一种基于物联网智能感知技术的配变短期负荷预测方法技术

本发明专利技术公开了一种基于物联网智能感知技术的配变短期负荷预测方法，该方法的数据来源是一定地理区域内、同一配变下的各个用户智能电表采集的用电量数据。首先通过相关系数完成数据清洗与补全，通过标幺化处理得到用电量数据标幺曲线，然后通过仿射传播算法聚类后合并得到相似日的标幺曲线，最后通过加权求和得到待测未来日的标幺曲线，与基值组合后得到完整的待测日负荷曲线，从而完成整体配变短期负荷预测工作。将该方法应用到其他配变的同类数据作计算分析，可弥补低压配网精益化运维现状的不足，并为低压配网无功补偿策略控制方案提供支持，为低压设备的更新和低压配电系统的改造提供依据，所需的物资和人力成本低、准确性高、可操作性好。

A short-term load forecasting method for distribution transformer based on Internet of things intelligent sensing technology

【技术实现步骤摘要】
一种基于物联网智能感知技术的配变短期负荷预测方法
本专利技术属于用电信息采集数据分析、挖掘领域，具体涉及一种基于物联网智能感知技术的配变短期负荷预测方法。
技术介绍
配电网根据电压等级的不同，可分为高压配电网、中压配电网与低压配电网，低压配电网的电压一般为三相四线制380/220V，或单相二线制220V，连接大量的居民、商业等普通用户，并由连接在中压配电网上的中压、低压配电所供电。我国有着极为复杂而庞大的低压配电网络，且智能化水平一直处于薄弱状态，主要表现在故障抢修率低、运行状态监测水平低、精益化管理水平低等。随着智能感知技术的逐步发展，为物联网技术在电力系统中的应用带来机遇，且低压配网作为电力系统直接连接用户侧业务与分布式能源接入的末端，成为电力物联网建设的主要战场。新形势下，低压配网大量的智能感知终端的部署，作为基础元件和核心设备的智能电表可以短间隔记录并上传用户的多种用电信息，为电力系统数据分析带来了新的方法和思路，实现了低压配网海量数据采集用于边缘计算及以配电变压器供电范围为单位的台区管理，可对片区网络进行自主综合监控、管理与双向互动，有效提升供电可靠性和供电质量，低压配电网精益化管控问题得以解决。短期负荷预测是电力系统经济调度的重要内容，配变台区作为智能电网与用户侧交互的纽带，由其负荷量级小且随机性强的特点为短期预测工作带来挑战。基于智能电表的量测数据，可以实现低电压的各式负荷进行预测，低压配电变压器、线路、用户等。这不仅可以为低压配网无功补偿策略控制方案提供支持，而且可以为低压设备的更新和低压配电系统的改造提供依据，因此台区级别的短期负荷预测成为低压配网精益化运维的基本功能。
技术实现思路
本专利技术的目的是提供一种基于物联网智能感知技术的配变短期负荷预测方法，以解决目前短期负荷预测方法难以应对低压台区负荷随机性的问题。当负荷量级减小，随机性和波动性增大时，预测工作变得较为困难，基于神经网络等样本训练方法的适用性较小。在预测算法上，将数据挖掘方法应用于负荷分析和预测是近年来的新思路。数据挖掘算法意在从大量数据中发现规律，本专利技术主要也是沿此思路构建负荷预测算法。负荷预测需要准确的负荷数据来支撑，通过智能电表一天内(00:00-23:59)每间隔一定时间(5min/15min/1h)记录一次配变量测数据，汇总当日全部测量数据就能得到该配变当日的负荷数据。根据不同量测周期，每日负荷数据曲线有288/96/24个测量时间点。假定某配变每日有24个测量时间点，将该配变N天所有的负荷时间序列数据用于下面的运算。1)为提高数据分析的准确性以及可观测性，需要对数据中包含的坏数据进行预处理。常见的坏数据包括数据缺失以及数据失真，但是对于台区级这种小量级系统，失真数据也可能是负荷的随机性以及波动性导致的正常数据，因此考虑通过皮尔逊相关系数搜索预处理日负荷曲线的极大相似历史负荷曲线并补全。计算台区全部用户连续N天的日负荷时间序列数据的皮尔逊相关系数，可以确定极大相似历史负荷曲线。相关系数Rxy的计算方法为：其中：Rxy：用户x与用户y在连续N天的日负荷时间序列数据的皮尔逊相关系数；xi：用户x第i点的负荷值；用户x的平均负荷值；yi：用户y第i点的负荷值；得到计算结果后，可通过寻找待补全日负荷数据的极大相关系数日，将待补全日的缺失数据点补全。2)针对低容量负荷，基值与标幺负荷曲线分开预测的解耦预测方法可降低负荷突变和随机性的影响，亦有利于分析负荷规律，从而提高预测精度。为了进行聚类分析以辨识负荷模式，对去除坏点的负荷数据做标幺化处理，从而重点分析日负荷的变化规律，因此考虑选择日负荷均值作为基值进行标幺化，可以降低负荷尖峰对变化规律的影响。假设有N日24点的配变负荷数据PN(t)，标幺负荷曲线表达式为其中为日负荷均值。3)配变负荷本质上是一组具有很强随机性及波动性的时间序列信号，皮尔逊相关系数具有很好分析非平稳信号的效果，因此考虑通过皮尔逊相关系数矩阵建立标幺日负荷曲线间的相关系数，将其定义为相似度距离。通过公式(1)计算标幺负荷曲线pN彼此的相关系数矩阵，则rij为第i日与第j日的标幺负荷曲线的相关系数，通过rij构造相似度矩阵s。AP算法是DDueck等人在2007年在Science首次提出的一种聚类方法，该算法依据数据点的相似度矩阵来聚类，一般来讲聚类就是使得数据点到其类代表点的距离最小化，所以通常把数据点之间的欧式距离作为相似度来计算，任意两点αi与βk之间的相似度为：s(i，k)＝-d2(αi，βk)＝-||αi-βk||2，i＝k(2)AP算法在计算过程中通过数据点之间信息的互相传递，从而获取为选出类代表点提供足够的证据。数据点之间的信息主要包括两类：R(i，k)为候选代表点βk从数据点αi搜寻的证据，方向由αi指向βk，反映了βk适合成为αi的类代表点的程度；A(i，k)为数据点αi从候选代表点βk搜寻的证据，方向由βk指向αi，反应了αi选择βk作为其类代表点的适合程度。AP算法在每一次迭代中，都需要对R(i，k)与A(i，k)进行更新，初始化A(i，k)＝0，每一次迭代更新点i’、k’公式为：对公式(3)两边同时加上A(i，k)得到公式(5)：通过以上更新原则，数据点之间的信息能够互相传递，对于数据点集αi，当A(i，k)+R(i，k)的值有最大程度变化时，表明βk成为αi的类代表点，也能够通过设定迭代次数或者是局部变化的程度终止算法。该算法依据数据点的相似度矩阵来聚类，通过步骤3)中得到的各标幺日负荷曲线间的相关系数构成相似度矩阵，假定自动将各标幺日负荷曲线分成B类。B＝1，2，...，K。4)得到聚类结果后，需要研究如何对负荷曲线进行加权，从而获取待预测日的负荷预测曲线。为此，将两个连续日的负荷联合起来看作一种负荷模式，认为今天的负荷规律将从概率上影响明天的负荷规律，从而可以通过待预测日p1前24小时的负荷pl-1来预测待预测日的负荷情况，故提取待预测日前一天日负荷p1-1所属类K中所有的标幺日负荷曲线pK，并提取pK后一日的标幺日负荷曲线pK+1，定义为相似日标幺负荷曲线。通过相似日标幺负荷曲线pK+1及pK与p1-1相关系数Rm，通过加权平均的方法得到待测日的日标幺负荷曲线P1：5)在负荷预处理的时候，对负荷进行了标幺化，故为了完成预测，需预测基值，采用倍比平滑法可以用近两周的负荷基值估计待测日的基值：6)用待测日的日标幺负荷曲线p1乘以待测日负荷基值最终得到待测日负荷P1。本专利技术与现有技术相比，具有以下优点和效果：本方法的数据来源是一定地理区域内、同一配变下的各个用户智能电表采集的用电量数据。首先通过相关系数完成数据清洗与补全，通过标幺化处理得到用电量数据标幺曲线，然后通过仿射传播算法聚类后合并得到相似日的标幺曲线，最后通过加权求和得到待测未来日本文档来自技高网...

【技术保护点】
1.一种基于物联网智能感知技术的配变短期负荷预测方法，其特征是，包括如下步骤：/n1）计算台区全部用户连续N天的日负荷时间序列数据的皮尔逊相关系数，处理日负荷曲线的极大相似历史负荷曲线并补全；/n2）为降低负荷尖峰对变化规律的影响，对完整的历史负荷曲线做标幺化处理，从而重点分析日负荷的变化规律，将历史负荷曲线拆分成历史负荷曲线标幺值与基值；/n3）考虑通过皮尔逊相关系数矩阵建立标幺日负荷曲线间的相关系数，将其定义为相似度距离并构造历史负荷曲线标幺值的相似度矩阵，通过AP算法对历史负荷曲线标幺值的相似度矩阵来聚类，假定自动将各标幺日负荷曲线分成B类，B=1,2,…,K；/n4）将两个连续日的负荷联合起来看作一种负荷模式，认为今天的负荷规律将从概率上影响明天的负荷规律，通过待预测日p

【技术特征摘要】
1.一种基于物联网智能感知技术的配变短期负荷预测方法，其特征是，包括如下步骤：
1）计算台区全部用户连续N天的日负荷时间序列数据的皮尔逊相关系数，处理日负荷曲线的极大相似历史负荷曲线并补全；
2）为降低负荷尖峰对变化规律的影响，对完整的历史负荷曲线做标幺化处理，从而重点分析日负荷的变化规律，将历史负荷曲线拆分成历史负荷曲线标幺值与基值；
3）考虑通过皮尔逊相关系数矩阵建立标幺日负荷曲线间的相关系数，将其定义为相似度距离并构造历史负荷曲线标幺值的相似度矩阵，通过AP算法对历史负荷曲线标幺值的相似度矩阵来聚类，假定自动将各标幺日负荷曲线分成B类，B=1,2,…,K；
4）将两个连续日...

【专利技术属性】
技术研发人员：杜虹锦，卢成志，孔德同，张勇铭，
申请(专利权)人：华电电力科学研究院有限公司，
类型：发明
国别省市：浙江;33