[发明专利]单户概率净负荷预测方法、装置、设备及存储介质

说明书

本发明公开了一种单户概率净负荷预测方法、装置、设备及存储介质，该方法包括步骤(1)基于高斯混合模型聚类，对单户用户历史净负荷曲线进行聚类，提取每一日用电模式特征；(2)基于高斯混合模型聚类，对单户用户历史净负荷数据中的每一时段净负荷数据进行聚类，提取每一时段用电场景特征；(3)基于已获得的每一日用电模式特征和每一时段用电场景特征，建立多分类逻辑回归模型，研究未来每一时间段每个用电场景的发生概率；(4)分场景建立高斯过程回归模型，研究每个用电场景下净负荷大小的概率分布；(5)基于高斯混合分布表征最终的单户概率净负荷预测结果。本发明方法有效且合理，为准确预测单户用户净负荷提供参考。

技术领域

本发明涉及电力技术领域，尤其涉及一种单户概率净负荷预测方法、装置、设备及存储介质。

背景技术

由于分布式新能源的出力极度依赖天气条件，根据受辐照水平和气象类型等不同，新能源发电出力水平波动很大且具有不确定性；与此同时，单户用户的用电行为本身也具有极强的不可预测性，用电负荷大小与消费者的用电行为密切相关，即使在天气、日期条件非常相似的情况下，单个家庭的用电负荷可能处于完全不同的水平，随机性较大，对单户用户的负荷准确预测存在很大困难。对安装在表后的分布式屋顶光伏系统，配电系统运营商和零售商只能得到用户的净负荷(即用户负荷减去光伏发电出力)，其光伏发电并不可见，这种不可见性使表后系统净负荷预测难度大大增加。

因此，为了准确预测单户用户净负荷，有必要研究合理的单户概率净负荷预测方法。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种更合理的单户概率净负荷预测方法、装置、设备及存储介质。

针对于上述的技术问题，本发明提出了以下技术方案：

一种单户概率净负荷预测方法，其特征在于，包括以下步骤：

步骤1，基于高斯混合模型聚类，对单户用户历史净负荷曲线进行聚类，提取用电模式特征；

步骤2，基于高斯混合模型聚类，对单户用户历史净负荷数据中的每一时段净负荷数据进行聚类，提取每一时段用电场景特征；

步骤3，基于所述的用电模式特征和每一时段用电场景特征，建立多分类逻辑回归模型，计算未来每一时间段每个用电场景的发生概率；

步骤4，分别根据不同的用电场景建立高斯过程回归模型，计算每个用电场景下净负荷大小的概率分布；

步骤5，根据用电场景的发生概率和用电场景下净负荷大小，计算获得单户概率净负荷预测混合高斯分布结果。

可选地，所述步骤1包括步骤：

历史净负荷数据进行横向归一化处理

建立高斯混合模型，对横向归一化后的历史净负荷数据进行聚类，通过所述的高斯混合模型的聚类结果，提取所述的用电模式特征。

可选地，所述步骤2包括步骤：

对历史净负荷数据按时段进行纵向归一化处理：

对纵向归一化后的历史净负荷数据进行高斯混合模型聚类，得到分时段的净负荷聚类结果集合，聚类结果用以表征所述的段每一时段用电场景特征。

可选地，所述步骤3包括步骤：

建立多分类逻辑回归模型，研究该时段用电场景和用电模式特征、前几个时段的负荷、前一天相同时段的负荷以及实时温度之间的关系；

分时段训练多分类逻辑回归模型，训练完成后的模型。

可选地，所述步骤4包括步骤：