一种微电网群负荷预测方法、系统、介质及电子设备与流程

1.本公开涉及电力负荷预测技术领域，特别涉及一种微电网群负荷预测方法、系统、介质及电子设备。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
3.微电网(micro-grid)也译为微网，是指由分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成的小型发配电系统，微电网群负荷预测(在微电网群的安全、经济和可靠运行方面起着至关重要的作用，微电网群stlf的精度将会直接影响到微电网群的运行性能。
4.目前在负荷预测方面应用最多的一类方法就是人工神经网络预测方法，例如，rbf神经网络具有很好的非线性拟合和学习能力，但其基函数中心点的随机选取会产生数据病态的现象；脊波神经网络具有非常强的各向异性，能够有效的逼近具备直线型奇异性的函数，但不能很好的处理负荷曲线的奇异性，因此，现有的算法大多无法实现准确的微电网群负荷预测。


技术实现要素：

5.为了解决现有技术的不足，本公开提供了一种微电网群负荷预测方法、系统、介质及电子设备，提高了微电网群负荷预测精度，实现了更精准的微电网群负荷调度。
6.为了实现上述目的，本公开采用如下技术方案：
7.本公开第一方面提供了一种微电网群负荷预测方法。
8.一种微电网群负荷预测方法，包括以下过程：
9.获取微电网群的运行参量数据；
10.根据获取的运行参量数据和预设神经网络模型，得到负荷预测结果；
11.其中，预设神经网络模型为脊波递归神经网络模型，且脊波递归神经网络模型采用粒子群优化算法训练。
12.本公开第二方面提供了一种微电网群负荷预测系统。
13.一种微电网群负荷预测系统，包括：
14.数据获取模块，被配置为：获取微电网群的运行参量数据；
15.负荷预测模块，被配置为：根据获取的运行参量数据和预设神经网络模型，得到负荷预测结果；
16.其中，预设神经网络模型为脊波递归神经网络模型，且脊波递归神经网络模型采用粒子群优化算法训练。
17.本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的微电网群负荷预测方法中的步骤。
18.本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并
可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的微电网群负荷预测方法中的步骤。
19.与现有技术相比，本公开的有益效果是：
20.1、本公开所述的微电网群负荷预测方法、系统、介质及电子设备，采用粒子群优化的脊波递归神经网络模型，极大的提高了微电网群负荷预测精度，进而实现了更精准的微电网群负荷调度。
21.2、本公开所述的微电网群负荷预测方法、系统、介质及电子设备，解决了传统基于梯度的脊波神经网络训练算法效率低且网络后期容易震荡的问题，使模型的输出更加逼近期望值，进一步的提高了预测精度。
附图说明
22.构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
23.图1为本公开实施例1提供的微电网群负荷预测方法的流程示意图。
具体实施方式
24.下面结合附图与实施例对本公开作进一步说明。
25.应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
26.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
27.在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
28.实施例1：
29.如图1所示，本公开实施例1提供了一种微电网群负荷预测方法，包括以下过程：
30.获取微电网群的运行参量数据；
31.根据获取的运行参量数据和预设神经网络模型，得到负荷预测结果；
32.其中，预设神经网络模型为脊波递归神经网络模型，且脊波递归神经网络模型采用粒子群优化算法训练。
33.具体的，包括以下内容：
34.s1：脊波递归神经网络预测模型的构造
35.脊波神经网络(ridegelet neural network，rnn)是通过模拟人体大脑的视觉皮层而产生的，其隐含层神经元能够接收特定方向上的数据信息，并通过分析处理，使网络输出期望数据。rnn模型采用脊波函数作为网络模型隐含层中神经元的激励函数，更具方向选择性，能够使网络包含更多的维数信息，从而很好地处理更高维度的数据信息，对非线性高维函数的逼近有比较好的效果。
36.在rnn预测模型的基础上，加入关联层，使隐含层中每一个神经元节点都会与关联
层节点一一对应相连接，并且关联层节点与隐含层节点之间的权值均可进行动态调节，构成脊波递归神经网络；
37.其中，关联层节点可将与之对应的隐含层神经元节点的当前输出状态存储下来，并在下一时刻传递给各隐含层神经元，属于模型内部的状态反馈，再经过反复的迭代更新，从而形成了递归性神经网络所特有的动态记忆功能。
38.rrnn的输入向量为[x1，x2…
，xm]，共m维，它是从负荷序列、气象因素以及日类型等信息中抓取出的相关联的特征元素按时序顺序所组成的向量。rrnn隐含层神经元节点设为p个，并且每一个节点都从输入层和关联层中获取输入量，并通过脊波函数进行非线性变换，其输出值再传递给输出层和关联层。其中，关联层节点数目与隐含层中的神经元节点数目相同。本实施例采用时间预测中的单步预测方法，其输出层节点数量设为1个。
[0039]
s2：基于pso-rrnn的微电网群负荷预测模型
[0040]
本实施例采用pso学习算法来训练rrnn网络，将网络模型中的脊波方向、脊波位置、脊波尺度以及网络连接权值等参数视为搜索空间中飞行粒子的个体属性，以网络输出误差作为粒子被优化的目标函数适应度值，通过在解空间中搜索，并且不断迭代更新找到最优解，从而解决传统基于梯度的脊波神经网络训练算法效率低且网络后期容易震荡的问题，使模型的输出更加逼近期望值。
[0041]
粒子群优化算法(pso)是一种使用非常广泛的全局寻优算法。在pso算法中，一群被初始化的随机粒子通过对个体和种群搜索经验的综合分析来动态调节其搜索速度，并通过反复地迭代更新粒子个体最优位置p
best
和种群全局最优位置g
best
，在解空间中搜索，从而找到问题的最优解。
[0042]
假定有n个粒子在d维空间内不断地搜索移动，其中第i个粒子的位置为xi＝(x
i1
,x
i2
,
…
,x
id
)，第i个粒子的搜索速度为vi＝(v
i1
,v
i2
,
…
,v
id
)，第i个粒子的最优历史位置为pi＝(p
i1
,p
i2
,
…
,p
id
)，所有粒子的全局最优历史位置为pg，每个粒子的速度和位置更新公式如下：
[0043][0044][0045]
其中，i＝1，2，
…
，n，n为群体中粒子总数；ω为惯性权重系数；c1、c2为加速常数；r1、r2为0到1之间的随机数，和分别代表粒子i在第k次迭代更新中第d维空间内的搜索速度和可搜索到的位置；为粒子i在第k次迭代更新中第d维空间内可搜索到的最优位置；为群体在第k次迭代更新中第d维空间内可搜索到的最优位置。
[0046]
惯性权重系数ω在粒子群算法中表示粒子的历史搜索速度和当前搜索速度之间的关系，并控制着pso中粒子的个体寻优和全局寻优能力，其大小决定了粒子搜索的速度和能力。当其取比较大的值时，粒子的搜索速度将变快，其搜索的能力也相应增强。为使粒子能更好地局部寻优和全局寻优，本实施例采用动态变化的惯性权重系数，其循环迭代公式为：
[0047]
[0048]
可以理解的，在其他一些实施方式中，根据负荷预测结果，进行微电网群的“源-网-荷-储”协同优化调度，具体调度策略为：
[0049]
以微电网群运行成本和环境污染处理成本的加权和最低为目标进行调度，具体的：
[0050]
微电网群运行成本最小，包括：
[0051][0052]
其中，f1为微电网群的运行成本，n为微源总数；c
fui
为第i个微源的燃料消耗成本；k
omi
为第i微电源运行维护系数；pi(t)为t时段内i个微源的功率负荷预测结果；p
grid
(t)为t时段内系统与大电网交换的功率；为采用的分时电价。
[0053]
环境污染处理成本最小，包括：
[0054][0055]
其中，f2为微电网群运行中产生的环境污染处理成本；ρj为第j种污染物处理单价(考虑污染类型有四种，即no
x
、co2、co、so2)；β
ij
为第i个微电源的第j类排放物的排放系数。
[0056]
最终的目标函数为：
[0057]
f＝min(k1f1+k2f2)
[0058]
实施例2：
[0059]
本公开实施例2提供了一种微电网群负荷预测系统，包括：
[0060]
数据获取模块，被配置为：获取微电网群的运行参量数据；
[0061]
负荷预测模块，被配置为：根据获取的运行参量数据和预设神经网络模型，得到负荷预测结果；
[0062]
其中，预设神经网络模型为脊波递归神经网络模型，且脊波递归神经网络模型采用粒子群优化算法训练。
[0063]
所述系统的工作方法与实施例1提供的微电网群负荷预测方法相同，这里不再赘述。
[0064]
实施例3：
[0065]
本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的微电网群负荷预测方法中的步骤。
[0066]
实施例4：
[0067]
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的微电网群负荷预测方法中的步骤。
[0068]
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开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和光学存储器等)上实施的计算机程序产品的形式。
[0069]
本公开是参照根据本公开实施例的方法、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。
[0070]
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。
[0071]
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。
[0072]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0073]
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。