1.本发明涉及电力系统光伏净负荷预测技术领域，具体涉及一种光伏设备的净负荷预测方法及装置。
背景技术：2.配电网净负荷是指用户用电负荷与可再生能源发电负荷的差值，也就是电力系统主电网对配电网提供的负荷值，在这里特指家庭的用电负荷与家用光伏设备利用太阳光转换电能的差值。目前针对净负荷数据的分析和预测相对较少，对净负荷预测有两种方法，一种是分别预测用电负荷和再生能源发电，然后求差值即间接预测，另一种是直接根据净负荷历史序列选取合适模型进行预测即直接预测。根据预测结果分类，负荷预测可分为短期负荷预测和中长期负荷预测。对于短期负荷预测，国内外研究方法大致分为两类：一类是以时间序列法为代表的传统方法；另一类是以人工神经网络为代表的新型人工智能方法。
3.前者有时间序列法、回归分析法及小波分析预测法等，其中时间序列法是短期负荷预测的经典预测方法之一,其本质就是收集电力负荷的历史资料，建立数学模型,把电力负荷作为数学模型里的随机变量,根据统计规律性去研究随机变量的变化过程,推导出表达式来对负荷进行预测，方法大致可以分为以下几个过程:自回归(ar)过程；滑动-平均(ma)过程；自回归滑动平均(arma)过程；积分型自回归滑动(arima)过程；用传递函数(tf)建模的序列。经典的时间序列法对历史负荷资料的需求相对较少,不太需要人工上的干预,所以工作量也相对较少,整个预测过程计算速度优异且可以自动完成,这些都是本方法的优点。缺点是太过于依赖电力负荷资料数据,对其他变化因素处理不足,导致无法达到比较高的预测精度,一般只适应于本身就比较稳定均匀的负荷预测中。回归分析法也是以负荷的历史资料数据作为基础进行的经典预测方法之一,只是回归分析法在历史数据的基础上,也加入了对影响负荷的外在因素的考虑。其优点是简单方便,其缺点是对实际负荷与影响因素间的变化达不到完全真实的反映。小波分析预测法是通过对小波进行选择分类,将不同性质的负荷区分出来,然后针对不同的性质,挑选某种负荷,分析其规律来决定采用相对应的预测方法,将挑选的负荷进行分别预测,分解出序列后对序列进行重新构成,最后达到预测的目的。小波预测法可以观察到信号中的细节,尤其是信号中的某些奇异信号,其反应尤为敏感,可以做到很好地处理突变的或者某些微弱的信号。
4.而后者目前主要是使用机器学习以及深度学习的方法进行负荷预测，并能够较为准确地预测非线性非平稳的数据。其中,人工神经网络(ann)和循环神经网络(rnn)是该类方法的典型代表。ann理论用于短期负荷预测的研究很多,其突出优点是对大量非结构性、非精确性规律具有自适应功能,具有信息记忆、自主学习、知识推理和优化计算的特点。ann具有很强的自学习和复杂的非线性函数拟合能力,很适合于电力负荷预测问题,但研究过程中也表明ann方法具有局部最优、泛化误差较大、隐单元数目难以确定等问题。rnn模型通过时序概念的引入，相比于传统神经网络存在非常大的优势，可在网络内部保存之前时刻学到的信息，在对每一时刻的数据进行处理时，都能利用之前时刻的信息，信息传递具有持
续性，从而使得rnn能够很好地处理时间序列等周期性数据建模的问题。但是如果使用与当前时刻相差较长的信息时，rnn往往不能充分利用这些信息，这就是rnn的梯度消失问题，在实践中rnn只能处理十分有限时间内的信息。为了解决rnn梯度消失的问题，长短期记忆神经网络(lstm)、门控循环单元(gru)等rnn的变体相继被提出，因此后续又提出了q-rnn等lstm的变体，以上算法被证实在负荷预测上比rnn拥有更好的准确性或者更快的速度。通过上述描述可知，不同预测方法的适用范围及其性能优势有所不同,此外，由于净负荷受温度、光照等因素的影响，所以使用单一的算法针对净负荷进行预测无法得到较为准确的结果。
技术实现要素：5.为了克服上述缺陷，本发明提出了一种光伏设备的净负荷预测方法及装置。
6.第一方面，提供一种光伏设备的净负荷预测方法，所述光伏设备的净负荷预测方法包括：
7.利用预先构建的回归模型预测光伏设备的净负荷的小波数据在高维特征空间的稀疏解；
