CN112348235A - 风光母线负荷自适应预测方法、装置、计算机设备 - Google Patents

风光母线负荷自适应预测方法、装置、计算机设备 Download PDF

Info

Publication number
CN112348235A
CN112348235A CN202011132483.2A CN202011132483A CN112348235A CN 112348235 A CN112348235 A CN 112348235A CN 202011132483 A CN202011132483 A CN 202011132483A CN 112348235 A CN112348235 A CN 112348235A
Authority
CN
China
Prior art keywords
load
data
wind
predicted
daily
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
Application number
CN202011132483.2A
Other languages
English (en)
Inventor
巩燕燕
尚雷
肖颍涛
郭碧翔
吕清洁
李可民
吕福云
贺国金
范宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuyang Power Supply Co of State Grid Anhui Electric Power Co Ltd
Original Assignee
Fuyang Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuyang Power Supply Co of State Grid Anhui Electric Power Co Ltd filed Critical Fuyang Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority to CN202011132483.2A priority Critical patent/CN112348235A/zh
Publication of CN112348235A publication Critical patent/CN112348235A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • 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
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种风光母线负荷自适应预测方法、装置、计算机设备。其中，所述方法包括：对风光母线的负荷数据和对应的气象数据进行预处理，对该经预处理后的风光母线的负荷数据和对应的气象数据进行映射与归一化处理，对该经映射与归一化处理后的风光母线的负荷数据和对应的气象数据，进行基于模式特征匹配的日、夜负荷分割整合预测，得到最终待预测日负荷预测结果，根据该得到的最终待预测日负荷预测结果，基于粒子群算法的自适应特征权重调整，对该风光母线的负荷自进行预测。通过上述方式，能够实现针对带有分布式新能源的风光母线，在分布式新能源预测机制的不完善以及相对应实时预测气象数据缺失的情况下，能够对该风光母线进行自适应预测。

Description

风光母线负荷自适应预测方法、装置、计算机设备
技术领域
本发明涉及电力系统母线负荷预测技术领域，尤其涉及一种风光母线负荷自适应预测方法、装置、计算机设备。
背景技术
精确的母线负荷预测对电网的输送能力计算、电力电量平衡、运行计划方式安排、日安全校核等环节起到重要作用。母线负荷定义为由变电站的主变压器供给的终端负荷的总和，相比于系统负荷而言，母线负荷预测的基数较小，其稳定性相对较弱，负荷变化较快且变化趋势不明显，对其实现精准预测的难度较大。此外，随着我国分布式新能源的快速建设，电网中分布式新能源负荷的比例逐渐增高，分布式新能源较高的间歇性、波动性和随机性给母线负荷的预测带来了新的挑战。
当前，母线负荷预测主要分为基于系统负荷分配的预测方法和基于母线负荷自身变化规律的预测方法。基于系统负荷分配的预测方法简单易用，但这种方法完全承认了系统负荷预测的准确性，而忽略各母线预测的差异。而基于母线负荷自身变化规律的预测方法对各母线单独建模、分别预测，预测效果相对较好，得到了大量使用。近年来，具有较强的自学习和复杂的非线性函数拟合能力的智能方法在预测领域的广泛应用，也为基于母线负荷自身变化规律的预测方法提供了新思路，现有研究中包括利用模糊系统和人工神经网络的混合方法、利用聚合模型来进行短期母线负荷预测的方法以及采用辅助预测状态估计和多层感知器神经网络组成的混合预测方法等，然而此类智能算法对预测训练数据的数量和种类具有较高的要求，在数据不够全面或数据量不足的情况下，无法实现较好的预测效果。尤其是针对带有分布式新能源的风光母线，分布式新能源预测机制的不完善以及相对应实时预测气象数据的缺失，使得当前使用较为广泛的智能预测算法无法适用于此状况下的风光母线预测。
发明内容
有鉴于此，本发明的目的在于提出一种风光母线负荷自适应预测方法、装置、计算机设备，能够实现针对带有分布式新能源的风光母线，在分布式新能源预测机制的不完善以及相对应实时预测气象数据缺失的情况下，能够对该风光母线进行自适应预测。
根据本发明的一个方面，提供一种风光母线负荷自适应预测方法，包括：对风光母线的负荷数据和对应所述负荷数据的气象数据进行预处理；按天气类型、气温、日类型、日期跨度四类影响因素，对所述经预处理后的风光母线的负荷数据和对应所述负荷数据的气象数据进行映射与归一化处理；对所述经映射与归一化处理后的风光母线的负荷数据和对应所述负荷数据的气象数据，进行基于模式特征匹配的日、夜负荷分割整合预测，得到最终待预测日负荷预测结果；根据所述得到的最终待预测日负荷预测结果，基于粒子群算法的自适应特征权重调整，对所述风光母线的负荷自进行预测。
其中，所述对风光母线的负荷数据和对应所述负荷数据的气象数据进行预处理，包括：搜索风光母线的负荷历史数据和气象历史数据中存在数据点缺失、恒值情况的日数据，并对所述存在数据点缺失、恒值情况的日数据进行剔除，对所述经剔除后的风光母线的负荷历史数据和气象历史数据按预设时间段进行划分的预处理。
其中，所述按天气类型、气温、日类型、日期跨度四类影响因素，对所述经预处理后的风光母线的负荷数据和对应所述负荷数据的气象数据进行映射与归一化处理，包括：将天气类型、气温、日类型、日期跨度四类影响因素中非数值型变量进行量化，和根据所述经量化后的天气类型、气温、日类型、日期跨度四类影响因素的量化数值，将所述对应所述负荷数据的气象数据的历史气象数据中所有的天气类型归纳到根据不同天气类型对太阳辐照度的影响进行天气分类的四种天气类型中，和选取由大至小四个量化数值ya、yb、yc、yd分别作为第一种天气类型A、第二种天气类型B、第三种天气类型C、第四种天气类型D四种天气类型的量化映射结果，量化后的天气类型指标表示为Fw，和将所述经量化映射后的天气类型、气温、日类型、日期跨度四类影响因素的数据，组成历史时期中第n日相对于待预测日的模式特征向量，表示为
Figure BDA0002735592810000021
的方式，对所述经预处理后的风光母线的负荷数据和对应所述负荷数据的气象数据进行0-1的归一化处理。
其中，所述对所述经映射与归一化处理后的风光母线的负荷数据和对应所述负荷数据的气象数据，进行基于模式特征匹配的日、夜负荷分割整合预测，得到最终待预测日负荷预测结果，包括：根据当地的日出日落时间，每日的负荷分割为日负荷和夜负荷，日负荷部分受分布式光伏出力影响，而夜负荷部分则不受影响；因此，模式特征向量中各特征对日负荷、夜负荷的影响程度有所不同；特征向量中各特征对日负荷的影响程度由参数向量
Figure BDA0002735592810000031
表示，其中K表示模式特征数量，各特征对夜负荷的影响程度由参数向量
Figure BDA0002735592810000032
表示；分别求取历史上各天与待预测日的日负荷差异度
Figure BDA0002735592810000033
和夜负荷差异度
Figure BDA0002735592810000034
计算公式如下：
