CN110909912A - 基于自适应误差反馈的园区电力系统净负荷组合预测方法 - Google Patents

Abstract

本发明公开了一种基于自适应误差反馈的园区电力系统净负荷组合预测方法，首先根据要预测的日期确定样本数据，进行异常识别和数据预处理；然后自适应选取特征指标；接着基于相似集，进行各种方法的训练，并选择评估系统下的个体预测模型；再分别组合所选择的个体预测模型，并使用粒子群优化‑最小二乘支持向量机算法对每个独立预测值进行组合回归，并将误差与实际历史训练值进行比较，得到拟合后的最优变权值；最后基于历史数据执行自适应组合预测方法。本发明能够实现提高预测园区电力系统净负荷的准确性，相对个体预测方法更为可靠和有效。

Description

基于自适应误差反馈的园区电力系统净负荷组合预测方法

技术领域

本发明属于电力负荷数据预测技术领域，具体涉及一种基于自适应误差反馈的园区电力系统净负荷组合预测方法。

背景技术

近年来，基于误差反馈的组合预测技术在智能电网时代尤其是在配电系统中作用愈发明显。自2015年以来，中国进行了电力系统改革，旨在建立市场化的供需关系。随着中国电力市场和售电商业系统的快速发展，以园区电网为代表的售电公司在配电网中的净需求预测引起了人们的极大关注。在某种程度上，售电公司方面的改革是这次改革的关键部分，其主要的工作在电力供应可靠性，灵活性和经济性方面。由于开放的电力市场和智能电表的发展，智能电表的大规模安装将产生大量的数据集，这为售电公司的需求分析扩宽了思路。与传统仪表相比，智能电表记录了与电力需求有关的全天现场特定信息。与此同时，不同的分时和需求响应收费增加了需求的灵活性，有利于客户将其消费从高峰期转移，这种灵活性导致配电网中售电公司的净需求难以预测。

另外一个方面，伴随微电网、智能配电网、主动配电网、泛在电力物联网、综合能源等新理念的兴起，很多新的技术需要具体落实在园区电力系统这个物理层面。而这些技术的关键支撑之一就是由负荷预测，尤其是大量分布式电源引入后，使得负荷预测转变为净负荷预测，难度更高。

考虑到智能电表在配电系统中净需求的精确建模方面的潜力，必须基于大量智能电表数据来训练准确的预测模型。售电公司净负荷的净需求被定义为系统负荷减去分布式发电数据，而分布式发电的不确定性将增加净负荷的不确定性。近年来，许多研究表明园区电力系统负荷是一种波动很大的小负荷，受峰值负荷的影响很大。为了时间效益，许多研究将大量注意力集中在使用智能电表数据进行短时间点预测上。然而，很少有文献关注对园区电力系统净负荷进行建模，并未意识到在各种个体预测的基础上应用基于误差反馈的组合预测技术的价值。因此，为了提高短时预测包括准确性和灵敏度在内的整体性能，提出一种基于新型误差反馈的组合预测方法。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于自适应误差反馈的园区电力系统净负荷组合预测方法，适用于配用电侧的净需求预测。

本发明采用以下技术方案：

基于自适应误差反馈的园区电力系统净负荷组合预测方法，包括以下步骤：

S1、根据要预测的日期确定样本数据，采用模糊算法识别异常点，利用模糊C均值加权聚类方法在噪声样本曲线上进行模式识别，利用模糊聚类和分层聚类确定最优相似日；再对数据进行预处理，包括对时间序列负荷数据和分布式发电输出数据实行固定采样，空白值填充和小波平滑校正，以及采用垂直和横向两种方式修复异常点；

S2、采用Relief方法和相关性测试方法自适应选择相邻负荷特征指标和环境特征指标；

S3、基于相似集，进行各种方法的训练，并选择评估系统下的个体预测模型；

S4、分别组合所选择的个体预测模型，并使用粒子群优化-最小二乘支持向量机算法对每个独立预测值进行组合回归，并将误差与实际历史训练值进行比较，得到拟合后的最优变权值；

