CN110909958A - 一种计及光伏并网功率的短期负荷预测方法 - Google Patents

Abstract

本发明提供了一种计及光伏并网功率的短期负荷预测方法，包括如下步骤：调取电网的历史负荷数据，根据历史负荷数据变化情况及变化时刻的外部影响情况，确定电网电力负荷的关键影响因素；构建短期电力负荷预测模型；从电网的历史电力负荷数据库中选取训练数据；对选取的负荷序列进行初步数据清洗；对数据进行约束化处理，对电力负荷预测模型的参数进行设置，根据训练数据对模型进行训练；根据模型训练后得到的负荷预测方程，对电网的电力负荷进行短期预测；对光伏并网的功率进行短期预测；将预测的电网电力负荷与光伏并网功率结果进行叠加，得到计及光伏并网功率的电网短期等效预测负荷。

Description

一种计及光伏并网功率的短期负荷预测方法

技术领域

本发明属于电力负荷预测技术领域，特别涉及一种计及光伏并网功率的短期负荷预测方法。

背景技术

电力负荷预测在现代电力系统中具有非常重要的意义，是影响电力系统安全性、经济性的重要因素。电力负荷是指一个地区单位时间内消耗的电能。在一个区域内，只要是联网的用电设备都会消耗电能，消耗的总能量即为该地区的总负荷。现代经济社会的发展不仅对电力的需求量越来越高，同时也对电能的质量提出了更高的要求。影响电能总量需求主要是各类工业、农业和居民用电需求，这种需求不仅受时间的影响，还受天气、节假日因素的影响，具有非常复杂的变化规律。影响电能质量的因素是各发电厂的上网电能的波动，这种波动性虽然受发电设备的影响较大，但影响波动性的关键因素是用电户的用电习惯。

近些年来，光伏发电技术越来越受到到人们的关注，因为光伏发电随机性、不确定性的独有属性，光伏发电接入电网会引起安全和稳定问题，准确的光伏发电功率预测技术能够对电网提供更加准确的数据，有利于电网的进一步分配与调度。

发明内容

本发明提供一种计及光伏并网功率的短期负荷预测方法，对电网电力负荷和光伏并网功率分别进行短期预测，并将预测的电网电力负荷与光伏并网功率结果进行叠加，得到计及光伏并网功率的电网短期等效预测负荷。

本发明具体为一种计及光伏并网功率的短期负荷预测方法，所述短期负荷预测方法具体包括如下步骤：

步骤(1)、调取电网的历史负荷数据，根据历史负荷数据变化情况及变化时刻的外部影响情况，确定电网电力负荷的关键影响因素；

步骤(2)、根据步骤(1)中确定的电网电力负荷的关键影响因素构建短期电力负荷预测模型；

步骤(3)、从电网的历史电力负荷数据库中选取训练数据；

步骤(4)、对选取的负荷序列进行初步数据清洗，包括序列噪声抑制、缺失数据修补以及异常数据修正；

步骤(5)、对数据进行约束化处理，对电力负荷预测模型的参数进行设置，根据训练数据对模型进行训练；

步骤(6)、根据模型训练后得到的负荷预测方程，对电网的电力负荷进行短期预测；

步骤(7)、采用最小二乘支持向量机模型对光伏并网的功率进行短期预测；

步骤(8)、将预测的电网电力负荷与光伏并网功率结果进行叠加，得到计及光伏并网功率的电网短期等效预测负荷。

所述步骤(1)中的电网电力负荷的关键影响因素包括气温、湿度、天气类型、季节类型、日期信息、政策信息、上一时刻的负荷值、前一天同一时刻的负荷值。

所述步骤(2)中的短期电力负荷预测模型基于最小二乘支持向量机回归模型和径向基核函数确定：y＝(q,φ(X))+b，目标函数为

其中q为要寻求的最优权值，b为线性函数阈值，X＝[x₁,x₂,…,x₈]为一个8维向量，表示输入量；y为输出数据，单位为MW；e_i为允许误差，F为惩罚因子；x₁为预测时刻的预测气温；x₂为预测时刻的预测湿度；x₃为预测当天的天气类型，分别用数字量0-5表示晴天、多云、阴天、雨天、雪天、台风；x₄为预测时刻的季节，分别用数字量0-3表示春天、夏天、秋天、冬天；x₅为预测当天的日期信息，表示当天是否为周末或节假日，分别用数字量0、1表示工作日、休息日；x₆为预测当天的政策信息，表示当天是否有重大事件，分别用数字量0、1表示没有重大事件和有重大事件；x₇为预测时刻上一时刻的负荷值；x₈为预测前一天同一时刻的负荷值。

