CN112465195A - 考虑高比例分布式光伏接入的母线负荷预测方法及系统 - Google Patents
考虑高比例分布式光伏接入的母线负荷预测方法及系统 Download PDFInfo
- Publication number
- CN112465195A CN112465195A CN202011272717.3A CN202011272717A CN112465195A CN 112465195 A CN112465195 A CN 112465195A CN 202011272717 A CN202011272717 A CN 202011272717A CN 112465195 A CN112465195 A CN 112465195A
- Authority
- CN
- China
- Prior art keywords
- result
- distributed photovoltaic
- output result
- bus load
- analysis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000003066 decision tree Methods 0.000 description 7
- 239000010410 layer Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000717 retained effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000035699 permeability Effects 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- 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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (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)
Abstract
本发明公开了涉及考虑高比例分布式光伏接入的母线负荷预测方法及系统，涉及店里系统负荷预测领域。该方法包括：步骤1，通过互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析，得到分析结果；步骤2，根据所述分析结果组成训练数据集；步骤3，将所述训练数据集分别输入至XGBoost模型以及极限学习机模型，得到XGBoost模型的第一输出结果以及极限学习机模型的第二输出结果；步骤4，对所述第一输出结果以及所述第二输出结果加权计算，得到预测结果。本发明能够解决没有在负荷预测中涉及母线的相关信息或特点问题，达到精准预测的效果。
Description
技术领域
本发明涉及电力系统负荷预测领域，尤其涉及考虑高比例分布式光伏接入的母线负荷预测方法及系统。
背景技术
随着对传统能源不断开发利用，其储备量已日渐枯竭，且环境问题也日趋严重，为解决上述问题，分布式电源的大规模接入应运而生，目前分布式光伏在可再生能源中占有重要的比重。以分布式光伏为例，随着光伏材料及有关控制技术的飞速发展，分布式光伏在配电网中所占比重逐年增长，在某种程度上，分布式光伏的规模化接入已部分解决了可再生能源的消纳问题。但是，当配电网中接入的分布式电源渗透比较高时会导致其母线辖区内的潮流分布情况与负荷形态发生巨大的转变，使得母线辖区内负荷不能有效反映用户用电负荷的真实状况，导致母线辖区内的负荷预测难度增加，需要充分计及分布式光伏接入对其产生的影响，且现有技术中都没有在负荷预测中涉及母线的相关信息或特点。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供高比例分布式光伏接入的母线负荷预测方法及系统。
本发明解决上述技术问题的技术方案如下：一种考虑高比例分布式光伏接入的母线负荷预测方法，包括：
步骤1，通过互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析，得到分析结果；
步骤2，根据所述分析结果组成训练数据集；
步骤3，将所述训练数据集分别输入至XGBoost模型以及极限学习机模型，得到XGBoost模型的第一输出结果以及极限学习机模型的第二输出结果；
步骤4，对所述第一输出结果以及所述第二输出结果加权计算，得到预测结果。
本发明的有益效果是：通过利用互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析可以在一定程度上减少数据处理的量，提高处理效率，将训练集分别输入至两个模型中可以避免单一模型中的问题，其中极限学习机的输入信息需提前进行归一化处理，处理过程中可能存在部分信息损失掉，另外极限学习机易受到极限最小值的影响，导致模型训练失败。相比较而言，XGBoost算法的输入信息不需要进行归一化处理，能够最大程度的保留数据原始特征，但是XGBoost算法过分依赖于输入数据中的主导信息。两种算法侧重点不同，各有其优缺点，所以将两类算法进行线性结合能够兼顾两者的优点，使得混合学习模型能够有效提升母线辖区负荷预测精度。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，步骤1之后还包括：
对分析结果进行筛选，剔除掉分析结果中不符合阈值要求的部分，得到优化后的分析结果。
