考虑风光高比例渗透率下的广义负荷图像化短期预测方法技术

本发明专利技术涉及一种考虑风光高比例渗透率下的广义负荷图像化短期预测方法，包括以下步骤：

【技术实现步骤摘要】
考虑风光高比例渗透率下的广义负荷图像化短期预测方法


[0001]本专利技术涉及高比例新能源接入电网负荷预测
，尤其涉及考虑风光高比例渗透率下的广义负荷图像化短期预测方法。

技术介绍

[0002]“双碳”形势下，新能源占比快速上升，存在许多交互式设备的接入，例如电动汽车和分布式电源等。电力系统在“双高”情况下，极大地提升了维持电力电量平衡的难度。为了准确把握电力供需形式、保障电力供应，电力负荷预测显得尤为重要。
[0003]随着电力系统复杂程度的提高，出现了面向新能源电力系统负荷—广义负荷。广义负荷是多种因素耦合形成的具有“负荷”+“电源”双重特性的一种新型电力负荷，具有负荷成分多元化、影响因素多样化、时空特性复杂和强不确定性等主要特征，为负荷预测带来了较大的困难。负荷预测主要难点在于其变化趋势不明显，预测难度大；时间序列不具有明显的规律，很难用传统方法进行预测；且影响因素众多，难以理清众多影响因素与负荷之间的相关性。
[0004]传统的负荷预测方法，主要研究了负荷的时序特征，并采用神经网络、机器学习等方法对负荷数据进行训练和检验。但是由于其参数多、结构复杂，且没有更好地利用浅层次特征，容易出现梯度消失，所以在实际运用中还存在一定的问题。

