一种城市饱和负荷预测方法及系统

技术领域

本发明涉及饱和负荷预测技术领域，特别是涉及一种城市饱和负荷预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

电力系统负荷预测中饱和负荷预测目前被应用于对城市电力负荷饱和分析方法，基于逻辑斯蒂曲线方程和历史数据求得饱和值；或把智能算法应用到预测中，应用蚁群算法和元胞自动机等理论搭建模型，分析神经网络模型在中长期负荷预测中的应用，通过S曲线法分析不同土地性质下饱和密度的状况。区域饱和负荷典型分析方法主要包括有基于人均电量的饱和负荷预测方法、基于城市负荷密度的饱和负荷预测方法和基于空间饱和负荷密度的预测方法。

基于人均电量的预测方法需依据国家宏观规划、城市总体规划以及各类专项规划，确定与城市资源、环境匹配的人口承载力，并参考国外典型发达国家的人均用电量，确定适合本市的人均饱和用电量，得到城市饱和负荷的大小，预测城市电力需求进入饱和大致的到达时间；采用人均用电量方法进行饱和负荷预测的思路大致为：饱和年份的人口总量与人均饱和用电量相乘，即得该地区的全社会用电量饱和规模。

城市负荷密度的饱和负荷规模可由全社会用电量饱和规模与最大负荷利用小时数之比得到；基于城市发展定位，参考与本市定位类似的负荷密度情况，推导得到本地区负荷增长表现饱和态势时的负荷密度，结合城市总体规划确定的城市规划用地面积，计算得到城市饱和负荷的规模。

基于空间饱和负荷密度的预测方法为：饱和年份的饱和负荷密度与用电面积相乘，即得该地区的全社会用电量饱和规模；最大负荷饱和规模由全社会用电量饱和规模与最大负荷的比值得到。

发明人认为，随着负荷预测影响因素复杂性的增加，上述传统的方法具有一定的局限性，难以解决复杂的非线性问题，导致负荷预测不准确。目前有通过神经网络模型构建输入变量与输出变量之间的映射关系实现预测的方案，也有基于双层贝叶斯分类模型的空间负荷预测方法，利用基于样本训练完成的分类模型，对各元胞依据其输入特征进行合理分类，从而获得其类标签，即负荷密度指标。然而，上述方法在实际应用中必将面临如何收集和处理大量样本数据的问题，而且影响电力负荷的因素很多，如天气因素、气候因素、历史负荷和经济因素、产业结构和用电结构等，对应的因素指标也众多，如平均气温、平均湿度、节假日天数、GDP增速、产业结构、用电结构、饱和负荷密度等；由于样本的数量、质量、分布及其对模型的训练效果，都会影响到预测模型的预测精度。

另外，在预测城市负荷时，若直接基于总体负荷曲线进行建模预测，则由于负荷水平较高，建模误差较小，但随机误差难以控制；若直接基于变电站序列进行建模预测，最后加总得到城市负荷预测结果，虽可以使得随机误差趋于均值0，但是由于每个序列负荷水平较低，导致建模困难，预测误差增大。

发明内容

为了解决上述问题，本发明提出了一种城市饱和负荷预测方法及系统，利用各个区域变电站的历史负荷数据对城市总体负荷进行解构，通过线性聚类法对构成城市总体负荷的各个变电站负荷序列进行平滑度处理，提高数据线性度，对经线性聚类处理后的序列进行最优ARIMA预测，并将每个区域的负荷预测结果相加得到城市总负荷预测值。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种城市饱和负荷预测方法，包括：

获取对城市分区后每个区域内变电站的历史负荷数据和对应时间段的气象数据构建训练样本集；

采用线性聚类算法对训练样本集进行平滑度处理，以处理后的训练样本集对基于时间序列的饱和负荷预测模型进行训练；

采用训练后的饱和负荷预测模型对待测区域变电站的待测时间段的气象数据进行预测，根据同一时间段内每个区域的变电站饱和负荷预测结果得到城市总饱和负荷预测结果。

第二方面，本发明提供一种城市饱和负荷预测系统，包括：

数据获取模块，用于获取对城市分区后每个区域内变电站的历史负荷数据和对应时间段的气象数据构建训练样本集；

训练模块，用于采用线性聚类算法对训练样本集进行平滑度处理，以处理后的训练样本集对基于时间序列的饱和负荷预测模型进行训练；

预测模块，用于采用训练后的饱和负荷预测模型对待测区域变电站的待测时间段的气象数据进行预测，根据同一时间段内每个区域的变电站饱和负荷预测结果得到城市总饱和负荷预测结果。

