一种多尺度可解释的微电网电力负荷预测方法及系统

本发明涉及电力负荷预测，特别是涉及一种多尺度可解释的微电网电力负荷预测方法及系统。

背景技术：

1、本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。

2、能源一直以来都是人类与社会得以繁荣发展的基础，但随着社会的快速发展与日益增长的民生需求，传统非可再生能源例如石油、煤炭和天然气的消耗也逐步提升，因此能源短缺问题急需得到解决。在这一背景下，致力于可再生绿色能源的发展已逐渐成为现代社会发展的主流趋势。新能源微电网由于其可再生能源渗透率高、供电位置灵活性高等优点得到了越来越多的关注。

3、与传统火力发电相比，微电网具有极大的不稳定性，因此对其进行能量调度管理存在着极大的挑战。为了克服上述问题，需要提高分布式发电单元及电力负荷的预测性能，以保证微电网运行的稳定性。其中负荷侧用电量预测是对微电网调度运行进行管理的重要环节，准确的负荷预测是微电网进行市场交易和调度运行的基础。通过对电力负荷的准确预测，微电网交易市场可以提前规划交易策略，调度系统也可以提前制定电力调配计划。在与大电网并网运行时，能够合理规划与大电网的能量交互，从而提高微电网的整体运行效益。

4、现有的微电网电力负荷预测方法存在以下问题：微电网电力负荷预测多采用全局模型，其在峰值处不易实现精准预测，局部范围内误差较大，全局预测精度因此受到较大影响。微电网电力负荷预测模型多为黑箱模型，模型复杂度较高，判别过程难以转化成具备逻辑关系的规则，模型可解释性差。

技术实现思路

1、为了解决现有技术的不足，本发明提供了一种多尺度可解释的微电网电力负荷预测方法及系统；首先，采用具有可解释性的分布式模糊模型基于气象数据、所处季节及历史电力负荷等数据构建全局尺度的预测模型；然后，确定并标记对预测性能指标影响最大的一个或多个区域，使用该输入域的训练数据重新设计并训练局部精细模型，以期在各区域内提升预测性能指标；最后，使用未被标记的剩余训练数据更新全局尺度模型。本发明提出的多尺度可解释的微电网电力负荷预测模型由全局尺度模型与各局部精细模型组成，对落入不同输入域的实时数据使用不同模型进行预测。

2、一方面，提供了一种多尺度可解释的微电网电力负荷预测方法，包括：构建全局尺度模型，采用微电网电力负荷数据集对全局尺度模型进行训练，得到初步全局尺度模型；对全局尺度模型的输入空间进行分区；将微电网电力负荷数据集，输入到初步全局尺度模型中，输出预测值，计算预测值与真实值之间的误差，将误差超过设定阈值的输入空间分区进行标记；根据误差超过设定阈值的输入空间分区集合，确定n个局部学习范围；判断微电网电力负荷数据集中的每一个样本是否处于局部学习范围内，如果否，则将当前样本输入到初步全局尺度模型中，对其进行训练得到更新的全局尺度模型，如果是，则将当前样本输入到对应学习范围的局部精细模型中，对其进行训练，得到对应学习范围的训练后的局部精细模型；获取微电网电力负荷实时数据，判断实时数据是否处于局部学习范围内，如果否，则将实时数据输入到更新的全局尺度模型中，输出电力负荷预测值；如果是，则将实时数据输入到对应学习范围的局部精细模型中，输出电力负荷预测值。

3、另一方面，提供了一种多尺度可解释的微电网电力负荷预测系统，包括：模型构建模块，其被配置为：构建全局尺度模型，采用微电网电力负荷数据集对全局尺度模型进行训练，得到初步全局尺度模型；范围确定模块，其被配置为：对全局尺度模型的输入空间进行分区；将微电网电力负荷数据集，输入到初步全局尺度模型中，输出预测值，计算预测值与真实值之间的误差，将误差超过设定阈值的输入空间分区进行标记；根据误差超过设定阈值的输入空间分区集合，确定n个局部学习范围；训练模块，其被配置为：判断微电网电力负荷数据集中的每一个样本是否处于局部学习范围内，如果否，则将当前样本输入到初步全局尺度模型中，对其进行训练得到更新的全局尺度模型，如果是，则将当前样本输入到对应学习范围的局部精细模型中，对其进行训练，得到对应学习范围的训练后的局部精细模型；输出模块，其被配置为：获取微电网电力负荷实时数据，判断实时数据是否处于局部学习范围内，如果否，则将实时数据输入到更新的全局尺度模型中，输出电力负荷预测值；如果是，则将实时数据输入到对应学习范围的局部精细模型中，输出电力负荷预测值。

4、上述技术方案具有如下优点或有益效果：本发明提出了一种多尺度可解释的模型用于预测多变量时间序列的微电网电力负荷，其中分布式模糊模型能够有效减少规则数量，并具有较好的规则可解释性。相较于单一的全局尺度模型，该多尺度组合模型在误差较大的输入域内重新设计一个局部精细模型，依据实时数据所处输入域选择全局尺度模型或某一局部精细模型对其进行预测，能够提升模型的预测精度。

技术特征：

1.一种多尺度可解释的微电网电力负荷预测方法，其特征是，包括：

2.如权利要求1所述的一种多尺度可解释的微电网电力负荷预测方法，其特征是，构建原始全局尺度模型，其中，原始全局尺度模型，具体包括：采用分布式模糊模型作为全局尺度模型；

3.如权利要求2所述的一种多尺度可解释的微电网电力负荷预测方法，其特征是，所述方法还包括：输入变量的单维度模块表示为：

4.如权利要求1所述的一种多尺度可解释的微电网电力负荷预测方法，其特征是，在直角坐标系中画出第个输入变量的个模糊集，每一模糊集的左下顶点在横坐标上取得一个分区分界点，且每一模糊集的右下顶点在横坐标上取得一个分区分界点，根据所有的分区分界点，将个模糊集的横坐标范围划分为个输入空间分区。

5.如权利要求2所述的一种多尺度可解释的微电网电力负荷预测方法，其特征是，所述方法还包括：分布式模糊模型输入变量与输出变量的关系式为：

6.如权利要求5所述的一种多尺度可解释的微电网电力负荷预测方法，其特征是，权重向量和参数向量分别表示为：

7.如权利要求1所述的一种多尺度可解释的微电网电力负荷预测方法，其特征是，所述采用微电网电力负荷数据集对原始全局尺度模型进行训练，得到初步全局尺度模型，其中，微电网电力负荷数据集，包括：已知t+1时刻电力负荷数据、t时刻大气温度、t时刻相对湿度、t时刻大气压强、t时刻露点温度、t时刻季节编号、t时刻风速、t-2时刻电力负荷和t-1时刻电力负荷。

8.如权利要求1所述的一种多尺度可解释的微电网电力负荷预测方法，其特征是，将微电网电力负荷数据集，输入到初步全局尺度模型中，输出预测值，计算预测值与真实值之间的误差，将误差超过设定阈值的输入空间分区进行标记，具体包括：

9.如权利要求1所述的一种多尺度可解释的微电网电力负荷预测方法，其特征是，根据误差超过设定阈值的输入空间分区集合，确定n个局部学习范围，具体包括：使用表示第个局部精细模型的局部学习范围；；表示为：

10.一种多尺度可解释的微电网电力负荷预测系统，其特征是，包括：

技术总结
本发明涉及电力负荷预测技术领域，特别是涉及一种多尺度可解释的微电网电力负荷预测方法及系统，方法包括：采用微电网电力负荷数据集对全局尺度模型进行训练，得到初步全局尺度模型；对全局尺度模型的输入空间进行分区；将微电网电力负荷数据集，输入到初步全局尺度模型中，输出预测值，计算预测值与真实值之间的误差，根据误差超过设定阈值的输入空间分区集合，确定局部学习范围；判断微电网电力负荷数据集中的每一个样本是否处于局部学习范围内，如果是，则将当前样本输入到对应学习范围的局部精细模型中，对其进行训练，得到对应学习范围的训练后的局部精细模型。本发明能够提升模型的预测精度。

技术研发人员：李成栋,于翊萱,彭伟,田晨璐,吕晓霜,沈薛豪
受保护的技术使用者：山东建筑大学
技术研发日：
技术公布日：2024/2/21