CN105678404B - 基于网购电和动态关联因子的微电网负荷预测***及方法 - Google Patents

基于网购电和动态关联因子的微电网负荷预测***及方法 Download PDF

Info

Publication number
CN105678404B
CN105678404B CN201511022616.XA CN201511022616A CN105678404B CN 105678404 B CN105678404 B CN 105678404B CN 201511022616 A CN201511022616 A CN 201511022616A CN 105678404 B CN105678404 B CN 105678404B
Authority
CN
China
Prior art keywords
load
user
neural network
micro
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201511022616.XA
Other languages
English (en)
Other versions
CN105678404A (zh
Inventor
张化光
刘鑫蕊
孙秋野
孟腾龙
杨珺
王智良
黄博南
李云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201511022616.XA priority Critical patent/CN105678404B/zh
Publication of CN105678404A publication Critical patent/CN105678404A/zh
Application granted granted Critical
Publication of CN105678404B publication Critical patent/CN105678404B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及基于网购电和动态关联因子的微电网负荷预测***及方法，该***包括网购电量模块、负荷特性分析模块、短期负荷预测模块和预测结果输出模块；微电网将电量初拟订单和参考电价推送至电能用户，用户对电量初拟订单进行修正，并将电量修正订单反馈给微电网，统计各类负荷用户的网购电统计值和历史负荷数据，确定微电网的负荷类型及其关联因子，建立RBF神经网络数学模型，采用基于输入数据和输出数据的减聚类K‑means优化算法获取RBF神经网络模型的初始网络参数，利用量子粒子群优化算法对初始网络参数进行优化，求取微电网各类负荷的最终预测值和总负荷的最终预测值，输出各类负荷的最终预测值和微电网总负荷的最终预测值。

