识别分布式光伏发电系统并预测净负荷曲线的方法

识别分布式光伏发电系统并预测净负荷曲线的方法公开发明

技术领域

[0001] 本申请涉及光伏发电领域，具体而言，涉及一种识别分布式光伏发电系统并预测净负荷曲线的方法、识别分布式光伏发电系统并预测净负荷曲线的装置、计算机可读存储介质和电子设备。

具体实施方式

[0030] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

[0031] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

[0032] 需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0033] 为了便于描述，以下对本申请实施例涉及的部分名词或术语进行说明：

[0034] 支持向量机：Support Vector Machine，简称SVM；

[0035] 支持向量分类机：Support Vector Cassifier，简称SVC；

[0036] 支持向量回归机：Support Vector Regression，简称SVR；

[0037] 自组织映射：Self‑organizing Maps，简称SOM；

[0038] 粒子群算法：Particle Swarm Optimization，简称PSO。

[0039] 正如背景技术中所介绍的，由于光伏系统易受天气、辐照、温度等因素的影响，其发电能力不稳定，易受制约波动性较大，随着其装机容量与日俱增，发电的不稳定性和不确定性会对电网造成伤害，降低电力系统的可靠性和稳定性，大大影响了配电网的规划调度管理和安全稳定运行。而负荷预测作为电网规划调度的数据支撑，受分布式光伏并网的影响，电力用户的负荷曲线发生很大变化，产生较大误差，预测精度大大降低，如果不能对这部分电力用户的负荷曲线做出精准的预测，将会不利于配电网的规划实施。

[0040] 为解决现有技术中并没有考虑到天气影响，导致用户负荷预测精准度较低的问题，本申请的实施例提供了一种识别分布式光伏发电系统并预测净负荷曲线的方法、识别分布式光伏发电系统并预测净负荷曲线的装置、计算机可读存储介质和电子设备。

[0041] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

[0042] 在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的识别分布式光伏发电系统并预测净负荷曲线的方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

[0043] 从电网规划调度角度看，精准的负荷预测有助于供电部门更好地对电力系统进行调度和决策，合理安排发电计划，提高电网调度精度，同时提高分布式光伏的发电利用率，降低发电成本，带来更大的经济性。要想准确地对含有分布式光伏发电系统的用户进行净负荷曲线预测，需要明确分布式光伏的安装信息，因此，有效识别用户是否安装分布式光伏系统是精准负荷预测的前提。从电力公司的角度看，有效识别用户用电负荷中是否含有分布式光伏提供的用电负荷，明确其安装信息，有利于电力公司有的放矢地进行负荷预测、提前制定发电计划、完成配电网的规划运行，能够大大提高电力系统的稳定性和可靠性，有效降低因分布式光伏的接入对电网造成的不利影响；从用户本身角度看，有效合理地安排分布式光伏可以减少其带来的潜在风险，如不合理使用造成短路等。因此，对用户负荷中分布式光伏的识别与净负荷预测研究具有重要意义。

[0044] 图1是根据本申请实施例的识别分布式光伏发电系统并预测净负荷曲线的方法的流程图。如图1所示，该方法包括以下步骤：

[0045] 首先通过支持向量机来建立分布式光伏的二分类识别模型及净负荷预测模型。运用支持向量分类机(SVC)、支持向量回归机(SVR)、核函数和惩罚因子、最小二乘支持向量机回归等原理，利用粒子群算法进行优化，并利用样本熵值理论提取非线性特征进行量化，最后进行迭代误差修正，使得能够通过对预测结果误差进行补偿达到对负荷预测结果的修正。

[0046] 步骤S201，运用基于自组织映射聚类的天气类型生成方法，将天气类型划分为多个不同的天气类型；

[0047] 步骤S202，根据不同天气下的光伏发电特性和用户净负荷曲线，提取目标特征参数，并根据上述目标特征参数，建立基于用户净负荷特性的二分类分布式光伏的负荷识别模型，上述目标特征参数为表征用户是否安装分布式光伏发电系统的参数，上述负荷识别模型用于识别上述用户是否安装有分布式光伏发电系统；

[0048] 具体地，考虑到安装分布式光伏系统的用户净负荷受到天气因素的影响，首先运用基于SOM聚类的广义天气类型生成方法，将天气类型划分为三类；然后分析研究三种广义天气下的光伏发电特性和用户净负荷曲线，从中提取了能有效识别用户是否安装分布式光伏发电系统的特征参数；最后建立了基于用户净负荷特性的二分类分布式光伏的负荷识别模型。

[0049] 从图2中可见，曲线L1为晴天时的光伏出力曲线，曲线L2为偶尔有云时的光伏出力曲线，曲线L3为多云时的光伏出力曲线，其中，晴天的云量最少，即晴天的云量小于第一预设云量，偶尔有云时的云量大于等于第一预设云量且小于等于第二预设云量，多云的云量大于第二预设云量。由于晴天时的云量最少，该天气下的分布式光伏典型日出力最理想；而多云时的云量最多，光伏日出力状况最差。因此，本实施例进一步将天气类型按照云量多少简化为晴、偶尔有云和多云三种广义天气类型，分别用天气标签L、O、H表示。

