本發(fā)明涉及電力系統(tǒng)，特別涉及一種基于虛擬電廠運(yùn)營的負(fù)荷預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、虛擬電廠通過信息通信技術(shù)和分布式能源管理系統(tǒng)，將分布式電源、儲(chǔ)能裝置、可控負(fù)荷等單元進(jìn)行聚合和協(xié)調(diào)優(yōu)化，實(shí)現(xiàn)類似傳統(tǒng)電廠的發(fā)電和供電功能。負(fù)荷預(yù)測(cè)能夠幫助虛擬電廠運(yùn)營商提前制定合理的發(fā)電計(jì)劃和調(diào)度策略，優(yōu)化資源配置，提高能源利用效率，降低運(yùn)營成本。

2、目前，現(xiàn)有的負(fù)荷預(yù)測(cè)方法主要分為傳統(tǒng)統(tǒng)計(jì)方法和機(jī)器學(xué)習(xí)方法。傳統(tǒng)統(tǒng)計(jì)方法如時(shí)間序列分析法、回歸分析法等，雖然計(jì)算簡單、易于實(shí)現(xiàn)，但它們通常基于一些嚴(yán)格的假設(shè)條件，對(duì)于虛擬電廠這種復(fù)雜多變的系統(tǒng)，難以充分考慮各種影響因素之間的非線性關(guān)系和動(dòng)態(tài)變化特性，導(dǎo)致預(yù)測(cè)精度較低。

3、而機(jī)器學(xué)習(xí)方法雖在一定程度上克服了傳統(tǒng)統(tǒng)計(jì)方法的不足，但在應(yīng)對(duì)虛擬電廠負(fù)荷復(fù)雜特性時(shí)，也存在一定的局限性，難以同時(shí)處理時(shí)間相關(guān)性、非線性特征以及數(shù)據(jù)不確定性和模糊性等問題。

4、此外，現(xiàn)有方法大多缺乏對(duì)模型實(shí)時(shí)性的考慮，無法根據(jù)虛擬電廠的實(shí)時(shí)運(yùn)行狀態(tài)及時(shí)調(diào)整預(yù)測(cè)模型，在面對(duì)虛擬電廠運(yùn)行過程中的動(dòng)態(tài)變化和不確定性時(shí)，預(yù)測(cè)結(jié)果的準(zhǔn)確性和可靠性難以保證。

技術(shù)實(shí)現(xiàn)思路

1、基于此，本發(fā)明的目的是提出一種基于虛擬電廠運(yùn)營的負(fù)荷預(yù)測(cè)方法及系統(tǒng)，以解決上述提到的問題。

2、根據(jù)本發(fā)明提出的一種基于虛擬電廠運(yùn)營的負(fù)荷預(yù)測(cè)方法，所述方法包括：

3、基于蟻群優(yōu)化算法動(dòng)態(tài)加權(quán)組合lstm時(shí)序子模型、xgboost梯度提升子模型及模糊聚類子模型，構(gòu)建混合預(yù)測(cè)模型；

4、通過誤差傳播網(wǎng)絡(luò)定位主要偏差源，并根據(jù)虛擬電廠實(shí)時(shí)運(yùn)行狀態(tài)觸發(fā)混合預(yù)測(cè)模型重構(gòu)；

5、計(jì)算重構(gòu)后混合預(yù)測(cè)模型的負(fù)荷可預(yù)測(cè)性指數(shù)；

6、根據(jù)負(fù)荷可預(yù)測(cè)性指數(shù)修正混合預(yù)測(cè)模型的負(fù)荷預(yù)測(cè)結(jié)果，得到最終負(fù)荷預(yù)測(cè)值。

7、更進(jìn)一步的，所述基于蟻群優(yōu)化算法動(dòng)態(tài)加權(quán)組合lstm時(shí)序子模型、xgboost梯度提升子模型及模糊聚類子模型，構(gòu)建混合預(yù)測(cè)模型，包括：

8、子模型集合為：；

9、對(duì)于每只螞蟻和每個(gè)時(shí)段，按概率選擇子模型；

10、根據(jù)各螞蟻選擇各子模型的概率計(jì)算各螞蟻為各子模型分配的加權(quán)權(quán)重，并生成歸一化加權(quán)權(quán)重向量，得到各螞蟻的加權(quán)權(quán)重方案；

