CN114970362B - 一种多能源结构下的电网负荷调度预测方法及系统 - Google Patents

一种多能源结构下的电网负荷调度预测方法及系统 Download PDF

Info

Publication number
CN114970362B
CN114970362B CN202210644718.9A CN202210644718A CN114970362B CN 114970362 B CN114970362 B CN 114970362B CN 202210644718 A CN202210644718 A CN 202210644718A CN 114970362 B CN114970362 B CN 114970362B
Authority
CN
China
Prior art keywords
data
power generation
grid
energy
micro
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
CN202210644718.9A
Other languages
English (en)
Other versions
CN114970362A (zh
Inventor
王磊
朱真德
李游
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.)
Cccc Mechanical & Electrical Engineering Co ltd
Original Assignee
Cccc Mechanical & Electrical Engineering 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 Cccc Mechanical & Electrical Engineering Co ltd filed Critical Cccc Mechanical & Electrical Engineering Co ltd
Priority to CN202210644718.9A priority Critical patent/CN114970362B/zh
Publication of CN114970362A publication Critical patent/CN114970362A/zh
Application granted granted Critical
Publication of CN114970362B publication Critical patent/CN114970362B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)

Abstract

本发明公开了一种多能源结构下的电网负荷调度预测方法及系统，包括以下步骤：步骤S1、根据微电网结构确定能源组成获取数据；步骤S2、对获取到的地区数据进行预处理，使用随机森林算法得到影响风力发电、太阳能发电的高关联度输入变量，对输入变量进行预处理，获取特征输入向量；步骤S3、根据所述特征输入向量的时序数据，采用长短时神经网络LSTM优化所述特征输入向量，建立深度学习模型；步骤S4、判断当前风力发电量和太阳能发电量的总和是否超过用电需求量，将各种能源供电比例发送到微电网中，执行微电网负荷调度，提高了电荷预测精度，可处理更大规模的模型数据，模型通用性更强，性能更加优异，提高了系统调度的准确性。

