一种含温度敏感负荷的北方地区冬季短期电力负荷预测模型制造技术

一种含温度敏感负荷的北方地区冬季短期电力负荷预测模型，涉及一种短期负荷预测模型，并将其应用于冬季含温度敏感负荷的短期负荷预测领域。包括：首先，计算一天内不同时段下温度与负荷的相关性系数，用以明确北方地区冬季一天内电力负荷温度敏感时段。其次，在“虚拟天”时段内：建立第一层神经网络模型，用以分离和预测在温度敏感时段下系统负荷中的温度敏感趋势量；得到历史温度敏感趋势量和历史残差量；建立并训练第二层神经网络，用来考虑非温度其他因素对负荷的作用。再次，得到“虚拟天”时段内即温度敏感时段的负荷预测结果，建立并训练非温度敏感时段下的单层神经网络。最后，得到预测的负荷预测结果。本发明专利技术计算速度较快；本发明专利技术思路简单、灵活，可以较大提升模型的预测精度。预测精度。预测精度。

【技术实现步骤摘要】
一种含温度敏感负荷的北方地区冬季短期电力负荷预测模型


[0001]本专利技术属于电力系统短期负荷预测领域，具体涉及一种短期负荷预测模型，并将其应用于北方地区冬季含温度敏感负荷的短期负荷预测领域。

技术介绍

[0002]随着电力需求的不断增长，电力系统冬季的负荷越来越大。在负荷高峰时段，短期负荷预测的精准度较差。较差的精准度在很多方面给电力系统运行带来不良的后果。比如不能明析次日负荷变化，就无法适宜安排发电计划。因此负荷预测的精准性将会直接影响电网运行的安全性。因此需要提升冬季负荷预测的精准性。
[0003]冬季由于天气寒冷，人们需要使用空调或电暖器等电采暖设备，这一部分负荷与温度有极强的相关性，因此称为温度敏感负荷。由于近年来冬季极端低温天气频发，取暖负荷大量使用，占负荷的比例较大，因此提高冬季负荷预测的准确性应重点研究这部分温度敏感负荷的准确预测。
[0004]专利(申请号:CN202210819610.9)已经针对全天各时段电力负荷均与温度敏感(即呈现较强相关性)的情况设计了一类考虑温度敏感负荷的短期电力负荷预测方法，并获得了较高的预测精度。但对于北方地区冬季而言，具有城市集中暖气供暖，且其供暖温度一般夜晚会高于白天。在气温较低时，白天人们更有可能需要补充电加热供暖以维持工作的状态以及一些公共场所的温度，于是开启电采暖等取暖设施；晚上一方面一些公共场所结束工作不需要额外电采暖，另一方面居民由于本身城市供暖温度会更高，且存在被褥等的保暖作用，反而电保暖设施的使用有可能少于白天。由于电采暖设施有可能不是全天使用，因此一天内各时段电力负荷与温度之间敏感程度并不相同。前续研究的预测方法由于未计及不同时段负荷温度敏感性的不同，直接以全天为周期分析预测，若运用于北方集中供暖地区冬季含温度敏感负荷的短期电力负荷预测，预测精度受影响。
[0005]因此，有必要计算分析每天不同时段时长下实时温度与负荷的相关性，设计适合于北方地区冬季含温度敏感负荷的短期电力负荷预测的方法。
[0006]本专利技术针对冬季中的负荷温度敏感时段构建了一种分段组合预测神经网络模型。首先，区分一天内的温度敏感时段和非温度敏感时段；其次，提出“虚拟天”的概念，并在温度敏感时段中构建了一种分层神经网络模型，突出了温度的影响，完成温度敏感时段的负荷预测；再次，在非温度敏感时段中构建了一种单层神经网络模型，完成非温度敏感时段的负荷预测；最后，组合两个时段预测结果，完成北方地区冬季短期负荷预测。本专利技术预测精度较高。
[0007]本专利技术受国家自然科学基金区域创新发展联合基金重点支持项目《分布式资源参与一次调频的综合能源系统协同优化调度关键技术》资助。

