基于深度学习的虚拟电厂基线负荷数据预测方法及系统技术方案

本发明专利技术属于电力负荷预测领域，具体涉及基于深度学习的虚拟电厂基线负荷数据预测方法及系统。其通过对历史负荷数据进行聚类分析，按照不同类型虚拟电厂运行特点，将虚拟电厂划分为需求响应型和能源供给型虚拟电厂，分别构建第一和第二基线负荷预测模型，利用注意力机制，分别对需求响应型和能源供给型虚拟电厂的训练集数据的输入特征进行差异性加权；对需求响应型虚拟电厂训练数据集的输入特征中的电价因素进行权重增强，对能源供给型虚拟电厂训练数据集的输入特征中的天气因素进行权重增强，提高了虚拟电厂基线负荷预测的准确性，并有助于提升虚拟电厂评估的有效性。有助于提升虚拟电厂评估的有效性。有助于提升虚拟电厂评估的有效性。

【技术实现步骤摘要】
基于深度学习的虚拟电厂基线负荷数据预测方法及系统


[0001]本专利技术属于电力负荷预测领域，具体涉及一种基于深度学习的虚拟电厂基线负荷数据预测方法及系统。

技术介绍

[0002]虚拟电厂(Virtual power plant，VPP)是聚合多种分布式电源和需求响应负荷整体参与电网运行的有效组织结构。通常情况下，VPP通过借助先进的控制、测量、通信等技术聚合风电场、光伏电站等多种分布式电源和多种可控负荷、电动汽车等负荷侧资源，实现各自的信息交互，共同参与大电网的能量调节和传输，提高能源的使用效率。因此，根据虚拟电厂内部资源类型可以划分为能源供给型虚拟电厂和需求响应型虚拟电厂，而影响虚拟电厂参与电网调节的主要因素包括虚拟电厂所在区域的气象因素和电价因素，前者对天气因素更为敏感，后者则对电价因素更为敏感。
[0003]虚拟电厂基线负荷是用户参与电网调峰、调频需求响应中执行效果的重要参考，在电力需求响应项目效果评价中，用户基线负荷(customer baseline load，CBL)预测能够为评价电力需求响应以及对用户负荷调整程度提供定量的依据。而现有技术中采用神经网络对用户基线负荷预测的模型中并未考虑不同类型虚拟电厂的特性，导致其预测结果不够准确，评估有效性较低。