Description

一种多能源结构下的电网负荷调度预测方法及系统
技术领域
本发明实施例涉及电力调度技术领域，具体涉及一种多能源结构下的电网负荷调度预测方法及系统。
背景技术
随着能源消费的快速增长，导致传统能源日益枯竭，为了应对这一严峻问题，人类加快了对可再生能源的研究和开发，其中，太阳能因为其具有容易获取和绿色环保等优势，基于太阳能发电的光伏微电网逐渐成为人类对可再生能源研究和利用的发展方向，但是由于易受天气和外部环境等各种客观的不可控的因素的影响，光伏微电网中的发电及负荷会呈现出一定程度的不确定性，难以实现微电网的经济稳定运行，因此，获取精确的微电网发电和负荷预测数据，制定合理的微电网能量调度策略，具有重要意义。
现有的用于多能源结构下的电网负荷调度预测方法及系统还存在的缺陷如下：
(1)现有的用于主动配电网调度的目标函数仅仅以网损最低或潮流最优为目标，导致调度数据不全面，不能实时反映地区内的真实电网负荷情况；
(2)现有的电网负荷调度重要的目标之一是解决以新能源为主的分布式能源高渗透率的问题，为改善分布式能源的运行效果，减少弃风弃光等浪费现象，将分层控制理论与多微网并列运行的配电网架构结合，提出以配网协调能力最强为目标的主动配电网调度策略，但是影响配网协调能力的参数相对较多，影响因子的权值会影响主动配电网的调度策略，导致该调度策略实用性较低，且算法复杂，操作步骤多，精确度低。
发明内容
为此，本发明实施例提供一种多能源结构下的电网负荷调度预测方法及系统，以解决现有技术中对于调度数据不全面，调度策略实用性较低，且算法复杂，操作步骤多，精确度低的问题。
为了实现上述目的，本发明的实施方式提供如下技术方案：
一种多能源结构下的电网负荷调度预测方法，包括以下步骤：
步骤S1、根据微电网结构确定能源组成，获取风力发电数据、太阳能发电数据、地区气象数据；根据微电网能源组成结构，确定耗电设备数量及耗电设备单元能耗；
步骤S2、对获取到的所述风力发电数据、太阳能发电数据、地区气象数据进行预处理，使用随机森林算法得到影响风力发电、太阳能发电的高关联度输入变量，对输入变量进行预处理，以时间戳为主键，建立风力发电、太阳能发电的特征输入向量；
步骤S3、根据所述特征输入向量的时序数据，采用长短时神经网络LSTM优化所述特征输入向量，建立深度学习模型，采用所述深度学习模型预测下一时刻风力发电量及太阳能发电量；
步骤S4、判断当前风力发电量和太阳能发电量的总和是否超过用电需求量，采用遗传算法求解最优参数作为能源分配标准，再将各种能源供电比例发送到微电网中，执行微电网负荷调度。
作为本发明的一种优选方案，在步骤S1中，依据所述微电网结构中的能源组成及能源波动程度确定微电网内能源结构，根据所述微电网内能源波动程度确定风力发电量和太阳能发电量，通过提取微电网内耗电设备的耗电量总和确定所述风力发电数据和太阳能发电数据，对波动较大、非平稳性的以及存在剧烈变化的风力发电、太阳能发电数据序列进行平滑处理，获取数据均值确定气象数据影响因子。
作为本发明的一种优选方案，依据所述气象数据影响因子采用随机森林算法获取影响风力发电、太阳能发电的高关联度输入变量，具体为：
步骤S201、利用Bootstrap重抽样法从风力发电数据、太阳能发电数据以及地区气象数据训练集中抽取k个训练集样本θ1,θ2,…,θk，由每个训练集生成对应的决策树{T(x,θ1)},{T(x,θ2),…,{T(x,θk)}}，其中k表示随机森林中树的个数；
步骤S202、已知样本的维数为M，在节点分裂的过程中，就从M维特征中随机抽取m个特征作为此节点的分裂特征集，m值根据样本量的大小设定，且m的值在整个随机森林形成过程中维持不变；
步骤S203、对每个决策树都不进行剪枝处理，使其得到最大程度的生长，当有一个新的数据X＝x时，单棵决策树T(θ)的预测可以通过叶节点l(x,θ)的观测值取平均获得，其权重向量表达式为；
其中，Ri(i＝1,2,…,n)表示决策树参数集，Xi(i＝1,2,…,n)表示决策树参数集内对应的新数据；
步骤S204、在给定自变量X＝x下，单棵决策树的预测值就通过因变量Yi(i＝1,2,…,n)预测值加权平均得到，单棵决策树的预测值表达式为：
步骤S205、通过对决策树权重X＝Xi(i∈{1,2,…,n})t＝(1,2,…,k)取平均，得到每个观测值i∈(1,2,…,n)的权重，其表达式为：
对于所有的高关联度输入变量y，随机森林的预测可记为其表达式为：
作为本发明的一种优选方案，对所述给定自变量X取均值获取特征量重要性指数，依据特征量重要性指数对所述高关联度输入变量y做样本相关性分析，基于随机森林回归做负荷预测，具体为：
首先，处理已有的负荷数据和与负荷数据有关的其他数据，作为特征值，例如气象因素值等，提取出有用时间点时间段的数据；
其次，按照R语言随机森林安装包里的训练集样本模式，整理提取出的数据，根据所有预测的时间点，建立合适的预测样本；
最后，采用MATLAB平台调用R语言对预测样本进行建模，获取特征输入向量的时序数据。
