CN105117803A - 一种基于非需求响应因素的基线预测和优化方法 - Google Patents

Abstract

本发明公开了一种基于非需求响应因素的基线预测和优化方法，其特征是，包括如下步骤：1)确定备选非需求响应因素；2)计算各备选非需求响应因素与负荷的关联度；3)构建特征量矩阵，根据需求相应日构建特征量矩阵；4)计算关联度并确定相似日；5)分别采用相似日加权法、多元线性回归法和RBF神经网络法对基线进行计算；6)采用组合计算模型进行计算得到最终的基线预测值。本发明所达到的有益效果：充分考虑了非需求响应因素对用户负荷特性和基线预测的影响，并通过非需求响应因素挖掘、相似日选择和基线计算等步骤，采用组合计算模型综合加权法、多元线性回归法、RBF神经网络法等负荷预测方法的优点，极大地提高了需求响应基线预测的准确性。

Description

一种基于非需求响应因素的基线预测和优化方法

技术领域

本发明涉及一种需求响应中基线预测和优化问题，属于电力系统及其自动化技术领域。

背景技术

新世纪以来，电力需求迅猛增长，尽管电力建设高速发展，但是由于负荷需求的飞速增长，能源危机和供需矛盾日益严峻，我国大部分地区出现区域性、季节性、时段性、结构性的缺电和峰谷差扩大现象并将长期存在。需求响应作为调节电力供需平衡的重要手段，采取有效的激励和引导措施以及适宜的运作方式，提高终端用电效率和改变用电方式，可有效保持供用电平衡，保障电网的稳定运行。

但是在具体的实践中，对于需求响应的基线预测一直是存在的一大难题，传统的基线预测方法基于用户负荷这一单一电能数据，未考虑天气因素、生产信息、经济发展情况等其他因素，因而预测结果存在较大误差，极大地制约了需求响应技术的应用和需求响应项目的开展。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种需求响应下准确预测基线的计算方法，将非需求响应因素对负荷的影响纳入到基线负荷的计算中，充分发挥了其运用效率。

为了实现上述目标，本发明采用如下的技术方案：

一种基于非需求响应因素的基线预测和优化方法，其特征是，包括如下步骤：

1)确定所需要用的备选非需求响应因素；

2)采用灰色关联分析法计算各备选非需求响应因素与负荷的关联度，根据结果选择所需要用的非需求响应因素；

3)根据步骤2)得到的非需求响应因素和备选相似日构建特征量矩阵；根据需求响应日构建特征量矩阵；

4)计算关联度并确定相似日；

5)根据步骤4)中的结果分别采用相似日加权法、多元线性回归法和RBF神经网络法对基线进行计算；

6)对步骤5)的结果采用组合计算模型进行计算，得到最终的基线预测值。

前述的一种基于非需求响应因素的基线预测和优化方法，其特征是，所述步骤1)中，备选非需求响应因素的选取遵循以下原则：1)历史数据可获取；2)数据可量化；3)样本数量足够。

前述的一种基于非需求响应因素的基线预测和优化方法，其特征是，所述步骤2)包括如下步骤：

21)对于m个备选非需求响应因素，选取相同时间间隔的特征量，形成比较序列：

x_i＝{x_i(1),x_i(2),x_i(3),……,x_i(p)}(1)

式中，x_i(p)为第i个备选非需求响应因素的第p个特征量，i＝1,2,……,m；p为所取特征量数量；

22)获取历史负荷数据的特征量序列，记为参考序列y：

y＝{y(1),y(2),y(3),……,y(p)}(2)