第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。

第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。

与现有技术相比，本发明的有益效果为：

本发明通过基于数据驱动的线性聚类预测法，充分利用历史变电站的负荷数据对城市总体负荷进行解构，深入研究城市负荷的内在构成及变化规律，从而提升城市中长期负荷预测的准确性。

本发明的线性聚类预测法对构成城市总体负荷的各个变电站负荷子序列进行线性聚类分析预测，利用历史变电站的负荷数据对城市总体负荷进行解构，将城市分成若干区域，分析得出各功能地块的饱和负荷密度，预测每个区域的负荷，对城市负荷的总量进行预测的同时，还能获知区域负荷的空间分布，为城市配电网规划项目的优选排序提供基础。

本发明的线性聚类预测法通过遍历所有数据序列，寻找相互之间具有线性互补特性的数据序列对并进行合并，从而提升数据整体的线性度；在此基础上，对每条经线性聚类预处理后的序列分别进行最优ARIMA模型建模及预测，并将预测结果加总得到最终的预测值；

本发明通过该方法，一方面可以平滑原始数据序列，降低数据维数，从而减小建模难度；另一方面，充分利用大量数据序列所包含的信息，通过分别预测并求和的方式得到最终预测结果，有效减小预测的随机误差，从而提升预测的精度。在开展城市电力负荷预测时，对构成城市总体负荷的各个变电站负荷子序列进行线性聚类分析预测，在提升最终预测精度的同时，可以更加深入地解析城市负荷的内在构成。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例1提供的城市饱和负荷预测方法流程图；

图2为本发明实施例1提供的线性聚类处理和ARIMA方法流程图。

具体实施方式：

下面结合附图与实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例1

电力系统负荷预测通过研究历史数据分析电力负荷自身的变化规律以及相关因素对电力负荷的影响，从而实现对未来负荷的预测；其中，中长期负荷预测是实现电力系统规划工作的基础，然而当前部分大城市已进入城市化阶段后期，电力需求增速开始放缓，产业结构进入调整期，致使中长期负荷不再“单边上扬”快速增长，而是呈现出较为明显的波动趋势，增大了中长期负荷预测的难度。

为此，本申请提供一种城市饱和负荷预测方法，如图1所示，通过基于数据驱动的线性聚类DLC预测法，充分利用历史变电站的负荷数据对城市总体负荷进行解构，深入研究城市负荷的内在构成及变化规律，从而提升城市中长期负荷预测的准确性。具体包括：

S1：获取对城市分区后每个区域内变电站的历史负荷数据和对应时间段的气象数据构建训练样本集；

S2：采用线性聚类算法对训练样本集进行平滑度处理，以处理后的训练样本集对基于时间序列的饱和负荷预测模型进行训练；

S3：采用训练后的饱和负荷预测模型对待测区域变电站的待测时间段的气象数据进行预测，根据同一时间段内每个区域的变电站饱和负荷预测结果得到城市总饱和负荷预测结果。

所述步骤S1中，对城市可按功能划分为多个区域，如住宅区、行政办公区、工业区等，因为每个区域因功能不同，故在同一时间段内由于不同的气象变化，其负荷数据变化规律不同，故对每个区域单独预测负荷，既能对城市负荷总量进行预测，又能明确区域负荷的空间分布。

在本实施例中，所述气象数据包括但不限于短波辐射、长波辐射、气温、湿度、风向、风速、气压、云量、降水率等；以每个区域变电站的历史负荷数据和对应时间段的气象数据构建的训练样本集。

所述步骤S2中，采用线性聚类算法以线性平滑度为标准，对训练样本集进行平滑度处理，使多个变电站或区域的负荷集合更加平滑，进而提高模型的精确度；本实施例将训练样本集中子序列进行聚类，每个类别里的子序列总和比数据集里所有子序列的总和拥有更好的线性特性和更明显的相关性；

设y

y

线性聚类实际上是一个优化问题，目标是找到能提供最佳全局线性度的最优聚类，表述为：

其中，S

在本实施例中，如图2所示，采用线性聚类算法对训练样本集进行平滑度处理具体包括：

(1)建立训练样本集的每个数据序列的线性拟合模型，并逐个计算拟合均方根误差；具体为：

为每个子序列y

(2)选择拟合均方根误差最大的数据序列，即波动性最强的序列；具体为：

找出步骤(2)中拥有最大的RMS值u

(3)将最大均方根误差序列与其余序列逐个求和，并为每个和序列建立新的线性拟合模型，重新计算每个和序列的拟合均方根误差；具体为：

为求和序列Y

(4)是否有和序列的均方根误差小于两条加数序列，若是，选择具有最小拟合均方根误差的和序列，并代替两个加数序列加入到数据集中，继续步骤(1)；否则，迭代停止，进行最优ARIMA模型建模及预测；具体为：

找到步骤(3)中u

若u

若u

所述步骤S2中，基于时间序列的饱和负荷预测模型即为基于时间序列模型ARIMA的饱和负荷预测模型；ARIMA在刻画和预测时间序列方面有很好的表现，用其去预测每个聚类的总计负荷，并分析负荷预测的误差。

ARIMA模型为：

其中，ε

ARIMA模型由两部分组成：自动回归模块(AR)和滑动平均模块(MA)，AR部分描述过去的系统状态记录下来的特性，而MA部分反映目前系统状态下噪声的影响；

自动回归部分(AR)为：

滑动平均部分(MA)为：

y

P和q是两个部分相应的阶数，由于ARIMA模型只适合字典序，如果序列不是字典序则需要进行查分预处理，其中d代表差分阶数。

建立ARIMA优化模型为：S

(1)通过差分去除将待测样本各个数据序列中的趋势项，从而转化为静态序列；具体为：

对预处理的序列S

(2)对每个静态序列构建不同p值和q值下的ARIMA模型，具体为：

为每个字典序序列建立多个ARIMA(p,d,q)模型，结合不同的p和q参数；由于序列长度限制，限定p和q在一个相对低的阶数，避免过拟合：p＝0,1,2；q＝0,1。

(3)通过赤池信息量AIC准则选取最优ARIMA模型，具体为：

在步骤(2)建立的所有ARIMA模型中，利用Akaike信息判据为每个字典序序列找出最优者；

AIC＝2n+Tln(f

其中，n是模型参数的数目，T是序列长度，f

较小的AIC数值的模型是更优的，因此选择最优的ARIMA模型：

其中，

(4)基于最优ARIMA模型，分别对每个子序列进行预测，具体为：

基于步骤(3)中选出的相应的最优ARIMA模型，预测每个预处理序列S

(5)将所有子序列的预测结果相加，得到整个系统的预测结果，具体为：

将所有的ARIMA预测结果求和，即：

在本实施例中，对饱和负荷预测模型的误差分析建模误差和随机误差两部分：建模误差指所建模型与真实规律之间的偏差，可用样本的拟合值与真实值之间的误差进行量化；一般而言，负荷水平越高，则负荷序列越平滑，建模误差越小。随机误差是指由于各种不确定因素，导致负荷真实值偏离原始变化规律的程度，可认为是高斯白噪声，并用总预测误差减去建模误差进行量化。

在预测城市负荷时，若直接基于总体负荷曲线进行建模预测，则由于负荷水平较高，建模误差较小，但随机误差难以控制；若直接基于变电站子序列进行分别建模预测，最后加总得到城市负荷预测结果，则可以使得随机误差趋于均值0；但是由于每个序列负荷水平较低，导致建模困难，建模误差增大，故，本实施例采用线性聚类预测法对变电站负荷子序列进行线性平滑处理，在此基础上，分别进行建模预测并加总得到最终结果，可以在减小建模误差的同时将随机误差控制在较低水平，从而提升总体预测精度。

实施例2

本实施例提供一种城市饱和负荷预测系统，包括：

数据获取模块，用于获取对城市分区后每个区域内变电站的历史负荷数据和对应时间段的气象数据构建训练样本集；

训练模块，用于采用线性聚类算法对训练样本集进行平滑度处理，以处理后的训练样本集对基于时间序列的饱和负荷预测模型进行训练；

预测模块，用于采用训练后的饱和负荷预测模型对待测区域变电站的待测时间段的气象数据进行预测，根据同一时间段内每个区域的变电站饱和负荷预测结果得到城市总饱和负荷预测结果。

此处需要说明的是，上述模块对应于实施例1中的步骤S1至S3，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

在更多实施例中，还提供：

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。

实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。