用于微电网系统的混合模型神经网络短期负荷预测方法
【技术领域】
[0001]本发明涉及一种用于微电网系统的混合模型神经网络短期负荷预测方法。
【背景技术】
[0002]伴随着经济建设和生产取得了巨大成就的同时，我国也付出了巨大的能源和环境代价。继^一五”规划提出2010年实现单位国内生产总值能耗降低20%、主要污染物排放总量减少10%的约束性指标后，2009年中国政府再次提出到2020年单位国内生产总值二氧化碳排放比2005年下降40%?45%，并将减排目标作为约束性指标纳入国民经济和社会发展的中长期规划。中国节能减排工作面临的形势严峻，一方面，居民消费结构的升级与电气化的耐用消费品的比重提高，生活能源消耗程度提高；另一方面，中国的产业发展水平也助推了中国的能源高消耗发展模式。
[0003]随着国家能源发展战略的调整和发展低碳经济的要求，我国正加快资源节约型、环境友好型社会的建设，电能在提升能源效率中的地位举足轻重。智能社区微电网系统形成了循环用电、环保用电的理想智能社区低碳能源系统，为发展低碳经济，提高居民生活质量提供强有力的科技支撑。
[0004]传统配电网规划的主要任务是根据规划期间网络中空间负荷预测的结果和现有网络的基本状况确定最优的系统建设方案，在满足负荷增长和安全可靠电能供应的前提下，使系统的建设和运行费用最小。微电网不同于常规的配电网，其中接入了大量的分布式电源(光伏发电系统、风力发电系统、燃料电池发电系统等)，使得网络由单一潮流方向的无源网络变为潮流方向不确定的有源网络，且电力系统的负荷预测、规划与运行具有更大的不确定性，大大增加了问题的求解维数，难以借鉴常规的配电网负荷预测方法，需要考虑分布式能源对规划的各个环节的影响，形成适合于典型微电网的负荷预测方法。
【发明内容】
[0005]本发明提供一种用于微电网系统的混合模型神经网络短期负荷预测方法，结合传统线性模型负荷预测方法和神经网络负荷预测方法，大大提高了微电网系统的负荷预测精度。
[0006]为了达到上述目的，本发明提供一种用于微电网系统的混合模型神经网络短期负荷预测方法，包含以下步骤:
步骤S1、建立混合模型神经网络；
Y(t) = N(X(t)) + L(X(t))，N(X(t)));
其中，在输入信息X(t)作用下，输出信息Y(t)是多层前向网络N的输出N(X(t))和线性模型L的输出L (X (t)，N (X (t)))的叠加；
步骤S2、利用混合模型神经网络计算微电网系统中某一监测点的基本正常负荷分量B(t);
输入信息 X1U) = (sinojt, cosOjt,..., sinomt, cosomt)T； 其中，T是周期，ω是角速度；
步骤S3、利用混合模型神经网络计算微电网系统中某一监测点的天气敏感负荷分量W(t)；
输入信息 X2 (t) = (L (t-T)，L11, L12, L (t-2T)，L21, L22)τ;
其中，T是周期，L11为昨天的日平均负荷，L 12为昨天的峰值负荷，L21为前天的日平均负荷，L22为前天的峰值负荷；
步骤S4、计算微电网系统中某一监测点的特别事件负荷分量S(t);
步骤S5、计算微电网系统中某一监测点的随机负荷分量V(t);
步骤S6、计算微电网系统中某一监测点的总负荷。
[0007]L(t) = B(t) + ff(t) + S(t) +V(t)；
其中，(t)为t时刻，L(t)为系统总负荷，B(t)为基本正常负荷分量，W(t)为天气敏感负荷分量，S(t)为特别事件负荷分量，V(t)为随机负荷分量。
[0008]所述的基本正常负荷分量B (t)以24小时为周期变化，用系列傅立叶分量的线性组合来表示。
