母线级超短期净负荷区间预测方法及装置

技术领域

本发明涉及电力系统分析技术领域，尤其是涉及一种母线级超短期净负荷区间预测方法、装置、设备及存储介质。

背景技术

随着高比例新能源的接入，新能源发电固有的强随机性、波动性和间歇性对电网调度实时风险影响越来越大，电力系统规模体量和复杂度的急剧增大也增加了电网调控决策的复杂度，现有电网实时风险预警和辅助决策技术难以适应高比例新能源带来的随机快速变化和高维调控需求，精准的净负荷预报，是提升调度机构对未来电网运行态势感知和风险评估的精准度的重要步骤。然而母线级净负荷具有基数小、周期趋势性弱和波动性强的特点，目前尚未对含高比例可再生能源的母线级净负荷超短期区间预测进行深入研究，工程应用具有较大的局限性。

发明内容

本发明旨在提供一种母线级超短期净负荷区间预测方法、装置、设备及存储介质，以解决现有缺少含高比例可再生能源的母线级净负荷超短期区间预测的技术问题。

为了解决上述技术问题，本发明提供了一种母线级超短期净负荷区间预测方法，包括：

获取电负荷历史数据、光伏功率历史数据和风功率历史数据，并对数据进行预处理；

获取数值天气预报数据，并对所述数值天气预报数据的时间分辨率进行降尺度处理；

基于经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据以及经过降尺度处理后的数值天气预报数据进行构建得到预测特征集合；

采用卷积长短期记忆深度神经网络分位数回归方法，针对电负荷、光伏功率、风功率，分别构建深度神经网络预测模型；

在所述深度神经网络预测模型中添加分位数回归层，并为所述深度神经网络预测模型起到正则化效果，根据分位数的弹球损失建立所述深度神经网络预测模型的整体损失函数；

基于所述预测特征集合以及对应的深度神经网络预测模型进行预测得到负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果，并基于负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果计算母线级净负荷超短期区间预测结果。

进一步地，所述获取电负荷历史数据、光伏功率历史数据和风功率历史数据，并对数据进行预处理，包括：

判断所述电负荷历史数据、所述光伏功率历史数据和所述风功率历史数据是否存在缺失值或异常值；

对于所述电负荷历史数据的缺失值或异常值，采用所述电负荷历史数据的上一星期同一时刻的数据进行缺失补全或异常替换；

对于所述光伏功率历史数据的缺失值或异常值，采用所述光伏功率历史数据的上一时刻的数据进行缺失补全或异常替换；

对于所述风功率历史数据的缺失值或异常值，采用所述风功率历史数据的上一时刻的数据进行缺失补全或异常替换。

进一步地，所述获取数值天气预报数据，并对所述数值天气预报数据的时间分辨率进行降尺度处理，包括：

获取时间分辨率为一小时的数值天气预报数据，并通过预先建立的时间分辨率降尺度模型将时间分辨率为一小时的数值天气预报数据进行降尺度处理得到时间分辨率为15分钟的数值天气预报数据。

进一步地，所述基于经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据以及经过降尺度处理后的数值天气预报数据进行构建得到预测特征集合，包括：

基于经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据以及经过降尺度处理后的数值天气预报数据，分别构建得到负荷预测特征集合、光伏功率预测特征集合和风功率预测特征集合。

进一步地，所述卷积长短期记忆深度神经网络的遗忘门系数的表达式为：

κ

式中，t为时间；κ

所述卷积长短期记忆深度神经网络的输入门系数的表达式为：

κ

式中，t为时间；κ

所述卷积长短期记忆深度神经网络的输出门系数的表达式为：

κ

式中，t为时间；κ

在t时刻备选状态值的表达式为：

式中，

在所述卷积长短期记忆深度神经网络中，每个记忆单元中都含有神经网络自由选择的记忆内容，公式表达为：

/>

式中，C

当前的输出传递状态β

β

最终输出的预测结果为：

y

式中，y

进一步地，所述分位数的弹球损失的表达式为：

式中，υ

式中，Y

所述整体损失函数的表达式为：

式中，L为损失函数；λ为正则项系数。

进一步地，所述基于所述预测特征集合以及对应的深度神经网络预测模型进行预测得到负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果，其公式如下：

