CN114676866A - 基于误差修正的负荷日前预测修正方法、设备和存储介质 - Google Patents

基于误差修正的负荷日前预测修正方法、设备和存储介质 Download PDF

Info

Publication number
CN114676866A
CN114676866A CN202011546792.4A CN202011546792A CN114676866A CN 114676866 A CN114676866 A CN 114676866A CN 202011546792 A CN202011546792 A CN 202011546792A CN 114676866 A CN114676866 A CN 114676866A
Authority
CN
China
Prior art keywords
correction
day
load
prediction
predicted
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
CN202011546792.4A
Other languages
English (en)
Inventor
史仍辉
计远帆
张玉林
杨阳
芦清
耿光超
江全元
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.)
Shanghai Chint Power Systems Co ltd
Zhejiang University ZJU
Original Assignee
Shanghai Chint Power Systems Co ltd
Zhejiang University ZJU
Zhejiang Chint Electrics 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 Shanghai Chint Power Systems Co ltd, Zhejiang University ZJU, Zhejiang Chint Electrics Co Ltd filed Critical Shanghai Chint Power Systems Co ltd
Priority to CN202011546792.4A priority Critical patent/CN114676866A/zh
Publication of CN114676866A publication Critical patent/CN114676866A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (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)

Abstract

基于误差修正的负荷日前预测修正方法、设备和存储介质，包括以下步骤：步骤1：基于历史负荷和历史气象数据，建立日前预测模型；步骤2：基于日前预测模型得到待预测日预测结果，保存待预测日预测结果和待预测日的实际负荷数据，累积多组的待预测日预测结果及对应的实际负荷数据；步骤3：利用的多组的待预测日预测结果及对应的实际负荷数据，采用粒子群算法进行修正算法的关键参数的整定；步骤4：在待预测日当日的修正时段内，定期基于日前预测负荷值、实际负荷值和修正启动偏差门槛值door检查是否满足修正条件，当满足修正条件时启动修正，通过修正算法修正该日的日前预测结果，实现微网最优经济运行。

