CN117578465B - 一种多尺度可解释的微电网电力负荷预测方法及系统 - Google Patents

一种多尺度可解释的微电网电力负荷预测方法及系统 Download PDF

Info

Publication number
CN117578465B
CN117578465B CN202410056491.5A CN202410056491A CN117578465B CN 117578465 B CN117578465 B CN 117578465B CN 202410056491 A CN202410056491 A CN 202410056491A CN 117578465 B CN117578465 B CN 117578465B
Authority
CN
China
Prior art keywords
model
power load
global scale
input
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
CN202410056491.5A
Other languages
English (en)
Other versions
CN117578465A (zh
Inventor
李成栋
于翊萱
彭伟
田晨璐
吕晓霜
沈薛豪
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.)
Tongfang Decheng Shandong Technology Co ltd
Original Assignee
Shandong Jianzhu University
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 Shandong Jianzhu University filed Critical Shandong Jianzhu University
Priority to CN202410056491.5A priority Critical patent/CN117578465B/zh
Publication of CN117578465A publication Critical patent/CN117578465A/zh
Application granted granted Critical
Publication of CN117578465B publication Critical patent/CN117578465B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • 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)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力负荷预测技术领域，特别是涉及一种多尺度可解释的微电网电力负荷预测方法及系统，方法包括：采用微电网电力负荷数据集对全局尺度模型进行训练，得到初步全局尺度模型；对全局尺度模型的输入空间进行分区；将微电网电力负荷数据集，输入到初步全局尺度模型中，输出预测值，计算预测值与真实值之间的误差，根据误差超过设定阈值的输入空间分区集合，确定局部学习范围；判断微电网电力负荷数据集中的每一个样本是否处于局部学习范围内，如果是，则将当前样本输入到对应学习范围的局部精细模型中，对其进行训练，得到对应学习范围的训练后的局部精细模型。本发明能够提升模型的预测精度。

