CN104951846A - 微电网短期功率和负荷预测系统及误差分类动态修正方法 - Google Patents

Abstract

本发明公开了一种微电网短期功率和负荷预测系统及误差分类动态修正方法。预测算法模块基于神经网络算法，将实时气象数据和运行数据作为神经网络模型的输入，运算得到预测结果；将预测结果与实际计算的数据进行比较，如果误差数据满足预设的阈值，由误差动态分类修正模块对新产生的该误差数据进行误差数据分类，并带入误差分类器中进行误差匹配，如果预测条件和预测结果与之前发生的误差相匹配，那么误差动态分类修正模块对预测数据进行修正，如果匹配不成功则使用预测算法模块的预测结果作为预测的最终结果。本发明的方法可对误差进行智能分类，并且避免错误预测结果的重复出现。

Description

微电网短期功率和负荷预测系统及误差分类动态修正方法

技术领域

本发明涉及负荷预测领域，本发明特别涉及一种基于大误差数据分类动态修正方法的微电网短期功率和负荷预测系统。

背景技术

微电网短期功率和负荷预测系统为能量优化调度提供依据；同时将数据实时上传至能量管理系统，为智能微电网控制提供必要数据。微电网的功率预测充分利用分布式能源发电，获得更大的经济效益和社会效益，提高微电网运行的可靠性和经济性。微电网的负荷预测对微电网的优化运行有着重要的意义，为微电网能量管理提供数据支持。

传统的微电网短期功率和负荷预测系统一般采用神经网络算法，而采用神经网络算法需要有比较完备的历史数据作为训练神经网络模型的样本。在“微电网”这种面积较小的区域中，历史气象数据和功率负荷数据记录一般都不是完备或缺失的，甚至记录的历史数据与真实数据存在较大误差。这样的历史数据训练出来的神经网络模型可能因为误差较大难以收敛，不能满足微电网功率或者负荷预测需要。

采用神经网络算法的传统的微电网短期功率和负荷预测系统输入条件一般是历史功率数据、历史气象数据和预测气象数据。采用这种方法难免会有部分预测数据误差较大。本系统基于大误差数据分类动态修正算法，可以自动收集误差较大的预测数据，并记录大误差数据发生时设备状态、整个智能微电网和各个楼宇负荷值并记录在大误差数据分类器中。大误差数据分类器对误差进行多重分类包括：正常用户行为、设备故障和通信故障、负荷动态增加、负荷动态减少等。在神经网络完成负荷预测后，神经网络输入条件和预测结果作为大误差数据分类器的智能动态修正算法的输入与分类器的历史大误差数据进行分类匹配，如果匹配成功，则对预测数据进行修正，否则直接输出神经网络的预测结果。大误差数据分类动态修正算法可有效避免神经网络算法误差的多次重复发生。

发明内容

本系统提出一种基于大误差数据分类其动态修正方法的微电网功率和负荷预测系统，可以动态提高微电网短期功率和负荷预测的准确率，避免错误数据重复发生。

一种基于大误差数据分类器动态修正方法的微电网功率和负荷预测系统包括了：数据通信和处理模块、数据存储模块、预测算法模块、误差动态分类修正模块。

数据通信和处理模块主要实现功率和负荷预测系统对装置和外部数据采集、数据预处理、预测结果上传能力管理系统或区域调度等功能。数据通信和处理模块支持电力系统的常用通信规约，如：IEC870-5-102、IEC870-5-103、IEC870-5-104、Modbus等，同时支持FTP方式下载来自因特网的数值天气预报(NWP)数据。该模块可以对采集后的数据进行预处理，例如根据系统设定的阈值剔除或修正不合理的数据，保证数据的可用性。

数据存储模块主要负责将采集后的数据存储在数据库中。数据库可以是MySQL、Oracle、Sybase等商用数据库。如果预测系统采集的数据量较小时，也可以不使用商用数据库，而使用文本文件存储。

本系统的预测算法模块是基于传统的神经网络算法，如反向传播算法(BP)、径向基(RBF)、支持向量机(SVM)等。模块包括了神经网络模型训练和神经网络预测两部分。历史气象数据和历史的运行数据作为神经网络模型训练输入，经过神经网络算法的训练得到神经网络的权值参数，既得到预测模型。神经网络预测时，将预测的气象数据和实时的运行带入训练好的神经网络模型中既可得到预测结果。

