【技术实现步骤摘要】
本专利技术属于分布式负荷，具体涉及乡村多元负荷多时间尺度预测方法。
技术介绍
1、源荷预测是系统容量匹配和网络重构的重要基础，随着高随机源荷大量接入乡村电力系统，传统源荷预测方法弊端凸显，负荷预测方面，传统方法对乡村多元随机用电负荷时空特性挖掘不够，侧重挖掘用户用能负荷序列时间相关性，较少考虑各类用能负荷潜在空间相关性，新能源功率预测方面，一方面气象数据来源以数值天气预报为主，其精度无法满足微区域功率预测要求，另一方面传统功率预测方法对风光出力随机性与波动性应对存在欠缺，在某些场景下可能出现较大误差；因此，提供一种构建用户集群短期负荷预测模型、实现多时间尺度负荷预测、提高新能源出力预测准确性的乡村多元负荷多时间尺度预测方法是非常有必要的。
技术实现思路
1、本专利技术的目的是为了克服现有技术的不足，而提供一种构建用户集群短期负荷预测模型、实现多时间尺度负荷预测、提高新能源出力预测准确性的乡村多元负荷多时间尺度预测方法。
2、本专利技术的目的是这样实现的：乡村多元负荷多时间尺度预测方法，所述的方法包括以下步骤：
3、步骤1：构建基于自适应时空同步图卷积神经网络的分布式用户集群中短期负荷预测模型：提出基于自适应时空同步图卷积神经网络astsgcn的分布式用户集群中短期负荷预测方法，依托时空图结构，有效处理同时具有空间和时间关系的负荷数据；
4、步骤2：乡村分布式可再生能源功率预测；
5、步骤3：乡村分布式源荷集成预测：净负荷测修正包含三部
6、所述的步骤1中的构建基于自适应时空同步图卷积神经网络的分布式用户集群中短期负荷预测模型具体包括以下步骤：
7、步骤1.1：基于用户用电行为的相似性，利用k-means聚类方法对所有居民用户的历史负荷序列进行分组；
8、步骤1.2：依据聚类结果，构建面向居民用户集群负荷预测的时空图数据；
9、步骤1.3：通过所构建的时空图数据，训练自适应时空同步图卷积神经网络astsgcn，挖掘用户用电模式，进而预测下一时刻各个居民用户分组的负荷值；
10、步骤1.4：聚合各居民用户分组的负荷预测值，即为整个居民用户集群的总负荷预测值。
11、所述的步骤1.2具体为：首先，构建面向居民用户集群负荷预测的时空图数据的节点：根据k-means聚类算法对所有居民用户的历史负荷序列进行分组的结果，将每组居民用户作为时空图数据的各个节点，而将每组居民用户聚合的历史负荷序列作为各个节点的特征序列；其次，构建面向居民用户集群负荷预测的时空图数据的边，即邻接矩阵：分别提出两种构建邻接矩阵的方法：①若两个节点的相应历史负荷序列之间的相关系数不小于某一阈值，则认为两个节点之间存在连接关系，并将邻接矩阵的对应位置元素设定为1；否则认为两个节点之间不存在连接关系，并将邻接矩阵的对应位置元素设定为0。相关系数和邻接矩阵元素计算公式如下：式中：ρij表示历史负荷序列xi、xj的皮尔逊相关系数；cov(xi,xj)表示xi、xj的协方差；分别表示xi、xj的标准差；②为精细量化各个节点之间的关联关系，采用两个节点的相应历史负荷序列之间的相关系数作为邻接矩阵的对应元素，改进邻接矩阵的每个元素的计算公式如下：aij＝ρij。