Figure BDA0002735592810000035
和根据如下公式将日负荷差异度
Figure BDA0002735592810000036
和夜负荷差异度
Figure BDA0002735592810000037
分别归一化：
Figure BDA0002735592810000038
和选取日负荷差异度最低的前M个历史日的日负荷，通过如下公式计算待预测日日负荷：
Figure BDA0002735592810000039
其中，t＝tsunrise,...,tsundown，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点；tsundown表示距离待预测日日落时刻最近的数据采样时刻点；同理，针对夜负荷，选取差异度最低的前M个历史日的夜负荷，通过如下公式计算待预测日夜负荷：
Figure BDA00027355928100000310
其中，t＝1,...,tsunrise,...,tsundown,....,T，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点；tsundown表示距离待预测日日落时刻最近的数据采样时刻点；和将预测得到的日负荷
Figure BDA00027355928100000311
和夜负荷
Figure BDA00027355928100000312
按照数据点时间进行整合，即可得到最终待预测日负荷预测结果
Figure BDA00027355928100000313
其中，所述根据所述得到的最终待预测日负荷预测结果，基于粒子群算法的自适应特征权重调整，对所述风光母线的负荷自进行预测，包括：根据所述得到的最终待预测日负荷预测结果，以历史训练集数据进行虚拟预测的平均绝对误差的总和为适应度函数，以权重系数和组成的向量为优化变量进行寻优，最后还原寻优后的最优个体，得到优化后的适应于所述地区负荷特点的权重系数和，基于所述优化权重系数，对所述风光母线的负荷自进行预测。
根据本发明的另一个方面，提供一种风光母线负荷自适应预测装置，包括：预处理模块、映射与归一化处理模块、分割整合预测模块和负荷预测模块；所述预处理模块，用于对风光母线的负荷数据和对应所述负荷数据的气象数据进行预处理；所述映射与归一化处理模块，用于按天气类型、气温、日类型、日期跨度四类影响因素，对所述经预处理后的风光母线的负荷数据和对应所述负荷数据的气象数据进行映射与归一化处理；所述分割整合预测模块，用于对所述经映射与归一化处理后的风光母线的负荷数据和对应所述负荷数据的气象数据，进行基于模式特征匹配的日、夜负荷分割整合预测，得到最终待预测日负荷预测结果；所述负荷预测模块，用于根据所述得到的最终待预测日负荷预测结果，基于粒子群算法的自适应特征权重调整，对所述风光母线的负荷自进行预测。
其中，所述预处理模块，具体用于：搜索风光母线的负荷历史数据和气象历史数据中存在数据点缺失、恒值情况的日数据，并对所述存在数据点缺失、恒值情况的日数据进行剔除，对所述经剔除后的风光母线的负荷历史数据和气象历史数据按预设时间段进行划分的预处理。
其中，所述映射与归一化处理模块，具体用于：将天气类型、气温、日类型、日期跨度四类影响因素中非数值型变量进行量化，和根据所述经量化后的天气类型、气温、日类型、日期跨度四类影响因素的量化数值，将所述对应所述负荷数据的气象数据的历史气象数据中所有的天气类型归纳到根据不同天气类型对太阳辐照度的影响进行天气分类的四种天气类型中，和选取由大至小四个量化数值ya、yb、yc、yd分别作为第一种天气类型、第二种天气类型、第三种天气类型、第四种天气类型四种天气类型的量化映射结果，量化后的天气类型指标表示为Fw，和将所述经量化映射后的天气类型、气温、日类型、日期跨度四类影响因素的数据，组成历史时期中第n日相对于待预测日的模式特征向量，表示为
Figure BDA0002735592810000041
的方式，对所述经预处理后的风光母线的负荷数据和对应所述负荷数据的气象数据进行0-1的归一化处理。
其中，所述分割整合预测模块，具体用于：根据当地的日出日落时间，每日的负荷分割为日负荷和夜负荷，日负荷部分受分布式光伏出力影响，而夜负荷部分则不受影响；因此，模式特征向量中各特征对日负荷、夜负荷的影响程度有所不同；特征向量中各特征对日负荷的影响程度由参数向量
Figure BDA0002735592810000042
表示，其中K表示模式特征数量，各特征对夜负荷的影响程度由参数向量
Figure BDA0002735592810000043
表示；分别求取历史上各天与待预测日的日负荷差异度
Figure BDA0002735592810000044
和夜负荷差异度
Figure BDA0002735592810000045
计算公式如下：
Figure BDA0002735592810000046
和根据如下公式将日负荷差异度
Figure BDA0002735592810000047
和夜负荷差异度
Figure BDA0002735592810000048
分别归一化：
Figure BDA0002735592810000051
和选取日负荷差异度最低的前M个历史日的日负荷，通过如下公式计算待预测日日负荷：
Figure BDA0002735592810000052
其中，t＝tsunrise,...,tsundown，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点；tsundown表示距离待预测日日落时刻最近的数据采样时刻点；同理，针对夜负荷，选取差异度最低的前M个历史日的夜负荷，通过如下公式计算待预测日夜负荷：
Figure BDA0002735592810000053
其中，t＝1,...,tsunrise,...,tsundown,....,T，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点；tsundown表示距离待预测日日落时刻最近的数据采样时刻点；和将预测得到的日负荷
Figure BDA0002735592810000054
和夜负荷
Figure BDA0002735592810000055
按照数据点时间进行整合，即可得到最终待预测日负荷预测结果
Figure BDA0002735592810000056
其中，所述负荷预测模块，具体用于：根据所述得到的最终待预测日负荷预测结果，以历史训练集数据进行虚拟预测的平均绝对误差的总和为适应度函数，以权重系数和组成的向量为优化变量进行寻优，最后还原寻优后的最优个体，得到优化后的适应于所述地区负荷特点的权重系数和，基于所述优化权重系数，对所述风光母线的负荷自进行预测。
根据本发明的又一个方面，提供一种计算机设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一项所述的风光母线负荷自适应预测方法。
根据本发明的再一个方面，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的风光母线负荷自适应预测方法。
可以发现，以上方案，可以对风光母线的负荷数据和对应该负荷数据的气象数据进行预处理，和可以按天气类型、气温、日类型、日期跨度四类影响因素，对该经预处理后的风光母线的负荷数据和对应该负荷数据的气象数据进行映射与归一化处理，和可以对该经映射与归一化处理后的风光母线的负荷数据和对应该负荷数据的气象数据，进行基于模式特征匹配的日、夜负荷分割整合预测，得到最终待预测日负荷预测结果，以及可以根据该得到的最终待预测日负荷预测结果，基于粒子群算法的自适应特征权重调整，对该风光母线的负荷自进行预测，能够实现针对带有分布式新能源的风光母线，在分布式新能源预测机制的不完善以及相对应实时预测气象数据缺失的情况下，能够对该风光母线进行自适应预测。
进一步的，以上方案，可以搜索风光母线的负荷历史数据和气象历史数据中存在数据点缺失、恒值等情况的日数据，并对该存在数据点缺失、恒值等情况的日数据进行剔除，对该经剔除后的风光母线的负荷历史数据和气象历史数据按预设时间段进行划分的预处理，这样的好处是能够实现提高该对风光母线的负荷数据和对应该负荷数据的气象数据进行预处理的准确率。
