一種構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法
【專利摘要】本發(fā)明公開了一種構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法，采用知識挖掘技術(shù)形成擬境分析環(huán)境，探索定量之間的影響關(guān)系，確定輸入變量待選集；建立利用屬性篩選技術(shù)確立輸入變量、利用菌群趨向差分演化算法優(yōu)化參數(shù)的自適應(yīng)結(jié)構(gòu)的支持向量機(jī)和Elman神經(jīng)網(wǎng)絡(luò)等智能負(fù)荷預(yù)測模型；建立基于數(shù)據(jù)切片挖掘的區(qū)域負(fù)荷智能預(yù)測模型；建立結(jié)合動態(tài)電價因素、用戶特性、用戶響應(yīng)電量的負(fù)荷曲線預(yù)測模型，實(shí)現(xiàn)負(fù)荷、電價、響應(yīng)電量的聯(lián)動修正預(yù)測。本發(fā)明建立了符合我國智能電網(wǎng)實(shí)際情況的預(yù)測模型，合理規(guī)劃了可再生能源的建設(shè)規(guī)模，有利于促使用戶更加高效利用電能，促使電力企業(yè)合理安排電力供給資源。
【專利說明】一種構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于智能電網(wǎng)【技術(shù)領(lǐng)域】，尤其涉及一種構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法。
【背景技術(shù)】
[0002]智能電網(wǎng)是未來電力系統(tǒng)變革的主要方向，建設(shè)更加智能化、經(jīng)濟(jì)化、環(huán)?；⒋龠M(jìn)低碳發(fā)展化的電網(wǎng)已經(jīng)成為全球的共同目標(biāo)，美國自奧巴馬上臺伊始就提出了以智能電網(wǎng)為基礎(chǔ)的美國能源戰(zhàn)略，其核心是將局域分散的智能電網(wǎng)結(jié)合成全國性的網(wǎng)絡(luò)體系；歐洲的智能電網(wǎng)革新是將廣域上的電力輸送網(wǎng)絡(luò)同智能電網(wǎng)相結(jié)合，最終形成超級智能電力網(wǎng)格，我國的智能電力發(fā)展方向是指以復(fù)雜電力系統(tǒng)發(fā)、輸、配、用各環(huán)節(jié)為對象，將新型電網(wǎng)控制技術(shù)、智能信息技術(shù)與智能管理技術(shù)有機(jī)結(jié)合起來，以“互動、自愈、安全、經(jīng)濟(jì)、清潔、節(jié)能、高效”為特點(diǎn)，實(shí)現(xiàn)從發(fā)電到用電所有環(huán)節(jié)信息的智能交流，使我國電網(wǎng)向著資源節(jié)約型、環(huán)境友好型、運(yùn)行智能化的方向發(fā)展，從各國的發(fā)展趨勢來看，智能電網(wǎng)將大力推進(jìn)電力技術(shù)、信息產(chǎn)業(yè)和能源格局的深度革命，可以極大促進(jìn)電力技術(shù)和信息產(chǎn)業(yè)進(jìn)入高速創(chuàng)新階段，為能源消費(fèi)者提供更多的清潔能源，對整個社會節(jié)約成本、降低溫室氣體排放，實(shí)現(xiàn)綠色生態(tài)發(fā)展具有極其重大的意義。
[0003]電力負(fù)荷預(yù)測作為電網(wǎng)建設(shè)規(guī)劃的基礎(chǔ)性工作，是建設(shè)智能電網(wǎng)必須要研究的基礎(chǔ)性問題，電力負(fù)荷預(yù)測可以簡稱為負(fù)荷預(yù)測，其研究內(nèi)容主要包括用電負(fù)荷預(yù)測、功率預(yù)測、供需電量預(yù)測以及負(fù)荷曲線預(yù)測，是電網(wǎng)建設(shè)規(guī)劃和電網(wǎng)日常調(diào)度的基礎(chǔ)性工作，在電力工業(yè)中占據(jù)著舉足輕重的地位，精確的電力負(fù)荷預(yù)測不但能夠給電網(wǎng)帶來重大的經(jīng)濟(jì)效益和社會效益，還可以通過節(jié)約電力用煤達(dá)到節(jié)能減排的效果，對于我國的一個中等規(guī)模的省級電網(wǎng)而言，按照常規(guī)假設(shè)其平均供電負(fù)荷為4500MW，如果將系統(tǒng)日負(fù)荷預(yù)測精度提高I %，就表示在系統(tǒng)發(fā)供電可靠率相同的條件下，電網(wǎng)發(fā)電出力富裕時可減少45MW的旋轉(zhuǎn)備用容量，電網(wǎng)發(fā)電出力不足時可減少非計劃限電45MW，由此產(chǎn)生的主要效益為:因系統(tǒng)減少旋轉(zhuǎn)備用容量產(chǎn)生的年經(jīng)濟(jì)效益約2000萬元，減少非計劃限電增加售電量產(chǎn)生的年經(jīng)濟(jì)效益約446萬元，此外，按照2012年國家能源局公布的最新6000千瓦及以上供電標(biāo)準(zhǔn)煤耗率326克/千瓦時以及火電設(shè)備年平均利用小時為4965小時計算可得，由于負(fù)荷精度提高I %而產(chǎn)生的減少備用容量節(jié)約年用煤量近72836噸，我國的智能電網(wǎng)建成后，普遍認(rèn)同的和傳統(tǒng)電網(wǎng)的主要區(qū)別在于可再生分布式能源并網(wǎng)、特高壓遠(yuǎn)距離輸送、微網(wǎng)并網(wǎng)和用戶需求響應(yīng)四個方面，負(fù)荷預(yù)測作為電網(wǎng)運(yùn)行的基礎(chǔ)性工作，需要結(jié)合這四個特點(diǎn)進(jìn)行研究，為智能電網(wǎng)的建設(shè)規(guī)劃提供依據(jù)，為智能電網(wǎng)的運(yùn)行調(diào)度提供數(shù)據(jù)支持。
[0004]在智能電網(wǎng)環(huán)境下，開展負(fù)荷預(yù)測研究的意義有以下三點(diǎn):
[0005]①智能電網(wǎng)環(huán)境下，精確的可再生能源發(fā)電預(yù)測可以為可再生能源建設(shè)規(guī)劃和并網(wǎng)調(diào)度提供有力依據(jù)，2013年2月6日，我國電監(jiān)會公布了 2012年電力行業(yè)節(jié)能減排數(shù)據(jù)，數(shù)據(jù)顯示，我國可再生能源發(fā)電裝機(jī)達(dá)到3.13億千瓦，其中風(fēng)電(并網(wǎng))6083萬千瓦，同比增長31.6%，裝機(jī)規(guī)模已經(jīng)位居世界第一；太陽能發(fā)電(并網(wǎng))328萬千瓦，同比增長47.8%，但是伴隨可再生能源高速發(fā)展所帶來的問題是由于可再生能源發(fā)電的間歇性和不穩(wěn)定特性，使得并網(wǎng)以及調(diào)度非常困難，產(chǎn)生了建設(shè)規(guī)模和消納電量脫節(jié)的現(xiàn)象，以典型的風(fēng)力發(fā)電為例，我國的風(fēng)能集中于東北、華北、西北地區(qū)(簡稱“三北”地區(qū))，目前風(fēng)力發(fā)電的棄風(fēng)現(xiàn)象日益突出，根據(jù)我國電監(jiān)會2012年發(fā)布的《重點(diǎn)區(qū)域風(fēng)電消化監(jiān)管報告》顯示，“三北”地區(qū)棄風(fēng)電量高達(dá)123億千瓦時，棄風(fēng)率為16.23%，棄風(fēng)電量對應(yīng)電費(fèi)損失約66億元，造成這種現(xiàn)象的主要原因是地區(qū)風(fēng)電建設(shè)規(guī)劃和地區(qū)風(fēng)電需求預(yù)測不協(xié)調(diào)，風(fēng)電項(xiàng)目建設(shè)規(guī)模遠(yuǎn)超當(dāng)?shù)仫L(fēng)電需求，致使風(fēng)力發(fā)電本地難以消納，而如果通過外送進(jìn)行消納，則需要依賴于精確的預(yù)測結(jié)果來進(jìn)行電網(wǎng)調(diào)度，國家能源局2012年2月29日下發(fā)的“特急”文件《風(fēng)電功率預(yù)報與電網(wǎng)協(xié)調(diào)運(yùn)行實(shí)施細(xì)則(試行)》中指出，要立即開展風(fēng)電上網(wǎng)的相關(guān)工作，積極構(gòu)建完善的風(fēng)電功率預(yù)測體系，保障風(fēng)電的上網(wǎng)調(diào)度運(yùn)行；
[0006]②智能電網(wǎng)環(huán)境下，精確的區(qū)域性負(fù)荷預(yù)測將為智能電網(wǎng)環(huán)境下特高壓遠(yuǎn)距離輸送電量和微網(wǎng)供電并網(wǎng)提供依據(jù)，特高壓遠(yuǎn)距離輸電能夠?qū)崿F(xiàn)低損耗的跨區(qū)域輸電，使得可再生能源發(fā)電突破空間的限制，為用電負(fù)荷較高的經(jīng)濟(jì)發(fā)達(dá)地區(qū)提供清潔電能，然而通過特高壓電網(wǎng)輸送的電量，以及如何分配各種可再生能源的發(fā)電配額均依賴于供需兩方的負(fù)荷預(yù)測結(jié)果，微網(wǎng)是指在小范圍的用電區(qū)域內(nèi)形成一個分布式的能源孤島系統(tǒng)，既可以實(shí)現(xiàn)該供電區(qū)域電能的自給自足，也可以和外部電網(wǎng)并網(wǎng)實(shí)現(xiàn)電能的相互傳輸，在我國的海上孤島以及高海拔人煙稀少地區(qū)建設(shè)微網(wǎng)，不但可以高效的解決當(dāng)?shù)貐^(qū)域的能源問題，而且可以延緩由于輸配電網(wǎng)升級更新?lián)Q代帶來的巨大經(jīng)濟(jì)成本，微網(wǎng)的供電規(guī)模以及并網(wǎng)輸送電量同樣依賴于微網(wǎng)覆蓋區(qū)域的用電需求預(yù)測；
[0007]③智能電網(wǎng)環(huán)境下，精確的動態(tài)短期負(fù)荷預(yù)測將為用戶參與需求側(cè)響應(yīng)提供數(shù)據(jù)決策支持，用戶在智能電網(wǎng)環(huán)境下通過參與需求響應(yīng)可以通過調(diào)整自己的行為，利用動態(tài)的分時電價將自身閑余電量高價賣出，在低價時買進(jìn)電量使用電能，獲取一定的經(jīng)濟(jì)效益，提高電能的使用效率，而短期負(fù)荷預(yù)測作為用電計劃、調(diào)度運(yùn)行、動態(tài)電價制定的基礎(chǔ)性工作，為需求側(cè)響應(yīng)決策提供數(shù)據(jù)支持，短期負(fù)荷預(yù)測結(jié)果的精準(zhǔn)程度直接影響著需求響應(yīng)決策結(jié)果，因此，需要對智能電網(wǎng)環(huán)境下精確的動態(tài)短期負(fù)荷預(yù)測開展研究。
