一种构建拟境挖掘动态智能负荷预测模型的方法技术

本发明专利技术公开了一种构建拟境挖掘动态智能负荷预测模型的方法，采用知识挖掘技术形成拟境分析环境，探索定量之间的影响关系，确定输入变量待选集；建立利用属性筛选技术确立输入变量、利用菌群趋向差分演化算法优化参数的自适应结构的支持向量机和Elman神经网络等智能负荷预测模型；建立基于数据切片挖掘的区域负荷智能预测模型；建立结合动态电价因素、用户特性、用户响应电量的负荷曲线预测模型，实现负荷、电价、响应电量的联动修正预测。本发明专利技术建立了符合我国智能电网实际情况的预测模型，合理规划了可再生能源的建设规模，有利于促使用户更加高效利用电能，促使电力企业合理安排电力供给资源。

【技术实现步骤摘要】
一种构建拟境挖掘动态智能负荷预测模型的方法
本专利技术属于智能电网
，尤其涉及一种构建拟境挖掘动态智能负荷预测模型的方法。
技术介绍
智能电网是未来电力系统变革的主要方向，建设更加智能化、经济化、环保化、促进低碳发展化的电网已经成为全球的共同目标，美国自奥巴马上台伊始就提出了以智能电网为基础的美国能源战略，其核心是将局域分散的智能电网结合成全国性的网络体系；欧洲的智能电网革新是将广域上的电力输送网络同智能电网相结合，最终形成超级智能电力网格，我国的智能电力发展方向是指以复杂电力系统发、输、配、用各环节为对象，将新型电网控制技术、智能信息技术与智能管理技术有机结合起来，以“互动、自愈、安全、经济、清洁、节能、高效”为特点，实现从发电到用电所有环节信息的智能交流，使我国电网向着资源节约型、环境友好型、运行智能化的方向发展，从各国的发展趋势来看，智能电网将大力推进电力技术、信息产业和能源格局的深度革命，可以极大促进电力技术和信息产业进入高速创新阶段，为能源消费者提供更多的清洁能源，对整个社会节约成本、降低温室气体排放，实现绿色生态发展具有极其重大的意义。电力负荷预测作为电网建设规划的基础性工作，是建设智能电网必须要研究的基础性问题，电力负荷预测可以简称为负荷预测，其研究内容主要包括用电负荷预测、功率预测、供需电量预测以及负荷曲线预测，是电网建设规划和电网日常调度的基础性工作，在电力工业中占据着举足轻重的地位，精确的电力负荷预测不但能够给电网带来重大的经济效益和社会效益，还可以通过节约电力用煤达到节能减排的效果，对于我国的一个中等规模的省级电网而言，按照常规假设其平均供电负荷为4500MW，如果将系统日负荷预测精度提高1％，就表示在系统发供电可靠率相同的条件下，电网发电出力富裕时可减少45MW的旋转备用容量，电网发电出力不足时可减少非计划限电45MW，由此产生的主要效益为：因系统减少旋转备用容量产生的年经济效益约2000万元，减少非计划限电增加售电量产生的年经济效益约446万元，此外，按照2012年国家能源局公布的最新6000千瓦及以上供电标准煤耗率326克/千瓦时以及火电设备年平均利用小时为4965小时计算可得，由于负荷精度提高1％而产生的减少备用容量节约年用煤量近72836吨，我国的智能电网建成后，普遍认同的和传统电网的主要区别在于可再生分布式能源并网、特高压远距离输送、微网并网和用户需求响应四个方面，负荷预测作为电网运行的基础性工作，需要结合这四个特点进行研究，为智能电网的建设规划提供依据，为智能电网的运行调度提供数据支持。在智能电网环境下，开展负荷预测研究的意义有以下三点：①智能电网环境下，精确的可再生能源发电预测可以为可再生能源建设规划和并网调度提供有力依据，2013年2月6日，我国电监会公布了2012年电力行业节能减排数据，数据显示，我国可再生能源发电装机达到3.13亿千瓦，其中风电(并网)6083万千瓦，同比增长31.6％，装机规模已经位居世界第一；太阳能发电(并网)328万千瓦，同比增长47.8％，但是伴随可再生能源高速发展所带来的问题是由于可再生能源发电的间歇性和不稳定特性，使得并网以及调度非常困难，产生了建设规模和消纳电量脱节