[发明专利]面向新能源消纳的负荷调节能力预测方法及系统

说明书

本发明提供面向新能源消纳的负荷调节能力预测方法及系统，包括：确定基于特征提取的用户调节量预测架构；提取用户调节量预测架构中任一用户预测调节量特征；根据任一用户预测调节量特征获得预设向量维度下的预测误差和通信时延，基于预测误差和通信时延构建预测调节量的开销函数；对开销函数进行最优求解，获得预设向量维度的最优解结果。本发明通过从大量负荷数据中提取用户调节量相关特征，对预测误差和通信时延均衡问题进行建模，通过求解最优的特征向量维度，实现了对用户调节量的精准快速预测。

技术领域

本发明涉及新能源技术领域，尤其涉及一种面向新能源消纳的负荷调节能力预测方法及系统。

背景技术

随着传统能源的日益紧张，新能源技术将逐渐取代传统能源，在越来越多的领域得到应用。

在电力系统中，由于可再生能源的随机性、间歇性和波动性容易给电网的运行带来严峻的挑战，因此需要具备更大调节能力的系统来维持发电和用电之间的系统平衡，“VPP(Virtual Power Plants,虚拟电厂)”作为面向新能源消纳中提供调节能力的有效手段，可以通过聚集具有调整用电潜力的用户，为电网提供较大的调节容量，主要通过所有用电设备的APC(Adjusting Power Consumption，调节量)来进行控制，APC是指实际负荷和基线负荷之间的差，基线负荷是指在没有调整的情况下的用电量。

目前，已有一些关于用户调节量预测的工作。可以利用一组相似天数的历史数据的加权平均值来预测调节量。另外，还有一些基于ML(Machine Learning，机器学习)的调节量预测方法，基于高斯混合模型从历史数据中学习电力消费者的概率行为来预测调节量。此外，基于KNN(K-Nearest Neighbors，K-最近邻算法)和SVR(Support VectorRegression，支持向量回归)也都用于预测调节量，其中SVR的输入是通过PCA(PrincipalComponent Analysis，主成分分析)从原始数据中提取的特征。然而，当ML方法用于调节量预测时，关键问题是如何提取与调节量相关的特征作为预测模型的输入，既可以减少预测误差，又可以尽可能降低特征向量的维度以减少通信时延。特征提取方法的目的是将原始数据转换为特定的低维向量，为调节量的预测保留足够信息。已有的特征提取方法有：SVD(Singular Value Decomposition，奇异值分解)、PCA和LDA(Linear DiscriminantAnalysis，线性判别分析)。另外，深度学习技术也逐渐被应用与特征提取，AE(Auto-Encoder，自编码器)被用于压缩负荷数据从而实现更加精准的用户聚类。然而，现有的特征提取方法的本质是去除冗余信息并保留输入数据中的关键特征，但这些特征对于虚拟电厂中用户调节能力的预测并不是必须的。

因此，如何对虚拟电厂中用户的调节能力进行有效识别，并调节预测误差和通信时延之间的均衡关系，成为针对虚拟电厂管理中亟需解决的问题。

发明内容

本发明提供面向新能源消纳的负荷调节能力预测方法及系统，用以解决现有技术中无法有效识别虚拟电厂中用户终端调节能力，无法有效平衡预测误差和通信时延之间共生关系的缺陷。

第一方面，本发明提供一种面向新能源消纳的负荷调节能力预测方法，包括：

确定特征提取的用户调节量预测架构；

提取所述用户调节量预测架构中任一用户预测调节量特征；

根据所述任一用户预测调节量特征获得预设向量维度下的预测误差和通信时延，基于所述预测误差和所述通信时延构建预测调节量的开销函数；

对所述开销函数进行最优求解，获得所述预设向量维度的最优解结果，基于所述最优解结果确定虚拟电厂整体调节量。

根据本发明提供的一种面向新能源消纳的负荷调节能力预测方法，所述确定特征提取的用户调节量预测架构，包括：