8.对所述光伏设备的净负荷的小波数据在高维特征空间的稀疏解进行小波重构，得到光伏设备的净负荷预测数据；
9.其中，所述小波数据包括：低频系数和高频系数。
10.优选的，所述光伏设备的净负荷的低频系数的计算式如下：
[0011][0012]
所述光伏设备的净负荷的高频系数的计算式如下：
[0013][0014]
上式中，a为光伏设备的净负荷的低频系数，为对应的分解系数，为对应缩放常数m和平移常数n选择的小波函数，t为当前时刻，d为光伏设备的净负荷的高频系数，为ψ
mn
对应的分解系数，ψ
mn
为与的互补的小波函数。
[0015]
进一步的，所述对应的分解系数的计算式如下：
[0016][0017]
所述ψ
mn
对应的分解系数的计算式如下：
[0018][0019]
上式中，t为光伏设备的净负荷序列长度，p
t
为t时刻光伏设备的净负荷。
[0020]
优选的，所述预先构建的回归模型的获取过程包括：
[0021]
对光伏设备的历史净负荷数据进行小波变换，得到光伏设备的历史净负荷数据的小波数据；
[0022]
采用核方法将光伏设备的历史净负荷数据的小波数据扩展到高维特征空间，得到光伏设备的历史净负荷数据的小波数据对应的线性数据；
[0023]
利用所述线性数据构建训练数据和验证数据；
[0024]
利用所述训练数据对初始lasso回归模型进行训练，利用所述验证数据对训练后的lasso回归模型进行验证，直至训练后的lasso回归模型的模型指标满足收敛条件，得到所述预先构建的回归模型。
[0025]
进一步的，所述利用所述训练数据对初始回归模型进行训练的过程中，回归模型损失函数的计算式如下：
[0026]
l
reg
(β)＝l
ols
(β)+p
[0027]
上式中，l
reg
为惩罚后的损失函数，l
ols
为标准损失函数，p为惩罚函数值，β为回归系数向量。
[0028]
进一步的，所述标准损失函数的计算式如下：
[0029]
l
ols
(β)＝||y-xβ||2[0030]
上式中，y为x
×
1维预测变量矩阵，x为x
×
p维结果变量向量，x为观察值个数，p为预测变量个数。
[0031]
进一步的，所述模型指标包括下述中的至少一种：平均绝对百分比误差、均方误差。
[0032]
进一步的，所述平均绝对百分比误差的计算式如下：
[0033][0034]
所述均方误差的计算式如下：
[0035][0036]
上式中，mse为平均绝对百分比误差，i为所述验证数据中总样本数据个数，yi为所述验证数据中第i个样本数据的实际值，为所述验证数据中第i个样本数据的预测值，mape为均方误差。
[0037]
第二方面，提供一种光伏设备的净负荷预测装置，所述光伏设备的净负荷预测装置包括：
[0038]
预测模块，用于利用预先构建的回归模型预测光伏设备的净负荷的小波数据在高维特征空间的稀疏解；
[0039]
重构模块，用于对所述光伏设备的净负荷的小波数据在高维特征空间的稀疏解进行小波重构，得到光伏设备的净负荷预测数据；
[0040]
其中，所述小波数据包括：低频系数和高频系数。
[0041]
优选的，所述预测模块中，光伏设备的净负荷的低频系数的计算式如下：
[0042][0043]
所述光伏设备的净负荷的高频系数的计算式如下：
[0044]
[0045]
上式中，a为光伏设备的净负荷的低频系数，为对应的分解系数，为对应缩放常数m和平移常数n选择的小波函数，t为当前时刻，d为光伏设备的净负荷的高频系数，为ψ
mn
对应的分解系数，ψ
mn
为与的互补的小波函数。
[0046]
进一步的，所述对应的分解系数的计算式如下：
[0047][0048]
所述ψ
mn
对应的分解系数的计算式如下：
[0049][0050]
上式中，t为光伏设备的净负荷序列长度，p
t
为t时刻光伏设备的净负荷。
[0051]
优选的，所述预测模块中，预先构建的回归模型的获取过程包括：
[0052]
对光伏设备的历史净负荷数据进行小波变换，得到光伏设备的历史净负荷数据的小波数据；
