本發(fā)明涉及智能電網(wǎng)，特別涉及一種智能電網(wǎng)數(shù)據(jù)管理方法。

背景技術(shù)：

由分布式電源、儲(chǔ)能裝置、能量變換裝置、負(fù)載和監(jiān)控、保護(hù)裝置匯集而成的分布式微網(wǎng)系統(tǒng)對(duì)主網(wǎng)而言，可作為在秒級(jí)時(shí)間尺度內(nèi)動(dòng)作以滿足外部輸配電網(wǎng)絡(luò)需求的可控單元；對(duì)于電力用戶，分布式微網(wǎng)是能滿足用戶特定需求的可定制電源。分布式微網(wǎng)負(fù)載預(yù)測(cè)是實(shí)現(xiàn)安全、節(jié)能、高效運(yùn)行的重要前提，是實(shí)現(xiàn)分布式微網(wǎng)能量?jī)?yōu)化管理的條件和依據(jù)，其預(yù)測(cè)效果的好壞直接關(guān)系到分布式微網(wǎng)和主網(wǎng)系統(tǒng)發(fā)供電計(jì)劃的編制、電能質(zhì)量的高低和電力市場(chǎng)的交易等?，F(xiàn)有關(guān)于分布式微網(wǎng)負(fù)載預(yù)測(cè)技術(shù)針對(duì)發(fā)電裝置的發(fā)電預(yù)測(cè)，而對(duì)用戶負(fù)載預(yù)測(cè)尚無(wú)成熟方法。隨著用戶負(fù)載的波動(dòng)性和隨機(jī)性越來(lái)越大、歷史數(shù)據(jù)不全面，其負(fù)載預(yù)測(cè)難度更大。

技術(shù)實(shí)現(xiàn)要素：

為解決上述現(xiàn)有技術(shù)所存在的問(wèn)題，本發(fā)明提出了一種智能電網(wǎng)數(shù)據(jù)管理方法，包括：

(1)從原始負(fù)載數(shù)據(jù)構(gòu)成輸入向量，對(duì)輸入向量中各元素進(jìn)行預(yù)處理；

(2)基于相似天選擇準(zhǔn)則對(duì)歷史數(shù)據(jù)進(jìn)行處理，形成訓(xùn)練樣本；

(3)選擇混合型核函數(shù)；

(4)用粒子群算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化；

(5)求解并完成對(duì)當(dāng)天特定時(shí)刻負(fù)載的預(yù)測(cè)。

優(yōu)選的，所述從原始負(fù)載數(shù)據(jù)構(gòu)成輸入向量包括，獲取連續(xù)多天的天氣因數(shù)量化值和每天負(fù)載均值、當(dāng)天的天氣因數(shù)量化值、每天類(lèi)型量化值、在前多天同時(shí)刻的負(fù)載值；構(gòu)成當(dāng)天的輸入向量；

所述對(duì)輸入向量中各元素進(jìn)行預(yù)處理包括，對(duì)于歷史統(tǒng)計(jì)數(shù)據(jù)進(jìn)行空缺數(shù)據(jù)的補(bǔ)足和異常數(shù)據(jù)處理：

引入采樣點(diǎn)的每天負(fù)載變化率Δx和負(fù)載變化率均值對(duì)第i天t時(shí)刻點(diǎn)的空缺數(shù)據(jù)做如下校正：

當(dāng)t＝1時(shí)，

Δx(i,t)＝(x(i,t)-x(i-1,T))/x(i-1,T)

當(dāng)t＞1時(shí)，

Δx(i,t)＝(x(i,t)-x(i,t-1))/x(i,t-1)

其中x(i,t)為第i天t時(shí)刻的負(fù)載值，t為每天負(fù)載樣本數(shù)，N為所選天數(shù)，Δx(i,t)和分別為第i天t時(shí)刻的每天負(fù)載變化率及其均值；