[0009]所述的特别事件负荷分量S(t)要考虑重大经济、政治活动及人为的因素对负荷的影响，采用人工修正的方法处理。
[0010]所述的随机负荷分量v(t)是总负荷中除去基本负荷分量、天气敏感负荷分量及特别事件负荷分量后的残差，随机分量v(t)必须有很强的实时性能自适应跟踪性能，用传统的时间序列法描述V(t)的变化。
[0011]本发明结合传统线性模型负荷预测方法和神经网络负荷预测方法，大大提高了微电网系统的负荷预测精度。
【附图说明】
[0012]图1是本发明的流程图。
[0013]图2是混合模型神经网络的示意图。
【具体实施方式】
[0014]以下根据图1和图2，具体说明本发明的较佳实施例。
[0015]如图1所示，本发明提供一种用于微电网系统的混合模型神经网络短期负荷预测方法，包含以下步骤:
步骤S1、建立混合模型神经网络。
[0016]图2为基本的混合模型神经网络，它由一个多层的向前网络N和一个线性模型L构成，在输入信息x(t)作用下，输出信息Y(t)是多层前向网络的输出N(X(t))和线性模型的输出L(X(t)，N(X(t)))的叠加:
Y(t) = N(X(t)) + L(X(t)),N(X(t)))0
[0017]步骤S2、利用混合模型神经网络计算微电网系统中某一监测点的基本正常负荷分量。
[0018]对于短期负荷预测来说，基本正常负荷分量B (t)以24小时为周期变化，可以用系列傅立叶分量的线性组合来表示。
[0019]输入信息X1U) = (Sinto11:, COSto11:,…，sintomt, costomt)T0
[0020]基本正常负荷分量B (t)是以24小时为周期变化，采样间隔为10分钟时，周期T =144，角速度ω = 2 /Τ，则基本正常负荷分量B (t)的大部分非线性变化就体现在X1 (t)的变化上，基本上是一个线性变化关系，在神经网络中很少的神经元就能很快的捕获B(t)的周期变化。
[0021]步骤S3、利用混合模型神经网络计算微电网系统中某一监测点的天气敏感负荷分量。
[0022]天气敏感负荷分量W(t)主要考虑负荷随气温的变化，这种变化是非线性的，一般采用人工神经网络来处理，需要历史的以及预测日的天气数据，在没有天气数据的时候，可以选取昨天、前一天同一时刻的系统负荷、日平均负荷作为参考。
[0023]负荷的天气敏感分量W(t)主要考虑负荷与气温的关系，这里用同一个神经网络N来处理天气敏感负荷分量W(t)的变化，在无天气数据的场合，选取昨天、明天同一时刻的系统负荷、日平均及峰值负荷作为混合模型神经网络的输入信息X2(t)=(L (t-T), L11, L12, L (t-2T), L21, L22)τ；
其中，L11为昨天的日平均负荷，L 12为昨天的峰值负荷，L21为前天的日平均负荷，L22为前天的峰值负荷。
[0024]步骤S4、计算微电网系统中某一监测点的特别事件负荷分量。
[0025]特别事件负荷分量S(t)要考虑一些重大经济、政治活动及人为的因素对负荷的影响，采用人工修正的方法处理。
[0026]步骤S5、计算微电网系统中某一监测点的随机负荷分量。
[0027]随机负荷分量V (t)是总负荷中除去基本负荷分量、天气敏感负荷分量及特别事件负荷分量后的残差，随机分量V(t)必须有很强的实时性能自适应跟踪性能，用传统的时间序列法就能很好的描述V (t)的变化。
[0028]步骤S6、计算微电网系统中某一监测点的总负荷。
[0029]L(t) = B(t) + ff(t) + S(t) +V(t)；
其中，(t)为t时刻，L(t)为系统总负荷，B(t)为基本正常负荷分量，W(t)为天气敏感负荷分量，S(t)为特别事件负荷分量，V(t)为随机负荷分量。
