CN115409296A - 一种有源配电网净负荷概率预测方法 - Google Patents
一种有源配电网净负荷概率预测方法 Download PDFInfo
- Publication number
- CN115409296A CN115409296A CN202211362629.1A CN202211362629A CN115409296A CN 115409296 A CN115409296 A CN 115409296A CN 202211362629 A CN202211362629 A CN 202211362629A CN 115409296 A CN115409296 A CN 115409296A
- Authority
- CN
- China
- Prior art keywords
- time
- net load
- output
- data
- quantile
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000007637 random forest analysis Methods 0.000 claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000001537 neural effect Effects 0.000 claims abstract description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 16
- 230000001364 causal effect Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000002779 inactivation Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000916 dilatatory effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种有源配电网净负荷概率预测方法,步骤包括:S1,对收集的配网负荷、新能源出力时间序列数据集进行缺失值填补、异常值剔除后,配网负荷减去新能源出力的得到净负荷时间序列;S2,将净负荷时间序列转换为监督学习数据集,使用时间卷积神经网络提取得到净负荷时间序列的特征向量;S3,使用时间卷积神经网络提取得到特征向量为输入训练分位数随机森林模型,得到净负荷的概率预测结果。本发明利用时间卷积神经网络‑分位数随机森林模型进行有源配电网概率预测时,使用时间卷积神经网络深入挖掘了净负荷的时序变化特征,实现了历史净负荷数据的充分利用,帮助分位数随机森林模型更快速准确地进行净负荷概率预测。
Description
技术领域
本发明涉及电力负荷预测技术领域,具体涉及一种有源配电网净负荷概率预测方法。
背景技术
电力负荷预测是支持电力***安全稳定运行的重要技术手段,被广泛应用于调度计划、检修安排等领域。随着分布式可再生能源发电的快速发展,分布式可再生能源发电对配电网的影响越来越大,配电网开始从单一用电向有源化发展。因此原始的负荷预测问题被转换为原始负荷减去新能源出力的净负荷预测问题。以风电、光伏为代表的新能源出力相比电力***常规负荷波动性更大,这导致净负荷相比传统负荷的随机性也更大,提高了预测难度,因此如何实现叠加了风光等新能源出力的净负荷准确预测是一个关键且有挑战的任务。分位数随机森林(Quantile Random Forest, 分位数随机森林)能够便捷有效的实现净负荷概率预测,但它是基于分类回归树这一相对简单的基模型实现,如果要提升其概率预测性能,如何提升它深入挖掘净负荷时序变化特性的能力是一个关键,因此可以考虑使用时间卷积神经网络(Temporal Convolution Network, TCN)来实现帮助分位数随机森林模型提高概率预测性能。
发明内容
本发明的目的在于解决配电网净负荷概率预测问题和分位数随机森林模型对数据挖掘能力不够强的问题,提供了一种有源配电网净负荷概率预测方法。本发明首先通过将收集得到的配电网负荷、新能源出力时间序列进行缺失值填补、异常值提出,然后以配电网时间序列减去新能源出力时间序列得到净负荷时间序列,再使用时间卷积神经网络从原始净负荷时间序列提取得到更能表征净负荷时序变化特性的特征向量,并以该特征向量作为分位数随机森林模型的输入,实现了效果更好的配电网净负荷概率预测。
本发明的目的是通过以下技术方案来实现:一种有源配电网净负荷概率预测方法,包括步骤:
