1.本发明涉及高比例新能源接入电网负荷预测技术领域，尤其涉及考虑风光高比例渗透率下的广义负荷图像化短期预测方法。
背景技术：
[0002]“双碳”形势下，新能源占比快速上升，存在许多交互式设备的接入，例如电动汽车和分布式电源等。电力系统在“双高”情况下，极大地提升了维持电力电量平衡的难度。为了准确把握电力供需形式、保障电力供应，电力负荷预测显得尤为重要。
[0003]
随着电力系统复杂程度的提高，出现了面向新能源电力系统负荷—广义负荷。广义负荷是多种因素耦合形成的具有“负荷” “电源”双重特性的一种新型电力负荷，具有负荷成分多元化、影响因素多样化、时空特性复杂和强不确定性等主要特征，为负荷预测带来了较大的困难。负荷预测主要难点在于其变化趋势不明显，预测难度大；时间序列不具有明显的规律，很难用传统方法进行预测；且影响因素众多，难以理清众多影响因素与负荷之间的相关性。
[0004]
传统的负荷预测方法，主要研究了负荷的时序特征，并采用神经网络、机器学习等方法对负荷数据进行训练和检验。但是由于其参数多、结构复杂，且没有更好地利用浅层次特征，容易出现梯度消失，所以在实际运用中还存在一定的问题。
技术实现要素：
[0005]
本发明所要解决的技术问题是提供一种精度较高的考虑风光高比例渗透率下的广义负荷图像化短期预测方法。
[0006]
为解决上述问题，本发明所述的考虑风光高比例渗透率下的广义负荷图像化短期预测方法，包括以下步骤：
⑴
获取包括基础负荷、光伏发电量、风力发电量和天气的影响因素数据作为数据集；
⑵
对数据集进行预处理；
①
利用线性插值法填补空缺的历史负荷数据、气象数据和日历规则数据；
②
将获取到的数据中的零值数据进行替换处理；
③
将数据进行归一化处理；
④
采用多种深度学习方法对影响因素降维处理，对比之下选择特征贡献度较高的因素：a以人工经验方式选取日历规则因素及气象因素作为输入数据；其中：气象因素包含了风速、降雨量、云量、光照强度、温度、气压、能见度和相对湿度；日历规则包含了星期、月份以及是否为假日；b对于星期、月份以及假日特征采用热编码进行离散处理；c分别利用xgboost、gbdt、rf算法来获得输入信息的特征贡献度，选取特征贡献度
相似的结果作为最终的影响因素输入信息；
⑶
利用基于密度的dbscan聚类算法生成不同比例风光渗透率下的广义负荷特征曲线；
⑷
提取广义负荷特征曲线中的数据，和影响因素一起作为图像化处理的输入，生成rgb图像：并将广义负荷特征曲线中每日最后时刻的值、最高值以及最低值分别与前一日最后时刻值的比值数据进行图像化处理；
⑸
对rgb图像进行多样化处理：
ⅰ
采用高斯多样化处理方式为rgb图像添加高斯噪声，从而达到平滑输入空间结构的效果；
ⅱ
采用反向多样化处理方式为rgb图像添加噪声；
ⅲ
对比两种处理方式的效果，选取预测效果较好的处理方式进行多样化处理，处理后的图像作为densenet模型的输入；
⑹
将densenet参数进行优化，形成densenet-a；然后将所述步骤
⑸
中处理后的图像和所述步骤
⑵
中的影响因素条件一起作为预测模型的输入，由densenet-a模型进行训练和测试，完成后得到负荷预测模型；
⑺
由负荷预测模型输出负荷预测图像，并将负荷预测图像进行数据化处理，得到广义负荷预测数据。
[0007]
所述步骤
⑶
中不同比例风光渗透率是指风电渗透率为20%、光伏渗透率为20%、风电光伏渗透率均为10%和风电光伏渗透率均为20%的广义负荷场景。
[0008]
本发明与现有技术相比具有以下优点：本发明从图像处理的角度出发，针对不同风光渗透率下的广义负荷，提出了基于densenet的广义负荷图像化短期预测方法。该方法通过xgboost、gbdt、rf算法的对比对数据集进行特征筛选和归一化处理；然后将处理好的数据转化为rgb图像，并进行反向多样化处理，利用densenet优化后的densenet-a神经网络进行训练和预测。不但方法简单、易于实现，而且精度较高。
[0009]
2、本发明通过选取基础负荷和风光负荷数据，计算得出不同比例风光接入后的广义负荷特征曲线，利用所提图像化预测方法进行预测，通过与传统负荷曲线预测方法的对比，验证了本发明广义负荷图像化预测方法的可行性。
附图说明
[0010]
下面结合附图对本发明的具体实施方式作进一步详细的说明。
[0011]
图1为本发明广义负荷图像化预测方法框架。
[0012]
图2为本发明不同算法的特征贡献度分析。其中：a：xgboost算法特征贡献度分析；b：gbdt算法特征贡献度分析；c：rf算法特征贡献度分析。
[0013]
图3为本发明rgb图像与负荷曲线的互逆示意图。
[0014]
图4为本发明densenet结构图。
[0015]
图5为本发明高斯多样化处理样本图。
[0016]
图6为本发明反向多样化处理样本图。
[0017]
图7为本发明不同渗透率新能源接入场景下的广义负荷特征曲线。其中：a为风电
渗透率为20%；b为光伏发电渗透率为20%；c为风电、光伏渗透率均为10%；d为风电、光伏渗透率均为20%。
[0018]
图8为本发明不同多样化处理方式误差指标比较。
[0019]
图9为本发明不同场景下的负荷预测结果。其中：a为风电渗透率为20%；b为光伏发电渗透率为20%；c为风电、光伏渗透率均为10%；d为风电、光伏渗透率均为20%。
具体实施方式
[0020]
考虑风光高比例渗透率下的广义负荷图像化短期预测方法，包括以下步骤：
⑴
获取包括基础负荷、光伏发电量、风力发电量和天气的影响因素数据作为数据集。
[0021]
⑵
对数据集进行预处理；
①
利用线性插值法填补空缺的历史负荷数据、气象数据和日历规则数据；
②
将获取到的数据中的零值数据进行替换处理；
③
将数据进行归一化处理；
④
采用多种深度学习方法对影响因素降维处理，对比之下选择特征贡献度较高的因素：a以人工经验方式选取日历规则因素及气象因素作为输入数据；其中：气象因素包含了风速、降雨量、云量、光照强度、温度、气压、能见度和相对湿度；日历规则包含了星期、月份以及是否为假日；b对于星期、月份以及假日特征采用热编码进行离散处理；c分别利用xgboost、gbdt、rf算法来获得输入信息的特征贡献度，选取特征贡献度相似的结果作为最终的影响因素输入信息。
[0022]
⑶
利用基于密度的dbscan聚类算法生成不同比例风光渗透率下的广义负荷特征曲线。
[0023]
其中：不同比例风光渗透率是指风电渗透率为20%、光伏渗透率为20%、风电光伏渗透率均为10%和风电光伏渗透率均为20%的广义负荷场景。
[0024]
⑷
提取广义负荷特征曲线中的数据，和影响因素一起作为图像化处理的输入，生成rgb图像：并将广义负荷特征曲线中每日最后时刻的值、最高值以及最低值分别与前一日最后时刻值的比值数据进行图像化处理。
[0025]
为了解决广义负荷缺少分析数据的问题，建立下述数学模型：式中：为新能源发电功率向量；p
base
为基础负荷。
[0026]
当不同渗透率的新能源接入时，可获得相应不同场景下的。
[0027]
根据该数学模型生成未来广义负荷的数据；然后利用基于密度的dbscan聚类算法从广义负荷数据中提取出特征曲线；对不同场景下广义负荷的特征曲线进行仿真分析，得到多种广义负荷特征曲线。由于各类型广义负荷的绝对值不同，该因素会对结果产生影响，而选取比值可以有效避免。
[0028]
⑸
为了提高图像预测的精度，对rgb图像进行多样化处理：
ⅰ
采用高斯多样化处理方式为rgb图像添加高斯噪声，从而达到平滑输入空间结构的效果；
ⅱ
采用反向多样化处理方式为rgb图像添加噪声；
ⅲ
对比两种处理方式的效果，选取预测效果较好的处理方式进行多样化处理，处理后的图像作为densenet模型的输入。
[0029]
⑹
将densenet参数进行优化，形成densenet-a；然后将步骤
⑸
中处理后的图像和步骤
⑵
中的影响因素条件一起作为预测模型的输入，由densenet-a模型进行训练和测试，完成后得到负荷预测模型。
[0030]
⑺
由负荷预测模型输出负荷预测图像，并将负荷预测图像进行数据化处理，得到广义负荷预测数据。
[0031]
实施例由于风电、光伏等新能源大量接入电力系统，本发明主要针对不同风光渗透率情况下的广义负荷进行预测，并验证了像化预测方法对于不同场景下的广义负荷都具有较高的精度，广义负荷图像化预测方法框架图如图1所示。
[0032]
首先，对于缺失的数据和零值数据，利用线性插值法进行补齐和替换。
[0033]
由于输入的影响因素过多，会增加模型预测结果的不确定性，所以需要通过特征贡献分析对数据进行降维处理。
[0034]
