一种区域资源有功支撑能力预测方法及系统

技术领域

本发明涉及电力资源调配技术领域，具体为一种区域资源有功支撑能力预测方法及系统。

背景技术

为了满足日益增长的能源需求，解决气候变暖问题，全球配电网正在大规模整合可再生能源和配置储能系统。能源供给侧的结构性改革推动能源发展由粗放向精细转变，从而形成分散式和分布式电力系统。分布式资源以清洁能源为主，具有绿色环保，占地面积小，就近消纳的优点，能实现能源的梯级利用，进而平抑负荷峰谷差，缓解电网调峰调频压力。然而，由于可再生能源发电的间歇性和随机性，使配电网的不确定性变量从单一的负荷增加至多个变量，增大了区域聚合资源有功功率预测的难度，难以精准量化评估电网有功支撑能力。

根据不同的分类维度，有功功率预测有很多种分类方式。基于可知性、系统性等一般原理，并遵循延续性、相似性、相关性等基本原则，有功功率预测主要分为时间序列预测问题和多因素预测问题；建模方式分为基于发电原理的物理建模方法和基于数据内在规律的数据驱动建模方法；其预测内容按照预测期限主要分为长期、中期、短期及超短期等；预测结果按照信息详尽程度主要分为点预测、区间预测和概率密度预测。近年来，随着人工智能技术的发展，深度学习算法凭借其优越的非线性拟合能力和数据高阶特征提取能力，成为功率预测技术的重要研究方向。

在电网有功支撑能力预测问题中，现有功率预测研究大多基于数据驱动的建模方法，采用传统机器学习算法、深度学习算法以及组合算法，将功率历史数据和以气象数据为代表的外部特征作为输入,对未来时刻的功率输出进行预测。其中，多模型融合stacking集成学习方式和LSTM模型都是的研究者们算法的首要选择。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有聚合资源功率预测问题多作为时序预测问题处理，由于时间序列预测问题高度依赖大量历史数据，致使模型训练效率低下；本发明提出提出基于基学习器训练效果的stacking功率预测模型和聚焦于样本训练差异的LSTM功率预测模型，将模型训练任务资源根据学习效果按比例分配给每一类学习器或样本，增强了模型特征提取能力，提高了模型训练效率。深度学习算法模型包含大量超参数，学习训练过程中易引发过拟合问题，致使模型泛化能力下降，本发明在LSTM模型损失函数中引入弹性正则项，从不同层面提高模型迁移能力。且现有聚合资源功率预测仅考虑总功率序列的整体特征或个体序列的局部特征，未同时兼顾二类特征致使功率预测精度较低，本发明使用组合算法综合考量其对有功功率的影响，且使用秃鹰搜索算法实时优化权重，在保障训练效率的前提下提高了预测精度。

为解决上述技术问题，本发明提供如下技术方案：构造基于局部特征的有功功率预测模型，基于本地气象数据构造样本集后，输入基于基学习器训练效果的stacking模型，得到区域有功功率分布情况和基于局部特征的总有功功率预测值；构造基于全局特征的有功功率预测模型，基于全局气象数据构造样本集后，输入聚焦于样本训练差异的LSTM模型，得到基于全局特征的总有功功率预测值；对两类总有功功率预测值加权整合，采用秃鹰搜索算法实时优化二者权重，输出区域聚合有功功率最终预测值，得到区域有功支撑能力预测结果。

作为本发明所述一种区域资源有功支撑能力预测方法的一种优选方案，其中：所述基于局部特征的有功功率预测模型包括，将影响资源功率预测的特征变量分为时间特征、电价特征、气象特征和历史功率特征，时间特征由待预测序列对应的小时、星期、月度和节假日信息构成，气象特征由待预测序列所在子区域的本地气象数据构成，时间特征采用独热编码进行离散化处理，电价特征、气象特征和历史功率特征连续变量采用最大最小归一化进行规范化处理，归一化公式如式(1)所示：

