大數據分析技術的非線性諧波負荷預測

劉海濤 黃鳴宇 牛健

摘? 要： 為了獲得理想的非線性諧波負荷預測結果，設計基于大數據分析技術的非線性諧波負荷預測方法。首先分析當前非線性諧波負荷預測的研究進展，找到引起當前非線性諧波負荷預測效果差的原因;然后采集非線性諧波負荷歷史數據，引入大數據分析技術對非線性諧波負荷歷史數據進行建模和學習，并對非線性諧波負荷預測模型的參數進行優(yōu)化，從而建立最優(yōu)的非線性諧波負荷預測模型;最后在Matlab 2017平臺上對非線性諧波負荷預測模型的性能進行了驗證性測試，結果表明，該文方法的非線性諧波負荷預測精度超過95%，非線性諧波負荷預測的偏差明顯小于當前其他非線性諧波負荷預測方法，同時加快了非線性諧波負荷預測的建模效率，獲得更優(yōu)的非線性諧波負荷預測結果。

關鍵詞： 非線性諧波負荷; 負荷預測; 大數據分析技術; 參數優(yōu)化; 預測建模; 驗證性測試

中圖分類號： TN919?34; TP391? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? ?文章編號： 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

隨著人們生活水平的不斷提高，人們的用電量也急劇上升，對電力系統(tǒng)的穩(wěn)定性和供電質量要求日益提高[1?3]。諧波會對電力系統(tǒng)的穩(wěn)定性和供電質量產生一定的影響，因此高精度諧波負荷建模與預測對電力系統(tǒng)分析具有重要意義[4?5]。

最初諧波負荷預測采用線性建模方法，如多元線性回歸算法，其認為諧波負荷是一種固定的變化趨勢，而實際上諧波負荷與多種因素相關，具有十分強烈的非線性、時變特性，當前非線性諧波負荷預測方法無法描述其變化規(guī)律，使得諧波負荷預測的誤差大[6?8]。隨后人們提出基于人工神經網絡的諧波負荷預測方法，其可以對諧波負荷的非線性化特點進行分析，獲得了比線性建模方法更優(yōu)的諧波負荷預測效果[9?11];但是人工神經網絡的結構復雜，諧波負荷預測結果極不穩(wěn)定，而且收斂速度慢，影響諧波負荷預測的建模效率。因此，諧波負荷預測有待進一步研究[12?14]。

為了獲得理想的非線性諧波負荷預測結果，設計基于大數據分析技術的非線性諧波負荷預測方法，并通過具體實驗分析了本文非線性諧波負荷預測方法的有效性和優(yōu)越性。

1? 大數據分析技術的非線性諧波負荷預測

1.1? 聚類分析算法

聚類分析算法將數據[X=x1，x2，…，xn]劃分為C類，隸屬矩陣為：

1.2? 支持向量機

1.3 粒子群優(yōu)化算法

xi和vi為第i個粒子的位置向量和速度，pi和pg為個體和群體的當前最優(yōu)位置，那么粒子狀態(tài)更新為：

1.4 大數據分析技術的非線性諧波負荷預測步驟

1） 采集非線性諧波負荷的歷史數據，對歷史數據進行縮放處理，使它們的值處于[0，1]的區(qū)間內。

2） 采用聚類分析算法對非線性諧波負荷的歷史數據進行處理，建立相應的訓練樣本集合和測試樣本集合。

3） 采用大數據分析技術——支持向量機對非線性諧波負荷訓練樣本進行學習。

4） 采用粒子群優(yōu)化算法確定支持向量機的非線性諧波負荷預測模型的參數。

5） 根據參數構建非線性諧波負荷預測模型，并采用測試樣本分析該模型的有效性。

大數據分析技術的非線性諧波負荷預測流程如圖1所示。

2? 仿真實驗

2.1 實驗環(huán)境

為了分析基于大數據分析技術的非線性諧波負荷預測效果，搭建了一個仿真實驗環(huán)境，具體如表1所示。

為了使大數據分析技術的非線性諧波負荷預測結果具有可比性，選擇BP神經網絡的非線性諧波負荷預測方法進行對比實驗。

2.2? 實驗數據

為了增強實驗結果的說服力，選擇5類非線性諧波負荷數據作為實驗對象，每一類的非線性諧波負荷歷史樣本數據如表2所示。

采用聚類分析算法對表2中的非線性諧波負荷的歷史數據進行預處理，構建非線性諧波負荷預測的訓練樣本和測試樣本，它們的比例大約為3∶1。

2.3 非線性諧波負荷預測精度分析

采用本文方法和BP神經網絡對聚類分析方法產生的非線性諧波負荷訓練樣本進行學習，對測試樣本進行預測，統(tǒng)計每一類非線性諧波負荷的預測精度，結果如圖2所示。