[0008]綜上所述，智能電網(wǎng)的建設(shè)將給傳統(tǒng)的電力負(fù)荷預(yù)測理論帶來新的挑戰(zhàn)，因此，需要對電力負(fù)荷預(yù)測理論研究的內(nèi)容和方法進(jìn)行擴(kuò)展研究。
[0009]隨著電力系統(tǒng)市場化進(jìn)程的不斷發(fā)展以及對能源需求的不斷重視，近二三十年來，國內(nèi)外的很多專家學(xué)者對電力負(fù)荷預(yù)測的理論和方法進(jìn)行了大量的研究工作，取得了很多成果，總的來說，當(dāng)前國內(nèi)外研究的預(yù)測方法大致可以分為四類，分別是以線形回歸方法為代表的傳統(tǒng)統(tǒng)計預(yù)測方法；時間序列預(yù)測方法；以神經(jīng)網(wǎng)絡(luò)以及支持向量機(jī)為代表的智能預(yù)測方法以及組合預(yù)測方法四類；
[0010]隨著節(jié)能減排和低碳經(jīng)濟(jì)的相關(guān)研究成為當(dāng)前的熱點(diǎn)研究領(lǐng)域，電力負(fù)荷預(yù)測理論的研究范圍也隨之?dāng)U展，在智能電網(wǎng)的環(huán)境下，首先是諸如風(fēng)電、光伏發(fā)電等可再生新能源發(fā)電受到前所未有的重視，而將這些可再生能源的發(fā)電形式接入到電網(wǎng)大環(huán)境下時，必須依賴于精確的預(yù)測結(jié)果來進(jìn)行電網(wǎng)的節(jié)能調(diào)度，然而這些可再生能源發(fā)電形式具有明顯的間歇性和不穩(wěn)定性特性，傳統(tǒng)的預(yù)測方法已經(jīng)不再適用，需要對可再生能源發(fā)電進(jìn)行高精度的預(yù)測研究工作，目前對可再生能源發(fā)電的預(yù)測問題多集中于風(fēng)力發(fā)電和光伏發(fā)電的預(yù)測研究上，目前國內(nèi)外預(yù)測的平均絕對百分比誤差MAPE精度值在10% -25%之間，隨著未來可再生能源的裝機(jī)容量和管理水平的不斷提高，將需要在此基礎(chǔ)上進(jìn)行深入的研究，以獲得更高精度的預(yù)測結(jié)果；
[0011]從上述國內(nèi)外研究情況中可以看出，從方法上，電力負(fù)荷預(yù)測的研究以智能化方法為主，研究的熱點(diǎn)在結(jié)合優(yōu)化算法、數(shù)據(jù)挖掘技術(shù)確定智能預(yù)測的模型結(jié)構(gòu)上，從研究內(nèi)容上，研究的熱點(diǎn)向以風(fēng)電為主的新能源負(fù)荷預(yù)測方面發(fā)展，目前的負(fù)荷預(yù)測研究仍然存在著以下幾個需要研究或進(jìn)一步深化研究的問題:
[0012]①需要在確定智能預(yù)測模型結(jié)構(gòu)的研究上進(jìn)一步深化，研究從輸入變量到結(jié)構(gòu)參數(shù)的一體化優(yōu)化的智能預(yù)測方法，目前的研究或是對智能預(yù)測方法的參數(shù)結(jié)構(gòu)進(jìn)行優(yōu)化，或是對輸入變量或訓(xùn)練數(shù)據(jù)上進(jìn)行優(yōu)化，還少見從輸入變量到參數(shù)優(yōu)化對智能預(yù)測方法進(jìn)行結(jié)構(gòu)一體化優(yōu)化方面的研究；
[0013]②需要進(jìn)一步研究適合于我國智能電網(wǎng)環(huán)境下可再生能源發(fā)電特性的高精度電力負(fù)荷預(yù)測方法，目前的相關(guān)研究取得了一定的進(jìn)展，但是其預(yù)測的平均絕對百分比誤差MAPE精度值在10% -25%之間，仍舊較高，這一方面的預(yù)測研究還有很大的提升空間；
[0014]③需要研究適合用戶需求響應(yīng)的動態(tài)負(fù)荷預(yù)測理論和模式，隨著智能電網(wǎng)的進(jìn)一步建設(shè)，用戶通過需求側(cè)響應(yīng)參與到電力市場中來，使電能得到更加高效充分的利用，而進(jìn)行需求側(cè)響應(yīng)的前提是實(shí)現(xiàn)動態(tài)負(fù)荷預(yù)測和動態(tài)電價預(yù)測，目前這方面的負(fù)荷預(yù)測研究較少，需要結(jié)合未來智能電網(wǎng)的發(fā)展對這一方面的問題進(jìn)行研究。

【發(fā)明內(nèi)容】

[0015]本發(fā)明實(shí)施例的目的在于提供一種構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法，旨在解決現(xiàn)有的智能負(fù)荷預(yù)測模型存在的精度低，應(yīng)用受限，不能完全適應(yīng)現(xiàn)代智能電網(wǎng)環(huán)境的問題。
[0016]本發(fā)明實(shí)施例是這樣實(shí)現(xiàn)的，一種構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法，該構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法包括:
[0017]步驟一，采用知識挖掘技術(shù)形成擬境分析環(huán)境，探索氣象影響和可再生能源發(fā)電之間、區(qū)域環(huán)境特性和區(qū)域負(fù)荷之間以及動態(tài)負(fù)荷和電價以及需求響應(yīng)電量之間的定量影響關(guān)系；
[0018]步驟二，建立利用屬性篩選技術(shù)確立輸入變量、利用菌群趨向差分演化算法優(yōu)化參數(shù)的自適應(yīng)結(jié)構(gòu)的支持向量機(jī)和Elman神經(jīng)網(wǎng)絡(luò)智能負(fù)荷預(yù)測模型；
[0019]步驟三，建立基于數(shù)據(jù)切片挖掘的區(qū)域負(fù)荷智能預(yù)測模型；
[0020]步驟四，建立結(jié)合動態(tài)電價因素、用戶特性、用戶響應(yīng)電量的負(fù)荷曲線預(yù)測模型，實(shí)現(xiàn)負(fù)荷、電價、響應(yīng)電量的聯(lián)動修正預(yù)測。
[0021]進(jìn)一步，在步驟一中，通過對歷史負(fù)荷數(shù)據(jù)和氣象信息數(shù)據(jù)進(jìn)行收集，通過概率統(tǒng)計分析總結(jié)出可再生能源的分布規(guī)律和可再生能源實(shí)際發(fā)電出力數(shù)據(jù)，通過知識挖掘技術(shù)的關(guān)聯(lián)分析探尋歷史發(fā)電出力數(shù)據(jù)和相關(guān)因素之間的強(qiáng)弱關(guān)系，選擇具有明顯關(guān)聯(lián)影響的因素，根據(jù)發(fā)電出力特性形成供訓(xùn)練智能預(yù)測模型使用的擬境仿真環(huán)境，利用屬性篩選技術(shù)確定輸入變量，通過知識挖掘的分類分析和聚類分析尋找具有高度相似特性的歷史數(shù)據(jù)序列，通過群智能優(yōu)化算法確定智能預(yù)測模型所需的結(jié)構(gòu)參數(shù)，建立一體化自適應(yīng)結(jié)構(gòu)的智能預(yù)測模型。[0022]進(jìn)一步，在步驟二中，基于擬境挖掘和菌群趨向差分演化算法的一體化自適應(yīng)結(jié)構(gòu)支持向量機(jī)可再生能源中長期發(fā)電預(yù)測模型建立的具體步驟如下:
[0023]第一步，除了對智能電網(wǎng)環(huán)境下的風(fēng)電負(fù)荷數(shù)據(jù)進(jìn)行收集外，還需要對風(fēng)電場所在地的環(huán)境溫度、濕度、風(fēng)速、風(fēng)向、雨量、日照強(qiáng)度、大氣壓力氣象因素進(jìn)行監(jiān)測和統(tǒng)計分析，形成風(fēng)電場所在地區(qū)環(huán)境氣象因素年概率分布統(tǒng)計數(shù)據(jù)，尤其是風(fēng)速年概率分布統(tǒng)計數(shù)據(jù)和年度發(fā)電特性數(shù)據(jù)，借助于數(shù)據(jù)挖掘的手段探尋這些年概率分布統(tǒng)計數(shù)據(jù)對風(fēng)力發(fā)電影響的定量映射關(guān)系，選取相關(guān)因素建立歷史數(shù)據(jù)序列的數(shù)據(jù)倉庫，構(gòu)建風(fēng)力發(fā)電因素影響的模擬機(jī)制環(huán)境；
[0024]第二步，針對數(shù)據(jù)環(huán)境，利用知識挖掘技術(shù)中的關(guān)聯(lián)分析技術(shù)進(jìn)行屬性判別和篩選，利用粗糙集技術(shù)進(jìn)行屬性篩選，確定輸入變量，利用相似分析技術(shù)提取具有高度相似特性的歷史發(fā)電數(shù)據(jù)序列，為智能模型的輸入結(jié)點(diǎn)和訓(xùn)練數(shù)據(jù)的確定做好準(zhǔn)備；
[0025]第三步，構(gòu)建菌群趨向差分演化算法參數(shù)優(yōu)化的支持向量機(jī)中長期負(fù)荷預(yù)測模型，中長期電力負(fù)荷預(yù)測與短期負(fù)荷預(yù)測相比，可利用影響因素的數(shù)據(jù)量較少，因此在選擇負(fù)荷預(yù)測方法時應(yīng)優(yōu)先選取適合于基于小樣本數(shù)據(jù)量的統(tǒng)計預(yù)測方法，智能預(yù)測方法中的支持向量機(jī)方法利用結(jié)構(gòu)風(fēng)險最小化原理和解決線性二次規(guī)劃問題進(jìn)行機(jī)器學(xué)習(xí)，采用菌群趨向差分演化算法對參數(shù)進(jìn)行優(yōu)化；
[0026]第四步，對于誤差較大的預(yù)測點(diǎn)，根據(jù)風(fēng)電場所在地區(qū)的季風(fēng)特點(diǎn)、棄風(fēng)現(xiàn)象以及區(qū)域環(huán)境特點(diǎn)，利用知識挖掘技術(shù)建立風(fēng)力發(fā)電量的擬境反演知識推理模型，通過擬境反演知識推理分析這些因素對預(yù)測結(jié)果的得到相關(guān)的預(yù)測后干預(yù)知識，形成記憶推理知識庫，對預(yù)測結(jié)果進(jìn)行后干預(yù)，進(jìn)一步提高精度。
