[发明专利]一种基于SVR支持向量回归的微电网超短期负荷预测方法

说明书

本发明提供了一种基于SVR支持向量回归的微电网超短期负荷预测方法，将历史负荷数据分为三类，工作日、双休日和节假日，对每一类数据都建立了在线的基于SVR的训练模型，采用相似度方法确定当前预测时刻的输入样本集，实现了微电网超短期负荷的快速准确预测。本发明实现了基于时间序列的循环预测，采用相似度法确定对预测结果影响较大的历史样本数据，提高了预测精度，降低了计算量。

技术领域

本发明涉及一种基于SVR支持向量回归的微电网超短期负荷预测方法，属于微电网负荷领域。

背景技术

微电网是一组由分布式电源、负荷、储能系统和控制装置构成的微型系统，对于大电网来说，它表现为一个单一可控的单元，可实现能源多种形式(电能、热能等)的高可靠供给负荷。微电网中的电源多为小容量的分布式电源，主要有光伏电池、小型风力发电机、微型燃气轮机、燃料电池以及蓄电池等储能装置，具有成本低、电压低及污染低等特点。

负荷预测是微电网能量管理系统的重要组成部分，是对分布式电源，如风电、光伏、微燃气轮机、柴油机及储能等可控微源进行优化调度的基础，预测结果将直接影响微电网运行策略与电能交易。相对于大电网环境，微电网进行短期和超短期负荷预测的难度更高，这主要是由于负荷的随机性强，历史负荷曲线相似度低，再加上用户容量有限，各用户间负荷特征相互平滑作用较小，负荷总体波动较大。由于微电网超短期负荷预测需求较新，需要设计考虑超短期时间序列的预测算法和建立先进的预测模型，并兼顾计算效率。

根据国家标准GB/T 36274-2018《微电网能量管理系统技术规范》，微电网能量管理系统宜包括日前发用电计划和日内发用电计划。微电网负荷预测相应的分为日前预测与日内预测，日内预测也即超短期负荷预测，是预测当前时刻至未来4小时的负荷需求，每15分钟更新一次，采样周期为15分钟。超短期负荷预测的预测时间短、实时性要求较高，对预测模型精度和计算效率要求很高。目前大量研究工作都集中在微电网的日前负荷预测，也即短期负荷预测，而对超短期负荷预测还没形成一套成熟的预测算法和预测模型，随着微电网示范工程的推广迫切需要设计开发针对超短期负荷预测的在线算法。

发明内容

本发明的目的是：基于SVR支持向量回归结合粒子群算法形成对微电网的负荷进行超短期在线循环预测。

为了达到上述目的，本发明的技术方案是提供了一种基于SVR支持向量回归的微电网超短期负荷预测方法，历史数据是以15分钟为周期进行负荷预测，其特征在于，包括以下步骤：

步骤1、建立在线超短期负荷预测的SVR模型：

将历史负荷数据分为工作日、双休日和节假日三类，对三类不同的数据分别采用SVR进行建模，随后构建超短期负荷预测所需的训练样本数据集和测试样本数据集，构建时先对负荷样本特征进行选取，确定负荷输入样本数据的16维输入向量，该16维输入向量包括预测时刻前1至前16采样时刻负荷，设第i天t时刻的负荷值为L_i,t，则其训练样本x_i,t为：x_i,t＝(L_i,t-16,L_i,t-15,L_i,t-14,…,L_i,t-1,L_i,t)，式中，t＝1,2,...,96；对负荷输入样本数据进行小波变换平滑处理，构成超短期负荷预测所需的训练样本数据集和测试样本数据集；得到所需的训练样本数据集和测试样本数据集后，对训练样本数据集和测试样本数据集中的负荷输入样本数据进行归一化处理；

步骤2、在线超短期负荷预测的SVR模型训练：

采用相似度法确定训练样本数据集与当前预测时刻的关联度，从大到小依次排序，取前K条样本数据用于模型训练，得到工作日、双休日和节假日三类在线预测SVR模型；

步骤3、在线预测SVR模型核函数参数优化：