进一步的，以上方案，可以将天气类型、气温、日类型、日期跨度四类影响因素中非数值型变量进行量化，和根据该经量化后的天气类型、气温、日类型、日期跨度四类影响因素的量化数值，将该对应该负荷数据的气象数据的历史气象数据中所有的天气类型归纳到根据不同天气类型对太阳辐照度的影响进行天气分类的四种天气类型中，和选取由大至小四个量化数值ya、yb、yc、yd分别作为第一种天气类型A、第二种天气类型B、第三种天气类型C、第四种天气类型D四种天气类型的量化映射结果，量化后的天气类型指标表示为Fw，和将该经量化映射后的天气类型、气温、日类型、日期跨度四类影响因素的数据，组成历史时期中第n日相对于待预测日的模式特征向量，表示为
Figure BDA0002735592810000061
的方式，对该经预处理后的风光母线的负荷数据和对应该负荷数据的气象数据进行0-1的归一化处理，这样的好处是能够实现提高该经预处理后的风光母线的负荷数据和对应该负荷数据的气象数据的精度。
进一步的，以上方案，可以根据当地的日出日落时间，每日的负荷可以分割为日负荷和夜负荷，日负荷部分受分布式光伏出力影响，而夜负荷部分则不受影响；因此，模式特征向量中各特征对日负荷、夜负荷的影响程度有所不同；特征向量中各特征对日负荷的影响程度由参数向量
Figure BDA0002735592810000062
表示，其中K表示模式特征数量，各特征对夜负荷的影响程度由参数向量
Figure BDA0002735592810000063
表示；分别求取历史上各天与待预测日的日负荷差异度
Figure BDA0002735592810000064
和夜负荷差异度
Figure BDA0002735592810000065
计算公式如下：
Figure BDA0002735592810000066
和根据如下公式将日负荷差异度
Figure BDA0002735592810000067
和夜负荷差异度
Figure BDA0002735592810000068
分别归一化：
Figure BDA0002735592810000069
Figure BDA0002735592810000071
和选取日负荷差异度最低的前M个历史日的日负荷，通过如下公式计算待预测日日负荷：
Figure BDA0002735592810000072
其中，t＝tsunrise,...,tsundown，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点。tsundown表示距离待预测日日落时刻最近的数据采样时刻点；同理，针对夜负荷，选取差异度最低的前M个历史日的夜负荷，通过如下公式计算待预测日夜负荷：
Figure BDA0002735592810000073
其中，t＝1,...,tsunrise,...,tsundown,....,T，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点；tsundown表示距离待预测日日落时刻最近的数据采样时刻点；和将预测得到的日负荷
Figure BDA0002735592810000074
和夜负荷
Figure BDA0002735592810000075
按照数据点时间进行整合，即可得到最终待预测日负荷预测结果
Figure BDA0002735592810000076
这样的好处是能够实现针对带有分布式新能源的风光母线，能够规避在分布式新能源预测机制的不完善以及相对应实时预测气象数据缺失的局限。
进一步的，以上方案，可以根据该得到的最终待预测日负荷预测结果，以历史训练集数据进行虚拟预测的平均绝对误差的总和为适应度函数，以权重系数和组成的向量为优化变量进行寻优，最后还原寻优后的最优个体，得到优化后的适应于该地区负荷特点的权重系数和，基于该优化权重系数，对该风光母线的负荷自进行预测，这样的好处是能够实现针对带有分布式新能源的风光母线，在分布式新能源预测机制的不完善以及相对应实时预测气象数据缺失的情况下，能够对该风光母线进行自适应预测。
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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明风光母线负荷自适应预测方法一实施例的流程示意图；
图2是本发明在晴转多云天气下的风光母线负荷预测结果对比图的一举例示意图；
图3是本发明在多云天气下的风光母线负荷预测结果对比图的一举例示意图；
图4是本发明在小雨天气下的风光母线负荷预测结果对比图的一举例示意图；
图5是本发明风光母线负荷自适应预测装置一实施例的结构示意图；
图6是本发明计算机设备一实施例的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，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它实施例，都属于本发明保护的范围。
本发明提供一种风光母线负荷自适应预测方法，能够实现针对带有分布式新能源的风光母线，在分布式新能源预测机制的不完善以及相对应实时预测气象数据缺失的情况下，能够对该风光母线进行自适应预测。
请参见图1，图1是本发明风光母线负荷自适应预测方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括如下步骤：
S101：对风光母线的负荷数据和对应该负荷数据的气象数据进行预处理。
其中，该对风光母线的负荷数据和对应该负荷数据的气象数据进行预处理，可以包括：
搜索风光母线的负荷历史数据和气象历史数据中存在数据点缺失、恒值等情况的日数据，并对该存在数据点缺失、恒值等情况的日数据进行剔除，对该经剔除后的风光母线的负荷历史数据和气象历史数据按预设时间段进行划分的预处理，这样的好处是能够实现提高该对风光母线的负荷数据和对应该负荷数据的气象数据进行预处理的准确率。
在本实施例中，该预设时间段可以是预设的工作日、休息日和节假日等，本发明不加以限定。
S102：按天气类型、气温、日类型、日期跨度四类影响因素，对该经预处理后的风光母线的负荷数据和对应该负荷数据的气象数据进行映射与归一化处理。
其中，该按天气类型、气温、日类型、日期跨度四类影响因素，对该经预处理后的风光母线的负荷数据和对应该负荷数据的气象数据进行映射与归一化处理，可以包括：
将天气类型、气温、日类型、日期跨度四类影响因素中非数值型变量进行量化，和根据该经量化后的天气类型、气温、日类型、日期跨度四类影响因素的量化数值，将该对应该负荷数据的气象数据的历史气象数据中所有的天气类型归纳到根据不同天气类型对太阳辐照度的影响进行天气分类的四种天气类型中，和选取由大至小四个量化数值ya、yb、yc、yd分别作为第一种天气类型A、第二种天气类型B、第三种天气类型C、第四种天气类型D四种天气类型的量化映射结果，量化后的天气类型指标表示为Fw，和将该经量化映射后的天气类型、气温、日类型、日期跨度四类影响因素的数据，组成历史时期中第n日相对于待预测日的模式特征向量，表示为
Figure BDA0002735592810000091
的方式，对该经预处理后的风光母线的负荷数据和对应该负荷数据的气象数据进行0-1的归一化处理，这样的好处是能够实现提高该经预处理后的风光母线的负荷数据和对应该负荷数据的气象数据的精度。
在本实施例中，可以将天气类型、气温、日类型、日期跨度四类影响因素中非数值型变量进行量化，理解为针对天气类型、日类型两个变量进行处理等，本发明不加以限定。
在本实施例中，针对天气类型数据，当前中国气象局制订的国家标准GB/T22164—2008将天气状态分为33种不同种类，现有研究中根据不同天气类型对太阳辐照度的影响，将其划分为4个大类，划分方式如下表1广义天气类型对应表所示。
表1广义天气类型对应表
Figure BDA0002735592810000092
在本实施例中，日类型可以为周一至周五的星期类型，可以选取yMon、yTues、yWed、yThur、yFri作为星期一至星期五的量化取值，可以选取ySat、ySun作为周六、周日的量化取值，量化后的日类型指标可以表示为Fdtype等，本发明不加以限定。
在本实施例中，气温指标可以包括平均温度、最高温度和最低温度，分别以FTave、FTmax和FTmin来表示，气温指标为数值型数据，可直接使用等，本发明不加以限定。
在本实施例中，日期跨度可以是待预测日距历史日期中各日的时间跨度，时间跨度可以以日来表示，若待预测日为第二天，则今日与待预测日的时间跨度为1，以Fdrange表示日期跨度指标等，本发明不加以限定。
