一种有源配电网净负荷概率预测方法

1.本发明涉及电力负荷预测技术领域，具体涉及一种有源配电网净负荷概率预测方法。


背景技术：

2.电力负荷预测是支持电力系统安全稳定运行的重要技术手段，被广泛应用于调度计划、检修安排等领域。随着分布式可再生能源发电的快速发展，分布式可再生能源发电对配电网的影响越来越大，配电网开始从单一用电向有源化发展。因此原始的负荷预测问题被转换为原始负荷减去新能源出力的净负荷预测问题。以风电、光伏为代表的新能源出力相比电力系统常规负荷波动性更大，这导致净负荷相比传统负荷的随机性也更大，提高了预测难度，因此如何实现叠加了风光等新能源出力的净负荷准确预测是一个关键且有挑战的任务。分位数随机森林(quantile random forest, 分位数随机森林)能够便捷有效的实现净负荷概率预测，但它是基于分类回归树这一相对简单的基模型实现，如果要提升其概率预测性能，如何提升它深入挖掘净负荷时序变化特性的能力是一个关键,因此可以考虑使用时间卷积神经网络(temporal convolution network, tcn)来实现帮助分位数随机森林模型提高概率预测性能。


技术实现要素：

3.本发明的目的在于解决配电网净负荷概率预测问题和分位数随机森林模型对数据挖掘能力不够强的问题，提供了一种有源配电网净负荷概率预测方法。本发明首先通过将收集得到的配电网负荷、新能源出力时间序列进行缺失值填补、异常值提出，然后以配电网时间序列减去新能源出力时间序列得到净负荷时间序列，再使用时间卷积神经网络从原始净负荷时间序列提取得到更能表征净负荷时序变化特性的特征向量，并以该特征向量作为分位数随机森林模型的输入，实现了效果更好的配电网净负荷概率预测。
4.本发明的目的是通过以下技术方案来实现：一种有源配电网净负荷概率预测方法，包括步骤：步骤一，对收集的配网负荷、新能源出力时间序列数据集进行缺失值填补、异常值剔除后，配网负荷减去新能源出力得到净负荷时间序列；步骤二，将净负荷时间序列转换为监督学习数据集，使用时间卷积神经网络提取得到净负荷时间序列的特征向量；步骤三，使用时间卷积神经网络提取得到的特征向量为输入训练分位数随机森林模型，得到净负荷的概率预测结果。
5.进一步地，所述步骤一中时间序列数据集进行缺失值填补的方法为：判断缺失数据类型，如果是单点数据缺失，则使用缺失数据前一个时间点和缺失数据后一个时间点的数据平均值填补缺失数据；如果连续多个时间点的数据值均为缺失，即某个时间段的数据值缺失，则使用整
个时间序列数据集中相同时间段的数据值的平均值填补缺失时间段的数据值。
6.进一步地，所述步骤一中时间序列数据集进行异常值剔除的方法为：为了剔除测量仪器故障、信号干扰等因素导致的负荷、新能源出力时间序列异常值，使用式（1）所示的数据变化率来检测异常值：（1）式中，为代表时间序列中数据变化率，p
t
代表时间序列中时间点t时的数据值，p
t-1
代表时间序列中时间点t-1时的数据值，如果时间点t的数据变化率大于1则认为时间点t的数据值为异常值；对于存在异常值的时间点，使用异常数据前一个时间点和缺失数据后一个时间点的数据平均值替代异常值。
7.进一步地，所述步骤二中净负荷时间序列转换为监督学习数据集的方法为：配网负荷减去新能源出力得到净负荷时间序列后，以过去8个时间点的净负荷大小为输入，以当前时间点的净负荷大小为标签，得到用于时间卷积神经网络-分位数随机森林模型训练的监督学习数据集。
8.进一步地，所述步骤二中使用时间卷积神经网络提取得到净负荷时间序列的特征向量的方法为：首先使用残差连接的扩张因果卷积网络构建时间卷积残差块，扩张因果卷积网络通过扩大因果卷积来扩大网络的感受野并提高计算效率，其计算方式为式(2)：（2）式中，f(i)是输入序列第i个元素的卷积结果，k代表卷积核的大小；h(j)代表卷积核中第j个参数的大小；d为扩张因子；代表输入序列第i-dj个元素, 输入序列即x1,x2,x3,x4,x5,x6,x7,x8，x1,x2,x3,x4,x5,x6,x7,x8表示为过去8个时间点的净负荷大小；每个时间卷积残差块由两个扩张因果卷积网络残差连接构成，即每个时间卷积残差块的最终输出由两条路径输出之和决定，如式3所示：（3）式中，o代表输出，activation代表激活函数，f(y)代表第一条输出路径，y代表第二条输出路径；第一条输出路径为经过第一个权重初始化后的扩张因果卷积网络，增加修正线性单元函数进行非线性变换，将非线性变换后的输出进行随机失活正则化，之后输入第二个扩张因果卷积神经网络，经过相同的非线性变换和正则化后输出；第二条输出路径为输入经过一维卷积层后直接输出；构建三个相同的时间卷积残差块顺序连接，最后一个时间卷积残差块输出一个三维的特征向量， 取时间卷积残差块输出的最后一个三维的特征向量，得到一个新的三维特征向量，送入全连接神经网络后得到样本预测输出值：
（4）其中，w和b分别代表全连接神经网络的权重和偏置项，为新的三维特征向量；然后以mse损失函数训练整个神经网络模型（5）mse代表平方误差函数，l代表一个批次中的样本个数，yi代表第i个样本输出值，代表第i个样本预测输出值；完成时间卷积神经网络训练后，将原始的净负荷时间序列输入时间卷积神经网络，提前得到特征向量，使得分位数随机森林模型提高概率预测性能。
9.进一步地，所述步骤三中使用时间卷积神经网络提取得到的特征向量为输入训练分位数随机森林模型的方法，分位数随机森林模型以分类回归树作为基模型，在满足设定的条件前，在叶子节点以外的所有节点递归，将当前样本集划分为两个子集；设d为样本子集，x、y分别为输入和输出，分类回归树的构建过程为：s1,构建一个分类回归树根节点，根节点包含整个样本子集；s2,遍历输入整个样本子集特征，将整个样本子集特征的值从小到大排列，取排列后相邻两个值的平均值作为切分点n，按切分点n将整个样本子集的特征空间切分为式（6）和式（7）所示的子空间r1、子空间r2，定义为用c1、c2分别表示子空间r1输出y的均值、子空间r2上输出y的均值，最优的样本切分是使得两个子空间中每个样本的输出值与所有样本的平均值最小，通过求解式（8）来确定切分整个样本子集的最优特征和最优切分值：（6）（7）（8）式中，m代表样本的第m个特征，n代表切分点，代表第i个样本的全部特征，代表第i个样本的第m个特征，代表第i个样本的输出值；s3,继续对子空间r1、子空间r2使用s1和s2,直到整棵分类回归树达到最大深度，整个样本子集中所有样本都分配到叶子节点；每个样本子集都训练一棵分类回归树，所有的分类回归树组成训练好的分位数随机森林模型。
10.进一步地，步骤三中利用分位数随机森林模型得到净负荷的概率预测结果的方法，给定过去一定时间段的历史净负荷，得出下一个时刻的净负荷α分位数预测结果，
定义为：（9）其中，代表输入为x时的α条件分位数，x代表输入，inf代表逆函数，y代表输出值，代表输入为x时，y的条件分布；对每棵分类回归树求解一个α分位数预测结果，对求得的α分位数预测结果取平均值；具体步骤为：（1）完成分位数随机森林模型训练，记录落入每棵分类回归树每个叶子节点的所有样本平均值，且记录每个样本输出值，并按从大到小的顺序排列（10）其中，y1代表第i个样本输出值，y1≤y2≤y3≤y4…
≤yn，y1、y2、y3、y4、yn代表集合中各样本的输出值；（2）以特征向量xi作为分类回归树的输入，经过切分点n的条件判断后，得到其落入的子空间，按式（9）计算子空间中所有样本输出值的α分位数；对每棵分类回归树都重复这一过程，若有k棵分类回归树，则对得到的k个α分位数取平均值，作为最终的α分位数预测值：（11）式中，代表预测的α分位数，x代表输入，k代表分类回归树的数量，y
ij
代表第i棵分类回归树第j个叶子节点的样本集合，代表序列y
ij
中，α的取值范围设置在1%-99%。
11.本发明的有益效果是：利用时间卷积神经网络-分位数随机森林模型进行有源配电网概率预测时，使用时间卷积神经网络深入挖掘了净负荷的时序变化特征，实现了历史净负荷数据的充分利用，帮助分位数随机森林模型更快速准确地进行净负荷概率预测。
附图说明
12.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
13.图1是本发明提出的一种有源配电网净负荷概率预测方法的实现流程图。
具体实施方式
14.下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。
15.本发明是这样来工作和实施的，如图1所示，一种有源配电网净负荷概率预测方法，其特征是：包括步骤：步骤一，对收集的配网负荷、新能源出力时间序列数据集进行缺失值填补、异常值
剔除后，配网负荷减去新能源出力得到净负荷时间序列；步骤二，将净负荷时间序列转换为监督学习数据集，使用时间卷积神经网络提取得到净负荷时间序列的特征向量；步骤三，使用时间卷积神经网络提取得到的特征向量为输入训练分位数随机森林模型，得到净负荷的概率预测结果。
16.其中，对收集的配网负荷、新能源出力时间序列数据集进行缺失值填补、异常值剔除后，配网负荷减去新能源出力的得到净负荷时间序列，具体步骤包括：1.1）判断缺失数据类型，如果是单点数据缺失，则使用缺失数据前一个时间点和缺失数据后一个时间点的数据平均值填补缺失数据；如果连续多个时间点的数据值均为缺失，即某个时间段的数据值缺失，则使用整个时间序列数据集中相同时间段的数据值的平均值填补缺失时间段的数据值。