Description

基于误差修正的负荷日前预测修正方法、设备和存储介质
技术领域
本发明属于电力负荷预测领域，具体涉及一种基于误差修正的负荷日前预测修正方法、设备和存储介质。
背景技术
电力负荷预测是保证电力系统稳定且经济运行的重要基础，不同时间跨度的负荷预测对电网有着不同的应用目的。其中，精确的短期负荷预测结果能帮助电力系统工作人员制定合理生产计划，维持供需平衡和确保电网安全，同时减少资源浪费和用电成本。负荷水平受日类型、天气、气候、特殊活动等因素的影响。负荷预测技术可分为统计学方法和人工智能方法。人工神经网络是一种软计算技术，它不需要预测人员对底层物理系统进行显式建模，其通过对历史数据的简单学习建模，构建输入变量与电力需求之间的映射关系，进行预测。换句话说，预测者不必指定输入和输出变量之间的函数形式，而在构建多元线性回归模型时必须指定。因此，常通过人工神经网络建模进行电力负荷预测，但由于电网负荷预测具有一定的随机性，稳定性相对较低，影响因素也相对较多，导致误差较大，人工神经网络的应用具有一定的难度，特别是对于规模越小的电网，其存在预测偏差的可能性就越大。
园区级短期负荷预测的目的是规划一个最优的电力调度计划，以满足负荷消耗并进行微网能量管理。微网能量管理是根据系统的电负荷、热负荷需求、大气环境、电网电价、燃气价格等信息，协调微网内的可控型分布式电源和储能等设备，保证微网安全稳定运行，实现微网最优经济运行。
由于园区级微网负荷规模较小，波动性和不可预测性较强，且受天气、体感参数等可测量和预知的因素较小，而受到随机启动负荷的影响较大。因此尽管短期负荷预测对于微电网很重要，但这方面的研究依然较少。已有一些工作集中在微电网建筑负荷消耗的日前预测上，尚无当日及时根据实际负荷做出反馈和调整的修正算法。这导致之前提出的日前负荷预测算法要么所需信息输入量较大且难以获得，不具备实用性；要么预测精度欠佳且无法应对突发负荷增大的情况。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种基于误差修正的负荷日前预测修正方法、设备和存储介质。
为实现上述目的，本发明采用了如下技术方案：
一种基于误差修正的的负荷日前预测修正方法，包括以下步骤：
步骤1：基于历史负荷和历史气象数据，建立日前预测模型；
步骤2：基于日前预测模型得到待预测日预测结果，保存待预测日预测结果和待预测日的实际负荷数据，累积多组的待预测日预测结果及对应的实际负荷数据；
步骤3：利用多组的待预测日预测结果及对应的实际负荷数据，采用粒子群算法进行修正算法的关键参数的整定；
步骤4：在待预测日当日的修正时段内，定期基于日前预测负荷值、实际负荷值和修正启动偏差门槛值door检查是否满足修正条件，当满足修正条件时启动修正，通过修正算法修正该日的日前预测结果；
所述修正算法为：
ci＝Reali-Predicti，i∈(n，n+x*m]
Figure BDA0002855914600000021
Figure BDA0002855914600000022
其中，Reali为第i个采样点的实际负荷值，Predicti为第i个采样点的日前预测负荷值，tnow表示启动修正的时刻，tend为修正时段结束时间点，n为tnow前x个小时采样点数据的编号，m为每个小时内采样点的数目，k为衰减系数，Predicti *为第i个采样点修正后的日前预测负荷值；第i个采样点时间为ti，采样点i∈(n，n+x*m]对应的采样时间段为ti∈(tnow-xh，tnow]，采样点i∈[n+x*m，24*m)对应的修正时间段为ti∈[tnow，tend]。
优选的，步骤4中所述的修正条件为，启动修正的时刻前一个时间段内所有采样点的预测负荷值和实际负荷值的偏差的绝对值均大于修正启动偏差门槛值door，而且负荷预测值和实际值的偏差的符号相同。
优选的，步骤3中所述的修正算法的关键参数为修正时段结束时间点tend、修正启动偏差门槛值door和衰减系数k中的一个或多个。
优选的，还包括步骤5，每隔一定时间重复步骤3。
优选的，在步骤1中根据日类型分别建立工作日和休息日的日前预测模型。
优选的，步骤1中日前预测模型采用卷积神经网络模型，所述历史气象数据输入至卷积神经网络模块的全连接层中；所述历史负荷数据输入至卷积神经网络模块的卷积层中。
优选的，所述历史气象数据包括天气数据和天气类型，所述天气数据输入至卷积神经网络模型的两个全连接层，所述天气类型输入至卷积神经网络模型的一个全连接层，所述历史负荷数据输入至卷积神经网络模型的卷积层和池化层，处理后的所有数据合并经过卷积神经网络模块的三个全连接层得到最终输出。
优选的，基于粒子群算法整定修正参数的具体步骤如下：
步骤31，将累积的多组的待预测日预测结果及对应的实际负荷数据组成的数据集投入粒子群算法；
步骤32，初始化参数，设置粒子群算法的参数，包括惯性因子、局部速度因子、全局速度因子和粒子群数量；
步骤33，随机初始化若干个粒子，粒子的三维坐标为修正时段结束时间点tend、修正启动偏差门槛值door和衰减系数k，设置修正时段结束时间点tend、修正启动偏差门槛值door和衰减系数k的变化范围；
步骤34，对每个粒子按数据集的平均修正次数和平均精度计算适应度，寻找全局最优解；
步骤35，检查是否满足终止条件，如果不满足终止条件则进入步骤36，满足终止条件则进入步骤37；