[0050] 其中，根据不同天气下的光伏发电特性和用户净负荷曲线，提取目标特征参数，包括如下步骤：

[0051] 步骤S301，获取第一特征参数C1、第二特征参数C2、第三特征参数C3、第四特征参数C4，其中，第一特征参数与用户的典型净负荷曲线函数有关，第二特征参数与净负荷曲线的采样点的集合元素的个数有关，第三特征参数与净负荷功率的最小值有关，第四特征参数与负荷上升率有关；

[0052] 其中，获取第一特征参数C1、第二特征参数C2、第三特征参数C3、第四特征参数C4，包括如下步骤：

[0053] 步骤S3011，根据第一特征公式确定第一特征参数C1，其L
中，TNLC (t)为在时间段δ内t时刻天气类型为晴天的上述用户的典型净负荷曲线函数，H
TNLC(t)为在时间段δ内t时刻天气类型为多云的上述用户的典型净负荷曲线函数，δ＝[tr,ts]，tr为光伏发电的开始时刻，ts为上述光伏发电的结束时刻，上述晴天为云量小于第一预设云量的天气，上述多云为云量大于第二预设云量的天气，上述第一预设云量小于第二预设云量；

[0054] 其中，本实施例将接入分布式光伏发电系统的用户净负荷定义为该类用户的实际负荷与分布式光伏发电负荷之差，用Pnet表示，采集到用户净负荷的第a天t时刻功率值用Pnet(a,t)(a∈A)表示。计算公式如下式(1)所示：

[0055] Pnet(a,t)＝Pact(a,t)‑Ppv(a,t),a∈A (1)

[0056] 式中，Pact(a,t)和Ppv(a,t)分别表示第a天t时刻的用户净负荷和分布式光伏发电负荷，对于用户中没有装设光伏系统的，记其Ppv(a,t)＝0。

[0057] 对三种广义天气类型下的用户历史净负荷取平均值作为对应天气类型下的典型净负荷，则各用户的典型净负荷曲线(TNLC)函数如下式(2)所示：

[0058]

[0059] 式中，ω表示天气类型且ω∈{L,O,H}，|Aω|是集合Aω中的天数，集合A表示在天气类型为ω的情况下用户历史负荷数据的总天数，A＝{a|a＝1,2,…,A}，ω表示天气类型且ω∈{L,O,H}。

[0060] 由于光伏发电只存在于一天中从日出到日落的时间段内，因此只研究光伏发电从开始到结束时间段内的净负荷曲线，并记起始点为R，坐标为R(tr，TNLC(tr))，结束点为S，坐标为S(ts，TNLC(ts))，这个时间段为δ＝[tr,ts]。本实施例中光伏发电时间可以为从早上9点到下午4点，并用净负荷曲线片段TNLC(δ)进行特征参数的提取。

[0061] 把在这两种天气状态下的有效净负荷总功率值的比作为特征提取的第一个参数，记作C1，计算公式如上述第一特征公式所示。

[0062] 对于安装了分布式光伏的用户而言，C1应该明显大于数值1，而对于没有安装分布式光伏的普通用户或者安装其它分布式电源的用户而言，C1应该很接近数值1。

[0063] 步骤S3012，根据第二特征公式C2＝sum(G′)/sum(G)确定第二特征参数C2，其中，sum()为集合元素个数，G′为时间段δ内净负荷曲线的采样点的集合，G为时间段δ内的对应在净负荷起止线上的采样点的集合，上述净负荷起止线为起始点与结束点相连接的直线，上述起始点为光伏发电的开始时刻tr在上述净负荷曲线上对应的点，上述结束点为上述光伏发电的结束时刻ts在上述净负荷曲线上对应的点；

[0064] 其中，在接入分布式光伏发电系统后，用户的典型净负荷曲线会呈现不同程度的下凹，且下凹现象最明显的是晴天状态下的典型净负荷曲线，即最能反映这类用户净负荷曲线下凹特征的是晴天天气类型。这一现象也是其它没有安装分布式光伏系统的用户所没有的，因此，将凹型指数作为第二个特征参数，记作C2，选择晴天状态下的用户典型净负荷曲线来定义。

[0065] 在时间段δ内，时间起点R与终点S相连接的直接记作净负荷起止线。这条直线的线性表示如下式(3)所示：

[0066]

[0067] 式中，y(t)为时间段δ内的t时刻对应在净负荷起止线上的采样点。

[0068] 将这些所有采样点记作集合G，即G＝{y(t)|t∈[tr,ts]}。将时间段δ内净负荷曲线的采样点记作集合G′，如下式(4)所示：

[0069] G′＝{TNLCL(t)|t∈[tr,ts],TNLCL(t)＜y(t)} (4)

[0070] 由式(3)和式(4)可定义凹型指数C2(即第二特征参数)，得到计算第二特征参数的上述第二特征公式。

[0071] 凹型指数C2描述了时间段δ内净负荷起止线上所有采样点占净负荷曲线采样点的比例，反映了时间段δ内净负荷曲线的下凹特征。

[0072] 步骤S3013，根据第三特征公式C3＝kL/kH确定第三特征参数C3，其中，kL为天气类型为上述晴天时第一目标直线的斜率与第二目标直线的斜率之和，kH为天气类型为上述多云时第一目标直线的斜率与第二目标直线的斜率之和，第一目标直线为第一目标点与上述起始点，第二目标直线为上述第一目标点与上述结束点，上述目标点为时间段δ内的净负荷功率的最小值；

