CN114912721B - 一种储能调峰需求的预测方法及系统 - Google Patents

一种储能调峰需求的预测方法及系统 Download PDF

Info

Publication number
CN114912721B
CN114912721B CN202210838873.4A CN202210838873A CN114912721B CN 114912721 B CN114912721 B CN 114912721B CN 202210838873 A CN202210838873 A CN 202210838873A CN 114912721 B CN114912721 B CN 114912721B
Authority
CN
China
Prior art keywords
value
curve
day
load
energy storage
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.)
Active
Application number
CN202210838873.4A
Other languages
English (en)
Other versions
CN114912721A (zh
Inventor
钟士元
朱文广
张华�
王伟
王欣
陈俊志
陈会员
郑春
李映雪
杨超
薄明明
马丁山
马瑞
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.)
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Jiangxi 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 State Grid Corp of China SGCC, Economic and Technological Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210838873.4A priority Critical patent/CN114912721B/zh
Publication of CN114912721A publication Critical patent/CN114912721A/zh
Application granted granted Critical
Publication of CN114912721B publication Critical patent/CN114912721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or 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—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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Wind Motors (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种储能调峰需求的预测方法及系统，方法包括：对电力负荷曲线进行预测，得到日负荷峰谷特性曲线；将实时获取的环境数据输入至预设的风光发电功率预测模型，得到未来风光出力变化曲线；计算日负荷峰谷特性曲线与未来风光出力变化曲线的差值，得到日净负荷特性曲线；根据优化后的高维度数据计算得到火电机组出力曲线；根据日净负荷特性曲线和火电机组出力曲线构建调峰预测模型，并求解调峰预测模型得到调峰储能需求容量值。采用日负荷曲线和风光出力曲线取差值得到净负荷曲线，从而在不同风光出力水平下能够得出不同的净负荷曲线，再与不同比例的火电机组结合得出储能调峰值，得到了以新能源风光的消纳最大、碳排最小的储能调峰值。

Description

一种储能调峰需求的预测方法及系统
技术领域
本发明属于储能技术领域，尤其涉及一种储能调峰需求的预测方法及系统。
背景技术
随着负荷侧用户对电力需求的不断增加和风电、光伏等间歇性新能源发电的大规模接入，电网的峰谷差越来越大，电网面临的调峰压力日益增加。储能电站响应快、控制精确且能量双向流动，可以有效缓解电网的调峰压力，同时利用电网积累的海量负荷侧历史用电数据以及其特点，实现准确的储能调峰需求预测成为可能，在缓解电网压力的同时也可以增加风光出力的消纳。
发明内容
本发明提供一种储能调峰需求的预测方法及系统，用于解决无法准确预测储能调峰需求的技术问题。
第一方面，本发明提供一种储能调峰需求的预测方法，包括：基于随机森林回归算法对电力负荷曲线进行预测，得到日负荷峰谷特性曲线；将实时获取的环境数据输入至预设的风光发电功率预测模型，得到未来风光出力变化曲线，其中，所述环境数据包括光照强度数据、温度数据、风力数据以及风向数据；计算所述日负荷峰谷特性曲线与所述未来风光出力变化曲线的差值，得到日净负荷特性曲线；基于改进的最小二乘法对高维度数据进行优化，并根据优化后的高维度数据计算得到火电机组出力曲线，其中所述高维度数据为基于时间和空间的火电机组出力数据；根据所述日净负荷特性曲线和所述火电机组出力曲线构建调峰预测模型，并求解所述调峰预测模型得到不同火电机组比例、不同碳排放水平及不同风光新能源消纳比例下调峰储能需求容量值。
第二方面，本发明提供一种储能调峰需求的预测系统，包括：预测模块，配置为基于随机森林回归算法对电力负荷曲线进行预测，得到日负荷峰谷特性曲线；输出模块，配置为将实时获取的环境数据输入至预设的风光发电功率预测模型，得到未来风光出力变化曲线，其中，所述环境数据包括光照强度数据、温度数据、风力数据以及风向数据；计算模块，配置为计算所述日负荷峰谷特性曲线与所述未来风光出力变化曲线的差值，得到日净负荷特性曲线；优化模块，配置为基于改进的最小二乘法对高维度数据进行优化，并根据优化后的高维度数据计算得到火电机组出力曲线，其中所述高维度数据为基于时间和空间的火电机组出力数据；构建模块，配置为根据所述日净负荷特性曲线和所述火电机组出力曲线构建调峰预测模型，并求解所述调峰预测模型得到不同火电机组比例、不同碳排放水平及不同风光新能源消纳比例下调峰储能需求容量值。
第三方面，提供一种电子设备，其包括：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本发明任一实施例的储能调峰需求的预测方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的储能调峰需求的预测方法的步骤。
本申请的储能调峰需求的预测方法及系统，采用日负荷曲线和风光出力曲线取差值得到净负荷曲线，从而在不同风光出力水平下能够得出不同的净负荷曲线，再与不同比例的火电机组结合得出储能的调峰值，实现了获得以新能源风光的消纳最大、碳排最小的储能调峰值的目的。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明一实施例提供的一种储能调峰需求的预测方法的流程图；
图2为本发明一实施例提供的一种储能调峰需求的预测系统的结构框图；
图3是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
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。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。
请参阅图1，其示出了本申请的一种储能调峰需求的预测方法的流程图。
如图1所示，储能调峰需求的预测方法具体包括以下步骤：
步骤S101，基于随机森林回归算法对电力负荷曲线进行预测，得到日负荷峰谷特性曲线。
在本实施例中，由随机森林回归算法将筛选出的时间日期因素以及气候影响因素 与历史数据结合建立预测特征集再输出由随机森林算法得到的预测日负荷
Figure 208164DEST_PATH_IMAGE001
，同时再将预 测日的影响因素为基础，从历史数据库中，找出影响因素相似日。为随机森林算法得到的预 测日负荷
Figure 173846DEST_PATH_IMAGE001
和预测日影响因素相似的历史负荷
Figure 748571DEST_PATH_IMAGE002
建立权重，由计算机迭代，找出最佳权重， 再输出最终的负荷预测值
Figure 407085DEST_PATH_IMAGE003
。
需要说明的是，输出由随机森林算法得到的预测日负荷
Figure 838067DEST_PATH_IMAGE001
的过程包括：在对未来 日负荷进行预测时，将数据分为训练数据和预测数据，用于建模和预测。首先用随机森林预 测模型对训练数据进行训练，得到训练结果和误差，选择此时误差结果最小的随机森林网 络作为最终的预测网络。最后将预测日的负荷影响因素值作为输入，由训练好的随机森林 算法输出预测日负荷