Description

一种多尺度可解释的微电网电力负荷预测方法及系统
技术领域
本发明涉及电力负荷预测技术领域，特别是涉及一种多尺度可解释的微电网电力负荷预测方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
能源一直以来都是人类与社会得以繁荣发展的基础，但随着社会的快速发展与日益增长的民生需求，传统非可再生能源例如石油、煤炭和天然气的消耗也逐步提升，因此能源短缺问题急需得到解决。在这一背景下，致力于可再生绿色能源的发展已逐渐成为现代社会发展的主流趋势。新能源微电网由于其可再生能源渗透率高、供电位置灵活性高等优点得到了越来越多的关注。
与传统火力发电相比，微电网具有极大的不稳定性，因此对其进行能量调度管理存在着极大的挑战。为了克服上述问题，需要提高分布式发电单元及电力负荷的预测性能，以保证微电网运行的稳定性。其中负荷侧用电量预测是对微电网调度运行进行管理的重要环节，准确的负荷预测是微电网进行市场交易和调度运行的基础。通过对电力负荷的准确预测，微电网交易市场可以提前规划交易策略，调度系统也可以提前制定电力调配计划。在与大电网并网运行时，能够合理规划与大电网的能量交互，从而提高微电网的整体运行效益。
现有的微电网电力负荷预测方法存在以下问题：微电网电力负荷预测多采用全局模型，其在峰值处不易实现精准预测，局部范围内误差较大，全局预测精度因此受到较大影响。微电网电力负荷预测模型多为黑箱模型，模型复杂度较高，判别过程难以转化成具备逻辑关系的规则，模型可解释性差。
发明内容
为了解决现有技术的不足，本发明提供了一种多尺度可解释的微电网电力负荷预测方法及系统；首先，采用具有可解释性的分布式模糊模型基于气象数据、所处季节及历史电力负荷等数据构建全局尺度的预测模型；然后，确定并标记对预测性能指标影响最大的一个或多个区域，使用该输入域的训练数据重新设计并训练局部精细模型，以期在各区域内提升预测性能指标；最后，使用未被标记的剩余训练数据更新全局尺度模型。本发明提出的多尺度可解释的微电网电力负荷预测模型由全局尺度模型与各局部精细模型组成，对落入不同输入域的实时数据使用不同模型进行预测。
一方面，提供了一种多尺度可解释的微电网电力负荷预测方法，包括：构建全局尺度模型，采用微电网电力负荷数据集对全局尺度模型进行训练，得到初步全局尺度模型；对全局尺度模型的输入空间进行分区；将微电网电力负荷数据集，输入到初步全局尺度模型中，输出预测值，计算预测值与真实值之间的误差，将误差超过设定阈值的输入空间分区进行标记；根据误差超过设定阈值的输入空间分区集合，确定N个局部学习范围；判断微电网电力负荷数据集中的每一个样本是否处于局部学习范围内，如果否，则将当前样本输入到初步全局尺度模型中，对其进行训练得到更新的全局尺度模型，如果是，则将当前样本输入到对应学习范围的局部精细模型中，对其进行训练，得到对应学习范围的训练后的局部精细模型；获取微电网电力负荷实时数据，判断实时数据是否处于局部学习范围内，如果否，则将实时数据输入到更新的全局尺度模型中，输出电力负荷预测值；如果是，则将实时数据输入到对应学习范围的局部精细模型中，输出电力负荷预测值。
另一方面，提供了一种多尺度可解释的微电网电力负荷预测系统，包括：模型构建模块，其被配置为：构建全局尺度模型，采用微电网电力负荷数据集对全局尺度模型进行训练，得到初步全局尺度模型；范围确定模块，其被配置为：对全局尺度模型的输入空间进行分区；将微电网电力负荷数据集，输入到初步全局尺度模型中，输出预测值，计算预测值与真实值之间的误差，将误差超过设定阈值的输入空间分区进行标记；根据误差超过设定阈值的输入空间分区集合，确定N个局部学习范围；训练模块，其被配置为：判断微电网电力负荷数据集中的每一个样本是否处于局部学习范围内，如果否，则将当前样本输入到初步全局尺度模型中，对其进行训练得到更新的全局尺度模型，如果是，则将当前样本输入到对应学习范围的局部精细模型中，对其进行训练，得到对应学习范围的训练后的局部精细模型；输出模块，其被配置为：获取微电网电力负荷实时数据，判断实时数据是否处于局部学习范围内，如果否，则将实时数据输入到更新的全局尺度模型中，输出电力负荷预测值；如果是，则将实时数据输入到对应学习范围的局部精细模型中，输出电力负荷预测值。
