一种基于两阶段还原的地区网供负荷精细化预测方法技术

一种基于两阶段还原的地区网供负荷精细化预测方法，包括以下步骤：步骤一：采集地区用电负荷、小水火电、新能源发电和区域互供功率的历史数据，以及分时分区气象的历史和预测数据；步骤二：采用两阶段还原法，将网供负荷分解为地区用电负荷与小水火电、新能源发电和区域互供功率的组合；步骤三：根据不同类型负荷的特点和影响因素，引入分时分区气象信息，构建不同的预测模型，并基于各类型负荷预测模型和预测日的精细化气象预测值，获得各类型负荷曲线的预测结果；步骤四：将各类型的负荷预测曲线进行组合，还原得到预测日的网供负荷预测曲线。

【技术实现步骤摘要】
一种基于两阶段还原的地区网供负荷精细化预测方法
本专利技术属于电力系统领域，具体涉及一种基于两阶段还原的地区网供负荷精细化预测方法。
技术介绍
电力系统短期负荷预测是调度计划、运行方式安排的重要依据，其准确率不仅是衡量调度运行水平的重要指标，也是调度工作水平的综合体现。对电力系统短期负荷预测的研究已有很长的历史，目前国内外对电力系统负荷预测的方法主要有以下几种类型：经典方法，传统方法(包括时间序列分析法，回归分析法，灰色预测法)，新兴方法(包括专家系统，模糊预测法，人工神经网络等人工智能方法及新兴的小波分析法及组合预测方法等)。然而，这些方法只能针对某种单一的负荷分量进行预测，如用电负荷、小水电或风、光新能源发电负荷等。在我国现行电力管理体制下，地市电力公司需要对网供负荷——省级电网调度关口供给地区的电力负荷开展预测。网供负荷实际上是一个具有多成分、非线性与受多因素综合影响的复杂对象，影响不同负荷分量的因素不尽相同，不同负荷分量的变化特性和影响模式也存在显著差异。随着居民调温负荷日益增长，风、光、水等清洁能源发电占比不断增加，气象敏感性负荷占地区总负荷的比重不断上升，仅利用全地区综合气象要素、且针对单一负荷分量的传统负荷预测方法，在应对复杂气象条件和多负荷分量并存的网供负荷预测时，其精度将难以满足要求。为此，需要引入更加精细化的分时分区气象信息，并将组成网供负荷的不同负荷分量予以区别对待，根据各自特点选择有针对性的预测方法，以提高地区网供负荷预测的准确性。
技术实现思路
本专利技术目的是提供一种基于地区负荷和清洁能源出力特性，通过开展短期负荷精细化智能预测的研究，能明显提高地区清洁能源出力、用电负荷及省供负荷在日前短期时间尺度下的预测精度和自动化程度的地区网供负荷精细化预测方法。为了实现上述的技术特征，本专利技术采用的技术方案是：一种基于两阶段还原的地区网供负荷精细化预测方法，包括以下步骤：步骤一：采集地区用电负荷、小水火电、新能源发电和区域互供功率的历史数据，以及分时分区气象的历史和预测数据；步骤二：采用两阶段还原法，将网供负荷分解为地区用电负荷与小水火电、新能源发电和区域互供功率的组合；步骤三：根据不同类型负荷的特点和影响因素，引入分时分区气象信息，构建不同的预测模型，并基于各类型负荷预测模型和预测日的精细化气象预测值，获得各类型负荷曲线的预测结果；步骤四：将各类型的负荷预测曲线进行组合，还原得到预测日的网供负荷预测曲线。在步骤一中，采集地区用电负荷PL,d、小水火电发电功率PS,d、新能源发电功率PN,d和区域互供功率PH,d的历史数据以及分时分区气温Td、降雨量Hd、太阳辐照度Id和风速Vd的历史和预测数据，其中d∈{1,...,D},D为历史样本日的总天数。在步骤二中，采用两阶段还原法，将网供负荷PW,d分解为地区用电负荷PL,d与小水火电发电功率PS,d，新能源发电功率PN,d和区域互供功率PH,d的组合：PW,d＝PL,d-PS,d-PN,d-PH,d(d＝1,2,...,D)。在步骤三中，基于各类型负荷预测模型和预测日的精细化气象预测值，获得各类型负荷曲线的预测结果，具体采用以下步骤：步骤1.