作为本发明的一种优选方案，在步骤S3中，采用长短时神经网络LSTM优化所述特征输入向量，建立深度学习模型，具体为：
步骤S301、将所述长短时神经网络LSTM的长短时记忆单元的个数，学习率以及批量大小设置为正弦余弦算法的候选解个体，且取值范围分别设置为[5,40]、[0.0001,0.1]和[10,150]，种群的规模和最大迭代次数分别设置为10和30；
步骤S302、通过特征输入向量训练集对长短时记忆网络进行训练；
步骤S303、利用验证集测试长短时记忆网络的性能，并计算真实值与对应的预测值之间的RMSE，同时将RMSE设置为正弦余弦算法的适应度函数，其表达式为：
其中，Pfi、Pai分别表示第i小时的预测功率值和实际功率值，N表示采样的总小时数；
步骤S304、利用最大迭代次数tmax更新控制参数r1，并产生新的随机的控制参数r2、r3和r4，并对候选集进行更新，其控制参数r1表达式为：
其中，t表示迭代次数，a表示人为设定的常数参量；
步骤S305、判断是否满足终止条件，若达到最大迭代次数，则输出适应度函数值最优的候选解个体，即短时记忆单元的个数、学习率以及批量大小。
作为本发明的一种优选方案，依据所述短时记忆单元的个数以及学习率优化所述特征输入向量，建立基于正弦余弦算法和长短时记忆网络的光伏发电功率预测模型，具体为：
首先，收集本地区的气象因子以及光伏系统的历史输出功率数据，利用经验模式分解对水平辐射强度、散射辐射强度、相对湿度和环境气温进行去噪处理；
其次，对历史气象数据和历史输出功率数据进行标准化处理，其表达式为：
其中，表示标准化后的样本数据，vi表示原始样本数据，n表示样本的总数；
再者，随机设置长短时记忆网络的初始参数，包括长短时记忆单元的个数，学习率以及批量大小，利用正弦余弦算法对长短时记忆网络的参数进行优化；
最后，获取正弦余弦算法优化后所得最佳候选解个体，利用正弦余弦算法的搜寻结果设置长短时记忆网络参数，合并训练集与验证集，对长短时记忆网络进行重新训练，预测光伏系统24小时后的输出功率值。
作为本发明的一种优选方案，在步骤S4中，依据所述光伏发电功率预测模型判断当前风力发电量和太阳能发电量的总和是否超过用电需求量，当风力发电量和太阳能发电量的总和超过用电需求量时，采用储能设备存储剩余电量；当风力发电量和太阳能发电量无法满足用电需求量时，请求城市电网供电，补齐差额。
作为本发明的一种优选方案，对所述光伏发电功率预测模型的输出结果进行网络参数初始化，获取各电源和负荷点的坐标以及电源出力，将各电源和负荷点的坐标以及电源出力对应的目标函数与Hopfield网络的能量函数相对应，建立基于Hopfield神经网络模型以调度电能。
作为本发明的一种优选方案，所述Hopfield神经网络模型具体为：
将神经元(i，j＝1,2,…,N)的内部膜电位状态用Ui表示，其中N表示神经元个数，用神经元代表运算放大器及相关的电阻电容，将每个神经元设定两个输入来源：一个是固定的外部输入，用电流Ii表示；另一个是其它运算放大器的反馈输入，其Hopfield神经网络模型的预测函数表达式为：
其中，Ci表示放大器的输入电容，ωi,j表示第j个放大器到第i个放大器输入的连接权重，且ωi,j为对称矩阵，f(ui(t))表示是第i个神经元的传递函数，ui(t)表示输入电位，Vi(t)表示输出电量。
一种根据前述多能源结构下的电网负荷调度预测方法的系统，包括：数据采集模块、数据处理模块、调度中心、实时监测模块以及微观仿真模块；
所述数据采集模块，用于实时采集风力发电数据、太阳能发电数据、地区气象数据，获取微电网能源组成数据；
所述数据处理模块，用于对数据进行去噪处理，获取实时区域负荷用电数据；
所述调度中心，用于利用调度预测模型获取区域电荷以实时调度电网负荷量；
所述实时监测模块，用于融合调度预测模型输出数据以及区域实时数据，实时监测区域电荷情况；
所述微观仿真模块，用于利用调度预测模型执行微观数据仿真过程生成微观电网负荷调度的仿真结果。
本发明的实施方式具有如下优点：
(1)本发明采用随机森林算法对地区数据进行相关性分析，从训练样本与特征变量两方面通过决策树分析误差，提高了电荷预测精度，采用基于Hopfield神经网络模型的配电网调度策略优化及模型求解法，对电网经济、稳定运行起到了巨大的促进作用，模型使用Hopfield神经网络求解可以避免粒子群等一些求解方法存在早熟、局部收敛的问题，使得模型求解更加速、稳定，可处理更大规模的模型数据，模型通用性更强，性能更加优异，并且长短时神经网络LSTM优化所述特征输入向量，进一步提高了系统调度的准确性，提高了系统运行效益。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施方式中的电网负荷调度预测方法的步骤流程示意图；
图2为本发明实施方式中的电网负荷调度预测系统的结构框图；
图3为本发明实施方式中的电网负荷调度方法的流程图；
图4为本发明实施方式中的长短时神经网络LSTM的实时过程图；