所述步骤(4)中的序列噪声抑制采用模态分解方式，最先分解得到的模态具有最小的时间尺度，由于电力负荷序列呈现随机分布特性，将第一模态认定为噪声将其去除。

所述步骤(4)中的缺失数据修补从相似日方面和时间序列方面两个方面进行修补，对于相似日预测，将连续一段时间的数据按一天进行划分，则负荷序列从一个行向量转变为矩阵形式：

每一列表示相似日序列；假设

和

分别表示缺失数据x_t在垂直和水平两个方向的修正结果，则最终修正结果为

对于非连续缺失数据的修补，仅从相似日方面进行修补。

所述步骤(4)中的异常数据修正具体包括明显异常数据剔除和缺失数据修补，对于明显异常的数据将其剔除出序列，并采用缺失数据修补的方式重新给出新的数据来代替异常数据。

所述步骤(5)中对数据进行约束化处理，其约束条件为|＜q,x_i＞+b-y_i|≤ε,i＝1,…,l及

其中，ε为精度。

所述步骤(7)中采用最小二乘支持向量机模型对光伏并网的功率进行短期预测具体包括：

获取光伏并网功率历史数据，并对数据进行预处理，对缺测数据进行填补，对不合理数据进行修正；

对数据集进行天气类型的划分，寻找近期日类型相同的数据，将相同类型相同时刻的历史输出功率值、以及温度湿度气象信息，形成训练样本，作为输入数据；

对数据进行归一化处理；

选择径向基核函数，采用参数搜索和交叉验证，选择最佳的惩罚系数和核函数参数；

用得到的最佳的惩罚系数和核函数参数进行训练，得到最小二乘支持向量机功率预测模型；

选择晴天、多云、雨天和雾霾天四种类型的天气，分别对各整点的输出功率进行预测，验证并分析预测结果。

附图说明

图1为本发明一种计及光伏并网功率的短期负荷预测方法的流程图。

具体实施方式

下面结合附图对本发明一种计及光伏并网功率的短期负荷预测方法的具体实施方式做详细阐述。

如图1所示，本发明的预测方法包括以下步骤：步骤(1)、调取电网的历史负荷数据，根据历史负荷数据变化情况及变化时刻的外部影响情况，确定电网电力负荷的关键影响因素；步骤(2)、根据步骤(1)中确定的电网电力负荷的关键影响因素构建短期电力负荷预测模型；步骤(3)、从电网的历史电力负荷数据库中选取训练数据；步骤(4)、对选取的负荷序列进行初步数据清洗，包括序列噪声抑制、缺失数据修补以及异常数据修正；步骤(5)、对数据进行约束化处理，对电力负荷预测模型的参数进行设置，根据训练数据对模型进行训练；步骤(6)、根据模型训练后得到的负荷预测方程，对电网的电力负荷进行短期预测；步骤(7)、采用最小二乘支持向量机模型对光伏并网的功率进行短期预测；步骤(8)、将预测的电网电力负荷与光伏并网功率结果进行叠加，得到计及光伏并网功率的电网短期等效预测负荷。

电网电力负荷的关键影响因素包括气温、湿度、天气类型、季节类型、日期信息、政策信息、上一时刻的负荷值、前一天同一时刻的负荷值。用一个8维向量X＝[x₁,x₂,…,x₈]来表示输入量，x₁为预测时刻的预测气温；x₂为预测时刻的预测湿度；x₃为预测当天的天气类型，分别用数字量0-5表示晴天、多云、阴天、雨天、雪天、台风；x₄为预测时刻的季节，分别用数字量0-3表示春天、夏天、秋天、冬天；x₅为预测当天的日期信息，表示当天是否为周末或节假日，分别用数字量0、1表示工作日、休息日；x₆为预测当天的政策信息，表示当天是否有重大事件，分别用数字量0、1表示没有重大事件和有重大事件；x₇为预测时刻上一时刻的负荷值；x₈为预测前一天同一时刻的负荷值。