首先，以人工经验方式选取日历规则因素及气象因素作为输入数据。其中，气象因素包含了风速、降雨量、云量、光照强度、温度、气压、能见度和相对湿度，日历规则包含了星期、月份以及是否为假日。所选输入数据的属性、处理方式和编号如表1所示。
[0035]
表1输入属性形式及编号
为避免连续数据之间的相互干扰，对于星期、月份等特征采用热编码(one-hot)进行离散处理。
[0036]
然后，分别利用xgboost、gbdt、rf算法来获得输入信息的特征贡献度，选取特征贡献度相似的结果作为最终的影响因素输入信息，三种算法计算的特征贡献度如图2所示。
[0037]
由图2可知，气象条件中的风速、光照强度、温度、云量等数据特征贡献度较高。
[0038]
同时，节假日和周末也会明显影响用电负荷。考虑到星期、小时和月度等特征进行了离散处理，虽然特征贡献度更加稀疏和分散，但都有助于模型的训练。
[0039]
通过对图2的进一步分析，可以看出，xgboost算法与gbdt算法的特征贡献度分析有相似的结果，都可以充分挖掘出数据的内部特征，因此在训练时选择xgboost（或gbdt）进行特征贡献度分析。
[0040]
最后，由于影响广义负荷预测的气象因素和日历规则因素，其值存在符号和数量级的差异，因此需要通过归一化处理将其数值范围调整到一致的范围之内。
[0041]
为了更好地利用densenet网络，更多地利用不同风光渗透率场景下的各种广义负荷的变化信息，将广义负荷曲线最后时刻的值、最高值以及最低值分别与前一天最后时刻值的比值数据进行图像化，由于各类型广义负荷的绝对值不同，该因素会对结果产生影响，而选取比值可以有效避免。数据的rgb图像转化公式如下：
式中，dl（loaddate）为负荷数据，包括最后时刻值、最高值及最低值，pc（pre_close）为前一天最后时刻负荷值，（loadpixel）为图像第一行像素值，通过此公式计算，得出时间窗口内每一天的最终值、最高值及最低值与前一天最终值的比值，并将其转换为三个通道的像素值，输入到预测模型中进行训练和测试。
[0042]
图3为时间窗口30日，图像大小1
×
30
×
3(行
×
列
×
通道数)的数据图像与曲线图像的互逆示意图。
[0043]
densenet实际上是卷积神经网络的改进，能够最大限度地发挥了数据特性的作用，降低所需的参数数目，取得较好的处理结果。
[0044]
densenet网络结构包含了卷积层、过渡层、池化层、瓶颈层、全连接层和softmax函数，如图4所示。
[0045]
在densenet基本网络上，对其进行了四种改进，分别标记为densenet-a(b、c、d)，每个网络的区别在于包含的denseblock、denselayer数量不同，相较之下densenet-a的效果较好，数据图像大小采用2
×
30
×
3（行
×
列
×
通道数）来描述densenet-a的网络结构，如表2所示。
[0046]
表2densenet-a网络结构
序列数据图像化及多样化负荷数据变化莫测，其走势包含单峰型、双峰型等多种情况，导致广义负荷难以预测。本案所使用的网络使用9年的数据集进行训练，训练集产生的图像数量在时间窗口为30日时是2400张左右，对于densenet-a而言这样的容量是较小的，利用大型神经网络训练小型数据集会产生两个问题。
[0047]
一是网络模型无法学习输入到输出的一般映射关系，这将导致模型的泛化能力较差，对于新数据集表现不佳。
[0048]
二是对于输入空间结构与其输出的关系，小数据集提供的描述信息较少，导致输入空间震荡、离散，学习特征映射较难。
[0049]
为解决模型泛化能力差、输入空间震荡离散的问题，可以采用高斯多样化处理方式为数据图像添加高斯噪声，从而达到平滑输入空间结构的效果，平滑的效果可以使网络更容易学习特征映射。
[0050]
添加高斯噪声时，参数信噪比的大小尤为重要，过大或过小都难以实现其作用。本案选择信噪比snr=6，计算高斯噪声公式如下：选取图像数据左右相邻的像素点(i,j)与(i,j 1)，生成两个[0,1]之间的随机数r，φ：式中，（guass_noise）为图像第一行各像素点对应的噪声值，为图像第二行各像素点对应的噪声值；按上式可求出某一行图像各像素点对应的噪声值，将其与原位置的像素值相加可得到添加噪声之后的像素值：由第一行的基本数据图像加入噪声后形成第三行图像的像素值，第二行的反向基本数据产生第四行图像，产生方法是一样的。得到的结果与高斯噪声相加，形成一行新的图像。
[0051]
归一化处理后，像素值处于[0,255]区间内，第三行和第四行图像数据由第一、二行加入高斯噪声后形成，如图5所示。
[0052]
反向多样化是将上升幅度和下降幅度相互调换，在比值计算中，反向处理是将》1代表的上升变为《1代表的下降，反之亦然。
[0053]
图像多样化并不会改变原数据图像，只增加了图像信息，反向多样化计算公式如下：此式将比值计算进行求倒运算，图像数据增加为2行，如图6所示。
[0054]
为了解决广义负荷缺少分析数据的问题，根据建立的模拟模型，生成未来广义负荷的数据。然后利用基于密度的dbscan聚类算法从广义负荷数据中提取出特征曲线。最后，对不同场景下广义负荷的特征曲线进行仿真分析，得到多种广义负荷特征曲线。同时，验证了本发明所采用的预测方法在不同场景下的可行性，是否可以实现较好的预测效果。
[0055]
电网基础负荷数据选取为iso newengland 2022年2月1日至9月30日的负荷数据，使用dbscan算法对基础数据进行聚类，负荷的特征曲线选取各聚类的中心曲线。
[0056]
新能源发电数据采用德国tennet公司2022年2月1日至9月30日的风电、光伏数据，风电、光伏的特征曲线同样利用dbscan聚类算法提取，利用dbscan聚类算法提取的特征曲线之间差异明显，有较好的提取效果。
[0057]
考虑新能源接入的广义负荷计算式如下：式中，为新能源发电功率向量，当不同渗透率的新能源接入时，可获得相应不同场景下的。
[0058]
根据上式可以得到新能源不同比例接入下的广义负荷特征曲线，如图7所示。
[0059]
图7（a）为风电渗透率为20%的场景，广义负荷特征曲线包含5种类型，其中类型1、2、3、5均为“双峰型”，类型4为“单峰型”，可知，风电接入使负荷变化情况更加复杂，负荷的不确定性增强，给电网规划、调度工作带来了一定的难度。
[0060]
图7（b）为光伏渗透率为20%的场景。其广义负荷特征曲线的典型模式表现为曲线中间出现凹陷，即由于光伏输出功率曲线随光照强度呈现出一个典型的单峰，在中午时刻负荷曲线出现较大的谷值。
[0061]
此外，图中负荷曲线类别5的谷值为负值，是因为此时光伏发电为电网供电，且电网不能全部消纳，可以外送。
[0062]
图7（c）为考虑风电和光伏同时接入，且风光渗透率均为10%时的场景，显然，风光同时接入电网比两者单独接入时的负荷特性曲线更为复杂。
[0063]
图7（d）的场景将风光渗透率均设置为20%，该场景下的广义负荷典型模式的特征与图7（b）光伏接入时的特征相似，即中午时段出现较大的谷值。
[0064]
将得到的广义负荷数据图像化后，根据所提多样化方法进行多样化处理，并对数据进行训练测试，评估两种多样化的预测效果，对比结果如图8所示。
[0065]
在图8中，通过对比两种多样化预测的误差指标，可知反向多样化处理后的误差指标与高斯多样化相比，各项指标都有所提高，且差别明显，说明图像经过反向多样化处理后，增加的多样化信息更有用，而高斯多样化增加多样性的方式并不能满足本发明所提预测方法。
[0066]
从上述结果判断，高斯多样化增加了图像多样性，但对信息的利用率较低，较多无用的信息反而对网络的判断产生影响，网络学习到的针对该问题的特征信息大多都是无用的，显然其优化效果不佳。
[0067]
对于本发明广义负荷预测问题，反向多样化的预测效果显然比高斯多样化好。
[0068]
因此，通过数据处理、负荷数据图像化、图像反向多样化处理和densenet神经网络优化等过程，为负荷预测做了充足的准备工作。然后，利用优化后的densenet-a神经网络对
不同风光接入率下的广义负荷数据进行短期预测。
[0069]
将预测结果的rgb图像转化为曲线图形，可以直观的看出其预测结果，如图9所示。通过图9可以看出，利用本发明提出的图像化预测方法进行预测，在四种场景下得到的预测结果相较于传统的lstm神经网络负荷序列预测方法，都有较好的改善，预测的精度均有所提高。
[0070]
在风电、光伏均渗透率为10%和20%的场景下，图像化预测方法的预测效果比风电渗透率为20%或光伏渗透率为20%的场景下更好，可以得出本发明所提方法适用于较复杂的高比例新能源接入场景下的广义负荷预测，该方法的可行性由此得到验证。