對(duì)同時(shí)刻超出范圍的原始負(fù)載序列異常數(shù)據(jù)進(jìn)行識(shí)別和校正：

第一步，計(jì)算各負(fù)載值的均值和標(biāo)準(zhǔn)差；設(shè)負(fù)載序列為x(d,t)，則各負(fù)載值均值E(t)及標(biāo)準(zhǔn)差σ(t)分別為：

E(t)＝∑x(d,t)/N

σ(t)＝(∑(x(d,t)-E(t))/N)^1/2

第二步，計(jì)算各負(fù)載值偏心系數(shù)和最大偏心系數(shù)；設(shè)第d天t時(shí)刻的偏心系數(shù)和t時(shí)刻最大偏心系數(shù)分別為ρ(d,t)和ρ_max(t)：

ρ(d,t)＝|x(d,t)-E(t)|/σ(t)

ρ_max(t)＝max(ρ(d,t))

第三步，識(shí)別與校正異常值，首先判斷是否有ρ_max(t)大于預(yù)定義常數(shù)C，如果存在則認(rèn)為該時(shí)間點(diǎn)t存在異常值，并進(jìn)一步判斷ρ(d,t)>C是否成立，若成立則將x(d,t)確定為異常值，用其前后一天同時(shí)刻的負(fù)載均值替換異常值x(d,t)，則x(d,t)為

x(d,t)＝(x(d-1,t)+x(d+1,t))/2

迭代執(zhí)行第二和第三步，直到識(shí)別出所有的異常值，最終使得ρ_max(t)<C。

本發(fā)明相比現(xiàn)有技術(shù)，具有以下優(yōu)點(diǎn)：

本發(fā)明提出的智能電網(wǎng)數(shù)據(jù)管理方法，在用戶負(fù)載的波動(dòng)性和隨機(jī)性較大和歷史數(shù)據(jù)不全面的情況下實(shí)現(xiàn)了電網(wǎng)實(shí)時(shí)負(fù)載預(yù)測(cè)，為分布式微網(wǎng)能量管理的后續(xù)工作奠定基礎(chǔ)。

附圖說(shuō)明

圖1是本發(fā)明智能電網(wǎng)數(shù)據(jù)管理方法的流程圖。

具體實(shí)施方式

下文提供對(duì)本發(fā)明一個(gè)或者多個(gè)實(shí)施例的詳細(xì)描述。結(jié)合這樣的實(shí)施例描述本發(fā)明，但是本發(fā)明不限于任何實(shí)施例。本發(fā)明的范圍僅由權(quán)利要求書(shū)限定，并且本發(fā)明涵蓋諸多替代、修改和等同物。在下文描述中闡述諸多具體細(xì)節(jié)以便提供對(duì)本發(fā)明的透徹理解。出于示例的目的而提供這些細(xì)節(jié)，并且無(wú)這些具體細(xì)節(jié)中的一些或者所有細(xì)節(jié)也可以根據(jù)權(quán)利要求書(shū)實(shí)現(xiàn)本發(fā)明。

本發(fā)明在負(fù)載值空間上構(gòu)建了一種支持向量機(jī)的分布式微網(wǎng)負(fù)載預(yù)測(cè)方法，為分布式微網(wǎng)能量管理的后續(xù)工作奠定基礎(chǔ)。

本發(fā)明結(jié)合分布式微網(wǎng)負(fù)載的特點(diǎn)，構(gòu)建支持向量機(jī)分布式微網(wǎng)的負(fù)載預(yù)測(cè)方法。將分布式微網(wǎng)負(fù)載細(xì)化到負(fù)載值空間來(lái)預(yù)測(cè)，基于相似天選擇準(zhǔn)則來(lái)實(shí)現(xiàn)訓(xùn)練樣本的選擇，然后選擇混合型核函數(shù)，并將粒子群算法用于參數(shù)的優(yōu)化選擇。即訓(xùn)練樣本和參數(shù)都是針對(duì)各個(gè)負(fù)載值分別選擇的。具體步驟為：

(1)確定輸入向量。對(duì)獲取的原始負(fù)載數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)成輸入向量的元素，對(duì)輸入向量中的各影響因素和原始負(fù)載數(shù)據(jù)進(jìn)行預(yù)處理。