式中，y(p)为历史负荷数据的第p个特征量；

23)计算关联系数：

式中，ξ_i(h)为参考序列y与比较序列x_i在第h个特征量上的关联系数，h＝1,2,……p，ρ为分辨系数；

24)计算y和比较序列x_i的关联度：

式中，γ_i为y和比较序列x_i的关联度，其值表征了第i个备选非需求响应因素与用电负荷的相关性，i＝1,2,……,m；

25)选择与y的关联度γ_i＞0.9的比较序列所对应的备选非需求响应因素作为本方法中需要考虑的非需求响应因素。

前述的一种基于非需求响应因素的基线预测和优化方法，其特征是，所述步骤23)中ρ＝0.5。

前述的一种基于非需求响应因素的基线预测和优化方法，其特征是，所述步骤3)中，

对于m个备选相似日，每个相似日有s个非需求响应因素，选取相同时间间隔的特征量形成比较序列，特征量的数量为p个，构成m个s×p的特征量矩阵：

其中，A_i表示第i个备选相似日的特征量矩阵，x_i,j(p)表征第i个备选相似日中第j个非需求响应因素的第p个特征量；

对于需求响应日，采用上述同样的方法建立特征量矩阵A，

其中，x_j(p)表示第j个非需求响应因素选取的第p个特征量。

前述的一种基于非需求响应因素的基线预测和优化方法，其特征是，所述步骤4)中包括如下步骤：

41)对于m个备选相似日，分别计算特征量矩阵A_i和A相同行序列的相关度，则m个备选相似日分别得到s个关联度，计为λ_i,j(1≤i≤m,1≤j≤s)，其表征第i个备选相似日的第j个非需求响应因素与待预测需求响应日的对应因素的相关度；计算方法如下：

其中，x_i,j(h)表征第i个备选相似日中第j个非需求响应因素的第h个特征量；x_j(h)表征需求响应日的第j个非需求响应因素的第h个特征量；

42)计算备选相似日i(1≤i≤m)与需求响应日的加权关联度λ_i：

其中，γ_j(1≤j≤s)为步骤25)得到的本方法需要考虑的的第j个非需求响应因素与负荷的关联度；λ_i,j为第i个备选相似日的第j个非需求响应因素与需求响应日对应因素的关联度；λ_i为第i个备选相似日的加权关联度；ω_j为第j个非需求响应因素的加权系数；

43)确定相似日：选取λ_i＞0.9(1≤i≤m)的备选相似日作为相似日。

本发明所达到的有益效果：充分考虑了非需求响应因素对用户负荷特性和基线预测的影响，并通过非需求响应因素挖掘、相似日选择和基线计算等步骤，采用组合计算模型综合加权法、多元线性回归法、RBF神经网络法等负荷预测方法的优点，极大地提高了需求响应基线预测的准确性。

附图说明

图1为本发明方法的总流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明涉及的一种考虑非需求响应因素的基线预测和优化方法，包括以下步骤：

步骤1)：确定备选非需求响应因素；

非需求响应因素指需求响应常用的电价激励、补偿等手段之外的所有可能影响负荷基线的因素。常见的非需求响应因素有气温、湿度、生产班制等，而股市、车流量、空气质量、风速、重大节日、突发事件等众多因素也可能是影响基线的因素。

需要从数量庞大的数据中确定可进行关联度分析的备选非需求响应因素，确定方法遵循以下原则：1)历史数据可获取；2)数据可量化；3)样本数量足够。

步骤2)：分析各备选因素与负荷的关联度，采用灰色关联分析法分析各备选非需求响应因素与历史负荷的关联度。

具体包括如下步骤：

(21)对于m个备选非需求响应因素，选取相同时间间隔的特征量(如96点实际负荷中，各时间段对应的负荷)形成比较序列：

x_i＝{x_i(1),x_i(2),x_i(3),……,x_i(p)}(1)

式中，x_i(p)为第i个备选非需求响应因素的第p个特征量，i＝1,2,……,m；p＝96，为每日所取特征量数量。

(22)获取历史负荷数据的特征量序列，记为参考序列y：

y＝{y(1),y(2),y(3),……,y(p)}(2)