[0027]進(jìn)一步，在步驟二中，建立對智能電網(wǎng)環(huán)境下基于NWP數(shù)值氣象預(yù)報挖掘分析的可再生能源短期智能擬境負(fù)荷預(yù)測模型；采用天氣預(yù)報模式——多點(diǎn)數(shù)值天氣預(yù)報NWP模式對未來72小時之內(nèi)的氣象數(shù)據(jù)進(jìn)行高精度的多點(diǎn)數(shù)值模擬運(yùn)算預(yù)測，NWP模式對于未來6小時以內(nèi)的氣象數(shù)據(jù)預(yù)報的準(zhǔn)確性更高；具體包括:
[0028]第一步，在對可再生能源進(jìn)行短期預(yù)測時，對可再生能源發(fā)電特性的相關(guān)氣象數(shù)據(jù)、NWP預(yù)報數(shù)據(jù)和歷史負(fù)荷數(shù)據(jù)進(jìn)行收集，建立相應(yīng)的數(shù)據(jù)庫，以此為基礎(chǔ)，利用數(shù)據(jù)挖掘和文本挖掘的關(guān)聯(lián)、分類和聚類信息處理技術(shù)對數(shù)據(jù)進(jìn)行分析，根據(jù)可再生能源發(fā)電的特點(diǎn)，提取影響因素，形成高度仿真的數(shù)據(jù)信息虛擬環(huán)境，利用屬性篩選技術(shù)和粗糙集數(shù)據(jù)約簡技術(shù)自動篩選出輸入變量，為建立智能短期預(yù)測模型做好準(zhǔn)備；
[0029]第二步，對于待預(yù)測可再生能源發(fā)電時點(diǎn)t，提取該時點(diǎn)前較短一段時間內(nèi)的曲線，利用知識挖掘特征提取技術(shù)對該序列的譜特征進(jìn)行提取，并結(jié)合t時點(diǎn)給出的NWP氣象預(yù)報值形成一個預(yù)測時點(diǎn)譜特征數(shù)據(jù)集，通過譜聚類分析技術(shù)提取數(shù)據(jù)信息虛擬環(huán)境中具有高度相似特征的相關(guān)歷史序列值作為訓(xùn)練數(shù)據(jù)，為訓(xùn)練智能短期預(yù)測模型準(zhǔn)備；
[0030]第三步，建立目前具有良好非線性擬合能力和具有動態(tài)記憶功能的Elman動態(tài)反饋神經(jīng)網(wǎng)絡(luò)短期智能預(yù)測模型對可再生能源的短期發(fā)電負(fù)荷進(jìn)行預(yù)測。
[0031]進(jìn)一步，在步驟五中，構(gòu)建考慮電價因素以及用戶響應(yīng)電量因素的短期動態(tài)智能負(fù)荷預(yù)測模型包括以下步驟:
[0032]第一步，進(jìn)行初步預(yù)測，在用戶側(cè)需求響應(yīng)中，對下一日24點(diǎn)的負(fù)荷進(jìn)行預(yù)測是制定未來分時電價的基礎(chǔ)性工作，是制定分時電價的前提，在對下一日負(fù)荷曲線進(jìn)行短期負(fù)荷預(yù)測時，通過建立結(jié)合數(shù)據(jù)挖掘中群智能優(yōu)化算法自適應(yīng)參數(shù)的動態(tài)神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)模型對供電區(qū)域的未來短期負(fù)荷首先進(jìn)行預(yù)測，給出未來區(qū)域內(nèi)初始負(fù)荷預(yù)測序列，在構(gòu)建擬境環(huán)境時，需要考慮智能電網(wǎng)條件下分時電價、用戶響應(yīng)負(fù)荷因素的影響，結(jié)合知識挖掘技術(shù)進(jìn)行擬真環(huán)境的構(gòu)建，運(yùn)用屬性篩選技術(shù)確定輸入變量，以及建立基于群智能尋優(yōu)的智能短期負(fù)荷預(yù)測模型；
[0033]第二步，構(gòu)建基于曲線預(yù)測結(jié)果的分時電價預(yù)測模型以及基于用戶典型曲線特征的負(fù)荷需求響應(yīng)預(yù)測模型，考慮負(fù)荷預(yù)測曲線特性的峰平，峰谷和平谷值對電價的影響，獲得相應(yīng)時段的電價預(yù)測結(jié)果；
[0034]第三步，進(jìn)一步對用戶的響應(yīng)電量進(jìn)行預(yù)測，由于不同類型的用戶用電方式具有顯著性的差異，不同用戶群體的用電曲線特性不同，在對用戶的響應(yīng)電量進(jìn)行預(yù)測時，需要結(jié)合用戶特點(diǎn)進(jìn)行建立不同的分類預(yù)測模型，結(jié)合考慮用戶用電習(xí)慣相關(guān)因素變量進(jìn)行挖掘分析，構(gòu)建不同用戶類型的擬境環(huán)境，并建立相應(yīng)的群智能優(yōu)化算法自適應(yīng)參數(shù)的動態(tài)神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)模型對用戶的響應(yīng)電量進(jìn)行預(yù)測；
[0035]第四步，對短期負(fù)荷-電價-響應(yīng)電量聯(lián)動預(yù)測模型，當(dāng)時間到某一時點(diǎn)t時，由于此點(diǎn)電價和其余實(shí)時因素的影響，可能會使得t時點(diǎn)的實(shí)時值較原有的預(yù)測值會有一定的偏差，從而引起t+Ι時點(diǎn)以及以后的預(yù)測序列精度降低，因此需要對下一時點(diǎn)t+i的預(yù)測值利用新的實(shí)時值信息進(jìn)行預(yù)測修正，而對t+Ι時點(diǎn)的負(fù)荷預(yù)測修正后，在智能電網(wǎng)的環(huán)境下，由于電價是實(shí)時動態(tài)的，因此原有制定的分時電價也需要動態(tài)的予以修正，這樣產(chǎn)生的結(jié)果是t+Ι時點(diǎn)的用戶響應(yīng)結(jié)果可能也會帶來偏差，從而產(chǎn)生連鎖的非線性反應(yīng)，因此，需要對短期負(fù)荷-電價-響應(yīng)電量聯(lián)動預(yù)測模型進(jìn)行研究，利用t時點(diǎn)的負(fù)荷實(shí)時值對時點(diǎn)以后的初始預(yù)測序列進(jìn)行修正，即在原有模型的基礎(chǔ)上，將實(shí)時更新的負(fù)荷值代入進(jìn)行預(yù)測，利用負(fù)荷預(yù)測模型、電價預(yù)測模型和響應(yīng)電量預(yù)測模型對t+Ι時點(diǎn)的負(fù)荷預(yù)測值、電價預(yù)測值、響應(yīng)電量預(yù)測進(jìn)行修正預(yù)測，進(jìn)而利用t+Ι時點(diǎn)的最新預(yù)測值實(shí)現(xiàn)對整個初始負(fù)荷預(yù)測序列的迭代修正，為供電區(qū)域提供高精度的動態(tài)短期負(fù)荷、電價和響應(yīng)電量的預(yù)測結(jié)果，實(shí)現(xiàn)聯(lián)動預(yù)測修正的功能。
[0036]本發(fā)明提供的構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法，提出智能電網(wǎng)環(huán)境下擬境挖掘和菌群趨向差分演化算法尋優(yōu)的智能負(fù)荷預(yù)測模型，形成了擬境:利用概率統(tǒng)計分析技術(shù)和知識挖掘技術(shù)對智能電網(wǎng)環(huán)境下的數(shù)據(jù)進(jìn)行因素提取分析，形成我國智能電網(wǎng)環(huán)境下的預(yù)測虛擬數(shù)據(jù)環(huán)境；自動確定了輸入變量和數(shù)據(jù)集:在擬境基礎(chǔ)上，利用知識挖掘技術(shù)、屬性篩選技術(shù)等確定輸入變量及數(shù)據(jù)訓(xùn)練集，通過基于群智能優(yōu)化算法的自適應(yīng)結(jié)構(gòu)的智能預(yù)測模型，利用菌群趨向差分演化算法等群智能優(yōu)化算法對建立的智能預(yù)測模型進(jìn)行結(jié)構(gòu)參數(shù)上的優(yōu)化；與目前的負(fù)荷預(yù)測研究的不同之處在于:
[0037]—是建立的體系從輸入變量到結(jié)構(gòu)均利用知識挖掘技術(shù)和群智能算法予以確定，實(shí)現(xiàn)了一體化的智能建模工作，而目前的研究多在一個方面進(jìn)行研究；
[0038]二是通過上述這些手段，建立了符合我國智能電網(wǎng)實(shí)際情況的預(yù)測模型，在精度上進(jìn)一步提高，和傳統(tǒng)發(fā)電形式的預(yù)測研究上予以區(qū)別；
[0039]三是在智能預(yù)測模型和群智能優(yōu)化模型的選取上較為新穎；
[0040]提出智能電網(wǎng)環(huán)境下的區(qū)域擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型，通過挖掘分析形成一個具有下一時點(diǎn)區(qū)域數(shù)據(jù)特征的數(shù)據(jù)切片，在預(yù)測的過程中，根據(jù)數(shù)據(jù)切片尋找相似序列進(jìn)行動態(tài)迭代預(yù)測，將會使得所在區(qū)域內(nèi)的短期負(fù)荷預(yù)測結(jié)果有一個突破性的提高；
[0041]提出計及用戶側(cè)需求響應(yīng)的擬境挖掘短期動態(tài)智能負(fù)荷預(yù)測模型，考慮了動態(tài)電價因素、用戶特性、用戶響應(yīng)電量影對負(fù)荷曲線的影響上，并充分考慮利用實(shí)時負(fù)荷值，利用電價預(yù)測模型和用戶響應(yīng)電量預(yù)測模型進(jìn)行迭代動態(tài)修正預(yù)測；在對于負(fù)荷曲線特征分析上，采用譜分析提取典型的特征曲線譜，在此基礎(chǔ)上進(jìn)行相應(yīng)的挖掘分類、聚類分析；
[0042]本發(fā)明合理規(guī)劃可再生能源的建設(shè)規(guī)模，對可再生能源發(fā)電以及傳統(tǒng)發(fā)電進(jìn)行遠(yuǎn)距離輸送調(diào)度，促使電力用戶通過動態(tài)負(fù)荷響應(yīng)參與市場，促使用戶更加高效利用電能，促使電力企業(yè)合理安排電力供給資源，節(jié)約電力供給成本均有非常大的指導(dǎo)意義和借鑒作用；
[0043]本發(fā)明建立了智能電網(wǎng)環(huán)境下的考慮可再生能源間歇性和不穩(wěn)定性特點(diǎn)的可再生能源發(fā)電擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型以及各種發(fā)電結(jié)構(gòu)比例的動態(tài)演化預(yù)測模型，為智能電網(wǎng)環(huán)境下的可再生能源建設(shè)規(guī)劃、發(fā)電調(diào)度提供依據(jù)；
