一种多能源结构下的电网负荷调度预测方法及系统与流程

1.本发明实施例涉及电力调度技术领域，具体涉及一种多能源结构下的电网负荷调度预测方法及系统。


背景技术：

2.随着能源消费的快速增长，导致传统能源日益枯竭，为了应对这一严峻问题，人类加快了对可再生能源的研究和开发，其中，太阳能因为其具有容易获取和绿色环保等优势，基于太阳能发电的光伏微电网逐渐成为人类对可再生能源研究和利用的发展方向，但是由于易受天气和外部环境等各种客观的不可控的因素的影响，光伏微电网中的发电及负荷会呈现出一定程度的不确定性，难以实现微电网的经济稳定运行，因此，获取精确的微电网发电和负荷预测数据，制定合理的微电网能量调度策略，具有重要意义。
3.现有的用于多能源结构下的电网负荷调度预测方法及系统还存在的缺陷如下：
4.(1)现有的用于主动配电网调度的目标函数仅仅以网损最低或潮流最优为目标，导致调度数据不全面，不能实时反映地区内的真是电网负荷情况；
5.(2)现有的电网负荷调度重要的目标之一是解决以新能源为主的分布式能源高渗透率的问题，为改善分布式能源的运行效果，减少弃风弃光等浪费现象，将分层控制理论与多微网并列运行的配电网架构结合，提出以配网协调能力最强为目标的主动配电网调度策略，但是影响配网协调能力的参数相对较多，影响因子的权值会影响主动配电网的调度策略，导致该调度策略实用性较低，且算法复杂，操作步骤多，精确度低。


技术实现要素：

6.为此，本发明实施例提供一种多能源结构下的电网负荷调度预测方法及系统，以解决现有技术中对于调度数据不全面，调度策略实用性较低，且算法复杂，操作步骤多，精确度低的问题。
7.为了实现上述目的，本发明的实施方式提供如下技术方案：
8.一种多能源结构下的电网负荷调度预测方法，包括以下步骤：
9.步骤s1、根据微电网结构确定能源组成，获取风力发电数据、太阳能发电数据、地区气象数据；根据微电网能源组成结构，确定耗电设备数量及耗电设备单元能耗；
10.步骤s2、对获取到的所述风力发电数据、太阳能发电数据、地区气象数据进行预处理，使用随机森林算法得到影响风力发电、太阳能发电的高关联度输入变量，对输入变量进行预处理，以时间戳为主键，建立风力发电、太阳能发电的特征输入向量；
11.步骤s3、根据所述特征输入向量的时序数据，采用长短时神经网络lstm优化所述特征输入向量，建立深度学习模型，采用所述深度学习模型预测下一时刻风力发电量及太阳能发电量；
12.步骤s4、判断当前风力发电量和太阳能发电量的总和是否超过用电需求量，采用遗传算法求解最优参数作为能源分配标准，再将各种能源供电比例发送到微电网中，执行
微电网负荷调度。
13.作为本发明的一种优选方案，在步骤s1中，依据所述微电网结构中的能源组成及能源波动程度确定微电网内能源结构，根据所述微电网内能源波动程度确定风力发电量和太阳能发电量，通过提取微电网内耗电设备的耗电量总和确定所述风力发电数据和太阳能发电数据，对波动较大、非平稳性的以及存在剧烈变化的风力发电、太阳能发电数据序列进行平滑处理，获取数据均值确定气象数据影响因子。
14.作为本发明的一种优选方案，依据所述气象数据影响因子采用随机森林算法获取影响风力发电、太阳能发电的高关联度输入变量，具体为：
15.步骤s201、利用bootstrap重抽样法从风力发电数据、太阳能发电数据以及地区气象数据训练集中抽取k个训练集样本θ1,θ2,
…
,θk，由每个训练集生成对用的决策树{t(x,θ1)},{t(x,θ2),
…
,{t(x,θk)}}，其中k表示随机森林中树的个数；
16.步骤s202、已知样本的维数为m，在节点分裂的过程中，就从m维特征中随机抽取m个特征作为此节点的分裂特征集，m值根据样本量的大小设定，且m的值在整个随机森林形成过程中维持不变；
17.步骤s203、对每个决策树都不进行剪枝处理，使其得到最大程度的生长，当有一个新的数据x＝x时，单棵决策树t(θ)的预测可以通过叶节点l(x,θ)的观测值取平均获得，其权重向量表达式为；
[0018][0019]
其中，ri(i＝1,2,
…
,n)表示决策树参数集，xi(i＝1,2,
…
,n)表示决策树参数集内对应的新数据；
[0020]
步骤s204、在给定自变量x＝x下，单棵决策树的预测值就通过因变量yi(i＝1,2,
…
,n)预测值加权平均得到，单棵决策树的预测值表达式为：
[0021]
；
[0022]