[0073] 其中，凹型指数C2只能反映净负荷曲线的凹凸性，然而在没有安装分布式光伏发电系统的普通用户的用电模式中，净负荷曲线也会大量存在下凹现象，主要是因为居民小区用户在中午时的用电量较低，这种现象的存在使得凹型指数这一特征参数不足以反映分布式光伏的发电特征。因此，为了更好地识别用户是否安装了分布式光伏系统，有必要从曲线的下凹特征中继续提取能够有效区分不同用户的特征。考虑到净负荷曲线的下凹程度在不同的广义天气类型下肯定大不相同，因此将凹形程度作为第三个特征参数，记作C3，具体的计算流程如下。

[0074] 如图3所示，L’1为晴天时的净负荷曲线，L’2为多云时的净负荷曲线。净负荷功率在时间段δ内的下凹曲线中一定存在一个最小值，记该点为M，坐标为M(tm,TNLC(tm))。连接该点和起始点得到直线l1，连接该点和结束点S得到直线l2，把这两条直线的斜率相加并记作k，将晴天和多云两种天气条件下的斜率之比定义为第三个特征参数凹形程度。如式(5)和第三特征公式C3＝kL/kH所示：

[0075]

[0076] 对于安装了分布式光伏的用户而言，kL的值应该明显大于kH，也就是说C3应该明显大于数值1，而对于没有安装分布式光伏的普通用户或者安装其它分布式电源的用户而言，C3应该很接近数值1。

[0077] 步骤S3014，根据第四特征公式C4＝RKL/RKH确定第四特征参数C4，其中，PKL为天气类型为上述晴天时的负荷上升率，PKH为天气类型为上述多云时的上述负荷上升率，上述负荷上升率为第二目标点与上述结束点之间的直线的斜率，上述第二目标点为光伏出力在某时刻已降为0并且该时刻之后光伏出力始终为0的时间点在上述净负荷曲线上对应的点；

[0078] 其中，分布式光伏系统的发电功率会随着太阳落山迅速下降直至降为0，体现在含分布式光伏发电系统的用户净负荷曲线上，这段时间内的净负荷曲线的斜率会迅速上升，如图3所示。把光伏出力在某时刻已降为0并且该时刻之后出力稳定在0的时间点记作tf，则对应在净负荷曲线上的坐标为F(tf，TNLC(tf))。以夏至这天日落时间为北京时间19:30为参考，将tf设置为北京时间19:30。将点F与结束点S连接所得直线的斜率定义为负荷上升率RK。同样，把晴天和多云两种天气条件下的负荷上升率之比定义作为第四个特征参数，记作C4，计算公式如式(6)和第四特征公式C4＝RKL/RKH所示：

[0079]

[0080] 同样，对于安装了分布式光伏的用户而言，RKL的值应该明显大于kH，也就是说C4的值应该明显大于数值1，而对于没有安装分布式光伏的普通用户或者安装其它分布式电源的用户而言，C4应该很接近数值1。

[0081] 具体地，考虑天气因素的影响，提出了基于SOM聚类的广义天气类型生成方法，提取了典型净负荷曲线中能反映分布式光伏发电的特征参数，建立了基于二分类SVC的分布式光伏发电识别模型。

[0082] 步骤S302，根据目标公式C＝[C1,C2,C3,C4]，确定上述目标特征参数C。

[0083] 其中，基于SVC的分布式光伏发电识别模型的特征向量是由上述提取的四个特征参数构成。

[0084] 具体地，分析了居民用电负荷特性，利用样本熵理论量化了天气类型，作为模型输入的一个特征向量。

[0085] 其中，根据上述目标特征参数，建立基于用户净负荷特性的二分类分布式光伏的负荷识别模型，包括如下步骤：

[0086] 步骤S401，将上述目标特征参数作为特征向量，并基于支持向量机构建初始识别模型；

[0087] 步骤S402，采用k折交叉验证对上述初始识别模型的参数进行优化，得到支持向量机的最优惩罚因子c和最优高斯核函数参数σ；

[0088] 步骤S403，基于上述最优惩罚因子c和上述最优高斯核函数参数σ，构建中间识别模型，

[0089] 步骤S404，采用混淆矩阵作为模型评判指标，在上述中间识别模型的指标精度大于预设指标精度的情况下，将上述中间识别模型确定为上述负荷识别模型。

[0090] 具体地，这样可以更好地提升模型的准确率且消除SVC算法中各种输入值的量纲影响。

[0091] 其中，选择的SVM核函数为高斯核函数，如下式(7)所示：

[0092]

[0093] 式中，σ为核函数参数，且σ＞0。

[0094] 为了更好地提升模型的准确率，引入k折交叉验证(Cross Validation，k‑CV)对模型参数进行优化，从而得到SVM中最优惩罚因子c和最优高斯核函数参数σ。

[0095] k折交叉验证图如图4所示。对于给定数据集D，k折交叉验证指将D平均划分为k份，再将划分好的k份数据集按顺序提取其中一个当作测试集，剩下的当作训练集，这样完成整个交叉验证总共需要进行k次验证。