技术实现思路

[0004]本专利技术要解决的技术问题是针对上述技术方案的不足，提供一种基于深度学习的虚拟电厂基线负荷数据预测方法及系统，用于提高虚拟电厂基线负荷预测的准确性，提升虚拟电厂评估的有效性。
[0005]为了实现上述目的，根据本专利技术的一个方面，提供一种基于深度学习的虚拟电厂基线负荷数据预测方法，其包括以下步骤：
[0006]步骤(1)：采集区域内所有虚拟电厂的历史负荷数据，并对所述历史负荷数据进行预处理；
[0007]具体的，数据获取是从复杂的原始数据中，提取出负荷预测所需的数据，以备数据分析与建模使用。数据预处理包括不良数据修正、数据标准化等。
[0008]步骤(2)：对所述历史负荷数据进行k
‑
mean聚类分析，按照不同类型虚拟电厂运行特点，将虚拟电厂划分为需求响应型虚拟电厂和能源供给型虚拟电厂，并记录类别标签；
[0009]步骤(3)：将影响区域内虚拟电厂的气象数据以及电价数据和虚拟电厂的历史负荷数据进行融合处理；
[0010]具体地，所述的数据融合处理是将气象数据以及电价数据加入到负荷数据后，通过标准融合算法，将数据转换为同一格式，并重组数据结构，构建出可以直接输入模型进行训练的数据。
[0011]步骤(4)：利用主成分析法对所述融合处理后的数据集进行降维处理；
[0012]具体地，主成分析包括对原始变量进行标准化，计算相关系数矩阵，计算特征值与特征向量以及确定主成分，采用主成分析法对所述融合处理后的数据集进行降维处理能有效降低数据的复杂性。容易理解的，主成分析法的原理是将原矩阵投影到一个新的正交坐标系下，且通过依次选择新坐标轴的方向，使得矩阵在新坐标轴上的投影最大，即主成分的样本值的方差最大，保留数据在这些方向上的投影，便可以降低数据的维度。
[0013]步骤(5)：分别针对需求响应型虚拟电厂和能源供给型虚拟电厂，划分训练集数据和测试集数据；
[0014]具体地，将数据集拆分为独立的两部分，一部分数据作为训练集，一部分数据作为测试集，例如，可以选择70％的数据作为训练集，选择30％的数据作为测试集，也可以选择80％的数据作为训练集，选择20％的数据作为测试集，比例没有具体限定。
[0015]步骤(6)：分别针对需求响应型虚拟电厂和能源供给型虚拟电厂构建第一基线负荷预测模型和第二基线负荷预测模型，所述第一基线负荷预测模型和第二基线负荷预测模型分别包括依次串联连接的输入层、特征提取层、注意力层、特征融合层和特征输出层；
[0016]步骤(7)：利用注意力机制，分别对需求响应型虚拟电厂和能源供给型虚拟电厂的训练集数据的输入特征进行差异性加权；
[0017]步骤(8)：在所述训练集上对所述第一基线负荷预测模型和第二基线负荷预测模型进行训练，并在所述测试集上对训练的所述第一基线负荷预测模型和第二基线负荷预测模型进行验证；
[0018]步骤(9)：根据待预测虚拟电厂的分类标签，将相关数据输入到对应的基线负荷预测模型中，通过训练好的所述基线负荷预测模型进行预测，输出基线负荷预测值；
[0019]步骤(10)：在当天运行日结束后，获取当天的实际负荷值，计算部分时间段的实际负荷值和基线负荷预测值的偏差，求取偏差的平均值作为补偿值，根据所述补偿值校正基线负荷预测值。
[0020]容易理解的，由于负荷响应等的不确定性，基线负荷预测值和实际负荷值会存在偏差，例如，当天10
‑
12时为负荷响应的响应时段，0
‑
10时，12
‑
24时为负荷响应的非响应时段，此时，可以根据当天的实际负荷值，计算0
‑
10，12
‑
24时段内的实际负荷值和基线负荷预测值的偏差，求取偏差的平均值作为补偿值，根据所述补偿值校正基线负荷预测值。
[0021]优选地，所述步骤(2)中的k
‑
mean聚类分析采用点与点之间的距离作为相似性评价指标，距离算法采用欧氏距离计算得到：
[0022][0023]其中，x
i
是样本x的第i个变量值；y
i
是样本y的第i个变量值。
[0024]优选地，所述步骤(3)中的气象数据包括最高温度、最低温度、平均温度、光照、风速、湿度、降水量；电价数据包括峰时电价、谷时电价、平时电价。
[0025]优选地，所述步骤(7)中，利用注意力机制，分别对需求响应型虚拟电厂和能源供给型虚拟电厂训练数据集的输入特征进行差异性加权，具体为：对需求响应型虚拟电厂训练数据集的输入特征中的电价因素进行权重增强，对能源供给型虚拟电厂训练数据集的输入特征中的天气因素进行权重增强。