技术实现思路

[0008]针对北方地区冬季温度敏感负荷并不是全天出现的问题，本专利技术探究了不同起始
时间和持续时长下电力负荷与温度的相关性，划分了冬季一天内负荷的温度敏感时段，并提出了温度敏感“虚拟天”的概念，针对“虚拟天”即负荷温度敏感时段下传统使用神经网络进行负荷预测时没有突出温度的首要影响的问题，本专利技术构建了一种分层的神经网络模型，第一层，先对考虑温度对负荷非线性影响的神经网络进行训练，以突出温度的影响。将这一层得到的温度敏感趋势量结合系统负荷获得残差负荷送入第二层，结合其他非温度影响负荷的因素，实现对残差负荷的预测，整合两层的预测结果，完成冬季“虚拟天”内的短期电力的负荷预测。针对冬季一天内“虚拟天”之外的负荷非温度敏感时段，构建了一个单层的神经网络模型，实现对非温度敏感时段的短期负荷预测。最后整合两个模型的预测结果，完成北方地区冬季短期负荷预测。具体结构如图1所示。
[0009]为了达到上述目的，本专利技术采用的技术方案是：
[0010]一种含温度敏感负荷的北方冬季短期电力负荷预测模型，包括以下步骤：
[0011]步骤1：计算一天内不同时段下温度与负荷的相关性系数，用于确定北方地区冬季一天内电力负荷温度敏感时段。具体如下：
[0012]考虑到负荷与温度呈现的非线性特征，采用Spearman相关性系数探究不同温度与负荷的相关性，计算方法如式(1)所示。
[0013][0014]其中，表示相关系数，T表示温度，L表示负荷，COV表示协方差运算，rank表示等级运算，σ表示方差运算。
[0015]通过公式(1)计算不同时段和不同时长下的相关系数后，在不显著降低相关性情况下尽可能取更长时间的时段长度，将该时段的起始点定义为温度敏感时段的起始点，将其时长定义为H。并将一天内的温度敏感时段(H小时)定义为“虚拟天”，后续在“虚拟天”内，为突出温度的影响，并且考虑到由于涉及众多因素的不同作用及其不同累积时长等复杂影响，模型维度增加，假设空间大小呈指数级增长，传统模型难以获得满足各类复杂因素影响的准确映射关系，因而本专利技术设计分层神经网络模型，将温度与其他因素的作用在不同层中进行处理，减小每层假设空间大小，使分层神经网络模型更易于搜索满足目标的假设。即所述的分层神经网络模型只采用“虚拟天”内的数据；一天内除虚拟天之外的时段，可直接采用单层神经网络反映全部各个因素的影响。
[0016]所述的分层神经网络模型的结构包括步骤2中的温度敏感时段下的第一层神经网络模型、步骤4中的温度敏感时段下的第二层神经网络，在后续步骤中进行说明。
[0017]步骤2：在“虚拟天”时段内，建立第一层神经网络模型，用以分离和预测在温度敏感时段下系统负荷中的温度敏感趋势量。具体如下：
[0018]所述的第一层神经网络需要探究温度与负荷之间的关系，而温度对于负荷既有即时的影响，即实时温度对于负荷的影响，也有温度累积效应即前几日温度数据的影响，即当前几日温度持续高温时，温度虽然不变，但负荷仍然呈现先快后慢的增长模式。就其本质而言温度对于负荷的影响是一种多元非线性回归问题，所以本专利技术构建的第一层神经网络模型需要实时以及前几日的温度数据作为模型的输入。由于“虚拟天”的采用导致实时温度信息的连续性被破坏，于是采用每天同一时段的温度信息表征累积效应，由于考虑的温度信
息的输入量较少，而BP神经网络适合于探索这种少输入量之间的关系，所以采用BP神经网络。依据以上分析，依据BP神经网络的特点获得第一层神经网络的输入和输出如式(2)所示。
[0019][0020]其中，T
i
表示待拟合负荷i
‑
1天前的温度，C表示待拟合的温度趋势量，在训练中用系统负荷L代替，在输入到模型前还需要归一化处理，计算方式如式(3)所示。
[0021][0022]其中，x
′
表示归一化后的数据，x表示原始数据，x
min
、x
max
表示原始数据的最小值和最大值。
