【技术实现步骤摘要】
本专利技术属于电力系统负荷预测，特别涉及基于非侵入式负荷分解算法的短期多元综合负荷预测方法。
技术介绍
1、推动以可再生能源为主体的绿色、低碳、清洁的能源体系建设是中国乃至全世界大多数国家的战略选择。光伏、风力等可再生能源的发电量占比已达30％，分布式可再生能源发电或将成为未来电力系统的主体能源形式。光伏、风力分布式发电单元大规模分散接入配电网或用户侧，以实现输电距离短、就近并网、就近消纳，提升能源利用效率等目的。
2、目前，越来越多家庭用户趋向于自给自足，大量公共设施加装发电设备。然而，由于配电网量测装置配备不齐全，系统对分布式能源的感知能力较弱，存在着量测覆盖范围小、数据样本少、质量差等问题。对于地区多元负荷数据，无法采集全部分布式可再生能源出力数据，亦难以实现对地区光伏、风力发电的全部预测。
3、在高比例可再生能源电力系统中，可再生能源发电技术保障和可再生能源补贴政策利益的驱动下，负荷侧消纳是有效整合需求侧响应资源、提高可再生能源消纳能力的重要手段。因此，负荷变化与可再生能源出力之间的相关性程度较高。同时，高比例可再生能源不可控的随机波动特性使系统等效负荷峰谷差增大，加大了电力系统的调峰调频压力，增加了发电和需求双侧的不确定性，亦因此提升了高比例可再生能源电力系统短期负荷预测的难度。
4、高比例分布式新能源的引入已经改变了综合负荷的特性，使传统预测方法变得不太适用。这一变化的主要原因在于获取每个分布式新能源的单独测量数据变得愈加困难。因此，传统的预测方法，即预测负荷的各个分量然后将它们聚
5、综上所述，亟需一种基于非侵入式负荷分解算法的短期多元综合负荷预测方法，在高比例分布式可再生能源电力系统中，在大量分布式可再生能源的整合方面实现综合负荷预测，考虑受到日期、类型、经济、气象等因素的多元综合负荷的变化影响，以及考虑分布式可再生能源出力的影响，实现高比例分布式可再生能源电力系统的综合负荷预测。
技术实现思路
1、本专利技术的目的是提供一种基于非侵入式负荷分解算法的短期多元综合负荷预测方法，其特征在于，包括：
2、步骤1：基于非侵入式负荷分解算法对多元综合负荷数据psum(t)进行分解，得到各类型负荷估计值，并以所述各类型负荷估计值作为负荷预测的数据样本；
3、步骤2：基于影响因素进行特征值筛选，生成组合特征ω；
4、步骤3：进行数据预处理，排除异常数据并对数据集进行归一化处理；
5、步骤4：针对负荷数据的类型，构建相应的负荷预测模型进行负荷预测，得到各类型负荷的预测值；
6、步骤5：聚合各类型负荷的预测值，得到短期多元综合负荷预测结果；
7、所述负荷数据的类型包括：一般负荷、光伏出力以及风电出力；
8、所述各类型负荷的估计值包括：一般负荷估计值p'l(t)、光伏出力估计值ph'(t)以及风电出力估计值pw'(t)；
9、所述影响因素包括：气象因素、日历因素以及历史因素；
10、所述各类型负荷的预测值包括：一般负荷预测值光伏出力预测值以及风电出力预测值
11、所述非侵入式负荷分解算法包括：
12、步骤11：定义多元综合负荷数据psum(t)为：
13、
14、式中，n为负荷数据采样点数据集总数，pl(t)为一般负荷数据，ph(t)为光伏发电出力数据，pw(t)为风力发电出力数据；
15、步骤12：选择典型特征曲线；
16、所述典型特征曲线包括：
17、一般负荷特征曲线：
18、pll(t)＝(pll1,pll2,...,pll96)；
19、光伏出力特征曲线：
20、phl(t)＝(phl1,phl2,...,phl96)；
21、步骤13：基于典型特征曲线，结合一般负荷数据pl(t)和光伏发电出力数据ph(t)在多元综合负荷数据psum(t)中的占比，生成标签值；
22、所述标签值包括：
23、一般负荷标签值pll'(t)；
24、pll'(t)＝pll(t)β＝(p'll1,p'll2,...,p'll96)
25、式中，β为一般负荷占综合负荷数据的比例；
26、光伏出力标签值phl'(t)：
