CN117810960A - 一种电力***状态的预测方法及装置 - Google Patents
一种电力***状态的预测方法及装置 Download PDFInfo
- Publication number
- CN117810960A CN117810960A CN202311533380.0A CN202311533380A CN117810960A CN 117810960 A CN117810960 A CN 117810960A CN 202311533380 A CN202311533380 A CN 202311533380A CN 117810960 A CN117810960 A CN 117810960A
- Authority
- CN
- China
- Prior art keywords
- time
- state
- smoothing
- power system
- initial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000009499 grossing Methods 0.000 claims description 99
- 238000005259 measurement Methods 0.000 claims description 36
- 230000007704 transition Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及电力技术领域，公开了一种电力***状态的预测方法及装置；其方法包括：基于实际电力***获取实际电力数据；基于平滑变结构滤波器对所述实际电力数据进行滤波，在k时刻获取电力***在k+1时刻的初始预测状态；在k时刻基于双参数模型对所述k+1时刻的初始预测状态进行修正，得到所述电力***在k+1时刻的目标预测状态。本申请能够避免极端天气下预测不精确的问题，有效提高电力***状态预测的精确性。
Description
技术领域
本公开涉及电力技术领域，具体而言，涉及一种电力***状态的预测方法及装置。
背景技术
随着大量变化快速，发电功率较大的发电设备和场站的接入，电力***的运行方式变得愈发复杂，尤其是在极端天气下，电力***的运行方式、负荷模式、拓扑结构将会发生较剧烈的变化，对电力***安全稳定运行带来极大的威胁与挑战。
传统的以卡尔曼滤波器为代表的基于电力***状态转移模型的动态状态估计方法，依赖于整个***的精确动态状态转移模型来估计***状态。然而在新型电力***中，由于极端天气的影响，电力***的运行方式、负荷模式、拓扑结构将会发生较剧烈的变化，往往无法获得精确的动态状态转移模型。这种变化导致新型电力***中各个子***的动态状态转移模型不确定，这将不可避免地使基于电力***状态转移模型的卡尔曼滤波的动态状态估计变得不精确甚至不确定。对极端天气情况下的新型电力***的风险控制有着极大的不利影响。
因此，如何缓解动态状态转移模型不精确而导致预测误差是需要解决的问题。
发明内容
针对上述情况，本申请实施例提供了一种电力***状态的预测方法及装置，旨在解决上述问题或者至少部分地解决上述问题。
第一方面，本申请实施例提供了一种电力***状态的预测方法，所述方法包括：基于实际电力***获取实际电力数据；基于平滑变结构滤波器对所述实际电力数据进行滤波，在k时刻获取电力***在k+1时刻的初始预测状态；在k时刻基于双参数模型对所述k+1时刻的初始预测状态进行修正，得到所述电力***在k+1时刻的目标预测状态。
第二方面，本申请实施例还提供了一种电力***状态的预测装置，包括：获取模块，用于基于实际电力***获取实际电力数据；处理模块，用于基于平滑变结构滤波器对所述实际电力数据进行滤波，在k时刻获取电力***在k+1时刻的初始预测状态；修正模块，用于在k时刻基于双参数模型对所述k+1时刻的初始预测状态进行修正，得到所述电力***在k+1时刻的目标预测状态。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，可执行指令在被执行时使处理器执行上述第一方面的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储一个或多个程序，一个或多个程序当被包括多个应用程序的电子设备执行时，使得电子设备执行上述第一方面的步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：通过平滑变结构滤波器预测电力***在k+1时刻的初始预测状态，缓解了传统基于卡尔曼滤波器下由于极端天气下电力***模型不精确导致极大误差的问题。进一步的，本申请通过采用双参数模型对初始预测状态进行修正，进一步避免了极端天气下预测不精确的问题，有效提高了电力***状态预测的精确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了本申请实施例提供的电力***状态的预测方法的流程示意图；
