一种面向工业负荷需求响应可调节潜力的预测方法技术

本发明专利技术属于电力需求响应短期负荷预测的技术领域，具体涉及一种面向工业负荷需求响应调节潜力的基于双向长短期记忆(LSTM)网络预测方法过程的预测方法，用于支撑电网开展工业可再生能源消纳。负荷预测对于平衡电力供需以及新能源消纳至关重要。目前大多数基于机器学习的负荷预测都属于单向LSTM网络，预测准确率以及精度都有所局限，因此，本专利通过双向LSTM网络来改进负荷预测方法。面向工业负荷预测场景考虑工业用电设备及生产工艺流程，基于历史用电数据预测不同工业生产典型工厂可调节潜力。在考虑区域新能源消纳的前提下提高方法的普适性以及预测准确率，实现可调节负荷资源的价值挖掘。源的价值挖掘。

【技术实现步骤摘要】
一种面向工业负荷需求响应可调节潜力的预测方法


[0001]本专利技术专利设计一种面向工业负荷需求响应可调节潜力的预测方法。
技术背景
[0002]大量清洁的可再生能源投入使用，可减少碳排放，然而可再生能源的产出具有间歇性，为使可再生能源供电与电力需求相匹配，挖掘用电用户的可调节潜力，可支撑需求侧进行新能源消纳，能够保持电网的稳定。
[0003]负荷预测能够提高新型电力系统新能源消纳可靠性。由于电力系统的现代化，负荷预测的应用在当今的需求响应背景下变得更为重要。需求响应对新能源消纳的优势，也依赖负荷预测技术分析需求以及调节潜力。短期负荷预测已有一定的研究基础，然而，由于单变量时间序列历史负荷数据的非线性特征，基于机器学习的预测方法被广泛使用，其中长短期记忆(LSTM)网络，已广泛用于短期负荷需求和功率波动预测任务等场景。但是单向LSTM网络预测方法，由于其只使用单向存储器，部分隐藏层数据可能缺失，为提高预测准确率可通过使用的双向LSTM网络预测方法通过两个定向存储器(前馈和反馈回路)使用以前和将来的隐藏层数据。通过这种方式，所提出的预测方法可以有效地提取所有隐藏层特征，提高预测准确率。