[0053]
采用核装置将光伏设备的历史净负荷数据的小波数据扩展到高维特征空间，得到光伏设备的历史净负荷数据的小波数据对应的线性数据；
[0054]
利用所述线性数据构建训练数据和验证数据；
[0055]
利用所述训练数据对初始lasso回归模型进行训练，利用所述验证数据对训练后的lasso回归模型进行验证，直至训练后的lasso回归模型的模型指标满足收敛条件，得到所述预先构建的回归模型。
[0056]
进一步的，所述利用所述训练数据对初始回归模型进行训练的过程中，回归模型损失函数的计算式如下：
[0057]
l
reg
(β)＝l
ols
(β)+p
[0058]
上式中，l
reg
为惩罚后的损失函数，lols为标准损失函数，p为惩罚函数值，β为回归系数向量。
[0059]
进一步的，所述标准损失函数的计算式如下：
[0060]
l
ols
(β)＝||y-xβ||2[0061]
上式中，y为x
×
1维预测变量矩阵，x为x
×
p维结果变量向量，x为观察值个数，p为预测变量个数。
[0062]
进一步的，所述模型指标包括下述中的至少一种：平均绝对百分比误差、均方误差。
[0063]
进一步的，所述平均绝对百分比误差的计算式如下：
[0064][0065]
所述均方误差的计算式如下：
[0066][0067]
上式中，mse为平均绝对百分比误差，i为所述验证数据中总样本数据个数，yi为所述验证数据中第i个样本数据的实际值，为所述验证数据中第i个样本数据的预测值，
mape为均方误差。
[0068]
第三方面，提供一种计算机设备，包括：一个或多个处理器；
[0069]
所述处理器，用于存储一个或多个程序；
[0070]
当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的光伏设备的净负荷预测方法。
[0071]
第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的光伏设备的净负荷预测方法。
[0072]
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
[0073]
本发提供了一种光伏设备的净负荷预测方法及装置，包括：利用预先构建的回归模型预测光伏设备的净负荷的小波数据在高维特征空间的稀疏解；对所述光伏设备的净负荷的小波数据在高维特征空间的稀疏解进行小波重构，得到光伏设备的净负荷预测数据；其中，所述小波数据包括：低频系数和高频系数。本发明提供的技术方案，可以有效实现数据的降维以及光伏负荷的高精度预测，可实现对多种外部特征与用电行为的分析，实现高维数据变量筛选和高精度预测，从而合理安排电力系统的运行计划；
[0074]
进一步的，本发明提供的技术方案，引入一种小波变换结合lasso回归模型的预测模型，其中小波变换将时间序列数据的时频域进行对调，聚焦到数据的细节，更适合描述光伏净负荷的内在特性，而在lasso回归模型中引入核方法将原始数据映射到合适的高维特征空间，使得lasso回归模型应用于非线性的光伏净负荷数据，最终实现光伏负荷的精准预测，维护大电网的稳定运行。
附图说明
[0075]
图1是本发明实施例的光伏设备的净负荷预测方法的主要步骤流程示意图；
[0076]
图2是本发明实施例的光伏设备的净负荷预测装置的主要结构框图。
具体实施方式
[0077]
下面结合附图对本发明的具体实施方式作进一步的详细说明。
[0078]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0079]
如背景技术中所公开的，为了实现双碳目标以及缓解当前各地用电紧张的情况，目前已经在多个地区推行家用光伏设备的使用，而拥有光伏设备的家庭会在光照情况下通过光伏设备进行发电，当条件合适时可以实现电力的自给自足，甚至反过来输送到配电网中，缓解电网供电压力，因此对拥有光伏设备的家庭的净负荷预测就有助于提升配电网分配电力的安全稳定性、提供供电质量，有助于电网根据不同用户的用电需求而分配电力资源，实现资源的合理分配。