12、所述的步骤2中的乡村分布式可再生能源功率预测具体包括以下步骤：
13、步骤2.1：构建基于空间要素的气象数据降尺度预测模型：构建基于空间要素的降尺度预测模型，将预测空间粒度从3千米提升至30米，大幅提高气象数据预测精度；统计降尺度主要基于历史观测数据，建立大尺度预报因子与气象预报变量之间的统计关系，然后使用测试数据验证该关系，最后，将这种关系应用于小尺度、高空间分辨率来预估微区域尺度下的气象变化情景；
14、步骤2.2：基于优化bp神经网络和水平风速修正的县域风功率预测。
15、所述的步骤2.2中的基于优化bp神经网络和水平风速修正的县域风功率预测具体包括以下步骤：
16、步骤2.21：基于lcaso优化的bp神经网络单台风机功率预测：包括风力发电系统建模、lcaso-bp神经网络模型；
17、步骤2.22：基于水平风速和历史数据修正的县域风功率预测。
18、所述的步骤2.21中的风力发电系统建模具体为：①风速影响：在风电场的实际运行中，考虑到实际条件下空气密度和风速的变化，风速与风速之间存在复杂的非线性关系用下式来描述：式中，va表示风机切入风速；vc表示额定风速；vb表示切断风速；pr表示额定输出功率；②风向影响：风电场的自然风向对风力发电机组输出功率的影响包括以下两个方面：首先，在风机运行中，为了使风机捕获尽可能多的风能，风机的偏航装置会根据风速计和风向标的记录数据来调整风机的位置，但是，由于大部分偏航装置是延时的，风机不能有效地与进风对齐，使得风机在相同风速下的输出功率不同；其次，尾流效应会随风向的变化而变化，逆风风机的风力涡轮机捕获风能后，自然风速逐渐下降，使通过下风向的风机的风能明显降低，相应的输出功率也会降低，因此，在风电场的现场设置和布置中，为了减少尾流效应的危害，通常将风力发电机组相隔较远；③空气密度影响：空气密度的大小也会影响到风力发电机组所捕获的自然风能的量，此外，空气密度还与外部温度、相对湿度、大气压等因素密切相关，可描述为：式中，t表示风电场地面温度；h表示相对湿度；p代表大气压；pb表示饱和水蒸汽压；由上式可以得到，在其余因素恒定的情况下，风机输出功率和空气密度成正比，但在实际的风力发电输出预测中，一般会综合nwp数据及温度、气压和相对湿度的影响。
19、所述的步骤2.21中的lcaso-bp神经网络模型具体为：①logistic混沌模型：采用logistic混沌模型对种群中的最优个体进行混沌映射，传统逻辑映射的迭代方程如下：xn+1＝μxn(1-xn)，式中，μ表示控制参数，μ∈(0，4]；xn表示第n个混沌变量，xn∈(0，1],n＝0,1,2,...,i，定义在实数连续域中的0到1之间；特别是，当3.57＜μ＜4时，整个系统处于混沌状态，需要选择越接近4，整个混沌系统越好，然而，考虑到初始化混沌映射的原子种群位置时的实际情况；因为当xn∈(0，1]且xn∈(0.25，0.5，0.75)时，系统处于混沌区，初始变量的微小变化将导致后续轨道的巨大差异：cn,j＝(xn,j-bn,j)/(vn,j-bn,j)，xn+1,j＝bn,j+cn+1,j(vn,j-bn,j)，式中，cn,j为混沌序列的初始值；j表示决策变量的维本文档来自技高网...
【技术保护点】
1.乡村多元负荷多时间尺度预测方法，其特征在于：所述的方法包括以下步骤：
2.如权利要求1所述的乡村多元负荷多时间尺度预测方法，其特征在于：所述的步骤1中的构建基于自适应时空同步图卷积神经网络的分布式用户集群中短期负荷预测模型具体包括以下步骤：
3.如权利要求2所述的乡村多元负荷多时间尺度预测方法，其特征在于：所述的步骤1.2具体为：首先，构建面向居民用户集群负荷预测的时空图数据的节点：根据K-means聚类算法对所有居民用户的历史负荷序列进行分组的结果，将每组居民用户作为时空图数据的各个节点，而将每组居民用户聚合的历史负荷序列作为各个节点的特征序列；其次，构建面向居民用户集群负荷预测的时空图数据的边，即邻接矩阵：分别提出两种构建邻接矩阵的方法：①若两个节点的相应历史负荷序列之间的相关系数不小于某一阈值，则认为两个节点之间存在连接关系，并将邻接矩阵的对应位置元素设定为1；否则认为两个节点之间不存在连接关系，并将邻接矩阵的对应位置元素设定为0。相关系数和邻接矩阵元素计算公式如下：式中：ρij表示历史负荷序列Xi、Xj的皮尔逊相关系数；cov(Xi,Xj)表示
4.如权利要求1所述的乡村多元负荷多时间尺度预测方法，其特征在于：所述的步骤2中的乡村分布式可再生能源功率预测具体包括以下步骤：
5.如权利要求4所述的乡村多元负荷多时间尺度预测方法，其特征在于：所述的步骤2.2中的基于优化BP神经网络和水平风速修正的县域风功率预测具体包括以下步骤：
6.如权利要求5所述的乡村多元负荷多时间尺度预测方法，其特征在于：所述的步骤2.21中的风力发电系统建模具体为：①风速影响：在风电场的实际运行中，考虑到实际条件下空气密度和风速的变化，风速与风速之间存在复杂的非线性关系用下式来描述：式中，Va表示风机切入风速；Vc表示额定风速；Vb表示切断风速；Pr表示额定输出功率；②风向影响：风电场的自然风向对风力发电机组输出功率的影响包括以下两个方面：首先，在风机运行中，为了使风机捕获尽可能多的风能，风机的偏航装置会根据风速计和风向标的记录数据来调整风机的位置，但是，由于大部分偏航装置是延时的，风机不能有效地与进风对齐，使得风机在相同风速下的输出功率不同；其次，尾流效应会随风向的变化而变化，逆风风机的风力涡轮机捕获风能后，自然风速逐渐下降，使通过下风向的风机的风能明显降低，相应的输出功率也会降低，因此，在风电场的现场设置和布置中，为了减少尾流效应的危害，通常将风力发电机组相隔较远；③空气密度影响：空气密度的大小也会影响到风力发电机组所捕获的自然风能的量，此外，空气密度还与外部温度、相对湿度、大气压等因素密切相关，可描述为：式中，t表示风电场地面温度；h表示相对湿度；P代表大气压；Pb表示饱和水蒸汽压；由上式可以得到，在其余因素恒定的情况下，风机输出功率和空气密度成正比，但在实际的风力发电输出预测中，一般会综合NWP数据及温度、气压和相对湿度的影响。
7.如权利要求5所述的乡村多元负荷多时间尺度预测方法，其特征在于：所述的步骤2.21中的LCASO-BP神经网络模型具体为：①Logistic混沌模型：采用Logistic混沌模型对种群中的最优个体进行混沌映射，传统逻辑映射的迭代方程如下：xn+1＝μxn(1-xn)，式中，μ表示控制参数，μ∈(0，4]；xn表示第n个混沌变量，xn∈(0，1],n＝0,1,2,...,i，定义在实数连续域中的0到1之间；特别是，当3.57＜μ＜4时，整个系统处于混沌状态，需要选择越接近4，整个混沌系统越好，然而，考虑到初始化混沌映射的原子种群位置时的实际情况；因为当xn∈(0，1]且xn∈(0.25，0.5，0.75)时，系统处于混沌区，初始变量的微小变化将导致后续轨道的巨大差异：Cn,j＝(xn,j-bn,j)/(vn,j-bn,j)，xn+1,j＝bn,j+Cn+1,j(vn,j-bn,j)，式中，Cn,j为混沌序列的初始值；j表示决策变量的维数；vn、bn分别表示初始决策变量的上限和下限；这样，整个原子群就可以利用混沌变量的全局遍历性质，在所有的解空间中进行优化，而不会落入局部极值点；②BP神经网络模型：BP神经网络由三层组成，左侧为输入节点，右侧为输出节点，中间为隐藏层，每一层都由一定数量的神经元组成，每个神经元都有一个阈值，每层由权重连接，两层的输入和输出之间的关系可以看作是一种映射关系，即每一组输入对应于一组输出，然后使用权值来表示这...