式中，

所述计算母线级净负荷超短期区间预测结果，其公式如下：

/>

式中，

本发明还提供一种母线级超短期净负荷区间预测装置，包括：

数据获取模块，用于获取电负荷历史数据、光伏功率历史数据和风功率历史数据，并对数据进行预处理；

降尺度处理模块，用于获取数值天气预报数据，并对所述数值天气预报数据的时间分辨率进行降尺度处理；

特征构建模块，用于基于经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据以及经过降尺度处理后的数值天气预报数据进行构建得到预测特征集合；

模型构建模块，用于采用卷积长短期记忆深度神经网络分位数回归方法，针对电负荷、光伏功率、风功率，分别构建深度神经网络预测模型；

函数建立模块，用于在所述深度神经网络预测模型中添加分位数回归层，并为所述深度神经网络预测模型起到正则化效果，根据分位数的弹球损失建立所述深度神经网络预测模型的整体损失函数；

结果预测模块，用于基于所述预测特征集合以及对应的深度神经网络预测模型进行预测得到负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果，并基于负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果计算母线级净负荷超短期区间预测结果。

本发明还提供一种终端设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述计算机程序时实现任一项所述的母线级超短期净负荷区间预测方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一项所述的母线级超短期净负荷区间预测方法。

与现有技术相比，本发明具有如下有益效果：

本发明提供了一种母线级超短期净负荷区间预测方法、装置、设备及存储介质，所述方法包括：获取电负荷历史数据、光伏功率历史数据和风功率历史数据，并对数据进行预处理；获取数值天气预报数据，并对其时间分辨率进行降尺度处理；基于经过预处理后的历史数据以及经过降尺度处理后的数值天气预报数据进行构建得到预测特征集合；针对电负荷、光伏功率、风功率，分别构建深度神经网络预测模型；根据得到的负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果，计算得到母线级净负荷超短期区间预测结果。本发明能够准确预测母线级净负荷的概率区间，可为电力系统实时风险预警和辅助决策提供数据支持和重要参考依据。

附图说明

图1是本发明提供的母线级超短期净负荷区间预测方法的流程示意图；

图2是本发明提供的母线级超短期净负荷区间预测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，本发明实施例提供了一种母线级超短期净负荷区间预测方法，可以包括步骤：

S1、获取电负荷历史数据、光伏功率历史数据和风功率历史数据，并对数据进行预处理；

S2、获取数值天气预报数据，并对所述数值天气预报数据的时间分辨率进行降尺度处理；

S3、基于经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据以及经过降尺度处理后的数值天气预报数据进行构建得到预测特征集合；

S4、采用卷积长短期记忆深度神经网络分位数回归方法，针对电负荷、光伏功率、风功率，分别构建深度神经网络预测模型；

S5、在所述深度神经网络预测模型中添加分位数回归层，并为所述深度神经网络预测模型起到正则化效果，根据分位数的弹球损失建立所述深度神经网络预测模型的整体损失函数；

S6、基于所述预测特征集合以及对应的深度神经网络预测模型进行预测得到负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果，并基于负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果计算母线级净负荷超短期区间预测结果。

在本发明实施例中，进一步地，所述获取电负荷历史数据、光伏功率历史数据和风功率历史数据，并对数据进行预处理，包括：

判断所述电负荷历史数据、所述光伏功率历史数据和所述风功率历史数据是否存在缺失值或异常值；

对于所述电负荷历史数据的缺失值或异常值，采用所述电负荷历史数据的上一星期同一时刻的数据进行缺失补全或异常替换；

对于所述光伏功率历史数据的缺失值或异常值，采用所述光伏功率历史数据的上一时刻的数据进行缺失补全或异常替换；

对于所述风功率历史数据的缺失值或异常值，采用所述风功率历史数据的上一时刻的数据进行缺失补全或异常替换。

在本发明实施例中，进一步地，所述获取数值天气预报数据，并对所述数值天气预报数据的时间分辨率进行降尺度处理，包括：

获取时间分辨率为一小时的数值天气预报数据，并通过预先建立的时间分辨率降尺度模型将时间分辨率为一小时的数值天气预报数据进行降尺度处理得到时间分辨率为15分钟的数值天气预报数据。

