微電網(wǎng)短期功率和負(fù)荷預(yù)測系統(tǒng)及誤差分類動(dòng)態(tài)修正方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及負(fù)荷預(yù)測領(lǐng)域,本發(fā)明特別設(shè)及一種基于大誤差數(shù)據(jù)分類動(dòng)態(tài)修正方 法的微電網(wǎng)短期功率和負(fù)荷預(yù)測系統(tǒng)。
【背景技術(shù)】
[0002] 微電網(wǎng)短期功率和負(fù)荷預(yù)測系統(tǒng)為能量優(yōu)化調(diào)度提供依據(jù);同時(shí)將數(shù)據(jù)實(shí)時(shí)上傳 至能量管理系統(tǒng),為智能微電網(wǎng)控制提供必要數(shù)據(jù)。微電網(wǎng)的功率預(yù)測充分利用分布式能 源發(fā)電,獲得更大的經(jīng)濟(jì)效益和社會(huì)效益,提高微電網(wǎng)運(yùn)行的可靠性和經(jīng)濟(jì)性。微電網(wǎng)的負(fù) 荷預(yù)測對微電網(wǎng)的優(yōu)化運(yùn)行有著重要的意義,為微電網(wǎng)能量管理提供數(shù)據(jù)支持。
[0003] 傳統(tǒng)的微電網(wǎng)短期功率和負(fù)荷預(yù)測系統(tǒng)一般采用神經(jīng)網(wǎng)絡(luò)算法,而采用神經(jīng)網(wǎng)絡(luò) 算法需要有比較完備的歷史數(shù)據(jù)作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的樣本。在"微電網(wǎng)"該種面積較 小的區(qū)域中,歷史氣象數(shù)據(jù)和功率負(fù)荷數(shù)據(jù)記錄一般都不是完備或缺失的,甚至記錄的歷 史數(shù)據(jù)與真實(shí)數(shù)據(jù)存在較大誤差。該樣的歷史數(shù)據(jù)訓(xùn)練出來的神經(jīng)網(wǎng)絡(luò)模型可能因?yàn)檎`差 較大難W收斂,不能滿足微電網(wǎng)功率或者負(fù)荷預(yù)測需要。
[0004] 采用神經(jīng)網(wǎng)絡(luò)算法的傳統(tǒng)的微電網(wǎng)短期功率和負(fù)荷預(yù)測系統(tǒng)輸入條件一般是歷 史功率數(shù)據(jù)、歷史氣象數(shù)據(jù)和預(yù)測氣象數(shù)據(jù)。采用該種方法難免會(huì)有部分預(yù)測數(shù)據(jù)誤差較 大。本系統(tǒng)基于大誤差數(shù)據(jù)分類動(dòng)態(tài)修正算法,可W自動(dòng)收集誤差較大的預(yù)測數(shù)據(jù),并記錄 大誤差數(shù)據(jù)發(fā)生時(shí)設(shè)備狀態(tài)、整個(gè)智能微電網(wǎng)和各個(gè)樓宇負(fù)荷值并記錄在大誤差數(shù)據(jù)分類 器中。大誤差數(shù)據(jù)分類器對誤差進(jìn)行多重分類包括;正常用戶行為、設(shè)備故障和通信故障、 負(fù)荷動(dòng)態(tài)增加、負(fù)荷動(dòng)態(tài)減少等。在神經(jīng)網(wǎng)絡(luò)完成負(fù)荷預(yù)測后,神經(jīng)網(wǎng)絡(luò)輸入條件和預(yù)測結(jié) 果作為大誤差數(shù)據(jù)分類器的智能動(dòng)態(tài)修正算法的輸入與分類器的歷史大誤差數(shù)據(jù)進(jìn)行分 類匹配,如果匹配成功,則對預(yù)測數(shù)據(jù)進(jìn)行修正,否則直接輸出神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果。大誤 差數(shù)據(jù)分類動(dòng)態(tài)修正算法可有效避免神經(jīng)網(wǎng)絡(luò)算法誤差的多次重復(fù)發(fā)生。
【發(fā)明內(nèi)容】
[0005] 本系統(tǒng)提出一種基于大誤差數(shù)據(jù)分類其動(dòng)態(tài)修正方法的微電網(wǎng)功率和負(fù)荷預(yù)測 系統(tǒng),可W動(dòng)態(tài)提高微電網(wǎng)短期功率和負(fù)荷預(yù)測的準(zhǔn)確率,避免錯(cuò)誤數(shù)據(jù)重復(fù)發(fā)生。
[0006] 一種基于大誤差數(shù)據(jù)分類器動(dòng)態(tài)修正方法的微電網(wǎng)功率和負(fù)荷預(yù)測系統(tǒng)包括了: 數(shù)據(jù)通信和處理模塊、數(shù)據(jù)存儲(chǔ)模塊、預(yù)測算法模塊、誤差動(dòng)態(tài)分類修正模塊。
[0007] 數(shù)據(jù)通信和處理模塊主要實(shí)現(xiàn)功率和負(fù)荷預(yù)測系統(tǒng)對裝置和外部數(shù)據(jù)采集、數(shù)據(jù) 預(yù)處理、預(yù)測結(jié)果上傳能力管理系統(tǒng)或區(qū)域調(diào)度等功能。數(shù)據(jù)通信和處理模塊支持電力系 統(tǒng)的常用通信規(guī)約,如;IEC870-5-102、IEC870-5-103、IEC870-5-104、Modbus 等,同時(shí)支持 FTP方式下載來自因特網(wǎng)的數(shù)值天氣預(yù)報(bào)(NW巧數(shù)據(jù)。該模塊可W對采集后的數(shù)據(jù)進(jìn)行預(yù) 處理,例如根據(jù)系統(tǒng)設(shè)定的闊值剔除或修正不合理的數(shù)據(jù),保證數(shù)據(jù)的可用性。
[0008] 數(shù)據(jù)存儲(chǔ)模塊主要負(fù)責(zé)將采集后的數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫中。數(shù)據(jù)庫可W是MySQL、 化acle、Sybase等商用數(shù)據(jù)庫。如果預(yù)測系統(tǒng)采集的數(shù)據(jù)量較小時(shí),也可W不使用商用數(shù) 據(jù)庫,而使用文本文件存儲(chǔ)。
[0009]本系統(tǒng)的預(yù)測算法模塊是基于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法,如反向傳播算法炬巧、徑向 基伽巧、支持向量機(jī)(SVM)等。模塊包括了神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和神經(jīng)網(wǎng)絡(luò)預(yù)測兩部分。歷 史氣象數(shù)據(jù)和歷史的運(yùn)行數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練輸入,經(jīng)過神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練得到 神經(jīng)網(wǎng)絡(luò)的權(quán)值參數(shù),既得到預(yù)測模型。神經(jīng)網(wǎng)絡(luò)預(yù)測時(shí),將預(yù)測的氣象數(shù)據(jù)和實(shí)時(shí)的運(yùn)行 帶入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中既可得到預(yù)測結(jié)果。
[0010] 誤差動(dòng)態(tài)分類修正模塊是本系統(tǒng)區(qū)別于傳統(tǒng)的預(yù)測系統(tǒng)的地方,該模塊包括誤差 分類和誤差修正。