S5、基于历史数据执行自适应组合预测方法，实现园区电力系统净负荷组合预测。

具体的，步骤S1中，模糊C均值加权聚类方法将N个个体划分为C个模糊类，使用两个简单的核函数总和来导出欧氏距离，在核函数中引入动态权重α_i来表示其重要性，在使用动态权重α_i后，目标函数表示为：

其中，m是初始模糊程度参数，成员函数k(x_k,v_i)表示每个样本点x_k和聚类中心v_i的相关程度，μ_ik表示第C个样本隶属于第i个类中心的程度；

聚类中心集为：

V＝{v_i,i∈r}

其中，r＝1,2,...,C；

模糊分类域可表述为：

在推导之后得到迭代参数为：

当

时，迭代结束，得到了最终的聚类中心和聚类矩阵，初始聚类中心采用K-means聚类中心来减小收敛的迭代次数。

具体的，步骤S1中，数据预处理具体为：

将负荷和气象的训练数据标准化到[-1,1]区间，具体如下：

空白数据的值由相邻的周期同一时间和同一天相邻的时刻的负荷值进行拟合为：

g(y,a₁,a₂,...,a_n)＝a₁g₁(y)+a₂g₂(y)+...+a_ng_n(y)

其中，α_i代表权重，g_i(y)代表相邻时间点和相邻时期的空白数据。

具体的，步骤S1中，异常点的修复采用垂直和横向两种方式，小波分析用于将时间序列特征的数据分解为水平方法；基于异常识别中获得的模糊聚类集进行相似日的垂直校正以改善同类训练样本的耦合，如果：

|Y(d,t)-m(t)|＞r(t)

则：

其中，r(t)表示由三倍标准差决定的阈值，即r(t)＝3σ(t)；Y(d,t)为第d天中第t时刻的数据；m(t)表示几天历史数据的滑动平均值。

具体的，步骤S2中，对于目标集中的相似集，Relief方法随机选择w个样本，并找到在相似的集合和相邻的样本中特征波动相似点，分别表示为NearHit和NearMiss；

由m个样本提取的第j个指标的特征权重计算如下：

其中，j＝1,2,...,I表示候选特征变量的数量；NM^(j)(x_i)和NH^(j)(x_i)表示在NearHit和NearMiss中相应的第j个特征，m为样本数；

相关性测试为：

其中，i,j＝1,2,...,I，cov(v_i,v_j)为v_i和v_j的协方差，

为v_i的标准差，

为v_j的标准差。

具体的，步骤S3中，选取人工神经网络与支持向量机回归作为个体预测模型；使用反向传播神经网络，小波神经网络，回归神经网络作为人工神经网络的代表实体；针对非线性回归问题，采用非线性映射函数将原始训练样本映射到高维特征空间，然后进行线性回归。

具体的，步骤S4中，使用粒子群优化进行参数自适应优化，最小二乘支持向量机对回归函数进行建模；最小二乘支持向量机的损失函数被定义为误差平方，将优化中的不等式约束转换为等式约束，以线性化二次规划问题的方程，最后，利用核函数替换高维特征空间中的向量点乘，得到非线性预测模型。

进一步的，根据结构最小化的原则，最小二乘支持向量机的优化目标表示为：

约束为：

其中，i＝1,...,l，e_i为误差向量，γ为正则化参数，控制误差的惩罚程度，(x_i,y_i)为一个学习样本，b为位移量，w为权重向量；l为样本数；

径向基核为：

其中，k(x_i,x_j)是核函数。

进一步的，非线性预测模型的表达式：

其中，λ为权重系数，k(x_i,x)为核函数，b为位移量，l为样本数。

具体的，步骤S5中，基于实际园区电力系统净负荷数据执行提出的自适应组合预测方法，并采用相应指标进行评估，误差通过平均绝对百分比误差MAPE，均方误差MSE，最大相对误差MRE进行衡量，具体为：