[0096] 为消除SVC算法中各种输入值的量纲影响，本文对输入所有的特征向量进行标准化，采取如下式(8)所示的归一化处理：

[0097]

[0098] 式中，xn为输入特征量，x为xn的初始值，xmin为最小输入特征量，xmax为最大输入特征量。

[0099] 采用主要用于二分类模型精度评估的混淆矩阵作为模型评判指标。混淆矩阵(Confusion Matrix)又叫做误差矩阵，是衡量分类模型精度中简单易懂、计算量小的一种标准格式，如式(9)所示混淆矩阵M用n维矩阵形式表示。矩阵的列表示预测的样本类别，行表示样本所属的真实类别。

[0100]

[0101] 式中，mij为归属为第i类的样本被错误预测混淆到第j类的样本个数；n为样本总数。每一行的样本数之和代表该类别的真实样本数量，每一列之和表示被预测为该类别的样本数量。

[0102] 混淆矩阵里面统计的是数量，对于大样本数据光凭统计个数很难对模型的优劣进行衡量，为题高精度，本文引入了混淆矩阵的三个二级指标：产品精度、用户精度和整体精度，分别用PA、UA和OA表示。各指标的表达式如(10)至式(12)所示：

[0103]

[0104] 其中，PA是指某类实际分类的正确率；UA是指某类模型分类预测的正确率；OA是指整个样本分类总正确率。

[0105] 其中，在根据上述目标特征参数，建立基于用户净负荷特性的二分类分布式光伏的负荷识别模型之后，上述方法还包括如下步骤：

[0106] 步骤S501，在上述负荷识别模型的输出结果为1的情况下，确定上述用户安装了上述分布式光伏发电系统；

[0107] 步骤S502，在上述负荷识别模型的输出结果为0的情况下，确定上述用户未安装上述分布式光伏发电系统。

[0108] 具体地，通过模型的输出结果可对用户是否安装了光伏发电系统进行判断，若输出的结果为1，说明该用户已安装；若输出的结果为0，说明该用户没有安装。

[0109] 步骤S203，引入样本熵理论量化天气类型，利用遗传变异思想对粒子群算法中的惯性权重和学习因子进行改进，得到改进粒子群算法，并通过上述改进粒子群算法优化最小二乘支持向量机中的惩罚因子与核函数参数，以建立基于改进粒子群优化的最小二乘支持向量机和迭代误差修正的净负荷预测模型。

[0110] 具体地，在用户的净负荷预测模型建立过程中，选取了居民小区的净负荷作为研究对象，分析了研究对象的用电负荷特性，为兼顾天气因素和时间维度对预测值的影响，引入样本熵理论量化了天气类型，确立了模型的输入；利用遗传变异思想改进了粒子群算法中的权值和学习因子，再通过改进粒子群算法优化了最小二乘支持向量机中的惩罚因子与核函数参数，提高了预测模型的收敛速度；建立了基于改进粒子群优化的最小二乘支持向量机和迭代误差修正的净负荷预测模型。

[0111] 其中，利用遗传变异思想对粒子群算法中的惯性权重和学习因子进行改进，得到改进粒子群算法，包括如下步骤：

[0112] 步骤S2031，基于惯性权重变化公式对上述粒子群算法中的惯性权重进行改进，得到目标惯性权重，其中，ω(t)为上述目标惯性权重，ωmax和ωmin分别表示权重的最大值和最小值，kmax为最大迭代次数，t为控制系数，t与ω和k之间曲线的变化趋势有关，k为当前迭代次数；

[0113] 其中，粒子群算法中的惯性权重ω是与前一次速度有关的比例因子，在全局搜索和局部搜索之间起到了平衡作用，较大的ω可以加强算法的全局搜索能力，而较小的ω值可以加强算法的局部搜索能力。在权重线性下降的粒子群算法中，随着算法迭代次数的增加ω呈如下式(13)所示的线性下降的变化趋势：

[0114]

[0115] 式中，ωmax和ωmin分别表示权重的最大最小值，k为当前迭代次数，kmax为最大迭代次数。如图5所示，图5为当ωmax＝0.85，ωmin＝0.6，kmax＝50时典型惯性权重的线性变化曲线。

[0116] ω的取值决定了算法是否能快速有效定位局部最优解的关键。为提高算法的搜索能力，针对传统的惯性权重的变化特点做了一些改进。在搜索支持向量机的最优参数过程中，权重不再呈现线性递减的变化，搜索初期为全局搜索，此时的ω值较大；搜索后期为局部搜索，此时的ω值较小。整体来看，权重呈现非线性递减变化，此时常规的权重改进不再适用。对此提出了如惯性权重变化公式所示的非线性动态的惯性权重变化。

[0117] 式中，t为控制系数，即控制ω和k之间曲线的变化趋势，一般取t＝5～10，曲线变化先凸后凹。

[0118] 步骤S2032，根据学习因子改进公式cd+1＝cd×rand×η，对上述粒子群算法中的学习因子进行改进，得到目标学习因子，其中，rand为随机数，rand在0到1之间，η为扰动函数，d为自然数，c为学习因子；