步骤一,对收集的配网负荷、新能源出力时间序列数据集进行缺失值填补、异常值剔除后,配网负荷减去新能源出力得到净负荷时间序列;
步骤二,将净负荷时间序列转换为监督学习数据集,使用时间卷积神经网络提取得到净负荷时间序列的特征向量;
步骤三,使用时间卷积神经网络提取得到的特征向量为输入训练分位数随机森林模型,得到净负荷的概率预测结果。
进一步地,所述步骤一中时间序列数据集进行缺失值填补的方法为:
判断缺失数据类型,如果是单点数据缺失,则使用缺失数据前一个时间点和缺失数据后一个时间点的数据平均值填补缺失数据;
如果连续多个时间点的数据值均为缺失,即某个时间段的数据值缺失,则使用整个时间序列数据集中相同时间段的数据值的平均值填补缺失时间段的数据值。
进一步地,所述步骤一中时间序列数据集进行异常值剔除的方法为:
为了剔除测量仪器故障、信号干扰等因素导致的负荷、新能源出力时间序列异常值,使用式(1)所示的数据变化率来检测异常值:
对于存在异常值的时间点,使用异常数据前一个时间点和缺失数据后一个时间点的数据平均值替代异常值。
进一步地,所述步骤二中净负荷时间序列转换为监督学习数据集的方法为:
配网负荷减去新能源出力得到净负荷时间序列后,以过去8个时间点的净负荷大小为输入,以当前时间点的净负荷大小为标签,得到用于时间卷积神经网络-分位数随机森林模型训练的监督学习数据集。
进一步地,所述步骤二中使用时间卷积神经网络提取得到净负荷时间序列的特征向量的方法为:
首先使用残差连接的扩张因果卷积网络构建时间卷积残差块,扩张因果卷积网络通过扩大因果卷积来扩大网络的感受野并提高计算效率,其计算方式为式(2):
式中,F(i)是输入序列第i个元素的卷积结果,k代表卷积核的大小;h(j)代表卷积
核中第j个参数的大小;d为扩张因子;代表输入序列第i-dj个元素, 输入序列即
x1,x2,x3,x4,x5,x6,x7,x8,x1,x2,x3,x4,x5,x6,x7,x8表示为过去8个时间点的净负荷大小;
每个时间卷积残差块由两个扩张因果卷积网络残差连接构成,即每个时间卷积残差块的最终输出由两条路径输出之和决定,如式3所示:
式中,o代表输出,Activation代表激活函数,F(Y)代表第一条输出路径,Y代表第二条输出路径;
第一条输出路径为经过第一个权重初始化后的扩张因果卷积网络,增加修正线性单元函数进行非线性变换,将非线性变换后的输出进行随机失活正则化,之后输入第二个扩张因果卷积神经网络,经过相同的非线性变换和正则化后输出;第二条输出路径为输入经过一维卷积层后直接输出;
构建三个相同的时间卷积残差块顺序连接,最后一个时间卷积残差块输出一个三
维的特征向量, 取时间卷积残差块输出的最后一个三维的特征向量,得到一个新的三维特
征向量,送入全连接神经网络后得到样本预测输出值:
然后以MSE损失函数训练整个神经网络模型
完成时间卷积神经网络训练后,将原始的净负荷时间序列输入时间卷积神经网络,提前得到特征向量,使得分位数随机森林模型提高概率预测性能。
进一步地,所述步骤三中使用时间卷积神经网络提取得到的特征向量为输入训练分位数随机森林模型的方法,分位数随机森林模型以分类回归树作为基模型,在满足设定的条件前,在叶子节点以外的所有节点递归,将当前样本集划分为两个子集;设D为样本子集,X、Y分别为输入和输出,分类回归树的构建过程为:
S1,构建一个分类回归树根节点,根节点包含整个样本子集;
S2,遍历输入整个样本子集特征,将整个样本子集特征的值从小到大排列,取排列后相邻两个值的平均值作为切分点n,按切分点n将整个样本子集的特征空间切分为式(6)和式(7)所示的子空间R1、子空间R2,定义为用c1、c2分别表示子空间R1输出Y的均值、子空间R2上输出Y的均值,最优的样本切分是使得两个子空间中每个样本的输出值与所有样本的平均值最小,通过求解式(8)来确定切分整个样本子集的最优特征和最优切分值:
S3,继续对子空间R1、子空间R2使用S1和S2,直到整棵分类回归树达到最大深度,整个样本子集中所有样本都分配到叶子节点;
每个样本子集都训练一棵分类回归树,所有的分类回归树组成训练好的分位数随机森林模型。
进一步地,步骤三中利用分位数随机森林模型得到净负荷的概率预测结果的方法,
给定过去一定时间段的历史净负荷,得出下一个时刻的净负荷α分位数预测结果,定义为:
对每棵分类回归树求解一个α分位数预测结果,对求得的α分位数预测结果取平均值;具体步骤为:
(1)完成分位数随机森林模型训练,记录落入每棵分类回归树每个叶子节点的所有样本平均值,且记录每个样本输出值,并按从大到小的顺序排列
