基于GAM的感应电动机比例预测方法研究_张湘驰.pdf

基金项目:国家电网湖南省电力有限公司科技项目(2019TP1016)收稿日期:20210402修回日期:20210601第 40 卷第 2 期计算机仿真2023 年 2 月文章编号:10069348(2023)02012804基于 GAM 的感应电动机比例预测方法研究张湘驰1，田玲1，高建良1，向行2(1 中南大学计算机学院，湖南 长沙 410083;2 国网湖南省电力有限公司信息通信分公司，湖南 长沙 410004)摘要:华中四省电网稳定计算负荷模型由一定比例的感应电动机并联恒阻抗组成，但电网稳定计算使用固定不变的感应电动机比例参数不能适应负荷的发展。提出一种基于 GAM(Generalized Additive Model)的感应电动机比例预测方法，命名为TPGAM(Trend and Periodicity Generalized Additive Model)。先利用纵横结合的异常检测对缺失的电力时序数据进行检测和填充修正;再根据变电站、城市、省份三个级别进行逐级聚合计算感应电动机比例;最后对感应电动机比例的时序历史数据进行周期性和趋势性的特征分析和预测。以某地区真实的感应电动机比例数据进行实验，结果表明提出的 TPGAM 框架对感应电动机比例进行预测方法所得结果与传统的时间序列模型对比具有更高的预测精度。关键词:时间序列;周期性;趋势性;感应电动机比例预测中图分类号:TP18文献标识码:Besearch on GAM Based Proportional Prediction Method ofInduction MotorInduction Motor atio PredictionBased on TPGAM FrameworkZHANG Xiangchi1，TIAN Ling1，GAO Jianliang1，XIANG Xing2(1 School of Computer Science and Engineering，Central South University，Changsha Hunan 410083，China;2 Information and Communication Branch，State Grid Hunan Electric Power Company Limited，Changsha Hunan 410004，China)ABSTACT:The power grid stability calculation load model of the four provinces in Central China consists of a cer-tain proportion of induction motors in parallel with constant impedance，but the grid stability calculation using fixedinduction motor proportional parameters cannot adapt to the development of the load This paper proposes an inductionmotor ratio prediction method based on the GAM(Generalized Additive Model(GAM)，named as Trend and Perio-dicity Generalized Additive Model(TPGAM)(Trend and Periodicity Generalized Additive Model)Firstly，the a-nomaly detection consisted of horizontal and vertical detection is was used to detect and fill the missing power time se-ries data Secondly，according to substation，city and province three levels，the induction motor proportion is was cal-culated by step polymerization Finally，the characteristics of periodicity and trend of the historical data of inductionmotor ratio are were analyzed and predicted Experiments with real induction motor ratio data in a certain provinceshow that the results of the TPGAM methodfor the induction motor ratio prediction methodproposed in this paperhave higher prediction accuracy compared with traditional time series modelsKEYWODS:Time series;Periodicity;Trend;Induction motor ratio forecast1引言随着科学和经济的快速发展，电力需求日益增长和电力系统的规模不断扩大，电网运行条件日益复杂，其中，电压稳定性问题引起了日益广泛的关注和重视1。感应电动机动态负荷在电力负荷中占比高达 60%70%，特别在工业负荷中占比 90%以上，对电力系统运行分析与控制具有相当大的影响2，3。因此感应电动机比例在维护电网稳定性和保证电力系统运行的安全性以及可靠性的任务中起到至关重要的821作用。目前，在华中电网负荷采用一定比例的感应电动机与恒定阻抗的并联作为暂态稳定计算的综合负荷模型4。文献 5 利用统计综合的方法基于用户终端采集到的有功功率进行按不同行业分类进行加权求和平均后估计，得出了某电网感应电动机和恒定阻抗的比例。但统计综合法负荷建模计算感应电动机比例虽然具有思路清晰、便于理解等优点，但由于此方法需要统计大量客户侧负荷的数量及运行状态。因此，华中地区基本上沿用多年以来指定的感应电动机比例参数固定值(例如某地区采用的是 65%的感应电动机比例4)。文献 6 基于智能电表的实时数据采集以及通信的快速传输，实现了变电站供电区所属全部用户有功的自动采集，在线计算变电站负荷模型中感应电动机比例。感应电动机比例的确定对于仿真结果存在误差影响，误差的大小及性质对电网决策的正确性具有决定作用，如果为了防止事故的发生采用保守的感应电动机比例参数，则会因为投入过多的资金和设备造成资源的浪费;如果为了防止资源的浪费采用激进的感应电动机比例参数，则会因为反事故措施方面投入资金和设备不足导致电力系统在运行时造成危险事故的发生。基于感应电动机比例对于电力系统正常运行的重要性和意义以及存在问题仍未解决的情况，提出了 TP GAM(Trend and Periodicity Generalized Additive Model)方法，基于历史数据的特征挖掘和数据分析进行未来一段时间的感应电动机比例预测和发展趋势预测。主要的技术手段是采用时序数据分析预测，基于电力系统中感应电动机比例的时序性，从历史数据的分时段以及分行业的分布情况中挖掘数据特征，为电网决策设定感应电动机比例取值提供参考对比，提高电力调度处理的效率。2TPGAM 方法研究分析与设计本文提出的针对感应电动机比例预测的 TPGAM 方法研究。针对电力时序数据特点设计，综合考虑了数据的缺失情况、电力时序数据的趋势性、周期性以及长期历史数据的惯性7。TPGAM 分为 3 个部分，分别为纵横结合异常检测、感应电动机比例的逐级聚合计算以及感应电动机比例预测。2.1纵横结合异常检测由于电网数据采集的不可重复性，在冗余量不足的情况下，使用缺失电能质量数据进行分析得出的结论与正确的规律有较大的偏差8。因此本文提出纵横结合异常检测对缺失有功功率数据进行填充修正来保证数据的完整性。本文设定历史数据的日期窗口大小 Th，采用日期窗口内的历史日期同一时刻的数据进行日间数据移动平均的方法进行缺失值，这可以拟合当前缺失数据与历史数据在部分时刻的波动趋势，具体公式为valf=Thh=1val(h)Th(1)其中 val(f)为填充值，val(h)为当前日期的前 h 天同一时刻历史数据。针对缺失填补后的数据以及原有的未缺失数据进行异常检测，采用短期环比横向异常检测与同比振幅纵向异常检测的纵横结合的方式以判定异常点。2.1.1短期环比横向异常检测对于有功功率时序数据，T 时刻的数值对于 T1 时刻有很强的依赖性，利用横向的短期环比异常检测方法获取最近时间窗口(T)内的数据遵循的周期特征。将 T 设置为 n，取检测值(valf)即上一步填充值和过去 n 个时刻进行比较，如果大于阈值将 count 加 1，如果 count 超过设置的 nums，则认为该点是异常点，公式如下H=0，countni=0(valf vali)td()nums，1，countni=0(valf vali)td()nums，(2)td=min(max avg，avg min)(3)其中，H 为短期环比横向异常检测结果;vali为时刻 i 的数据;动态阈值 td是针对 T 时间窗口内时序数据进行计算，T时间窗口内数据的最大值为 max，最小值为 min，平均值为 avg。2.1.2同比振幅纵向异常检测时序数据中每一个值不仅需要满足同一天内时刻变化的序列横向周期性特征，也需要满足连续 d 天内同一时刻遵循的纵向周期性特征。因此本文采用同比振幅纵向异常检测方法查找有功功率时序数据中的离群点。V=0，di=0valf valf(t i)valf(t i)ts，1，di=0valf valf(t i)valf(t i)ts，(4)=maxi=tn，t2valf(i)valf(i+1)valf(i+1)()(5)ts=min(MAX AVG，AVG MIN)(6)其中，V 为同比振幅纵向异常检测结果;valf第 f 时刻的数据即待检测值，valf(t1)为第 t1 天时刻 f 的数据;静态阈值 ts是针对全天时序数据进行计算的，全天数据的最大值为MAX，最小值为 MIN，平均值为 AVG。对于异常检测方法检测出填充值为日内时序数据的离群点异常的情况，需要参考实际变化情况和时序数据变化趋势采取修正的方法使其符合日内波动。2.2感应电动机比例逐级聚合计算将缺失的有功功率补充完整后，考虑到不同行业产生的负荷大小不一样，不同地区因为地理位置、人口密度以及行业分布等因素都会导致感应电动机比例的变化。因此本文921分变电站级别、城市级别、省份级别将不同行业的有功功率进行加权求和平均化，逐级聚合计算得出感应电动机比例9。首先是按照不同行业用电聚合到变电站计算感应电动机比例。公式如下kms=k1P1+k2P2+knPnP1+P2+Pn(7)其中，kms为变电站的感应电动机比例;n 为该变电站下有 n种行业用电;kn为对应行业的权重;Pn为对应行业的有功功率。其次，从不同变电站用电聚合到各地市计算感应电动机比例。公式如下kmc=kms1+kms2+kmsnn(8)其中，kmc为地级市的感应电动机比例;n 为该地级市下有 n个变电站。最后，从不同地级市用电聚合到省级别计算感应电动机比例。公式如下kmp=kmc1+kmc2+kmcmm(9)其中，kmp为省份的感应电动机比例;m 为该省份下地级市的数量。2.3感应电动机比例预测本文基于广义可加的非线性回归模型来预测感应电动机比例，主要通过拟合感应电动机比例中的趋势项的逻辑回归增长 g(t)、周期项的傅里叶级数周期性 s(t)以及无法预测的因素的误差项 t组成，公