[0119] 其中，引入遗传算法的变异思想巩固种群的局部搜索能力，改进了学习因子c1和c2，加入了如学习因子改进公式cd+1＝cd×rand×η和式(14)所示的扰动函数。

[0120]

[0121] 式中，rand为随机数，在0到1之间；η为扰动函数；a为≥0的常数。

[0122] 经以上改进后的改进粒子群算法更新速度和位置的公式为：

[0123] vid(t+1)＝p[ωvid(t)+cdrand()(pid‑xid(t))+cdrand()(pgd‑xid(t))][0124] xid(t+1)＝xid(t)+vid(t+1) (15)

[0125] 其中，在粒子群算法中，x为粒子的初始位置，v为粒子的当前速度，p为搜寻到的粒子最优位置。

[0126] 为检验经上述改进后的粒子群算法的收敛效果，验证改进算法是否易陷入局部最优值，使用测试函数对其进行检验，其测试函数见下式：

[0127]

[0128] 测试结果如图6所示。图中L”1表征根据改进粒子群算法得到的实验曲线，L”2表征根据标准粒子群算法得到的实验曲线。由图中可看出采用改进PSO算法在迭代次数为6时就已经寻得最优值，从循环中跳出，而常规PSO算法在9代时陷入局部最优值，并没有寻得最优解。因此，本文使用改进PSO优化LSSVM的主要参数，可以有效的防止参数寻优时陷入局部最优值，间接提高了预测精度。

[0129] 步骤S2033，根据上述目标惯性权重与上述目标学习因子，得到上述改进粒子群算法。

[0130] 具体地，这样可以提高寻优过程中的精度、降低搜索时间。加强了算法初期的全局搜索能力，削弱了局部搜索能力，保证了算法不会陷入局部最优；后期相反，增强了算法搜索效率和精度。

[0131] 其中，在建立基于改进粒子群优化的最小二乘支持向量机和迭代误差修正的净负荷预测模型之后，上述方法还包括如下步骤：

[0132] 步骤S601，获取历史负荷数据，上述历史负荷数据包括：历史净负荷数据、历史辐照度、历史天气量化值、历史温度与下一时刻t的天气量化值；

[0133] 步骤S602，将上述历史负荷数据输入至上述净负荷预测模型中，得到输出数据，上述输出数据为下一时刻t的预测净负荷y1；

[0134] 步骤S603，采用差序列X.(e1)～X.(e3)，并结合气象数据预测t时刻的三个等级的误差，一级误差至三级误差预测结果分别为e1,e2,e3；

[0135] 步骤S604，根据功率预测公式y＝y1+e1+e2+e3，确定t时刻的功率预测值y；

[0136] 步骤S605，将上述功率预测值反归一化后，得到t时刻的最终功率输出值。

[0137] 具体地，采用改进粒子群算法(IPSO)优化支持向量机的参数，使SVM具有更高性能。

[0138] 其中，改进粒子群优化支持向量机参数流程如图7所示，首先创建支持向量机，之后随机初始化惩罚因子和径向基核函数宽度，产生初始化粒子种群，计算适应度函数值，更新粒子个体最优历史位置和种群历史最有位置，更新惯性权重和学习因子，之后更新粒子的速度和位置，然后判断是否满足终止条件，在满足终止条件的情况下，输出最佳惩罚因子和径向基核函数宽度，在不满足终止条件的情况下，返回计算适应度函数值步骤。

[0139] 在对测试集进行预测时，需要预测居民小区净负荷和误差两部分，所以先要构造出一个含有误差序列的初始训练样本。如图8所示，从历史数据中选取包含d个数据点的训练集D，从起始端按时间先后选取a个数据点来预测第a+1个净负荷功率点。采用数据时间窗滚动预测法，当对第a+2个点进行预测时，第a+1个点的真实数据已经包含在训练数据里，同时剔除时间上最远点的数据，重新训练模型进行预测，直到得到d‑a个预测的净负荷值，与真实值比较后，得到对应的d‑a个一级误差。同样从一级误差序列中选取a个数据点，采取滚动预测，对之后一级误差进行预测，与真实一级误差进行比较，得到数据点数量为d‑2a的二级误差序列。以此类推，得到n级误差序列。最终获得预测所需的完整的n+1组数据序列，X.(1)表示历史净负荷序列，X.(e1)～X.(en)依次为一级到n级误差序列。

[0140] 如图9所示，误差中丢失的有效净负荷值均可以被预测得到，但是过多的迭代计算同样计算结果发散，降低了预测精度。因此设置误差迭代计算的终止条件为|en‑en‑1|

[0141] 表1.初始预测误差训练样本

[0142]

[0143] 其中，对于IPSO‑SVM误差预测模型，模型的输入为x＝{x1,x2,x3,x4,x5}，其中x1～x5分别代表了历史误差、辐照度、温度、天气类型量化值、下一点天气类型量化值，输出为下一时刻预测误差值，最终将得到的误差与功率值相加为最终预测结果。

