采用Wolf异步迭代分析的电力异常负载预测仿真
2016-07-05 01:05郭崇，王征，张楠
电力与能源 2016年3期
郭 崇，王 征，张 楠
(1.沈阳农业大学 信电学院，沈阳 110866；2. 辽宁工业大学 管理学院，辽宁 锦州 121001；3. 国网辽宁省电力有限公司，沈阳 110006)
采用Wolf异步迭代分析的电力异常负载预测仿真
郭崇1,2，王征3，张楠3
(1.沈阳农业大学 信电学院，沈阳110866；2. 辽宁工业大学 管理学院，辽宁 锦州121001；3. 国网辽宁省电力有限公司，沈阳110006)
摘要：电力异常负载的准确预测是保障电力高效调度的关键，传统方法采用线性指数时间序列预测算法，当电力负荷出现包络振荡时，预测精度不好。提出一种基于Wolf异步迭代分析的电力异常负载预测和仿真分析方法。对电力异常负载进行信息流模型构建和时间序列分析，提取电力负载信息流的时频特征，采用Wolf异步迭代方法对时频特征进行信息融合，对电力异常负载序列进行相空间重构后，计算电力异常负载时间序列的几何不变量，进行异常节点和负载流的信息特征预测，实现电力异常负载预测算法改进。仿真结果表明，采用该算法进行电力异常负载预测的精度较高，误差减少，性能优越。
关键词：Wolf异步迭代分析；电力异常负载；预测算法
对电力系统的优化管理的根本是要保障电力负载的安全稳定运行，避免超负荷异常运行，因此，需要研究一种有效的电力异常负载优化预测方法，提高整个电力系统的管理和调度能力，相关算法研究受到人们的重视。通过对电力异常负载的准确预测，提高电力调度管理能力，通过对电力调度优化管理，可以带来以下好处：一是促进电力系统的软件进行改进和升级；二是提高电力负载的总体监管和调度能力。
传统方法中，对电力异常负载的预测算法主要采用基于统计时间序列分析的电力异常负载预测方法、基于子空间降噪的电力异常负载预测算法和基于Marlov模型、Poisson模型的电力负载预测算法等，并取得可以定的预测效果[1-3]。但是这些算法存在计算精度不高，电力异常负载序列特征的提取受到的干扰较大等缺点，需要进行改进设计，对此，文献[4]提出一种基于用定量递归分析的电力负荷预测算法，通过相空间重构提取电力负荷异常时间序列的非线性特征，然后进行定量递归图构建，实现对电力异常负载的定量递归分析，以此为基础实现负载发展趋势的准确预测，但是该方法需要在高维空间中进行时间序列重构，导致计算开销较大，实时性不好；文献[5]提出一种基于用户位置感知的电力异常负载时间序列量预测方法，该方法利用一些电力异常负载时间序列量属性受用户位置影响的事实，根据自治系统来计算电力用户节点的异常特征，实现时间序列分析和预测，但该方法随着对电力网络分布的差异性较大导致负载预测的执行结果差异很大，精度不好；文献[6]提出一种基于时间-频率联合分布特征提取的电力异常负载预测算法，该算法对窄带长时段电力异常负载的预测效果较好，但对短时非线性电力异常负载的预测精度不高。文献[7]采用线性指数时间序列预测算法，当电力负荷出现包络振荡时，预测精度不好。针对这些问题，本文提出一种基于Wolf异步迭代分析的电力异常负载预测算法，首先对电力异常负载进行信息流模型构建和时间序列分析，提取电力负载信息流的时频特征，采用Wolf异步迭代方法对时频特征进行信息融合，提高预测精度，仿真实验进行了性能验证，展示了本文算法在提高电力异常负载预测性能，降低预测误差，提高抗干扰性能方面的优越性，得出有效性结论。
1电力异常负载时间序列模型构建与特征提取
1.1电力异常负载时间序列模型构建
为了实现对电力异常负载的预测，采用时间序列分析和信号处理方法，进行预测算法设计，首先需要构建电力异常负载时间序列模型，电力负载数据交互结构示意图如图1所示。
图1 电力负载数据交互结构示意图
