一种台区级电力短期负荷预测方法及系统技术方案

本发明专利技术涉及一种台区级电力短期负荷预测方法及系统,属于电力系统负荷预测技术领域。方法包括：根据低压配变的三相负荷序列，建立相应节点的特征序列和邻接矩阵，构建面向低压配电台区负荷预测的时空图数据和图数据样本；基于多源条件数据，构建相应的多源条件数据特征；根据构建的所述时空图数据与所述多源条件数据特征，训练条件自适应时空同步图卷积神经网络CASTSGCN模型；应用训练完成的所述CASTSGCN模型，预测低压配变三相负荷预测值；聚合所述配变三相的负荷预测值，获得下一时刻的低压配电台区的总负荷预测值。本方法有效解决了目前低压配电台区负荷预测忽视台区内用户用电行为之间存在的潜在空间相关性的问题，显著提升了低压配电台区负荷预测的精度。显著提升了低压配电台区负荷预测的精度。显著提升了低压配电台区负荷预测的精度。

【技术实现步骤摘要】
一种台区级电力短期负荷预测方法及系统


[0001]本专利技术属于电力系统负荷预测
，尤其涉及一种台区级电力短期负荷预测方法及系统。

技术介绍

[0002]目前，短期负荷预测研究主要聚焦于省级或市级区域电网，而以低压配变台区为研究对象的负荷预测，面临着供电区域小、用电负荷波动大和预测结果稳定性不足等问题，因此，基于粗粒度数据的传统预测方法难以适用于台区级负荷预测。随着配变在线监测设备的普及，海量台区负荷数据的采集与存储问题得以解决，从而使得基于细粒度数据的台区级负荷预测具备良好的数据基础。
[0003]现有台区级负荷预测方法主要基于随机森林、支持向量机、人工神经网络、长短期记忆神经网络等算法构建预测模型。然而，上述负荷预测方法均侧重于挖掘台区用电负荷序列的时间相关性，却忽略了台区内用户用电行为之间存在的潜在空间相关性(例如，在同一台区内，用户共享着相同的地理空间、气象条件、节假日信息、电价政策等综合因素)，因而在一定程度上造成台区级负荷预测精度难以进一步提升。