[0144] 综上所述，如图9所示，基于IPSO‑SE‑LSSVM和迭代误差修正法的净负荷预测模型已经全部建立完成。由表1建立的初始训练集合，对测试样本进行预测。净负荷预测模型输入量为历史净负荷数据、辐照度、天气类型的量化值、温度及下一时刻天气量化值，输出为下一时刻t的净负荷y1，之后采用误差序列X.(e1)～X.(e3)结合气象数据预测t时刻的三个等级的误差，一级至三级误差预测结果分别e1,e2,e3，最终t时刻的功率预测值为y＝y1+e1+e2+e3，反归一化后得到的即为t时刻的功率输出。同理对t+1时刻的功率值进行预测，已知t时刻的功率值与误差值，将其添加至训练集中同时删除最远时刻的数据，滚动更新各级误差序列和发电功率值，重新进行预测，具体步骤如下：

[0145] a.使用样本熵对天气类型进行量化分析；

[0146] b.全部数据归一化；

[0147] c.将气象信息和功率信息结合建立IPSO‑LSSVM预测模型；

[0148] d.将气象信息和误差信息结合建立IPSO‑LSSVM预测模型；

[0149] e.功率预测结果结合三级误差值，反归一化后得到最终功率值。

[0150] 本申请的上述识别分布式光伏发电系统并预测净负荷曲线的方法，首先运用基于自组织映射聚类的天气类型生成方法，将天气类型划分为多个不同的天气类型；之后根据不同天气下的光伏发电特性和用户净负荷曲线，提取目标特征参数，并根据目标特征参数，建立基于用户净负荷特性的二分类分布式光伏的负荷识别模型，目标特征参数为表征用户是否安装分布式光伏发电系统的参数，负荷识别模型用于识别用户是否安装有分布式光伏发电系统；然后引入样本熵理论量化天气类型，利用遗传变异思想对粒子群算法中的惯性权重和学习因子进行改进，得到改进粒子群算法，并通过改进粒子群算法优化最小二乘支持向量机中的惩罚因子与核函数参数，以建立基于改进粒子群优化的最小二乘支持向量机和迭代误差修正的净负荷预测模型。该方法所建立的基于典型净负荷曲线特征参数和支持向量分类机的分布式光伏发电系统识别模型具有很好的识别能力。通过分析居民用电负荷特性，利用样本熵理论量化天气类型，利用遗传变异思想改进了粒子群算法中的权值和学习因子，再通过改进后的粒子群算法对最小二乘支持向量机中的惩罚因子与核函数参数进行了优化，提高了模型的收敛速度；建立了基于IPSO‑SE‑LSSVM和迭代误差修正的净负荷预测模型，分别对功率值和误差值进行预测，将误差补偿后的功率值作为最终的预测结果，解决了现有技术中并没有考虑到天气影响，导致用户负荷预测精准度较低的问题。

[0151] 上述实施例考虑天气因素的影响，提出了基于SOM聚类的广义天气类型生成方法，提取了典型净负荷曲线中能反映分布式光伏发电的特征参数，建立了基于二分类SVC的分布式光伏发电识别模型；分析了居民用电负荷特性，利用样本熵理论量化了天气类型，作为模型输入的一个特征向量；利用遗传变异思想改进了粒子群算法中的权值和学习因子，再通过改进后的粒子群算法对最小二乘支持向量机中的惩罚因子与核函数参数进行了优化；建立了基于IPSO‑SE‑LSSVM和迭代误差修正的净负荷预测模型，分别对功率值和误差值进行预测，将误差补偿后的功率值作为最终的预测结果。

[0152] 以某分布式光伏居民小区的实测数据为例，利用MATLAB软件预测每日间隔15min的净负荷，将预测结果和误差同IPSO‑相似日‑LSSVM模型、SE‑LSSVM模型进行对比分析，结果表明IPSO‑SE‑LSSVM和迭代误差修正的净负荷预测模型在不同天气条件下都具有较高的优越性。

[0153] 需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

[0154] 本申请实施例还提供了一种识别分布式光伏发电系统并预测净负荷曲线的装置，需要说明的是，本申请实施例的识别分布式光伏发电系统并预测净负荷曲线的装置可以用于执行本申请实施例所提供的用于识别分布式光伏发电系统并预测净负荷曲线的方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

[0155] 以下对本申请实施例提供的识别分布式光伏发电系统并预测净负荷曲线的装置进行介绍。

[0156] 图10是根据本申请实施例的识别分布式光伏发电系统并预测净负荷曲线的装置的示意图。如图10所示，该装置包括获取单元10、第一构建单元20和第二构建单元30，获取单元10用于运用基于自组织映射聚类的天气类型生成方法，将天气类型划分为多个不同的天气类型；第一构建单元20用于根据不同天气下的光伏发电特性和用户净负荷曲线，提取目标特征参数，并根据上述目标特征参数，建立基于用户净负荷特性的二分类分布式光伏的负荷识别模型，上述目标特征参数为表征用户是否安装分布式光伏发电系统的参数，上述负荷识别模型用于识别上述用户是否安装有分布式光伏发电系统；第二构建单元30用于引入样本熵理论量化天气类型，利用遗传变异思想对粒子群算法中的惯性权重和学习因子进行改进，得到改进粒子群算法，并通过上述改进粒子群算法优化最小二乘支持向量机中的惩罚因子与核函数参数，以建立基于改进粒子群优化的最小二乘支持向量机和迭代误差修正的净负荷预测模型。

