考虑风光因子下混频多变量分解的电力负荷概率预测方法技术

本发明专利技术公开了一考虑风光因子下混频多变量分解的电力负荷概率预测方法，包括：1采用MIDAS

【技术实现步骤摘要】
考虑风光因子下混频多变量分解的电力负荷概率预测方法


[0001]本专利技术属于短期电力负荷预测
，具体的说是一种考虑风光因子下混频多变量分解的电力负荷概率预测方法。

技术介绍

[0002]电力负荷预测是完成电力系统规划的重要步骤，概率性负荷预测相较于点预测方法更能全面刻画负荷的未来不确定信息，有助于电力系统稳定运行，做出更具效益性的决策。电力负荷时序流的复杂行为受多方面因素影响，其中，风电功率和光伏功率与电力负荷息息相关，呈现错综复杂的关系。因此，考虑模型中添加风光因子更能进一步解释电力负荷序列的波动性和不确定性，提高模型精确度，实现更加准确的负荷预测。
[0003]风电功率和光伏功率现阶段以高达5分钟的采样频率，与电力负荷数据往往无法处于同一频率。然而现有的预测模型都建立在同频数据的基础上，因此，解决数据频率不一成为了首要难题。以往的研究通常采用降采样、直接平均等传统方法对混频数据进行对齐，然而这些方法无法充分挖掘高频数据的信息，甚至出现信息偏置，无法发挥高频因子的最大效用。因此，充分探索高频数据信息，解决模型对接难题是必要的。
[0004]单变量时序分解技术是当下流行且成熟的数据预处理手段，将波动的负荷序列分解为若干条平稳子序列分别建模可以进一步减少模型拟合偏差。然而面对多因子模型，分别分解因子及负荷时序大概率会面临因得到不同数量和频率的固有模态分量而无法建模的情形。由上，纳入影响因子和平稳序列看似是一种选择而非并行项，如何解决二者并行问题进一步提高模型精度成为待解决难题。
专利技术内容
[0005]本专利技术为了解决上述现有技术的不足之处，提出一种考虑风光因子下混频多变量分解的电力负荷概率预测方法，以期能解决混频数据无法对接模型的难题，充分考虑高频风电功率、高频光伏功率及其他低频因子对低频电力负荷准确预测的影响，进一步减少模型拟合误差，以提高负荷预测准确性，为电力系统提供更为科学的决策依据。
[0006]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0007]本专利技术一种考虑风光因子下混频多变量分解的电力负荷概率预测方法的特点在于，包括以下步骤：
[0008]步骤1.分别采集低频电力负荷数据、低频影响因子、高频影响因子并进行预处理，得到预处理后的数据集，包括：低频电力负荷数据集{Y
t
}
t＝1,2,...,T
、N1个与低频电力负荷同频的影响因子数据集及N2个高频影响因子数据集其中，Y
t
为第t个时间点的低频电力负荷，为第t时刻点的第n1个低频影响因子；为第t时刻点的第n2个高频影响因子；T表示最大时刻点；
[0009]令表示频率比集合，其中，表示第n2个高频因子与低频变量Y
t
或第n2个高频因子与的频率比；
[0010]步骤2.设置归一化后的低频电力负荷数据集和第n2个高频影响因子数据集并构成训练集其中，表示归一化后的第t时刻点的电力负荷；表示归一化后的第t时刻点的第n2个高频影响因子；令表示归一化后的高频影响因子数据集；
[0011]利用式(1)对第n2个高频影响因子与低频电力负荷数据集建立第n2个混合数据抽样模型；
[0012][0013]式(1)中，表示第n2个混合数据抽样模型的残差，且个混合数据抽样模型的残差，且表示第t时刻的第n2个混合数据抽样模型的残差；表示第n2个混合数据抽样模型的截距项，表示第n2个混合数据抽样模型的系数；表示第n2个高频影响因子的滞后阶，且的滞后阶，且为第n2个高频影响因子的最大滞后阶数，表示第n2个混合数据抽样模型的权重函数；为第n2个混合数据抽样模型所选择的的参数集合，表示第n2个混合数据抽样模型所选择的权重函数的第r个参数；表示第时刻点的第n2个归一化后的高频影响因子；
[0014]步骤3.初始化后，对第n2个混合数据抽样模型进行拟合，得到拟合后的参数集合及对应的多项式权重
[0015]利用式(2)得到第n2个高频影响因子对应的低频影响因子数据集
[0016][0017]式(2)中，表示第t时刻点的第n2个高频影响因子对应的低频影响因子，表示第时刻点的第n2个高频影响因子；
[0018]将合并为新数据集
其中，X
n
表示第n个变量，且X
t,n
表示第t时刻点的第n个变量；N＝N1+N2+1；
[0019]步骤4.利用MEMD同时分解新数据集X的N个变量；
[0020]步骤4.1.将新数据集X中的N个变量一起投影到N
‑
1维球面上，再基于低差异Hammersley函数对投影后的N个变量进行采样，得到V个采样点并作为V个方向；
[0021]利用式(3)得到第v个方向上的第n个方向向量从而得到第v个方向上的方向向量进而得到V个方向的方向向量集合
[0022][0023]式(3)中，表示N
‑
1维球面上第v个方向上的第n
′
个角坐标，n
′
＝n
‑
1，1，表示第v个方向上的角坐标集合；n
′
＝1,
…
,N
‑
1；v＝1,2,
…
,V，
[0024]计算X沿ψ
v
上的投影{P
tv
}
t＝1,2,...,T
，其中，P
tv
为第t时刻点X沿ψ
v
上的投影，从而得到X沿所有方向上投影集合{P