Description

基于网购电和动态关联因子的微电网负荷预测***及方法
技术领域
本发明属于微电网负荷预测技术领域，具体涉及基于网购电和动态关联因子的微电网负荷预测***及方法。
背景技术
随着分布式电源在微电网中的渗透率越来越高、电动汽车的普及以及各种运行调度策略的应用(如利用实时电价来达到“削峰填谷”的目的；通过切负荷来保证良好的电能质量等)，促使负荷波动区间加大、对气象因素更加敏感、负荷的随机性和不确定性更为突出。微电网负荷在整个时间序列上表现的这种复杂性，造成短期负荷预测的难度加大，因此需要对微电网的短期负荷预测作进一步的研究。
微电网作为智能电网的重要组成部分，它的短期负荷预测要迎合智能电网的特性，即应对电网环境的变更具有更好的适应性，其体现在用户能够根据自身的用电需求并结合实时电价调整其电能消费模式，甚至可以实现与微电网互动供电。由此可知，实时电价已经成为影响微电网短期负荷预测的重要因素。近年来已有不少人提出了实时电价条件下的短期负荷预测方法，虽然预测精度有所提高，但是针对短时急剧变化的负荷或者历史数据较少的假期负荷仍不能做出很好地预测。
目前，微电网短期负荷预测方法的不足之处在于：一是未能充分利用微电网与电能用户之间的交互性，即微电网单向地从用户那里获得历史负荷数据，而没有考虑用户可以向微电网反馈自身的未来用电信息；二是影响负荷特性的因子往往固定不变，即随着时间的推移和微电网内部环境的变化，影响负荷特性的因子也往往会发生改变，同时对于类型不同的负荷，它们的影响因子也往往不同，若预测模型不能够准确地提取影响因子就会导致预测精度的降低；三是针对基于QPSO-RBF神经网络预测方法，该数学模型仅仅依靠输入信息往往不能够准确地确定隐含层节点数，而且粒子个体随机初始化会导致收敛速度较慢。
发明内容
针对现有技术的不足，本发明提出基于网购电和动态关联因子的微电网负荷预测***及方法。
基于网购电和动态关联因子的微电网负荷预测***，包括网购电量模块、负荷特性分析模块、短期负荷预测模块和预测结果输出模块；
所述网购电量模块，用于通过微电网与电能用户进行通信，建立用户的基本信息和电能信息，根据通过微电网获取的负荷信息和负荷影响因子信息，对各类负荷进行统计，得到历史负荷数据，同时为用户提供电量初拟订单，通过与用户通信，将电量初拟订单和参考电价提供给用户，并将用户反馈的电量修正订单进行统计，得到网购电统计值，建立奖励激励函数，对用户电量修正订单和其对应的实际用电负荷进行评价，确定实际电费，并存储用户的基本信息、电能信息和负荷影响因子信息；
所述负荷特性分析模块，用于确定微电网中负荷类型和其对应的影响因子，并采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度，从而确定各类负荷的关联因子；
所述短期负荷预测模块，用于建立基于改进的QPSO-RBF神经网络预测模型，并利用历史负荷数据及对应的关联因子对该模型进行训练，确定最优的RBF神经网络模型网络参数，并对各类负荷分别进行预测，得到各类负荷的最终预测值以及微电网总负荷的最终预测值；
所述预测结果输出模块，用于输出各类负荷的最终预测值和微电网总负荷的最终预测值，绘制负荷预测曲线，并计算出各类负荷的最终预测值和实际负荷的预测误差。
所述网购电量模块，包括电能账户创建单元、初拟订单推送单元、参考电价调节单元、在线数据库单元、负荷数据统计单元和电量订单评价单元；
所述电能账户创建单元，用于通过微电网与电能用户进行通信，建立用户基本信息和电能信息；
所述电能信息包括：微电网当前参考电价ct、电量初拟订单A′i、电量修正订单Ai、历史负荷数据Hj、基准电费basei、基于均值的奖励r(μi)、基于方差的奖励r(σi 2)、基于相关系数的奖励r(ρi)和实际电费costi，其中，i为用户的个数，j为负荷的类数；
所述初拟订单推送单元，用于根据通过微电网获取的负荷信息，将用户上一个周期实际用电负荷作为该用户本周期初拟使用电量消费订单，得到电量初拟订单A′i，并将该电量初拟订单A′i提供给用户；
所述参考电价调节单元，用于通过与用户通信，将微电网当前参考电价ct和电量初拟订单A′i提供给用户进行修正，得到用户反馈的电量修正订单Ai；
所述在线数据库单元，用于存储用户基本信息、电能信息和负荷影响因子信息；
所述负荷影响因子信息包括：日期类型、天气状况、气温、相对湿度和风速；
所述负荷数据统计单元，用于根据用户反馈的电量修正订单Ai统计一个周期内各类负荷用户的网购电统计值Oj，根据微电网获取的负荷信息，统计一个周期内各类负荷的历史负荷数据Hj；
所述电量订单评价单元，用于通过建立基于均值、基于方差、基于相关系数的奖励激励函数，根据用户电量修正订单和其对应实际用电负荷，计算得到基于均值的奖励r(μi)、基于方差的奖励r(σi 2)和基于相关系数的奖励r(ρi)，并根据基准电费basei计算用户的实际电费costi。
所述负荷特性分析模块，包括负荷类型确定单元、负荷影响因子确定单元和负荷特性分析单元；
所述负荷类型确定单元，用于根据实际微电网状况确定其所包括的负荷类型，所述负荷类型包括第一产业负荷、第二产业负荷、第三产业负荷和居民生活负荷；
所述负荷影响因子确定单元，用于根据实际微电网状况确定其所包括的负荷类型对应的影响因子，并对各负荷的影响因子和历史负荷数据进行归一化处理；
所述负荷特性分析单元，用于采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度，设定关联度阈值，将大于关联度阈值的关联度对应的影响因子作为该类负荷的关联因子，从而确定各类负荷的关联因子。
所述短期负荷预测模块，包括RBF神经网络模型建立单元和短期负荷预测单元；
所述RBF神经网络模型建立单元，用于针对各类负荷，建立多维输入单维输出的RBF神经网络模型，将历史负荷数据及对应的关联因子作为该模型的输入数据，该模型的输出数据为下一个周期内的预测负荷数据，采用基于输入数据和输出数据的减聚类K-means优化算法获取RBF神经网络模型的初始网络参数，将RBF神经网络模型的初始网络参数作为粒子利用量子粒子群优化算法对RBF神经网络模型的初始网络参数进行优化，得到最优的RBF神经网络模型网络参数，所述RBF神经网络模型网络参数包括：聚类中心cq、扩展常数σq、隐含层到输出层的权值ωq和阈值b；