[0044]建立了智能電網(wǎng)環(huán)境下的考慮區(qū)域特性的擬境挖掘智能負(fù)荷預(yù)測模型，為智能電網(wǎng)環(huán)境下的多種能源跨區(qū)域調(diào)度、微網(wǎng)建設(shè)及并網(wǎng)調(diào)度提供依據(jù)；
[0045]建立了智能電網(wǎng)環(huán)境下考慮用戶側(cè)需求響應(yīng)的擬境挖掘短期動態(tài)智能負(fù)荷預(yù)測模型，建立考慮動態(tài)電價因素、用戶特性、用戶響應(yīng)電量和其他影響負(fù)荷的因素的短期動態(tài)負(fù)荷曲線預(yù)測模型，實(shí)現(xiàn)負(fù)荷-電價-響應(yīng)電量的聯(lián)動動態(tài)修正預(yù)測模型。為智能電網(wǎng)環(huán)境下電力市場交易、調(diào)度提供依據(jù)；為我國智能電網(wǎng)規(guī)劃、調(diào)度、交易提供理論支持和實(shí)例仿真驗(yàn)證，為負(fù)荷預(yù)測理論的完善和發(fā)展以及智能電網(wǎng)的建設(shè)做出貢獻(xiàn)。
【專利附圖】

【附圖說明】
[0046]圖1是本發(fā)明實(shí)施例提供的構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法的流程圖；
[0047]圖2是本發(fā)明實(shí)施例提供的計及用戶側(cè)需求響應(yīng)短期動態(tài)智能負(fù)荷預(yù)測模型的示意圖。
【具體實(shí)施方式】
[0048]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0049]下面結(jié)合附圖及具體實(shí)施例對本發(fā)明的應(yīng)用原理作進(jìn)一步描述。
[0050]如圖1所示，本發(fā)明實(shí)施例的構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法包括以下步驟:
[0051]SlOl:采用知識挖掘技術(shù)形成擬境分析環(huán)境，探索氣象影響和可再生能源發(fā)電之間、區(qū)域環(huán)境特性和區(qū)域負(fù)荷之間以及動態(tài)負(fù)荷和電價以及需求響應(yīng)電量之間的定量影響關(guān)系;
[0052]S102:建立利用屬性篩選技術(shù)確立輸入變量、利用菌群趨向差分演化算法優(yōu)化參數(shù)的自適應(yīng)結(jié)構(gòu)的支持向量機(jī)和Elman神經(jīng)網(wǎng)絡(luò)智能負(fù)荷預(yù)測模型；
[0053]S103:建立基于數(shù)據(jù)切片挖掘的區(qū)域負(fù)荷智能預(yù)測模型；[0054]S104:建立結(jié)合動態(tài)電價因素、用戶特性、用戶響應(yīng)電量的負(fù)荷曲線預(yù)測模型，實(shí)現(xiàn)負(fù)荷、電價、響應(yīng)電量的聯(lián)動修正預(yù)測。
[0055]本發(fā)明具體包括以下步驟:
[0056]步驟一，通過對歷史負(fù)荷數(shù)據(jù)和氣象信息數(shù)據(jù)進(jìn)行收集，通過概率統(tǒng)計分析總結(jié)出可再生能源的分布規(guī)律和可再生能源實(shí)際發(fā)電出力數(shù)據(jù)，通過知識挖掘技術(shù)的關(guān)聯(lián)分析探尋歷史發(fā)電出力數(shù)據(jù)和相關(guān)因素之間的強(qiáng)弱關(guān)系，選擇具有明顯關(guān)聯(lián)影響的因素，根據(jù)發(fā)電出力特性形成供訓(xùn)練智能預(yù)測模型使用的擬境仿真環(huán)境，利用屬性篩選技術(shù)確定輸入變量，通過知識挖掘的分類分析和聚類分析尋找具有高度相似特性的歷史數(shù)據(jù)序列，通過群智能優(yōu)化算法確定智能預(yù)測模型所需的結(jié)構(gòu)參數(shù)，建立一體化自適應(yīng)結(jié)構(gòu)的智能預(yù)測模型，對可再生能源發(fā)電預(yù)測問題進(jìn)行研究；
[0057]根據(jù)智能電網(wǎng)環(huán)境下的實(shí)際需求，擬準(zhǔn)備研究以下兩個子問題:
[0058]第一，對智能電網(wǎng)環(huán)境下可再生能源發(fā)電形式的中長期電力智能擬境挖掘自適應(yīng)電力負(fù)荷預(yù)測模型進(jìn)行研究，稱為:基于擬境挖掘和菌群趨向差分演化算法的一體化自適應(yīng)結(jié)構(gòu)支持向量機(jī)可再生能源中長期發(fā)電預(yù)測模型，中長期電力負(fù)荷預(yù)測是電力系統(tǒng)規(guī)劃、運(yùn)行與決策的基本工作，不但關(guān)系到整個電力系統(tǒng)發(fā)展的安全性和經(jīng)濟(jì)性，還直接關(guān)系到整個可再生能源的建設(shè)規(guī)劃上，在未來的智能電網(wǎng)環(huán)境下，可再生能源發(fā)電規(guī)模的不斷擴(kuò)大將促進(jìn)整個電力工業(yè)發(fā)電結(jié)構(gòu)的進(jìn)一步優(yōu)化調(diào)整，諸如火力發(fā)電等傳統(tǒng)形式的發(fā)電比例將進(jìn)一步縮小，而由于可再生能源發(fā)電受可再生能源特性的影響，大多呈現(xiàn)間歇性和反調(diào)峰性等特性，目前有關(guān)可再生能源發(fā)電預(yù)測的研究方法多利用在傳統(tǒng)預(yù)測問題下表現(xiàn)較好的智能預(yù)測模型，通過代入負(fù)荷變量以及其余相關(guān)因素進(jìn)行預(yù)測，而忽視根據(jù)可再生能源的發(fā)電特性進(jìn)行預(yù)測，勢必導(dǎo)致預(yù)測結(jié)果難以進(jìn)一步的提高；
[0059]以可再生能源中的風(fēng)力發(fā)電為例，風(fēng)電場建設(shè)完成后，其發(fā)電量和當(dāng)?shù)仫L(fēng)速基本成正比，風(fēng)力發(fā)電嚴(yán)重受到當(dāng)?shù)仫L(fēng)能的制約，而目前的風(fēng)力發(fā)電預(yù)測研究既有直接利用歷史輸出功率進(jìn)行預(yù)測，也有先對風(fēng)速進(jìn)行預(yù)測，然后根據(jù)風(fēng)速值和輸出功率之間的統(tǒng)計曲線模型得到輸出功率的預(yù)測值，但這些預(yù)測研究均直接在原有智能預(yù)測模型的基礎(chǔ)上，代入相關(guān)的歷史數(shù)據(jù)來進(jìn)行預(yù)測模型的訓(xùn)練，即利用輸出功率、風(fēng)速、風(fēng)向等因素和風(fēng)電輸出功率之間建立相應(yīng)的映射關(guān)系，沒有考慮風(fēng)力發(fā)電的相關(guān)特性，難以在預(yù)測精度上進(jìn)一步提高，因此，若想進(jìn)一步提高中長期風(fēng)力發(fā)電，就需要結(jié)合風(fēng)速的年概率分布統(tǒng)計數(shù)據(jù)，探尋風(fēng)速的年概率分布統(tǒng)計數(shù)據(jù)以及風(fēng)電地區(qū)的季節(jié)性影響和“棄風(fēng)”現(xiàn)象對中長期風(fēng)力發(fā)電量之間的影響關(guān)系，其主要步驟如下:
[0060]首先，除了對智能電網(wǎng)環(huán)境下的風(fēng)電負(fù)荷數(shù)據(jù)進(jìn)行收集外，還需要對風(fēng)電場所在地的環(huán)境溫度、濕度、風(fēng)速、風(fēng)向、雨量、日照強(qiáng)度、大氣壓力等氣象因素進(jìn)行監(jiān)測和統(tǒng)計分析，形成風(fēng)電場所在地區(qū)環(huán)境氣象因素年概率分布統(tǒng)計數(shù)據(jù)，尤其是風(fēng)速年概率分布統(tǒng)計數(shù)據(jù)和年度發(fā)電特性數(shù)據(jù)，借助于數(shù)據(jù)挖掘的手段探尋這些年概率分布統(tǒng)計數(shù)據(jù)對風(fēng)力發(fā)電影響的定量映射關(guān)系，選取相關(guān)因素建立歷史數(shù)據(jù)序列的數(shù)據(jù)倉庫，構(gòu)建風(fēng)力發(fā)電因素影響的模擬機(jī)制環(huán)境，為進(jìn)一步建立智能預(yù)測模型做好準(zhǔn)備；
[0061]其次，針對上述數(shù)據(jù)環(huán)境，利用知識挖掘技術(shù)中的關(guān)聯(lián)分析技術(shù)進(jìn)行屬性判別和篩選，利用粗糙集技術(shù)進(jìn)行屬性篩選，確定輸入變量，利用相似分析技術(shù)提取具有高度相似特性的歷史發(fā)電數(shù)據(jù)序列，為智能模型的輸入結(jié)點(diǎn)和訓(xùn)練數(shù)據(jù)的確定做好準(zhǔn)備；[0062]然后，構(gòu)建菌群趨向差分演化算法參數(shù)優(yōu)化的支持向量機(jī)中長期負(fù)荷預(yù)測模型，中長期電力負(fù)荷預(yù)測與短期負(fù)荷預(yù)測相比，其可利用影響因素的數(shù)據(jù)量較少，因此在選擇負(fù)荷預(yù)測方法時應(yīng)優(yōu)先選取適合于基于小樣本數(shù)據(jù)量的統(tǒng)計預(yù)測方法，智能預(yù)測方法中的支持向量機(jī)方法利用結(jié)構(gòu)風(fēng)險最小化原理和解決線性二次規(guī)劃問題進(jìn)行機(jī)器學(xué)習(xí)，與神經(jīng)網(wǎng)絡(luò)算法相比，具有要求確定參數(shù)少、在理論上有全局最優(yōu)的唯一解的特點(diǎn)，在小樣本情況下被認(rèn)為是可以替代神經(jīng)網(wǎng)絡(luò)的方法，因此，中長期智能負(fù)荷預(yù)測模型將選取支持向量機(jī)模型，而支持向量機(jī)模型在使用時需要確定模型的相關(guān)參數(shù)，目前的研究前沿普遍借助于粒子群、微分進(jìn)化等群智能優(yōu)化的算法進(jìn)行參數(shù)的優(yōu)化操作，在這里，考慮采用菌群趨向差分演化算法對參數(shù)進(jìn)行優(yōu)化，這種算法的核心算法是由Passino于2002年提出的菌群覓食智能隨機(jī)搜索算法(Bacteria Foraging Optimization BFO),該算法利用大腸桿菌的趨向性行為、聚集性行為、復(fù)制行為和遷徙行為尋找優(yōu)化問題的全局最優(yōu)解，但是由于使用標(biāo)準(zhǔn)BFO的固定游動步長不利于算法的收斂，因此Biswas等學(xué)者利用具有較好收斂能力的微分進(jìn)化算法的演化算法引入到趨向性操作中，通過在趨向性操作后的差分變異使得各細(xì)菌有不同的游動步長，使得算法可以更加仔細(xì)的搜索最優(yōu)解，提高BFO的尋優(yōu)及收斂能力，在諸多優(yōu)化標(biāo)準(zhǔn)測試函數(shù)的表現(xiàn)中，該改進(jìn)算法有效、穩(wěn)定，具有較好的尋求全局最優(yōu)解的能力，用其優(yōu)化支持向量機(jī)的參數(shù)，可以獲得較好的結(jié)果，進(jìn)一步提高風(fēng)電功率的預(yù)測精度；