图2示出了本申请另一实施例提供的电力***状态的预测方法的流程图；
图3示出了本申请实施例提供的电力***状态的预测结果的仿真实验图；
图4示出了本申请另一实施例提供的电力***状态的预测结果的仿真实验图；
图5示出了本申请实施例提供的电力***状态的预测装置的结构图；
图6示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。
为了对电力***进行稳定性预先控制，需要对电力***的实时状态及其未来状态进行估计以实现对配电网的风险预先控制。
然而，极端天气情况下新型电力***的状态变化频繁，以卡尔曼滤波为例的传统动态状态估计所依赖的动态状态转移模型存在滤波困难，变化过于迅速的问题，难以满足电力***调度***对于准确性的要求。传统的基于线性回归的预测模型也无法准确描述电力***的状态转移，难以反映电力***的实际运行情况。
因此，有必要设计一套方法以缓解电力***模型不精确而导致极大误差的问题，同时能应对极端天气下新型电力***运行方式频繁变换，以得到精确的动态状态估计数据。
基于此，本发明提出了一种电力***状态的预测方法，通过平滑变结构滤波器预测电力***在k+1时刻的初始预测状态，缓解了传统基于卡尔曼滤波器下由于极端天气下电力***模型不精确导致极大误差的问题。进一步的，本申请通过采用双参数模型对初始预测状态进行修正，进一步避免了极端天气下预测不精确的问题，有效提高了电力***状态预测的精确性。
下面通过具体的实施例对本申请进行详细的描述。
图1示出了根据本申请提供的一个实施例的电力***状态的预测方法的流程示意图，从图1可以看出，该方法可以包括步骤S101～步骤S103：
步骤S101：基于实际电力***获取实际电力数据。
可选地，实际电力数据可以包括实际电压幅值、相角等电气量。
步骤S102：基于平滑变结构滤波器对实际电力数据进行滤波，在k时刻获取电力***在k+1时刻的初始预测状态。
步骤S103：在k时刻基于双参数模型对k+1时刻的初始预测状态进行修正，得到电力***在k+1时刻的目标预测状态。
从图1所示的方法可以看出，本申请通过平滑变结构滤波器预测电力***在k+1时刻的初始预测状态，缓解了传统基于卡尔曼滤波器下由于极端天气下电力***模型不精确导致极大误差的问题。进一步的，本申请通过采用双参数模型对初始预测状态进行修正，进一步避免了极端天气下预测不精确的问题，有效提高了电力***状态预测的精确性。
在上述步骤S102中，平滑变结构滤波器计算过程分为两部分：预测部分和量测更新校正部分。当预测值超出存在的子空间时，说明有不确定干扰，可通过不连续增益将估计值矫正到真实值附近，以此保证算法对不确定干扰的鲁棒性，流程图如图2所示。
具体地，k时刻采集汇总各电力***的电力数据后，电力数据通过k时刻***状态转移矩阵进行动态状态估计，得到动态状态估计值。在k+1时刻利用采集的量测数据，和k时刻的动态状态估计值相比较，从而对动态转移矩阵的增益进行调整，在调整后的增益的基础上，得到更精确的状态转移矩阵和量测函数，从而使得下一次预测更加精确。
更具体地，上述步骤S102中基于平滑变结构滤波器对实际电力数据进行滤波，在k时刻获取电力***在k+1时刻的初始预测状态，具体实现过程如下：
首先设定电力***的初始态转移矩阵为：
其中，f(xk)表示电力***的初始状态转移矩阵，h(xk)表示电力***的量测方程，表示在k时刻预测得到的k+1时刻的***状态，xk为实际电力数据，yk表示观测状态量测量。wk和vk分别表示符合高斯分布(0,Qk)的状态噪声和量测噪声。
进一步的，在预测部分，基于k时刻的实际电力数据和初始状态转移矩阵，预测k+1时刻的初始预测状态。
具体地，基于如下公式获取k+1时刻的初始预测状态：
其中，表示k+1时刻的初始预测状态，A矩阵由非线性的状态函数(即f(.))的一阶泰勒级数线性化得到，具体为
基于如下公式获取k时刻的量测估计值：
其中，表示k时刻的量测估计值，/>表示k时刻的初始预测状态，C矩阵则由非线性的量测函数(即h(.))的一阶泰勒级数线性化得到，具体为:
进一步的，基于如下公式确定状态误差协方差：
