CN106779253A - 一种计及光伏的配电网短期负荷预测方法及装置 - Google Patents
一种计及光伏的配电网短期负荷预测方法及装置 Download PDFInfo
- Publication number
- CN106779253A CN106779253A CN201710087323.2A CN201710087323A CN106779253A CN 106779253 A CN106779253 A CN 106779253A CN 201710087323 A CN201710087323 A CN 201710087323A CN 106779253 A CN106779253 A CN 106779253A
- Authority
- CN
- China
- Prior art keywords
- data
- power data
- load
- node
- load power
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 54
- 238000012706 support-vector machine Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000013277 forecasting method Methods 0.000 claims abstract description 13
- 241001269238 Data Species 0.000 claims description 27
- 240000002853 Nelumbo nucifera Species 0.000 claims description 20
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 20
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 8
- 108010001267 Protein Subunits Proteins 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N ferric oxide Chemical compound O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了一种计及光伏的配电网短期负荷预测方法及装置，用于解决现有的配电网的负荷节点众多，如果全部都单独预测，计算量大，具有误差累积效应；如果整个区域的负荷叠加在一起进行预测，忽略了不同负荷特性的差异性，预测精度不高的技术问题。本发明实施例的一种计及光伏的配电网短期负荷预测方法包括：S1：对分布式光伏和电网负荷构成的净负荷功率数据的缺失数据和不良数据进行预处理；S2：通过模糊C聚类方法将满足预定条件的所述净负荷功率数据分为5个聚类负荷；S3：通过基于相似日和支持向量机的短期负荷预测方法分别对各个聚类负荷进行负荷预测，将各个聚类负荷的负荷预测结果进行叠加。
Description
技术领域
本发明涉及电力系统负荷预测技术领域，尤其涉及一种计及光伏的配电网短期负荷预测方法及装置。
背景技术
随着并网光伏发电技术的不断发展及政策扶持力度的加大，光伏发电成本大大降低，分布式光伏发电在配电网中的渗透率不断增大，使得配电网的电力负荷产生较大的变化，对配电网的规划、电力调度等工作产生了一定的影响。同时，分布式光伏的间歇性、随机性等缺陷也使得负荷预测工作更为复杂。如果不考虑分布式光伏的变化情况对电力系统负荷的影响，单纯考虑网供负荷进行负荷预测，必然会产生较大的误差，因此做好分布式光伏并网之后的预测工作非常必要。
配电网的负荷节点众多，如果全部都单独预测，计算量大，具有误差累积效应；如果整个区域的负荷叠加在一起进行预测，忽略了不同负荷特性的差异性，预测精度不高。目前较多采用聚类负荷的思想，将满足一定条件的若干负荷组合成一个聚类负荷，分别对聚类负荷预测，再将各聚类负荷的预测结果叠加，该方法计算量小，同时又兼顾了不同的负荷特性。
负荷功率预测技术可以大致分为：经典预测技术、传统预测方法和现代预测技术。经典预测技术主要包括单耗法、弹性系数法、分区负荷密度法，从严格意义上来讲并不是真正的预测方法，它只是依靠一些简单的变量关系及专家经验来对未来的负荷变化做出一个方向性的结论，预测精度并不理想。传统预测方法主要包括时间序列法、回归分析法及灰色模型法，原理简单，理论成熟，但对于新能源接入后的配电网负荷预测适应性较差。目前应用较多的现代预测技术主要包括人工神经网络法、专家系统法、遗传算法、支持向量机。人工神经网络提前量适用范围较广，能够自适应、自学习，适合描述功率预测模型的复杂非线性特点，但训练时间长，对训练样本相似性要求较高，容易陷入局部最优。专家系统法能够克服单一算法的片面性，同时全过程的程序化，使得该方法具有快速决断的优点，但由于预测专家比较缺乏，预测过程易出现人为差错，同时需要将专家经验转化为数学规则转化为数据库，在实践中应用并不多。遗传算法具有全局优化能力，但需要选择、杂交、变异、评价等操作，计算复杂。
发明内容
本发明实施例提供了一种计及光伏的配电网短期负荷预测方法及装置，解决了配电网的负荷节点众多，如果全部都单独预测，计算量大，具有误差累积效应；如果整个区域的负荷叠加在一起进行预测，忽略了不同负荷特性的差异性，预测精度不高的技术问题。
本发明实施例提供的一种计及光伏的配电网短期负荷预测方法，包括：
S1：对分布式光伏和电网负荷构成的净负荷功率数据的缺失数据和不良数据进行预处理；
S2：通过模糊C聚类方法将满足预定条件的所述净负荷功率数据分为5个聚类负荷；
S3：通过基于相似日和支持向量机的短期负荷预测方法分别对各个聚类负荷进行负荷预测，将各个聚类负荷的负荷预测结果进行叠加。
优选地，所述步骤S1具体包括：
获取分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)和i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重λ1，对i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)通过第一预置公式进行加权平均处理，得到分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)；
