考虑负荷跃变的全周期负荷预测方法技术

本发明专利技术公开了一种考虑负荷跃变的全周期负荷预测方法，首先获取用户历史年度日极值负荷数据，并根据用户的运行时间构建负荷预测模型，然后根据设置预测年每一天的外部因素数值，得出预测年每一天的负荷理论预测值，最后通过设定的负荷成熟判定阈值对负荷理论预测值进行分析，最终生成负荷预测结果；本发明专利技术在现有对配电网负荷数据研究的基础上，根据在配电网考虑负荷跃变的全周期负荷预测流程方法进行具体应用研究，提升在线实时负荷数据的质量，从海量时序样本中快速排除干扰点，提高数据抽取和采集的精确度。

【技术实现步骤摘要】
考虑负荷跃变的全周期负荷预测方法
：本专利技术涉及电力行业负荷预测分析咨询规划
，特别是涉及一种考虑负荷跃变的全周期负荷预测方法。
技术介绍
：负荷预测是配电网规划的重要组成部分，也是配电网规划的前提和基础，它能给电压等级的选择、变电站位置和网架结构的确立提供有利的信息指导。负荷预测的准确性直接决定着规划方案的优劣，若负荷预测过高，将导致配网建设过度投资，一些设备不能充分利用，引起资源浪费，这与当前我国建设节约型社会是背道而驰的；若负荷预测不足，将导致配网建设规模不够，使得规划区最大用户负荷高峰时段负载率偏高、满载或过载，甚至电能卡脖子输送不出，从而无法满足用户正常用电需求。所以负荷预测的准确性是保证配网系统可靠供电与经济运行的前提，直接影响到投资、网络布局和运行的合理性。电力负荷预测按照其研究对象的不同，可分为区域总负荷预测和空间负荷预测：负荷总量预测是根据预测区域的历史电量或负荷、影响因素来预测规划区域的未来电力需求量或电网的供电容量。它是以整个规划地区的电量或负荷总量作为预测对象，属于战略预测，对高压配电网规划和电源规划能提供很有力的指导作用。空间负荷预测又称小区负荷预测，它是在划分预测区域为小区的基础上，依据小区的相关负荷影响因素，对小区的未来负荷的进行空间分布预测，它不仅要求在时间上预测未来负荷的量，而且还要求在空间上预测负荷增长的位置。空间负荷预测的准确性直接关系着城市电网规划方案的可操作性和适用性，它是对高压变电站位置和容量、中压主干线的型号及路径，开关设备的装设以及它们的投入时间等决策变量进行规划的基础。在研究电力用户用电负荷的整个发展周期时，全周期负荷预测,可实现电力用户含盖近期、中期和远期的用电水平预测，提高负荷预测的准确度和精细度。期间需考虑电力用户因自身因素信息改变而引起的负荷发展趋势变化。电力用户的因素变化主要由用户追加产能或消减产能、用户被拆分、计量装置数量发生变化、用户销户、负荷成熟度等原因引起的，期间也有出现负荷发生跃变的情况，会造成各种不确定性因素。目前采用的各种负荷预测方法的准确度还不能完全满足系统全周期的要求。电力负荷预测的研究多数只是对某个已有预测方法的改进和对新数学方法应用的探讨，对负荷的实际特性的影响考虑不够，尤其缺少历史负荷的可用性对人工智能方法、负荷预测方法的影响分析，因此对预测精度的改进有限。当前对配电网负荷数据研究着重于算法的具体应用场景和目标，缺少在配电网考虑负荷跃变的全周期负荷预测流程方法进行具体应用的研究。现有负荷预测模型，一方面，传统负荷预测模型由于模型单一、固定，而又无法充分考虑越来越多的不确定性因素的影响，如经济政策、气象环境等，已不能满足对负荷预测方法灵活性的要求。另一方面，随着人工智能、数据挖掘、知识发现、统计分类等学科的发展，各种跨学科和多学科交叉技术在现有负荷预测中应用很少，降低了现有负荷预测的精度。
技术实现思路