误差动态分类修正模块是本系统区别于传统的预测系统的地方，该模块包括误差分类和误差修正。

误差分类会定时比较采集模块实际采集的功率和负荷数据与之前预测的功率和负荷数据，如果预测数据和实际数据误差超过系统设定的阈值，则判定该预测数据为大误差数据。出现大误差的数据后，本模块会记录大误差数据发生时与预测点相关联的属性特征值，如设备状态、整个智能微电网运行模式(孤岛/并网)等。经过误差分类处理，将该误差数据的特征存储在误差分类器中。

误差修正是对原先神经网络算法预测结果的进一步修正。神经网络预测算法的结果将作为误差修正的输入，误差修正模块会通过特征值遍历误差分类器，如果没有匹配结果则以原先神经网络的预测结果作为整个预测系统的预测结果，如果在误差分类器中匹配成功，则会寻找属性特征值最接近的此前误差结果的实际值作为整个预测系统的预测结果。

误差动态分类修正模块是以动态的过程识别误差，分类误差，修正结果。在预测系统搭建初期缺少历史数据的情况下可以快速提高系统的准确率。

有益效果：

1本系统基于大误差数据分类动态修正算法是一种动态修正误差的方法。传统的神经网络只能通过重新训练模型来修正误差，不是一种动态修正的误差的方法。

2基于大误差数据分类动态修正算法可以对误差进行识别，分析误差产生的原因，将误差归类，为神经网络算法重训练提供特征样本数据。

3基于大误差数据分类动态修正算法可以避免错误预测结果的重复出现，是对神经网络预测算法的一种补充。当神经网络算法产生较大误差的时候，解决的办法一般是将最近积累的历史数据代入预测模型，重新训练神经网络模型，而重新训练一次神经网络算法模型可能需要占用几十分钟甚至几个小时，不方便预测系统在现场的实际运行。

附图说明

下面结合附图和实施对本发明进一步说明。

图1是本发明的系统架构图。

图2是微电网功率和负荷预测流程图。

图3是基于大误差数据分类动态修正方法误差分类流程图。

图4负荷特征的自适应分类方法示意图。

图5是基于大误差数据分类动态修正方法误差修正流程图。

具体实施方式

下面结合附图和实施对本发明进一步详述：

如图1所示，微电网短期功率和负荷预测系统会定时采集来自网络的数值天气预报(NWP)数据，实时采集环境监测仪数据、风机运行数据、光伏组件和光伏逆变器运行数据、区域负荷数据等。采集的数据将存储在预测系统的网络数据库中。预测算法结合历史气象数据和历史功率数据训练神经网络模型。在预测微电网功率数据或负荷数据时，将实时气象数据和运行数据作为神经网络模型的输入，通过代入运算得到预测结果。神经网络模型的预测结果可再次作为大误差数据分类动态修正算法的输入数据，通过误差修正可提高预测的准确率。

如图2所示，是微电网功率和负荷预测的流程图，历史气象数据和微电网设备的历史运行数据作为神经网络的模型训练输入样本，经过复杂的训练可以得到神经网络的模型。将实时气象数据和当前时刻微电网运行数据带入神经网络模型，可以预测微电网的功率和负荷数据。预测结果会带入上一次的误差分类器中进行误差匹配，如果预测条件和预测结果与之前发生的误差相匹配，那么误差动态分类修正模块会对预测数据进行修正，如果匹配不成功则使用神经网络的计算结果作为预测的最终结果。

在得到实际结果后，预测系统会计算实际结果和预测结果的绝对误差，如果误差满足预设的阈值，那么误差动态分类修正模块将会对新产生的误差数据进行误差分类。

如图3所示，基于大误差数据分类动态修正方法误差分类流程图，大误差判决首先判断实际值与预测值之间的误差，如果误差大于设定阈值，系统会自动采集预测点的遥测值和状态量，通过特征值分析和自适应匹配，有效判决误差的种类，并记录在误差数据分类器中。