其中,Y1代表第i个样本输出值,y1≤y2≤y3≤y4…≤yn,y1、y2、y3、y4、yn代表集合中各样本的输出值;
(2)以特征向量xi作为分类回归树的输入,经过切分点n的条件判断后,得到其落入的子空间,按式(9)计算子空间中所有样本输出值的α分位数;对每棵分类回归树都重复这一过程,若有k棵分类回归树,则对得到的k个α分位数取平均值,作为最终的α分位数预测值:
本发明的有益效果是:利用时间卷积神经网络-分位数随机森林模型进行有源配电网概率预测时,使用时间卷积神经网络深入挖掘了净负荷的时序变化特征,实现了历史净负荷数据的充分利用,帮助分位数随机森林模型更快速准确地进行净负荷概率预测。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提出的一种有源配电网净负荷概率预测方法的实现流程图。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的具体实施方式作进一步具体说明。
本发明是这样来工作和实施的,如图1所示,一种有源配电网净负荷概率预测方法,其特征是:包括步骤:
步骤一,对收集的配网负荷、新能源出力时间序列数据集进行缺失值填补、异常值剔除后,配网负荷减去新能源出力得到净负荷时间序列;
步骤二,将净负荷时间序列转换为监督学习数据集,使用时间卷积神经网络提取得到净负荷时间序列的特征向量;
步骤三,使用时间卷积神经网络提取得到的特征向量为输入训练分位数随机森林模型,得到净负荷的概率预测结果。
其中,对收集的配网负荷、新能源出力时间序列数据集进行缺失值填补、异常值剔除后,配网负荷减去新能源出力的得到净负荷时间序列,具体步骤包括:
1.1)判断缺失数据类型,如果是单点数据缺失,则使用缺失数据前一个时间点和缺失数据后一个时间点的数据平均值填补缺失数据;如果连续多个时间点的数据值均为缺失,即某个时间段的数据值缺失,则使用整个时间序列数据集中相同时间段的数据值的平均值填补缺失时间段的数据值。
1.2)为了剔除测量仪器故障、信号干扰等因素导致的负荷、新能源出力时间序列异常值,使用如公式(1)所示的数据变化率来检测异常值:
对于存在异常值的时间点,使用异常数据前一个时间点和缺失数据后一个时间点的数据平均值替代异常值。
其中,将净负荷时间序列转换为监督学习数据集,使用时间卷积神经网络提取得到净负荷时间序列的特征向量,具体步骤包括:
2.1)配网负荷减去新能源出力得到净负荷时间序列后,以过去8个时间点的净负荷大小为输入,以当前时间点的净负荷大小为标签,得到用于时间卷积神经网络-分位数随机森林模型训练的监督学习数据集。
2.2)使用时间卷积神经网络提取得到净负荷时间序列的特征向量。
2.2.1)首先使用残差连接的扩张因果卷积网络构建时间卷积残差块。扩张因果卷积网络通过扩大因果卷积来扩大网络的感受野并提高计算效率。其计算方式如式(2)所示:
式中,k代表卷积核的大小,F(i)是输入序列中第i个元素的卷积结果;h(j)代表卷
积核中第j个参数的大小;d为扩张因子;代表输入序列第i-dj个元素,输入序列即
x1,x2,x3,x4,x5,x6,x7,x8,x1,x2,x3,x4,x5,x6,x7,x8表示为过去8个时间点的净负荷大小,扩
张因果卷积能够使得输出尽可能多的关联到输入,且不需要过多的网络层数来达到非常大
的感受野。
2.2.2)每个时间卷积残差块由两个扩张因果卷积网络残差连接构成,即每个时间卷积残差块的最终输出由两条路径输出之和决定,如式(3)所示:
o代表输出,x代表输入,Activation代表激活函数,F(X)代表第一条输出路径,为经过两个相同的扩张因果卷积神经网络后输出,首先经过第一个权重初始化后的扩张因果卷积网络,并在其后增加修正线性单元函数进行非线性变换,最后将非线性变换后的输出进行随机失活正则化,降低模型过拟合的风险;随后又输入到第二个扩张因果卷积神经网络,经过相同的非线性变换和正则化后输出;Y代表第二条输出路径,另一条路径为输入经过一维卷积层后直接输出;通过残差连接,可以缓解深层神经网络存在的梯度消失和梯度***问题,避免在神经网络层数加深后出现退化现象。
2.2.3)构建三个相同的时间卷积残差块顺序连接,则最后一个时间卷积残差块输
出的是维度为[单次传递给神经网络的数据量, 输入净负荷时间序列的长度, 扩张因果卷
积神经网络隐藏层的个数]的特征向量,本发明使用时间卷积神经网络的目的是利用它将
原始的净负荷时间序列转换为更能表征净负荷时序变化特性的特征向量,来提升分位数随
机森林模型概率预测性能。因此取时间卷积残差块输出特征向量中最后一个,得到维度为
[单次传递给神经网络的数据量, 1, 扩张因果卷积神经网络隐藏层的个数]的特征向量,