获取分布式光伏和电网负荷构成的净负荷功率数据的不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)、t时刻的阈值θ(t)，若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)大于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和，若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)小于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差。
优选地，所述第一预置公式为：
Pi(d,t)＝λ1Pi(d1,t)+(1-λ1)Pi(d2,t)
其中Pi(d,t)为分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据，Pi(d1,t)、Pi(d2,t)分别为离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据和i节点第d2天t时刻的净负荷功率数据，λ1为i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重。
优选地，所述步骤S3具体包括：
S31：接收预定的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过预定的相似度阈值选择各个聚类负荷功率数据的相似日；
S32：接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与各相似日的后三天的功率数据的平均绝对百分比误差；
S33：通过预定的规则调整预定的相似度阈值和支持向量机参数，获取新的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过新的相似度阈值选择各个聚类负荷功率数据的相似日，接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与通过新的相似度阈值选择各个聚类负荷功率数据的各相似日的后三天的功率数据的新的平均绝对百分比误差进行循环更新所述平均绝对百分比误差；
S34：判断更新的平均绝对百分比误差是否低于预定值，若是，则结束循环，获取低于预定值的平均绝对百分比误差对应的相似度阈值和支持向量机参数，若否，则继续判断循环次数是否达到预置次数，若循环次数达到预置次数，则结束循环，获取最小的平均绝对百分比误差对应的相似度阈值和支持向量机参数，若循环次数没有达到预置次数，则继续进行循环更新平均绝对百分比误差；
S35：通过获取的相似度阈值和支持向量机参数的支持向量机模型分别对各个聚类负荷功率数据进行负荷预测，将各个聚类负荷功率数据的负荷预测结果进行叠加。
优选地，所述步骤S3之后还包括：
S4：判断叠加后的各个聚类负荷功率数据的负荷预测结果精度是否满足预定的条件，若是，则获得各个聚类负荷功率数据未来三天的预测功率数据，若否，则通过改变循环次数的预置次数和聚类负荷的个数进行更新支持向量机模型，直至叠加后的各个聚类负荷功率数据的负荷预测结果精度满足预定的条件。
本发明实施例中提供的一种计及光伏的配电网短期负荷预测装置，包括：
预处理单元，用于对分布式光伏和电网负荷构成的净负荷功率数据的缺失数据和不良数据进行预处理；
划分单元，用于通过模糊C聚类方法将满足预定条件的所述净负荷功率数据分为5个聚类负荷；
预测单元，用于通过基于相似日和支持向量机的短期负荷预测方法分别对各个聚类负荷进行负荷预测，将各个聚类负荷的负荷预测结果进行叠加。
优选地，所述预处理单元具体包括：
第一获取子单元，具体用于获取分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)和i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重λ1；
加权平均处理子单元，具体用于对i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)通过第一预置公式进行加权平均处理，得到分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)；
第二获取子单元，具体用于获取分布式光伏和电网负荷构成的净负荷功率数据的不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)、t时刻的阈值θ(t)；
第一赋值子单元，具体用于若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)大于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和；
第二赋值子单元，具体用于若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)小于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差。
优选地，所述加权平均处理子单元的所述第一预置公式为：
Pi(d,t)＝λ1Pi(d1,t)+(1-λ1)Pi(d2,t)
其中Pi(d,t)为分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据，Pi(d1,t)、Pi(d2,t)分别为离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据和i节点第d2天t时刻的净负荷功率数据，λ1为i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重。
优选地，所述预测单元具体包括：
选择子单元，具体用于接收预定的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过预定的相似度阈值选择各个聚类负荷功率数据的相似日；
计算子单元，具体用于接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与各相似日的后三天的功率数据的平均绝对百分比误差；