Figure 59969DEST_PATH_IMAGE001
。
得到预测日影响因素相似的历史负荷
Figure 627217DEST_PATH_IMAGE002
的过程包括：
基于随机森林回归算法对电力负荷曲线的影响因素按重要性进行排序；
筛选电力负荷变化的至少一个影响因素，建立第
Figure 987791DEST_PATH_IMAGE004
天的历史特征向量集以及含有 天气预报信息的待预测日特征向量集，其中第
Figure 781435DEST_PATH_IMAGE004
天的历史特征向量集的表达式为：
Figure 416816DEST_PATH_IMAGE005
， （1）
式中，
Figure 494362DEST_PATH_IMAGE006
为第i天的历史特征向量集，
Figure 822575DEST_PATH_IMAGE007
为第i天历史特征向量的第1个影响因素 值，
Figure 837936DEST_PATH_IMAGE008
为第i天历史特征向量的第2个影响因素值，
Figure 542586DEST_PATH_IMAGE009
为第i天历史特征向量的第m个影 响因素值，
Figure 287688DEST_PATH_IMAGE010
为总天数；
基于预测日的负荷影响因素建立预测日特征向量集，其中预测日特征向量集的表达式为：
Figure 911437DEST_PATH_IMAGE011
， （2）
式中，
Figure 538727DEST_PATH_IMAGE012
为预测日的特征向量集，
Figure 656856DEST_PATH_IMAGE013
为预测日特征向量的第1个影响因素值，
Figure 318781DEST_PATH_IMAGE014
为预测日特征向量的第2个影响因素值，
Figure 192059DEST_PATH_IMAGE015
为预测日特征向量的第m个影响因素值；
构建关联判断矩阵，以为
Figure 258428DEST_PATH_IMAGE016
母序列，
Figure 39302DEST_PATH_IMAGE017
为子序列，计算子序列
Figure 696680DEST_PATH_IMAGE006
与母序列
Figure 537597DEST_PATH_IMAGE012
之间 的关联系数
Figure 264113DEST_PATH_IMAGE018
：
Figure 51941DEST_PATH_IMAGE019
，（3）
式中，
Figure 422879DEST_PATH_IMAGE020
为i遍历取完1~N的所有整数，m遍历取完1~M的所 有整数,取其中所有
Figure 310064DEST_PATH_IMAGE021
的最小值,
Figure 399242DEST_PATH_IMAGE022
为i遍历取完1~N的 所有整数，m遍历取完1~M的所有整数,取其中所有
Figure 912132DEST_PATH_IMAGE023
的最大值；
基于子序列
Figure 340840DEST_PATH_IMAGE006
与母序列
Figure 523559DEST_PATH_IMAGE012
之间的关联系数
Figure 975400DEST_PATH_IMAGE018
得到关联度判断矩阵
Figure 901768DEST_PATH_IMAGE024
：
Figure 371932DEST_PATH_IMAGE025
， （4）
式中，
Figure 991133DEST_PATH_IMAGE026
为预测日第一个影响因素的关联度值，
Figure 992587DEST_PATH_IMAGE027
为预测日第m个影响因素关 联度值，
Figure 332432DEST_PATH_IMAGE028
为第n历史日的第1个影响因素关联度值，
Figure 532469DEST_PATH_IMAGE029
为第n历史日的第m个影响因素 关联度值;
采用熵权法，确定各影响因素的权重，求出影响因素权重矩阵W：
Figure 715714DEST_PATH_IMAGE030
， （5）
式中，W为影响因素权重矩阵，
Figure 735622DEST_PATH_IMAGE031
为第1个影响因素对应的权重，
Figure 144738DEST_PATH_IMAGE032
为第2个影响 因素对应的权重，
Figure 402544DEST_PATH_IMAGE033
为第m个因素对应的权重；
基于权向量对关联度判断矩阵进行加权，得到加权关联矩阵
Figure 97968DEST_PATH_IMAGE034
：
Figure 260964DEST_PATH_IMAGE035
， （6）
式中，
Figure 332826DEST_PATH_IMAGE036
表示影响因素权重矩阵W与关联度判断矩阵
Figure 117242DEST_PATH_IMAGE024
点乘；
将加权关联矩阵
Figure 452408DEST_PATH_IMAGE037
中的每一行视为一个行向量，则第1行为待预测日行向量，记为
Figure 446909DEST_PATH_IMAGE038
，其他每个历史样本行向量记为
Figure 712674DEST_PATH_IMAGE039
，设每个样本
Figure 741810DEST_PATH_IMAGE039
和
Figure 982299DEST_PATH_IMAGE038
向量间的夹角为投影角，即各个 历史特征向量在预测日特征向量上的为：
Figure 605041DEST_PATH_IMAGE040
，（7）
式中，
Figure 18705DEST_PATH_IMAGE041
为第i个历史特征向量在预测日特征向量上的投影值，
Figure 292560DEST_PATH_IMAGE042
为第j个影响 因素对应的权重，
Figure 500688DEST_PATH_IMAGE043
为第i历史日的第j个影响因素关联度值；
将第i个历史特征向量在预测日特征向量上的投影值由大到小进行排序，并选取 第i个历史特征向量在预测日特征向量上的最大投影值所对应的预测日的历史负荷值作为 预测日影响因素相似的历史负荷
Figure 673043DEST_PATH_IMAGE002
。
进一步地，基于预测日影响因素相似的历史负荷
Figure 765764DEST_PATH_IMAGE002
以及由随机森林算法得到的预 测日负荷
Figure 503913DEST_PATH_IMAGE044
计算综合预测日负荷
Figure 541664DEST_PATH_IMAGE003
，并根据综合预测日负荷
Figure 998053DEST_PATH_IMAGE003
得到日负荷峰谷特性 曲线，其中，计算综合预测日负荷
Figure 956781DEST_PATH_IMAGE003
的表达式为：
Figure 690382DEST_PATH_IMAGE045
，（8）
式中，
Figure 771471DEST_PATH_IMAGE044
为预测日负荷，
Figure 574210DEST_PATH_IMAGE046
为预测日影响因素相似的历史负荷，
Figure 133368DEST_PATH_IMAGE047
分别为预测 日负荷的权重、预测日影响因素相似的历史负荷的权重。
步骤S102，将实时获取的环境数据输入至预设的风光发电功率预测模型，得到未来风光出力变化曲线，其中，所述环境数据包括光照强度数据、温度数据、风力数据以及风向数据。
在本实施例中，为了对风光发电功率进行有效的预测，需要在预测过程中采集一定量的样本来进行分析，但是由于相关样本指标分量的单位并不相同，会导致预测数值具有相对较大的差异化，因此需要对指标分量进行归一化处理，从而有效降低数值差异化对预测结果的影响，其主要包括风向以及温度的归一化处理。
由于风向的度数主要以 360°圆周作为参考基准，因此通常将正北方向确定为0°，然后取风向的余弦值和正弦值来作为风向的归一化数值。而温度的归一化过程为了保证数值的准确性，通常利用如下公式进行归一化 ：
Figure 721475DEST_PATH_IMAGE048
， （9）
式中，
Figure 911148DEST_PATH_IMAGE049
为温度值，
Figure 342129DEST_PATH_IMAGE050
为归一化处理后的温度数值，
Figure 564032DEST_PATH_IMAGE051
为辐射强度。
基于径向基函数神经网络的风光发电功率预测模型的设计主要包括三方面，即输入量的选择、隐含层节点的确定以及输出层节点的确定。由于风力发电功率往往受到风力、风向以及温度的影响，而光伏发电功率主要受光照强度、天气类型以及温度的影响，因此该模型的数量需要选择对模型预测值影响较大，但是不同输入量之间影响却相对较小的数据，因此将归一化后的数据作为输入量。光伏发电功率预测模型只需将光照强度和温度作为输入量，风力发电功率预测模型只需将风力和风向作为输入量。在径向基函数神经网络选定风力发电功率预测模型的隐含层的节点数目为 12，而光伏发电功率预测模型的隐含层节点数目为 9。而对于输入层节点的确定而言，为了保证预测结果的准确合理，风光发电功率预测模型的输出通常选定为风力发电与光伏发电二者的预测时间节点的实际功率值。最后在Matlab中采用公式（9）对输入的数据归一化处理后，由径向基函数神经网络对数据迭代处理，输出未来风光出力变化曲线。