：本专利技术所要解决的技术问题是：克服现有技术的不足，在现有对配电网负荷数据研究的基础上，根据在配电网考虑负荷跃变的全周期负荷预测流程方法进行具体应用研究，提升在线实时负荷数据的质量，从海量时序样本中快速排除干扰点，提高数据抽取和采集精确度的考虑负荷跃变的全周期负荷预测方法。本专利技术的技术方案是：一种考虑负荷跃变的全周期负荷预测方法，首先获取用户历史年度日极值负荷数据，并根据用户的运行时间构建负荷预测模型，然后根据设置预测年每一天的外部因素数值，得出预测年每一天的负荷理论预测值，最后通过设定的负荷成熟判定阈值对负荷理论预测值进行分析，最终生成负荷预测结果，其具体步骤是：S1：从用电信息采集系统、营销系统、统计局、气象网站等平台获取负荷数据、用户属性数据和外部相关因素数据，对数据进行预处理，形成以“日”为单位的样本数据；S2：剔除用户投运时刻之后连续4个月的负荷数据，然后判断用户运行时间是否满N年，若是，执行第三步S3；若否，跳转执行第六步S6；S3：设定相关系数阈值，采用相关性分析方法确定各用户的强相关因素，执行第四步S4；若无强相关因素，跳转执行第七步S7；S4：综合采用基于动态规划算法的线性回归方法、判定系数法、平均值同期比较法、动态特征的起始值与末端值比较方法判别用户负荷在历史年中是否发生跃变，标记负荷跃变时间点；采用比例缩放和坐标变换方法对跃变时间点之前的负荷进行前复权操作；S5：采用分段非线性回归方法，对用户历史负荷数据进行拟合，计算各变量系数，形成负荷预测模型，跳转执行第八步S8；S6：综合采用KNN算法和基于赋权的组合方法，利用投运时间满N年的负荷数据，构建负荷预测模型，跳转执行第八步S8；S7：采用时间序列法，形成负荷预测模型；S8：设置预测年每一天的外部因素数值，根据负荷预测模型，生成预测年每一天的负荷理论预测值；S9：根据用户的负荷成熟度特征，采用随机森林算法判定用户在规划年的负荷理论预测过饱和的状态，以“年”为单位，对负荷理论预测值进行后复权，并输出复权结果，作为负荷预测结果。进一步的，所述S1中，以“日”为数据的最小分析单位。对于统计单位为“小时”及以下的指标数据，采用日最大值数据；对于统计单位为“月”及以上的指标数据，根据数据统计周期，采用日平均值数据。进一步的，所述S2中，首先需剔除用户投运时刻之后连续4个月的负荷数据，然后以用户剩余的运行时间是否超过一定期限，作为历史样本数据知否充足的条件；N的取值不小于3年。进一步的，所述S4中，综合采用基于动态规划算法的线性回归方法、判定系数法、平均值同期比较法、动态特征的起始值与末端值比较方法判别用户负荷在历史年中是否发生跃变，并标记负荷跃变时间点；采用综合采用比例缩放和坐标变换的方法对负荷跃变时间点之前的负荷数据进行前复权操作，通过数据变换，消除历史年度未知因素变化对负荷发展趋势的影响，提升数据可用性；负荷跃变的类型包括增长转成熟、增长趋势中跃升、增长趋势中跃降、平稳状态跃升、平稳状态跃降、负荷归零等类型。进一步的，所述S6中，以电力用户的属性信息为分析对象，采用KNN算法对用户进行分类，并计算与待预测用户最临近且运行时间满N年的m个用户，采用基于赋权的组合方法对该m个用户的负荷理论预测结果进行组合计算，作为运行时间不满N年用户的负荷预测方法；电力用户的属性信息包括：行业类型、报装时间、电压等级、装见容量、产能规模、用户数、建筑面积、占地面积、供电类型、交通便利性等。进一步的，所述S9中，根据预测年的负荷理论预测值的最大值，计算负荷成熟度指标，采用随机森林算法判断用户在规划年的负荷状态的过饱和的状态；针对过饱和状态，以负荷成熟度指标的取值范围为约束，以各负荷成熟度指标阈值所表征的最大负荷值为预测年度的负荷预测最大值为基准，综合采用比例缩放和坐标变换的方法对负荷理论预测值进行后复权操作，以使预测年度的负荷最大值为各负荷成熟度指标阈值所表征的最大负荷值；负荷成熟度指标包括配变负载率、运行时间、建筑面积负荷密度、本文档来自技高网...

