华北电力大学论文！如何量化分析电能替代潜力-第3页-北极星输配电网

投稿

我要投稿

3 电能替代潜力实例分析

3.1 数据及模型参数设置

为验证本文所述PSO-SVM累计电能替代量模型的有效性,以我国近十年来的电能替代发展为例,整理了2004—2014年技术发展、经济因素政策措施的相关数据,并计算了我国的累计电能替代量,如表1所示。

以2004—2009年电能替代的历史数据为样本进行训练,分别用BP神经网络、SVM和PSO-SVM预测2010年的累计电能替代量,并将预测结果输入到样本序列中,依次预测下一年的累计电能替代量。其中,BP神经网络作为对比算法,神经元数目设为10,隐含层采用tansig函数,输出层采用purelin函数,训练次数为1000,训练精度目标为0.001,学习速率为0.1。传统SVM网络的惩罚参数CS和核函数参数gS采用交叉验证法获得,PSO-SVM累计电能替代量预测模型中惩罚参数CPS和核函数参数gPS应用PSO算法进行多目标寻优。PSO种群大小设为20,最大迭代次数为200,惯性权重初始为1,粒子初始速度为[0,1]之间的随机数,并取SVM计算的初始参数为粒子初始位置。

电能替代数据

表1 2004-2014年我国电能替代相关研究数据

3.2 实验结果及分析

基于3种影响因素的数据,通过3种预测模型,对我国2010—2014年的累计电能替代量的拟合结果如图3所示。支持向量机的总体拟合准确性优于神经网络,这是由于神经网络更加偏向于大量数据下的经验训练,比较依赖于样本的选择和数据量支持,而支持向量机是基于结构风险最小化原则,具有良好的泛化能力,因此在可参考数据量相对较少的情况下也能够相对精确地分析;但由于传统支持向量机的参数选择具有一定的随机性和主观性,影响拟合的准确度,因此本文算法在基于粒子群算法对参数选择优化后,拟合效果又有了进一步的显著提升。

嗲能替代预测

图3 3种预测模型的累计电能替代量预测比较

3.3 统计量分析

为进一步量化分析预测模型效果,分别计算了描述3种预测的模型拟合程度的决定系数R2值：

式中：s为样本个数;Ed(d=1,2,,s)为第d个的累计电能替代量的真实值;E^dE^d(d=1,2,....,s)为第d个的

累计电能替代量的预测值,计算结果如表2所示。

预测模型

表2 3种预测模型的拟合程度

可见与BP神经网络相比,SVM方法在处理小样本的数据上有一定的优势,其R2值达到了0.7473,较BP神经网络提升了约0.43;而本文所提出的PSO-SVM模型的R2值最高,达0.9038,即PSO算法对SVM的参数选择有明显的优化效果,这与前述SVM的自身参数选择影响相吻合,因此优化后的模型具有较高的预测精度。综上,本文所提出的PSO-SVM方法能够有效支持累计电能替代量的预测,为后续规划工作提供量化的理论指导。

4 结论

1）本文对影响电能替代的关键因素(技术发展、经济因素和政策措施)进行了量化分析,定义了电能替代量用以量化我国电能替代潜力。

2）提出了PSO-SVM累计电能替代量预测模型,通过对我国2010—2014年电能替代相关数据的拟合,表明了该模型能够有效提升累计电能替代量预测精度,合理分析电能替代潜力。

3）为电能替代发展趋势及潜力分析提供了量化的理论支撑,能够更好地指导面向电能替代的电源、电网、产能规划,对推进我国能源互联网建设具有参考价值。

作者简介：

孙毅，教授，课题组主要依托电力节能教育部工程研究中心，开展智能电网信息通信、需求响应、智能用电等领域的理论与技术体系研究。目前在研的国家纵向项目有：2015年国家863计划项目“智能配用电大数据应用关键技术”、2016年国家智能电网重点专项项目“城区用户与电网供需友好互动系统”等；在研的国网公司总部科技项目20余项。曾获中国电力行业信息化优秀成果一等奖2项，省科技进步二等奖2项，社会力量科技进步二等奖1项，国网公司科技进步三等奖1项，发表高水平论文200余篇。

石墨(1995),女,硕士研究生,研究方向为能源互联网信息通信技术等;

单葆国(1971),男,高级工程师,研究方向为电力需求侧管理等;

曹昉(1971),女,副教授,研究方向为配电网运行分析、电力市场等。

专家团队！城市电网供电能力的深度挖掘

电能替代查看更多>电能替代技术查看更多>电力系统查看更多>

姓名：
性别：
出生日期：
邮箱：
所在地区：
行业类别：
工作经验：
学历：
公司名称：
任职岗位：

华北电力大学论文！如何量化分析电能替代潜力

专家团队！城市电网供电能力的深度挖掘

登录注册

绑定账号

想要获取更精准资讯推荐？建议您完善以下信息~

订阅成功

想要获取更精准资讯推荐？建议您
完善以下信息~