一种电网配电重过载预测方法技术

本发明专利技术提供了一种电网配电重过载预测方法，属于电网运行与维护技术领域，该电网配电重过载预测方法包括以下步骤：S1：搭建系统结构；S2：改进HTAP数据库；S3：预测执行开始；S4：随机选取并用SQL调用特征工程算法；S5：选择用于预测的算法，并执行，得到预测模型M；S6：对生产域同步的负荷与环境数据进行预测，得到预警结果R；S7：将R推送并决策与维护使用；S8：将R进行比对；S9：对现行的特征工程算法与机器学习算法进行调整；S10：重新进行预测执行过程。该方法不需要进行任何数据迁移，能更加高效、准确地得到预测结果，从而更加有效地辅助配网工作计划、规划方案的制定，降低配变重过载发生概率，提升电网运行安全和供电服务质量。提升电网运行安全和供电服务质量。提升电网运行安全和供电服务质量。

【技术实现步骤摘要】
一种电网配电重过载预测方法


[0001]本专利技术涉及电网运行与维护
，具体而言，涉及一种电网配电重过载预测方法。

技术介绍

[0002]配网重过载预测在电网运行与维护领域属于较为重要的
，传统上存在多种方法来应对预测问题。相当一段时间来，以专家经验的人工方式为主，这种方法效果严重依据个人经验变化，准确率低，效率差；近年来，随着配电变压器等设备的在线监测设备装置的不断增长与升级，基于海量历史负荷与重过载样本数据的大数据分析预测方法发展迅速，各种统计分析法与机器学习算法被用于强相关负荷特征选取与重过载预测当中来，对根据配网重过载预警结果制定与实施维护工作计划起到很大的促进作用。
[0003]目前为止的大数据分析技术方法普遍存在如下问题：1.预测分析域的历史数据需要定期、定时从交易生产域被动采集，除了工作量巨大以外，预测的实时性无法保证，预测结果与实际事件的偏差也无法实时反馈；2.传统大数据分析工具与方法一是本身迭代周期长、效率低，二是与数据存储域(数据库)分离，多数情况下需要将相关数据搬移至专门的机器学习或者分析域才能进行，导致历史数据要经过从生产域到存储域(数据库)、以及从存储域到分析域的两次迁移，数据量大的情况下几乎很难承担；3.预测分析执行所选择的相关负荷特征与机器学习算法虽然有各种尝试与不同的效果，但一旦选定，就无法改变，不能根据实际预测的效果进行实时的适配调整，然而实际的情况是不同特征集与算法在实践中针对不同情况与环境效果并不能达到与研究与测试时的效果相同，需要动态调整；4.基于大数据分析的预测一般都需要一定数量的历史样本才能提高准确性，然而配网重过载多数情况下都是小样本事件，仅仅通过选取算法很难从根本上提高预测准确性。因此，实践中亟需更加高效、准确的预测方法。

