使用人工神经网络和分数加权模型优化负载调度

Summary

该文提出了一种将人工神经网络与分数加权模型相结合的创新方法，用于负载调度优化。混合方法可实现更准确、自适应的预测和动态负荷分配，有助于平衡需求、降低输电损耗并增强不同运行条件下的电网稳定性。

Abstract

本文描述了一种协议，该协议将使用混合人工神经网络 （ANN） 和分数加权负载调度 （FWLD） 方法优化从印度区域负载调度中心收集的实时负载数据。流程是数据输入、分数计算（使用分数微积分结合 alpha 记忆和时间非局部性）、人工神经网络模块训练和做出实时调度决策。参考模型S，T，D，C，T（Supply，Transmission，Demand，Cost，Time）有效地跟踪S，T，D，C，T的实时波动，以优化能量配置。这种方法在负载分配和电网振荡的灵活性方面优于传统方法。实验研究报告，训练期间均方误差（MSE）为245.80 MW²，测试期间为260.95 MW²，均方根误差（RMSE）为15.68 MW，测试期间为16.15 MW;还记录了平均绝对百分比误差 （MAPE） 值，小于 10.35%，显示出更好的可预测性。这种人工神经网络学习和分数加权方法的结合为当前的电力系统优化提供了更高的稳定性、效率和可扩展性。

Introduction

负荷调度优化是当代电网的一个基本问题，涉及优化发电容量的利用，以最低的成本和稳定性满足需求。传统方法难以处理电力系统的动态特性;因此，已经开发了计算方法。本文将人工神经网络（ANN）与分数加权负载调度（FWLD）相结合，对电力系统进行优化。最近的研究表明，基于ANN的模型可以有效地进行短期电力负荷预测。最近的工作已经进入了人工神经网络及其变体在电力系统预测和优化中的应用相关领域。Xu等人1提出了用于精确短期负荷预测的LSTM混合模型，涉及短期负荷预测和风力发电预测。同样，胡等^人2使用深度置信网络来更好地预测风力发电，而Jamii等^人3则致力于构建一种基于人工神经网络的风力发电量和负荷需求预测方法，最终代表着更好的能源管理。Ilić等人4继续通过混合方法进一步支持基于ANN的短期负荷预测。这些研究表明，神经网络可以很好地管理能源需求的间歇性和不稳定性。

人工神经网络还被用于电力系统优化和经济负荷调度。Abdolrasol等人⁵ 对基于人工神经网络的优化方法进行了彻底的审查，Abdelaziz等^人6 将Hopfield网络与二次规....

Protocol

电力调度分数数学模型

本研究通过分数微分方程推导了 FWLD 模型，以实现最佳功率分布。Caputo 分数导数考虑了系统中的记忆效应，以更准确地了解功率随时间的变化。我们还通过Grünwald-Letnikov（GL）方法提出了数值解，该方法适用于电网²⁵中的分数阶模型离散化。

型号概述

FWLD 模型旨在通过分数微积分纳入先前功率波动的影响，从而优化电力调度策略。传统的电力调度模型通常采用整数阶微分方程，该方程假设电力传输和消耗过程仅依赖于当前状态变量。然而，现实生活中的电力系统表现出依赖于记忆的行为，其中先前的波动会影响当前和未来的电力分配。为了克服这一缺陷，FWLD模型采用了分数阶导数，从而通过计算中的历史依赖关系更准确地描述幂关系。

FWLD 模型由五个相互作用的隔间组成，象征着独特的电力调度阶段。初始隔间 S 象征着潜在的电源、产生的和可用于传输的电量。然后电力通过电网传输，用 T 表示，它反映了从发电机组到接收配送中心的传输功率。然而，在配电过程中，一些低效率（电力线电阻和系统损耗）....

Results

模型训练、性能评估和错误分析

在这里，我们描述了预测天气负荷调度模型的模型构建、性能分析和误差分析的过程。本研究旨在选择合适的特征并训练机器学习模型，评估其性能并检查其局限性。

特征选择和模型开发

对数据进行预处理，用于训练天气负荷调度预报的预测模型。这项工作中使用的关键特征是 Unix 格式的时间戳、在各个馈线站记录的实际负载（以 MW 为单位）以及温度、湿度和风速等其他天气参数。这些特征经过精心挑选，以便模型能够识别影响电力负载需求的关键因素。在模型构建中，采用线性回归（LR）模型来查找功率负荷与所选特征之间的关系。该模型在数学上表示为：

Discussion

事实证明，将机器学习纳入 FWLD 可以在能源优化方面带来显着的进步，从而实现准确和动态的负载分配。研究结果表明，机器学习模型，尤其是人工神经网络，可以准确预测能源需求模式，最大限度地减少整个系统的低效率。通过使用历史和实时数据，这些模型提高了负荷调度决策的准确性，从而使电网运行更加稳定。与传统技术相比，基于机器学习的技术显示出较低的 MSE 和 RMSE，从而最大限度地减少功率分配的偏差并提高整个系统的效率。随着通过机器学习增强 FWLD 模型，其他验证技术可能包括通过扰动方法进行纯分析或分数微分方程的半解析级数展开。此外，由于 FWLD 仍处于实验阶段，实验室规模的硬件在环 （HIL） 仿真和数字孪生将为实时测试 FWLD 行为提供实验支持，而无需全面电网部署。这种实验验证将补充数值结果并加强对分数阶调度模型的支持。

基于机器学习的方法产生的 MSE 和 RMSE 低于传统方法^1,24。深度模型.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
基于云的 Python 运行时 （Colab）	当前 （2024）	https://colab.research.google.com/drive/1TpfkodoyzoO2m4Aq7nIih1aT5_zUydZo#scrollTo=wE7HaH-V0VQM
Matplotlib	3.5	matplotlib.org
数字	1.22	numpy.org