步骤36，基于以下公式进行速度和位置更新，更新后进入步骤34；
Vi，j(t+1)＝ωVi，j(t)+c1*rand(0，1)*[pbesti，j-xi，j(t)]+c2*rand(0，1)*[gbesti，j-xi，j(t)]
xi，j(t+1)＝xi，j(t)+Vi，j(t+1)
Vi，j是粒子的速度；pbest和gbest分别定义为粒子最佳位置和种群最佳位置；rand(0，1)是介于(0，1)之间的随机数；xi，j(t)是粒子的当前位置；c1和c2是学习因子，ω为压缩因子；
步骤37，根据每次迭代得到的最优解拟合曲线得到帕累托最优解，输出最优解的修正时段结束时间点tend和修正启动偏差门槛值door和修正函数的衰减系数k。
本发明还提供一种微网能量管理设备，包括一个或多个处理器以及一个或多个存储计算机程序的存储器，所述一个或多个处理器，用于执行所述计算机程序，以执行本发明上述的基于误差修正的负荷日前预测修正方法的步骤。
本发明还一种存储有计算机程序的存储介质，当所述计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器执行本发明上述的基于误差修正的负荷日前预测修正方法的步骤。
本发明的基于误差修正的负荷日前预测修正方法，对园区级微网建立负荷预测模型，基于负荷预测模型对待预测日进行日前负荷预测；在积累多日的预测负荷值和实际负荷值后，通过粒子群算法进行修正算法的关键参数的整定，得到最优参数；将最优参数内置于修正算法，在待预测日当日对负荷预测结果进行即时修正，为微网能量管理系统提供更加准确、灵活的预测结果，从而保证微网安全稳定运行，实现微网最优经济运行。
此外，本发明定期的通过粒子群算法优化修正算法中的三个关键参数，修正时段结束时间点tend、修正启动偏差门槛值door和衰减系数k，基于本发明的修正算法对负荷预测结果进行即时修正，随着微网系统的不断运行学习，能够得到越来越准确的预测结果。
此外，本发明的日前预测模型根据日类型分别建立工作日和休息日的日前预测模，而且针对历史负荷和历史气象数据的不同输入特性，经过不同的输入通道进行处理，再进入全连接层合并，从而在前期提取出更有效的信息进行训练，实现对卷积神经网络的改进，且未增加卷积神经网络概率层的网络深度。
附图说明
图1是本发明实施例的负荷日前预测修正方法的步骤示意图；
图2是本发明实施例的负荷预测模型示意图；
图3是本发明实施例的修正算法参数整定和更新逻辑流程图；
图4是本发明实施例的判断是否满足修正条件的逻辑流程图；
图5是本发明实施例的原日前预测值、修正后预测值及实际负荷值的对比图；
图6是本发明实施例的日前预测与修正后预测对比图。
具体实施方式
以下结合附图1至6给出的实施例，进一步说明本发明的基于误差修正的负荷日前预测修正方法的具体实施方式。本发明的基于误差修正的负荷日前预测修正方法不限于以下实施例的描述。
本发明的一种基于误差修正的负荷日前预测修正方法，包括以下步骤：
步骤1：基于历史负荷和历史气象数据，建立日前预测模型；
步骤2：基于日前预测模型得到待预测日预测结果，保存待预测日预测结果和待预测日的实际负荷数据，累积多组的待预测日预测结果及对应的实际负荷数据；
步骤3：利用累积的多组的待预测日预测结果及对应的实际负荷数据，采用粒子群算法进行修正算法的关键参数的整定；优选的，所述的修正算法的关键参数为修正时段结束时间点tend、修正启动偏差门槛值door和衰减系数k中的一个或多个。
步骤4：在待预测日当日的修正时段内，定期基于日前预测负荷值、实际负荷值和修正启动偏差门槛值door检查是否满足修正条件，当满足修正条件时启动修正，通过修正算法修正该日的日前预测结果；
所述修正算法为：
ci＝Reali-Predicti，i∈(n，n+x*m]
Figure BDA0002855914600000051
Figure BDA0002855914600000052
其中，Reali为第i个采样点的实际负荷值，Predicti为第i个采样点的日前预测负荷值，tnow表示启动修正的时刻，tend为修正时段结束时间点，n为tnow前x个小时采样点数据的编号，m为每个小时内采样点的数目，k为衰减系数，Predicti *为第i个采样点修正后的日前预测负荷值；第i个采样点时间为ti，采样点i∈(n，n+x*m]对应的采样时间段为ti∈(tnow-xh，tnow]，采样点i∈[n+x*m，24*m)对应的修正时间段为ti∈[tnow，tend]，-xh表示前x个小时。
本发明的基于误差修正的负荷日前预测修正方法，对微网建立负荷预测模型，基于负荷预测模型对待预测日进行日前负荷预测；在积累多日的预测负荷值和实际负荷值后，通过粒子群算法进行修正算法的关键参数的整定，得到最优参数；将最优参数内置于修正算法，在待预测日当日对负荷预测结果进行即时修正，为微网能量管理系统提供更加准确、灵活的预测结果，从而保证微网安全稳定运行，实现微网最优经济运行。
本发明的基于误差修正的负荷日前预测修正方法，适用于园区级微电网系统，以下结合附图，对本发明的一个某园区级微电网系统的实施例作详细说明，本发明的流程图如图1所示：
考虑某园区级微电网系统，根据上文所述方法，对其进行负荷日前预测修正获得最终预测结果。