送入全连接神经网络后得到样本预测输出值:
然后以MSE损失函数训练整个神经网络模型
完成时间卷积神经网络训练后,将原始的净负荷时间序列输入时间卷积神经网络,提前得到特征向量,以帮助分位数随机森林模型提高概率预测性能。
其中,使用时间卷积神经网络提取得到特征向量为输入训练分位数随机森林模型,得到净负荷的概率预测结果,具体步骤包括:
3.1)分位数随机森林模型是典型的引导聚集类集成学习模型,它通过有放回的抽样,构建多个样本子集,然后针对每个样本子集都训练一颗分类回归树,最后采用每棵分类回归树的预测结果的均值作为最终的预测值。
本发明中分位数随机森林模型以分类回归树作为基模型,它是一种递归构建二叉树的算法,在满足设定的条件前,在叶子节点以外的所有节点递归的将当前样本集划分为两个子集。设D为样本子集,X、Y分别为输入和输出,则分类回归树的构建过程为:
a.构建一个分类回归树根节点,节点包含整个样本子集;
b.遍历输入整个样本子集特征,对于特征m,将整个样本子集中所有样本特征m的值从小到大排列,取排列后相邻两个值的平均值作为切分点n,按切分点n将样本子集的特征空间分割为如式(6)和式(7)所示的子空间R1、子空间R2,定义为用c1、c2分别表示子空间R1上输出Y的均值、子空间R2上输出Y的均值,最优的样本分割是使得两个子空间中每个样本的输出值与所有样本的平均值最小,因此可以通过求解式(8)来确定分割样本子集的最优特征和最优切分值:
c.继续对子空间R1、子空间R2使用步骤a和步骤b,直到整棵分类回归树达到最大深度,样本子集中所有样本都分配到叶子节点。
针对每个样本子集都训练一棵分类回归树,最终所有的分类回归树组成训练好的分位数随机森林模型。
3.2)利用分位数随机森林模型得到净负荷的概率预测结果方法为:
概率预测的形式包括概率密度预测、区间预测和分位数预测,其中得到分位数预测的结果后可以推导出概率密度预测结果和区间预测结果,因此本发明专注于提供净负荷的分位数预测。给定过去一定时间段的历史净负荷,给出下一个时刻的净负荷α分位数预测结果的问题可定义为:
因此对每棵分类回归树都求解一个α分位数预测结果,再对求得的α分位数预测结果取平均值。具体步骤为:
a.完成分位数随机森林模型训练后,不仅记录落入每棵分类回归树每个叶子节点的所有样本平均值,还记录每个样本输出值,并按从大到小的顺序排列
其中,Yi代表第i个样本的输出值,y1≤y2≤y3≤y4…≤yn,y1、y2、y3、y4、yn代表集合中各样本的输出值;
b.以特征向量xi作为分类回归树的输入,经过切分点n的条件判断后,得到其落入的子空间,按式(9)计算子空间中所有样本输出值的α分位数。对每棵分类回归树都重复这一过程,若有k棵分类回归树,则对得到的k个α分位数取平均值,作为最终的α分位数预测值:
式中,k代表分类回归树的数量,代表预测的α分位数,Yij代表第i棵分类回
归树第j个叶子节点的样本集合,代表序列Yij中,刚好有α%的数小于它的那
个数,即序列Yi的α分位数α的取值范围设置在1%-99%,则推出待预测时间点净负荷1%-99%
的分位数预测值,由此得到了待预测时间点的概率预测结果。
综上,本发明首先通过将收集得到的配电网负荷、新能源出力时间序列进行缺失值填补、异常值提出,然后以配电网时间序列减去新能源出力时间序列得到净负荷时间序列,再使用时间卷积神经网络从原始净负荷时间序列提取得到更能表征净负荷时序变化特性的特征向量,并以该特征向量作为分位数随机森林模型的输入,实现了效果更好的配电网净负荷概率预测。
需要声明的是,上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白,还可以对本发明做各种修改、等同替换、变化等等。但是,这些变换只要未背离本发明的精神,都应在本发明的保护范围之内。另外,本发明说明书和权利要求书所使用的一些术语并不是限制,仅仅是为了便于描述。
Claims (7)
1.一种有源配电网净负荷概率预测方法,其特征是:包括步骤:
步骤一,对收集的配网负荷、新能源出力时间序列数据集进行缺失值填补、异常值剔除后,配网负荷减去新能源出力得到净负荷时间序列;
步骤二,将净负荷时间序列转换为监督学习数据集,使用时间卷积神经网络提取得到净负荷时间序列的特征向量;
步骤三,使用时间卷积神经网络提取得到的特征向量为输入训练分位数随机森林模型,得到净负荷的概率预测结果。
2.根据权利要求1所述一种有源配电网净负荷概率预测方法,其特征是:所述步骤一中时间序列数据集进行缺失值填补的方法为:
判断缺失数据类型,如果是单点数据缺失,则使用缺失数据前一个时间点和缺失数据后一个时间点的数据平均值填补缺失数据;
如果连续多个时间点的数据值均为缺失,即某个时间段的数据值缺失,则使用整个时间序列数据集中相同时间段的数据值的平均值填补缺失时间段的数据值。
4.根据权利要求1所述一种有源配电网净负荷概率预测方法,其特征是:所述步骤二中净负荷时间序列转换为监督学习数据集的方法为:
配网负荷减去新能源出力得到净负荷时间序列后,以过去8个时间点的净负荷大小为输入,以当前时间点的净负荷大小为标签,得到用于时间卷积神经网络-分位数随机森林模型训练的监督学习数据集。
5.根据权利要求1所述一种有源配电网净负荷概率预测方法,其特征是:所述步骤二中使用时间卷积神经网络提取得到净负荷时间序列的特征向量的方法为:
首先使用残差连接的扩张因果卷积网络构建时间卷积残差块,扩张因果卷积网络通过扩大因果卷积来扩大网络的感受野并提高计算效率,其计算方式为式(2):
式中,F(i)是输入序列第i个元素的卷积结果, k代表卷积核的大小;h(j)代表卷积核
中第j个参数的大小;d为扩张因子;代表输入序列第i-dj个元素,输入序列即x1,x2,
x3,x4,x5,x6,x7,x8,x1,x2,x3,x4,x5,x6,x7,x8表示为过去8个时间点的净负荷大小;
每个时间卷积残差块由两个扩张因果卷积网络残差连接构成,即每个时间卷积残差块的最终输出由两条路径输出之和决定,如式3所示:
式中,o代表输出,Activation代表激活函数,F(Y)代表第一条输出路径,Y代表第二条输出路径;
第一条输出路径为经过第一个权重初始化后的扩张因果卷积网络,增加修正线性单元函数进行非线性变换,将非线性变换后的输出进行随机失活正则化,之后输入第二个扩张因果卷积神经网络,经过相同的非线性变换和正则化后输出;第二条输出路径为输入经过一维卷积层后直接输出;
构建三个相同的时间卷积残差块顺序连接,最后一个时间卷积残差块输出一个三维的
特征向量,取时间卷积残差块输出的最后一个三维的特征向量,得到一个新的三维特征向
量,送入全连接神经网络后得到样本预测输出值:
然后以MSE损失函数训练整个神经网络模型
完成时间卷积神经网络训练后,将原始的净负荷时间序列输入时间卷积神经网络,提前得到特征向量,使得分位数随机森林模型提高概率预测性能。
6.根据权利要求5所述的一种有源配电网净负荷概率预测方法,其特征是,步骤三中使用时间卷积神经网络提取得到的特征向量为输入训练分位数随机森林模型,分位数随机森林模型以分类回归树作为基模型,在满足设定的条件前,在叶子节点以外的所有节点递归,将当前样本集划分为两个子集;设D为样本子集,X、Y分别为输入和输出,分类回归树的构建过程为:
S1,构建一个分类回归树根节点,根节点包含整个样本子集;
S2,遍历输入整个样本子集特征,将整个样本子集特征的值从小到大排列,取排列后相邻两个值的平均值作为切分点n,按切分点n将整个样本子集的特征空间分割为式(6)和式(7)所示的子空间R1、子空间R2,定义用c1、c2分别表示子空间R1上输出Y的均值、子空间R2上输出Y的均值,通过求解式(8)来确定分割整个样本子集的最优特征和最优切分值:
S3,继续对子空间R1、子空间R2使用S1和步骤S2,直到整棵分类回归树达到最大深度,整个样本子集中所有样本都分配到叶子节点;
每个样本子集都训练一棵分类回归树,所有的分类回归树组成训练好的分位数随机森林模型。
7.根据权利要求6所述的一种有源配电网净负荷概率预测方法,其特征是,步骤三中利用分位数随机森林模型得到净负荷的概率预测结果的方法,给定过去一定时间段的历史净负荷,得出下一个时刻的净负荷α分位数预测结果,定义为:
对每棵分类回归树求解一个α分位数预测结果,对求得的α分位数预测结果取平均值;具体步骤为:
T1,完成分位数随机森林模型训练,记录落入每棵分类回归树每个叶子节点的所有样本平均值,且记录每个样本输出值,并按从大到小的顺序排列:
其中,Yi代表第i个样本的输出值,y1≤y2≤y3≤y4…≤yn,y1、y2、y3、y4、yn代表集合中各样本的输出值;
T2,以特征向量xi作为分类回归树的输入,经过切分点n的条件判断后,得到其落入的子空间,按式(9)计算子空间中所有样本输出值的α分位数;对每棵分类回归树都重复这一过程,若有k棵分类回归树,则对得到的k个α分位数取平均值,作为最终的α分位数预测值:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211362629.1A CN115409296B (zh) | 2022-11-02 | 2022-11-02 | 一种有源配电网净负荷概率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211362629.1A CN115409296B (zh) | 2022-11-02 | 2022-11-02 | 一种有源配电网净负荷概率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115409296A true CN115409296A (zh) | 2022-11-29 |