采用上述进一步方案的有益效果是，对分析结果进行筛选可以使数据更具说服力，同时以此建立的模型得到的预测结果更精确。
进一步，步骤2具体为：
将所述优化后的分析结果与增加量结合组成训练数据集。
采用上述进一步方案的有益效果是，完善的训练数据集可以提高模型最终预测结果的准确程度。
进一步，所述增加量包括：天气以及高比例分布式光伏的出力数据。
进一步，步骤4具体为：
将所述第一输出结果与所述第二输出结果相加，得到第三输出结果，并根据预设权重对所述第三输出结果进行加权，得到预测结果。
本发明解决上述技术问题的另一种技术方案如下：一种考虑高比例分布式光伏接入的母线负荷预测系统，包括：
分析模块，用于通过互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析，得到分析结果；
组成模块，用于根据所述分析结果组成训练数据集；
输出模块，用于将所述训练数据集分别输入至XGBoost模型以及极限学习机模型，得到XGBoost模型的第一输出结果以及极限学习机模型的第二输出结果；
预测模块，用于对所述第一输出结果以及所述第二输出结果加权计算，得到预测结果。
本发明的有益效果是：通过利用互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析可以在一定程度上减少数据处理的量，提高处理效率，将训练集分别输入至两个模型中可以避免单一模型中的问题，其中极限学习机的输入信息需提前进行归一化处理，处理过程中可能存在部分信息损失掉，另外极限学习机易受到极限最小值的影响，导致模型训练失败。相比较而言，XGBoost算法的输入信息不需要进行归一化处理，能够最大程度的保留数据原始特征，但是XGBoost算法过分依赖于输入数据中的主导信息。两种算法侧重点不同，各有其优缺点，所以将两类算法进行线性结合能够兼顾两者的优点，使得混合学习模型能够有效提升母线辖区负荷预测精度。
进一步，分析模块还用于：
对分析结果进行筛选，剔除掉分析结果中不符合阈值要求的部分，得到优化后的分析结果。
采用上述进一步方案的有益效果是，对分析结果进行筛选可以使数据更具说服力，同时以此建立的模型得到的预测结果更精确。
进一步，组成模块具体用于：
将所述优化后的分析结果与增加量结合组成训练数据集。
采用上述进一步方案的有益效果是，完善的训练数据集可以提高模型最终预测结果的准确程度。
进一步，所述增加量包括：天气以及高比例分布式光伏的出力数据。
进一步，预测模块具体用于：
将所述第一输出结果与所述第二输出结果相加，得到第三输出结果，并根据预设权重对所述第三输出结果进行加权，得到预测结。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明一种考虑高比例分布式光伏接入的母线负荷预测方法的实施例提供的流程示意图；
图2为本发明一种考虑高比例分布式光伏接入的母线负荷预测系统的实施例提供的结构框架图；
图3为本发明一种考虑高比例分布式光伏接入的母线负荷预测方法的实施例提供的核函数极限学习机模型示意图；
图4为本发明一种考虑高比例分布式光伏接入的母线负荷预测方法的实施例提供的10kV母线辖区内为居民负荷预测结果示意图；
图5为本发明一种考虑高比例分布式光伏接入的母线负荷预测方法的实施例提供的110kV母线辖区内为工业负荷预测结果示意图；
图6为本发明一种考虑高比例分布式光伏接入的母线负荷预测方法的实施例提供的10kV母线辖区内为商业负荷预测结果示意图。
附图中，各标号所代表的部件列表如下：
100、分析模块，200、组成模块，300、输出模块，400、预测模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种考虑高比例分布式光伏接入的母线负荷预测方法，包括：
步骤1，通过互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析，得到分析结果；
步骤2，根据分析结果组成训练数据集；
步骤3，将训练数据集分别输入至XGBoost模型以及极限学习机模型，得到XGBoost模型的第一输出结果以及极限学习机模型的第二输出结果；
步骤4，对第一输出结果以及第二输出结果加权计算，得到预测结果。
在一些可能的实施方式中，通过利用互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析可以在一定程度上减少数据处理的量，提高处理效率，将训练集分别输入至两个模型中可以避免单一模型中的问题，其中极限学习机的输入信息需提前进行归一化处理，处理过程中可能存在部分信息损失掉，另外极限学习机易受到极限最小值的影响，导致模型训练失败。相比较而言，XGBoost算法的输入信息不需要进行归一化处理，能够最大程度的保留数据原始特征，但是XGBoost算法过分依赖于输入数据中的主导信息。两种算法侧重点不同，各有其优缺点，所以将两类算法进行线性结合能够兼顾两者的优点，使得混合学习模型能够有效提升母线辖区负荷预测精度。
需要说明的是，互信息属于信息论中的一种基础理论，它通过两个随机变量序列相关信息熵的大小来衡量他们之间的依赖情况。假设用I(X；Y)表示互信息值，具体公式如下：
I(X；Y)＝H(X)-H(X/Y)
其中，H(X)表示序列X的信息熵值，H(X/Y)表示序列X对序列Y的条件信息熵，且H(X)以及H(X/Y)的具体公式如下：
其中，p(x)，p(y)表示x，y单独发生的边缘概率分布情况，p(x,y)表示x，y同时发生的联合概率分布情况，则互信息值如下式：
由上式可知，若X与Y完全相关，则对应的互信息值最大，其值为1；若X与Y完全不相关，则互信息值最小，其值为0。