本实施例在Python3.0下编程实现，并调用MySQL数据库、Keras包实现日前预测部分，将日前预测结果写入数据库；Pandas包实现粒子群算法部分，用以得到修正算法三个关键参数的帕累托最优解；在待预测日当日再次通过读写数据库，完成预测结果的实时修正。
步骤1，基于历史负荷和历史气象数据，建立日前预测模型。
首先累计园区微网一定的历史负荷数据，历史负荷数据可以存入历史负荷数据表；获取历史气象数据，可以通过气象爬虫从网络上抓取该园区位置的历史气象数据，写入气象数据库表。然后基于获取的历史负荷数据和历史气象数据训练日前预测模型，日前预测模型可以采用人工神经网络，此为本领域的现有技术不再赘述。
优选的，步骤1中根据日类型分别建立工作日和休息日的日前预测模型，分别建立工作日日前预测模型和休息日日前预测模型。
优选的，步骤1中日前预测模型采用卷积神经网络模型。
如图2所示，本实施例中日前预测模型，在输入端引入不同的输入数据处理方式。历史气象数据具有复杂非线性关系，输入至卷积神经网络模块的全连接层中；而历史负荷数据具有较强时序性，输入至卷积神经网络模块的卷积层中，采用了两种输入数据处理方式；处理后的数据再进行合并输入三层全连接层。本实施例将各类不同特性的输入特征能经过不同的输入通道进行处理，再进入全连接层合并，从而在前期提取出更有效的信息进行训练，实现对卷积神经网络的改进，且未增加卷积神经网络概率层的网络深度。当然，根据输入的不同数据，还可以采用三种或更多的数据处理方式。
本实施例采用多输入数据处理方式的卷积神经网络模型来建立日前预测模型，输入积累的历史负荷数据和历史气象数据。由于历史气象数据和历史负荷数据均包含待预测日负荷信息，因此每个输入量必须得到符合其时序特征的处理。且由于不同日类型下负荷曲线形状不同，例如工作日和休息日的负荷曲线明显不同，工作日情况下不同的天气类型其负荷曲线肯定也不同，因此需要分类训练和预测，根据日类型分别建立工作日和休息日的日前预测模型。
同时，建立日前预测模型时卷积层、池化层的顺序和参数都需要精心设计，才能更好的提取时间序列的数据特征。一般来说，深度越深的神经网络能够在更复杂的任务上获得更高的精度，但也会导致更长的训练时间、优化收敛和过拟合问题。因此，模型设计的本质是在模型的复杂性和准确性之间进行权衡。通常情况下，卷积层和激活函数结合在一起提取输入输出的非线性关系。
优选的，所述历史气象数据包括天气数据和天气类型，本实施例的日前预测模型选择了历史气象数据中的天气数据(如气温数据，还可以包括湿度、降水、日照、风力等数据)经过卷积神经网络模块的两个全连接层、历史气象数据中的天气类型经过卷积神经网络模块的一个全连接层，历史负荷数据经过卷积神经网络模块的一个卷积层和一个池化层，通过加入池化层，在不显著降低精度的前提下降低训练参数，优选在卷积层中结合激活函数一起提取输入输出的非线性关系，最终所有数据再合并经过卷积神经网络模块的三个全连接层得到最终输出，即得到日前预测结果。
步骤2：基于日前预测模型得到待预测日预测结果，保存待预测日预测结果和待预测日的实际负荷数据，累积多组的待预测日预测结果及对应的实际负荷数据。
由待预测日对应输入得到待预测日预测结果，即修正前的待预测日一次预测结果。例如，输入待预测日期：2019年7月11日；日类型：工作日(编码1)；温度：最高温度(25)、最低温度(12)；天气类型：晴(编码例如2)；历史负荷值。历史负荷值如可以输入一周前、两日前、一日前三项历史负荷数据，根据需要也可以输入更多次作为参考，如多周前的同类型日历史负荷值。根据待预测日园区微网的实际运行负荷得到实际负荷数据，均保存到数据库中。对每日的日前预测模型分多个时段进行预测，保存每个时段的预测结果，以及每个时段的实际负荷数据。例如一天划分为24个时段，每个小时一个时段；或者一天划分为96个时段，即15分钟一个时段。
参见图1的日前预测主程序部分，本实施例划分为96个时段，进行待预测日预测时首先判断是工作日还是休息日，如果是工作日则采用工作日日前预测模型，如果是休息日则采用休息日预测模型；然后获得96点预测负荷值，写入数据库预测负荷数据表。园区的微网能量管理系统，在运行时，定期将实际负荷数据写入数据库实际负荷数据表，通用可以按96个时段进行保存记录。经过多日的预测和运行，累积多组的待预测日预测结果及对应的实际负荷数据。
步骤3：利用多组的待预测日预测结果及对应的实际负荷数据，采用粒子群算法进行修正方法的关键参数的整定。
步骤3中所述的修正算法的关键参数为修正时段结束时间点tend、修正启动偏差门槛值door和衰减系数k中的一个或多个。本实施例中需要进行整定的修正参数包括修正时段结束时间点tend和修正启动偏差门槛值door和修正函数的衰减系数k。根据累积的多日的一次预测结果和实际负荷数据，以平均修正次数最少和平均最终精度最高为目标，进行参数整定，确定修正启动偏差门槛值和修正时段，得到修正方案。
粒子群算法(PSO)模拟鸟集群飞行觅食的行为,通过鸟之间的集体协作使群体达到目的。用位置、速度和适应度值来表征粒子，粒子在迭代中不断更新自己的位置和速度。通过为目标参数设置合适的变化范围，用粒子群算法解决多目标优化问题得到帕累托最优解，即在修正次数最少的情况下获得最高的预测精度，并将结果作为修正算法的内置参数。
