[发明专利]电网日电量预测模型训练方法和电网日电量预测方法

说明书

本发明实施例涉及电网日电量负荷预测领域，公开了一种电网日电量预测模型训练方法和电网日电量预测方法。上述电网日电量预测模型训练方法包括：采集需预测地区区域电网的历史数据，得到特征向量，基于所述特征向量构建训练样本集；通过进化算法和线性权重递减对标准粒子群算法做出改进，得到进化粒子群优化算法；基于所述训练样本集，构建最小二乘支持向量机回归函数，作为预测模型的核心函数，通过所述进化粒子群优化算法改进所述最小二乘支持向量机回归函数的参数，训练日电量预测模型。

技术领域

本发明涉及一种电网日电量预测方法，具体涉及一种电网日电量预测模型训练方法和电网日电量预测方法。

背景技术

分布式电源能够在配电网终端进行自由安装，从而实现用户的自发自用，随着以风电和光伏为代表的分布式电源迅速发展，也给电能质量带来了一定不利影响，由于负荷功率更加多变，导致配网无功功率需要经常进行调节，给调控运行造成了更多困难。尤其是分布式电源往往与当地的天气情况息息相关，天气的频繁变化无疑对配电网的负荷形态产生较大影响，也对配电网调度与运营商的策略制定带来挑战。

分布式电源规模化接入使得用户的用电形态产生了较大变化，同时由于分布式电源受外部不确定因素影响较大，这种接入方式带来的波动性与随机性使得传统的日电量预测方法不再适用于分布式电源，而日电量的准确预测是市场环境下编排合理交易策略的保障。近些年来，随着人工智能、机器学习等理论技术的发展，智能算法被应用在负荷预测领域，为准确预测电量负荷，维持分布式电源配电网稳定运行提供了保障。

发明内容

有鉴于此，本发明实施例提供了一种电网日电量预测模型训练方法和电网日电量预测方法，以解决现有技术中电网日电量预测准确率低的问题。

为达到上述目的，本申请采用如下技术方案：

第一方面，本申请实施例提供了一种电网日电量预测模型训练方法，包括：采集需预测地区区域电网的历史数据，得到特征向量，基于所述特征向量构建训练样本集；所述历史数据包括负荷侧电量历史数据、分布式电源发电量历史数据、天气数据、经济数据；基于所述训练样本集，训练电网日电量预测模型。

基于第一方面，在一些实施例中，所述基于所述训练样本集，训练电网日电量预测模型，包括：通过进化算法和线性权重递减对标准粒子群算法做出改进，得到进化粒子群优化算法；基于所述训练样本集，构建最小二乘支持向量机回归函数，作为预测模型的核心函数，通过所述进化粒子群优化算法改进所述最小二乘支持向量机回归函数的参数，训练日电量预测模型。

基于第一方面，在一些实施例中，所述通过进化算法和线性权重递减对标准粒子群算法做出改进，得到进化粒子群优化算法，包括：对惯性权重执行线性递减，更新粒子速度和位置；采用进化算法，对搜索全局最优解的过程以及权重进行变异，得到进化粒子群优化算法。

本申请实施例中，采用进化粒子群优化算法(EPSO)而非传统的标准粒子群算法(PSO)对参数进行优化，PSO简单易实现，需要调的参数少，但搜索效度差，不能保证搜索到全局最优解。通过进化算法和线性权重递减对PSO做出改进。对惯性权重执行线性递减，可有效改善早熟现象。之后，采用进化算法，对搜索全局最优解的过程以及权重进行变异，从而提高PSO的局部搜索效度，避免陷入局部最优。

基于第一方面，在一些实施例中，所述基于所述训练样本集，构建最小二乘支持向量机回归函数，作为预测模型的核心函数，通过所述进化粒子群优化算法改进所述最小二乘支持向量机回归函数的参数，训练日电量预测模型，包括：选取所述需预测地区的历史电量数据，将所述历史电量数据提取为向量作为所述训练样本集，通过非线性映射将所述训练样本集中的样本数据从原空间Rⁿ转换到高维空间，构造最小二乘支持向量机回归函数；以所述最小二乘支持向量机回归函数为核心建立日电量预测模型，通过所述进化粒子群优化算法改进所述最小二乘支持向量机回归函数的参数，训练日电量预测模型。