考虑高比例分布式光伏接入的母线负荷预测方法及系统技术方案

本发明专利技术公开了涉及考虑高比例分布式光伏接入的母线负荷预测方法及系统，涉及店里系统负荷预测领域。该方法包括：步骤1，通过互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析，得到分析结果；步骤2，根据所述分析结果组成训练数据集；步骤3，将所述训练数据集分别输入至XGBoost模型以及极限学习机模型，得到XGBoost模型的第一输出结果以及极限学习机模型的第二输出结果；步骤4，对所述第一输出结果以及所述第二输出结果加权计算，得到预测结果。本发明专利技术能够解决没有在负荷预测中涉及母线的相关信息或特点问题，达到精准预测的效果。测的效果。测的效果。

【技术实现步骤摘要】
考虑高比例分布式光伏接入的母线负荷预测方法及系统


[0001]本专利技术涉及电力系统负荷预测领域，尤其涉及考虑高比例分布式光伏接入的母线负荷预测方法及系统。

技术介绍

[0002]随着对传统能源不断开发利用，其储备量已日渐枯竭，且环境问题也日趋严重，为解决上述问题，分布式电源的大规模接入应运而生，目前分布式光伏在可再生能源中占有重要的比重。以分布式光伏为例，随着光伏材料及有关控制技术的飞速发展，分布式光伏在配电网中所占比重逐年增长，在某种程度上，分布式光伏的规模化接入已部分解决了可再生能源的消纳问题。但是，当配电网中接入的分布式电源渗透比较高时会导致其母线辖区内的潮流分布情况与负荷形态发生巨大的转变，使得母线辖区内负荷不能有效反映用户用电负荷的真实状况，导致母线辖区内的负荷预测难度增加，需要充分计及分布式光伏接入对其产生的影响，且现有技术中都没有在负荷预测中涉及母线的相关信息或特点。