其中，X为实际特征值，

作为本发明所述一种区域资源有功支撑能力预测方法的一种优选方案，其中：所述stacking模型包括，选取XGBoost、LightGBM、GBDT、KNN、RF、SVM、Lasso模型作为stacking集成模型的基学习器，选取方根误差RMSE作为预测效果评估指标，负荷序列计算误差计算公式，分布式光伏和风电误差计算公式如下所示：

其中，N为样本总数，y

作为本发明所述一种区域资源有功支撑能力预测方法的一种优选方案，其中：所述stacking模型还包括，确定初级学习器与元学习器，将训练集数据分别输入各个基学习器中进行拟合训练，采用Pearson相关系数计算各学习器的误差关联程度R

其中，

基于根据计算结果筛选出误差分布差异大的XGBoost、KNN、RF、SVM、Lasso模型作为stacking集成模型第一层的初级学习器，选择XGBoost作为stacking集成模型第二层的元学习器；

基于预测效果获得各初级学习器的权重。计算预测任务在各初级学习器上的准确率k

k

其中，下标i＝1,2,3,4,5分别对用不同的初始学习器，τ代表迭代次数，

引入Focal Loss函数衡量各初级学习器训练同一预测任务的难易程度D

其中，γ为可调因子，用于衡量权重下降比例，M为初始学习器个数；

进行特征加权获得元学习器输入数据集，将各初级学习器输出数据S

作为本发明所述一种区域资源有功支撑能力预测方法的一种优选方案，其中：所述基于全局特征的有功功率预测模型包括，将区域内所有待预测资源进行整合，得到区域总功率序列，将影响资源功率预测的特征变量分为时间特征、电价特征、气象特征和历史功率特征，时间特征由待预测序列对应的小时、星期、月度和节假日信息构成，气象特征由待预测序列所在子区域的本地气象数据构成，时间特征采用独热编码进行离散化处理，电价特征、气象特征和历史功率特征连续变量采用最大最小归一化进行规范化处理；

构造聚焦于样本训练的差异的损失函数，基于LSTM模型聚合资源有功功率预测模型损失函数L

其中，N为样本总数，T为预测时序长度，y

作为本发明所述一种区域资源有功支撑能力预测方法的一种优选方案，其中：所述LSTM模型包括，将预测数据训练集代入改进的LSTM模型进行训练后，将待预测总有功功率序列代入训练完毕的模型得到较为精确的区域总有功功率预测结果，进而对配电网有功支撑能力进行量化评估。

作为本发明所述一种区域资源有功支撑能力预测方法的一种优选方案，其中：所述秃鹫搜索算法包括，构建基于秃鹰优化算法的时变权重组合模型进行聚合资源有功功率预测，采用秃鹰优化算法确定每个时刻局部预测模型与全局预测模型的权重系数，设定适应度函数为：

其中，ω

初始化参数ω

根据猎物数目选择搜索空间，并按照下列公式不断更新位置。将计算得到的每只秃鹰适应度值排序，选取最优适应度值和对应的最佳位置，计算公式下：

其中，

在确定的搜索空间内，秃鹰围绕当前位置，按照阿基米德螺旋线的轨迹飞行寻找最佳俯冲位置，进一步更新位置，具体过程如下公式：

其中，

根据上一阶段搜索到的猎物位置，从最优搜索空间螺旋飞行俯冲捕获猎物，具体公式如下：

其中，

判断是否达到结束条件，达到后选择最优参数作为各个模型的权重系数，否则重复上述继续迭代直至满足约束条件。

本发明的另一个目的是提供一种区域资源有功支撑能力预测系统，其能通过构建区域资源有功支撑能力预测系统，提出基于基学习器训练效果的stacking功率预测模型和聚焦于样本训练差异的LSTM功率预测模型，将模型训练任务资源根据学习效果按比例分配给每一类学习器或样本，增强了模型特征提取能力，提高了模型训练效率。