Pk+1|k＝APk|kAT+Qk
进一步的，基于量测方程和k+1时刻的初始预测状态，确定k+1时刻的量测数据的预测值。
具体地，基于如下公式确定k+1时刻的量测数据的预测值：
其中，表示k+1时刻的量测数据的预测值，/>表示k+1时刻的初始预测状态。
进一步的，基于k+1时刻的量测数据和k+1时刻的量测数据的预测值，计算量测更新系数。
具体地，基于如下公式确定量测更新系数：
进一步的，基于量测更新系数，确定量测增益。
具体地，量测增益Kk+1为：
式中,γ表示收敛速率参数,0＜γ＜1；上标“+”表示伪逆；diag()是对角化形式符号；表示Schur乘积，即进行矩阵元素对元素相乘；/>是表示边界层的对角化形式,通过对误差协方差求偏导数得。
由此能对状态估计值进行更新，基于量测增益、量测更新系数以及初始状态估计值，在k+1时刻确定k+1时刻的最终状态估计值：
其中，表示在k+1时刻预测得到的k+1时刻的预测状态，/>表示k+1时刻的初始预测状态，Kk+1表示量测增益，ez,k+1|k表示量测更新系数。
进一步的，对协方差矩阵P进行更新：
通过每一个时间点上对协方差矩阵的修正与更新，能够得到愈发抗噪声精确的动态状态估计值
通常来说，基于平滑变结构滤波器，能够从有噪声干扰的环境中取得相对准确的状态预测值。但对于极端天气等情况下，初始状态转移矩阵和量测函数已发生偏移，从而连锁导致后续动态状态估计值发生的偏移。
因此本申请实施例在通过平滑变结构滤波器获取初始预测状态后，基于两参数模型对初始预测状态进行修正，以获取准确的目标预测状态
下面步骤S103如何基于两参数模型获取目标预测状态进行详细说明。
在本申请的一些实施例中，k+1时刻的目标预测状态基于k+1时刻的初始预测状态、在k-1时刻基于两参数模型修正后得到的k时刻的目标预测状态、第一平滑系数以及第二平滑系数确定。
具体地，双参数模型为：
bk＝β(ak-ak-1)+(1-β)bk-1
其中，ak表示在k时刻基于两参数模型预测的k+1时刻的状态估计值的水平分量，表示k时刻基于平滑变结构滤波器预测的k+1时刻的状态估计值，/>表示在k-1时刻基于两参数模型预测的k时刻的状态估计值，bk表示在k时刻基于两参数模型预测的k+1时刻的状态估计值的倾斜分量，ak-1表示在k-1时刻基于两参数模型预测的k时刻的状态估计值的水平分量，bk-1表示在k-1时刻基于两参数模型预测的k时刻的状态估计值的倾斜分量，/>表示在k时刻基于两参数模型预测的k+1时刻的状态估计值，α表示第一平滑系数，α的取值范围为[0,1]，β表示第二平滑系数，β的取值范围为[0,1]。
在本申请的一些实施例中，第一平滑系数和第二平滑系数为时变参数，也即不同时刻使用的第一平滑不同，不同时刻使用的第二平滑系数不同。
一种实施方式中，k时刻使用的第一平滑系数和第二平滑系数基于k-1时刻的目标预测状态和k-1时刻的实际状态确定。
具体地，生成N组第一平滑系数和第二平滑系数；基于N组第一平滑系数和第二平滑系数，在k-1时刻确定N组k时刻的目标预测状态；基于N组k时刻的目标预测状态与k时刻的实际状态，计算N组k时刻的目标预测状态分别与k时刻的实际状态之间的误差和均方差；选取误差和均方差最小的一组所对应的第一平滑系数和第二平滑系数，作为k时刻使用的第一平滑系数和第二平滑系数。
更具体地，N组第一平滑系数和第二平滑系数基于以下方式确定：
基于初始第一平滑系数和第一预设差值，确定第一平滑系数的高值和第一平滑系数的低值；基于初始第二平滑系数和第二预设差值，确定第二平滑系数的高值和第二平滑系数的低值；将所述初始第一平滑系数、第一平滑系数的高值、第一平滑系数的低值、初始第二平滑系数、第二平滑系数的高值以及第二平滑系数的低值，组成N组第一平滑系数和第二平滑系数。
示例性地，在第k时刻时通过Δα和Δβ在α0和β0的基础上生成中心值α0和β0、低值αL和βL、高值αH和βH，Δα和Δβ的选择需要根据实际的电力***运行状况进行试错验证。由此可以能形成五组平滑系数，分别为(α0，β0)、(αL，βH)、(αL，βL)、(αH，βH)、(αH，βL)，在k时刻分别计算五组平滑系数相对应的与实际值xk之间的误差和均方差，选取误差和均方差最小的一组平滑系数用于预报k+1时刻估计值/>同时会产生五组新的αk和βk及其对应的/>用以在下一时刻确定预报的修正参数，通过时变参数不断地优化选择，以提高***的预报精度。
下面结合仿真验证对本申请实施例提出的电力***状态的预测方法进行说明：
如图3所示，对平滑变结构滤波器的效果进行验证。原始数据即电力***此时的真实状态，量测数据即添加噪音后被传感器采集到并送入平滑变结构滤波器的数据。估计数据即通过平滑变结构滤波器滤波且动态状态估计后的数据。