当神经网络的预测条件和预测结果与之前发生大误差数据接近时，系统会将预测点的遥测量和状态量采集后与大误差数据分类器的误差特征进行智能匹配并自动修正预测结果。

如图4所示，负荷特征的自适应分类使用如下方法：

每一个节点表示微电网内与负荷数据相关的特征值，这种特征值可以是模拟量也可以是数字量。通过选择最高信息增益的方法确定类的划分，通过选择具有最高信息增益的属性作为当前节点的属性。假设S表示一个微电网负荷和与负荷相关特征量的数据样本集合，这些样本可以划分成若干个不同的类别集合{C1，C2，……，Cn}。假设Si为类别Ci中的样本个数(i＝1，2……n)，那么对一个给定数据对象进行类别所需要的信息量I为

$I_{(S1,S2,...,Sn)}=-\underset{i=1}{\overset{n}{\Σ}}\left(\frac{Si}{S}\right)*{\log }_2\left(\frac{Si}{S}\right)$

假设一个类别Ci的k维特征向量为{c1,c2,……，ck}，利用类别Ci将样本S划分成k个子集{S1,S2，……，Sk}，Sij表示子集Sj中属于Ci的样本个数，则Ci的信息熵或数学期望E(Ci)为：

$E\left(Ci\right)=\underset{j=1}{\overset{k}{\Σ}}\frac{Si1+...Sij}{S}\×I_{(Si1,Si2,...,Sij)}$

因此每个类别的信息增益可以通过以下公式得到，

Gain(Ci)＝I_(S1,S2,LSn)-E(Ci)

通过计算每个类别的信息增益作为类别的划分。

“误差大于给定阈值”是进入大误差数据分类器误差收集的首要特征条件。误差收集算法会计算T时间段内的负荷是否满足递增或递减的条件，如果满足递增或递减的条件，则计算递增或递减的趋势，由于T取值较小一般不超过一周，因此可以选用线性函数拟合递增递减的趋势。如果T时间段内负荷平稳，算法会提取预测时刻和实际的运行数据，根据特征增益计算将误差归类到已知特征状态或自定义的某个特征状态。

如图5所示，是基于大误差数据分类动态修正方法误差修正流程图。误差修正的前提是在图4所示的建立的大误差数据分类器中寻找相匹配的误差数据。算法根据采样的特征逐项匹配分类器中的每种特征，一旦匹配成功则对预测数据进行修正，如果没有匹配成功输出数据既原先的神经网络预测结果数据。

假设一个类别Ci的k维特征向量为{c1,c2,……，ck}，实测值ri的k维特征向量{r1,r2,……，rk}，需要满足：

|Ci-ri|<ei，

且

$\underset{i=1}{\overset{k}{\&Sigma;}}\sqrt{{(Ci-ri)}^2}<\mathrm{\&epsiv;}$

其中i＝1，2，……，k；ei表示单个特征值浮动范围，ε表示向量标准差的阈值。

Claims (7)

1.一种微电网短期功率和负荷预测系统，其特征是，包括数据通信和处理模块、数据存储模块、预测算法模块和误差动态分类修正模块；

数据通信和处理模块采集外部数据，进行数据预处理，并将预测结果上传至能力管理系统或区域调度系统；

数据存储模块将采集的数据存储在数据库中或以文本文件存储；

预测算法模块基于神经网络算法，包括神经网络模型训练和神经网络预测两部分；

误差动态分类修正模块包括误差分类模块和误差修正模块；

误差分类模块定时分别比较实际采集处理的功率和负荷数据与之前预测的功率和负荷数据，如果预测数据和实际数据误差超过系统设定的阈值，则判定该预测数据为大误差数据；出现大误差数据后，记录大误差数据发生时与预测点相关联的遥测值和状态量；经过误差分类处理，将该误差数据的特征存储在误差分类器中；

误差修正模块对神经网络预测结果进一步修正；神经网络预测的结果作为误差修正模块的输入，误差修正模块通过特征值遍历误差分类器，如果没有匹配结果则以原先神经网络预测的结果作为整个预测系统的预测结果，如果在误差分类器中匹配成功，则寻找特征值最接近的此前误差结果的实际值作为整个预测系统的预测结果。

