[发明专利]一种基于广义需求侧资源的DBN电网负荷预测方法及装置

说明书

本发明公开了一种基于广义需求侧资源的DBN电网负荷预测方法及装置，对可削减负荷LC、可转移负荷LS及储能系统ES建立基于电价合同的调度模型，该模型借助负荷聚合商确定三种广义需求侧资源参与电力市场的最优调度计划；基于此，将广义需求侧资源影响因素融入到DBN负荷预测模型中，建立了考虑广义需求侧资源的DBN短期负荷预测模型；结合历史负荷数据、天气数据对预测模型进行训练测试，得到待测区域的日负荷预测曲线。该方法预测精度高，稳定性好，能够满足负荷大数据下的电网预测要求。

技术领域

本发明属于电力系统技术领域，更具体地，涉及一种基于广义需求侧资源的DBN电网负荷预测方法及装置。

背景技术

短期负荷预测对于调度部门的机组最优组合、经济调度、最优潮流而言，尤其是对现在与将来的电力市场有着重要的意义，准确的负荷预测，有利于经济合理地安排电网内部发电机组的启停，提高发电设备的利用率和经济调度的有效性，保持电网运行的安全稳定性。

智能电网中可控负荷、分布式电源以及储能等广义需求侧资源以其灵活多样的方式进行需求响应，使负荷转移能力增强，可转移时间范围更广。在电力市场环境下，拥有广义需求侧资源的用户针对不同的价格信号和激励机制以用电经济性为目标，通过复杂决策过程，合理调整可控负荷、分布式电源及储能资源，改变了负荷特性与变化规律。为此，在运行调度与电力市场的短期负荷预测中，需要考虑广义需求侧资源，以提高预测精度。另一方面，随着电网规模不断扩大，设备不断增多，信息化程度不断提高，智能电网调度系统对负荷的采集频率和数据准确性也不断提升，为负荷特性分析和负荷预测提供了高质量、海量化的数据集，为深度学习的使用提供了数据基础。而目前基于人工智能的负荷预测方法多为三层的浅层网络，难以很好地处理如今电网复杂环境下输入和输出之间的关系。

发明内容

针对目前智能电网在现有技术中存在的问题，本发明提出一种基于广义需求侧资源的DBN电网负荷预测方法及装置，该方法能够实现对智能电网环境下多种因素影响的高精度负荷预测。

为实现上述目的，本发明采用如下技术方案：

一种基于广义需求侧资源的DBN电网负荷预测方法，DBN模型包括多个受限玻尔兹曼机RBM和单层反向传播BP神经网络，DBN电网负荷预测方法包括如下步骤：

获取样本集，并对样本集进行预处理后，将其划分为训练样本集和测试样本集；

采用所述训练样本集逐层训练RBM，将训练好的上一层RBM的输出作为下一层RBM的输入，直到训练完DBN的所有RBM层，完成DBM的预训练；

把预训练好的DBN作为网络的初始状态，训练得出的参数作为DBN的初始参数，然后使用反向传播BP神经网络的方法，运用梯度下降法对网络的整体权值进行有监督的学习，对DBN模型的网络参数初始值进行优化，得到最优负荷预测模型；

利用测试样本集对训练好的DBN负荷预测模型进行测试，测试完成的模型即可对待预测日的负荷进行预测。

本技术方案进一步的优化，样本集的参数包括天气、日类型、历史负荷和广义需求侧资源因素，所述广义需求侧资源因素包括光照强度、风速、实时电价、负荷削减量、负荷转移量和储能充放电功率。

本技术方案进一步的优化，广义需求侧资源包括可削减负荷LC、可转移负荷LS、储能系统ES以及光伏、风电两种分布式电源，针对可削减负荷LC、可转移负荷LS和储能系统ES，根据电力市场实时电价和合同约定价格的差额，以负荷聚合商LA收益最大为目标，并在合同内容的约束下，建立基于电价合同的广义需求侧资源调度模型：

可削减负荷调度模型：

可削减负荷LC调度模型的目标函数为：