[发明专利]微电网短期功率和负荷预测系统及误差分类动态修正方法

摘要

本发明公开了一种微电网短期功率和负荷预测系统及误差分类动态修正方法。预测算法模块基于神经网络算法，将实时气象数据和运行数据作为神经网络模型的输入，运算得到预测结果；将预测结果与实际计算的数据进行比较，如果误差数据满足预设的阈值，由误差动态分类修正模块对新产生的该误差数据进行误差数据分类，并带入误差分类器中进行误差匹配，如果预测条件和预测结果与之前发生的误差相匹配，那么误差动态分类修正模块对预测数据进行修正，如果匹配不成功则使用预测算法模块的预测结果作为预测的最终结果。本发明的方法可对误差进行智能分类，并且避免错误预测结果的重复出现。

主权项

1.一种微电网短期功率和负荷预测系统，其特征是，包括数据通信和处理模块、数据存储模块、预测算法模块和误差动态分类修正模块；数据通信和处理模块采集外部数据，进行数据预处理，并将预测结果上传至能量管理系统或区域调度系统；数据存储模块将采集的数据存储在数据库中或以文本文件存储；预测算法模块基于神经网络算法，包括神经网络模型训练和神经网络预测两部分；误差动态分类修正模块包括误差分类模块和误差修正模块；误差分类模块定时分别比较实际采集处理的功率和负荷数据与之前预测的功率和负荷数据，如果预测数据和实际数据误差超过系统设定的阈值，则判定该预测数据为大误差数据；出现大误差数据后，记录大误差数据发生时与预测点相关联的遥测值和状态量；经过误差分类处理，将该误差数据的特征值存储在误差分类器中；误差修正模块对神经网络预测结果进一步修正；神经网络预测的结果作为误差修正模块的输入，误差修正模块通过特征值遍历误差分类器，如果没有匹配结果则以原先神经网络预测的结果作为整个预测系统的预测结果，如果在误差分类器中匹配成功，则寻找特征值最接近的此前误差结果的实际值作为整个预测系统的预测结果；其中，数据通信和处理模块定时采集外部数据，进行数据预处理，并将采集的数据存储在数据库中或以文本文件存储；预测算法模块基于神经网络算法，结合历史气象数据和历史功率数据训练神经网络模型，将实时气象数据和运行数据作为神经网络模型的输入，通过代入运算得到预测结果，预测微电网功率数据或/和负荷数据；将预测结果与实际计算的数据进行比较，如果误差数据满足预设的阈值，由误差动态分类修正模块对新产生的该误差数据进行误差数据分类，并代入误差分类器中进行误差匹配，如果预测条件和预测结果与之前发生的误差相匹配，那么误差动态分类修正模块对预测数据进行修正，如果匹配不成功则使用预测算法模块的预测结果作为预测的最终结果；通过选择最高信息增益的方法确定误差数据的分类；如果误差数据大于设定阈值，自动采集预测点的遥测值和状态量，通过特征值分析和自适应匹配，判定误差的种类，并记录在误差分类器中；包括以下步骤：每一个节点表示微电网内与负荷数据相关的特征值，通过选择具有最高信息增益的误差数据的属性作为当前节点的属性；设S表示一个微电网负荷和与负荷相关特征值的误差数据样本集合，样本划分成若干个不同的类别集合{C1，C2，……，Cm}；设Si为类别Ci中的样本个数，其中i＝1，2……n，那么对一个给定数据对象进行计算类别所需要的信息量I为设一个类别Ci的k维特征向量为{c1,c2,……，ck}，利用类别Ci将样本S划分成k个子集{S1,S2，……，Sk}，Sij表示子集Sj中属于Ci的样本个数，则Ci的信息熵或数学期望E(Ci)为：每个类别的信息增益由下式计算得到Gain(Ci)＝I(S1,S2,…,Sn)‑E(Ci)。