一种基于负荷预测修正的区域电网主动规划方法及系统
文献发布时间:2023-06-19 19:30:30
技术领域
本发明涉及电网规划技术领域,尤其涉及一种基于负荷预测修正的区域电网主动规划方法及系统。
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。
负荷预测是配电网规划的关键要素,负荷预测按照预测的时间可以分为长期、中期和短期负荷预测。月度负荷预测属于中短期负荷预测,对于燃料计划采购、计划检修、电力交易、收入评估等至关重要。传统规划中负荷预测包括电力弹性系数法、用电单耗法、分部门预测法、人均电量法、平均增长率法、线性增长趋势法、指数曲线增长趋势法等。
在电力市场逐渐放开的背景下,传统的规划负荷预测已经难以满足新型电力系统需求。一方面,在新型电力系统建设过程中涉及大量不确定性因素的影响,其中部分影响难以忽视,直接影响到负荷总量变化,而传统的规划负荷预测方法对于这些不确定性因素的考虑不够全面,无法保证负荷预测的精确度与准确度。另一方面,影响负荷预测的大量不确定因素不仅种类繁多,且具体机理相对复杂难以明确,还缺乏足够数据,导致预测结果与实际情况相差甚远,而传统的规划负荷预测无法对预测结果进行修正,因此实用性较差,不能为区域电网主动规划提供有力的技术支持。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种基于负荷预测修正的区域电网主动规划方法及系统,与传统电网负荷预测相比,本发明通过加入不确定因素影响的量化修正,从而提高负荷预测的准确度。结合电力平衡规划方法,提出变电容量规划方案,为区域电网主动规划提供有力的技术支持。
为了实现上述目的,本发明是通过如下的技术方案来实现:
本发明第一方面提供了一种基于负荷预测修正的区域电网主动规划方法,包括以下步骤:
获取区域电网预测月前一时段内变电站的负荷相关因素数据,利用月最大负荷偏差预测模型,得到月负荷偏差;其中,利用区域电网一定时间内的历史负荷相关因素数据制作训练数据集,利用LSTM算法通过训练样本集得到月最大负荷偏差预测模型;
基于月负荷基准值,利用月负荷偏差对预测月的负荷进行预测得到预测月的负荷预测值;月负荷基准值的获取过程为:利用灰色关联系数法计算各特征矩阵之间的距离;根据特征矩阵之间的距离判断不同日期不同行业月度负荷变化相关因素之间的相似程度;基于相似程度动态排序的判断结果,获取相似变化的负荷值;其中,月最大负荷值即为月负荷基准值;
将同一馈线下的预测月的负荷预测值叠加,乘以馈线同时率得到所在馈线的预测负荷预测结果;
基于“源-荷-网”一体化平衡原则,结合所在馈线的预测负荷预测结果计算配变容量大小。
本发明第二方面提供了一种基于负荷预测修正的区域电网主动规划系统,包括:
数据修正模块,被配置为获取区域电网预测月前一时段内变电站的负荷相关因素数据,利用月最大负荷偏差预测模型,得到月负荷偏差;其中,利用区域电网一定时间内的历史负荷相关因素数据制作训练数据集,利用LSTM算法通过训练样本集得到月最大负荷偏差预测模型;
负荷预测模块,被配置为基于月负荷基准值,利用月负荷偏差对预测月的负荷进行预测得到预测月的负荷预测值;基于月负荷基准值,利用月负荷偏差对预测月的负荷进行预测得到预测月的负荷预测值;月负荷基准值的获取过程为:利用灰色关联系数法计算各特征矩阵之间的距离;根据特征矩阵之间的距离判断不同日期不同行业月度负荷变化相关因素之间的相似程度;基于相似程度动态排序的判断结果,获取相似变化的负荷值;其中,月最大负荷值即为月负荷基准值;
预测叠加模块,被配置为将同一馈线下的预测月的负荷预测值叠加,乘以馈线同时率得到所在馈线的预测负荷预测结果;
容量规划模块,被配置为基于“源-荷-网”一体化平衡原则,结合所在馈线的预测负荷预测结果计算配变容量大小。
以上一个或多个技术方案存在以下有益效果:
