一种储能机组负荷预测方法技术

本发明专利技术提供了一种储能机组负荷预测方法

【技术实现步骤摘要】
一种储能机组负荷预测方法、系统、电子设备及介质


[0001]本专利技术涉及储能领域，特别是涉及一种基于时序特性与电网需求的储能机组负荷预测方法
、
系统
、
电子设备及介质
。

技术介绍

[0002]随着经济的快速发展，全社会对供电可靠性提出了越来越高的要求
。
在目前新能源大力发展的现状下，由于含有储能单元的机组的输出功率在一定范围内能更为方便地调节，使得其在平衡新能源功率变化，缓解新能源消纳方面具有比较重要的作用
。
[0003]近年来，随着大数据
、
人工智能技术日趋成熟，机器学习与智能算法在电厂方面得到了广泛的应用
。
对机组负荷预测的方法也不断发展，常用的机组建模主要分为两种：通过机组运行机理对机组运行系统进行机理建模
、
通过数据挖掘分析方法，以机组运行数据为主要研究对象，利用智能算法建立各个输入与输出的映射关系
。
然而上述方案对机组建模仅选取了机组的主要运行参数来构建机组负荷与这些参数的回归模型，实现实时计算机组的运行状态数据
。
随着储能机组的不断普及，且电网智能化进度的加快，数据的波动性和随机性也使储能机组必须考虑源测负荷和电网需求来运行，而电网需求具有较强的时序性，如早晚负荷需求，工作日与节假日的电网需求都具有很大差异，因此储能机组的运行也需要考虑时序特性
。
[0004]因此，传统的机组回归模型建模在不考虑此类因素影响的情况下会存在精度较差，无法适应电网需求变化等问题
。

技术实现思路

[0005]本专利技术的目的是提供一种储能机组负荷预测方法
、
系统
、
电子设备及介质，可提高储能机组负荷的预测精度，使其能更好的响应电网需求的变化
。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种储能机组负荷预测方法，包括：
[0008]获取负荷预测训练数据集；所述负荷预测训练数据集中包括第一历史时段内的多个样本点；每个样本点包括电网负荷需求数据
、
储能机组负荷数据及影响因素数据；所述影响因素数据包括对应样本点的温度
、
时刻及日期标记；
[0009]对所述负荷预测训练数据集中的样本点进行异常检测，并移除异常的样本点，得到样本数据集；
[0010]基于所述样本数据集，对长短期记忆网络进行迭代训练，以得到储能机组负荷预测模型；
[0011]根据负荷预测数据集，采用所述储能机组负荷预测模型，对未来设定时段内的储能机组负荷数据进行预测；所述负荷预测数据集中包括第二历史时段的多个样本点；所述第二历史时段内的结束时刻为当前时刻
。
[0012]可选地，对所述负荷预测训练数据集中的样本点进行异常检测，并移除异常的样
本点，得到样本数据集，具体包括：
[0013]采用基于密度的聚类算法对所述负荷预测训练数据集中的样本点进行密度聚类，确定各样本点的类型；所述样本点的类型为核心点
、
边界点或噪音点；
[0014]将所述负荷预测训练数据集中类型为噪音点的样本点移除，得到初步样本数据集；
[0015]对所述初步样本数据集进行归一化处理，得到样本数据集
。
[0016]可选地，采用基于密度的聚类算法对所述负荷预测训练数据集中的样本点进行密度聚类，确定各样本点的类型，具体包括：
[0017]在设定取值范围内，随机对邻域半径和最少样本点的取值进行组合，得到多个聚类模型；
[0018]针对任一聚类模型，采用所述聚类模型对所述负荷预测训练数据集中的样本点进行聚类，并确定各样本点的内聚度及分离度；
[0019]根据各样本点的内聚度及分离度，确定所述聚类模型的轮廓系数；
[0020]根据各聚类模型的轮廓系数，从多个聚类模型中选取最优聚类模型；
[0021]采用所述最优聚类模型对所述负荷预测训练数据集中的样本点进行聚类，确定各样本点的类型
。
[0022]可选地，采用以下公式确定样本点
i
的内聚度及分离度：
[0023][0024][0025]其中，
a(i)
为样本点
i
的内聚度，
b(i)
为样本点
i
的分离度，
d(i,j)
为样本点
i
与样本点
j
的距离，
|C
i
|
为样本点
i
所属聚簇内的样本点个数，
C
i
为样本点
i
所属聚簇内的样本点集合，
|C
k
|
为样本点
k
所属聚簇内的样本点个数，
C
k
为样本点
k
所属聚簇内的样本点集合
。
[0026]可选地，采用以下公式确定聚类模型的轮廓系数：
[0027][0028]其中，
S
为聚类模型的轮廓系数，
n
为负荷预测训练数据集中的样本点个数，
C
为负荷预测训练数据集
。
[0029]可选地，所述储能机组负荷预测方法还包括：
[0030]获取未来设定时段内的电网负荷需求数据；
[0031]根据未来设定时段内的储能机组负荷数据与对应的电网负荷需求数据的差值，确定储能机组中储能单元的充放电状态及充放电功率，以确定储能机组的调节能力
。
[0032]为实现上述目的，本专利技术还提供了如下方案：
[0033]一种储能机组负荷预测系统，包括：
[0034]数据获取单元，用于获取负荷预测训练数据集；所述负荷预测训练数据集中包括第一历史时段内的多个样本点；每个样本点包括电网负荷需求数据
、
储能机组负荷数据及
影响因素数据；所述影响因素数据包括对应样本点的温度
、
时刻及日期标记；
[0035]异常检测单元，与所述数据获取单元连接，用于对所述负荷预测训练数据集中的样本点进行异常检测，并移除异常的样本点，得到样本数据集；
[0036]训练单元，与所述异常检测单元连接，用于基于所述样本数据集，对长短期记忆网络进行迭代训练，以得到储能机组负荷预测模型；
[0037]预测单元，与所述训练单元连接，用于根据负荷预测数据集，采用所述储能机组负荷预测模型，对未来设定时段内的储能机组负荷数据进行预测；所述负荷预测数据集中包括第二历史时段的多个样本点；所述第二历史时段内的结束时刻为当前时刻
。
[0038]为实现上述目的，本专利技术还提供了如下方案：
[0039]一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种储能机组负荷预测方法，其特征在于，所述储能机组负荷预测方法包括：获取负荷预测训练数据集；所述负荷预测训练数据集中包括第一历史时段内的多个样本点；每个样本点包括电网负荷需求数据
、
储能机组负荷数据及影响因素数据；所述影响因素数据包括对应样本点的温度
、
时刻及日期标记；对所述负荷预测训练数据集中的样本点进行异常检测，并移除异常的样本点，得到样本数据集；基于所述样本数据集，对长短期记忆网络进行迭代训练，以得到储能机组负荷预测模型；根据负荷预测数据集，采用所述储能机组负荷预测模型，对未来设定时段内的储能机组负荷数据进行预测；所述负荷预测数据集中包括第二历史时段的多个样本点；所述第二历史时段内的结束时刻为当前时刻
。2.
根据权利要求1所述的储能机组负荷预测方法，其特征在于，对所述负荷预测训练数据集中的样本点进行异常检测，并移除异常的样本点，得到样本数据集，具体包括：采用基于密度的聚类算法对所述负荷预测训练数据集中的样本点进行密度聚类，确定各样本点的类型；所述样本点的类型为核心点
、
边界点或噪音点；将所述负荷预测训练数据集中类型为噪音点的样本点移除，得到初步样本数据集；对所述初步样本数据集进行归一化处理，得到样本数据集
。3.
根据权利要求2所述的储能机组负荷预测方法，其特征在于，采用基于密度的聚类算法对所述负荷预测训练数据集中的样本点进行密度聚类，确定各样本点的类型，具体包括：在设定取值范围内，随机对邻域半径和最少样本点的取值进行组合，得到多个聚类模型；针对任一聚类模型，采用所述聚类模型对所述负荷预测训练数据集中的样本点进行聚类，并确定各样本点的内聚度及分离度；根据各样本点的内聚度及分离度，确定所述聚类模型的轮廓系数；根据各聚类模型的轮廓系数，从多个聚类模型中选取最优聚类模型；采用所述最优聚类模型对所述负荷预测训练数据集中的样本点进行聚类，确定各样本点的类型
。4.
根据权利要求3所述的储能机组负荷预测方法，其特征在于，采用以下公式确定样本点
i
的内聚度及分离度：的内聚度及分离度：其中，
a(i)
为样本点
i
的内聚度，
b(i)
为样本点
i
的分离度，
d(i,j)
为样本点
i
与样本点
j
的距离，
|C
i
|

【专利技术属性】
技术研发人员：王新刚，周专，吴高磊，余金，史晓超，于志勇，边家瑜，朱子民，潘佩媛，陈衡，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：