所述短期负荷预测单元，用于将各类历史负荷数据和最优的RBF神经网络模型网络参数映射到RBF神经网络模型中，得到各类负荷的预测值，设定加权函数，将各类负荷的预测值通过加权函数计算得到该类负荷的最终预测值，并计算出微电网总负荷的最终预测值；
所述加权函数为：
Actual′j，t＝α×O′j，t+(1-α)×M′j，t，Forecastj，t＝αβ×Oj，t+(1-αβ)×Mj，t；
其中，α和β为权重值，O′j，t为上一个周期第j类负荷在t时刻网购电统计值，Oj，t为当前周期内第j类负荷在t时刻网购电统计值，M″j，t为上一个周期第j类负荷在t时刻的预测值，Mj，t为当前周期内第j类负荷在t时刻的预测值，Actual′j，t为上一个周期第j类负荷在t时刻的实际负荷值，Forecastj，t为当前周期内第j类负荷在t时刻的最终预测值。
基于网购电和动态关联因子的微电网负荷预测方法，包括以下步骤：
步骤1：根据通过微电网获取的负荷信息，将用户上一个周期实际用电负荷作为该用户本周期电量初拟订单A′i，并将该电量初拟订单A′i和当前参考电价ct提供给用户；
步骤2：用户根据当前参考电价ct和自身用电情况对电量初拟订单A′i进行修正，并将电量修正订单Ai反馈给微电网；
步骤3：根据用户反馈的电量修正订单Ai统计一个周期内各类负荷用户的网购电统计值Oj，根据微电网获取的负荷信息，统计一个周期内各类负荷的历史负荷数据Hj；
步骤4：确定微电网中负荷类型和其对应的影响因子，并采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度，从而确定各类负荷的关联因子；
步骤4.1：根据实际微电网状况确定其所包括的负荷类型；
步骤4.2：根据实际微电网状况确定其所包括的负荷类型对应的影响因子，并对各负荷的影响因子和历史负荷数据进行归一化处理；
步骤4.3：采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度；
步骤4.4：设定关联度阈值，将大于关联度阈值的关联度对应的影响因子作为该类负荷的关联因子，确定各类负荷的关联因子；
步骤5：针对各类负荷，建立多维输入单维输出的RBF神经网络模型，将历史负荷数据及对应的关联因子作为该模型的输入数据，该模型的输出数据为下一个周期内的预测负荷数据；
步骤6：采用基于输入数据和输出数据的减聚类K-means优化算法获取RBF神经网络模型的初始网络参数；
步骤6.1：历史负荷数据及对应的关联因子作为RBF神经网络模型的输入数据集合θ＝{x1，x2，…，xP}，令备选聚类中心的个数p＝0和聚类中心的个数q＝0，P为输入数据集合中样本数据个数，且p≤P；
步骤6.2：计算输入数据集合θ中样本数据xf的密度值Df；
所述密度值Df的公式为：
其中，||xf-xg||为输入数据集合θ中样本数据xg与样本数据xf之间的欧式距离；
步骤6.3：令p＝p+1，将输入数据集合θ中密度值最大的样本数据作为备选聚类中心cp，并删除该样本数据，得到新的输入数据集合θ′，令θ＝θ′；
步骤6.4：判断是否p＞1，若是，执行步骤6.5，否则，执行步骤6.6；
步骤6.5：设定距离阈值DistLimit，计算备选聚类中心cp与聚类中心集合Center中的各聚类中心的欧式距离，若该欧式距离大于设定的距离阈值DistLimit，则执行步骤6.6，否则，返回步骤6.2；
步骤6.6：令q＝q+1，令聚类中心c′q＝cp，将聚类中心c′q归入到聚类中心集合Center；
步骤6.7：利用K-means均值聚类方法更新聚类中心，得到更新的聚类中心cq，并计算扩展常数σq；
步骤6.8：采用最小二乘法求解隐含层到输出层之间的权值ωq和阈值b；
步骤6.9：将聚类中心cq、扩展常数σq、隐含层到输出层的权值ωq和阈值b输入RBF神经网络模型，得到模型输出值y′p，并计算模型输出值y′p与实际用电负荷yp的误差平方和E；
步骤6.10：设定目标误差ELimit，判断p＜P且E＞ELimit是否成立，若是，返回步骤6.2，否则，得到RBF神经网络模型的初始网络参数。
步骤7：将RBF神经网络模型的初始网络参数作为粒子利用量子粒子群优化算法对RBF神经网络模型的初始网络参数进行优化，得到最优的RBF神经网络模型网络参数；
步骤8：将各类历史负荷数据和最优的RBF神经网络模型网络参数映射到RBF神经网络模型中，得到各类负荷的预测值，设定加权函数，将各类负荷的预测值通过加权函数计算得到该类负荷的最终预测值，并计算出微电网总负荷的最终预测值；
步骤9：输出各类负荷的最终预测值和微电网总负荷的最终预测值，绘制负荷预测曲线，并计算出各类负荷的最终预测值和实际负荷的预测误差。
本发明的有益效果是：
本发明提出基于网购电和动态关联因子的微电网负荷预测***及方法，该***网购电量模块获取的网购电统计值可以决定未来负荷曲线的变化趋势，从而克服了异常或特殊时间负荷分量的历史数据匮乏的缺点和新型负荷分量(如电动汽车)的强随机性，也考虑到了运行调度策略(尤其是实时电价)对负荷的影响，因此，将网购电统计值应用到微电网的短期负荷预测中可以提高预测精度。
利用负荷特性分析模块确定各类负荷的关联因子，它能够根据微电网内部环境和时间的变化以及负荷类型的不同准确地提取相应的关联因子，从而减小微电网所有负荷均采用相同影响因子所产生的的预测误差。
利用短期负荷预测模块预测负荷值，此模块所提出的利用基于输入输出数据的减聚类K-means优化算法可以准确地确定隐含层节点数和初始网络参数，并将初始网络参数编码为量子粒子群中的一个粒子，从而减小粒子个体随机初始化导致收敛速度慢的缺点。
综上所述，本发明提出的基于网购电和动态关联因子的微电网负荷预测***及方法，针对目前微电网短期负荷预测的不足做了进一步的改进，它能够较好地适应微电网负荷的变化，从而提高短期负荷预测的精度和速度，为微电网的安全调度和经济运行提供重要依据。
附图说明
图1为本发明具体实施方式中基于网购电和动态关联因子的微电网负荷预测***的结构框图；
图2为本发明具体实施方式中网购电量模块各个单元的结构示意图；
图3为本发明具体实施方式中基于网购电和动态关联因子的微电网负荷预测方法的流程图；
图4为本发明具体实施方式中采用灰色关联度法确定各类负荷的关联因子的流程图；
图5为本发明具体实施方式中基于输入数据和输出数据的减聚类K-means优化算法获取RBF神经网络模型的初始网络参数的流程图；
图6为本发明具体实施方式中采用QPSO-RBF神经网络模型方法得到的12个时刻的负荷预测值和误差示意图；
