基于网购电和动态关联因子的微电网负荷预测系统及方法
【技术领域】
[0001] 本发明属于微电网负荷预测技术领域，具体涉及基于网购电和动态关联因子的微 电网负荷预测系统及方法。
【背景技术】
[0002] 随着分布式电源在微电网中的渗透率越来越高、电动汽车的普及以及各种运行调 度策略的应用（如利用实时电价来达到"削峰填谷"的目的；通过切负荷来保证良好的电能 质量等），促使负荷波动区间加大、对气象因素更加敏感、负荷的随机性和不确定性更为突 出。微电网负荷在整个时间序列上表现的这种复杂性，造成短期负荷预测的难度加大，因此 需要对微电网的短期负荷预测作进一步的研究。
[0003] 微电网作为智能电网的重要组成部分，它的短期负荷预测要迎合智能电网的特 性，即应对电网环境的变更具有更好的适应性，其体现在用户能够根据自身的用电需求并 结合实时电价调整其电能消费模式，甚至可以实现与微电网互动供电。由此可知，实时电价 已经成为影响微电网短期负荷预测的重要因素。近年来已有不少人提出了实时电价条件下 的短期负荷预测方法，虽然预测精度有所提高，但是针对短时急剧变化的负荷或者历史数 据较少的假期负荷仍不能做出很好地预测。
[0004] 目前，微电网短期负荷预测方法的不足之处在于：一是未能充分利用微电网与电 能用户之间的交互性，即微电网单向地从用户那里获得历史负荷数据，而没有考虑用户可 以向微电网反馈自身的未来用电信息；二是影响负荷特性的因子往往固定不变，即随着时 间的推移和微电网内部环境的变化，影响负荷特性的因子也往往会发生改变，同时对于类 型不同的负荷，它们的影响因子也往往不同，若预测模型不能够准确地提取影响因子就会 导致预测精度的降低;三是针对基于QPS0-RBF神经网络预测方法，该数学模型仅仅依靠输 入信息往往不能够准确地确定隐含层节点数，而且粒子个体随机初始化会导致收敛速度较 慢。
【发明内容】
[0005] 针对现有技术的不足，本发明提出基于网购电和动态关联因子的微电网负荷预测 系统及方法。
[0006] 基于网购电和动态关联因子的微电网负荷预测系统，包括网购电量模块、负荷特 性分析模块、短期负荷预测模块和预测结果输出模块；
[0007] 所述网购电量模块，用于通过微电网与电能用户进行通信，建立用户的基本信息 和电能信息，根据通过微电网获取的负荷信息和负荷影响因子信息，对各类负荷进行统计， 得到历史负荷数据，同时为用户提供电量初拟订单，通过与用户通信，将电量初拟订单和参 考电价提供给用户，并将用户反馈的电量修正订单进行统计，得到网购电统计值，建立奖励 激励函数，对用户电量修正订单和其对应的实际用电负荷进行评价，确定实际电费，并存储 用户的基本信息、电能信息和负荷影响因子信息；
[0008] 所述负荷特性分析模块，用于确定微电网中负荷类型和其对应的影响因子，并采 用灰色关联度法分别计算各影响因子与各类负荷之间的关联度，从而确定各类负荷的关联 因子；
[0009] 所述短期负荷预测模块，用于建立基于改进的QPS0-RBF神经网络预测模型，并利 用历史负荷数据及对应的关联因子对该模型进行训练，确定最优的RBF神经网络模型网络 参数，并对各类负荷分别进行预测，得到各类负荷的最终预测值以及微电网总负荷的最终 预测值；
[0010] 所述预测结果输出模块，用于输出各类负荷的最终预测值和微电网总负荷的最终 预测值，绘制负荷预测曲线，并计算出各类负荷的最终预测值和实际负荷的预测误差。
[0011] 所述网购电量模块，包括电能账户创建单元、初拟订单推送单元、参考电价调节单 元、在线数据库单元、负荷数据统计单元和电量订单评价单元；
[0012] 所述电能账户创建单元，用于通过微电网与电能用户进行通信，建立用户基本信 息和电能信息；
[0013]所述电能信息包括:微电网当前参考电价Ct、电量初拟订单A' i、电量修正订单Ai、 历史负荷数据出、基准电费basei、基于均值的奖励Γ(μ〇、基于方差的奖励r(〇1 2)、基于相关 系数的奖励r(Pi)和实际电费cos ti;
[0014] 所述初拟订单推送单元，用于根据通过微电网获取的负荷信息，将用户上一个周 期实际用电负荷作为该用户本周期初拟使用电量消费订单，得到电量初拟订单，并将该 电能初拟订单提供给用户；
[0015] 所述参考电价调节单元，用于通过与用户通信，将微电网当前参考电价ct和电量 初拟订单提供给用户进行修正，得到用户反馈的电量修正订单A 1;
[0016] 所述在线数据库单元，用于存储用户基本信息、电能信息和负荷影响因子信息；
[0017] 所述负荷影响因子信息包括：日期类型、天气状况、气温、相对湿度和风速；
[0018] 所述负荷数据统计单元，用于根据用户反馈的电量修正订单六1统计一个周期内各 类负荷用户的网购电统计值山，根据微电网获取的负荷信息，统计一个周期内各类负荷的 历史负荷数据Hj;