17.1.2）为了剔除测量仪器故障、信号干扰等因素导致的负荷、新能源出力时间序列异常值，使用如公式（1）所示的数据变化率来检测异常值：（1）式中，为代表时间序列中数据变化率，p
t
代表时间序列中时间点t时的数据值，p
t-1
代表时间序列中时间点t-1时的数据值。如果时间点t的数据变化率大于1则认为时间点t的数据值为异常值；对于存在异常值的时间点，使用异常数据前一个时间点和缺失数据后一个时间点的数据平均值替代异常值。
18.其中，将净负荷时间序列转换为监督学习数据集，使用时间卷积神经网络提取得到净负荷时间序列的特征向量，具体步骤包括：2.1）配网负荷减去新能源出力得到净负荷时间序列后，以过去8个时间点的净负荷大小为输入，以当前时间点的净负荷大小为标签，得到用于时间卷积神经网络-分位数随机森林模型训练的监督学习数据集。
19.2.2）使用时间卷积神经网络提取得到净负荷时间序列的特征向量。
20.2.2.1）首先使用残差连接的扩张因果卷积网络构建时间卷积残差块。扩张因果卷积网络通过扩大因果卷积来扩大网络的感受野并提高计算效率。其计算方式如式(2)所示：（2）式中，k代表卷积核的大小，f(i)是输入序列中第i个元素的卷积结果；h(j)代表卷积核中第j个参数的大小；d为扩张因子；代表输入序列第i-dj个元素，输入序列即x1,x2,x3,x4,x5,x6,x7,x8，x1,x2,x3,x4,x5,x6,x7,x8表示为过去8个时间点的净负荷大小，扩张因果卷积能够使得输出尽可能多的关联到输入，且不需要过多的网络层数来达到非常大的感受野。
21.2.2.2）每个时间卷积残差块由两个扩张因果卷积网络残差连接构成，即每个时间卷积残差块的最终输出由两条路径输出之和决定，如式（3）所示：
上输出y的均值、子空间r2上输出y的均值，最优的样本分割是使得两个子空间中每个样本的输出值与所有样本的平均值最小，因此可以通过求解式（8）来确定分割样本子集的最优特征和最优切分值：（6）（7）（8）式中，m代表样本的第m个特征，n代表切分点，代表第i个样本的全部特征，代表第i个样本的第m个特征，代表第i个样本的输出值；c.继续对子空间r1、子空间r2使用步骤a和步骤b,直到整棵分类回归树达到最大深度，样本子集中所有样本都分配到叶子节点。
25.针对每个样本子集都训练一棵分类回归树，最终所有的分类回归树组成训练好的分位数随机森林模型。
26.3.2）利用分位数随机森林模型得到净负荷的概率预测结果方法为：概率预测的形式包括概率密度预测、区间预测和分位数预测，其中得到分位数预测的结果后可以推导出概率密度预测结果和区间预测结果，因此本发明专注于提供净负荷的分位数预测。给定过去一定时间段的历史净负荷，给出下一个时刻的净负荷α分位数预测结果的问题可定义为：（9）其中，x代表输入，代表输入为x时的α条件分位数，inf代表逆函数，y代表输出值，代表输入为x时，y的条件分布；因此对每棵分类回归树都求解一个α分位数预测结果，再对求得的α分位数预测结果取平均值。具体步骤为：a.完成分位数随机森林模型训练后，不仅记录落入每棵分类回归树每个叶子节点的所有样本平均值，还记录每个样本输出值，并按从大到小的顺序排列（10）其中，yi代表第i个样本的输出值，y1≤y2≤y3≤y4…
≤yn，y1、y2、y3、y4、yn代表集合中各样本的输出值；b.以特征向量xi作为分类回归树的输入，经过切分点n的条件判断后，得到其落入的子空间，按式（9）计算子空间中所有样本输出值的α分位数。对每棵分类回归树都重复这一过程，若有k棵分类回归树，则对得到的k个α分位数取平均值，作为最终的α分位数预测值：
（11）式中，k代表分类回归树的数量，代表预测的α分位数，y
ij
代表第i棵分类回归树第j个叶子节点的样本集合，代表序列y
ij
中，刚好有α%的数小于它的那个数，即序列yi的α分位数α的取值范围设置在1%-99%，则推出待预测时间点净负荷1%-99%的分位数预测值，由此得到了待预测时间点的概率预测结果。
27.综上，本发明首先通过将收集得到的配电网负荷、新能源出力时间序列进行缺失值填补、异常值提出，然后以配电网时间序列减去新能源出力时间序列得到净负荷时间序列，再使用时间卷积神经网络从原始净负荷时间序列提取得到更能表征净负荷时序变化特性的特征向量，并以该特征向量作为分位数随机森林模型的输入，实现了效果更好的配电网净负荷概率预测。
28.需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本发明说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。