步骤S103，计算所述日负荷峰谷特性曲线与所述未来风光出力变化曲线的差值，得到日净负荷特性曲线。
步骤S104，基于改进的最小二乘法对高维度数据进行优化，并根据优化后的高维度数据计算得到火电机组出力曲线，其中所述高维度数据为基于时间和空间的火电机组出力数据。
在本实施例中，电力系统中调峰过程中，火电机组占有重要的地位，但因其响应速度慢，难以应对电网的突发情况。所以灵活的，能快速响应的储能系统也参与调峰这一过程。现利用火电机组的海量历史数据，采用经奇异值分解法优化的最小二乘法对未来日火电机组出力进行预测。优化的最小二乘法步骤如下：
在火电机组的历史出力数据中，出力的大小可以许多因素有关联，例如：时间，气 候，电网计划出力等。那么我们考虑的因素较多的时候，对预测的结果可以更加准确。最小 二乘法可以对给定的数据集
Figure 396859DEST_PATH_IMAGE052
进行拟合，其中
Figure 429537DEST_PATH_IMAGE053
和
Figure 82235DEST_PATH_IMAGE054
为一对一的关系，而无法对多对 一的关系进行拟合，所以采用奇异值分解法对选择的关联因素进行降解为一对一的关系。 将选择的对应于一个火电出力值的关联因素值构成一个向量集
Figure 186457DEST_PATH_IMAGE055
，按此排列 可以构成奇异值矩阵
Figure 998424DEST_PATH_IMAGE056
。
奇异值分解可以将一个矩阵分解为三个矩阵的点乘，分别为左奇异向量，奇异值，右奇异向量。对于矩阵A，可以分解为 :
Figure 592217DEST_PATH_IMAGE057
，（10）
式中，
Figure 607577DEST_PATH_IMAGE058
、
Figure 46649DEST_PATH_IMAGE059
、
Figure 791751DEST_PATH_IMAGE060
分别为第1个子矩阵的左奇异向量、第2个子矩阵的左奇异向量、 第n个子矩阵的左奇异向量，
Figure 418429DEST_PATH_IMAGE061
、
Figure 311299DEST_PATH_IMAGE062
、
Figure 429427DEST_PATH_IMAGE063
分别为第1个子矩阵的奇异值、第2个子矩阵的奇异 值、第n个子矩阵的奇异值，
Figure 91353DEST_PATH_IMAGE064
、
Figure 964631DEST_PATH_IMAGE065
、
Figure 938272DEST_PATH_IMAGE066
分别为第1个子矩阵的右奇异向量、第2个子矩阵的 右奇异向量、第n个子矩阵的右奇异向量；
选择一定项数替代A，求出的奇异值矩阵中，每行都有一个非0元素，那么就可以选 择此元素替代关联因素构成的向量集，以达到一对一的关系。再假定一条曲线
Figure 250305DEST_PATH_IMAGE067
能够最 大程度拟合优化过后的数据集
Figure 642103DEST_PATH_IMAGE068
，设这条曲线为：
Figure 483020DEST_PATH_IMAGE069
，其中，
Figure 22586DEST_PATH_IMAGE070
为拟 合曲线的第k个未知系数，
Figure 731785DEST_PATH_IMAGE071
为拟合曲线的自变量，
Figure 368302DEST_PATH_IMAGE072
为拟合曲线中
Figure 255487DEST_PATH_IMAGE071
的项数总数；
此时，必然存在系数
Figure 344666DEST_PATH_IMAGE073
，使得预测值
Figure 670605DEST_PATH_IMAGE074
和
Figure 286263DEST_PATH_IMAGE075
的方差和 取最小值。根据多元函数求极值的必要条件，即：
Figure 468982DEST_PATH_IMAGE076
， （11）
式中，
Figure 920823DEST_PATH_IMAGE077
为偏导数的数学计算符号，
Figure 847191DEST_PATH_IMAGE078
为第i个拟合曲线的自变量的k次方，
Figure 308567DEST_PATH_IMAGE079
为 拟合后数据集中y对应的第i个数；
进一步得到：
Figure 865450DEST_PATH_IMAGE080
， （12）
式中，
Figure 663642DEST_PATH_IMAGE081
为第i个拟合曲线的自变量的k+j次方，
Figure 269066DEST_PATH_IMAGE082
为第i个拟合曲线的自变量 的j次方；
即可解出系数
Figure 734683DEST_PATH_IMAGE073
。得出仅含未知数
Figure 383839DEST_PATH_IMAGE083
的多项式，再将预测 日的关联因素集用奇异值分解法解出
Figure 872589DEST_PATH_IMAGE084
，代入
Figure 406338DEST_PATH_IMAGE067
求出预测的火电机组出力值。即可得到 未来日的火电机组出力曲线。
步骤S105，根据所述日净负荷特性曲线和所述火电机组出力曲线构建调峰预测模型，并求解所述调峰预测模型得到不同火电机组比例、不同碳排放水平及不同风光新能源消纳比例下调峰储能需求容量值。
在本实施例中，调峰预测模型的约束条件如下：
Figure 336248DEST_PATH_IMAGE085
， （13）
Figure 297251DEST_PATH_IMAGE086
， （14）
式中，
Figure 194669DEST_PATH_IMAGE087
为t时刻的火电机组调峰功率，
Figure 469792DEST_PATH_IMAGE088
为t时刻储能系统的充电功 率，
Figure 378843DEST_PATH_IMAGE089
为t时刻的系统平谷需求，
Figure 386113DEST_PATH_IMAGE090
为t时刻的可中断负荷功率，
Figure 646193DEST_PATH_IMAGE091
为t时刻储 能系统的放电功率，
Figure 646379DEST_PATH_IMAGE092
为t时刻的系统削峰需求，
Figure 409935DEST_PATH_IMAGE093
为火电机组的数量，
Figure 916003DEST_PATH_IMAGE094
为储能电站的 数量，
Figure 273166DEST_PATH_IMAGE095
为t时刻可中断负荷的个数；
储能的充、放电运行约束为：
Figure 952409DEST_PATH_IMAGE096
， （15）
Figure 963615DEST_PATH_IMAGE097
， （16）
式中，
Figure 437322DEST_PATH_IMAGE098
为储能系统允许的最大充电功率，
Figure 609677DEST_PATH_IMAGE099
为t-1时刻储能系统 中的能量，
Figure 702398DEST_PATH_IMAGE100
为储能系统中的能量上限，
Figure 706126DEST_PATH_IMAGE101
为储能系统的充电效率，
Figure 475368DEST_PATH_IMAGE102
为储能 系统允许的最大放电功率，
Figure 931757DEST_PATH_IMAGE103
为储能系统中能量下限，
Figure 562590DEST_PATH_IMAGE104
为储能系统的放电效率；
能耗特性曲线约束为：
Figure 624087DEST_PATH_IMAGE105
， （17）
式中，
Figure 174017DEST_PATH_IMAGE106
为火电机组实时出力，
Figure 507915DEST_PATH_IMAGE107
为煤炭价格，
Figure 67072DEST_PATH_IMAGE108
均为煤耗特性 曲线的系数，可通过最小二乘法求出。
储能参照火电机组也采用阶梯式报价策略，储能分
Figure 655179DEST_PATH_IMAGE109
段报价，各段报价和投标电 量满足：
Figure 844852DEST_PATH_IMAGE110
，（18）
式中，
Figure 10254DEST_PATH_IMAGE111
为
Figure 232157DEST_PATH_IMAGE112
时刻的储能第
Figure 330563DEST_PATH_IMAGE113
个申报价格，
Figure 363241DEST_PATH_IMAGE114