S103：对该经映射与归一化处理后的风光母线的负荷数据和对应该负荷数据的气象数据，进行基于模式特征匹配的日、夜负荷分割整合预测，得到最终待预测日负荷预测结果。
其中，该对该经映射与归一化处理后的风光母线的负荷数据和对应该负荷数据的气象数据，进行基于模式特征匹配的日、夜负荷分割整合预测，得到最终待预测日负荷预测结果，可以包括：
根据当地的日出日落时间，每日的负荷可以分割为日负荷和夜负荷，日负荷部分受分布式光伏出力影响，而夜负荷部分则不受影响；因此，模式特征向量中各特征对日负荷、夜负荷的影响程度有所不同；特征向量中各特征对日负荷的影响程度由参数向量
Figure BDA0002735592810000101
表示，其中K表示模式特征数量，各特征对夜负荷的影响程度由参数向量
Figure BDA0002735592810000102
表示；分别求取历史上各天与待预测日的日负荷差异度
Figure BDA0002735592810000103
和夜负荷差异度
Figure BDA0002735592810000104
计算公式如下：
Figure BDA0002735592810000105
和根据如下公式将日负荷差异度
Figure BDA0002735592810000106
和夜负荷差异度
Figure BDA0002735592810000107
分别归一化：
Figure BDA0002735592810000108
和选取日负荷差异度最低的前M个历史日的日负荷，通过如下公式计算待预测日日负荷：
Figure BDA0002735592810000109
其中，t＝tsunrise,...,tsundown，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点；tsundown表示距离待预测日日落时刻最近的数据采样时刻点；同理，针对夜负荷，选取差异度最低的前M个历史日的夜负荷，通过如下公式计算待预测日夜负荷：
Figure BDA0002735592810000111
其中，t＝1,...,tsunrise,...,tsundown,....,T，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点；tsundown表示距离待预测日日落时刻最近的数据采样时刻点；
和将预测得到的日负荷
Figure BDA0002735592810000112
和夜负荷
Figure BDA0002735592810000113
按照数据点时间进行整合，即可得到最终待预测日负荷预测结果
Figure BDA0002735592810000114
这样的好处是能够实现针对带有分布式新能源的风光母线，能够规避在分布式新能源预测机制的不完善以及相对应实时预测气象数据缺失的局限。
在本实施例中，可以从历史负荷数据和气象数据中，选取近期N天的数据作为预测样本集进行预测，则当前已知数据为：
(1)根据历史气象数据以及日历信息，可以得到历史上各日的模式特征向量为
Figure BDA0002735592810000115
其中，n表示日期序号，预测当日序号设定为C，待预测日的序号表示为C+F；
(2)历史上各日的负荷可以表示为Pn,t(n＝C-1,C-2,C-N；t＝1,2,...,T)，其中，t表示时刻序号，T为每天的采样点数；
(3)根据天气预报信息、日历信息可以得到待预测日的模式特征向量
Figure BDA0002735592810000116
等，本发明不加以限定；
S104：根据该得到的最终待预测日负荷预测结果，基于粒子群算法的自适应特征权重调整，对该风光母线的负荷自进行预测。
其中，该根据该得到的最终待预测日负荷预测结果，基于粒子群算法的自适应特征权重调整，对该风光母线的负荷自进行预测，可以包括：
根据该得到的最终待预测日负荷预测结果，以历史训练集数据进行虚拟预测的平均绝对误差的总和为适应度函数，以权重系数和组成的向量为优化变量进行寻优，最后还原寻优后的最优个体，得到优化后的适应于该地区负荷特点的权重系数和，基于该优化权重系数，对该风光母线的负荷自进行预测，这样的好处是能够实现针对带有分布式新能源的风光母线，在分布式新能源预测机制的不完善以及相对应实时预测气象数据缺失的情况下，能够对该风光母线进行自适应预测。
在本实施例中，该粒子群算法即粒子群优化算法，可以是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，其核心思想可以是利用群体中的个体对信息的共享从而使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得问题的最优解等，本发明不加以限定。
在本实施例中，可以以历史训练集数据进行虚拟预测的平均绝对误差的总和为适应度函数，以权重系数和组成的向量为优化变量进行寻优，最后还原寻优后的最优个体，得到优化后的适应于该地区负荷特点的权重系数和，基于该优化权重系数，可以重复S103的预测过程，以得到待预测日的预测结果等，本发明不加以限定。
可以发现，在本实施例中，可以对风光母线的负荷数据和对应该负荷数据的气象数据进行预处理，和可以按天气类型、气温、日类型、日期跨度四类影响因素，对该经预处理后的风光母线的负荷数据和对应该负荷数据的气象数据进行映射与归一化处理，和可以对该经映射与归一化处理后的风光母线的负荷数据和对应该负荷数据的气象数据，进行基于模式特征匹配的日、夜负荷分割整合预测，得到最终待预测日负荷预测结果，以及可以根据该得到的最终待预测日负荷预测结果，基于粒子群算法的自适应特征权重调整，对该风光母线的负荷自进行预测，能够实现针对带有分布式新能源的风光母线，在分布式新能源预测机制的不完善以及相对应实时预测气象数据缺失的情况下，能够对该风光母线进行自适应预测。
进一步的，在本实施例中，可以搜索风光母线的负荷历史数据和气象历史数据中存在数据点缺失、恒值等情况的日数据，并对该存在数据点缺失、恒值等情况的日数据进行剔除，对该经剔除后的风光母线的负荷历史数据和气象历史数据按预设时间段进行划分的预处理，这样的好处是能够实现提高该对风光母线的负荷数据和对应该负荷数据的气象数据进行预处理的准确率。
进一步的，在本实施例中，可以将天气类型、气温、日类型、日期跨度四类影响因素中非数值型变量进行量化，和根据该经量化后的天气类型、气温、日类型、日期跨度四类影响因素的量化数值，将该对应该负荷数据的气象数据的历史气象数据中所有的天气类型归纳到根据不同天气类型对太阳辐照度的影响进行天气分类的四种天气类型中，和选取由大至小四个量化数值ya、yb、yc、yd分别作为第一种天气类型A、第二种天气类型B、第三种天气类型C、第四种天气类型D四种天气类型的量化映射结果，量化后的天气类型指标表示为Fw，和将该经量化映射后的天气类型、气温、日类型、日期跨度四类影响因素的数据，组成历史时期中第n日相对于待预测日的模式特征向量，表示为
Figure BDA0002735592810000131
的方式，对该经预处理后的风光母线的负荷数据和对应该负荷数据的气象数据进行0-1的归一化处理，这样的好处是能够实现提高该经预处理后的风光母线的负荷数据和对应该负荷数据的气象数据的精度。
进一步的，在本实施例中，可以根据当地的日出日落时间，每日的负荷可以分割为日负荷和夜负荷，日负荷部分受分布式光伏出力影响，而夜负荷部分则不受影响；因此，模式特征向量中各特征对日负荷、夜负荷的影响程度有所不同；特征向量中各特征对日负荷的影响程度由参数向量
Figure BDA0002735592810000132
表示，其中K表示模式特征数量，各特征对夜负荷的影响程度由参数向量
Figure BDA0002735592810000133
表示；分别求取历史上各天与待预测日的日负荷差异度
Figure BDA0002735592810000134
和夜负荷差异度
Figure BDA0002735592810000135
计算公式如下：
Figure BDA0002735592810000136
和根据如下公式将日负荷差异度
Figure BDA0002735592810000137
和夜负荷差异度
Figure BDA0002735592810000138
分别归一化：
Figure BDA0002735592810000139
和选取日负荷差异度最低的前M个历史日的日负荷，通过如下公式计算待预测日日负荷：