式中，y(p)为历史负荷数据的第p个特征量。

(23)计算关联系数：

式中，ξ_i(h)为参考序列y与比较序列x_i在第h个特征量上的关联系数，h＝1,2,……p；ρ为分辨系数，通常取ρ＝0.5。

(24)计算y和比较序列x_i的关联度：

式中，γ_i为y和比较序列x_i的关联度，其值表征了第i个非需求响应因素与用电负荷的相关性，i＝1,2,……,m。

(25)选择与y的关联度γ_i＞0.9的比较序列所对应的备选非需求响应因素作为基线预测模型中需要考虑的非需求响应因素。

步骤3)：相似日的选择：假设在非需求响应因素挖掘环节共确定了s个与负荷关联度较大的非需求响应因素。本节通过计算各备选相似日与待预测日的非需求响应因素的关联度，确定基线计算时可使用的相似日。

构建特征量矩阵：对于m个备选相似日，每个相似日有s个非需求响应因素，选取相同时间间隔的特征量形成比较序列(取p个特征量)，则可构成m个s×p的特征量矩阵：

其中，x_i,j(p)表征第i个备选相似日中第j个非需求响应因素的第p个特征量。

对于需求响应日，同样的方法可建立特征量矩阵A，其中x_j(p)表示第j个非需求响应因素选取的第p个特征量。

步骤4)：计算关联度：

41)对于m个备选相似日，分别计算其各非需求响应因素比较序列特征量与对应同行的需求响应日各非需求响应因素参照序列特征量的相关度，即计算特征量矩阵A_i和A相同行序列的相关度，计算方法步骤2)。

则m个备选相似日分别得到s个关联度，计为λ_i,j(1≤i≤m,1≤j≤s)。

42)计算备选相似日i(1≤i≤m)与需求响应日的加权关联度λ_i：

其中，γ_i(1≤i≤s)为1.2节得到的满足γ_i＞0.9条件的第i个非需求响应因素与负荷的关联度；λ_i,j为第i个备选相似日的第j个非需求响应因素关联度；λ_i为第i个备选相似日的加权关联度；ω_k为第k个非需求响应因素的加权系数。

43)确定相似日：选取λ_i＞0.9(1≤i≤m)的备选相似日作为相似日。

步骤5)：基线预测：基于灰色关联分析法得到的相似日，采用相似日加权法、多元线性回归法和RBF神经网络法分别对基线进行计算，最后采用组合计算法，得到最终的基线预测值。

具体步骤如下：

51)相似日加权法

根据相似日负荷来预测需求响应日的基线负荷P_basic(t)：

式中，P_simi,k(t)为用户第k个相似日的96点实际负荷，可由相似日的历史统计数据得到。t＝1,2,……96；m为提取的相似日天数；ω_k为第k个相似日的加权系数；λ_k为2.3节中满足λ_i＞0.9条件的第k个相似日的关联度，k＝1,2,……m。

52)线性回归法

(1)建立多元线性回归方程

y＝b₀+b₁x₁+.......b_mx_m+εε∈N(0,δ²)(11)

其中，b₀,b₁,……,b_m为回归系数，ε为随机误差。

(2)未知参数估计

将相似日历史负荷数据代入上式得：

Y＝XB+ε(12)

式中：

p＝96，为相似日每日所取负荷点数；m为提取的相似日天数。

(3)求未知参数

用最小二乘法求未知参数b₀,b₁,……,b_m的估计量，得到线性回归方程为：

(4)计算基线负荷

带入相似日负荷数据计算需求响应日的基线负荷P_basic(t)：

式中，P_simi,k(t)为第k个相似日的96点实际负荷，m为提取的相似日天数。

53)RBF神经网络法

RBF神经网络法分为三层，分别是输入层，隐含层和输出层。其中，信号源节点直接作为输入层，并将信号传递给隐含层，隐含层由RBF函数求解问题，输出层将隐含层的非线性函数进行加权，得到最终结果。

(1)隐含层

使用径向非线性基函数作为隐含层的“基”，即隐含层节点k的高斯函数表达式为：

式中，k＝1,2,……M；X＝{x_ii＝1,2,……n)}是n维输入向量；T_ki为节点k的中心T_k的第i个分量，δ_k为节点k的Gauss分布宽度；||·||表示欧式范数。