(2)選擇訓(xùn)練樣本?；陔p向加權(quán)的相似天選擇準(zhǔn)則對(duì)歷史數(shù)據(jù)進(jìn)行處理，形成最終訓(xùn)練樣本。

(3)選擇混合型核函數(shù)。采用一種同時(shí)保持模型的學(xué)習(xí)能力和泛化能力的混合型核函數(shù)。

(4)優(yōu)化參數(shù)。用粒子群算法對(duì)預(yù)測(cè)方法的參數(shù)進(jìn)行優(yōu)化。

(5)求解模型并完成對(duì)當(dāng)天特定時(shí)刻負(fù)載的預(yù)測(cè)。

其中在步驟3中，采用將全局核函數(shù)K_poly與局部核函數(shù)K_rbf線性組合的混合型核函數(shù)，即

K_mix＝ηK_poly+(1-η)K_rbfη∈[0,1]

其中η是多項(xiàng)式核函數(shù)K_ploy的預(yù)定義系數(shù)。

K_poly(x_i，x)＝[(x_i，x)+1]²

其中x是預(yù)定義維度d的輸入向量，x_i是第i個(gè)核函數(shù)的中心，并且與x為相同維度的向量，||x-x_i||²為(x-x_i)的范數(shù)，σ為標(biāo)準(zhǔn)化核寬度。

在步驟4中，需要優(yōu)化的參數(shù)有：核寬度σ和系數(shù)η，設(shè)有d維空間由n個(gè)粒子組成的種群，第i個(gè)粒子的速度和位置分別為v_i＝(v_i1,v_i2,...,v_id)和x_i＝(x_i1,x_i2,...,x_id)，第i個(gè)粒子的個(gè)體最大值和全局最大值分別為p_i＝(p_i1,p_i2,...,p_id)和p_g＝(p_g1,p_g2,...,p_gd)，則粒子群中的粒子更新自身速度和位置的公式為

v^(k+1)_i＝w·v^(k+1)_i+c₁r₁(p^(k)_i-x^(k)_i)+c₂r₂(p^(k)_g-x^(k)_i)

x^(k+1)_i＝x^(k)_i+a·v^(k)_i

k和k+1表示迭代次數(shù)；c₁＝c₂∈[0，4]為加速常數(shù)；r₁，r₂為分布在[0，1]之間的隨機(jī)數(shù)；a為約束因數(shù)；w為慣性權(quán)值。

以上粒子群對(duì)改進(jìn)預(yù)測(cè)參數(shù)進(jìn)行優(yōu)化的具體步驟如下：

(1)設(shè)定粒子群參數(shù)，包括粒子數(shù)n、維度空間d、粒子分布范圍和迭代最大次數(shù)T_max，適應(yīng)度閾值ε；

(2)隨機(jī)初始化粒子群；

(3)分別根據(jù)上述速度和位置更新公式更新粒子的速度和位置；

(4)計(jì)算適應(yīng)度值f，并據(jù)此更新個(gè)體最大值p_i和全局最大值p_g，其中適應(yīng)度函數(shù)用負(fù)載預(yù)測(cè)中負(fù)載值的相對(duì)誤差來(lái)表示，即

f＝|(P’_t-P_t)/P_t|

P’_t和P_t分別表示t時(shí)刻點(diǎn)負(fù)載的預(yù)測(cè)值和實(shí)際值。

(5)如果適應(yīng)度值滿足|f^(k+1)-f^(k)|＜ε或迭代次數(shù)滿足k<T_max，則轉(zhuǎn)到步驟(3)；否則算法停止，輸出p_g即為待優(yōu)化參數(shù)的最優(yōu)解。

本發(fā)明在形成輸入向量時(shí)，連續(xù)多天的天氣因數(shù)量化值和每天負(fù)載均值；當(dāng)天的天氣因數(shù)量化值；引入每天類(lèi)型量化值；引入在前多天同時(shí)刻的負(fù)載值。

