[发明专利]一种基于两阶段还原的地区网供负荷精细化预测方法

权利要求书

1.一种基于两阶段还原的地区网供负荷精细化预测方法，其特征在于，包括以下步骤：

步骤一：采集地区用电负荷、小水火电、新能源发电和区域互供功率的历史数据，以及分时分区气象的历史和预测数据；

步骤二：采用两阶段还原法，将网供负荷分解为地区用电负荷与小水火电、新能源发电和区域互供功率的组合；

步骤三：根据不同类型负荷的特点和影响因素，引入分时分区气象信息，构建不同的预测模型，并基于各类型负荷预测模型和预测日的精细化气象预测值，获得各类型负荷曲线的预测结果；

步骤四：将各类型的负荷预测曲线进行组合，还原得到预测日的网供负荷预测曲线。

2.根据权利要求1所述的基于两阶段还原的地区网供负荷精细化预测方法，其特征在于：在步骤一中，采集地区用电负荷P_L,d、小水火电发电功率P_S,d、新能源发电功率P_N,d和区域互供功率P_H,d的历史数据以及分时分区气温T_d、降雨量H_d、太阳辐照度I_d和风速V_d的历史和预测数据，其中d∈{1,...,D},D为历史样本日的总天数。

3.根据权利要求1或2所述的基于两阶段还原的地区网供负荷精细化预测方法，其特征在于：在步骤二中，采用两阶段还原法，将网供负荷P_W,d分解为地区用电负荷P_L,d与小水火电发电功率P_S,d，新能源发电功率P_N,d和区域互供功率P_H,d的组合：

P_W,d＝P_L,d-P_S,d-P_N,d-P_H,d(d＝1,2,...,D)。

4.根据权利要求3所述的基于两阶段还原的地区网供负荷精细化预测方法，其特征在于：在步骤三中，基于各类型负荷预测模型和预测日的精细化气象预测值，获得各类型负荷曲线的预测结果，具体采用以下步骤：

步骤1.预测地区用电负荷曲线P_L,f，将前一日地区用电负荷曲线P_L,d-1、预测日的分时分区气温T_d以及分时分区降雨量H_d作为输入参数X_L,d，建立地区用电负荷曲线P_L,d的LSTM神经网络预测模型f_LSTM；并依据预测前日和当日的日类型转移一致为原则，按距离预测时间由近及远选择训练样本，对LSTM参数θ_LSTM进行训练，获取最优LSTM预测参数最后利用最优LSTM预测模型和预测日的输入参数X_L,f，对预测日的电力负荷曲线P_L,f进行预测：

X_L,d＝[T_d,H_d,P_L,d-1]

P_L,d＝f_LSTM(X_L,d,θ_LSTM)

步骤2.预测小水火电发电功率P_S,f，将小水电功率曲线分解为日最大P_max,d、最小功率P_min,d和标幺化曲线F_d三个特征量；对日最大、最小功率P_max,d和P_min,d，采用时间序列神经网络f_narxnet开展预测；对标幺化曲线F_d，通过Kmeans技术将历史标幺曲线聚为K类，采用概率神经网络f_PNN依据预测日的分区降雨量H_f和最大功率P_max,f、最小功率P_min,f的预测值，识别预测日对应的标幺曲线类别k_f，并以第k_f类别的中心标幺曲线作为预测日标幺化曲线F_f的预测结果；最后将预测日的日最大、最小功率和标幺化曲线三个特征量P_max,f、P_min,f、F_f的预测信息加以组合，得到小水电发电功率曲线P_S,f的预测结果；

步骤3.预测新能源发电功率P_N,f，将新能源发电功率P_N,d-1与分时分区辐照度I_d或风速V_d作为输入参数，建立新能源发电功率曲线P_N,d的RBF神经网络预测模型f_RBF；并依据训练样本对模型参数θ_RBF进行训练，获取最优预测模型参数最后利用最优新能源发电功率预测模型和预测日的输入参数X_N,f，对预测日的电力负荷曲线P_N,f进行预测：

X_N,d＝[I_d or V_d,P_N,d-1]

P_N,d＝f_RBF(X_N,d,θ_RBF)

步骤4.预测区域互供功率P_H,f，将前n日的区域互供功率[P_H,f-1,P_H,f-2,…,P_H,f-n]作为输入参数，建立区域互供功率曲线P_H,f的灰色预测模型：

P_H,f＝f_GRAY(P_H,f-1,P_H,f-2,...,P_H,f-n)。