【技术保护点】
1.一种考虑负荷跃变的全周期负荷预测方法，首先获取用户历史年度日极值负荷数据，并根据用户的运行时间构建负荷预测模型，然后根据设置预测年每一天的外部因素数值，得出预测年每一天的负荷理论预测值，最后通过设定的负荷成熟判定阈值对负荷理论预测值进行分析，最终生成负荷预测结果，其具体步骤是：/nS1：从用电信息采集系统、营销系统、统计局、气象网站等平台获取负荷数据、用户属性数据和外部相关因素数据，对数据进行预处理，形成以“日”为单位的样本数据；/nS2：剔除用户投运时刻之后连续4个月的负荷数据，然后判断用户运行时间是否满N年，若是，执行第三步S3；若否，跳转执行第六步S6；/nS3：设定相关系数阈值，采用相关性分析方法确定各用户的强相关因素，执行第四步S4；若无强相关因素，跳转执行第七步S7；/nS4：综合采用基于动态规划算法的线性回归方法、判定系数法、平均值同期比较法、动态特征的起始值与末端值比较方法判别用户负荷在历史年中是否发生跃变，标记负荷跃变时间点；采用比例缩放和坐标变换方法对跃变时间点之前的负荷进行前复权操作；/nS5：采用分段非线性回归方法，对用户历史负荷数据进行拟合，计算各变量系数，形成负荷预测模型，跳转执行第八步S8；/nS6：综合采用KNN算法和基于赋权的组合方法，利用投运时间满N年的负荷数据，构建负荷预测模型，跳转执行第八步S8；/nS7：采用时间序列法，形成负荷预测模型；/nS8：设置预测年每一天的外部因素数值，根据负荷预测模型，生成预测年每一天的负荷理论预测值；/nS9：根据用户的负荷成熟度特征，采用随机森林算法判定用户在规划年的负荷理论预测过饱和的状态，以“年”为单位，对负荷理论预测值进行后复权，并输出复权结果，作为负荷预测结果。/n...

【技术特征摘要】
1.一种考虑负荷跃变的全周期负荷预测方法，首先获取用户历史年度日极值负荷数据，并根据用户的运行时间构建负荷预测模型，然后根据设置预测年每一天的外部因素数值，得出预测年每一天的负荷理论预测值，最后通过设定的负荷成熟判定阈值对负荷理论预测值进行分析，最终生成负荷预测结果，其具体步骤是：
S1：从用电信息采集系统、营销系统、统计局、气象网站等平台获取负荷数据、用户属性数据和外部相关因素数据，对数据进行预处理，形成以“日”为单位的样本数据；
S2：剔除用户投运时刻之后连续4个月的负荷数据，然后判断用户运行时间是否满N年，若是，执行第三步S3；若否，跳转执行第六步S6；
S3：设定相关系数阈值，采用相关性分析方法确定各用户的强相关因素，执行第四步S4；若无强相关因素，跳转执行第七步S7；
S4：综合采用基于动态规划算法的线性回归方法、判定系数法、平均值同期比较法、动态特征的起始值与末端值比较方法判别用户负荷在历史年中是否发生跃变，标记负荷跃变时间点；采用比例缩放和坐标变换方法对跃变时间点之前的负荷进行前复权操作；
S5：采用分段非线性回归方法，对用户历史负荷数据进行拟合，计算各变量系数，形成负荷预测模型，跳转执行第八步S8；
S6：综合采用KNN算法和基于赋权的组合方法，利用投运时间满N年的负荷数据，构建负荷预测模型，跳转执行第八步S8；
S7：采用时间序列法，形成负荷预测模型；
S8：设置预测年每一天的外部因素数值，根据负荷预测模型，生成预测年每一天的负荷理论预测值；
S9：根据用户的负荷成熟度特征，采用随机森林算法判定用户在规划年的负荷理论预测过饱和的状态，以“年”为单位，对负荷理论预测值进行后复权，并输出复权结果，作为负荷预测结果。


2.根据权利要求1所述的考虑负荷跃变的全周期负荷预测方法，其特征是：所述S1中，以“日”为数据的最小分析单位。对于统计单位为“小时”及以下的指标数据，采用日最大值数据；对于统计单位为“月”及以上的指标数据，根据数据统计周期，采用日平均值数据。


3.根据权利要求1所述的...

【专利技术属性】
技术研发人员：雷才嘉，罗少威，贾巍，方兵华，黄裕春，高慧，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：广东;44