一种居民电力负荷预测方法与流程

本发明涉及电力工程，具体为一种居民电力负荷预测方法。

背景技术：

1、为达成双碳目标电网内并入了更多的新能源发电结构，这对电网造成了很大的波动性和不稳定性，电力负荷预测是保障电网安全最可行、最便捷的途径之一。居民是社会中最大的群体，保障居民的用电稳定，对促进社会发展有着重要的作用。各个城市、乡镇的居住环境各不相同，老旧城区的居住环境也参差不齐，因此，如何准确地预测居民电力负荷是一项复杂的工作，很多学者对此提出了很多方法，但存在预测局限性、运算复杂等问题。

2、鉴于上述问题，以及居民电力负荷的复杂性，本文采用分布式优化的方法解决居民区的复杂性，并且不用安装很多的电力设备端的传感器，即运用基于分布式优化的非侵入式居民电力负荷预测的方法。

3、bp神经网络嵌入随机分布式框架：从数学角度看，bp神经网络算法是一种局部搜索的优化方法，但它要解决的问题为求解复杂非线性函数的全局极值，因此，算法很有可能陷入局部极值，使训练失败；网络的逼近和推广能力同学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题，致使bp神经网络具有一定的局限性。

4、本技术以底层范围负荷预测的准确性为目标，结合中间层和顶层节点负荷预测的聚合一致，组建基于分布式优化的非侵入式居民电力负荷三层预测模型框架，经分布式凸优化算法交替方向乘子法求解预测模型后，得到非侵入式居民电力负荷预测值。其中三层预测模型通过区间数方法将底层负荷区间预测结果向上逐层聚合，并根据模型的聚合一致性得到电力负荷预测值。

技术实现思路

1、本发明的目的在于提供一种居民电力负荷预测方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种居民电力负荷预测方法，该居民电力负荷预测方法的具体步骤流程如下：

3、第一步、基于供电范围特征，建立非侵入式电力负荷多目标分解模型：

4、组建n个非侵入式居民电力负荷预测模型，分别针对n个底层的供电范围，以底层范围负荷预测的准确性为前提，整体的非侵入式居民电力负荷预测目标函数为：

5、

6、得到除顶层外的所有节点负荷的预测值，将非侵入式居民底层的电力负荷预测值全部相加，同时保障中层和顶层节点负荷预测的约束条件，即可达到上层全部节点的负荷预测值误差最小，通过负荷真值，组建h+1个等式约束：

7、

8、在相同的时刻下，上层负荷真值和下层的负荷真值，才能达到聚合一致性，非侵入式居民电力全部的负荷真值和输入到预测模型的电力负荷特征需要对应相同待预测时间，把三级非侵入式居民电力负荷预测分成包含h+1个等式约束的n块完善问题；

9、第二步、运用交替方向乘子法求解预测框架模型整体的预测值：

10、交替方向乘子法是一种分布式凸优化算法，其在电力负荷中的应用已经非常成熟，交替方向乘子算法的实质是解决等式约束的凸优化，公式为：

11、

12、将式(3)转化为伸缩增广拉格朗日函数：

13、

14、式(4)中的变量x、y和伸缩拉格朗日乘子u运用交替方向乘子法求解，然后更新对偶变量y直至收敛，x、y、u运用解耦换算出：

15、

16、

17、ut+1＝u′+dxt+1+byt+1-c (7)；

18、交替方向乘子法包含子区域k，其通过拓展得到，可以理解为非侵入式居民电力负荷的各个层，其状态变量xk,xko,uko，由以下公式可得：

19、

20、

21、交替方向乘子法与高斯迭代算法运算过程相似，用第t次迭代值作用于第t+1次的状态变量之中，式(8)计算拓展子区域k的状态变量xk，式(9)分别计算中间变量和对偶变量xko,uko，并且式(8)和(9)均包括子区域k中的单独状态变量xk,xko,uko，各个变量是自立存在的，即为可分布式优化的同步计算，值得注意的是，植入的中间协助变量xko，uok代表拓展区域o伸缩拉格朗日乘子，必须满足以下约束条件：以及所对应的伸缩拉格朗日乘子：uok＝-uko；交替方向乘子法在迭代的过程中，uok＝-uko固定不变；完成式(1)目标函数的求解，即为基于交替方向乘子法求解非侵入式居民电力负荷预测模型整体的预测值；

22、第三步、运用区间数求取各层级电力负荷预测值：

23、在实际的居民电力负荷预测中，将会存在各种各样的不确定因素，很难计算出精准的结果，为了更加准确地预测非侵入式居民电力负荷，需要对非侵入式居民电力负荷预测模型内的各层级求取预测值；

24、居民用电存在区间，例如，傍晚时间是居民用电的高峰，周末的商场和娱乐场等也会有用电高峰，因此，非侵入式居民电力的各层级预测也将是一个区间，区间数是一种高效处理上述问题的方法，区间数也可以简洁地表达空间负荷各种类型的实际情况：非侵入式居民电力负荷的三个层级从上至下的准确度是逐级减小的，此时可以利用渐渐变大的区间宽度代表；所处的不同位置导致的预测结果也存在差异，有的层级数据采集比较容易，预测的结果会更准确，因此，本文运用区间数预测非侵入式居民电力负荷的各层级值，区间数确定如下：

25、确定偏序集合s，给定数(r-,r+)，保证(r-,r+)∈s，且r-≤r+，则区间数为：r＝[r-,r+]＝{r∈s|r-≤r≤r+}；

26、非侵入式居民电力负荷预测模型中三层数据为区间数，在上下层级间取近似值；假设z∈{1,2,…,z}作为负荷分类编码，各层级数据包含：总负荷它的近似值是ls；第t类总负荷它的近似值是lsz；中间层负荷它的近似值是lma；底层负荷它的近似值是lsa；各层级负荷值均达到共同性关系；

27、分类负荷与总负荷聚合一致性：

28、

29、δ(lsz,csz)换算得到：

30、

31、中间层负荷与总负荷聚合一致性：

32、

33、底层负荷与中间层负荷聚合一致性：

34、

35、非侵入式居民电力底层负荷与分类负荷聚合一致性：

36、

37、通过各层级的区间预测，将各层级的预测聚合，最终实现非侵入式居民电力负荷的精准预测；

38、第四步、算例分析：

39、s1、非侵入式居民电力负荷预测；

40、s2、居民用电异常行为监测。

41、优选的，所述第一步的式(1)中，fi(·)代表l1供电范围内的非侵入式居民电力负荷预测结果；θi代表聚合参数；qi代表输入特征；wi代表l1供电范围内i的负荷真值；所述第一步的式(2)中，分别代表中间层内h个节点的负荷真值；wtop代表顶层节点的负荷真值。

42、优选的，所述第二步的式(3)中，y代表对偶变量，h(·)和g(·)均代表非侵入式居民电力负荷的凸优化函数；d、b代表对偶函数；c代表解耦变量；所述第二步的式(4)中，ρ代表惩罚因子；u代表伸缩拉格朗日乘子；所述第二步的式(7)中，t代表迭代次数；所述第二步的式(8)、(9)中，uko代表扩展子区域k的伸缩拉格朗日乘子；nk代表与子区域k相邻的区域集合；xk[o]代表子区域k相邻子区域o的边界母线的状态变量。

43、优选的，所述第三步的式(10)中，lsz代表分类负荷，其值存在于区间内；δ(·)代表总负荷的计算过程，其过程以负荷曲线为模板，分类负荷对照后进行加权叠加；式(11)中，lsz代表第z类总负荷；代表第z类非侵入式居民电力的短期负荷，即为一天之内的电力负荷曲线，将非侵入式居民电力负荷预测向量中最大元素作为分母，再对其进行百分化之后的比值；式(12)中，中间层的负荷总值存在于总负荷区间内；αma-s代表中间层负荷距离总负荷的同时率；lma(m)代表号码是m的中间层负荷；式(13)代表底层的负荷总值在中间层负荷区间内，代表中间层的界限，lsa代表底层负荷；式(14)表示第z类负荷总值在该类总负荷的区间内；αsa-s,t表示第z类负荷汇聚时的同时率。

44、与现有技术相比，本发明的有益效果是：

45、本文结合中间层和顶层节点负荷预测约束条件，组建基于分布式优化的非侵入式居民电力负荷三层预测模型框架，具体包含3个步骤：一是基于供电范围特征，建立非侵入式电力负荷多目标分解模型，针对多个底层供电范围组建多个非侵入式居民电力负荷预测模型；二是运用交替方向乘子法求解预测框架模型整体的预测值，解决等式约束的凸优化；三是运用区间数求取各层级电力负荷预测值，得到误差更小的预测值，达到提升整体预测精度的效果；

46、以某大型小区真实负荷数据进行测算，本文提出的居民电力负荷预测方法，相较基于相似数据选取和改进梯度提升决策树的预测方法和基于随机分布式嵌入框架及bp神经网络的预测方法拥有更高的精准性和拟合度，可实现高质量的电力负荷预测，并可实现用电异常检测，发现用户异常用电行为。