11、對(duì)各子模型并行執(zhí)行負(fù)荷預(yù)測(cè)，并根據(jù)各螞蟻的加權(quán)權(quán)重方案對(duì)各子模型的負(fù)荷預(yù)測(cè)值進(jìn)行加權(quán)計(jì)算，得到各螞蟻加權(quán)權(quán)重方案下的加權(quán)負(fù)荷預(yù)測(cè)結(jié)果；

12、根據(jù)加權(quán)負(fù)荷預(yù)測(cè)結(jié)果，通過適應(yīng)度函數(shù)評(píng)估各螞蟻的加權(quán)權(quán)重方案；

13、根據(jù)各螞蟻的加權(quán)權(quán)重方案的適應(yīng)度值對(duì)每個(gè)子模型的信息素進(jìn)行全局更新；

14、經(jīng)過迭代收斂，篩選出時(shí)段級(jí)的最優(yōu)加權(quán)權(quán)重方案，包含各子模型的最優(yōu)加權(quán)權(quán)重，m=1，2，3，分別表示lstm時(shí)序子模型、xgboost梯度提升子模型和模糊聚類子模型的最優(yōu)加權(quán)權(quán)重。

15、更進(jìn)一步的，所述根據(jù)各螞蟻選擇各子模型的概率計(jì)算各螞蟻為各子模型分配的加權(quán)權(quán)重，并生成歸一化加權(quán)權(quán)重向量，公式為：

16、，

17、其中，為第k只螞蟻為第m個(gè)子模型分配的加權(quán)權(quán)重，為第k只螞蟻的歸一化加權(quán)權(quán)重向量，即第k只螞蟻的加權(quán)權(quán)重方案，，為第k只螞蟻為lstm時(shí)序子模型分配的加權(quán)權(quán)重，為第k只螞蟻為xgboost梯度提升子模型分配的加權(quán)權(quán)重，為第k只螞蟻為模糊聚類子模型分配的加權(quán)權(quán)重，為第k只螞蟻在s時(shí)段選擇第m個(gè)子模型的概率，為第k只螞蟻在s時(shí)段選擇第i個(gè)子模型的概率，為預(yù)測(cè)時(shí)段數(shù)。

18、更進(jìn)一步的，所述對(duì)各子模型并行執(zhí)行負(fù)荷預(yù)測(cè)，包括：

19、按72小時(shí)滑動(dòng)窗口生成用于s時(shí)段預(yù)測(cè)的樣本，其中，樣本包含過去72小時(shí)的負(fù)荷值和過去24小時(shí)及當(dāng)前時(shí)刻的環(huán)境數(shù)據(jù)；

20、將樣本輸入至預(yù)先訓(xùn)練好的lstm時(shí)序子模型進(jìn)行預(yù)測(cè)，得到lstm?時(shí)序子模型對(duì)s時(shí)段的負(fù)荷預(yù)測(cè)值；

21、將樣本輸入至預(yù)先訓(xùn)練好的xgboost梯度提升子模型，得到xgboost?梯度提升子模型對(duì)s時(shí)段的負(fù)荷預(yù)測(cè)值；

22、使用歷史數(shù)據(jù)集進(jìn)行模糊c均值聚類，得到k個(gè)聚類中心，并根據(jù)樣本所屬聚類中心的歷史負(fù)荷模式，生成模糊聚類子模型對(duì)s時(shí)段的負(fù)荷預(yù)測(cè)值。

23、更進(jìn)一步的，所述根據(jù)各螞蟻的加權(quán)權(quán)重方案對(duì)各子模型的負(fù)荷預(yù)測(cè)值進(jìn)行加權(quán)計(jì)算，得到各螞蟻加權(quán)權(quán)重方案下的加權(quán)負(fù)荷預(yù)測(cè)結(jié)果，公式為：

24、，

25、其中，為第k只螞蟻在s時(shí)段的加權(quán)負(fù)荷預(yù)測(cè)值，表示第k只螞蟻加權(quán)權(quán)重方案下的混合預(yù)測(cè)模型對(duì)s時(shí)段的負(fù)荷預(yù)測(cè)結(jié)果，為lstm時(shí)序子模型對(duì)s時(shí)段的負(fù)荷預(yù)測(cè)值，為xgboost梯度提升子模型對(duì)s時(shí)段的負(fù)荷預(yù)測(cè)值，為模糊聚類子模型對(duì)s時(shí)段的負(fù)荷預(yù)測(cè)值。