上述技术方案具有如下优点或有益效果：本发明提出了一种多尺度可解释的模型用于预测多变量时间序列的微电网电力负荷，其中分布式模糊模型能够有效减少规则数量，并具有较好的规则可解释性。相较于单一的全局尺度模型，该多尺度组合模型在误差较大的输入域内重新设计一个局部精细模型，依据实时数据所处输入域选择全局尺度模型或某一局部精细模型对其进行预测，能够提升模型的预测精度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为实施例一的方法流程图。
图2为实施例一的分布式模糊模型示意图。
图3为实施例一的隶属函数及分区示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
实施例一
如图1所示，本实施例提供了一种多尺度可解释的微电网电力负荷预测方法，包括：S101：构建原始全局尺度模型，采用微电网电力负荷数据集对原始全局尺度模型进行训练，得到初步全局尺度模型；对初步全局尺度模型的输入空间进行分区；S102：将微电网电力负荷数据集，输入到初步全局尺度模型中，输出预测值，计算预测值与真实值之间的误差，将误差超过设定阈值的输入空间分区进行标记；根据误差超过设定阈值的输入空间分区集合，确定N个局部学习范围；N为正整数；S103：判断微电网电力负荷数据集中的每一个样本是否处于局部学习范围内，如果否，则将当前样本输入到初步全局尺度模型中，对其进行训练得到更新的全局尺度模型，如果是，则将当前样本输入到对应学习范围的局部精细模型中，对其进行训练，得到对应学习范围的训练后的局部精细模型；S104：获取微电网电力负荷实时数据，判断实时数据是否处于局部学习范围内，如果否，则将实时数据输入到更新的全局尺度模型中，输出电力负荷预测值；如果是，则将实时数据输入到对应学习范围的局部精细模型中，输出电力负荷预测值。
进一步地，如图2所示，所述S101：构建原始全局尺度模型，其中，原始全局尺度模型，具体包括：采用分布式模糊模型作为全局尺度模型；在电力负荷预测中，分布式模糊模型具有9个输入变量和1个输出变量/>，其含义如下：/>为/>时刻大气温度，/>为/>时刻相对湿度，/>为/>时刻大气压强，/>为/>时刻露点温度，/>为/>时刻季节编号，/>为/>时刻风速，/>为/>时刻电力负荷，/>为/>时刻电力负荷，/>为/>时刻电力负荷，/>为/>时刻电力负荷。
为每个输入变量构建一个单维度模块F，每一个单维度模块为一个单输入单输出的模糊系统，将每个单维度模块输出加权并集成，得到分布式模糊模型的输出。
进一步地，所述方法还包括：输入变量的单维度模块/>表示为：
；
其中，，/>中的模糊规则个数为3，/>为变量/>的模糊集，其隶属函数及分区，如图3，三个模糊集合依据模糊规则/>触发情况将输入空间共分为5个区，分别为/>。/>分别为规则的后件参数；/>表示如果/>属于对应模糊集合/>，则/>等于/>。
如图3所示，建立直角坐标系，所述直角坐标系的轴表示输入变量的取值，所述直角坐标系的/>轴表示隶属度，隶属度取值范围为/>，隶属度/>越接近于1则表示输入变量/>属于模糊集/>的程度越高。
进一步地，所述方法还包括：在横坐标范围为的直角坐标系中画出第/>个输入变量的/>个模糊集/>，每一模糊集的左下顶点在横坐标上取得一个分区分界点，且每一模糊集的右下顶点在横坐标上取得一个分区分界点，按从左到右的顺序将分界点依次表示为a、b、c、d和e,根据所有的分区分界点，将/>个模糊集/>的横坐标范围划分为/>个输入空间分区/>。