Figure BDA00027355928100001310
其中，t＝tsunrise,...,tsundown，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点。tsundown表示距离待预测日日落时刻最近的数据采样时刻点；同理，针对夜负荷，选取差异度最低的前M个历史日的夜负荷，通过如下公式计算待预测日夜负荷：
Figure BDA00027355928100001311
其中，t＝1,...,tsunrise,...,tsundown,....,T，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点；tsundown表示距离待预测日日落时刻最近的数据采样时刻点；和将预测得到的日负荷
Figure BDA00027355928100001312
和夜负荷
Figure BDA00027355928100001313
按照数据点时间进行整合，即可得到最终待预测日负荷预测结果
Figure BDA00027355928100001314
这样的好处是能够实现针对带有分布式新能源的风光母线，能够规避在分布式新能源预测机制的不完善以及相对应实时预测气象数据缺失的局限。
进一步的，在本实施例中，可以根据该得到的最终待预测日负荷预测结果，以历史训练集数据进行虚拟预测的平均绝对误差的总和为适应度函数，以权重系数和组成的向量为优化变量进行寻优，最后还原寻优后的最优个体，得到优化后的适应于该地区负荷特点的权重系数和，基于该优化权重系数，对该风光母线的负荷自进行预测，这样的好处是能够实现针对带有分布式新能源的风光母线，在分布式新能源预测机制的不完善以及相对应实时预测气象数据缺失的情况下，能够对该风光母线进行自适应预测。
下面进行举例说明本实施例：
请参见图2和图3和图4，图2是本发明在晴转多云天气下的风光母线负荷预测结果对比图的一举例示意图，图3是本发明在多云天气下的风光母线负荷预测结果对比图的一举例示意图，图4是本发明在小雨天气下的风光母线负荷预测结果对比图的一举例示意图。如图2和图3和图4所示，以一个地级级的其中一风光母线在2020年6月至8月的历史负荷数据和对应历史气象数据为例，针对选用的风光母线，选取预测日前30天的数据作为本方法的预测样本集，ya、yb、yc、yd分别选取1、0.75、0.5、0.25，yMon、yTues、yWed、yThur、yFri分别选取0.1、0.2、0.3、0.4、0.5，ySat、ySun选取2.5、3，本计算实例中M取值为3。Parday与Parnight的初始值均选定为[0.2，0.2，0.2，0.2，0.1，0.1]。为展示本方法在不同场景下的预测效果，分别选取晴转多云、多云、小雨三种天气日为预测日，该三种天气的预测结果的平均绝对误差分别为10.35MW、8.65MW以及9.04MW，通过图像情况以及平均绝对误差指标的计算结果可以看出，能够实现以较低要求的天气预报数据以及少量的历史负荷数据，即可实现较好的预测效果，证明了本预测方法的可行性与优越性。
本发明还提供一种风光母线负荷自适应预测装置，能够实现针对带有分布式新能源的风光母线，在分布式新能源预测机制的不完善以及相对应实时预测气象数据缺失的情况下，能够对该风光母线进行自适应预测。
请参见图5，图5是本发明风光母线负荷自适应预测装置一实施例的结构示意图。本实施例中，该风光母线负荷自适应预测装置50包括预处理模块51、映射与归一化处理模块52、分割整合预测模块53和负荷预测模块54。
该预处理模块51，用于对风光母线的负荷数据和对应该负荷数据的气象数据进行预处理。
该映射与归一化处理模块52，用于按天气类型、气温、日类型、日期跨度四类影响因素，对该经预处理后的风光母线的负荷数据和对应该负荷数据的气象数据进行映射与归一化处理。
该分割整合预测模块53，用于对该经映射与归一化处理后的风光母线的负荷数据和对应该负荷数据的气象数据，进行基于模式特征匹配的日、夜负荷分割整合预测，得到最终待预测日负荷预测结果。
该负荷预测模块54，用于根据该得到的最终待预测日负荷预测结果，基于粒子群算法的自适应特征权重调整，对该风光母线的负荷自进行预测。
可选地，该预处理模块51，可以具体用于：
搜索风光母线的负荷历史数据和气象历史数据中存在数据点缺失、恒值等情况的日数据，并对该存在数据点缺失、恒值等情况的日数据进行剔除，对该经剔除后的风光母线的负荷历史数据和气象历史数据按预设时间段进行划分的预处理。
可选地，该映射与归一化处理模块52，可以具体用于：
将天气类型、气温、日类型、日期跨度四类影响因素中非数值型变量进行量化，和根据该经量化后的天气类型、气温、日类型、日期跨度四类影响因素的量化数值，将该对应该负荷数据的气象数据的历史气象数据中所有的天气类型归纳到根据不同天气类型对太阳辐照度的影响进行天气分类的四种天气类型中，和选取由大至小四个量化数值ya、yb、yc、yd分别作为第一种天气类型、第二种天气类型、第三种天气类型、第四种天气类型四种天气类型的量化映射结果，量化后的天气类型指标表示为Fw，和将该经量化映射后的天气类型、气温、日类型、日期跨度四类影响因素的数据，组成历史时期中第n日相对于待预测日的模式特征向量，表示为
Figure BDA0002735592810000151
的方式，对该经预处理后的风光母线的负荷数据和对应该负荷数据的气象数据进行0-1的归一化处理。
可选地，该分割整合预测模块53，可以具体用于：
根据当地的日出日落时间，每日的负荷可以分割为日负荷和夜负荷，日负荷部分受分布式光伏出力影响，而夜负荷部分则不受影响；因此，模式特征向量中各特征对日负荷、夜负荷的影响程度有所不同；特征向量中各特征对日负荷的影响程度由参数向量
Figure BDA0002735592810000152
表示，其中K表示模式特征数量，各特征对夜负荷的影响程度由参数向量
Figure BDA0002735592810000153
表示；分别求取历史上各天与待预测日的日负荷差异度
Figure BDA0002735592810000154
和夜负荷差异度
Figure BDA0002735592810000155
计算公式如下：
Figure BDA0002735592810000156
和根据如下公式将日负荷差异度
Figure BDA0002735592810000157
和夜负荷差异度
Figure BDA0002735592810000158
分别归一化：
Figure BDA0002735592810000159
Figure BDA0002735592810000161
和选取日负荷差异度最低的前M个历史日的日负荷，通过如下公式计算待预测日日负荷：
Figure BDA0002735592810000162
其中，t＝tsunrise,...,tsundown，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点；tsundown表示距离待预测日日落时刻最近的数据采样时刻点；同理，针对夜负荷，选取差异度最低的前M个历史日的夜负荷，通过如下公式计算待预测日夜负荷：
Figure BDA0002735592810000163
其中，t＝1,...,tsunrise,...,tsundown,....,T，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点；tsundown表示距离待预测日日落时刻最近的数据采样时刻点；
和将预测得到的日负荷
Figure BDA0002735592810000164
和夜负荷
Figure BDA0002735592810000165
按照数据点时间进行整合，即可得到最终待预测日负荷预测结果
Figure BDA0002735592810000166
可选地，该负荷预测模块54，可以具体用于：
根据该得到的最终待预测日负荷预测结果，以历史训练集数据进行虚拟预测的平均绝对误差的总和为适应度函数，以权重系数和组成的向量为优化变量进行寻优，最后还原寻优后的最优个体，得到优化后的适应于该地区负荷特点的权重系数和，基于该优化权重系数，对该风光母线的负荷自进行预测。
该风光母线负荷自适应预测装置50的各个单元模块可分别执行上述方法实施例中对应步骤，故在此不对各单元模块进行赘述，详细请参见以上对应步骤的说明。
