一种考虑分布式电源影响的低压配电网负荷预测方法与流程

1.本发明涉及配电网保护技术领域，特别是一种考虑分布式电源影响的低压配电网负荷预测方法。


背景技术：

2.随着经济社会的发展和人们生活水平的提高，越来越多的家庭正在使用可再生能源，随着世界迈向清洁能源的未来和走进电力负荷的新模式，这种趋势也将日益明显；但这也会给配电网的运维带来新的重大挑战，例如不稳定的净负荷用电规律和对低压用户负荷的预测困难增加；而出现这样的问题在于对当前低压配电网的用户负荷规律和分布式电源的发电规律缺乏深入的了解；
3.目前大多数学者主要集中于对中高压电网的负荷预测研究，而针对低压配电网的负荷预测，考虑低压用户的小型分布式电源影响的负荷预测很少有学者进行研究，传统的ann预测模型，文献中已经使用了梯度下降和高斯牛顿法等优化技术解决学习算法并在ann中获得最佳性能；此外，这些传统的优化技术可用于寻找ann的局部最优参数，要求目标函数需要同时满足以下标准：平滑性、连续性和可微性。然而，这些传统的优化方法不能有效地用于优化ann预测模型的参数，因为用电负荷具有高度不确定性；
4.鉴于上述情况，有必要对现有的预测模型方法加以改进，使其能够适应现在对用电负荷不确定预测使用的需要。


技术实现要素：

5.由于现有对于负荷预测的ann算法针对用电负荷适应性不强，不能满足人们的使用需求，因此我们在现有技术缺陷的基础上设计了一种分布式电源影响的低压配电网负荷预测方法，能够通过可再生能源发电以及很好地适应低压用电负荷需求的不确定性。
6.实现上述目的本发明的技术方案为，一种考虑分布式电源影响的低压配电网负荷预测方法，包括以下工作步骤：
7.步骤一：基于含分布式光伏的低压电网用户负荷数据，选择输入、输出变量；
8.步骤二：数据筛选与预处理，识别不寻常的观测变量和检测趋势；
9.步骤三：将数据集分为训练数据集、验证数据集、测试数据集；
10.步骤四：选择ann模型参数，确定隐藏层个数、层数、传递函数和评价标准；
11.步骤五：训练ann模型；
12.步骤六：实现ann模型，并输出结果；
13.其中，本技术方案将grom运用于ann模型中，其实现方式基于斐波那契函数，即
14.数列f0,f1,f2,...,fn,..为斐波那契数列，如果当n≥2时，恒有
15.fn＝f
n-1
f
n-2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
16.[0017][0018]
其中，φ称为黄金比例，用于更新搜索过程和在两个不同的阶段找到最优解，其包括以下步骤：
[0019]
第一步：计算所有可能解的平均值用于训练ann网络；然后考虑适应度函数，将均值解和最差的解进行比较，如果均值解得到更好的适应度函数值，则将其代替最差的解，该过程的目的是加速算法并尽快使算法得到收敛。
[0020]
第二步：为了确定搜索的方向，挑选一个随机解和均值解进行比较，来探究他们对搜索运动的影响，该方法能够帮助确定优化ann模型参数并且能够避免因选择额外的参数而使预测模型出现偏差。
[0021]
对本技术方案的进一步补充，步骤一中输出变量：预测t i时刻的负荷需求光伏输出功率
[0022]
输入变量：由于天气条件(如温度、风速)和输出变量之间的强鲁棒性，因此将外部变量(如温度、风速)作为重要的输入变量，此外由于家庭历史负荷需求和光伏发电的历史输出功率对预测结果的重要影响也将作为输入变量。
[0023]
对本技术方案的进一步补充，步骤二种数据筛选与预处理包括检查所有数据以避免数据浪费。
[0024]
对本技术方案的进一步补充，步骤三划分数据集：将处理后的数据集分为训练、验证和测试数据集。
[0025]
对本技术方案的进一步补充，步骤四ann模型参数选择：找出和缓解复杂相关性的计算是使用参数函数的原因。
[0026]
对本技术方案的进一步补充，隐藏层和神经元的数量/个数采用试错法确定。
[0027]
对本技术方案的进一步补充，为了提高预测模型的性能并最大限度地减少高误差峰值，考虑了如天气条件等的外部变量，在此考虑天气条件等的外部变量分别对arimax与ann两种预测模型的影响，首先分别将预测模型划分为子模型来评估外部变量在ann和arimax模型中的影响，具体如下：
[0028]
模型a1：arimax有两个外部变量(x
1-温度，x
2-风速)；
[0029]
模型a2：arimax有一个外部变量(x
1-温度)；
[0030]
模型a3：arimax有一个外部变量(x
2-风速)；
[0031]
