基于多源数据融合的多情景电网负荷智能预测方法及装置与流程
本发明属于电力系统负荷预测,具体涉及一种基于多源数据融合的多情景电网负荷智能预测方法及装置。
背景技术:
1、负荷预测是保障电网安全稳定运行的核心技术。随着电采暖、农业灌溉、旅游负荷等新型负荷快速增长,传统仅依赖历史负荷数据与基础运行信息的预测方法已无法满足现代电网精细化、智能化运营需求。其缺陷主要体现在:数据融合不足,未能整合营销系统中的电采暖与业扩报装数据、气象数据及地域特色负荷数据,无法反映新增负荷与外部因子影响;对季节性、区域性特色负荷缺乏专项模型,预测偏差大;缺少县域及变电站层级的负荷可视化分析与异常预警,难以支撑基层精准管控;无法基于业扩报装信息推演未来新增负荷,难以为电网扩容提供前置指导;未建立气象与负荷的精准关联模型,在寒潮、高温、干旱等极端天气下预测准确率低。此为现有技术不足。
2、有鉴于此,本发明提供一种基于多源数据融合的多情景电网负荷智能预测方法及装置,以解决现有技术中存在的上述缺陷,是非常有必要的。
技术实现思路
1、本发明的目的在于,针对上述现有技术存在的数据融合不足、缺乏专项模型预测能力、精细化程度低、无法推演未来新增负荷、极端天气响应弱的缺陷,提供设计一种基于多源数据融合的多情景电网负荷智能预测方法及装置,以解决上述技术问题。
2、为实现上述目的,本发明给出以下技术方案:
3、一种基于多源数据融合的多情景电网负荷智能预测方法,包括以下步骤:
4、步骤s1,获取营销报装数据、历史气象数据、地域特色负荷数据及变电站层级运行数据,预处理后形成多源数据集;
5、步骤s2,基于多源数据集,通过统计回归与经验公式拟合,构建电采暖负荷预测模型、业扩新增负荷推演模型、气象-负荷关联模型以及地域季节性负荷模型,并标定各模型参数;
6、步骤s3,采集县域层级和变电站层级当前的运行数据及未来天气预测数据,并采用标定后的各模型分别进行耦合计算,对常规天气、极端天气及新增负荷场景进行电网负荷的智能预测,得到预测负荷值序列;对预测负荷值序列与实时监测负荷值序列进行可视化展示,并计算负荷偏差率,当负荷偏差率超过预设阈值时触发异常预警信号;
7、步骤s4,汇总步骤s3的预测负荷值序列以及异常预警信号,形成最终预测报告。
8、作为优选,所述的步骤s1具体包括:
9、s11,对接营销系统,获取营销报装数据;对接气象部门,获取历史气象数据;对接农业农村部门和文旅部门,获取地域特色负荷数据;对接变电站scada(supervisorycontrol and data acquisition,数据采集与监视控制)系统,获取变电站层级运行数据,所述变电站层级运行数据至少包括各变电站的历史有功功率序列及由其计算得到的总负荷变化量;总负荷变化量计算表达式为:,其中,为时刻t的总负荷变化量,为时刻t的电网总有功功率,为上一时刻的电网总有功功率;
10、s12,对步骤s11获取的多源数据进行预处理;预处理后的数据构成多源数据集。
11、该步骤能够取得以下技术效果:
12、通过对接营销、气象、农业、文旅及scada系统,整合电采暖报装、天气气象、农排及旅游负荷、变电站运行等多源数据,并进行清洗与归一化预处理,解决了传统方法数据来源单一、信息孤岛的问题,提升了数据的完整性、一致性与可用性,为后续高精度建模与多情景预测提供了高质量、标准化的数据基础。
13、作为优选,所述的步骤s2中的电采暖负荷预测模型具体为:
14、,
15、其中,为区域电采暖总负荷;为第i个电采暖用户报装容量;为第i个用户负荷贡献率,取值范围通常在 0.2 ~ 0.8 之间,通过历史投运数据拟合得到;为第i个用户投运时长权重;为气温修正系数,根据温度区间查表得到。
16、该步骤能够取得以下技术效果:
17、通过电采暖负荷预测模型,精准量化了电采暖负荷随投运规模与外界气温变化的动态关系。相比传统仅依赖历史总负荷的方法,该模型能够区分不同用户的投运时间与温度响应特性,解决了电采暖负荷快速增长下预测偏差大的问题,为冬季电网保供提供可靠依据。
18、作为优选,所述的步骤s2中的业扩新增负荷推演模型具体为:
19、,
20、其中,为区域业扩新增总负荷;为第j个业扩项目报装容量;为第j个业扩项目的项目类型负荷系数;为投运时间推演系数。
21、该步骤能够取得以下技术效果:
22、基于业扩新增负荷推演模型,实现了对未来新增负荷的前置量化推演。该模型克服了传统方法无法提前感知业扩报装影响的缺陷,能够输出各区域、各电压等级的逐月新增负荷分布,为电网扩容规划与配网改造提供明确的数据支撑,填补了新增负荷推演的技术空白。
23、作为优选,所述的步骤s2中的气象-负荷预测模型具体为:
24、,
25、其中,为仅由天气因素变化引起的负荷变化量,参数标定时通过从总负荷变化量中剥离区域电采暖总负荷变化量和区域业扩新增总负荷变化量得到;所述区域电采暖总负荷变化量和区域业扩新增总负荷变化量分别通过电采暖负荷预测模型和业扩新增负荷推演模型的回代计算得到:,其中,为时刻t的相应模型输出值,为时刻t-1的相应模型输出值;为温度敏感度系数;为气温变化量;为风速敏感度系数;为风速变化量;为降水敏感度系数;为降水量变化量。
26、该步骤能够取得以下技术效果:
27、通过气象-负荷预测模型,定量刻画了气象波动对负荷的即时影响。该模型参数可基于历史数据回归标定,在寒潮、高温、干旱等极端天气下能够快速输出负荷变化量,提升了对极端气象事件的响应能力与预测准确率,弥补了传统方法气象关联薄弱的不足。
28、作为优选,所述的步骤s2中的地域季节性负荷模型具体包括:
29、,
30、其中,为季节性总负荷;为电网基础负荷;为基础负荷季节权重,取值范围为0~1;为特色负荷,包括灌溉负荷、旅游负荷、采暖负荷;为特色负荷季节权重,取值范围为0~1,满足。
31、该步骤能够取得以下技术效果:
32、通过地域季节性负荷模型,精准模拟了不同季节下常规负荷与特色负荷的贡献比例,解决了地域性、季节性特色负荷波动大难以预测的问题,适用于农业灌溉期、旅游旺季等场景,提升了季节性负荷的拟合精度。
33、作为优选,所述的步骤s2中模型参数标定具体包括:
34、基于多源数据集,采用最小二乘回归对气象-负荷关联模型的参数进行标定;基于多源数据集,采用历史统计平均对用户负荷贡献率、项目类型负荷系数进行标定;基于多源数据集,采用季节分解法对特色负荷季节权重、基础负荷季节权重进行标定;标定完成后,将参数固化于相应的模型中。
35、该步骤能够取得以下技术效果:
36、针对电采暖、业扩新增、气象关联及地域季节性四类典型影响因子,分别构建专项物理模型并基于历史数据标定参数,克服了传统单一统计模型无法刻画复杂负荷特性的缺陷,使得模型能够准确反映新增负荷的投运规律、极端气象对负荷的冲击以及季节性特色负荷的波动特征,提高了预测模型在复杂场景下的适配能力与参数可靠性。
37、作为优选,所述的步骤s3中,采集县域层级和变电站层级当前的运行数据及未来天气预测数据,并采用标定后的各模型分别进行耦合计算,对常规天气、极端天气及新增负荷场景进行电网负荷的智能预测,得到预测负荷值序列,具体包括:
38、s31,采集县域层级和变电站层级当前的运行数据及未来天气预测数据,所述当前的运行数据包括:营销报装数据、地域特色负荷数据、县域层级运行数据、变电站层级运行数据;基于当前的运行数据及未来天气预测数据,调用标定后的电采暖负荷预测模型、业扩新增负荷推演模型、气象-负荷关联模型和地域季节性负荷模型,计算各自的初步预测结果;所述初步预测结果包括:区域电采暖总负荷、区域业扩逐月新增负荷推演结果、由气象变化引起的负荷变化量、季节性总负荷;
39、s32,针对常规天气场景,采用基于时序注意力机制的集成学习模型,对电采暖负荷预测模型、地域季节性负荷模型和气象-负荷关联模型的初步预测结果进行动态加权融合;所述动态加权融合具体包括:将三个模型的初步预测结果作为注意力机制的输入序列,通过多头注意力计算不同时间步上各模型的权重,加权求和得到常规预测负荷值;
40、针对极端天气场景,采用基于时序注意力机制的集成学习模型得到常规预测负荷值后,再根据气象-负荷关联模型的初步预测结果进行峰值计算和预警等级判定,输出常规预测负荷值、负荷高峰预警值及预警等级;所述峰值计算由以下公式得到:
41、,
42、其中,为极端天气下负荷高峰预警值;为常规预测负荷值;为气象-负荷关联模型在极端天气场景下输出的初步预测结果中的最大值;
43、所述预警等级判定具体为:
44、将分别与预设第一阈值th1、预设第二阈值th2进行比较(th1 45、针对新增负荷场景,采用基于时序注意力机制的集成学习模型得到常规预测负荷值后,再调用业扩新增负荷推演模型,将业扩新增负荷推演模型输出的初步预测结果叠加至常规预测负荷值上,得到考虑新增负荷后的预测负荷值序列: 46、; 47、再根据业扩项目的地理位置与电压等级信息,将按照各区域和各电压等级进行分解,标记各区域、各电压等级的增量分布,输出区域增量分布矩阵,其中表示区域r、电压等级v在时刻 t的新增负荷增量;输出考虑新增负荷后的预测负荷值序列和其增量分布。 48、该步骤能够取得以下技术效果: 49、基于标定后的多模型进行耦合计算,并针对常规天气采用时序注意力机制动态融合模型输出,针对极端天气直接调用气象-负荷模型输出预警,针对新增负荷推演未来3~6个月增量,实现了常规、极端、新增等多情景的智能预测,充分捕捉不同场景下的负荷动态规律,提升了预测结果的全场景适应性与时空精度。 50、作为优选,所述的步骤s3中,对预测负荷值序列与实时监测负荷值序列进行可视化展示,并计算负荷偏差率,当负荷偏差率超过预设阈值时触发异常预警信号,具体包括: 51、s33,在县域层级及变电站层级分别展示预测负荷值序列与实时监测负荷值序列,时间范围在过去24小时至未来72小时内; 52、s34,每隔15分钟自动计算负荷偏差率: 53、, 54、其中,为负荷偏差率,为变电站scada系统采集的实时负荷,为对应时刻的预测负荷值; 55、s35,当负荷偏差率e超过预设阈值15%时触发异常预警信号,报告预警信息并判定负荷偏差率预警等级,根据负荷偏差率预警等级作出相应的响应措施; 56、所述预警信息内容包括:异常发生时间、变电站或县域名称、实时负荷值、预测负荷值、偏差率及建议措施; 57、所述负荷偏差率预警等级分为:负荷偏差率15%~20%为黄色预警,20%~30%为橙色预警,大于30%为红色预警。 58、该步骤能够取得以下技术效果: 59、在县域和变电站两级粒度上,对预测负荷与实时监测负荷进行可视化展示,并每15分钟自动计算偏差率,设定三级阈值分别触发不同颜色的预警。该机制将预测结果与运行监控深度结合,实现了从宏观到微观的精细化偏差感知与分级告警,支撑基层运检人员快速定位异常,提升了电网负荷管控的时效性和应急响应能力。 60、此外,本发明还提供一种基于多源数据融合的多情景电网负荷智能预测装置,包括: 61、数据采集模块,该模块中: 62、获取营销报装数据、历史气象数据、地域特色负荷数据及变电站层级运行数据,预处理后形成多源数据集; 63、模型构建标定模块,该模块中: 64、基于多源数据集,通过统计回归与经验公式拟合,构建电采暖负荷预测模型、业扩新增负荷推演模型、气象-负荷关联模型以及地域季节性负荷模型,并标定各模型参数; 65、耦合预测计算模块,该模块中: 66、采集县域层级和变电站层级当前的运行数据及未来天气预测数据,并采用标定后的各模型分别进行耦合计算,对常规天气、极端天气及新增负荷场景进行电网负荷的智能预测,得到预测负荷值序列;对预测负荷值序列与实时监测负荷值序列进行可视化展示,并计算负荷偏差率,当负荷偏差率超过预设阈值时触发异常预警信号; 67、报告生成模块,该模块中: 68、汇总耦合预测计算模块中的预测负荷值序列以及异常预警信号,形成最终预测报告。 69、本发明的有益效果在于, 70、针对现有技术数据融合不足、缺乏专项模型、无法推演新增负荷、极端天气响应弱、缺少层级可视化预警等缺陷,提供了一体化解决方案:通过对接营销、气象、农业、文旅及scada系统,整合电采暖报装、气象预报、地域特色负荷及变电站运行数据,打破了信息孤岛,为精准预测奠定了高质量数据基础;通过构建的四个专项模型协同发挥作用:电采暖负荷预测模型量化用户报装容量、投运时长与气温修正关系,解决电采暖负荷快速增长下的预测偏差;业扩新增负荷推演模型基于报装容量、项目类型系数和投运时间系数,输出未来3~6个月逐月新增负荷分布,填补了新增负荷前置推演的技术空白;气象-负荷关联模型通过温度、风速、降水敏感度系数定量刻画气象波动对负荷的即时影响,提升寒潮、高温等极端天气下的预测准确率;地域季节性负荷模型通过基础负荷与特色负荷的季节权重分配,精准模拟灌溉、旅游、采暖等季节性负荷波动;针对极端天气场景直接调用气象-负荷关联模型输出预警,在县域及变电站两级粒度实现可视化展示与15分钟级偏差率计算,并触发黄、橙、红三级预警,使基层运检人员快速定位异常。综上,本发明形成了从多源融合、专项建模、新增推演、极端天气响应到层级预警的完整技术闭环,全面克服了现有技术不足,提升了电网负荷预测的智能化与实用化水平。 71、由此可见,本发明与现有技术相比,具有突出的实质性特点和显著的进步,其实施的有益效果也是显而易见的。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com