基于改进人体舒适度指数的微网超短期负荷预测方法
【专利摘要】本发明公开了一种基于改进人体舒适度指数的微网超短期负荷预测方法，该方法包括：步骤一，引入空气质量指数，改进人体舒适度指数；步骤二，建立最优局部形相似的超短期负荷预测模型；步骤三，通过一种基于加权平均的最优局部形相似超短期负荷预测方法，获取超短期负荷初始预测值；步骤四，根据改进人体舒适度指数曲线局部形相似表征负荷曲线相似，对超短期负荷初始预测值进行修正，获得超短期负荷预测修正值。本发明建立一种基于改进人体舒适度指数的微网超短期负荷预测方法，针对当前的气候环境特点，该预测方法对连续性数据拟合程度好准确率高，对当前微网中的大面积超短期负荷预测具有重要现实意义。
【专利说明】
基于改进人体舒适度指数的微网超短期负荷预测方法
技术领域
[0001] 本发明设及微网超短期负荷预测领域，具体来设及一种基于改进人体舒适度指数 的微网超短期负荷预测方法。
【背景技术】
[0002] 随着智能配网建设的推进，W光伏发电、风力发电、生物质能发电、储能装置等为 支撑的微电网得到了大力发展。微网是实现智能主动配电网的关键组成部分，是发挥分布 式电源削峰填谷的主要区域。
[0003] 为加速推进清洁能源建设，国家出台了一系列的分布式能源发电鼓励措施，大量 小区及工业园区相继上马了数量众多的光伏发电、风力发电及风光储一体的分布式发电装 置。为实现分布式电源的就地消纳，部分小区及工业园区组成微网，微网内可实现分布式电 源的点消纳、线消纳及面消纳。正常运行时，微网内自行消纳所发电力，当微网内所需电力 不足时可通过并网网关从外部配网购电，当微网内部发电量剩余时，可通过并网网关向外 部配网售电。但是由于分布式电源的接入将会使电网潮流方向发生变化，实现双向流动。特 别是当潮流倒送时，将对已有电力保护产生重大影响，危及电网运行安全。故此，分布式电 源消纳的最佳方案还是在本微网内自行消纳。当故障发生时，整个微网跟外部配电网分裂， 实现孤岛运行，微网内自行消纳是唯一方法。
[0004] 要实现微网内分布式发电量的自行消纳，微网内负荷预测的准确度是关键。实现 微网内负荷的超短期预测，实时有效的安排发电计划，是实现微网内分布式电源自行消纳 的重要保障。
[0005] 微网超短期负荷预测能够对网内未来5分钟-15分钟的负荷数据进行预测，其不同 于主网负荷预测，有其自身特点。微网内的负荷类型有居民负荷、工业负荷及商业负荷等， 但多W居民负荷为主。居民负荷受人的用电行为和用电习惯的影响很大，特别是当前气候 变化异常，雾靈天气频繁，人的行为习惯被迫改变，也相应的影响到了人们的用电习惯。
[0006] 故此，研究一种适合于微网负荷特性的超短期负荷预测方法，有效指导网内分布 式电源的发电计划，实现微网分布式发电的自行消纳有重要现实意义。
【发明内容】
[0007] 本发明的目的在于解决微网中大规模的超短期负荷预测问题，结合微网特点，给 出一种基于改进人体舒适度指数的微网超短期负荷预测方法。
[000引用于实现上述目的的技术方案如下：
[0009] 基于改进人体舒适度指数的微网超短期负荷预测方法，该方法包括如下步骤：
[0010] 步骤一，引入空气质量指数，改进人体舒适度指数；
[0011] 步骤二，建立最优局部形相似的超短期负荷预测模型；
[0012] 步骤Ξ，通过一种基于加权平均的最优局部形相似超短期负荷预测方法，获取超 短期负荷初始预测值；
[0013] 步骤四，根据改进人体舒适度指数曲线局部形相似表征负荷曲线相似，对超短期 负荷初始预测值进行修正，获得超短期负荷预测修正值。
[0014] 超短期负荷预测一般根据一段时间内（通常为25~60分钟）的历史数据点，预测未 来一定时刻(通常为5~15分钟后）的负荷数据值。
[0015] 步骤一中，所述的人体舒适度指数改进如下：
[001引其中，DI为人体舒适度指数;畑为日平均相对湿度，V为风速(m/s)，TN为基准溫度 rC)，A(xt)为空气质量指数影响函数，β为空气质量指数影响因子，T为当前时刻溫度rC)， xt为空气质量指数;Qi、化分别为空气质量严重污染W下和严重污染W上情况下，空气质量 指数对人体舒适度指数的影响度;MA为该地区年最大空气质量指数。根据分析2013年至 2015年全国各地空气质量指数，未有超过1000的情况，考虑到部分偏远地区无法测量的情 况，可取最大空气质量指数为1000计算，Qi、化的取值可为2和4。
[0019] 根据分析可W发现在气溫和湿度较高的夏、春季节，人体舒适度指数越高越不舒 适，空气质量指数对人体舒适度指数的影响应该是上升的。在气溫较低和风力较大的秋、 冬、初春季节，人体舒适度指数越低越不舒适，空气质量指数对人体舒适度指数的影响应该 是下降的。
[0020] 所述的步骤Ξ的具体步骤为：
[0021] a.建立两个数列：分别记录待预测时刻数据点X前d点的实时数据数列Lx和第i日 初始历史局部相似数列Mix,具体如下：
[0022] Lx={lx-d，lx-(d-i)，...，lx-2，lx-i} (3)
[0023] Mix= (mix-d, mix-(d-：Lmix-2, mix-1} (4)
[0024] 其中，Ix-n为待预测时刻数据点X前n点的实时数据，n = l，2，'''，d;mix-n为第i日数 据点X前η点的初始历史局部相似数据，η = 1，2，…，d;
[002引b.定义Wix为实时数据数列Lx与第i日初始历史局部相似数列Mix的形相似系数，具 体为：
[0026]
巧）
[0027] Wx=max(Wix,W2x,---,Wix,---WNx) (6)
[0028] 所有初始历史局部相似数列与实时数据数列的形相似系数的最大值定义为该实 时数据数列的最优形相似系数Wx，其中i = l，2,…，N，N为初始历史相似曲线数，最优形相似 系数Wx对应的初始历史局部相似数列Mix为最优局部形似曲线数列；
[0029] C.利用线性外推法，取得第X时刻的预测值，公式如下：
[0032]
(9)
[0033] 其中巧为用待预测时刻数据点X前η点的实时数据和第i日数据点X前η点的初始历 史局部相似数据求得的X时刻基本预测值，ex-n为第i日数据点X与其前η点的初始历史局部 相似数据的差值；
[0034] 由第i日初始历史局部相似数列Mix的变化量近似表示实时数据数列Lx的变化量； 可知X时刻的基本预测值将有d个，则对该d个数据做加权平均获取该时刻的初始预测值1 ' X ; 口η为各个基本预测值的权重。
[0035] 步骤四中，对超短期负荷预测进行修正如下：
[0036]
( 1Q )
[0037] 其中，为X时刻的超短期负荷预测修正值，Γχ为超短期负荷X时刻的初始预测 值，Γχ?为基于改进人体舒适度指数的超短期负荷X时刻的预测值，由于人体舒适度指数相 似时刻的负荷变化规律相似，可W用人体舒适度指数变化规律相似的曲线作为负荷变化形 相似曲线处理，故此，根据公式（1)和公式(2)得出的人体舒适度指数，运用公式(3巧Ij公式 (6)表述人体舒适度指数曲线的最优局部形相似，确定与待预测时刻前d点构成的人体舒适 度指数曲线局部形相似的曲线，根据人体舒适度指数曲线局部相似的时间段内，其负荷曲 线也是相似的，确定与待预测日实时数据数列Lx相似的初始历史局部相似数列Mix,根据公 式(7)到公式(9)确定基于改进人体舒适度指数的超短期负荷预测值Γχ?。
[0038] 本发明有益技术效果:本发明建立一种基于改进人体舒适度指数的微网超短期负 荷预测方法，该预测方法对连续性数据拟合程度好准确率高，对当前微网中的大面积超短 期负荷预测具有重要现实意义。
【具体实施方式】
[0039] 基于改进人体舒适度指数的微网超短期负荷预测方法，该方法包括如下步骤：
[0040] 步骤一，引入空气质量指数，改进人体舒适度指数；
[0043] 其中，DI为人体舒适度指数;畑为日平均相对湿度，V为风速(m/s)，TN为基准溫度 rC)，A(xt)为空气质量指数影响函数，β为空气质量指数影响因子，T为当前时刻溫度rC)， xt为空气质量指数;Qi、化分别为空气质量严重污染W下和严重污染W上情况下，空气质量 指数对人体舒适度指数的影响度;MA为该地区年最大空气质量指数。根据分析2013年至 2015年全国各地空气质量指数，未有超过1000的情况，考虑到部分偏远地区无法测量的情 况，可取最大空气质量指数为1000计算，Qi、化的取值可为2和4。
[0044] 步骤二，建立最优局部形相似的超短期负荷预测模型；
[0045] 步骤Ξ，通过一种基于加权平均的最优局部形相似超短期负荷预测方法，获取超 短期负荷初始预测值；
[0046] a.建立两个数列：分别记录待预测时刻数据点X前d点的实时数据数列Lx和第i日 初始历史局部相似数列Mix,具体如下：
[0047] Lx 二{ Ix-d , lx-(d-：L) , ... , lx-2 , Ix-l } (3)
[004引 Mix= (mix-d, mix-((Μ)，..., mix-2, mix-1} (4)
[0049] 其中，Ix-n为待预测时刻数据点X前n点的实时数据，n = l，2,…，d;mix-n为第i日数 据点X前η点的初始历史局部相似数据，n = l，2,…，d;
[0050] b.定义Wix为实时数据数列Lx与第i日初始历史局部相似数列Mix的形相似系数，具 体为：
[0053] 所有初始历史局部相似数列与实时数据数列的形相似系数的最大值定义为该实 时数据数列的最优形相似系数恥，其中i = l，2,…，N，N为初始历史相似曲线数，最优形相似 系数Wx对应的初始历史局部相似数列Mix为最优局部形似曲线数列；
[0054] C.利用线性外推法，取得第X时刻的预测值，公式如下：
[005引其中哎为用待预测时刻数据点X前η点的实时数据和第i日数据点X前η点的初始历 史局部相似数据求得的X时刻基本预测值，ex-n为第第i日数据点X与其前η点的初始历史局 部相似数据的差值；
[0059] 由第i日初始历史局部相似数列Mix的变化量近似表示实时数据数列Lx的变化量； 可知X时刻的基本预测值将有d个，则对该d个数据做加权平均获取该时刻的初始预测值1 ' X ; 口η为各个基本预测值的权重。
[0060] 步骤四，根据改进人体舒适度指数曲线局部形相似表征负荷曲线相似，对超短期 负荷初始预测值进行修正，获得超短期负荷预测修正值。
[0061] 对超短期负荷预测进行修正如下：
[00 创
(10)
[0063]其中，if为X时刻的超短期负荷预测修正值，Γχ为超短期负荷X时刻的初始预测 值，Γχ?为基于改进人体舒适度指数的超短期负荷X时刻的预测值，由于人体舒适度指数相 似时刻的负荷变化规律相似，可W用人体舒适度指数变化规律相似的曲线作为负荷变化形 相似曲线处理，故此，根据公式（1)和公式(2)得出的人体舒适度指数，运用公式(3巧Ij公式 (6)表述人体舒适度指数曲线的最优局部形相似，确定与待预测时刻前d点构成的人体舒适 度指数曲线局部形相似的曲线，根据人体舒适度指数曲线局部相似的时间段内，其负荷曲 线也是相似的，确定与待预测日实时数据数列Lx相似的初始历史局部相似数列Mix,根据公 式(7)到公式(9)确定基于改进人体舒适度指数的超短期负荷预测值Γχ?。
【主权项】
1. 基于改进人体舒适度指数的微网超短期负荷预测方法，其特征在于:该方法包括如 下步骤： 步骤一，引入空气质量指数，改进人体舒适度指数； 步骤二，建立最优局部形相似的超短期负荷预测模型； 步骤三，通过一种基于加权平均的最优局部形相似超短期负荷预测方法，获取超短期 负荷初始预测值； 步骤四，根据改进人体舒适度指数曲线局部形相似表征负荷曲线相似，对超短期负荷 初始预测值进行修正，获得超短期负荷预测修正值。2. 根据权利要求1中所述的基于改进人体舒适度指数的微网超短期负荷预测方法，其 特征在于:步骤一中，所述的人体舒适度指数改进如下：其中，DI为人体舒适度指数;RH为日平均相对湿度，V为风速(m/s)，TN为基准温度（°C)，A (xt)为空气质量指数影响函数，β为空气质量指数影响因子，T为当前时刻温度（°C)，xt为空 气质量指数;Qi、Q2分别为空气质量严重污染以下和严重污染以上情况下，空气质量指数对 人体舒适度指数的影响度;Μ为该地区年最大空气质量指数。3. 根据权利要求2所述的基于改进人体舒适度指数的微网超短期负荷预测方法，其特 征在于： 所述的步骤三的具体步骤为： a. 建立两个数列:分别记录待预测时刻数据点X前d点的实时数据数列Lx和第i日初始历 史局部相似数列M lx，具体如下： Lx - { lx-d，lx-(d-1)，· · ·，lx-2，lx-1} ( 3 ) Mix - {fflix-d , niix-(d-l) IIlix-2 , ΠΗχ-1} ( 4 ) 其中，lx-n为待预测时刻数据点X前n点的实时数据，n = l，2,…，d;mlx-n为第i日数据点X 前η点的初始历史局部相似数据，n = l，2,…，d; b. 定义Wlx为实时数据数列Lx与第i日初始历史局部相似数列Mlx的形相似系数，具体为：ffx=max(ffix,ff2x,---,Wix,---ffNx) (6) 所有初始历史局部相似数列与实时数据数列的形相似系数的最大值定义为该实时数 据数列的最优形相似系数Wx，其中i = 1，2，…，N，N为初始历史相似曲线数，最优形相似系数 Wx对应的初始历史局部相似数列Mlx为最优局部形似曲线数列； c. 利用线性外推法，取得第X时刻的预测值，公式如下： (7): θχ-η = Π1?χ-Π??χ-η (8)其中?为用待预测时刻数据点X前η点的实时数据和第i日数据点X前η点的初始历史局 部相似数据求得的X时刻基本预测值，ex-n为第第i日数据点X与其前η点的初始历史局部相 似数据的差值； 由第i日初始历史局部相似数列Mlx的变化量近似表示实时数据数列Lx的变化量;可知X 时刻的基本预测值将有d个，则对该d个数据做加权平均获取该时刻的初始预测值1\;%为 各个基本预测值的权重。4.根据权利要求3中所述的基于改进人体舒适度指数的微网超短期负荷预测方法，其 特征在于： 步骤四中，对超短期负荷预测进行修正如下：其中，/丨1时刻的超短期负荷预测修正值，Γχ为超短期负荷X时刻的初始预测值，Γχ1 为基于改进人体舒适度指数的超短期负荷X时刻的预测值，由于人体舒适度指数相似时刻 的负荷变化规律相似，可以用人体舒适度指数变化规律相似的曲线作为负荷变化形相似曲 线处理，故此，根据公式（1)和公式(2)得出的人体舒适度指数，运用公式(3)到公式(6)表述 人体舒适度指数曲线的最优局部形相似，确定与待预测时刻前d点构成的人体舒适度指数 曲线局部形相似的曲线，根据人体舒适度指数曲线局部相似的时间段内，其负荷曲线也是 相似的，确定与待预测日实时数据数列L x相似的初始历史局部相似数列Mlx，根据公式(7)到 公式(9)确定基于改进人体舒适度指数的超短期负荷预测值Γ χ1。
【文档编号】G06Q10/04GK105825300SQ201610149724
【公开日】2016年8月3日
【申请日】2016年3月16日
【发明人】张伟, 张珠玉, 闫剑锋, 段渴望
【申请人】积成电子股份有限公司