基于網(wǎng)購(gòu)電和動(dòng)態(tài)關(guān)聯(lián)因子的微電網(wǎng)負(fù)荷預(yù)測(cè)系統(tǒng)及方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于微電網(wǎng)負(fù)荷預(yù)測(cè)技術(shù)領(lǐng)域，具體涉及基于網(wǎng)購(gòu)電和動(dòng)態(tài)關(guān)聯(lián)因子的微 電網(wǎng)負(fù)荷預(yù)測(cè)系統(tǒng)及方法。
【背景技術(shù)】
[0002] 隨著分布式電源在微電網(wǎng)中的滲透率越來(lái)越高、電動(dòng)汽車的普及以及各種運(yùn)行調(diào) 度策略的應(yīng)用（如利用實(shí)時(shí)電價(jià)來(lái)達(dá)到"削峰填谷"的目的；通過(guò)切負(fù)荷來(lái)保證良好的電能 質(zhì)量等），促使負(fù)荷波動(dòng)區(qū)間加大、對(duì)氣象因素更加敏感、負(fù)荷的隨機(jī)性和不確定性更為突 出。微電網(wǎng)負(fù)荷在整個(gè)時(shí)間序列上表現(xiàn)的這種復(fù)雜性，造成短期負(fù)荷預(yù)測(cè)的難度加大，因此 需要對(duì)微電網(wǎng)的短期負(fù)荷預(yù)測(cè)作進(jìn)一步的研究。
[0003] 微電網(wǎng)作為智能電網(wǎng)的重要組成部分，它的短期負(fù)荷預(yù)測(cè)要迎合智能電網(wǎng)的特 性，即應(yīng)對(duì)電網(wǎng)環(huán)境的變更具有更好的適應(yīng)性，其體現(xiàn)在用戶能夠根據(jù)自身的用電需求并 結(jié)合實(shí)時(shí)電價(jià)調(diào)整其電能消費(fèi)模式，甚至可以實(shí)現(xiàn)與微電網(wǎng)互動(dòng)供電。由此可知，實(shí)時(shí)電價(jià) 已經(jīng)成為影響微電網(wǎng)短期負(fù)荷預(yù)測(cè)的重要因素。近年來(lái)已有不少人提出了實(shí)時(shí)電價(jià)條件下 的短期負(fù)荷預(yù)測(cè)方法，雖然預(yù)測(cè)精度有所提高，但是針對(duì)短時(shí)急劇變化的負(fù)荷或者歷史數(shù) 據(jù)較少的假期負(fù)荷仍不能做出很好地預(yù)測(cè)。
[0004] 目前，微電網(wǎng)短期負(fù)荷預(yù)測(cè)方法的不足之處在于：一是未能充分利用微電網(wǎng)與電 能用戶之間的交互性，即微電網(wǎng)單向地從用戶那里獲得歷史負(fù)荷數(shù)據(jù)，而沒(méi)有考慮用戶可 以向微電網(wǎng)反饋?zhàn)陨淼奈磥?lái)用電信息；二是影響負(fù)荷特性的因子往往固定不變，即隨著時(shí) 間的推移和微電網(wǎng)內(nèi)部環(huán)境的變化，影響負(fù)荷特性的因子也往往會(huì)發(fā)生改變，同時(shí)對(duì)于類 型不同的負(fù)荷，它們的影響因子也往往不同，若預(yù)測(cè)模型不能夠準(zhǔn)確地提取影響因子就會(huì) 導(dǎo)致預(yù)測(cè)精度的降低;三是針對(duì)基于QPS0-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法，該數(shù)學(xué)模型僅僅依靠輸 入信息往往不能夠準(zhǔn)確地確定隱含層節(jié)點(diǎn)數(shù)，而且粒子個(gè)體隨機(jī)初始化會(huì)導(dǎo)致收斂速度較 慢。

【發(fā)明內(nèi)容】

[0005] 針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提出基于網(wǎng)購(gòu)電和動(dòng)態(tài)關(guān)聯(lián)因子的微電網(wǎng)負(fù)荷預(yù)測(cè) 系統(tǒng)及方法。
[0006] 基于網(wǎng)購(gòu)電和動(dòng)態(tài)關(guān)聯(lián)因子的微電網(wǎng)負(fù)荷預(yù)測(cè)系統(tǒng)，包括網(wǎng)購(gòu)電量模塊、負(fù)荷特 性分析模塊、短期負(fù)荷預(yù)測(cè)模塊和預(yù)測(cè)結(jié)果輸出模塊；
