【技术实现步骤摘要】
本专利技术涉及一种基于混合预测模型的分布式电源聚合功率预测方法，属于新能源发电和智能电网。
技术介绍
1、随着新能源大规模接入配电网，光伏、风力等电源的调节潜力逐渐增大，但是由于气象条件、地理环境等因素影响，分布式电源的发电功率存在较高的不确定性，另外，分布式电源存在可控功率小、地理位置分散等缺点，不能有效地为配电网提供实时高效的功率支撑。为此，对各个分布式电源的发电功率进行精准预测，并将各个分布式电源的功率进行聚合，对配电网功率支撑起到了重要作用。
2、对于电网拓扑结构中聚合点的功率预测，现阶段主要先对各节点上的分布式电源进行单点预测，再通过潮流计算可得。但随着配电网的规模越来越大以及复杂程度越来越高，潮流计算的时间成本势必会大大增加，不能快速有效地支撑电网调频业务。
3、因此，考虑结合电路的拓扑连接图整合分布式电源的空间特性和时序特性，直接对聚合点功率进行预测是本领域技术人员急需要解决的技术问题。
技术实现思路
1、为了克服现有技术中存在的不足，本专利技术提供一种基于混合预测模型的分布式电源聚合功率预测方法。
2、为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
3、一种基于混合预测模型的分布式电源聚合功率预测方法，包括如下步骤：
4、步骤1：收集各分布式电源的历史功率数据和相关气象数据作为初始数据集。
5、步骤2：将初始数据集中的历史发电功率数据进行聚类，获得晴天、阴天和雨天三类聚类簇数据
6、步骤3：计算预测日相关气象数据中温度与晴天、阴天和雨天三类聚类簇数据集中心对应温度的相似度，选出相似度最高的聚类簇，将相似度最高的聚类簇中所对应的每日分布式风力历史发电数据、风力大小、分布式光伏历史发电数据和光照强度作为训练样本数据。
7、步骤4：利用图神经网络提取训练样本数据的空间特征。
8、步骤5：根据人工蜂群算法优化bilstm神经网络的参数，将优化后的参数输入bilstm神经网络得到预测模型。将空间特征输入预测模型，提取时间特征，并将空间特征与时间特征拟合得到聚合功率初步预测值。
9、步骤6：采用预测模型对目标日的聚合点功率进行预测，获得目标日聚合功率初步预测值。采用马尔科夫方法对聚合功率初步预测值的相对误差进行预测得到目标日的相对误差，利用目标日的相对误差对目标日聚合功率初步预测值进行修正，得到目标日最终的聚合功率预测结果。
10、作为优选方案，所述步骤1，包括：
11、选取温度、风力大小以及历史风力发电功率作为风力发电的输入特征，选取温度、光照强度以及历史光伏发电功率作为光伏发电的输入特征，将风力发电的输入特征和光伏发电的输入特征作为初始数据集。
12、作为优选方案，所述步骤2，包括：
13、步骤2.1：将每日的分布式风力历史发电数据和分布式光伏历史发电数据进行拼接，构成新的特征向量，作为聚类特征数据集。
14、步骤2.2：利用k-medoids聚类方法，取聚类数k＝3，对聚类特征数据集进行聚类，得到历史发电数据的聚类结果；
15、步骤2.3：根据聚类结果，将初始数据集划分为晴天、阴天和雨天三类聚类簇数据集。
16、作为优选方案，所述步骤4，包括：
17、步骤4.1：用无向图g＝(v，e，a)来描述各分布式电源连接关系，其中v表示节点集，e为各分布式电源之间的连接边的集合，a表示邻接矩阵。
18、所述a矩阵的元素aij计算公式如下：
19、
20、其中aij表示a中的元素；ei，head为边的源节点；ei，finish为边的目标节点。
21、步骤4.2：图卷积神经网络由多层卷积网络叠加而成，利用图卷积神经网络对各个节点输入特征进行卷积操作，提取特征。
22、其中，表示第i个分布式电源的历史发电功率，表示第i个分布式电源的对应的风力大小或者光照强度。
23、所述特征作为训练样本数据的空间特性y，计算公式如下：
24、
25、其中，sigmoid(·)表示激活函数，tanh(·)表示双曲正切函数，表示的度数矩阵；wj表示第j层的权重矩阵，i为单位矩阵。
26、作为优选方案，所述根据人工蜂群算法优化bilstm神经网络的参数的方法，具体包括：
27、步骤5.1.1：初始化蜂群参数，种群个数和最大迭代次数。
28、步骤5.1.2：引领蜂搜寻新蜜源。
29、步骤5.1.3：跟随蜂根据轮盘赌方式在邻域内进行搜索，将每轮计算出的学习率、每层隐藏层神经元个数或者迭代次数的结果作为适应度值，若适应度值大于原蜜源，则更新蜜源的位置。
30、步骤5.1.4：若一个解经过探索限值limit次循环仍然没有被进一步更新。则侦查蜂寻找新蜜源。
31、步骤5.1.5：当达到最大迭代次数时，结束循环，输出优化的学习率、每层隐藏层神经元个数或者迭代次数。
32、作为优选方案，所述蜜源的初始化位置wid为：
33、wid＝uup+η(uup-udown)
34、其中：uup为搜索范围上限，udown为搜索范围下限，η∈(0，1)。
35、所述更新蜜源的位置wij为：
36、wij＝wij+λ(wij-wkj)
37、其中：wij表示当前蜜源位置；wkj表示邻域内的其他蜜源值；k≠i，λ∈(0，1)。
38、所述适应度值pi为：
39、
40、式中：
41、其中：fiti是适应度的第i个解；fi为第i个个体对于优化问题的优化函数。
42、作为优选方案，所述步骤6，具体包括：
43、步骤6.1：根据聚合功率初步预测值与对应历史日的实际值，计算预测的相对误差值ζ。
44、步骤6.2：根据相对误差值ζ构建状态量x(0)，并计算状态转移概率矩阵pk。
45、步骤6.3：根据状态转移矩阵，计算出第k步的状态转移结果x(k)作为目标日的相对误差。
46、步骤6.4：采用预测模型对目标日的聚合点功率进行预测，获得目标日聚合功率初步预测值pst′。
47、步骤6.5：根据目标日的相对误差，计算目标日的相对误差值ζ′。
48、步骤6.6：根据目标日的相对误差值ζ′和目标日聚合功率初步预测值pst′，计算目标日最终的聚合功率预测结果p。
49、作为优选方案，所述相对误差值ζ计算公式如下：
50、
51、其中：pst为聚合功率初步预测值，pr为对应历史日的实际值。
52、所述状态转移概率矩阵pk计算公式如下：
53、
54、式中，
55、其中：为状态转移次数，ai为状态出现的总次数。
【技术保护点】
1.一种基于混合预测模型的分布式电源聚合功率预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于混合预测模型的分布式电源聚合功率预测方法，其特征在于，所述步骤1，包括：
3.根据权利要求1所述的一种基于混合预测模型的分布式电源聚合功率预测方法，其特征在于，所述步骤2，包括：
4.根据权利要求1所述的一种基于混合预测模型的分布式电源聚合功率预测方法，其特征在于，所述步骤4，包括：
5.根据权利要求1所述的一种基于混合预测模型的分布式电源聚合功率预测方法，其特征在于，所述根据人工蜂群算法优化BiLSTM神经网络的参数的方法，具体包括：
6.根据权利要求5所述的一种基于混合预测模型的分布式电源聚合功率预测方法，其特征在于，所述蜜源的初始化位置Wid为：
7.根据权利要求1所述的一种基于混合预测模型的分布式电源聚合功率预测方法，其特征在于，所述步骤6，具体包括：
8.根据权利要求1所述的一种基于混合预测模型的分布式电源聚合功率预测方法，其特征在于，所述相对误差值ζ计算公式如下：
【技术特征摘要】
1.一种基于混合预测模型的分布式电源聚合功率预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于混合预测模型的分布式电源聚合功率预测方法，其特征在于，所述步骤1，包括：
3.根据权利要求1所述的一种基于混合预测模型的分布式电源聚合功率预测方法，其特征在于，所述步骤2，包括：
4.根据权利要求1所述的一种基于混合预测模型的分布式电源聚合功率预测方法，其特征在于，所述步骤4，包括：
5.根据权利要求1所述的一种基于混合预测模型...
【专利技术属性】
技术研发人员：窦春霞，唐小棋，朱文惠，岳东，李厚俊，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。