本发明专利设计一种面向工业负荷需求响应可调节潜力的预测方法。
背景技术:
0、技术背景
1、大量清洁的可再生能源投入使用,可减少碳排放,然而可再生能源的产出具有间歇性,为使可再生能源供电与电力需求相匹配,挖掘用电用户的可调节潜力,可支撑需求侧进行新能源消纳,能够保持电网的稳定。
2、负荷预测能够提高新型电力系统新能源消纳可靠性。由于电力系统的现代化,负荷预测的应用在当今的需求响应背景下变得更为重要。需求响应对新能源消纳的优势,也依赖负荷预测技术分析需求以及调节潜力。短期负荷预测已有一定的研究基础,然而,由于单变量时间序列历史负荷数据的非线性特征,基于机器学习的预测方法被广泛使用,其中长短期记忆(lstm)网络,已广泛用于短期负荷需求和功率波动预测任务等场景。但是单向lstm网络预测方法,由于其只使用单向存储器,部分隐藏层数据可能缺失,为提高预测准确率可通过使用的双向lstm网络预测方法通过两个定向存储器(前馈和反馈回路)使用以前和将来的隐藏层数据。通过这种方式,所提出的预测方法可以有效地提取所有隐藏层特征,提高预测准确率。
技术实现思路
1、本发明属于需求侧用户可调节潜力分析的技术领域,具体涉及一种面向工业负荷需求响应调节潜力的预测方法,用于支撑电网开展基于工业用户的大规模可再生能源消纳。随着国家能源战略的实施,可再生能源面临更大规模开发的历史机遇,同时各地也已开始出现一定程度的限电问题。工业高耗能负荷占比较大,且受季节性变化具有一定波动性,可作为新能源消纳对象分析其可调节潜力,因此,本专利考虑单变量时间序列历史负荷数据的非线性特征,采用lstm改进双向网络算法结合不同工业典型用电设备用电特性,通过历史数据分析以及量化新能源消纳可调节指标,针对工业可调节潜力分析场景的同时满足新能源消纳需求,能够障电力供需平衡,并且提高电力系统运行可靠性。
1.一种面向工业负荷需求响应可调节潜力的预测方法,所述方法包含:
2.根据权利要求1所述的方案,预测模型输入包括工业典型佛工厂历史用电数据、分工业主要用电设备用电特性,可以扩展为同一类工业用户负荷的预测因子。
3.根据权利要求1所述的方案,进行新能源消纳需求侧调节的指标,主要描述为基于历史合约需求响应调节最大容量下,结合实际工业用电情况与新能源消纳需求所满足的约束条件。
4.根据权利要求1所述的方案,所述通过迭代算法优化双向lstm网络参数提高准确率,包括在训练阶段,将训练数据分成若干个相等的子集,并对预测精度参数进行交叉验证,直到通过收敛测试。