本發(fā)明涉及多能源負(fù)荷預(yù)測(cè)與配電網(wǎng)規(guī)劃，尤其涉及一種基于數(shù)據(jù)驅(qū)動(dòng)的多能源負(fù)荷預(yù)測(cè)與配電網(wǎng)規(guī)劃方法。

背景技術(shù)：

1、電力作為能源消耗量最大的行業(yè)為支撐實(shí)現(xiàn)國(guó)家能源戰(zhàn)略轉(zhuǎn)型發(fā)揮著重要作用。因此，風(fēng)、光等分布式可再生能源在配電網(wǎng)中迅速發(fā)展。隨著大規(guī)模分布式新能源并網(wǎng)，改變了系統(tǒng)電源結(jié)構(gòu)、控制方式、潮流分布的同時(shí)降低了電能質(zhì)量?；跀?shù)據(jù)驅(qū)動(dòng)的多能源負(fù)荷預(yù)測(cè)與配電網(wǎng)規(guī)劃是一個(gè)綜合性的概念，它涉及利用大數(shù)據(jù)技術(shù)和先進(jìn)的分析方法來(lái)預(yù)測(cè)電力負(fù)荷，并據(jù)此優(yōu)化配電網(wǎng)的設(shè)計(jì)和運(yùn)營(yíng)。

2、公開(kāi)號(hào)cn202110251776.0公開(kāi)了一種園區(qū)綜合能源系統(tǒng)綜合電負(fù)荷區(qū)間預(yù)測(cè)方法，所述方法包括：獲取園區(qū)綜合能源系統(tǒng)的最大供電需求、最大供熱需求以及最大供冷需求；提取園區(qū)綜合能源系統(tǒng)的設(shè)備組成信息；獲取儲(chǔ)能設(shè)備對(duì)綜合電負(fù)荷的貢獻(xiàn)區(qū)間數(shù)；獲取熱電聯(lián)產(chǎn)設(shè)備對(duì)綜合電負(fù)荷的貢獻(xiàn)區(qū)間數(shù)；獲取電制冷設(shè)備對(duì)綜合電負(fù)荷的貢獻(xiàn)區(qū)間數(shù)；獲取新能源發(fā)電設(shè)備對(duì)綜合電負(fù)荷的貢獻(xiàn)區(qū)間數(shù)；獲得園區(qū)綜合能源系統(tǒng)設(shè)備的綜合貢獻(xiàn)區(qū)間數(shù)；獲得園區(qū)綜合能源系統(tǒng)綜合電負(fù)荷預(yù)測(cè)區(qū)間。本發(fā)明兼顧了多能轉(zhuǎn)換設(shè)備耦合運(yùn)行對(duì)綜合電負(fù)荷的影響，給出了園區(qū)綜合能源系統(tǒng)綜合電負(fù)荷的預(yù)測(cè)區(qū)間，彌補(bǔ)了現(xiàn)有對(duì)綜合電負(fù)荷的預(yù)測(cè)的不足，為確定電網(wǎng)規(guī)劃負(fù)荷邊界提供支撐。

3、經(jīng)過(guò)檢索上述專利發(fā)現(xiàn)基于數(shù)據(jù)驅(qū)動(dòng)的多能源負(fù)荷預(yù)測(cè)與配電網(wǎng)規(guī)劃時(shí)，仍存在以下不足：1、基于數(shù)據(jù)驅(qū)動(dòng)的多能源負(fù)荷預(yù)測(cè)時(shí)無(wú)法實(shí)時(shí)對(duì)多能源負(fù)荷進(jìn)行數(shù)據(jù)的實(shí)時(shí)比對(duì)，容易出現(xiàn)多能源負(fù)荷偽數(shù)值，導(dǎo)致多能源負(fù)荷預(yù)測(cè)存在誤差，影響多能源負(fù)荷預(yù)測(cè)的精準(zhǔn)度；2、多能源負(fù)荷預(yù)測(cè)時(shí)，不確定因素較多，其中最主要的就是多能源負(fù)荷在不同時(shí)間段的多變性，現(xiàn)有技術(shù)無(wú)法根據(jù)多能源負(fù)荷的多變計(jì)時(shí)調(diào)整預(yù)測(cè)方案，使得多能源負(fù)荷的預(yù)測(cè)結(jié)果不準(zhǔn)確性概率較高；3、由于多能源負(fù)荷預(yù)測(cè)后會(huì)對(duì)配電網(wǎng)規(guī)劃造成影響，同時(shí)配電網(wǎng)規(guī)劃無(wú)法及時(shí)跟隨多能源負(fù)荷預(yù)測(cè)進(jìn)行異常調(diào)整，使得配電網(wǎng)規(guī)劃容易出現(xiàn)異常，無(wú)法提前預(yù)警配電網(wǎng)規(guī)劃異常，導(dǎo)致配電網(wǎng)規(guī)劃的及時(shí)性和準(zhǔn)確性較差。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是，構(gòu)建了基于改進(jìn)貝葉斯與?gcn-lstm?算法的負(fù)荷預(yù)測(cè)模型。將圖卷積神經(jīng)網(wǎng)絡(luò)（gcn）與長(zhǎng)短時(shí)循環(huán)記憶（lstm）結(jié)合進(jìn)行負(fù)荷相關(guān)數(shù)據(jù)的特征提取及負(fù)荷預(yù)測(cè)，考慮?gcn-lstm?模型將負(fù)荷預(yù)測(cè)視為確定性函數(shù)給出特定結(jié)果，無(wú)法表征預(yù)測(cè)的不確定性的缺點(diǎn)，運(yùn)用貝葉斯理論對(duì)?gcn-lstm?模型超參數(shù)優(yōu)化及網(wǎng)格訓(xùn)練改進(jìn)，進(jìn)一步提高負(fù)荷預(yù)測(cè)結(jié)果的精確性。基于上述負(fù)荷預(yù)測(cè)結(jié)果，從多維角度出發(fā)，依托馬爾可夫決策過(guò)程（mdp）構(gòu)建了配電網(wǎng)靈活性擴(kuò)展規(guī)劃模型，使其提高靈活性和主動(dòng)控制不確定因素的同時(shí)充分調(diào)度各類靈活性資源，最小化經(jīng)濟(jì)成本，實(shí)現(xiàn)新型配電網(wǎng)的安全穩(wěn)定可靠運(yùn)行。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：

3、一種基于數(shù)據(jù)驅(qū)動(dòng)的多能源負(fù)荷預(yù)測(cè)與配電網(wǎng)規(guī)劃方法，包括以下步驟：

4、步驟一：收集并整理用于負(fù)荷預(yù)測(cè)和配電網(wǎng)規(guī)劃的歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)；

5、步驟二：結(jié)合gcn和lstm構(gòu)建一個(gè)基于gcn-lstm深度學(xué)習(xí)的預(yù)測(cè)多能源負(fù)荷的模型；

6、步驟三：在步驟二構(gòu)建的基于gcn-lstm深度學(xué)習(xí)的預(yù)測(cè)多能源負(fù)荷的模型中引入貝葉斯定理，建立負(fù)荷預(yù)測(cè)模型；

7、步驟四：建立基于mdp的配電網(wǎng)擴(kuò)展規(guī)劃的建模思路，將規(guī)劃周期分為多個(gè)階段，在每個(gè)階段，定義當(dāng)前狀態(tài)（如負(fù)荷水平、電網(wǎng)結(jié)構(gòu)等）和可選動(dòng)作（如新增線路、變壓器等），根據(jù)當(dāng)前狀態(tài)和可選動(dòng)作，選擇實(shí)現(xiàn)長(zhǎng)期規(guī)劃目標(biāo)的最優(yōu)決策；

8、步驟五：在步驟四的基礎(chǔ)上，構(gòu)建基于mdp的配電網(wǎng)擴(kuò)展規(guī)劃的模型，通過(guò)求解mdp的配電網(wǎng)擴(kuò)展規(guī)劃的模型，得到每個(gè)階段的最優(yōu)動(dòng)作和相應(yīng)的獎(jiǎng)勵(lì)，從而構(gòu)建出最優(yōu)的配電網(wǎng)擴(kuò)展規(guī)劃方案。

9、上述進(jìn)一步包括：

10、進(jìn)一步地，在步驟一中，所述歷史數(shù)據(jù)包括過(guò)去的負(fù)荷記錄、天氣預(yù)報(bào)、節(jié)假日信息以及用戶行為模式等多種信息數(shù)據(jù)，所述實(shí)時(shí)數(shù)據(jù)則包括當(dāng)前的負(fù)荷水平、電網(wǎng)結(jié)構(gòu)狀態(tài)以及新能源發(fā)電情況等多種信息數(shù)據(jù)，使用數(shù)據(jù)清洗和歸一化對(duì)歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)進(jìn)行預(yù)處理，提高數(shù)據(jù)質(zhì)量，減少噪聲對(duì)后續(xù)分析的影響。

11、進(jìn)一步地，在步驟二中，所述gcn為通過(guò)多個(gè)隱藏層及relu激活函數(shù)提取特征的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，所述relu函數(shù)公式為；

12、所述gcn數(shù)據(jù)以節(jié)點(diǎn)特征和結(jié)構(gòu)信息組成，所述gcn數(shù)據(jù)公式為，數(shù)據(jù)圖模型公式為，其中，和分別表示節(jié)點(diǎn)集合和連接，表示鄰接矩陣；

13、所述隱藏層公式為：

14、

15、其中，表示隱藏層結(jié)果，、和分別表示權(quán)重矩陣、對(duì)角矩陣和單位矩陣。

16、進(jìn)一步地，在步驟二中，所述lstm擅長(zhǎng)處理時(shí)間序列數(shù)據(jù)，捕捉時(shí)間序列中的長(zhǎng)期依賴關(guān)系，所述lstm構(gòu)建模型，、和、分別表示上時(shí)刻單元狀態(tài)和隱藏層狀態(tài)和更新后單元狀態(tài)和隱藏層狀態(tài)；表示當(dāng)前輸入；、和分別表示遺忘門、輸入門和輸出門，其中，所述遺忘門由參數(shù)篩選并剔除無(wú)關(guān)歷史信息的篩選，避免隱藏層數(shù)據(jù)量過(guò)大，所述輸入門進(jìn)行當(dāng)前單元信息的控制，所述輸出層完成隱藏層的更新，決定隱藏和循環(huán)信息的數(shù)量，根據(jù)遺忘門、輸入門和輸出門控制實(shí)現(xiàn)提取信息過(guò)程，提高了模型收斂性；

17、所述lstm傳遞過(guò)程如下：

18、所述遺忘門處理由當(dāng)前輸入信息和上一時(shí)刻的短期記憶信息并輸出遺忘向量，所述遺忘門公式為，其中，表示和的權(quán)值參數(shù)，表示偏置；

19、疊加和，通過(guò)tanh函數(shù)更新長(zhǎng)期記憶候選狀態(tài)，所述輸入門決定長(zhǎng)期記憶的保留量，所述輸入門公式為；

20、遺棄無(wú)用新信息和添加有用新信息完成細(xì)胞狀態(tài)的更新，所述更新公式為；

21、所述輸出門對(duì)當(dāng)前單元長(zhǎng)期記憶輸出信息和短期記憶，公式為

22、。

23、進(jìn)一步地，在步驟二中，通過(guò)gcn提取負(fù)荷時(shí)空?qǐng)D像的風(fēng)速、光照強(qiáng)度、溫度、壓強(qiáng)、濕度等數(shù)據(jù)組成多維特征的數(shù)據(jù)圖像，通過(guò)gcn完成對(duì)大量復(fù)雜時(shí)空?qǐng)D像的處理，圖像模型，其中，表示圖像模型中的節(jié)點(diǎn)集合，并依次編號(hào)為①至⑧，將配電網(wǎng)中分布式電源出力、負(fù)荷需求量以及歷史負(fù)荷數(shù)據(jù)、環(huán)境和氣象信息作為圖節(jié)點(diǎn)特征向量，表示邊節(jié)點(diǎn)集合，目的是連接各個(gè)信息的聯(lián)絡(luò)線，通過(guò)邊集合將數(shù)據(jù)信息在各節(jié)點(diǎn)間傳遞；

24、所述gcn-layer提取負(fù)荷數(shù)據(jù)空間特征是以節(jié)點(diǎn)為中心提取相鄰節(jié)點(diǎn)信息，單層gcn只能取一階相鄰節(jié)點(diǎn)數(shù)據(jù)，例如把節(jié)點(diǎn)①作為中心，則提取相鄰節(jié)點(diǎn)②、③、④、⑤上的特征數(shù)據(jù)，按此方式堆疊卷積神經(jīng)網(wǎng)絡(luò)卷積層數(shù)來(lái)獲取全局整體節(jié)點(diǎn)的特征數(shù)據(jù)；

25、在gcn中引入lstm算法，每個(gè)lstmcell神經(jīng)元由四個(gè)神經(jīng)網(wǎng)絡(luò)層構(gòu)成，通過(guò)遺忘門、輸入門和輸出門進(jìn)行信息的增減變化。