本发明又提供一种计算机设备，如图6所示，包括：至少一个处理器61；以及，与至少一个处理器61通信连接的存储器62；其中，存储器62存储有可被至少一个处理器61执行的指令，指令被至少一个处理器61执行，以使至少一个处理器61能够执行上述的风光母线负荷自适应预测方法。
其中，存储器62和处理器61采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器61和存储器62的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器61处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器61。
处理器61负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器62可以被用于存储处理器61在执行操作时所使用的数据。
本发明再提供一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
可以发现，以上方案，可以对风光母线的负荷数据和对应该负荷数据的气象数据进行预处理，和可以按天气类型、气温、日类型、日期跨度四类影响因素，对该经预处理后的风光母线的负荷数据和对应该负荷数据的气象数据进行映射与归一化处理，和可以对该经映射与归一化处理后的风光母线的负荷数据和对应该负荷数据的气象数据，进行基于模式特征匹配的日、夜负荷分割整合预测，得到最终待预测日负荷预测结果，以及可以根据该得到的最终待预测日负荷预测结果，基于粒子群算法的自适应特征权重调整，对该风光母线的负荷自进行预测，能够实现针对带有分布式新能源的风光母线，在分布式新能源预测机制的不完善以及相对应实时预测气象数据缺失的情况下，能够对该风光母线进行自适应预测。
进一步的，以上方案，可以搜索风光母线的负荷历史数据和气象历史数据中存在数据点缺失、恒值等情况的日数据，并对该存在数据点缺失、恒值等情况的日数据进行剔除，对该经剔除后的风光母线的负荷历史数据和气象历史数据按预设时间段进行划分的预处理，这样的好处是能够实现提高该对风光母线的负荷数据和对应该负荷数据的气象数据进行预处理的准确率。
进一步的，以上方案，可以将天气类型、气温、日类型、日期跨度四类影响因素中非数值型变量进行量化，和根据该经量化后的天气类型、气温、日类型、日期跨度四类影响因素的量化数值，将该对应该负荷数据的气象数据的历史气象数据中所有的天气类型归纳到根据不同天气类型对太阳辐照度的影响进行天气分类的四种天气类型中，和选取由大至小四个量化数值ya、yb、yc、yd分别作为第一种天气类型A、第二种天气类型B、第三种天气类型C、第四种天气类型D四种天气类型的量化映射结果，量化后的天气类型指标表示为Fw，和将该经量化映射后的天气类型、气温、日类型、日期跨度四类影响因素的数据，组成历史时期中第n日相对于待预测日的模式特征向量，表示为
Figure BDA0002735592810000181
的方式，对该经预处理后的风光母线的负荷数据和对应该负荷数据的气象数据进行0-1的归一化处理，这样的好处是能够实现提高该经预处理后的风光母线的负荷数据和对应该负荷数据的气象数据的精度。
进一步的，以上方案，可以根据当地的日出日落时间，每日的负荷可以分割为日负荷和夜负荷，日负荷部分受分布式光伏出力影响，而夜负荷部分则不受影响；因此，模式特征向量中各特征对日负荷、夜负荷的影响程度有所不同；特征向量中各特征对日负荷的影响程度由参数向量
Figure BDA0002735592810000182
表示，其中K表示模式特征数量，各特征对夜负荷的影响程度由参数向量
Figure BDA0002735592810000183
表示；分别求取历史上各天与待预测日的日负荷差异度
Figure BDA0002735592810000184
和夜负荷差异度
Figure BDA0002735592810000185
计算公式如下：
Figure BDA0002735592810000186
和根据如下公式将日负荷差异度
Figure BDA0002735592810000187
和夜负荷差异度
Figure BDA0002735592810000188
分别归一化：
Figure BDA0002735592810000189
和选取日负荷差异度最低的前M个历史日的日负荷，通过如下公式计算待预测日日负荷：
Figure BDA00027355928100001810
其中，t＝tsunrise,...,tsundown，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点。tsundown表示距离待预测日日落时刻最近的数据采样时刻点；同理，针对夜负荷，选取差异度最低的前M个历史日的夜负荷，通过如下公式计算待预测日夜负荷：
Figure BDA00027355928100001811
其中，t＝1,...,tsunrise,...,tsundown,....,T，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点；tsundown表示距离待预测日日落时刻最近的数据采样时刻点；和将预测得到的日负荷
Figure BDA00027355928100001812
和夜负荷
Figure BDA00027355928100001813
按照数据点时间进行整合，即可得到最终待预测日负荷预测结果
Figure BDA00027355928100001814
这样的好处是能够实现针对带有分布式新能源的风光母线，能够规避在分布式新能源预测机制的不完善以及相对应实时预测气象数据缺失的局限。
进一步的，以上方案，可以根据该得到的最终待预测日负荷预测结果，以历史训练集数据进行虚拟预测的平均绝对误差的总和为适应度函数，以权重系数和组成的向量为优化变量进行寻优，最后还原寻优后的最优个体，得到优化后的适应于该地区负荷特点的权重系数和，基于该优化权重系数，对该风光母线的负荷自进行预测，这样的好处是能够实现针对带有分布式新能源的风光母线，在分布式新能源预测机制的不完善以及相对应实时预测气象数据缺失的情况下，能够对该风光母线进行自适应预测。
在本发明所提供的几个实施方式中，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方式仅仅是示意性的，例如，模块或单元的划分，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。
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方式方案的目的。
另外，在本发明各个实施方式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。
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)或处理器(processor)执行本发明各个实施方式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-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种风光母线负荷自适应预测方法，其特征在于，包括：
对风光母线的负荷数据和对应所述负荷数据的气象数据进行预处理；
按天气类型、气温、日类型、日期跨度四类影响因素，对所述经预处理后的风光母线的负荷数据和对应所述负荷数据的气象数据进行映射与归一化处理；
对所述经映射与归一化处理后的风光母线的负荷数据和对应所述负荷数据的气象数据，进行基于模式特征匹配的日、夜负荷分割整合预测，得到最终待预测日负荷预测结果；
根据所述得到的最终待预测日负荷预测结果，基于粒子群算法的自适应特征权重调整，对所述风光母线的负荷自进行预测。
2.如权利要求1所述的风光母线负荷自适应预测方法，其特征在于，所述对风光母线的负荷数据和对应所述负荷数据的气象数据进行预处理，包括：
搜索风光母线的负荷历史数据和气象历史数据中存在数据点缺失、恒值情况的日数据，并对所述存在数据点缺失、恒值情况的日数据进行剔除，对所述经剔除后的风光母线的负荷历史数据和气象历史数据按预设时间段进行划分的预处理。
3.如权利要求1所述的风光母线负荷自适应预测方法，其特征在于，所述按天气类型、气温、日类型、日期跨度四类影响因素，对所述经预处理后的风光母线的负荷数据和对应所述负荷数据的气象数据进行映射与归一化处理，包括：