在预测模型中，本发明选取了混合学习方式来聚合XGBoost算法与极限学习机算法。这两种算法分别具有各自的特点，其中极限学习机的输入信息，即训练数据集中的全部数据，需提前进行归一化处理，处理过程中可能存在部分信息损失掉，另外极限学习机易受到极限最小值的影响，导致模型训练失败。相比较而言，XGBoost算法的输入信息不需要进行归一化处理，能够最大程度的保留数据原始特征，但是XGBoost算法过分依赖于输入数据中的主导信息；
Extreme Gradient Boosting(XGBoost)是学术界和工业界中常用的计算模型，其计算速度快、模型表现好，在应用实践中能够达到很好的效果。
XGBoost一般对学习情况进行监督，即利用训练数据对目标变量进行预测。XGBoost中以决策树为弱学习器，每当对单个弱学习器进行训练时，将先略提高上一次计算失误的数据权重，再推动当前单个弱学习器进行学习，然后加入新的弱学习器，帮助纠正之前所有弱学习器的残差情况，最后针对多个学习器进行加权求和用于最终预测。
XGBoost算法可视为由K棵决策树相加组成，计算过程如下式：
其中，f表示决策树，F表示全部决策树所构成的函数空间。
进行回归计算时，参数Θ＝{f1,f2,…,fK}，则目标函数具体公式如下：
针对决策树正则化项，以向量映射的手段对每棵决策树进行改进，可得到XGBoost的正则化项Ω(f)为：
其中，T表示叶节点的数量，ω表示树叶的分数向量，q表示各数据点分配给叶子的函数表达式；
为简化计算过程，本文采用了前向分布算法，即从前往后，每步只对一个基函数及其系数进行学习，逐步优化目标函数。在第t步中，xi的预测结果可表示为：
其中ft(xi)表示本轮需要学习的决策树，因此目标函数可表示为：
其中核函数极限学习机属于单层前馈神经网络算法中的一种，基本极限学习机可用下式表示：
f(x)＝h(x)β
其中，h(x)表示隐藏层输出情况，β＝[β1,…,βL]T表示第i个隐藏层和输出层间的权重系数，极限学习机输出的误差值可通过下式进行计算：
其中，L表示隐藏层中神经元h(x)的数量f0(x)表示待预测的变量，核函数极限学习机具体情况如图3所示，其中输出函数fL(x)可通过下式进行计算：
其中，gi与G(ai，bi，x)表示隐藏节点i的输出函数，ai，bi表示隐藏层参数，βi表示输出权重向量，在训练前馈神经网络时，需要求解权重的最优二乘解：
Hβ＝T
其中,T表示预测目标的值,则本系统输出权重的最小标准二乘解可以表示为：
其中,
表示矩阵H的广义逆矩阵，矩阵H表示神经网络的隐藏层。引入常数1/C将提高求解结果的泛化能力,
在对输出权重β进行计算的过程中，可以将1/λ添加到矩阵HTH或HHT的对角线上，能够有效提升结果的稳定性及泛化能力，具体计算过程可表示如下：
引入核函数：
ΩELM＝K(u,v)＝exp(-γ||u-v||2)
其中，ΩELM表示高斯核函数，N表示输入层的维数，假设h(x)为已知条件，则核函数可以定义成：
优选地，在上述任意实施例中，步骤1之后还包括：
对分析结果进行筛选，剔除掉分析结果中不符合阈值要求的部分，得到优化后的分析结果。
在一些可能的实施方式中，对分析结果进行筛选可以使数据更具说服力，同时以此建立的模型得到的预测结果更精确。
优选地，在上述任意实施例中，步骤2具体为：
将优化后的分析结果与增加量结合组成训练数据集。
在一些可能的实施方式中，完善的训练数据集可以提高模型最终预测结果的准确程度。
优选地，在上述任意实施例中，增加量包括：天气以及高比例分布式光伏的出力数据。
优选地，在上述任意实施例中，步骤4具体为：
将第一输出结果与第二输出结果相加，得到第三输出结果，并根据预设权重对第三输出结果进行加权，得到预测结果。
如图2所示，一种考虑高比例分布式光伏接入的母线负荷预测系统，包括：
分析模块100，用于通过互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析，得到分析结果；
组成模块200，用于根据分析结果组成训练数据集；
输出模块300，用于将训练数据集分别输入至XGBoost模型以及极限学习机模型，得到XGBoost模型的第一输出结果以及极限学习机模型的第二输出结果；
预测模块400，用于对第一输出结果以及第二输出结果加权计算，得到预测结果。
在一些可能的实施方式中，通过利用互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析可以在一定程度上减少数据处理的量，提高处理效率，将训练集分别输入至两个模型中可以避免单一模型中的问题，其中极限学习机的输入信息需提前进行归一化处理，处理过程中可能存在部分信息损失掉，另外极限学习机易受到极限最小值的影响，导致模型训练失败。相比较而言，XGBoost算法的输入信息不需要进行归一化处理，能够最大程度的保留数据原始特征，但是XGBoost算法过分依赖于输入数据中的主导信息。两种算法侧重点不同，各有其优缺点，所以将两类算法进行线性结合能够兼顾两者的优点，使得混合学习模型能够有效提升母线辖区负荷预测精度。
优选地，在上述任意实施例中，分析模块100还用于：
对分析结果进行筛选，剔除掉分析结果中不符合阈值要求的部分，得到优化后的分析结果。
在一些可能的实施方式中，对分析结果进行筛选可以使数据更具说服力，同时以此建立的模型得到的预测结果更精确。
优选地，在上述任意实施例中，组成模块200具体用于：
将优化后的分析结果与增加量结合组成训练数据集。
在一些可能的实施方式中，完善的训练数据集可以提高模型最终预测结果的准确程度。
优选地，在上述任意实施例中，增加量包括：天气以及高比例分布式光伏的出力数据。