其中，i＝1,2,...,n，L_i和

分别表示预测净需求和实际净需求。

与现有技术相比，本发明至少具有以下有益效果：

本发明基于自适应误差反馈的园区电力系统净负荷组合预测方法，提出采用基于误差反馈进行园区电力系统净负荷的组合预测的方法，充分考虑到每种预测方法都有自己的时变适应性，单独使用某种方法会降低日前净需求预测的整体稳健性。因此首先分别进行独立预测，然后采用变权自适应组合算法进行非线性组合预测，基于误差反馈的组合预测方法可提高预测园区电力系统净负荷数据的准确程度，提高供电可靠性、灵活性与经济性，为我国电力市场改革和售电系统的发展助力。

进一步的，采用模糊C均值加权聚类方法来识别样本负载中负载曲线的异常点，确保净负荷曲线的样本被划分为不同的类时类之间的数据明显不同。

进一步的，由于相当多的智能电表数据来自于SCADA系统的无线传输，表征为不稳定的频率和突出的噪音，采用数据预处理可以提高园区电力系统净负荷预测的准确性和灵敏度。

进一步的，采用两步式数据处理方法，其中模糊算法用于识别异常状态，“Relief-相关性测试”用于自适应地为每个采样点选择输入特征。

进一步的，采用Relief二元分类方法自适应地拒绝大部分不相关的负荷特征，采用相关性测试解决这个特征的冗余问题。

进一步的，选取不同的个体预测作为基准，也用于组合。

进一步的，由于每种方法都有自己的时变适应性，单独使用某种方法会降低日前净需求预测的整体稳健性，因此在分别进行独立预测后，采用变权系数自适应权重选择方法进行非线性组合预测。

进一步的，采用最小二乘支持向量机对回归函数进行建模，损失函数被定义误差平方，将优化中的不等式约束转换为等式约束以线性化二次规划问题的方程。

进一步的，通过变权系数自适应权重选择方法进行非线性组合预测，从而提高日前净负荷预测的整体稳健性。

综上所述，针对具有高度波动性难以预测的园区电力系统净负荷，本发明所提出的基于自适应误差反馈的园区电力系统净负荷组合预测方法能够提高预测的准确性，相对于个体预测模型更为可靠和有效。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明方法流程图；

图2为组合预测的自适应参数搜索示意3D立体图；

图3为组合预测的自适应参数搜索示意等高线图；

图4为某实际微网的网架结构图；

图5为一种园区总负荷预测工况；

图6为另一种园区总负荷预测工况。

具体实施方式

本发明提供了一种基于自适应误差反馈的园区电力系统净负荷组合预测方法，根据要预测的日期确定样本数据，进行异常识别和数据预处理；然后自适应选取特征指标；基于相似集，进行各种方法的训练，并选择评估系统下的个体预测模型；再分别组合所选择的个体预测模型，并使用粒子群优化-最小二乘支持向量机算法对每个独立预测值进行组合回归，并将误差与实际历史训练值进行比较，得到拟合后的最优变权值；最后基于历史数据执行自适应组合预测方法。本发明能够实现提高预测园区电力系统净负荷的准确性，相对个体预测方法更为可靠和有效。

请参阅图1，本发明一种基于自适应误差反馈的园区电力系统净负荷组合预测方法，包括以下步骤：

S1、根据要预测的日期确定样本数据，进行异常识别和数据预处理；

首先，采用模糊算法识别异常点，其中利用模糊C均值加权聚类方法在噪声样本曲线上进行模式识别，利用模糊聚类和分层聚类确定最优相似日；再对数据进行预处理，包括对时间序列负荷数据和分布式发电输出数据实行固定采样，空白值填充和小波平滑校正，以及采用垂直和横向两种方式修复异常点；

模糊C均值加权聚类方法将N个个体划分为C个模糊类，使用两个简单的核函数总和来导出欧氏距离。在核函数中引入动态权重α_i来表示其重要性。在使用动态权重α_i后，目标函数可表示为：