[0030]本方法用来预测超前10分钟到60分钟以及提前一天的负荷预测，根据仿真实验结果，超前10分钟到60分钟的平均绝对百分误差为0.7?2.3，超前一天的百分比误差为
3.2，采用本发明提供的用于微电网系统的混合模型神经网络短期负荷预测方法与采用传统预测方法的结果对比，结果表明，采用本发明的精度比传统线性模型负荷预测法有普遍的提尚。
本发明结合传统线性模型负荷预测方法和神经网络负荷预测方法，大大提高了微电网系统的负荷预测精度。
[0033]尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
【主权项】
1.一种用于微电网系统的混合模型神经网络短期负荷预测方法，其特征在于，包含以下步骤: 步骤S1、建立混合模型神经网络；Y(t) = N(X(t)) + L(X(t))，N(X(t))); 其中，在输入信息X(t)作用下，输出信息Y(t)是多层前向网络N的输出N(X(t))和线性模型L的输出L (X (t)，N (X (t)))的叠加； 步骤S2、利用混合模型神经网络计算微电网系统中某一监测点的基本正常负荷分量B(t);输入信息 X1U) = (sinojt, cosOjt,..., sinomt, cosomt)T； 其中，T是周期，ω是角速度； 步骤S3、利用混合模型神经网络计算微电网系统中某一监测点的天气敏感负荷分量W(t)；输入信息 X2 (t) = (L (t-T)，L11, L12, L (t-2T)，L21, L22)τ; 其中，T是周期，L11为昨天的日平均负荷，L 12为昨天的峰值负荷，L21为前天的日平均负荷，L22为前天的峰值负荷； 步骤S4、计算微电网系统中某一监测点的特别事件负荷分量S(t); 步骤S5、计算微电网系统中某一监测点的随机负荷分量V(t); 步骤S6、计算微电网系统中某一监测点的总负荷；L(t) = B(t) + ff(t) + S(t) +V(t)； 其中，(t)为t时刻，L(t)为系统总负荷，B(t)为基本正常负荷分量，W(t)为天气敏感负荷分量，S(t)为特别事件负荷分量，V(t)为随机负荷分量。2.如权利要求1所述的用于微电网系统的混合模型神经网络短期负荷预测方法，其特征在于，所述的基本正常负荷分量B (t)以24小时为周期变化，用系列傅立叶分量的线性组合来表不。3.如权利要求1所述的用于微电网系统的混合模型神经网络短期负荷预测方法，其特征在于，所述的特别事件负荷分量S(t)要考虑重大经济、政治活动及人为的因素对负荷的影响，采用人工修正的方法处理。4.如权利要求1所述的用于微电网系统的混合模型神经网络短期负荷预测方法，其特征在于，所述的随机负荷分量V(t)是总负荷中除去基本负荷分量、天气敏感负荷分量及特别事件负荷分量后的残差，随机分量V(t)必须有很强的实时性能自适应跟踪性能，用传统的时间序列法描述V (t)的变化。
【专利摘要】一种用于微电网系统的混合模型神经网络短期负荷预测方法，首先建立混合模型神经网络，利用混合模型神经网络计算微电网系统中某一监测点的基本正常负荷分量和天气敏感负荷分量，再计算特别事件负荷分量和随机负荷分量，最后将基本正常负荷分量、天气敏感负荷分量、特别事件负荷分量和随机负荷分量相加获得总负荷。本发明结合传统线性模型负荷预测方法和神经网络负荷预测方法，大大提高了微电网系统的负荷预测精度。
【IPC分类】G06Q50/06, G06Q10/04
【公开号】CN105184405
【申请号】CN201510554007
【发明人】刘舒, 时珊珊, 方陈, 雷珽, 柳劲松, 张宇, 朴红艳, 袁加妍
【申请人】国网上海市电力公司
【公开日】2015年12月23日
【申请日】2015年9月2日