[0001] 本发明属于电网广义负荷预测研究领域，尤其涉及一种基于广义负荷分离结果的负荷预测方法。

[0002] 短期电力负荷预测是保障电网安全经济运行的基础，能够为电能实时高效的分配提供支撑，平衡区域内的发电量和用电量。作为电网运行控制和计算分析重要依据和关键基础的负荷预测工作，一直是实际电网规划，建设和运行中的重要环节，对于确保电网稳定运行、实现电力供需平衡、实施合理的运行方式等方面都具有着重要作用。广义负荷预测在电力系统的生产调度，经济调度和安全运行中起着非常重要的作用。但随着电力系统中分布式电源、电动汽车、储能等多种形式用电侧需求的增多，电力负荷的不确定性逐渐增高。在各种不确定性因素影响下，研究更加准确高效的电力负荷预测方法对于智能电网的发展来说至关重要。

[0003] 近年来，随着人工智能算法的广泛应用与发展，对电力负荷预测问题的深入探索大多集中于如何在众多影响因素中选取合适的广义负荷影响因素，从而对神经网络预测方法进行优化。然而，仅仅将广义负荷作为一个整体来输入神经网络进行预测的方法是不够完善和准确的，因为其预测结果无法体现广义负荷中各部分分量具体的特性和趋势，进而也无法保证整体的广义负荷预测的准确度。

[0056] 本实施例为了解决现有技术中所存在的技术问题；提供了一种基于广义负荷分离结果的负荷预测方法，通过对于温度敏感性负荷序列构建单一影响因素的LSTM模型进行预测；针对负荷中的分布式光伏功率序列采用基于Kmeans聚类‑LSTM的光伏预测方法；对于常规负荷序列使用差分整合移动平均自回归模型(ARIMA)进行针对时间序列的预测；最后将三者的预测结果叠加从而得到总的广义负荷预测结果。广义负荷的预测原理图如图1所示。

[0057] 下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。本实施例广义负荷与气象数据来自某园区所在低压配电区域内，该园区屋顶安装有分布式光伏，且配备功率测量装置与气象信息采集装置；出口处安装有专用变压器且有单独的下网功率测量装置。

[0058] 步骤1，温度敏感型负荷预测

[0059] 实施例的LSTM网络温度敏感型负荷预测流程图如图2所示。

[0060] 步骤1.1、收集分离广义负荷得到的温度敏感型负荷历史时间序列及其对应的温度序列，以此确定模型的输入输出变量；

[0061] 步骤1.2、对选定的电力负荷相关数据进行预处理步骤，将预处理后的历史数据集分为训练集、验证集和测试集三个部分：

[0062] 步骤1.3、结合温度、日期信息对温度敏感型负荷建立LSTM点预测模型并进行模型训练，在训练过程中用验证集判断模型的泛化能力，用测试集判断模型对未知数据的预测效果优劣，并寻找合适的参数，直到测试集的预测误差最小。训练的过程中需要调试的参数主要包括：

[0063] (1)学习率(learming rate)，可以控制函数收敛的时间，用于调整模型训练的速度。学习速率越大，模型学习速度越快，但输出误差对参数的影响越大，同时也会受到异常数据的影响。如果学习速率太小，目标函数收敛速度慢，则容易发生过拟合。

[0064] (2)时间步长(time step)，用来确定学习的跨度，即每个输入的数据与前多少个连续输入的数据相关。

[0065] (3)前馈网络层的隐藏层神经元个数(units)，隐藏层神经元的作用是提取样本数据中的内在规律并保存。如果隐层节点数太少，则提取和保存的模式相对较少，获取的模式不足以概括样本的所有有效信息，导致学习能力较差。如果隐层节点过多，学习时间会更长，神经网络的学习能力也会更强，可能学习到输入和输出之间不相关的不规则模式，从而导致模型过度拟合。本发明通过经验公式来确定隐藏层神经元个数：