CN115409296B CN115409296B (zh) | 2023-03-24 |
Family
ID=84169121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211362629.1A Active CN115409296B (zh) | 2022-11-02 | 2022-11-02 | 一种有源配电网净负荷概率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115409296B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704953A (zh) * | 2017-09-20 | 2018-02-16 | 河海大学 | Ewt分位数回归森林的短期风电功率概率密度预测方法 |
CN108022001A (zh) * | 2017-09-20 | 2018-05-11 | 河海大学 | 基于pca和分位数回归森林的短期负荷概率密度预测方法 |
CN108846517A (zh) * | 2018-06-12 | 2018-11-20 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
CN109214605A (zh) * | 2018-11-12 | 2019-01-15 | 国网山东省电力公司电力科学研究院 | 电力***短期负荷概率预测方法、装置及*** |
CN109558975A (zh) * | 2018-11-21 | 2019-04-02 | 清华大学 | 一种电力负荷概率密度多种预测结果的集成方法 |
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及*** |
CN111709790A (zh) * | 2020-06-19 | 2020-09-25 | 广东电网有限责任公司 | 一种日前市场异常电价辨识方法、装置、设备和存储介质 |
CN112257928A (zh) * | 2020-10-22 | 2021-01-22 | 国网山东省电力公司潍坊供电公司 | 一种基于cnn和分位数回归的短期电力负荷概率预测方法 |
CN112396234A (zh) * | 2020-11-20 | 2021-02-23 | 国网经济技术研究院有限公司 | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 |
CN113673768A (zh) * | 2021-08-24 | 2021-11-19 | 河海大学 | 基于vmd和cnn-lstm的风功率概率预测模型 |
AU2021107043A4 (en) * | 2021-08-24 | 2021-12-02 | Biswal, Ratikanta | An extreme learning machine (elm) based crop yield prediction system and method using borda count technique |
CN113989070A (zh) * | 2021-11-02 | 2022-01-28 | 南京信息工程大学 | 一种智能电网用电端短期能耗预测方法及其*** |
TW202213199A (zh) * | 2020-09-25 | 2022-04-01 | 國立成功大學 | 太陽能發電預測方法 |
CN114818871A (zh) * | 2022-03-30 | 2022-07-29 | 广西电网有限责任公司南宁供电局 | 一种面向含分布式电源配电网的异常用电检测方法 |
US20220245557A1 (en) * | 2021-01-29 | 2022-08-04 | AmplifAI | Analyzing agent data and automatically delivering actions |
-