本发明公开了一种基于负荷预测修正的区域电网主动规划方法及系统,相比于传统的规划负荷预测方法对不确定性因素片面的选择,本申请还考虑了业扩负荷报装需求和峰谷差价影响,并且在负荷发展趋势相似的基础上,确定相似度最高的月最大负荷值为年预测的基准值。然后基于不确定性因素基础数据,利用LSTM建立影响负荷大小因素偏差和负荷偏差百分比的相关关系模型,对负荷预测值基准值进行修正。与传统电网负荷预测相比,本发明通过加入不确定因素影响构建特征向量计算得到负荷偏差,根据相似度确定基准值从而量化修正,提高了负荷预测的准确度。结合电力平衡规划方法,提出变电容量规划方案,为区域电网主动规划提供有力的技术支持。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
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为本发明实施例一中基于负荷预测修正的区域电网主动规划方法的流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
应当说明的是,本申请实施例中,涉及到负荷相关因素等相关的数据,当本申请以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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申请的示例性实施方式。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,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合;
实施例一:
本发明实施例一提供了一种基于负荷预测修正的区域电网主动规划方法,如图1所示,包括以下步骤:
步骤1获取区域电网预测月前一时段内变电站的负荷相关因素数据,利用月最大负荷偏差预测模型,得到月负荷偏差。
步骤2,基于月负荷基准值,利用月负荷偏差对预测月的负荷进行预测得到预测月的负荷预测值;
步骤3,将同一馈线下的预测月的负荷预测值叠加,乘以馈线同时率得到所在馈线的预测负荷预测结果;
步骤4,基于“源-荷-网”一体化平衡原则,结合所在馈线的预测负荷预测结果计算配变容量大小。
步骤1中,月最大负荷偏差预测模型的构建过程为:
利用区域电网一定时间内的历史负荷相关因素数据制作训练数据集,利用LSTM算法通过训练样本集得到月最大负荷偏差预测模型。
其中,利用区域电网一定时间内的历史负荷相关因素数据制作训练数据集的具体步骤为:
(1)获取区域电网一定时间内的历史负荷相关因素数据形成样本数据集。本实施例中,历史负荷相关因素数据包括变电站容量、分时电价、行业类型、日用电负荷、配变馈线和用户接入关系以及GDP年增速。
(2)业扩的全称是供电业务扩展,是指发展新的电力用户所相关的业务,本实施例主要考虑不同行业下的新增负荷,因此通过k-均值聚类算法计算得到不同业扩种类下的负荷生长周期情况:
基于不同行业历史长时间尺度下用电数据。通过k-均值聚类计算得到不同行业下的相关负荷指标。本实施例中,不同行业下的相关负荷指标包括月最大负荷、月最小负荷、月平均负荷、月平均日负荷率、月最大峰谷差和月平均日峰谷差率。通过历史用电数据时间序列,结合Logistic模型拟合得到的用电生长曲线。通过生长曲线拟合和k-均值聚类得到不同业扩种类下的负荷生长周期情况。其中,根据负荷生长周期情况结合每月的业扩报装容量计算得到实际业扩增量。本实施例拟合得到的用电生长曲线为典型用户的业扩用电情况,为了求取能够表征该行业发生新装业务后用生长情况的数据,再次采用k-均值聚类将典型客户的业扩用电情况聚为一类,作为行业业扩用电生长情况。结合每月的业扩报装容量计算得到实际业扩增量。
(3)基于样本数据集,根据不同业扩种类下的负荷生长周期情况构建特征向量,具体的,根据不同业扩种类下的负荷生长周期情况计算负荷数据,特征矩阵由添加时间序列的特征向量构成;构建由第k月特征向量构成的特征矩阵:
,由特征向量形成训练数据集。
其中
基于特征矩阵计算月负荷基准值:利用灰色关联系数法计算各特征矩阵之间的距离;根据特征矩阵之间的距离判断不同日期不同行业月度负荷变化相关因素之间的相似程度;基于相似程度动态排序的判断结果,获取相似变化的负荷值;其中,基于相似程度动态排序的判断结果,相似度最高的为月最大负荷值,即为月负荷基准值
本实施例中,特征距离采用灰色关联系数法实现,预测日的特征向量集合为
对第k个历史月,第i个特征向量分量归一化处理为:
其中
利用灰色关联系数法,预测月和第k月第i个历史特征向量间的关联系数为
其中,
由灰色关联度表征相似程度,根据特征矩阵之间的距离判断不同日期不同行业月度负荷变化相关因素之间的相似程度,计算预测月和第k个月的灰色关联度
其中,
本实施例选取最大值表征该月负荷情况,因此采用月最大负荷值进行偏差预测,利用LSTM算法通过训练样本集得到月最大负荷偏差预测模型的具体步骤为:
通过监测的历史数据得到实际负荷值,根据实际负荷值和相似时段的负荷值计算月最大负荷值偏差;根据特征矩阵和相似时段相关因素的特征矩阵计算相关因素偏差。其中,利用相似度提取相似时段对应的负荷值得到相似时段负荷值。具体的,定义第
本实施例中的LSTM网络模型,基本网络包括忘记门,输入门和输出门。其中,忘记门层,读取h
,
其中,
输入门层,以当前层的输入x
,
其中,
然后进行细胞状态更新,新的细胞状态
其中,
输出门层,运行一个sigmoid层决定细胞状态的哪部分将输出出去。接着,把细胞状态通过一个tanh进行处理并将它和sigmoid门的输出相乘作为输出。
其中,
之后,根据预测月前一时段的相关因素的特征矩阵
步骤2中,根据下式对预测月的负荷进行预测:
式中,
步骤3中,根据修正的月度负荷值,将同一馈线下的接入用户的预测结果叠加,乘以馈线同时率可得到所在馈线的预测负荷。根据各月预测负荷值,选取最大值作为年负荷值。
步骤4中,基于“源-荷-网”一体化平衡原则,考虑电力平衡为高峰负荷平衡,结合容载比计算所需配变容量大小。公式如下:
其中,P为最大负荷需求,S为规划期的变电容量需求,
本发明公开了一种基于负荷预测修正的区域电网主动规划方法,考虑了实际业扩增量和峰谷电价差进行负荷预测,相对于考虑未修正业扩增量和只考虑历史负荷的预测方法,本发明为月度负荷预测提供了更有用的信息,从而使预测更准确。
本发明通过行业业扩用电生长周期提取,优化了业扩增量,解决了实际业扩增长滞后性带来的“报大用小”的问题,合理规划变电容量,提升了电网投资的经济效益。
实施例二:
本发明实施例二提供了一种基于负荷预测修正的区域电网主动规划系统,包括:
数据修正模块,被配置为获取区域电网预测月前一时段内变电站的负荷相关因素数据,利用月最大负荷偏差预测模型,得到月负荷偏差;其中,利用区域电网一定时间内的历史负荷相关因素数据制作训练数据集,利用LSTM算法通过训练样本集得到月最大负荷偏差预测模型,具体包括以下两部分:
(1)利用区域电网一定时间内的历史负荷相关因素数据制作训练数据集的具体步骤为:
获取区域电网一定时间内的历史负荷相关因素数据形成样本数据集;
通过k-均值聚类算法计算得到不同业扩种类下的负荷生长周期情况;
基于样本数据集,根据不同业扩种类下的负荷生长周期情况构建特征向量,由特征向量形成训练数据集。
其中,通过k-均值聚类算法计算得到不同业扩种类下的负荷生长周期情况的具体步骤为:
通过k-均值聚类计算得到不同行业下的相关负荷指标;不同行业下的相关负荷指标包括月最大负荷、月最小负荷、月平均负荷、月平均日负荷率、月最大峰谷差和月平均日峰谷差率。
通过生长曲线拟合和k-均值聚类得到不同业扩种类下的负荷生长周期情况。
(2)利用LSTM算法通过训练样本集得到月最大负荷偏差预测模型的具体步骤为:
根据实际负荷值和相似时段的负荷值计算月最大负荷值偏差;
根据特征矩阵和相似时段相关因素的特征矩阵计算相关因素偏差;
以相关因素偏差为输入,月最大负荷值偏差为输出,利用LSTM算法通过训练样本集得到月最大负荷偏差预测模型。
负荷预测模块,被配置为基于月负荷基准值,利用月负荷偏差对预测月的负荷进行预测得到预测月的负荷预测值;
预测叠加模块,被配置为将同一馈线下的预测月的负荷预测值叠加,乘以馈线同时率得到所在馈线的预测负荷预测结果;
容量规划模块,被配置为基于“源-荷-网”一体化平衡原则,结合所在馈线的预测负荷预测结果计算配变容量大小。
以上实施例二中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
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。
- 一种适用于大电网分区调度的子区域系统负荷预测方法
- 一种区域内用电负荷峰值预测方法及电网投资规划方法
- 一种区域内用电负荷峰值预测方法及电网投资规划方法