當(dāng)天的輸入向量由以上相應(yīng)的五類(lèi)元素構(gòu)成。本發(fā)明確定輸入向量前對(duì)歷史統(tǒng)計(jì)數(shù)據(jù)、影響因素及數(shù)據(jù)正則化這三方面進(jìn)行處理。

對(duì)于歷史統(tǒng)計(jì)數(shù)據(jù)，包括空缺數(shù)據(jù)的補(bǔ)足、數(shù)據(jù)垂直處理和水平處理三個(gè)方面。本發(fā)明引入采樣點(diǎn)的每天負(fù)載變化率Δx和負(fù)載變化率均值對(duì)第i天t時(shí)刻點(diǎn)的空缺數(shù)據(jù)做如下校正：

當(dāng)t＝1時(shí)，

Δx(i,t)＝(x(i,t)-x(i-1,T))/x(i-1,T)

當(dāng)t＞1時(shí)，

Δx(i,t)＝(x(i,t)-x(i,t-1))/x(i,t-1)

其中x(i,t)為第i天t時(shí)刻的負(fù)載值,t為每天負(fù)載樣本數(shù)，N為所選天數(shù)，Δx(i,t) 和分別為第i天t時(shí)刻的每天負(fù)載變化率及其均值。這樣，原始數(shù)據(jù)中的空缺數(shù)據(jù)就得到了初步預(yù)處理。

不同日期同一時(shí)刻負(fù)載具有一定的相似性，同時(shí)刻負(fù)載值應(yīng)該維持在一定范圍內(nèi)。本發(fā)明對(duì)同時(shí)刻超出范圍的原始負(fù)載序列異常數(shù)據(jù)進(jìn)行了識(shí)別和校正，即所謂的垂直處理。

第一步，計(jì)算各負(fù)載值的均值和標(biāo)準(zhǔn)差。設(shè)負(fù)載序列為x(d,t)，則各負(fù)載值均值E(t)及標(biāo)準(zhǔn)差σ(t)分別為

E(t)＝∑x(d,t)/N

σ(t)＝(∑(x(d,t)-E(t))/N)^1/2

第二步，計(jì)算各負(fù)載值偏心系數(shù)和最大偏心系數(shù)。設(shè)第d天t時(shí)刻的偏心系數(shù)和t時(shí)刻最大偏心系數(shù)分別為ρ(d,t)和ρ_max(t)：

ρ(d,t)＝|x(d,t)-E(t)|/σ(t)

ρ_max(t)＝max(ρ(d,t))

第三步，識(shí)別與校正異常值。首先判斷是否有ρ_max(t)大于預(yù)定義常數(shù)C，如果存在則認(rèn)為該時(shí)間點(diǎn)t存在異常值，并進(jìn)一步判斷ρ(d,t)>C是否成立，若成立則將x(d,t)確定為異常值，用其前后一天同時(shí)刻的負(fù)載均值x(d,t)替換異常值x(d,t)，則x(d,t)為

x(d,t)＝(x(d-1,t)+x(d+1,t))/2

迭代執(zhí)行第二和第三步，直到識(shí)別出所有的異常值，最終使得ρ_max(t)<C。這樣負(fù)載序列中較明顯的異常數(shù)據(jù)得到了垂直處理。

對(duì)已經(jīng)垂直處理的負(fù)載序列做進(jìn)一步的水平處理，先用中值法對(duì)原始負(fù)載序列產(chǎn)生一個(gè)平滑估計(jì)序列，再求出該平滑估計(jì)序列與實(shí)際負(fù)載序列的偏心系數(shù)，然后對(duì)各負(fù)載值負(fù)載進(jìn)行水平處理。包括以下三步：