预测地区用电负荷曲线PL,f，将前一日地区用电负荷曲线PL,d-1、预测日的分时分区气温Td以及分时分区降雨量Hd作为输入参数XL,d，建立地区用电负荷曲线PL,d的LSTM神经网络预测模型fLSTM；并依据预测前日和当日的日类型转移一致为原则，按距离预测时间由近及远选择训练样本，对LSTM参数θLSTM进行训练，获取最优LSTM预测参数最后利用最优LSTM预测模型和预测日的输入参数XL,f，对预测日的电力负荷曲线PL,f进行预测：XL,d＝[Td,Hd,PL,d-1]PL,d＝fLSTM(XL,d,θLSTM)步骤2.预测小水火电发电功率PS,f，将小水电功率曲线分解为日最大Pmax,d、最小功率Pmin,d和标幺化曲线Fd三个特征量；对日最大、最小功率Pmax,d和Pmin,d，采用时间序列神经网络fnarxnet开展预测；对标幺化曲线Fd，通过Kmeans技术将历史标幺曲线聚为K类，采用概率神经网络fPNN依据预测日的分区降雨量Hf和最大功率Pmax,f、最小功率Pmin,f的预测值，识别预测日对应的标幺曲线类别kf，并以第kf类别的中心标幺曲线作为预测日标幺化曲线Ff的预测结果；最后将预测日的日最大、最小功率和标幺化曲线三个特征量Pmax,f、Pmin,f、Ff的预测信息加以组合，得到小水电发电功率曲线PS,f的预测结果；步骤3.预测新能源发电功率PN,f，将新能源发电功率PN,d-1与分时分区辐照度Id或风速Vd作为输入参数，建立新能源发电功率曲线PN,d的RBF神经网络预测模型fRBF；并依据训练样本对模型参数θRBF进行训练，获取最优预测模型参数最后利用最优新能源发电功率预测模型和预测日的输入参数XN,f，对预测日的电力负荷曲线PN,f进行预测：XN,d＝[IdorVd,PN,d-1]PN,d＝fRBF(XN,d,θRBF)步骤4.预测区域互供功率PH,f，将前n日的区域互供功率[PH,f-1,PH,f-2,…,PH,f-n]作为输入参数，建立区域互供功率曲线PH,f的灰色预测模型：PH,f＝fGRAY(PH,f-1,PH,f-2,...,PH,f-n)。在步骤4)中，将地区用电负荷PL,f与小水火电PS,f、新能源PN,f、区域互供PH,f功率曲线预测结果合成，还原得到该地区网供负荷PW,f预测曲线：PW,f＝PL,f-PS,f-PN,f-PH,f。将地区用电负荷PL,f与小水火电PS,f、新能源PN,f、区域互供PH,f功率曲线预测结果合成，还原得到该地区网供负荷PW,f预测曲线：PW,f＝PL,f-PS,f-PN,f-PH,f。在步骤2中，对小水火电功率曲线的特征组合预测实施以下步骤：1)将小水火电历史样本日功率曲线[P1,P2,…,P96]d分解为历史样本日的功率基值——最大功率Pmax,d＝max{P1,P2,…,P96}d和最小功率Pmin,d＝＝min{P1,P2,…,P96}d，以及标幺化曲线Fd：2)采用时间序列神经网络建立小水火电的日最大和最小发电功率预测模型fnarnet，通过历史训练样本对模型参数θ进行训练，寻找使训练样本误差函数最小的最优模型参数并代入预测日前1日的小水火电功率曲线和前n日的分时分区降雨量等输入参数，对预测日的小水火电日最大和最小发电功率Pmax,f、Pmin,f进行预测：Pmax,d＝f1,narxnet(Hd,Hd-1,Hd-2,…,Hd-n,Pmax,d-1,θ1)Pmin,d＝f2,narxnet(Hd,Hd-1,Hd-2,…,Hd-n,Pmin,d-1,θ2)3)以降雨量Hd和日最大、最小功率Pmax,d和Pmin,d为相关因素，根据连续多日降雨量确定的降雨模式相似度，将历史标幺曲线Fd聚类为K类，并利用概率神经网络确定预测日的标幺曲线类别kf，进而预测小水火电发电功率的标幺化曲线Ff：kf＝fPNN(Pmax,f,Pmin,f,Hf,Pmax,d,Pmin,d,Hd,kd)(d∈{1,2,...,D},kf∈{1,2,...,K})本文档来自技高网...

