本发明专利技术公开了一种住宅净负荷区间的预测方法、装置、终端和存储介质，应用于屋顶具有光伏设备的住宅；该方法包括：获取样本数据；对样本数据进行k‑means聚类分析，得到与住宅的净负荷区间的预测结果所对应的用户集群数据；基于用户集群数据中的训练样本进行模型训练，建立Stacking集成预测模型；利用Stacking集成预测模型，基于用户集群数据中的测试样本进行测试，得到预测误差；根据预测误差，对Stacking集成预测模型进行修正，得到修正后的Stacking集成预测模型。该方案，通过基于用户用电模式的相似性，利用Stacking集成学习预测模型对光伏住宅用户负荷进行预测，能够提高预测精度。
【技术实现步骤摘要】
本专利技术属于住宅用户负荷预测，具体涉及一种住宅净负荷区间的预测方法、装置、终端和存储介质，尤其涉及一种基于用户用电行为相似性和stacking集成学习的住宅用户负荷区间预测方法、装置、终端和存储介质。
技术介绍
1、电力系统脱碳步伐的加快，极大地推动了可再生能源以及分布式能源的迅速发展，以应对全球气候变暖、可持续发展挑战等问题。随着分布式能源的快速发展，在未来具有高可再生能源份额的新型电力系统下，其复杂性迅速增加，特别是光伏发电普及率高的情况下，如何有效把握分布式光伏发电量和负荷集成所带来的大量不确定性变化的同时，特别是光伏嵌入在智能楼宇中，准确掌握住宅用户电力负荷需求的动态变化以避免供需不平衡至关重要。
2、短期净负荷预测问题与短期负荷预测问题类似。其中，短期负荷预测是在一个较短时间范围内(通常是未来数小时或几天)对电力需求进行预测；短期净负荷是指一个较短时间范围内(通常是未来数小时)的电力系统的实际用电需求减去相应时间范围内的可再生能源产出。短期净负荷考虑到了系统的实际需求以及可再生能源的波动性，二者均可以看作是一个时间序列预测问题。针对这一问题，不同的方法用于研究电力负荷预测，如基于物理方法、统计方法，人工智能方法以及混合方法和集成学习方法。基于物理的预测方法是通过考虑气温、湿度、温度等多因素、光照幅度等数据以及历史负荷数据，得到预测结果。这些物理方法，更加依赖于所提供的环境数据的准确性，无法保证预测结果的准确性。
3、上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。</p>
技术实现思路
1、本专利技术的目的在于，提供一种住宅净负荷区间的预测方法、装置、终端和存储介质，以解决为了准确掌握住宅用户电力负荷需求的动态变化以避免供需不平衡，采用基于物理的预测方法更加依赖于所提供的环境数据的准确性，无法保证预测结果的准确性的问题，达到通过基于用户用电模式的相似性，利用stacking集成学习预测模型对光伏住宅用户负荷进行预测，能够提高预测精度的效果。
2、本专利技术提供一种住宅净负荷区间的预测方法，应用于屋顶具有光伏设备的住宅；所述住宅净负荷区间的预测方法，包括：获取样本数据；所述样本数据包括两部分，其中第一部分为训练样本，第二部分为测试样本；对所述样本数据进行k-means聚类分析，得到与所述住宅的净负荷区间的预测结果所对应的用户集群数据；基于所述用户集群数据中的训练样本进行模型训练，建立stacking集成预测模型；利用所述stacking集成预测模型，基于所述用户集群数据中的测试样本进行测试，得到预测误差；根据所述预测误差，对所述stacking集成预测模型进行修正，得到修正后的所述stacking集成预测模型，以利用修正后的所述stacking集成预测模型对所述住宅的净负荷区间进行预测。
3、在一些实施方式中，获取样本数据，包括：按设定时间间隔，选取目标配电网收集的真实电表数据；基于所述真实电表数据，选取长度为n的连续时间序列的住宅用户净负荷的数据，作为所述样本数据，n为正整数；其中，住宅用户的净负荷，为用户用电负荷与设定的可调负荷之和，再减去屋顶光伏发电量之后的数据。
4、在一些实施方式中，对所述样本数据进行k-means聚类分析，得到与所述住宅的净负荷区间的预测结果所对应的用户集群数据，包括：设置聚类k的数目，自所述样本数据中，确定与所述聚类k的数目相同数量的用户集群数据；其中，在与所述聚类k的数目相同数量的用户集群数据中，所有用户集群数据均不相同；基于与所述聚类k的数目相同数量的用户集群数据下的用户净负荷点预测的综合预测结果的预测值，选择预测值在设定预测值范围内的几个综合预测结果所对应的几类用户集群数据，作为与所述住宅的净负荷区间的预测结果所对应的用户集群数据。
5、在一些实施方式中，基于所述用户集群数据中的训练样本进行模型训练，建立stacking集成预测模型，包括：针对预设的基学习器范围中的bp基学习器、wnn基学习器、lstm基学习器、xgboost基学习器、elm基学习器，使用融合局部增强的rime(lrime)算法去优化以上基学习器网络的权值和阈值，再采用pearson相关系数计算方式进行相关性分析，选择lrime-lstm基学习器、lrime-xgboost基学习器、lrime-elm基学习器；基于lrime-lstm基学习器，建立lrime-lstm预测模型；基于lrime-xgboost基学习器，建立lrime-xgboost预测模型；基于lrime-elm基学习器，建立lrime-elm预测模型；将lrime-lstm预测模型、lrime-xgboost预测模型和lrime-elm预测模型，作为基本预测模型；基于所述基本预测模型，通过两层嵌套的模型结构，建立stacking集成学习预测模型。