图5为本发明实施方式中的长短时神经网络LSTM内遗传算法的实施过程图；
图6为本发明实施方式中的微电网内多种能源发电量时序图。
图中：
1-数据采集模块；2-数据处理模块；3-调度中心；4-实时监测模块；5-微观仿真模块。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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做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。
如图1-6所示，本发明提供了一种多能源结构下的电网负荷调度预测方法，本实施方式采用随机森林算法对地区数据进行相关性分析，从训练样本与特征变量两方面通过决策树分析误差，提高了电荷预测精度，采用基于Hopfield神经网络模型的配电网调度策略优化及模型求解法，对电网经济、稳定运行起到了巨大的促进作用，模型使用Hopfield神经网络求解可以避免粒子群等一些求解方法存在早熟、局部收敛的问题，使得模型求解更加速、稳定，可处理更大规模的模型数据，模型通用性更强，性能更加优异，并且长短时神经网络LSTM优化所述特征输入向量，进一步提高了系统调度的准确性，提高了系统运行效益。
包括以下步骤：
步骤S1、根据微电网结构确定能源组成，获取风力发电数据、太阳能发电数据、地区气象数据；根据微电网能源组成结构，确定耗电设备数量及耗电设备单元能耗；
步骤S2、对获取到的所述风力发电数据、太阳能发电数据、地区气象数据进行预处理，使用随机森林算法得到影响风力发电、太阳能发电的高关联度输入变量，对输入变量进行预处理，以时间戳为主键，建立风力发电、太阳能发电的特征输入向量；
步骤S3、根据所述特征输入向量的时序数据，采用长短时神经网络LSTM优化所述特征输入向量，建立深度学习模型，采用所述深度学习模型预测下一时刻风力发电量及太阳能发电量；
步骤S4、判断当前风力发电量和太阳能发电量的总和是否超过用电需求量，采用遗传算法求解最优参数作为能源分配标准，再将各种能源供电比例发送到微电网中，执行微电网负荷调度。
在步骤S1中，依据所述微电网结构中的能源组成及能源波动程度确定微电网内能源结构，根据所述微电网内能源波动程度确定风力发电量和太阳能发电量，通过提取微电网内耗电设备的耗电量总和确定所述风力发电数据和太阳能发电数据，对波动较大、非平稳性的以及存在剧烈变化的风力发电、太阳能发电数据序列进行平滑处理，获取数据均值确定气象数据影响因子。
依据所述气象数据影响因子采用随机森林算法获取影响风力发电、太阳能发电的高关联度输入变量，具体为：
步骤S201、利用Bootstrap重抽样法从风力发电数据、太阳能发电数据以及地区气象数据训练集中抽取k个训练集样本θ1,θ2,…,θk，由每个训练集生成对应的决策树{T(x,θ1)},{T(x,θ2),…,{T(x,θk)}}，其中k表示随机森林中树的个数；
步骤S202、已知样本的维数为M，在节点分裂的过程中，就从M维特征中随机抽取m个特征作为此节点的分裂特征集，m值根据样本量的大小设定，且m的值在整个随机森林形成过程中维持不变；
步骤S203、对每个决策树都不进行剪枝处理，使其得到最大程度的生长，当有一个新的数据X＝x时，单棵决策树T(θ)的预测可以通过叶节点l(x,θ)的观测值取平均获得，其权重向量表达式为；
其中，Ri(i＝1,2,…,n)表示决策树参数集，Xi(i＝1,2,…,n)表示决策树参数集内对应的新数据；
步骤S204、在给定自变量X＝x下，单棵决策树的预测值就通过因变量Yi(i＝1,2,…,n)预测值加权平均得到，单棵决策树的预测值表达式为：
步骤S205、通过对决策树权重X＝Xi(i∈{1,2,…,n})t＝(1,2,…,k)取平均，得到每个观测值i∈(1,2,…,n)的权重，其表达式为：
对于所有的高关联度输入变量y，随机森林的预测可记为其表达式为：
对所述给定自变量X取均值获取特征量重要性指数，依据特征量重要性指数对所述高关联度输入变量y做样本相关性分析，基于随机森林回归做负荷预测，具体为：
首先，处理已有的负荷数据和与负荷数据有关的其他数据，作为特征值，例如气象因素值等，提取出有用时间点时间段的数据；
其次，按照R语言随机森林安装包里的训练集样本模式，整理提取出的数据，根据所有预测的时间点，建立合适的预测样本；
最后，采用MATLAB平台调用R语言对预测样本进行建模，获取特征输入向量的时序数据。
在步骤S3中，采用长短时神经网络LSTM优化所述特征输入向量，建立深度学习模型，具体为：
步骤S301、将所述长短时神经网络LSTM的长短时记忆单元的个数，学习率以及批量大小设置为正弦余弦算法的候选解个体，且取值范围分别设置为[5,40]、[0.0001,0.1]和[10,150]，种群的规模和最大迭代次数分别设置为10和30；
步骤S302、通过特征输入向量训练集对长短时记忆网络进行训练；