[0063]最后，對于誤差較大的預(yù)測點(diǎn)，根據(jù)風(fēng)電場所在地區(qū)的季風(fēng)特點(diǎn)、“棄風(fēng)”現(xiàn)象以及區(qū)域環(huán)境特點(diǎn)，利用知識挖掘技術(shù)建立風(fēng)力發(fā)電量的擬境反演知識推理模型，通過擬境反演知識推理分析這些因素對預(yù)測結(jié)果的得到相關(guān)的預(yù)測后干預(yù)知識，形成記憶推理知識庫，對預(yù)測結(jié)果進(jìn)行后干預(yù)，進(jìn)一步提高精度；
[0064]第二，對智能電網(wǎng)環(huán)境下基于NWP數(shù)值氣象預(yù)報挖掘分析的可再生能源短期智能擬境負(fù)荷預(yù)測模型進(jìn)行研究，稱為基于擬境挖掘和菌群趨向差分演化算法的一體化自適應(yīng)結(jié)構(gòu)Elman神經(jīng)網(wǎng)絡(luò)可再生能源短期智能負(fù)荷預(yù)測模型；
[0065]在智能電網(wǎng)的條件下，為了增強(qiáng)可再生能源發(fā)電所在地區(qū)氣象預(yù)報的能力，發(fā)電地區(qū)將會建立數(shù)值氣象預(yù)報模型，采用目前較為先進(jìn)的天氣預(yù)報模式——多點(diǎn)數(shù)值天氣預(yù)報NWP模式(Numerical Weather Prediction),對未來72小時之內(nèi)的氣象數(shù)據(jù)進(jìn)行高精度的多點(diǎn)數(shù)值模擬運(yùn)算預(yù)測，NWP模式對于未來6小時以內(nèi)的氣象數(shù)據(jù)預(yù)報的準(zhǔn)確性更高，這就為提聞短期預(yù)測的結(jié)果進(jìn)一步提聞精度提供了可能；
[0066]首先，在對可再生能源進(jìn)行短期預(yù)測時，可以對可再生能源發(fā)電特性的相關(guān)氣象數(shù)據(jù)、NWP預(yù)報數(shù)據(jù)和歷史負(fù)荷數(shù)據(jù)進(jìn)行收集，建立相應(yīng)的數(shù)據(jù)庫，以此為基礎(chǔ)，利用數(shù)據(jù)挖掘和文本挖掘的關(guān)聯(lián)、分類和聚類等信息處理技術(shù)對數(shù)據(jù)進(jìn)行分析，根據(jù)可再生能源發(fā)電的特點(diǎn)，提取影響因素，形成高度仿真的數(shù)據(jù)信息虛擬環(huán)境，利用屬性篩選技術(shù)和粗糙集數(shù)據(jù)約簡技術(shù)自動篩選出輸入變量，為建立智能短期預(yù)測模型做好準(zhǔn)備；
[0067]其次，對于待預(yù)測可再生能源發(fā)電時點(diǎn)t，提取該時點(diǎn)前較短一段時間內(nèi)的曲線，利用知識挖掘特征提取技術(shù)對該序列的譜特征進(jìn)行提取，并結(jié)合t時點(diǎn)給出的NWP氣象預(yù)報值形成一個預(yù)測時點(diǎn)譜特征數(shù)據(jù)集，通過譜聚類分析技術(shù)提取數(shù)據(jù)信息虛擬環(huán)境中具有高度相似特征的相關(guān)歷史序列值作為訓(xùn)練數(shù)據(jù)，為訓(xùn)練智能短期預(yù)測模型準(zhǔn)備；
[0068]最后，建立目前具有良好非線性擬合能力和具有動態(tài)記憶功能的Elman動態(tài)反饋神經(jīng)網(wǎng)絡(luò)短期智能預(yù)測模型對可再生能源的短期發(fā)電負(fù)荷進(jìn)行預(yù)測，該網(wǎng)絡(luò)是Elman于1990年針對語音問題提出來的一種新型網(wǎng)絡(luò)，在傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)上添加了一個承接層，作為一步延時算子，從而具有一定的記憶功能，使得神經(jīng)網(wǎng)絡(luò)具有一定的適應(yīng)時變的動態(tài)能力，具有一定的動態(tài)特性，在對于Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定上，將網(wǎng)絡(luò)結(jié)構(gòu)的隱含層結(jié)點(diǎn)數(shù)目，承接層結(jié)點(diǎn)數(shù)目，連接閾值作為待定參數(shù)利用具有較好尋優(yōu)特性的菌群趨向差分演化算法進(jìn)行優(yōu)化，通過設(shè)定和網(wǎng)絡(luò)預(yù)測精度值相關(guān)的適應(yīng)度函數(shù)，提高網(wǎng)絡(luò)的收斂速度預(yù)測能力，進(jìn)一步提高Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測能力；
[0069]步驟二，智能電網(wǎng)環(huán)境下的區(qū)域擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型:
[0070]智能電網(wǎng)中的特高壓遠(yuǎn)距離輸送為跨區(qū)域輸電實(shí)現(xiàn)了高效便捷的途徑，可以使得電力市場進(jìn)一步突破區(qū)域的限制，形成跨時空的多品種電力交易市場體系，微網(wǎng)建設(shè)為電力孤島區(qū)域內(nèi)供電和輸電提供了高效的解決途徑，在未來智能電網(wǎng)的電力市場環(huán)境下，實(shí)現(xiàn)遠(yuǎn)距離輸電和微網(wǎng)并網(wǎng)需要解決的關(guān)鍵問題是各區(qū)域電力市場跨時空限制的調(diào)度交易問題，而解決這一問題的前提則是主要依賴于精確的區(qū)域?qū)崟r動態(tài)負(fù)荷預(yù)測結(jié)果，因此，需要對智能電網(wǎng)環(huán)境下的區(qū)域動態(tài)擬境智能負(fù)荷預(yù)測模型進(jìn)行研究，稱之為智能電網(wǎng)環(huán)境下的區(qū)域擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型；
[0071]由于電力負(fù)荷的變化是一個隨機(jī)過程，會受到所在區(qū)域內(nèi)的經(jīng)濟(jì)因素、季節(jié)因素、氣象因素、地理因素、政策因素等諸多因素的影響，因此，對于區(qū)域負(fù)荷預(yù)測問題而言，需要考慮區(qū)域本身特性對區(qū)域負(fù)荷預(yù)測的影響，這就需要結(jié)合區(qū)域負(fù)荷影響因素的特性對負(fù)荷預(yù)測進(jìn)行研究，通過研究表明，區(qū)域長期負(fù)荷預(yù)測和歷史負(fù)荷、經(jīng)濟(jì)因素、政策等因素相關(guān)，而區(qū)域短期負(fù)荷預(yù)測可以考慮的因素更多，包括可以考慮氣象因素、時間等因素的非線性影響，要想提高區(qū)域?qū)崟r動態(tài)負(fù)荷預(yù)測結(jié)果就需要對這些因素的影響予以充分的考慮；
[0072]以復(fù)雜的區(qū)域短期負(fù)荷預(yù)測為例，要想進(jìn)一步提高預(yù)測精度，首先對區(qū)域內(nèi)的相關(guān)數(shù)據(jù)進(jìn)行收集，利用知識挖掘中的關(guān)聯(lián)、分類、聚類技術(shù)對影響因素進(jìn)行提取分析，形成供區(qū)域預(yù)測的仿真虛擬環(huán)境，然后利用屬性篩選技術(shù)和粗糙集數(shù)據(jù)約簡技術(shù)對影響因素進(jìn)行篩選，確定輸入變量，對于下一個待預(yù)測時點(diǎn)t，可以對輸入變量的相關(guān)數(shù)據(jù)進(jìn)行提取，形成一個具有下一時點(diǎn)區(qū)域數(shù)據(jù)特征的數(shù)據(jù)切片，利用數(shù)據(jù)挖掘中的分類、聚類、關(guān)聯(lián)相似分析技術(shù)在歷史數(shù)據(jù)中提取具有高度相似數(shù)據(jù)切片的相關(guān)輸入變量數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，通過建立結(jié)合群智能優(yōu)化算法一體化自適應(yīng)結(jié)構(gòu)的動態(tài)神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)模型對區(qū)域內(nèi)下一時點(diǎn)的負(fù)荷進(jìn)行預(yù)測，在利用群智能優(yōu)化算法時，同樣考慮利用菌群趨向差分演化算法，這樣由于在模型的訓(xùn)練數(shù)據(jù)上采用了具有高度相似特性的數(shù)據(jù)序列，因此可以使得預(yù)測結(jié)果在預(yù)測精度上將有進(jìn)一步的提高；
[0073]步驟三，計及用戶側(cè)需求響應(yīng)的擬境挖掘短期動態(tài)智能負(fù)荷預(yù)測模型:
[0074]智能電網(wǎng)環(huán)境下為用戶側(cè)參與需求響應(yīng)互動提供了技術(shù)基礎(chǔ)和物質(zhì)條件，使得用戶側(cè)可以通過分時動態(tài)電價合理調(diào)節(jié)自身的用電結(jié)構(gòu)和用電方式，從而實(shí)現(xiàn)整個電網(wǎng)電能高效合理配置，在智能電網(wǎng)中，供電公司首先在前一天根據(jù)未來24小時的負(fù)荷需求預(yù)測制定出分時電價并將信息發(fā)送給用戶，而用戶通過根據(jù)自己未來的用電負(fù)荷預(yù)測值和分時電價信息來決定自己的響應(yīng)電量，參與到電力市場中，供電公司獲取用戶信息后，根據(jù)收集到的大量用戶響應(yīng)電量信息進(jìn)行決策，決定未來的調(diào)度方案，由于用戶提供的響應(yīng)電量極有可能對下一個時點(diǎn)的總用電量有較大的影響，進(jìn)而也將影響下一個時點(diǎn)的分時電價，引起整個負(fù)荷預(yù)測序列和電價預(yù)測序列產(chǎn)生一個連鎖反應(yīng)，因此負(fù)荷預(yù)測曲線應(yīng)該是一個不斷進(jìn)行修正變化的曲線，這就需要結(jié)合動態(tài)電價因素、用戶特性、用戶響應(yīng)電量和其他影響負(fù)荷的因素對短期動態(tài)負(fù)荷預(yù)測進(jìn)行研究，稱之為“計及用戶側(cè)需求響應(yīng)的擬境挖掘短期動態(tài)智能負(fù)荷預(yù)測模型”;如圖2所示；
[0075]在本發(fā)明的實(shí)施例中，構(gòu)建考慮電價因素以及用戶響應(yīng)電量因素的短期動態(tài)智能負(fù)荷預(yù)測模型，進(jìn)行初步預(yù)測，在用戶側(cè)需求響應(yīng)中，對下一日24點(diǎn)的負(fù)荷進(jìn)行預(yù)測是制定未來分時電價的基礎(chǔ)性工作，是制定分時電價的前提，在對下一日負(fù)荷曲線進(jìn)行短期負(fù)荷預(yù)測時，可以應(yīng)用本發(fā)明中智能電網(wǎng)環(huán)境下的區(qū)域擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的成果，通過建立結(jié)合數(shù)據(jù)挖掘中群智能優(yōu)化算法自適應(yīng)參數(shù)的動態(tài)神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)模型對供電區(qū)域的未來短期負(fù)荷首先進(jìn)行預(yù)測，給出未來區(qū)域內(nèi)初始負(fù)荷預(yù)測序列，在構(gòu)建擬境環(huán)境時，除了需要考慮提出的因素外，還需要考慮智能電網(wǎng)條件下分時電價、用戶響應(yīng)負(fù)荷因素的影響，在這些因素下結(jié)合知識挖掘技術(shù)進(jìn)行擬真環(huán)境的構(gòu)建，運(yùn)用屬性篩選技術(shù)確定輸入變量，以及建立基于群智能尋優(yōu)的智能短期負(fù)荷預(yù)測模型；
[0076]構(gòu)建基于曲線預(yù)測結(jié)果的分時電價預(yù)測模型以及基于用戶典型曲線特征的負(fù)荷需求響應(yīng)預(yù)測模型，根據(jù)消費(fèi)者心理學(xué)原理，不同用戶在不同價格上存在著不同程度的響應(yīng)，根據(jù)目前的統(tǒng)計研究表明，用戶的響應(yīng)電量與負(fù)荷曲線中的峰平，峰谷和平谷之間的電價差存在一定程度的比例關(guān)系，是一個分段函數(shù)，因此用戶側(cè)需求響應(yīng)電量和負(fù)荷曲線特性緊密相關(guān)，因此，需要結(jié)合電網(wǎng)的經(jīng)濟(jì)目標(biāo)以及負(fù)荷曲線預(yù)測的初步結(jié)果進(jìn)行負(fù)荷高峰時期和負(fù)荷低谷時期分時電價的設(shè)計，這就需要在構(gòu)建電價預(yù)測模型時，考慮負(fù)荷預(yù)測曲線特性的峰平，峰谷和平谷值對電價的影響，獲得相應(yīng)時段的電價預(yù)測結(jié)果；
[0077]由于我國各地經(jīng)濟(jì)發(fā)展水平差異較大，即使在同一省市，也會存在著各規(guī)劃區(qū)域經(jīng)濟(jì)發(fā)展差異較大的現(xiàn)象，這種現(xiàn)象將會導(dǎo)致不同區(qū)域的負(fù)荷曲線特性具有較大的差異，因此在確定峰平，峰谷和平谷時點(diǎn)時不能簡單的一概而論，應(yīng)該結(jié)合負(fù)荷預(yù)測序列，尋找歷史數(shù)據(jù)中最具有相似特征的負(fù)荷歷史序列作為參考制定，對于具有不同特征的負(fù)荷曲線需要制定不同的峰平，峰谷和平谷時段，從而確定電價預(yù)測序列，在尋找相似特征歷史序列時，可以借助前文中的譜聚類分析思路，對于各類用戶的典型用電負(fù)荷曲線提取曲線中的譜特征，通過曲線的譜特征值，利用知識挖掘中譜分類、聚類模型進(jìn)行分析，解決這一難題；
[0078]此外，在確定電價的基礎(chǔ)上，可以進(jìn)一步對用戶的響應(yīng)電量進(jìn)行預(yù)測，由于不同類型的用戶用電方式具有顯著性的差異，不同用戶群體的用電曲線特性不同，即使對于同一區(qū)域同一類型用戶而言，由于用戶用電習(xí)慣、經(jīng)濟(jì)條件、風(fēng)險心理偏好等差異也會導(dǎo)致在用戶用電特性大致相同的情況下，所提供的參與需求響應(yīng)電量也可能具有較大差異，因此，在對用戶的響應(yīng)電量進(jìn)行預(yù)測時，需要結(jié)合用戶特點(diǎn)進(jìn)行建立不同的分類預(yù)測模型，這就需要在建立用戶擬境環(huán)境時，需要結(jié)合考慮上述提到的用戶用電習(xí)慣等相關(guān)因素變量進(jìn)行挖掘分析，構(gòu)建不同用戶類型的擬境環(huán)境，并建立相應(yīng)的群智能優(yōu)化算法自適應(yīng)參數(shù)的動態(tài)神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)模型對用戶的響應(yīng)電量進(jìn)行預(yù)測；
[0079]對短期負(fù)荷-電價-響應(yīng)電量聯(lián)動預(yù)測模型，如上所述，負(fù)荷預(yù)測結(jié)果是動態(tài)分時電價制定的基礎(chǔ)，反之，在智能電網(wǎng)條件下，由于動態(tài)分時電價將影響用戶側(cè)的用電行為，也將會對原有的供電負(fù)荷特性產(chǎn)生進(jìn)一步的影響，帶來的連鎖反應(yīng)是對動態(tài)的分時電價也有一定的影響，這樣電價和負(fù)荷之間將呈現(xiàn)出一種高度的非線性的復(fù)雜映射關(guān)系，如圖2所示，當(dāng)時間到某一時點(diǎn)t時，由于此點(diǎn)電價和其余實(shí)時因素的影響，可能會使得t時點(diǎn)的實(shí)時值較原有的預(yù)測值會有一定的偏差，從而引起t+Ι時點(diǎn)以及以后的預(yù)測序列精度降低，因此需要對下一時點(diǎn)t+Ι的預(yù)測值利用新的實(shí)時值信息進(jìn)行預(yù)測修正，而對t+Ι時點(diǎn)的負(fù)荷預(yù)測修正后，在智能電網(wǎng)的環(huán)境下，由于電價是實(shí)時動態(tài)的，因此原有制定的分時電價也需要動態(tài)的予以修正，這樣產(chǎn)生的結(jié)果是t+Ι時點(diǎn)的用戶響應(yīng)結(jié)果可能也會帶來偏差，從而產(chǎn)生連鎖的非線性反應(yīng)，因此，需要對短期負(fù)荷-電價-響應(yīng)電量聯(lián)動預(yù)測模型進(jìn)行研究，利用t時點(diǎn)的負(fù)荷實(shí)時值對時點(diǎn)以后的初始預(yù)測序列進(jìn)行修正，即在原有模型的基礎(chǔ)上，將實(shí)時更新的負(fù)荷值代入進(jìn)行預(yù)測，利用負(fù)荷預(yù)測模型、電價預(yù)測模型和響應(yīng)電量預(yù)測模型對t+Ι時點(diǎn)的負(fù)荷預(yù)測值、電價預(yù)測值、響應(yīng)電量預(yù)測進(jìn)行修正預(yù)測，進(jìn)而利用t+Ι時點(diǎn)的最新預(yù)測值實(shí)現(xiàn)對整個初始負(fù)荷預(yù)測序列的迭代修正，為供電區(qū)域提供高精度的動態(tài)短期負(fù)荷、電價和響應(yīng)電量的預(yù)測結(jié)果，實(shí)現(xiàn)聯(lián)動預(yù)測修正的功能。
[0080]本發(fā)明的優(yōu)異效果:
[0081]①建立智能電網(wǎng)環(huán)境下的考慮可再生能源間歇性和不穩(wěn)定性特點(diǎn)的可再生能源發(fā)電擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型以及各種發(fā)電結(jié)構(gòu)比例的動態(tài)演化預(yù)測模型，為智能電網(wǎng)環(huán)境下的可再生能源建設(shè)規(guī)劃、發(fā)電調(diào)度提供依據(jù)；
[0082]②建立智能電網(wǎng)環(huán)境下的考慮區(qū)域特性的擬境挖掘智能負(fù)荷預(yù)測模型，為智能電網(wǎng)環(huán)境下的多種能源跨區(qū)域調(diào)度、微網(wǎng)建設(shè)及并網(wǎng)調(diào)度提供依據(jù)；
[0083]③建立智能電網(wǎng)環(huán)境下考慮用戶側(cè)需求響應(yīng)的擬境挖掘短期動態(tài)智能負(fù)荷預(yù)測模型，建立考慮動態(tài)電價因素、用戶特性、用戶響應(yīng)電量和其他影響負(fù)荷的因素的短期動態(tài)負(fù)荷曲線預(yù)測模型，實(shí)現(xiàn)負(fù)荷-電價-響應(yīng)電量的聯(lián)動動態(tài)修正預(yù)測模型，為智能電網(wǎng)環(huán)境下電力市場交易、調(diào)度提供依據(jù)；
[0084]總之，建立一套適合我國未來智能電網(wǎng)新環(huán)境下的負(fù)荷預(yù)測理論與方法，為我國智能電網(wǎng)規(guī)劃、調(diào)度、交易提供理論支持和實(shí)例仿真驗(yàn)證，為負(fù)荷預(yù)測理論的完善和發(fā)展以及智能電網(wǎng)的建設(shè)做出貢獻(xiàn)。
[0085]本發(fā)明的工作原理:
[0086]基于擬境挖掘技術(shù)，提取分析影響因素，構(gòu)建預(yù)測數(shù)據(jù)虛擬環(huán)境，在上述的研究內(nèi)容中，首要解決的關(guān)鍵問題是建立適合于相關(guān)研究內(nèi)容的擬境數(shù)據(jù)環(huán)境，在構(gòu)建擬境環(huán)境時，首先利用概率統(tǒng)計分析技術(shù)和知識挖掘技術(shù)中的關(guān)聯(lián)技術(shù)、記憶推理技術(shù)進(jìn)行影響因素的提取，然后利用知識挖掘中的屬性篩選技術(shù)、粗糙集數(shù)據(jù)約簡技術(shù)等進(jìn)一步篩選影響因素，確定輸入變量，針對預(yù)測負(fù)荷時點(diǎn)，提取輸入變量因素形成的數(shù)據(jù)切片，利用知識挖掘中的分類、聚類，形似分析等技術(shù)提取出具有高度相似特征的訓(xùn)練數(shù)據(jù)，為下一步進(jìn)行高精度的預(yù)測工作構(gòu)建預(yù)測數(shù)據(jù)環(huán)境；
[0087]建立基于群智能優(yōu)化算法的一體化自適應(yīng)智能預(yù)測模型，上述的擬境挖掘工作為預(yù)測問題提供了輸入變量和訓(xùn)練數(shù)據(jù)集，在此基礎(chǔ)上，繼續(xù)深入研究基于群智能優(yōu)化算法的一體化自適應(yīng)智能預(yù)測模型，例如利用菌群趨向差分演化算法等群智能算法對支持向量機(jī)的參數(shù)，Elman神經(jīng)網(wǎng)絡(luò)的隱含層結(jié)點(diǎn)個數(shù)、承接層結(jié)點(diǎn)個數(shù)以及連接閾值等參數(shù)進(jìn)行優(yōu)化，建立起無需人工經(jīng)驗(yàn)干預(yù)的智能預(yù)測模型，此外，還將研究諸如粒子群、微分進(jìn)化、蛙跳、族群進(jìn)化、螢火蟲群等算法對其它神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)實(shí)現(xiàn)結(jié)構(gòu)參數(shù)優(yōu)化的智能預(yù)測模型，并利用實(shí)證進(jìn)行對比分析，找出最優(yōu)的動態(tài)自適應(yīng)智能優(yōu)化預(yù)測新模型；[0088]建立負(fù)荷-電價-響應(yīng)電量的聯(lián)動動態(tài)修正預(yù)測模型，在對負(fù)荷曲線的預(yù)測研究時，在上述智能預(yù)測模型的基礎(chǔ)上，建立考慮動態(tài)電價因素、用戶特性、用戶響應(yīng)電量和其他影響負(fù)荷的因素的短期動態(tài)負(fù)荷曲線預(yù)測模型，并充分考慮利用實(shí)時負(fù)荷值，利用電價預(yù)測模型和用戶響應(yīng)電量預(yù)測模型進(jìn)行迭代動態(tài)修正預(yù)測，為智能電網(wǎng)環(huán)境下電力市場交易、調(diào)度提供依據(jù)。
[0089]本發(fā)明在方法上利用知識挖掘技術(shù)、群智能優(yōu)化算法和智能預(yù)測模型三者相結(jié)合，研究智能電網(wǎng)環(huán)境下基于知識挖掘的擬境動態(tài)智能負(fù)荷預(yù)測模型，首先采用概率統(tǒng)計分析技術(shù)和知識的關(guān)聯(lián)、分類、聚類分析等技術(shù)得到具體負(fù)荷預(yù)測問題的模擬環(huán)境，分析影響因素，然后通過屬性篩選技術(shù)、粗糙集約簡技術(shù)進(jìn)行影響因素的分析，確定輸入變量，利用知識挖掘的分類、聚類分析等技術(shù)提取相似序列確定訓(xùn)練數(shù)據(jù)，利用非線性擬合能力強(qiáng)的智能預(yù)測模型得到高精度的預(yù)測結(jié)果，在預(yù)測過程中，利用群智能優(yōu)化算法對智能預(yù)測模型的結(jié)構(gòu)和參數(shù)進(jìn)行自適應(yīng)優(yōu)化，可以避免人為選擇結(jié)構(gòu)和參數(shù)的主觀性，通過這種上述研究方法建立的模型從三個方面提高了精度:一是形成相關(guān)問題的虛擬數(shù)據(jù)環(huán)境，在此基礎(chǔ)上建立的負(fù)荷預(yù)測模型符合預(yù)測的具體內(nèi)容；二是通過知識挖掘提取高度相似性的序列作為模型的訓(xùn)練集，經(jīng)這些數(shù)據(jù)訓(xùn)練得到的智能負(fù)荷預(yù)測模型可以更加準(zhǔn)確地反映負(fù)荷變化的規(guī)律，減小了預(yù)測的誤差；三是通過屬性篩選技術(shù)和群智能優(yōu)化算法進(jìn)行從輸入變量到結(jié)構(gòu)和參數(shù)的一體化自適應(yīng)選取工作，擺脫了人為主觀選擇輸入變量和結(jié)構(gòu)參數(shù)的不利因素，使得預(yù)測的精度進(jìn)一步的提聞。
[0090]本發(fā)明提出“智能電網(wǎng)環(huán)境下擬境挖掘和菌群趨向差分演化算法尋優(yōu)的智能負(fù)荷預(yù)測模型”，該模型的創(chuàng)新之處有三點(diǎn):一是形成擬境:利用概率統(tǒng)計分析技術(shù)和知識挖掘技術(shù)對智能電網(wǎng)環(huán)境下的數(shù)據(jù)進(jìn)行因素提取分析，形成我國智能電網(wǎng)環(huán)境下的預(yù)測虛擬數(shù)據(jù)環(huán)境，二是自動確定輸入變量和數(shù)據(jù)集:在擬境基礎(chǔ)上，利用知識挖掘技術(shù)、屬性篩選技術(shù)等確定輸入變量及數(shù)據(jù)訓(xùn)練集，三是研究基于群智能優(yōu)化算法的自適應(yīng)結(jié)構(gòu)的智能預(yù)測模型，利用菌群趨向差分演化算法等群智能優(yōu)化算法對建立的智能預(yù)測模型進(jìn)行結(jié)構(gòu)參數(shù)上的優(yōu)化，這和目前的負(fù)荷預(yù)測研究的不同之處在于:一是建立的體系從輸入變量到結(jié)構(gòu)均利用知識挖掘技術(shù)和群智能算法予以確定，實(shí)現(xiàn)了一體化的智能建模工作，而目前的研究多在一個方面進(jìn)行研究；二是通過上述這些手段，研究建立符合我國智能電網(wǎng)實(shí)際情況的預(yù)測模型，在精度上進(jìn)一步提高，和傳統(tǒng)發(fā)電形式的預(yù)測研究上予以區(qū)別；三是在智能預(yù)測模型和群智能優(yōu)化模型的選取上較為新穎；
[0091]提出“研究智能電網(wǎng)環(huán)境下的區(qū)域擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型”，該模型和傳統(tǒng)的區(qū)域負(fù)荷預(yù)測的不同除了第一點(diǎn)提到的方法創(chuàng)新外，還體現(xiàn)在考慮更多因素，通過挖掘分析形成一個具有下一時點(diǎn)區(qū)域數(shù)據(jù)特征的數(shù)據(jù)切片，在預(yù)測的過程中，根據(jù)數(shù)據(jù)切片尋找相似序列進(jìn)行動態(tài)迭代預(yù)測，將會使得所在區(qū)域內(nèi)的短期負(fù)荷預(yù)測結(jié)果有一個突破性的提高，這也是本發(fā)明的一個創(chuàng)新之處；
[0092]提出“計及用戶側(cè)需求響應(yīng)的擬境挖掘短期動態(tài)智能負(fù)荷預(yù)測模型”，該模型的創(chuàng)新之處除了第一點(diǎn)提到的方法創(chuàng)新外，還體現(xiàn)在考慮動態(tài)電價因素、用戶特性、用戶響應(yīng)電量影對負(fù)荷曲線的影響上，并充分考慮利用實(shí)時負(fù)荷值，利用電價預(yù)測模型和用戶響應(yīng)電量預(yù)測模型進(jìn)行迭代動態(tài)修正預(yù)測，在對于負(fù)荷曲線特征分析上，采用譜分析提取典型的特征曲線譜，在此基礎(chǔ)上進(jìn)行相應(yīng)的挖掘分類、聚類分析，這同樣也是本發(fā)明的一個創(chuàng)新之處。
[0093]以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1.一種構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法，該構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法包括: 步驟一，采用知識挖掘技術(shù)形成擬境分析環(huán)境，探索氣象影響和可再生能源發(fā)電之間、區(qū)域環(huán)境特性和區(qū)域負(fù)荷之間以及動態(tài)負(fù)荷和電價以及需求響應(yīng)電量之間的定量影響關(guān)系，確定輸入變量待選集； 步驟二，建立利用屬性篩選技術(shù)確立輸入變量、利用菌群趨向差分演化算法優(yōu)化參數(shù)的自適應(yīng)結(jié)構(gòu)的支持向量機(jī)和Elman神經(jīng)網(wǎng)絡(luò)等智能負(fù)荷預(yù)測模型； 步驟三，建立基于數(shù)據(jù)切片挖掘的區(qū)域負(fù)荷智能預(yù)測模型； 步驟四，建立結(jié)合動態(tài)電價因素、用戶特性、用戶響應(yīng)電量的負(fù)荷曲線預(yù)測模型，實(shí)現(xiàn)負(fù)荷、電價、響應(yīng)電量的聯(lián)動修正預(yù)測。
2.如權(quán)利要求1所述的構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法，其特征在于，在步驟一中，通過對歷史負(fù)荷數(shù)據(jù)和氣象信息數(shù)據(jù)進(jìn)行收集，通過概率統(tǒng)計分析總結(jié)出可再生能源的分布規(guī)律和可再生能源實(shí)際發(fā)電出力數(shù)據(jù)，通過知識挖掘技術(shù)的關(guān)聯(lián)分析探尋歷史發(fā)電出力數(shù)據(jù)和相關(guān)因素之間的強(qiáng)弱關(guān)系，選擇具有明顯關(guān)聯(lián)影響的因素，根據(jù)發(fā)電出力特性形成供訓(xùn)練智能預(yù)測模型使用的擬境仿真環(huán)境，利用屬性篩選技術(shù)確定輸入變量，通過知識挖掘的分類分析和聚類分析尋找具有高度相似特性的歷史數(shù)據(jù)序列，通過群智能優(yōu)化算法確定智能預(yù)測模型所需的結(jié)構(gòu)參數(shù)，建立一體化自適應(yīng)結(jié)構(gòu)的智能預(yù)測模型。