作为本发明所述一种区域资源有功支撑能力预测系统的一种优选方案，其中：所述系统包括，所述系统包括局部特征预测模块、全局特征预测模块、优化输出模块；

所述局部特征预测模块包括，构造基于局部特征的有功功率预测模型，基于本地气象数据构造样本集后，输入基于基学习器训练效果的stacking模型，得到区域有功功率分布情况和基于局部特征的总有功功率预测值；

所述全局特征预测模块包括，构造基于全局特征的有功功率预测模型，基于全局气象数据构造样本集后，输入聚焦于样本训练差异的LSTM模型，得到基于全局特征的总有功功率预测值；

所述优化输出模块包括，对局部特征和全局特征两类总有功功率预测值加权整合，采用秃鹰搜索算法实时优化二者权重，输出区域聚合有功功率最终预测值，得到区域有功支撑能力预测结果。

本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述一种区域资源有功支撑能力预测方法的步骤。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述一种区域资源有功支撑能力预测方法的步骤。

本发明的有益效果：本发明提出基于基学习器训练效果的stacking功率预测模型和聚焦于样本训练差异的LSTM功率预测模型，将模型训练任务资源根据学习效果按比例分配给每一类学习器或样本，增强了模型特征提取能力，提高了模型训练效率，本发明在LSTM模型损失函数中引入弹性正则项，从不同层面提高模型迁移能力，本发明使用组合算法综合考量其对有功功率的影响，且使用秃鹰搜索算法实时优化权重，在保障训练效率的前提下提高了预测精度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明提供的一种区域资源有功支撑能力预测方法的有功支撑能力预测结构图。

图2为本发明提供的一种区域资源有功支撑能力预测方法的基于基学习器训练效果的stacking模型结构图。

图3为本发明提供的一种区域资源有功支撑能力预测系统的系统结构图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1和图2，为本发明的第一个实施例，提供了一种区域资源有功支撑能力预测方法。

S1:构造基于局部特征的有功功率预测模型，基于本地气象数据构造样本集后，输入基于基学习器训练效果的stacking模型，得到区域有功功率分布情况和基于局部特征的总有功功率预测值；

具体的,所述基于局部特征的有功功率预测模型包括，将影响资源功率预测的特征变量分为时间特征、电价特征、气象特征和历史功率特征，时间特征由待预测序列对应的小时、星期、月度和节假日信息构成，气象特征由待预测序列所在子区域的本地气象数据构成，时间特征采用独热编码进行离散化处理，电价特征、气象特征和历史功率特征连续变量采用最大最小归一化进行规范化处理，归一化公式如下所示：

其中，X为实际特征值，

进一步的，所述stacking模型包括，选取XGBoost、LightGBM、GBDT、KNN、RF、SVM、Lasso模型作为stacking集成模型的基学习器，选取方根误差RMSE作为预测效果评估指标，负荷序列计算误差计算公式，分布式光伏和风电误差计算公式如下所示：

其中，N为样本总数，y

更进一步的，所述stacking模型还包括，确定初级学习器与元学习器，将训练集数据分别输入各个基学习器中进行拟合训练，采用Pearson相关系数计算各学习器的误差关联程度R

其中，

基于根据计算结果筛选出误差分布差异大的XGBoost、KNN、RF、SVM、Lasso模型作为stacking集成模型第一层的初级学习器，选择XGBoost作为stacking集成模型第二层的元学习器；