技术实现思路

[0004]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种台区级电力短期负荷预测方法及系统,有效解决了目前低压配电台区负荷预测忽视台区内用户用电行为之间存在的潜在空间相关性的问题，显著提升了低压配电台区负荷预测的精度。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]根据本专利技术的一个方面，本专利技术提供了一种台区级电力短期负荷预测方法，所述方法包括以下步骤：/>[0007]根据低压配变的三相负荷序列，建立相应节点的特征序列和邻接矩阵，构建面向低压配电台区负荷预测的时空图数据和图数据样本；
[0008]基于多源条件数据，构建相应的多源条件数据特征，所述多源条件数据包括星期类型、时刻信息、节假日、温度、湿度、风速、气压；
[0009]根据构建的所述时空图数据与所述多源条件数据特征，训练条件自适应时空同步图卷积神经网络CASTSGCN模型，挖掘低压配电台区负荷模式；
[0010]应用训练完成的所述CASTSGCN模型，预测低压配变三相负荷，分别得到下一时刻的配变三相的负荷预测值；
[0011]聚合所述配变三相的负荷预测值，获得下一时刻的低压配电台区的总负荷预测值。
[0012]优选地，所述根据低压配变的三相负荷序列，建立相应节点的特征序列和邻接矩阵，构建面向低压配电台区负荷预测的时空图数据和图数据样本包括：
[0013]将三相负荷序列作为图结构数据的每个节点的特征序列，计算各相负荷序列之间
的相关系数；
[0014]根据所述相关系数构建邻接矩阵A，其中，
[0015]或者A
ij
＝ρ
ij
[0016][0017]所述图数据样本为：
[0018]其中，为样本输入，为样本输出，为t时刻由节点特征构成的图信号矩阵，A
ij
为邻接矩阵A的第i行第j列的元素，ξ为阈值，ρ
ij
表示负荷序列X
i
和X
j
的皮尔逊相关系数，COV(X
i
,X
j
)表示X
i
和X
j
的协方差，和分别表示X
i
和X
j
的标准差。
[0019]优选地，所述基于多源条件数据，构建相应的多源条件数据特征包括：
[0020]分别构建星期类型序列W、时刻索引序列D、节假日标志序列H、温度特征序列E、湿度特征序列M、风速特征序列P、气压特征序列Q，对于t时刻，条件数据特征序列L由以上7个序列组成，表示为：
[0021]L＝[W,D,H,E,M,P,Q]。
[0022]优选地，所述训练条件自适应时空同步图卷积神经网络CASTSGCN模型包括：
[0023]设置所述CASTSGCN模型的参数，所述参数包括：历史负荷序列输入长度、条件数据特征维度、输入变换层维度、时空嵌入层维度、图卷积层层数、滑动窗长度、图卷积层激活函数、输出映射层维度、输出映射层激活函数、学习率、损失函数、学习衰减率、批量规模、训练周期。
[0024]优选地，所述聚合所述配变三相的负荷预测值，获得下一时刻的低压配电台区的总负荷预测值包括：
[0025]所述总负荷预测值的计算公式如下：
[0026][0027]式中，P
next
为低压配电台区的总负荷预测值，分别为根据所述CASTSGCN模型预测的未来下一时刻低压配变A、B、C三相的负荷预测值。
[0028]根据本专利技术的另一个方面，本专利技术还提供了一种台区级电力短期负荷预测系统，所述系统包括：
[0029]构建模块，用于根据低压配变的三相负荷序列，建立相应节点的特征序列和邻接矩阵，构建面向低压配电台区负荷预测的时空图数据和图数据样本；
[0030]基于多源条件数据，构建相应的多源条件数据特征，所述多源条件数据包括星期类型、时刻信息、节假日、温度、湿度、风速、气压；
[0031]训练模块，用于根据构建的所述时空图数据与所述多源条件数据特征，训练条件自适应时空同步图卷积神经网络CASTSGCN模型，挖掘低压配电台区负荷模式；
[0032]预测模块，用于应用训练完成的所述CASTSGCN模型，预测低压配变三相负荷，分别得到下一时刻的配变三相的负荷预测值；
[0033]聚合模块，用于聚合所述配变三相的负荷预测值，获得下一时刻的低压配电台区
的总负荷预测值。
[0034]优选地，所述构建模块根据低压配变的三相负荷序列，建立相应节点的特征序列和邻接矩阵，构建面向低压配电台区负荷预测的时空图数据和图数据样本包括：
[0035]将三相负荷序列作为图结构数据的每个节点的特征序列，计算各相负荷序列之间的相关系数；
[0036]根据所述相关系数构建邻接矩阵A，其中，
[0037]或者A
ij
＝ρ
ij
[0038][0039]所述图数据样本为：
[0040]其中，为样本输入，为样本输出，为t时刻由节点特征构成的图信号矩阵，A
ij
为邻接矩阵A的第i行第j列的元素，ξ为阈值，ρ
ij
表示负荷序列X
i
和X
j
的皮尔逊相关系数，COV(X
i
,X
j
)表示X
i
和X
j
的协方差，和分别表示X
i
和X
j
的标准差。
[0041]优选地，所述构建模块基于多源条件数据，构建相应的多源条件数据特征包括：
[0042]分别构建星期类型序列W、时刻索引序列D、节假日标志序列H、温度特征序列E、湿度特征序列M、风速特征序列P、气压特征序列Q，对于t时刻，条件数据特征序列L由以上7个序列组成，表示为：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种台区级电力短期负荷预测方法，其特征在于，所述方法包括以下步骤：根据低压配变的三相负荷序列，建立相应节点的特征序列和邻接矩阵，构建面向低压配电台区负荷预测的时空图数据和图数据样本；基于多源条件数据，构建相应的多源条件数据特征，所述多源条件数据包括星期类型、时刻信息、节假日、温度、湿度、风速、气压；根据构建的所述时空图数据与所述多源条件数据特征，训练条件自适应时空同步图卷积神经网络CASTSGCN模型，挖掘低压配电台区负荷模式；应用训练完成的所述CASTSGCN模型，预测低压配变三相负荷，分别得到下一时刻的配变三相的负荷预测值；聚合所述配变三相的负荷预测值，获得下一时刻的低压配电台区的总负荷预测值。2.根据权利要求1所述的方法，其特征在于，所述根据低压配变的三相负荷序列，建立相应节点的特征序列和邻接矩阵，构建面向低压配电台区负荷预测的时空图数据和图数据样本包括：将三相负荷序列作为图结构数据的每个节点的特征序列，计算各相负荷序列之间的相关系数；根据所述相关系数构建邻接矩阵A，其中，或者A
ij
＝ρ
ij
所述图数据样本为：其中，为样本输入，为样本输出，为t时刻由节点特征构成的图信号矩阵，A
ij
为邻接矩阵A的第i行第j列的元素，ξ为阈值，ρ
ij
表示负荷序列X
i
和X
j
的皮尔逊相关系数，COV(X
i
,X
j
)表示X
i
和X
j
的协方差，和分别表示X
i
和X
j
的标准差。3.根据权利要求2所述的方法，其特征在于，所述基于多源条件数据，构建相应的多源条件数据特征包括：分别构建星期类型序列W、时刻索引序列D、节假日标志序列H、温度特征序列E、湿度特征序列M、风速特征序列P、气压特征序列Q，对于t时刻，条件数据特征序列L由以上7个序列组成，表示为：L＝[W,D,H,E,M,P,Q]。4.根据权利要求3所述的方法，其特征在于，所述训练条件自适应时空同步图卷积神经网络CASTSGCN模型包括：设置所述CASTSGCN模型的参数，所述参数包括：历史负荷序列输入长度、条件数据特征维度、输入变换层维度、时空嵌入层维度、图卷积层层数、滑动窗长度、图卷积层激活函数、输出映射层维度、输出映射层激活函数、学习率、损失函数、学习衰减率、批量规模、训练周期。5.根据权利要求4所述的方法，其特征在于，所述聚合所述配变三相的负荷预测值，获
得下一时刻的低压配电台区的总负荷预测值包括：所述总负荷预测值的计算公式如下：式中，P
next
为低压配电台区的总负荷预测值，分别为根据所述CASTSGCN模型预测的未来下一时刻低压配变A、B、C三相的负荷预测值。6.一种台区级电力短期负荷预测系统，其特征在于，...

【专利技术属性】
技术研发人员：韩富佳，王晓辉，史梦洁，朱琼锋，王梓博，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：