[0157] 本申请的上述识别分布式光伏发电系统并预测净负荷曲线的装置，包括获取单元、第一构建单元和第二构建单元，获取单元用于运用基于自组织映射聚类的天气类型生成方法，将天气类型划分为多个不同的天气类型；第一构建单元用于根据不同天气下的光伏发电特性和用户净负荷曲线，提取目标特征参数，并根据目标特征参数，建立基于用户净负荷特性的二分类分布式光伏的负荷识别模型，目标特征参数为表征用户是否安装分布式光伏发电系统的参数，负荷识别模型用于识别用户是否安装有分布式光伏发电系统；第二构建单元用于引入样本熵理论量化天气类型，利用遗传变异思想对粒子群算法中的惯性权重和学习因子进行改进，得到改进粒子群算法，并通过改进粒子群算法优化最小二乘支持向量机中的惩罚因子与核函数参数，以建立基于改进粒子群优化的最小二乘支持向量机和迭代误差修正的净负荷预测模型。该装置所建立的基于典型净负荷曲线特征参数和支持向量分类机的分布式光伏发电系统识别模型具有很好的识别能力。通过分析居民用电负荷特性，利用样本熵理论量化天气类型，利用遗传变异思想改进了粒子群算法中的权值和学习因子，再通过改进后的粒子群算法对最小二乘支持向量机中的惩罚因子与核函数参数进行了优化，提高了模型的收敛速度；建立了基于IPSO‑SE‑LSSVM和迭代误差修正的净负荷预测模型，分别对功率值和误差值进行预测，将误差补偿后的功率值作为最终的预测结果，解决了现有技术中并没有考虑到天气影响，导致用户负荷预测精准度较低的问题。

[0158] 一些实例中，第一构建单元包括第一获取模块和第一确定模块，第一获取模块用于获取第一特征参数C1、第二特征参数C2、第三特征参数C3、第四特征参数C4，其中，第一特征参数与用户的典型净负荷曲线函数有关，第二特征参数与净负荷曲线的采样点的集合元素的个数有关，第三特征参数与净负荷功率的最小值有关，第四特征参数与负荷上升率有关；第一确定模块用于根据目标公式C＝[C1,C2,C3,C4]，确定上述目标特征参数C。分析了居民用电负荷特性，利用样本熵理论量化了天气类型，作为模型输入的一个特征向量。

[0159] 一些实例中，第一获取模块包括第一确定子模块、第二确定子模块、第三确定子模块和第四确定子模块，第一确定子模块用于根据第一特征公式确L
定第一特征参数C1，其中，TNLC (t)为在时间段δ内t时刻天气类型为晴天的上述用户的典型H
净负荷曲线函数，TNLC (t)为在时间段δ内t时刻天气类型为多云的上述用户的典型净负荷曲线函数，δ＝[tr,ts]，tr为光伏发电的开始时刻，ts为上述光伏发电的结束时刻，上述晴天为云量小于第一预设云量的天气，上述多云为云量大于第二预设云量的天气，上述第一预设云量小于第二预设云量；第二确定子模块用于根据第二特征公式C2＝sum(G′)/sum(G)确定第二特征参数C2，其中，sum()为集合元素个数，G′为时间段δ内净负荷曲线的采样点的集合，G为时间段δ内的对应在净负荷起止线上的采样点的集合，上述净负荷起止线为起始点与结束点相连接的直线，上述起始点为光伏发电的开始时刻tr在上述净负荷曲线上对应的点，上述结束点为上述光伏发电的结束时刻ts在上述净负荷曲线上对应的点；第三确定子模块用于根据第三特征公式C3＝kL/kH确定第三特征参数C3，其中，kL为天气类型为上述晴天时第一目标直线的斜率与第二目标直线的斜率之和，kH为天气类型为上述多云时第一目标直线的斜率与第二目标直线的斜率之和，第一目标直线为第一目标点与上述起始点，第二目标直线为上述第一目标点与上述结束点，上述目标点为时间段δ内的净负荷功率的最小值；第四确定子模块用于根据第四特征公式C4＝RKL/RKH确定第四特征参数C4，其中，PKL为天气类型为上述晴天时的负荷上升率，PKH为天气类型为上述多云时的上述负荷上升率，上述负荷上升率为第二目标点与上述结束点之间的直线的斜率，上述第二目标点为光伏出力在某时刻已降为0并且该时刻之后光伏出力始终为0的时间点在上述净负荷曲线上对应的点。
考虑天气因素的影响，提出了基于SOM聚类的广义天气类型生成方法，提取了典型净负荷曲线中能反映分布式光伏发电的特征参数，建立了基于二分类SVC的分布式光伏发电识别模型。

[0160] 本实施例中，第一构建单元包括第一构建模块、第一优化模块、第二构建模块和第二确定模块，第一构建模块用于将上述目标特征参数作为特征向量，并基于支持向量机构建初始识别模型；第一优化模块用于采用k折交叉验证对上述初始识别模型的参数进行优化，得到支持向量机的最优惩罚因子c和最优高斯核函数参数σ；第二构建模块用于基于上述最优惩罚因子c和上述最优高斯核函数参数σ，构建中间识别模型，第二确定模块用于采用混淆矩阵作为模型评判指标，在上述中间识别模型的指标精度大于预设指标精度的情况下，将上述中间识别模型确定为上述负荷识别模型。这样可以更好地提升模型的准确率且消除SVC算法中各种输入值的量纲影响。