tv
}
t＝1,2,...,T；v＝1,2,...,V
；
[0025]步骤4.2.根据第v个方向上的极值位置计算{P
tv
}
t＝1,2,...,T
的极值和极值点坐标；从而得到所有方向上投影集合{P
tv
}
t＝1,2,...,T；v＝1,2,...,V
的极值和极值点坐标；其中，表示第t时刻点第v个方向上的极值位置；
[0026]通过样条插值法对{P
tv
}
t＝1,2,...,T
的极值点坐标进行处理，得到第v个方向上的多维包络曲线{e
tv
}
t＝1,2,...,T
；从而得到多维包络曲线集合{e
tv
}
t＝1,2,...,T；v＝1,2,...,V
，其中，e
tv
为第t时刻点第v个方向上的多维包络曲线点；
[0027]利用式(4)计算第t时刻点的包络均值点LMean
t
，从而得到包络均值集合LMean＝{LMean
t
}
t＝1,2...,T
，：
[0028][0029]式(4)中，α为排除投影信号不够充分的模态数量；
[0030]步骤4.3.计算第t时刻的第n个子序列d
t,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑风光因子下混频多变量分解的电力负荷概率预测方法，其特征在于，包括以下步骤：步骤1.分别采集低频电力负荷数据、低频影响因子、高频影响因子并进行预处理，得到预处理后的数据集，包括：低频电力负荷数据集{Y
t
}
t＝1,2,...,T
、N1个与低频电力负荷同频的影响因子数据集及N2个高频影响因子数据集其中，Y
t
为第t个时间点的低频电力负荷，为第t时刻点的第n1个低频影响因子；为第t时刻点的第n2个高频影响因子；T表示最大时刻点；令表示频率比集合，其中，表示第n2个高频因子与低频变量Y
t
或第n2个高频因子与的频率比；步骤2.设置归一化后的低频电力负荷数据集和第n2个高频影响因子数据集并构成训练集其中，表示归一化后的第t时刻点的电力负荷；表示归一化后的第t时刻点的第n2个高频影响因子；令表示归一化后的高频影响因子数据集；利用式(1)对第n2个高频影响因子与低频电力负荷数据集建立第n2个混合数据抽样模型；式(1)中，表示第n2个混合数据抽样模型的残差，且个混合数据抽样模型的残差，且表示第t时刻的第n2个混合数据抽样模型的残差；表示第n2个混合数据抽样模型的截距项，表示第n2个混合数据抽样模型的系数；表示第n2个高频影响因子的滞后阶，且的滞后阶，且为第n2个高频影响因子的最大滞后阶数，的最大滞后阶数，表示第n2个混合数据抽样模型的权重函数；为第n2个混合数据抽样模型所选择的的参数集合，表示第n2个混合数据抽样模型所选择的权重函数的第r个参数；表示第时刻点的第n2个归一化后的高频影响因子；步骤3.初始化后，对第n2个混合数据抽样模型进行拟合，得到拟合后的参数集合及对应的多项式权重利用式(2)得到第n2个高频影响因子对应的低频影响因子数据集
式(2)中，表示第t时刻点的第n2个高频影响因子对应的低频影响因子，表示第时刻点的第n2个高频影响因子；将合并为新数据集其中，X
n
表示第n个变量，且X
t,n
表示第t时刻点的第n个变量；N＝N1+N2+1；步骤4.利用MEMD同时分解新数据集X的N个变量；步骤4.1.将新数据集X中的N个变量一起投影到N
‑
1维球面上，再基于低差异Hammersley函数对投影后的N个变量进行采样，得到V个采样点并作为V个方向；利用式(3)得到第v个方向上的第n个方向向量从而得到第v个方向上的方向向量进而得到V个方向的方向向量集合ψ＝{ψ
v
}
v＝1,2,...,V
：式(3)中，表示N
‑
1维球面上第v个方向上的第n
′
个角坐标，n
′
＝n
‑
1，1，表示第v个方向上的角坐标集合；n
′
＝1,...,N
‑
1；v＝1,2,...,V，计算X沿ψ
v
上的投影其中，P
tv
为第t时刻点X沿ψ
v
上的投影，从而得到X沿所有方向上投影集合{P
tv
}
t＝1,2,
…
,T；v＝1,2,
…
,V
；步骤4.2.根据第v个方向上的极值位置计算{P
tv
}
t＝1,2,
…
,T
的极值和极值点坐标；从而得到所有方向上投影集合{P
tv
}
t＝1,2,
…
,T；v＝1,2,
…
,V
的极值和极值点坐标；其中，表示第t时刻点第v个方向上的极值位置；通过样条插值法对{P
tv
}
t＝1,2,...,T
的极值点坐标进行处理，得到第v个方向上的多维包络曲线{e
tv
}
t＝1,2,
…
,T
；从而得到多维包络曲线集合{e
tv
}
t＝1,2,...,T；v＝1,2,...,V
，其中，e
tv
为第t时刻点第v个方向上的多维包络曲线点；利用式(4)计算第t时刻点的包络均值点LMean
t
，从而得到包络均值集合LMean＝{LMean
t
}
t＝1,2...,T
，：式(4)中，α为排除投影信号不够充分的模态数量；
步骤4.3.计算第t时刻的第n个子序列d
t,n
＝X
t,n
‑
LMean
t
，从而得到第n条子序列d
n
＝{d
t,n
}
...

【专利技术属性】
技术研发人员：何耀耀，刘玉婷，余娜娜，罗贺，付红，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：