支持向量回归理论中，假设x_i∈Rⁿ为输入，y_i∈R为相应的输出，回归问题就是寻找从输入到输出的映射f:Rⁿ→R，使得f(x)＝y。简单的线性回归问题为y＝f(x)＝q·x+b，其目的就是寻找最优的权值q，使得拟合曲线尽可能反应数据集的变化规律，对于优化问题，就是以精度ε可拟合所有训练样本。回归问题转化为优化问题为：

约束条件为|＜q,x_i＞+b-y_i|≤ε,i＝1,…,l。

本发明中的短期电力负荷预测模型基于最小二乘支持向量机回归模型和径向基核函数确定：y＝(q,φ(X))+b，目标函数为

其中q为要寻求的最优权值，b为线性函数阈值，X＝[x₁,x₂,…,x₈]为一个8维向量，表示输入量；y为输出数据，单位为MW；e_i为允许误差，F为惩罚因子。约束条件为|＜q,x_i＞+b-y_i|≤ε,i＝1,…,l及

其中，ε为精度。

序列噪声抑制采用模态分解方式，最先分解得到的模态具有最小的时间尺度，由于电力负荷序列呈现随机分布特性，将第一模态认定为噪声将其去除。缺失数据修补从相似日方面和时间序列方面两个方面进行修补，对于相似日预测，将连续一段时间的数据按一天进行划分，则负荷序列从一个行向量转变为矩阵形式：

每一列表示相似日序列；假设

和

分别表示缺失数据x_t在垂直和水平两个方向的修正结果，则最终修正结果为

对于非连续缺失数据的修补，仅从相似日方面进行修补。异常数据修正具体包括明显异常数据剔除和缺失数据修补，对于明显异常的数据将其剔除出序列，并采用缺失数据修补的方式重新给出新的数据来代替异常数据。

本发明同样采用上述最小二乘支持向量机模型对光伏并网的功率进行短期预测，具体包括：获取光伏并网功率历史数据，并对数据进行预处理，对缺测数据进行填补，对不合理数据进行修正；对数据集进行天气类型的划分，寻找近期日类型相同的数据，将相同类型相同时刻的历史输出功率值、以及温度湿度气象信息，形成训练样本，作为输入数据；对数据进行归一化处理；选择径向基核函数，采用参数搜索和交叉验证，选择最佳的惩罚系数和核函数参数；用得到的最佳的惩罚系数和核函数参数进行训练，得到最小二乘支持向量机功率预测模型；选择晴天、多云、雨天和雾霾天四种类型的天气，分别对各整点的输出功率进行预测，验证并分析预测结果。基于24小时天气预报，可以获得预测日的天气状况，包括最高温度、最低温度和平均温度，以及湿度等气象信息。判断天气类型，选择类型相同的前五天相同时刻的输出功率值作为预测模型输入，对晴天、多云、雨天和雾霾天分别经行预测，对于晴天的预测，我们选取同样是晴天并且和预测日时间最相近的五天的数据作为预测模型的输入变量，对于多云的预测，我们选取同样是多云并且和预测日时间最相近的五天的数据作为预测模型的输入变量，对于雨天的预测，我们选取同样是雨天并且和预测日时间最相近的五天的数据作为预测模型的输入变量，对于雾霾天的预测，我们选取同样是雾霾天并且和预测日时间最相近的五天的数据作为预测模型的输入变量。

在分别得到电网的短期电力负荷预测数据与光伏并网的短期功率预测数据后，将预测的电网电力负荷与光伏并网功率结果进行叠加，得到计及光伏并网功率的电网短期等效预测负荷。此等效预测负荷与不考虑光伏并网功率而直接预测的电力负荷相比，预测数据更为准确实用。

最后应该说明的是，结合上述实施例仅说明本发明的技术方案而非对其限制。所属领域的普通技术人员应当理解到，本领域技术人员可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均在申请待批的权利要求保护范围之中。

Claims (8)

1.一种计及光伏并网功率的短期负荷预测方法，其特征在于，所述短期负荷预测方法具体包括如下步骤：

步骤(1)、调取电网的历史负荷数据，根据历史负荷数据变化情况及变化时刻的外部影响情况，确定电网电力负荷的关键影响因素；

步骤(2)、根据步骤(1)中确定的电网电力负荷的关键影响因素构建短期电力负荷预测模型；

步骤(3)、从电网的历史电力负荷数据库中选取训练数据；

步骤(4)、对选取的负荷序列进行初步数据清洗，包括序列噪声抑制、缺失数据修补以及异常数据修正；

步骤(5)、对数据进行约束化处理，对电力负荷预测模型的参数进行设置，根据训练数据对模型进行训练；

步骤(6)、根据模型训练后得到的负荷预测方程，对电网的电力负荷进行短期预测；

步骤(7)、采用最小二乘支持向量机模型对光伏并网的功率进行短期预测；

步骤(8)、将预测的电网电力负荷与光伏并网功率结果进行叠加，得到计及光伏并网功率的电网短期等效预测负荷。

2.根据权利要求1所述的一种计及光伏并网功率的短期负荷预测方法，其特征在于，所述步骤(1)中的电网电力负荷的关键影响因素包括气温、湿度、天气类型、季节类型、日期信息、政策信息、上一时刻的负荷值、前一天同一时刻的负荷值。

3.根据权利要求2所述的一种计及光伏并网功率的短期负荷预测方法，其特征在于，所述步骤(2)中的短期电力负荷预测模型基于最小二乘支持向量机回归模型和径向基核函数确定：y＝(q,φ(X))+b，目标函数为

其中q为要寻求的最优权值，b为线性函数阈值，X＝[x₁,x₂,…,x₈]为一个8维向量，表示输入量；y为输出数据，单位为MW；e_i为允许误差，F为惩罚因子；x₁为预测时刻的预测气温；x₂为预测时刻的预测湿度；x₃为预测当天的天气类型，分别用数字量0-5表示晴天、多云、阴天、雨天、雪天、台风；x₄为预测时刻的季节，分别用数字量0-3表示春天、夏天、秋天、冬天；x₅为预测当天的日期信息，表示当天是否为周末或节假日，分别用数字量0、1表示工作日、休息日；x₆为预测当天的政策信息，表示当天是否有重大事件，分别用数字量0、1表示没有重大事件和有重大事件；x₇为预测时刻上一时刻的负荷值；x₈为预测前一天同一时刻的负荷值。

4.根据权利要求3所述的一种计及光伏并网功率的短期负荷预测方法，其特征在于，所述步骤(4)中的序列噪声抑制采用模态分解方式，最先分解得到的模态具有最小的时间尺度，由于电力负荷序列呈现随机分布特性，将第一模态认定为噪声将其去除。

5.根据权利要求4所述的一种计及光伏并网功率的短期负荷预测方法，其特征在于，所述步骤(4)中的缺失数据修补从相似日方面和时间序列方面两个方面进行修补，对于相似日预测，将连续一段时间的数据按一天进行划分，则负荷序列从一个行向量转变为矩阵形式：

每一列表示相似日序列；假设

和

分别表示缺失数据x_t在垂直和水平两个方向的修正结果，则最终修正结果为

对于非连续缺失数据的修补，仅从相似日方面进行修补。

6.根据权利要求5所述的一种计及光伏并网功率的短期负荷预测方法，其特征在于，所述步骤(4)中的异常数据修正具体包括明显异常数据剔除和缺失数据修补，对于明显异常的数据将其剔除出序列，并采用缺失数据修补的方式重新给出新的数据来代替异常数据。

7.根据权利要求6所述的一种计及光伏并网功率的短期负荷预测方法，其特征在于，所述步骤(5)中对数据进行约束化处理，其约束条件为|<q,x_i>+b-y_i|≤ε,i＝1,…,l及

其中，ε为精度。

8.根据权利要求7所述的一种计及光伏并网功率的短期负荷预测方法，其特征在于，所述步骤(7)中采用最小二乘支持向量机模型对光伏并网的功率进行短期预测具体包括：

获取光伏并网功率历史数据，并对数据进行预处理，对缺测数据进行填补，对不合理数据进行修正；

对数据集进行天气类型的划分，寻找近期日类型相同的数据，将相同类型相同时刻的历史输出功率值、以及温度湿度气象信息，形成训练样本，作为输入数据；

对数据进行归一化处理；

选择径向基核函数，采用参数搜索和交叉验证，选择最佳的惩罚系数和核函数参数；

用得到的最佳的惩罚系数和核函数参数进行训练，得到最小二乘支持向量机功率预测模型；

选择晴天、多云、雨天和雾霾天四种类型的天气，分别对各整点的输出功率进行预测，验证并分析预测结果。

Images