技术实现思路

[0004]为了弥补以上不足，本专利技术提供了一种电网配电重过载预测方法，旨在改善上述
技术介绍
中提出的问题。
[0005]本专利技术是这样实现的：一种电网配电重过载预测方法，包括以下步骤：
[0006]S1：搭建基于HTAP数据库的配网重过载预测系统结构，将各台区电网负荷生产、事务数据置于事务域，将预测分析数据置于分析域，并完成事务域向分析域的大批量数据实时同步；
[0007]S2：改进HTAP数据库，在其分析域，以数据库SQL自定义函数UDF的形式，利用MPP特性，增加实现特征工程算法与机器学习算法；
[0008]S3：依据生产域发生的典型事件发生实时或者定时驱动预测执行开始；
[0009]S4：在HTAP数据库分析域，随机选取并用SQL调用特征工程算法，选择用于预测的相关负荷与环境特征集，并选取其涉及全域实时与历史数据；
[0010]S5：在HTAP数据库分析域，随机选取并用SQL调用机器学习算法，选择用于预测的算法，并基于步骤S4选取的全量数据集进行预测执行，得到预测模型M；
[0011]S6：利用预测模型M对生产域实时同步过来的一定时期的负荷与环境数据进行预测，得到预警结果R；
[0012]S7：将预警结果R推送到业务端供业务端进行决策与维护使用；
[0013]S8：将预警结果R与业务端各台区配网变压器的重过载发生情况进行比对；
[0014]S9：在HTAP数据库分析域，依据反馈差值集，对现行的特征工程算法与机器学习算法进行调整；
[0015]S10：依据生产域发生的新的典型事件或者定时重新进行预测执行过程。
[0016]在本专利技术的一种优选技术方案中，在S2中，增加实现特征工程算法时，初期增加主成分分析法PCA、关联规则方法Apriori两种，分别记为FUDF_PCA，FUDF_APRIORI，后期根据需求增加。
[0017]在本专利技术的一种优选技术方案中，在S2中，增加机器学习算法时，初期增加逻辑回归、支持向量机、典型深度学习CNN算法，分别记为MUDF_LR,MUDF_SVM,MUDF_RESNET，后期可根据需求增加。
[0018]在本专利技术的一种优选技术方案中，步骤S4中，选取并用SQL调用的特征工程算法为FUDF_PCA。
[0019]在本专利技术的一种优选技术方案中，步骤S5中，选取并用SQL调用机器学习的算法为MUDF_LR。
[0020]在本专利技术的一种优选技术方案中，步骤S8中，预警结果R与业务端各台区配网变压器的重过载发生情况比对的方法为用预测的发生概率值P与实际值进行差值，将差值集反馈至HTAP数据库分析域。
[0021]在本专利技术的一种优选技术方案中，步骤S9中，调整规则为：如果反馈差值集的均值大于0.5，则进行算子更换，否则不换，算子的替换采用随机方法。
[0022]本专利技术的有益效果是：1.完成基于HTAP数据库的一体化预测系统结构设计，简易方便，并且避免了传统方法中多次大量数据的迁移过程；
[0023]2.实时主动同步批量负荷与环境生产数据，不需要分析域被动抓取数据，天然自动形成全量数据集，增加了实时性与准确性；
[0024]3.HTAP数据库分析域的极限分析与增量更新特性，大大提高了分析预测的执行效率；
[0025]4.预测结果与实际事件的差值反馈算法调整策略，弥补了小样本预测的精确性不足与算法的适用性，大大提高了准确性；
[0026]5.数据库内嵌的特征工程与机器学习模型预测方法，直接用SQL实现了所有的模型预测过程，易于实现，方便掌握，在实践中有很大的实用于与推广性。
[0027]本专利技术在实践中为配网重过载预测提供了新的系统结构与方法，完全在数据库中实现，不需要进行任何数据迁移，方便易行，能更加高效、准确地得到预测结果，从而更加有效地辅助配网工作计划、规划方案的制定，降低配变重过载发生概率，提升电网运行安全和供电服务质量。
附图说明
[0028]为了更清楚地说明本专利技术实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0029]图1是本专利技术实施方式提供的流程图；
[0030]图2为本专利技术实施方式提供的逻辑功能图。
具体实施方式
[0031]为使本专利技术实施方式的目的、技术方案和优点更加清楚，下面将结合本专利技术实施方式中的附图，对本专利技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本专利技术一部分实施方式，而不是全部的实施方式。基于本专利技术中的实施方式，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方式，都属于本专利技术保护的范围。
[0032]实施例
[0033]传统的大数据分析技术方法普遍存在较多问题，有鉴于此，专利技术人经过长期观察和研究发现，提供一种新的生产域+分析域、即时数据+历史数据、以及实时事件反馈相集成的配网重过载预测架构模型方法。
[0034本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电网配电重过载预测方法，其特征在于，包括以下步骤：S1：搭建基于HTAP数据库的配网重过载预测系统结构，将各台区电网负荷生产、事务数据置于事务域，将预测分析数据置于分析域，并完成事务域向分析域的大批量数据实时同步；S2：改进HTAP数据库，在其分析域，以数据库SQL自定义函数UDF的形式，利用MPP特性，增加实现特征工程算法与机器学习算法；S3：依据生产域发生的典型事件发生实时或者定时驱动预测执行开始；S4：在HTAP数据库分析域，随机选取并用SQL调用特征工程算法，选择用于预测的相关负荷与环境特征集，并选取其涉及全域实时与历史数据；S5：在HTAP数据库分析域，随机选取并用SQL调用机器学习算法，选择用于预测的算法，并基于步骤S4选取的全量数据集进行预测执行，得到预测模型M；S6：利用预测模型M对生产域实时同步过来的一定时期的负荷与环境数据进行预测，得到预警结果R；S7：将预警结果R推送到业务端供业务端进行决策与维护使用；S8：将预警结果R与业务端各台区配网变压器的重过载发生情况进行比对；S9：在HTAP数据库分析域，依据反馈差值集，对现行的特征工程算法与机器学习算法进行调整；S10：依据生产域发生的新的典型事件或者定时重新进行预测执行过程。2.根据权...

【专利技术属性】
技术研发人员：杨晶晶，钱正浩，江疆，邵彦宁，徐欢，杨秋勇，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：