[0026]优选地，对训练数据集的输入特征的加权计算公式为：
[0027]y
t
＝A(x
t
,p
t
‑1,q
t
‑1)；
[0028][0029]x't＝qt
j
xt
j
；
[0030]其中，y
t
为t时刻的注意力分值矩阵；A(.)为计算y
t
的神经网络；x
t
为在t时刻输入的初始值；p
t
‑1为t
‑
1时刻的预测值；q
t
‑1为t
‑
1时刻的注意力权重值；q
tj
为q
t
的第j个特征的注意力权重值，y
tj
为y
t
的第j个特征的注意力分值，n为输入特征的特征数量，x
t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的虚拟电厂基线负荷数据预测方法，其特征在于，包括以下步骤：步骤(1)：采集区域内所有虚拟电厂的历史负荷数据，并对所述历史负荷数据进行预处理；步骤(2)：对所述历史负荷数据进行k
‑
mean聚类分析，按照不同类型虚拟电厂运行特点，将虚拟电厂划分为需求响应型虚拟电厂和能源供给型虚拟电厂，并记录类别标签；步骤(3)：将影响区域内虚拟电厂的气象数据以及电价数据和虚拟电厂的历史负荷数据进行融合处理；步骤(4)：利用主成分析法对所述融合处理后的数据集进行降维处理；步骤(5)：分别针对需求响应型虚拟电厂和能源供给型虚拟电厂，划分训练集数据和测试集数据；步骤(6)：分别针对需求响应型虚拟电厂和能源供给型虚拟电厂构建第一基线负荷预测模型和第二基线负荷预测模型，所述第一基线负荷预测模型和第二基线负荷预测模型分别包括依次串联连接的输入层、特征提取层、注意力层、特征融合层和特征输出层；步骤(7)：利用注意力机制，分别对需求响应型虚拟电厂和能源供给型虚拟电厂的训练集数据的输入特征进行差异性加权；步骤(8)：在所述训练集上对所述第一基线负荷预测模型和第二基线负荷预测模型进行训练，并在所述测试集上对训练的所述第一基线负荷预测模型和第二基线负荷预测模型进行验证；步骤(9)：根据待预测虚拟电厂的分类标签，将相关数据输入到对应的基线负荷预测模型中，通过训练好的所述基线负荷预测模型进行预测，输出基线负荷预测值；步骤(10)：在当天运行日结束后，获取当天的实际负荷值，计算部分时间段的实际负荷值和基线负荷预测值的偏差，求取偏差的平均值作为补偿值，根据所述补偿值校正基线负荷预测值。2.根据权利要求1所述的基于深度学习的虚拟电厂基线负荷数据预测方法，其特征在于，所述步骤(2)中的k
‑
mean聚类分析采用点与点之间的距离作为相似性评价指标，距离算法采用欧氏距离计算得到：其中，x
i
是样本x的第i个变量值；y
i
是样本y的第i个变量值。3.根据权利要求1所述的基于深度学习的虚拟电厂基线负荷数据预测方法，其特征在于，所述步骤(3)中的气象数据包括最高温度、最低温度、平均温度、光照、风速、湿度、降水量；电价数据包括峰时电价、谷时电价、平时电价。4.根据权利要求1所述的基于深度学习的虚拟电厂基线负荷数据预测方法，其特征在于，所述步骤(7)中，利用注意力机制，分别对需求响应型虚拟电厂和能源供给型虚拟电厂训练数据集的输入特征进行差异性加权，具体为：对需求响应型虚拟电厂训练数据集的输入特征中的电价因素进行权重增强，对能源供给型虚拟电厂训练数据集的输入特征中的天气因素进行权重增强。5.根据权利要求4所述的基于深度学习的虚拟电厂基线负荷数据预测方法，其特征在于，对训练数据集的输入特征的加权计算公式为：
y
t
＝A(x
t
,p
t
‑1,q
t
‑1)；x'
t
＝q
tj
x
tj
；其中，y
t
为t时刻的注意力分值矩阵；A(.)为计算y
t
的神经网络；x
t
为在t时刻输入的初始值；p
t
‑1为t
‑
1时刻的预测值；q
t
‑1为t
‑
1时刻的注意力权重值；q
tj
为q
t
的第j个特征的注意力权重值，y
tj
为y
t
的第j个特征的注意力分值，n为输入特征的特征数量，x
tj
为x
t
的第j个特征的初始值，x
’
t
为x
t
加权后的特征。6.一种基于深度学习的虚拟电厂...

【专利技术属性】
技术研发人员：范晋衡，余志文，潘凯岩，刘华，曾顺奇，曹仁威，林国彪，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：