[0066]

[0067] 式中，Nhid表示隐层神经元的个数，Nin表示输入层节点的个数，Nout表示输出层节点的个数，常数α根据实际情况而定。

[0068] (4)损失函数(1oss function)，模型训练的目标是使训练集和验证集的损失值持续减小，直到其小于某一阈值或在过度拟合发生前结束。本文选取均方误差(MSE)作为损失函数，其计算如式(4.7)所示。

[0069]

[0070] (7)训练时长(epochs)，选择合适的训练次数，防止模型出现过拟合或欠拟合的情况。因此需要合理控制模型的训练周期，在训练损失和测试损失出现拐点之前停止训练过程。泛化能力是所有深度学习模型都需要考虑的问题，即模型对更新数据的合理响应的能力。

[0071] 本文LSTM预测模型基于python实现，LSTM的网络的参数对于模型训练效果与预测精度影响较大。根据实验结果，本文最终选取的模型结构及参数为：1层LSTM隐藏层，隐含层神经元数为100，训练集长度为10000，测试集长度为1520，迭代次数为500，损失函数为mae函数，选用Adam优化算法。

[0072] 步骤1.4选取平均绝对百分误差(MAPE)以及均方根误差(RMSE)作为定量评判各种预测方法模型的预测效果的依据，以测试集为例，其表达式为：

[0073]

[0074]

[0075] 式中，和yi分别为测试集中第i个采样点的预测值与实际值，N为测试集中的样本数量。MAPE取值大于零，当预测值和实际值完全一致时MAPE等于零，当MAPE大于100％表示为劣质模型，实际应用中其值越接近零表示模型的准确度越高；

[0076] 步骤1.5、利用前五天的温度敏感型负荷功率实现对未来一天温度敏感型负荷功率进行预测。预测结果如图5(a)所示，其中温度敏感型负荷在预测日当天的变化趋势大体上与温度在当天的变化趋势大体上一致。

[0077] 步骤2、分布式光伏预测

[0078] 实施例的Kmeans‑LSTM光伏功率预测模型框架如图3所示。

[0079] 步骤2.1、从分离出的光伏功率以及环境因素历史数据集中选择K组数据作为初始聚类中心λ1，λ2，…，λk，以数据对象密度的大小作为初始聚类中心的选择标准，对于给定的数据集X＝{x1,x2,…,xn}，样本点x的数据密度函数定义式如式：

[0080] dens(x)＝#{y|y∈X,d(y,x)≤r},r＞0

[0081] 其中，d(y,x)表示样本点y与x之间的欧几里得距离，y表示样本数据集X中除样本点x以外，与x距离小于r的样本点，符号#表示对集合中所有元素的数目统计；它表示了以该样本点为中心、半径为r的球体内所包含的其它样本点的数目。将半径r设置为样本平均距离MeanDist的一半，避免半径过大而导致无法体现出数据的局部特性，同时将密度阈值选取为n/K，从而实现当聚类数目较多时，密度阈值较小，提供较多的初始聚类中心候选点的效果。其中，样本平均距离MeanDist的计算公式：

[0082]

[0083] 步骤2.2、以DBI指数作为聚类算法评价指标，假设有n个时间序列，这些时间序列被聚类为k个类别，n个时间序列设置为输入矩阵X。DBI度量了每个类别的最大相似度的均值，其计算公式为：

[0084]

[0085]

[0086] 其中， 和 分别是样本i和样本j类别中的数据到各自聚类中心的平均距离。D(i,j)表示类别i的中心到类别j的中心之间的欧式距离。Xj表示类别i中第j个数据点，Ai是类别i的质心，Ti是类别i中数据的总个数。DBI越小，则聚类效果越好，反之则越差，同时为了避免生成过多的类别导致模型复杂度较高，采用阈值kmax限制簇的数目，以此为依据可以得出最佳聚类数kbest。