步骤S303、利用验证集测试长短时记忆网络的性能，并计算真实值与对应的预测值之间的RMSE，同时将RMSE设置为正弦余弦算法的适应度函数，其表达式为：
其中，Pfi、Pai分别表示第i小时的预测功率值和实际功率值，N表示采样的总小时数；
步骤S304、利用最大迭代次数tmax更新控制参数r1，并产生新的随机的控制参数r2、r3和r4，并对候选集进行更新，其控制参数r1表达式为：
其中，t表示迭代次数，a表示人为设定的常数参量；
步骤S305、判断是否满足终止条件，若达到最大迭代次数，则输出适应度函数值最优的候选解个体，即短时记忆单元的个数、学习率以及批量大小。
依据所述短时记忆单元的个数以及学习率优化所述特征输入向量，建立基于正弦余弦算法和长短时记忆网络的光伏发电功率预测模型，具体为：
首先，收集本地区的气象因子以及光伏系统的历史输出功率数据，利用经验模式分解对水平辐射强度、散射辐射强度、相对湿度和环境气温进行去噪处理；
其次，对历史气象数据和历史输出功率数据进行标准化处理，其表达式为：
其中，表示标准化后的样本数据，vi表示原始样本数据，n表示样本的总数；
再者，随机设置长短时记忆网络的初始参数，包括长短时记忆单元的个数，学习率以及批量大小，利用正弦余弦算法对长短时记忆网络的参数进行优化；
最后，获取正弦余弦算法优化后所得最佳候选解个体，利用正弦余弦算法的搜寻结果设置长短时记忆网络参数，合并训练集与验证集，对长短时记忆网络进行重新训练，预测光伏系统24小时后的输出功率值。
在步骤S4中，依据所述光伏发电功率预测模型判断当前风力发电量和太阳能发电量的总和是否超过用电需求量，当风力发电量和太阳能发电量的总和超过用电需求量时，采用储能设备存储剩余电量；当风力发电量和太阳能发电量无法满足用电需求量时，请求城市电网供电，补齐差额。
对所述光伏发电功率预测模型的输出结果进行网络参数初始化，获取各电源和负荷点的坐标以及电源出力，将各电源和负荷点的坐标以及电源出力对应的目标函数与Hopfield网络的能量函数相对应，建立基于Hopfield神经网络模型以调度电能。
本实施例中，所述Hopfield神经网络通过使目标函数降至最低值的方法，巧妙的使网络函数实现收敛，从而求得规划问题的最优解。
所述Hopfield神经网络模型具体为：
将神经元(i，j＝1,2,…,N)的内部膜电位状态用Ui表示，其中N表示神经元个数，用神经元代表运算放大器及相关的电阻电容，将每个神经元设定两个输入来源：一个是固定的外部输入，用电流Ii表示；另一个是其它运算放大器的反馈输入，其Hopfield神经网络模型的预测函数表达式为：
其中，Ci表示放大器的输入电容，ωi,j表示第j个放大器到第i个放大器输入的连接权重，且ωi,j为对称矩阵，f(ui(t))表示是第i个神经元的传递函数，ui(t)表示输入电位，Vi(t)表示输出电量。
本实施例中，将电源与负荷点组成的所有节点相串联，首尾相接，且整个网络为手拉手环网形式，这样既保证所有连接路径之和最短，又保证每个负荷点至少由两条线路供电)，提高供电可靠性，而当约束条件中包含以路径为参数计算的网损时，则可实现所有节点连接后的网损最小，从而实现配电网运行成本最低。
本实施例中，所述Hopfield神经网络由多个神经元构成的单层递归网络结构，每个神经元既有输出又有输入，任一神经元以一种相互全连接的方式与其它所有神经元连接，同时也接受其它所有神经元的输出信号作为输入，因此，每个神经元的输出除了受到权重的影响外还可能受到上一时刻的输出信号以及其它神经元的输入信号的影响，这使网络呈现出完全对称的结构，当网络经过有限次递归后，它的状态不再发生变化，其收敛性质使网络具有良好的稳定性。
一种根据前述多能源结构下的电网负荷调度预测方法的系统，包括：数据采集模块1、数据处理模块2，调度中心3、实时监测模块4以及微观仿真模块5；
所述数据采集模块1，用于实时采集风力发电数据、太阳能发电数据、地区气象数据，获取微电网能源组成数据；
所述数据处理模块2，用于对数据进行去噪处理，获取实时区域负荷用电数据；
所述调度中心3，用于利用调度预测模型获取区域电荷以实时调度电网负荷量；
所述实时监测模块4，用于融合调度预测模型输出数据以及区域实时数据，实时监测区域电荷情况；
所述微观仿真模块5，用于利用调度预测模型执行微观数据仿真过程生成微观电网负荷调度的仿真结果。
因此本实施方式采用随机森林算法对地区数据进行相关性分析，从训练样本与特征变量两方面通过决策树分析误差，提高了电荷预测精度，采用基于Hopfield神经网络模型的配电网调度策略优化及模型求解法，对电网经济、稳定运行起到了巨大的促进作用，模型使用Hopfield神经网络求解可以避免粒子群等一些求解方法存在早熟、局部收敛的问题，使得模型求解更加速、稳定，可处理更大规模的模型数据，模型通用性更强，性能更加优异，并且长短时神经网络LSTM优化所述特征输入向量，进一步提高了系统调度的准确性，提高了系统运行效益。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (6)