第一循环更新子单元，具体用于通过预定的规则调整预定的相似度阈值和支持向量机参数，获取新的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过新的相似度阈值选择各个聚类负荷功率数据的相似日，接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与通过新的相似度阈值选择各个聚类负荷功率数据的各相似日的后三天的功率数据的新的平均绝对百分比误差进行循环更新所述平均绝对百分比误差；
第一判断子单元，具体用于判断更新的平均绝对百分比误差是否低于预定值；
第三获取子单元，具体用于若更新的平均绝对百分比误差低于预定值，则结束循环，获取低于预定值的平均绝对百分比误差对应的相似度阈值和支持向量机参数；
第二判断子单元，具体用于若更新的平均绝对百分比误差不低于预定值，则继续判断循环次数是否达到预置次数；
第四获取子单元，具体用于若循环次数达到预置次数，则结束循环，获取最小的平均绝对百分比误差对应的相似度阈值和支持向量机参数；
第二循环更新子单元，具体用于若循环次数没有达到预置次数，则继续进行循环更新平均绝对百分比误差；
叠加子单元，具体用于通过获取的相似度阈值和支持向量机参数的支持向量机模型分别对各个聚类负荷功率数据进行负荷预测，将各个聚类负荷功率数据的负荷预测结果进行叠加。
优选地，还包括：
优化单元，用于判断叠加后的各个聚类负荷功率数据的负荷预测结果精度是否满足预定的条件，若是，则获得各个聚类负荷功率数据未来三天的预测功率数据，若否，则通过改变循环次数的预置次数和聚类负荷的个数进行更新支持向量机模型，直至叠加后的各个聚类负荷功率数据的负荷预测结果精度满足预定的条件。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例中提供的一种计及光伏的配电网短期负荷预测方法及装置，其中，一种计及光伏的配电网短期负荷预测方法包括：S1：对分布式光伏和电网负荷构成的净负荷功率数据的缺失数据和不良数据进行预处理；S2：通过模糊C聚类方法将满足预定条件的所述净负荷功率数据分为5个聚类负荷；S3：通过基于相似日和支持向量机的短期负荷预测方法分别对各个聚类负荷进行负荷预测，将各个聚类负荷的负荷预测结果进行叠加。本实施例中，通过对缺失数据和不良数据进行预处理，再基于模糊C聚类方法将全体负荷样本数据分为5个聚类负荷，进一步采用基于相似日和支持向量机的短期负荷预测方法，分别对各个聚类进行负荷预测，将预测结果叠加组成整个配电网的负荷预测结果，具有计算量小、精度高的优点，解决了现有的配电网的负荷节点众多，如果全部都单独预测，计算量大，具有误差累积效应；如果整个区域的负荷叠加在一起进行预测，忽略了不同负荷特性的差异性，预测精度不高的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1本发明实施例中提供的一种计及光伏的配电网短期负荷预测方法的一个实施例的流程示意图；
图2本发明实施例中提供的一种计及光伏的配电网短期负荷预测装置的一个实施例的结构示意图；
图3本发明实施例中提供的一种计及光伏的配电网短期负荷预测装置的另一个实施例的结构示意图；
图4本发明实施例中提供的一种计及光伏的配电网短期负荷预测方法的另一个实施例的流程示意图；
图5本发明实施例中提供的一种配电网短期负荷预测的实际预测效果图。
具体实施方式
本发明实施例提供了一种计及光伏的配电网短期负荷预测方法及装置，用于解决现有的配电网的负荷节点众多，如果全部都单独预测，计算量大，具有误差累积效应；如果整个区域的负荷叠加在一起进行预测，忽略了不同负荷特性的差异性，预测精度不高的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中提供的一种计及光伏的配电网短期负荷预测方法的一个实施例包括：
101、对分布式光伏和电网负荷构成的净负荷功率数据的缺失数据和不良数据进行预处理；
将分布式光伏看作功率消耗为负的广义静态负荷，与电网的负荷组成净负荷，根据净负荷数据本身的规律处理缺失值与异常。
102、通过模糊C聚类方法将满足预定条件的所述净负荷功率数据分为5个聚类负荷；
采用FCM(Fuzzy C-means,模糊C均值)聚类的方法，将满足一定条件的若干个节点净负荷组成一个聚类负荷，全体负荷样本数据分为5个聚类负荷。
103、通过基于相似日和支持向量机的短期负荷预测方法分别对各个聚类负荷进行负荷预测，将各个聚类负荷的负荷预测结果进行叠加。
采用基于相似日和支持向量机的短期负荷预测方法，分别对各个聚类进行负荷预测，将预测结果叠加组成整个配电网的净负荷预测结果。
本实施例中，通过将分布式光伏看作功率消耗为负的广义静态负荷，与配电网的负荷组成净负荷，先对缺失数据和不良数据进行预处理，再基于FCM(Fuzzy C-means,模糊C均值)方法将全体负荷样本数据分为5个聚类负荷，进一步采用基于相似日和支持向量机的短期负荷预测方法，分别对各个聚类进行负荷预测，将预测结果叠加组成整个配电网的负荷预测结果，计算量小、精度高，解决了现有的配电网的负荷节点众多，如果全部都单独预测，计算量大，具有误差累积效应；如果整个区域的负荷叠加在一起进行预测，忽略了不同负荷特性的差异性，预测精度不高的技术问题。
上面是对一种计及光伏的配电网短期负荷预测方法进行详细的描述，下面将对一种计及光伏的配电网短期负荷预测方法的过程进行详细的描述，本发明实施例中提供的一种计及光伏的配电网短期负荷预测方法的另一个实施例包括：
201、获取分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)和i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重λ1，对i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)通过第一预置公式进行加权平均处理，得到分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)；
获取分布式光伏和电网负荷构成的净负荷功率数据的不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)、t时刻的阈值θ(t)，若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)大于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和，若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)小于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差；