可见该情形下，平滑变结构滤波器成功滤除了噪音，还原了原始数据的趋势。但是由于极端天气的影响，动态状态转移模型发生了偏移，导致平滑变结构滤波器的动态状态估计值偏离了实际的电力***幅值。
如图4所示，在极端天气影响下，采用本申请提出的两参数模型校正方法对平滑滤波器预测得到的状态进行修正。其中，实际数据是电力***实际状态，原始估计数据是经过平滑变结构滤波后的粗略动态状态估计数据，两参数法修正数据是经过两参数模型修正后的动态状态估计数据。
可见该情形下，在平滑变结构滤波器成功滤除了噪音的干扰的基础上，两参数模型校正修正了由于极端天气对动态状态转移模型的偏移，有效缓解了平滑变结构滤波器的动态状态估计值的偏差。使得动态状态估计值更接近于实际。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。此外，术语“包括”及其变体要被解读为“包括但不限于”的开放式术语。
在一实施例中，提供一种电力***状态的预测装置，该电力***状态的预测装置与上述实施例中电力***状态的预测方法一一对应。如图5所示，该处理装置包括：获取模块501、处理模块502、以及修正模块503。各功能模块详细说明如下：
获取模块501，用于基于实际电力***获取实际电力数据；
处理模块502，用于基于平滑变结构滤波器对实际电力数据进行滤波，在k时刻获取电力***在k+1时刻的初始预测状态；
修正模块503，用于在k时刻基于双参数模型对k+1时刻的初始预测状态进行修正，得到电力***在k+1时刻的目标预测状态。
在本申请的一些实施例中，在上述装置中，k+1时刻的目标预测状态基于k+1时刻的初始预测状态、在k-1时刻基于两参数模型修正后得到的k时刻的目标预测状态、第一平滑系数以及第二平滑系数确定。
在本申请的一些实施例中，在上述装置中，双参数模型为：
bk＝β(ak-ak-1)+(1-β)bk-1
其中，ak表示在k时刻基于两参数模型预测的k+1时刻的状态估计值的水平分量，表示k时刻基于平滑变结构滤波器预测的k+1时刻的状态估计值，/>表示在k-1时刻基于两参数模型预测的k时刻的状态估计值，bk表示在k时刻基于两参数模型预测的k+1时刻的状态估计值的倾斜分量，ak-1表示在k-1时刻基于两参数模型预测的k时刻的状态估计值的水平分量，bk-1表示在k-1时刻基于两参数模型预测的k时刻的状态估计值的倾斜分量，/>表示在k时刻基于两参数模型预测的k+1时刻的状态估计值，α表示第一平滑系数，α的取值范围为[0,1]，β表示第二平滑系数，β的取值范围为[0,1]。
在本申请的一些实施例中，不同时刻使用的第一平滑不同，不同时刻使用的第二平滑系数不同；k时刻使用的第一平滑系数和第二平滑系数基于k-1时刻的目标预测状态和k-1时刻的实际状态确定。
在本申请的一些实施例中，k时刻使用的第一平滑系数和第二平滑系数基于k时刻的目标预测状态和k时刻的实际状态确定，包括：生成N组第一平滑系数和第二平滑系数；基于N组第一平滑系数和第二平滑系数，在k-1时刻确定N组k时刻的目标预测状态；基于N组k时刻的目标预测状态与k时刻的实际状态，计算N组k时刻的目标预测状态分别与k时刻的实际状态之间的误差和均方差；选取误差和均方差最小的一组所对应的第一平滑系数和第二平滑系数，作为k时刻使用的第一平滑系数和第二平滑系数。
在本申请的一些实施例中，N组第一平滑系数和第二平滑系数基于以下方式确定：基于初始第一平滑系数和第一预设差值，确定第一平滑系数的高值和第一平滑系数的低值；基于初始第二平滑系数和第二预设差值，确定第二平滑系数的高值和第二平滑系数的低值；将初始第一平滑系数、第一平滑系数的高值、第一平滑系数的低值、初始第二平滑系数、第二平滑系数的高值以及第二平滑系数的低值，组成N组第一平滑系数和第二平滑系数。
在本申请的一些实施例中，处理模块502，具体用于基于k时刻的实际电力数据和初始状态转移矩阵，预测k+1时刻的初始状态估计值。
在本申请的一些实施例中，处理模块502，还用于基于量测方程和k+1时刻的初始状态估计值，确定k+1时刻的量测数据的预测值；基于k+1时刻的量测数据和k+1时刻的量测数据的预测值，计算量测更新系数；基于量测更新系数，确定量测增益；基于量测增益、量测更新系数以及初始状态估计值，在k+1时刻确定k+1时刻的最终状态估计值。
需要说明的是，上述任一的电力***状态的预测装置可一一对应实现前述的电力***状态的预测方法，这里不再赘述。