(2)输出层

输出层函数为：

式中，k＝1,2,……M，为隐含层节点；w_k为隐含层到输出层的权值。

(3)RBF神经网络法计算步骤

1)确定学习中心

采用K-均值聚类算法将n维输入向量聚合为M类，各聚类中心记为T_k，k＝1,2,……M。

2)确定方差δ_k

方差δ_k(k＝1,2,……M)计算公式为：

式中，M为隐含层个数；d_max为所取中心之间的最大距离。

3)计算学习权值w_k

可以采用最小均方差算法完成权值的学习。

(4)基线计算

对选定的n个相似日的96点负荷分别采用RBF神经网络法进行计算，得到需求响应日各时间点的预测负荷。以时间点t为例，将n个相似日在时间点t的负荷构成n维向量X(X＝{x_i|i＝1,2,……n)})，输进输入层，采用上述方法，经过隐含层计算和输出层加权，得到需求响应日对应时间点t的基线负荷值P_basic(t)。

步骤6)：对步骤5)的结果采用组合计算模型进行计算，得到最终的基线预测值。

上文共采用了加权法、多元线性回归法和RBF神经网络法等三种方法分别对基线进行计算。组合计算法可以将各个模型有机地组合在一起，综合各个模型的优点，提供更为准确的预测结果。

(1)组合计算模型

上述进行基线计算时，共采用了m(m＝3)种计算方法，设某一时段的实际值为y_t(t＝1,2…,…9，6)其中利用第i种计算方法对t时段的预测值为f_i,t(i＝1,2,……m)，则相应的计算误差为e_i,t＝y_t-f_i,t，各种计算方法的权重为W＝[w₁,w₂,…,w_m]^T，且满足则计算组合模型可表示为：

组合计算模型对基线预测的绝对误差为：

组合计算模型的优化问题转化为求下面的条件极值问题：

(2)计算误差的表征

基线计算不同于负荷预测的一点是，负荷预测的真实值可以从历史数据中获取，而基线计算的真实值无法获取，即计算误差无法直接表征。本专利采用学习法来计算基线预测的误差，即对选取的n个相似日，分别将一相似日负荷作为预测对象(参照量)，其它n-1个相似日负荷数据作为学习样本，并采用上述加权法、多元线性回归法和RBF神经网络法分别对相似日负荷进行预测，计算预测误差。将采用方法i(i＝1,2,……m)预测第j(j＝1,2,……n)日的t(t＝1,2,……96)时段负荷的预测误差记为e_i,j,t，其计算公式为：

e_i,j,t＝y_j,t-f_i,j,t(21)

式中，y_j,t为预测的第j日的t时段的真实值，f_i,j,t为采用方法i预测的第j日的t时段负荷的预测值。将利用第i种计算方法对t时段负荷进行预测的误差定义为e_i,t，其计算公式如下：

此时，组合计算模型对基线预测的绝对误差e_t可表示为：

(3)组合计算模型求解

该组合计算模型可用进化规划法来求解，步骤如下：

1)初始化

将问题的解用数字串表示，每个码对应于一个变量，将权系数作为变量来进行编码，对每个变量在其取值范围内随机取一赋值给相应的串码，形成一个初始解，如此重复n次，形成初始解群：

P_i＝[w₁,w₂,…,w_n]i＝1,2,…,n(24)

2)统计

将式(20)中的J作为适应函数，对每个串求出适应值，统计和计算出最大适应值J_max、最小适应值J_min、总适应值J_sum和平均适应值J_avg

3)变异

对当前群中的每个串进行变异操作，对串中的每个码加一个变异量,变异量的大小采用高斯分布：

j＝1,2,…,m(25)

式中，P_i,j表示第i个个体的第j个元素；N(0,e²)表示均值为0，方差为e²的高斯随机变量；和分别表示第j个元素的上限和下限；J_max为旧群体中的最大适应值；J_i为该个体的适应值；U为变异尺度，在0到1范围内取值；P_i+n,j表示由第i个个体变异出的第i+n个个体的第j个元素值。