由于影响最终精度的关键问题在修正启动条件和修正方法，即修正问题主要集中在三个参数：修正时段结束时间点tend和修正启动偏差门槛值door和修正函数的衰减系数k。初始化一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。在找到这两个最优值pbest和gbest后，粒子通过下面的公式来更新自己的速度和位置。
Vi，j(t+1)＝ωVi，j(t)+c1*rand(0，1)*[pbesti，j-xi，j(t)]+c2*rand(0，1)*[gbesti，j-xi，j(t)]
xi，j(t+1)＝xi，j(t)+Vi，j(t+1)
Vi，j是粒子的速度；pbest和gbest分别定义为粒子最佳位置和种群最佳位置；rand(0，1)是介于(0，1)之间的随机数；xi，j(t)是粒子的当前位置；c1和c2是学习因子，ω为压缩因子。学习因子c1和c2，压缩因子ω为设置的常数，可根据需要进行调整，一般有常用的取值范围。
本实施例中粒子群算法的参数设置为惯性因子0.5，局部速度因子0.1，全局速度因子0.5，粒子群数量50。
本实施例中等待训练的三个参数，修正时段结束时间点tend、修正启动偏差门槛值door和衰减系数k的变化范围分别设置为[64，72]、[20，40]、[0.005，3]。这个范围主要是考虑到该园区为工业园区，每日负荷变化规律具有一定周期性，且观察多日预测结果可以发现，较大偏差大多集中在96个时段点的第64到第72点之间，也即下午16点到18点之间，这个时间段接近于下班时间，负荷会出现大幅下降，因此出现误差的可能性也会增大。由于该园区负荷峰值在200千瓦到600千瓦之间，因此比较合适的修正启动门槛在10％-20％之间，因此设置为20到40。
参数设定完毕之后，将多个工作日和休息日的预测结果和实际负荷的数据集作为训练库。每轮计算的适应值即为整个数据集的平均修正次数和平均精度，在完成设定轮数计算后，在所有适应值集合中找到帕累托最优解，其对应的输入变量组即为最优参数组。该逻辑如图3所示。
基于粒子群算法PS0整定三个修正参数的具体步骤如下：
步骤31，将累积的多组的待预测日预测结果及对应的实际负荷数据组成的数据集投入粒子群算法；该数据集即为按一定时间间隔的(例如，根据负荷预测相关标准定义，数据间隔为15分钟，则每日有96个点数据)每日日前预测结果数据和实际负荷数据组成的多日数据集。例如将2019年7-8月日前预测结果和实际负荷数据投入粒子群算法，参数优化得到的修正算法用于2019年9-10月的修正参数，或者用于2020年7-8月的修正参数。
步骤32，初始化参数，设置粒子群算法的参数设置为惯性因子0.5，局部速度因子0.1，全局速度因子0.5，粒子群数量50；
步骤33，随机初始化若干个粒子，粒子的三维坐标为修正时段结束时间点tend、修正启动偏差门槛值door和衰减系数k，设置修正时段结束时间点tend、修正启动偏差门槛值door和衰减系数k的变化范围；本实施例中初始化50个粒子，修正时段结束时间点tend、修正启动偏差门槛值door和衰减系数k的变化范围分别设置为[64，72]、[20，40]、[0.005，3]；粒子的个数可根据需求设置，修正时间段[64，72]可根据采样点个数具体设置，如每日设置96个采样点，选取[64，72]采样点对应的负荷数据；启动门槛值也可根据具体的负荷大小进行调整，如[20，40]指的是门槛值为20-40kw之间，衰减系数[0.005，3]可根据经验和实验进行调节；
步骤34，对每个粒子按数据集的平均修正次数和平均精度计算适应度，寻找全局最优解；
步骤35，检查是否满足终止条件，例如达到一定迭代次数则终止，如果不满足终止条件则进入步骤36，满足终止条件则进入步骤37；
步骤36，基于以下公式进行速度和位置更新，更新后进入步骤34；
Vi，j(t+1)＝ωVi，j(t)+c1*rand(0，1)*[pbesti，j-xi，j(t)]+c2*rand(0，1)*[gbesti，j-xi，j(t)]
xi，j(t+1)＝xi，j(t)+Vi，j(t+1)
Vi，j是粒子的速度；pbest和gbest分别定义为粒子最佳位置和种群最佳位置；rand(0，1)是介于(0，1)之间的随机数；xi，j(t)是粒子的当前位置；c1和c2是学习因子，ω为压缩因子；
参数组的三个参数，修正时段结束时间点tend、修正启动偏差门槛值door和衰减系数k，可以理解为三维空间中的点的三个坐标，寻找粒子帕累托最优解的最佳位置和种群最佳位置得到最优解，点的最优解的坐标即为最优参数组。
步骤37，根据每次迭代得到的最优拟合曲线得到帕累托最优解，输出最优解的修正时段结束时间点tend和修正启动偏差门槛值door和修正函数的衰减系数k。每次迭代的最优解拟合成曲线的形式，拐点的位置认为是帕累托最优解。
步骤4：在待预测日当日的修正时段内，定期基于日前预测负荷值、实际负荷值和修正启动偏差门槛值door检查是否满足修正条件，当满足修正条件时启动修正，通过修正算法修正该日的日前预测结果。
将上述步骤3中参数的整定结果，即修正时段结束时间点tend和修正启动偏差门槛值door和修正函数的衰减系数k设置在修正算法中。在待预测日修正时段内进行误差的动态检测，每间隔单位时间间隔就对过去一小时的负荷序列进行检测，若满足修正条件，如当误差高于修正启动偏差门槛值door时，则启动修正算法，更新该日的日前预测结果。不断重复上述动态检测步骤判断是否启动修正，直至修正时段结束，即可得到实时更新的负荷预测值供能量管理系统使用。修正算法与该时段误差大小有关，即在原日前负荷预测结果叠加一随时间衰减项，衰减系数k由前述粒子群算法整定得到。修正算法始终在线监测，直至到达整定的每日时间结束点。