所述第一预置公式为：
Pi(d,t)＝λ1Pi(d1,t)+(1-λ1)Pi(d2,t)
其中Pi(d,t)为分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据，Pi(d1,t)、Pi(d2,t)分别为离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据和i节点第d2天t时刻的净负荷功率数据，λ1为i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重。
将分布式光伏看作功率消耗为负的广义静态负荷，与电网的负荷组成净负荷，根据净负荷数据本身的规律处理缺失值与异常值。
对于缺失数据的处理通常可以利用相邻日期的正常数据进行补遗，采用离缺失数据日期最近两天的数据，按照下式进行加权平均处理：
Pi(d,t)＝λ1Pi(d1,t)+(1-λ1)Pi(d2,t)
其中，Pi(d,t)为i节点第d天t时刻的净负荷，Pi(d1,t)为i节点第d1天t时刻的净负荷，Pi(d2,t)为i节点第d2天t时刻的净负荷，λ1为Pi(d1,t)所占的权重。
对超出范围的不良数据进行下式处理：
若Pi(d,t)＞Pi(t)+θ(t)，令Pi(d,t)＝Pi(t)+θ(t)；
若Pi(d,t)＜Pi(t)-θ(t)，令Pi(d,t)＝Pi(t)-θ(t)。
其中，Pi(t)为待处理数据i节点近三天t时刻净负荷的平均值，θ(t)为t时刻的阈值。
202、通过模糊C聚类方法将满足预定条件的所述净负荷功率数据分为5个聚类负荷；
采用模糊C均值聚类的方法，将满足一定条件的若干个节点净负荷组成一个聚类负荷，全体负荷样本数据分为5个聚类负荷。
FCM算法的核心思想是用隶属度确定每个数据点属于某个聚类的程度，首先随机选取若干聚类中心，然后通过迭代求取最优聚类中心，使得各样本到各个聚类中心的目标函数达到最小值。
设全体负荷样本数据的集合为P＝{P1,P2,...,Pn}，Pi为第i个节点的净负荷，n为节点数目。FCM算法将n个样本数据分为5个模糊类，5个聚类中心可标记为X＝{X1,X2,X3,X4,X5}。
目标函数即类内加权误差平方和函数，如下所示：
其中，uik为第k个样本Pk属于第i个聚类Xi的隶属度，dik＝||Pk-Xi||第k个样本Pk属于第i个聚类中心的欧式距离。
203、接收预定的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过预定的相似度阈值选择各个聚类负荷功率数据的相似日；
接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与各相似日的后三天的功率数据的平均绝对百分比误差；
通过预定的规则调整预定的相似度阈值和支持向量机参数，获取新的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过新的相似度阈值选择各个聚类负荷功率数据的相似日，接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与通过新的相似度阈值选择各个聚类负荷功率数据的各相似日的后三天的功率数据的新的平均绝对百分比误差进行循环更新所述平均绝对百分比误差；
判断更新的平均绝对百分比误差是否低于预定值，若是，则结束循环，获取低于预定值的平均绝对百分比误差对应的相似度阈值和支持向量机参数，若否，则继续判断循环次数是否达到预置次数，若循环次数达到预置次数，则结束循环，获取最小的平均绝对百分比误差对应的相似度阈值和支持向量机参数，若循环次数没有达到预置次数，则继续进行循环更新平均绝对百分比误差；
通过获取的相似度阈值和支持向量机参数的支持向量机模型分别对各个聚类负荷功率数据进行负荷预测，将各个聚类负荷功率数据的负荷预测结果进行叠加。
采用基于相似日和支持向量机的短期负荷预测方法，分别对各个聚类进行负荷预测，将预测结果叠加组成整个配电网的净负荷预测结果。所述的负荷预测算法，包括以下步骤：
步骤1：选定相似度阈值以及支持向量机的参数，把实时数据和历史数据进行比对，在一定相似度阈值下筛选出一组相似日；
步骤2：取所得的3个相似日，选取3个相似日的功率数据作为输入，然后用模型输出的功率数据与各相似日的后三天的功率数据，计算平均绝对百分比误差；
步骤3：按一定规则调整相似度阈值以及支持向量机参数，产生一组新的相似度阈值以及支持向量机参数，并重新根据步骤1、步骤2算得一组新的平均绝对百分比误差；
步骤4：反复执行步骤3，若某组平均绝对百分比误差低于设定值，则结束循环，将该组相似度阈值及支持向量机参数作为功率预测算法的最终参数；若步骤3被执行达到100次，则结束循环，将平均绝对百分比误差最小的一组相似度阈值以及支持向量机参数作为功率预测算法的最终参数；
步骤5：把实时数据输入训练好的支持向量机模型，便可得到未来三天的预测功率数据。
所述的平均绝对百分比误差，采用如下计算方法：
其中，m为用作误差分析的净负荷值个数，pi为i时刻实际净负荷值，p′i为i时刻预测净负荷值，pM为被预测对象(负荷减去光伏)的额定功率。
204、判断叠加后的各个聚类负荷功率数据的负荷预测结果精度是否满足预定的条件，若是，则获得各个聚类负荷功率数据未来三天的预测功率数据，若否，则通过改变循环次数的预置次数和聚类负荷的个数进行更新支持向量机模型，直至叠加后的各个聚类负荷功率数据的负荷预测结果精度满足预定的条件。
如图4所示，如果配电网的负荷变化较大，导致短期负荷预测精度较低，可以通过改变FCM聚类的个数、预测算法的迭代次数设定值，对模型进行优化。
图5为配电网短期负荷预测的实际预测效果，虚线为预测功率，实线为实际功率。原始数据为2016-05-15到2016-05-30某地区配电网的负荷功率及接入的分布式光伏输出功率。从图5可以看出，本发明提出的负荷预测方法能够较好预测配电网的净负荷，经误差分析可得，其平均绝对百分比误差为3.4％，预测精度较高。
本实施例中，通过对缺失数据和不良数据进行预处理，再基于模糊C聚类方法将全体负荷样本数据分为5个聚类负荷，进一步采用基于相似日和支持向量机的短期负荷预测方法，分别对各个聚类进行负荷预测，将预测结果叠加组成整个配电网的负荷预测结果，此外，通过改变FCM聚类的个数、预测算法的迭代次数，对模型进行优化，计算量小、精度高、适用性广，解决了现有的配电网的负荷节点众多，如果全部都单独预测，计算量大，具有误差累积效应；如果整个区域的负荷叠加在一起进行预测，忽略了不同负荷特性的差异性，预测精度不高的技术问题。
