【技术实现步骤摘要】
一种低压配网日用电量预测方法、系统、设备和存储介质
[0001]本专利技术涉及低压配网
，尤其涉及一种低压配网日用电量预测方法、系统、设备和存储介质。
技术介绍
[0002]随着电力行业的不断发展，以太阳能、风能、潮汐能、生物质能等为主体的新能源发电技术也得到了快速的发展，相应的技术也在逐步完善并推广使用。目前以风力发电和太阳能光伏发电为代表的分布式电源就地的接入低压配网，使得低压配网用户可以实现电力的自发自用，也可以与电网进行交易，极大的提高了电能的利用率。
[0003]然而，正是由于分布式电源的种类多，以及分布式电源本身的波动性和断续性，就使得此类分布式电源接入低压配网后，给电网的安全稳定造成了较大的不利影响，导致对低压电网的日用电量预测更加的困难。
技术实现思路
[0004]本专利技术提供了一种低压配网日用电量预测方法、系统、设备和存储介质，解决了现有的分布式电源接入低压配网后，给电网的安全稳定造成了较大的不利影响，导致对低压电网的日用电量预测更加的困难的技术问题。
[0005]本...
【技术保护点】
【技术特征摘要】
1.一种低压配网日用电量预测方法，其特征在于，包括：获取分布式电源和低压配电网的历史运行数据；将所述历史运行数据进行归一化处理并分类，生成训练样本和测试样本；采用所述训练样本对预设的初始均值聚类模型进行训练学习，生成更新均值聚类模型；将所述测试样本输入所述更新均值聚类模型进行预测，输出预测结果并确定目标均值聚类模型；通过所述目标均值聚类模型对所述低配电网对应的日用电量进行预测，生成日用电量预测数据。2.根据权利要求1所述的低压配网日用电量预测方法，其特征在于，所述将所述历史运行数据进行归一化处理并分类，生成原始样本和新增样本的步骤，包括：对所述历史运行数据进行冗余数据处理，生成更新历史运行数据；对所述更新历史运行数据进行归一化处理，生成目标历史运行数据；按照样本类型对所述目标历史运行数据进行分类，生成训练样本和测试样本。3.根据权利要求1所述的低压配网日用电量预测方法，其特征在于，所述采用所述训练样本对预设的初始均值聚类模型进行训练学习，生成更新均值聚类模型的步骤，包括：将所述训练样本输入预设的初始均值聚类模型进行训练，输出更新训练样本并生成中间均值聚类模型；按照预设时间段划分所述更新训练样本，生成原始样本和新增样本；采用所述原始样本和所述新增样本对所述中间均值聚类模型进行训练学习，生成更新均值聚类模型。4.根据权利要求3所述的低压配网日用电量预测方法，其特征在于，所述中间均值聚类模型包括第一中间均值聚类模型和第二中间均值聚类模型；所述采用所述原始样本和所述新增样本对所述中间均值聚类模型进行训练学习，生成更新均值聚类模型的步骤，包括：将多个所述原始样本对应的用电数据映射到所述第一中间均值聚类模型对应的高维空间进行聚类，生成多个聚类簇并确定所述聚类簇的样本个数；从全部所述用电数据中选取所述原始样本对应的用电数据作为目标用电数据点；分别计算所述目标用电数据点与各个所述聚类簇的聚类中心点之间的距离，生成多个数据距离；将所述用电数据对应的原始样本归类至所述数据距离的最小值对应的聚类簇；从剩余的所述用电数据中选取所述原始样本对应的用电数据作为目标用电数据，并跳转执行所述分别计算所述目标用电数据与各个所述聚类簇对应的中心点之间的距离，生成多个数据距离的步骤，直至不存在剩余的所述用电数据；选取与各个所述聚类簇的聚类中心点的数据距离的最小值对应的原始样本对应的用电数据作为更新聚类簇的聚类中心点；跳转执行所述从全部所述用电数据中选取所述原始样本对应的用电数据作为目标用电数据点的步骤，直至各个所述更新聚类簇的原始样本数量等于所述样本个数，并生成所述第二中间均值聚类模型；将所述新增样本输入所述第二中间均值聚类模型进行训练学习，生成更新均值聚类模
型。5.根据权利要求4所述的低压配网日用电量预测方法，其特征在于，所述分别计算所述目标用电数据点与各个所述聚类簇的聚类中心点之间的距离，生成多个数据距...
【专利技术属性】
技术研发人员：史军，王滔，郑炜楠，毛田，赵文猛，周保荣，
申请(专利权)人：深圳供电局有限公司，
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。