所述修正启动偏差门槛值door为一正数，步骤4中所述修正条件基于日前预测负荷值、实际负荷值和修正启动偏差门槛值door进行检查。例如预测负荷值与实际负荷值差的绝对值大于修正启动偏差门槛值door时启动修正。例如，启动修正的时刻前一个时间段内所有采样点的预测负荷值和实际负荷值的偏差的绝对值均大于修正启动偏差门槛值door启动修正。
本实施中步骤4中所述修正条件为，当处于修正值时段的预测负荷序列和实际负荷序列满足下面两个条件即可启动修正：
abs(Reali-Predicti)＞door，i∈(n，n+x*m]，ti∈(tnow-xh，tnow]，
(Reali-Predicti)(Reali+1-Predicti+1)＞0，i∈(n，n+x*m-1]，ti∈(tnow-xh，tnow]，
其中，door为修正程序参数之一修正启动偏差门槛值，Reali为第i个采样点的实际负荷值，Predicti为第i个采样点的日前预测负荷值，tnow为启动修正的时刻，n为tnow前x个小时采样点数据的编号，m为每个小时内采样点的数目，第i个采样点时间为ti。
即启动修正的时刻前一个时间段x小时内所有采样点的预测负荷值和实际负荷值的偏差的绝对值均大于修正启动偏差门槛值door，而且负荷预测值和实际值的偏差的符号相同，则符合修正条件。所述前一个时间段x小时可以根据需要进行调整，本实施例优选设定为1个小时，根据需要也可以设置为半小时或者2小时等。
参见图4的实施例，以15分钟数据间隔为例，判断t之前过去一个小时内4个数据点(t，t-1/4h，t-1/2h，t-3/4h)的预测负荷值和实际负荷值的绝对值是否大于修正启动偏差门槛值door，即m为4，如果全部大于修正启动偏差门槛值door、并且(yn-xn)即(预测负荷值-实际负荷值)的符号相同，则根据修正方法进行修正。
修正算法为：
ci＝Reali-Predicti，i∈(n，n+x*m]
Figure BDA0002855914600000121
Figure BDA0002855914600000122
其中，Reali为第i个采样点的实际负荷值，Predicti为第i个采样点的日前预测负荷值，tnow表示启动修正的时刻，tend为修正时段结束时间点，每日修正时段可以为从凌晨1点到tend，n为tnow前x个小时采样点数据的编号，本实施例中x取值为1，m为每个小时内采样点的数目，本实施例中m取值为4，k为衰减系数，用以控制修正量的衰减速度，Predicti *为第i个采样点修正后的日前预测负荷值；第i个采样点时间为ti，采样点i∈(n，n+x*m]对应的采样时间段为ti∈(tnow-xh，tnow]，采样点i∈[n+x*m，24*m)对应的修正时间段为ti∈[tnow，tend]。
假设全天15分钟采样一次，则全天有96个采样点，当前时刻为下午1点，判断前一个小时的数据是否满足修正条件，即x＝1，m＝4，则此时采样点时间为ti(12，13]，采样点i属于(48，48+1x4]，即采样点编号i＝49，50，51，52，判断这4个采样点的数据是否满足修正启动条件；如满足修正启动条件，则获取tend，即从当前时刻开始到修正的具体时间，比如计算获取tend为下午2点，即修正时刻从(13，14]，此时对应的采样点[53，54，55，56]，即依据修正公式修正采样点[53，54，55，56]的预测负荷值。以2019年7月11日为例，基于上述修正方法修正后的最终预测曲线与原预测曲线对比如图5所示。
本例中精度评估标准采用日平均预测准确率，表达式如下：
Figure BDA0002855914600000131
其中，y′i表示当日第i点预测值，yi表示当日第i点实际值。
如图6所示，连续预测16日的日前预测精度和经过修正算法后的最终精度对比。可见经过修正后的预测结果更加准备，有利于保证微网安全稳定运行，实现微网最优经济运行。
步骤5：每隔一定时间重复步骤3，进行修正算法的关键参数的整定。
随着微网系统的运行，累积的待预测日预测结果及对应的实际负荷数据越来越多，每隔一定时间重复步骤3，对修正算法的关键参数重新进行整定，更新修正模型。
本发明还提供一种微网能量管理设备，包括一个或多个处理器以及一个或多个存储计算机程序的存储器，所述一个或多个处理器，用于执行所述计算机程序，以执行本发明的基于误差修正的负荷日前预测修正方法的步骤。
本发明还提供一种存储有计算机程序的存储介质，当所述计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器执行本发明的基于误差修正的负荷日前预测修正方法的步骤。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于误差修正的的负荷日前预测修正方法，其特征在于，包括以下步骤：
步骤1：基于历史负荷和历史气象数据，建立日前预测模型；
步骤2：基于日前预测模型得到待预测日预测结果，保存待预测日预测结果和待预测日的实际负荷数据，累积多组的待预测日预测结果及对应的实际负荷数据；
步骤3：利用多组的待预测日预测结果及对应的实际负荷数据，采用粒子群算法进行修正算法的关键参数的整定；