请参阅图2，本发明实施例提供的一种计及光伏的配电网短期负荷预测装置的一个实施例包括：
预处理单元301，用于对分布式光伏和电网负荷构成的净负荷功率数据的缺失数据和不良数据进行预处理；
划分单元302，用于通过模糊C聚类方法将满足预定条件的所述净负荷功率数据分为5个聚类负荷；
预测单元303，用于通过基于相似日和支持向量机的短期负荷预测方法分别对各个聚类负荷进行负荷预测，将各个聚类负荷的负荷预测结果进行叠加。
上面是对一种计及光伏的配电网短期负荷预测装置各单元进行详细的描述，下面将对一种计及光伏的配电网短期负荷预测装置各附加单元进行更详细的描述，请参阅图3，本发明实施例中提供的一种计及光伏的配电网短期负荷预测装置的另一个实施例包括：
预处理单元401，用于对分布式光伏和电网负荷构成的净负荷功率数据的缺失数据和不良数据进行预处理；
预处理单元401具体包括：
第一获取子单元4011，具体用于获取分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)和i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重λ1；
加权平均处理子单元4012，具体用于对i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)通过第一预置公式进行加权平均处理，得到分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)；
所述加权平均处理子单元4012的所述第一预置公式为：
Pi(d,t)＝λ1Pi(d1,t)+(1-λ1)Pi(d2,t)
其中Pi(d,t)为分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据，Pi(d1,t)、Pi(d2,t)分别为离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据和i节点第d2天t时刻的净负荷功率数据，λ1为i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重。
第二获取子单元4013，具体用于获取分布式光伏和电网负荷构成的净负荷功率数据的不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)、t时刻的阈值θ(t)；
第一赋值子单元4014，具体用于若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)大于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和；
第二赋值子单元4015，具体用于若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)小于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差。
划分单元402，用于通过模糊C聚类方法将满足预定条件的所述净负荷功率数据分为5个聚类负荷；
预测单元403，用于通过基于相似日和支持向量机的短期负荷预测方法分别对各个聚类负荷进行负荷预测，将各个聚类负荷的负荷预测结果进行叠加。
所述预测单元403具体包括：
选择子单元4031，具体用于接收预定的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过预定的相似度阈值选择各个聚类负荷功率数据的相似日；
计算子单元4032，具体用于接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与各相似日的后三天的功率数据的平均绝对百分比误差；
第一循环更新子单元4033，具体用于通过预定的规则调整预定的相似度阈值和支持向量机参数，获取新的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过新的相似度阈值选择各个聚类负荷功率数据的相似日，接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与通过新的相似度阈值选择各个聚类负荷功率数据的各相似日的后三天的功率数据的新的平均绝对百分比误差进行循环更新所述平均绝对百分比误差；
第一判断子单元4034，具体用于判断更新的平均绝对百分比误差是否低于预定值；
第三获取子单元4035，具体用于若更新的平均绝对百分比误差低于预定值，则结束循环，获取低于预定值的平均绝对百分比误差对应的相似度阈值和支持向量机参数；
第二判断子单元4036，具体用于若更新的平均绝对百分比误差不低于预定值，则继续判断循环次数是否达到预置次数；
第四获取子单元4037，具体用于若循环次数达到预置次数，则结束循环，获取最小的平均绝对百分比误差对应的相似度阈值和支持向量机参数；
第二循环更新子单元4038，具体用于若循环次数没有达到预置次数，则继续进行循环更新平均绝对百分比误差；
叠加子单元4039，具体用于通过获取的相似度阈值和支持向量机参数的支持向量机模型分别对各个聚类负荷功率数据进行负荷预测，将各个聚类负荷功率数据的负荷预测结果进行叠加。
优化单元404，用于判断叠加后的各个聚类负荷功率数据的负荷预测结果精度是否满足预定的条件，若是，则获得各个聚类负荷功率数据未来三天的预测功率数据，若否，则通过改变循环次数的预置次数和聚类负荷的个数进行更新支持向量机模型，直至叠加后的各个聚类负荷功率数据的负荷预测结果精度满足预定的条件。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种计及光伏的配电网短期负荷预测方法，其特征在于，包括：
S1：对分布式光伏和电网负荷构成的净负荷功率数据的缺失数据和不良数据进行预处理；
S2：通过模糊C聚类方法将满足预定条件的所述净负荷功率数据分为5个聚类负荷；
S3：通过基于相似日和支持向量机的短期负荷预测方法分别对各个聚类负荷进行负荷预测，将各个聚类负荷的负荷预测结果进行叠加。
2.根据权利要求1所述的计及光伏的配电网短期负荷预测方法，其特征在于，所述步骤S1具体包括：