将天气类型、气温、日类型、日期跨度四类影响因素中非数值型变量进行量化，和根据所述经量化后的天气类型、气温、日类型、日期跨度四类影响因素的量化数值，将所述对应所述负荷数据的气象数据的历史气象数据中所有的天气类型归纳到根据不同天气类型对太阳辐照度的影响进行天气分类的四种天气类型中，和选取由大至小四个量化数值ya、yb、yc、yd分别作为第一种天气类型A、第二种天气类型B、第三种天气类型C、第四种天气类型D四种天气类型的量化映射结果，量化后的天气类型指标表示为Fw，和将所述经量化映射后的天气类型、气温、日类型、日期跨度四类影响因素的数据，组成历史时期中第n日相对于待预测日的模式特征向量，表示为
Figure FDA0002735592800000011
的方式，对所述经预处理后的风光母线的负荷数据和对应所述负荷数据的气象数据进行0-1的归一化处理。
4.如权利要求1所述的风光母线负荷自适应预测方法，其特征在于，所述对所述经映射与归一化处理后的风光母线的负荷数据和对应所述负荷数据的气象数据，进行基于模式特征匹配的日、夜负荷分割整合预测，得到最终待预测日负荷预测结果，包括：
根据当地的日出日落时间，每日的负荷分割为日负荷和夜负荷，日负荷部分受分布式光伏出力影响，而夜负荷部分则不受影响；因此，模式特征向量中各特征对日负荷、夜负荷的影响程度有所不同；特征向量中各特征对日负荷的影响程度由参数向量
Figure FDA0002735592800000021
表示，其中K表示模式特征数量，各特征对夜负荷的影响程度由参数向量
Figure FDA0002735592800000022
表示；分别求取历史上各天与待预测日的日负荷差异度
Figure FDA0002735592800000023
和夜负荷差异度
Figure FDA0002735592800000024
计算公式如下：
Figure FDA0002735592800000025
和根据如下公式将日负荷差异度
Figure FDA0002735592800000026
和夜负荷差异度
Figure FDA0002735592800000027
分别归一化：
Figure FDA0002735592800000028
和选取日负荷差异度最低的前M个历史日的日负荷，通过如下公式计算待预测日日负荷：
Figure FDA0002735592800000029
其中，t＝tsunrise,...,tsundown，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点；tsundown表示距离待预测日日落时刻最近的数据采样时刻点；同理，针对夜负荷，选取差异度最低的前M个历史日的夜负荷，通过如下公式计算待预测日夜负荷：
Figure FDA00027355928000000210
其中，t＝1,...,tsunrise,...,tsundown,....,T，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点；tsundown表示距离待预测日日落时刻最近的数据采样时刻点；
和将预测得到的日负荷
Figure FDA00027355928000000211
和夜负荷
Figure FDA00027355928000000212
按照数据点时间进行整合，即可得到最终待预测日负荷预测结果
Figure FDA00027355928000000213
5.如权利要求1所述的风光母线负荷自适应预测方法，其特征在于，所述根据所述得到的最终待预测日负荷预测结果，基于粒子群算法的自适应特征权重调整，对所述风光母线的负荷自进行预测，包括：
根据所述得到的最终待预测日负荷预测结果，以历史训练集数据进行虚拟预测的平均绝对误差的总和为适应度函数，以权重系数和组成的向量为优化变量进行寻优，最后还原寻优后的最优个体，得到优化后的适应于所述地区负荷特点的权重系数和，基于所述优化权重系数，对所述风光母线的负荷自进行预测。
6.一种风光母线负荷自适应预测装置，其特征在于，包括：
预处理模块、映射与归一化处理模块、分割整合预测模块和负荷预测模块；
所述预处理模块，用于对风光母线的负荷数据和对应所述负荷数据的气象数据进行预处理；
所述映射与归一化处理模块，用于按天气类型、气温、日类型、日期跨度四类影响因素，对所述经预处理后的风光母线的负荷数据和对应所述负荷数据的气象数据进行映射与归一化处理；
所述分割整合预测模块，用于对所述经映射与归一化处理后的风光母线的负荷数据和对应所述负荷数据的气象数据，进行基于模式特征匹配的日、夜负荷分割整合预测，得到最终待预测日负荷预测结果；
所述负荷预测模块，用于根据所述得到的最终待预测日负荷预测结果，基于粒子群算法的自适应特征权重调整，对所述风光母线的负荷自进行预测。
7.如权利要求6所述的风光母线负荷自适应预测装置，其特征在于，所述预处理模块，具体用于：
搜索风光母线的负荷历史数据和气象历史数据中存在数据点缺失、恒值情况的日数据，并对所述存在数据点缺失、恒值情况的日数据进行剔除，对所述经剔除后的风光母线的负荷历史数据和气象历史数据按预设时间段进行划分的预处理。
8.如权利要求6所述的风光母线负荷自适应预测装置，其特征在于，所述映射与归一化处理模块，具体用于：
将天气类型、气温、日类型、日期跨度四类影响因素中非数值型变量进行量化，和根据所述经量化后的天气类型、气温、日类型、日期跨度四类影响因素的量化数值，将所述对应所述负荷数据的气象数据的历史气象数据中所有的天气类型归纳到根据不同天气类型对太阳辐照度的影响进行天气分类的四种天气类型中，和选取由大至小四个量化数值ya、yb、yc、yd分别作为第一种天气类型、第二种天气类型、第三种天气类型、第四种天气类型四种天气类型的量化映射结果，量化后的天气类型指标表示为Fw，和将所述经量化映射后的天气类型、气温、日类型、日期跨度四类影响因素的数据，组成历史时期中第n日相对于待预测日的模式特征向量，表示为
Figure FDA0002735592800000041
的方式，对所述经预处理后的风光母线的负荷数据和对应所述负荷数据的气象数据进行0-1的归一化处理。
9.如权利要求6所述的风光母线负荷自适应预测装置，其特征在于，所述分割整合预测模块，具体用于：
根据当地的日出日落时间，每日的负荷分割为日负荷和夜负荷，日负荷部分受分布式光伏出力影响，而夜负荷部分则不受影响；因此，模式特征向量中各特征对日负荷、夜负荷的影响程度有所不同；特征向量中各特征对日负荷的影响程度由参数向量
Figure FDA0002735592800000042
表示，其中K表示模式特征数量，各特征对夜负荷的影响程度由参数向量
Figure FDA0002735592800000043
表示；分别求取历史上各天与待预测日的日负荷差异度
Figure FDA0002735592800000044
和夜负荷差异度
Figure FDA0002735592800000045
计算公式如下：
Figure FDA0002735592800000046
和根据如下公式将日负荷差异度
Figure FDA0002735592800000047
和夜负荷差异度
Figure FDA0002735592800000048
分别归一化：
Figure FDA0002735592800000049
和选取日负荷差异度最低的前M个历史日的日负荷，通过如下公式计算待预测日日负荷：
Figure FDA00027355928000000410
其中，t＝tsunrise,...,tsundown，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点；tsundown表示距离待预测日日落时刻最近的数据采样时刻点；同理，针对夜负荷，选取差异度最低的前M个历史日的夜负荷，通过如下公式计算待预测日夜负荷：
Figure FDA00027355928000000411
其中，t＝1,...,tsunrise,...,tsundown,....,T，tsunrise表示距离待预测日日出时刻最近的数据采样时刻点；tsundown表示距离待预测日日落时刻最近的数据采样时刻点；
和将预测得到的日负荷
Figure FDA00027355928000000412
和夜负荷
Figure FDA00027355928000000413
按照数据点时间进行整合，即可得到最终待预测日负荷预测结果