图6示出了本申请实施例所提供的一种电子设备的结构示意图。如图6所示，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成电力***状态的预测装置。处理器，执行存储器所存放的程序，并具体用于执行前述方法。
处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备可执行本申请多个实施例提供的电力***状态的预测方法，并实现成电力***状态的预测装置在图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行本申请多个实施例提供的电力***状态的预测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的同一要素。
本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种电力***状态的预测方法，其特征在于，所述方法包括：
基于实际电力***获取实际电力数据；
基于平滑变结构滤波器对所述实际电力数据进行滤波，在k时刻获取电力***在k+1时刻的初始预测状态；
在k时刻基于双参数模型对所述k+1时刻的初始预测状态进行修正，得到所述电力***在k+1时刻的目标预测状态。
2.根据权利要求1所述的方法，其特征在于，所述k+1时刻的目标预测状态基于所述k+1时刻的初始预测状态、在k-1时刻基于两参数模型修正后得到的k时刻的目标预测状态、第一平滑系数以及第二平滑系数确定。
3.根据权利要求1或2所述的方法，其特征在于，所述双参数模型为：
bk＝β(al-ak-1)+(1-β)bk-1
其中，ak表示在k时刻基于两参数模型预测的k+1时刻的状态估计值的水平分量，表示k时刻基于平滑变结构滤波器预测的k+1时刻的状态估计值，/>表示在k-1时刻基于两参数模型预测的k时刻的状态估计值，bk表示在k时刻基于两参数模型预测的k+1时刻的状态估计值的倾斜分量，ak-1表示在k-1时刻基于两参数模型预测的k时刻的状态估计值的水平分量，bk-1表示在k-1时刻基于两参数模型预测的k时刻的状态估计值的倾斜分量，/>表示在k时刻基于两参数模型预测的k+1时刻的状态估计值，α表示第一平滑系数，α的取值范围为[0,1]，β表示第二平滑系数，β的取值范围为[0,1]。
4.根据权利要求2所述的方法，其特征在于，不同时刻使用的第一平滑不同，不同时刻使用的第二平滑系数不同；
k时刻使用的第一平滑系数和第二平滑系数基于k-1时刻的目标预测状态和k-1时刻的实际状态确定。
5.根据权利要求4所述的方法，其特征在于，所述k时刻使用的第一平滑系数和第二平滑系数基于k时刻的目标预测状态和k时刻的实际状态确定，包括：
生成N组第一平滑系数和第二平滑系数；
基于N组第一平滑系数和第二平滑系数，在k-1时刻确定N组k时刻的目标预测状态；
基于N组k时刻的目标预测状态与k时刻的实际状态，计算N组k时刻的目标预测状态分别与k时刻的实际状态之间的误差和均方差；
选取误差和均方差最小的一组所对应的第一平滑系数和第二平滑系数，作为k时刻使用的第一平滑系数和第二平滑系数。
6.根据权利要求5所述的方法，其特征在于，所述N组第一平滑系数和第二平滑系数基于以下方式确定：
基于初始第一平滑系数和第一预设差值，确定第一平滑系数的高值和第一平滑系数的低值；
基于初始第二平滑系数和第二预设差值，确定第二平滑系数的高值和第二平滑系数的低值；
将所述初始第一平滑系数、第一平滑系数的高值、第一平滑系数的低值、初始第二平滑系数、第二平滑系数的高值以及第二平滑系数的低值，组成N组第一平滑系数和第二平滑系数。
7.根据权利要求1所述的方法，其特征在于，基于平滑变结构滤波器对所述k时刻的实际电力数据进行滤波，获取电力***的在k+1时刻的初始预测状态，包括：
基于所述k时刻的实际电力数据和初始状态转移矩阵，预测k+1时刻的初始预测状态；
所述方法还包括：
基于量测方程和所述k+1时刻的初始预测状态，确定所述k+1时刻的量测数据的预测值；
基于k+1时刻的量测数据和所述k+1时刻的量测数据的预测值，计算量测更新系数；
基于所述量测更新系数，确定量测增益；
基于所述量测增益、量测更新系数以及初始状态估计值，在k+1时刻确定k+1时刻的最终状态估计值。
8.一种电力***状态的预测装置，其特征在于，所述装置包括：
获取模块，用于基于实际电力***获取实际电力数据；
处理模块，用于基于平滑变结构滤波器对所述实际电力数据进行滤波，在k时刻获取电力***在k+1时刻的初始预测状态；