模型a4：arimax只有光伏发电和用户负荷，没有外部变量的模型；
[0032]
模型nn1：ann模型有以下几个外部变量(x
1-温度，x
2-风速，x
3-一天中的小时，x
4-前一小时数据，x
5-前一天同一小时的数据)；
[0033]
模型nn2：ann模型不包含天气条件变量(x
3-一天中的小时，x
4-前一小时数据，x
5-前一天同一小时的数据)；
[0034]
模型nn3：ann模型仅有天气变量(x
1-温度，x
2-风速)。
[0035]
对本技术方案的进一步补充，采用grom算法来优化ann预测模型的参数，可通过以下的步骤实现：
[0036]
步骤一：将ann预测模型的一些随机学习参数作为种群初始化参数，并计算种群的
平均值；
[0037]
步骤二：采用ann中的学习成本函数评估每个模型参数的适应度，然后将种群均值解的适应度与最坏解的适应度进行比较，如果均值解得到更好的适应度函数值，则将其代替最坏解，grom中的这个过程旨在增强优化速度使算法得到收敛；
[0038]
步骤三：在群体中创建一个随机解向量以确定和指定下一步前进的方向和运动的大小；最佳参数解是目标函数值最小的解，在grom中，参数解需要更新并向种群最优解的方向进行移动。
[0039]
对本技术方案的进一步补充，所述预测模型的准确性通过使用平均绝对百分比误差(mape)和均方根误差(rmse)，如公式(4)和(5)所示；
[0040][0041][0042]
其中，l(t)是实际的数据，如实际的用户负荷数据；是预测的数据；t是当前时间步长，t是时间步长(观察)的总数。
[0043]
对本技术方案的进一步补充，预测模型的性能测试采用以下步骤评估：
[0044]
步骤一：比较不同数据配置文件的预测模型性能：
[0045]
步骤二：评估外部变量对预测模型的影响。
[0046]
其有益效果在于，采用ann-grom预测模型来进行不同的低压预测应用，并通过采用天气条件等外部变量和grom的优化方法来提高预测模型的性能，所提出的预测模型通过使用实时电网数据进行了训练和测试，预测模型的预测结果表明，所提出的具有外部变量的ann-grom预测模型可有效减少预测误差，特别是，对于给定的家庭用电数据，ann-grom具有良好的预测结果，并且优于传统的ann、和arimax；根据减少预测误差的好处，它还可能潜在地了解低压电网用户用电的需求，并可从家庭用电需求和光伏发电数据分析以及该预测模型获得可观的技术和经济收益。
附图说明
[0047]
图1是本发明单个家庭用户负荷需求的实际值和预测值；
[0048]
图2是本发明单个家庭用户实际和预测的净负荷需求概况；
具体实施方式
[0049]
由于现有对于负荷预测的ann算法针对用电负荷适应性不强，不能满足人们的使用需求，因此我们在现有技术缺陷的基础上设计了一种分布式电源影响的低压配电网负荷预测方法，能够通过可再生能源发电以及很好地适应低压用电负荷需求的不确定性。本专利提出一种基于黄金比例优化方法的人工神经网络预测模型，并考虑了天气条件等外部因素对预测模型准确性的影响。首先，分析了不同外部变量对预测模型准确性的影响，然后，基于对负荷预测和光伏发电预测影响明显的外部变量，建立了一种针对家庭用户的短期净
负荷和光伏系统输出功率的预测模型，采用黄金比例优化方法(grom)来确定并优化ann模型参数，来减小模型的预测误差。预测结果表明，与传统的ann模型相比，ann-grom模型具有更好的预测效果。
[0050]
在本专利中，每小时温度和历史数据相关性用于光伏预测模型。预测模型除了给出未来一天电网的净负荷预测数据，还分别针对用户负荷和分布式光伏进行预测，并给出对应的预测结果。
[0051]
为了便于本领域技术人员对本技术方案更加清楚，下面将详细阐述本发明的技术方案：
[0052]
一种考虑分布式电源影响的低压配电网负荷预测方法，包括以下工作步骤：
[0053]
步骤一：基于含分布式光伏的低压电网用户负荷数据，选择输入、输出变量；
[0054]
步骤二：数据筛选与预处理，识别不寻常的观测变量和检测趋势；
[0055]
步骤三：将数据集分为训练数据集、验证数据集、测试数据集；
[0056]
步骤四：选择ann模型参数，确定隐藏层个数、层数、传递函数和评价标准；
[0057]
步骤五：训练ann模型；
[0058]
步骤六：实现ann模型，并输出结果；
[0059]
其中，本技术方案将grom运用于ann模型中，其实现方式基于斐波那契函数，即
[0060]
数列f0,f1,f2,...,fn,..为斐波那契数列，如果当n≥2时，恒有
[0061]fn
＝f
n-1
f
n-2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0062][0063][0064]
其中，φ称为黄金比例，用于更新搜索过程和在两个不同的阶段找到最优解，其包括以下步骤：
[0065]
第一步：计算所有可能解的平均值用于训练ann网络；然后考虑适应度函数，将均值解和最差的解进行比较，如果均值解得到更好的适应度函数值，则将其代替最差的解，该过程的目的是加速算法并尽快使算法得到收敛。
[0066]
第二步：为了确定搜索的方向，挑选一个随机解和均值解进行比较，来探究他们对搜索运动的影响，该方法能够帮助确定优化ann模型参数并且能够避免因选择额外的参数而使预测模型出现偏差。
[0067]
对本技术方案的进一步补充，步骤一中输出变量：预测t i时刻的负荷需求光伏输出功率
[0068]
输入变量：由于天气条件(如温度、风速)和输出变量之间的强鲁棒性，因此将外部变量(如温度、风速)作为重要的输入变量，此外由于家庭历史负荷需求和光伏发电的历史输出功率对预测结果的重要影响也将作为输入变量。
[0069]
对本技术方案的进一步补充，步骤二种数据筛选与预处理包括检查所有数据以避免数据浪费,此外，该步骤意味着将数据用于降噪，识别趋势并找到任何重要的联系。
[0070]
对本技术方案的进一步补充，步骤三划分数据集：将处理后的数据集分为训练、验
证和测试数据集。
[0071]
对本技术方案的进一步补充，步骤四ann模型参数选择：找出和缓解复杂相关性的计算是使用参数函数的原因。
[0072]
对本技术方案的进一步补充，隐藏层和神经元的数量/个数采用试错法确定；
[0073]
(1)训练函数：levenberg-marquardt反向传播。
[0074]
(2)传递函数：sigmoid函数。
[0075]
(3)评估标准:均方根误差。
[0076]
(4)停止标准：一旦误差函数没有额外的增加，则学习停止。
[0077]
(5)最终预测模型评估：预测性能通过利用平均绝对百分误差(mape)进行评价。
[0078]
(6)输入变量：数据分析表明pv输出功率和用电负荷需求与温度、风速相关性较大。因此将天气条件作为模型的外部变量，其中x1(t)为每小时的温度，x2(t)为每小时的风速。由于前一小时负荷需求和前一天负荷需求同时与当前负荷需求呈强正相关，因此该两个变量和一天中的小时分别作为变量x3、x4、x5。光伏功率预测模型中使用了以下外部变量：x
1-温度，x
2-风速，x
3-一天中的小时，x
4-前一小时数据，x
5-前一天同一小时的数据。另一方面，以下外部变量用于家庭负荷预测模型：x
1-温度，x
2-前两个小时的平均负荷，x
3-一天中的小时，x
4-前一小时数据，x
5-前一天同一小时的数据。
[0079]
(7)隐藏层的个数：2个隐藏层；
[0080]
(8)隐藏神经元数量：每个隐藏层10个神经元。
[0081]
对本技术方案的进一步补充，为了提高预测模型的性能并最大限度地减少高误差峰值，考虑了如天气条件等的外部变量，在此考虑天气条件等的外部变量分别对arimax与ann两种预测模型的影响，首先分别将预测模型划分为子模型来评估外部变量在ann和arimax模型中的影响，具体如下：
[0082]
模型a1：arimax有两个外部变量(x
1-温度，x
2-风速)；
[0083]
模型a2：arimax有一个外部变量(x
1-温度)；
[0084]
模型a3：arimax有一个外部变量(x
2-风速)；
[0085]
模型a4：arimax只有光伏发电和用户负荷，没有外部变量的模型；
[0086]
模型nn1：ann模型有以下几个外部变量(x
1-温度，x
2-风速，x
3-一天中的小时，x
4-前一小时数据，x
5-前一天同一小时的数据)；
[0087]
模型nn2：ann模型不包含天气条件变量(x
3-一天中的小时，x
4-前一小时数据，x
5-前一天同一小时的数据)；
[0088]
模型nn3：ann模型仅有天气变量(x
1-温度，x
2-风速)。
[0089]
针对测试数据，各个子模型短期预测模型的整体性能如下表所示：
[0090]
表1各个子模型短期预测模型的整体性能
[0091][0092]
分析表1可知，与arimax预测模型相比，当采用ann预测模型且考虑外部变量(x
1-温度，x
2-风速，x
3-一天中的小时，x
4-前一小时数据，x
5-前一天同一小时的数据)时，预测精
度更高。
[0093]