Figure FDA00027355928000000414
10.如权利要求6所述的风光母线负荷自适应预测装置，其特征在于，所述负荷预测模块，具体用于：
根据所述得到的最终待预测日负荷预测结果，以历史训练集数据进行虚拟预测的平均绝对误差的总和为适应度函数，以权重系数和组成的向量为优化变量进行寻优，最后还原寻优后的最优个体，得到优化后的适应于所述地区负荷特点的权重系数和，基于所述优化权重系数，对所述风光母线的负荷自进行预测。
CN202011132483.2A 2020-10-21 2020-10-21 风光母线负荷自适应预测方法、装置、计算机设备 Pending CN112348235A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011132483.2A CN112348235A (zh) 2020-10-21 2020-10-21 风光母线负荷自适应预测方法、装置、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011132483.2A CN112348235A (zh) 2020-10-21 2020-10-21 风光母线负荷自适应预测方法、装置、计算机设备

Publications (1)

Publication Number Publication Date
CN112348235A true CN112348235A (zh) 2021-02-09

Family

ID=74359483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011132483.2A Pending CN112348235A (zh) 2020-10-21 2020-10-21 风光母线负荷自适应预测方法、装置、计算机设备

Country Status (1)

Country Link
CN (1) CN112348235A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721356A (zh) * 2023-08-10 2023-09-08 深圳航天科创泛在电气有限公司 一种光伏系统的输出功率预测方法及相关设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093288A (zh) * 2013-02-21 2013-05-08 江苏省电力公司电力科学研究院 基于气象信息的分区电网母线负荷预测系统
CN110807508A (zh) * 2019-10-31 2020-02-18 国网辽宁省电力有限公司经济技术研究院 计及复杂气象影响的母线峰值负荷预测方法
JP2020035413A (ja) * 2018-08-28 2020-03-05 日鉄エンジニアリング株式会社 電力需要予測システム、電力需要予測モデルの構築方法、プログラム、及び営業支援システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093288A (zh) * 2013-02-21 2013-05-08 江苏省电力公司电力科学研究院 基于气象信息的分区电网母线负荷预测系统
JP2020035413A (ja) * 2018-08-28 2020-03-05 日鉄エンジニアリング株式会社 電力需要予測システム、電力需要予測モデルの構築方法、プログラム、及び営業支援システム
CN110807508A (zh) * 2019-10-31 2020-02-18 国网辽宁省电力有限公司经济技术研究院 计及复杂气象影响的母线峰值负荷预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴茵;韩俊杰;杨小卫;: "基于多种不确定因素相似度匹配的母线负荷预测算法", 广西电力, no. 06 *
朱赫炎;于长永;贺庆奎;宋坤;刘靖波;许言路;卢天琪;黄南天;: "计及复杂气象影响的含光伏电源的母线峰值负荷预测", 可再生能源, no. 06 *
黄静;陆春良;张俊;吴华华;罗欣;申鸿伟;: "计及分布式能源影响的母线净负荷预测方法研究", 电气自动化, no. 01 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721356A (zh) * 2023-08-10 2023-09-08 深圳航天科创泛在电气有限公司 一种光伏系统的输出功率预测方法及相关设备
CN116721356B (zh) * 2023-08-10 2023-11-24 深圳航天科创泛在电气有限公司 一种光伏系统的输出功率预测方法及相关设备

Similar Documents

Publication Publication Date Title
Qing et al. Hourly day-ahead solar irradiance prediction using weather forecasts by LSTM
Wang et al. Research and application of a hybrid forecasting framework based on multi-objective optimization for electrical power system
CN111563610B (zh) 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统
CN113128793A (zh) 一种基于多源数据融合的光伏功率组合预测方法及系统
CN104636822B (zh) 一种基于elman神经网络的居民负荷预测方法
Mu et al. Short-term load forecasting using improved similar days method
CN111079980B (zh) 基于自适应分类策略和混合优化svr的光功率预测方法
CN115796393B (zh) 基于多能互动的能源网管理优化方法、系统及存储介质
CN114021420A (zh) 一种分布式光伏超短期发电功率预测方法及系统
CN110675275A (zh) 一种虚拟电厂的需求侧响应用电负荷调控方法及系统
CN112508255B (zh) 一种基于多源异构数据的光伏出力超短期预测方法及系统
CN116128150B (zh) 一种基于两级优化的光伏智能出力预测方法
CN111092451A (zh) 一种基于配电网网格的光伏消纳预警方法
CN115115127A (zh) 一种基于深度学习的低压台区智能调控方法及系统
Dou et al. Elman neural network based short-term photovoltaic power forecasting using association rules and kernel principal component analysis
CN112311078B (zh) 一种基于信息融合的太阳能负载调节方法和装置
CN107134790B (zh) 一种基于大数据的配电网无功优化控制序列确定方法
CN115689146A (zh) 一种多能源智能楼宇负荷调度方法及系统
CN112348235A (zh) 风光母线负荷自适应预测方法、装置、计算机设备
CN109586309B (zh) 基于大数据自由熵理论和场景匹配的配电网无功优化方法
Zhao et al. Short-term load forecasting based on RBF neural network
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN116307111A (zh) 一种基于k均值聚类和随机森林算法的无功负荷预测方法
Pan et al. Modeling optimization method based on Gamma test and NSGA II for forecast of PV power output
CN112330017A (zh) 电力负荷预测方法、装置、电子设备和存储介质

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