一种配电网自动化的分析方法与流程

1.本发明涉及电力负荷预测技术领域，特别涉及一种配电网自动化的分析方法。


背景技术：

2.随着科学技术不断发展，配电网自动化程度日益提高，但由于电网的特殊性，其发电端产生的电能是实时性的，无法被大量储存，这使得电能在发电和用电之间需要时刻保持着供需平衡，进而避免产生电能供电不足或生产过剩等问题；但现有的配电网自动化调度大多是基于传统预测方法进行的，而传统预测方法很难对非线性的电力负荷曲线做出准确的预测，并且电力负荷受到很多复杂因素的影响，例如季节更替和天气情况等，这些影响因素中有些非常重要的影响因素是定性的，如气象因素、日期类型等，普通的电力负荷预测方法没有办法考虑这些定性的影响因素，就将之忽略，预测精度必然会因预测方法考虑的不够全面而降低。
3.现有配电网的短期负荷预测分析方法考虑到的电力负荷影响因素较为单一且所采用的预测算法无法对非线性的电力负荷曲线做出准确的预测，因此实际预测精度较低；中国专利号cn105701559a公开了一种基于时间序列的短期负荷预测方法，该发明方法基于日用电量数据采用时间序列方法进行短期电力负荷预测，虽然该发明电力短期负荷的预测速度较快，但考虑到的电力负荷影响因素较为单一且所采用的预测算法无法对非线性的电力负荷曲线做出准确的预测，因此实际预测精度较低。