修正模块，用于在k时刻基于双参数模型对所述k+1时刻的初始预测状态进行修正，得到所述电力***在k+1时刻的目标预测状态。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述电力***状态的预测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述电力***状态的预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311533380.0A CN117810960A (zh) | 2023-11-16 | 2023-11-16 | 一种电力***状态的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311533380.0A CN117810960A (zh) | 2023-11-16 | 2023-11-16 | 一种电力***状态的预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117810960A true CN117810960A (zh) | 2024-04-02 |
Family
ID=90427768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311533380.0A Pending CN117810960A (zh) | 2023-11-16 | 2023-11-16 | 一种电力***状态的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117810960A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040102937A1 (en) * | 2002-11-21 | 2004-05-27 | Honeywell International Inc. | Energy forecasting using model parameter estimation |
| US20160156262A1 (en) * | 2013-08-12 | 2016-06-02 | Zentrum Mikroelektronik Dresden Ag | Adaptive dual stage identification control method for a power stage of a power converter |
| CN109599866A (zh) * | 2018-12-18 | 2019-04-09 | 国网辽宁省电力有限公司抚顺供电公司 | 一种预测辅助的电力***状态估计方法 |
| CN110021931A (zh) * | 2019-04-28 | 2019-07-16 | 河海大学 | 一种计及模型不确定性的电力***辅助预测状态估计方法 |
| CN112713587A (zh) * | 2020-12-10 | 2021-04-27 | 国网上海市电力公司 | 一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及*** |
| CN113255959A (zh) * | 2021-04-09 | 2021-08-13 | 广东电网有限责任公司电力调度控制中心 | 一种电力***动态状态估计方法及*** |
| CN114862022A (zh) * | 2022-05-09 | 2022-08-05 | 广东电网有限责任公司 | 海上风电场发电出力特性预测方法、装置、设备及介质 |
| CN116722653A (zh) * | 2023-06-12 | 2023-09-08 | 国网江苏省电力有限公司无锡供电分公司 | 一种电力***动态状态检测方法及*** |
-
2023
- 2023-11-16 CN CN202311533380.0A patent/CN117810960A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040102937A1 (en) * | 2002-11-21 | 2004-05-27 | Honeywell International Inc. | Energy forecasting using model parameter estimation |
| US20160156262A1 (en) * | 2013-08-12 | 2016-06-02 | Zentrum Mikroelektronik Dresden Ag | Adaptive dual stage identification control method for a power stage of a power converter |