为储能调峰申报价 格最大值，
Figure 219202DEST_PATH_IMAGE115
为
Figure 120162DEST_PATH_IMAGE112
时刻的储能第
Figure 935059DEST_PATH_IMAGE113
个投标电量，
Figure 528851DEST_PATH_IMAGE116
为
Figure 544211DEST_PATH_IMAGE112
时刻储能投标总价格，
Figure 983283DEST_PATH_IMAGE117
为
Figure 728385DEST_PATH_IMAGE112
时刻储能的总投标电量。
综上，本实施例的方法，采用日负荷曲线和风光出力曲线取差值得到净负荷曲线，从而在不同风光出力水平下能够得出不同的净负荷曲线，再与不同比例的火电机组结合得出储能的调峰值，实现了以新能源风光的消纳最大、碳排最小的储能调峰值。
并且，在本实施例中采用在历史天找出与预测日那天最相似的一日取其负荷作为参考，相比于现有技术只是利用神经网络由历史负荷输出预测日负荷，能够有效地提高预测的准确度。
请参阅图2，其示出了本申请的一种储能调峰需求的预测系统的结构框图。
如图2所示，预测系统200，包括预测模块210、输出模块220、计算模块230、优化模块240以及构建模块250。
其中，预测模块210，配置为基于随机森林回归算法对电力负荷曲线进行预测，得到日负荷峰谷特性曲线；输出模块220，配置为将实时获取的环境数据输入至预设的风光发电功率预测模型，得到未来风光出力变化曲线，其中，所述环境数据包括光照强度数据、温度数据、风力数据以及风向数据；计算模块230，配置为计算所述日负荷峰谷特性曲线与所述未来风光出力变化曲线的差值，得到日净负荷特性曲线；优化模块240，配置为基于改进的最小二乘法对高维度数据进行优化，并根据优化后的高维度数据计算得到火电机组出力曲线，其中所述高维度数据为基于时间和空间的火电机组出力数据；构建模块250，配置为根据所述日净负荷特性曲线和所述火电机组出力曲线构建调峰预测模型，并求解所述调峰预测模型得到不同火电机组比例、不同碳排放水平及不同风光新能源消纳比例下调峰储能需求容量值。
应当理解，图2中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图2中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的储能调峰需求的预测方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
基于随机森林回归算法对电力负荷曲线进行预测，得到日负荷峰谷特性曲线；
将实时获取的环境数据输入至预设的风光发电功率预测模型，得到未来风光出力变化曲线，其中，所述环境数据包括光照强度数据、温度数据、风力数据以及风向数据；
计算所述日负荷峰谷特性曲线与所述未来风光出力变化曲线的差值，得到日净负荷特性曲线；
基于改进的最小二乘法对高维度数据进行优化，并根据优化后的高维度数据计算得到火电机组出力曲线，其中所述高维度数据为基于时间和空间的火电机组出力数据；
根据所述日净负荷特性曲线和所述火电机组出力曲线构建调峰预测模型，并求解所述调峰预测模型得到不同火电机组比例、不同碳排放水平及不同风光新能源消纳比例下调峰储能需求容量值。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据储能调峰需求的预测系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至储能调峰需求的预测系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图，如图3所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例储能调峰需求的预测方法。输入装置330可接收输入的数字或字符信息，以及产生与储能调峰需求的预测系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于储能调峰需求的预测系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
基于随机森林回归算法对电力负荷曲线进行预测，得到日负荷峰谷特性曲线；
将实时获取的环境数据输入至预设的风光发电功率预测模型，得到未来风光出力变化曲线，其中，所述环境数据包括光照强度数据、温度数据、风力数据以及风向数据；
计算所述日负荷峰谷特性曲线与所述未来风光出力变化曲线的差值，得到日净负荷特性曲线；
基于改进的最小二乘法对高维度数据进行优化，并根据优化后的高维度数据计算得到火电机组出力曲线，其中所述高维度数据为基于时间和空间的火电机组出力数据；
根据所述日净负荷特性曲线和所述火电机组出力曲线构建调峰预测模型，并求解所述调峰预测模型得到不同火电机组比例、不同碳排放水平及不同风光新能源消纳比例下调峰储能需求容量值。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种储能调峰需求的预测方法，其特征在于，包括：
基于随机森林回归算法对电力负荷曲线进行预测，得到日负荷峰谷特性曲线，其中，得到日负荷峰谷特性曲线具体为：基于随机森林回归算法对电力负荷曲线的影响因素按重要性进行排序；
筛选电力负荷变化的至少一个影响因素，建立第
Figure 346123DEST_PATH_IMAGE001
天的历史特征向量集以及含有天气预报信息的待预测日特征向量集，其中第
Figure 366031DEST_PATH_IMAGE001
天的历史特征向量集的表达式为：
Figure 368623DEST_PATH_IMAGE002
，
式中，
Figure 157587DEST_PATH_IMAGE003
为第i天的历史特征向量集，
Figure 853011DEST_PATH_IMAGE004
为第i天历史特征向量的第1个影响因素值，
Figure 360215DEST_PATH_IMAGE005
为第i天历史特征向量的第2个影响因素值，
Figure 667962DEST_PATH_IMAGE006
为第i天历史特征向量的第m个影响因素值，
Figure 228212DEST_PATH_IMAGE007
为总天数；
基于预测日的负荷影响因素建立预测日特征向量集，其中预测日特征向量集的表达式为：
Figure 828957DEST_PATH_IMAGE008
，
式中，
Figure 823458DEST_PATH_IMAGE009
为预测日的特征向量集，
Figure 200475DEST_PATH_IMAGE010
为预测日特征向量的第1个影响因素值，
Figure 964032DEST_PATH_IMAGE011
为预测日特征向量的第2个影响因素值，
Figure 1258DEST_PATH_IMAGE012
为预测日特征向量的第m个影响因素值；
构建关联判断矩阵，以
Figure 217475DEST_PATH_IMAGE009
为母序列，
Figure 631139DEST_PATH_IMAGE013
为子序列，计算子序列
Figure 249202DEST_PATH_IMAGE003
与母序列
Figure 457330DEST_PATH_IMAGE009
之间的关联系数
Figure 160844DEST_PATH_IMAGE014
：
Figure 112619DEST_PATH_IMAGE015
，
式中，
Figure 850768DEST_PATH_IMAGE016
为i遍历取完1~N的所有整数，m遍历取完1~M的所有整数,取其中所有
Figure 229797DEST_PATH_IMAGE017
的最小值,
Figure 420607DEST_PATH_IMAGE018
为i遍历取完1~N的所有整数，m遍历取完1~M的所有整数,取其中所有
Figure 176073DEST_PATH_IMAGE019
的最大值；
基于子序列
Figure 1684DEST_PATH_IMAGE003
与母序列
Figure 551614DEST_PATH_IMAGE009
之间的关联系数
Figure 229720DEST_PATH_IMAGE014
得到关联度判断矩阵
Figure 788878DEST_PATH_IMAGE020
：
Figure 236040DEST_PATH_IMAGE021
，
式中，
Figure 691292DEST_PATH_IMAGE022
为预测日第一个影响因素的关联度值，
Figure 856694DEST_PATH_IMAGE023
为预测日第m个影响因素关联度值，
Figure 688384DEST_PATH_IMAGE024
为第n历史日的第1个影响因素关联度值，
Figure 786790DEST_PATH_IMAGE025
为第n历史日的第m个影响因素关联度值;
采用熵权法，确定各影响因素的权重，求出影响因素权重矩阵W:
Figure 678522DEST_PATH_IMAGE026
，
式中，W为影响因素权重矩阵，
Figure 65641DEST_PATH_IMAGE027
为第1个影响因素对应的权重，
Figure 966601DEST_PATH_IMAGE028
为第2个影响因素对应的权重，
Figure 624241DEST_PATH_IMAGE029
为第m个因素对应的权重；
基于权向量对关联度判断矩阵进行加权，得到加权关联矩阵
Figure 686875DEST_PATH_IMAGE030
：
Figure 561290DEST_PATH_IMAGE031
，
式中，
Figure 265941DEST_PATH_IMAGE032
表示影响因素权重矩阵W与关联度判断矩阵
Figure 542201DEST_PATH_IMAGE020
点乘；
将加权关联矩阵
Figure 775736DEST_PATH_IMAGE033
中的每一行视为一个行向量，则第1行为待预测日行向量，记为
Figure 137448DEST_PATH_IMAGE034
，其他每个历史样本行向量记为
Figure 114631DEST_PATH_IMAGE035
，设每个样本
Figure 510977DEST_PATH_IMAGE035
和
Figure 915414DEST_PATH_IMAGE034
向量间的夹角为投影角，即各个历史特征向量在预测日特征向量上的为：
Figure 764421DEST_PATH_IMAGE036
，
式中，
Figure 545295DEST_PATH_IMAGE037
为第i个历史特征向量在预测日特征向量上的投影值，
Figure 796148DEST_PATH_IMAGE038
为第j个影响因素对应的权重，
Figure 870021DEST_PATH_IMAGE039
为第i历史日的第j个影响因素关联度值；
将第i个历史特征向量在预测日特征向量上的投影值由大到小进行排序，并选取第i个历史特征向量在预测日特征向量上的最大投影值所对应的预测日的历史负荷值作为预测日影响因素相似的历史负荷
Figure 206324DEST_PATH_IMAGE040
；
基于预测日影响因素相似的历史负荷
Figure 525310DEST_PATH_IMAGE040
以及由随机森林算法得到的预测日负荷
Figure 630670DEST_PATH_IMAGE041
计算综合预测日负荷
Figure 376909DEST_PATH_IMAGE042
，并根据综合预测日负荷
Figure 934929DEST_PATH_IMAGE042
得到日负荷峰谷特性曲线，其中，计算综合预测日负荷
Figure 57606DEST_PATH_IMAGE042
的表达式为：
Figure 17471DEST_PATH_IMAGE043
，
式中，
Figure 934612DEST_PATH_IMAGE041
为预测日负荷，
Figure 776666DEST_PATH_IMAGE044
为预测日影响因素相似的历史负荷，
Figure 437454DEST_PATH_IMAGE045
分别为预测日负荷的权重、预测日影响因素相似的历史负荷的权重；
将实时获取的环境数据输入至预设的风光发电功率预测模型，得到未来风光出力变化曲线，其中，所述环境数据包括光照强度数据、温度数据、风力数据以及风向数据；
计算所述日负荷峰谷特性曲线与所述未来风光出力变化曲线的差值，得到日净负荷特性曲线；
基于改进的最小二乘法对高维度数据进行优化，并根据优化后的高维度数据计算得到火电机组出力曲线，其中所述高维度数据为基于时间和空间的火电机组出力数据，其中，计算得到火电机组出力曲线具体为：
将选择的对应于一个火电出力值的关联因素值构成一个向量集
Figure 251827DEST_PATH_IMAGE046
，按此排列可以构成奇异值矩阵
Figure 605448DEST_PATH_IMAGE047
；
奇异值分解可以将一个矩阵分解为三个矩阵的点乘，分别为左奇异向量，奇异值，右奇异向量，对于矩阵A，可以分解为 :
Figure 138060DEST_PATH_IMAGE048
，
式中，
Figure 104004DEST_PATH_IMAGE049
为第1个子矩阵的左奇异向量，
Figure 772883DEST_PATH_IMAGE050
为第1个子矩阵的奇异值，
Figure 562985DEST_PATH_IMAGE051
为第1个子矩阵的右奇异向量；
采用
Figure 582893DEST_PATH_IMAGE052
替代A，求出的奇异值矩阵中，每行都有一个非0元素，那么就可以选择此元素替代关联因素构成的向量集，以达到一对一的关系，再假定一条曲线
Figure 585484DEST_PATH_IMAGE053
能够最大程度拟合优化过后的数据集
Figure 374449DEST_PATH_IMAGE054
，设这条曲线为：
Figure 69872DEST_PATH_IMAGE055
，其中，
Figure 311498DEST_PATH_IMAGE056
为拟合曲线的第k个未知系数，
Figure 711255DEST_PATH_IMAGE057
为拟合曲线的自变量，
Figure 118840DEST_PATH_IMAGE058
为拟合曲线中
Figure 719586DEST_PATH_IMAGE057
的项数总数；
此时，必然存在系数
Figure 714087DEST_PATH_IMAGE059
，使得拟合值
Figure 58481DEST_PATH_IMAGE060
和实际值
Figure 822037DEST_PATH_IMAGE061
的方差和取最小值，根据多元函数求极值的必要条件，即：
Figure 593684DEST_PATH_IMAGE062
，
式中，
Figure 75481DEST_PATH_IMAGE063
为偏导数的数学计算符号，
Figure 489145DEST_PATH_IMAGE064
为第i个拟合曲线的自变量的k次方，
Figure 107208DEST_PATH_IMAGE065
为数据集中对应的第i个实际值；
进一步得到：
Figure 315335DEST_PATH_IMAGE066
，
式中，
Figure 18849DEST_PATH_IMAGE067
为第i个拟合曲线的自变量的k+j次方，
Figure 236204DEST_PATH_IMAGE068
为第i个拟合曲线的自变量的j次方；
即可解出系数
Figure 974353DEST_PATH_IMAGE059
，得出仅含未知数
Figure 589267DEST_PATH_IMAGE069
的多项式，再将预测日的关联因素集用奇异值分解法解出
Figure 780077DEST_PATH_IMAGE070
，代入
Figure 269964DEST_PATH_IMAGE053
求出预测的火电机组出力值，即可得到未来日的火电机组出力曲线；
根据所述日净负荷特性曲线和所述火电机组出力曲线构建调峰预测模型，并求解所述调峰预测模型得到不同火电机组比例、不同碳排放水平及不同风光新能源消纳比例下调峰储能需求容量值。
2.根据权利要求1所述的一种储能调峰需求的预测方法，其特征在于，所述调峰预测模型的约束条件包括：
在日净负荷特性曲线处于峰谷时期的储能需求平衡约束为：
Figure 862620DEST_PATH_IMAGE071
，
Figure 412550DEST_PATH_IMAGE072
，
式中，
Figure 90656DEST_PATH_IMAGE073
为t时刻的火电机组调峰功率，
Figure 384234DEST_PATH_IMAGE074
为t时刻储能系统的充电功率，
Figure 831396DEST_PATH_IMAGE075
为t时刻的系统平谷需求，
Figure 552227DEST_PATH_IMAGE076
为t时刻的可中断负荷功率，
Figure 717629DEST_PATH_IMAGE077
为t时刻储能系统的放电功率，
Figure 814898DEST_PATH_IMAGE078
为t时刻的系统削峰需求，
Figure 116566DEST_PATH_IMAGE079
为火电机组的数量，
Figure 8299DEST_PATH_IMAGE080
为储能电站的数量，
Figure 660997DEST_PATH_IMAGE081
为t时刻可中断负荷的个数；
储能的充、放电运行约束为：
Figure 794913DEST_PATH_IMAGE082
，
Figure 216667DEST_PATH_IMAGE083
，
式中，
Figure 279301DEST_PATH_IMAGE084
为t时刻储能系统的充电功率，
Figure 153716DEST_PATH_IMAGE085
为储能系统允许的最大充电功率，
