一种配变负荷预测及重过载预警方法及系统技术方案

本发明专利技术公开了一种配变负荷预测及重过载预警方法及系统，此方法包括步骤：获得台区负荷量测数据及天气气象数据，以及生成节假日数据，得到时间序列样本集；对时间序列样本集中影响配变负荷的因素进行特征分析，选择强相关性特征与负荷数据，生成预测模型的样本数据；搭建时间卷积网络负荷预测模型，进行预测模型学习训练并调整优化模型参数；搭建极限梯度提升树预测模型，生成日负荷峰值区间样本集，进行模型学习训练；将样本数据输入极限梯度提升树模型及时间卷积网络负荷预测模型，使用峰值负荷预测补正负荷整体预测，生成最终预测结果；根据预测负荷水平判断配变运行风险，发出台区重过载预警信息。本发明专利技术具有预测精度高等优点。优点。优点。

【技术实现步骤摘要】
一种配变负荷预测及重过载预警方法及系统


[0001]本专利技术主要涉及电力
，具体涉及一种配变负荷预测及重过载预警方法及系统。

技术介绍

[0002]近年来，随着国民经济的快速发展和新电力体制改革的推进，工业用电量、居民生活用电量都急速增长，配电变压器数量随之迅速增加,电力负荷整体呈现较高的增长速度，我国负荷峰值不断刷新，高峰时期的供需不平衡程度不断加深。每年夏季、春节等时间段，用户用电需求增加用电负荷剧增，大量配变处于重过载运行状态，而配电网供电可靠性直接影响用电客户的满意度。尖峰负荷预测能够预警配变重过载运行风险，帮助电网调度人员在负荷高位急速攀峰之前综合评估衡量配变的承受能力，综合考虑是否需要对配变进行快速调整以维持配变安全运行及电力的供需平衡。然而，目前以配变峰值负荷预测为重点的研究工作较为有限，传统负荷预测方法以整体预测误差函数优化模型参数，不适用于配变峰值负荷预测，此外配变峰值负荷易受外界如气象、温度等因素的影响，给峰值负荷预测带来挑战。
[0003]已有学者在峰值负荷预测方面开展了部分研究，大多数相关研究主要分为混合预测框架和两阶段预测框架两种类型。目前已有的峰值负荷预测还存在以下缺陷，具体如下：1)传统机器学习方法不适用于目前数据量大、时序性强的时间序列样本；2)峰值负荷很大程度受到外界因素如气象、温度等的影响，目前负荷预测过程中仅考虑负荷自身时序规律，忽略了外界因素对配变运行的影响；3)峰值负荷预测不仅包括峰值负荷的幅值，峰值出现及持续时间同样重要，目前方法大多数依赖于负荷预测结果，通过比较预测值的大小确定峰值时刻，不利于精确判断配变重过载发生时刻。这些原因，导致峰值负荷预测性能较差，配变重过载预警准确性不足。