技术实现思路

[0005]本专利技术所要解决的技术问题是提供一种精度较高的考虑风光高比例渗透率下的广义负荷图像化短期预测方法。
[0006]为解决上述问题，本专利技术所述的考虑风光高比例渗透率下的广义负荷图像化短期预测方法，包括以下步骤：
⑴
获取包括基础负荷、光伏发电量、风力发电量和天气的影响因素数据作为数据集；
⑵
对数据集进行预处理；
①
利用线性插值法填补空缺的历史负荷数据、气象数据和日历规则数据；
②
将获取到的数据中的零值数据进行替换处理；
③
将数据进行归一化处理；
④
采用多种深度学习方法对影响因素降维处理，对比之下选择特征贡献度较高的因素：a以人工经验方式选取日历规则因素及气象因素作为输入数据；其中：气象因素包含了风速、降雨量、云量、光照强度、温度、气压、能见度和相对湿度；日历规则包含了星期、月份以及是否为假日；b对于星期、月份以及假日特征采用热编码进行离散处理；c分别利用XGBoost、GBDT、RF算法来获得输入信息的特征贡献度，选取特征贡献度
相似的结果作为最终的影响因素输入信息；
⑶
利用基于密度的DBSCAN聚类算法生成不同比例风光渗透率下的广义负荷特征曲线；
⑷
提取广义负荷特征曲线中的数据，和影响因素一起作为图像化处理的输入，生成RGB图像：并将广义负荷特征曲线中每日最后时刻的值、最高值以及最低值分别与前一日最后时刻值的比值数据进行图像化处理；
⑸
对RGB图像进行多样化处理：
ⅰ
采用高斯多样化处理方式为RGB图像添加高斯噪声，从而达到平滑输入空间结构的效果；
ⅱ
采用反向多样化处理方式为RGB图像添加噪声；
ⅲ
对比两种处理方式的效果，选取预测效果较好的处理方式进行多样化处理，处理后的图像作为DenseNet模型的输入；
⑹
将DenseNet参数进行优化，形成DenseNet
‑
A；然后将所述步骤
⑸
中处理后的图像和所述步骤
⑵
中的影响因素条件一起作为预测模型的输入，由DenseNet
‑
A模型进行训练和测试，完成后得到负荷预测模型；
⑺
由负荷预测模型输出负荷预测图像，并将负荷预测图像进行数据化处理，得到广义负荷预测数据。
[0007]所述步骤
⑶
中不同比例风光渗透率是指风电渗透率为20%、光伏渗透率为20%、风电光伏渗透率均为10%和风电光伏渗透率均为20%的广义负荷场景。
[0008]本专利技术与现有技术相比具有以下优点：本专利技术从图像处理的角度出发，针对不同风光渗透率下的广义负荷，提出了基于DenseNet的广义负荷图像化短期预测方法。该方法通过XGBoost、GBDT、RF算法的对比对数据集进行特征筛选和归一化处理；然后将处理好的数据转化为RGB图像，并进行反向多样化处理，利用DenseNet优化后的DenseNet
‑
A神经网络进行训练和预测。不但方法简单、易于实现，而且精度较高。
[0009]2、本专利技术通过选取基础负荷和风光负荷数据，计算得出不同比例风光接入后的广义负荷特征曲线，利用所提图像化预测方法进行预测，通过与传统负荷曲线预测方法的对比，验证了本专利技术广义负荷图像化预测方法的可行性。
附图说明
[0010]下面结合附图对本专利技术的具体实施方式作进一步详细的说明。
[0011]图1为本专利技术广义负荷图像化预测方法框架。
[0012]图2为本专利技术不同算法的特征贡献度分析。其中：a：XGBoost算法特征贡献度分析；b：GBDT算法特征贡献度分析；c：RF算法特征贡献度分析。
[0013]图3为本专利技术RGB图像与负荷曲线的互逆示意图。
[0014]图4为本专利技术DenseNet结构图。
[0015]图5为本专利技术高斯多样化处理样本图。
[0016]图6为本专利技术反向多样化处理样本图。
[0017]图7为本专利技术不同渗透率新能源接入场景下的广义负荷特征曲线。其中：a为风电
渗透率为20%；b为光伏发电渗透率为20%；c为风电、光伏渗透率均为10%；d为风电、光伏渗透率均为20%。
[0018]图8为本专利技术不同多样化处理方式误差指标比较。
[0019]图9为本专利技术不同场景下的负荷预测结果。其中：a为风电渗透率为20%；b为光伏发电渗透率为20%；c为风电、光伏渗透率均为10%；d为风电、光伏渗透率均为20%。
具体实施方式
[0020]考虑风光高比例渗透率下的广义负荷图像化短期预测方法，包括以下步骤：
⑴
获取包括基础负荷、光伏发电量、风力发电量和天气的影响因素数据作为数据集。
[0021]⑵
对数据集进行预处理；
①
利用线性插值法填补空缺的历史负荷数据、气象数据和日历规则数据；
②
将获取到的数据中的零值数据进行替换处理；
③
将数据进行归一化处理；
④
采用多种深度学习方法对影响因素降维处理，对比之下选择特征贡献度较高的因素：a以人工经验方式选取日历规则因素及气象因素作为输入数据；其中：气象因素包含了风速、降雨量、云量、光照强度、温度、气压、能见度和相对湿度；日历规则包含了星期、月份以及是否为假日；b对于星期、月份以及假日特征采用热编码进行离散处理；c分别利用XGBoost、GBDT、RF算法来获得输入信息的特征贡献度，选取特征贡献度相似的结果作为最终的影响因素输入信息。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.考虑风光高比例渗透率下的广义负荷图像化短期预测方法，包括以下步骤：
⑴
获取包括基础负荷、光伏发电量、风力发电量和天气的影响因素数据作为数据集；
⑵
对数据集进行预处理；
①
利用线性插值法填补空缺的历史负荷数据、气象数据和日历规则数据；
②
将获取到的数据中的零值数据进行替换处理；
③
将数据进行归一化处理；
④
采用多种深度学习方法对影响因素降维处理，对比之下选择特征贡献度较高的因素：a以人工经验方式选取日历规则因素及气象因素作为输入数据；其中：气象因素包含了风速、降雨量、云量、光照强度、温度、气压、能见度和相对湿度；日历规则包含了星期、月份以及是否为假日；b对于星期、月份以及假日特征采用热编码进行离散处理；c分别利用XGBoost、GBDT、RF算法来获得输入信息的特征贡献度，选取特征贡献度相似的结果作为最终的影响因素输入信息；
⑶
利用基于密度的DBSCAN聚类算法生成不同比例风光渗透率下的广义负荷特征曲线；
⑷
提取广义负荷特征曲线中的数据，和影响因素一起作为图像化处理的输入，生成RGB图像：并将广义负荷特征曲线中每日最后时刻的值、最高值以及最...

【专利技术属性】
技术研发人员：周强，赵龙，沈渭程，吕清泉，张睿骁，张金平，张珍珍，张健美，高鹏飞，张永蕊，刘丽娟，
申请(专利权)人：国网甘肃省电力公司电力科学研究院，
类型：发明
国别省市：