技术实现要素：

4.为了解决现有技术中存在的缺陷，本发明的目的是提出一种配电网自动化的分析方法，采用集成学习方法，将四个个体预测模型的预测结果输入到元学习器中进行集成学习，解决了单一模型泛化能力不足的问题，提高了短期电力负荷的预测精度。
5.为了实现上述目的，本发明采用了如下技术方案。
6.一种配电网自动化的分析方法，具体步骤如下：
7.(1)数据搜集及分析：搜集所供电区域的历史数据库，所述历史数据库中存储有历史日的历史电力负荷数据和电力负荷影响因素数据；并对该供电区域的电力负荷所有影响因素进行分析，选出其中电力负荷主要影响因素；
8.所述的电力负荷所有影响因素包括但不限于日期类型、湿度、气温和降雨量；
9.步骤(1)所述的电力负荷主要影响因素，是通过皮尔逊相关系数r分析得到，r≥0.5时的公式中的参数作为电力负荷主要影响因素，其公式如下：
[0010][0011]
式中：r为电力负荷与电力负荷影响因素之间的皮尔逊相关系数；x为电力负荷影响因素；n为某具体电力负荷影响因素计算数据个数；p为电力负荷；
[0012]
(2)数据预处理：对步骤(1)所述历史数据库中历史日的历史电力负荷数据和电力
负荷影响因素数据进行预处理；
[0013]
(3)相似历史日分析选取：以步骤(1)中选出的电力负荷影响因素为基础，并采用相似度组合算法，选取出与预测日具有相似特征的相似历史日，即得到若干个相似历史日，并将其做作为训练样本集；
[0014]
(4)集成学习：采用集成学习方法对步骤(3)所述训练样本集进行训练、预测和集成，即得到集成短期负荷预测模型；
[0015]
(5)误差分析：采用相对误差方法对步骤(4)所述集成短期负荷预测模型进行误差分析计算，得到误差计算结果，若误差结果在
±
5％以内，则输出该模型，反之返回步骤(3)重新进行训练样本提取，直至模型达到预期期望；
[0016]
(6)模型应用：利用所述集成短期负荷预测模型对待预测日进行电力负荷预测，即得到待预测日的预测电力负荷数据，同时根据其对发电端进行电力调度。
[0017]
步骤(2)所述预处理包括但不限于填补缺失数据、修正噪声数据、数据平滑处理和数据归一化处理。
[0018]
步骤(3)所述相似历史日分析选取的具体过程如下：
[0019]
s1：获取历史数据库以及预测日的电力负荷主要影响因素；
[0020]
s2：采用灰色关联系数方法将步骤s1所述预测日的电力负荷主要影响因素与历史数据库中的历史日进行关联度计算，即得到灰色关联系度r
i
，其公式如下：
[0021][0022]
式中：ε
i
(k)为预测日与历史日电力负荷主要影响因素特征向量分量间的关联系数；k为电力负荷主要影响因素特征向量的个数；
[0023]
s3：采用余弦相关系数方法将步骤s1所述预测日的电力负荷主要影响因素与历史数据库中的历史日进行关联度计算，即得到余弦相关度d
cosi
，其公式如下：
[0024][0025]
式中：x
ik
、x
0k
为预测日和第i个历史日的第k个电力负荷主要影响因素特征向量分量；
[0026]
s4：对步骤s2所述灰色关联系度r
i
和步骤s3所述余弦相关度d
cosi
进行相似性综合指标计算，其公式如下：
[0027]
s
i
＝αr
i
(1
‑
α)d
cosi
ꢀꢀꢀ
(4)
[0028]
式中：α为经验权重系数；
[0029]
s5：最后输出s
i
≥0.85的相似历史日作为训练样本集。
[0030]
进一步地，所述关联系数ε
i
(k)的具体计算公式如下：
[0031][0032]
式中：ρ为介于0
‑
1的分辨系数，ρ取0.5。
[0033]
步骤(4)所述集成学习的具体过程如下：
[0034]
ss1：首先，获取训练样本集，并将其划分为四个子样本训练集；
[0035]
ss2：将步骤ss1所述四个子样本训练集分被输入四个基学习器中进行训练，形成四个个体预测模型；
[0036]
ss3：根据电力负荷影响因素提取预测日的特征集，并将其分别输入至步骤ss2中的四个个体预测模型中进行预测，即得到四类预测结果；
[0037]
ss4：将步骤ss3所述四类预测结果作为训练样本集，并将其输入进元学习器中，即得到集成短期负荷预测模型；
[0038]
所述四个基学习器为异质学习器，其具体分别为lstm、rf、knn和svm；所述元学习器具体为xgboost。
[0039]
步骤(5)所述相对误差方法的具体公式如下：
[0040][0041]
式中：ε为误差；x1为预测值；x为实际值。
[0042]
相比于现有技术，本发明的有益效果在于：
[0043]
1、该配电网自动化的分析方法以电力负荷主要影响因素为基础,分别采用灰色关联系数方法和余弦相关系数方法进行历史相似日的计算，最后将其进行组合，选取出与预测日具有高相似度的相似历史日，从而有利于为后续集成学习的奠定基础。
[0044]
2、该配电网自动化的分析方法采用集成学习方法将相似历史日作为训练样本，然后将其分别输入四个基学习器进行训练，得到四个个体预测模型，然后将四个个体预测模型的预测结果输入到元学习器中进行集成学习，进而得到集成短期负荷预测模型，其相较于传统的单一现代智能预测方法，其解决了单一模型泛化能力不足的问题，提高了短期电力负荷的预测精度。
附图说明
[0045]
图1为本发明的一种配电网自动化的分析方法的整体流程图。
具体实施方式
[0046]
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0047]
参照图1，本实施例公开了一种配电网自动化的分析方法，该分析方法具体步骤如下：
[0048]
(1)数据搜集及分析：搜集所供电区域的历史数据库，并对该供电区域的所有电力负荷影响因素进行分析，选出其中电力负荷主要影响因素，历史数据库中存储有历史日的历史电力负荷数据和电力负荷影响因素数据；
[0049]
具体的，该所有电力负荷影响因素包括但不限于日期类型、湿度、气温和降雨量；该电力负荷主要影响因素通过皮尔逊相关系数方法分析得到，其公式如下：
[0050][0051]
式中：r为电力负荷与电力负荷影响因素之间的皮尔逊相关系数；x为电力负荷影响因素；n为某具体电力负荷影响因素计算数据个数；p为电力负荷。
[0052]
一般认为：|r|≥0.8时，可认为两变量间高度相关；0.5≤|r|<0.8，可认为两变量中度相关；0.3≤|r|<0.5，可认为两变量低度相关；|r|<0.3，可认为两变量基本不相关。选取r≥0.5的参数关系作为主要电力负荷影响因素。
[0053]
(2)数据预处理：对步骤(1)历史数据库中历史日的历史电力负荷数据和电力负荷影响因素数据进行预处理；
[0054]
具体的，该预处理包括但不限于填补缺失数据、修正噪声数据、数据平滑处理和数据归一化处理；
[0055]
具体的，该填补缺失数据可以用最近三个同一类型日对应时刻的负荷平均值对其进行填补或者以计算负荷增长率的方式进行填补；该修正噪声数据可采用垂直处理方法或水平处理方法；该填补缺失数据和修正噪声数据的处理准确度直接影响后期集成短期负荷预测模型预测精度。
[0056]
(3)相似历史日分析选取：以步骤(1)电力负荷主要影响因素为基础并采用相似度组合算法选取出与预测日具有相似特征的相似历史日，即得到若干个相似历史日，并将其做作为训练样本；
[0057]
具体的，该相似历史日选取的具体过程如下：
[0058]
s1：获取历史数据库以及预测日的电力负荷主要影响因素；
[0059]
s2：采用灰色关联系数方法将步骤s1预测日的电力负荷主要影响因素与历史数据库中的历史日进行关联度计算，即得到灰色关联系度r
i
，其公式如下：
[0060][0061]
式中：ε
i
(k)为预测日与历史日电力负荷主要影响因素特征向量分量间的关联系数；k为电力负荷主要影响因素特征向量的个数；
[0062]
具体的，该关联系数ε
i
(k)的具体计算公式如下：
[0063][0064]
式中：ρ为介于0
‑
1的分辨系数，ρ取0.5。
[0065]
s3：采用余弦相关系数方法将步骤s1预测日的电力负荷主要影响因素与历史数据库中的历史日进行关联度计算，即得到余弦相关度d
oosi
，其公式如下：
[0066][0067]
式中：x
ik
、x
0k
为预测日和第i个历史日的第k个电力负荷主要影响因素特征向量分量；
[0068]
s4：对步骤s2灰色关联系度r
i
和步骤s3余弦相关度d
cosi
进行相似性综合指标计算，其公式如下：
[0069]
s
i
＝αr
i
(1
‑
α)d
cosi
ꢀꢀꢀ
(4)
[0070]
式中：α为经验权重系数；
[0071]
s5：最后输出s
i
≥0.85的相似历史日作为训练样本集。
[0072]
(4)集成学习：采用集成学习方法对步骤(3)训练样本集进行训练、预测和集成，即
得到集成短期负荷预测模型；
[0073]
具体的，该集成学习的具体过程如下：
[0074]
首先，获取训练样本集，并将其划分为四个子样本训练集；将四个子样本训练集分被输入四个基学习器中进行训练，形成四个个体预测模型；根据电力负荷影响因素提取预测日的特征集，并将其分别输入至四个个体预测模型中进行预测，即得到四类预测结果；将四类预测结果作为训练样本集，并将其输入进元学习器中，即得到集成短期负荷预测模型；
[0075]
本实施例中四个基学习器为异质学习器，其具体分别为lstm、rf、knn和svm；
[0076]
具体的，该四个基学习器具体为现代智能算法，在这需要说明的是基学习器的个可根据具体情况进行删减。
[0077]
具体的，该元学习器具体为xgboost。
[0078]
(5)误差分析：采用相对误差方法对步骤(4)集成短期负荷预测模型进行误差分析计算，得到误差计算结果，若误差结果在
±
5％以内，则输出该模型，反之返回步骤(3)重新进行训练样本提取，直至模型达到预期期望；
[0079]
具体的，该相对误差方法的具体公式如下：
[0080][0081]
式中：ε为误差；x1为预测值；x为实际值。
[0082]
(6)模型应用：利用集成短期负荷预测模型对待预测日进行电力负荷预测，即得到待预测日的预测电力负荷数据，同时根据其对发电端进行电力调度。
[0083]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。