获取分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)和i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重λ1，对i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)通过第一预置公式进行加权平均处理，得到分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)；
获取分布式光伏和电网负荷构成的净负荷功率数据的不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)、t时刻的阈值θ(t)，若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)大于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和，若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)小于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差。
3.根据权利要求2所述的计及光伏的配电网短期负荷预测方法，其特征在于，所述第一预置公式为：
Pi(d,t)＝λ1Pi(d1,t)+(1-λ1)Pi(d2,t)
其中Pi(d,t)为分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据，Pi(d1,t)、Pi(d2,t)分别为离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据和i节点第d2天t时刻的净负荷功率数据，λ1为i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重。
4.根据权利要求3所述的计及光伏的配电网短期负荷预测方法，其特征在于，所述步骤S3具体包括：
S31：接收预定的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过预定的相似度阈值选择各个聚类负荷功率数据的相似日；
S32：接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与各相似日的后三天的功率数据的平均绝对百分比误差；
S33：通过预定的规则调整预定的相似度阈值和支持向量机参数，获取新的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过新的相似度阈值选择各个聚类负荷功率数据的相似日，接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与通过新的相似度阈值选择各个聚类负荷功率数据的各相似日的后三天的功率数据的新的平均绝对百分比误差进行循环更新所述平均绝对百分比误差；
S34：判断更新的平均绝对百分比误差是否低于预定值，若是，则结束循环，获取低于预定值的平均绝对百分比误差对应的相似度阈值和支持向量机参数，若否，则继续判断循环次数是否达到预置次数，若循环次数达到预置次数，则结束循环，获取最小的平均绝对百分比误差对应的相似度阈值和支持向量机参数，若循环次数没有达到预置次数，则继续进行循环更新平均绝对百分比误差；
S35：通过获取的相似度阈值和支持向量机参数的支持向量机模型分别对各个聚类负荷功率数据进行负荷预测，将各个聚类负荷功率数据的负荷预测结果进行叠加。
5.根据权利要求4所述的计及光伏的配电网短期负荷预测方法，其特征在于，所述步骤S3之后还包括：
S4：判断叠加后的各个聚类负荷功率数据的负荷预测结果精度是否满足预定的条件，若是，则获得各个聚类负荷功率数据未来三天的预测功率数据，若否，则通过改变循环次数的预置次数和聚类负荷的个数进行更新支持向量机模型，直至叠加后的各个聚类负荷功率数据的负荷预测结果精度满足预定的条件。
6.一种计及光伏的配电网短期负荷预测装置，其特征在于，包括：
预处理单元，用于对分布式光伏和电网负荷构成的净负荷功率数据的缺失数据和不良数据进行预处理；
划分单元，用于通过模糊C聚类方法将满足预定条件的所述净负荷功率数据分为5个聚类负荷；
预测单元，用于通过基于相似日和支持向量机的短期负荷预测方法分别对各个聚类负荷进行负荷预测，将各个聚类负荷的负荷预测结果进行叠加。
7.根据权利要求6所述的计及光伏的配电网短期负荷预测装置，其特征在于，所述预处理单元具体包括：
第一获取子单元，具体用于获取分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)和i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重λ1；
加权平均处理子单元，具体用于对i节点第d1天t时刻的净负荷功率数据Pi(d1,t)、i节点第d2天t时刻的净负荷功率数据Pi(d2,t)通过第一预置公式进行加权平均处理，得到分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)；
第二获取子单元，具体用于获取分布式光伏和电网负荷构成的净负荷功率数据的不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)、不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)、t时刻的阈值θ(t)；
第一赋值子单元，具体用于若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)大于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的和；
第二赋值子单元，具体用于若不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)小于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差，则令不良数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)等于不良数据i节点近三天t时刻净负荷功率数据的平均值Pi(t)与t时刻的阈值θ(t)的差。
8.根据权利要求7所述的计及光伏的配电网短期负荷预测装置，其特征在于，所述加权平均处理子单元的所述第一预置公式为：
Pi(d,t)＝λ1Pi(d1,t)+(1-λ1)Pi(d2,t)
