一种考虑分布式电源影响的低压配电网负荷预测方法技术

本发明专利技术公开了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：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；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；步骤三：将数据集分为训练数据集、验证数据集、测试数据集；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；步骤五：训练ANN模型；步骤六：实现ANN模型，并输出结果；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，本发明专利技术的有益效果是，所提出的具有外部变量的ANN

【技术实现步骤摘要】
一种考虑分布式电源影响的低压配电网负荷预测方法


[0001]本专利技术涉及配电网保护
，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。

技术介绍

[0002]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；
[0003]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；
[0004]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。

技术实现思路

[0005]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。
[0006]实现上述目的本专利技术的技术方案为，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：
[0007]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；
[0008]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；
[0009]步骤三：将数据集分为训练数据集、验证数据集、测试数据集；
[0010]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；
[0011]步骤五：训练ANN模型；
[0012]步骤六：实现ANN模型，并输出结果；
[0013]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
[0014]数列F0,F1,F2,...,Fn,..为斐波那契数列，如果当n≥2时，恒有
[0015]F
n
＝F
n
‑1+F
n
‑2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0016][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(X1‑
温度，X2‑
风速)；
[0029]模型A2：ARIMAX有一个外部变量(X1‑
温度)；
[0030]模型A3：ARIMAX有一个外部变量(X2‑
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(X1‑
温度，X2‑
风速，X3‑
一天中的小时，X4‑
前一小时数据，X5‑
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(X3‑
一天中的小时，X4‑
前一小时数据，X5‑
前一天同一小时的数据)；
[0034]模型NN3：ANN模型仅有天气变量(X1‑
温度，X2‑
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
‑
GR本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑分布式电源影响的低压配电网负荷预测方法，其特征在于，包括以下工作步骤：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；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；步骤三：将数据集分为训练数据集、验证数据集、测试数据集；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；步骤五：训练ANN模型；步骤六：实现ANN模型，并输出结果；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，即数列F0,F1,F2,...,Fn,..为斐波那契数列，如果当n≥2时，恒有F
n
＝F
n
‑1+F
n
‑2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)(1)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：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。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。2.根据权利要求1所述的一种考虑分布式电源影响的低压配电网负荷预测方法，其特征在于，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。3.根据权利要求2所述的一种考虑分布式电源影响的低压配电网负荷预测方法，其特征在于，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。4.根据权利要求3所述的一种考虑分布式电源影响的低压配电网负荷预测方法，其特征在于，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。5.根据权利要求4所述的一种考虑分布式电源影响的低压配电网负荷预测方法，其特征在于，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。6.根据权利要求5所述的一种考虑分布式电源影响的低压配电网负荷预测方法，其特征在于，隐藏层和神经元的数量/个数采用试错法确定。7.根据权利要求6所述的一种考虑分布式电源影响的低压配电网负荷预测方法，其特征在于，为...

【专利技术属性】
技术研发人员：张衡，罗海荣，杨涌涛，李永亮，张春林，丁娟，张庆平，张星，黄鑫，高博，李学锋，
申请(专利权)人：国网宁夏电力有限公司银川供电公司，
类型：发明
国别省市：