优选地，在上述任意实施例中，预测模块400具体用于：
将第一输出结果与第二输出结果相加，得到第三输出结果，并根据预设权重对第三输出结果进行加权，得到预测结。
实施例1，本发明选择了多种应用场景进行实际分析，其中各场景中分布式光伏的接入容量均较高。
场景一：10kV母线辖区内为居民负荷；
场景二：110kV母线辖区内为工业负荷；
场景三：10kV母线辖区内为商业负荷。
在上述三个场景中，采用的预测目标均为下一小时母线负荷情况。
本实施例中选取平均相对误差(Mean absolute percentage error，MAPE)、均方根误差(Root mean square error,RMSE)作为误差指标，具体公式如下：
其中，n表示样本数目，ai表示i时刻的实际负荷值，bi表示i时刻的预测负荷值。
由于所选区域的分布式光伏渗透率较高，不能忽略光伏出力对母线辖区内的负荷形态的影响，因此，本发明分析了分布式光伏出力与负荷真实值之间的关系，模型的输入数据中计及了辖区内上一时刻光伏数据信息。表1给出了不同类型的负荷与光伏出力之间的互信息系数。深入分析可得，在各场景中所选辖区内分布式光伏接入容量均较高的情况下，影响分布式光伏出力情况的相关因素会对该母线辖区内负荷变化产生较大的影响，母线辖区的分布式光伏渗透率越高，光伏出力相关因素对负荷预测结果的影响越大。此外，输入数据中除包括分布式光伏出力情况以外，还计及了天气与历史负荷数据等，进一步提高预测结果的准确性。
表1高比例光伏对母线负荷预测结果影响
为进一步分析比较分布式光伏出力对母线负荷预测结果的影响，本发明针对三种场景进行分析，图3表示母线辖区内为居民负荷的预测结果，图4表示母线辖区内为工业负荷的预测结果，图5表示母线辖区内为商业负荷的预测结果。
对上述预测结果进行分析可得，在分布式光伏渗透率较高的母线辖区内，考虑分布式光伏出力数据的母线辖区负荷预测方法能够更好的满足多种应用场景的要求，与未考虑分布式光伏出力情况的模型相比较，本发明所采用的模型能够有效提高预测精度，这也反映出高比例可再生能源接入会影响负荷的形态。由于居民类负荷中分布式光伏渗透率更高，因此模型中不计及光伏信息时预测结果偏离实际值更多，其效果图如图4、图5、图6所示。
将本发明模型与采用神经网络(NN,neural network)和时间序列算法(ARIMA，Autoregressive Integrated Moving Average model)所得的预测结果进行对比，能够进一步反映出本发明模型的优势所在。为了公平比较各算法的优劣，计算过程中均使用本发明给出的数据信息进行预测，预测结果见表2。
表2三种方法的误差统计结果
对表2中数据进行分析可得，由于居民用电情况的影响因素较多、随机性也较强，大大增加了预测的难度，使得居民负荷预测精度MAPE一般会低于工业负荷，而母线辖区电压等级越高，负荷预测的精度也越高。另外，采用本发明所提出的混合模型进行计算时，误差指标MAPE和RMSE均低于采用NN与ARIMA进行计算时所得结果，预测精度更高，表明该模型能够适用于高比例分布式光伏接入的母线负荷预测情况。
可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部可选实施方式。
需要说明的是，上述各实施例是与在先方法实施例对应的产品实施例，对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，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，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
上述方法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，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种考虑高比例分布式光伏接入的母线负荷预测方法，其特征在于，包括：
步骤1，通过互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析，得到分析结果；
步骤2，根据所述分析结果组成训练数据集；
步骤3，将所述训练数据集分别输入至XGBoost模型以及极限学习机模型，得到XGBoost模型的第一输出结果以及极限学习机模型的第二输出结果；
步骤4，对所述第一输出结果以及所述第二输出结果加权计算，得到预测结果。
2.根据权利要求1所述的一种考虑高比例分布式光伏接入的母线负荷预测方法，其特征在于，步骤1之后还包括：
对分析结果进行筛选，剔除掉分析结果中不符合阈值要求的部分，得到优化后的分析结果。
3.根据权利要求2所述的一种考虑高比例分布式光伏接入的母线负荷预测方法，其特征在于，步骤2具体为：
将所述优化后的分析结果与增加量结合组成训练数据集。
4.根据权利要求3所述的一种考虑高比例分布式光伏接入的母线负荷预测方法，其特征在于，所述增加量包括：天气以及高比例分布式光伏的出力数据。
5.根据权利要求1所述的一种考虑高比例分布式光伏接入的母线负荷预测方法，其特征在于，步骤4具体为：
将所述第一输出结果与所述第二输出结果相加，得到第三输出结果，并根据预设权重对所述第三输出结果进行加权，得到预测结果。
6.一种考虑高比例分布式光伏接入的母线负荷预测系统，其特征在于，包括：
分析模块，用于通过互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析，得到分析结果；
组成模块，用于根据所述分析结果组成训练数据集；