在图1所示的电力负载数据交互中心中，进行时间序列采样，分析电力网络中的电力负载的异常节点，在密集电力负载数据交互网络中，确定电力负载传输的中继节点，采用SN、sink和跳数进行相空间重构和时间序列迭代，在SN与sink之间的连线上进行适应度求解，且相邻两节点之间的用户接入的控制精度最优。此时电力网络的用户接入分布式最优跳数hop_countopt是快照窗口⎣d/d0」或「d/d0⎤的簇集合，电力负载数据的相空间轨迹中心矢量距离为：
(1)
式中n0——负载数据的分布交叉项系数；β——负载的电力强度；α1，α2——两个数据采样通道的均衡系数。
在电力负载数据交互信息流序列中，采用非线性时间序列分析方法[8]，计算电力负载的离散样本频谱特征Xp(u)，得到多层矢量回归空间中的离散样本频谱特征量为：
(2)
式中sc(t)——电力负载数据训练集中属于bi类的元素的概率密度；ej2πf0t——电力负载聚类独立相关变量。
电力负载预测过程中需要进行数据聚类，此时负载数据的聚类时间窗口中的数据集为{X1，X2，…，Xn}，在上述构建的电力异常负载时间序列模型中，进行电力异常负载时间序列的时间标量序列分析和特征提取，为进行电力异常负载预测提供准确的测试样本集。
1.2电力负载的异常特征提取和信息融合
在上述构建的电力异常负载时间序列模型中，进行特征提取和信息融合，假设一个短时电力异常负载非线性时间序列由一非线性多元特征线性方程表示，最小竞争异步递进方程为：
xn=x(t0+nΔt)=h[z(t0+nΔt)]+ωn
(3)
式中h(.)——观测电力异常负载标量时间序列的多元数量值函数；ωn——测量误差。
假设给定监测的电力异常负载时间序列量表示为：
U={U1，U2，…，UN}
(4)
其中，Ui为维数为d维的随机变量，采用电力异常负载时间序列的相空间重构方法对负载数据进行特征提取和矢量状态图构建，在m维相空间中，M是d维的滑动时间窗口，h是M上的一个光滑函数，电力异常负载数据在m维相空间中形成一种规则的传输拓扑图，得到电力异常负载准确预测的概率密度函数表达为：
(5)
Θ=[α，u，∑]
(6)
(7)
(8)
[(1+Dl0)×(1+Dl1)×…×(1+DlM-1)]≤
[(1+Dl0+1+Dl1+…+1+DlM-1)/M]M=
(1+D)M
(9)
式(9)表示的是短时电力异常负载时间序列的时间标量序列为{x(t0+iΔt)}，i=0，1，…，N-1时的行特征向量，通过时频特征提取，得到信息融合结果为：
X=K[s1，s2，…sK]n=K(xn，xn-τ，…，xn-(m-1)τ)
(10)
其中，K=N-(n-1)τ表示电力异常负载序列在时频域中的嵌入维数，τ为时间延迟，根据Wolf异步迭代定理，在相空间中计算电力异常负载时间序列的几何不变量，进行异常节点和负载流的信息特征预测。
2电力异常负载预测算法改进实现
在上述进行电力异常负载的时间序列分析和特征提取的基础上，进行电力异常负载改进设计，传统方法采用线性指数时间序列预测算法，当电力负荷出现包络振荡时，预测精度不好。为了克服传统方法的弊端，本文提出一种基于Wolf异步迭代分析的电力异常负载预测和仿真分析方法。令为维数的矩阵，表征电力异常负载序列的d×L维广域子空间，在m维度的多维状态空间，根据Wolf异步迭代方法，在相空间中构建电力异常负载预测模型，得到的si=(xi，xi+τ，…，xi+(m-1)τ)T称为短时电力异常负载非线性时间序列的嵌入空间状态矢量，其表达式为：
(11)
结合式(11)，选择适当的m和τ，使得电力异常负载时间序列量异步预测算法保证了父节点比其子节点拥有更多的特征分布的概率密度，此时电力负载中出现异常节点的概率密度特征表示为：
R1={X1，X2，X3，…，Xd}
(12)
采用虚假最近邻点算法得到电力异常负载预测相关函数为：
(13)
设置一个预估计器来计算电力异常负载在最佳嵌入维数下的特征值分解值，电力负荷序列在子空间中的第一个极小点对应的特征分解表达式为：