[0161] 一些实例中，上述装置还包括第三确定模块和第四确定模块，第三确定模块用于在根据上述目标特征参数，建立基于用户净负荷特性的二分类分布式光伏的负荷识别模型之后，在上述负荷识别模型的输出结果为1的情况下，确定上述用户安装了上述分布式光伏发电系统；第四确定模块用于在上述负荷识别模型的输出结果为0的情况下，确定上述用户未安装上述分布式光伏发电系统。通过模型的输出结果可对用户是否安装了光伏发电系统进行判断。

[0162] 一种可选的方案，第二构建单元包括第一改进模块、第二改进模块和第三构建模块，第一改进模块用于基于惯性权重变化公式对上述粒子群算法中的惯性权重进行改进，得到目标惯性权重，其中，ω(t)为上述目标惯性权重，ωmax和ωmin分别表示权重的最大值和最小值，kmax为最大迭代次数，t为控制系数，t与ω和k之间曲线的变化趋势有关，k为当前迭代次数；第二改进模块用于根据学习因子改进公式cd+1＝cd×rand×η，对上述粒子群算法中的学习因子进行改进，得到目标学习因子，其中，rand为随机数，rand在0到1之间，η为扰动函数，d为自然数，c为学习因子；第三构建模块用于根据上述目标惯性权重与上述目标学习因子，得到上述改进粒子群算法。这样可以提高寻优过程中的精度、降低搜索时间。

[0163] 作为一种可选的方案，上述装置还包括第二获取模块、输入模块、预测模块、第五确定模块和第六确定模块，第二获取模块用于在建立基于改进粒子群优化的最小二乘支持向量机和迭代误差修正的净负荷预测模型之后，获取历史负荷数据，上述历史负荷数据包括：历史净负荷数据、历史辐照度、历史天气量化值、历史温度与下一时刻t的天气量化值；输入模块用于将上述历史负荷数据输入至上述净负荷预测模型中，得到输出数据，上述输出数据为下一时刻t的预测净负荷y1；预测模块用于采用差序列X.(e1)～X.(e3)，并结合气象数据预测t时刻的三个等级的误差，一级误差至三级误差预测结果分别为e1,e2,e3；第五确定模块用于根据功率预测公式y＝y1+e1+e2+e3，确定t时刻的功率预测值y；第六确定模块用于将上述功率预测值反归一化后，得到t时刻的最终功率输出值。采用改进粒子群算法(IPSO)优化支持向量机的参数，使SVM具有更高性能。

[0164] 上述识别分布式光伏发电系统并预测净负荷曲线的装置包括处理器和存储器，上述获取单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

[0165] 处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有技术中并没有考虑到天气影响，导致用户负荷预测精准度较低的问题。

[0166] 存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

[0167] 本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述识别分布式光伏发电系统并预测净负荷曲线的方法。

[0168] 本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述识别分布式光伏发电系统并预测净负荷曲线的方法。

[0169] 本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少识别分布式光伏发电系统并预测净负荷曲线的方法的步骤。本文中的设备可以是服务器、PC、PAD、手机等。

[0170] 本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少识别分布式光伏发电系统并预测净负荷曲线的方法步骤的程序。

[0171] 显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

[0172] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。

[0173] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0174] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0175] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0176] 在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

[0177] 存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

[0178] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD‑ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

[0179] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

[0180] 从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

[0181] 1)、本申请的上述识别分布式光伏发电系统并预测净负荷曲线的方法所建立的基于典型净负荷曲线特征参数和支持向量分类机的分布式光伏发电系统识别模型具有很好的识别能力。通过分析居民用电负荷特性，利用样本熵理论量化天气类型，利用遗传变异思想改进了粒子群算法中的权值和学习因子，再通过改进后的粒子群算法对最小二乘支持向量机中的惩罚因子与核函数参数进行了优化，提高了模型的收敛速度；建立了基于IPSO‑SE‑LSSVM和迭代误差修正的净负荷预测模型，分别对功率值和误差值进行预测，将误差补偿后的功率值作为最终的预测结果，解决了现有技术中并没有考虑到天气影响，导致用户负荷预测精准度较低的问题。

[0182] 2)、本申请的上述识别分布式光伏发电系统并预测净负荷曲线的装置，包括获取单元、第一构建单元和第二构建单元，该装置所建立的基于典型净负荷曲线特征参数和支持向量分类机的分布式光伏发电系统识别模型具有很好的识别能力。通过分析居民用电负荷特性，利用样本熵理论量化天气类型，利用遗传变异思想改进了粒子群算法中的权值和学习因子，再通过改进后的粒子群算法对最小二乘支持向量机中的惩罚因子与核函数参数进行了优化，提高了模型的收敛速度；建立了基于IPSO‑SE‑LSSVM和迭代误差修正的净负荷预测模型，分别对功率值和误差值进行预测，将误差补偿后的功率值作为最终的预测结果，解决了现有技术中并没有考虑到天气影响，导致用户负荷预测精准度较低的问题。

[0183] 以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

查看完整全部详细技术资料

当前第1页第1页第2页第3页