配电网风光储荷预测方法、装置、设备、介质和程序产品与流程
本技术涉及新能源,特别是涉及一种配电网风光储荷预测方法、装置、设备、介质和程序产品。
背景技术:
1、随着可再生能源的大规模并网,配电网中风光发电的随机性与负荷波动性加剧,给系统安全运行和实时调度带来严峻挑战。传统预测方法难以应对高比例新能源场景下源荷双侧的不确定性,亟需构建兼顾精度与时效性的实时预测体系。在此背景下,融合多源数据与人工智能的实时预测技术成为研究热点。
2、当前市面上同类配电网风光储荷实时预测方法存在预测结果的准确性、实时性不足,无法满足配电网高效调度与储能调控的实际需求。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够提高预测结果的准确性、实时性,满足配电网高效调度与储能调控的实际需求的配电网风光储荷预测方法、装置、设备、介质和程序产品。
2、第一方面,本技术提供了一种配电网风光储荷预测方法,包括:
3、获取多个单元的运行数据,基于各单元的运行数据确定标准化数据集;多个单元包括风力发电单元、光伏发电单元、储能单元和负荷单元,运行数据包括各单元在当前时刻对应的实时运行数据和当前时刻之前历史时刻对应的历史运行数据;
4、基于标准化数据集确定初始特征集;初始特征集包括时间维度特征、各单元之间的空间关联特征和耦合特征,时间维度特征包括周期特征、波动特征及趋势特征,耦合特征包括第一环境因子与风光出力的第一耦合特征,储能状态与风光出力和负荷消耗的第二耦合特征,第二环境因子与负荷变化的第三耦合特征;
5、基于初始特征集,采用误差迭代优化方法对初始特征集进行降维处理得到目标特征集;
6、基于目标特征集和协同预测模型,得到初始预测结果;初始预测结果包括风力发电单元输出的实时出力预测值,光伏发电单元输出的实时出力预测值,储能单元的充放电功率预测值及剩余容量预测值,负荷单元的实时消耗功率预测值,协同预测模型包括时序预测子模型、因果预测子模型、权重自适应分配模块和时空融合模块,时空融合模块的输出端与时序预测子模型的输入端和因果预测子模型的输入端连接,时序预测子模型的输出端和因果预测子模型的输出端与权重自适应分配模块连接;
7、基于初始预测结果与初始预测结果对应的实际值,对初始预测结果进行修正,得到修正预测结果。
8、在其中一个实施例中,基于目标特征集和协同预测模型,得到初始预测结果,包括:
9、将目标特征集、辅助数据输入到协同预测模型中的时序预测子模型与因果预测子模型,将目标特征集中的时间维度特征和空间关联特征输入到协同预测模型中的时空融合模块,得到协同预测模型中的权重自适应分配模块输出的初始预测结果。
10、在其中一个实施例中,基于初始特征集,采用误差迭代优化方法对初始特征集进行降维处理得到目标特征集,包括:
11、计算初始特征集中各特征与预测目标之间的第一关联度,并剔除初始特征集中第一关联度小于关联度阈值的特征,得到第一剩余特征集;
12、将第一剩余特征集输入初始预测模型进行当前次预测,得到第一预测值,并计算第一预测值和预测目标之间的当前次的第一预测误差,基于第一预测误差优化初始预测模型的模型参数和第一剩余特征集中关键特征的特征权重,得到第一优化模型;
13、基于第一优化模型和第一预测误差,计算第一剩余特征集中各特征与预测目标之间的第二关联度;
14、剔除第一剩余特征集中第二关联度小于关联度阈值的特征,得到第二剩余特征集;
15、将第二剩余特征集输入第一优化模型进行预测,得到第二预测值,并计算第二预测值和预测目标之间的第二预测误差,基于第二预测误差优化第一优化模型的模型参数和第二剩余特征集中关键特征的特征权重,得到第二优化模型;
16、在最近预设次数的预测误差满足迭代停止条件的情况下,将最近一次得到的剩余特征集作为目标特征集。
17、在其中一个实施例中,基于初始预测结果与初始预测结果对应的实际值,对初始预测结果进行修正,得到修正预测结果,包括:
18、基于初始预测结果,构建自适应滑动窗口动态修正机制,根据实时预测需求动态调整滑动窗口宽度得到目标滑动窗口;
19、将最新获取的新标准化数据集实时输入目标滑动窗口,计算初始预测结果与目标滑动窗口内新标准化数据集对应的实时运行数据的偏差值,根据偏差值分析产生偏差的偏差原因;新标准化数据集基于在当前时刻的下一时刻到达时,获取的各单元在下一时刻对应的实时运行数据确定;
20、根据偏差原因与偏差大小,调整协同预测模型的参数得到目标协同预测模型,利用目标协同预测模型对初始预测结果进行动态修正,得到修正预测结果。
21、在其中一个实施例中,方法还包括:
22、结合各单元之间的相互约束与协同关联关系,得到风光储荷的协同预测融合模型;协同预测融合模型包括关联分析模块、场景适配模块和融合计算模块,关联分析模块的输出端和场景适配模块的输出端均与融合计算模块的输入端连接;
23、若修正预测结果中风光出力预测值大于或等于负荷消耗预测值,则结合修正预测结果中的储能剩余容量预测结果,通过场景适配模块优化储能充放电预测策略,得到第一场景优化策略;
24、若风光出力预测值小于负荷消耗预测值,则结合储能剩余容量预测结果与电网调度需求,通过场景适配模块优化储能放电预测策略与负荷调节预测策略,得到第二场景优化策略;
25、基于场景优化策略、关联分析模块输出的动态的关联权重矩阵、修正预测结果、系统物理约束,通过融合计算模块输出配电网协同调度决策结果;场景优化策略包括第一场景优化策略或第二场景优化策略,配电网协同调度决策结果包括风力发电单元和光伏发电单元的协同出力计划、储能单元的协同运行计划和负荷单元侧的协同调度建议。
26、在其中一个实施例中,方法还包括:
27、针对各单元,确定单元在各时刻的修正预测结果与实时运行值的偏差值;
28、确定单元的连续的预设个数的差值的平均偏差;
29、在满足预设校验条件的情况下,将修正预测结果实时反馈至配电网调度系统,根据配电网调度系统的实际应用反馈,自适应调整特征提取策略、模型参数及修正机制;
30、其中,满足预设校验条件包括偏差值小于第一偏差阈值、得到修正预测结果与采集数据之间的总耗时小于预设时长、连续预设次数的配电网协同调度决策结果的波动幅度小于波动幅度阈值、单元的平均偏差不存在连续超标、平均偏差小于第二偏差阈值。
31、第二方面,本技术还提供了一种配电网风光储荷预测方法装置,包括:
32、第一获取模块,用于获取多个单元的运行数据,基于各单元的运行数据确定标准化数据集;多个单元包括风力发电单元、光伏发电单元、储能单元和负荷单元,运行数据包括各单元在当前时刻对应的实时运行数据和当前时刻之前历史时刻对应的历史运行数据;
33、第一确定模块,用于基于所述标准化数据集确定初始特征集;所述初始特征集包括时间维度特征、各所述单元之间的空间关联特征和耦合特征,所述时间维度特征包括周期特征、波动特征及趋势特征,所述耦合特征包括第一环境因子与风光出力的第一耦合特征,储能状态与风光出力和负荷消耗的第二耦合特征,第二环境因子与负荷变化的第三耦合特征;
34、处理模块,用于基于所述初始特征集,采用误差迭代优化方法对所述初始特征集进行降维处理得到目标特征集;
35、第一预测模块,用于基于所述目标特征集和协同预测模型,得到初始预测结果;所述初始预测结果包括所述风力发电单元输出的实时出力预测值,所述光伏发电单元输出的实时出力预测值,所述储能单元的充放电功率预测值及剩余容量预测值,所述负荷单元的实时消耗功率预测值,所述协同预测模型包括时序预测子模型、因果预测子模型、权重自适应分配模块和时空融合模块,所述时空融合模块的输出端与所述时序预测子模型的输入端和所述因果预测子模型的输入端连接,所述时序预测子模型的输出端和所述因果预测子模型的输出端与所述权重自适应分配模块连接;
36、修正模块,用于基于所述初始预测结果与所述初始预测结果对应的实际值,对所述初始预测结果进行修正,得到修正预测结果。
37、第三方面,本技术还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述任一方法的步骤。
38、第四方面,本技术还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一方法的步骤。
39、第五方面,本技术还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一方法的步骤。
40、上述配电网风光储荷预测方法、装置、设备、介质和程序产品,获取多个单元的运行数据,基于各单元的运行数据确定标准化数据集,基于标准化数据集确定初始特征集,基于初始特征集,采用误差迭代优化方法对初始特征集进行降维处理得到目标特征集,基于目标特征集和协同预测模型,得到初始预测结果,基于初始预测结果与初始预测结果对应的实际值,对初始预测结果进行修正,得到修正预测结果。由于融合了多个单元的实时运行数据,创新引入协同预测模型,可以动态修正初始预测结果的偏差,从而提高得到的修正预测结果的准确性和实时性,便于后续基于修正预测结果优化储能充放电及负荷调节策略,实现风光出力与负荷消耗的精准匹配,满足配电网高效调度与储能调控的实际需求。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com