【技术特征摘要】
1.乡村多元负荷多时间尺度预测方法，其特征在于：所述的方法包括以下步骤：
2.如权利要求1所述的乡村多元负荷多时间尺度预测方法，其特征在于：所述的步骤1中的构建基于自适应时空同步图卷积神经网络的分布式用户集群中短期负荷预测模型具体包括以下步骤：
3.如权利要求2所述的乡村多元负荷多时间尺度预测方法，其特征在于：所述的步骤1.2具体为：首先，构建面向居民用户集群负荷预测的时空图数据的节点：根据k-means聚类算法对所有居民用户的历史负荷序列进行分组的结果，将每组居民用户作为时空图数据的各个节点，而将每组居民用户聚合的历史负荷序列作为各个节点的特征序列；其次，构建面向居民用户集群负荷预测的时空图数据的边，即邻接矩阵：分别提出两种构建邻接矩阵的方法：①若两个节点的相应历史负荷序列之间的相关系数不小于某一阈值，则认为两个节点之间存在连接关系，并将邻接矩阵的对应位置元素设定为1；否则认为两个节点之间不存在连接关系，并将邻接矩阵的对应位置元素设定为0。相关系数和邻接矩阵元素计算公式如下：式中：ρij表示历史负荷序列xi、xj的皮尔逊相关系数；cov(xi,xj)表示xi、xj的协方差；分别表示xi、xj的标准差；②为精细量化各个节点之间的关联关系，采用两个节点的相应历史负荷序列之间的相关系数作为邻接矩阵的对应元素，改进邻接矩阵的每个元素的计算公式如下：aij＝ρij。
4.如权利要求1所述的乡村多元负荷多时间尺度预测方法，其特征在于：所述的步骤2中的乡村分布式可再生能源功率预测具体包括以下步骤：
5.如权利要求4所述的乡村多元负荷多时间尺度预测方法，其特征在于：所述的步骤2.2中的基于优化bp神经网络和水平风速修正的县域风功率预测具体包括以下步骤：
6.如权利要求5所述的乡村多元负荷多时间尺度预测方法，其特征在于：所述的步骤2.21中的风力发电系统建模具体为：①风速影响：在风电场的实际运行中，考虑到实际条件下空气密度和风速的变化，风速与风速之间存在复杂的非线性关系用下式来描述：式中，va表示风机切入风速；vc表示额定风速；vb表示切断风速；pr表示额定输出功率；②风向影响：风电场的自然风向对风力发电机组输出功率的影响包括以下两个方面：首先，在风机运行中，为了使风机捕获尽可能多的风能，风机的偏航装置会根据风速计和风向标的记录数据来调整风机的位置，但是，由于大部分偏航装置是延时的，风机不能有效地与进风对齐，使得风机在相同风速下的输出功率不同；其次，尾流效应会随风向的变化而变化，逆风风机的风力涡轮机捕获风能后，自然风速逐渐下降，使通过下风向的风机的风能明显降低，相应的输出功率也会降低，因此，在风电场的现场设置和布置中，为了减少尾流效应的危害，通常将风力发电机组相隔较远；③空气密度影响：空气密度的大小也会影响到风力发电机组所捕获的自然风能的量，此外，空气密度还与外部温度、相对湿度、大气压等因素密切相关，可描述为：式中，t表示风电...
【专利技术属性】
技术研发人员：张艺涵，李鹏，刘军会，郑永乐，杨萌，柴喆，陈兴，路尧，谢安邦，蔡姝尧，李慧璇，张泓楷，祖文静，
申请(专利权)人：国网河南省电力公司经济技术研究院，
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。