步骤s205、通过对决策树权重x＝xi(i∈{1,2,
…
,n})t＝(1,2,
…
,k)取平均，得到每个观测值i∈(1,2,
…
,n)的权重，其表达式为：
[0023][0024]
对于所有的高关联度输入变量y，随机森林的预测可记为其表达式为：
[0025]
。
[0026]
作为本发明的一种优选方案，对所述给定自变量x取均值获取特征量重要性指数，依据特征量重要性指数对所述高关联度输入变量y做样本相关性分析，基于随机森林回归做负荷预测，具体为：
[0027]
首先，处理已有的负荷数据和与负荷数据有关的其他数据，作为特征值，例如气象因素值等，提取出有用时间点时间段的数据；
[0028]
其次，按照r语言随机森林安装包里的训练集样本模式，整理提取出的数据，根据所有预测的时间点，建立合适的预测样本；
[0029]
最后，采用matlab平台调用r语言对预测样本进行建模，获取特征输入向量的时序数据。
[0030]
作为本发明的一种优选方案，在步骤s3中，采用长短时神经网络lstm优化所述特征输入向量，建立深度学习模型，具体为：
[0031]
步骤s301、将所述长短时神经网络lstm的长短时记忆单元的个数，学习率以及批量大小设置为正弦余弦算法的候选解个体，且取值范围分别设置为[5,40]、[0.0001,0.1]和[10,150]，种群的规模和最大迭代次数分别设置为10和30；
[0032]
步骤s302、通过特征输入向量训练集对长短时记忆网络进行训练；
[0033]
步骤s303、利用验证集测试长短时记忆网络的性能，并计算真实值与对应的预测值之间的rmse，同时将rmse设置为正弦余弦算法的适应度函数，其表达式为：
[0034][0035]
其中，p
fi
、p
ai
分别表示第i小时的预测功率值和实际功率值，n表示采样的总小时数；
[0036]
步骤s304、利用最大迭代次数t
max
更新控制参数r1，并产生新的随机的控制参数r2、r3和r4，并对候选集进行更新，其控制参数r1表达式为：
[0037][0038]
其中，t表示迭代次数，a表示认为设定的常数参量；
[0039]
步骤s305、判断是否满足终止条件，若达到最大迭代次数，则输出适应度函数值最优的候选解个体，即短时记忆单元的个数、学习率以及批量大小。
[0040]
作为本发明的一种优选方案，依据所述短时记忆单元的个数以及学习率优化所述特征输入向量，建立基于正弦余弦算法和长短时记忆网络的光伏发电功率预测模型，具体为：
[0041]
首先，收集本地区的气象因子以及光伏系统的历史输出功率数据，利用经验模式分解对水平辐射强度、散射辐射强度、相对湿度和环境气温进行去噪处理；
[0042]
其次，对历史气象数据和历史输出功率数据进行标准化处理，其表达式为：
[0043][0044]
其中，表示标准化后的样本数据，vi表示原始样本数据，n表示样本的总数；
[0045]
再者，随机设置长短时记忆网络的初始参数，包括长短时记忆单元的个数，学习率以及批量大小，利用正弦余弦算法对长短时记忆网络的参数进行优化；
[0046]
最后，获取正弦余弦算法优化后所得最佳候选解个体，利用正弦余弦算法的搜寻结果设置长短时记忆网络参数，合并训练集与验证集，对长短时记忆网络进行重新训练，预测光伏系统24小时后的输出功率值。
[0047]
作为本发明的一种优选方案，在步骤s4中，依据所述光伏发电功率预测模型判断当前风力发电量和太阳能发电量的总和是否超过用电需求量，当风力发电量和太阳能发电量的总和超过用电需求量时，采用储能设备存储剩余电量；当风力发电量和太阳能发电量无法满足用电需求量时，请求城市电网供电，补齐差额。
[0048]
作为本发明的一种优选方案，对所述光伏发电功率预测模型的输出结果进行网络参数初始化，获取各电源和负荷点的坐标以及电源出力，将各电源和负荷点的坐标以及电源出力对应的目标函数与hopfield网络的能量函数相对应，建立基于hopfield神经网络模型以调度电能。
[0049]
作为本发明的一种优选方案，所述hopfield神经网络模型具体为：
[0050]
将神经元(i，j＝1,2,
…
,n)的内部膜电位状态用ui表示，其中n表示神经元个数，用神经元代表运算放大器及相关的电阻电容，将每个神经元设定两个输入来源：一个是固定的外部输入，用电流ii表示；另一个是其它运算放大器的反馈输入，其hopfield神经网络模型的预测函数表达式为：
[0051][0052]
其中，ci表示放大器的输入电容，ω
i,j
表示第j个放大器到第i个放大器输入的连接权重，且ω
i,j
为对称矩阵，f(ui(t))表示是第i个神经元的传递函数，ui(t)表示输入电位，vi(t)表示输出电量。
[0053]
一种根据权利要求1-9任一项所述的多能源结构下的电网负荷调度预测方法的系统，包括：数据采集模块、数据处理模块、调度中心、实时监测模块以及微观仿真模块；
[0054]
所述数据采集模块，用于实时采集风力发电数据、太阳能发电数据、地区气象数据，获取微电网能源组成数据；
[0055]
所述数据处理模块，用于对数据进行去噪处理，获取实时区域负荷用电数据；
[0056]
所述调度中心，用于利用调度预测模型获取区域电荷以实时调度电网负荷量；
[0057]
所述实时监测模块，用于融合调度预测模型输出数据以及区域实时数据，实时监测区域电荷情况；
[0058]
所述微观仿真模块，用于利用调度预测模型执行微观数据仿真过程生成微观电网负荷调度的仿真结果。
[0059]
本发明的实施方式具有如下优点：
[0060]
(1)本发明采用随机森林算法对地区数据进行相关性分析，从训练样本与特征变量两方面通过决策树分析误差，提高了电荷预测精度，采用基于hopfield神经网络模型的配电网调度策略优化及模型求解法，对电网经济、稳定运行起到了巨大的促进作用，模型使
用hopfield神经网络求解可以避免粒子群等一些求解方法存在早熟、局部收敛的问题，使得模型求解更加速、稳定，可处理更大规模的模型数据，模型通用性更强，性能更加优异，并且长短时神经网络lstm优化所述特征输入向量，进一步提高了系统调度的准确性，提高了系统运行效益。
附图说明
[0061]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0062]
图1为本发明实施方式中的电网负荷调度预测方法的步骤流程示意图；
[0063]
图2为本发明实施方式中的电网负荷调度预测系统的结构框图；
[0064]
图3为本发明实施方式中的电网负荷调度方法的流程图；
[0065]
图4为本发明实施方式中的长短时神经网络lstm的实时过程图；
[0066]
图5为本发明实施方式中的长短时神经网络lstm内遗传算法的实施过程图；
[0067]
图6为本发明实施方式中的微电网内多种能源发电量时序图。
[0068]
图中：
[0069]
1-数据采集模块；2-数据处理模块；3-调度中心；4-实时监测模块；5-微观仿真模块。
具体实施方式
[0070]
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0071]
如图1-6所示，本发明提供了一种多能源结构下的电网负荷调度预测方法，本实施方式采用随机森林算法对地区数据进行相关性分析，从训练样本与特征变量两方面通过决策树分析误差，提高了电荷预测精度，采用基于hopfield神经网络模型的配电网调度策略优化及模型求解法，对电网经济、稳定运行起到了巨大的促进作用，模型使用hopfield神经网络求解可以避免粒子群等一些求解方法存在早熟、局部收敛的问题，使得模型求解更加速、稳定，可处理更大规模的模型数据，模型通用性更强，性能更加优异，并且长短时神经网络lstm优化所述特征输入向量，进一步提高了系统调度的准确性，提高了系统运行效益。
[0072]
包括以下步骤：
[0073]
步骤s1、根据微电网结构确定能源组成，获取风力发电数据、太阳能发电数据、地区气象数据；根据微电网能源组成结构，确定耗电设备数量及耗电设备单元能耗；
[0074]
步骤s2、对获取到的所述风力发电数据、太阳能发电数据、地区气象数据进行预处理，使用随机森林算法得到影响风力发电、太阳能发电的高关联度输入变量，对输入变量进行预处理，以时间戳为主键，建立风力发电、太阳能发电的特征输入向量；
[0075]
步骤s3、根据所述特征输入向量的时序数据，采用长短时神经网络lstm优化所述
特征输入向量，建立深度学习模型，采用所述深度学习模型预测下一时刻风力发电量及太阳能发电量；
[0076]
步骤s4、判断当前风力发电量和太阳能发电量的总和是否超过用电需求量，采用遗传算法求解最优参数作为能源分配标准，再将各种能源供电比例发送到微电网中，执行微电网负荷调度。
[0077]
在步骤s1中，依据所述微电网结构中的能源组成及能源波动程度确定微电网内能源结构，根据所述微电网内能源波动程度确定风力发电量和太阳能发电量，通过提取微电网内耗电设备的耗电量总和确定所述风力发电数据和太阳能发电数据，对波动较大、非平稳性的以及存在剧烈变化的风力发电、太阳能发电数据序列进行平滑处理，获取数据均值确定气象数据影响因子。
[0078]
依据所述气象数据影响因子采用随机森林算法获取影响风力发电、太阳能发电的高关联度输入变量，具体为：
[0079]
步骤s201、利用bootstrap重抽样法从风力发电数据、太阳能发电数据以及地区气象数据训练集中抽取k个训练集样本θ1,θ2,
…
,θk，由每个训练集生成对用的决策树{t(x,θ1)},{t(x,θ2),
…
,{t(x,θk)}}，其中k表示随机森林中树的个数；
[0080]
步骤s202、已知样本的维数为m，在节点分裂的过程中，就从m维特征中随机抽取m个特征作为此节点的分裂特征集，m值根据样本量的大小设定，且m的值在整个随机森林形成过程中维持不变；
[0081]
步骤s203、对每个决策树都不进行剪枝处理，使其得到最大程度的生长，当有一个新的数据x＝x时，单棵决策树t(θ)的预测可以通过叶节点l(x,θ)的观测值取平均获得，其权重向量表达式为；
[0082][0083]
其中，ri(i＝1,2,
…
,n)表示决策树参数集，xi(i＝1,2,
…
,n)表示决策树参数集内对应的新数据；
[0084]
步骤s204、在给定自变量x＝x下，单棵决策树的预测值就通过因变量yi(i＝1,2,
…
,n)预测值加权平均得到，单棵决策树的预测值表达式为：
[0085]
；
[0086]
步骤s205、通过对决策树权重x＝xi(i∈{1,2,
…
,n})t＝(1,2,
…
,k)取平均，得到每个观测值i∈(1,2,
…
,n)的权重，其表达式为：
[0087][0088]
对于所有的高关联度输入变量y，随机森林的预测可记为其表达式为：
[0089]
。
[0090]
对所述给定自变量x取均值获取特征量重要性指数，依据特征量重要性指数对所述高关联度输入变量y做样本相关性分析，基于随机森林回归做负荷预测，具体为：
[0091]
首先，处理已有的负荷数据和与负荷数据有关的其他数据，作为特征值，例如气象因素值等，提取出有用时间点时间段的数据；
[0092]
其次，按照r语言随机森林安装包里的训练集样本模式，整理提取出的数据，根据所有预测的时间点，建立合适的预测样本；
[0093]
最后，采用matlab平台调用r语言对预测样本进行建模，获取特征输入向量的时序数据。
[0094]
在步骤s3中，采用长短时神经网络lstm优化所述特征输入向量，建立深度学习模型，具体为：
[0095]
步骤s301、将所述长短时神经网络lstm的长短时记忆单元的个数，学习率以及批量大小设置为正弦余弦算法的候选解个体，且取值范围分别设置为[5,40]、[0.0001,0.1]和[10,150]，种群的规模和最大迭代次数分别设置为10和30；
[0096]
步骤s302、通过特征输入向量训练集对长短时记忆网络进行训练；
[0097]
步骤s303、利用验证集测试长短时记忆网络的性能，并计算真实值与对应的预测值之间的rmse，同时将rmse设置为正弦余弦算法的适应度函数，其表达式为：
[0098][0099]
其中，p
fi
、p
ai
分别表示第i小时的预测功率值和实际功率值，n表示采样的总小时数；
[0100]
步骤s304、利用最大迭代次数t
max
更新控制参数r1，并产生新的随机的控制参数r2、r3和r4，并对候选集进行更新，其控制参数r1表达式为：
[0101][0102]
其中，t表示迭代次数，a表示认为设定的常数参量；
[0103]
步骤s305、判断是否满足终止条件，若达到最大迭代次数，则输出适应度函数值最优的候选解个体，即短时记忆单元的个数、学习率以及批量大小。
[0104]
依据所述短时记忆单元的个数以及学习率优化所述特征输入向量，建立基于正弦余弦算法和长短时记忆网络的光伏发电功率预测模型，具体为：
[0105]
首先，收集本地区的气象因子以及光伏系统的历史输出功率数据，利用经验模式分解对水平辐射强度、散射辐射强度、相对湿度和环境气温进行去噪处理；
[0106]
其次，对历史气象数据和历史输出功率数据进行标准化处理，其表达式为：
[0107][0108]
其中，表示标准化后的样本数据，vi表示原始样本数据，n表示样本的总数；
[0109]
再者，随机设置长短时记忆网络的初始参数，包括长短时记忆单元的个数，学习率以及批量大小，利用正弦余弦算法对长短时记忆网络的参数进行优化；
[0110]
最后，获取正弦余弦算法优化后所得最佳候选解个体，利用正弦余弦算法的搜寻结果设置长短时记忆网络参数，合并训练集与验证集，对长短时记忆网络进行重新训练，预测光伏系统24小时后的输出功率值。
[0111]
在步骤s4中，依据所述光伏发电功率预测模型判断当前风力发电量和太阳能发电量的总和是否超过用电需求量，当风力发电量和太阳能发电量的总和超过用电需求量时，采用储能设备存储剩余电量；当风力发电量和太阳能发电量无法满足用电需求量时，请求城市电网供电，补齐差额。
[0112]
对所述光伏发电功率预测模型的输出结果进行网络参数初始化，获取各电源和负荷点的坐标以及电源出力，将各电源和负荷点的坐标以及电源出力对应的目标函数与hopfield网络的能量函数相对应，建立基于hopfield神经网络模型以调度电能。
[0113]
本实施例中，所述hopfield神经网络通过使目标函数降至最低值的方法，巧妙的使网络函数实现收敛，从而求得规划问题的最优解。
[0114]
所述hopfield神经网络模型具体为：
[0115]
将神经元(i，j＝1,2,
…
,n)的内部膜电位状态用ui表示，其中n表示神经元个数，用神经元代表运算放大器及相关的电阻电容，将每个神经元设定两个输入来源：一个是固定的外部输入，用电流ii表示；另一个是其它运算放大器的反馈输入，其hopfield神经网络模型的预测函数表达式为：
[0116][0117]
其中，ci表示放大器的输入电容，ω
i,j
表示第j个放大器到第i个放大器输入的连接权重，且ω
i,j
为对称矩阵，f(ui(t))表示是第i个神经元的传递函数，ui(t)表示输入电位，vi(t)表示输出电量。
[0118]
本实施例中，将电源与负荷点组成的所有节点相串联，首尾相接，且整个网络为手拉手环网形式，这样既保证所有连接路径之和最短，又保证每个负荷点至少由两条线路供电)，提高供电可靠性，而当约束条件中包含以路径为参数计算的网损时，则可实现所有节点连接后的网损最小，从而实现配电网运行成本最低。
[0119]
本实施例中，所述hopfield神经网络由多个神经元构成的单层递归网络结构，每个神经元既有输出又有输入，任一神经元以一种相互全连接的方式与其它所有神经元连接，同时也接受其它所有神经元的输出信号作为输入，因此，每个神经元的输出除了受到权重的影响外还可能受到上一时刻的输出信号以及其它神经元的输入信号的影响，这使网络
呈现出完全对称的结构，当网络经过有限次递归后，它的状态不再发生变化，其收敛性质使网络具有良好的稳定性。
[0120]
一种根据权利要求1-9任一项所述的多能源结构下的电网负荷调度预测方法的系统，包括：数据采集模块1、数据处理模块2，调度中心3、实时监测模块4以及微观仿真模块5；
[0121]
所述数据采集模块1，用于实时采集风力发电数据、太阳能发电数据、地区气象数据，获取微电网能源组成数据；
[0122]
所述数据处理模块2，用于对数据进行去噪处理，获取实时区域负荷用电数据；
[0123]
所述调度中心3，用于利用调度预测模型获取区域电荷以实时调度电网负荷量；
[0124]
所述实时监测模块4，用于融合调度预测模型输出数据以及区域实时数据，实时监测区域电荷情况；
[0125]
所述微观仿真模块5，用于利用调度预测模型执行微观数据仿真过程生成微观电网负荷调度的仿真结果。
[0126]
因此本实施方式采用随机森林算法对地区数据进行相关性分析，从训练样本与特征变量两方面通过决策树分析误差，提高了电荷预测精度，采用基于hopfield神经网络模型的配电网调度策略优化及模型求解法，对电网经济、稳定运行起到了巨大的促进作用，模型使用hopfield神经网络求解可以避免粒子群等一些求解方法存在早熟、局部收敛的问题，使得模型求解更加速、稳定，可处理更大规模的模型数据，模型通用性更强，性能更加优异，并且长短时神经网络lstm优化所述特征输入向量，进一步提高了系统调度的准确性，提高了系统运行效益。
[0127]
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。