技术实现思路

[0004]本专利技术属于需求侧用户可调节潜力分析的
，具体涉及一种面向工业负荷需求响应调节潜力的预测方法，用于支撑电网开展基于工业用户的大规模可再生能源消纳。随着国家能源战略的实施，可再生能源面临更大规模开发的历史机遇，同时各地也已开始出现一定程度的限电问题。工业高耗能负荷占比较大，且受季节性变化具有一定波动性，可作为新能源消纳对象分析其可调节潜力，因此，本专利考虑单变量时间序列历史负荷数据的非线性特征，采用LSTM改进双向网络算法结合不同工业典型用电设备用电特性，通过历史数据分析以及量化新能源消纳可调节指标，针对工业可调节潜力分析场景的同时满足新能源消纳需求，能够障电力供需平衡，并且提高电力系统运行可靠性。
附图说明
[0005]图1为根据本专利技术实施方式的一种面向工业负荷需求响应调节潜力的模型图；以及
[0006]图2为根据本专利技术实施方式的一种面向工业负荷需求响应调节潜力的预测方法流程图。
具体实施方式
[0007]现在参考附图介绍本专利技术的示例性实施方式，然而，本专利技术可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开
本专利技术，并且向所属
的技术人员充分传达本专利技术的范围。对于表示在附图中的示例性实施方式中的术语并不是对本专利技术的限定。在附图中，相同的单元/元件使用相同的附图标记。
[0008]除非另有说明，此处使用的术语(包括科技术语)对所属
的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
[0009]考虑需求侧工业企业种类众多，同种类用电设备众多且同行业生产流程不尽相同，为简单起见，进行模型输入时采用的用电设备用电特性设为可变参数。
[0010]步骤1：将每天的每个输入负荷历史数据序列划分为不同的聚类。为了历史数据预测每个聚类，考虑每个变量的单独输入向量。由于每个预测参数的趋势不同，为每个预测参数定义了一个特定的结构即指定特定的预测网络。在此阶段，为每日用电设置一个聚类目标，并且预测任务的输入数据序列以监督的方式指定为其预测网络。
[0011]聚类任务通过机器学习方法在无监督环下完成。给出评估聚类性能DB参数，定义为集群内簇间距离，公式如下：
[0012][0013][0014]最优聚类方案即DB值最小，通过聚类对每天的工业用电数据进行训练，每个聚类的质心视为其聚类的目标。接下来通过SVM这一常用的机器学习方法进行数据分类。SVM核心思想为核函数，通过将数据映射到具有更高维度的新特征空间，然后在新特征空间内建立输入和输出变量之间的线性关系，将非线性特征转换为线性特征。设训练样本集为S＝{(x
i
,y
i
)，x
i
∈R
n
,y
i
∈R，i＝1,2,...,l}，其中x
i
为n维的训练样本输入，y
i
为训练样本输出，l为样本数。SVM用下式来拟合估计：
[0015][0016]其中为输入空间到新高维特征空间的非线性映射；ω为权值矢量；b为偏置。假设所有SCM训练数据都使用线性函数拟合，即求解最小化的优化问题：
[0017][0018]此时进一步利用核函数的求解方法，令K(x,x
i
)＝ω
T
ω，此时需要求解的非线性函数可表示为高维特征空间线性映射：
[0019][0020]此步骤中，SVM用于为每日用电数据分配预测网络做监督分类。
[0021]步骤2：
[0022]为量化进行新能源消纳需求侧调节的指标作为模型系数，采用历史工业需求响应
邀约中的负荷曲线进行分析，分为以下3类：
[0023]1、预测基线负荷：根据历史用电数据预测响应当天如果未实施需求响应的实际用电基线负荷，记为Q0。
[0024]2、计算最大响应负荷：根据基线负荷和邀约响应负荷得出响应当天最大响应负荷，即邀约响应达到最大响应容量时的负荷曲线，记为Q
m
。
[0025]3、给出响应标准容量：电网根据基线负荷和邀约响应负荷给出响应当天的响应标准，即用户需要根据约定达到的响应容量，记为Q1。
[0026]根据上述3种负荷曲线，可以量化出电网所需的需求响应程度α1(t)和实际响应程度α(t)：
[0027][0028][0029]式中，Q0(t)表示工业用户邀约响应当天t时段的基线负荷功率；Q1(t)为工业用户邀约响应当天t时段响应标准容量；Q
m
(t)是工业用户邀约响应当天t时段最大响应负荷功率。由响应程度的定义可知，要将工业用户的响应行为量化，可以用工业用户邀约响应的完成度以及用户参与邀约的收益率来综合描述，工业用户参与响应收益率越高则邀约响应意愿越强。
[0030]要计算用户的等效响应程度综合考虑以下三点：1.t时段的响应完成度；2.工业用户的平均邀约响应完成度；3.，用户的等效响应完成度受不同的时间电网对用户响应需求影响。根据上述三条原则，定义工业用户的响应完成度R
c
和最大响应完成度R
c,max
：
[0031][0032][0033]由以上分析可得响应完成度以及最大响应完成度越大则工业用户需求响应潜力越大。
[0034]获得以上表征工业用户进行新能源消纳需求侧邀约调节的指标后将其作为模型系数输入。
[0035]步骤3：构建单向LSTM网络作为下一步构建双向LSTM网络进行预测的基础。LSTM网络为解决基于循环神经网络(RNN)训练期间长时间分量的梯度范数快速本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向工业负荷需求响应可调节潜力的预测方法，所述方法包含：以历史用电数据、主要用电设备用电特性作为模型输入；以及量化进行新能源消纳需求侧调节的指标作为模型系数；以及通过迭代算法优化双向LSTM网络预测方法下的模型参数提高准确率。2.根据权利要求1所述的方案，预测模型输入包括工业典型佛工厂历史用电数据、分工业主要用电设备用电特性，可以扩展为同一类工业用户负荷...

【专利技术属性】
技术研发人员：刘飞，张桂红，张祥成，王世斌，刘庆彪，刘联涛，李积泰，白左霞，张君，车琰瑛，彭飞，范瑞铭，刘安誉，魏吟娬，王京菊，白雪峰，李彬，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：