一种公变台区电力负荷三相不平衡预测方法技术

本发明专利技术提供一种公变台区电力负荷三相不平衡预测方法，能够提高预测结果的准确度。所述方法包括：获取公变台区的具有时序性的历史三相电力负荷数据，对公变台区进行聚类，将特性相似的公变台区聚为一簇；确定与用电负荷强关联的内部指标和外部指标；针对每簇，将其对应的历史电力负荷和外部指标数据进行结合，得到相应簇的训练集；构建基于CLSTM‑Attention的电力负荷预测模型，利用得到的相应簇的训练集，对构建的电力负荷预测模型进行训练，训练好的电力负荷预测模型采用迭代预测的方式，预测相应簇集合中某公变台区未来指定日的三相电力负荷预测；根据预测得到的三相电力负荷，确定相应公变台区未来指定日是否出现三相不平衡情况。本发明专利技术涉及电力系统领域。

A prediction method of three-phase load imbalance in public substation area

The invention provides a three-phase imbalance prediction method of power load in common transformer substation area, which can improve the accuracy of prediction results. The method includes: obtaining the historical three-phase power load data of the public substation area, clustering the public substation area, clustering the public substation area with similar characteristics into a cluster; determining the internal and external indicators strongly related to the power load; combining the corresponding historical power load and external indicator data for each cluster to obtain the training set of the corresponding cluster; constructing Based on clstm \u2011 attention, a power load forecasting model is built, and the training set of the corresponding cluster is used to train the power load forecasting model. The trained power load forecasting model adopts the iterative forecasting method to predict the three-phase power load forecasting of a certain public substation area in the corresponding cluster set that has not come to the designated day. According to the predicted three-phase power load, the phase is determined Whether there is three-phase imbalance in the public substation area on the specified day in the future. The invention relates to the field of power system.