图7为本发明具体实施方式中本发明方法得到的12个时刻的负荷预测值和误差示意图。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
基于网购电和动态关联因子的微电网负荷预测***，如图1所示，包括网购电量模块、负荷特性分析模块、短期负荷预测模块和预测结果输出模块。
本实施方式中，网购电量模块是建立一个电能用户与微电网之间的互动机制，用于通过微电网与电能用户进行通信，建立用户的基本信息和电能信息，根据通过微电网获取的负荷信息和负荷影响因子信息，对各类负荷进行统计，得到历史负荷数据，同时为用户提供电量初拟订单，通过与用户通信，将电量初拟订单和参考电价提供给用户，并将用户反馈的电量修正订单进行统计，得到网购电统计值，建立奖励激励函数，对用户电量修正订单和其对应的实际用电负荷进行评价，确定实际电费，并存储用户的基本信息、电能信息和负荷影响因子信息。
网购电量模块各个单元的结构示意图，如图2所示，包括电能账户创建单元、初拟订单推送单元、参考电价调节单元、在线数据库单元、负荷数据统计单元和电量订单评价单元。
电能账户创建单元，用于通过微电网与电能用户进行通信，建立用户基本信息和电能信息。
用户基本信息包括：用户名称、联系方式、用户地址、用电设备和负荷所属类型。
电能信息包括：微电网当前参考电价ct、电量初拟订单A′i、电量修正订单Ai、历史负荷数据Hj、基准电费basei、基于均值的奖励r(μi)、基于方差的奖励r(σi 2)、基于相关系数的奖励r(ρi)和实际电费costi，其中，i为用户的个数，j为负荷的类数。
初拟订单推送单元，用于根据通过微电网获取的负荷信息，将用户上一个周期实际用电负荷作为该用户本周期初拟使用电量消费订单，得到电量初拟订单A′i，并将该电量初拟订单A′i提供给用户。
本实施方式中，电量初拟订单A′i如式(1)所示：
A′i＝{a′i，0，a′i，1，…，a′i，t，…，a′i，T} (1)
其中，a′i，t为第i个用户在第t时刻的电量订单数据，i＝1，2，…，N为用户的编号，t＝0，1，…，T为时刻编号，本实施方式中，周期T为24h。
参考电价调节单元，用于通过与用户通信，将微电网当前参考电价ct和电量初拟订单A′i提供给用户进行修正，得到用户反馈的电量修正订单Ai。
本实施方式中，将参考电价ct推送至用户端来建立一个微电网与电能用户之间的反馈机制，即利用电价杠杆调节微电网负荷变化趋势，当满足运行调度的要求时，微电网不再对当前参考电价ct做出调整，电能用户也不可以对电量订单进行修改，从而得到最终的电量修正订单Ai如式(2)所示：
Ai＝{ai，0，ai，1，…，ai，t，…，ai，T} (2)
其中，ai，t为第i个用户在第t时刻的电量修正订单数据。
在线数据库单元，用于存储用户基本信息、电能信息和负荷影响因子信息。
负荷影响因子信息包括：日期类型、天气状况、气温、相对湿度和风速。
负荷数据统计单元，用于根据用户反馈的电量修正订单Ai统计一个周期内各类负荷用户的网购电统计值Oj，根据微电网获取的负荷信息，统计一个周期内各类负荷的历史负荷数据Hj。
本实施方式中，第j类负荷用户的网购电统计值O′j如式(3)所示：
Oj＝{Oj，0，Oj，1，…，Oj，t，…，Oj，T} (3)
其中，为第j类负荷在第t时刻的网购电统计值，ak，t为负荷类型为第j类负荷的第k个用户在第t时刻的电量修正订单数据，k＝1，2，…，Nj是负荷类型为第j类负荷用户的编号，且
第j类负荷的历史负荷数据Hj如式(4)所示：
Hj＝{Hj，0，Hj，1，…，Hj，t，…，Hj，T} (4)
其中，为第j类负荷在第t时刻的历史负荷数据，bk，t为负荷类型为第j类负荷的第k个用户在第t时刻的实际用电数据。
电量订单评价单元，用于通过建立基于均值、基于方差、基于相关系数的奖励激励函数，根据用户电量修正订单和其对应实际用电负荷，计算得到基于均值的奖励r(μi)、基于方差的奖励r(σi 2)和基于相关系数的奖励r(ρi)，并根据基准电费basei计算用户的实际电费costi。
本实施方式中，分别建立基于均值μ、基于方差σ2及基于相关系数ρ的指标来评价电量订单的质量，实际用电负荷曲线与电量修正订单数据曲线之间的相似度越高，则电量订单的质量越好，在此基础上建立奖励激励函数，从而保证用户能够尽量按照电量修正订单来消费电能。
基于均值的奖励激励函数如式(5)所示：
其中，r(μi)为第i个用户的基于均值的奖励，φ1为调节系数，设定为当天基准电费的10％，和为调节系数，均设置为50，为第i个用户的电量修正订单数据的均值，为第i个用户的实际用电负荷的均值。
基于方差的奖励激励函数如式(6)所示：
其中，r(σi 2)为第i个用户的基于方差的奖励，φ2为调节系数，设定为当天基准电费的10％，和为调节系数，均设置为50，为第i个用户的电量修正订单数据的方差，为第i个用户的实际用电负荷的方差。
基于相关系数的奖励激励函数如式(7)所示：
其中，r(ρi)为第i个用户的基于相关系数的奖励，φ3为调节系数，设定为当天基准电费的10％，γ为调节系数，设置为10，为第i个用户的电量修正订单数据和实际用电负荷的相关系数。
根据基准电费basei计算用户的实际电费costi如式(8)所示：
costi＝basei-r(μi)-r(σ2 i)-r(ρi) (8)
其中，costi为第i个用户的实际电费，为第i个用户的基准电费，ct为t时刻的参考电价。计算电能用户的实际电费，通过奖励机制来保证用户能够尽量按照电量修正订单来消费电能。
本实施方式中，负荷特性分析模块，用于确定微电网中负荷类型和其对应的影响因子，并采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度，从而确定各类负荷的关联因子。
负荷特性分析模块，包括负荷类型确定单元、负荷影响因子确定单元和负荷特性分析单元。
负荷类型确定单元，用于根据实际微电网状况确定其所包括的负荷类型，所述负荷类型包括第一产业负荷、第二产业负荷、第三产业负荷和居民生活负荷。
负荷影响因子确定单元，用于根据实际微电网状况确定其所包括的负荷类型对应的影响因子，并对各负荷的影响因子和历史负荷数据进行归一化处理。
负荷特性分析单元，用于采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度，设定关联度阈值，将大于关联度阈值的关联度对应的影响因子作为该类负荷的关联因子，从而确定各类负荷的关联因子。