2022
- 2022-11-02 CN CN202211362629.1A patent/CN115409296B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704953A (zh) * | 2017-09-20 | 2018-02-16 | 河海大学 | Ewt分位数回归森林的短期风电功率概率密度预测方法 |
CN108022001A (zh) * | 2017-09-20 | 2018-05-11 | 河海大学 | 基于pca和分位数回归森林的短期负荷概率密度预测方法 |
CN108846517A (zh) * | 2018-06-12 | 2018-11-20 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
CN109214605A (zh) * | 2018-11-12 | 2019-01-15 | 国网山东省电力公司电力科学研究院 | 电力***短期负荷概率预测方法、装置及*** |
CN109558975A (zh) * | 2018-11-21 | 2019-04-02 | 清华大学 | 一种电力负荷概率密度多种预测结果的集成方法 |
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及*** |
CN111709790A (zh) * | 2020-06-19 | 2020-09-25 | 广东电网有限责任公司 | 一种日前市场异常电价辨识方法、装置、设备和存储介质 |
TW202213199A (zh) * | 2020-09-25 | 2022-04-01 | 國立成功大學 | 太陽能發電預測方法 |
CN112257928A (zh) * | 2020-10-22 | 2021-01-22 | 国网山东省电力公司潍坊供电公司 | 一种基于cnn和分位数回归的短期电力负荷概率预测方法 |
CN112396234A (zh) * | 2020-11-20 | 2021-02-23 | 国网经济技术研究院有限公司 | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 |
US20220245557A1 (en) * | 2021-01-29 | 2022-08-04 | AmplifAI | Analyzing agent data and automatically delivering actions |
CN113673768A (zh) * | 2021-08-24 | 2021-11-19 | 河海大学 | 基于vmd和cnn-lstm的风功率概率预测模型 |
AU2021107043A4 (en) * | 2021-08-24 | 2021-12-02 | Biswal, Ratikanta | An extreme learning machine (elm) based crop yield prediction system and method using borda count technique |
CN113989070A (zh) * | 2021-11-02 | 2022-01-28 | 南京信息工程大学 | 一种智能电网用电端短期能耗预测方法及其*** |
CN114818871A (zh) * | 2022-03-30 | 2022-07-29 | 广西电网有限责任公司南宁供电局 | 一种面向含分布式电源配电网的异常用电检测方法 |
Non-Patent Citations (1)
Title |
---|
徐佳辉 等: "基于CNN-QRLightGBM的短期负荷概率密度预测", 《电网技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115409296B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A novel combination forecasting model for wind power integrating least square support vector machine, deep belief network, singular spectrum analysis and locality-sensitive hashing | |
CN109711483B (zh) | 一种基于Sparse Autoencoder的电力***运行方式聚类方法 | |
