CN118095891A - 考虑源荷气象特性解耦的有源配电网净负荷预测方法及系统 - Google Patents
考虑源荷气象特性解耦的有源配电网净负荷预测方法及系统 Download PDFInfo
- Publication number
- CN118095891A CN118095891A CN202410221115.7A CN202410221115A CN118095891A CN 118095891 A CN118095891 A CN 118095891A CN 202410221115 A CN202410221115 A CN 202410221115A CN 118095891 A CN118095891 A CN 118095891A
- Authority
- CN
- China
- Prior art keywords
- load
- meteorological
- power distribution
- distribution network
- active power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims abstract description 23
- 238000013136 deep learning model Methods 0.000 claims abstract description 10
- 230000008878 coupling Effects 0.000 claims abstract description 9
- 238000010168 coupling process Methods 0.000 claims abstract description 9
- 238000005859 coupling reaction Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims abstract description 7
- 238000012546 transfer Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000010363 phase shift Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 5
- 230000007787 long-term memory Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种考虑源荷气象特性解耦的有源配电网净负荷预测方法及系统,方法包括:步骤1,数据采集,包括用户负荷数据和相关数值气象数据;步骤2,特征选择,基于皮尔逊相关系数和信息增益法筛选特征,以便模型有效捕捉到净负荷数据中的气象相关性特征;步骤3,模态分解,采用改进的滑动窗口变分模态分解(SWVMD)对负荷数据进行模态分解,得到不同幅频特性的本征模态函数(IMF);步骤4,模型构建,搭建基于卷积‑长短期记忆网络(CNN‑LSTM)的深度学习模型进一步提取时空耦合特性,实现有源配电网净负荷预测。本发明能够获得较为准确可靠的有源配电网日前净负荷预测结果,为配电网智能转供及分析等提供数据支撑。
Description
技术领域
本发明涉及有源配电网净负荷预测领域,具体涉及一种考虑源荷气象特性解耦的有源配电网净负荷预测方法及系统。
背景技术
在推进构建以新能源为主体的新型电力系统进程中,电网形态和运行特性将发生重大变化,其中配电网的变化最为突出,配电网高比例、大范围的有源化将深刻影响各级电网运行管理。受辐照强度等多重因素影响,太阳能具有较强的波动性,因此,分布式光伏接入配网线路末端,出力高发时段抬升并网点电压,直接影响周边用户用电质量,甚至会出现因并网点电压过高导致分布式光伏脱网等问题。
为建设新型有源配电网调度管理体系以适应分布式电源发展、构建新型电力系统的必然要求,必须解决新能源发电和用户负荷难以完全精准解耦的问题。对于有源配电网而言,同时考虑新能源发电和用户负荷两类数据,通过源荷气象特性解耦以实现有源配电网净负荷预测是应对这种不确定性的基础。精准的有源配电网净负荷预测结果可以为配电网智能转供及分析等提供数据支撑,同时也为有源配电网运营提供可靠的调度方案。
发明内容
发明目的:本发明的目的是提出一种考虑源荷气象特性解耦的有源配电网净负荷预测方法及系统,获得准确、可靠的有源配电网净负荷预测结果。
技术方案:为了实现上述发明目的,考虑源荷气象特性解耦的有源配电网净负荷预测方法,包括以下步骤:
步骤1,数据采集,包括采集用户负荷数据和相关数值气象数据;
步骤2,特征选择,基于步骤1所采集的用户负荷数据和气象数据,采用皮尔逊相关系数和信息增益法筛选气象特征,以便模型有效捕捉到净负荷数据中的气象相关性特征;
步骤3,模态分解,采用改进的滑动窗口变分模态分解(SWVMD)对负荷数据进行模态分解,得到不同幅频特性的本征模态函数(IMF)以二维重构为深度学习模型的输入集;
步骤4,模型构建,搭建基于卷积-长短期记忆网络(CNN-LSTM)的深度学习模型进一步提取负荷的时空耦合特性,实现有源配电网净负荷预测。
进一步地,所述步骤1中所采集数据包括用户负荷数据、温度、降水量、辐照度、风速、风向、湿度以及气压。
进一步地,所述步骤2还包括:
步骤2-1,采用皮尔逊相关系数计算负荷与气象特征之间的线性相关性,每个气象特征对应一个皮尔逊相关系数指标;
步骤2-2,采用信息增益法计算负荷与气象特征之间的非线性相关性,每个气象特征对应一个信息增益指标;
步骤2-3,分别将气象特征基于皮尔逊相关系数指标大小和信息增益指标大小按从大到小的顺序排序,并综合两个排序结果选取最终的气象特征作为模型输入。
进一步地,所述步骤2-1中所采用的皮尔逊相关系数常被用于衡量两个变量之间的线性相关性,步骤2-1中皮尔逊相关系数计算过程如下:
式中:P(X,Y)表示特征X与特征Y之间的皮尔逊相关系数,和/>分别表示特征X与特征Y的样本均值;P(X,Y)的取值范围为[-1,1],为-1时表示完全负相关,为1时表示完全正相关。
进一步地,所述步骤2-2中所采用的信息增益法考虑了特征对整个系统的贡献度,能有效衡量特征的非线性影响,通过决策树模型计算训练集Z的整体信息熵减去被特征X分割的条件熵得到;
针对训练集Z而言,假设其有Q个类别,特征X中有S个不同的取值,该训练集Z可根据特征的取值划分为S个子集Z1,Z2,…,Zs,…,ZS,则信息增益计算过程如下:
式中:|Zq|为属于q类的样本个数,|Z|为数据集样本容量,Zs为被特征X分割的第s个子集,Zsq为特征子集Zs中属于q类的样本集合,|Zsq|为Zsq的样本数。
进一步地,所述步骤2-3中,在分别计算各气象特征的皮尔逊相关系数和信息增益指标的基础上,对各气象特征对负荷的影响程度进行降序排序,避免将所有气象特征输入模型造成的特征冗余以及计算负担过重等问题,有利于模型高效学习气象特征对负荷的非线性影响,提升净负荷预测准确度和可靠性。
进一步地,所述步骤3中所采用的SWVMD将滑动时间窗格与变分模态分解(VMD)相结合,即先基于滑动时间窗格构造样本输入,再采用VMD分别对每个样本进行模态分解,得到不同幅频特性的IMF,解耦出新能源发电等因素对用户负荷的非线性影响,避免传统研究中对所有负荷数据进行一次性分解导致的信息泄露以及分解计算负担过重等问题。
进一步地,基于滑动时间窗格构造样本输入的过程如下:
式中:为基于滑动时间窗格构造的第n个长度为l的输入样本,/>为第n个样本中的第i个负荷值。
进一步地,采用VMD分别对每个样本进行模态分解的过程包括如下步骤:
S1,为得到各模态的单边频谱,对时间序列f(t)的模态函数uk(t)进行Hilbert变换;
式中,δ(t)和j分别表示t时刻模态函数在频域中的实部和虚部,*表示卷积运算;
S2,对于每个模态分量,将其与对应中心频率ωk的指数项混叠以实现相移处理;
S3,对解调信号进行高斯平滑处理,解得各模态分量带宽,并构建带宽约束条件下变分优化问题的目标函数方程,其表达式如下:
式中,表示关于时间t的偏微分;
S4、引入惩罚因子α和拉格朗日乘子λ,构建拉格朗日方程如下:
S5、采用交替方向乘子法进行求解迭代直至满足收敛误差,参数更新如下:
式中:为当前剩余量/>的维纳滤波,/>为第h次迭代后的频域乘子,/>经傅立叶逆变换后的实部即是各模态分量uk(t),/>为时间序列f(t)的频域表示,ω表示频率。
进一步地,所述步骤3中,考虑到输入VMD的负荷数据过短时,难以完整提取负荷的趋势性以及周期性等特征,也难以有效辨识新能源发电等因素导致的随机性等特征,因此本发明选取30天的负荷作为一个粗样本进行分解,即SWVMD中滑动时间窗口长度为2880(30×96),以便分解所得IMF分量中能包含日周期性、周周期性等不同尺度的周期性特征,并设置分解个数为10,再截取这10个IMF分量的后7天数据,即长度为672(96×7)的部分作为细样本,并进行特征重构,用于预测模型的训练;对于第a个IMF分量其二维重构过程如下:
式中:为重构后的二维输入样本,Reshape(×)是维度转换函数。
进一步地,步骤4的具体过程包括如下步骤:
