一种基于用户模型自学习的电力生产配置方法和装置制造方法及图纸

本发明专利技术提出一种基于用户模型自学习的电力生产配置方法和装置，其建立不同场景下的针对某一行业的电力用户负荷预测模型，根据负荷预测结果，最佳配置各发电厂生产计划，在未来负荷可能超过发电容量时，提前智能输出限电策略，本方法策略选择灵活，可以根据不同场景、不同行业进行负荷评估、设置用户优先级权重，并且，在不需要改变当前的电力通信网络，只需通过增加简单的软件和计算硬件来实现数据的采集及计算，实现成本低，适合批量部署。

A power production configuration method and device based on user model self learning

This invention proposes a power production configuration method and device based on user model self learning. It sets up a power user load forecasting model for a certain industry under different scenarios. According to the result of load forecasting, the production plan of each power plant is best configured. In the future, when the load may exceed the power generation capacity, the intelligent output is advanced. The strategy of power limiting, this method is flexible in selection, can carry out load evaluation and set user priority weight according to different scenes and different industries, and does not need to change the current power communication network. Only by adding simple software and computing hardware to realize data collection and calculation, the cost is low, and the appropriate cost is low. Batch deployment.

【技术实现步骤摘要】
一种基于用户模型自学习的电力生产配置方法和装置
本专利技术涉及电力资源配置领域，尤其涉及是一种基于用户模型自学习的电力生产配置方法和装置。
技术介绍
电力在国民经济资源中占据着重要的地位，电力数据的处理和分析对发电、输电和配电等环节有着至关重要的作用。随着社会高速发展，用电量出现了前所未有的增长，伴随着电力发展出现了智能电网等新技术，随着而来的是电力数据的井喷式增长。这也为升级传统电力生产配置，提高电力生产效率提供了保障。目前，对于电力生产的配置主要依据近期的社会生产电力负荷需要，提前指定生产计划，并按照计划进行生产。当前，对负荷特性的现状、影响负荷特性的关键因素和未来负荷预测趋势都进行了一定程度的分析和研究，也得出了一些对电力规划和电网运行具有参考价值和作业指导的结果，但是缺乏对电力用户模型的建立，没有对用户的需求画像。但在一定程度上，对于特定用户对象来说(目标对象可以是小区、工厂、写字楼、商场等)，影响电力需求负荷的原因有两点：第一点是时间因素，相同时间中不同时间段的电力负荷不同，如目标用户为企业或者厂房时，白天负荷值大，夜晚负荷值小；目标用户为小区时，早晨和傍晚负荷值大，日间和夜间负荷值小；对于不同的城市、地区来讲，电力负荷都与统一日期中不同时间有着强关联。第二是经济发展趋势、温度和天气：如在夏天和冬天，由于气温的过高和过低，均会产生空调、暖通设备的负荷，导致目标用户电力负荷的激增或者骤降；由于经济发展水平不同，也会导致目标对象的电力负荷发生变化。受限于数据处理能力和条件限制，在现有的系统中都没有考虑经济发展形势、地区气候条件、行业潮汐效应等因素对电力负荷的影响，因此预测偏向于低精度、粗犷式、高延迟的预测。业内缺少精确、实时、快速响应的电力生产预测、配置方法，来快捷、精准、高效满足电力负荷的变化，尤其是缺乏多维、大数据、基于用户模型的分析手段。专利申请号201710004874.8公开了一种基于大数据的电力负荷预测方法与系统。该方法首选汇聚电力负荷历史数据进行预处理以建立数据库，再进行大数据分析，对目标对象进行基于时间信息的电力负荷值预测，得到第一预测结果；再对目标对象进行基于经济发展趋势、温度和天气的电力负荷值预测，得到第二预测结果；最后将第一预测结果和第二预测结果通过加权融合获得最终的电力负荷预测结果。