Figure 592788DEST_PATH_IMAGE086
为t-1时刻储能系统中的能量，
Figure 869048DEST_PATH_IMAGE087
为储能系统的充电效率，
Figure 102584DEST_PATH_IMAGE088
为储能系统中能量上限，
Figure 464295DEST_PATH_IMAGE089
为t时刻储能系统的放电功率，
Figure 175899DEST_PATH_IMAGE090
为储能系统允许的最大放电功率，
Figure 572245DEST_PATH_IMAGE091
为储能系统的放电效率，
Figure 242261DEST_PATH_IMAGE092
为储能系统中能量下限；
能耗特性曲线约束为：
Figure 91268DEST_PATH_IMAGE093
，
式中，
Figure 340984DEST_PATH_IMAGE094
为火电机组煤耗成本，
Figure 857416DEST_PATH_IMAGE095
为火电机组实时出力，
Figure 167174DEST_PATH_IMAGE096
为煤炭价格，a、b、c均为能耗特性曲线的系数；
储能参照火电机组采用阶梯式报价策略，储能分
Figure 270522DEST_PATH_IMAGE097
段报价，各段报价和投标电量满足：
Figure 589508DEST_PATH_IMAGE098
，
式中，
Figure 429288DEST_PATH_IMAGE099
为
Figure 175527DEST_PATH_IMAGE100
时刻的储能第
Figure 733547DEST_PATH_IMAGE101
个申报价格，
Figure 121803DEST_PATH_IMAGE102
为储能调峰申报价格最大值，
Figure 81669DEST_PATH_IMAGE103
为
Figure 998809DEST_PATH_IMAGE100
时刻的储能第
Figure 44126DEST_PATH_IMAGE101
个投标电量，
Figure 704914DEST_PATH_IMAGE104
为
Figure 784866DEST_PATH_IMAGE105
时刻储能投标总价格，
Figure 138487DEST_PATH_IMAGE106
为
Figure 671099DEST_PATH_IMAGE100
时刻储能的总投标电量。
3.一种储能调峰需求的预测系统，其特征在于，包括：
预测模块，配置为基于随机森林回归算法对电力负荷曲线进行预测，得到日负荷峰谷特性曲线，其中，得到日负荷峰谷特性曲线具体为：基于随机森林回归算法对电力负荷曲线的影响因素按重要性进行排序；
筛选电力负荷变化的至少一个影响因素，建立第
Figure 869999DEST_PATH_IMAGE001
天的历史特征向量集以及含有天气预报信息的待预测日特征向量集，其中第
Figure 804457DEST_PATH_IMAGE001
天的历史特征向量集的表达式为：
Figure 850952DEST_PATH_IMAGE002
，
式中，
Figure 605282DEST_PATH_IMAGE003
为第i天的历史特征向量集，
Figure 873452DEST_PATH_IMAGE004
为第i天历史特征向量的第1个影响因素值，
Figure 662416DEST_PATH_IMAGE005
为第i天历史特征向量的第2个影响因素值，
Figure 357840DEST_PATH_IMAGE006
为第i天历史特征向量的第m个影响因素值，
Figure 865045DEST_PATH_IMAGE007
为总天数；
基于预测日的负荷影响因素建立预测日特征向量集，其中预测日特征向量集的表达式为：
Figure 671327DEST_PATH_IMAGE008
，
式中，
Figure 314798DEST_PATH_IMAGE009
为预测日的特征向量集，
Figure 181122DEST_PATH_IMAGE010
为预测日特征向量的第1个影响因素值，
Figure 910044DEST_PATH_IMAGE011
为预测日特征向量的第2个影响因素值，
Figure 520017DEST_PATH_IMAGE012
为预测日特征向量的第m个影响因素值；
构建关联判断矩阵，以
Figure 283574DEST_PATH_IMAGE009
为母序列，
Figure 55220DEST_PATH_IMAGE013
为子序列，计算子序列
Figure 537017DEST_PATH_IMAGE003
与母序列
Figure 685102DEST_PATH_IMAGE009
之间的关联系数
Figure 804630DEST_PATH_IMAGE014
：
Figure 747178DEST_PATH_IMAGE015
，
式中，
Figure 450692DEST_PATH_IMAGE016
为i遍历取完1~N的所有整数，m遍历取完1~M的所有整数,取其中所有
Figure 402467DEST_PATH_IMAGE017
的最小值,
Figure 875037DEST_PATH_IMAGE018
为i遍历取完1~N的所有整数，m遍历取完1~M的所有整数,取其中所有
Figure 519645DEST_PATH_IMAGE019
的最大值；
基于子序列
Figure 710455DEST_PATH_IMAGE003
与母序列
Figure 200342DEST_PATH_IMAGE009
之间的关联系数
Figure 792998DEST_PATH_IMAGE014
得到关联度判断矩阵
Figure 342928DEST_PATH_IMAGE020
：
Figure 755454DEST_PATH_IMAGE021
，
式中，
Figure 49032DEST_PATH_IMAGE022
为预测日第一个影响因素的关联度值，
Figure 761774DEST_PATH_IMAGE023
为预测日第m个影响因素关联度值，
Figure 482605DEST_PATH_IMAGE024
为第n历史日的第1个影响因素关联度值，
Figure 146542DEST_PATH_IMAGE025
为第n历史日的第m个影响因素关联度值;
采用熵权法，确定各影响因素的权重，求出影响因素权重矩阵W:
Figure 978232DEST_PATH_IMAGE026
，
式中，W为影响因素权重矩阵，
Figure 279900DEST_PATH_IMAGE027
为第1个影响因素对应的权重，
Figure 171633DEST_PATH_IMAGE028
为第2个影响因素对应的权重，
Figure 558752DEST_PATH_IMAGE029
为第m个因素对应的权重；
基于权向量对关联度判断矩阵进行加权，得到加权关联矩阵
Figure 194133DEST_PATH_IMAGE030
：
Figure 615887DEST_PATH_IMAGE031
，
式中，
Figure 678521DEST_PATH_IMAGE032
表示影响因素权重矩阵W与关联度判断矩阵
Figure 552936DEST_PATH_IMAGE020
点乘；
将加权关联矩阵
Figure 726428DEST_PATH_IMAGE033
中的每一行视为一个行向量，则第1行为待预测日行向量，记为
Figure 2689DEST_PATH_IMAGE034
，其他每个历史样本行向量记为
Figure 236224DEST_PATH_IMAGE035
，设每个样本
Figure 597935DEST_PATH_IMAGE035
和
Figure 575118DEST_PATH_IMAGE034
向量间的夹角为投影角，即各个历史特征向量在预测日特征向量上的为：
Figure 971465DEST_PATH_IMAGE036
，
式中，
Figure 375901DEST_PATH_IMAGE037
为第i个历史特征向量在预测日特征向量上的投影值，
Figure 460794DEST_PATH_IMAGE038
为第j个影响因素对应的权重，
Figure 772827DEST_PATH_IMAGE039
为第i历史日的第j个影响因素关联度值；
将第i个历史特征向量在预测日特征向量上的投影值由大到小进行排序，并选取第i个历史特征向量在预测日特征向量上的最大投影值所对应的预测日的历史负荷值作为预测日影响因素相似的历史负荷
Figure 23679DEST_PATH_IMAGE040
；
基于预测日影响因素相似的历史负荷
Figure 599017DEST_PATH_IMAGE040
以及由随机森林算法得到的预测日负荷
Figure 669741DEST_PATH_IMAGE041
计算综合预测日负荷
Figure 988727DEST_PATH_IMAGE042
，并根据综合预测日负荷
Figure 94087DEST_PATH_IMAGE042