本实施方式中，短期负荷预测模块，用于建立基于改进的QPSO-RBF神经网络预测模型，并利用历史负荷数据及对应的关联因子对该模型进行训练，确定最优的RBF神经网络模型网络参数，并对各类负荷分别进行预测，得到各类负荷的最终预测值以及微电网总负荷的最终预测值。
短期负荷预测模块，包括RBF神经网络模型建立单元和短期负荷预测单元。
RBF神经网络模型建立单元，用于针对各类负荷，建立多维输入单维输出的RBF神经网络模型，将历史负荷数据及对应的关联因子作为该模型的输入数据，该模型的输出数据为下一个周期内的预测负荷数据，采用基于输入数据和输出数据的减聚类K-means优化算法获取RBF神经网络模型的初始网络参数，将RBF神经网络模型的初始网络参数作为粒子利用量子粒子群优化算法对RBF神经网络模型的初始网络参数进行优化，得到最优的RBF神经网络模型网络参数，所述RBF神经网络模型网络参数包括：聚类中心cq、扩展常数σq、隐含层到输出层的权值ωq和阈值b。
短期负荷预测单元，用于将各类历史负荷数据和最优的RBF神经网络模型网络参数映射到RBF神经网络模型中，得到各类负荷的预测值，设定加权函数，将各类负荷的预测值通过加权函数计算得到该类负荷的最终预测值，并计算出微电网总负荷的最终预测值。
本实施方式中，预测结果输出模块，用于输出各类负荷的最终预测值和微电网总负荷的最终预测值，绘制负荷预测曲线，并计算出各类负荷的最终预测值和实际负荷的预测误差。
预测结果输出模块包括：预测结果输出单元、预测曲线制定单元和预测误差分析单元。
预测结果输出单元，用于输出各类负荷的最终预测值和微电网总负荷的最终预测值。
预测曲线制定单元，用于绘制负荷预测曲线。
预测误差分析单元，用于计算出各类负荷的最终预测值和实际负荷的预测误差。
基于网购电和动态关联因子的微电网负荷预测方法，如图3所示，包括以下步骤：
步骤1：根据通过微电网获取的负荷信息，将用户上一个周期实际用电负荷作为该用户本周期电量初拟订单A′i，并将该电量初拟订单A′i和当前参考电价ct提供给用户。
步骤2：用户根据当前参考电价ct和自身用电情况对电量初拟订单A′i进行修正，并将电量修正订单Ai反馈给微电网。
步骤3：根据用户反馈的电量修正订单Ai统计一个周期内各类负荷用户的网购电统计值Oj，根据微电网获取的负荷信息，统计一个周期内各类负荷的历史负荷数据Hj。
步骤4：确定微电网中负荷类型和其对应的影响因子，并采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度，从而确定各类负荷的关联因子，如图4所示。
步骤4.1：根据实际微电网状况确定其所包括的负荷类型。
本实施方式中，负荷类型包括第一产业负荷、第二产业负荷、第三产业负荷和居民生活负荷。
步骤4.2：根据实际微电网状况确定其所包括的负荷类型对应的影响因子，并对各负荷的影响因子和历史负荷数据进行归一化处理。
本实施方式中，负荷影响因子包括：日期类型、天气状况、气温、相对湿度和风速。
对日期类型进行归一化处理的公式如式(9)所示：
其中，yh为影响因子为日期类型的归一化值，为星期h的负荷加权均值，h＝1，2，3，4，5，6，7，xh，1为预测日前第1周在星期h的负荷值，xh，2为预测日前第2周在星期h的负荷值，xh，3为预测日前第3周在星期h的负荷值，xh，4为预测日前第4周在星期h的负荷值，为影响因子为日期类型的负荷加权值的最大值，为影响因子为日期类型的负荷加权均值的最小值。
对天气状况进行归一化处理的公式如式(10)所示：
其中，y′μ为影响因子为天气状况的归一化值，为天气类型为μ的负荷加权均值，μ＝1表示晴天，μ＝2表示多云，μ＝3表示阴天，μ＝4表示小雨，μ＝5表示中雨，μ＝6表示大雨，μ＝7表示雷雨，μ＝8表示小雪，μ＝9表示中雪，μ＝10表示大雪，x′μ，1为天气类型为μ且距离预测日最近的第1天的负荷值，x′μ，2为天气类型为μ且距离预测日最近的第2天的负荷值，x′μ，3为天气类型为μ且距离预测日最近的第3天的负荷值，x′μ，4为天气类型为μ且距离预测日最近的第4天的负荷值，为影响因子为天气状况的负荷加权值的最大值，为影响因子为天气状况的负荷加权均值的最小值。
对气温进行归一化处理的公式如式(11)所示：
其中，ytemp为影响因子为气温的归一化值，temp为气温。
根据气温、相对湿度和风速计算出人体舒适度指数，并对人体舒适度指数进行归一化处理的公式如式(12)所示：
式中，yssd为影响因子为人体舒适度指数的归一化值，temp为气温，℃，f为相对湿度，％，v′为风速，m/s，TN为基准气温，℃，其随地域不同而略有变化，可设TN＝32。
人体舒适度指数的归一化值，如表1所示：
表1人体舒适度指数的归一化值
历史负荷数据进行归一化处理如式(13)所示：
式中，为历史负荷数据的归一化值，zmin为历史负荷数据的最小值，zmax为历史负荷数据的最大值，z为历史负荷数据。
步骤4.3：采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度。
步骤4.3.1：确定分析矩阵：将第j类负荷历史数据作为参考序列X0，将n个影响因子构成比较序列Xl(l＝1，2，…，n)，则n+1个数据序列构成分析矩阵如式(14)所示：
其中，Xl＝(xl(1)，xl(2)，…xl(m))T，l＝0，1，2，…，n，对于日期类型、天气状况这两个影响因子构成的比较序列，即n＝2，且选取负荷预测前14天的日负荷数据作为参考序列，即m＝14，对于气温、人体舒适度指数构成的比较序列，即n＝2，且选取负荷预测前48小时的小时负荷数据作为参考序列，即m＝48。
步骤4.3.2：求解分析矩阵的对应的绝对差值矩阵：计算分析矩阵中参考序列X0与比较序列对应的绝对差值，形成绝对差值矩阵如式(15)所示：
其中，Δ0l(s)＝|x0(s)-xl(s)|，l＝1，2，…，n，s＝1，2，…，m。
步骤4.3.3：计算绝对差值矩阵中的关联系数，得到关联系数矩阵如式(16)所示：
其中，Δmax为最大绝对差值，即绝对差值矩阵中的最大值，Δmin为最小绝对差值，即绝对差值矩阵中的最小值，λ＝0.5为分辨系数。
步骤4.3.4：利用关联系数矩阵计算各个影响因子与其对应的负荷的关联度，如式(17)所示：
其中，r0l为影响因子l与其对应的负荷的关联度。
步骤4.4：设定关联度阈值，将大于关联度阈值的关联度对应的影响因子作为该类负荷的关联因子，确定各类负荷的关联因子。
本实施方式中，设定关联度阈值rLimit为0.5。