的现象，以典型的风力发电为例，我国的风能集中于东北、华北、西北地区(简称“三北”地区)，目前风力发电的弃风现象日益突出，根据我国电监会2012年发布的《重点区域风电消化监管报告》显示，“三北”地区弃风电量高达123亿千瓦时，弃风率为16.23％，弃风电量对应电费损失约66亿元，造成这种现象的主要原因是地区风电建设规划和地区风电需求预测不协调，风电项目建设规模远超当地风电需求，致使风力发电本地难以消纳，而如果通过外送进行消纳，则需要依赖于精确的预测结果来进行电网调度，国家能源局2012年2月29日下发的“特急”文件《风电功率预报与电网协调运行实施细则(试行)》中指出，要立即开展风电上网的相关工作，积极构建完善的风电功率预测体系，保障风电的上网调度运行；②智能电网环境下，精确的区域性负荷预测将为智能电网环境下特高压远距离输送电量和微网供电并网提供依据，特高压远距离输电能够实现低损耗的跨区域输电，使得可再生能源发电突破空间的限制，为用电负荷较高的经济发达地区提供清洁电能，然而通过特高压电网输送的电量，以及如何分配各种可再生能源的发电配额均依赖于供需两方的负荷预测结果，微网是指在小范围的用电区域内形成一个分布式的能源孤岛系统，既可以实现该供电区域电能的自给自足，也可以和外部电网并网实现电能的相互传输，在我国的海上孤岛以及高海拔人烟稀少地区建设微网，不但可以高效的解决当地区域的能源问题，而且可以延缓由于输配电网升级更新换代带来的巨大经济成本，微网的供电规模以及并网输送电量同样依赖于微网覆盖区域的用电需求预测；③智能电网环境下，精确的动态短期负荷预测将为用户参与需求侧响应提供数据决策支持，用户在智能电网环境下通过参与需求响应可以通过调整自己的行为，利用动态的分时电价将自身闲余电量高价卖出，在低价时买进电量使用电能，获取一定的经济效益，提高电能的使用效率，而短期负荷预测作为用电计划、调度运行、动态电价制定的基础性工作，为需求侧响应决策提供数据支持，短期负荷预测结果的精准程度直接影响着需求响应决策结果，因此，需要对智能电网环境下精确的动态短期负荷预测开展研究。综上所述，智能电网的建设将给传统的电力负荷预测理论带来新的挑战，因此，需要对电力负荷预测理论研究的内容和方法进行扩展研究。随着电力系统市场化进程的不断发展以及对能源需求的不断重视，近二三十年来，国内外的很多专家学者对电力负荷预测的理论和方法进行了大量的研究工作，取得了很多成果，总的来说，当前国内外研究的预测方法大致可以分为四类，分别是以线形回归方法为代表的传统统计预测方法；时间序列预测方法；以神经网络以及支持向量机为代表的智能预测方法以及组合预测方法四类；随着节能减排和低碳经济的相关研究成为当前的热点研究领域，电力负荷预测理论的研究范围也随之扩展，在智能电网的环境下，首先是诸如风电、光伏发电等可再生新能源发电受到前所未有的重视，而将这些可再生能源的发电形式接入到电网大环境下时，必须依赖于精确的预测结果来进行电网的节能调度，然而这些可再生能源发电形式具有明显的间歇性和不稳定性特性，传统的预测方法已经不再适用，需要对可再生能源发电进行高精度的预测研究工作，目前对可再生能源发电的预测问题多集中于风力发电和光伏发电的预测研究上，目前国内外预测的平均绝对百分比误差MAPE精度值在10％-25％之间，随着未来可再生能源的装机容量和管理水平的不断提高，将需要在此基础上进行深入的研究，以获得更高精度的预测结果；从上述国内外研究情况中可以看出，从方法上，电力负荷预测的研究以智能化方法为主，研究的热点在结合优化算法、数据挖掘技术确定智能预测的模型结构上，从研究内容上，研究的热点向以风电为主的新能源负荷预测方面发展，目前的负荷预测研究仍然存在着以下几个需要研究或进一步深化研究的问题：①需要在确定智能预测模型结构的研究上进一步深化，研究从输入变量到结构参数的一体化优化的智能预测方法，目前的研究或是对智能预测方法的参数结构进行优化，或本文档来自技高网...

【技术保护点】
一种构建拟境挖掘动态智能负荷预测模型的方法，该构建拟境挖掘动态智能负荷预测模型的方法包括：步骤一，采用知识挖掘技术形成拟境分析环境，探索气象影响和可再生能源发电之间、区域环境特性和区域负荷之间以及动态负荷和电价以及需求响应电量之间的定量影响关系，确定输入变量待选集；步骤二，建立利用属性筛选技术确立输入变量、利用菌群趋向差分演化算法优化参数的自适应结构的支持向量机和Elman神经网络等智能负荷预测模型；步骤三，建立基于数据切片挖掘的区域负荷智能预测模型；步骤四，建立结合动态电价因素、用户特性、用户响应电量的负荷曲线预测模型，实现负荷、电价、响应电量的联动修正预测。

【技术特征摘要】
1.一种构建拟境挖掘动态智能负荷预测模型的方法，该构建拟境挖掘动态智能负荷预测模型的方法包括：步骤一，采用知识挖掘技术形成拟境分析环境，探索气象影响和可再生能源发电之间、区域环境特性和区域负荷之间以及动态负荷和电价以及需求响应电量之间的定量影响关系，确定输入变量待选集；步骤二，建立利用属性筛选技术确立输入变量、利用菌群趋向差分演化算法优化参数的自适应结构的支持向量机和Elman神经网络智能负荷预测模型；步骤三，建立基于数据切片挖掘的区域负荷智能预测模型；步骤四，建立结合动态电价因素、用户特性、用户响应电量的负荷曲线预测模型，实现负荷、电价、响应电量的联动修正预测。2.如权利要求1所述的构建拟境挖掘动态智能负荷预测模型的方法，其特征在于，在步骤一中，通过对历史负荷数据和气象信息数据进行收集，通过概率统计分析总结出可再生能源的分布规律和可再生能源实际发电出力数据，通过知识挖掘技术的关联分析探寻历史发电出力数据和相关因素之间的强弱关系，选择具有明显关联影响的因素，根据发电出力特性形成供训练智能预测模型使用的拟境仿真环境，利用属性筛选技术确定输入变量，通过知识挖掘的分类分析和聚类分析寻找具有高度相似特性的历史数据序列，通过群智能优化算法确定智能预测模型所需的结构参数，建立一体化自适应结构的智能预测模型。3.如权利要求1所述的构建拟境挖掘动态智能负荷预测模型的方法，其特征在于，在步骤二中，基于拟境挖掘和菌群趋向差分演化算法的一体化自适应结构支持向量机可再生能源中长期发电预测模型建立的具体步骤如下：第一步，除了对智能电网环境下的风电负荷数据进行收集外，还需要对风电场所在地的环境温度、湿度、风速、风向、雨量、日照强度、大气压力气象因素进行监测和统计分析，形成风电场所在地区环境气象因素年概率分布统计数据，风速年概率分布统计数据和年度发电特性数据，借助于数据挖掘的手段探寻概率分布统计数据对风力发电影响的定量映射关系，选取相关因素建立历史数据序列的数据仓库，构建电网中各种能源，风能可再生发电因素影响的模拟机制环境，自动形成输入变量的待选集合；第二步，针对数据环境，利用知识挖掘技术中的关联分析技术进行属性判别和筛选，利用粗糙集技术进行属性筛选，确定输入变量，利用相似分析技术提取具有高度相似特性的历史发电数据序列，为智能模型的输入结点和训练数据的确定做好准备；第三步，构建菌群趋向差分演化算法群智能参数优化的支持向量机中长期负荷预测模型，中长期电力负荷预测与短期负荷预测相比，可利用影响因素的数据量较少，因此在选择负荷预测方法时应优先选取适合于基于小样本数据量的统计预测方法，智能预测方法中的支持向量机方法利用结构风险最小化原理和解决线性二次规划问题进行机器学习，采用菌群趋向差分演化算法对参数进行优化；第四步，对于可再生能源发电预测误差较大的预测点，根据风电场所在地区的季风特点、弃风现象以及区域环境特点，利用知识挖掘技术建立风力发电量的拟境反演知识推理模型，通过拟境反演知识推理分析对预测结果的得到相关的预测后干预知识，形成记忆推理知识库，对预测结果进行后干预，进一步提高精度。4.如权利要求1所述的构建拟境挖掘动态智能负荷预测模型的方法，其特征在于，在步骤二中，建立对智能电网环境下基于NWP数值气象预报挖掘分析的可再生能源短期智能拟境负荷预测模型；采用天气预报模式——多点数值天气预报NWP模式对未来72小时之内的气象数据进行高精度的多点数值模拟运算预测，NWP模式对于未来6小时以内的气象数据预报...

【专利技术属性】
技术研发人员：王建军，牛东晓，李莉，李存斌，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11