基于Prophet模型的配电线路电流预测与重过载预警及系统技术方案

本申请提出了基于Prophet模型的配电线路电流预测与重过载预警及系统，包括获取配电线路历史数据以及实时采集各配电线路的实时负荷数据，对采集到的各类数据进行清洗处理；基于Prophet模型分别构建对应季节项、趋势项、剩余项、节假日项的时间序列模型；将清洗后的各类数据分别代入各时间序列模型中进行训练，当满足收敛条件后结束模型训练；基于训练后的各时间序列模型进行负荷预测与重过载预警。通过将预测值分解成趋势分量、周期分量和数据突变项分量，充分考虑了电力数据的周期性、季节性、以及节假日等影响因素，有效提升了预测准确率。率。率。

【技术实现步骤摘要】
基于Prophet模型的配电线路电流预测与重过载预警及系统


[0001]本申请属于配电网负载预测领域，尤其涉及基于Prophet模型的配电线路电流预测与重过载预警系统。

技术介绍

[0002]随着城市建设的不断发展,城市用电负荷日益增长,对供电的可靠性要求也越来越高。一些重要负荷即使短暂停电也会造成重大的经济损失,这就对城市配电网络提出了更高的要求。目前，配变台区作为面向低压用户的最末一级供电单位，台区供电设备的运行状态直接影响台区内的供电质量。设备的重过载运行是引起故障停电的主要原因之一，而重过载现象通常也伴随着三相不平衡、电压偏移等其他问题，严重影响用户安全可靠用电。此外，设备长时间处于重过载状态会加快元件的非正常损耗，降低使用寿命，给电网带来故障隐患和运行风险。因此，配电线路重过载的监测预警以及治理一直是配网运维检修工作的重要内容。
[0003]不过现在的负荷监测系统只是针对大型的变压器进行的,对配电网尤其是城市中的配电变压器还没有统一的负荷监测系统。此外由于城市配电变压器的容量相对较小，因此容易发生过载的情况，从而引发如停电，线路损耗，元器件烧毁的事故，造成重大的经济损失。
[0004]目前，配电线路的负载预测和重过载预警以基于专家经验的人工方式为主，存在预测预警的准确性不高、及时性不强等缺点。产生这一现象的主要原因是专家的数量有限，每个专家必须同时负责多条配电线路的正常运行，这意味着每个专家的工作量都很大，必须不时查看每一条线路的最新运行情况。而人的精力是有限的，因此难免会产生疏漏。
>
技术实现思路

[0005]本申请实施例提出了基于Prophet模型的配电线路电流预测与重过载预警及系统，通过预测值分解成趋势分量、周期分量和数据突变项分量，充分考虑了电力数据的周期性、季节性、以及节假日等影响因素，有效提升了预测准确率。
[0006]具体的，本申请实施例提出的基于Prophet模型的配电线路电流预测与重过载预警及系统，包括：
[0007]S1，获取配电线路历史数据以及实时采集各配电线路的实时负荷数据，对采集到的各类数据进行清洗处理；
[0008]S2，基于Prophet模型分别构建对应季节项、趋势项、剩余项、节假日项的时间序列模型；
[0009]S3，将清洗后的各类数据分别代入各时间序列模型中进行训练，当满足收敛条件后结束模型训练；
[0010]S4，基于训练后的各时间序列模型进行负荷预测与重过载预警。
[0011]可选的，所述步骤S1中的清洗处理包括：
[0012]对于数据中的无效值/缺失值x
t
，使用其前5个有效值[x
t
‑1，...，x
t
‑5]的平均值填充；
[0013]关于异常值，计算x
t
前一天数据的均值μ，标准差σ。若x
t
不在区间[μ
‑
2σ，u+2σ]内，则判定x
t
为异常值，并按照其大小将其修改为区间的上下界之一，即大于上界取上界，小于下界取下界。
[0014]可选的，所述步骤S2包括：
[0015]季节项S
t
，趋势项T
t
，剩余项R
t
。但在实际生活和生产中除了以上三项还需要考虑节假日的效应，
[0016]因此Prophet算法将要预测的值(本文中为电流负荷)y
t
分解成了四项，具体如下：
[0017]y(t)＝g(t)+s(t)+h(t)+∈
t
，
[0018]其中g(t)表示趋势项代表时间序列在非周期上的变化趋势；s(t)表示周期项(也叫季节项)，一般以周或年为单位；h(t)表示节假日项代表节假日影响；∈
t
表示误差项(也叫剩余项)。Prophet算法通过拟合这几项，然后把它们累加起来从而得到时间序列预测值。
[0019]可选的，所述步骤S2包括：
[0020]S21，构建分段函数表示的趋势项模型；
[0021]分段线性函数指的是在每一个子区间上，函数都是线性函数，基于分段线性函数的模型如下所示：
[0022]g(t)(k+a(t)δ)
·
t+(m+a(t)
T
γ)
[0023]其中δ表示增长率的变化量，m表示偏置量，在γ＝(γ1，...，γ
s
)
T
序列中γ
j
＝
‑
s
j
δ
j
，a(t)是一个二值函数，若当前时间点大于等于变点s
j
位置取1，否则为0。
[0024]可选的，所述步骤S2包括：
[0025]S21，构建季节项模型；
[0026]在Prophet算法中假设P为时间序列的周期，那么季节项用下式表示：
[0027][0028]通常以年为周期的时间序列(P＝365.25)，取N＝10；以周为周期的序列取N＝3，这里的参数向量记为：β＝(a1，b1，...，a
N
，b
N
)
T
。
[0029]当N＝10有当N＝3时，因此时间序列的季节项记为s(t)＝X(t)β，其中β～Normal(0，σ2)。
[0030]可选的，所述步骤S2包括：
[0031]S23，构建节假日项模型；
[0032]不同的节假日看成相互独立的模型，为不同的节假日设置不同的前后窗口值，表示该节假日会影响前后一段时间的时间序列；用数学语言来说，对第i个节假日来说，D
i
表示该节假日的前后一段时间；
[0033]假设有L个节假日，k
i
表示第i个节假日的影响范围，有如下函数：
[0034][0035][0036]其中k～Normal(0，v2)，标准差v的默认值是10，同样预先设定。当标准差的值越大时，表示节假日对模型的影响越大；当值越小时，表示节假日对模型的影响越小。
[0037]可选的，所述步骤S4包括：
[0038]所得模型结果结合GIS技术，实现对重过载设备及时定位；
[0039]基于预测模型对未来三天可能发生重过载的配变预测。
[0040]有益效果：
[0041]实时获取所有配电线路的电流值并展示给工作人员；对潜在的重过载风险进行提前预警，留给工作人员足够的反应时间。自动填补数据中的缺失值、自动检测和修正数据中的异常值。预测模型将预测值分解成趋势分量、周期分量和数据突变项分量，充分考虑了电力数据的周期性、季节性、以及节假日等影响因素，有效提升了预测准确率。
附图说明
[0042]为了更清楚地说明本申请的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于Prophet模型的配电线路电流预测与重过载预警及系统，其特征在于，所述方法包括：S1，获取配电线路历史数据以及实时采集各配电线路的实时负荷数据，对采集到的各类数据进行清洗处理；S2，基于Prophet模型分别构建对应季节项、趋势项、剩余项、节假日项的时间序列模型；S3，将清洗后的各类数据分别代入各时间序列模型中进行训练，当满足收敛条件后结束模型训练；S4，基于训练后的各时间序列模型进行负荷预测与重过载预警。2.根据权利要求1所述的基于Prophet模型的配电线路电流预测与重过载预警及系统，其特征在于，所述步骤S1中的清洗处理包括：对于数据中的无效值/缺失值x
t
，使用前5个有效值[x
t
‑1，...，x
t
‑5]的平均值填充；关于异常值，计算x
t
前一天数据的均值μ，标准差σ，若x
t
不在区间[μ
‑
2σ，u+2σ]内，则判定x
t
为异常值，并按照其大小将其修改为区间的上下界之一，即大于上界取上界，小于下界取下界。3.根据权利要求1所述的基于Prophet模型的配电线路电流预测与重过载预警及系统，其特征在于，所述步骤S2包括：季节项S
t
，趋势项T
t
，剩余项R
t
；因此Prophet算法将要预测的值y
t
分解成了四项，具体如下：y(t)＝g(t)+s(t)+h(t)+∈
t
，其中g(t)表示趋势项代表时间序列在非周期上的变化趋势；s(t)表示周期项，以周或年为单位；h(t)表示节假日项代表节假日影响；∈
t
表示误差项，Prophet算法通过拟合这几项累加得到时间序列预测值。4.根据权利要求3所述的基于Prophet模型的配电线路电流预测与重过载预警及系统，其特征在于，所述步骤S2包括：S21，构建分段函数表示的趋势项模型；分段线性函数指的是在每一个子区间上，函数都是线性函数，基于分段线性函数的模型如...

【专利技术属性】
技术研发人员：周述庆，王德胜，徐永强，胡云皓，周健华，张理淳，黄光敢，江小军，候邦广，郑哲，高佳，田奇，赵巍巍，
申请(专利权)人：国网浙江省电力有限公司瑞安市供电公司，
类型：发明
国别省市：