26、更進(jìn)一步的，所述通過誤差傳播網(wǎng)絡(luò)定位主要偏差源，并根據(jù)虛擬電廠實(shí)時(shí)運(yùn)行狀態(tài)觸發(fā)混合預(yù)測(cè)模型重構(gòu)，包括：

27、定義有向圖g=(v，e)，其中，v為節(jié)點(diǎn)集合，每個(gè)節(jié)點(diǎn)表示虛擬電廠中的一個(gè)能源單元，節(jié)點(diǎn)的屬性包括單元類型、實(shí)時(shí)出力和預(yù)測(cè)出力，e為邊集合，每條邊表示單元間的能量交互關(guān)系；

28、根據(jù)邊權(quán)重計(jì)算每個(gè)節(jié)點(diǎn)的影響度；

29、按影響度對(duì)所有節(jié)點(diǎn)進(jìn)行降序排序，并篩選出影響度大于影響度閾值的節(jié)點(diǎn)，作為關(guān)鍵偏差源單元；

30、當(dāng)滿足任一目標(biāo)條件時(shí)，則觸發(fā)混合預(yù)測(cè)模型重構(gòu)，所述目標(biāo)條件包含關(guān)鍵偏差源單元的持續(xù)告警、拓?fù)渥兓蚀笥诘谝荒繕?biāo)閾值、天氣突變指數(shù)大于第二目標(biāo)閾值；

31、若觸發(fā)混合預(yù)測(cè)模型重構(gòu)，則對(duì)各子模型的最優(yōu)加權(quán)權(quán)重進(jìn)行調(diào)整，調(diào)整公式為：

32、，其中，為調(diào)整后第m個(gè)子模型的最優(yōu)加權(quán)權(quán)重，為蟻群算法優(yōu)化得到的第m個(gè)子模型的最優(yōu)加權(quán)權(quán)重，表示第m個(gè)子模型是否依賴節(jié)點(diǎn)所代表的關(guān)鍵偏差源單元。

33、更進(jìn)一步的，所述根據(jù)邊權(quán)重計(jì)算每個(gè)節(jié)點(diǎn)的影響度，包括：

34、計(jì)算邊權(quán)重，公式為：，其中，為節(jié)點(diǎn)到節(jié)點(diǎn)方向的邊權(quán)重，、分別為節(jié)點(diǎn)、所代表單元的預(yù)測(cè)偏差，表示節(jié)點(diǎn)和所代表的能源單元預(yù)測(cè)偏差和的協(xié)方差，和分別為節(jié)點(diǎn)和所代表的能源單元預(yù)測(cè)偏差和的標(biāo)準(zhǔn)差，為節(jié)點(diǎn)所代表單元的可靠性評(píng)分，為系統(tǒng)的平均可靠性；

35、計(jì)算每個(gè)節(jié)點(diǎn)的影響度，公式為：，其中，為節(jié)點(diǎn)的影響度，v為節(jié)點(diǎn)集合，為節(jié)點(diǎn)到節(jié)點(diǎn)方向的邊權(quán)重，為節(jié)點(diǎn)到節(jié)點(diǎn)方向的邊權(quán)重。

36、更進(jìn)一步的，所述計(jì)算重構(gòu)后混合預(yù)測(cè)模型的負(fù)荷可預(yù)測(cè)性指數(shù)，公式為：

37、，

38、其中，為預(yù)測(cè)誤差的變異系數(shù)，，為重構(gòu)后混合預(yù)測(cè)模型預(yù)測(cè)誤差的標(biāo)準(zhǔn)差，為重構(gòu)后混合預(yù)測(cè)模型預(yù)測(cè)誤差的均值，為負(fù)荷的平穩(wěn)時(shí)段數(shù)，為全局總時(shí)段數(shù)。

39、更進(jìn)一步的，所述根據(jù)負(fù)荷可預(yù)測(cè)性指數(shù)修正混合預(yù)測(cè)模型的負(fù)荷預(yù)測(cè)結(jié)果，得到最終負(fù)荷預(yù)測(cè)值，包括：