其中，

m是初始模糊程度参数，成员函数k(x_k,v_i)表示每个样本点x_k和聚类中心v_i的相关程度，μ_ik表示第C个样本隶属于第i个类中心的程度。

聚类中心集为：

V＝{v_i,i∈r}

其中，r＝1,2,...,C；

模糊分类域可表述为：

在推导之后，可以如下式迭代参数：

当

时，迭代结束，得到了最终的聚类中心和聚类矩阵，初始聚类中心采用K-means聚类中心来减小收敛的迭代次数。

数据预处理中，首先按下式将负荷和气象的训练数据标准化到[-1,1]区间。

空白数据的值由相邻的周期同一时间和同一天相邻的时刻的负荷值进行拟合，公式表示为：

g(y,a₁,a₂,...,a_n)＝a₁g₁(y)+a₂g₂(y)+...+a_ng_n(y)

其中，α_i代表权重，g_i(y)代表相邻时间点和相邻时期的空白数据。

异常点的修复采用垂直和横向两种方式。其中，小波分析用于将时间序列特征的数据分解为水平方法，从而保持基波的波动特征和处理高频信号。同时，基于异常识别中获得的模糊聚类集进行相似日的垂直校正以改善同类训练样本的耦合。

如果：

|Y(d,t)-m(t)|＞r(t)

则：

其中：r(t)表示由三倍标准差决定的阈值，即r(t)＝3σ(t)；Y(d,t)为第d天中第t时刻的数据；m(t)表示几天历史数据的滑动平均值。

S2、自适应选取特征指标。采用Relief方法和相关性测试方法自适应选择相邻负荷特征指标和环境特征指标，其中Relief方法用于自适应地拒绝大部分不相关的负荷特征，相关性测试用于解决冗余问题；

对于目标集中的相似集，Relief方法随机选择w个样本，并找到在相似的集合和相邻的样本(前一天目标样本的负荷)中特征波动(负荷值和环境特征)最相似的点，分别表示为NearHit和NearMiss。由m个样本提取的第j个指标的特征权重由下式计算：

其中，j＝1,2,...,I表示候选特征变量的数量；NM^(j)(x_i)和NH^(j)(x_i)表示在NearHit和NearMiss中相应的第j个特征。

虽然上述Relief二元分类方法可以自适应地拒绝大部分不相关的负荷特征，它没有解决这个特征的冗余问题，所以引进了相关性测试：

其中，i,j＝1,2,...,I，cov(v_i,v_j)为v_i和v_j的协方差。可以设置阈值，一旦两个特征向量的相关系数大于阈值，则这两个特征被认为是类似的冗余特征。相反，具有较小Relief权重的特征作为冗余特征被消除。

S3、基于相似集，进行各种方法的训练，并选择评估系统下的个体预测模型；

选取人工神经网络与支持向量机回归作为个体预测模型。其中，人工神经网络具有很高的映射性和学习能力，当参数选取合适时可以在所需精度下模拟复杂的非线性关系。具体地，使用反向传播神经网络，小波神经网络，一般回归神经网络作为人工神经网络的代表实体；支持向量机理论基于非线性分类问题，通过引入不敏感损失函数，支持向量机可用于拟合离散样本。具体地，针对非线性回归问题，采用非线性映射函数将原始训练样本映射到高维特征空间，然后进行线性回归。

S4、分别组合所选择的个体预测模型，并使用粒子群优化-最小二乘支持向量机算法对每个独立预测值进行组合回归，并将误差与实际历史训练值进行比较，得到拟合后的最优变权值；

使用粒子群优化进行参数自适应优化，最小二乘支持向量机对回归函数进行建模。最小二乘支持向量机的损失函数被定义为误差平方，其将优化中的不等式约束转换为等式约束，以线性化二次规划问题的方程。

根据结构最小化的原则，最小二乘支持向量机的优化目标可以表示为：

约束为：

其中，i＝1,...,l，e_i为误差向量，γ为正则化参数，控制误差的惩罚程度，(x_i,y_i)为一个学习样本，b为位移量，w为权重向量；l为样本数。k(x_i,x_j)是核函数，这里用径向基核，如下式：

最后，利用核函数替换高维特征空间中的向量点乘，得到了非线性预测模型的表达式：

S5、基于历史数据执行自适应组合预测方法。

基于步骤S3中所涉及的多种机器学习方法所获得的经验空间，利用在步骤S2中获得的最优相似集样本进行基于实际园区电力系统净负荷数据执行提出的自适应组合预测方法，并采用相应指标进行评估，误差通过平均绝对百分比误差(MAPE)，均方误差(MSE)，最大相对误差(MRE)来衡量：

