonic load forecasting. The research progress of existing nonlinear harmonic load forecasting is analyzed to find out the reason of the poor effect of nonlinear harmonic load forecasting. The historical data of nonlinear harmonic load is collected， and the big data analysis technology is introduced to model and learn it. The parameters of nonlinear harmonic load forecasting model are optimized to establish the optimal nonlinear harmonic load forecasting model. The performance of the nonlinear harmonic load forecasting model is tested on the Matlab 2017 platform. The results show that the accuracy of the nonlinear harmonic load forecasting of this method is more than 95%， the deviation of the nonlinear harmonic load forecasting is obviously smaller than that of other current methods of the nonlinear harmonic load forecasting， the modeling efficiency of the nonlinear harmonic load forecasting is accelerated， and the better nonlinear harmonic load forecasting results are obtained.
Keywords：
nonlinear harmonic load; load forecasting; big data analysis technology; parameter optimization; forecasting modeling; verification test
0 引 言
隨着人们生活水平的不断提高，人们的用电量也急剧上升，对电力系统的稳定性和供电质量要求日益提高[1?3]。谐波会对电力系统的稳定性和供电质量产生一定的影响，因此高精度谐波负荷建模与预测对电力系统分析具有重要意义[4?5]。
最初谐波负荷预测采用线性建模方法，如多元线性回归算法，其认为谐波负荷是一种固定的变化趋势，而实际上谐波负荷与多种因素相关，具有十分强烈的非线性、时变特性，当前非线性谐波负荷预测方法无法描述其变化规律，使得谐波负荷预测的误差大[6?8]。随后人们提出基于人工神经网络的谐波负荷预测方法，其可以对谐波负荷的非线性化特点进行分析，获得了比线性建模方法更优的谐波负荷预测效果[9?11];但是人工神经网络的结构复杂，谐波负荷预测结果极不稳定，而且收敛速度慢，影响谐波负荷预测的建模效率。因此，谐波负荷预测有待进一步研究[12?14]。
为了获得理想的非线性谐波负荷预测结果，设计基于大数据分析技术的非线性谐波负荷预测方法，并通过具体实验分析了本文非线性谐波负荷预测方法的有效性和优越性。
1 大数据分析技术的非线性谐波负荷预测
1.1 聚类分析算法
聚类分析算法将数据[X=x1，x2，…，xn]划分为C类，隶属矩阵为：
1.2 支持向量机
1.3 粒子群优化算法
xi和vi为第i个粒子的位置向量和速度，pi和pg为个体和群体的当前最优位置，那么粒子状态更新为：
1.4 大数据分析技术的非线性谐波负荷预测步骤
1） 采集非线性谐波负荷的历史数据，对历史数据进行缩放处理，使它们的值处于[0，1]的区间内。
2） 采用聚类分析算法对非线性谐波负荷的历史数据进行处理，建立相应的训练样本集合和测试样本集合。
3） 采用大数据分析技术——支持向量机对非线性谐波负荷训练样本进行学习。
4） 采用粒子群优化算法确定支持向量机的非线性谐波负荷预测模型的参数。
5） 根据参数构建非线性谐波负荷预测模型，并采用测试样本分析该模型的有效性。
大数据分析技术的非线性谐波负荷预测流程如图1所示。
2 仿真实验
2.1 实验环境
为了分析基于大数据分析技术的非线性谐波负荷预测效果，搭建了一个仿真实验环境，具体如表1所示。
为了使大数据分析技术的非线性谐波负荷预测结果具有可比性，选择BP神经网络的非线性谐波负荷预测方法进行对比实验。
2.2 实验数据
为了增强实验结果的说服力，选择5类非线性谐波负荷数据作为实验对象，每一类的非线性谐波负荷历史样本数据如表2所示。
采用聚类分析算法对表2中的非线性谐波负荷的历史数据进行预处理，构建非线性谐波负荷预测的训练样本和测试样本，它们的比例大约为3∶1。
2.3 非线性谐波负荷预测精度分析
采用本文方法和BP神经网络对聚类分析方法产生的非线性谐波负荷训练样本进行学习，对测试样本进行预测，统计每一类非线性谐波负荷的预测精度，结果如图2所示。
对图2的非线性谐波负荷预测精度进行对比与分析可以发现，对于5类非线性谐波负荷的历史数据，本文方法的精度均要高于BP神经网络。这表明本文方法可以更好地描述非线性谐波负荷变化特点，能够对其变化趋势进行高精度的跟踪，减少了非线性谐波负荷预测的偏差。
2.4 非线性谐波负荷预测效率分析
为了分析非线性谐波负荷预测效率，采用非线性谐波负荷预测建模的训练时间和测试时间作为评价指标，统计5类非线性谐波负荷的训练时间和测试时间，结果如表3所示。
从表3可以看出，2种方法的非线性谐波负荷测试时间相差无几，但是本文方法的非线性谐波负荷训练时间明显减少，因此非线性谐波负荷预测总建模时间更短，提高了非线性谐波负荷预测效率，可以对大规模的非线性谐波负荷进行建模与分析。
3 结 语
为了提高非线性谐波负荷预测精度，本文设计基于大数据分析技术的非线性谐波负荷预测方法。在Matlab 2017平台上的非线性谐波负荷预测仿真实验结果表明，本文方法的非线性谐波负荷预测精度高、建模效率高，为非线性谐波负荷的预测提供了一种新的研究工具。
参考文献
[1] 孙媛媛，张凌菡，谢香敏，等.基于谐波耦合主导分量模型的居民负荷集合性谐波评估[J].中国电机工程学报，2019，39（16）：4775?4785.
[2] 王莉虹，肖先勇，张逸，等.非线性负荷谐波贡献畸变功率评估指标与方法[J].电力系统保护与控制，2017，45（9）：41?47.
[3] 刘欣，李尚盛，吴楠，等.基于谐波源注入的SAPF补偿容量确定方法[J].电力系统保护与控制，2017，45（2）：22?27.
[4] 陈民武，刘洋，韩旭东，等.高速铁路牵引负荷谐波分布的非参数估计模型与预测评估[J].电网技术，2017，41（8）：2598?2603.
[5] 尹志勇，陈永光，刘正春，等.基于实测数据的谐波负荷模型控制策略[J].电网技术，2016，40（10）：3192?3198.
[6] 汤波，马世伟，林顺富，等.基于云理论的居民负荷集体谐波概率分布[J].电力系统自动化，2016，40（3）：39?45.
[7] 张航，毛欣，王佳佳，等.单相整流负荷谐波功率需求建模分析[J].电力系统保护与控制，2015，43（20）：8?14.
[8] 曾正，邵伟华，赵伟芳，等.多功能并网逆变器与并网微电网电能质量的分摊控制[J].中国电机工程学报，2015，35（19）：4947?4955.
[9] 雍静，肖兵.典型单相非线性负荷的精确谐波模型及其谐波衰减特性[J].中国电机工程学报，2014，34（19）：3210?3219.
[10] 张炳达，荊志朋.一种基于BP神经网络的负荷谐波电流辨识方法[J].电力系统保护与控制，2012，40（20）：89?93.
[11] 范瑞祥，孙旻，罗安，等.大容量整流负荷谐波和无功功率综合补偿装置设计[J].电网技术，2008（11）：18?23.
[12] 金胜赫，孙秋野，周建国，等.孤岛运行微网中分布式谐波功率分配控制策略[J].控制工程，2018，25（2）：335?340.
[13] 汤波，林顺富，陈光，等.居民配电网负荷谐波电流发射水平评估方法[J].电工技术学报，2018，33（3）：533?542.
[14] 翁利国，朱铁铭，寿挺，等.单相分布式发电接入台区电网的谐波补偿控制[J].电力系统保护与控制，2017，45（19）：1?11.
[15] 周念成，魏能峤，王佳佳，等.三相不控整流负荷的谐波功率实测建模[J].中国电机工程学报，2017，37（19）：5583?5593.
[16] WANG Jinquan， YAN Jun， XU Ye， et al. Power flow calcul?ation method for isolated microgrid considering the influence of harmonic power [J]. The journal of engineering， 2017（14）：
2615?2621.
[17] 肖勇，赵伟，黄松岭.基于离散傅里叶级数的非同步采样下谐波功率测量算法[J].电工技术学报，2017（7）：1570?1578.
