一种多能源结构下的电网负荷调度预测方法及系统技术方案

本发明专利技术公开了一种多能源结构下的电网负荷调度预测方法及系统，包括以下步骤：步骤S1、根据微电网结构确定能源组成获取数据；步骤S2、对获取到的地区数据进行预处理，使用随机森林算法得到影响风力发电、太阳能发电的高关联度输入变量，对输入变量进行预处理，获取特征输入向量；步骤S3、根据所述特征输入向量的时序数据，采用长短时神经网络LSTM优化所述特征输入向量，建立深度学习模型；步骤S4、判断当前风力发电量和太阳能发电量的总和是否超过用电需求量，将各种能源供电比例发送到微电网中，执行微电网负荷调度，提高了电荷预测精度，可处理更大规模的模型数据，模型通用性更强，性能更加优异，提高了系统调度的准确性。提高了系统调度的准确性。提高了系统调度的准确性。

【技术实现步骤摘要】
一种多能源结构下的电网负荷调度预测方法及系统


[0001]本专利技术实施例涉及电力调度
，具体涉及一种多能源结构下的电网负荷调度预测方法及系统。

技术介绍

[0002]随着能源消费的快速增长，导致传统能源日益枯竭，为了应对这一严峻问题，人类加快了对可再生能源的研究和开发，其中，太阳能因为其具有容易获取和绿色环保等优势，基于太阳能发电的光伏微电网逐渐成为人类对可再生能源研究和利用的发展方向，但是由于易受天气和外部环境等各种客观的不可控的因素的影响，光伏微电网中的发电及负荷会呈现出一定程度的不确定性，难以实现微电网的经济稳定运行，因此，获取精确的微电网发电和负荷预测数据，制定合理的微电网能量调度策略，具有重要意义。
[0003]现有的用于多能源结构下的电网负荷调度预测方法及系统还存在的缺陷如下：
[0004](1)现有的用于主动配电网调度的目标函数仅仅以网损最低或潮流最优为目标，导致调度数据不全面，不能实时反映地区内的真是电网负荷情况；
[0005](2)现有的电网负荷调度重要的目标之一是解决以新能源为主的分布式能源高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多能源结构下的电网负荷调度预测方法，其特征在于，包括以下步骤：步骤S1、根据微电网结构确定能源组成，获取风力发电数据、太阳能发电数据、地区气象数据；根据微电网能源组成结构，确定耗电设备数量及耗电设备单元能耗；步骤S2、对获取到的所述风力发电数据、太阳能发电数据、地区气象数据进行预处理，使用随机森林算法得到影响风力发电、太阳能发电的高关联度输入变量，对输入变量进行预处理，以时间戳为主键，建立风力发电、太阳能发电的特征输入向量；步骤S3、根据所述特征输入向量的时序数据，采用长短时神经网络LSTM优化所述特征输入向量，建立深度学习模型，采用所述深度学习模型预测下一时刻风力发电量及太阳能发电量；步骤S4、判断当前风力发电量和太阳能发电量的总和是否超过用电需求量，采用遗传算法求解最优参数作为能源分配标准，再将各种能源供电比例发送到微电网中，执行微电网负荷调度。2.根据权利要求1所述的一种多能源结构下的电网负荷调度预测方法，其特征在于，在步骤S1中，依据所述微电网结构中的能源组成及能源波动程度确定微电网内能源结构，根据所述微电网内能源波动程度确定风力发电量和太阳能发电量，通过提取微电网内耗电设备的耗电量总和确定所述风力发电数据和太阳能发电数据，对波动较大、非平稳性的以及存在剧烈变化的风力发电、太阳能发电数据序列进行平滑处理，获取数据均值确定气象数据影响因子。3.根据权利要求2所述的一种多能源结构下的电网负荷调度预测方法，其特征在于，依据所述气象数据影响因子采用随机森林算法获取影响风力发电、太阳能发电的高关联度输入变量，具体为：步骤S201、利用Bootstrap重抽样法从风力发电数据、太阳能发电数据以及地区气象数据训练集中抽取k个训练集样本θ1,θ2,
…
,θ
k
，由每个训练集生成对用的决策树{T(x,θ1)},{T(x,θ2),
…
,{T(x,θ
k
)}}，其中k表示随机森林中树的个数；步骤S202、已知样本的维数为M，在节点分裂的过程中，就从M维特征中随机抽取m个特征作为此节点的分裂特征集，m值根据样本量的大小设定，且m的值在整个随机森林形成过程中维持不变；步骤S203、对每个决策树都不进行剪枝处理，使其得到最大程度的生长，当有一个新的数据X＝x时，单棵决策树T(θ)的预测可以通过叶节点l(x,θ)的观测值取平均获得，其权重向量表达式为；其中，R
i
(i＝1,2,
…
,n)表示决策树参数集，X
i
(i＝1,2,
…
,n)表示决策树参数集内对应的新数据；步骤S204、在给定自变量X＝x下，单棵决策树的预测值就通过因变量Y
i
(i＝1,2,
…
,n)预测值加权平均得到，单棵决策树的预测值表达式为：
；步骤S205、通过对决策树权重X＝X
i
(i∈{1,2,
…
,n})t＝(1,2,
…
,k)取平均，得到每个观测值i∈(1,2,
…
,n)的权重，其表达式为：对于所有的高关联度输入变量y，随机森林的预测可记为其表达式为：。4.根据权利要求3所述的一种多能源结构下的电网负荷调度预测方法，其特征在于，对所述给定自变量X取均值获取特征量重要性指数，依据特征量重要性指数对所述高关联度输入变量y做样本相关性分析，基于随机森林回归做负荷预测，具体为：首先，处理已有的负荷数据和与负荷数据有关的其他数据，作为特征值，例如气象因素值等，提取出有用时间点时间段的数据；其次，按照R语言随机森林安装包里的训练集样本模式，整理提取出的数据，根据所有预测的时间点，建立合适的预测样本；最后，采用MATLAB平台调用R语言对预测样本进行建模，获取特征输入向量的时序数据。5.根据权利要求4所述的一种多能源结构下的电网负荷调度预测方法，其特征在于，在步骤S3中，采用长短时神经网络LSTM优化所述特征输入向量，建立深度学习模型，具体为：步骤S301、将所述长短时神经网络LSTM的长短时记忆单元的个数，学习率以及批量大小设置为正弦余弦算法的候选解个体，且取值范围分别设置为[5,40]、[0.0001,0.1]和[10,150]，种群的规模和最大迭代...

【专利技术属性】
技术研发人员：王磊，朱真德，李游，
申请(专利权)人：中交机电工程局有限公司，
类型：发明
国别省市：