[发明专利]一种考虑需求响应的柔性负荷短期负荷预测方法

权利要求书

1.一种考虑需求响应的柔性负荷短期负荷预测方法，其特征在于，包括如下步骤：

步骤S1：提取模型输入量和输出量。

通过对需求响应负荷的特性分析，可以确定计及需求响应神经网络预测模型输入量的传统组成元素。在此基础上，将需求响应因素视作外界影响因素进行处理。考虑需求响应因素的预测模型输入量由传统元素和模型对需求响应的量化元素共同组成，输出量为用户的用电负荷。

步骤S2：数据标准化处理。

考虑需求响应的短期负荷预测模型输入量组成元素包括温度、天气状况和DR信号等，各组成元素量纲不同，值域范围差异较大。为避免部分负荷影响因素在总体映射效果中被歪曲甚至淹没，同时防止神经元在神经网络训练和学习过程中饱和，需要在模型训练之前对各种负荷影响因素统一进行标准化预处理。

步骤S3：构建BP神经网络预测模型。

利用处理好的输入量和输出量，构建BP神经网络预测模型。

步骤S4：模型调试。

根据神经网络特性及运行过程调试，调整确定各神经网络模型参数。

2.根据权利要求1所述的一种考虑需求响应的柔性负荷短期负荷预测方法，其特征在于：

S1中所述的提取模型输入量和输出量的步骤如下：

步骤S1-1.提取模型输入量。

通过对需求响应负荷的特性分析，可以确定计及需求响应神经网络预测模型输入量的传统组成元素。在此基础上，将需求响应因素视作外界影响因素进行处理。考虑需求响应因素的预测模型输入量由传统元素和模型对需求响应的量化元素共同组成，如式所示。

式中：u表示神经网络模型的多维输入量；k表示要预测的负荷采样点的时间序列编号，k＝0,1,…,95；d表示要预测的负荷采样点所在的天数编号；h表示历史负荷数据向量，如式(2)所示；w表示温度、天气和日类型(工作日或休息日)等外在影响因素向量，如式(3)所示；dr表示需求响应因素向量，如式(4)所示。

式(2)中，h表示9维历史负荷数据向量，load1表示计及需求响应的负荷数据。式(3)中，w表示17维外在影响因素向量，T_max、T_ave、T_min和s分别表示某日的最高温度、平均温度、最低温度和天气影响因子，g表示预测日的日类型影响因子。式(4)中，dr表示9维需求响应因素向量，dr表示用户实际需求响应曲线数值。综上，u为神经网络预测模型的35维输入量。

步骤S1-2.提取模型输出量。

提取用于预测的柔性负荷的历史用电数据。

3.根据权利要求1所述的一种考虑需求响应的柔性负荷短期负荷预测方法，其特征在于：

S2中所述的数据标准化处理步骤如下：

考虑需求响应的短期负荷预测模型输入量组成元素包括温度、天气状况和DR信号等，各组成元素量纲不同，值域范围差异较大。为避免部分负荷影响因素在总体映射效果中被歪曲甚至淹没，同时防止神经元在神经网络训练和学习过程中饱和，需要在模型训练之前对各种负荷影响因素统一进行标准化预处理。

日类型数据：工作日影响因子取值为1，休息日影响因子取值为0.5。

天气类型数据：晴天、多云(含阴天)、雨雪天气的影响因子分别取值1、0.5和0。

对于温度，由于其数值在有限范围内波动，可以同负荷一样采取归一化处理，处理方法如式(5)所示。

式中：d同式(2)，表示一天中各时点编号；T’d表示归一化后的温度数值；Td表示归一化前的温度数值；Tmin表示归一化前训练样本集的最小温度值；Tmax表示归一化前训练样本集的最大温度值。

需要注意，对每个DR信号作用下的期望需求响应曲线数值，由于其与基本负荷量纲相同，须以整体负荷为基准作特殊标准化处理，如式(6)所示。

式中：d同式(2)；dr’_d表示归一化后的期望需求响应曲线数值；dr_d表示归一化前的期望需求响应曲线数值；load_min表示归一化前的最小负荷值；load_max表示归一化前的最大负荷值；N随机取值0或1，用于决定期望需求响应曲线的方向(凸出或凹陷)。