【技术实现步骤摘要】
一种公变台区电力负荷三相不平衡预测方法
本专利技术涉及电力系统领域，特别是指一种公变台区电力负荷三相不平衡预测方法。
技术介绍
近年来，随着智能电网、微网的建设与信息技术的发展，使得具有预测以及预警等功能的智能系统的建设备受关注。对于电力市场决策起着关键作用的负荷预测数据愈加庞大和杂乱，准确及时地预测电力负荷在电力系统规划和运行中有重要作用，并且以公变台区为单位的三相电力负荷预测以及三相不平衡的预测对台区配变的安全运行和经济发展产生重要影响。目前，最常规的预测方法是采用传统的机器学习算法进行三相不平衡的预测，没能兼顾外部影响因素和电力负荷自身的时序特性的影响，具有相对较低的准确度。
技术实现思路
本专利技术要解决的技术问题是提供一种公变台区电力负荷三相不平衡预测方法，以解决现有技术所存在的没能兼顾外部影响因素和电力负荷自身的时序特性的影响，导致三相不平衡预测准确度低的问题。为解决上述技术问题，本专利技术实施例提供一种公变台区电力负荷三相不平衡预测方法，包括：获取公变台区的具有时序性的历史三相电力负荷数据，对公变台区进行聚类分析，将特性相似的公变台区聚为一簇；确定与用电负荷强关联的指标，其中，所述指标包括：内部指标和外部指标，用电负荷为内部指标；针对每簇，将其对应的历史电力负荷和外部指标数据进行结合，得到相应簇的训练集；构建基于CLSTM-Attention的电力负荷预测模型，利用得到的相应簇的训练集，对构建的电力负荷预测模型进行训练，训练好的电力负荷预测模型采用迭代预测的方式，预测相应簇集合中某公变台区未来指定日的三相电力负荷预测；其中，CLSTM表示卷积神经网络卷积层和长短期记忆网络共同组成的特征提取模块，Attention表示注意力机制；根据预测得到的三相电力负荷，确定相应公变台区未来指定日是否出现三相不平衡情况。进一步地，所述获取公变台区的具有时序性的历史三相电力负荷数据，对公变台区进行聚类分析，将特性相似的公变台区聚为一簇包括：获取公变台区的具有时序性的历史三相电力负荷数据，提取每个公变台区每相电力负荷值，确定每个公变台区每相的年平均电力负荷值作为该公变台区该相的聚类样本；统计所有公变台区的每相的聚类样本作为聚类数据集；采用K-均值聚类算法对所述聚类数据集进行K-均值聚类，将电力负荷曲线特性相似的公变台区聚为一簇，得到簇集合。进一步地，所述外部指标包括：温度、相对湿度、日类型中的一个或多个。进一步地，所述确定与用电负荷强关联的指标包括:利用灰色关联分析法分析用电负荷与指标之间的关联度，得到与用电负荷强关联的指标。进一步地，所述针对每簇，将其对应的历史电力负荷和外部指标数据进行结合，得到相应簇的训练集包括：针对某簇，将聚类得到的该簇内的公变台区的历史三相电力负荷数据与对应的同一相同一时刻的历史外部指标数据进行结合，得到相应簇的训练集。进一步地，所述构建基于CLSTM-Attention的电力负荷预测模型包括：采用单模型多变量的结构，构建基于CLSTM-Attention的电力负荷预测模型。进一步地，所述利用得到的相应簇的训练集，对构建的电力负荷预测模型进行训练，训练好的电力负荷预测模型采用迭代预测的方式，预测相应簇集合中某公变台区未来指定日的三相电力负荷预测；包括：根据得到的相应簇的训练集，以预设天数为一个时间窗口进行循环迭代，对构建的电力负荷预测模型进行训练；确定待预测公变台区所属的簇，所属簇对应的已训练好的电力负荷预测模型采用迭代预测的方式预测所述待预测公变台区在未来指定日的三相电力负荷。进一步地，所述根据预测得到的三相电力负荷，确定相应公变台区未来指定日是否出现三相不平衡情况包括：根据预测得到的三相电力负荷，确定三相不平衡度；若所述未来指定日中三相不平衡度高于标准阈值的总持续时间大于等于第一时间，或所述未来指定日中三相不平衡度连续持续时间大于等于第二时间，则判定相应公变台区在未来指定日处于三相不平衡情况。进一步地，三相不平衡度的计算公式为：进一步地，所述基于CLSTM-Attention的电力负荷预测模型包括：数据输入层、卷积神经网络卷积层和长短期记忆网络共同组成的特征提取模块、注意力机制层和长短期记忆网络输出层，其中，卷积神经网络卷积层以并行的方式去提取特征；所述数据输入层，用于输入电力负荷数据及其对应的外部指标数据，并将输入的数据传入特征提取模块；所述特征提取模块，用于通过卷积神经网络卷积层对输入数据进行卷积操作，长短期记忆网络对卷积神经网络卷积层提取的特征进行处理，得到保持电力负荷上下文时序关系的特征；所述注意力机制层，用于对特征提取模块输出的保持电力负荷上下文时序关系的特征添加注意力机制概率分布加权，得到结合注意力机制概率分布的特征，并输入长短期记忆网络输出层；所述长短期记忆网络输出层，用于对接收到的结合注意力机制概率分布的特征进行预测，得出每一时刻的电力负荷数据。本专利技术的上述技术方案的有益效果如下：上述方案中，获取公变台区的具有时序性的历史三相电力负荷数据，对公变台区进行聚类分析，将特性相似的公变台区聚为一簇；确定与用电负荷强关联的指标，其中，所述指标包括：内部指标和外部指标，用电负荷为内部指标；针对每簇，将其对应的历史电力负荷和外部指标数据进行结合，得到相应簇的训练集；构建基于CLSTM-Attention的电力负荷预测模型，利用得到的相应簇的训练集，对构建的电力负荷预测模型进行训练，训练好的电力负荷预测模型采用迭代预测的方式，预测相应簇集合中某公变台区未来指定日的三相电力负荷预测；根据预测得到的三相电力负荷，确定相应公变台区未来指定日是否出现三相不平衡情况，这样，可以根据公变台区的历史三相电力负荷数据以及对应的外部指标数据(即：外部影响因素数据)来准确预测某公变台区未来某日的三相电力负荷及是否出现三相不平衡情况。附图说明图1为本专利技术实施例提供的公变台区电力负荷三相不平衡预测方法的流程示意图；图2为本专利技术实施例提供的K-means聚类簇数轮廓系数示意图；图3为本专利技术实施例提供的A相第1类的电力负荷数据曲线示意图；图4为本专利技术实施例提供的B相第1类的电力负荷数据曲线示意图；图5为本专利技术实施例提供的C相第1类的电力负荷数据曲线示意图；图6为本专利技术实施例提供的基于CLSTM-Attention的电力负荷预测模型的结构示意图；图7为本专利技术实施例提供的特征提取模块的工作流程示意图；图8为本专利技术实施例提供的2017年12月20这一天三相不平衡分布示意图；图9为本专利技术实施例提供的2017年12月27这一天三相不平衡分布示意图。具体实施方式为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。本专利技术针对现有的没能兼顾外本文档来自技高网...