此时，变异出的n个个体和旧群中的n个个体形成由2n个个体构成的组合群，计算出每个个体的适应值。

4)竞争

组合群中的每个个体和其它个体竞争，产生一定数量的个体进入下一代群体。

首先，对每个个体赋予权重：

式中，q为竞争数目；S_i取值为0或1，表示个体i跟随机选取的个体r竞争的输赢，1表示赢，0表示输，它可表示为：

其中，u是0到1的随机数；J_r和J_i分别是个体r和个体i的适应值。

其次，按照权重大小对所有个体进行排序。

最后，选取权重较大的n个个体进入新种群。

5)迭代

重复(2)、(3)、(4)，直到得到满意解，这里满意解为式(20)条件极值问题的帕累托最优解，或当循环次数大于设定值时，已求得可行解中的最优解。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于非需求响应因素的基线预测和优化方法，其特征是，包括如下步骤：

1)确定所需要用的备选非需求响应因素；

2)采用灰色关联分析法计算各备选非需求响应因素与负荷的关联度，根据结果选择所需要用的非需求响应因素；

3)根据步骤2)得到的非需求响应因素和备选相似日构建特征量矩阵；根据需求响应日构建特征量矩阵；

4)计算关联度并确定相似日；

5)根据步骤4)中的结果分别采用相似日加权法、多元线性回归法和RBF神经网络法对基线进行计算；

6)对步骤5)的结果采用组合计算模型进行计算，得到最终的基线预测值。

2.根据权利要求1所述的一种基于非需求响应因素的基线预测和优化方法，其特征是，所述步骤1)中，备选非需求响应因素的选取遵循以下原则：1)历史数据可获取；2)数据可量化；3)样本数量足够。

3.根据权利要求1所述的一种基于非需求响应因素的基线预测和优化方法，其特征是，所述步骤2)包括如下步骤：

21)对于m个备选非需求响应因素，选取相同时间间隔的特征量，形成比较序列：

x_i＝{x_i(1),x_i(2),x_i(3),……,x_i(p)}(1)

式中，x_i(p)为第i个备选非需求响应因素的第p个特征量，i＝1,2,……,m；p为所取特征量数量；

22)获取历史负荷数据的特征量序列，记为参考序列y：

y＝{y(1),y(2),y(3),……,y(p)}(2)

式中，y(p)为历史负荷数据的第p个特征量；

23)计算关联系数：

${\mathrm{\ξ}}_i\left(h\right)\frac{\underset{1\≤i\≤m}{\min }\underset{1\≤h\≤p}{\min }|y\left(h\right)-x_i\left(h\right)|+\mathrm{\ρ}\underset{1\≤i\≤m}{\max }\underset{1\≤h\≤p}{\max }|y\left(h\right)-x_i\left(h\right)|}{|y\left(h\right)-x_i\left(h\right)|+\mathrm{\ρ}\underset{1\≤i\≤m}{\max }\underset{1\≤h\≤p}{\max }|y\left(h\right)-x_i\left(h\right)|}---\left(3\right)$

式中，ξ_i(h)为参考序列y与比较序列x_i在第h个特征量上的关联系数，h＝1,2,……p，ρ为分辨系数；

24)计算y和比较序列x_i的关联度：

${\mathrm{\γ}}_i=\frac{1}{p}\underset{h=1}{\overset{p}{\Σ}}{\mathrm{\ξ}}_i\left(h\right)---\left(4\right)$