[0007] 所述網(wǎng)購(gòu)電量模塊，用于通過(guò)微電網(wǎng)與電能用戶進(jìn)行通信，建立用戶的基本信息 和電能信息，根據(jù)通過(guò)微電網(wǎng)獲取的負(fù)荷信息和負(fù)荷影響因子信息，對(duì)各類負(fù)荷進(jìn)行統(tǒng)計(jì)， 得到歷史負(fù)荷數(shù)據(jù)，同時(shí)為用戶提供電量初擬訂單，通過(guò)與用戶通信，將電量初擬訂單和參 考電價(jià)提供給用戶，并將用戶反饋的電量修正訂單進(jìn)行統(tǒng)計(jì)，得到網(wǎng)購(gòu)電統(tǒng)計(jì)值，建立獎(jiǎng)勵(lì) 激勵(lì)函數(shù)，對(duì)用戶電量修正訂單和其對(duì)應(yīng)的實(shí)際用電負(fù)荷進(jìn)行評(píng)價(jià)，確定實(shí)際電費(fèi)，并存儲(chǔ) 用戶的基本信息、電能信息和負(fù)荷影響因子信息；
[0008] 所述負(fù)荷特性分析模塊，用于確定微電網(wǎng)中負(fù)荷類型和其對(duì)應(yīng)的影響因子，并采 用灰色關(guān)聯(lián)度法分別計(jì)算各影響因子與各類負(fù)荷之間的關(guān)聯(lián)度，從而確定各類負(fù)荷的關(guān)聯(lián) 因子；
[0009] 所述短期負(fù)荷預(yù)測(cè)模塊，用于建立基于改進(jìn)的QPS0-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利 用歷史負(fù)荷數(shù)據(jù)及對(duì)應(yīng)的關(guān)聯(lián)因子對(duì)該模型進(jìn)行訓(xùn)練，確定最優(yōu)的RBF神經(jīng)網(wǎng)絡(luò)模型網(wǎng)絡(luò) 參數(shù)，并對(duì)各類負(fù)荷分別進(jìn)行預(yù)測(cè)，得到各類負(fù)荷的最終預(yù)測(cè)值以及微電網(wǎng)總負(fù)荷的最終 預(yù)測(cè)值；
[0010] 所述預(yù)測(cè)結(jié)果輸出模塊，用于輸出各類負(fù)荷的最終預(yù)測(cè)值和微電網(wǎng)總負(fù)荷的最終 預(yù)測(cè)值，繪制負(fù)荷預(yù)測(cè)曲線，并計(jì)算出各類負(fù)荷的最終預(yù)測(cè)值和實(shí)際負(fù)荷的預(yù)測(cè)誤差。
[0011] 所述網(wǎng)購(gòu)電量模塊，包括電能賬戶創(chuàng)建單元、初擬訂單推送單元、參考電價(jià)調(diào)節(jié)單 元、在線數(shù)據(jù)庫(kù)單元、負(fù)荷數(shù)據(jù)統(tǒng)計(jì)單元和電量訂單評(píng)價(jià)單元；
[0012] 所述電能賬戶創(chuàng)建單元，用于通過(guò)微電網(wǎng)與電能用戶進(jìn)行通信，建立用戶基本信 息和電能信息；
[0013]所述電能信息包括:微電網(wǎng)當(dāng)前參考電價(jià)Ct、電量初擬訂單A' i、電量修正訂單Ai、 歷史負(fù)荷數(shù)據(jù)出、基準(zhǔn)電費(fèi)basei、基于均值的獎(jiǎng)勵(lì)Γ(μ〇、基于方差的獎(jiǎng)勵(lì)r(〇1 2)、基于相關(guān) 系數(shù)的獎(jiǎng)勵(lì)r(Pi)和實(shí)際電費(fèi)cos ti;
[0014] 所述初擬訂單推送單元，用于根據(jù)通過(guò)微電網(wǎng)獲取的負(fù)荷信息，將用戶上一個(gè)周 期實(shí)際用電負(fù)荷作為該用戶本周期初擬使用電量消費(fèi)訂單，得到電量初擬訂單，并將該 電能初擬訂單提供給用戶；
[0015] 所述參考電價(jià)調(diào)節(jié)單元，用于通過(guò)與用戶通信，將微電網(wǎng)當(dāng)前參考電價(jià)ct和電量 初擬訂單提供給用戶進(jìn)行修正，得到用戶反饋的電量修正訂單A 1;
[0016] 所述在線數(shù)據(jù)庫(kù)單元，用于存儲(chǔ)用戶基本信息、電能信息和負(fù)荷影響因子信息；
[0017] 所述負(fù)荷影響因子信息包括：日期類型、天氣狀況、氣溫、相對(duì)濕度和風(fēng)速；
[0018] 所述負(fù)荷數(shù)據(jù)統(tǒng)計(jì)單元，用于根據(jù)用戶反饋的電量修正訂單六1統(tǒng)計(jì)一個(gè)周期內(nèi)各 類負(fù)荷用戶的網(wǎng)購(gòu)電統(tǒng)計(jì)值山，根據(jù)微電網(wǎng)獲取的負(fù)荷信息，統(tǒng)計(jì)一個(gè)周期內(nèi)各類負(fù)荷的 歷史負(fù)荷數(shù)據(jù)Hj;