6、在一些实施方式中，基于所述基本预测模型，通过两层嵌套的模型结构，建立stacking集成学习预测模型，包括：在所述两层嵌套的模型结构的第一层中，基于所述基本预测模型中的所述lrime-lstm预测模型、所述lrime-xgboost预测模型和所述lrime-elm预测模型，采用相同的训练样本对所述lrime-lstm预测模型、所述lrime-xgboost预测模型和所述lrime-elm预测模型通过5折交叉验证进行训练，得到五个预测值；将所述五个预测值取平均值，同时拼接所述lrime-lstm预测模型、所述lrime-xgboost预测模型和所述lrime-elm预测模型中每个基学习器预测模型对训练数据集的预测结果，得到所述lrime-lstm预测模型、所述lrime-xgboost预测模型和所述lrime-elm预测模型中每个基学习器预测模型生成的预测结果；在所述两层嵌套的模型结构的第二层中，以第一层得到的所述lrime-lstm预测模型、所述lrime-xgboost预测模型和所述lrime-elm预测模型中每个基学习器预测模型生成的预测结果作为输入，并结合所述训练样本进行再次训练，得到的结果作为stacking融合之后的最终预测结果，由第一层和第二层构成的模型，作为stacking集成学习预测模型。
7、在一些实施方式中，利用所述stacking集成预测模型，基于所述用户集群数据中的测试样本进行测试，得到预测误差，包括：采用融合局部增强的rime优化算法，对所述stacking集成预测模型进行优化，确定所述stacking集成预测模型中lstm预测模型、xgboost预测模型和elm预测模型中每个预测模型的阈值常数和网络权值；基于所述stacking集成预测模型中lrime-lstm预测模型、lrime-xgboost预测模型和lrime-elm预测模型中每个预测模型的阈值常数和网络权值，利用所述测试样本，对所述stacking集成预测模型进行预测，得到预测误差。
8、在一些实施方式中，根据所述预测误差，对所述stacking集成预测模型进行修正，得到修正后的所述st本文档来自技高网
...
【技术保护点】
1.一种住宅净负荷区间的预测方法，其特征在于，应用于屋顶具有光伏设备的住宅；所述住宅净负荷区间的预测方法，包括：
2.根据权利要求1所述的住宅净负荷区间的预测方法，其特征在于，获取样本数据，包括：
3.根据权利要求1所述的住宅净负荷区间的预测方法，其特征在于，对所述样本数据进行k-means聚类分析，得到与所述住宅的净负荷区间的预测结果所对应的用户集群数据，包括：
4.根据权利要求1所述的住宅净负荷区间的预测方法，其特征在于，基于所述用户集群数据中的训练样本进行模型训练，建立Stacking集成预测模型，包括：
5.根据权利要求4所述的住宅净负荷区间的预测方法，其特征在于，基于所述基本预测模型，通过两层嵌套的模型结构，建立Stacking集成学习预测模型，包括：
6.根据权利要求4或5所述的住宅净负荷区间的预测方法，其特征在于，利用所述Stacking集成预测模型，基于所述用户集群数据中的测试样本进行测试，得到预测误差，包括：
7.根据权利要求6所述的住宅净负荷区间的预测方法，其特征在于，根据所述预测误差，对所述Stacking集成预测模型进行修正，得到修正后的所述Stacking集成预测模型，以利用修正后的所述Stacking集成预测模型对所述住宅的净负荷区间进行预测，包括：
8.一种住宅净负荷区间的预测装置，其特征在于，应用于屋顶具有光伏设备的住宅；所述住宅净负荷区间的预测装置，包括：
9.一种终端，其特征在于，包括：如权利要求8所述的住宅净负荷区间的预测装置。
10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任一项所述的住宅净负荷区间的预测方法。
...
【技术特征摘要】
1.一种住宅净负荷区间的预测方法，其特征在于，应用于屋顶具有光伏设备的住宅；所述住宅净负荷区间的预测方法，包括：
2.根据权利要求1所述的住宅净负荷区间的预测方法，其特征在于，获取样本数据，包括：
3.根据权利要求1所述的住宅净负荷区间的预测方法，其特征在于，对所述样本数据进行k-means聚类分析，得到与所述住宅的净负荷区间的预测结果所对应的用户集群数据，包括：
4.根据权利要求1所述的住宅净负荷区间的预测方法，其特征在于，基于所述用户集群数据中的训练样本进行模型训练，建立stacking集成预测模型，包括：
5.根据权利要求4所述的住宅净负荷区间的预测方法，其特征在于，基于所述基本预测模型，通过两层嵌套的模型结构，建立stacking集成学习预测模型，包括：
6.根据权利要求4或5所述的住宅净负荷区间的预测...
【专利技术属性】
技术研发人员：何燕，张宏立，王聪，马萍，董颖超，余竞帆，
申请(专利权)人：新疆大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。