S4-1,将步骤3得到的分解并二维重构后的各IMF分量输入卷积神经网络CNN模型中,基于卷积操作提取不同分量之间的耦合关系,提取因新能源发电导致的随机波动等气象相关性特征;
S4-2,将原始负荷序列输入长短期记忆网络LSTM模型,其目的在于让模型提取负荷序列的趋势性以及周期性等时序特征;
S4-3,将选取的气象特征输入全连接层中做特征映射,通过特征分离的方式进一步捕捉气象特征对负荷序列的非线性影响;
S4-4、采用Python中的拼接函数Concatenate将CNN、LSTM以及特征分离模块提取到的特征进行拼接,并将拼接所得结果输入到后续的全连接层中以便模型能同时学习各模块提取的特征,达到特征融合的目的,进而实现考虑源荷气象特性解耦的有源配电网净负荷预测。
步骤S4-3中的周期特征还包括日周期特征、周周期特征等。
所述步骤4中所采用的卷积神经网络CNN包括卷积层、平均池化层、展开层和全连接层,其中卷积运算的公式为:
v=σ(X*W+b)
式中:X为数据输入,*表示卷积操作,W为卷积核的权重,b为对应的偏置项,σ(·)为激活函数,v为卷积运算后的输出特征。
所述步骤4所采用的长短期记忆网络LSTM主要由长短期记忆单元堆叠而成,其中长短期记忆单元的基本计算公式为:
It=σ(Xtωxi+Ht-1ωhi+bi)
Ft=σ(Xtωxf+Ht-1ωhf+bf)
Ot=σ(Xtωxo+Ht-1ωho+bo)
Ht=Ot⊙tanh(Ct)
式中:Ft,It,Ot分别为t时刻的遗忘门、输入门和输出门,Ct表示t时刻的记忆单元状态,为候选记忆单元状态,Ht为向前传播过程中的一个隐藏状态,ωxi、ωxf、ωxo及ωxc为相应门与输入之间的权重,ωhi、ωhf、ωho和ωhc为相应门与门之间的权重,bi、bf、bo和bc则为相应门的偏置。
一种利用考虑源荷气象特性解耦的有源配电网净负荷预测方法的预测系统,包括:
数据采集模块,用于获取用户负荷数据和相关数值气象数据;
特征选择模块,用于筛选出对负荷影响程度较高的气象特征;
模态分解模块,用于将负荷分解为不同频率的本征模态函数,以二维重构为深度学习模型的输入集;
负荷预测模块,用于将分解重构后的负荷输入样本和筛选得到的气象特征输入样本输入CNN-LSTM模型得到考虑源荷气象特性解耦的有源配电网净负荷预测结果。
本发明的有益效果在于,本发明与现有技术相比,具有如下显著优点:
1、本发明提出一种改进的SWVMD分解算法,能有效解耦出新能源发电对负荷的非线性耦合关系,提取有源配电网净负荷数据中的周期特性和气象相关性,并避免传统研究中一次性分解所造成的信息泄露以及分解负担过重等问题。
2、本发明基于深度学习构建了一种CNN-LSTM模型,并结合气象特征分离模块,在有效提取负荷时空耦合特性及气象相关性的基础上实现特征融合,通过考虑源荷气象特性实现有源配电网净负荷预测精度的提升,为配电网智能转供及分析等提供数据支撑。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本发明方法的预测流程图;
图2是CNN结构示意图;
图3是LSTM结构示意图;
图4是SWVMD有效性验证;
图5是不同模型预测结果;
图6是考虑源荷气象特性解耦的有源配电网净负荷预测测系统的结构框图。
具体实施方式
为使本发明的目的、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,对本发明的技术方案进行清楚、完整地描述。基于本发明精神,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有所其它实施例,都属于本发明的保护范围。
参照附图1,考虑源荷气象特性解耦的有源配电网净负荷预测方法,包括以下步骤:
步骤1,数据采集,所采集数据包括用户负荷数据和相关数值气象数据;
步骤2,特征选择,基于皮尔逊相关系数和信息增益法筛选特征,以便模型有效捕捉到净负荷数据中的气象相关性特征;
步骤3,模态分解,采用改进的滑动窗口变分模态分解(SWVMD)对负荷数据进行模态分解,得到不同幅频特性的本征模态函数(IMF);
步骤4,模型构建,搭建基于卷积-长短期记忆网络(CNN-LSTM)的深度学习模型进一步提取时空耦合特性,实现有源配电网净负荷预测。其中卷积神经网络CNN和长短期记忆网络LSTM的网络结构分别如附图2、附图3所示。
所述步骤2中综合考虑了皮尔逊相关系数和信息增益法的优点,从多个角度(线性和非线性)分析不同气象特征对负荷的影响。在分别计算各气象特征的皮尔逊相关系数和信息增益指标的基础上,对各气象特征对负荷的影响程度进行降序排序,并选择同时排在前n个的特征作为模型输入,最终选取温度和辐照度作为最终的气象特征输入集,避免将所有气象特征输入模型造成的特征冗余以及计算负担过重等问题,有利于模型高效学习气象特征对负荷的非线性影响,提升净负荷预测准确度和可靠性。