进一步地，所述方法还包括：分布式模糊模型输入变量与输出变量的关系式为：
；
；
其中，表示输入变量/>在对应模糊集/>下的隶属度，隶属度的取值范围是0~1，/>表示单维度模块/>的权重，其中，/>表示分布式模糊模型的总输出，/>表示分布式模糊模型中每个输入变量所对应单维度模块的输出，/>表示模糊规则/>的后件参数。
权重向量和参数向量/>分别表示为：
；
；
其中，表示单维度模块/>的权重偏置项，/>表示考虑输入变量/>影响的单维度模块/>的权重系数，/>表示输入变量/>中模糊规则/>的后件参数。
分布式模糊模型的第一种表达形式为：
；
其中，表示考虑输入变量/>影响的单维度模块/>的权重系数。
输入变量与参数向量/>的函数关系式表示为：
。
分布式模糊模型的第二种表达形式为：
。
其中，输入变量与权重向量/>的函数关系式表示为：
使用多变量时间序列电力负荷数据集中的全局数据对对分布式模糊模型进行训练，通过交替求解下式来确定权重向量/>和参数向量/>：
；
；
其中，，/>，；/>表示将第/>个数据对的输入变量/>代入输入变量/>与参数向量/>的函数关系式中得到的函数值；/>表示所有个数据对中输入变量/>与参数向量/>的函数值的列矩阵；/>表示将第/>个数据对的输入变量/>代入输入变量/>与权重向量/>的函数关系式中得到的函数值；/>表示所有/>个数据对中输入变量/>与权重向量/>的函数值的列矩阵。
进一步地，所述采用微电网电力负荷数据集对原始全局尺度模型进行训练，得到初步全局尺度模型，其中，微电网电力负荷数据集，包括：已知t+1时刻电力负荷数据、t时刻大气温度、t时刻相对湿度、t时刻大气压强、t时刻露点温度、t时刻季节编号、t时刻风速、t-2时刻电力负荷和t-1时刻电力负荷。
进一步地，所述采用微电网电力负荷数据集对原始全局尺度模型进行训练，得到初步全局尺度模型，其中训练结束的标准是当设定的性能指标在连续若干轮次内的变化范围小于设定阈值时，训练结束。
应理解地，全局尺度模型采用所有训练数据优化整体性能指标，考虑气象与季节在内的综合因素实现对微电网电力负荷的预测。将多变量时间序列电力负荷数据集中的气象数据、季节编号以及历史负荷作为输入，对下一时刻的电力负荷进行预测。
进一步地，所述S101：对初步全局尺度模型的输入空间进行分区，具体包括：分布式模糊模型中单输入模块的输入空间分区是非重叠区间的集合，依据区间中/>条模糊规则的触发情况将每个单输入模块划分为/>个输入空间分区，则第/>个输入下的第/>个空间分区表示为/>，其对应的输入域表示为/>。
单维度模块具有触发模糊规则：
。
当落入输入域/>时，规则/>与/>均被触发，此时第1个输入下的第2个分区的输出/>为：
；
其中，，/>表示输入变量/>中模糊规则/>的后件参数，/>表示输入变量/>在对应模糊集/>下的隶属度，/>表示输入变量/>在对应模糊集/>下的隶属度。
进一步地，所述S102：将微电网电力负荷数据集，输入到初步全局尺度模型中，输出预测值，计算预测值与真实值之间的误差，将误差超过设定阈值的输入空间分区进行标记，具体包括：将分布式模糊模型在各输入空间分区中的预测值与真实值的误差均值记为P，P越大，则对全局尺度模型的预测精度影响越大；遍历各输入空间分区对应P值，若P≥Q，则对输入空间分区/>进行标记，其中，Q是设定阈值。
进一步地，所述S102：根据误差超过设定阈值的输入空间分区集合，确定N个局部学习范围，具体包括：使用表示第/>个局部精细模型的局部学习范围；/>；表示为：
其中，表示输入变量/>中的第/>个空间分区，/>表示第/>个输入变量中的第个空间分区。
进一步地，所述S102：局部精细模型选择与全局尺度模型一致的分布式模糊模型。仅使用落入/>内的训练数据，即第/>个局部学习范围内的训练数据训练一个新的局部精细模型/>。