40、若重構(gòu)后混合預(yù)測(cè)模型的負(fù)荷可預(yù)測(cè)性指數(shù)大于或等于第一指數(shù)閾值，則判定重構(gòu)后混合預(yù)測(cè)模型處于高置信度區(qū)間，并直接將重構(gòu)后混合預(yù)測(cè)模型的負(fù)荷預(yù)測(cè)值作為最終負(fù)荷預(yù)測(cè)值；

41、若重構(gòu)后混合預(yù)測(cè)模型的負(fù)荷可預(yù)測(cè)性指數(shù)大于或等于第二指數(shù)閾值，且小于第一指數(shù)閾值，則判定重構(gòu)后混合預(yù)測(cè)模型處于中置信度區(qū)間，并對(duì)重構(gòu)后混合預(yù)測(cè)模型的負(fù)荷預(yù)測(cè)值施加保守偏移；

42、若重構(gòu)后混合預(yù)測(cè)模型的負(fù)荷可預(yù)測(cè)性指數(shù)小于第二指數(shù)閾值，則判定重構(gòu)后混合預(yù)測(cè)模型處于低置信度區(qū)間，并凍結(jié)當(dāng)前預(yù)測(cè)結(jié)果并發(fā)送預(yù)警信號(hào)。

43、本發(fā)明還提出一種基于虛擬電廠運(yùn)營的負(fù)荷預(yù)測(cè)系統(tǒng)，用于實(shí)現(xiàn)上述的基于虛擬電廠運(yùn)營的負(fù)荷預(yù)測(cè)方法，所述系統(tǒng)包括：

44、模型構(gòu)建模塊：用于基于蟻群優(yōu)化算法動(dòng)態(tài)加權(quán)組合lstm時(shí)序子模型、xgboost梯度提升子模型及模糊聚類子模型，構(gòu)建混合預(yù)測(cè)模型；

45、模型重構(gòu)模塊：用于通過誤差傳播網(wǎng)絡(luò)定位主要偏差源，并根據(jù)虛擬電廠實(shí)時(shí)運(yùn)行狀態(tài)觸發(fā)混合預(yù)測(cè)模型重構(gòu)；

46、可預(yù)測(cè)性指數(shù)模塊：用于計(jì)算重構(gòu)后混合預(yù)測(cè)模型的負(fù)荷可預(yù)測(cè)性指數(shù)；

47、預(yù)測(cè)結(jié)果修正模塊：用于根據(jù)負(fù)荷可預(yù)測(cè)性指數(shù)修正混合預(yù)測(cè)模型的負(fù)荷預(yù)測(cè)結(jié)果，得到最終負(fù)荷預(yù)測(cè)值。

48、綜上，本發(fā)明的基于虛擬電廠運(yùn)營的負(fù)荷預(yù)測(cè)方法，在模型構(gòu)建時(shí)，基于蟻群優(yōu)化算法動(dòng)態(tài)加權(quán)組合lstm?時(shí)序子模型、xgboost梯度提升子模型及模糊聚類子模型構(gòu)建混合預(yù)測(cè)模型，結(jié)合各子模型優(yōu)勢(shì)且能自動(dòng)優(yōu)化組合，提升預(yù)測(cè)準(zhǔn)確性與魯棒性；在模型優(yōu)化與調(diào)整中，通過誤差傳播網(wǎng)絡(luò)定位主要偏差源，能夠快速準(zhǔn)確地找出導(dǎo)致預(yù)測(cè)誤差的主要因素，為模型優(yōu)化提供明確方向，并根據(jù)虛擬電廠實(shí)時(shí)運(yùn)行狀態(tài)觸發(fā)混合預(yù)測(cè)模型重構(gòu)，使模型能夠適應(yīng)虛擬電廠運(yùn)行狀態(tài)的動(dòng)態(tài)變化，確保模型始終與實(shí)際運(yùn)行情況相匹配，進(jìn)一步提高預(yù)測(cè)的實(shí)時(shí)性和準(zhǔn)確性；在模型評(píng)估與結(jié)果修正上，計(jì)算負(fù)荷可預(yù)測(cè)性指數(shù)評(píng)估模型的可靠性，提供量化信息，并據(jù)此修正負(fù)荷預(yù)測(cè)結(jié)果，減少預(yù)測(cè)誤差，進(jìn)一步提高負(fù)荷預(yù)測(cè)結(jié)果的準(zhǔn)確性，為虛擬電廠的優(yōu)化調(diào)度和運(yùn)營管理提供可靠的依據(jù)。

49、本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)施例了解到。