面向工业用户的有功无功多元联合概率预测方法及系统技术方案

本发明专利技术属于多元联合概率预测领域，为一种面向工业用户的有功无功多元联合概率预测方法及系统，包括：将有功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，通过概率有功功率预测模型得到有功功率的单个预测分位数；将无功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，通过概率无功功率预测模型得到无功功率的单个预测分位数；将有功功率预测分位数与无功功率预测分位数作为第二预测因子，将有功功率数据和无功功率数据作为目标变量，采用多元分位数回归模型得到有功功率预测分位数和无功功率预测分位数。解决预测系统的准确性下降的问题。性下降的问题。性下降的问题。

【技术实现步骤摘要】
面向工业用户的有功无功多元联合概率预测方法及系统


[0001]本专利技术属于有功无功多元联合概率预测
，具体地而言为一种面向工业用户的有功无功多元联合概率预测方法及系统。

技术介绍

[0002]相比于工业用户负荷预测，电力系统总负荷受许多外部因素的影响，如气温、时间、人口、经济、地理条件等，而工业负荷则主要由企业的生产经营活动决定，受上述因素的影响较小。
[0003]大多数负荷预测文件都在处理高压下的天气响应负荷，而工业负荷预测则很少。由于许多工厂和工厂的电力消耗很大，因此他们强烈希望改善能源管理。从单个设备级别到工厂级别的准确短期工业负荷预测可能对工厂及其负荷服务实体都有利。
[0004]无功功率预测对于管理工厂和工厂的能源系统至关重要。然而，科学界对工业负荷预测的关注很少，而对无功功率的预测则更少。很少研究开发工厂短期无功功率预测系统的挑战。工业负荷可能取决于许多因素，例如计划的过程和工作班次，这在传统的负荷预测模型中并不常见或不必要。而且，无功功率的特性与有功功率有很大的不同，因此经典负荷预测模型中的一些常用变量可能对预测无功功率变得毫无意义。
[0005]负荷预测应用中的术语“负荷”通常是指有功功率(以kW为单位)或能量(以kWh为单位)。很少有论文致力于无功功率预测。许多重要的操作都依赖于对无功功率的正确理解，例如Volt/VAR优化，电能质量改善，频率控制和稳态潮流分析。因此，准确的无功功率预测对于电力工程师来说是必不可少的，以便深入了解未来的无功功率曲线并在输配电水平上提高电网的卓越运营水平。
[0006]近年来，智能电网的实际实施和能源市场的开放推动了对准确无功功率预测的额外需求。在智能电网框架中，分布式能源的日前和小时前调度中需要无功功率预测，以确保符合网络约束。为了追求科学调度，在总级别和单个负荷级别都需要这些预测，其中讨论了无功功率对解决应用于智能电网和微电网的最佳功率流的影响。电力市场也涉及无功功率预测。在许多国家，电力市场只能应付固定时间间隔内的有功功率交易。然而，需要无功功率预测来测试传输系统运营商从发电厂到负荷的能源路径的技术可行性，如果违反技术约束，运营商将重新配置市场资产。此外，预计无功功率预测将在不久的将来成为无功市场的基本输入。
[0007]传统无功功率预测的方法是将有功功率预测值乘以与平均功率因数相关的系数，或者是单纯依靠系统操作员经验的方法。有研究文献提出了人工神经网络来预测住宅建筑物和变电站的无功功率。在概率框架中还提出了神经网络来预测散装供应客车的无功功率。利用另一种基于有功和无功之间的线性和分段线性关系的方法来建立无功功率的回归模型。Takagi
‑
Sugeno模糊方法应用于有功和无功功率的超短期预测。
[0008]解决了短期工业无功功率预测(STLF)的新问题，工业负荷预测和无功功率预测之间的重叠区域。由于在模型构建中必须考虑不同且不均匀的输入，因此该问题并非无关紧
要。24/7全天候运行的工厂可能与仅在工作日运行的工厂具有不同的无功功率曲线。手动控制的机器可能具有与熔炉或自动化机器不同的无功功率曲线。另外，无功功率可能或多或少地对消耗的有功功率或电源电压敏感。它可能会或可能不会响应天气。即使在同一工厂内，设备级别的负荷也可能彼此不同。因此，在建立准确的无功功率预测模型之前，必须确定并调查特定的日历，天气和电气变量。
[0009]电力需求受随机特征的影响，使输配电网络的管理复杂化。精确的负荷概率预测的可用性是许多电力系统任务的关键，这些任务最好通过考虑需求和相关负荷的不确定性的基于风险的优化程序得以解决。随着负荷的增大，概率预测对于电力系统的运行也越来越重要，因此，为大用户开发特定的预测系统是有必要的。工业工厂就很有必要：例如，意大利一年消耗的总电能的40％以上被输送到工业系统。由于大量的消耗，大型企业和大型工业工厂可能会从直接参与电力市场和改善他们的能源管理中得到实质性的益处。随着多个制造过程可能会被移除或转移，工业微电网可能会在大型工厂里实现，从而更好的利用分布式能源。因此，提高工业公用事业的预测精度可能会对整个电力系统的运行和管理以及设备的所有者产生积极的影响。
[0010]传统关于概率负荷预测的研究主要集中在参数预测模型的发展上。近年来，关于概率负荷预测的文献有了很大的发展，研究的重点也转向了非参数建模。相关的概率负荷预测系统是基于分位数回归模型(QR)和分位数回归均值、分位数回归森林(QRFs)(也在最优组合框架中)、或梯度提升模型。这些模型已广泛应用于变电站或智能电表节点；然而，当目标负荷是工业工厂的需求时，预测系统的准确性可能会下降。这是由于影响工业需求的特定特征、工业负荷分布的特定季节模式以及环境温度对预测工业负荷的重要性相对较小。提高工业负荷预测准确性的唯一方法是开发专门的考虑到所有这些具体特征的预测系统。

