[发明专利]一种有源配电网净负荷概率预测方法

说明书

本发明公开了一种有源配电网净负荷概率预测方法，步骤包括：S1，对收集的配网负荷、新能源出力时间序列数据集进行缺失值填补、异常值剔除后，配网负荷减去新能源出力的得到净负荷时间序列；S2，将净负荷时间序列转换为监督学习数据集，使用时间卷积神经网络提取得到净负荷时间序列的特征向量；S3，使用时间卷积神经网络提取得到特征向量为输入训练分位数随机森林模型，得到净负荷的概率预测结果。本发明利用时间卷积神经网络‑分位数随机森林模型进行有源配电网概率预测时，使用时间卷积神经网络深入挖掘了净负荷的时序变化特征，实现了历史净负荷数据的充分利用，帮助分位数随机森林模型更快速准确地进行净负荷概率预测。

技术领域

本发明涉及电力负荷预测技术领域，具体涉及一种有源配电网净负荷概率预测方法。

背景技术

电力负荷预测是支持电力系统安全稳定运行的重要技术手段，被广泛应用于调度计划、检修安排等领域。随着分布式可再生能源发电的快速发展，分布式可再生能源发电对配电网的影响越来越大，配电网开始从单一用电向有源化发展。因此原始的负荷预测问题被转换为原始负荷减去新能源出力的净负荷预测问题。以风电、光伏为代表的新能源出力相比电力系统常规负荷波动性更大，这导致净负荷相比传统负荷的随机性也更大，提高了预测难度，因此如何实现叠加了风光等新能源出力的净负荷准确预测是一个关键且有挑战的任务。分位数随机森林(Quantile Random Forest, 分位数随机森林)能够便捷有效的实现净负荷概率预测，但它是基于分类回归树这一相对简单的基模型实现，如果要提升其概率预测性能，如何提升它深入挖掘净负荷时序变化特性的能力是一个关键,因此可以考虑使用时间卷积神经网络(Temporal Convolution Network, TCN)来实现帮助分位数随机森林模型提高概率预测性能。

发明内容

本发明的目的在于解决配电网净负荷概率预测问题和分位数随机森林模型对数据挖掘能力不够强的问题，提供了一种有源配电网净负荷概率预测方法。本发明首先通过将收集得到的配电网负荷、新能源出力时间序列进行缺失值填补、异常值提出，然后以配电网时间序列减去新能源出力时间序列得到净负荷时间序列，再使用时间卷积神经网络从原始净负荷时间序列提取得到更能表征净负荷时序变化特性的特征向量，并以该特征向量作为分位数随机森林模型的输入，实现了效果更好的配电网净负荷概率预测。

本发明的目的是通过以下技术方案来实现：一种有源配电网净负荷概率预测方法，包括步骤：

步骤一，对收集的配网负荷、新能源出力时间序列数据集进行缺失值填补、异常值剔除后，配网负荷减去新能源出力得到净负荷时间序列；

步骤二，将净负荷时间序列转换为监督学习数据集，使用时间卷积神经网络提取得到净负荷时间序列的特征向量；

步骤三，使用时间卷积神经网络提取得到的特征向量为输入训练分位数随机森林模型，得到净负荷的概率预测结果。

进一步地，所述步骤一中时间序列数据集进行缺失值填补的方法为：

判断缺失数据类型，如果是单点数据缺失，则使用缺失数据前一个时间点和缺失数据后一个时间点的数据平均值填补缺失数据；

如果连续多个时间点的数据值均为缺失，即某个时间段的数据值缺失，则使用整个时间序列数据集中相同时间段的数据值的平均值填补缺失时间段的数据值。

进一步地，所述步骤一中时间序列数据集进行异常值剔除的方法为：

为了剔除测量仪器故障、信号干扰等因素导致的负荷、新能源出力时间序列异常值，使用式（1）所示的数据变化率来检测异常值：

（1）

式中，为代表时间序列中数据变化率，p_t代表时间序列中时间点t时的数据值，p_t-1代表时间序列中时间点t-1时的数据值，如果时间点t的数据变化率大于1则认为时间点t的数据值为异常值；