单户概率净负荷预测方法、装置、设备及存储介质

本发明涉及电力，尤其涉及一种单户概率净负荷预测方法、装置、设备及存储介质。

背景技术：

1、由于分布式新能源的出力极度依赖天气条件，根据受辐照水平和气象类型等不同，新能源发电出力水平波动很大且具有不确定性；与此同时，单户用户的用电行为本身也具有极强的不可预测性，用电负荷大小与消费者的用电行为密切相关，即使在天气、日期条件非常相似的情况下，单个家庭的用电负荷可能处于完全不同的水平，随机性较大，对单户用户的负荷准确预测存在很大困难。对安装在表后的分布式屋顶光伏系统，配电系统运营商和零售商只能得到用户的净负荷(即用户负荷减去光伏发电出力)，其光伏发电并不可见，这种不可见性使表后系统净负荷预测难度大大增加。

2、因此，为了准确预测单户用户净负荷，有必要研究合理的单户概率净负荷预测方法。

技术实现思路

1、发明目的：本发明针对现有技术存在的问题，提供一种更合理的单户概率净负荷预测方法、装置、设备及存储介质。

2、针对于上述的技术问题，本发明提出了以下技术方案：

3、一种单户概率净负荷预测方法，其特征在于，包括以下步骤：

4、步骤1，基于高斯混合模型聚类，对单户用户历史净负荷曲线进行聚类，提取用电模式特征；

5、步骤2，基于高斯混合模型聚类，对单户用户历史净负荷数据中的每一时段净负荷数据进行聚类，提取每一时段用电场景特征；

6、步骤3，基于所述的用电模式特征和每一时段用电场景特征，建立多分类逻辑回归模型，计算未来每一时间段每个用电场景的发生概率；

7、步骤4，分别根据不同的用电场景建立高斯过程回归模型，计算每个用电场景下净负荷大小的概率分布；

8、步骤5，根据用电场景的发生概率和用电场景下净负荷大小，计算获得单户概率净负荷预测混合高斯分布结果。

9、可选地，所述步骤1包括步骤：

10、历史净负荷数据进行横向归一化处理

11、建立高斯混合模型，对横向归一化后的历史净负荷数据进行聚类，通过所述的高斯混合模型的聚类结果，提取所述的用电模式特征。

12、可选地，所述步骤2包括步骤：

13、对历史净负荷数据按时段进行纵向归一化处理：

14、对纵向归一化后的历史净负荷数据进行高斯混合模型聚类，得到分时段的净负荷聚类结果集合，聚类结果用以表征所述的段每一时段用电场景特征。

15、可选地，所述步骤3包括步骤：

16、建立多分类逻辑回归模型，研究该时段用电场景和用电模式特征、前几个时段的负荷、前一天相同时段的负荷以及实时温度之间的关系；

17、分时段训练多分类逻辑回归模型，训练完成后的模型。

18、可选地，所述步骤4包括步骤：

19、分用电场景训练高斯过程回归模型，训练完成后，输入测试集中的自变量，高斯过程回归模型输出未来该时段用电场景的预测净负荷，并获得所述的每个用电场景下净负荷大小的概率分布。

20、可选地，所述的步骤3具体包括以下步骤：

21、步骤31，建立多分类逻辑回归模型，公式如式(7)-式(8)所示：

22、

23、z＝a0+a1x1+a2x2+…+anxn       (8)

24、式中，e为自然对数，z为多分类逻辑回归模型的输入，σz为输入z后属于某个分类结果的概率值，xi为多分类逻辑回归模型输入的自变量，αi为各个自变量相对应的预测系数，n为自变量的总数；

25、步骤32，训练多分类逻辑回归模型研究该时段用电场景和该日用电模式特征、前几个时段的负荷、前一天相同时段的负荷以及实时温度之间的关系：

26、分时段训练多分类逻辑回归模型时，多分类逻辑回归模型的输入自变量和输入因变量如式(9)-式(10)所示：

27、xmlr＝[md,n″d,t-1,n″d,t-2,…,n″d,t-j,n″d-1,t,td,t]    (9)

28、ymlr＝[sd,t]   (10)

29、式中，xmlr为多分类逻辑回归模型输入自变量集合，md为第d日用电模式特征，n'd',t为第d天第t时段纵向归一化后的净负荷值，j为向前选取最大时段数，td,t为第d天第t时段的实际温度；ymlr为多分类逻辑回归模型输入因变量集合，sd,t为第d天第t时段的用电场景号；

30、步骤33，多分类逻辑回归模型训练完成后，输入测试集中的自变量，多分类逻辑回归模型输出预测该时段未来各用电场景发生的概率，输出结果如式(11)所示：

31、

32、式中，βs为预测该时段未来场景s的发生概率，满足βs≥0，

33、可选地，所述的步骤4具体包括以下步骤：

34、步骤41，建立高斯过程回归模型：

35、在函数f空间上定义一个高斯过程：

36、f(x)～gp(m(x),k(x,x'))   (12)

37、式中，gp为高斯过程，m(x)为期望，令m(x)＝0，直接对协方差函数做出推论；k(x,x')为协方差函数，协方差函数组成协方差矩阵其中x＝[x1,…,xn]t；

38、给定测试输入向量x*，训练数据y和预测输出f*满足多元联合高斯分布：

39、

40、f*的概率密度函数如式(14)所示：

41、

42、其中，n表示高斯分布，为均值，的表达式如式(15)所示：

43、

44、cov(f*)为方差，表达式如式(16)所示：

45、

46、步骤42，分用电场景训练高斯过程回归模型，高斯过程回归模型的输入自变量和输入因变量如式(17)-式(18)所示：

47、xgpr,s＝[md,n″d,t-1,n″d,t-2,…,n″d,t-j,n″d-1,t,td,t],d∈ds     (17)

48、ygpr,s＝[n″d,t],d∈ds   (18)

49、式中，xgpr,s为该时段第s个用电场景下的高斯过程回归模型输入自变量集合，ds为该时段中属于第s个用电场景的自然日集合；ygpr,s为该时段第s个用电场景下的高斯过程回归模型输入因变量集合；

50、步骤43，高斯过程回归模型训练完成后，输入测试集中的自变量，高斯过程回归模型输出未来该时段用电场景s的预测净负荷，输出结果如式(19)所示：

51、

52、式中，es为该时段用电场景s的预测净负荷期望值，为该时段用电场景s的预测净负荷方差。

53、可选地，所述步骤5具体包括以下步骤：

54、根据用电场景发生概率预测结果和分用电场景概率净负荷预测结果，通过式(20)计算得到最终的单户概率净负荷预测混合高斯分布结果：

55、

56、其中，σz为输入z后属于某个分类结果的概率值；βs为预测该时段未来场景s的发生概率；es为该时段用电场景s的预测净负荷期望值。

57、本发明的第二方面，涉及一种单户概率净负荷预测装置，其特征在于，包括：

58、用户净负荷数据特征提取模块，用于提取历史净负荷数据的用电模式特征和用电场景特征；

59、用电场景发生概率预测模块，用于预测未来每一时间段每个用电场景的发生概率；以及

60、概率净负荷预测模块，用于预测每个用电场景下净负荷大小的概率分布。

61、本发明的第三方面，涉及一种单户概率净负荷预测设备，其特征在于，包括：

62、一个或多个处理器；

63、存储器，用于存储一个或多个程序；

64、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的单户概率净负荷预测方法。

65、有益效果：本发明与现有技术相比，其显著优点是：本发明提出了一种单户概率净负荷预测方法，为提升单户用户净负荷预测准确率提供了一定的思路。