技术实现思路

[0011]本专利技术所要解决的技术问题在于提供一种面向工业用户的有功无功多元联合概率预测方法，解决预测系统的准确性下降的问题。
[0012]本专利技术是这样实现的，一种面向工业用户的有功无功多元联合概率预测方法，该方法包括：
[0013]将有功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，通过概率有功功率预测模型得到有功功率的单个预测分位数；
[0014]将无功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，通过概率无功功率预测模型得到无功功率的单个预测分位数；
[0015]将有功功率预测分位数与无功功率预测分位数作为第二预测因子，将有功功率数据和无功功率数据作为目标变量，采用多元分位数回归模型得到有功功率预测分位数和无功功率预测分位数。
[0016]进一步地，有功功率的单个预测分位数和无功功率的单个预测分位数通过分位数回归森林模型QRF和单变量分位数回归模型UQR交替生成。
[0017]进一步地，分位数回归森林模型QRF预测分位数在时间范围h的损失函数PL为:
[0018]PL
h(αl)
＝[P
h
‑
P
h^(α
l
)
]·
[αl
‑
1{P
h
≤Ph
^(αl)
}][0019]如果括号中指定的条件为真，函数1{〃}等于1；如果括号中指定的条件为假，函数1{〃}等于0。
[0020]进一步地，所述分位数回归森林模型QRF中每棵树的根到每棵树的叶子的每条路径都是不同的，预测分位数被构建为包含这些叶子的结果的加权平均值。
[0021]进一步地，单变量分位数回归模型UQR用于预测目标时段h的有功功率预测分位数P和无功功率预测分位数Q，通用目标变量的预测分位数为:
[0022][0023]其中是模型系数的向量，通过最小化对应的训练期间的损失函数PL来估计。
...