其中Pi(d,t)为分布式光伏和电网负荷构成的净负荷功率数据的缺失数据：i节点第d天t时刻的净负荷功率数据，Pi(d1,t)、Pi(d2,t)分别为离缺失数据：i节点第d天t时刻的净负荷功率数据Pi(d,t)日期d最近两天的净负荷功率数据：i节点第d1天t时刻的净负荷功率数据和i节点第d2天t时刻的净负荷功率数据，λ1为i节点第d1天t时刻的净负荷功率数据Pi(d1,t)所占的权重。
9.根据权利要求8所述的计及光伏的配电网短期负荷预测装置，其特征在于，所述预测单元具体包括：
选择子单元，具体用于接收预定的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过预定的相似度阈值选择各个聚类负荷功率数据的相似日；
计算子单元，具体用于接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与各相似日的后三天的功率数据的平均绝对百分比误差；
第一循环更新子单元，具体用于通过预定的规则调整预定的相似度阈值和支持向量机参数，获取新的相似度阈值和支持向量机参数，将各个聚类负荷功率数据和预定的历史功率数据进行比对，通过新的相似度阈值选择各个聚类负荷功率数据的相似日，接收选择的相似日中的3个相似日的功率数据，计算输出的功率数据与通过新的相似度阈值选择各个聚类负荷功率数据的各相似日的后三天的功率数据的新的平均绝对百分比误差进行循环更新所述平均绝对百分比误差；
第一判断子单元，具体用于判断更新的平均绝对百分比误差是否低于预定值；
第三获取子单元，具体用于若更新的平均绝对百分比误差低于预定值，则结束循环，获取低于预定值的平均绝对百分比误差对应的相似度阈值和支持向量机参数；
第二判断子单元，具体用于若更新的平均绝对百分比误差不低于预定值，则继续判断循环次数是否达到预置次数；
第四获取子单元，具体用于若循环次数达到预置次数，则结束循环，获取最小的平均绝对百分比误差对应的相似度阈值和支持向量机参数；
第二循环更新子单元，具体用于若循环次数没有达到预置次数，则继续进行循环更新平均绝对百分比误差；
叠加子单元，具体用于通过获取的相似度阈值和支持向量机参数的支持向量机模型分别对各个聚类负荷功率数据进行负荷预测，将各个聚类负荷功率数据的负荷预测结果进行叠加。
10.根据权利要求9所述的计及光伏的配电网短期负荷预测装置，其特征在于，还包括：
优化单元，用于判断叠加后的各个聚类负荷功率数据的负荷预测结果精度是否满足预定的条件，若是，则获得各个聚类负荷功率数据未来三天的预测功率数据，若否，则通过改变循环次数的预置次数和聚类负荷的个数进行更新支持向量机模型，直至叠加后的各个聚类负荷功率数据的负荷预测结果精度满足预定的条件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710087323.2A CN106779253A (zh) | 2017-02-17 | 2017-02-17 | 一种计及光伏的配电网短期负荷预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710087323.2A CN106779253A (zh) | 2017-02-17 | 2017-02-17 | 一种计及光伏的配电网短期负荷预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106779253A true CN106779253A (zh) | 2017-05-31 |
Family
ID=58957366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710087323.2A Pending CN106779253A (zh) | 2017-02-17 | 2017-02-17 | 一种计及光伏的配电网短期负荷预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106779253A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107909219A (zh) * | 2017-12-06 | 2018-04-13 | 广东工业大学 | 一种基于双重聚类的日售电量预测方法及系统 |
| CN108960526A (zh) * | 2018-07-24 | 2018-12-07 | 国网山东省电力公司电力科学研究院 | 一种基于区域等效的分布式光伏出力预测方法和系统 |
| CN109149644A (zh) * | 2018-09-29 | 2019-01-04 | 南京工程学院 | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 |
| CN109272205A (zh) * | 2018-08-24 | 2019-01-25 | 国网河南省电力公司电力科学研究院 | 广义负荷特性分析方法及装置 |
| CN113434690A (zh) * | 2021-08-25 | 2021-09-24 | 广东电网有限责任公司惠州供电局 | 基于聚类算法的用电预测评估方法、装置、系统及介质 |
| CN113627724A (zh) * | 2021-07-02 | 2021-11-09 | 江苏能电科技有限公司 | 电量合理分配的方法、装置、存储介质及太阳能路灯设备 |
| CN116050667A (zh) * | 2023-03-22 | 2023-05-02 | 国网山东省电力公司烟台供电公司 | 面向分布式光伏的智能电网负荷预测管理系统及管理方法 |
-
2017
- 2017-02-17 CN CN201710087323.2A patent/CN106779253A/zh active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107909219A (zh) * | 2017-12-06 | 2018-04-13 | 广东工业大学 | 一种基于双重聚类的日售电量预测方法及系统 |
| CN108960526A (zh) * | 2018-07-24 | 2018-12-07 | 国网山东省电力公司电力科学研究院 | 一种基于区域等效的分布式光伏出力预测方法和系统 |
| CN108960526B (zh) * | 2018-07-24 | 2019-11-05 | 国网山东省电力公司电力科学研究院 | 一种基于区域等效的分布式光伏出力预测方法和系统 |
