母线级超短期净负荷区间预测方法及装置制造方法及图纸

本发明专利技术提供一种母线级超短期净负荷区间预测方法、装置、设备及存储介质，所述方法包括：获取电负荷历史数据、光伏功率历史数据和风功率历史数据，并对数据进行预处理；获取数值天气预报数据，并对其时间分辨率进行降尺度处理；基于经过预处理后的历史数据以及经过降尺度处理后的数值天气预报数据进行构建得到预测特征集合；针对电负荷、光伏功率、风功率，分别构建深度神经网络预测模型；根据得到的负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果，计算得到母线级净负荷超短期区间预测结果。本发明专利技术能够准确预测母线级净负荷的概率区间，可为电力系统实时风险预警和辅助决策提供数据支持和重要参考依据。要参考依据。要参考依据。

【技术实现步骤摘要】
母线级超短期净负荷区间预测方法及装置


[0001]本专利技术涉及电力系统分析
，尤其是涉及一种母线级超短期净负荷区间预测方法、装置、设备及存储介质。

技术介绍

[0002]随着高比例新能源的接入，新能源发电固有的强随机性、波动性和间歇性对电网调度实时风险影响越来越大，电力系统规模体量和复杂度的急剧增大也增加了电网调控决策的复杂度，现有电网实时风险预警和辅助决策技术难以适应高比例新能源带来的随机快速变化和高维调控需求，精准的净负荷预报，是提升调度机构对未来电网运行态势感知和风险评估的精准度的重要步骤。然而母线级净负荷具有基数小、周期趋势性弱和波动性强的特点，目前尚未对含高比例可再生能源的母线级净负荷超短期区间预测进行深入研究，工程应用具有较大的局限性。

技术实现思路

[0003]本专利技术旨在提供一种母线级超短期净负荷区间预测方法、装置、设备及存储介质，以解决现有缺少含高比例可再生能源的母线级净负荷超短期区间预测的技术问题。
[0004]为了解决上述技术问题，本专利技术提供了一种母线级超短期净负荷区间预测方法，包括：
[0005]获取电负荷历史数据、光伏功率历史数据和风功率历史数据，并对数据进行预处理；
[0006]获取数值天气预报数据，并对所述数值天气预报数据的时间分辨率进行降尺度处理；
[0007]基于经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据以及经过降尺度处理后的数值天气预报数据进行构建得到预测特征集合；
[0008]采用卷积长短期记忆深度神经网络分位数回归方法，针对电负荷、光伏功率、风功率，分别构建深度神经网络预测模型；
[0009]在所述深度神经网络预测模型中添加分位数回归层，并为所述深度神经网络预测模型起到正则化效果，根据分位数的弹球损失建立所述深度神经网络预测模型的整体损失函数；
[0010]基于所述预测特征集合以及对应的深度神经网络预测模型进行预测得到负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果，并基于负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果计算母线级净负荷超短期区间预测结果。
[0011]进一步地，所述获取电负荷历史数据、光伏功率历史数据和风功率历史数据，并对数据进行预处理，包括：
[0012]判断所述电负荷历史数据、所述光伏功率历史数据和所述风功率历史数据是否存
在缺失值或异常值；
[0013]对于所述电负荷历史数据的缺失值或异常值，采用所述电负荷历史数据的上一星期同一时刻的数据进行缺失补全或异常替换；
[0014]对于所述光伏功率历史数据的缺失值或异常值，采用所述光伏功率历史数据的上一时刻的数据进行缺失补全或异常替换；
[0015]对于所述风功率历史数据的缺失值或异常值，采用所述风功率历史数据的上一时刻的数据进行缺失补全或异常替换。
[0016]进一步地，所述获取数值天气预报数据，并对所述数值天气预报数据的时间分辨率进行降尺度处理，包括：
[0017]获取时间分辨率为一小时的数值天气预报数据，并通过预先建立的时间分辨率降尺度模型将时间分辨率为一小时的数值天气预报数据进行降尺度处理得到时间分辨率为15分钟的数值天气预报数据。
[0018]进一步地，所述基于经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据以及经过降尺度处理后的数值天气预报数据进行构建得到预测特征集合，包括：
[0019]基于经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据以及经过降尺度处理后的数值天气预报数据，分别构建得到负荷预测特征集合、光伏功率预测特征集合和风功率预测特征集合。
[0020]进一步地，所述卷积长短期记忆深度神经网络的遗忘门系数的表达式为：
[0021]κ
f,t
＝σ(W
f
[β
t
‑1,x
t
]+ε
f
)
[0022]式中，t为时间；κ
f,t
为t时刻的遗忘门系数；σ为sigmoid激活函数；W
f
为遗忘门权重矩阵；β
t
‑1为t
–
1时刻的传递状态；ε
f
为遗忘门的偏置项；x
t
为t时刻的输入特征；
[0023]所述卷积长短期记忆深度神经网络的输入门系数的表达式为：
[0024]κ
in,t
＝σ(W
in
[β
t
‑1,x
t
]+ε
in
)
[0025]式中，t为时间；κ
in,t
为t时刻的输入门系数；σ为sigmoid激活函数；W
in
为输入门权重矩阵；β
t
为t
–
1时刻的传递状态；ε
in
为输入门的偏置项；x
t
为t时刻的输入特征；
[0026]所述卷积长短期记忆深度神经网络的输出门系数的表达式为：
[0027]κ
out,t
＝σ(W
out
[β
t
‑1,x
t
]+ε
out
)
[0028]式中，t为时间；κ
out,t
为t时刻的输出门系数；σ为sigmoid激活函数；W
out
为输出门权重矩阵；β
t
为t
–
1时刻的传递状态；ε
out
为输出门的偏置项；x
t
为t时刻的输入特征；
[0029]在t时刻备选状态值的表达式为：
[0030][0031]式中，为t时刻备选状态值；tanh为tanh函数层；ε
C
为备选状态的偏置项；W
C
为备选状态的矩阵权重；
[0032]在所述卷积长短期记忆深度神经网络中，每个记忆单元中都含有神经网络自由选择的记忆内容，公式表达为：
[0033][0034]式中，C
t
为t时刻状态值；C
t
‑1为t
–
1时刻状态值；
[0035]当前的输出传递状态β
t
的表达式为：
[0036]β
t
＝κ
out,t
tanh(C
t
)
[0037]最终输出的预测结果为：
[0038]y
t
＝W
y
β
t
+ε
y
[0039]式中，y
t
为t时刻输出的预测结果；W
y
为长短期记忆神经网络最终的权重矩阵；ε
y
为输出单元的状态偏置项。
[0040]进一步地，所述分位数的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种母线级超短期净负荷区间预测方法，其特征在于，包括：获取电负荷历史数据、光伏功率历史数据和风功率历史数据，并对数据进行预处理；获取数值天气预报数据，并对所述数值天气预报数据的时间分辨率进行降尺度处理；基于经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据以及经过降尺度处理后的数值天气预报数据进行构建得到预测特征集合；采用卷积长短期记忆深度神经网络分位数回归方法，针对电负荷、光伏功率、风功率，分别构建深度神经网络预测模型；在所述深度神经网络预测模型中添加分位数回归层，并为所述深度神经网络预测模型起到正则化效果，根据分位数的弹球损失建立所述深度神经网络预测模型的整体损失函数；基于所述预测特征集合以及对应的深度神经网络预测模型进行预测得到负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果，并基于负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果计算母线级净负荷超短期区间预测结果。2.根据权利要求1所述的母线级超短期净负荷区间预测方法，其特征在于，所述获取电负荷历史数据、光伏功率历史数据和风功率历史数据，并对数据进行预处理，包括：判断所述电负荷历史数据、所述光伏功率历史数据和所述风功率历史数据是否存在缺失值或异常值；对于所述电负荷历史数据的缺失值或异常值，采用所述电负荷历史数据的上一星期同一时刻的数据进行缺失补全或异常替换；对于所述光伏功率历史数据的缺失值或异常值，采用所述光伏功率历史数据的上一时刻的数据进行缺失补全或异常替换；对于所述风功率历史数据的缺失值或异常值，采用所述风功率历史数据的上一时刻的数据进行缺失补全或异常替换。3.根据权利要求1所述的母线级超短期净负荷区间预测方法，其特征在于，所述获取数值天气预报数据，并对所述数值天气预报数据的时间分辨率进行降尺度处理，包括：获取时间分辨率为一小时的数值天气预报数据，并通过预先建立的时间分辨率降尺度模型将时间分辨率为一小时的数值天气预报数据进行降尺度处理得到时间分辨率为15分钟的数值天气预报数据。4.根据权利要求1所述的母线级超短期净负荷区间预测方法，其特征在于，所述基于经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据以及经过降尺度处理后的数值天气预报数据进行构建得到预测特征集合，包括：基于经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据以及经过降尺度处理后的数值天气预报数据，分别构建得到负荷预测特征集合、光伏功率预测特征集合和风功率预测特征集合。5.根据权利要求1所述的母线级超短期净负荷区间预测方法，其特征在于，所述卷积长短期记忆深度神经网络的遗忘门系数的表达式为：κ
f,t
＝σ(W
f
[β
t
‑1,x
t
]+ε
f
)式中，t为时间；κ
f,t
为t时刻的遗忘门系数；σ为sigmoid激活函数；W
f
为遗忘门权重矩阵；
β
t
‑1为t
–
1时刻的传递状态；ε
f
为遗忘门的偏置项；x
t
为t时刻的输入特征；所述卷积长短期记忆深度神经网络的输入门系数的表达式为：κ
in,t
＝σ(W
in
[β
t
‑1,x
t
]+ε
in
)式中，t为时间；κ
in,t
为t时刻的输入门系数；σ为sigmoid激活函数；W
in
为输入门权重矩阵；β
t
为t
–
1时刻的传递状态；ε
in
为输入门的偏置项；x
t
为t时刻的输入特征；所述卷积长短期记忆深度神经网络的输出门系数的表达式为：κ
out,t
＝σ(W
out
[β
t
‑1,x
t
]+ε
out
)式中，t为时间；κ
out,t
为t时刻的输出门系数；σ为sigmoid激活函数；W
out
为输出门权重矩阵；β
t
...

【专利技术属性】
技术研发人员：蔡新雷，王乃啸，刘佳乐，林旭，崔艳林，董锴，孟子杰，喻振帆，祝锦舟，郝文焕，李超，陈奎烨，吴龙腾，
申请(专利权)人：广东电网有限责任公司电力调度控制中心，
类型：发明
国别省市：