计及多重时空相关性的配电网净负荷预测方法及系统

本发明属于电力系统，具体涉及计及多重时空相关性的配电网净负荷预测方法及系统。

背景技术：

1、随着清洁能源渗透率的不断提升，电力负荷呈现出更加复杂多变的新特性与新形态，而电力系统负荷预测作为基础支撑工作，对于未来新型电力系统的规划、运行、控制以及调度等多方面具有至关重要的作用。

2、随着海量分布式能源的接入、多种新型负荷的出现以及两者耦合影响不断加深，配电系统不确定性特征愈发突出，同时考虑配网侧采集数据一般为表前净负荷数据，不涉及表后多对象实际数据，这导致数据的随机性和波动性问题更为突出。在此背景下，如何基于历史气象、配网负荷等有限量测数据，实现不同层级源荷抵消特性下的净负荷精准预测成为一大难点。

3、针对配电网净负荷预测，传统负荷预测方法主要为基于统计学的分析方法，在新型电力系统背景下，面对多种复杂的负荷影响因素，难以精准构建负荷演化模式。而现有神经网络预测方法多集中于对气候、季节等外生变量的研究，忽略了高比例清洁能源接入场景不同区域电力数据的内在时空关联性，同时预测模型结构复杂、不同场景适应性差异较大，在天气因素影响导致区域分布式电源出力、用户用电行为变化较大等情况下，通过粗颗粒气象数据下对复杂模式动态演化下的净负荷预测能力有限，无法为配电网运行调度提供有效数据支撑。

技术实现思路

1、针对现有技术的不足，本发明的目的在于提供计及多重时空相关性的配电网净负荷预测方法及系统，解决了现有技术中的问题。

2、本发明的目的可以通过以下技术方案实现：

3、计及多重时空相关性的配电网净负荷预测方法，包括以下步骤：

4、基于配电网历史净负荷数据和多维气象采集数据，通过xgboost极限梯度提升算法分析各类型气象特征对净负荷预测的重要性，并通过逐级性能实验进行特征筛选，选取最优气象特征；

5、基于最优气象特征历史数据，通过模糊c均值聚类算法对不同天气类型净负荷数据进行聚类；

6、针对不同天气类型下的净负荷聚类数据，基于小波变换提取净负荷高、低频分量，并通过自适应重构策略进行分量重构，形成不同天气类型下的高频、低频重构分量数据集；

7、针对不同天气类型下的高频重构分量数据集，分别建立gcn-lstm模型进行多重时空特征提取与预测；

8、针对不同天气类型下的低频重构分量数据集，分别建立lstm模型进行净负荷时序预测；

9、根据实际净负荷值与高、低频融合预测值，采用评价指标，对预测结果的准确度与适应性进行量化分析。

10、进一步地，获取最优气象特征的步骤包括：

11、s11，采用从低重要度到高重要度特征的逐级特征削减实验，确定不同特征个数输入下的预测性能差异性；

12、s12，综合考虑气象特征个数与预测性能，选择性能-个数曲线拐点处的最优气象特征。

13、进一步地，历史气象数据先要进行归一化处理后再作为聚类的输入值，归一化处理公式如下：

14、

15、式中， y*为归一化处理后的气象数据， y*∈[0,1]， y为原始气象数据； ymax和 ymin为总样本数据中对应数据的最大值、最小值。

16、进一步地，在自适应重构策略中，对于不同分解层数下的高低频分量，通过求解其与原始数据的加权相似度最小差值以确定最佳的分解重构层数，计算式为：

17、

18、

19、式中， s( n)为目标函数， n为分解重构层数， wl,n和 wh,n分别为第 n层的低频和高频相似度权重， l( n)和 h( n)分别为第 n层低频、高频分量与原始数据的相似度， n为设定的最高分解层数。

20、进一步地，通过spearman相关系数计算高、低频分量与原始数据的相似度，相关系数计算公式如下：

21、

22、式中， di表示第 i个数据对的位次值之差， m为总的观测样本数。

23、进一步地，第 n层的低频和高频相似度权重的计算式为：

24、

25、

26、式中， t为总时刻数， loadl,n( t)、 loadh,n( t)为第 n层 t时刻的低频和高频分量负荷值。

27、进一步地，基于gcn-lstm提取多重时空特征进行预测的步骤包括：

28、s41，对历史高频净负荷数据进行归一化处理，基于转移熵te计算各高频负荷分量间的非线性因果关系作为gcn的邻接矩阵，将若干历史时间断面的负荷数据作为输入，通过gcn提取负荷数据中的空间特征；

29、s42，将空间特征与气象特征拼接作为lstm的输入，经lstm提取多维时间特征后通过全连接层输出预测结果，通过反归一化处理为实际预测值。

30、计及多重时空相关性的配电网净负荷预测系统，包括：

31、特征筛选模块：基于配电网历史净负荷数据和多维气象采集数据，通过xgboost极限梯度提升算法分析各类型气象特征对净负荷预测的重要性，并通过逐级性能实验进行特征筛选，选取最优气象特征；

32、数据聚类模块：基于最优气象特征历史数据，通过模糊c均值聚类算法对不同天气类型净负荷数据进行聚类；

33、分量重构模块：针对不同天气类型下的净负荷聚类数据，基于小波变换提取净负荷高、低频分量，并通过自适应重构策略进行分量重构，形成不同天气类型下的高频、低频重构分量数据集；

34、高频分量预测模块：针对不同天气类型下的高频重构分量数据集，分别建立gcn-lstm模型进行多重时空特征提取与净负荷预测；

35、低频分量预测模块：针对不同天气类型下的低频重构分量数据集，分别建立lstm模型进行净负荷时序预测；

36、以及，预测评价模块：根据实际净负荷值与高、低频融合预测值，采用评价指标，对预测结果的准确度与适应性进行量化分析。

37、一种计算机存储介质，存储有可读程序，当程序运行时，能够执行上述的计及多重时空相关性的配电网净负荷预测方法。

38、一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

39、所述存储器用于存放至少一条可执行指令，所述可执行指令使所述处理器执行上述的计及多重时空相关性的配电网净负荷预测方法对应的操作。

40、本发明的有益效果：

41、1、本发明提供的计及多重时空相关性的配电网净负荷预测方法，针对高比例清洁能源接入场景，不同天气条件下净负荷波动差异较大的问题，通过xgboost与逐级性能实验提取主要气象影响要素，采用模糊c均值聚类算法对不同天气类型下的净负荷进行聚类建模，相较于以往直接建模预测的方法，间接降低了净负荷数据的复杂度，有助于提升预测结果精度。

42、2、本发明提供的计及多重时空相关性的配电网净负荷预测方法，针对净负荷数据的非平稳性与强波动性，基于自适应重构的小波变换方法，在有效提取净负荷高低频分量的同时降低了分解模型个数与建模复杂度，确保方法的实际应用可行性。

43、3、本发明提供的计及多重时空相关性的配电网净负荷预测方法，考虑负荷数据间的因果相关性以及高低频负荷的差异性，基于gcn-lstm提取高频时空特征进行预测，基于lstm提取低频时序特征进行预测，融合高低频预测结果以获得最终净负荷预测值，实现了有限量测数据下的配电网净负荷的精准组合预测，能够为配电网计划生产、运行调度提供可靠的决策依据，对电力系统运行的安全性、稳定性和经济性起着至关重要的作用。