式中，γ_i为y和比较序列x_i的关联度，其值表征了第i个备选非需求响应因素与用电负荷的相关性，i＝1,2,……,m；

25)选择与y的关联度γ_i＞0.9的比较序列所对应的备选非需求响应因素作为本方法中需要考虑的非需求响应因素。

4.根据权利要求3所述的一种基于非需求响应因素的基线预测和优化方法，其特征是，所述步骤23)中ρ＝0.5。

5.根据权利要求3所述的一种基于非需求响应因素的基线预测和优化方法，其特征是，所述步骤3)中，

对于m个备选相似日，每个相似日有s个非需求响应因素，选取相同时间间隔的特征量形成比较序列，特征量的数量为p个，构成m个s×p的特征量矩阵：

$A_i=\left[\begin{array}{c}{x}_{i,1}\left(1\right),x_{i,1}\left(2\right),x_{i,1}\left(3\right),......,x_{i,1}\left(p\right)\\ x_{i,2}\left(1\right),x_{i,2}\left(2\right),x_{i,2}\left(3\right),......,x_{i,2}\left(p\right)\\ ......\\ x_{i,j}\left(1\right),x_{i,j}\left(2\right),x_{i,j}\left(3\right),......,x_{i,j}\left(p\right)\\ ......\\ x_{i,s}\left(1\right),x_{i,s}\left(2\right),x_{i,s}\left(3\right),......,x_{i,s}\left(p\right)\end{array}\right]---\left(5\right)$

其中，A_i表示第i个备选相似日的特征量矩阵，x_i,j(p)表征第i个备选相似日中第j个非需求响应因素的第p个特征量；

对于需求响应日，采用上述同样的方法建立特征量矩阵A，

$A=\left[\begin{array}{c}{x}_1\left(1\right),x_1\left(2\right),x_1\left(3\right),......,x_1\left(p\right)\\ x_2\left(1\right),x_1\left(2\right),x_2\left(3\right),......,x_2\left(p\right)\\ ......\\ x_j\left(1\right),x_j\left(2\right),x_j\left(3\right),......,x_j\left(p\right)\\ ......\\ x_s\left(1\right),x_s\left(2\right),x_s\left(3\right),......,x_s\left(p\right)\end{array}\right]---\left(6\right)$

其中，x_j(p)表示第j个非需求响应因素选取的第p个特征量。

6.根据权利要求5所述的一种基于非需求响应因素的基线预测和优化方法，其特征是，所述步骤4)中包括如下步骤：

41)对于m个备选相似日，分别计算特征量矩阵A_i和A相同行序列的相关度，则m个备选相似日分别得到s个关联度，计为λ_i,j(1≤i≤m,1≤j≤s)，其表征第i个备选相似日的第j个非需求响应因素与待预测需求响应日的对应因素的相关度；计算方法如下：

${\mathrm{\λ}}_{i,j}=\frac{\underset{1\≤i\≤m}{\min }\underset{1\≤h\≤p}{\min }|x_{i,j}\left(h\right)-x_j\left(h\right)|+\mathrm{\ρ}\underset{1\≤i\≤m}{\max }\underset{1\≤h\≤p}{\max }|x_{i,j}\left(h\right)-x_j\left(h\right)|}{|x_{i,j}\left(h\right)-x_j\left(h\right)|+\mathrm{\ρ}\underset{1\≤i\≤m}{\max }\underset{1\≤h\≤p}{\max }|x_{i,j}\left(h\right)-x_j\left(h\right)|}$

其中，x_i,j(h)表征第i个备选相似日中第j个非需求响应因素的第h个特征量；x_j(h)表征需求响应日的第j个非需求响应因素的第h个特征量；

42)计算备选相似日i(1≤i≤m)与需求响应日的加权关联度λ_i：

${\mathrm{\λ}}_i=\underset{j=1}{\overset{s}{\Σ}}{\mathrm{\ω}}_j{\mathrm{\λ}}_{i,j}---\left(7\right)$

${\mathrm{\ω}}_j=\frac{{\mathrm{\γ}}_j}{\underset{i=1}{\overset{s}{\Σ}}{\mathrm{\γ}}_j}---\left(8\right)$

其中，γ_j(1≤j≤s)为步骤25)得到的本方法需要考虑的的第j个非需求响应因素与负荷的关联度；λ_i,j为第i个备选相似日的第j个非需求响应因素与需求响应日对应因素的关联度；λ_i为第i个备选相似日的加权关联度；ω_j为第j个非需求响应因素的加权系数；

43)确定相似日：选取λ_i＞0.9(1≤i≤m)的备选相似日作为相似日。