一种主变负荷预测方法及系统技术方案

本发明专利技术提供一种主变负荷预测方法及系统，所述方法通过获取气象、历史负荷、电价、日期类型和钢铁价格数据，对数据进行一致性检查并处理无效值和缺失值，然后构建负荷预测模型并以检查处理后的数据对模型进行训练测试，根据训练测试结果对相应的预测算法进行封装，方便后续直接调用以进行日前或日内电力负荷预测。所述系统用于实施以上预测方法，包括负荷预测模块、模型管理模块、参数管理模块和系统管理模块，各个模块间相互连接，采用神经网络模型对主变负荷进行可靠的、智能化的预测，减少人工操作的劳动强度和随机性，实现快速、准确地对全电压等级主变负荷进行预测。全电压等级主变负荷进行预测。全电压等级主变负荷进行预测。

【技术实现步骤摘要】
一种主变负荷预测方法及系统


[0001]本专利技术涉及主变压器负荷预测领域，尤其涉及一种主变负荷预测方法及系统。

技术介绍

[0002]电力系统负荷是实时变化的，对负荷的准确预测将可避免的负荷与发电出力的不平衡、避免设备重过载等，负荷预测是电力调度工作的重要依据。如图1展示了负荷预测在电网运行中的作用。
[0003]除出于对整个电网负荷与出力的平衡考虑外，还常需考虑各子系统的平衡问题，一般以主变压器台区作为子区域单位，进行负荷再分配。主变的运行受容量限制，为避免主变重过载，对主变负荷的事前预测是至关重要的。调度中心在安排方式计划、错避峰计划时，均需了解可靠的主变负荷预测信息。
[0004]目前现有技术中，部分电网系统仅具备对于地级网区系统和关键母线的负荷预测功能，且以传统算法为主，缺少对主变负荷的可靠的、智能化预测手段，且无相应负荷预测模型。若交由人工预测，需每天对24
×
N(或96
×
N)个负荷数据进行预测(N是所需预测的主变数量),该工作量几乎是不可完成的，且人为预测存在随机性，难以作为调度依据。

技术实现思路

[0005]本专利技术提供一种主变负荷预测方法及系统，所述方法及系统通过获取气象、历史负荷、电价、日期类型和钢铁价格数据，对数据进行一致性检查并处理无效值和缺失值，然后构建负荷预测模型并以检查处理后的数据对模型进行训练测试，根据训练测试结果对相应的预测算法进行封装，方便后续直接调用以进行日前或日内电力负荷预测，实现对主变负荷进行可靠的、智能化的预测。
[0006]为达到上述目的，本专利技术采取的技术方案如下：
[0007]一种主变负荷预测方法，包括以下步骤：
[0008]S1：获取气象、历史负荷、电价、日期类型和钢铁价格数据；
[0009]S2：对数据进行一致性检查并处理无效值和缺失值；
[0010]S3：构建负荷预测模型并以检查处理后的数据对模型进行训练测试；
[0011]S4：根据负荷预测模型训练测试结果对相应的预测算法进行封装。
[0012]进一步的，所述负荷预测模型包括LSTM神经网络模型。
[0013]进一步的，所述构建负荷预测模型并以检查处理后的数据对模型进行训练测试，包括以下步骤：
[0014]S31：建立数据集样本，以气象、历史负荷、电价、日期类型和和钢铁价格数据形成数据库；
[0015]S32：对数据库进行归一处理并按比例分为训练数据集和测试数据集；
[0016]S33：利用训练数据集对LSTM神经网络模型进行训练；
[0017]S34：利用测试数据集对LSTM神经网络模型进行测试，将测试结果进行反归一化处
理以得到负荷预测值；
[0018]S35：将负荷预测值与实际负荷对比，采用误差的均方根值衡量LSTM神经网络模型的预测准确性。
[0019]进一步的，所述对数据库进行归一处理是指将数据进行归一化处理为[0,1]区间内。
[0020]进一步的，所述利用训练数据集对LSTM神经网络模型进行训练，是指按照排列方式将训练数据集的输入输出分别作为LSTM神经网络模型的输入和输出进行训练，训练中采用梯度下降法对LSTM神经网络模型参数进行调整，代价函数为平方重构误差。
[0021]进一步的，所述训练数据集与测试数据集的比例采用7：3；所述训练数据集中分为有标签数据和无标签数据。
[0022]进一步的，所述LSTM神经网络模型隐含层为三层，每层设置隐含节点150个，最后作为模型输出层的一层为全连接层。
[0023]进一步的，所述气象数据包括温度、相对湿度、光照和降水量数据。
[0024]一种主变负荷预测系统，用于实施所述的主变负荷预测方法，包括负荷预测模块、模型管理模块、参数管理模块和系统管理模块；各个模块间相互连接；所述负荷预测模块用于预测用电负荷；所述模型管理模块用于训练LSTM神经网络模型并发布；所述参数管理模块用于设置和管理预测的参数和主变压器的参数；所述系统管理模块用于对系统操作用户进行管理。
[0025]进一步的，所述模型管理模块中设有模型训练、模型发布和输入数据模型单元；所述参数管理模块中设置有预测参数管理和主变管理单元。
[0026]本专利技术提供一种主变负荷预测方法及系统，所述方法通过获取气象、历史负荷、电价、日期类型和钢铁价格数据，对数据进行一致性检查并处理无效值和缺失值，然后构建负荷预测模型并以检查处理后的数据对模型进行训练测试，根据训练测试结果对相应的预测算法进行封装，方便后续直接调用以进行日前或日内电力负荷预测。所述系统用于实施以上预测方法，包括负荷预测模块、模型管理模块、参数管理模块和系统管理模块，各个模块间相互连接，采用神经网络模型对主变负荷进行可靠的、智能化的预测，减少人工操作的劳动强度和随机性，实现快速、准确地对全电压等级主变负荷进行预测。
附图说明
[0027]图1为负荷预测在电网运行中的作用示意图；
[0028]图2为一种主变负荷预测方法流程图；
[0029]图3为构建负荷预测模型并进行训练测试流程图；
[0030]图4为LSTM神经网络模型结构示意图；
[0031]图5为一种主变负荷预测系统组成结构示意图。
具体实施方式
[0032]下面结合附图对本公开实施例进行详细描述。
[0033]以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开
一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0034]实施例一
[0035]如图2所示的一种主变负荷预测方法流程图，所述负荷预测方法包括以下步骤：
[0036]S1：获取负荷预测需要的气象、历史负荷、电价、日期类型和和钢铁价格数据；
[0037]S2：对获取的数据进行数据一致性检查，并处理无效值和缺失值；
[0038]S3：构建负荷预测模型并根据检查处理后的数据对模型进行训练测试；
[0039]S4：根据负荷预测模型训练测试结果对相应的预测算法进行封装,方便后续直接调用以进行日前或日内电力负荷预测。
[0040]具体实施中，所述获取负荷预测需要的气象、历史负荷、电价和钢铁价格数据时，需要通过跟内网天气API接口及内网负荷数据接口做数据对接，通过数据接口获得气象数据、负荷数据、钢铁价格数据和电价等数据。所述气象数据按不同地区进行分类，每个地区的数据里包括相应温度、相对湿度和降水量等。所述负本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种主变负荷预测方法，其特征在于，包括以下步骤：S1：获取气象、历史负荷、电价、日期类型和钢铁价格数据；S2：对数据进行一致性检查并处理无效值和缺失值；S3：构建负荷预测模型并以检查处理后的数据对模型进行训练测试；S4：根据负荷预测模型训练测试结果对相应的预测算法进行封装。2.根据权利要求1所述的主变负荷预测方法，其特征在于，所述负荷预测模型包括LSTM神经网络模型。3.根据权利要求2所述的主变负荷预测方法，其特征在于，所述构建负荷预测模型并以检查处理后的数据对模型进行训练测试，包括以下步骤：S31：建立数据集样本，以气象、历史负荷、电价、日期类型和和钢铁价格数据形成数据库；S32：对数据库进行归一处理并按比例分为训练数据集和测试数据集；S33：利用训练数据集对LSTM神经网络模型进行训练；S34：利用测试数据集对LSTM神经网络模型进行测试，将测试结果进行反归一化处理以得到负荷预测值；S35：将负荷预测值与实际负荷对比，采用误差的均方根值衡量LSTM神经网络模型的预测准确性。4.根据权利要求3所述的主变负荷预测方法，其特征在于，所述对数据库进行归一处理是指将数据进行归一化处理为[0,1]区间内。5.根据权利要求3所述的主变负荷预测方法，其特征在于，所述利用训练数据集对LSTM神经网络模型进行训练...

【专利技术属性】
技术研发人员：戚焕兴，唐家淳，万俊，张仙仙，黄阳龙，覃静竹，张森，张捷，徐文文，赖铭源，
申请(专利权)人：广西电网有限责任公司北海供电局，
类型：发明
国别省市：