(14)
假设，xj是xi近邻的一组特征向量，采用Wolf异步迭代算法，从L+1到2L维进行电力异常负载时间序列量预测分析，取相空间中Xm为中心点，得到电力负载数据预测Wolf异步迭代的类推式为：
(15)
R2={Xd+1，Xd+2，…，Xd+m}T
(16)
(17)
电力异常负载的广域特征解向量为：
V=[V1，V2，…，Vm]∈Rm×m
(18)
通过Wolf异步迭代分析，负载值Xm和Xk通过一步发展演变为Xm+1和Xk+1，其中V∈Rm×m在增长变化过程中具有正交向量解，Xm+1的最末分量x(tn+1)未知，从而得到：
VVT=IM
(19)
∑=diag(σ1，σ2，…，σm)∈Rm×m
(20)
VVT=IM
(21)
∑=diag(σ1，σ2，…，σm)∈Rm×m
(22)
式(22)即为提取的RTR的电力异常负载时间序列量预测分析数据的特征值，这些特征值之间存在大小关系，为：
σ1>σ2>σ3>…>σs+1>σm
(23)
通过FGN处理得到替代原电力异常负载的新的序列，表达为：
(24)
从而得到电力异常负载的预测值为：
x(tn+1)′=Xm+1(m)
(25)
电力异常负载序列的高斯自相似过程中的期望值mk和标准差εk，设N0=0，D0=1，对，对k=1，2，…，n-1，φkj电力异常负载序列进行相空间重构后，进行Wolf异步迭代，由下面的递推公式计算得到，其中，j=1，2，…，k。产生的一组替代电力异常负载序列新的时间序列yk，得到预测结果为：
(26)
(27)
φkk=Nk/Dk
(28)
φkj=φk-1，j-φkkφk-1，k-j
(29)
在电力异常负载高斯分布N(0,1)中产生一个初始值x0，从而实现电力异常负载预测算法改进设计。
3仿真实验与结果分析
为了测试本文算法在实现电力异常负载预测中的性能，进行仿真实验。首先对电力异常负载进行数据采集，实验环境建立在具有AD5545的数字接口的操作系统开发软件LDACOS中，对电力负载数据进行信息交换，操作系统的输入硬件资源的编译数据共18位，高2位为地址译码，电力负载预测的软件的接口的阈值δ设为δ=0.35。访问节点数的变化范围为210到1024，节点保存198对
图2 电力负载数据采集时域波形
对上述采集结果进行时间序列分析，以采集数据为测试样本，进行电力异常负载的预测，初值取x0=2，y0=2，z0=2，得到电力负载的异常值特征提取结果如图3所示。
图3 电力负载时间序列异常点特征提取结果
从图3可见，采用本文算法能有效提取电力异常负载数据信息特征，以此为基础进行Wolf异步迭代，进行电力异常负载预测，得到预测结果如图4所示。
图4 电力异常负载预测结果
从图4可见，采用本文算法进行电力异常负载预测，能准确有效跟踪电力异常负载的发展态势，实现信息融合和跟踪，提高预测精度，为了对比算法性能，采用本文算法和传统方法得到预测准确度对比结果如图5所示。从图5可见，采用本文方法有效提高了电力负载的预测精度，性能优越。
图5 预测精度对比
4结语
为了实现对电力异常负载的准确预测，本文提出一种基于Wolf异步迭代分析的电力异常负载预测算法，首先对电力异常负载进行信息流模型构建和时间序列分析，提取电力负载信息流的时频特征，采用Wolf异步迭代方法对时频特征进行信息融合，研究表明，采用该方法进行电力负载预测，提高电力异常负载预测性能，降低预测误差，提高抗干扰性能，具有较好的应用价值。
参考文献：
[1]EldemerdashYA,DobreOA,LIAOBJ.BlindidentificationofSMandAlamoutiSTBC-OFDMsignals[J].IEEETransactionsonWirelessCommunications,2015 14(2):972-982.