CN110765582B (zh) | 基于马尔可夫链的自组织中心K-means微电网场景划分方法 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN112861992A (zh) | 基于独立稀疏堆叠自编码器的风电场超短期功率预测方法 | |
Le et al. | GCRINT: network traffic imputation using graph convolutional recurrent neural network | |
CN105024645B (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
CN114679372A (zh) | 一种基于节点相似性的图注意力网络的链路预测方法 | |
Jiang et al. | On the Channel Pruning using Graph Convolution Network for Convolutional Neural Network Acceleration. | |
CN115409296B (zh) | 一种有源配电网净负荷概率预测方法 | |
Khan et al. | A comparative study on solar power forecasting using ensemble learning | |
CN110349050B (zh) | 一种基于电网参数关键特征抽取的智能窃电判据方法及装置 | |
CN115545111B (zh) | 一种基于聚类自适应混合采样的网络入侵检测方法及*** | |
Zhu et al. | Wind Speed Short-Term Prediction Based on Empirical Wavelet Transform, Recurrent Neural Network and Error Correction | |
Shterev et al. | Time series prediction with neural networks: a review | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
Xia et al. | A Novel Hybrid Model for Short‐Term Wind Speed Forecasting Based on Twice Decomposition, PSR, and IMVO‐ELM | |
CN111628531B (zh) | 一种针对电力***静态电压稳定评估的数据驱动方法 | |
Yuan et al. | A novel hybrid short-term wind power prediction framework based on singular spectrum analysis and deep belief network utilized improved adaptive genetic algorithm | |
CN114157552A (zh) | 一种基于孪生时序图网络的配网故障检测方法 | |
Gao et al. | Echo state neural network based ensemble deep learning for short-term load forecasting | |
Zhang et al. | Compressing knowledge graph embedding with relational graph auto-encoder | |
Song et al. | An improved convolutional neural network-based approach for short-term wind speed forecast | |
Demir et al. | Predicting the power of a wind turbine with machine learning-based approaches from wind direction and speed data | |
Sharma et al. | VMD based modified multi-view neural network for long-term load forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |