基于网购电和动态关联因子的微电网负荷预测系统及方法技术方案

本发明专利技术涉及基于网购电和动态关联因子的微电网负荷预测系统及方法，该系统包括网购电量模块、负荷特性分析模块、短期负荷预测模块和预测结果输出模块；微电网将电量初拟订单和参考电价推送至电能用户，用户对电量初拟订单进行修正，并将电量修正订单反馈给微电网，统计各类负荷用户的网购电统计值和历史负荷数据，确定微电网的负荷类型及其关联因子，建立RBF神经网络数学模型，采用基于输入数据和输出数据的减聚类K-means优化算法获取RBF神经网络模型的初始网络参数，利用量子粒子群优化算法对初始网络参数进行优化，求取微电网各类负荷的最终预测值和总负荷的最终预测值，输出各类负荷的最终预测值和微电网总负荷的最终预测值。

【技术实现步骤摘要】

本专利技术属于微电网负荷预测
，具体涉及基于网购电和动态关联因子的微电网负荷预测系统及方法。
技术介绍
随着分布式电源在微电网中的渗透率越来越高、电动汽车的普及以及各种运行调度策略的应用(如利用实时电价来达到“削峰填谷”的目的；通过切负荷来保证良好的电能质量等)，促使负荷波动区间加大、对气象因素更加敏感、负荷的随机性和不确定性更为突出。微电网负荷在整个时间序列上表现的这种复杂性，造成短期负荷预测的难度加大，因此需要对微电网的短期负荷预测作进一步的研究。微电网作为智能电网的重要组成部分，它的短期负荷预测要迎合智能电网的特性，即应对电网环境的变更具有更好的适应性，其体现在用户能够根据自身的用电需求并结合实时电价调整其电能消费模式，甚至可以实现与微电网互动供电。由此可知，实时电价已经成为影响微电网短期负荷预测的重要因素。近年来已有不少人提出了实时电价条件下的短期负荷预测方法，虽然预测精度有所提高，但是针对短时急剧变化的负荷或者历史数据较少的假期负荷仍不能做出很好地预测。目前，微电网短期负荷预测方法的不足之处在于：一是未能充分利用微电网与电能用户之间的交互性，即微电网单向地从用户那里获得历史负荷数据，而没有考虑用户可以向微电网反馈自身的未来用电信息；二是影响负荷特性的因子往往固定不变，即随着时间的推移和微电网内部环境的变化，影响负荷特性的因子也往往会发生改变，同时对于类型不同的负荷，它们的影响因子也往往不同，若预测模型不能够准确地提取影响因子就会导致预测精度的降低；三是针对基于QPSO-RBF神经网络预测方法，该数学模型仅仅依靠输入信息往往不能够准确地确定隐含层节点数，而且粒子个体随机初始化会导致收敛速度较慢。
技术实现思路
针对现有技术的不足，本专利技术提出基于网购电和动态关联因子的微电网负荷预测系统及方法。基于网购电和动态关联因子的微电网负荷预测系统，包括网购电量模块、负荷特性分析模块、短期负荷预测模块和预测结果输出模块；所述网购电量模块，用于通过微电网与电能用户进行通信，建立用户的基本信息和电能信息，根据通过微电网获取的负荷信息和负荷影响因子信息，对各类负荷进行统计，得到历史负荷数据，同时为用户提供电量初拟订单，通过与用户通信，将电量初拟订单和参考电价提供给用户，并将用户反馈的电量修正订单进行统计，得到网购电统计值，建立奖励激励函数，对用户电量修正订单和其对应的实际用电负荷进行评价，确定实际电费，并存储用户的基本信息、电能信息和负荷影响因子信息；所述负荷特性分析模块，用于确定微电网中负荷类型和其对应的影响因子，并采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度，从而确定各类负荷的关联因子；所述短期负荷预测模块，用于建立基于改进的QPSO-RBF神经网络预测模型，并利用历史负荷数据及对应的关联因子对该模型进行训练，确定最优的RBF神经网络模型网络参数，并对各类负荷分别进行预测，得到各类负荷的最终预测值以及微电网总负荷的最终预测值；所述预测结果输出模块，用于输出各类负荷的最终预测值和微电网总负荷的最终预测值，绘制负荷预测曲线，并计算出各类负荷的最终预测值和实际负荷的预测误差。所述网购电量模块，包括电能账户创建单元、初拟订单推送单元、参考电价调节单元、在线数据库单元、负荷数据统计单元和电量订单评价单元；所述电能账户创建单元，用于通过微电网与电能用户进行通信，建立用户基本信息和电能信息；所述电能信息包括：微电网当前参考电价ct、电量初拟订单A′i、电量修正订单Ai、历史负荷数据Hj、基准电费basei、基于均值的奖励r(μi)、基于方差的奖励r(σi2)、基于相关系数的奖励r(ρi)和实际电费costi；所述初拟订单推送单元，用于根据通过微电网获取的负荷信息，将用户上一个周期实际用电负荷作为该用户本周期初拟使用电量消费订单，得到电量初拟订单A′i，并将该电能初拟订单A′i提供给用户；所述参考电价调节单元，用于通过与用户通信，将微电网当前参考电价ct和电量初拟订单A′i提供给用户进行修正，得到用户反馈的电量修正订单Ai；所述在线数据库单元，用于存储用户基本信息、电能信息和负荷影响因子信息；所述负荷影响因子信息包括：日期类型、天气状况、气温、相对湿度和风速；所述负荷数据统计单元，用于根据用户反馈的电量修正订单Ai统计一个周期内各类负荷用户的网购电统计值Oj，根据微电网获取的负荷信息，统计一个周期内各类负荷的历史负荷数据Hj；所述电量订单评价单元，用于通过建立基于均值、基于方差、基于相关系数的奖励激励函数，根据用户电量修正订单和其对应实际用电负荷，计算得到基于均值的奖励r(μi)、基于方差的奖励r(σi2)和基于相关系数的奖励r(ρi)，并根据基准电费basei计算用户的实际电费costi。所述负荷特性分析模块，包括负荷类型确定单元、负荷影响因子确定单元和负荷特性分析单元；所述负荷类型确定单元，用于根据实际微电网状况确定其所包括的负荷类型，所述负荷类型包括第一产业负荷、第二产业负荷、第三产业负荷和居民生活负荷；所述负荷影响因子确定单元，用于根据实际微电网状况确定其所包括的负荷类型对应的影响因子，并对各负荷的影响因子和历史负荷数据进行归一化处理；所述负荷特性分析单元，用于采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度，设定关联度阈值，将大于关联度阈值的关联度对应的影响因子作为该类负荷的关联因子，从而确定各类负荷的关联因子。所述短期负荷预测模块，包括RBF神经网络模型建立单元和短期负荷预测单元；所述RBF神经网络模型建立单元，用于针对各类负荷，建立多维输入单维输出的RBF神经网络模型，将历史负荷数据及对应的关联因子作为该模型的输入数据，该模型的输出数据为下一个周期内的预测负荷数据，采用基于输入数据和输出数据的减聚类K-means优化算法获取RBF神经网络模型的初始网络参数，将RBF神经网络模型的初始网络参数作为粒子利用量子粒子群优化算法对RBF神经网络模型的初始网络参数进行优化，得到最优的RBF神经网络模型网络参数，所述RBF神经网络模型网络参数包括：聚类中心cq、扩展常数σq、隐含层到输出层的权值ωq和阈值b；所述短期负荷预测单元，用于将各类历史负荷数据和最优的RBF神经网络模型网络参数映射到RBF神经网络模型中，得到各类负荷的预测值，设定加权函数，将各类负荷的预测值通过加权函数计算得到该类负荷的最终预测值，并计算出微电网总负荷的最终预测<本文档来自技高网...

【技术保护点】
基于网购电和动态关联因子的微电网负荷预测系统，其特征在于，包括网购电量模块、负荷特性分析模块、短期负荷预测模块和预测结果输出模块；所述网购电量模块，用于通过微电网与电能用户进行通信，建立用户的基本信息和电能信息，根据通过微电网获取的负荷信息和负荷影响因子信息，对各类负荷进行统计，得到历史负荷数据，同时为用户提供电量初拟订单，通过与用户通信，将电量初拟订单和参考电价提供给用户，并将用户反馈的电量修正订单进行统计，得到网购电统计值，建立奖励激励函数，对用户电量修正订单和其对应的实际用电负荷进行评价，确定实际电费，并存储用户的基本信息、电能信息和负荷影响因子信息；所述负荷特性分析模块，用于确定微电网中负荷类型和其对应的影响因子，并采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度，从而确定各类负荷的关联因子；所述短期负荷预测模块，用于建立基于改进的QPSO‑RBF神经网络预测模型，并利用历史负荷数据及对应的关联因子对该模型进行训练，确定最优的RBF神经网络模型网络参数，并对各类负荷分别进行预测，得到各类负荷的最终预测值以及微电网总负荷的最终预测值；所述预测结果输出模块，用于输出各类负荷的最终预测值和微电网总负荷的最终预测值，绘制负荷预测曲线，并计算出各类负荷的最终预测值和实际负荷的预测误差。...

【技术特征摘要】
1.基于网购电和动态关联因子的微电网负荷预测系统，其特征在于，包括网购电量模
块、负荷特性分析模块、短期负荷预测模块和预测结果输出模块；
所述网购电量模块，用于通过微电网与电能用户进行通信，建立用户的基本信息和电
能信息，根据通过微电网获取的负荷信息和负荷影响因子信息，对各类负荷进行统计，得到
历史负荷数据，同时为用户提供电量初拟订单，通过与用户通信，将电量初拟订单和参考电
价提供给用户，并将用户反馈的电量修正订单进行统计，得到网购电统计值，建立奖励激励
函数，对用户电量修正订单和其对应的实际用电负荷进行评价，确定实际电费，并存储用户
的基本信息、电能信息和负荷影响因子信息；
所述负荷特性分析模块，用于确定微电网中负荷类型和其对应的影响因子，并采用灰
色关联度法分别计算各影响因子与各类负荷之间的关联度，从而确定各类负荷的关联因
子；
所述短期负荷预测模块，用于建立基于改进的QPSO-RBF神经网络预测模型，并利用历
史负荷数据及对应的关联因子对该模型进行训练，确定最优的RBF神经网络模型网络参数，
并对各类负荷分别进行预测，得到各类负荷的最终预测值以及微电网总负荷的最终预测
值；
所述预测结果输出模块，用于输出各类负荷的最终预测值和微电网总负荷的最终预测
值，绘制负荷预测曲线，并计算出各类负荷的最终预测值和实际负荷的预测误差。
2.根据权利要求1所述基于网购电和动态关联因子的微电网负荷预测系统，其特征在
于，所述网购电量模块，包括电能账户创建单元、初拟订单推送单元、参考电价调节单元、在
线数据库单元、负荷数据统计单元和电量订单评价单元；
所述电能账户创建单元，用于通过微电网与电能用户进行通信，建立用户基本信息和
电能信息；
所述电能信息包括：微电网当前参考电价ct、电量初拟订单A′i、电量修正订单Ai、历史
负荷数据Hj、基准电费basei、基于均值的奖励r(μi)、基于方差的奖励r(σi2)、基于相关系数
的奖励r(ρi)和实际电费costi；
所述初拟订单推送单元，用于根据通过微电网获取的负荷信息，将用户上一个周期实
际用电负荷作为该用户本周期初拟使用电量消费订单，得到电量初拟订单A′i，并将该电能
初拟订单A′i提供给用户；
所述参考电价调节单元，用于通过与用户通信，将微电网当前参考电价ci和电量初拟订
单A′i提供给用户进行修正，得到用户反馈的电量修正订单Ai；
所述在线数据库单元，用于存储用户基本信息、电能信息和负荷影响因子信息；
所述负荷影响因子信息包括：日期类型、天气状况、气温、相对湿度和风速；
所述负荷数据统计单元，用于根据用户反馈的电量修正订单Ai统计一个周期内各类负
荷用户的网购电统计值Oj，根据微电网获取的负荷信息，统计一个周期内各类负荷的历史
负荷数据Hj；
所述电量订单评价单元，用于通过建立基于均值、基于方差、基于相关系数的奖励激励
函数，根据用户电量修正订单和其对应实际用电负荷，计算得到基于均值的奖励r(μi)、基
于方差的奖励r(σi2)和基于相关系数的奖励r(ρi)，并根据基准电费basei计算用户的实际
电费costi。
3.根据权利要求1所述基于网购电和动态关联因子的微电网负荷预测系统，其特征在
于，所述负荷特性分析模块，包括负荷类型确定单元、负荷影响因子确定单元和负荷特性分
析单元；
所述负荷类型确定单元，用于根据实际微电网状况确定其所包括的负荷类型，所述负
荷类型包括第一产业负荷、第二产业负荷、第三产业负荷和居民生活负荷；
所述负荷影响因子确定单元，用于根据实际微电网状况确定其所包括的负荷类型对应
的影响因子，并对各负荷的影响因子和历史负荷数据进行归一化处理；
所述负荷特性分析单元，用于采用灰色关联度法分别计算各影响因子与各类负荷之间
的关联度，设定关联度阈值，将大于关联度阈值的关联度对应的影响因子作为该类负荷的
关联因子，从而确定各类负荷的关联因子。
4.根据权利要求1所述基于网购电和动态关联因子的微电网负荷预测系统，其特征在
于，所述短期负荷预测模块，包括RBF神经网络模型...

【专利技术属性】
技术研发人员：张化光，刘鑫蕊，孙秋野，孟腾龙，杨珺，王智良，黄博南，李云，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21