【技术保护点】

【技术特征摘要】
1.一种面向工业用户的有功无功多元联合概率预测方法，其特征在于，该方法包括：将有功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，通过概率有功功率预测模型得到有功功率的单个预测分位数；将无功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，通过概率无功功率预测模型得到无功功率的单个预测分位数；将有功功率预测分位数与无功功率预测分位数作为第二预测因子，将有功功率数据和无功功率数据作为目标变量，采用多元分位数回归模型得到有功功率预测分位数和无功功率预测分位数。2.按照权利要求1所述的面向工业用户的有功无功多元联合概率预测方法，其特征在于，有功功率的单个预测分位数和无功功率的单个预测分位数通过分位数回归森林模型QRF和单变量分位数回归模型UQR交替生成。3.按照权利要求2所述的面向工业用户的有功无功多元联合概率预测方法，其特征在于，分位数回归森林模型QRF预测分位数在时间范围h的损失函数PL为:PL
h(αl)
＝[P
h
‑
P
h^(αl)
]
·
[αl
‑
1{P
h
≤Ph
^(αl)
}]如果括号中指定的条件为真，函数1{
·
}等于1；如果括号中指定的条件为假，函数1{
·
}等于0。4.按照权利要求3所述的面向工业用户的有功无功多元联合概率预测方法，其特征在于，所述分位数回归森林模型QRF中每棵树的根到每棵树的叶子的每条路径都是不同的，预测分位数被构建为包含这些叶子的结果的加权平均值。5.按照权利要求2所述的面向工业用户的有功无功多元联合概率预测方法，其特征在于，单变量分位数回归模型UQR用于预测目标时段h的有功功率预测分位数P和无功功率预测分位数Q，通用目标变量的预测分位数为:其中是模型系数的向量，通过最小化对应的训练期间的损失函数PL来估计。6.按照权利要求2所述的面向工业用户的有功无功多元联合概率预测方法，其特征在于，所述多元分位数回归模型在分位数回归森林模型QRF时间范围h的损失函数PL扩展到二元目标变量y，分位数回归森林模型QRF的预测向量x
h(z)
变成预测向量x
h(αl)
，分位数回归森林模型QRF的参数向量变成参数大小增加的向量包含有功和无功功率的预测αl分位数的向量为：式中：X
h(αl)
为以下2
×
2矩阵:包含J个二元目标变量的J个预测变量的行向量x
h(PQ)
和J个零的行向量01×
J
，矩阵X
h(αl)
对于所有考虑的分位数是相同的；
是多元分位数回归模型αl分位数估计系数的2J
×
1向量；参数是通过最小化训练期间的损失函数PL来估计。7.按照权利要求6所述的面向工业用户的有功无功多元联合概率预测方法，其特征在于，参数是通过最小化训练期间的损失函数PL来估计包括：定义一个指数o＝h
‑
k+1，让P＝{po
‑
M,Po
‑
(M
‑
1),
…
,Po
‑
1}和Q＝{Qo
‑
M,Qo
‑
(M
‑
1),
…
,Qo
‑
1}的过去可用有功和无功的列向量，得到：得到：为有功功率和无功功率的mth残差，为无功功率的mth残差。8.按照权利要求6所述的面向工业用户的有功无功多元联合概率预测方法，其特征在于，根据参数采用线性规划形式求解有功、无功功率L分位数:式中2L
×
2J
·
L矩阵X
h
为:
是一个2J
·
L
×
1的系数向量:以及0
n
×
n
是一个n
×
n的0矩阵；是以下约束线性规划问题解的子集:的子集:的子集:C
·
b≤0
2(L
‑
1)
·
M
×1式中[P]
L
×1和[Q]
L
×1是向量P和Q复制L次；
在这些方程中，1
n
×
n
是一个由1组成的n
×
n矩阵，I
n
×
n
是n
×
n单位矩阵。9.一种面向工业用户的有功无功多元联合概率预测系...

【专利技术属性】
技术研发人员：王冠夫，唐俊刺，乔路丽，刘广利，刘盛琳，宋丽，周军，姜枫，冯占稳，蔡壮，崔嘉，李子涵，李昊禹，谢易澎，赵笑东，高涤非，张垒，
申请(专利权)人：国网辽宁省电力有限公司国家电网有限公司沈阳工业大学，
类型：发明
国别省市：