| CN109599866A (zh) * | 2018-12-18 | 2019-04-09 | 国网辽宁省电力有限公司抚顺供电公司 | 一种预测辅助的电力***状态估计方法 |
| CN110021931A (zh) * | 2019-04-28 | 2019-07-16 | 河海大学 | 一种计及模型不确定性的电力***辅助预测状态估计方法 |
| CN112713587A (zh) * | 2020-12-10 | 2021-04-27 | 国网上海市电力公司 | 一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及*** |
| CN113255959A (zh) * | 2021-04-09 | 2021-08-13 | 广东电网有限责任公司电力调度控制中心 | 一种电力***动态状态估计方法及*** |
| CN114862022A (zh) * | 2022-05-09 | 2022-08-05 | 广东电网有限责任公司 | 海上风电场发电出力特性预测方法、装置、设备及介质 |
| CN116722653A (zh) * | 2023-06-12 | 2023-09-08 | 国网江苏省电力有限公司无锡供电分公司 | 一种电力***动态状态检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106505557B (zh) | 一种遥测错误辨识方法及装置 | |
| JP5227254B2 (ja) | プロセスモデルの状態量のリアルタイム計算方法およびシミュレータ | |
| CN103309233A (zh) | 一种模糊pid控制器的设计方法 | |
| WO2021098246A1 (zh) | 一种电能表寿命预测方法、装置及存储介质 | |
| CN109782240A (zh) | 一种基于递推修正的多传感器***误差配准方法和*** | |
| JP2010277577A (ja) | 制御及び推定のための線形モデルのリアルタイムスケジューリング | |
| CN110032706A (zh) | 一种低阶时滞***的两阶段参数估计方法及*** | |
| CN110057419A (zh) | 流量信号的补偿方法、装置、存储介质、处理器和*** | |
| CN116757378A (zh) | 需求响应评估模型训练方法、应用评估方法及相关设备 | |
| CN117242665A (zh) | 使用测量数据的电力***模型校准 | |
| CN110726937A (zh) | 用于确定状态噪声协方差矩阵的方法和相应设备 | |
| CN117810960A (zh) | 一种电力***状态的预测方法及装置 | |
| CN116088303B (zh) | 一种不确定复杂动态网络状态时变递推估计方法 | |
| CN114977953A (zh) | 基于神经网络的电机输出扭矩修正方法、设备及介质 | |
| CN113532614A (zh) | 用于预测传感器数据的方法、处理器及称重*** | |
| CN111738407A (zh) | 一种基于深度学习的钟差预测方法、装置、介质及终端 | |
| CN111210877A (zh) | 一种推断物性参数的方法及装置 | |
| CN111340647A (zh) | 一种配电网数据平差方法及*** | |
| Jing | On parameter separation of the Wiener system identification | |
| CN110445357B (zh) | 一种并网逆变器谐波电流抑制方法及可读存储介质 | |
| CN114266103B (zh) | 一种飞行器参数和噪声特性在线估计方法及存储介质 | |
| CN113111717A (zh) | 一种线性时变***参数辨识方法 | |
| JP5846303B2 (ja) | 設定計算システムの学習装置及び学習方法 | |
| CN108038279B (zh) | 电网不对称故障下风机机电暂态恢复过程评价方法和装置 | |
| CN116451449A (zh) | 一种电力装备的数字孪生模型校正方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |