【技术实现步骤摘要】
电网负荷预测方法
[0001]本专利技术涉及电网调度
，尤其涉及一种电网负荷预测方法。
技术介绍
[0002]负荷预测是电力系统调度、实时控制、运行计划和发展规划的前提，是一个电网调度部门和规划部门所必须具有的基本信息。提高负荷预测技术水平，有利于计划用电管理、合理安排电网运行方式和机组检修计划、保障供电安全和可靠性等。
[0003]随着电网中各类传感器、智能终端及智能电表的广泛普及，其能够在很短的时间内获取用户粒度更细、维度更髙的海量用电信息，从而构成了用户侧的电力大数据。充分挖掘电力大数据的价值，有利于提高电网负荷预测的精度。
[0004]目前常用的负荷数据分析和应用方法主要可分为两类。第一类方法为时间序列分析方法，如多元线性回归、自回归滑动平均模型等方法，该方法要求用于计算的时间序列相对平稳，一般适用于稳定增长的中长期区域负荷预测，难以应用于波动频繁的短期负荷。第二类为以神经网络为代表的人工智能技术及其改进的组合方法，此类方法的整体预测性能较好，但没有考虑不同时间段、不同负荷类型等特性，在处理庞大...
【技术保护点】
【技术特征摘要】
1.一种电网负荷预测方法，其特征在于，包括：对历史时段负荷数据进行并行的异常数据检测，并剔除所述历史时段负荷数据中的异常数据；通过聚类分析将剔除异常数据的历史时段负荷数据分为不同的类型，并确定每种类型对应的典型负荷数据；根据历史时段负荷影响数据和对应的类型进行训练，得到负荷分类模型；将待预测时段负荷影响数据输入所述负荷分类模型，确定待预测时段对应的类型和所述待预测时段对应的典型负荷数据；根据所述待预测时段对应的典型负荷数据和剔除异常数据的历史时段负荷数据对所述待预测时段进行负荷预测。2.根据权利要求1所述的电网负荷预测方法，其特征在于，所述对历史时段负荷数据进行并行的异常数据检测，并剔除所述历史时段负荷数据中的异常数据，包括：基于Spark集群计算平台的Map任务，将历史时段负荷数据的数据空间划分为多个网格单元，并将网格单元和数据分区一一对应分配；基于Spark集群计算平台的Combine任务，在每个数据分区内进行局部聚类异常数据检测，获得每个数据分区内的局部聚类结果和异常数据集合；基于Spark集群计算平台的Reduce任务，将每个数据分区内的局部聚类结果和异常数据集合分别进行合并，获得全局聚类结果和全局异常数据集合；根据所述全局聚类结果和所述全局异常数据集合剔除历史时段负荷数据中的异常数据。3.根据权利要求2所述的电网负荷预测方法，其特征在于，所述基于Spark集群计算平台的Map任务，将历史时段负荷数据的数据空间划分为多个网格单元，并将网格单元和数据分区一一对应分配，包括：通过历史时段负荷数据得到多维的数据空间；将所述数据空间添加到队列中，并计算队首元素内包含的数据对象数目；若所述数据对象数目大于或等于网格单元的数据对象数目阈值，则计算所述队首元素内的数据对象在每个维度的方差，将方差最大的维度作为分割维度，利用所述分割维度将所述队首元素分为两个包含数据对象数目均等的子元素，并将分割后的两个子元素添加到所述队列中；若所述数据对象数目小于网格单元的数据对象数目阈值，则将所述队首元素划分到一个网格单元内；将所述队列中的下一元素作为所述队首元素，继续执行计算队首元素内包含的数据对象数目的步骤及后续步骤，直到所述队列为空，获得所述历史时段负荷数据的数据空间划分的网格单元集合；将所述网格单元集合内的网格单元和数据分区一一对应分配。4.根据权利要求2所述的电网负荷预测方法，其特征在于，所述基于Spark集群计算平台的Combine任务，在每个数据分区内进行局部聚类异常数据检测，获得每个数据分区内的局部聚类结果和异常数据集合，包括：对于每个数据分区，计算该数据分区内每个数据对象的局部密度和相对距离；
根据每个数据对象的局部密度进行局部聚类，获得每个数据分区内的局部聚类结果；根据每个数据对象的局部密度和相对距离进行异常检测，获得每个数据分区内的异常数据集合。5.根据权利要求4所述的电网负荷预测方法，其特征在于，所述计算...
【专利技术属性】
技术研发人员：张凯，郭威，何胜，冯剑，刘梅，李海坤，
申请(专利权)人：国家电网有限公司国网河北省电力有限公司北京清软创新科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。