用于微電網系統(tǒng)的混合模型神經網絡短期負荷預測方法
【技術領域】
[0001]本發(fā)明涉及一種用于微電網系統(tǒng)的混合模型神經網絡短期負荷預測方法。
【背景技術】
[0002]伴隨著經濟建設和生產取得了巨大成就的同時，我國也付出了巨大的能源和環(huán)境代價。繼^一五”規(guī)劃提出2010年實現(xiàn)單位國內生產總值能耗降低20%、主要污染物排放總量減少10%的約束性指標后，2009年中國政府再次提出到2020年單位國內生產總值二氧化碳排放比2005年下降40%?45%，并將減排目標作為約束性指標納入國民經濟和社會發(fā)展的中長期規(guī)劃。中國節(jié)能減排工作面臨的形勢嚴峻，一方面，居民消費結構的升級與電氣化的耐用消費品的比重提高，生活能源消耗程度提高；另一方面，中國的產業(yè)發(fā)展水平也助推了中國的能源高消耗發(fā)展模式。
[0003]隨著國家能源發(fā)展戰(zhàn)略的調整和發(fā)展低碳經濟的要求，我國正加快資源節(jié)約型、環(huán)境友好型社會的建設，電能在提升能源效率中的地位舉足輕重。智能社區(qū)微電網系統(tǒng)形成了循環(huán)用電、環(huán)保用電的理想智能社區(qū)低碳能源系統(tǒng)，為發(fā)展低碳經濟，提高居民生活質量提供強有力的科技支撐。
[0004]傳統(tǒng)配電網規(guī)劃的主要任務是根據(jù)規(guī)劃期間網絡中空間負荷預測的結果和現(xiàn)有網絡的基本狀況確定最優(yōu)的系統(tǒng)建設方案，在滿足負荷增長和安全可靠電能供應的前提下，使系統(tǒng)的建設和運行費用最小。微電網不同于常規(guī)的配電網，其中接入了大量的分布式電源(光伏發(fā)電系統(tǒng)、風力發(fā)電系統(tǒng)、燃料電池發(fā)電系統(tǒng)等)，使得網絡由單一潮流方向的無源網絡變?yōu)槌绷鞣较虿淮_定的有源網絡，且電力系統(tǒng)的負荷預測、規(guī)劃與運行具有更大的不確定性，大大增加了問題的求解維數(shù)，難以借鑒常規(guī)的配電網負荷預測方法，需要考慮分布式能源對規(guī)劃的各個環(huán)節(jié)的影響，形成適合于典型微電網的負荷預測方法。

【發(fā)明內容】

[0005]本發(fā)明提供一種用于微電網系統(tǒng)的混合模型神經網絡短期負荷預測方法，結合傳統(tǒng)線性模型負荷預測方法和神經網絡負荷預測方法，大大提高了微電網系統(tǒng)的負荷預測精度。
[0006]為了達到上述目的，本發(fā)明提供一種用于微電網系統(tǒng)的混合模型神經網絡短期負荷預測方法，包含以下步驟:
步驟S1、建立混合模型神經網絡；
Y(t) = N(X(t)) + L(X(t))，N(X(t)));
其中，在輸入信息X(t)作用下，輸出信息Y(t)是多層前向網絡N的輸出N(X(t))和線性模型L的輸出L (X (t)，N (X (t)))的疊加；
步驟S2、利用混合模型神經網絡計算微電網系統(tǒng)中某一監(jiān)測點的基本正常負荷分量B(t);
輸入信息 X1U) = (sinojt, cosOjt,..., sinomt, cosomt)T； 其中，T是周期，ω是角速度；
步驟S3、利用混合模型神經網絡計算微電網系統(tǒng)中某一監(jiān)測點的天氣敏感負荷分量W(t)；
輸入信息 X2 (t) = (L (t-T)，L11, L12, L (t-2T)，L21, L22)τ;
其中，T是周期，L11為昨天的日平均負荷，L 12為昨天的峰值負荷，L21為前天的日平均負荷，L22為前天的峰值負荷；
步驟S4、計算微電網系統(tǒng)中某一監(jiān)測點的特別事件負荷分量S(t);
步驟S5、計算微電網系統(tǒng)中某一監(jiān)測點的隨機負荷分量V(t);
步驟S6、計算微電網系統(tǒng)中某一監(jiān)測點的總負荷。
[0007]L(t) = B(t) + ff(t) + S(t) +V(t)；
其中，(t)為t時刻，L(t)為系統(tǒng)總負荷，B(t)為基本正常負荷分量，W(t)為天氣敏感負荷分量，S(t)為特別事件負荷分量，V(t)為隨機負荷分量。
[0008]所述的基本正常負荷分量B (t)以24小時為周期變化，用系列傅立葉分量的線性組合來表示。
[0009]所述的特別事件負荷分量S(t)要考慮重大經濟、政治活動及人為的因素對負荷的影響，采用人工修正的方法處理。
[0010]所述的隨機負荷分量v(t)是總負荷中除去基本負荷分量、天氣敏感負荷分量及特別事件負荷分量后的殘差，隨機分量v(t)必須有很強的實時性能自適應跟蹤性能，用傳統(tǒng)的時間序列法描述V(t)的變化。
[0011]本發(fā)明結合傳統(tǒng)線性模型負荷預測方法和神經網絡負荷預測方法，大大提高了微電網系統(tǒng)的負荷預測精度。
【附圖說明】
[0012]圖1是本發(fā)明的流程圖。
[0013]圖2是混合模型神經網絡的示意圖。
【具體實施方式】
[0014]以下根據(jù)圖1和圖2，具體說明本發(fā)明的較佳實施例。
[0015]如圖1所示，本發(fā)明提供一種用于微電網系統(tǒng)的混合模型神經網絡短期負荷預測方法，包含以下步驟:
步驟S1、建立混合模型神經網絡。
[0016]圖2為基本的混合模型神經網絡，它由一個多層的向前網絡N和一個線性模型L構成，在輸入信息x(t)作用下，輸出信息Y(t)是多層前向網絡的輸出N(X(t))和線性模型的輸出L(X(t)，N(X(t)))的疊加:
Y(t) = N(X(t)) + L(X(t)),N(X(t)))0
[0017]步驟S2、利用混合模型神經網絡計算微電網系統(tǒng)中某一監(jiān)測點的基本正常負荷分量。
[0018]對于短期負荷預測來說，基本正常負荷分量B (t)以24小時為周期變化，可以用系列傅立葉分量的線性組合來表示。
[0019]輸入信息X1U) = (Sinto11:, COSto11:,…，sintomt, costomt)T0
[0020]基本正常負荷分量B (t)是以24小時為周期變化，采樣間隔為10分鐘時，周期T =144，角速度ω = 2 /Τ，則基本正常負荷分量B (t)的大部分非線性變化就體現(xiàn)在X1 (t)的變化上，基本上是一個線性變化關系，在神經網絡中很少的神經元就能很快的捕獲B(t)的周期變化。
[0021]步驟S3、利用混合模型神經網絡計算微電網系統(tǒng)中某一監(jiān)測點的天氣敏感負荷分量。
[0022]天氣敏感負荷分量W(t)主要考慮負荷隨氣溫的變化，這種變化是非線性的，一般采用人工神經網絡來處理，需要歷史的以及預測日的天氣數(shù)據(jù)，在沒有天氣數(shù)據(jù)的時候，可以選取昨天、前一天同一時刻的系統(tǒng)負荷、日平均負荷作為參考。
[0023]負荷的天氣敏感分量W(t)主要考慮負荷與氣溫的關系，這里用同一個神經網絡N來處理天氣敏感負荷分量W(t)的變化，在無天氣數(shù)據(jù)的場合，選取昨天、明天同一時刻的系統(tǒng)負荷、日平均及峰值負荷作為混合模型神經網絡的輸入信息X2(t)=(L (t-T), L11, L12, L (t-2T), L21, L22)τ；
其中，L11為昨天的日平均負荷，L 12為昨天的峰值負荷，L21為前天的日平均負荷，L22為前天的峰值負荷。
[0024]步驟S4、計算微電網系統(tǒng)中某一監(jiān)測點的特別事件負荷分量。
[0025]特別事件負荷分量S(t)要考慮一些重大經濟、政治活動及人為的因素對負荷的影響，采用人工修正的方法處理。
[0026]步驟S5、計算微電網系統(tǒng)中某一監(jiān)測點的隨機負荷分量。
[0027]隨機負荷分量V (t)是總負荷中除去基本負荷分量、天氣敏感負荷分量及特別事件負荷分量后的殘差，隨機分量V(t)必須有很強的實時性能自適應跟蹤性能，用傳統(tǒng)的時間序列法就能很好的描述V (t)的變化。
[0028]步驟S6、計算微電網系統(tǒng)中某一監(jiān)測點的總負荷。
[0029]L(t) = B(t) + ff(t) + S(t) +V(t)；
其中，(t)為t時刻，L(t)為系統(tǒng)總負荷，B(t)為基本正常負荷分量，W(t)為天氣敏感負荷分量，S(t)為特別事件負荷分量，V(t)為隨機負荷分量。
[0030]本方法用來預測超前10分鐘到60分鐘以及提前一天的負荷預測，根據(jù)仿真實驗結果，超前10分鐘到60分鐘的平均絕對百分誤差為0.7?2.3，超前一天的百分比誤差為
3.2，采用本發(fā)明提供的用于微電網系統(tǒng)的混合模型神經網絡短期負荷預測方法與采用傳統(tǒng)預測方法的結果對比，結果表明，采用本發(fā)明的精度比傳統(tǒng)線性模型負荷預測法有普遍的提尚。
本發(fā)明結合傳統(tǒng)線性模型負荷預測方法和神經網絡負荷預測方法，大大提高了微電網系統(tǒng)的負荷預測精度。
[0033]盡管本發(fā)明的內容已經通過上述優(yōu)選實施例作了詳細介紹，但應當認識到上述的描述不應被認為是對本發(fā)明的限制。在本領域技術人員閱讀了上述內容后，對于本發(fā)明的多種修改和替代都將是顯而易見的。因此，本發(fā)明的保護范圍應由所附的權利要求來限定。
【主權項】
1.一種用于微電網系統(tǒng)的混合模型神經網絡短期負荷預測方法，其特征在于，包含以下步驟: 步驟S1、建立混合模型神經網絡；Y(t) = N(X(t)) + L(X(t))，N(X(t))); 其中，在輸入信息X(t)作用下，輸出信息Y(t)是多層前向網絡N的輸出N(X(t))和線性模型L的輸出L (X (t)，N (X (t)))的疊加； 步驟S2、利用混合模型神經網絡計算微電網系統(tǒng)中某一監(jiān)測點的基本正常負荷分量B(t);輸入信息 X1U) = (sinojt, cosOjt,..., sinomt, cosomt)T； 其中，T是周期，ω是角速度； 步驟S3、利用混合模型神經網絡計算微電網系統(tǒng)中某一監(jiān)測點的天氣敏感負荷分量W(t)；輸入信息 X2 (t) = (L (t-T)，L11, L12, L (t-2T)，L21, L22)τ; 其中，T是周期，L11為昨天的日平均負荷，L 12為昨天的峰值負荷，L21為前天的日平均負荷，L22為前天的峰值負荷； 步驟S4、計算微電網系統(tǒng)中某一監(jiān)測點的特別事件負荷分量S(t); 步驟S5、計算微電網系統(tǒng)中某一監(jiān)測點的隨機負荷分量V(t); 步驟S6、計算微電網系統(tǒng)中某一監(jiān)測點的總負荷；L(t) = B(t) + ff(t) + S(t) +V(t)； 其中，(t)為t時刻，L(t)為系統(tǒng)總負荷，B(t)為基本正常負荷分量，W(t)為天氣敏感負荷分量，S(t)為特別事件負荷分量，V(t)為隨機負荷分量。2.如權利要求1所述的用于微電網系統(tǒng)的混合模型神經網絡短期負荷預測方法，其特征在于，所述的基本正常負荷分量B (t)以24小時為周期變化，用系列傅立葉分量的線性組合來表不。3.如權利要求1所述的用于微電網系統(tǒng)的混合模型神經網絡短期負荷預測方法，其特征在于，所述的特別事件負荷分量S(t)要考慮重大經濟、政治活動及人為的因素對負荷的影響，采用人工修正的方法處理。4.如權利要求1所述的用于微電網系統(tǒng)的混合模型神經網絡短期負荷預測方法，其特征在于，所述的隨機負荷分量V(t)是總負荷中除去基本負荷分量、天氣敏感負荷分量及特別事件負荷分量后的殘差，隨機分量V(t)必須有很強的實時性能自適應跟蹤性能，用傳統(tǒng)的時間序列法描述V (t)的變化。
【專利摘要】一種用于微電網系統(tǒng)的混合模型神經網絡短期負荷預測方法，首先建立混合模型神經網絡，利用混合模型神經網絡計算微電網系統(tǒng)中某一監(jiān)測點的基本正常負荷分量和天氣敏感負荷分量，再計算特別事件負荷分量和隨機負荷分量，最后將基本正常負荷分量、天氣敏感負荷分量、特別事件負荷分量和隨機負荷分量相加獲得總負荷。本發(fā)明結合傳統(tǒng)線性模型負荷預測方法和神經網絡負荷預測方法，大大提高了微電網系統(tǒng)的負荷預測精度。
【IPC分類】G06Q50/06, G06Q10/04
【公開號】CN105184405
【申請?zhí)枴緾N201510554007
【發(fā)明人】劉舒, 時珊珊, 方陳, 雷珽, 柳勁松, 張宇, 樸紅艷, 袁加妍
【申請人】國網上海市電力公司
【公開日】2015年12月23日
【申請日】2015年9月2日