[2]KARAMIE,DOBREOA.IdentificationofSM-OFDMandAL-OFDMsignalsbasedontheirsecond-ordercyclostationarity[J].IEEETransactionsonVehicularTechnology,2015,64(3):942-953.
[3]MOHAMMADKARIMIM,DOBREOA.BlindidentificationofSpatialMultiplexingandAlamoutispace-timeblockcodeviaKolmogorov-Smirnov(K-S)test[J].IEEECommunicationsLetters,2014,18(10):1711-1714.
[4]ELDEMERDASHYA,DOBREOA,MAREYM,etal..Anefficientalgorithmforspace-timeblockcodeclassification[C].IEEEGlobalCommunicationsConference,Atlanta,USA,2013:3329-3334.
[5]ELDEMERDASHYA,MAREYM,DOBREOA,etal..Fourth-orderstatisticsforblindclassificationofSpatialMultiplexingandAlamoutispace-timeblockcodesignals[J].IEEETransactionsonCommunications,2013,61(6):2420-2431.
[6]MAREYM,DOBREOA,LIAOB.ClassificationofSTBCsystemoverfrequency-selectivechannels[J].IEEETransactionsonVehicularTechnology,2015,64(5):2159-2164.
[7]靳晓艳,周希元,张琬琳.多径衰落信道中基于自适应MCMC的调制识别[J].北京邮电大学学报,2014,37(1):31-34.
JINXiao-yan,ZHOUXi-yuan,ZHANGWan-lin.ModulationrecognitionusingadaptiveMCMCinmultipathfadingchannel[J]．JournalofBeijingUniversityofPostsandTelecommunications，2014, 37(1)：31-34.
[8]张军强,王汝传,黄海平.基于分簇的无线多媒体传感器网络数据聚合方案研究[J].电子与信息学报,2014,36(1):8-14.
ZHANGJun-qiang,WANGRu-chuan,HUANGHai-ping.Researchoncluster-baseddataaggregationforwirelessmultimediasensornetworks[J].JournalofElectronics&InformationTechnology, 2014,36(1):8-14.
(本文编辑：杨林青)
Simulation of Abnormal Power Load Forecasting Using Wolf Asynchronous Iterative Analysis
GUO Chong1,2, WANG Zheng3, ZHANG Nan3
(1.SchoolofInformationandElectronicEngineering,ShenyangAgriculturalUniversity,Shenyang110866,China;2.DepartmentofManagement,LiaoningUniversityofTechnology,Jinzhou121001,China;3.StateGridLiaoningElectricPowerCompany,Shenyang110006,China)
Abstract:The accurate prediction of abnormal power load is the key to guaranteeing the efficient power scheduling. The traditional method, using linear index time series prediction algorithm, is low prediction accuracy in the event of power load envelope oscillation. This paper presents an analysis method of abnormal load forecasting and simulation based on Wolf asynchronous iterative analysis. By constructing the abnormal power load information flow model and analyzing the time series, it extracts the time-frequency features of power load information flow, and fuses time-frequency feature information by using Wolf asynchronous iterative method. After the phase space reconstruction of abnormal power load series, it calculates the geometric invariants of the time series of electric power, and predicts the information of the abnormal nodes and load flow, improving abnormal load prediction algorithm. The simulation results show that the proposed algorithm is superior in the performance by improving the prediction accuracy, and reducing the error.
Key words:Wolf asynchronous iteration; electric power; abnormal load; prediction algorithm
DOI：10.11973/dlyny201603015
作者简介：郭崇(1980)，女，硕士，讲师，主要研究领域为电子商务与数据挖掘。
中图分类号：TP391.1
文献标志码：A
文章编号：2095-1256(2016)03-0325-05
收稿日期：2016-03-10