[0011] 誤差分類會(huì)定時(shí)比較采集模塊實(shí)際采集的功率和負(fù)荷數(shù)據(jù)與之前預(yù)測的功率和 負(fù)荷數(shù)據(jù),如果預(yù)測數(shù)據(jù)和實(shí)際數(shù)據(jù)誤差超過系統(tǒng)設(shè)定的闊值,則判定該預(yù)測數(shù)據(jù)為大誤 差數(shù)據(jù)。出現(xiàn)大誤差的數(shù)據(jù)后,本模塊會(huì)記錄大誤差數(shù)據(jù)發(fā)生時(shí)與預(yù)測點(diǎn)相關(guān)聯(lián)的屬性特 征值,如設(shè)備狀態(tài)、整個(gè)智能微電網(wǎng)運(yùn)行模式(孤島/并網(wǎng))等。經(jīng)過誤差分類處理,將該 誤差數(shù)據(jù)的特征存儲(chǔ)在誤差分類器中。
[0012] 誤差修正是對原先神經(jīng)網(wǎng)絡(luò)算法預(yù)測結(jié)果的進(jìn)一步修正。神經(jīng)網(wǎng)絡(luò)預(yù)測算法的 結(jié)果將作為誤差修正的輸入,誤差修正模塊會(huì)通過特征值遍歷誤差分類器,如果沒有匹配 結(jié)果則W原先神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果作為整個(gè)預(yù)測系統(tǒng)的預(yù)測結(jié)果,如果在誤差分類器中匹 配成功,則會(huì)尋找屬性特征值最接近的此前誤差結(jié)果的實(shí)際值作為整個(gè)預(yù)測系統(tǒng)的預(yù)測結(jié) 果。
[0013]誤差動(dòng)態(tài)分類修正模塊是W動(dòng)態(tài)的過程識(shí)別誤差,分類誤差,修正結(jié)果。在預(yù)測系 統(tǒng)搭建初期缺少歷史數(shù)據(jù)的情況下可W快速提高系統(tǒng)的準(zhǔn)確率。
[0014]有益效果;
[0015] 1本系統(tǒng)基于大誤差數(shù)據(jù)分類動(dòng)態(tài)修正算法是一種動(dòng)態(tài)修正誤差的方法。傳統(tǒng)的 神經(jīng)網(wǎng)絡(luò)只能通過重新訓(xùn)練模型來修正誤差,不是一種動(dòng)態(tài)修正的誤差的方法。
[0016]2基于大誤差數(shù)據(jù)分類動(dòng)態(tài)修正算法可W對誤差進(jìn)行識(shí)別,分析誤差產(chǎn)生的原因, 將誤差歸類,為神經(jīng)網(wǎng)絡(luò)算法重訓(xùn)練提供特征樣本數(shù)據(jù)。
[0017]3基于大誤差數(shù)據(jù)分類動(dòng)態(tài)修正算法可W避免錯(cuò)誤預(yù)測結(jié)果的重復(fù)出現(xiàn),是對神 經(jīng)網(wǎng)絡(luò)預(yù)測算法的一種補(bǔ)充。當(dāng)神經(jīng)網(wǎng)絡(luò)算法產(chǎn)生較大誤差的時(shí)候,解決的辦法一般是將 最近積累的歷史數(shù)據(jù)代入預(yù)測模型,重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,而重新訓(xùn)練一次神經(jīng)網(wǎng)絡(luò)算 法模型可能需要占用幾十分鐘甚至幾個(gè)小時(shí),不方便預(yù)測系統(tǒng)在現(xiàn)場的實(shí)際運(yùn)行。
【附圖說明】
[0018]下面結(jié)合附圖和實(shí)施對本發(fā)明進(jìn)一步說明。
[0019] 圖1是本發(fā)明的系統(tǒng)架構(gòu)圖。
[0020] 圖2是微電網(wǎng)功率和負(fù)荷預(yù)測流程圖。
[0021] 圖3是基于大誤差數(shù)據(jù)分類動(dòng)態(tài)修正方法誤差分類流程圖。
[0022] 圖4負(fù)荷特征的自適應(yīng)分類方法示意圖。
[0023] 圖5是基于大誤差數(shù)據(jù)分類動(dòng)態(tài)修正方法誤差修正流程圖。
【具體實(shí)施方式】
[0024] 下面結(jié)合附圖和實(shí)施對本發(fā)明進(jìn)一步詳述:
[0025] 如圖1所示,微電網(wǎng)短期功率和負(fù)荷預(yù)測系統(tǒng)會(huì)定時(shí)采集來自網(wǎng)絡(luò)的數(shù)值天氣預(yù) 報(bào)(NW巧數(shù)據(jù),實(shí)時(shí)采集環(huán)境監(jiān)測儀數(shù)據(jù)、風(fēng)機(jī)運(yùn)行數(shù)據(jù)、光伏組件和光伏逆變器運(yùn)行數(shù) 據(jù)、區(qū)域負(fù)荷數(shù)據(jù)等。采集的數(shù)據(jù)將存儲(chǔ)在預(yù)測系統(tǒng)的網(wǎng)絡(luò)數(shù)據(jù)庫中。預(yù)測算法結(jié)合歷史 氣象數(shù)據(jù)和歷史功率數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。在預(yù)測微電網(wǎng)功率數(shù)據(jù)或負(fù)荷數(shù)據(jù)時(shí),將實(shí) 時(shí)氣象數(shù)據(jù)和運(yùn)行數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入,通過代入運(yùn)算得到預(yù)測結(jié)果。神經(jīng)網(wǎng)絡(luò) 模型的預(yù)測結(jié)果可再次作為大誤差數(shù)據(jù)分類動(dòng)態(tài)修正算法的輸入數(shù)據(jù),通過誤差修正可提 高預(yù)測的準(zhǔn)確率。
[0026] 如圖2所示,是微電網(wǎng)功率和負(fù)荷預(yù)測的流程圖,歷史氣象數(shù)據(jù)和微電網(wǎng)設(shè)備的 歷史運(yùn)行數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練輸入樣本,經(jīng)過復(fù)雜的訓(xùn)練可W得到神經(jīng)網(wǎng)絡(luò)的模 型。將實(shí)時(shí)氣象數(shù)據(jù)和當(dāng)前時(shí)刻微電網(wǎng)運(yùn)行數(shù)據(jù)帶入神經(jīng)網(wǎng)絡(luò)模型,可W預(yù)測微電網(wǎng)的功 率和負(fù)荷數(shù)據(jù)。預(yù)測結(jié)果會(huì)帶入上一次的誤差分類器中進(jìn)行誤差匹配,如果預(yù)測條件和預(yù) 測結(jié)果與之前發(fā)生的誤差相匹配,那么誤差動(dòng)態(tài)分類修正模塊會(huì)對預(yù)測數(shù)據(jù)進(jìn)行修正,如 果匹配不成功則使用神經(jīng)網(wǎng)絡(luò)的計(jì)算結(jié)果作為預(yù)測的最終結(jié)果。
[0027] 在得到實(shí)際結(jié)果后,預(yù)測系統(tǒng)會(huì)計(jì)算實(shí)際結(jié)果和預(yù)測結(jié)果的絕對誤差,如果誤差 滿足預(yù)設(shè)的闊值,那么誤差動(dòng)態(tài)分類修正模塊將會(huì)對新產(chǎn)生的誤差數(shù)據(jù)進(jìn)行誤差分類。
[0028] 如圖3所示,基于大誤差數(shù)據(jù)分類動(dòng)態(tài)修正方法誤差分類流程圖,大誤差判決首 先判斷實(shí)際值與預(yù)測值之間的誤差,如果誤差大于設(shè)定闊值,系統(tǒng)會(huì)自動(dòng)采集預(yù)測點(diǎn)的遙 測值和狀態(tài)量,通過特征值分析和自適應(yīng)匹配,有效判決誤差的種類,并記錄在誤差數(shù)據(jù)分 類器中。
[0029] 當(dāng)神經(jīng)網(wǎng)絡(luò)的預(yù)測條件和預(yù)測結(jié)果與之前發(fā)生大誤差數(shù)據(jù)接近時(shí),系統(tǒng)會(huì)將預(yù)測 點(diǎn)的遙測量和狀態(tài)量采集后與大誤差數(shù)據(jù)分類器的誤差特征進(jìn)行智能匹配并自動(dòng)修正預(yù) 測結(jié)果。
[0030] 如圖4所示,負(fù)荷特征的自適應(yīng)分類使用如下方法:
[0031] 每一個(gè)