[0080]
为了改善上述问题，本发明提供的光伏设备的净负荷预测方法及装置，包括：利用预先构建的回归模型预测光伏设备的净负荷的小波数据在高维特征空间的稀疏解；对所述光伏设备的净负荷的小波数据在高维特征空间的稀疏解进行小波重构，得到光伏设备的净
负荷预测数据；其中，所述小波数据包括：低频系数和高频系数。本发明提供的技术方案，可以有效实现数据的降维以及光伏负荷的高精度预测，可实现对多种外部特征与用电行为的分析，实现高维数据变量筛选和高精度预测，从而合理安排电力系统的运行计划；
[0081]
进一步的，本发明提供的技术方案，引入一种小波变换结合lasso回归模型的预测模型，其中小波变换将时间序列数据的时频域进行对调，聚焦到数据的细节，更适合描述光伏净负荷的内在特性，而在lasso回归模型中引入核方法将原始数据映射到合适的高维特征空间，使得lasso回归模型应用于非线性的光伏净负荷数据，最终实现光伏负荷的精准预测，维护大电网的稳定运行。下面对上述方案进行详细阐述。
[0082]
实施例1
[0083]
参阅附图1，图1是本发明的一个实施例的光伏设备的净负荷预测方法的主要步骤流程示意图。如图1所示，本发明实施例中的光伏设备的净负荷预测方法主要包括以下步骤：
[0084]
步骤s101：利用预先构建的回归模型预测光伏设备的净负荷的小波数据在高维特征空间的稀疏解；
[0085]
步骤s102：对所述光伏设备的净负荷的小波数据在高维特征空间的稀疏解进行小波重构，得到光伏设备的净负荷预测数据；
[0086]
其中，所述小波数据包括：低频系数和高频系数。
[0087]
小波变换主要包含连续小波变换和离散小波变换。由于在本实施例中是以过去同一时刻的数据来预测当前时刻的净负荷，本实施例采用离散小波变换来对原始净负荷时间序列数据进行分解。
[0088]
对输入的光伏净负荷时间序列进行分解，经过分解后，原始信号会产生一个近似系列和若干细节系列。近似系列表示低频系数(approximate coefficients)，包含光伏净负荷的趋势信息；细节系列表示高频系数(detail coefficients)，包含与光伏净负荷相关的影响因素特征。其中，所述光伏设备的净负荷的低频系数的计算式如下：
[0089][0090]
所述光伏设备的净负荷的高频系数的计算式如下：
[0091][0092]
上式中，a为光伏设备的净负荷的低频系数，为对应的分解系数，为对应缩放常数m和平移常数n选择的小波函数，t为当前时刻，d为光伏设备的净负荷的高频系数，为ψ
mn
对应的分解系数，ψ
mn
为与的互补的小波函数。
[0093]
进一步的，所述对应的分解系数的计算式如下：
[0094][0095]
所述ψ
mn
对应的分解系数的计算式如下：
[0096][0097]
上式中，t为光伏设备的净负荷序列长度，p
t
为t时刻光伏设备的净负荷。
[0098]
由于在时间序列处理中，daubechies(db)应用效果较好，因此在本实施例中选择daubechies小波变换对原始净负荷数据进行分解，待lasso回归模型预测之后，还需要进行小波重构将系数数据还原原始净负荷数据。
[0099]
本实施例中，使用核lasso的线性回归方法对小波变换得到的光伏净负荷的低频系数和高频系数进行预测。相比普通的线性回归，lasso可以增强光伏净负荷的低频系数和高频系数的拟合效果，使用核函数可以将lasso推广到非线性的光伏净负荷数据。
[0100]
所述预先构建的回归模型的获取过程包括：
[0101]
对光伏设备的历史净负荷数据进行小波变换，得到光伏设备的历史净负荷数据的小波数据；
[0102]
采用核方法将光伏设备的历史净负荷数据的小波数据扩展到高维特征空间，得到光伏设备的历史净负荷数据的小波数据对应的线性数据；
[0103]
利用所述线性数据构建训练数据和验证数据；
[0104]