步骤5：针对各类负荷，建立多维输入单维输出的RBF神经网络模型，将历史负荷数据及对应的关联因子作为该模型的输入数据，该模型的输出数据为下一个周期内的预测负荷数据。
本实施方式中，对历史负荷数据及对应的关联因子进行归一化处理，后作为该模型的输入数据。
步骤6：采用基于输入数据和输出数据的减聚类K-means优化算法获取RBF神经网络模型的初始网络参数，如图5所示。
步骤6.1：历史负荷数据及对应的关联因子作为RBF神经网络模型的输入数据集合θ＝{x1，x2，…，xP}，令备选聚类中心的个数p＝0和聚类中心的个数q＝0，P为输入数据集合中样本数据个数，且p≤P。
步骤6.2：计算输入数据集合θ中样本数据xf的密度值Df。
密度值Df的公式如式(18)所示：
其中，||xf-xg||为输入数据集合θ中样本数据xg与样本数据xf之间的欧式距离。
步骤6.3：令p＝p+1，将输入数据集合θ中密度值最大的样本数据作为备选聚类中心cp，并删除该样本数据，得到新的输入数据集合θ′，令θ＝θ′。
步骤6.4：判断是否p＞1，若是，执行步骤6.5，否则，执行步骤6.6。
步骤6.5：设定距离阈值DistLimit，计算备选聚类中心cp与聚类中心集合Center中的各聚类中心的欧式距离，若该欧式距离大于设定的距离阈值DistLimit，则执行步骤6.6，否则，返回步骤6.2。
本实施方式中，设定的距离阈值DistLimit为0.01。
步骤6.6：令q＝q+1，令聚类中心c′q＝cp，将聚类中心c′q归入到聚类中心集合Center。
步骤6.7：利用K-means均值聚类方法更新聚类中心，得到更新的聚类中心cq，并计算扩展常数σq。
步骤6.7.1：将输入数据集合θ按照最邻近规则分组：计算样本数据xp与聚类中心c′q的欧式距离||xp-c′q||，其中p＝1，2，…，P，q＝1，2，…，Q，将xp分配到其对应欧式距离最小的聚类中心，得到各个聚类集合
步骤6.7.2：重新调整聚类中心：计算各个聚类集合中样本数据的平均值，作为更新的聚类中心cq，若更新的聚类中心cq与聚类中心c′q相等，则将更新的聚类中心cq作为RBF神经网络模型的聚类中心，执行步骤6.7.3，否则，令c′q＝cq，返回步骤6.7.1。
步骤6.7.3：求解各个隐节点的扩展常数σq：计算更新的聚类中心cq间的距离，得到距离矩阵，将距离矩阵非对角线上的最小距离作为扩展常数σq。
步骤6.8：采用最小二乘法求解隐含层到输出层之间的权值ωq和阈值b。
步骤6.9：将聚类中心cq、扩展常数σq、隐含层到输出层的权值ωq和阈值b输入RBF神经网络模型，得到模型输出值y′p，并计算模型输出值y′p与实际用电负荷yp的误差平方和E。
RBF神经网络模型公式如式(19)所示：
误差平方和E如式(20)所示：
步骤6.10：设定目标误差ELimit，判断p＜P且E＞ELimit是否成立，若是，返回步骤6.2，否则，得到RBF神经网络模型的初始网络参数。
本实施方式中，目标误差ELimit为0.0001。
步骤7：将RBF神经网络模型的初始网络参数作为粒子利用量子粒子群优化算法对RBF神经网络模型的初始网络参数进行优化，得到最优的RBF神经网络模型网络参数。
步骤7.1：将初始网络参数作为种群中的一个粒子，并根据此粒子确定粒子的维数D。
步骤7.2：确定种群规模V和最大迭代次数U，令u＝1，并对其它U-1个粒子种群、个体最优位置Pbest(u)和全局最优位置Gbest(u)进行随机初始化。
步骤7.3：计算当前每个粒子的适应度，即粒子个体作为网络参数映射到RBF神经网络模型中，计算模型输出值与实际值之间的均方误差和E。
步骤7.4：根据粒子的适应度更新个体最优位置Pbest(u)及全局最优位置Gbest(u).
步骤7.5：更新每个粒子位置，生成新的粒子种群，如式(21)所示：
position(u+1)＝p(u)±Expand×|mbest-position(u)|×知(1/χ) (21)
其中，p(u)＝η×Pbest(u)+(1-η)×Gbest(u)， η、χ为(0，1)的随机数，Expand为扩张收缩系数，在收敛过程的中线性减小。
步骤8：将各类历史负荷数据和最优的RBF神经网络模型网络参数映射到RBF神经网络模型中，得到各类负荷的预测值，设定加权函数，将各类负荷的预测值通过加权函数计算得到该类负荷的最终预测值，并计算出微电网总负荷的最终预测值。
本实施方式中，将各类历史负荷数据和最优的RBF神经网络模型网络参数映射到RBF神经网络模型中，得到各类负荷的模型输出值，对各类负荷的模型输出值进行反归一化处理得到各类负荷的预测值，反归一化处理的公式如式(22)所示：
式中，forecast为负荷预测值，为模型输出值，zmin为样本数据最小值，zmax为样本数据最大值。
本实施方式中，加权函数如式(23)和式(24)所示：
Actual′j，t＝α×O′j，t+(1-α)×M′j，t (23)
Forecastj，t＝αβ×Oj，t+(1-αβ)×Mj，t (24)
其中，α∈(0，1)和β∈(0，1]为权重值，一般情况下，非法定节假日则设定β＝1，但当预测日为重大节假期时，模型预测值往往具有较大的误差，而网购电统计值应具有更高的可信度，故可令β＞1且0＜αβ＜1。O′j，t为上一个周期第j类负荷在t时刻网购电统计值，Oj，t为当前周期内第j类负荷在t时刻网购电统计值，M′j，t为上一个周期第j类负荷在t时刻的预测值，Mj，t为当前周期内第j类负荷在t时刻的预测值，Actual′j，t为上一个周期第j类负荷在t时刻的实际负荷值，Forecastj，t为当前周期内第j类负荷在t时刻的最终预测值。
微电网总负荷的最终预测值如式(25)所示：
其中，Forecastt为第t时刻的微电网总负荷的最终预测值。
步骤9：输出各类负荷的最终预测值和微电网总负荷的最终预测值，绘制负荷预测曲线，并计算出各类负荷的最终预测值和实际负荷的预测误差。
由QPSO-RBF神经网络模型方法得到的12个时刻的负荷预测值和误差如图6所示，本发明方法得到的12个时刻的负荷预测值和误差如图7所示，其对12个时刻的预测值和误差如表2所示：
表2 QPSO-RBF神经网络模型方法和本发明方法得到的12个时刻的负荷预测值和误差
表2中可知，负荷预测值1和误差1是基于QPSO-RBF神经网络的负荷预测值和误差值，误差超过3％的时刻有4个，负荷预测值2和误差值2是本发明方法的负荷预测值和误差值，误差超过3％的时刻仅有一个。