1.一种多能源结构下的电网负荷调度预测方法，其特征在于，包括以下步骤：
步骤S1、根据微电网结构确定能源组成，获取风力发电数据、太阳能发电数据、地区气象数据；根据微电网能源组成结构，确定耗电设备数量及耗电设备单元能耗；
步骤S2、对获取到的所述风力发电数据、太阳能发电数据、地区气象数据进行预处理，使用随机森林算法得到影响风力发电、太阳能发电的高关联度输入变量，对输入变量进行预处理，以时间戳为主键，建立风力发电、太阳能发电的特征输入向量；
步骤S3、根据所述特征输入向量的时序数据，采用长短时神经网络LSTM优化所述特征输入向量，建立深度学习模型，采用所述深度学习模型预测下一时刻风力发电量及太阳能发电量；
步骤S4、判断当前风力发电量和太阳能发电量的总和是否超过用电需求量，采用遗传算法求解最优参数作为能源分配标准，再将各种能源供电比例发送到微电网中，执行微电网负荷调度；
在步骤S1中，依据所述微电网结构中的能源组成及能源波动程度确定微电网内能源结构，根据所述微电网内能源波动程度确定风力发电量和太阳能发电量，通过提取微电网内耗电设备的耗电量总和确定所述风力发电数据和太阳能发电数据，对波动较大、非平稳性的以及存在剧烈变化的风力发电、太阳能发电数据序列进行平滑处理，获取数据均值确定气象数据影响因子；
依据所述气象数据影响因子采用随机森林算法获取影响风力发电、太阳能发电的高关联度输入变量，具体为：
步骤S201、利用Bootstrap重抽样法从风力发电数据、太阳能发电数据以及地区气象数据训练集中抽取k个训练集样本θ1,θ2,…,θk，由每个训练集生成对应的决策树{T(x,θ1)},{T(x,θ2),…,{T(x,θk)}}，其中k表示随机森林中树的个数；
步骤S202、已知样本的维数为M，在节点分裂的过程中，从M维特征中随机抽取m个特征作为此节点的分裂特征集，m值根据样本量的大小设定，且m的值在整个随机森林形成过程中维持不变；
步骤S203、对每个决策树都不进行剪枝处理，使其得到最大程度的生长，当有一个新的数据X＝x时，单棵决策树T(θ)的预测通过叶节点l(x,θ)的观测值取平均获得，其权重向量表达式为：
其中，Ri(i＝1,2,…,n)表示决策树参数集，Xi(i＝1,2,…,n)表示决策树参数集内对应的新数据；
步骤S204、在给定自变量X＝x下，单棵决策树的预测值通过因变量Yi(i＝1,2,…,n)预测值加权平均得到，单棵决策树的预测值表达式为：
步骤S205、通过对决策树权重X＝Xi(i∈{1,2,…,n})t＝(1,2,…,k)取平均，得到每个观测值i∈(1,2,…,n)的权重，其表达式为：
对于所有的高关联度输入变量y，随机森林的预测可记为其表达式为：
对光伏发电功率预测模型的输出结果进行网络参数初始化，获取各电源和负荷点的坐标以及电源出力，将各电源和负荷点的坐标以及电源出力对应的目标函数与Hopfield网络的能量函数相对应，建立基于Hopfield神经网络模型以调度电能；
所述Hopfield神经网络模型具体为：
将神经元(i，j＝1,2,…,N)的内部膜电位状态用Ui表示，其中N表示神经元个数，用神经元代表运算放大器及相关的电阻电容，将每个神经元设定两个输入来源：一个是固定的外部输入，用电流Ii表示；另一个是其它运算放大器的反馈输入，其Hopfield神经网络模型的预测函数表达式为：
其中，Ci表示放大器的输入电容，ωi,j表示第j个放大器到第i个放大器输入的连接权重，且ωi,j为对称矩阵，f(ui(t))表示是第i个神经元的传递函数，ui(t)表示输入电位，Vi(t)表示输出电量。
2.根据权利要求1所述的一种多能源结构下的电网负荷调度预测方法，其特征在于，对所述给定自变量X取均值获取特征量重要性指数，依据特征量重要性指数对所述高关联度输入变量y做样本相关性分析，基于随机森林回归做负荷预测，具体为：
首先，处理已有的负荷数据和与负荷数据有关的其他数据，作为特征值，提取出有用时间点时间段的数据；
其次，按照R语言随机森林安装包里的训练集样本模式，整理提取出的数据，根据所有预测的时间点，建立合适的预测样本；
最后，采用MATLAB平台调用R语言对预测样本进行建模，获取特征输入向量的时序数据。