在本发明实施例中，进一步地，所述基于经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据以及经过降尺度处理后的数值天气预报数据进行构建得到预测特征集合，包括：

基于经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据以及经过降尺度处理后的数值天气预报数据，分别构建得到负荷预测特征集合、光伏功率预测特征集合和风功率预测特征集合。

在本发明实施例中，进一步地，所述卷积长短期记忆深度神经网络的遗忘门系数的表达式为：

κ

式中，t为时间；κ

所述卷积长短期记忆深度神经网络的输入门系数的表达式为：

κ

式中，t为时间；κ

所述卷积长短期记忆深度神经网络的输出门系数的表达式为：

κ

式中，t为时间；κ

在t时刻备选状态值的表达式为：

式中，

在所述卷积长短期记忆深度神经网络中，每个记忆单元中都含有神经网络自由选择的记忆内容，公式表达为：

式中，C

当前的输出传递状态β

β

最终输出的预测结果为：

y

式中，y

进一步地，所述分位数的弹球损失的表达式为：

式中，υ

r＝Y

式中，Y

所述整体损失函数的表达式为：

式中，L为损失函数；λ为正则项系数。

在本发明实施例中，进一步地，所述基于所述预测特征集合以及对应的深度神经网络预测模型进行预测得到负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果，其公式如下：

式中，

所述计算母线级净负荷超短期区间预测结果，其公式如下：

式中，

基于上述方案，为便于更好的理解本发明实施例提供的母线级超短期净负荷区间预测方法，以下进行详细说明：

为了解决背景技术提出的技术问题，本发明实施例针对高比例新能源接入后电网实时运行风险，开展超短期功率预测数据精准化提升技术研究，包括新能源功率区间预测和考虑新能源接入影响的主网节点功能预测精度提升及区间预测技术，是保证电网实时风险预警与辅助决策的重要基础性工作。

本发明实施例可以通过以下步骤实现：

步骤一、获取电负荷历史数据、光伏功率历史数据和风功率历史数据，并对数据进行预处理；

步骤二、获取数值天气预报数据，建立数值天气预报数据时间分辨率降尺度模型，将时间分辨率为1小时的数值天气预报数据通过插值的方法得到时间分辨率为15分钟的数值天气预报数据；

步骤三、根据步骤一得到的经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据、和根据步骤二得到的数值天气预报数据，分别构建负荷预测特征集合、光伏功率预测特征集合和风功率预测特征集合；

步骤四、采用卷积长短期记忆深度神经网络分位数回归方法，针对电负荷、光伏功率、风功率，分别构建三个多输出多分位数深度神经网络；

步骤五、在根据步骤四建立深度神经网络模型中添加分位数回归层，并为预测模型起到正则化效果，根据分位数的弹球损失建立的深度神经网络预测模型的整体损失函数；

步骤六、得到负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果，计算母线级净负荷超短期区间预测结果。

进一步地，步骤一中，获取的电负荷历史数据、光伏功率历史数据和风功率历史数据会存在有缺失值和异常值的现象，对于电负荷数据中的缺失值与异常值，采用一星期前同一时刻的数据代替，对于光伏功率和风功率数据中的缺失值与异常值，采用上一时刻的数据进行替代和补充。

进一步地，步骤二中，获取数值天气预报数据的时间分辨率为1小时，而电力系统超短期净负荷预测的时间分辨要求为15分钟，则需建立数值天气预报数据时间分辨率降尺度模型，将时间分辨率为1小时的数值天气预报数据通过插值的方法得到时间分辨率为15分钟的数值天气预报数据。

进一步地，步骤三中，根据步骤一得到的经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据、和根据步骤二得到的数值天气预报数据，分别构建负荷预测特征集合、光伏功率预测特征集合和风功率预测特征集合。