Claims (5)

1.基于网购电和动态关联因子的微电网负荷预测***，其特征在于，包括网购电量模块、负荷特性分析模块、短期负荷预测模块和预测结果输出模块；
所述网购电量模块，用于通过微电网与电能用户进行通信，建立用户的基本信息和电能信息，根据通过微电网获取的负荷信息和负荷影响因子信息，对各类负荷进行统计，得到历史负荷数据，同时为用户提供电量初拟订单，通过与用户通信，将电量初拟订单和参考电价提供给用户，并将用户反馈的电量修正订单进行统计，得到网购电统计值，建立奖励激励函数，对用户电量修正订单和其对应的实际用电负荷进行评价，确定实际电费，并存储用户的基本信息、电能信息和负荷影响因子信息；
所述负荷特性分析模块，用于确定微电网中负荷类型和其对应的影响因子，并采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度，从而确定各类负荷的关联因子；
所述短期负荷预测模块，用于建立基于改进的QPSO-RBF神经网络预测模型，并利用历史负荷数据及对应的关联因子对该模型进行训练，确定最优的RBF神经网络模型网络参数，并对各类负荷分别进行预测，得到各类负荷的最终预测值以及微电网总负荷的最终预测值；
所述预测结果输出模块，用于输出各类负荷的最终预测值和微电网总负荷的最终预测值，绘制负荷预测曲线，并计算出各类负荷的最终预测值和实际负荷的预测误差；
所述短期负荷预测模块，包括RBF神经网络模型建立单元和短期负荷预测单元；
所述RBF神经网络模型建立单元，用于针对各类负荷，建立多维输入单维输出的RBF神经网络模型，将历史负荷数据及对应的关联因子作为该模型的输入数据，该模型的输出数据为下一个周期内的预测负荷数据，采用基于输入数据和输出数据的减聚类K-means优化算法获取RBF神经网络模型的初始网络参数，将RBF神经网络模型的初始网络参数作为粒子利用量子粒子群优化算法对RBF神经网络模型的初始网络参数进行优化，得到最优的RBF神经网络模型网络参数，所述RBF神经网络模型网络参数包括：聚类中心cq、扩展常数σq、隐含层到输出层的权值ωq和阈值b；
所述短期负荷预测单元，用于将各类历史负荷数据和最优的RBF神经网络模型网络参数映射到RBF神经网络模型中，得到各类负荷的预测值，设定加权函数，将各类负荷的预测值通过加权函数计算得到该类负荷的最终预测值，并计算出微电网总负荷的最终预测值；
所述加权函数为：
Actual′j，t＝α×O′j，t+(1-α)×M′j，t，Forecastj，t＝αβ×Oj，t+(1-αβ)×Mj，t；
其中，α和β为权重值，O′j，t为上一个周期第j类负荷在t时刻网购电统计值，Oj，t为当前周期内第j类负荷在t时刻网购电统计值，M′j，t为上一个周期第j类负荷在t时刻的预测值，Mj，t为当前周期内第j类负荷在t时刻的预测值，Actual′j，t为上一个周期第j类负荷在t时刻的实际负荷值，Forecastj，t为当前周期内第j类负荷在t时刻的最终预测值。
2.根据权利要求1所述基于网购电和动态关联因子的微电网负荷预测***，其特征在于，所述网购电量模块，包括电能账户创建单元、初拟订单推送单元、参考电价调节单元、在线数据库单元、负荷数据统计单元和电量订单评价单元；
所述电能账户创建单元，用于通过微电网与电能用户进行通信，建立用户基本信息和电能信息；
所述电能信息包括：微电网当前参考电价ct、电量初拟订单A′i、电量修正订单Ai、历史负荷数据Hj、基准电费basei、基于均值的奖励r(μi)、基于方差的奖励r(σi 2)、基于相关系数的奖励r(ρi)和实际电费costi，其中，i为用户的个数，j为负荷的类数；
所述初拟订单推送单元，用于根据通过微电网获取的负荷信息，将用户上一个周期实际用电负荷作为该用户本周期初拟使用电量消费订单，得到电量初拟订单A′i，并将该电量初拟订单A′i提供给用户；
所述参考电价调节单元，用于通过与用户通信，将微电网当前参考电价ct和电量初拟订单A′i提供给用户进行修正，得到用户反馈的电量修正订单Ai；
所述在线数据库单元，用于存储用户基本信息、电能信息和负荷影响因子信息；
所述负荷影响因子信息包括：日期类型、天气状况、气温、相对湿度和风速；
所述负荷数据统计单元，用于根据用户反馈的电量修正订单Ai统计一个周期内各类负荷用户的网购电统计值Oj，根据微电网获取的负荷信息，统计一个周期内各类负荷的历史负荷数据Hj；
所述电量订单评价单元，用于通过建立基于均值、基于方差、基于相关系数的奖励激励函数，根据用户电量修正订单和其对应实际用电负荷，计算得到基于均值的奖励r(μi)、基于方差的奖励r(σi 2)和基于相关系数的奖励r(ρi)，并根据基准电费basei计算用户的实际电费costi。
3.根据权利要求1所述基于网购电和动态关联因子的微电网负荷预测***，其特征在于，所述负荷特性分析模块，包括负荷类型确定单元、负荷影响因子确定单元和负荷特性分析单元；
所述负荷类型确定单元，用于根据实际微电网状况确定其所包括的负荷类型，所述负荷类型包括第一产业负荷、第二产业负荷、第三产业负荷和居民生活负荷；
所述负荷影响因子确定单元，用于根据实际微电网状况确定其所包括的负荷类型对应的影响因子，并对各负荷的影响因子和历史负荷数据进行归一化处理；
所述负荷特性分析单元，用于采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度，设定关联度阈值，将大于关联度阈值的关联度对应的影响因子作为该类负荷的关联因子，从而确定各类负荷的关联因子。
4.采用权利要求1至3任一所述的基于网购电和动态关联因子的微电网负荷预测***进行微电网负荷预测的方法，其特征在于，包括以下步骤：
步骤1：根据通过微电网获取的负荷信息，将用户上一个周期实际用电负荷作为该用户本周期电量初拟订单A′i，并将该电量初拟订单A′i和当前参考电价ct提供给用户；
步骤2：用户根据当前参考电价ct和自身用电情况对电量初拟订单A′i进行修正，并将电量修正订单Ai反馈给微电网；
步骤3：根据用户反馈的电量修正订单Ai统计一个周期内各类负荷用户的网购电统计值Oj，根据微电网获取的负荷信息，统计一个周期内各类负荷的历史负荷数据Hj；
步骤4：确定微电网中负荷类型和其对应的影响因子，并采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度，从而确定各类负荷的关联因子；
步骤4.1：根据实际微电网状况确定其所包括的负荷类型；
步骤4.2：根据实际微电网状况确定其所包括的负荷类型对应的影响因子，并对各负荷的影响因子和历史负荷数据进行归一化处理；
步骤4.3：采用灰色关联度法分别计算各影响因子与各类负荷之间的关联度；
步骤4.4：设定关联度阈值，将大于关联度阈值的关联度对应的影响因子作为该类负荷的关联因子，确定各类负荷的关联因子；
步骤5：针对各类负荷，建立多维输入单维输出的RBF神经网络模型，将历史负荷数据及对应的关联因子作为该模型的输入数据，该模型的输出数据为下一个周期内的预测负荷数据；
步骤6：采用基于输入数据和输出数据的减聚类K-means优化算法获取RBF神经网络模型的初始网络参数；
步骤7：将RBF神经网络模型的初始网络参数作为粒子利用量子粒子群优化算法对RBF神经网络模型的初始网络参数进行优化，得到最优的RBF神经网络模型网络参数；
步骤8：将各类历史负荷数据和最优的RBF神经网络模型网络参数映射到RBF神经网络模型中，得到各类负荷的预测值，设定加权函数，将各类负荷的预测值通过加权函数计算得到该类负荷的最终预测值，并计算出微电网总负荷的最终预测值；
步骤9：输出各类负荷的最终预测值和微电网总负荷的最终预测值，绘制负荷预测曲线，并计算出各类负荷的最终预测值和实际负荷的预测误差。
5.根据权利要求4所述的基于网购电和动态关联因子的微电网负荷预测***进行微电网负荷预测的方法，其特征在于，所述步骤6包括以下步骤：
步骤6.1：历史负荷数据及对应的关联因子作为RBF神经网络模型的输入数据集合θ＝{x1，x2，…，xP}，令备选聚类中心的个数p＝0和聚类中心的个数q＝0，P为输入数据集合中样本数据个数，且p≤P；
步骤6.2：计算输入数据集合θ中样本数据xf的密度值Df；
所述密度值Df的公式为：
其中，||xf-xg||为输入数据集合θ中样本数据xg与样本数据xf之间的欧式距离；
步骤6.3：令p＝p+1，将输入数据集合θ中密度值最大的样本数据作为备选聚类中心cp，并删除该样本数据，得到新的输入数据集合θ′，令θ＝θ′；
步骤6.4：判断是否p＞1，若是，执行步骤6.5，否则，执行步骤6.6；
步骤6.5：设定距离阈值DistLimit，计算备选聚类中心cp与聚类中心集合Center中的各聚类中心的欧式距离，若该欧式距离大于设定的距离阈值DistLimit，则执行步骤6.6，否则，返回步骤6.2；
步骤6.6：令q＝q+1，令聚类中心c′q＝cp，将聚类中心c′q归入到聚类中心集合Center；
步骤6.7：利用K-means均值聚类方法更新聚类中心，得到更新的聚类中心cq，并计算扩展常数σq；
步骤6.8：采用最小二乘法求解隐含层到输出层之间的权值ωq和阈值b；
步骤6.9：将聚类中心cq、扩展常数σq、隐含层到输出层的权值ωq和阈值b输入RBF神经网络模型，得到模型输出值y′p，并计算模型输出值y′p与实际用电负荷yp的误差平方和E；
步骤6.10：设定目标误差ELimit，判断p＜P且E＞ELimit是否成立，若是，返回步骤6.2，否则，得到RBF神经网络模型的初始网络参数。
CN201511022616.XA 2015-12-30 2015-12-30 基于网购电和动态关联因子的微电网负荷预测***及方法 Expired - Fee Related CN105678404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201511022616.XA CN105678404B (zh) 2015-12-30 2015-12-30 基于网购电和动态关联因子的微电网负荷预测***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201511022616.XA CN105678404B (zh) 2015-12-30 2015-12-30 基于网购电和动态关联因子的微电网负荷预测***及方法

Publications (2)

Publication Number Publication Date
CN105678404A CN105678404A (zh) 2016-06-15
CN105678404B true CN105678404B (zh) 2019-07-23

Family

ID=56189795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201511022616.XA Expired - Fee Related CN105678404B (zh) 2015-12-30 2015-12-30 基于网购电和动态关联因子的微电网负荷预测***及方法

Country Status (1)

Country Link
CN (1) CN105678404B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI650728B (zh) * 2016-10-26 2019-02-11 行政院原子能委員會核能硏究所 微電網多代理日前市場排程方法
CN106600059B (zh) * 2016-12-13 2020-07-24 北京邮电大学 基于改进rbf神经网络的智能电网短期负荷预测方法
CN106971238A (zh) * 2017-03-10 2017-07-21 东华大学 基于T‑S模糊Elman神经网络的短期电力负荷预测方法
CN109800898A (zh) * 2017-11-17 2019-05-24 中国电力科学研究院有限公司 一种智能短期负荷预测方法及***
CN108009684A (zh) * 2017-12-04 2018-05-08 上海电气集团股份有限公司 一种包含短期负荷预测的微电网并网状态能量管理方法
CN108053066A (zh) * 2017-12-12 2018-05-18 中国西电电气股份有限公司 工业生产用户能源管理***中可调电力负荷的预测方法
CN108090557B (zh) * 2017-12-22 2021-07-20 国网能源研究院有限公司 面向成本关联抗效益偏差神经网络的高效训练方法及装置
CN110619586B (zh) * 2018-06-19 2023-01-10 新智数字科技有限公司 一种基于量子粒子群算法的泛能站优化方法及装置
CN109739980A (zh) * 2018-12-11 2019-05-10 中科恒运股份有限公司 对情感分类器进行调优的方法、装置及终端
CN109474077B (zh) * 2018-12-29 2024-03-15 国网辽宁省电力有限公司电力科学研究院 智能型配电开关柜控制***及电负荷预测方法
CN110046787A (zh) * 2019-01-15 2019-07-23 重庆邮电大学 一种城市区域电动汽车充电需求时空预测方法
CN110175166B (zh) * 2019-04-18 2023-04-07 红云红河烟草(集团)有限责任公司 一种烟草卷包车间质量异常的确认方法
CN110297145B (zh) * 2019-07-29 2021-03-02 广东电网有限责任公司 一种基于多用户电能量数据深度分析的电压暂降检测方法
CN110489893B (zh) * 2019-08-23 2023-02-03 国网山东省电力公司莱芜供电公司 一种基于可变权值的母线负荷预测方法及***
CN110674993A (zh) * 2019-09-26 2020-01-10 广东电网有限责任公司 一种用户负荷短期预测方法和装置
CN111047191B (zh) * 2019-12-12 2022-04-29 广东电网有限责任公司 一种电力市场的中长期负荷预测方法和装置
CN111178613B (zh) * 2019-12-24 2022-12-27 贵州电网有限责任公司 一种用户用电行为综合预测方法及***
CN110994613B (zh) * 2019-12-25 2021-05-18 杭州众工电力科技有限公司 一种电厂负荷调度***及其调度方法
CN111461237A (zh) * 2020-04-03 2020-07-28 中国电子科技集团公司第三十研究所 一种基于QPSO优化K-Means的ABAC模型
CN112653306B (zh) * 2020-12-18 2022-08-23 重庆忽米网络科技有限公司 基于工业ai的电动机动平衡工艺优化方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408529A (zh) * 2014-11-21 2015-03-11 广东工业大学 电网短期负荷预测方法
CN104573857A (zh) * 2014-12-26 2015-04-29 国家电网公司 一种基于智能算法优化组合的电网负荷率预测方法
CN104881706A (zh) * 2014-12-31 2015-09-02 天津弘源慧能科技有限公司 一种基于大数据技术的电力***短期负荷预测方法
CN104951846A (zh) * 2015-06-02 2015-09-30 国电南京自动化股份有限公司 微电网短期功率和负荷预测***及误差分类动态修正方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8346401B2 (en) * 2009-07-17 2013-01-01 Gridpoint, Inc. Smart charging value and guarantee application

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408529A (zh) * 2014-11-21 2015-03-11 广东工业大学 电网短期负荷预测方法
CN104573857A (zh) * 2014-12-26 2015-04-29 国家电网公司 一种基于智能算法优化组合的电网负荷率预测方法
CN104881706A (zh) * 2014-12-31 2015-09-02 天津弘源慧能科技有限公司 一种基于大数据技术的电力***短期负荷预测方法
CN104951846A (zh) * 2015-06-02 2015-09-30 国电南京自动化股份有限公司 微电网短期功率和负荷预测***及误差分类动态修正方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于QPSO_RBF的电力***短期负荷预测;田书 等;《电力***保护与控制》;20080916;第6-9页
基于灰色关联-神经网络模型的城市电力负荷短期预测的研究与应用;文艳 等;《继电器》;20051001;第36-39页

Also Published As

Publication number Publication date
CN105678404A (zh) 2016-06-15

Similar Documents

Publication Publication Date Title
CN105678404B (zh) 基于网购电和动态关联因子的微电网负荷预测***及方法
CN111860979B (zh) 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法
CN108564192B (zh) 一种基于气象因子权重相似日的短期光伏功率预测方法
CN110909912B (zh) 基于自适应误差反馈的园区电力***净负荷组合预测方法
CN110705743A (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
KR20180060317A (ko) 심층 신경망 기반 수용가 전력 수요 예측 장치 및 방법
CN108805213B (zh) 计及小波熵降维的电力负荷曲线双层谱聚类方法
CN111626473A (zh) 一种考虑误差修正的两阶段光伏功率预测方法
CN111461921B (zh) 一种基于机器学习的负荷建模典型用户数据库更新方法
CN110796307A (zh) 一种综合能源***分布式负荷预测方法及***
CN113762387B (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
CN117272850B (zh) 配电网安全运行调度弹性空间分析方法
CN112418476A (zh) 一种超短期电力负荷预测方法
CN105678406A (zh) 一种基于云模型的短期负荷预测方法
CN115271253A (zh) 一种水风光发电功率预测模型构建方法、装置及存储介质
Wang et al. Big data analytics for price forecasting in smart grids
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN115238948A (zh) 小水电发电量预测方法及装置
CN104850612B (zh) 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法
Pan et al. Modeling optimization method based on Gamma test and NSGA II for forecast of PV power output
CN110163437A (zh) 基于DPK-means的日前光伏发电功率预测方法
CN109934394A (zh) 一种基于灰色和马尔科夫理论的需求侧响应预测方法
CN113191069B (zh) 基于双分支深度学习模型的空调负荷估算方法与***
He et al. Forecasting model of residential load based on general regression neural network and PSO-Bayes least squares support vector machine
CN113112085A (zh) 一种基于bp神经网络的新能源场站发电负荷预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190723

Termination date: 20211230