3.根据权利要求2所述的一种多能源结构下的电网负荷调度预测方法，其特征在于，在步骤S3中，采用长短时神经网络LSTM优化所述特征输入向量，建立深度学习模型，具体为：
步骤S301、将所述长短时神经网络LSTM的长短时记忆单元的个数，学习率以及批量大小设置为正弦余弦算法的候选解个体，且取值范围分别设置为[5,40]、[0.0001,0.1]和[10,150]，种群的规模和最大迭代次数分别设置为10和30；
步骤S302、通过特征输入向量训练集对长短时记忆网络进行训练；
步骤S303、利用验证集测试长短时记忆网络的性能，并计算真实值与对应的预测值之间的RMSE，同时将RMSE设置为正弦余弦算法的适应度函数，其表达式为：
其中，Pfi、Pai分别表示第i小时的预测功率值和实际功率值，N表示采样的总小时数；
步骤S304、利用最大迭代次数tmax更新控制参数r1，并产生新的随机的控制参数r2、r3和r4，并对候选集进行更新，其控制参数r1表达式为：
其中，t表示迭代次数，a表示人为设定的常数参量；
步骤S305、判断是否满足终止条件，若达到最大迭代次数，则输出适应度函数值最优的候选解个体，即短时记忆单元的个数、学习率以及批量大小。
4.根据权利要求3所述的一种多能源结构下的电网负荷调度预测方法，其特征在于，依据所述短时记忆单元的个数以及学习率优化所述特征输入向量，建立基于正弦余弦算法和长短时记忆网络的光伏发电功率预测模型，具体为：
首先，收集本地区的气象因子以及光伏系统的历史输出功率数据，利用经验模式分解对水平辐射强度、散射辐射强度、相对湿度和环境气温进行去噪处理；
其次，对历史气象数据和历史输出功率数据进行标准化处理，其表达式为：
其中，表示标准化后的样本数据，vi表示原始样本数据，n表示样本的总数；
再者，随机设置长短时记忆网络的初始参数，包括长短时记忆单元的个数，学习率以及批量大小，利用正弦余弦算法对长短时记忆网络的参数进行优化；
最后，获取正弦余弦算法优化后所得最佳候选解个体，利用正弦余弦算法的搜寻结果设置长短时记忆网络参数，合并训练集与验证集，对长短时记忆网络进行重新训练，预测光伏系统24小时后的输出功率值。
5.根据权利要求4所述的一种多能源结构下的电网负荷调度预测方法，其特征在于，在步骤S4中，依据所述光伏发电功率预测模型判断当前风力发电量和太阳能发电量的总和是否超过用电需求量，当风力发电量和太阳能发电量的总和超过用电需求量时，采用储能设备存储剩余电量；当风力发电量和太阳能发电量无法满足用电需求量时，请求城市电网供电，补齐差额。
6.一种根据权利要求1-5任一项所述的多能源结构下的电网负荷调度预测方法的系统，其特征在于，包括：数据采集模块(1)、数据处理模块(2)，调度中心(3)、实时监测模块(4)以及微观仿真模块(5)；
所述数据采集模块(1)，用于实时采集风力发电数据、太阳能发电数据、地区气象数据，获取微电网能源组成数据；
所述数据处理模块(2)，用于对数据进行去噪处理，获取实时区域负荷用电数据；
所述调度中心(3)，用于利用调度预测模型获取区域电荷以实时调度电网负荷量；
所述实时监测模块(4)，用于融合调度预测模型输出数据以及区域实时数据，实时监测区域电荷情况；
所述微观仿真模块(5)，用于利用调度预测模型执行微观数据仿真过程生成微观电网负荷调度的仿真结果。
CN202210644718.9A 2022-06-08 2022-06-08 一种多能源结构下的电网负荷调度预测方法及系统 Active CN114970362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210644718.9A CN114970362B (zh) 2022-06-08 2022-06-08 一种多能源结构下的电网负荷调度预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210644718.9A CN114970362B (zh) 2022-06-08 2022-06-08 一种多能源结构下的电网负荷调度预测方法及系统