其中，i＝1,2,...,n，L_i和

分别表示预测净需求和实际净需求。

本发明通过结合园区电力系统的历史净负荷数据，在对数据进行异常点识别和预处理后，利用Relief方法和相关性测试方法自适应选择相似负荷数据集和诸如数值化气象预报等特征指标信息，再利用人工神经网络和支持向量机回归等多种独立机器学习预测方法进行样本预训练，之后结合自适应的粒子群优化-最小二乘支持向量机方法对园区电力系统净负荷的每个独立预测值进行组合回归，并将误差与实际历史训练值进行比较，得到拟合后的最优变权值，进而得到最终的园区电力系统净负荷组合预测结果。

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明一种基于自适应误差反馈的园区电力系统净负荷组合预测方法在实际园区电网的负荷预测中得到应用，预测效果较好，已被纳入到园区能源管理系统中得到推广应用。

以某园区电力系统净负荷预测为例，具体的自适应组合方法的参数寻优过程如图2、图3所示。在执行了自适应寻优的组合预测方法后，实际工程算例证明，本发明所提方法能够较好跟踪园区电力系统的净负荷波动情况，较快的获得全局最优点。

请参阅图4，为某微网的网架结构，以该微电网为算例验证基于自适应误差反馈的园区电力系统净负荷组合预测方法的可行性和有效性。微电网包括储能系统、光伏系统及园区负荷，保证供电可靠性及系统稳定性。储能系统由两台500kWh/500kW锂电池组成，保障园区重要负荷不间断供电；光伏系统由2MWp光伏组件组成，光伏板分布于厂房屋顶；T1-T5变压器连接园区生产、实验、办公、生活及充电桩等负荷，另外有SVG老化实验负荷。T1变压器下充电桩作为可调节负荷接入，园区负荷最大值在2000kW左右。

表1园区总负荷预测准确度

请参阅图5和图6，为基于自适应误差反馈的园区电力系统净负荷预测结果。综合考虑园区负荷的实际情况，最大容许功率数额较大，故用当地实际负荷的最大瞬时值作为预测误差指标的参考依据，本发明提出的预测模型在上述两种工况下的预测准确率如表1所示。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.基于自适应误差反馈的园区电力系统净负荷组合预测方法，其特征在于，包括以下步骤：

S1、根据要预测的日期确定样本数据，采用模糊算法识别异常点，利用模糊C均值加权聚类方法在噪声样本曲线上进行模式识别，利用模糊聚类和分层聚类确定最优相似日；再对数据进行预处理，包括对时间序列负荷数据和分布式发电输出数据实行固定采样，空白值填充和小波平滑校正，以及采用垂直和横向两种方式修复异常点；

S2、采用Relief方法和相关性测试方法自适应选择相邻负荷特征指标和环境特征指标；

S3、基于相似集，进行各种方法的训练，并选择评估系统下的个体预测模型；

S4、分别组合所选择的个体预测模型，并使用粒子群优化-最小二乘支持向量机算法对每个独立预测值进行组合回归，并将误差与实际历史训练值进行比较，得到拟合后的最优变权值；

S5、基于历史数据执行自适应组合预测方法，实现园区电力系统净负荷组合预测。

2.根据权利要求1所述的基于自适应误差反馈的园区电力系统净负荷组合预测方法，其特征在于，步骤S1中，模糊C均值加权聚类方法将N个个体划分为C个模糊类，使用两个简单的核函数总和来导出欧氏距离，在核函数中引入动态权重α_i来表示其重要性，在使用动态权重α_i后，目标函数表示为：