利用所述训练数据对初始lasso回归模型进行训练，利用所述验证数据对训练后的lasso回归模型进行验证，直至训练后的lasso回归模型的模型指标满足收敛条件，得到所述预先构建的回归模型。
[0105]
进一步的，传统的回归方法选择函数的基准是函数通过自变量得到的低高频系数与实际值差值的平方和(即方差)最小，但这种方法容易造成过拟合。本实施例中在标准损失函数的基础上引入一个惩罚函数，在系数的绝对值之前乘以一个收缩参数，通过这种方法收缩系数值以减少方差，所述利用所述训练数据对初始回归模型进行训练的过程中，回归模型损失函数的计算式如下：
[0106]
l
reg
(β)＝l
ols
(β)+p
[0107]
上式中，l
reg
为惩罚后的损失函数，l
ols
为标准损失函数，p为惩罚函数值，β为回归系数向量。
[0108]
其中，所述标准损失函数的计算式如下：
[0109]
l
ols
(β)＝||y-xβ||2[0110]
上式中，y为x
×
1维预测变量矩阵，x为x
×
p维结果变量向量，x为观察值个数，p为预测变量个数。
[0111]
通过lasso模型对小波变换得到的光伏净负荷的低高频系数进行预测，可以有效地防止过拟合，此外，无论是训练数据比较少的情况还是维度过高的情况，连续的或者离散的，lasso都可以处理。
[0112]
另一方面，小波变换得到的光伏净负荷的低高频系数有可能是非线性的，而常规lasso方法的无法处理非线性的数据，对于这些线性回归无法处理的数据类型，可以将原始数据扩展到高维空间，在高维空间进行线性回归。
[0113]
核方法(kms)是一类模式识别的算法。其目的是找出并学习一组数据中的相互的关系。用途较广的核方法有支持向量机、高斯过程等。
[0114]
通过核方法，可以将非线性的光伏净负荷低高频系数嵌入到合适的高维特征空
间；然后，利用通用的线性学习器在这个新的空间中分析和处理模式。而核函数(kernel function)的存在，能够将将非线性映射隐含在线性学习器中进行同步计算，使得计算复杂度与高维特征空间的维数无关。
[0115]
通过核函数将光伏净负荷低高频系数数据扩展到高维特征空间的数据进行lasso拟合，从而得到高维特征空间的稀疏解。
[0116]
在一个最优的实施方式中，主要针对96维的净负荷数据的每一维都进行核lasso回归预测，在此之前需要对每一维的光伏净负荷数据都进行离散小波变换得到高频系数d和低频系数a，之后分别对每一维度的d和a进行训练和预测，得到预测的d和a，之后进行小波重构得到一个维度的预测值，之后将96个维度的预测值组合起来就是一天的预测情况，之后再和实际值进行比较，分析预测效果。
[0117]
本实施例中，所述模型指标包括下述中的至少一种：平均绝对百分比误差、均方误差。
[0118]
在一个实施方式中，所述平均绝对百分比误差的计算式如下：
[0119][0120]
所述均方误差的计算式如下：
[0121][0122]
上式中，mse为平均绝对百分比误差，i为所述验证数据中总样本数据个数，yi为所述验证数据中第i个样本数据的实际值，为所述验证数据中第i个样本数据的预测值，mape为均方误差。
[0123]
在一个最优的实施方式中，采用本发明提供的光伏设备的净负荷预测方法进行预测，整体预测效果良好，在此展示某台区针对2021/5/12-2021/5/18的周预测指标，如表1所示：
[0124]
表1
[0125][0126]
由此可以看出本发明提供的光伏设备的净负荷预测方法的预测效果良好。
[0127]
之后选择小波变换结合核lasso回归算法对各个台区进行预测，将待预测的周之前的历史数据作为训练集，训练之后对该周进行周预测，从2021/1/1-2021/1/7的周预测的结果指标值如表2所示：
[0128]
表2
[0129][0130]