技术实现思路

[0004]本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种预测精度高的配变负荷预测及重过载预警方法及系统。
[0005]为解决上述技术问题，本专利技术提出的技术方案为：
[0006]一种配变负荷预测及重过载预警方法，包括步骤：
[0007]获得台区负荷量测数据及天气气象数据，以及生成节假日数据，得到时间序列样本集；
[0008]对时间序列样本集中影响配变负荷的因素进行特征分析，选择强相关性特征与负荷数据，生成预测模型的样本数据；
[0009]搭建时间卷积网络负荷预测模型，通过样本数据进行预测模型学习训练并调整优化模型参数；
[0010]搭建极限梯度提升树预测模型，通过样本数据生成日负荷峰值区间样本集，进行
模型学习训练，使用贝叶斯优化算法优化模型参数；
[0011]将样本数据输入极限梯度提升树模型及时间卷积网络负荷预测模型，使用峰值负荷预测补正负荷整体预测，生成最终预测结果；根据预测负荷水平判断配变运行风险，发出台区重过载预警信息。
[0012]优选地，获得台区负荷量测数据及天气气象数据，以及生成节假日数据，得到时间序列样本集的具体过程为：
[0013]S101、获取台区负荷量测数据及天气气象数据；其中台区负荷量测数据为台区历史日用电量数据，包括历史三个月用电数据及历史同期用电数据；天气气象数据包括温度、湿度、风速和风力；节假日数据由负荷数据所属日期生成；其中台区负荷量测数据、天气气象数据和节假日数据均为时间序列数据；
[0014]S102、通过箱型图法剔除台区负荷量测数据及天气气象数据中异常的时间序列数据，采用最小二乘回归法及线性插值法填充缺失时间序列数据，生成清洗后的气象数据和负荷数据；
[0015]S103、对清洗后的气象数据与负荷测量数据进行归一化处理，生成时间序列样本集。
[0016]优选地，在步骤S102中，通过箱线图法剔除台区负荷量测数据及天气气象数据中异常的时间序列数据的过程如下：依据数据偏离平均水平程度来检测配变负荷异常数据，统计样本上四分位数记为Q
U
，下四分位数记为Q
L
，计算四分位位距Q
R
，公式如下：
[0017]Q
R
＝Q
L
‑
Q
U
[0018]其中，在区间[Q
U
‑
1.5Q
R
,Q
L
+1.5Q
R
]范围外的数据判定为异常值，剔除后与样本缺失值一同填补。
[0019]优选地，在步骤S102中，采用最小二乘回归法及线性插值法填充缺失时间序列数据的具体过程如下：缺失数据分以下两种情况处理，对于单点缺失，由于电力负荷时间序列具有前后连续性，采用线性插值方法填补，即取缺失点前后两点平均值填补；对于连续缺失，使用最小二乘回归方法填补，即将缺失区间前后的样本作为训练数据，建立回归模型并训练，最后对缺失区间以模型回归结果进行填补。
[0020]优选地，步骤S103中对清洗后的气象数据与负荷测量数据进行归一化处理的具体过程为：
[0021]归一化公式具体如下：
[0022][0023]式中，X'为最终归一化值，X为原始值，X
max
和X
min
分别为原始数据序列中最大值和最小值。
[0024]优选地，对影响配变负荷的因素进行特征分析，选择强相关性特征与负荷数据，生成预测模型的样本数据的具体过程为：
[0025]S201、计算不同因素与配变负荷之间的皮尔逊相关系数，衡量不同因素与负荷的相关性；
[0026]S202、选择相关性系数高于预设值的特征因素和负荷数据一同作为预测模型的样本数据；
[0027]S203、将预测模型的样本数据划分为训练样本集、验证样本集和测试样本集。
[0028]优选地，搭建时间卷积网络负荷预测模型，通过样本数据进行预测模型学习训练并调整优化模型参数的具体过程为：
[0029]S301、搭建时间卷积网络负荷预测模型，时间卷积网络负荷预测模型的超参数包括神经网络隐层数量、隐层神经元数量、学习率和dropout；
[0030]S302、将训练样本集作为样本数据，将对应负荷预测样本数据作为输出数据；
[0031]S303、采用Adam确定预测模型的最优超参数，输入到时间卷积网络负荷预测模型。
[0032]优选地，搭建极限梯度提升树预测模型，通过样本数据生成日负荷峰值区间样本集，进行模型学习训练，使用贝叶斯优化算法优化模型参数的具体过程为：
[0033]S401、搭建极限梯度提升树预测模型；极限梯度提升树预测模型的超参数包括决策树数目和学习率；
[0034]S402、选取原负荷样本每日峰值负荷附近区间数据生成日负荷峰值区间样本，将日负荷峰值区间样本集作为样本数据，将对应峰值负荷区间预测样本数据作为峰值负荷预测输出数据；
[0035]S403、采用贝叶斯优化算法确定极限梯度提升树预测模型的最优超参数，在验证样本集中对超参数进行微调。
[0036]优选地，将样本数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配变负荷预测及重过载预警方法，其特征在于，包括步骤：获得台区负荷量测数据及天气气象数据，以及生成节假日数据，得到时间序列样本集；对时间序列样本集中影响配变负荷的因素进行特征分析，选择强相关性特征与负荷数据，生成预测模型的样本数据；搭建时间卷积网络负荷预测模型，通过样本数据进行预测模型学习训练并调整优化模型参数；搭建极限梯度提升树预测模型，通过样本数据生成日负荷峰值区间样本集，进行模型学习训练，使用贝叶斯优化算法优化模型参数；将样本数据输入极限梯度提升树模型及时间卷积网络负荷预测模型，使用峰值负荷预测补正负荷整体预测，生成最终预测结果；根据预测负荷水平判断配变运行风险，发出台区重过载预警信息。2.根据权利要求1所述的配变负荷预测及重过载预警方法，其特征在于，获得台区负荷量测数据及天气气象数据，以及生成节假日数据，得到时间序列样本集的具体过程为：S101、获取台区负荷量测数据及天气气象数据；其中台区负荷量测数据为台区历史日用电量数据，包括历史三个月用电数据及历史同期用电数据；天气气象数据包括温度、湿度、风速和风力；节假日数据由负荷数据所属日期生成；其中台区负荷量测数据、天气气象数据和节假日数据均为时间序列数据；S102、通过箱型图法剔除台区负荷量测数据及天气气象数据中异常的时间序列数据，采用最小二乘回归法及线性插值法填充缺失时间序列数据，生成清洗后的气象数据和负荷数据；S103、对清洗后的气象数据与负荷测量数据进行归一化处理，生成时间序列样本集。3.根据权利要求2所述的配变负荷预测及重过载预警方法，其特征在于，在步骤S102中，通过箱线图法剔除台区负荷量测数据及天气气象数据中异常的时间序列数据的过程如下：依据数据偏离平均水平程度来检测配变负荷异常数据，统计样本上四分位数记为Q
U
，下四分位数记为Q
L
，计算四分位位距Q
R
，公式如下：Q
R
＝Q
L
‑
Q
U
其中，在区间[Q
U
‑
1.5Q
R
,Q
L
+1.5Q
R
]范围外的数据判定为异常值，剔除后与样本缺失值一同填补。4.根据权利要求3所述的配变负荷预测及重过载预警方法，其特征在于，在步骤S102中，采用最小二乘回归法及线性插值法填充缺失时间序列数据的具体过程如下：缺失数据分以下两种情况处理，对于单点缺失，由于电力负荷时间序列具有前后连续性，采用线性插值方法填补，即取缺失点前后两点平均值填补；对于连续缺失，使用最小二乘回归方法填补，即将缺失区间前后的样本作为训练数据，建立回归模型并训练，最后对缺失区间以模型回归结果进行填补。5.根据权利要求4所述的配变负荷预测及重过载预警方法，其特征在于，步骤S103中对清洗后的气象数据与负荷测量数据进行归一化处理的具体过程为：归一化公式具体如下：
...

【专利技术属性】
技术研发人员：邓威，李勇，任奇，张帝，康童，梅玉杰，任磊，周恒逸，唐海国，朱吉然，张志丹，刘奕，游金梁，周可慧，贺思林，
申请(专利权)人：国网湖南省电力有限公司电力科学研究院国家电网有限公司，
类型：发明
国别省市：