對圖2的非線性諧波負荷預測精度進行對比與分析可以發(fā)現，對于5類非線性諧波負荷的歷史數據，本文方法的精度均要高于BP神經網絡。這表明本文方法可以更好地描述非線性諧波負荷變化特點，能夠對其變化趨勢進行高精度的跟蹤，減少了非線性諧波負荷預測的偏差。

2.4? 非線性諧波負荷預測效率分析

為了分析非線性諧波負荷預測效率，采用非線性諧波負荷預測建模的訓練時間和測試時間作為評價指標，統(tǒng)計5類非線性諧波負荷的訓練時間和測試時間，結果如表3所示。

從表3可以看出，2種方法的非線性諧波負荷測試時間相差無幾，但是本文方法的非線性諧波負荷訓練時間明顯減少，因此非線性諧波負荷預測總建模時間更短，提高了非線性諧波負荷預測效率，可以對大規(guī)模的非線性諧波負荷進行建模與分析。

3? 結? 語

為了提高非線性諧波負荷預測精度，本文設計基于大數據分析技術的非線性諧波負荷預測方法。在Matlab 2017平臺上的非線性諧波負荷預測仿真實驗結果表明，本文方法的非線性諧波負荷預測精度高、建模效率高，為非線性諧波負荷的預測提供了一種新的研究工具。

參考文獻

[1] 孫媛媛，張凌菡，謝香敏，等.基于諧波耦合主導分量模型的居民負荷集合性諧波評估[J].中國電機工程學報，2019，39（16）：4775?4785.

[2] 王莉虹，肖先勇，張逸，等.非線性負荷諧波貢獻畸變功率評估指標與方法[J].電力系統(tǒng)保護與控制，2017，45（9）：41?47.

[3] 劉欣，李尚盛，吳楠，等.基于諧波源注入的SAPF補償容量確定方法[J].電力系統(tǒng)保護與控制，2017，45（2）：22?27.

[4] 陳民武，劉洋，韓旭東，等.高速鐵路牽引負荷諧波分布的非參數估計模型與預測評估[J].電網技術，2017，41（8）：2598?2603.

[5] 尹志勇，陳永光，劉正春，等.基于實測數據的諧波負荷模型控制策略[J].電網技術，2016，40（10）：3192?3198.

[6] 湯波，馬世偉，林順富，等.基于云理論的居民負荷集體諧波概率分布[J].電力系統(tǒng)自動化，2016，40（3）：39?45.

[7] 張航，毛欣，王佳佳，等.單相整流負荷諧波功率需求建模分析[J].電力系統(tǒng)保護與控制，2015，43（20）：8?14.

[8] 曾正，邵偉華，趙偉芳，等.多功能并網逆變器與并網微電網電能質量的分攤控制[J].中國電機工程學報，2015，35（19）：4947?4955.

[9] 雍靜，肖兵.典型單相非線性負荷的精確諧波模型及其諧波衰減特性[J].中國電機工程學報，2014，34（19）：3210?3219.

[10] 張炳達，荊志朋.一種基于BP神經網絡的負荷諧波電流辨識方法[J].電力系統(tǒng)保護與控制，2012，40（20）：89?93.

[11] 范瑞祥，孫旻，羅安，等.大容量整流負荷諧波和無功功率綜合補償裝置設計[J].電網技術，2008（11）：18?23.

[12] 金勝赫，孫秋野，周建國，等.孤島運行微網中分布式諧波功率分配控制策略[J].控制工程，2018，25（2）：335?340.

[13] 湯波，林順富，陳光，等.居民配電網負荷諧波電流發(fā)射水平評估方法[J].電工技術學報，2018，33（3）：533?542.

[14] 翁利國，朱鐵銘，壽挺，等.單相分布式發(fā)電接入臺區(qū)電網的諧波補償控制[J].電力系統(tǒng)保護與控制，2017，45（19）：1?11.

[15] 周念成，魏能嶠，王佳佳，等.三相不控整流負荷的諧波功率實測建模[J].中國電機工程學報，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，趙偉，黃松嶺.基于離散傅里葉級數的非同步采樣下諧波功率測量算法[J].電工技術學報，2017（7）：1570?1578.