输出模块，用于将所述训练数据集分别输入至XGBoost模型以及极限学习机模型，得到XGBoost模型的第一输出结果以及极限学习机模型的第二输出结果；
预测模块，用于对所述第一输出结果以及所述第二输出结果加权计算，得到预测结果。
7.根据权利要求6所述的一种考虑高比例分布式光伏接入的母线负荷预测系统，其特征在于，分析模块还用于：
对分析结果进行筛选，剔除掉分析结果中不符合阈值要求的部分，得到优化后的分析结果。
8.根据权利要求7所述的一种考虑高比例分布式光伏接入的母线负荷预测系统，其特征在于，组成模块具体用于：
将所述优化后的分析结果与增加量结合组成训练数据集。
9.根据权利要求8所述的一种考虑高比例分布式光伏接入的母线负荷预测系统，其特征在于，所述增加量包括：天气以及高比例分布式光伏的出力数据。
10.根据权利要求6所述的一种考虑高比例分布式光伏接入的母线负荷预测系统，其特征在于，预测模块具体用于：
将所述第一输出结果与所述第二输出结果相加，得到第三输出结果，并根据预设权重对所述第三输出结果进行加权，得到预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011272717.3A CN112465195A (zh) | 2020-11-12 | 2020-11-12 | 考虑高比例分布式光伏接入的母线负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011272717.3A CN112465195A (zh) | 2020-11-12 | 2020-11-12 | 考虑高比例分布式光伏接入的母线负荷预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112465195A true CN112465195A (zh) | 2021-03-09 |
Family
ID=74837154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011272717.3A Pending CN112465195A (zh) | 2020-11-12 | 2020-11-12 | 考虑高比例分布式光伏接入的母线负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465195A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113836789A (zh) * | 2021-08-24 | 2021-12-24 | 山东大学 | 基于宏细观参数关联准则的dem细观参数标定方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492709A (zh) * | 2018-12-06 | 2019-03-19 | 新奥数能科技有限公司 | 基于混合模型的数据预测方法及装置 |
| CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及系统 |
| CN110472778A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于Blending集成学习的短期负荷预测方法 |
| WO2020027202A1 (ja) * | 2018-07-31 | 2020-02-06 | 本田技研工業株式会社 | 電力予測システム、電力予測装置、電力予測方法、プログラム、及び記憶媒体 |
| CN111199343A (zh) * | 2019-12-24 | 2020-05-26 | 上海大学 | 一种多模型融合的烟草市场监管异常数据挖掘方法 |
| CN111832809A (zh) * | 2020-06-19 | 2020-10-27 | 山东大学 | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 |
-
2020
- 2020-11-12 CN CN202011272717.3A patent/CN112465195A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020027202A1 (ja) * | 2018-07-31 | 2020-02-06 | 本田技研工業株式会社 | 電力予測システム、電力予測装置、電力予測方法、プログラム、及び記憶媒体 |
| CN109492709A (zh) * | 2018-12-06 | 2019-03-19 | 新奥数能科技有限公司 | 基于混合模型的数据预测方法及装置 |
| CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及系统 |
| CN110472778A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于Blending集成学习的短期负荷预测方法 |
| CN111199343A (zh) * | 2019-12-24 | 2020-05-26 | 上海大学 | 一种多模型融合的烟草市场监管异常数据挖掘方法 |
| CN111832809A (zh) * | 2020-06-19 | 2020-10-27 | 山东大学 | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| YYHAKER: "GBT、GBDT、GBRT与Xgboost", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/57814935》 * |
| 朱赫炎等: "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》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113836789A (zh) * | 2021-08-24 | 2021-12-24 | 山东大学 | 基于宏细观参数关联准则的dem细观参数标定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
| CN106779177A (zh) | 基于粒子群优化的多分辨率小波神经网络用电量预测方法 | |
| CN112733997A (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
| Zhang et al. | A novel ensemble method for residential electricity demand forecasting based on a novel sample simulation strategy | |
| CN113762387A (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
| CN116245019A (zh) | 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质 | |
| CN115034473A (zh) | 一种电价预测方法、系统及装置 | |
| CN111178641A (zh) | 基于特征提取和多核rsvr组合模型的短期电力负荷预测方法 | |
| CN112465195A (zh) | 考虑高比例分布式光伏接入的母线负荷预测方法及系统 | |
| Usman et al. | Data analytics for short term price and load forecasting in smart grids using enhanced recurrent neural network | |
| Abdelaziz et al. | Convolutional Neural Network With Genetic Algorithm for Predicting Energy Consumption in Public Buildings | |
| CN115528750B (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 | |
| CN116933037A (zh) | 一种基于多模型融合的光伏出力预测方法及相关装置 | |
| Khan et al. | A comparative study on solar power forecasting using ensemble learning | |
| Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
| CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
| CN116054144A (zh) | 分布式光伏接入的配电网重构方法、系统及存储介质 | |
| Abedinia et al. | A New Hybrid Forecasting Model for Solar Energy Output | |
| Yuan et al. | A novel hybrid short-term wind power prediction framework based on singular spectrum analysis and deep belief network utilized improved adaptive genetic algorithm | |
| Shi et al. | Distributed gan: toward a faster reinforcement-learning-based architecture search | |
| Wang et al. | Prediction of air pollution based on FCM-HMM Multi-model | |
| Li et al. | Short-term Power Load Forecasting based on Feature Fusion of Parallel LSTM-CNN | |
| do Amaral et al. | Use of virtual load curves for the training of neural networks for residential electricity consumption forecasting applications | |
| CN113612660B (zh) | 一种基于种群自适应差分进化的lstm网络流量预测方法 | |
| Hossain et al. | Cascading Neural Network with Particle Swarm Optimization |
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: 20210309 |