【技术保护点】
1.一种公变台区电力负荷三相不平衡预测方法，其特征在于，包括：/n获取公变台区的具有时序性的历史三相电力负荷数据，对公变台区进行聚类分析，将特性相似的公变台区聚为一簇；/n确定与用电负荷强关联的指标，其中，所述指标包括：内部指标和外部指标，用电负荷为内部指标；/n针对每簇，将其对应的历史电力负荷和外部指标数据进行结合，得到相应簇的训练集；/n构建基于CLSTM-Attention的电力负荷预测模型，利用得到的相应簇的训练集，对构建的电力负荷预测模型进行训练，训练好的电力负荷预测模型采用迭代预测的方式，预测相应簇集合中某公变台区未来指定日的三相电力负荷预测；其中，CLSTM表示卷积神经网络卷积层和长短期记忆网络共同组成的特征提取模块，Attention表示注意力机制；/n根据预测得到的三相电力负荷，确定相应公变台区未来指定日是否出现三相不平衡情况。/n

【技术特征摘要】
1.一种公变台区电力负荷三相不平衡预测方法，其特征在于，包括：
获取公变台区的具有时序性的历史三相电力负荷数据，对公变台区进行聚类分析，将特性相似的公变台区聚为一簇；
确定与用电负荷强关联的指标，其中，所述指标包括：内部指标和外部指标，用电负荷为内部指标；
针对每簇，将其对应的历史电力负荷和外部指标数据进行结合，得到相应簇的训练集；
构建基于CLSTM-Attention的电力负荷预测模型，利用得到的相应簇的训练集，对构建的电力负荷预测模型进行训练，训练好的电力负荷预测模型采用迭代预测的方式，预测相应簇集合中某公变台区未来指定日的三相电力负荷预测；其中，CLSTM表示卷积神经网络卷积层和长短期记忆网络共同组成的特征提取模块，Attention表示注意力机制；
根据预测得到的三相电力负荷，确定相应公变台区未来指定日是否出现三相不平衡情况。


2.根据权利要求1所述的公变台区电力负荷三相不平衡预测方法，其特征在于，所述获取公变台区的具有时序性的历史三相电力负荷数据，对公变台区进行聚类分析，将特性相似的公变台区聚为一簇包括：
获取公变台区的具有时序性的历史三相电力负荷数据，提取每个公变台区每相电力负荷值，确定每个公变台区每相的年平均电力负荷值作为该公变台区该相的聚类样本；
统计所有公变台区的每相的聚类样本作为聚类数据集；
采用K-均值聚类算法对所述聚类数据集进行K-均值聚类，将电力负荷曲线特性相似的公变台区聚为一簇，得到簇集合。


3.根据权利要求1所述的公变台区电力负荷三相不平衡预测方法，其特征在于，所述外部指标包括：温度、相对湿度、日类型中的一个或多个。


4.根据权利要求1所述的公变台区电力负荷三相不平衡预测方法，其特征在于，所述确定与用电负荷强关联的指标包括:
利用灰色关联分析法分析用电负荷与指标之间的关联度，得到与用电负荷强关联的指标。


5.根据权利要求1所述的公变台区电力负荷三相不平衡预测方法，其特征在于，所述针对每簇，将其对应的历史电力负荷和外部指标数据进行结合，得到相应簇的训练集包括：
针对某簇，将聚类得到的该簇内的公变台区的历史三相电力负荷数据与对应的同一相同一时刻的历史外部指标数据进行结合，得到相应簇的训练集。


6.根据权利要求1所述的公变台区电力负荷三相不平衡预测方法，其特征在于，所述构建...

【专利技术属性】
技术研发人员：宋伟，刘刚，高迪，杨峰，王骏，章鹿华，李平舟，王占东，刘欣，史彩琳，
申请(专利权)人：国网冀北电力有限公司运营监测控中心，北京科技大学，
类型：发明
国别省市：北京;11