第一步，計(jì)算平滑估計(jì)序列x’(t)。設(shè)x(t)為垂直處理過(guò)的負(fù)載序列，取序列x(t)相鄰三點(diǎn)負(fù)載中值生成一個(gè)新負(fù)載序列x⁽¹⁾(t)，再取x⁽¹⁾(t)序列相鄰三點(diǎn)負(fù)載的中值再生成一個(gè)新負(fù)載序列x⁽²⁾(t)，即

x⁽¹⁾(t)＝(∑x(t-1)+x(t)+x(t+1))/3,t＝1,...,T

x⁽²⁾(t)＝(∑x⁽¹⁾(t-1)+x⁽¹⁾(t)+x⁽¹⁾(t+1))/3,t＝1,...,T

則負(fù)載平滑估計(jì)序列x’(t)為

x’(t)＝0.1x⁽²⁾(t-1)+0.8x⁽²⁾(t)+0.1x⁽²⁾(t+1),t＝1,...,T

第二步，計(jì)算實(shí)際負(fù)載序列x(t)與平滑估計(jì)序列x’(t)的偏心系數(shù)ρ(t)，即

ρ(t)＝|x(t)-x’(t)|/x’(t)

第三步，識(shí)別及校正異常值。預(yù)先給定偏心系數(shù)閾值μ，通過(guò)調(diào)節(jié)μ的大小確定對(duì)負(fù)載序列的校正程度。當(dāng)ρ(t)>μ時(shí)，負(fù)載值為異常點(diǎn)，用該負(fù)載值對(duì)應(yīng)的平滑序列估計(jì)值x’(t)來(lái)替換x(t)；否則，保持原來(lái)的值。這樣負(fù)載序列x(t)就得到了的水平處理。

經(jīng)過(guò)垂直和水平處理的負(fù)荷數(shù)據(jù)通過(guò)正則化處理統(tǒng)一映射到[0.1,0.9]區(qū)間。即

x’＝0.9-0.8×(x_max-x)/(x_max-x_min)

其中x_max和x_min分別是所有訓(xùn)練樣本中特征值x的最大值和最小值。最后，形成該分布式微網(wǎng)負(fù)載預(yù)測(cè)方法中各負(fù)載值的輸入向量。

在步驟2的選擇訓(xùn)練樣本前，首先收集與訓(xùn)練樣本選擇相關(guān)的歷史統(tǒng)計(jì)數(shù)據(jù)。本發(fā)明考慮的因素包括天氣因素、每天負(fù)載均值、每天類(lèi)型。在形成訓(xùn)練樣本選擇準(zhǔn)則時(shí)，對(duì)不同時(shí)刻的各個(gè)特征因素分別加以處理，以反映不同特征因素對(duì)同一時(shí)刻負(fù)載不同的影響程度。將前兩個(gè)月的歷史作為訓(xùn)練樣本的待選范圍，在負(fù)載值空間上，采用相似評(píng)估函數(shù)綜合該負(fù)載值連續(xù)多天的負(fù)載序列局部形態(tài)相似度和水平加權(quán)特征相似度，并引入用于歷史垂直加權(quán)的時(shí)間因數(shù)。

具體步驟為：

(1)計(jì)算歷史與當(dāng)天各負(fù)載值的局部形態(tài)相似度；

(2)計(jì)算歷史與當(dāng)天各負(fù)載值的水平加權(quán)特征相似度；

(3)綜合這兩個(gè)相似度并使用垂直加權(quán)的時(shí)間因數(shù)形成選擇訓(xùn)練樣本的相似評(píng)估函數(shù)；

(4)計(jì)算歷史與當(dāng)天的相似度并降序排列，依次選擇相似度最高的多個(gè)天數(shù)作為預(yù)測(cè)方法的訓(xùn)練樣本。

對(duì)于局部形態(tài)相似度，即從單個(gè)負(fù)載值分別定量分析歷史前幾天負(fù)載序列和當(dāng)天前幾天的局部形態(tài)相似度，具體實(shí)現(xiàn)步驟如下：

(1)將正則化的每天負(fù)載序列分別向前擴(kuò)展k個(gè)時(shí)刻的負(fù)載形成新負(fù)載序列，設(shè)擴(kuò)展后第p個(gè)歷史天的新序列為f_p，則

f_p＝[f_p-1,T-(k-1),f_p-1,T-(k-2),…,f_p-1,T,f_p,1,f_p,2,…,f_p,T]

f_p,j表示第p天j時(shí)刻的負(fù)載值。

(2)計(jì)算p＝0時(shí)，待預(yù)測(cè)當(dāng)天各負(fù)載值的負(fù)載序列f_0,j。

(3)計(jì)算局部形態(tài)相似度rf：

rf_p,j＝min{(max(f_p,j/f_0,j)-min(f_p,j/f_0,j)),(max(f_0,j/f_p,j)-min(f_0,j/f_p,j))

由于不同的特征因素對(duì)同一時(shí)刻負(fù)載值的影響程度不同，同一特征因素對(duì)不同時(shí)刻負(fù)載值的影響也不同。各個(gè)特征因素與該負(fù)載值的關(guān)聯(lián)度，對(duì)連續(xù)多天的特征因素做水平加權(quán)計(jì)算。具體過(guò)程如下：

(1)確定當(dāng)天的特征因素，包括當(dāng)天氣溫范圍、天氣類(lèi)型，當(dāng)天負(fù)載均值；

(2)計(jì)算第i個(gè)特征因素與j時(shí)刻負(fù)載值的關(guān)聯(lián)系數(shù)xs_i,j：

①分別提取第i個(gè)特征因素值和j時(shí)刻負(fù)載值的負(fù)載值形成向量rt_i和fh_j，即

rt_i＝[rt_l,i,rt_2,i,…rt_M,i]

fh_j＝[fh_l,j,fh_2,j,…fh_M,j]

M為相似天選擇范圍的歷史總天數(shù)；i為特征因素?cái)?shù)；j為每日負(fù)載采樣點(diǎn)數(shù)。

②分別將向量rt_i和fh_j中的每個(gè)元素都除以各自向量中的第一個(gè)數(shù)據(jù)得到處理后向量為rt_i'和fh_j'，即

rt_i'(k)＝rt_i(k)/rt_i(1)

fh_j'(k)＝fh_j(k)/fh_j(1) k＝1，2，…，M

③計(jì)算向量rt_i'和fh_j'中的第k個(gè)元素的關(guān)聯(lián)系數(shù)x_i,j(k)為：

為分辨系數(shù)。

④計(jì)算第i個(gè)特征因素與j時(shí)刻負(fù)載值的關(guān)聯(lián)系數(shù)xs_i,j：

(3)將關(guān)聯(lián)系數(shù)xs_i,j作為的水平加權(quán)值，量化特征因素對(duì)負(fù)載值的影響，水平加權(quán)后歷史與當(dāng)天的特征序列分別為rt'_p和rt'₀，即由rt_p和rt₀向量中的元素分別乘以對(duì)應(yīng)的xs_i,j值形成。設(shè)第p天與當(dāng)天j時(shí)刻負(fù)載的特征相似度為rs_p,j，則

在形成相似天綜合評(píng)估函數(shù)時(shí)，使用時(shí)間因數(shù)α

α_i＝β₁^mod(ti/7)+1β₂^int(ti/7)+1

β₁和β₂分別表示歷史與當(dāng)天的距離每增加一天和一周的相似縮減比例；t_i表示歷史與當(dāng)天的時(shí)間間隔，mod是取余函數(shù)，int是取整函數(shù)。

最終，相似評(píng)估函數(shù)s為

s＝α·rf·rt

計(jì)算歷史各天與當(dāng)天的相似評(píng)估函數(shù)并由大到小排序，依次選擇歷史上最相似的多個(gè)天數(shù)作為最終的訓(xùn)練樣本。

應(yīng)當(dāng)理解的是，本發(fā)明的上述具體實(shí)施方式僅僅用于示例性說(shuō)明或解釋本發(fā)明的原理，而不構(gòu)成對(duì)本發(fā)明的限制。因此，在不偏離本發(fā)明的精神和范圍的情況下所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。此外，本發(fā)明所附權(quán)利要求旨在涵蓋落入所附權(quán)利要求范圍和邊界、或者這種范圍和邊界的等同形式內(nèi)的全部變化和修改例。