其中，

m是初始模糊程度参数，成员函数k(x_k,v_i)表示每个样本点x_k和聚类中心v_i的相关程度，μ_ik表示第C个样本隶属于第i个类中心的程度；

聚类中心集为：

V＝{v_i,i∈r}

其中，r＝1,2,...,C；

模糊分类域可表述为：

在推导之后得到迭代参数为：

当

时，迭代结束，得到了最终的聚类中心和聚类矩阵，初始聚类中心采用K-means聚类中心来减小收敛的迭代次数。

3.根据权利要求1所述的基于自适应误差反馈的园区电力系统净负荷组合预测方法，其特征在于，步骤S1中，数据预处理具体为：

将负荷和气象的训练数据标准化到[-1,1]区间，具体如下：

空白数据的值由相邻的周期同一时间和同一天相邻的时刻的负荷值进行拟合为：

g(y,a₁,a₂,...,a_n)＝a₁g₁(y)+a₂g₂(y)+...+a_ng_n(y)

其中，α_i代表权重，g_i(y)代表相邻时间点和相邻时期的空白数据。

4.根据权利要求1所述的基于自适应误差反馈的园区电力系统净负荷组合预测方法，其特征在于，步骤S1中，异常点的修复采用垂直和横向两种方式，小波分析用于将时间序列特征的数据分解为水平方法；基于异常识别中获得的模糊聚类集进行相似日的垂直校正以改善同类训练样本的耦合，如果：

|Y(d,t)-m(t)|＞r(t)

则：

其中，r(t)表示由三倍标准差决定的阈值，即r(t)＝3σ(t)；Y(d,t)为第d天中第t时刻的数据；m(t)表示几天历史数据的滑动平均值。

5.根据权利要求1所述的基于自适应误差反馈的园区电力系统净负荷组合预测方法，其特征在于，步骤S2中，对于目标集中的相似集，Relief方法随机选择w个样本，并找到在相似的集合和相邻的样本中特征波动相似点，分别表示为NearHit和NearMiss；

由m个样本提取的第j个指标的特征权重计算如下：

其中，j＝1,2,...,I表示候选特征变量的数量；NM^(j)(x_i)和NH^(j)(x_i)表示在NearHit和NearMiss中相应的第j个特征，m为样本数；

相关性测试为：

其中，i,j＝1,2,...,I，cov(v_i,v_j)为v_i和v_j的协方差，

为v_i的标准差，

为v_j的标准差。

6.根据权利要求1所述的基于自适应误差反馈的园区电力系统净负荷组合预测方法，其特征在于，步骤S3中，选取人工神经网络与支持向量机回归作为个体预测模型；使用反向传播神经网络，小波神经网络，回归神经网络作为人工神经网络的代表实体；针对非线性回归问题，采用非线性映射函数将原始训练样本映射到高维特征空间，然后进行线性回归。

7.根据权利要求1所述的基于自适应误差反馈的园区电力系统净负荷组合预测方法，其特征在于，步骤S4中，使用粒子群优化进行参数自适应优化，最小二乘支持向量机对回归函数进行建模；最小二乘支持向量机的损失函数被定义为误差平方，将优化中的不等式约束转换为等式约束，以线性化二次规划问题的方程，最后，利用核函数替换高维特征空间中的向量点乘，得到非线性预测模型。

8.根据权利要求7所述的基于自适应误差反馈的园区电力系统净负荷组合预测方法，其特征在于，根据结构最小化的原则，最小二乘支持向量机的优化目标表示为：

约束为：

其中，i＝1,...,l，e_i为误差向量，γ为正则化参数，控制误差的惩罚程度，(x_i,y_i)为一个学习样本，b为位移量，w为权重向量；l为样本数；

径向基核为：

其中，k(x_i,x_j)是核函数。

9.根据权利要求7所述的基于自适应误差反馈的园区电力系统净负荷组合预测方法，其特征在于，非线性预测模型的表达式：

其中，λ为权重系数，k(x_i,x)为核函数，b为位移量，l为样本数。

10.根据权利要求1所述的基于自适应误差反馈的园区电力系统净负荷组合预测方法，其特征在于，步骤S5中，基于实际园区电力系统净负荷数据执行提出的自适应组合预测方法，并采用相应指标进行评估，误差通过平均绝对百分比误差MAPE，均方误差MSE，最大相对误差MRE进行衡量，具体为：

其中，i＝1,2,...,n，L_i和

分别表示预测净需求和实际净需求。

Images