由此可以看出，核lasso回归算法对大多数台区的预测效果较好，但是其中对台区5和台区9的效果很差，经过分析，台区5和台区9预测和实际值的差异主要体现在光伏净负荷的峰值上，峰值以及其附近的差异较大最终导致预测效果，虽然其他台区的整体预测效果较好，但是在峰值附近的预测效果也不够理想，可能的原因可能有两个，一个是核lasso对峰值的预测效果很差，不能很快地反映时间序列的变化，另一个原因就是没有考虑温度、光照等气象因素对净负荷数据的影响。
[0131]
进一步的，使用小波变换的效果
[0132]
最后可以比较仅使用核lasso回归模型和使用小波变换结合核lasso回归模型进行预测，发现在一些数据区域中后者相比前者准确性提高不少，在下面展示在某台区在2021/5/5-2021/5/11的周预测指标结果如表3所示：
[0133][0134]
之所以效果好，主要是因为小波变换能将时间序列划分为更加平稳、平滑的系数序列，便于后续核lasso回归模型的预测。因此，可以通过将基于小波变换的核lasso回归模型与仅使用核lasso回归模型进行结合，即根据上一次预测的指标值来选择指标值更小的模型进行预测，如此持续下去，可以提升整体预测的准确性。
[0135]
实施例2
[0136]
基于同一种发明构思，本发明还提供了一种光伏设备的净负荷预测装置，如图2所示，所述光伏设备的净负荷预测装置包括：
[0137]
预测模块，用于利用预先构建的回归模型预测光伏设备的净负荷的小波数据在高维特征空间的稀疏解；
[0138]
重构模块，用于对所述光伏设备的净负荷的小波数据在高维特征空间的稀疏解进行小波重构，得到光伏设备的净负荷预测数据；
[0139]
其中，所述小波数据包括：低频系数和高频系数。
[0140]
优选的，所述预测模块中，光伏设备的净负荷的低频系数的计算式如下：
[0141][0142]
所述光伏设备的净负荷的高频系数的计算式如下：
[0143][0144]
上式中，a为光伏设备的净负荷的低频系数，为对应的分解系数，为对应缩放常数m和平移常数n选择的小波函数，t为当前时刻，d为光伏设备的净负荷的高频系数，为ψ
mn
对应的分解系数，ψ
mn
为与的互补的小波函数。
[0145]
进一步的，所述对应的分解系数的计算式如下：
[0146][0147]
所述ψ
mn
对应的分解系数的计算式如下：
[0148][0149]
上式中，t为光伏设备的净负荷序列长度，p
t
为t时刻光伏设备的净负荷。
[0150]
优选的，所述预测模块中，预先构建的回归模型的获取过程包括：
[0151]
对光伏设备的历史净负荷数据进行小波变换，得到光伏设备的历史净负荷数据的小波数据；
[0152]
采用核装置将光伏设备的历史净负荷数据的小波数据扩展到高维特征空间，得到光伏设备的历史净负荷数据的小波数据对应的线性数据；
[0153]
利用所述线性数据构建训练数据和验证数据；
[0154]
利用所述训练数据对初始lasso回归模型进行训练，利用所述验证数据对训练后的lasso回归模型进行验证，直至训练后的lasso回归模型的模型指标满足收敛条件，得到所述预先构建的回归模型。
[0155]
进一步的，所述利用所述训练数据对初始回归模型进行训练的过程中，回归模型损失函数的计算式如下：
[0156]
l
reg
(β)＝l
ols
(β)+p
[0157]
上式中，l
reg
为惩罚后的损失函数，lols为标准损失函数，p为惩罚函数值，β为回归系数向量。
[0158]
进一步的，所述标准损失函数的计算式如下：
[0159]
l
ols
(β)＝||y-xβ||2[0160]
上式中，y为x
×
1维预测变量矩阵，x为x
×
p维结果变量向量，x为观察值个数，p为预测变量个数。
[0161]
进一步的，所述模型指标包括下述中的至少一种：平均绝对百分比误差、均方误差。
[0162]
进一步的，所述平均绝对百分比误差的计算式如下：
[0163][0164]
所述均方误差的计算式如下：
[0165][0166]
上式中，mse为平均绝对百分比误差，i为所述验证数据中总样本数据个数，yi为所述验证数据中第i个样本数据的实际值，为所述验证数据中第i个样本数据的预测值，mape为均方误差。
