一种配电网短期负荷预测方法及系统与流程

本公开涉及配电网负荷预测，具体涉及一种配电网短期负荷预测方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

2、配网短期负荷预测能够对电力系统未来一段时间的负荷数据进行预测，对直流配电网的安全运行控制具有重要的意义。随着风电、分布式光伏等可再生能源高比例接入，电动汽车等灵活性储能设备快速发展，负荷呈多元化发展。直流配电网的潮流计算具有非线性，负荷、分布式光伏风机具有波动性，在进行直流配电网能量管理时，若输入负荷、分布式能源短期预测数据与实际运行数据存在偏差，会降低所制定能量管理方案的经济性；随着预测误差的增大，在所制定能量管理方案下，易导致换流器运行在满功率状态，甚至超过极限值，严重影响系统稳定安全运行。短期负荷预测有助于直流配电网运行调度策略制定。

3、目前，直流配电网负荷预测方法主要为统计方法和机器学习方法，统计方法有多元线性回归、卡尔曼滤波算法等；机器学习方法有长短期记忆神经网络(long short termmemory networks, lstm)、卷积神经网络(conventional neural networks, cnn)等深度学习算法，深度置信神经网络等强化学习算法以及其他学习方式算法，虽然为负荷预测提供了重要的数据支持，但同时也对预测速度、存储成本等提出了挑战。其中，统计方法在处理大量数据时存在计算复杂、预测时间长等局限，机器学习方法以及深度置信神经网络等强化学习算法，易受限于模型复杂、训练时间长等问题，神经网络模型常难以应对高维度负荷数据，并且考虑到在数据获取和传输过程中，由于电力设备采集误差、电源不稳定、环境因素影响、电磁干扰、数据传输误差等原因，会使得样本数据存在噪声数据，会降低负荷预测的准确性，影响直流配电网能量管理方案的经济性、安全性。而现有负荷预测模型忽略样本噪声对预测准确性的影响，并未充分考虑模型对不同负荷的适应性，难以同时兼顾负荷预测对快速性、适应性、抗噪性和准确性等方面的需求，并且现有负荷预测模型在预测过程中比较依靠其超参数，遗传算法虽然能适配负荷预测模型，全局搜索能力强，但是容易陷入局部最优，导致模型超参数寻找不准确进而影响负荷预测的精度。

技术实现思路

1、本公开为了解决上述问题，提出了一种配电网短期负荷预测方法及系统，基于柯西变异的遗传算法对lightgbm进行超参数优化，基于柯西变异超参数优化构建配电网短期负荷预测模型，将相关性较强的影响因素作为输入，引入柯西变异操作增加种群多样性，使得模型更快的进行拟合，提高模型的预测速度和预测精度。

2、根据一些实施例，本公开采用如下技术方案：

3、一种配电网短期负荷预测方法，其特征在于，包括：

4、获取配电网负荷、风光电站、外部电动车辆合约以及储能系统的相关历史数据，将各个历史数据作为不同的影响因素；

5、对所有不同的影响因素进行基于增量搜索法的相关性计算，得到负荷与不同的影响因素之间的相关度，根据相关度大小确定负荷预测的关键影响因子；

6、通过引入柯西变异遗传算法对改进的lightgbm的损失函数进行变异优化，获取全局最优的lightgbm超参数组合，构建基于柯西变异的改进的lightgbm的配电网短期负荷预测模型；

7、将关键影响因子输入所述基于柯西变异的改进的lightgbm的配电网短期负荷预测模型中，得到该配电网下多类型的短期负荷预测结果。

8、根据一些实施例，本公开采用如下技术方案：

9、一种配电网短期负荷预测系统，包括：

10、数据获取模块，用于获取配电网负荷、风光电站、外部电动车辆合约以及储能系统的相关历史数据，将各个历史数据作为不同的影响因素；

11、关键因子确定模块，用于对所有不同的影响因素进行基于增量搜索法的相关性计算，得到负荷与不同的影响因素之间的相关度，根据相关度大小确定负荷预测的关键影响因子；

12、模型优化构建模块，用于通过引入柯西变异遗传算法对改进的lightgbm的损失函数进行变异优化，获取全局最优的lightgbm超参数组合，构建基于柯西变异的改进的lightgbm的配电网短期负荷预测模型；

13、预测模块，用于将关键影响因子输入所述基于柯西变异的改进的lightgbm的配电网短期负荷预测模型中，得到该配电网下多类型的短期负荷预测结果。

14、根据一些实施例，本公开采用如下技术方案：

15、一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现所述的一种配电网短期负荷预测方法。

16、根据一些实施例，本公开采用如下技术方案：

17、一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现所述的一种配电网短期负荷预测方法。

18、与现有技术相比，本公开的有益效果为：

19、本公开的一种配电网短期负荷预测方法，基于柯西变异的遗传算法对lightgbm进行超参数优化，基于柯西变异超参数优化构建配电网短期负荷预测模型，将相关性较强的影响因素作为输入，引入柯西变异操作增加种群多样性，使得模型更快的进行拟合，提高模型的预测速度和预测精度，充分考虑模型对不同负荷的适应性，同时兼顾负荷预测对快速性、适应性、抗噪性和准确性等方面的需求。

20、本公开的一种配电网短期负荷预测方法，对所有不同的影响因素进行基于增量搜索法的相关性计算，得到负荷与不同的影响因素之间的相关度，根据相关性分析结果获取关键影响因子，降低数据集维度，避免特征冗余，提高模型的预测速度和准确性。

21、本公开的一种配电网短期负荷预测方法，能够实现对4种负荷的平均预测误差均不超过1.6%，能够实现直流配电网中短期负荷的准确预测，提升了模型的抗噪性。

技术特征：

1.一种配电网短期负荷预测方法，其特征在于，包括：

2.如权利要求1所述的一种配电网短期负荷预测方法，其特征在于，获取配电网负荷、风光电站、外部电动车辆合约以及储能系统的相关历史数据，包括：配电网负荷历史数据、光伏电站历史数据、风力电站历史数据、电动汽车合约数据以及储能系统历史数据。

3.如权利要求1所述的一种配电网短期负荷预测方法，其特征在于，通过获取不同的影响因素的互信息，得到各个不同的影响因素与负荷之间的相关性：

4.如权利要求1所述的一种配电网短期负荷预测方法，其特征在于，通过计算各个影响因素的最大相关度，选择与负荷值相关性最大的m个关键影响因子的集合：

5.如权利要求1所述的一种配电网短期负荷预测方法，其特征在于，通过引入柯西变异遗传算法对改进的lightgbm的损失函数进行变异优化，包括：首先将focalloss损失函数对lightgbm算法的损失函数进行替换改进，然后通过柯西变异优化遗传算法对改进的lightgbm算法的损失函数进行变异处理，用柯西变异进行随机扰动，增加种群的多样性，减少变异个体的搜索时间，得到全局最优的lightgbm超参数组合。

6.如权利要求5所述的一种配电网短期负荷预测方法，其特征在于，lightgbm 将决策树作为基学习器，使用学习器来获取从输入空间xi到梯度空间g的映射函数，lightgbm使用按叶生长的生长方式，在每一次节点分裂时，选择增益最大的叶子节点进行生长，获得决策树最佳分裂点，基于全局最优的lightgbm超参数组合，获得基于柯西变异的改进的lightgbm的配电网短期负荷预测模型。

7.如权利要求1所述的一种配电网短期负荷预测方法，其特征在于，配电网下多类型的短期负荷，包括：配电网中包含的工业负荷、园区负荷、数据中心以及居民区四种类型负荷。

8.一种配电网短期负荷预测系统，其特征在于，包括：

9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-7任一项所述的一种配电网短期负荷预测方法。

10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-7任一项所述的一种配电网短期负荷预测方法。

技术总结本公开提供了一种配电网短期负荷预测方法及系统，涉及配电网负荷预测技术领域，获取配电网负荷、风光电站、外部电动车辆合约以及储能系统的相关历史数据；对所有不同的影响因素进行基于增量搜索法的相关性计算，得到负荷与不同的影响因素之间的相关度，根据相关度大小确定负荷预测的关键影响因子；通过引入柯西变异遗传算法对改进的LightGBM的损失函数进行变异优化，获取全局最优的LightGBM超参数组合，构建基于柯西变异的改进的LightGBM的配电网短期负荷预测模型；将关键影响因子输入所述基于柯西变异的改进的LightGBM的配电网短期负荷预测模型中，得到该配电网下多类型的短期负荷预测结果。技术研发人员：陈岩,魏亚,邵乐乐,李长青,赵迪,田雨,赵娜,洪迪,付超,夏崇震,刘璇凯,李秀霞,王艳春,时帅受保护的技术使用者：国网山东省电力公司济宁市任城区供电公司技术研发日：技术公布日：2024/9/9