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。