步骤4：在待预测日当日的修正时段内，定期基于日前预测负荷值、实际负荷值和修正启动偏差门槛值door检查是否满足修正条件，当满足修正条件时启动修正，通过修正算法修正该日的日前预测结果；
所述修正算法为：
ci＝Reali-Predicti，i∈(n，n+x*m]
Figure FDA0002855914590000011
Figure FDA0002855914590000012
其中，Reali为第i个采样点的实际负荷值，Predicti为第i个采样点的日前预测负荷值，tnow表示启动修正的时刻，tend为修正时段结束时间点，n为tnow前x个小时采样点数据的编号，m为每个小时内采样点的数目，k为衰减系数，Predicti *为第i个采样点修正后的日前预测负荷值；第i个采样点时间为ti，采样点i∈(n，n+x*m]对应的采样时间段为ti∈(tnow-xh，tnow]，采样点i∈[n+x*m，24*m)对应的修正时间段为ti∈[tnow，tend]。
2.根据权利要求1所述的基于误差修正的负荷日前预测修正方法，其特征在于：步骤4中所述的修正条件为，启动修正的时刻前一个时间段内所有采样点的预测负荷值和实际负荷值的偏差的绝对值均大于修正启动偏差门槛值door，而且负荷预测值和实际值的偏差的符号相同。
3.根据权利要求1所述的基于误差修正的负荷日前预测修正方法，其特征在于：步骤3中所述的修正算法的关键参数为修正时段结束时间点tend、修正启动偏差门槛值door和衰减系数k中的一个或多个。
4.根据权利要求1所述的基于误差修正的负荷日前预测修正方法，其特征在于：还包括步骤5，每隔一定时间重复步骤3。
5.根据权利要求1所述的基于误差修正的负荷日前预测修正方法，其特征在于：在步骤1中根据日类型分别建立工作日和休息日的日前预测模型。
6.根据权利要求1所述的基于误差修正的负荷日前预测修正方法，其特征在于：步骤1中日前预测模型采用卷积神经网络模型，所述历史气象数据输入至卷积神经网络模块的全连接层中；所述历史负荷数据输入至卷积神经网络模块的卷积层中。
7.根据权利要求6所述的基于误差修正的负荷日前预测修正方法，其特征在于：所述历史气象数据包括天气数据和天气类型，所述天气数据输入至卷积神经网络模型的两个全连接层，所述天气类型输入至卷积神经网络模型的一个全连接层，所述历史负荷数据输入至卷积神经网络模型的卷积层和池化层，处理后的所有数据合并经过卷积神经网络模块的三个全连接层得到最终输出。
8.根据权利要求1或3所述的基于误差修正的负荷日前预测修正方法，其特征在于，基于粒子群算法整定修正参数的具体步骤如下：
步骤31，将累积的多组的待预测日预测结果及对应的实际负荷数据组成的数据集投入粒子群算法；
步骤32，初始化参数，设置粒子群算法的参数，包括惯性因子、局部速度因子、全局速度因子和粒子群数量；
步骤33，随机初始化若干个粒子，粒子的三维坐标为修正时段结束时间点tend、修正启动偏差门槛值door和衰减系数k，设置修正时段结束时间点tend、修正启动偏差门槛值door和衰减系数k的变化范围；
步骤34，对每个粒子按数据集的平均修正次数和平均精度计算适应度；
步骤35，检查是否满足终止条件，如果不满足终止条件则进入步骤36，满足终止条件则进入步骤37；
步骤36，基于以下公式进行速度和位置更新，更新后进入步骤34；
Vi，j(t+1)＝ωVi，j(t)+c1*rand(0，1)*[pbesti，j-xi，j(t)]+c2*rand(0，1)*[gbesti，j-xi，j(t)]
xi，j(t+1)＝xi，j(t)+Vi，j(t+1)
Vi，j是粒子的速度；pbest和gbest分别定义为粒子最佳位置和种群最佳位置；rand(0，1)是介于(0，1)之间的随机数；xi，j(t)是粒子的当前位置；c1和c2是学习因子，ω为压缩因子；
步骤37，根据每次迭代得到的最优解拟合曲线得到帕累托最优解，输出最优解的修正时段结束时间点tend和修正启动偏差门槛值door和修正函数的衰减系数k。
9.一种微网能量管理设备，包括一个或多个处理器以及一个或多个存储计算机程序的存储器，所述一个或多个处理器，用于执行所述计算机程序，以执行权利要求1-8任一所述的基于误差修正的负荷日前预测修正方法的步骤。
10.一种存储有计算机程序的存储介质，当所述计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器执行权利要求1-8任一所述的基于误差修正的负荷日前预测修正方法的步骤。
CN202011546792.4A 2020-12-24 2020-12-24 基于误差修正的负荷日前预测修正方法、设备和存储介质 Pending CN114676866A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011546792.4A CN114676866A (zh) 2020-12-24 2020-12-24 基于误差修正的负荷日前预测修正方法、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011546792.4A CN114676866A (zh) 2020-12-24 2020-12-24 基于误差修正的负荷日前预测修正方法、设备和存储介质