27、phl'(t)＝phl(t)·α＝(phl1',phl2',...,p'hl96)
28、式中，α为光伏出力占综合负荷数据的比例；
29、步骤14：将多元综合负荷数据psum(t)、一般负荷标签值pll'(t)以及光伏出力标签值phl'(t)输入序列到点学习的非侵入式负荷分解模型，获取一般负荷估计值p'l(t)＝{p'l1,p'l2,...,p'ln}和光伏出力估计值ph'(t)＝{p'h1,p'h2,...,p'hn}，通过一般负荷对光伏出力和风力发电出力的就近消纳，生成风电出力估计值pw'(t)＝{p'w1,p'w2,...,p'wn}。
30、所述特征值筛选包括：
31、步骤21：使用灰色关联度分析方法筛选气象输入特征w＝(w1,w2,w3,w4)，其中w1为温度、w2为相对湿度、w3为风速、w4为露点；
32、步骤22：生成日历因素特征d＝(d1,d2)，其中d1为工作日因素特征、d2为节假日因素特征；
33、步骤23：生成输入特征pl＝(pll,phl,pwl)，其中，pll为一般负荷的特征曲线特征、phl为光伏出力的特征曲线特征、pll为风电出力的特征曲线特征；
34、步骤24：生成组合特征ω＝{w,d,pl}。
35、所述数据预处理包括：
36、步骤31：计算四分位数，所述四分位数包括：第一分位数q1、第二分位数q2以及第三分位数q3，四分位数将数据集分为四个等分；即将数据按升序排列，然后计算数据的第一(q1)、第二(中位数，q2)、和第三(q3)四分位数，以上三类分位数将数据集分为四个等分；
37、步骤32：计算四分位数范围iqr，具体计算公式为：
38、iqr＝q3-q1
39、其中，iqr是q3和q1之间的差异，表示数据集的离散程度；
40、步骤33：确定异常值上界upper_bound和异常值下界lower_bound，
41、upper_bound＝q3+k×iqr
42、lower_bound＝q1-k×iqr
43、式中，k为阈值，设定为2；
44、步骤34：标记和处理异常值：将超出异常值上界upper_bound和异常值下界lower_bound的数据点标记为异常值，并将异常值标记为缺失数据；
45本文档来自技高网...
【技术保护点】
1.一种基于非侵入式负荷分解算法的短期多元综合负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的基于非侵入式负荷分解算法的短期多元综合负荷预测方法，其特征在于，所述非侵入式负荷分解算法包括：
3.根据权利要求1所述的基于非侵入式负荷分解算法的短期多元综合负荷预测方法，其特征在于，所述特征值筛选包括：
4.根据权利要求1所述的基于非侵入式负荷分解算法的短期多元综合负荷预测方法，其特征在于，所述数据预处理包括：
5.根据权利要求1所述的基于非侵入式负荷分解算法的短期多元综合负荷预测方法，其特征在于，所述针对负荷数据的类型，构建相应的负荷预测模型包括：
6.根据权利要求5所述的基于非侵入式负荷分解算法的短期多元综合负荷预测方法，其特征在于，构建相应的负荷预测模型后，采用基于非线性变化的改进鲸鱼优化算法获得最优超参数设置。
7.根据权利要求1所述的基于非侵入式负荷分解算法的短期多元综合负荷预测方法，其特征在于，所述聚合各类型负荷的预测值包括：
【技术特征摘要】
1.一种基于非侵入式负荷分解算法的短期多元综合负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的基于非侵入式负荷分解算法的短期多元综合负荷预测方法，其特征在于，所述非侵入式负荷分解算法包括：
3.根据权利要求1所述的基于非侵入式负荷分解算法的短期多元综合负荷预测方法，其特征在于，所述特征值筛选包括：
4.根据权利要求1所述的基于非侵入式负荷分解算法的短期多元综合负荷预测方法，其特征在于，所述数据预处理包括：
<...
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。