基于预测效果获得各初级学习器的权重。计算预测任务在各初级学习器上的准确率k

其中，下标i＝1,2,3,4,5分别对用不同的初始学习器，τ代表迭代次数，

引入Focal Loss函数衡量各初级学习器训练同一预测任务的难易程度D

其中，γ为可调因子，用于衡量权重下降比例，M为初始学习器个数；

进行特征加权获得元学习器输入数据集，将各初级学习器输出数据S

S2:构造基于全局特征的有功功率预测模型，基于全局气象数据构造样本集后，输入聚焦于样本训练差异的LSTM模型，得到基于全局特征的总有功功率预测值；

所述基于全局特征的有功功率预测模型包括，将区域内所有待预测资源进行整合，得到区域总功率序列，将影响资源功率预测的特征变量分为时间特征、电价特征、气象特征和历史功率特征，时间特征由待预测序列对应的小时、星期、月度和节假日信息构成，气象特征由待预测序列所在子区域的本地气象数据构成，时间特征采用独热编码进行离散化处理，电价特征、气象特征和历史功率特征连续变量采用最大最小归一化进行规范化处理；

构造聚焦于样本训练的差异的损失函数，基于LSTM模型聚合资源有功功率预测模型损失函数L

其中，N为样本总数，T为预测时序长度，y

S3:对两类总有功功率预测值加权整合，采用秃鹰搜索算法实时优化二者权重，输出区域聚合有功功率最终预测值，得到区域有功支撑能力预测结果.

具体的，本实施例同时挖掘聚合资源的局部特征与全局特征，并考虑预测模型精度的时变性，构建基于秃鹰优化算法的时变权重组合模型进行聚合资源有功功率预测。

本实施例采用秃鹰优化算法确定每个时刻局部预测模型与全局预测模型的权重系数，设定适应度函数如下所示：

其中，ω

初始化参数ω

根据猎物数目选择搜索空间，并按照下列公式不断更新位置。将计算得到的每只秃鹰适应度值排序，选取最优适应度值和对应的最佳位置，计算公式下：

其中，

在确定的搜索空间内，秃鹰围绕当前位置，按照阿基米德螺旋线的轨迹飞行寻找最佳俯冲位置，进一步更新位置，具体过程如下公式：

其中，

根据上一阶段搜索到的猎物位置，从最优搜索空间螺旋飞行俯冲捕获猎物，具体公式如下：

其中，

判断是否达到结束条件，达到后选择最优参数作为各个模型的权重系数，否则重复上述继续迭代直至满足约束条件。

实施例2

参照图3，为本发明的第二个实施例，提供了一种区域资源有功支撑能力预测系统。

具体的，所述系统包括局部特征预测模块、全局特征预测模块、优化输出模块。

所述局部特征预测模块包括，构造基于局部特征的有功功率预测模型，基于本地气象数据构造样本集后，输入基于基学习器训练效果的stacking模型，得到区域有功功率分布情况和基于局部特征的总有功功率预测值。

所述全局特征预测模块包括，构造基于全局特征的有功功率预测模型，基于全局气象数据构造样本集后，输入聚焦于样本训练差异的LSTM模型，得到基于全局特征的总有功功率预测值。

所述优化输出模块包括，对局部特征和全局特征两类总有功功率预测值加权整合，采用秃鹰搜索算法实时优化二者权重，输出区域聚合有功功率最终预测值，得到区域有功支撑能力预测结果。

实施例3

本发明提供的第三个实施例，提供了一种区域资源有功支撑能力预测方法的样本训练差异的损失函数构造方法。

具体的，基于LSTM模型聚合资源有功功率预测模型损失函数如下所示，

其中，N为样本总数，T为预测时序长度，y

本实施例将训练样本根据预测误差比划分为训练待加强样本与普通样本两类，对训练待加强样本赋予更高权重，增强模型对该类样本的特征提取能力，损失函数如下所示：

/>

α

在上述损失函数中引入L1和L2正则项形成最终损失函数如式下所示，并采用网格搜索法，以[0.00,0.30]为搜索区间，0.01为步长确定最优正则化参数λ

其中，ω为LSTM模型待估参数，λ

将预测数据训练集代入改进的LSTM模型进行训练后，将待预测总有功功率序列代入训练完毕的模型得到较为精确的区域总有功功率预测结果，进而对配电网有功支撑能力进行量化评估。

实施例4

本发明第四个实施例，其不同于前一个实施例的是：

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。

应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。