| CN109272205A (zh) * | 2018-08-24 | 2019-01-25 | 国网河南省电力公司电力科学研究院 | 广义负荷特性分析方法及装置 |
| CN109272205B (zh) * | 2018-08-24 | 2022-03-29 | 国网河南省电力公司电力科学研究院 | 广义负荷特性分析方法及装置 |
| CN109149644A (zh) * | 2018-09-29 | 2019-01-04 | 南京工程学院 | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 |
| CN109149644B (zh) * | 2018-09-29 | 2020-06-09 | 南京工程学院 | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 |
| CN113627724A (zh) * | 2021-07-02 | 2021-11-09 | 江苏能电科技有限公司 | 电量合理分配的方法、装置、存储介质及太阳能路灯设备 |
| CN113627724B (zh) * | 2021-07-02 | 2024-04-05 | 江苏能电科技有限公司 | 电量合理分配的方法、装置、存储介质及太阳能路灯设备 |
| CN113434690A (zh) * | 2021-08-25 | 2021-09-24 | 广东电网有限责任公司惠州供电局 | 基于聚类算法的用电预测评估方法、装置、系统及介质 |
| CN113434690B (zh) * | 2021-08-25 | 2022-02-08 | 广东电网有限责任公司惠州供电局 | 基于聚类算法的用电预测评估方法、装置、系统及介质 |
| CN116050667A (zh) * | 2023-03-22 | 2023-05-02 | 国网山东省电力公司烟台供电公司 | 面向分布式光伏的智能电网负荷预测管理系统及管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106779253A (zh) | 一种计及光伏的配电网短期负荷预测方法及装置 | |
| CN112614009B (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
| CN110059858A (zh) | 服务器资源预测方法、装置、计算机设备及存储介质 | |
| Azizipanah-Abarghooee et al. | Corrective economic dispatch and operational cycles for probabilistic unit commitment with demand response and high wind power | |
| CN111047094A (zh) | 一种基于深度学习算法的抄表数据异常分析方法 | |
| CN106934497A (zh) | 基于深度学习的智慧小区用电量实时预测方法及装置 | |
| CN105512832A (zh) | 基于时变权最小方差的城市需水量组合预测方法 | |
| CN109844654A (zh) | 条件控制负载和双向分布式储能系统的随机的基于分组的功率管理系统和方法 | |
| CN110414826A (zh) | 一种云制造环境下柔性多任务前摄性调度优化方法 | |
| Akpinar et al. | Forecasting natural gas consumption with hybrid neural networks—Artificial bee colony | |
| Koo et al. | Comparative study of short-term electric load forecasting | |
| CN117117878A (zh) | 基于人工神经网络和多智能体强化学习的电网需求侧响应潜力评估及负荷调控方法 | |
| CN115940294A (zh) | 多级电网实时调度策略调整方法、系统、设备及存储介质 | |
| CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
| Wang et al. | Short-term load forecasting with LSTM based ensemble learning | |
| CN111832836B (zh) | 一种计及负荷用电特性的配电网重构方法及系统 | |
| Banda et al. | Short term load forecasting based on hybrid ANN and PSO | |
| CN109697531A (zh) | 一种物流园区腹地物流需求预测方法 | |
| CN105427058A (zh) | 一种基于遗传算法的发动机测试线工位分配优化方法 | |
| Tsourveloudis et al. | Work-in-process scheduling by evolutionary tuned fuzzy controllers | |
| Wang et al. | A fuzzy-knowledge resource-allocation model of the semiconductor final test industry | |
| Nutakki et al. | Energy consumption forecasting in home energy management system using Deep Learning Techniques | |
| Wai et al. | Short-term load forecasting via fuzzy neural network with varied learning rates | |
| Zhao et al. | Selective maintenance modeling for a multi-state system considering human reliability | |
| Mansouri et al. | Neural networks in electric load forecasting: a comprehensive survey |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |