一种大数据配电网台区时空负荷短期预测方法

技术领域

本发明属于电力技术领域，具体涉及一种大数据配电网台区时空负荷短期预测方法。

背景技术

空间负荷短期预测指通过分析负荷形态与趋势特征，考虑一定地理范围内负荷在时间与空间上的关联特征，对一定区域内负荷进行未来一天至七天的负荷预测。台区空间负荷值指根据电网拓扑结构，对区域内负荷进一步划分形成多个台区。台区时空负荷短期预测可有效帮助电网运行人员制定日运行方式、负荷转供方案以及配网运行状态拓扑结构，对提高电网供电安全性具有较大意义。

现有台区负荷预测通常将区域中台区负荷视为独立的负荷群，通过考虑客观环境因素对特定台区负荷的影响，采用神经网络、极端学习机等智能算法进行预测。而实际台区负荷变化趋势与外界环境因素、社会状态、其他类型负荷变化等均存在着密不可分的关联关系，不同台区之间具有明显的时间与空间上的关联特征。同时，现有台区负荷预测方法并未对台区内不同区块的负荷进行细分，导致利用人工智能算法进行相关因素关联和学习过程中精度不足，从而影响最终负荷预测准确度。此外，传统以空间负荷为特征的台区负荷预测通常是对负荷类型或特征进行分类细分后的负荷预测，未考虑多种负荷之间在时间、空间上的滞后或耦合特性，对特殊情况的适应性较差。

发明内容

为解决上述技术问题，本发明提出一种大数据配电网台区时空负荷短期预测方法，通过考虑气象、社会状态、不同负荷之间的多维耦合关联，实现对台区负荷的精准预测，有效增强台区负荷预测方法对预测日社会或人群活动情况的适应性，提升负荷预测准确性。

一种大数据配电网台区时空负荷短期预测方法，包括：

S1：获取区域内所有台区负荷地理范围参数、城市交通网络拓扑结构、台区负荷内用电类型信息、区块负荷历史用电水平数据；

S2：根据台区负荷地理范围参数、城市交通网络拓扑结构、台区负荷内用电类型信息、区块负荷历史用电水平数据，进行台区负荷分块与分类，形成台区负荷细分后的区块负荷；

S3：对台区负荷进行分频分级，并计算不同区块负荷不同频率特征功率之间的关联性与滞后性；

S4：计算区块负荷与客观因素之间关联性；

S5：计算区块负荷变化趋势和社会活动状态之间的关联性与时间滞后系数；

S6：将不同区块负荷不同频率特征功率之间的关联性与滞后性、区块负荷与客观因素之间关联性、区块负荷变化趋势和社会活动状态之间的关联性与时间滞后系数作为输入，对深度学习模型进行训练得到区块负荷预测模型；

S7：将区块负荷预测结果作为输入，进行台区负荷预测深度学习模型进行模型训练，得到台区负荷短期预测模型，并最终实现台区负荷短期预测。

优选的，所述获取区域内所有台区负荷地理范围参数、城市交通网络拓扑结构、台区负荷内用电类型信息、区块负荷历史用电水平数据包括：

S11：获取台区负荷地理范围参数

S12：根据城市交通网络拓扑结构，将台区负荷进一步进行切割划分，形成M

S13：获取M

S14：获取M

优选的，所述根据台区负荷地理范围参数、城市交通网络拓扑结构、台区负荷内用电类型信息、区块负荷历史用电水平数据，进行台区负荷分块与分类，形成台区负荷细分后的区块负荷包括：

S21：分析计算得到不同区块负荷趋势变化特征序列

S22：以q

优选的，所述对台区负荷进行分频分级，并计算不同区块负荷不同频率特征功率之间的关联性与滞后性包括：

S31：对M

S32：以t′为时间窗长度，截取从时间点t

S33：将

S34：循环迭代步骤S32和步骤S33，区域中所有两个不同区块负荷之间的滞后关联因子和滞后时间系数，取所有不同区块负荷之间关联值最大的结果作为最佳关联序列，构成不同区块负荷的负荷滞后关联因子矩阵D

S35：设置D

优选的，所述计算区块负荷与客观因素之间关联性包括：

S41：获取预测区域气象数据W＝[w

S42：分别将气象数据、日期类型数据与所有区块负荷进行相关性分析，得到各区块负荷的气象关联矩阵D

优选的，所述计算区块负荷变化趋势和社会活动状态之间的关联性与时间滞后系数包括：

S51：计算区块i的负荷数据p

S52：获取所有区块负荷地理位置附近的社会状态数据集合

S53：以t′为时间窗长度，截取从时间点t

S54：以t′为时间窗长度，截取区块负荷i附近从时间点t

S55：以时间点t

S56：建立区块负荷节点距离关联矩阵Dis：

其中：l

本发明采用的技术方案，具有如下有益效果：获取区域内所有台区负荷地理范围参数、城市交通网络拓扑结构、台区负荷内用电类型信息、区块负荷历史用电水平数据；根据台区负荷地理范围参数、城市交通网络拓扑结构、台区负荷内用电类型信息、区块负荷历史用电水平数据，进行台区负荷分块与分类，形成台区负荷细分后的区块负荷；对台区负荷进行分频分级，并计算不同区块负荷不同频率特征功率之间的关联性与滞后性；计算区块负荷与客观因素之间关联性；计算区块负荷变化趋势和社会活动状态之间的关联性与时间滞后系数；将不同区块负荷不同频率特征功率之间的关联性与滞后性、区块负荷与客观因素之间关联性、区块负荷变化趋势和社会活动状态之间的关联性与时间滞后系数作为输入，对深度学习模型进行训练得到区块负荷预测模型；将区块负荷预测结果作为输入，进行台区负荷预测深度学习模型进行模型训练，得到台区负荷短期预测模型，并最终实现台区负荷短期预测。本发明可有效识别不同类型不同地理位置之间的负荷的迁移特征，实现多类用电区块之间功率变化的关联预测。同时，通过考虑气象、社会状态、不同负荷之间的多维耦合关联，实现对台区负荷的精准预测，有效增强台区负荷预测方法对预测日社会或人群活动情况的适应性，提升负荷预测准确性。

本发明的具体技术方案及其有益效果将会在下面的具体实施方式中结合附图进行详细的说明。

附图说明

下面结合附图和具体实施方式对本发明作进一步描述：

图1为本发明一种大数据配电网台区时空负荷短期预测方法的流程示意图。

具体实施方式

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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参考图1所示，一种大数据配电网台区时空负荷短期预测方法，包括以下步骤：

S1：获取区域内所有台区负荷地理范围参数、城市交通网络拓扑结构、台区负荷内用电类型信息、区块负荷历史用电水平数据。

获取台区负荷地理范围参数

根据城市交通网络拓扑结构，将台区负荷进一步进行切割划分，形成M

获取M

获取M

S2：根据台区负荷地理范围参数、城市交通网络拓扑结构、台区负荷内用电类型信息、区块负荷历史用电水平数据，进行台区负荷分块与分类，形成台区负荷细分后的区块负荷。

分析计算得到不同区块负荷：平均负荷变化率、方差、峰谷差、最高功率、最低功率、平均功率、最高功率时间点、最低功率时间点共8个负荷特征参数，形成负荷趋势变化特征序列

以q

S3：对台区负荷进行分频分级，并计算不同区块负荷不同频率特征功率之间的关联性与滞后性。

采用傅里叶频域分解法，对M

以2小时(即：t′＝8)为时间窗长度，截取从时间点t

将

循环迭代上述步骤，区域中所有两个不同区块负荷之间的滞后关联因子和滞后时间系数。取所有不同区块负荷之间关联值最大的结果作为最佳关联序列，构成不同区块负荷的负荷滞后关联因子矩阵D

设置D

S4：计算区块负荷与客观因素之间关联性。

获取预测区域的气温、湿度、风速、气压共4个气象数据，形成气象数据序列W＝[w

分别将气象数据、日期类型数据与所有区块负荷进行相关性分析，得到各区块负荷的气象关联矩阵D

S5：计算区块负荷变化趋势和社会活动状态之间的关联性与时间滞后系数。

计算区块i的负荷数据p

获取所有区块负荷地理位置附近无线移动基站负载率和路况交通态势共2个社会状态数据集合

以t′＝8为时间窗长度，截取从时间点t

以t′为时间窗长度，截取区块负荷i附近从时间点t

以时间点t

建立区块负荷节点距离关联矩阵Dis。

其中：l

S6：将不同区块负荷不同频率特征功率之间的关联性与滞后性、区块负荷与客观因素之间关联性、区块负荷变化趋势和社会活动状态之间的关联性与时间滞后系数作为输入，对深度学习模型进行训练得到区块负荷预测模型。

将：(1)区块负荷矩阵P、(2)负荷分解矩阵集合P′、(3)负荷滞后关联因子矩阵D

S7：将区块负荷预测结果作为输入，进行台区负荷预测深度学习模型进行模型训练，得到台区负荷短期预测模型，并最终实现台区负荷短期预测。

构建区块负荷与台区负荷之间的负荷隶属关系矩阵

将预测模型MD

本发明提高获取区域内所有台区负荷地理范围参数、城市交通网络拓扑结构、台区负荷内用电类型信息、区块负荷历史用电水平数据；根据台区负荷地理范围参数、城市交通网络拓扑结构、台区负荷内用电类型信息、区块负荷历史用电水平数据，进行台区负荷分块与分类，形成台区负荷细分后的区块负荷；对台区负荷进行分频分级，并计算不同区块负荷不同频率特征功率之间的关联性与滞后性；计算区块负荷与客观因素之间关联性；计算区块负荷变化趋势和社会活动状态之间的关联性与时间滞后系数；将不同区块负荷不同频率特征功率之间的关联性与滞后性、区块负荷与客观因素之间关联性、区块负荷变化趋势和社会活动状态之间的关联性与时间滞后系数作为输入，对深度学习模型进行训练得到区块负荷预测模型；将区块负荷预测结果作为输入，进行台区负荷预测深度学习模型进行模型训练，得到台区负荷短期预测模型，并最终实现台区负荷短期预测。本发明可有效识别不同类型不同地理位置之间的负荷的迁移特征，实现多类用电区块之间功率变化的关联预测。同时，通过考虑气象、社会状态、不同负荷之间的多维耦合关联，实现对台区负荷的精准预测，有效增强台区负荷预测方法对预测日社会或人群活动情况的适应性，提升负荷预测准确性。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。