Publications (2)

Publication Number Publication Date
CN114970362A CN114970362A (zh) 2022-08-30
CN114970362B true CN114970362B (zh) 2023-12-19

Family

ID=82961115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210644718.9A Active CN114970362B (zh) 2022-06-08 2022-06-08 一种多能源结构下的电网负荷调度预测方法及系统

Country Status (1)

Country Link
CN (1) CN114970362B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169994B (zh) * 2022-09-05 2023-09-26 北京宇乾能源科技有限责任公司 一种多种清洁能源互补控制决策处理方法及系统
CN115526303B (zh) * 2022-09-15 2023-09-26 常州大学 一种简单非自治可控多涡卷的神经元电路
CN116070782B (zh) * 2023-03-06 2023-07-04 深圳市三和电力科技有限公司 一种基于大数据的能源储备管理方法及系统
CN116258282B (zh) * 2023-05-12 2023-07-21 国网浙江省电力有限公司金华供电公司 一种基于云平台的智能电网资源调度分配方法
CN117040030B (zh) * 2023-10-10 2024-04-02 国网浙江宁波市鄞州区供电有限公司 新能源消纳能力风险管控方法及系统
CN117633504A (zh) * 2023-10-30 2024-03-01 国网江苏省电力有限公司淮安供电分公司 一种油浸变压器状态的光纤传感评估方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114234392A (zh) * 2021-11-14 2022-03-25 国网辽宁省电力有限公司锦州供电公司 一种基于改进pso-lstm的空调负荷精细预测方法
CN114418243A (zh) * 2022-03-28 2022-04-29 南方电网数字电网研究院有限公司 分布式新能源云端网格预测方法与系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275240B (zh) * 2019-12-27 2023-06-09 华北电力大学 一种基于多能耦合场景下的负荷预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114234392A (zh) * 2021-11-14 2022-03-25 国网辽宁省电力有限公司锦州供电公司 一种基于改进pso-lstm的空调负荷精细预测方法
CN114418243A (zh) * 2022-03-28 2022-04-29 南方电网数字电网研究院有限公司 分布式新能源云端网格预测方法与系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于CNN- LSTM的短期风电功率预测;赵建利;白格平;李英俊;鲁耀;;自动化仪表(第05期);40-44 *
离网型微电网短期负荷及发电功率预测;张瑞;宫子明;陈辰;王强;李振威;唐昱华;;大众用电(第S1期);63-66 *
面向复杂信息系统的多源异构数据融合技术;陈日成;金涛;;中国测试(第07期);4-10+26 *
频域分解和深度学习算法在短期负荷及光伏功率预测中的应用;张倩;马愿;李国丽;马金辉;丁津津;;中国电机工程学报(第08期);49-58+347 *

Also Published As

Publication number Publication date
CN114970362A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN114970362B (zh) 一种多能源结构下的电网负荷调度预测方法及系统
CN109711620B (zh) 一种基于gru神经网络和迁移学习的短期电力负荷预测方法
CN109462231B (zh) 居民微电网的负荷优化调度方法、系统和存储介质
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
CN112116144B (zh) 一种区域配电网短期负荷预测方法
CN110942205B (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
CN107766986A (zh) 泄漏积分型回声状态网络在线学习光伏功率预测方法
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN112215428B (zh) 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统
CN109242136A (zh) 一种微电网风电功率混沌遗传-bp神经网络预测方法
CN113468817A (zh) 一种基于igoa优化elm的超短期风电功率预测方法
CN113887801A (zh) 建筑冷负荷预测方法、系统、设备及可读存储介质
CN114119273A (zh) 一种园区综合能源系统非侵入式负荷分解方法及系统
CN115995810A (zh) 一种考虑气象波动自适应匹配的风电功率预测方法及系统
CN113344279B (zh) 基于lstm-sam模型和池化的居民负荷预测方法
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
Arshad et al. Wind power prediction using genetic programming based ensemble of artificial neural networks (GPeANN)
CN115481788B (zh) 相变储能系统负荷预测方法及系统
Jahan et al. Intelligent system for power load forecasting in off-grid platform
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN111680818B (zh) 一种短期无功负荷预测方法和系统
CN114021847A (zh) 基于isgu混合模型的短期电力负荷预测方法及系统
CN113283638A (zh) 一种基于融合模型的负荷极值曲线预测方法及系统
Jiahui et al. Short-term load forecasting based on GA-PSO optimized extreme learning machine

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