26、進(jìn)一步地，在步驟三中，所述建立負(fù)荷預(yù)測(cè)模型，具體步驟：

27、在gcn-lstm網(wǎng)絡(luò)上設(shè)置一個(gè)先驗(yàn)分布，設(shè)先驗(yàn)概率為，為網(wǎng)絡(luò)層權(quán)重，考慮參數(shù)空間積分難度較大，運(yùn)用變分推斷求解模型后驗(yàn)概率的近似值，定義參數(shù)的近似分布接近模型的后驗(yàn)概率，網(wǎng)絡(luò)權(quán)重的后驗(yàn)分布在反向傳播中采樣權(quán)重，為近似分布，與真實(shí)后驗(yàn)分布保持最小kl散度進(jìn)行優(yōu)化近似求解真實(shí)后驗(yàn)分布，所述真實(shí)后驗(yàn)分布公式為：

28、

29、利用蒙特卡洛采樣方法將真實(shí)后驗(yàn)分布公式簡(jiǎn)化為：

30、

31、其中，表示學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)權(quán)重，，表示采樣次數(shù)，表示第次后驗(yàn)概率采樣值的蒙特卡洛采樣；

32、基于簡(jiǎn)化后的公式估計(jì)出kl散度，計(jì)算出近似權(quán)重參數(shù)的后驗(yàn)分布，然后進(jìn)行后驗(yàn)分布權(quán)重采樣計(jì)算出權(quán)重值，由多次采樣得到的預(yù)測(cè)結(jié)果的平均值得出最終預(yù)測(cè)結(jié)果，完成gcn-lstm模型的前向與反向傳播的迭代訓(xùn)練，此后，基于反向傳播對(duì)貝葉斯學(xué)習(xí)模型進(jìn)行訓(xùn)練，利用損失函數(shù)取到最小值進(jìn)行權(quán)重調(diào)整。

33、進(jìn)一步地，將貝葉斯引入基于gcn-lstm深度學(xué)習(xí)的預(yù)測(cè)多能源負(fù)荷的模型進(jìn)行改進(jìn)，所述基于gcn-lstm深度學(xué)習(xí)的預(yù)測(cè)多能源負(fù)荷的模型權(quán)重服從概率分布的貝葉斯深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的條件分布模型公式為，其中，和分別表示輸入集和輸出集，表示權(quán)重集，表示數(shù)學(xué)期望；

34、計(jì)算使存在最大似然估計(jì)的權(quán)重最佳后驗(yàn)分布，其中，表示訓(xùn)練后單元權(quán)重，表示訓(xùn)練數(shù)據(jù)集；

35、所述貝葉斯超參數(shù)優(yōu)化及網(wǎng)格訓(xùn)練為：

36、超參數(shù)對(duì)深度學(xué)習(xí)算法的網(wǎng)絡(luò)訓(xùn)練結(jié)果影響極大，輸入氣象因素等相關(guān)數(shù)據(jù)，通過(guò)貝葉斯深度神經(jīng)網(wǎng)絡(luò)輸出負(fù)荷預(yù)測(cè)結(jié)果。隱藏層采用以16個(gè)單元和8個(gè)單元的雙層概率全連接層，通過(guò)自適應(yīng)參數(shù)的高效學(xué)習(xí)提高初始學(xué)習(xí)率、訓(xùn)練輪次等參數(shù)的魯棒性，運(yùn)用早停策略設(shè)置連續(xù)3輪網(wǎng)絡(luò)損失值變化率小于等于?1%停止訓(xùn)練決定訓(xùn)練總輪次；

37、運(yùn)用變分推理法訓(xùn)練網(wǎng)絡(luò)求解后驗(yàn)分布，降低求解難度，步驟為：

38、構(gòu)建分布擬合分布，轉(zhuǎn)換網(wǎng)絡(luò)訓(xùn)練目標(biāo)為與的最小差值，公式為，其中，為訓(xùn)練后的分布參數(shù)，表示與距離函數(shù)；

39、引入kl散度運(yùn)用公式衡量對(duì)與的差異，所述kl散度運(yùn)用公式為

40、；

41、對(duì)最小kl散度等價(jià)于時(shí)取得的最大值進(jìn)行；

42、通過(guò)kl散度展開(kāi)所述kl散度運(yùn)用公式，其中，表示后驗(yàn)對(duì)數(shù)概率，通過(guò)近似條件似然求解，表示權(quán)重分布遵循標(biāo)準(zhǔn)高斯分布的先驗(yàn)概率分布，表示分布的概率分布；

43、所述權(quán)重服從0均值且獨(dú)立的高斯分布，所述期望值通過(guò)對(duì)分布對(duì)數(shù)平均值進(jìn)行求解獲取，更新分布q方差進(jìn)行訓(xùn)練，基于優(yōu)梯度下降法求解極值，可更新權(quán)重分布方差：

44、

45、其中，表示m權(quán)重的分布方差，表示計(jì)算迭代因子。

46、進(jìn)一步地，在步驟四中，所述建立基于mdp的配電網(wǎng)擴(kuò)展規(guī)劃的建模思路，利用靈活“觀望”策略建立多階段dsep問(wèn)題數(shù)學(xué)建模進(jìn)行決策，配電網(wǎng)運(yùn)營(yíng)商通過(guò)狀態(tài)，根據(jù)決策出階段1最優(yōu)行為，并揭示負(fù)荷增長(zhǎng)信息，階段2考慮和負(fù)荷增長(zhǎng)因素，形成新?tīng)顟B(tài)，確定最優(yōu)行為，重復(fù)此過(guò)程直到完成所有階段決策；

47、所述mdp決策過(guò)程包含四個(gè)元素：狀態(tài)集、轉(zhuǎn)移概率、動(dòng)作集以及獎(jiǎng)勵(lì)函數(shù)；

48、所述狀態(tài)集：是由系統(tǒng)拓?fù)浜拓?fù)荷需求構(gòu)成，表達(dá)式為：

49、

50、其中，、、、、、分別為階段配電網(wǎng)變電站、變壓器、饋線、光伏機(jī)組、風(fēng)機(jī)機(jī)組和儲(chǔ)能設(shè)備，表示負(fù)荷增長(zhǎng)預(yù)測(cè)誤差；

51、實(shí)際負(fù)荷需求峰值通過(guò)預(yù)測(cè)值和預(yù)測(cè)誤差確定，表達(dá)式為，其中，將均勻離散為、，…，，以平均值表示區(qū)間值，則階段到階段預(yù)測(cè)誤差發(fā)生的概率為；

52、所述轉(zhuǎn)移概率：動(dòng)作和負(fù)荷增長(zhǎng)信息從當(dāng)前狀態(tài)轉(zhuǎn)移到狀態(tài)的概率為，其中，為配電網(wǎng)所有設(shè)備，表示在下系統(tǒng)拓?fù)溆傻降母怕?，取值?或0；

53、所述行動(dòng)集與獎(jiǎng)勵(lì)函數(shù)：和決策變量公式為

54、

55、其中，、為饋線運(yùn)行變量，為階段t各設(shè)備安裝投資變量；

56、投資變量與現(xiàn)有變量的關(guān)系式為。

57、本發(fā)明具備以下有益效果：

58、1、本發(fā)明中，構(gòu)建了改進(jìn)貝葉斯與gcn-lstm算法的負(fù)荷預(yù)測(cè)模型，該模型通過(guò)gcn對(duì)大量復(fù)雜時(shí)空?qǐng)D像進(jìn)行處理，并引入lstm算法進(jìn)一步高效學(xué)習(xí)大規(guī)模非線性長(zhǎng)序列數(shù)據(jù)，最后運(yùn)用貝葉斯將gcn-lstm模型參數(shù)假設(shè)成先驗(yàn)分布，訓(xùn)練時(shí)獲得分布最佳參數(shù)。

59、2、本發(fā)明中，在負(fù)荷預(yù)測(cè)結(jié)果基礎(chǔ)上構(gòu)建基于mdp的新型配電網(wǎng)靈活性擴(kuò)展規(guī)劃模型將新型配電網(wǎng)擴(kuò)展規(guī)劃周期分為多個(gè)階段，在規(guī)劃期內(nèi)按階段進(jìn)行最優(yōu)決策。考慮負(fù)荷增長(zhǎng)狀態(tài)下的投資成本、維護(hù)成本、生產(chǎn)成本和能源成本最小為目標(biāo)，投資約束潮流約束、網(wǎng)絡(luò)輻射約束和變量上下限約束四種約束條件構(gòu)建新型配電網(wǎng)擴(kuò)展規(guī)劃模型。