得到日负荷峰谷特性曲线，其中，计算综合预测日负荷
Figure 840326DEST_PATH_IMAGE042
的表达式为：
Figure 663925DEST_PATH_IMAGE043
，
式中，
Figure 521023DEST_PATH_IMAGE041
为预测日负荷，
Figure 746468DEST_PATH_IMAGE044
为预测日影响因素相似的历史负荷，
Figure 663608DEST_PATH_IMAGE045
分别为预测日负荷的权重、预测日影响因素相似的历史负荷的权重；
输出模块，配置为将实时获取的环境数据输入至预设的风光发电功率预测模型，得到未来风光出力变化曲线，其中，所述环境数据包括光照强度数据、温度数据、风力数据以及风向数据；
计算模块，配置为计算所述日负荷峰谷特性曲线与所述未来风光出力变化曲线的差值，得到日净负荷特性曲线；
优化模块，配置为基于改进的最小二乘法对高维度数据进行优化，并根据优化后的高维度数据计算得到火电机组出力曲线，其中所述高维度数据为基于时间和空间的火电机组出力数据，其中，计算得到火电机组出力曲线具体为：
将选择的对应于一个火电出力值的关联因素值构成一个向量集
Figure 708925DEST_PATH_IMAGE046
，按此排列可以构成奇异值矩阵
Figure 369713DEST_PATH_IMAGE047
；
奇异值分解可以将一个矩阵分解为三个矩阵的点乘，分别为左奇异向量，奇异值，右奇异向量，对于矩阵A，可以分解为 :
Figure 948200DEST_PATH_IMAGE048
，
式中，
Figure 36241DEST_PATH_IMAGE049
为第1个子矩阵的左奇异向量，
Figure 568854DEST_PATH_IMAGE050
为第1个子矩阵的奇异值，
Figure 564492DEST_PATH_IMAGE051
为第1个子矩阵的右奇异向量；
采用
Figure 498950DEST_PATH_IMAGE052
替代A，求出的奇异值矩阵中，每行都有一个非0元素，那么就可以选择此元素替代关联因素构成的向量集，以达到一对一的关系，再假定一条曲线
Figure 757893DEST_PATH_IMAGE053
能够最大程度拟合优化过后的数据集
Figure 777801DEST_PATH_IMAGE054
，设这条曲线为：
Figure 45972DEST_PATH_IMAGE055
，其中，
Figure 834936DEST_PATH_IMAGE056
为拟合曲线的第k个未知系数，
Figure 264780DEST_PATH_IMAGE057
为拟合曲线的自变量，
Figure 37564DEST_PATH_IMAGE058
为拟合曲线中
Figure 843846DEST_PATH_IMAGE057
的项数总数；
此时，必然存在系数
Figure 221738DEST_PATH_IMAGE059
，使得拟合值
Figure 88063DEST_PATH_IMAGE060
和实际值
Figure 318449DEST_PATH_IMAGE061
的方差和取最小值，根据多元函数求极值的必要条件，即：
Figure 928422DEST_PATH_IMAGE062
，
式中，
Figure 426400DEST_PATH_IMAGE063
为偏导数的数学计算符号，
Figure 463626DEST_PATH_IMAGE064
为第i个拟合曲线的自变量的k次方，
Figure 679843DEST_PATH_IMAGE065
为数据集中对应的第i个实际值；
进一步得到：
Figure 827928DEST_PATH_IMAGE066
，
式中，
Figure 445991DEST_PATH_IMAGE067
为第i个拟合曲线的自变量的k+j次方，
Figure 654119DEST_PATH_IMAGE068
为第i个拟合曲线的自变量的j次方；
即可解出系数
Figure 357632DEST_PATH_IMAGE059
，得出仅含未知数
Figure 574987DEST_PATH_IMAGE069
的多项式，再将预测日的关联因素集用奇异值分解法解出
Figure 47557DEST_PATH_IMAGE070
，代入
Figure 426586DEST_PATH_IMAGE053
求出预测的火电机组出力值，即可得到未来日的火电机组出力曲线；
构建模块，配置为根据所述日净负荷特性曲线和所述火电机组出力曲线构建调峰预测模型，并求解所述调峰预测模型得到不同火电机组比例、不同碳排放水平及不同风光新能源消纳比例下调峰储能需求容量值。
4.一种电子设备，其特征在于，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权利要求1至2任一项所述的方法。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至2任一项所述的方法。
CN202210838873.4A 2022-07-18 2022-07-18 一种储能调峰需求的预测方法及系统 Active CN114912721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210838873.4A CN114912721B (zh) 2022-07-18 2022-07-18 一种储能调峰需求的预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210838873.4A CN114912721B (zh) 2022-07-18 2022-07-18 一种储能调峰需求的预测方法及系统

Publications (2)

Publication Number Publication Date
CN114912721A CN114912721A (zh) 2022-08-16
CN114912721B true CN114912721B (zh) 2022-12-13

Family

ID=82772200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210838873.4A Active CN114912721B (zh) 2022-07-18 2022-07-18 一种储能调峰需求的预测方法及系统

Country Status (1)

Country Link
CN (1) CN114912721B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187685B (zh) * 2023-01-16 2023-11-24 南通电力设计院有限公司 一种基于调峰约束的电网接纳光伏最大容量的计算方法
CN116085685B (zh) * 2023-03-15 2023-06-23 上海叁零肆零科技有限公司 保证用气高峰时段天然气稳定供气的方法和系统
CN116796926B (zh) * 2023-06-30 2024-03-15 国家电网有限公司华东分部 低压侧新能源资源聚合容量评估方法及装置、介质、设备
CN116976521B (zh) * 2023-08-14 2024-01-16 水电水利规划设计总院 一种不同时间尺度的电力系统调峰储能容量需求预测方法
CN117175666B (zh) * 2023-11-03 2024-01-26 深圳航天科创泛在电气有限公司 一种分布式储能电源系统的负载调节方法及调节装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208813A (zh) * 2013-01-21 2013-07-17 云南电网公司电网规划研究中心 一种准确计及风电影响的电力系统日调峰能力评估方法
CN104500336A (zh) * 2014-11-27 2015-04-08 江苏科技大学 一种基于Hammerstein-Wiener模型的风电机组恒功率广义预测控制方法
CN111985571A (zh) * 2020-08-26 2020-11-24 国网湖南省电力有限公司 基于改进随机森林算法的低压智能监测终端故障预测方法、装置、介质及设备
CN112564183A (zh) * 2020-12-02 2021-03-26 中国电力工程顾问集团华北电力设计院有限公司 电网规划中风光火储的容量优化配置方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10902368B2 (en) * 2014-03-12 2021-01-26 Dt360 Inc. Intelligent decision synchronization in real time for both discrete and continuous process industries
