[發(fā)明專利]微電網(wǎng)短期功率和負(fù)荷預(yù)測系統(tǒng)及誤差分類動(dòng)態(tài)修正方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201510296879.3
• 申請(qǐng)日: 2015-06-02
• 公開（公告）號(hào): CN104951846B
• 公開（公告）日: 2018-12-28
• 發(fā)明（設(shè)計(jì)）人: 賴曉路;朱華婧;孫鋒;孟憲俠;孫攀
• 申請(qǐng)（專利權(quán)）人: 國電南京自動(dòng)化股份有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/02
• 代理公司: 南京縱橫知識(shí)產(chǎn)權(quán)代理有限公司 32224
• 代理人: 董建林;耿英

1.一種微電網(wǎng)短期功率和負(fù)荷預(yù)測系統(tǒng)，其特征是，包括數(shù)據(jù)通信和處理模塊、數(shù)據(jù)存儲(chǔ)模塊、預(yù)測算法模塊和誤差動(dòng)態(tài)分類修正模塊；

數(shù)據(jù)通信和處理模塊采集外部數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理，并將預(yù)測結(jié)果上傳至能量管理系統(tǒng)或區(qū)域調(diào)度系統(tǒng)；

數(shù)據(jù)存儲(chǔ)模塊將采集的數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫中或以文本文件存儲(chǔ)；

預(yù)測算法模塊基于神經(jīng)網(wǎng)絡(luò)算法，包括神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和神經(jīng)網(wǎng)絡(luò)預(yù)測兩部分；

誤差動(dòng)態(tài)分類修正模塊包括誤差分類模塊和誤差修正模塊；

誤差分類模塊定時(shí)分別比較實(shí)際采集處理的功率和負(fù)荷數(shù)據(jù)與之前預(yù)測的功率和負(fù)荷數(shù)據(jù)，如果預(yù)測數(shù)據(jù)和實(shí)際數(shù)據(jù)誤差超過系統(tǒng)設(shè)定的閾值，則判定該預(yù)測數(shù)據(jù)為大誤差數(shù)據(jù)；出現(xiàn)大誤差數(shù)據(jù)后，記錄大誤差數(shù)據(jù)發(fā)生時(shí)與預(yù)測點(diǎn)相關(guān)聯(lián)的遙測值和狀態(tài)量；經(jīng)過誤差分類處理，將該誤差數(shù)據(jù)的特征值存儲(chǔ)在誤差分類器中；

誤差修正模塊對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進(jìn)一步修正；神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果作為誤差修正模塊的輸入，誤差修正模塊通過特征值遍歷誤差分類器，如果沒有匹配結(jié)果則以原先神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果作為整個(gè)預(yù)測系統(tǒng)的預(yù)測結(jié)果，如果在誤差分類器中匹配成功，則尋找特征值最接近的此前誤差結(jié)果的實(shí)際值作為整個(gè)預(yù)測系統(tǒng)的預(yù)測結(jié)果；

其中，

數(shù)據(jù)通信和處理模塊定時(shí)采集外部數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理，并將采集的數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫中或以文本文件存儲(chǔ)；

預(yù)測算法模塊基于神經(jīng)網(wǎng)絡(luò)算法，結(jié)合歷史氣象數(shù)據(jù)和歷史功率數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，將實(shí)時(shí)氣象數(shù)據(jù)和運(yùn)行數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入，通過代入運(yùn)算得到預(yù)測結(jié)果，預(yù)測微電網(wǎng)功率數(shù)據(jù)或/和負(fù)荷數(shù)據(jù)；

將預(yù)測結(jié)果與實(shí)際計(jì)算的數(shù)據(jù)進(jìn)行比較，如果誤差數(shù)據(jù)滿足預(yù)設(shè)的閾值，由誤差動(dòng)態(tài)分類修正模塊對(duì)新產(chǎn)生的該誤差數(shù)據(jù)進(jìn)行誤差數(shù)據(jù)分類，并代入誤差分類器中進(jìn)行誤差匹配，如果預(yù)測條件和預(yù)測結(jié)果與之前發(fā)生的誤差相匹配，那么誤差動(dòng)態(tài)分類修正模塊對(duì)預(yù)測數(shù)據(jù)進(jìn)行修正，如果匹配不成功則使用預(yù)測算法模塊的預(yù)測結(jié)果作為預(yù)測的最終結(jié)果；

通過選擇最高信息增益的方法確定誤差數(shù)據(jù)的分類；

如果誤差數(shù)據(jù)大于設(shè)定閾值，自動(dòng)采集預(yù)測點(diǎn)的遙測值和狀態(tài)量，通過特征值分析和自適應(yīng)匹配，判定誤差的種類，并記錄在誤差分類器中；

包括以下步驟：

每一個(gè)節(jié)點(diǎn)表示微電網(wǎng)內(nèi)與負(fù)荷數(shù)據(jù)相關(guān)的特征值，通過選擇具有最高信息增益的誤差數(shù)據(jù)的屬性作為當(dāng)前節(jié)點(diǎn)的屬性；

設(shè)S表示一個(gè)微電網(wǎng)負(fù)荷和與負(fù)荷相關(guān)特征值的誤差數(shù)據(jù)樣本集合，樣本劃分成若干個(gè)不同的類別集合{C1，C2，……，Cm}；設(shè)Si為類別Ci中的樣本個(gè)數(shù)，其中i＝1，2……n，那么對(duì)一個(gè)給定數(shù)據(jù)對(duì)象進(jìn)行計(jì)算類別所需要的信息量I為

設(shè)一個(gè)類別Ci的k維特征向量為{c1,c2,……，ck}，利用類別Ci將樣本S劃分成k個(gè)子集{S1,S2，……，Sk}，Sij表示子集Sj中屬于Ci的樣本個(gè)數(shù)，則Ci的信息熵或數(shù)學(xué)期望E(Ci)為：

每個(gè)類別的信息增益由下式計(jì)算得到

Gain(Ci)＝I_{(S1,S2,…,Sn)}-E(Ci)。

2.根據(jù)權(quán)利要求1所述的微電網(wǎng)短期功率和負(fù)荷預(yù)測系統(tǒng)，其特征是，數(shù)據(jù)通信和處理模塊支持電力系統(tǒng)的常用通信規(guī)約，包括IEC870-5-102、IEC870-5-103、IEC870-5-104和Modbus，同時(shí)支持FTP方式下載來自因特網(wǎng)的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的微電網(wǎng)短期功率和負(fù)荷預(yù)測系統(tǒng)，其特征是，

歷史氣象數(shù)據(jù)和歷史的運(yùn)行數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的輸入，經(jīng)過神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)的權(quán)值參數(shù)，即得到預(yù)測模型；

神經(jīng)網(wǎng)絡(luò)預(yù)測時(shí)，將實(shí)時(shí)氣象數(shù)據(jù)和當(dāng)前時(shí)刻微電網(wǎng)實(shí)時(shí)的運(yùn)行數(shù)據(jù)代入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測中建立的預(yù)測模型中，即得到預(yù)測結(jié)果。