[0167]
实施例3
[0168]
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specificintegrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种光伏设备的净负荷预测方法的步骤。
[0169]
实施例4
[0170]
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。
可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种光伏设备的净负荷预测方法的步骤。
[0171]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0172]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0173]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0174]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0175]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
技术特征：1.一种光伏设备的净负荷预测方法，其特征在于，所述方法包括：利用预先构建的回归模型预测光伏设备的净负荷的小波数据在高维特征空间的稀疏解；对所述光伏设备的净负荷的小波数据在高维特征空间的稀疏解进行小波重构，得到光伏设备的净负荷预测数据；其中，所述小波数据包括：低频系数和高频系数。2.如权利要求1所述的方法，其特征在于，所述光伏设备的净负荷的低频系数的计算式如下：所述光伏设备的净负荷的高频系数的计算式如下：上式中，a为光伏设备的净负荷的低频系数，为对应的分解系数，为对应缩放常数m和平移常数n选择的小波函数，t为当前时刻，d为光伏设备的净负荷的高频系数，为ψ
mn
对应的分解系数，ψ
mn
为与的互补的小波函数。3.如权利要求2所述的方法，其特征在于，所述对应的分解系数的计算式如下：所述ψ
mn
对应的分解系数的计算式如下：上式中，t为光伏设备的净负荷序列长度，p
t
为t时刻光伏设备的净负荷。4.如权利要求1所述的方法，其特征在于，所述预先构建的回归模型的获取过程包括：对光伏设备的历史净负荷数据进行小波变换，得到光伏设备的历史净负荷数据的小波数据；采用核方法将光伏设备的历史净负荷数据的小波数据扩展到高维特征空间，得到光伏设备的历史净负荷数据的小波数据对应的线性数据；利用所述线性数据构建训练数据和验证数据；利用所述训练数据对初始lasso回归模型进行训练，利用所述验证数据对训练后的lasso回归模型进行验证，直至训练后的lasso回归模型的模型指标满足收敛条件，得到所述预先构建的回归模型。5.如权利要求4所述的方法，其特征在于，所述利用所述训练数据对初始回归模型进行训练的过程中，回归模型损失函数的计算式如下：l
reg
(β)＝l
ols
(β)+p上式中，l
reg
为惩罚后的损失函数，l
ols
为标准损失函数，p为惩罚函数值，β为回归系数向量。6.如权利要求5所述的方法，其特征在于，所述标准损失函数的计算式如下：
l
ols
(β)＝||y-xβ||2上式中，y为x
×
1维预测变量矩阵，x为x
×
p维结果变量向量，x为观察值个数，p为预测变量个数。7.如权利要求4所述的方法，其特征在于，所述模型指标包括下述中的至少一种：平均绝对百分比误差、均方误差。8.如权利要求7所述的方法，其特征在于，所述平均绝对百分比误差的计算式如下：所述均方误差的计算式如下：上式中，mse为平均绝对百分比误差，i为所述验证数据中总样本数据个数，y
i