CN109687530B (zh) * 2019-01-08 2022-06-10 南京工程学院 一种考虑阻塞和储能分时电价的电网混合滚动调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208813A (zh) * 2013-01-21 2013-07-17 云南电网公司电网规划研究中心 一种准确计及风电影响的电力系统日调峰能力评估方法
CN104500336A (zh) * 2014-11-27 2015-04-08 江苏科技大学 一种基于Hammerstein-Wiener模型的风电机组恒功率广义预测控制方法
CN111985571A (zh) * 2020-08-26 2020-11-24 国网湖南省电力有限公司 基于改进随机森林算法的低压智能监测终端故障预测方法、装置、介质及设备
CN112564183A (zh) * 2020-12-02 2021-03-26 中国电力工程顾问集团华北电力设计院有限公司 电网规划中风光火储的容量优化配置方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
基于场景分析的风光储协调的配电网动态无功优化;吴乐川等;《山东农业大学学报(自然科学版)》(第01期);全文 *
基于灰色投影改进随机森林算法的电力系统短期负荷预测;吴潇雨等;《电力系统自动化》;20151231(第012期);全文 *
基于灰色理论和回归分析的中长期电力负荷组合预测研究;孙利军等;《华北电力大学学报(社会科学版)》;全文 *
基于百度指数的大众汽车销量预测研究;刘吉华等;《统计与管理》;20200925(第10期);全文 *
基于聚类分析与随机森林的短期负荷滚动预测;荀港益;《智能城市》;20180514(第09期);全文 *

Also Published As

Publication number Publication date
CN114912721A (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN114912721B (zh) 一种储能调峰需求的预测方法及系统
Han et al. Mid-to-long term wind and photovoltaic power generation prediction based on copula function and long short term memory network
Wang et al. A comparison of day-ahead photovoltaic power forecasting models based on deep learning neural network
Zhou et al. Prediction of photovoltaic power output based on similar day analysis, genetic algorithm and extreme learning machine
He et al. Short-term power load probability density forecasting method using kernel-based support vector quantile regression and Copula theory
US20130013233A1 (en) Electric-power-generation level predicting apparatus, method and program
Jebli et al. Deep learning based models for solar energy prediction
Liu et al. Optimal stochastic scheduling of hydropower-based compensation for combined wind and photovoltaic power outputs
Ishaq et al. A CNN-Assisted deep echo state network using multiple Time-Scale dynamic learning reservoirs for generating Short-Term solar energy forecasting
Toubeau et al. Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices
Morteza et al. Deep learning hyperparameter optimization: Application to electricity and heat demand prediction for buildings
Wang et al. A novel decomposition-ensemble forecasting system for dynamic dispatching of smart grid with sub-model selection and intelligent optimization
Ghasvarian Jahromi et al. A novel method for day-ahead solar power prediction based on hidden Markov model and cosine similarity
CN105809349A (zh) 一种考虑来水相关性梯级水电站群的调度方法
Wang et al. A wind speed forecasting system for the construction of a smart grid with two-stage data processing based on improved ELM and deep learning strategies
Wang et al. Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing
Golder et al. Machine learning-based demand and PV power forecasts
Wang et al. An approach for day-ahead interval forecasting of photovoltaic power: A novel DCGAN and LSTM based quantile regression modeling method
Ertuğrul et al. A novel regression method in forecasting short-term grid electricity load in buildings that were connected to the smart grid
Inteha et al. A data driven approach for day ahead short term load forecasting
Abdel-Nasser et al. HIFA: promising heterogeneous solar irradiance forecasting approach based on kernel mapping
Yan et al. An improved feature-time Transformer encoder-Bi-LSTM for short-term forecasting of user-level integrated energy loads
Alharbi et al. Short-term solar irradiance forecasting model based on bidirectional long short-term memory deep learning
Kong et al. Multi-step short-term solar radiation prediction based on empirical mode decomposition and gated recurrent unit optimized via an attention mechanism
Flesca et al. On forecasting non-renewable energy production with uncertainty quantification: A case study of the Italian energy market

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
GR01 Patent grant
GR01 Patent grant