[0019] 所述電量訂單評(píng)價(jià)單元，用于通過(guò)建立基于均值、基于方差、基于相關(guān)系數(shù)的獎(jiǎng)勵(lì) 激勵(lì)函數(shù)，根據(jù)用戶電量修正訂單和其對(duì)應(yīng)實(shí)際用電負(fù)荷，計(jì)算得到基于均值的獎(jiǎng)勵(lì)r (μ〇、基于方差的獎(jiǎng)勵(lì)r(〇12)和基于相關(guān)系數(shù)的獎(jiǎng)勵(lì)r(Pl)，并根據(jù)基準(zhǔn)電費(fèi)& &%1計(jì)算用戶 的實(shí)際電費(fèi)cos ti。
[0020] 所述負(fù)荷特性分析模塊，包括負(fù)荷類型確定單元、負(fù)荷影響因子確定單元和負(fù)荷 特性分析單元；
[0021] 所述負(fù)荷類型確定單元，用于根據(jù)實(shí)際微電網(wǎng)狀況確定其所包括的負(fù)荷類型，所 述負(fù)荷類型包括第一產(chǎn)業(yè)負(fù)荷、第二產(chǎn)業(yè)負(fù)荷、第三產(chǎn)業(yè)負(fù)荷和居民生活負(fù)荷；
[0022] 所述負(fù)荷影響因子確定單元，用于根據(jù)實(shí)際微電網(wǎng)狀況確定其所包括的負(fù)荷類型 對(duì)應(yīng)的影響因子，并對(duì)各負(fù)荷的影響因子和歷史負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理；
[0023] 所述負(fù)荷特性分析單元，用于采用灰色關(guān)聯(lián)度法分別計(jì)算各影響因子與各類負(fù)荷 之間的關(guān)聯(lián)度，設(shè)定關(guān)聯(lián)度閾值，將大于關(guān)聯(lián)度閾值的關(guān)聯(lián)度對(duì)應(yīng)的影響因子作為該類負(fù) 荷的關(guān)聯(lián)因子，從而確定各類負(fù)荷的關(guān)聯(lián)因子。
[0024]所述短期負(fù)荷預(yù)測(cè)模塊，包括RBF神經(jīng)網(wǎng)絡(luò)模型建立單元和短期負(fù)荷預(yù)測(cè)單元； [0025]所述RBF神經(jīng)網(wǎng)絡(luò)模型建立單元，用于針對(duì)各類負(fù)荷，建立多維輸入單維輸出的 RBF神經(jīng)網(wǎng)絡(luò)模型，將歷史負(fù)荷數(shù)據(jù)及對(duì)應(yīng)的關(guān)聯(lián)因子作為該模型的輸入數(shù)據(jù)，該模型的輸 出數(shù)據(jù)為下一個(gè)周期內(nèi)的預(yù)測(cè)負(fù)荷數(shù)據(jù)，采用基于輸入數(shù)據(jù)和輸出數(shù)據(jù)的減聚類K-means 優(yōu)化算法獲取RBF神經(jīng)網(wǎng)絡(luò)模型的初始網(wǎng)絡(luò)參數(shù)，將RBF神經(jīng)網(wǎng)絡(luò)模型的初始網(wǎng)絡(luò)參數(shù)作為 粒子利用量子粒子群優(yōu)化算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型的初始網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，得到最優(yōu)的 RBF神經(jīng)網(wǎng)絡(luò)模型網(wǎng)絡(luò)參數(shù)，所述RBF神經(jīng)網(wǎng)絡(luò)模型網(wǎng)絡(luò)參數(shù)包括:聚類中6Cq、擴(kuò)展常數(shù)〇q、 隱含層到輸出層的權(quán)值ω q和閾值b;
[0026]所述短期負(fù)荷預(yù)測(cè)單元，用于將各類歷史負(fù)荷數(shù)據(jù)和最優(yōu)的RBF神經(jīng)網(wǎng)絡(luò)模型網(wǎng) 絡(luò)參數(shù)映射到RBF神經(jīng)網(wǎng)絡(luò)模型中，得到各類負(fù)荷的預(yù)測(cè)值，設(shè)定加權(quán)函數(shù)，將各類負(fù)荷的 預(yù)測(cè)值通過(guò)加權(quán)函數(shù)計(jì)算得到該類負(fù)荷的最終預(yù)測(cè)值，并計(jì)算出微電網(wǎng)總負(fù)荷的最終預(yù)測(cè) 值；
[0027]所述加權(quán)函數(shù)為：
[0028] Actual/ j,t = a XC/ j,t+(l-a) XM' j,t，F(xiàn)orecastj,t = a0XOj,t+(l-a0) XMj,t;
[0029] 其中，a和β為權(quán)重值，<y」4為上一個(gè)周期第j類負(fù)荷在t時(shí)刻網(wǎng)購(gòu)電統(tǒng)計(jì)值，0j,t為 當(dāng)前周期內(nèi)第j類負(fù)荷在t時(shí)刻網(wǎng)購(gòu)電統(tǒng)計(jì)值，11〃^為上一個(gè)周期第j類負(fù)荷在t時(shí)刻的預(yù)測(cè) 值，My為當(dāng)前周期內(nèi)第j類負(fù)荷在t時(shí)刻的預(yù)測(cè)值，Actual、,*為上一個(gè)周期第j類負(fù)荷在t 時(shí)刻的實(shí)際負(fù)荷值，F(xiàn)orecasts為當(dāng)前周期內(nèi)第j類負(fù)荷在t時(shí)刻的最終預(yù)測(cè)值。
[0030] 基于網(wǎng)購(gòu)電和動(dòng)態(tài)關(guān)聯(lián)因子的微電網(wǎng)負(fù)荷預(yù)測(cè)方法，包括以下步驟：
[0031] 步驟1:根據(jù)通過(guò)微電網(wǎng)獲取的負(fù)荷信息，將用戶上一個(gè)周期實(shí)際用電負(fù)荷作為該 用戶本周期電量初擬訂單，并將該電能初擬訂單A'dP當(dāng)前參考電價(jià)c t提供給用戶； [0032]步驟2:用戶根據(jù)當(dāng)前參考電價(jià)ct和自身用電情況對(duì)電能初擬訂單六^進(jìn)行修正，并 將電量修正訂單Ai反饋給微電網(wǎng)；
[0033] 步驟3:根據(jù)用戶反饋的電量修正訂單六1統(tǒng)計(jì)一個(gè)周期內(nèi)各類負(fù)荷用戶的網(wǎng)購(gòu)電 統(tǒng)計(jì)值〇』，根據(jù)微電網(wǎng)獲取的負(fù)荷信息，統(tǒng)計(jì)一個(gè)周期內(nèi)各類負(fù)荷的歷史負(fù)荷數(shù)據(jù)出；
[0034] 步驟4:確定微電網(wǎng)中負(fù)荷類型和其對(duì)應(yīng)的影響因子，并采用灰色關(guān)聯(lián)度法分別計(jì) 算各影響因子與各類負(fù)荷之間的關(guān)聯(lián)度，從而確定各類負(fù)荷的關(guān)聯(lián)因子；
[0035] 步驟4.1:根據(jù)實(shí)際微電網(wǎng)狀況確定其所包括的負(fù)荷類型；
[0036] 步驟4.2:根據(jù)實(shí)際微電網(wǎng)狀況確定其所包括的負(fù)荷類型對(duì)應(yīng)的影響因子，并對(duì)各 負(fù)荷的影響因子和歷史負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理；
[0037] 步驟4.3:采用灰色關(guān)聯(lián)度法分別計(jì)算各影響因子與各類負(fù)荷之間的關(guān)聯(lián)度；
[0038] 步驟4.4:設(shè)定關(guān)聯(lián)度閾值，將大于關(guān)聯(lián)度閾值的關(guān)聯(lián)度對(duì)應(yīng)的影響因子作為該類 負(fù)荷的關(guān)聯(lián)因子，確定各類負(fù)荷的關(guān)聯(lián)因子；
[0039]步驟5:針對(duì)各類負(fù)荷，建立多維輸入單維輸出的RBF神經(jīng)網(wǎng)絡(luò)模型，將歷史負(fù)荷數(shù) 據(jù)及對(duì)應(yīng)的關(guān)聯(lián)因子作為該模型的輸入數(shù)據(jù)，該模型的輸出數(shù)據(jù)為下一個(gè)周期內(nèi)的預(yù)測(cè)負(fù) 荷數(shù)據(jù)；
[0040] 步驟6:采用基于輸入數(shù)據(jù)和輸出數(shù)據(jù)的減聚類K-means優(yōu)化算法獲取RBF神經(jīng)網(wǎng) 絡(luò)模型的初始網(wǎng)絡(luò)參數(shù)；
[0041] 步驟6.1:歷史負(fù)荷數(shù)據(jù)及對(duì)應(yīng)的關(guān)聯(lián)因子作為RBF神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)集合 θ = {χι，Χ2,…，χρ}，令p =