2.根据权利要求1所述的微电网短期功率和负荷预测系统，其特征是，数据通信和处理模块支持电力系统的常用通信规约，包括IEC870-5-102、IEC870-5-103、IEC870-5-104和Modbus，同时支持FTP方式下载来自因特网的数值天气预报数据。

3.根据权利要求1所述的微电网短期功率和负荷预测系统，其特征是，

历史气象数据和历史的运行数据作为神经网络模型训练的输入，经过神经网络算法的训练得到神经网络的权值参数，既得到预测模型；

神经网络预测时，将预测的气象数据和实时的运行带入训练好的神经网络预测中建立的预测模型中，既得到预测结果。

4.基于权利要求1所述的微电网短期功率和负荷预测系统误差分类动态修正方法，其特征是，包括以下步骤：

数据通信和处理模块定时采集外部数据，进行数据预处理，并将采集的数据存储在数据库中或以文本文件存储；

预测算法模块基于神经网络算法，结合历史气象数据和历史功率数据训练神经网络模型，将实时气象数据和运行数据作为神经网络模型的输入，通过代入运算得到预测结果，预测微电网功率数据或/和负荷数据；

将预测结果与实际计算的数据进行比较，如果误差数据满足预设的阈值，由误差动态分类修正模块对新产生的该误差数据进行误差数据分类，并带入误差分类器中进行误差匹配，如果预测条件和预测结果与之前发生的误差相匹配，那么误差动态分类修正模块对预测数据进行修正，如果匹配不成功则使用预测算法模块的预测结果作为预测的最终结果。

5.根据权利要求4所述的微电网短期功率和负荷预测系统误差分类动态修正方法，其特征是，误差动态分类修正模块包括误差分类模块和误差修正模块；

误差分类模块定时分别比较实际采集的功率和负荷数据与之前预测的功率和负荷数据，如果预测数据和实际数据误差超过系统设定的阈值，则判定该预测数据为大误差数据；出现大误差数据后，记录大误差数据发生时与预测点相关联的属性特征值；经过误差分类处理，将该误差数据的特征存储在误差分类器中；

误差修正模块对神经网络预测结果进一步修正；神经网络预测的结果作为误差修正模块的输入，误差修正模块通过特征值遍历误差分类器，如果没有匹配结果则以原先神经网络预测的结果作为整个预测系统的预测结果，如果在误差分类器中匹配成功，则寻找属性特征值最接近的此前误差结果的实际值作为整个预测系统的预测结果。

6.根据权利要求4或5所述的微电网短期功率和负荷预测系统误差分类动态修正方法，其特征是，通过选择最高信息增益的方法确定误差数据的分类。

7.根据权利要求6所述的微电网短期功率和负荷预测系统误差分类动态修正方法，其特征是，如果误差数据大于设定阈值，自动采集预测点的遥测值和状态量，通过特征值分析和自适应匹配，判定误差的种类，并记录在误差数据分类器中；

包括以下步骤：

每一个节点表示微电网内与负荷数据相关的特征值，通过选择具有最高信息增益的属性作为当前节点的属性；

设S表示一个微电网负荷和与负荷相关特征量的数据样本集合，样本划分成若干个不同的类别集合{C1，C2，……，Cn}；设Si为类别Ci中的样本个数(i＝1，2……n)，那么对一个给定数据对象进行类别所需要的信息量I为

$I_{(S1,S2,...,Sn)}=-\underset{i=1}{\overset{n}{\&Sigma;}}\left(\frac{Si}{S}\right)*{\log }_2\left(\frac{Si}{S}\right)$

设一个类别Ci的k维特征向量为{c1,c2,……，ck}，利用类别Ci将样本S划分成k个子集{S1,S2，……，Sk}，Sij表示子集Sj中属于Ci的样本个数，则Ci的信息熵或数学期望E(Ci)为：

$E\left(Ci\right)=\underset{j=1}{\overset{k}{\&Sigma;}}\frac{Si1+...Sij}{S}\&times;I_{(Si1,Si2,...,Sij)}$

每个类别的信息增益由下式计算得到

Gain(Ci)＝I_(S1,S2,L,Sn)-E(Ci)。