[0019] 所述电量订单评价单元，用于通过建立基于均值、基于方差、基于相关系数的奖励 激励函数，根据用户电量修正订单和其对应实际用电负荷，计算得到基于均值的奖励r (μ〇、基于方差的奖励r(〇12)和基于相关系数的奖励r(Pl)，并根据基准电费& &%1计算用户 的实际电费cos ti。
[0020] 所述负荷特性分析模块，包括负荷类型确定单元、负荷影响因子确定单元和负荷 特性分析单元；
[0021] 所述负荷类型确定单元，用于根据实际微电网状况确定其所包括的负荷类型，所 述负荷类型包括第一产业负荷、第二产业负荷、第三产业负荷和居民生活负荷；
[0022] 所述负荷影响因子确定单元，用于根据实际微电网状况确定其所包括的负荷类型 对应的影响因子，并对各负荷的影响因子和历史负荷数据进行归一化处理；
[0023] 所述负荷特性分析单元，用于采用灰色关联度法分别计算各影响因子与各类负荷 之间的关联度，设定关联度阈值，将大于关联度阈值的关联度对应的影响因子作为该类负 荷的关联因子，从而确定各类负荷的关联因子。
[0024]所述短期负荷预测模块，包括RBF神经网络模型建立单元和短期负荷预测单元； [0025]所述RBF神经网络模型建立单元，用于针对各类负荷，建立多维输入单维输出的 RBF神经网络模型，将历史负荷数据及对应的关联因子作为该模型的输入数据，该模型的输 出数据为下一个周期内的预测负荷数据，采用基于输入数据和输出数据的减聚类K-means 优化算法获取RBF神经网络模型的初始网络参数，将RBF神经网络模型的初始网络参数作为 粒子利用量子粒子群优化算法对RBF神经网络模型的初始网络参数进行优化，得到最优的 RBF神经网络模型网络参数，所述RBF神经网络模型网络参数包括:聚类中6Cq、扩展常数〇q、 隐含层到输出层的权值ω q和阈值b;
[0026]所述短期负荷预测单元，用于将各类历史负荷数据和最优的RBF神经网络模型网 络参数映射到RBF神经网络模型中，得到各类负荷的预测值，设定加权函数，将各类负荷的 预测值通过加权函数计算得到该类负荷的最终预测值，并计算出微电网总负荷的最终预测 值；
[0027]所述加权函数为：
[0028] Actual/ j,t = a XC/ j,t+(l-a) XM' j,t，Forecastj,t = a0XOj,t+(l-a0) XMj,t;
[0029] 其中，a和β为权重值，<y」4为上一个周期第j类负荷在t时刻网购电统计值，0j,t为 当前周期内第j类负荷在t时刻网购电统计值，11〃^为上一个周期第j类负荷在t时刻的预测 值，My为当前周期内第j类负荷在t时刻的预测值，Actual、,*为上一个周期第j类负荷在t 时刻的实际负荷值，Forecasts为当前周期内第j类负荷在t时刻的最终预测值。
[0030] 基于网购电和动态关联因子的微电网负荷预测方法，包括以下步骤：
[0031] 步骤1:根据通过微电网获取的负荷信息，将用户上一个周期实际用电负荷作为该 用户本周期电量初拟订单，并将该电能初拟订单A'dP当前参考电价c t提供给用户； [0032]步骤2:用户根据当前参考电价ct和自身用电情况对电能初拟订单六^进行修正，并 将电量修正订单Ai反馈给微电网；
[0033] 步骤3:根据用户反馈的电量修正订单六1统计一个周期内各类负荷用户的网购电 统计值〇』，根据微电网获取的负荷信息，统计一个周期内各类负荷的历史负荷数据出；
[0034] 步骤4:确定微电网中负荷类型和其对应的影响因子，并采用灰色关联度法分别计 算各影响因子与各类负荷之间的关联度，从而确定各类负荷的关联因子；
[0035] 步骤4.1:根据实际微电网状况确定其所包括的负荷类型；
[0036] 步骤4.2:根据实际微电网状况确定其所包括的负荷类型对应的影响因子，并对各 负荷的影响因子和历史负荷数据进行归一化处理；
[0037] 步骤4.3:采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度；
[0038] 步骤4.4:设定关联度阈值，将大于关联度阈值的关联度对应的影响因子作为该类 负荷的关联因子，确定各类负荷的关联因子；
[0039]步骤5:针对各类负荷，建立多维输入单维输出的RBF神经网络模型，将历史负荷数 据及对应的关联因子作为该模型的输入数据，该模型的输出数据为下一个周期内的预测负 荷数据；
[0040] 步骤6:采用基于输入数据和输出数据的减聚类K-means优化算法获取RBF神经网 络模型的初始网络参数；
[0041] 步骤6.1:历史负荷数据及对应的关联因子作为RBF神经网络模型的输入数据集合 θ = {χι，Χ2,…，χρ}，令p =