为所述验证数据中第i个样本数据的实际值，为所述验证数据中第i个样本数据的预测值，mape为均方误差。9.一种光伏设备的净负荷预测装置，其特征在于，所述装置包括：预测模块，用于利用预先构建的回归模型预测光伏设备的净负荷的小波数据在高维特征空间的稀疏解；重构模块，用于对所述光伏设备的净负荷的小波数据在高维特征空间的稀疏解进行小波重构，得到光伏设备的净负荷预测数据；其中，所述小波数据包括：低频系数和高频系数。10.如权利要求9所述的装置，其特征在于，所述预测模块中，光伏设备的净负荷的低频系数的计算式如下：所述光伏设备的净负荷的高频系数的计算式如下：上式中，a为光伏设备的净负荷的低频系数，为对应的分解系数，为对应缩放常数m和平移常数n选择的小波函数，t为当前时刻，d为光伏设备的净负荷的高频系数，为ψ
mn
对应的分解系数，ψ
mn
为与的互补的小波函数。11.如权利要求10所述的装置，其特征在于，所述对应的分解系数的计算式如下：所述ψ
mn
对应的分解系数的计算式如下：上式中，t为光伏设备的净负荷序列长度，p
t
为t时刻光伏设备的净负荷。12.如权利要求9所述的装置，其特征在于，所述预测模块中，预先构建的回归模型的获取过程包括：
对光伏设备的历史净负荷数据进行小波变换，得到光伏设备的历史净负荷数据的小波数据；采用核装置将光伏设备的历史净负荷数据的小波数据扩展到高维特征空间，得到光伏设备的历史净负荷数据的小波数据对应的线性数据；利用所述线性数据构建训练数据和验证数据；利用所述训练数据对初始lasso回归模型进行训练，利用所述验证数据对训练后的lasso回归模型进行验证，直至训练后的lasso回归模型的模型指标满足收敛条件，得到所述预先构建的回归模型。13.如权利要求12所述的装置，其特征在于，所述利用所述训练数据对初始回归模型进行训练的过程中，回归模型损失函数的计算式如下：l
reg
(β)＝l
ols
(β)+p上式中，l
reg
为惩罚后的损失函数，l
ols
为标准损失函数，p为惩罚函数值，β为回归系数向量。14.如权利要求13所述的装置，其特征在于，所述标准损失函数的计算式如下：l
ols
(β)＝||y-xβ||2上式中，y为x
×
1维预测变量矩阵，x为x
×
p维结果变量向量，x为观察值个数，p为预测变量个数。15.如权利要求12所述的装置，其特征在于，所述模型指标包括下述中的至少一种：平均绝对百分比误差、均方误差。16.如权利要求15所述的装置，其特征在于，所述平均绝对百分比误差的计算式如下：所述均方误差的计算式如下：上式中，mse为平均绝对百分比误差，i为所述验证数据中总样本数据个数，y
i
为所述验证数据中第i个样本数据的实际值，为所述验证数据中第i个样本数据的预测值，mape为均方误差。17.一种计算机设备，其特征在于，包括：一个或多个处理器；所述处理器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至8中任意一项所述的光伏设备的净负荷预测方法。18.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至8中任意一项所述的光伏设备的净负荷预测方法。
技术总结本发明涉及电力系统光伏净负荷预测技术领域，具体提供了一种光伏设备的净负荷预测方法及装置，包括：利用预先构建的回归模型预测光伏设备的净负荷的小波数据在高维特征空间的稀疏解；对所述光伏设备的净负荷的小波数据在高维特征空间的稀疏解进行小波重构，得到光伏设备的净负荷预测数据；其中，所述小波数据包括：低频系数和高频系数。本发明提供的技术方案，可以有效实现数据的降维以及光伏负荷的高精度预测，可实现对多种外部特征与用电行为的分析，实现高维数据变量筛选和高精度预测，从而合理安排电力系统的运行计划。从而合理安排电力系统的运行计划。从而合理安排电力系统的运行计划。
技术研发人员：宫飞翔 陈宋宋 龚桃荣 石坤 邓志东 田诺 黄秀彬 刘鲲鹏 李子乾 周颖 袁金斗
受保护的技术使用者：国家电网有限公司 国网江苏省电力有限公司
技术研发日：2022.07.22
技术公布日：2022/11/1
