[发明专利]一种基于排产计划的虚拟电厂负荷预测方法

说明书

本发明提供一种基于排产计划的虚拟电厂负荷预测方法，涉及电力电网技术领域。本发明在确定训练样本后，基于训练样本的输入点数，以及预设的网络调度函数确定LSTM网络模块的训练数量，并对LSTM网络模块串并联排布，增加了神经网络模型中LSTM网络模块的数量，避免了LSTM网络模块的数据堆积，减小每个LSTM网络模块的网络训练强度，使神经网络模型可以学习到排产数据的多样特征，避免数据重叠遗漏，提高DTLSTM网络模型的预测准确率，从而提高负荷功率预测的准确率。

技术领域

本发明涉及电力电网技术领域，尤其涉及一种基于排产计划的虚拟电厂负荷预测方法。

背景技术

虚拟电厂是一种通过先进信息通信技术和软件系统实现储能系统、可控负荷与光伏等资源的聚合和协调优化，且以一种特殊电厂参与电力市场和电网运行的电源协调管理系统。

电力系统要实现安全、稳定运行，就需要维持发电、输电和用电各个环节的实时动态平衡。通过对虚拟电厂内工业园区内的电能进行统一调节和分配，可以实现源网储荷的合理利用，进而参与电力市场和辅助服务市场运行，利于电能保持动态平衡。

工业园区内的工业负荷是虚拟电厂中电力负荷的重要组成部分。准确预测工业负荷对于虚拟电厂内电能动态平衡较为重要。但是相关技术中一般考虑气象条件、季节变化等因素的负荷预测方法不适用于工业负荷预测。因此，如何实现工业负荷预测亟待解决。

发明内容

本发明提供了一种基于排产计划的虚拟电厂负荷预测方法，能够实现工业虚拟电厂内工业负荷的准确预测，提高工业负荷预测的准确度。

第一方面，本发明提供了一种基于排产计划的虚拟电厂负荷预测方法，该方法包括：确定训练样本，以及训练样本的输入点数；训练样本包括虚拟电厂中各工业用户在历史时期内任一时段的排产数据和任一时段的负荷功率数据；基于输入点数，以及预设的网络调度函数，确定LSTM网络模块的训练数量，其中，LSTM网络模块用于预测负荷功率数据；对训练数量的LSTM网络模块串并联排布，获得待训练神经网络模型；基于训练样本，对待训练神经网络模型进行迭代训练，得到训练好的DTLSTM网络模型；其中，DTLSTM网络模型输入排产数据输出预测的负荷功率数据。

在一种可能的实现方式中，基于训练样本，对待训练神经网络模型进行迭代训练，得到训练好的DTLSTM之后，还包括：获取所述虚拟电厂中各工业用户在预设时段的排产计划，并基于预设时段的排产计划，以及训练好的DTLSTM网络模型，预测得到所述虚拟电厂中各工业用户在预设时段的负荷功率数据。

在一种可能的实现方式中，基于预设时段的排产计划，以及训练好的DTLSTM网络模型，预测得到预设时段的负荷功率数据之后，还包括：基于预设时段之前多个时段的毛刺数据，确定预设时段的毛刺数据；基于预设时段的毛刺数据，以及预设时段的负荷功率数据，确定预设时段的工业负荷数据。

在一种可能的实现方式中，确定训练样本，包括：获取所述虚拟电厂中各工业用户在历史时期内各生产线的生产任务列表，以及历史负荷功率数据；基于生产任务列表，确定历史时期内各生产线的工时信息，并基于历史时期内各生产线的工时信息，确定历史时期内多个时段的排产数据；识别历史负荷功率数据中的毛刺，并进行去除和修复，得到历史时期内多个时段的负荷功率数据；基于多个时段中任一时段的排产数据，以及任一时段的负荷功率数据，确定训练样本。

在一种可能的实现方式中，生产任务列表包括任务种类、任务工时和任务重要程度；基于生产任务列表，确定历史时期内各生产线的工时信息，并基于历史时期内各生产线的工时信息，确定历史时期内多个时段的排产数据，包括：遍历各生产线的生产任务列表，基于任务种类和任务工时，得到各生产线中各种任务的工时；基于各种任务的任务重要程度，确定各种任务的加权系数，其中，加权系数与任务重要程度呈正相关；基于各生产线中各种任务的工时，以及各种任务的加权系数，进行加权求和，得到各生产线的工时信息，工时信息包括工时总和；基于历史时期内各时段每条生产线的工时总和，进行聚类分析，得到历史时期内多个时段的排产数据。