3.如權(quán)利要求1所述的構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法，其特征在于，在步驟二中，基于擬境挖掘和菌群趨向差分演化算法的一體化自適應(yīng)結(jié)構(gòu)支持向量機(jī)可再生能源中長期發(fā)電預(yù)測模型建立的具體步驟如下: 第一步，除了對智能電網(wǎng)環(huán)境下的風(fēng)電負(fù)荷數(shù)據(jù)進(jìn)行收集外，還需要對風(fēng)電場所在地的環(huán)境溫度、濕度、風(fēng)速、風(fēng)向、雨量、日照強(qiáng)度、大氣壓力氣象因素進(jìn)行監(jiān)測和統(tǒng)計分析，形成風(fēng)電場所在地區(qū)環(huán)境氣象因素年概率分布統(tǒng)計數(shù)據(jù)，尤其是風(fēng)速年概率分布統(tǒng)計數(shù)據(jù)和年度發(fā)電特性數(shù)據(jù)，借助于數(shù)據(jù)挖掘的手段探尋這些年概率分布統(tǒng)計數(shù)據(jù)對風(fēng)力發(fā)電影響的定量映射關(guān)系，選取相關(guān)因素建立歷史數(shù)據(jù)序列的數(shù)據(jù)倉庫，構(gòu)建電網(wǎng)中各種能源，尤其是諸如風(fēng)能等可再生發(fā)電因素影響的模擬機(jī)制環(huán)境，自動形成輸入變量的待選集合； 第二步，針對數(shù)據(jù)環(huán)境，利用知識挖掘技術(shù)中的關(guān)聯(lián)分析技術(shù)進(jìn)行屬性判別和篩選，利用粗糙集技術(shù)進(jìn)行屬性篩選，確定輸入變量，利用相似分析技術(shù)提取具有高度相似特性的歷史發(fā)電數(shù)據(jù)序列，為智能模型的輸入結(jié)點(diǎn)和訓(xùn)練數(shù)據(jù)的確定做好準(zhǔn)備； 第三步，構(gòu)建諸如菌群趨向差分演化算法等群智能參數(shù)優(yōu)化的支持向量機(jī)中長期負(fù)荷預(yù)測模型，中長期電力負(fù)荷預(yù)測與短期負(fù)荷預(yù)測相比，可利用影響因素的數(shù)據(jù)量較少，因此在選擇負(fù)荷預(yù)測方法時應(yīng)優(yōu)先選取適合于基于小樣本數(shù)據(jù)量的統(tǒng)計預(yù)測方法，智能預(yù)測方法中的支持向量機(jī)方法利用結(jié)構(gòu)風(fēng)險最小化原理和解決線性二次規(guī)劃問題進(jìn)行機(jī)器學(xué)習(xí)，采用菌群趨向差分演化算法對參數(shù)進(jìn)行優(yōu)化； 第四步，對于可再生能源發(fā)電預(yù)測誤差較大的預(yù)測點(diǎn)，根據(jù)風(fēng)電場所在地區(qū)的季風(fēng)特點(diǎn)、棄風(fēng)現(xiàn)象以及區(qū)域環(huán)境特點(diǎn)，利用知識挖掘技術(shù)建立風(fēng)力發(fā)電量的擬境反演知識推理模型，通過擬境反演知識推理分析這些因素對預(yù)測結(jié)果的得到相關(guān)的預(yù)測后干預(yù)知識，形成記憶推理知識庫，對預(yù) 測結(jié)果進(jìn)行后干預(yù)，進(jìn)一步提高精度。
4.如權(quán)利要求1所述的構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法，其特征在于，在步驟二中，建立對智能電網(wǎng)環(huán)境下基于NWP數(shù)值氣象預(yù)報挖掘分析的可再生能源短期智能擬境負(fù)荷預(yù)測模型；采用天氣預(yù)報模式——多點(diǎn)數(shù)值天氣預(yù)報NWP模式對未來72小時之內(nèi)的氣象數(shù)據(jù)進(jìn)行高精度的多點(diǎn)數(shù)值模擬運(yùn)算預(yù)測，NWP模式對于未來6小時以內(nèi)的氣象數(shù)據(jù)預(yù)報的準(zhǔn)確性更高；具體包括: 第一步，在對可再生能源進(jìn)行短期預(yù)測時，對可再生能源發(fā)電特性的相關(guān)氣象數(shù)據(jù)、NWP預(yù)報數(shù)據(jù)和歷史負(fù)荷數(shù)據(jù)進(jìn)行收集，建立相應(yīng)的數(shù)據(jù)庫，以此為基礎(chǔ)，利用數(shù)據(jù)挖掘和文本挖掘的關(guān)聯(lián)、分類和聚類信息處理技術(shù)對數(shù)據(jù)進(jìn)行分析，根據(jù)可再生能源發(fā)電的特點(diǎn)，提取影響因素，形成高度仿真的數(shù)據(jù)信息虛擬環(huán)境，利用屬性篩選技術(shù)和粗糙集數(shù)據(jù)約簡技術(shù)自動篩選出輸入變量，為建立智能短期預(yù)測模型做好準(zhǔn)備； 第二步，對于待預(yù)測可再生能源發(fā)電時點(diǎn)t，提取該時點(diǎn)前較短一段時間內(nèi)的曲線，利用知識挖掘特征提取技術(shù)對該序列的譜特征進(jìn)行提取，并結(jié)合t時點(diǎn)給出的NWP氣象預(yù)報值形成一個預(yù)測時點(diǎn)譜特征數(shù)據(jù)集，通過譜聚類分析技術(shù)提取數(shù)據(jù)信息虛擬環(huán)境中具有高度相似特征的相關(guān)歷史序列值作為訓(xùn)練數(shù)據(jù)，為訓(xùn)練智能短期預(yù)測模型準(zhǔn)備； 第三步，建立目前具有良好非線性擬合能力和具有動態(tài)記憶功能的Elman動態(tài)反饋神經(jīng)網(wǎng)絡(luò)短期智能預(yù)測模型對可再生能源的短期發(fā)電負(fù)荷進(jìn)行預(yù)測。
5.如權(quán)利要求1所述的構(gòu)建擬境挖掘動態(tài)智能負(fù)荷預(yù)測模型的方法，其特征在于，在步驟四中，構(gòu)建考慮電價因素以及用戶響應(yīng)電量因素的短期動態(tài)智能負(fù)荷預(yù)測模型包括以下步驟: 第一步，進(jìn)行初步預(yù)測，在用戶側(cè)需求響應(yīng)中，對下一日24點(diǎn)的負(fù)荷進(jìn)行預(yù)測是制定未來分時電價的基 礎(chǔ)性工作，是制定分時電價的前提，在對下一日負(fù)荷曲線進(jìn)行短期負(fù)荷預(yù)測時，通過建立結(jié)合數(shù)據(jù)挖掘中群智能優(yōu)化算法自適應(yīng)參數(shù)的動態(tài)神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)模型對供電區(qū)域的未來短期負(fù)荷首先進(jìn)行預(yù)測，給出未來區(qū)域內(nèi)初始負(fù)荷預(yù)測序列，在構(gòu)建擬境環(huán)境時，需要考慮智能電網(wǎng)條件下分時電價、用戶響應(yīng)負(fù)荷因素的影響，結(jié)合知識挖掘技術(shù)進(jìn)行擬真環(huán)境的構(gòu)建，運(yùn)用屬性篩選技術(shù)確定輸入變量，以及建立基于群智能尋優(yōu)的智能短期負(fù)荷預(yù)測模型； 第二步，構(gòu)建基于曲線預(yù)測結(jié)果的分時電價預(yù)測模型以及基于用戶典型曲線特征的負(fù)荷需求響應(yīng)預(yù)測模型，考慮負(fù)荷預(yù)測曲線特性的峰平，峰谷和平谷值對電價的影響，獲得相應(yīng)時段的電價預(yù)測結(jié)果； 第三步，進(jìn)一步對用戶的響應(yīng)電量進(jìn)行預(yù)測，由于不同類型的用戶用電方式具有顯著性的差異，不同用戶群體的用電曲線特性不同，在對用戶的響應(yīng)電量進(jìn)行預(yù)測時，需要結(jié)合用戶特點(diǎn)進(jìn)行建立不同的分類預(yù)測模型，結(jié)合考慮用戶用電習(xí)慣相關(guān)因素變量進(jìn)行挖掘分析，構(gòu)建不同用戶類型的擬境環(huán)境，并建立相應(yīng)的群智能優(yōu)化算法自適應(yīng)參數(shù)的動態(tài)神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)模型對用戶的響應(yīng)電量進(jìn)行預(yù)測； 第四步，對短期負(fù)荷-電價-響應(yīng)電量聯(lián)動預(yù)測模型，當(dāng)時間到某一時點(diǎn)t時，由于此點(diǎn)電價和其余實(shí)時因素的影響，可能會使得t時點(diǎn)的實(shí)時值較原有的預(yù)測值會有一定的偏差，從而引起t+Ι時點(diǎn)以及以后的預(yù)測序列精度降低，因此需要對下一時點(diǎn)t+1的預(yù)測值利用新的實(shí)時值信息進(jìn)行預(yù)測修正，而對t+Ι時點(diǎn)的負(fù)荷預(yù)測修正后，在智能電網(wǎng)的環(huán)境下，由于電價是實(shí)時動態(tài)的，因此原有制定的分時電價也需要動態(tài)的予以修正，這樣產(chǎn)生的結(jié)果是t+Ι時點(diǎn)的用戶響應(yīng)結(jié)果可能也會帶來偏差，從而產(chǎn)生連鎖的非線性反應(yīng)，因此，需要對短期負(fù)荷-電價-響應(yīng)電量聯(lián)動預(yù)測模型進(jìn)行研究，利用t時點(diǎn)的負(fù)荷實(shí)時值對時點(diǎn)以后的初始預(yù)測序列進(jìn)行修正，即在原有模型的基礎(chǔ)上，將實(shí)時更新的負(fù)荷值代入進(jìn)行預(yù)測，利用負(fù)荷預(yù)測模型、電價預(yù)測模型和響應(yīng)電量預(yù)測模型對t+Ι時點(diǎn)的負(fù)荷預(yù)測值、電價預(yù)測值、響應(yīng)電量預(yù)測進(jìn)行修正預(yù)測，進(jìn)而利用t+Ι時點(diǎn)的最新預(yù)測值實(shí)現(xiàn)對整個初始負(fù)荷預(yù)測序列的迭代修正，為供電區(qū)域提供高精度的動態(tài)短期負(fù)荷、電價和響應(yīng)電量的預(yù)測結(jié)果，實(shí)現(xiàn)聯(lián)動預(yù)測修正的功能。
【文檔編號】G06Q10/04GK104008430SQ201410233879
【公開日】2014年8月27日 申請日期:2014年5月29日 優(yōu)先權(quán)日:2014年5月29日
【發(fā)明者】王建軍, 牛東曉, 李莉, 李存斌 申請人:華北電力大學(xué)