[发明专利]一种储能调峰需求的预测方法及系统

权利要求书

1.一种储能调峰需求的预测方法，其特征在于，包括：

基于随机森林回归算法对电力负荷曲线进行预测，得到日负荷峰谷特性曲线，其中，得到日负荷峰谷特性曲线具体为：基于随机森林回归算法对电力负荷曲线的影响因素按重要性进行排序；

筛选电力负荷变化的至少一个影响因素，建立第天的历史特征向量集以及含有天气预报信息的待预测日特征向量集，其中第天的历史特征向量集的表达式为：

，

式中，为第i天的历史特征向量集，为第i天历史特征向量的第1个影响因素值，为第i天历史特征向量的第2个影响因素值，为第i天历史特征向量的第m个影响因素值，为总天数；

基于预测日的负荷影响因素建立预测日特征向量集，其中预测日特征向量集的表达式为：

，

式中，为预测日的特征向量集，为预测日特征向量的第1个影响因素值，为预测日特征向量的第2个影响因素值，为预测日特征向量的第m个影响因素值；

构建关联判断矩阵，以为母序列，为子序列，计算子序列与母序列之间的关联系数：

，

式中，为i遍历取完1~N的所有整数，m遍历取完1~M的所有整数,取其中所有的最小值, 为i遍历取完1~N的所有整数，m遍历取完1~M的所有整数,取其中所有的最大值；

基于子序列与母序列之间的关联系数得到关联度判断矩阵：

，

式中，为预测日第一个影响因素的关联度值，为预测日第m个影响因素关联度值，为第n历史日的第1个影响因素关联度值，为第n历史日的第m个影响因素关联度值;

采用熵权法，确定各影响因素的权重，求出影响因素权重矩阵W:

，

式中，W为影响因素权重矩阵，为第1个影响因素对应的权重，为第2个影响因素对应的权重，为第m个因素对应的权重；

基于权向量对关联度判断矩阵进行加权，得到加权关联矩阵：

，

式中，表示影响因素权重矩阵W与关联度判断矩阵点乘；

将加权关联矩阵中的每一行视为一个行向量，则第1行为待预测日行向量，记为，其他每个历史样本行向量记为，设每个样本和向量间的夹角为投影角，即各个历史特征向量在预测日特征向量上的为：

，

式中，为第i个历史特征向量在预测日特征向量上的投影值，为第j个影响因素对应的权重，为第i历史日的第j个影响因素关联度值；

将第i个历史特征向量在预测日特征向量上的投影值由大到小进行排序，并选取第i个历史特征向量在预测日特征向量上的最大投影值所对应的预测日的历史负荷值作为预测日影响因素相似的历史负荷；

基于预测日影响因素相似的历史负荷以及由随机森林算法得到的预测日负荷计算综合预测日负荷，并根据综合预测日负荷得到日负荷峰谷特性曲线，其中，计算综合预测日负荷的表达式为：

，

式中，为预测日负荷，为预测日影响因素相似的历史负荷，分别为预测日负荷的权重、预测日影响因素相似的历史负荷的权重；

将实时获取的环境数据输入至预设的风光发电功率预测模型，得到未来风光出力变化曲线，其中，所述环境数据包括光照强度数据、温度数据、风力数据以及风向数据；

计算所述日负荷峰谷特性曲线与所述未来风光出力变化曲线的差值，得到日净负荷特性曲线；

基于改进的最小二乘法对高维度数据进行优化，并根据优化后的高维度数据计算得到火电机组出力曲线，其中所述高维度数据为基于时间和空间的火电机组出力数据，其中，计算得到火电机组出力曲线具体为：

将选择的对应于一个火电出力值的关联因素值构成一个向量集，按此排列可以构成奇异值矩阵；

奇异值分解可以将一个矩阵分解为三个矩阵的点乘，分别为左奇异向量，奇异值，右奇异向量，对于矩阵A，可以分解为 :

，

式中，为第1个子矩阵的左奇异向量，为第1个子矩阵的奇异值，为第1个子矩阵的右奇异向量；

采用替代A，求出的奇异值矩阵中，每行都有一个非0元素，那么就可以选择此元素替代关联因素构成的向量集，以达到一对一的关系，再假定一条曲线能够最大程度拟合优化过后的数据集，设这条曲线为：，其中，为拟合曲线的第k个未知系数，为拟合曲线的自变量，为拟合曲线中的项数总数；

此时，必然存在系数，使得拟合值和实际值的方差和取最小值，根据多元函数求极值的必要条件，即：

，

式中，为偏导数的数学计算符号，为第i个拟合曲线的自变量的k次方，为数据集中对应的第i个实际值；

进一步得到：

，

式中，为第i个拟合曲线的自变量的k+j次方，为第i个拟合曲线的自变量的j次方；

即可解出系数，得出仅含未知数的多项式，再将预测日的关联因素集用奇异值分解法解出，代入求出预测的火电机组出力值，即可得到未来日的火电机组出力曲线；

根据所述日净负荷特性曲线和所述火电机组出力曲线构建调峰预测模型，并求解所述调峰预测模型得到不同火电机组比例、不同碳排放水平及不同风光新能源消纳比例下调峰储能需求容量值。