下面结合具体的算例,进一步说明本发明的预测方法用于有源配电网净负荷预测的实施过程。
选取A市的实际负荷数据及相关数值气象数据,包括温度、降水量、辐照度、风速、风向、湿度以及气压。采样时间为2022年6月1日至2023年5月31日,采样间隔15分钟,共计35040条数据,将数据集按照8:2的比例分为训练集和测试集。
首先,综合考虑皮尔逊相关系数和信息增益法的优点,从多个角度(线性和非线性)分析不同气象特征对负荷的影响,在分别计算各气象特征的皮尔逊相关系数和信息增益指标的基础上,对各气象特征对负荷的影响程度进行降序排序,并选取温度和辐照度作为最终的气象特征输入集;其次,选取30天的负荷作为一个粗样本进行分解,即SWVMD中滑动时间窗口长度为2880(30×96),以便分解所得IMF分量中能包含日周期性、周周期性等不同尺度的周期性特征及较为完整的气象相关性特征,并设置分解个数为10,再截取这10个IMF分量的后7天数据,即长度为672(96×7)的部分作为细样本,并进行特征重构,用于预测模型的训练。最后,将分解并二维重构后的各IMF分量、原始负荷以及气象特征分别输入CNN、LSTM以及特征分离模块中提取特征再融合,实现考虑源荷气象特性解耦的有源配电网净负荷预测。
为了验证本发明所提方法在考虑源荷气象特性解耦的有源配电网净负荷预测领域的可行性,本发明采用均方根误差(RMSE)、平均绝对百分误差(MAPE)和平均绝对误差(MAE)作为评价指标,并分别计算这些误差指标提升的百分比。计算公式如下:
式中:N为样本数,为t时刻的预测值,yt为t时刻的真实值,y为N个真实值的平均值。所得MAPE、RMSE、MAE越小,则精度越高。
算例1:SWVMD有效性验证
为了说明SWVMD分解的有效性,本发明设置未采用SWVMD的CNN-LSTM模型对照模型进行对比分析。CNN-LSTM模型和SWVMD-CNN-LSTM模型分别基于网格搜索法进行网络参数寻优,避免因网络未达到最佳收敛效果带来的实验误差。此外,为避免偶然性的影响,两组模型预测结果都取10次实验的平均值,具体预测结果如表1所示。
表1SWVMD有效性验证
由表1可见,结合了SWVMD的预测模型MAPE、RMSE以及MAE分别减少了0.72%、20.37%以及18.07%。随机选取一天共96个采样点的预测值做可视化展示如图4所示,SWVMD-CNN-LSTM模型整体拟合性能更好,且由局部放大图可见,在负荷波动较大处所提模型拟合效果显著优于未加入SWVMD的模型,能及时跟踪负荷的波动,这是因为SWVMD通过将输入样本分解成不同幅频特性的IMF分量,有效提取出负荷所具有的周期性及气象相关性等特征,进而提升有源配电网净负荷预测精度。
算例2:不同模型对比分析
为了验证所提模型相对其它深度学习模型的性能优势,设置较为成熟经典的1DCNN和LSTM作为对照模型。所有模型都基于网格搜索法进行网络参数寻优,以确保实现最优网络性能前提下的对比。此外,为避免偶然性的影响,两组模型预测结果都取10次实验的平均值,具体预测结果如表2所示。
表2不同模型性能对比
由表2可以看出,本发明模型的MAPE指标相对1DCNN模型提升了1.49%,相对LSTM模型提升了2.31%;RMSE指标相对1DCNN模型提升了39.86%,相对LSTM模型提升了40.69%;MAE指标相对1DCNN模型提升了39.29%,相对LSTM模型提升了44.72%。随机选取一天共96个采样点的预测值做可视化展示如图5所示,所提模型相对对照模型取得更好的预测效果,这是因为所提模型通过CNN和LSTM分别提取各IMF之间的耦合关系、由于新能源发电导致的波动所体现的气象相关性特征以及负荷序列的周期性等时序特征,并基于全连接层分离捕捉气象特征,通过将多种特征融合的方式丰富特征信息,进而实现考虑气象特性解耦的有源配电网净负荷预测。
综上所述,本发明方法针对新能源发电和用户负荷两类数据难以完全精准解耦的问题,提出考虑源荷气象特性解耦的有源配电网净负荷预测方法,能够提供精准可靠的有源配电网净负荷预测结果,为配电网智能转供及分析等提供数据支撑。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
本实施例的一种考虑源荷气象特性解耦的有源配电网净负荷预测系统具体描述如下,如图6所示,一种考虑源荷气象特性解耦的有源配电网净负荷预测系统,能够用于实现上述考虑源荷气象特性解耦的有源配电网净负荷预测方法,具体的,该考虑源荷气象特性解耦的有源配电网净负荷预测系统包括数据采集模块、特征选择模块、模态分解模块以及负荷预测模块。
其中,数据采集模块用于获取用户负荷数据和相关数值气象数据;特征选择模块用于筛选出对负荷影响程度较高的气象特征;模态分解模块用于将负荷分解为不同频率的本征模态函数,以二维重构为深度学习模型的输入集;负荷预测模块用于将分解重构后的负荷输入样本和筛选得到的气象特征输入样本输入CNN-LSTM模型得到考虑源荷气象特性解耦的有源配电网净负荷预测结果。
数据采集模块具体用于:
采集用户负荷数据和数值气象数据,其中数值气象数据包括温度、降水量、辐照度、风速、风向、湿度以及气压,以备下一步的特征筛选工作。
特征选择模块具体用于:
采用皮尔逊相关系数指标大小和信息增益指标对负荷和数值气象数据进行相关性分析,分别计算各气象特征与负荷之间的皮尔逊相关系数和信息增益值,将两个指标进行倒序排序,筛选两个指标均排前n的气象特征作为后续预测模型的输入。
模态分解模块具体用于:
先基于滑动时间窗格构造负荷样本输入,再采用VMD分别对每个样本进行模态分解,得到不同幅频特性的IMF,解耦出新能源发电因素对用户负荷的非线性影响,并将各IMF二维重构为预测模型的负荷输入样本;负荷预测模块具体用于:
搭建基于CNN-LSTM的预测模型,将分解重构后的负荷输入样本(即二维重构后的各IMF函数)和筛选所得气象特征一起输入CNN-LSTM模型,训练模型得到考虑源荷气象特性解耦的有源配电网净负荷预测结果。
前述的考虑源荷气象特性解耦的有源配电网净负荷预测方法中实施例涉及的各步骤所有相关内容均可援引到本发明实施例中的考虑源荷气象特性解耦的有源配电网净负荷预测系统所对应的功能模块的功能描述,在此不再赘述。
Claims (11)
1.一种考虑源荷气象特性解耦的有源配电网净负荷预测方法,其特征在于,包括以下步骤:
步骤1,数据采集,包括采集用户负荷数据和相关数值气象数据;
步骤2,特征选择,基于步骤1所采集的用户负荷数据和气象数据,采用皮尔逊相关系数和信息增益法筛选气象特征;
步骤3,模态分解,采用改进的滑动窗口变分模态分解对负荷数据进行模态分解,得到不同幅频特性的本征模态函数以二维重构为深度学习模型的输入集;
步骤4,模型构建,搭建基于卷积-长短期记忆网络的深度学习模型进一步提取负荷的时空耦合特性,实现有源配电网净负荷预测。
2.根据权利要求1所述的考虑源荷气象特性解耦的有源配电网净负荷预测方法,其特征在于,所述步骤1中所采集数据包括用户负荷数据、温度、降水量、辐照度、风速、风向、湿度以及气压。
3.根据权利要求1所述的考虑源荷气象特性解耦的有源配电网净负荷预测方法,其特征在于,所述步骤2还包括:
步骤2-1,采用皮尔逊相关系数计算负荷与气象特征之间的线性相关性,每个气象特征对应一个皮尔逊相关系数指标;
步骤2-2,采用信息增益法计算负荷与气象特征之间的非线性相关性,每个气象特征对应一个信息增益指标;
步骤2-3,分别将气象特征基于皮尔逊相关系数指标大小和信息增益指标大小按从大到小的顺序排序,并综合两个排序结果选取最终的气象特征作为模型输入。
4.根据权利要求3所述的考虑源荷气象特性解耦的有源配电网净负荷预测方法,其特征在于,步骤2-1中皮尔逊相关系数计算过程如下:
式中:P(X,Y)表示特征X与特征Y之间的皮尔逊相关系数,和/>分别表示特征X与特征Y的样本均值;P(X,Y)的取值范围为[-1,1],为-1时表示完全负相关,为1时表示完全正相关。
5.根据权利要求3所述的考虑源荷气象特性解耦的有源配电网净负荷预测方法,其特征在于,所述步骤2-2中所采用的信息增益法考虑了特征对整个系统的贡献度,通过决策树模型计算训练集Z的整体信息熵减去被特征X分割的条件熵得到;
针对训练集Z而言,假设其有Q个类别,特征X中有S个不同的取值,该训练集Z根据特征的取值划分为S个子集Z1,Z2,…,Zs,…,ZS,则信息增益计算过程如下:
式中:|Zq|为属于q类的样本个数,|Z|为数据集样本容量,Zs为被特征X分割的第s个子集,Zsq为特征子集Zs中属于q类的样本集合,|Zsq|为Zsq的样本数。
6.根据权利要求1所述的考虑源荷气象特性解耦的有源配电网净负荷预测方法,其特征在于,所述步骤3中所采用的SWVMD将滑动时间窗格与变分模态分解VMD相结合,即先基于滑动时间窗格构造负荷样本输入,再采用VMD分别对每个样本进行模态分解,得到不同幅频特性的IMF,解耦出新能源发电因素对用户负荷的非线性影响;
基于滑动时间窗格构造样本输入的过程如下:
式中:为基于滑动时间窗格构造的第n个长度为l的输入样本,/>为第n个样本中的第i个负荷值。
7.根据权利要求6所述的考虑源荷气象特性解耦的有源配电网净负荷预测方法,其特征在于,采用VMD分别对每个样本进行模态分解的过程包括如下步骤:
S1,为得到各模态的单边频谱,对各时间序列f(t)的模态函数uk(t)进行Hilbert变换;
式中,δ(t)和j分别表示t时刻模态函数在频域中的实部和虚部,*表示卷积运算;
S2,对于每个模态分量,将其与对应中心频率ωk的指数项混叠以实现相移处理;
S3,对解调信号进行高斯平滑处理,解得各模态分量带宽,并构建带宽约束条件下变分优化问题的目标函数方程,其表达式如下:
式中,表示关于时间t的偏微分;
S4、引入惩罚因子α和拉格朗日乘子λ,构建拉格朗日方程如下:
S5、采用交替方向乘子法进行求解迭代直至满足收敛误差,参数更新如下:
式中:为当前剩余量/>的维纳滤波,/>为第h次迭代后的频域乘子,/>经傅立叶逆变换后的实部即是各模态分量uk(t),/>为时间序列f(t)的频域表示,ω表示频率。
8.根据权利要求7所述的考虑源荷气象特性解耦的有源配电网净负荷预测方法,其特征在于,所述步骤3中,选取30天的负荷作为一个粗样本进行分解,即SWVMD中滑动时间窗口长度为2880,即30×96,并设置分解个数为10,再截取这10个IMF分量的后7天数据,即长度为672(96×7)的部分作为细样本,并进行特征重构,用于预测模型的训练;对于第a个IMF分量其二维重构过程如下:
式中:为重构后的二维输入样本,Reshape(×)是维度转换函数。
9.根据权利要求1所述的考虑源荷气象特性解耦的有源配电网净负荷预测方法,其特征在于,步骤4的具体过程包括如下步骤:
S4-1,将步骤3得到的分解并二维重构后的各IMF分量输入卷积神经网络CNN模型中,基于卷积操作提取不同分量之间的耦合关系,提取气象相关性特征,包括因新能源发电导致的随机波动以及气象对负荷的非线性影响;
S4-2,将原始负荷序列输入长短期记忆网络LSTM模型,提取负荷序列的时序特征,包括趋势性以及周期性;
S4-3,将选取的气象特征输入全连接层中做特征映射,通过特征分离的方式进一步捕捉气象特征对负荷序列的非线性影响;
S4-4、采用Python中的拼接函数Concatenate将CNN、LSTM以及特征分离模块提取到的特征进行拼接,并将拼接所得结果输入到后续的全连接层中以便模型能同时学习各模块提取的特征,达到特征融合的目的,进而实现考虑源荷气象特性解耦的有源配电网净负荷预测。
10.根据权利要求9所述的考虑源荷气象特性解耦的有源配电网净负荷预测方法,其特征在于,所述步骤4中所采用的卷积神经网络CNN包括卷积层、平均池化层、展开层和全连接层,其中卷积运算的公式为:
v=σ(X*W+b)
式中:X为数据输入,*表示卷积操作,W为卷积核的权重,b为对应的偏置项,σ(·)为激活函数,v为卷积运算后的输出特征。
11.一种利用权利要求1所述的考虑源荷气象特性解耦的有源配电网净负荷预测方法的预测系统,其特征在于,包括:
数据采集模块,用于获取用户负荷数据和相关数值气象数据;
特征选择模块,用于筛选出对负荷影响程度较高的气象特征;
模态分解模块,用于将负荷分解为不同频率的本征模态函数,以二维重构为深度学习模型的输入集;
负荷预测模块,用于将分解重构后的负荷输入样本和筛选得到的气象特征输入样本输入CNN-LSTM模型得到考虑源荷气象特性解耦的有源配电网净负荷预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410221115.7A CN118095891A (zh) | 2024-02-28 | 2024-02-28 | 考虑源荷气象特性解耦的有源配电网净负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410221115.7A CN118095891A (zh) | 2024-02-28 | 2024-02-28 | 考虑源荷气象特性解耦的有源配电网净负荷预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118095891A true CN118095891A (zh) | 2024-05-28 |
Family
ID=91159572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410221115.7A Pending CN118095891A (zh) | 2024-02-28 | 2024-02-28 | 考虑源荷气象特性解耦的有源配电网净负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118095891A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118411062A (zh) * | 2024-07-04 | 2024-07-30 | 南京理工大学 | 计及多重时空相关性的配电网净负荷预测方法及系统 |
-
2024
- 2024-02-28 CN CN202410221115.7A patent/CN118095891A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118411062A (zh) * | 2024-07-04 | 2024-07-30 | 南京理工大学 | 计及多重时空相关性的配电网净负荷预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
Shamshirband et al. | A survey of deep learning techniques: application in wind and solar energy resources | |
CN111860982B (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
Afrasiabi et al. | Advanced deep learning approach for probabilistic wind speed forecasting | |
CN108053061B (zh) | 一种基于改进卷积神经网络的太阳能辐照度预测方法 | |
CN109214575A (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
CN109272156B (zh) | 一种超短期风电功率概率预测方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN109376951B (zh) | 一种光伏概率预测方法 | |
Rodríguez et al. | Forecasting intra-hour solar photovoltaic energy by assembling wavelet based time-frequency analysis with deep learning neural networks | |
CN111144644B (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
CN105760961A (zh) | 光伏输出功率预测方法和系统 | |
Al-Rousan et al. | Assessment of predicting hourly global solar radiation in Jordan based on Rules, Trees, Meta, Lazy and Function prediction methods | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN118095891A (zh) | 考虑源荷气象特性解耦的有源配电网净负荷预测方法及系统 | |
CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
CN114862023A (zh) | 基于四维逐点气象预报的分布式光伏功率预测方法及系统 | |
Yu et al. | Correlated load forecasting in active distribution networks using Spatial‐Temporal Synchronous Graph Convolutional Networks | |
CN113361782B (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
Wu et al. | Combined IXGBoost-KELM short-term photovoltaic power prediction model based on multidimensional similar day clustering and dual decomposition |
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 |