一种配电网负荷预测方法及系统

1.本发明涉及电力负荷预测技术领域，尤其涉及一种配电网负荷预测方法及系统。


背景技术：

2.随着电能与居民生活、工农业生产、社会发展关系愈加密切，安全优质、经济可靠的电能是否能够得到满足对用电客户来说愈发重要；电能本身难以大量储存，需经过发、输、变、配等多个环节才能满足用户使用要求，在各个环节之中都会形成难以避免的损耗；因此，要有效减少损耗、提升一次能源的利用率，提前制定精确的发电计划和合理的调度方案是提高电网稳定性和经济性的重要手段，而准确的负荷预测为计划的制定和方案的提出提供了合理的参考依据；目前按预测时间周期可分为超短期负荷预测、短期负荷预测、中期负荷预测、长期负荷预测四类；其中，短期负荷预测对机组启停、水火电协调、联络线交换功率、负荷经济分配、水库调度和设备检修起着重要作用，因而成为当下研究重点；对于短期预测，需充分研究电网负荷变化规律，分析负荷变化相关因子，但由于不同区域之间的电力负荷影响因素存在较大差异，且大量电动汽车负荷接入导致对区域内的短期负荷预测造成了巨大阻碍，如何提高区域短期电力负荷预测精度，合理控制发电机组启停，提高电网稳定性和经济性变得越来越重要；因此，发明出一种配电网负荷预测方法及系统变得尤为重要；
3.经检索，中国专利号cn107491812b公开了一种考虑实时电价的短期负荷预测方法，该发明基于电价与负荷的关系进行短期负荷预测，具有良好的预测性能；
4.经检索，中国专利号cn102930356a公开了一种基于气象因素敏感度的短期负荷预测方法，该发明通过修正气象因素，提高了电力短期负荷的预测精度；
5.从现有已申请的专利来看，现有的短期负荷预测方法大多依赖特定负荷影响因素(电价、时间和气象)进行短期负荷预测，该类方法虽然预测速度快，但未考虑其他负荷影响相关因子以及电动汽车负荷接入产生的影响，从而无法提高区域短期电力负荷预测精度，进而无法为合理控制发电机组启停提供重要参考依据；为此，我们提出一种配电网负荷预测方法及系统。


技术实现要素：

6.本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种配电网负荷预测方法及系统。
7.为了实现上述目的，本发明采用了如下技术方案：
8.一种配电网负荷预测方法，该预测方法具体步骤如下：
9.步骤一：获取历史电力数据，获取待预测区域的历史电力数据；所述历史电力数据包括历史负荷影响数据和历史负荷数据；
10.步骤二：负荷影响因素确定及相似日选取，根据所述历史负荷数据的变化情况确定待预测区域负荷主要影响因素，并根据其通过相似度量模型提取待预测区域预测日的相似历史日；
11.步骤三：确定电动汽车负荷数据，获取电动汽车相关数据，并根据其确定待预测区域的电动汽车日负荷数据；
12.步骤四：训练集提取，提取所述相似历史日的负荷影响数据和负荷数据以及电动汽车日负荷数据作为训练集、测试集和验证集；
13.步骤五：构建区域短期负荷预测模型，构建深度网络模型，并将所述训练集作为深度网络模型输入数据进行训练，形成区域短期负荷预测模型，并通过验证测试集进行验证，若所述区域短期负荷预测模型误差处于阈值内，则输出该模型，反之，则跳到步骤四进行训练集重新提取；
14.步骤六：负荷预测，采集并输入待预测区域预测日的相关数据，并基于所述区域短期负荷预测模型进行预测，得到区域短期负荷预测结果，并进行输出。
15.进一步地，步骤一所述历史负荷影响数据包括特定影响因素数据和随机影响因素数据；所述特定影响因素数据包括电价、时间和气象；所述随机影响因素数据需根据所属区域进行具体确定。
16.进一步地，步骤二所述负荷影响因素确定的具体过程如下：
17.s1：逐一选取某一负荷影响因子的某一历史日，并提取其该某一历史日的历史负荷数据；
18.s2：获取与所述某一历史日其他影响因素相同或相近且该某一负荷影响因子不同的历史日，作为对比日；
19.s3：将所述对比日的历史负荷数据与所述某一历史日的历史负荷数据进行相除运算，得到运算结果，若所述运算结果处于0.5-1.5之外，则确定该某一负荷影响因子为所述待预测区域负荷主要影响因素，反之，则剔除该某一负荷影响因子。
20.进一步地，步骤二所述相似日选取根据所述待预测区域负荷主要影响因素确定，其通过相似度量模型计算的到，其具体公式如下：
[0021][0022]
式中：cosθ为相似度，区间[0,1]；a为待预测区域预测日的负荷影响特征向量；b为历史日的负荷影响特征向量；
[0023]
所述相似日选择将cosθ值在0.8以上的历史日作为相似日。
[0024]
进一步地，步骤三所述电动汽车相关数据包括日行驶电动汽车流量和日行驶电动汽车充电次数。
[0025]
一种配电网负荷预测系统，包括数据提取模块、数据预处理模块、深度学习模块、数据采集模块、负荷预测模块和输出显示模块；
[0026]
所述数据提取模块用于获取电力数据库和电动汽车数据库中的历史电力数据和电动汽车相关数据，并基于此提取相似历史日的负荷影响数据和负荷数据以及电动汽车日负荷数据；
[0027]
所述数据预处理模块用于对所述相似历史日的负荷影响数据和负荷数据以及电
动汽车日负荷数据进行预处理；
[0028]
所述深度学习模块用于将所述预处理后的相似历史日的负荷影响数据和负荷数据以及电动汽车日负荷数据作为训练集，并基于深度学习网络进行学习，生成区域短期负荷预测模型；
[0029]
所述数据采集模块用于采集待预测区域预测日的相关数据；
[0030]
所述负荷预测模块用于输入所述待预测区域预测日的相关数据，并基于所述区域短期负荷预测模型进行预测，生成区域短期负荷预测结果；
[0031]
所述输出显示模块用于输出显示所述区域短期负荷预测结果，以为合理控制发电机组启停提供重要参考依据。
[0032]
相比于现有技术，本发明的有益效果在于：
[0033]
本技术公开了一种配电网负荷预测方法及系统，其根据不同区域不同负荷影响因子的负荷影响度来确定对应负荷影响因素，并通过相似度量模型选取与预测日相似的相似历史日的负荷影响数据和负荷数据，同时通过日行驶电动汽车流量和日行驶电动汽车充电次数确定电动汽车日负荷数据，最后通过深度网络模型进行训练和预测；本技术充分考虑了其他负荷影响相关因子以及电动汽车负荷接入对配电网负荷产生的影响，从而有利于提高区域短期电力负荷预测精度，进而有利于为合理控制发电机组启停提供重要参考依据。
附图说明
[0034]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
[0035]
图1为本发明提出的一种配电网负荷预测方法的整体流程图；
[0036]
图2为本发明提出的一种配电网负荷预测系统的整体示意图。
具体实施方式
[0037]
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。
[0038]
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0039]
参照图1，本实施例公开了一种配电网负荷预测方法，该预测方法具体步骤如下：
[0040]
步骤一：获取历史电力数据，获取待预测区域的历史电力数据；历史电力数据包括历史负荷影响数据和历史负荷数据；
[0041]
具体的，该历史负荷影响数据包括特定影响因素数据和随机影响因素数据；特定影响因素数据包括电价、时间和气象；随机影响因素数据需根据所属区域进行具体确定，该随机影响因素包括但限于政策因素、疫情防控因素和供暖时间等，其主要根据某一具体区域情况确定。
[0042]
步骤二：负荷影响因素确定及相似日选取，根据历史负荷数据的变化情况确定待预测区域负荷主要影响因素，并根据其通过相似度量模型提取待预测区域预测日的相似历
史日；
[0043]
具体的，该负荷影响因素确定的具体过程如下：逐一选取某一负荷影响因子的某一历史日，并提取其该某一历史日的历史负荷数据；获取与某一历史日其他影响因素相同或相近且该某一负荷影响因子不同的历史日，作为对比日；将对比日的历史负荷数据与某一历史日的历史负荷数据进行相除运算，得到运算结果，若运算结果处于0.5-1.5之外，则确定该某一负荷影响因子为待预测区域负荷主要影响因素，反之，则剔除该某一负荷影响因子。
[0044]
具体的，该相似日选取根据待预测区域负荷主要影响因素确定，其通过相似度量模型计算的到，其具体公式如下：公式如下：式中：cosθ为相似度，区间[0,1]；a为待预测区域预测日的负荷影响特征向量；b为历史日的负荷影响特征向量；若cosθ值在0.8以上，则将该历史日作为相似日。
[0045]
步骤三：确定电动汽车负荷数据，获取电动汽车相关数据，并根据其确定待预测区域的电动汽车日负荷数据；
[0046]
具体的，该电动汽车相关数据包括日行驶电动汽车流量和日行驶电动汽车充电次数；该电动汽车负荷数据通过日行驶电动汽车流量和日行驶电动汽车充电次数，并基于电动汽车功率进行计算，得到电动汽车负荷数据。
[0047]
步骤四：训练集提取，提取相似历史日的负荷影响数据和负荷数据以及电动汽车日负荷数据作为训练集、测试集和验证集；
[0048]
步骤五：构建区域短期负荷预测模型，构建深度网络模型，并将训练集作为深度网络模型输入数据进行训练，形成区域短期负荷预测模型，并通过验证测试集进行验证，若区域短期负荷预测模型误差处于阈值内，则输出该模型，反之，则跳到步骤四进行训练集重新提取；具体的，该阈值为
±
5％以内；
[0049]
步骤六：负荷预测，采集并输入待预测区域预测日的相关数据，并基于区域短期负荷预测模型进行预测，得到区域短期负荷预测结果，并进行输出。
[0050]
参照图2，本实施例公开了一种配电网负荷预测系统，包括数据提取模块、数据预处理模块、深度学习模块、数据采集模块、负荷预测模块和输出显示模块；
[0051]
数据提取模块用于获取电力数据库和电动汽车数据库中的历史电力数据和电动汽车相关数据，并基于此提取相似历史日的负荷影响数据和负荷数据以及电动汽车日负荷数据；
[0052]
数据预处理模块用于对相似历史日的负荷影响数据和负荷数据以及电动汽车日负荷数据进行预处理；
[0053]
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、数据归一化处理和数据格式统一；
[0054]
深度学习模块用于将预处理后的相似历史日的负荷影响数据和负荷数据以及电动汽车日负荷数据作为训练集，并基于深度学习网络进行学习，生成区域短期负荷预测模型；
[0055]
数据采集模块用于采集待预测区域预测日的相关数据；
[0056]
具体的，该相关数据包括该待预测区域预测日的各个负荷影响数据；
[0057]
负荷预测模块用于输入待预测区域预测日的相关数据，并基于区域短期负荷预测模型进行预测，生成区域短期负荷预测结果；
[0058]
输出显示模块用于输出显示区域短期负荷预测结果，以为合理控制发电机组启停提供重要参考依据。
[0059]
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。