[0023]在确定输入、输出后，建立分层神经网络模型中的第一层神经网络，其中输入层负责读入式(2)中的输入，BP神经网络堆叠层数设置为3，神经元个数设置为[100,100,100]，考虑五天内温度因素的变化，所以公式(2)中的i取5本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种含温度敏感负荷的北方地区冬季短期电力负荷预测模型，其特征在于，包括以下步骤：步骤1：计算一天内不同时段下温度与负荷的相关性系数，用于确定北方地区冬季一天内电力负荷温度敏感时段；步骤2：在“虚拟天”时段内，建立第一层神经网络模型，用以分离和预测在温度敏感时段下系统负荷中的温度敏感趋势量；步骤3：在“虚拟天”时段内，得到历史温度敏感趋势量和历史残差量；步骤4：在“虚拟天”时段内，建立并训练第二层神经网络，用来考虑非温度其他因素对负荷的作用；步骤5：得到“虚拟天”时段内即温度敏感时段的负荷预测结果；步骤6：建立并训练非温度敏感时段下的单层神经网络；步骤7：得到预测的负荷预测结果。2.根据权利要求1所述的一种含温度敏感负荷的北方地区冬季短期电力负荷预测模型，其特征在于，具体步骤如下：步骤1，具体如下：考虑到负荷与温度呈现的非线性特征，采用Spearman相关性系数探究不同温度与负荷的相关性，计算方法如式(1)所示；其中，表示相关系数，T表示温度，L表示负荷，COV表示协方差运算，rank表示等级运算，σ表示方差运算；通过公式(1)计算不同时段和不同时长下的相关系数后，在不显著降低相关性情况下尽可能取更长时间的时段长度，将该时段的起始点定义为温度敏感时段的起始点，将其时长定义为H；并将一天内的温度敏感时段定义为“虚拟天”；并设计分层神经网络模型，将温度与其他因素的作用在不同层中进行处理，即所述的分层神经网络模型只采用“虚拟天”内的数据；一天内除虚拟天之外的时段，可直接采用单层神经网络反映全部各个因素的影响；步骤2，具体如下：分层神经网络模型的第一层神经网络需要探究温度与负荷之间的关系，即第一层神经网络模型需要实时以及前几日的温度数据作为模型的输入；采用BP神经网络，依据BP神经网络的特点获得第一层神经网络的输入和输出如式(2)所示；其中，T
i
表示待拟合负荷i
‑
1天前的温度，C表示待拟合的温度趋势量，在训练中用系统负荷L代替，在输入到模型前还需要归一化处理，计算方式如式(3)所示；其中，x
′
表示归一化后的数据，x表示原始数据，x
min
、x
max
表示原始数据的最小值和最大值；
在确定输入、输出后，建立分层神经网络模型中的第一层神经网络，其中输入层负责读入式(2)中的输入，BP神经网络堆叠层数设置为3，神经元个数设置为[100,100,100]，考虑五天内温度因素的变化，所以公式(2)中的i取5；步骤3，具体如下：将数据集划分为训练集及测试集，测试集用于验证模型的预测效果，将“虚拟天”时段内的数据成为“虚拟天”数据集，使用“虚拟天”时段内的训练集对步骤2建立的第一层神经网络进行训练，得到归一化的历史系统负荷中的历史温度敏感趋势量，再将归一化的历史系统负荷减去历史温度敏感趋势量可以得到历史残差量；步骤4，具体如下：第一层神经网络探究温度与负荷的变化关系，在从总负荷中减去第一层神经网络输出的温度影响趋势负荷后，将对系统负荷的预测转化为对残差负荷的预测，从而剔除温度对负荷预测的影响，研究非温度影响因素的作用，即第二层神经网络仅需关注非温度影响因素对残差负荷的影响；基于LSTM神经网络搭建第二层神经网络，用来完成对残差负荷的预测；所述的第二层神经网络需要考虑除温度外的其他因素与负荷之间的关系，其中包括风力等非温度气象因素，历史负荷因素以及预测日类型因素；由于不同小时的负荷对于...

【专利技术属性】
技术研发人员：刘娆，鲍福增，常燕南，孙艺文，陈龙，王海霞，巴宇，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：