Publications (1)

Publication Number Publication Date
CN114676866A true CN114676866A (zh) 2022-06-28

Family

ID=82070812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011546792.4A Pending CN114676866A (zh) 2020-12-24 2020-12-24 基于误差修正的负荷日前预测修正方法、设备和存储介质

Country Status (1)

Country Link
CN (1) CN114676866A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116339153A (zh) * 2023-05-22 2023-06-27 科大智能物联技术股份有限公司 基于粒子群优化的石灰炉窑控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116339153A (zh) * 2023-05-22 2023-06-27 科大智能物联技术股份有限公司 基于粒子群优化的石灰炉窑控制方法
CN116339153B (zh) * 2023-05-22 2023-09-01 科大智能物联技术股份有限公司 基于粒子群优化的石灰炉窑控制方法

Similar Documents

Publication Publication Date Title
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
Li et al. Photovoltaic power forecasting with a hybrid deep learning approach
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
CN111626506A (zh) 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统
CN112529282A (zh) 基于时空图卷积神经网络的风电场集群短期功率预测方法
CN112734135B (zh) 一种电力负荷预测方法、智能终端及计算机可读存储介质
CN114330935B (zh) 基于多种结合策略集成学习的新能源功率预测方法和系统
CN110866633B (zh) 一种基于svr支持向量回归的微电网超短期负荷预测方法
Shah et al. A novel prediction error-based power forecasting scheme for real pv system using pvusa model: A grey box-based neural network approach
CN115965132A (zh) 基于ga-bp神经网络的分布式光伏数字孪生系统功率预测方法
CN116629416A (zh) 光伏电站功率预测方法及装置
CN115481918A (zh) 一种基于源网荷储的单元状态主动感知及预测分析系统
CN115796004A (zh) 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法
CN115759467A (zh) 一种误差修正的分时刻集成学习光伏预测方法
CN111815039A (zh) 基于天气分类的周尺度风电功率概率预测方法及系统
Alharbi et al. Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks
CN114676866A (zh) 基于误差修正的负荷日前预测修正方法、设备和存储介质
Zi-hao et al. A thermal energy usage prediction method for electric thermal storage heaters based on deep learning
CN115907131A (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN116128211A (zh) 基于风光不确定性预报场景的风光水联合短期优化调度方法
CN113723670B (zh) 变时间窗口的光伏发电功率短期预测方法
CN115860190A (zh) 负荷检测模型的训练、用电负荷的检测方法及相关装置
CN115563848A (zh) 一种基于深度学习的分布式光伏总辐射预测方法及系统
CN111680818A (zh) 一种短期无功负荷预测方法和系统
CN116956753B (zh) 基于模拟退火与循环卷积的分布式光伏预测方法与装置

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
TA01 Transfer of patent application right

Effective date of registration: 20231117

Address after: Building 4, No. 3255 Sixian Road, Songjiang District, Shanghai, 2016

Applicant after: SHANGHAI CHINT POWER SYSTEMS Co.,Ltd.

Applicant after: ZHEJIANG University

Address before: No.1 Zhengtai Road, Zhengtai Industrial Park, beibaixiang Town, Yueqing City, Zhejiang Province

Applicant before: ZHEJIANG CHINT ELECTRICS Co.,Ltd.

Applicant before: ZHEJIANG University

Applicant before: SHANGHAI CHINT POWER SYSTEMS Co.,Ltd.

TA01 Transfer of patent application right