进一步地，步骤四中，卷积长短期记忆深度神经网络的遗忘门系数的表达为：

κ

式中，t为时间；κ

长短期记忆神经网络的输入门系数的表达式为：

κ

式中，t为时间；κ

长短期记忆神经网络的输出门系数的表达式为：

κ

式中，t为时间；κ

在t时刻备选状态值的表达式为：

式中，

在长短期记忆神经网络中，每个记忆单元中都含有是神经网络自由选择记忆内容，公式表达为：

式中，C

当前的输出传递状态β

β

最终输出的预测结果为：

y

式中，y

进一步地，步骤五中，分位数的弹球损失表示为：

式中，υ

式中，Y

为了得到预测区间，需在建立的卷积长短期记忆深度神经网络中添加分位数回归层，构建卷积长短期记忆神经网络的条件分位数函数，其中损失函数公式如下所示：

式中，L为损失函数；λ为正则项系数。最后，通过调整分位数的范围，得出最终的预测区间。

进一步地，步骤六中，根据得到的电负荷区间预测结果、光伏功率区间预测结果和风功率区间预测结果，公式如下：

式中，

计算母线级净负荷超短期区间预测结果，公式如下：

式中，

与现有技术相比，本发明实施例具有如下有益效果：

本发明首先获取电负荷历史数据、光伏功率历史数据和风功率历史数据，并对数据进行预处理；获取数值天气预报数据，建立数值天气预报数据时间分辨率降尺度模型，将时间分辨率为1小时的数值天气预报数据通过插值的方法得到时间分辨率为15分钟的数值天气预报数据；根据电负荷历史数据、光伏功率历史数据和风功率历史数据和数值天气预报数据，分别构建负荷预测特征集合、光伏功率预测特征集合和风功率预测特征集合；采用长短期记忆神经网络分位数回归方法，分别构建超短期区间预测模型；根据得到的负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果，得到母线级净负荷超短期区间预测结果。本发明能够准确预测母线级净负荷的概率区间，可为电力系统实时风险预警和辅助决策提供数据支持和重要参考依据。

需要说明的是，对于以上方法或流程实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作并不一定是本发明实施例所必须的。

请参见图2，本发明实施例还提供一种母线级超短期净负荷区间预测装置，包括：

数据获取模块1，用于获取电负荷历史数据、光伏功率历史数据和风功率历史数据，并对数据进行预处理；

降尺度处理模块2，用于获取数值天气预报数据，并对所述数值天气预报数据的时间分辨率进行降尺度处理；

特征构建模块3，用于基于经过预处理后的电负荷历史数据、光伏功率历史数据和风功率历史数据以及经过降尺度处理后的数值天气预报数据进行构建得到预测特征集合；

模型构建模块4，用于采用卷积长短期记忆深度神经网络分位数回归方法，针对电负荷、光伏功率、风功率，分别构建深度神经网络预测模型；

函数建立模块5，用于在所述深度神经网络预测模型中添加分位数回归层，并为所述深度神经网络预测模型起到正则化效果，根据分位数的弹球损失建立所述深度神经网络预测模型的整体损失函数；

结果预测模块6，用于基于所述预测特征集合以及对应的深度神经网络预测模型进行预测得到负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果，并基于负荷超短期区间预测结果、光伏功率超短期区间预测结果和风功率超短期区间预测结果计算母线级净负荷超短期区间预测结果。

可以理解的是上述装置项实施例，是与本发明方法项实施例相对应的，本发明实施例提供的一种母线级超短期净负荷区间预测装置，可以实现本发明任意一项方法项实施例提供的母线级超短期净负荷区间预测方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一项所述的母线级超短期净负荷区间预测方法。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

所述领域的技术人员可以清楚地了解到，为了方便和简洁，上述描述的装置的具体工作过程，可参考前述方法实施例中对应的过程，在此不再赘述。

终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。

所述存储器可用于存储所述计算机程序，所述处理器通过运行或执行存储在所述存储器内的计算机程序，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述存储介质为计算机可读存储介质，所述计算机程序存储在所述计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。