对本技术方案的进一步补充，采用grom算法来优化ann预测模型的参数，可通过以下的步骤实现：
[0094]
步骤一：将ann预测模型的一些随机学习参数作为种群初始化参数，并计算种群的平均值；
[0095]
步骤二：采用ann中的学习成本函数评估每个模型参数的适应度，然后将种群均值解的适应度与最坏解的适应度进行比较，如果均值解得到更好的适应度函数值，则将其代替最坏解，grom中的这个过程旨在增强优化速度使算法得到收敛；
[0096]
步骤三：在群体中创建一个随机解向量以确定和指定下一步前进的方向和运动的大小；最佳参数解是目标函数值最小的解，在grom中，参数解需要更新并向种群最优解的方向进行移动。
[0097]
一般来说，针对该优化模型，所提出的grom优化技术没有任何调整步骤，其有助于简化模型，减少收敛率和计算成本。本专利中，优化模型参数在广泛的数值范围内进行评估并取得最优参数解，进而得到模型预测结果。
[0098]
对本技术方案的进一步补充，所述预测模型的准确性通过使用平均绝对百分比误差(mape)和均方根误差(rmse)，如公式(4)和(5)所示；
[0099][0100][0101]
其中，l(t)是实际的数据，如实际的用户负荷数据；是预测的数据；t是当前时间步长，t是时间步长(观察)的总数；mape和rmse是预测模型最常用的评估方法。mape是一个尺度独立性方法，可以很容易地解释为百分比，然而如果实际数据读数为零，则不能使用mape，因为它会生成未定义的数值。因此，在此使用rmse来避免在预测模型评估时出现这个问题。但rmse、mape等评价方法侧重在误差的平均值上，并且不在每个时间步长表现出预测模型的性能。例如，在某些情况下，实际负荷需求和预测负荷需求曲线数值量级接近，但两个配置文件之间存在时间偏移，从而会出现极高的误差值。
[0102]
对本技术方案的进一步补充，预测模型的性能测试采用以下步骤评估：
[0103]
步骤一：比较不同数据配置文件的预测模型性能：
[0104]
步骤二：评估外部变量对预测模型的影响。
[0105]
实施案例中，光伏发电系统中逆变器额定容量为4kw，单个用户家庭一年中每个月的用电量如下表所示。
[0106]
表1单个用户家庭一年中每个月的用电量
[0107]
月份用电量-kwh月份用电量-kwh1108971012210808105035749784
454410510586611644687012900
[0108]
基于ann-grom模型预测，并与传统ann模型、arimax模型预测结果进行对比，各个模型的mape和rmse(测试期间每天计算一次)，如下表所示。
[0109]
表3各个模型的mape和rmse
[0110][0111]
mape和rmse家庭负荷需求申请是根据十个用户负荷的平均值计算的结果，这些结果没有任何显着偏差。一般来说，均值价值方法是解决随机问题最常见的方法之一。从整体性能考虑，测试期间针对所有的数据，ann-grom预测模型具有最高的预测准确性。
[0112]
首先，针对传统的ann和arimax模型基于三种数据集在测试过程中生成预测结果，并与实际数据进行比较。以一个实际的用户为例，一天中的净负荷曲线和预测结果曲线分别如图1和图2所示。
[0113]
从图1中分析可知，arimax模型预测丢掉了8:00点的一个显着峰值，并且预测值明显低于实际的家庭用户负荷。另一方面，与传统的人工神经网络和ann-grom模型相比，arimax模型预测结果偏低。
[0114]
对于所有三种类型的数据集，分析表3可知ann-grom模型预测性能优于传统的ann和ari max模型。与传统的人工神经网络模型相比，针对家庭用户负荷、光伏输出、净负荷的数据集，ann-grom模型的mape分别提高了41.2％、22.1％和30.1％。
[0115]
此外，表3显示arimax生成了预测净需求曲线时的最高rmse值。与光伏发电和家庭用户负荷预测相比，所有预测模型在预测净负荷需求期间表现出较低的预测性能。这主要是因为两种预测技术的外部变量的选择都是根据天气状况和pv或者家庭用电负荷两者之间的相关性选择的，而未考虑网络负荷需求曲线。
[0116]
表4中给出了10个家庭和光伏系统的智能电表数据，并用于预测个人家庭的用电负荷。
[0117]
表4 10个家庭和光伏发电系统的智能电表数据
[0118][0119][0120]
上述技术方案仅体现了本发明技术方案的优选技术方案，本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理，属于本发明的保护范围之内。