技术实现思路

[0003]本专利技术所要解决的技术问题是针对现有技术的不足，提供高比例分布式光伏接入的母线负荷预测方法及系统。
[0004]本专利技术解决上述技术问题的技术方案如下：一种考虑高比例分布式光伏接入的母线负荷预测方法，包括：
[0005]步骤1，通过互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析，得到分析结果；
[0006]步骤2，根据所述分析结果组成训练数据集；
[0007]步骤3，将所述训练数据集分别输入至XGBoost模型以及极限学习机模型，得到XGBoost模型的第一输出结果以及极限学习机模型的第二输出结果；
[0008]步骤4，对所述第一输出结果以及所述第二输出结果加权计算，得到预测结果。
[0009]本专利技术的有益效果是：通过利用互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析可以在一定程度上减少数据处理的量，提高处理效率，将训练集分别输入至两个模型中可以避免单一模型中的问题，其中极限学习机的输入信息需提前进行归一化处理，处理过程中可能存在部分信息损失掉，另外极限学习机易受到极限最小值的影响，导致模型训练失败。相比较而言，XGBoost算法的输入信息不需要进行归一化处理，能够最大程度的保留数据原始特征，但是XGBoost算法过分依赖于输入数据中的主导信息。两种算法侧重点不同，各有其优缺点，所以将两类算法进行线性结合能够兼顾两者的优点，使得混合学习模型能够有效提升母线辖区负荷预测精度。
[0010]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0011]进一步，步骤1之后还包括：
[0012]对分析结果进行筛选，剔除掉分析结果中不符合阈值要求的部分，得到优化后的
分析结果。
[0013]采用上述进一步方案的有益效果是，对分析结果进行筛选可以使数据更具说服力，同时以此建立的模型得到的预测结果更精确。
[0014]进一步，步骤2具体为：
[0015]将所述优化后的分析结果与增加量结合组成训练数据集。
[0016]采用上述进一步方案的有益效果是，完善的训练数据集可以提高模型最终预测结果的准确程度。
[0017]进一步，所述增加量包括：天气以及高比例分布式光伏的出力数据。
[0018]进一步，步骤4具体为：
[0019]将所述第一输出结果与所述第二输出结果相加，得到第三输出结果，并根据预设权重对所述第三输出结果进行加权，得到预测结果。
[0020]本专利技术解决上述技术问题的另一种技术方案如下：一种考虑高比例分布式光伏接入的母线负荷预测系统，包括：
[0021]分析模块，用于通过互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析，得到分析结果；
[0022]组成模块，用于根据所述分析结果组成训练数据集；
[0023]输出模块，用于将所述训练数据集分别输入至XGBoost模型以及极限学习机模型，得到XGBoost模型的第一输出结果以及极限学习机模型的第二输出结果；
[0024]预测模块，用于对所述第一输出结果以及所述第二输出结果加权计算，得到预测结果。
[0025]本专利技术的有益效果是：通过利用互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析可以在一定程度上减少数据处理的量，提高处理效率，将训练集分别输入至两个模型中可以避免单一模型中的问题，其中极限学习机的输入信息需提前进行归一化处理，处理过程中可能存在部分信息损失掉，另外极限学习机易受到极限最小值的影响，导致模型训练失败。相比较而言，XGBoost算法的输入信息不需要进行归一化处理，能够最大程度的保留数据原始特征，但是XGBoost算法过分依赖于输入数据中的主导信息。两种算法侧重点不同，各有其优缺点，所以将两类算法进行线性结合能够兼顾两者的优点，使得混合学习模型能够有效提升母线辖区负荷预测精度。
[0026]进一步，分析模块还用于：
[0027]对分析结果进行筛选，剔除掉分析结果中不符合阈值要求的部分，得到优化后的分析结果。
[0028]采用上述进一步方案的有益效果是，对分析结果进行筛选可以使数据更具说服力，同时以此建立的模型得到的预测结果更精确。
[0029]进一步，组成模块具体用于：
[0030]将所述优化后的分析结果与增加量结合组成训练数据集。
[0031]采用上述进一步方案的有益效果是，完善的训练数据集可以提高模型最终预测结果的准确程度。
[0032]进一步，所述增加量包括：天气以及高比例分布式光伏的出力数据。
[0033]进一步，预测模块具体用于：
[0034]将所述第一输出结果与所述第二输出结果相加，得到第三输出结果，并根据预设权重对所述第三输出结果进行加权，得到预测结。
[0035]本专利技术附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术实践了解到。
附图说明
[0036]图1为本专利技术一种考虑高比例分布式光伏接入的母线负荷预测方法的实施例提供的流程示意图；
[0037]图2为本专利技术一种考虑高比例分布式光伏接入的母线负荷预测系统的实施例提供的结构框架图；
[0038]图3为本专利技术一种考虑高比例分布式光伏接入的母线负荷预测方法的实施例提供的核函数极限学习机模型示意图；
[0039]图4为本专利技术一种考虑高比例分布式光伏接入的母线负荷预测方法的实施例提供的10kV母线辖区内为居民负荷预测结果示意图；
[0040]图5为本专利技术一种考虑高比例分布式光伏接入的母线负荷预测方法的实施例提供的110kV母线辖区内为工业负荷预测结果示意图；
[0041]图6为本专利技术一种考虑高比例分布式光伏接入的母线负荷预测方法的实施例提供的10kV母线辖区内为商业负荷预测结果示意图。
[0042]附图中，各标号所代表的部件列表如下：
[0043]100、分析模块，200、组成模块，300、输出模块，400本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑高比例分布式光伏接入的母线负荷预测方法，其特征在于，包括：步骤1，通过互信息系数对高比例分布式光伏数据以及母线负荷数据进行相关性分析，得到分析结果；步骤2，根据所述分析结果组成训练数据集；步骤3，将所述训练数据集分别输入至XGBoost模型以及极限学习机模型，得到XGBoost模型的第一输出结果以及极限学习机模型的第二输出结果；步骤4，对所述第一输出结果以及所述第二输出结果加权计算，得到预测结果。2.根据权利要求1所述的一种考虑高比例分布式光伏接入的母线负荷预测方法，其特征在于，步骤1之后还包括：对分析结果进行筛选，剔除掉分析结果中不符合阈值要求的部分，得到优化后的分析结果。3.根据权利要求2所述的一种考虑高比例分布式光伏接入的母线负荷预测方法，其特征在于，步骤2具体为：将所述优化后的分析结果与增加量结合组成训练数据集。4.根据权利要求3所述的一种考虑高比例分布式光伏接入的母线负荷预测方法，其特征在于，所述增加量包括：天气以及高比例分布式光伏的出力数据。5.根据权利要求1所述的一种考虑高比例分布式光伏接入的母线负荷预测方法，其特征在于，步骤4具体为：将所述第一输出结果与所述第二输出结果相加，得到第三输出结果，并根据预设权重对所述第三输出结果进行加权，得到预测结果。6.一种考虑高比例分布式光伏接...

【专利技术属性】
技术研发人员：丁施尹，叶萌，李晶，罗微，于琪，刘梅，郭德华，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：