进一步地，所述S103：将当前样本输入到对应学习范围的局部精细模型中，对其进行训练，得到对应学习范围的训练后的局部精细模型，包括：将当前样本输入到第个学习范围的局部精细模型中，对第/>个学习范围的局部精细模型进行训练，得到第/>个学习范围的训练后的局部精细模型。
应理解地，将全局尺度模型预测结果中误差较大的输入域标记出来，使用落入其对应输入域的训练数据独立设计并训练N个局部精细模型。
多尺度可解释的模型是更新的全局尺度模型与N个局部精细模型的组合模型，其设计流程如图1所示。首先，使用多变量时间序列电力负荷数据集对全局尺度模型进行训练；其次，识别对训练误差贡献最大的N个局部区域，进而确定局部学习范围；最后，判断该数据集中训练数据是否处于任一局部学习范围内；若是，则使用该范围所包含的所有数据独立训练并得到一个局部精细模型；若否，则使用不属于任一局部学习范围内数据训练并更新得到全局尺度模型。
使用组合模型对下一时刻电力负荷进行预测时，首先判断实时输入向量是否落入N个局部学习范围所包含的输入域中；若是，则使用对应的局部精细模型对其进行预测并得出预测值；若否，则使用更新后的全局尺度模型对其进行预测并得出预测值/>。
实施例二
本实施例提供了一种多尺度可解释的微电网电力负荷预测系统，包括：模型构建模块，其被配置为：构建全局尺度模型，采用微电网电力负荷数据集对全局尺度模型进行训练，得到初步全局尺度模型；范围确定模块，其被配置为：对全局尺度模型的输入空间进行分区；将微电网电力负荷数据集，输入到初步全局尺度模型中，输出预测值，计算预测值与真实值之间的误差，将误差超过设定阈值的输入空间分区进行标记；根据误差超过设定阈值的输入空间分区集合，确定N个局部学习范围；训练模块，其被配置为：判断微电网电力负荷数据集中的每一个样本是否处于局部学习范围内，如果否，则将当前样本输入到初步全局尺度模型中，对其进行训练得到更新的全局尺度模型，如果是，则将当前样本输入到对应学习范围的局部精细模型中，对其进行训练，得到对应学习范围的训练后的局部精细模型；输出模块，其被配置为：获取微电网电力负荷实时数据，判断实时数据是否处于局部学习范围内，如果否，则将实时数据输入到更新的全局尺度模型中，输出电力负荷预测值；如果是，则将实时数据输入到对应学习范围的局部精细模型中，输出电力负荷预测值。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种多尺度可解释的微电网电力负荷预测方法，其特征是，包括：
构建原始全局尺度模型，采用微电网电力负荷数据集对原始全局尺度模型进行训练，得到初步全局尺度模型；对初步全局尺度模型的输入空间进行分区；
将微电网电力负荷数据集，输入到初步全局尺度模型中，输出预测值，计算预测值与真实值之间的误差，将误差超过设定阈值的输入空间分区进行标记；根据误差超过设定阈值的输入空间分区集合，确定N个局部学习范围；N为正整数；
判断微电网电力负荷数据集中的每一个样本是否处于局部学习范围内，如果否，则将当前样本输入到初步全局尺度模型中，对其进行训练得到更新的全局尺度模型，如果是，则将当前样本输入到对应学习范围的局部精细模型中，对其进行训练，得到对应学习范围的训练后的局部精细模型；
获取微电网电力负荷实时数据，判断实时数据是否处于局部学习范围内，如果否，则将实时数据输入到更新的全局尺度模型中，输出电力负荷预测值；如果是，则将实时数据输入到对应学习范围的局部精细模型中，输出电力负荷预测值；
构建原始全局尺度模型，其中，原始全局尺度模型，具体包括：采用分布式模糊模型作为全局尺度模型；
在电力负荷预测中，分布式模糊模型具有9个输入变量和1个输出变量/>，其含义如下：/>为/>时刻大气温度，/>为/>时刻相对湿度，/>为/>时刻大气压强，/>为时刻露点温度，/>为/>时刻季节编号，/>为/>时刻风速，/>为/>时刻电力负荷，/>为时刻电力负荷，/>为/>时刻电力负荷，/>为/>时刻电力负荷；
为每个输入变量构建一个单维度模块F，每一个单维度模块为一个单输入单输出的模糊系统，将每个单维度模块输出加权并集成，得到分布式模糊模型的输出；
所述方法还包括：分布式模糊模型输入变量与输出变量的关系式为：
；
；
其中，为模糊集/>的隶属函数，/>表示单维度模块/>的权重；
权重向量和参数向量/>分别表示为：
；
；
其中，表示单维度模块/>的权重偏置项，/>表示考虑输入变量/>影响的单维度模块/>的权重系数，/>表示输入变量/>中模糊规则/>的后件参数；
分布式模糊模型的第一种表达形式为：
；
其中，表示考虑输入变量/>影响的单维度模块/>的权重系数；
输入变量与参数向量/>的函数关系式表示为：
；
分布式模糊模型的第二种表达形式为：
；
其中，输入变量与权重向量/>的函数关系式表示为：
其中，为输入变量/>和参数向量/>的函数关系表达式，/>为输入变量/>和权重向量/>的函数关系表达式，使用多变量时间序列电力负荷数据集中的全局数据对分布式模糊模型进行训练，通过交替求解下式来确定权重向量/>和参数向量/>：
；
；
其中，，/>，；
其中，表示将第/>个数据对的输入变量/>代入输入变量/>与参数向量/>的函数关系式中得到的函数值；/>表示所有/>个数据对中输入变量/>与参数向量/>的函数值的列矩阵；/>表示将第/>个数据对的输入变量/>代入输入变量/>与权重向量/>的函数关系式中得到的函数值；/>表示所有/>个数据对中输入变量/>与权重向量的函数值的列矩阵；
根据误差超过设定阈值的输入空间分区集合，确定N个局部学习范围，具体包括：使用表示第/>个局部精细模型的局部学习范围；/>；/>表示为：
其中，表示输入变量/>中的第/>个空间分区，/>表示第/>个输入变量中的第/>个空间分区。
2.如权利要求1所述的一种多尺度可解释的微电网电力负荷预测方法，其特征是，所述方法还包括：输入变量的单维度模块/>表示为：
；
其中，，/>中的模糊规则个数为3，/>为变量/>的模糊集，三个模糊集合依据模糊规则/>触发情况将输入空间共分为5个区，分别为；/>分别为规则的后件参数；/>表示如果/>触发对应规则/>，则/>等于/>。
3.如权利要求1所述的一种多尺度可解释的微电网电力负荷预测方法，其特征是，在直角坐标系中画出第个输入变量的/>个模糊集/>，每一模糊集的左下顶点在横坐标上取得一个分区分界点，且每一模糊集的右下顶点在横坐标上取得一个分区分界点，根据所有的分区分界点，将/>个模糊集/>的横坐标范围划分为/>个输入空间分区。
4.如权利要求1所述的一种多尺度可解释的微电网电力负荷预测方法，其特征是，所述采用微电网电力负荷数据集对原始全局尺度模型进行训练，得到初步全局尺度模型，其中，微电网电力负荷数据集，包括：已知t+1时刻电力负荷数据、t时刻大气温度、t时刻相对湿度、t时刻大气压强、t时刻露点温度、t时刻季节编号、t时刻风速、t-2时刻电力负荷和t-1时刻电力负荷。
5.如权利要求1所述的一种多尺度可解释的微电网电力负荷预测方法，其特征是，将微电网电力负荷数据集，输入到初步全局尺度模型中，输出预测值，计算预测值与真实值之间的误差，将误差超过设定阈值的输入空间分区进行标记，具体包括：
将分布式模糊模型在各输入空间分区中的预测值与真实值的误差均值记为P，P越大，则对全局尺度模型的预测精度影响越大；
遍历各输入空间分区对应P值，若P≥Q，则对输入空间分区/>进行标记，其中，Q是设定阈值。
6.一种多尺度可解释的微电网电力负荷预测系统，其特征是，包括：
模型构建模块，其被配置为：构建原始全局尺度模型，采用微电网电力负荷数据集对原始全局尺度模型进行训练，得到初步全局尺度模型；对初步全局尺度模型的输入空间进行分区；
范围确定模块，其被配置为：将微电网电力负荷数据集，输入到初步全局尺度模型中，输出预测值，计算预测值与真实值之间的误差，将误差超过设定阈值的输入空间分区进行标记；根据误差超过设定阈值的输入空间分区集合，确定N个局部学习范围；N为正整数；
训练模块，其被配置为：判断微电网电力负荷数据集中的每一个样本是否处于局部学习范围内，如果否，则将当前样本输入到初步全局尺度模型中，对其进行训练得到更新的全局尺度模型，如果是，则将当前样本输入到对应学习范围的局部精细模型中，对其进行训练，得到对应学习范围的训练后的局部精细模型；
输出模块，其被配置为：获取微电网电力负荷实时数据，判断实时数据是否处于局部学习范围内，如果否，则将实时数据输入到更新的全局尺度模型中，输出电力负荷预测值；如果是，则将实时数据输入到对应学习范围的局部精细模型中，输出电力负荷预测值；
构建原始全局尺度模型，其中，原始全局尺度模型，具体包括：采用分布式模糊模型作为全局尺度模型；
在电力负荷预测中，分布式模糊模型具有9个输入变量和1个输出变量/>，其含义如下：/>为/>时刻大气温度，/>为/>时刻相对湿度，/>为/>时刻大气压强，/>为/>时刻露点温度，/>为/>时刻季节编号，/>为/>时刻风速，/>为/>时刻电力负荷，/>为时刻电力负荷，/>为/>时刻电力负荷，/>为/>时刻电力负荷；
为每个输入变量构建一个单维度模块F，每一个单维度模块为一个单输入单输出的模糊系统，将每个单维度模块输出加权并集成，得到分布式模糊模型的输出；
分布式模糊模型输入变量与输出变量的关系式为：
；
；
其中，为模糊集/>的隶属函数，/>表示单维度模块/>的权重；
权重向量和参数向量/>分别表示为：
；
；
其中，表示单维度模块/>的权重偏置项，/>表示考虑输入变量/>影响的单维度模块/>的权重系数，/>表示输入变量/>中模糊规则/>的后件参数；
分布式模糊模型的第一种表达形式为：
；
其中，表示考虑输入变量/>影响的单维度模块/>的权重系数；
输入变量与参数向量/>的函数关系式表示为：
；
分布式模糊模型的第二种表达形式为：
；
其中，输入变量与权重向量/>的函数关系式表示为：
其中，为输入变量/>和参数向量/>的函数关系表达式，/>为输入变量/>和权重向量/>的函数关系表达式，使用多变量时间序列电力负荷数据集中的全局数据对分布式模糊模型进行训练，通过交替求解下式来确定权重向量/>和参数向量/>：
；
；
其中，，/>，；
其中，表示将第/>个数据对的输入变量/>代入输入变量/>与参数向量/>的函数关系式中得到的函数值；/>表示所有/>个数据对中输入变量/>与参数向量/>的函数值的列矩阵；/>表示将第/>个数据对的输入变量/>代入输入变量/>与权重向量/>的函数关系式中得到的函数值；/>表示所有/>个数据对中输入变量/>与权重向量/>的函数值的列矩阵；
根据误差超过设定阈值的输入空间分区集合，确定N个局部学习范围，具体包括：使用表示第/>个局部精细模型的局部学习范围；/>；/>表示为：
其中，表示输入变量/>中的第/>个空间分区，/>表示第/>个输入变量中的第/>个空间分区。
CN202410056491.5A 2024-01-16 2024-01-16 一种多尺度可解释的微电网电力负荷预测方法及系统 Active CN117578465B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410056491.5A CN117578465B (zh) 2024-01-16 2024-01-16 一种多尺度可解释的微电网电力负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410056491.5A CN117578465B (zh) 2024-01-16 2024-01-16 一种多尺度可解释的微电网电力负荷预测方法及系统

Publications (2)

Publication Number Publication Date
CN117578465A CN117578465A (zh) 2024-02-20
CN117578465B true CN117578465B (zh) 2024-04-12

Family

ID=89884842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410056491.5A Active CN117578465B (zh) 2024-01-16 2024-01-16 一种多尺度可解释的微电网电力负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN117578465B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783953A (zh) * 2020-06-30 2020-10-16 重庆大学 一种基于优化lstm网络的24点电力负荷值7日预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112508325A (zh) * 2020-10-16 2021-03-16 广东工业大学 一种家庭微电网多时间尺度电能调度方法
CN116128116A (zh) * 2022-12-29 2023-05-16 国网浙江省电力有限公司金华供电公司 一种配网智能化负荷预测方法
KR20230125561A (ko) * 2022-02-21 2023-08-29 제주대학교 산학협력단 나노그리드에서의 최적 에너지 운영 방법 및 시스템
CN116702992A (zh) * 2023-06-20 2023-09-05 中国电信股份有限公司 一种发电功率预测方法、装置、电子设备及存储介质
CN116960962A (zh) * 2023-07-25 2023-10-27 国网江苏省电力有限公司 一种跨区域数据融合的中长期区域负荷预测方法
CN117081042A (zh) * 2023-07-13 2023-11-17 中国科学院电工研究所 多微网系统能量管理方法、装置、系统及介质
CN117093830A (zh) * 2023-07-04 2023-11-21 四川大学 一种考虑局部与全局的用户负荷数据修复方法
CN117252288A (zh) * 2023-08-07 2023-12-19 贵州电网有限责任公司 一种区域资源有功支撑能力预测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109462231B (zh) * 2018-11-15 2020-09-01 合肥工业大学 居民微电网的负荷优化调度方法、系统和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783953A (zh) * 2020-06-30 2020-10-16 重庆大学 一种基于优化lstm网络的24点电力负荷值7日预测方法
CN112508325A (zh) * 2020-10-16 2021-03-16 广东工业大学 一种家庭微电网多时间尺度电能调度方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
KR20230125561A (ko) * 2022-02-21 2023-08-29 제주대학교 산학협력단 나노그리드에서의 최적 에너지 운영 방법 및 시스템
CN116128116A (zh) * 2022-12-29 2023-05-16 国网浙江省电力有限公司金华供电公司 一种配网智能化负荷预测方法
CN116702992A (zh) * 2023-06-20 2023-09-05 中国电信股份有限公司 一种发电功率预测方法、装置、电子设备及存储介质
CN117093830A (zh) * 2023-07-04 2023-11-21 四川大学 一种考虑局部与全局的用户负荷数据修复方法
CN117081042A (zh) * 2023-07-13 2023-11-17 中国科学院电工研究所 多微网系统能量管理方法、装置、系统及介质
CN116960962A (zh) * 2023-07-25 2023-10-27 国网江苏省电力有限公司 一种跨区域数据融合的中长期区域负荷预测方法
CN117252288A (zh) * 2023-08-07 2023-12-19 贵州电网有限责任公司 一种区域资源有功支撑能力预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于混沌粒子群优化的微电网短期负荷预测;唐菁敏，马含;云南大学学报;20190731;第41卷(第6期);1123-1129 *

Also Published As

Publication number Publication date
CN117578465A (zh) 2024-02-20

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
CN102426674B (zh) 一种基于马尔科夫链的电力系统负荷预测方法
Wang et al. Inherent spatiotemporal uncertainty of renewable power in China
CN102509173B (zh) 一种基于马尔科夫链的电力系统负荷准确预测方法
CN114792156B (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN111612244B (zh) 基于qra-lstm的日前光伏功率非参数概率预测方法
KR102478684B1 (ko) 앙상블 학습을 이용한 에너지 소비 예측 방법 및 상기 방법을 수행하는 컴퓨팅 장치
Liu et al. Energy and carbon performance of urban buildings using metamodeling variable importance techniques
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN117272850A (zh) 配电网安全运行调度弹性空间分析方法
Zhang et al. Hybrid model for renewable energy and load forecasting based on data mining and EWT
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
Zhang et al. The power big data-based energy analysis for intelligent community in smart grid
Zhang et al. A segmented evaluation model for building energy performance considering seasonal dynamic fluctuations
CN113887809A (zh) 双碳目标下配电网供需平衡方法、系统、介质及计算设备
CN114611757A (zh) 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法
Zou et al. Predicting the electric power consumption of office buildings based on dynamic and static hybrid data analysis
CN117910668A (zh) 一种考虑多不确定性因素的电力系统演化路径规划方法
CN117578465B (zh) 一种多尺度可解释的微电网电力负荷预测方法及系统
CN114004393A (zh) 配电网-天然气联合系统双层多时间尺度运行优化方法
Li et al. Double-layer optimal microgrid dispatching with price response using multi-point improved gray wolf intelligent algorithm
Tian et al. Transmission adaptability planning considering cluster correlation of wind farms
Yuan et al. Net load forecasting method in distribution grid planning based on LSTM network

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240913

Address after: Room 7-901, China Railway Financial Intelligence Center, No. 59 Gongye South Road, High tech Zone, Jinan City, Shandong Province, 250000

Patentee after: Tongfang Decheng (Shandong) Technology Co.,Ltd.

Country or region after: China

Address before: 250000 No. 1000, Fengming Road, Lingang Development Zone, Licheng District, Jinan City, Shandong Province

Patentee before: SHANDONG JIANZHU University

Country or region before: China