专利申请号201710021803.9公开了一种基于大数据的电力优化配置方法。该方法首先是从电力大数据中筛选出用户的用电数据，然后去除其中的脏数据并对空缺数据进行修复，第三步是利用时间序列预测法的自回归AR模型以及处理后的用户用电数据，预测下一时间段内的用电量，最后根据预测的用电量计划各发电站的产量。所述目前的电力负荷预测和生产配置方法，主要存在以下几点问题：1.目前的电力负荷预测技术没有给出基于多维数据的评价方法，尤其是没有关联行业经济发展数据，气象数据等准确性存在不足。2.目前的电力负荷预测技术考虑了经济方面对于需求的影响，但是一个地区的经济发展趋势是由不同行业、不同公司综合影响的，该方法忽略了地区行业之间的发展趋势差异，以及不同行业对电力需求的差异，所以无法在适用于不同地区预测室，准确率不足。3.目前电力生产配置停留在粗犷式计划生产，对于需求侧变化不敏感，优化调整时效性不足。4.目前提出的预测方法考虑了对每个用户的数据筛选和加工处理，对每个用户进行了负荷预测，但预测的依据单一，仅仅是通过这个用户的历史数据来分析，无法避免气候变化、经济发展、市场供需等方面的影响，因此这样的预测方法对历史数据依赖性行，应变效力差。如上
技术介绍
所述，电力需求负荷对电力生产配置影响极大，且随着社会发展，对电力需求增速明显，随着环保问题加剧，电力的智能调度、智慧生产配置就显得更为重要了。因此，一种可以在线部署的精确预测电力负荷，进而优化电力生产配置的系统，对于全部电力运行目标区域的负荷状态掌握和评估，对于实现电力经济配置、电网高效运行、电厂精准生产具有优越的应用和经济价值。
技术实现思路
本专利技术提出一种基于用户模型自学习的电力生产配置方法和装置，用于解决电力生产配置自适应问题，尤其解决用户负荷波动、气候变化引起的电力配置计划调整问题。一种基于用户模型自学习的电力生产配置方法，主要包括以下步骤：步骤一，获取预测场景下电网用户历史用电数据，以及用户行业数据，经济发展数据，气候数据，建立预测场景下的不同行业的用户负荷预测模型，包括场景用户负荷预测模型F和行业用户负荷预测模型C；步骤二，确定并选择负荷的预测评估区域，获得该区域的电力用户，调用出所述电力用户的场景用户负荷预测模型F和行业用户负荷预测模型C，其中设定选择的用户数量为N；步骤三，将场景用户负荷预测模型F结合行业用户负荷预测模型C并行快速处理，分别计算各电力用户未来预测时间段T2内的负荷预测曲线；步骤四：将未来预测时间段T2内的全部电力用户预测曲线进行叠加，得到所述预测评估区域总负荷预测曲线，计为C(t)，则C(t)的计算公式如下：其中，pi(t)表示第i个电力用户在时间段T2内的负荷预测曲线；步骤五：根据所述预测评估区域的总负荷预测曲线C(t)，动态规划各发电厂电力生产配置计划，使其在满足所述预测评估区域电力负荷的情况下，不造成多余产能的消耗；步骤六：检查所述预测评估区域的总负荷预测曲线C(t)是否超过各发电厂的总装机容量，如果超过，系统智能输出电力管控策略。附图说明下面结合附图对本专利作进一步详细的说明。图1为根据本专利技术的一种电力生产配置方法示意性流程图；图2为根据本专利技术的用户负荷预测建模方法示意性流程图；图3为根据本专利技术的一种电力生产配置系统的结构示意图；图4为根据本专利技术的基础数据采集单元示意性框图；图5为根据本专利技术的数据归集单元示意性框图；图6为根据本专利技术的电力生产配置系统示意性框图；图7为根据本专利技术的实施例一负荷超限预测示意图。具体实施方式一种基于用户模型自学习的电力生产配置方法和装置，图1所示为基于用户模型自学习的电力生产配置方法的示意性流程图，所述方法包括：步骤S10：获取预测场景下电网用户历史用电数据，以及用户行业数据，经济发展数据，气候数据，建立预测场景下不同行业用户负荷预测模型。所谓预测场景指不同类型城市、工业园区、中心城区、县城等，针对不同场景建立用户负荷预测模型，可以很好地提高预测的精度和可靠性。对应时间的经济发展数据是指按照行业来分，抓取不同用户所处行业的能效指数以及产业增长率，气候数据主要指天气温度、空气指数等。通过纳入多维负荷影响因子，最优化负荷预测的准确率。对用户负荷预测建模方法如图2所示，主要包括3个步骤，即：(1)确定目标区域电力负荷场景，并给出不同场景下的负荷模型映射值，即不同场景的用户负荷预测模型；这里使用S代表不同的场景，使用F向量代表场景下用户负荷预测模型，即不同场景S下，其对应着不同的F向量。例如，其中X1表示不同场景地区的GDP增长率，X2表示GDP与电力消耗之间的比值。(2)进行大数据挖掘，挖掘最近较长一段时间(1年以上，更长的时间数据可以得到更高的精度)内全部电网用户用电数据，根据这些用户用电数据，对不同行业进行打标签，即每一个行业用户都有一个特定的行业标签，例如商场、写字楼、工厂、酒店、超市、小区等。其本文档来自技高网...

【技术保护点】
1.一种基于用户模型自学习的电力生产配置方法，主要包括以下步骤：步骤一，获取预测场景下电网用户历史用电数据，以及用户行业数据，经济发展数据，气候数据，建立预测场景下的不同行业的用户负荷预测模型，包括场景用户负荷预测模型F和行业用户负荷预测模型C；步骤二，确定并选择负荷的预测评估区域，获得该区域的电力用户，调用出所述电力用户的场景用户负荷预测模型F和行业用户负荷预测模型C，其中设定选择的用户数量为N；步骤三，将场景用户负荷预测模型F结合行业用户负荷预测模型C并行快速处理，分别计算各电力用户未来预测时间段T2内的负荷预测曲线；步骤四，将未来预测时间段T2内的全部电力用户预测曲线进行叠加，得到所述预测评估区域总负荷预测曲线，计为C(t)，则C(t)的计算公式如下：

【技术特征摘要】
1.一种基于用户模型自学习的电力生产配置方法，主要包括以下步骤：步骤一，获取预测场景下电网用户历史用电数据，以及用户行业数据，经济发展数据，气候数据，建立预测场景下的不同行业的用户负荷预测模型，包括场景用户负荷预测模型F和行业用户负荷预测模型C；步骤二，确定并选择负荷的预测评估区域，获得该区域的电力用户，调用出所述电力用户的场景用户负荷预测模型F和行业用户负荷预测模型C，其中设定选择的用户数量为N；步骤三，将场景用户负荷预测模型F结合行业用户负荷预测模型C并行快速处理，分别计算各电力用户未来预测时间段T2内的负荷预测曲线；步骤四，将未来预测时间段T2内的全部电力用户预测曲线进行叠加，得到所述预测评估区域总负荷预测曲线，计为C(t)，则C(t)的计算公式如下：其中，pi(t)表示第i个用户在时间段T2内的负荷预测曲线；步骤五，根据所述预测评估区域的总负荷预测曲线C(t)，动态规划各发电厂电力生产配置计划，使其在满足所述预测评估区域电力负荷的情况下，不造成多余产能的消耗；步骤六，检查所述预测评估区域的总负荷预测曲线C(t)是否超过各发电厂的总装机容量，如果超过，系统智能输出电力管控策略。2.如权利要求1所述的方法，其中在步骤一中，主要包括三个步骤：第一步，确定目标区域电力负荷场景，并给出不同场景的用户负荷预测模型，使用S代表不同的场景，使用F向量代表场景用户负荷预测模型，即不同场景S下，其对应着不同的F向量，F＝(X1，X2)，其中X1表示不同场景地区的GDP增长率，X2表示GDP与电力消耗之间的比值；第二步，挖掘较长一段时间内全部电网用户用电数据，根据这些用户用电数据，对不同行业进行打标签，采用C表示行业用户负荷预测模型，C＝(Y1，Y2，Y3，Y4，Y5，Y6)，其中，Y1表示一天的忙时占比，Y2表示忙时开始时间，Y3表示行业发展增速，Y4表示用户每增加单位产量需消耗电能系数，Y5表示用户忙时气温每增加1度需增加的电能消耗系数，Y6表示用户闲时气温每增加1度需增加的电能消耗系数；第三步，在确定用户行业的基础上，建立当前场景下行业用户的负荷预测模型，将用户一天24小时分成两个状态时间，分别是忙时Tbusy和闲事Tid...

【专利技术属性】
技术研发人员：郭子健，吴俊阳，郑熙，陈祯，商金来，胡习，
申请(专利权)人：深圳库博能源科技有限公司，
类型：发明
国别省市：广东,44