【技术保护点】
1.一种基于两阶段还原的地区网供负荷精细化预测方法，其特征在于，包括以下步骤：步骤一：采集地区用电负荷、小水火电、新能源发电和区域互供功率的历史数据，以及分时分区气象的历史和预测数据；步骤二：采用两阶段还原法，将网供负荷分解为地区用电负荷与小水火电、新能源发电和区域互供功率的组合；步骤三：根据不同类型负荷的特点和影响因素，引入分时分区气象信息，构建不同的预测模型，并基于各类型负荷预测模型和预测日的精细化气象预测值，获得各类型负荷曲线的预测结果；步骤四：将各类型的负荷预测曲线进行组合，还原得到预测日的网供负荷预测曲线。

【技术特征摘要】
1.一种基于两阶段还原的地区网供负荷精细化预测方法，其特征在于，包括以下步骤：步骤一：采集地区用电负荷、小水火电、新能源发电和区域互供功率的历史数据，以及分时分区气象的历史和预测数据；步骤二：采用两阶段还原法，将网供负荷分解为地区用电负荷与小水火电、新能源发电和区域互供功率的组合；步骤三：根据不同类型负荷的特点和影响因素，引入分时分区气象信息，构建不同的预测模型，并基于各类型负荷预测模型和预测日的精细化气象预测值，获得各类型负荷曲线的预测结果；步骤四：将各类型的负荷预测曲线进行组合，还原得到预测日的网供负荷预测曲线。2.根据权利要求1所述的基于两阶段还原的地区网供负荷精细化预测方法，其特征在于：在步骤一中，采集地区用电负荷PL,d、小水火电发电功率PS,d、新能源发电功率PN,d和区域互供功率PH,d的历史数据以及分时分区气温Td、降雨量Hd、太阳辐照度Id和风速Vd的历史和预测数据，其中d∈{1,...,D},D为历史样本日的总天数。3.根据权利要求1或2所述的基于两阶段还原的地区网供负荷精细化预测方法，其特征在于：在步骤二中，采用两阶段还原法，将网供负荷PW,d分解为地区用电负荷PL,d与小水火电发电功率PS,d，新能源发电功率PN,d和区域互供功率PH,d的组合：PW,d＝PL,d-PS,d-PN,d-PH,d(d＝1,2,...,D)。4.根据权利要求3所述的基于两阶段还原的地区网供负荷精细化预测方法，其特征在于：在步骤三中，基于各类型负荷预测模型和预测日的精细化气象预测值，获得各类型负荷曲线的预测结果，具体采用以下步骤：步骤1.预测地区用电负荷曲线PL,f，将前一日地区用电负荷曲线PL,d-1、预测日的分时分区气温Td以及分时分区降雨量Hd作为输入参数XL,d，建立地区用电负荷曲线PL,d的LSTM神经网络预测模型fLSTM；并依据预测前日和当日的日类型转移一致为原则，按距离预测时间由近及远选择训练样本，对LSTM参数θLSTM进行训练，获取最优LSTM预测参数最后利用最优LSTM预测模型和预测日的输入参数XL,f，对预测日的电力负荷曲线PL,f进行预测：XL,d＝[Td,Hd,PL,d-1]PL,d＝fLSTM(XL,d,θLSTM)步骤2.预测小水火电发电功率PS,f，将小水电功率曲线分解为日最大Pmax,d、最小功率Pmin,d和标幺化曲线Fd三个特征量；对日最大、最小功率Pmax,d和Pmin,d，采用时间序列神经网络fnarxnet开展预测；对标幺化曲线Fd，通过Kmeans技术将历史标幺曲线聚为K类，采用概率神经网络fPNN依据预测日的分区降雨量Hf和最大功率Pmax,f、最小功率Pmin,f的预测值，识别预测日对应的标幺曲线类别kf，并以第kf类别的中心标幺曲线作为预测日标幺化曲线Ff的预测结果；最后将预测日的日最大、最小功率和标幺化曲线三个特征量Pmax,f、Pmin,f、Ff的预测信息加以组合，得到小水电发电功率曲线PS,f的预测结果；步骤3.预测新能源发电功率PN,f，将新能源发电功率PN,d-1与分时分区辐照度Id或风速Vd作为输入参数，建立新能源发电功率曲线PN,d的RBF神经网络预测模型fRBF；并依据训练样本对模型参数θRBF进行训练，获取最优预测模型参数最后利用最优新能源发电功率预测模型和预测日的输入参数XN,f，对预测日的电力负荷曲线PN,f进行预测：XN,d＝[IdorVd,PN,d-1]PN,d＝fRBF(XN,d,θRBF)步骤...

【专利技术属性】
技术研发人员：李丹，杨保华，张远航，谢晨晟，王奎，贺彩，云洋，李紫瑶，邓思影，
申请(专利权)人：三峡大学，
类型：发明
国别省市：湖北,42