[0087] 步骤2.3、采用步骤2.2、步骤2.3的Kmeans聚类方法以辐照度、温度、风速和气压为输入，采样Kmeans对光伏功率进行聚类，通过改进Kmeans算法确定类别数目k取6时DBI值最小。在各类别的初始训练集数据上分别训练LSTM。根据对网络参数选择的反复试验结果，本文最终选取的光伏预测模型结构及参数为：1层LSTM隐藏层，隐含层神经元数为100，训练集长度为10000，测试集长度为1520，迭代次数为500，损失函数为mae函数，选用Adam优化算法。结合训练完成的LSTM进行光伏发电功率的预测。

[0088] 步骤2.4、输入前五天分布式光伏数据与当天辐照度信息，对当天分布式光伏出力进行预测。预测结果如图5(b)所示，一天中的分布式光伏出力与辐照度的变化趋势大致相同。

[0089] 步骤3、常规负荷预测

[0090] 常规负荷ARIMA预测方法步骤如图4所示。

[0091] 步骤3.1、分离得到的常规负荷序列不是平稳时间序列，首先需要通过差分方法对其进行平稳化：

[0092] 步骤3.2、确定参数，在ARIMA模型中，采用贝叶斯信息准则来判断最优模型参数。贝叶斯信息准则的公式为：

[0093]

[0094] 式中，σ2为模型拟合残差的方差，n为时间序列Yt的长度。若给定p,q的范围，则在给定范围内使得BIC值最小的p,q值即为BIC最终的定阶。根据信息准则筛选出ARIMA模型中最合适的自回归项p和移动平均项数q。

[0095] 步骤3.3、根据建立好的模型，可对负荷时间序列进行预测，并对预测精度进行度量。常规负荷预测结果如图5(c)所示，预测得到的温度敏感型负荷、光伏出力和常规负荷三者之间满足计算关系：广义负荷功率与光伏功率之和等于温度敏感型负荷与常规负荷之和。

[0096] 步骤4广义负荷预测结果对比

[0097] 将上述得到的光伏发电功率、温度敏感型负荷功率以及常规负荷功率预测结果各自进行反归一化处理，反归一化的公式如式(4.20)。

[0098] P＝(Pmax‑Pmin)P0+Pmin

[0099] 其中，P为反归一化后得到的功率值；Pmax和Pmin分别为反归一化前数据的最大值和最小值；P0为反归一化之前的功率标幺值。

[0100] 采用反归一化将标幺值转化为功率值后根据时间点将三者的负荷预测序列值相加，得到最终的广义负荷预测结果。

[0101] 为了验证本文方法对广义负荷预测的有效性，将上述广义负荷预测结果(方法一)与未经分离辨识(方法二)和未加入气象信息修正而直接采用基于LSTM神经网络的广义负荷预测方法(方法三)进行对比，图6展示了使用同一组历史数据样本进行训练和预测在三种模型中的广义负荷预测结果。

[0102] 为了定量地分析本文所提出的模型与其他预测模型的结果，采用平均绝对百分比误差(MAPE)和均方根误差(RMSE)两种指标对模型误差进行评估。本实施例使用的考虑广义负荷分离辨识的预测方法可以很好地把握各类影响因素的特征信息，与其他算法相比具有较高的预测精度。其中，与未经分离辨识而加入气象因素修正的LSTM模型相比，本方法在预测MAPE上减少了38％，与未经分离辨识且未加气象因素修正的LSTM模型相比减少56％，说明本文模型的预测值与实际负荷值最接近。而就RMSE而言，本方法的预测误差相较另外两种算法减少了一半左右，预测准确度得到了较大的提高，本文方法均方根误差为493.620kW，结果表明基于分离结果的广义负荷预测方法预测值与实际值非常接近。

[0103] 应当理解的是，本说明书未详细阐述的部分均属于现有技术。

[0104] 虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。