基于随机聚类的电力负荷层次时间序列预测方法技术

本发明专利技术公开了基于随机聚类的电力负荷层次时间序列预测方法，包括如下步骤：S1、获取地理层次结构中的电力区块对应的电力日负荷值，基于区块规划相似度对地理层次结构进行重构并获取电力负荷时间序列；S2、基于随机自适应搜索策略对电力负荷时间序列进行聚类得到若干电力负荷时间序列簇；S3、基于电力负荷时间序列簇建立地理层次、聚类层次统一的层次时间序列电力负荷预测模型；S4、基于三次指数平滑法构建基础预测模型，基于基础预测模型结合广义最小二乘法求解层次时间序列电力负荷预测模型得到电力负荷最优估计，方案可以有效消除数据偏差并减少参与运算的数据量，提高了负荷预测的速度和精度。预测的速度和精度。预测的速度和精度。

【技术实现步骤摘要】
基于随机聚类的电力负荷层次时间序列预测方法


[0001]本专利技术涉及信息处理
，具体的，涉及基于随机聚类的电力负荷层次时间序列预测方法。

技术介绍

[0002]随着电力智能电表的广泛部署，获取的用电负荷以时间序列数据收集并存储，由于这部分数据涉及的电力网络复杂多变，且智能电表仅仅记载各用电设备或用电单元的用电情况，如若仅仅从智能电表采集的数据去核查负载端的用电情况，往往忽略了电力传输和使用上的电力损耗问题，导致源端的历史数据缺乏准确性和可靠性，当基于此电力历史数据对负荷预测模型进行训练并预测电力负荷时，会导致预测数据出现较大的系统误差。
[0003]现有技术中往往采取分层时间序列预测方法独立地执行低级别区域对应的电力负荷时间序列预测，然后加总得到高级别区域对应的电力负荷时间序列预测。分层时间序列预测的首要步骤构建基础聚类算法，虽然k
‑
means聚类算法是应用最广泛的算法之一，但k
‑
means聚类算法存在不能适应多种距离度量、聚类中心通常不是数据集中的一个点、很可能受到个别极端数据点的干扰等弊端。k
‑
medoids算法数据噪声的鲁棒性较好，解决了k
‑
means聚类的可解释性问题，降低了一些偏差很大的异常点对整体聚类效果的影响，但运行速度较慢，因此当前算法在聚类准确度和运算速度的协调改进中还有上升空间。
[0004]在所述
技术介绍
部分公开的上述信息仅用于加强对本申请的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0005]本专利技术的目的是解决现有电力负荷预测方法面临的预测精度和运算速度不佳的技术问题，提出了基于随机聚类的电力负荷层次时间序列预测方法，首先基于电力区块的地理层次结构和用电特性获取区块规划相似度，基于区块规划相似度对地理层次结构进行重构，保证采集的历史电力负荷数据的准确可靠性，通过重构地理层次结构和采用随机自适应搜索策略可以有效解决数据不准确和运算复杂度高的问题，进而改善预测精度和运算速度。同时，本申请通过建立统一的层次时间序列预测模型，使用三次指数平滑法作为基础预测模型，并结合广义最小二乘法求解得到电力负荷的最优估计，从而进一步提高负荷预测精度。
[0006]本专利技术实施例中提供的一种技术方案是：基于随机聚类的电力负荷层次时间序列预测方法，包括如下步骤：S1、获取地理层次结构中的电力区块对应的电力日负荷值，基于区块规划相似度对地理层次结构进行重构并获取电力负荷时间序列；S2、基于随机自适应搜索策略对电力负荷时间序列进行聚类得到若干电力负荷时间序列簇；S3、基于电力负荷时间序列簇建立地理层次、聚类层次统一的层次时间序列电力
负荷预测模型；S4、基于三次指数平滑法构建基础预测模型，基于基础预测模型结合广义最小二乘法求解层次时间序列电力负荷预测模型得到电力负荷最优估计。
[0007]本方案中，在对历史电力负荷数据进行分析之前，首先对历史电力负荷数据对应的电力区块进行分析，考虑到电力传输过程中的电力损耗问题，仅仅依赖智能电表采集电力负荷数据会存在电力节点数过多、数据量过大的问题，不能真实反映不同地理层级的电力区块的实际耗电情况，因此，本申请基于电力区块的地理层次结构和用电特性获取区块规划相似度，基于区块规划相似度对地理层次结构进行重构，对地理层次结构进行优化，减少参与运算的电力节点数量，保证采集的历史电力负荷数据的准确可靠性；针对聚类过程中计算复杂度高的问题，提出基于随机自适应搜索策略对电力负荷时间序列进行聚类得到若干电力负荷时间序列簇，对运算过程进行优化提高数据运算速度；然后建立地理层次、聚类层次统一的层次时间序列预测模型，使用三次指数平滑法作基础预测模型结合广义最小二乘法求解层次时间序列电力负荷预测模型得到电力负荷最优估计，显著提高负荷预测的精度和运算速度。
[0008]作为优选，所述获取地理层次结构中的电力区块对应的电力日负荷值，基于区块规划相似度对地理层次结构进行重构并获取电力负荷时间序列，包括如下步骤：S11、基于初始电力区块的地理位置以及电力区块之间的潮流方向获取电力血缘关系链路，基于电力血缘关系链路的末端电力区块获取与上游电力区块之间的电力路径，基于电力路径以及损耗系数计算路径潮流损耗值；S12、基于上游电力供应流量值、路径潮流损耗值获取末端电力区块负荷值，基于末端电力区块对应的电力交易值计算得到隶属于末端电力区块的静态负荷值；S13、基于电力区块对应的静态负荷值、有效能耗比计算相邻电力区块的区块规划相似度，若区块规划相似度处于设定相似度阈值范围内，则将末端电力区块以及上游电力区块进行合并构建融合电力区块；S14、由电力血缘链路的末端电力区块开始按照步骤S12
‑
S13基于血缘关系由下往上依次获取满足相似度判定条件的融合电力区块；基于融合电力区块对电力血缘关系链路进行更新得到电力血缘关系更新链路；S15、对若干电力血缘关系更新链路进行合并重组得到对应的地理层次结构，计算地理层次结构中各电力区块的电力日负荷值得到对应的电力负荷时间序列。
[0009]本方案中，首先，对初始的电力区块进行分析，以电力区块的地理位置以及电力区块之间的潮流方向获取电力血缘关系链路，潮流方向表征电力区块之间的层级关系以及电力传输方向，分别计算相邻电力区块之间的电力路径，并基于电力路径以及损耗系数（损耗系数基于导体的长度、导体的电阻以及流通导体的电压或电流共同作用）计算路径潮流损耗值，潮流损耗值作为电力传输过程中的系统损耗值，当需要进行电力规划、管理时，电力损耗数据参与到电力负荷的分析和计算中，可以保证电力负荷数据的准确可靠性，避免了仅仅依赖智能电表采集的用电终端数据的弊端；上游电力供应流量值减去路径潮流损耗值可以获取末端电力区块负荷值，基于末端电力区块对应的电力交易值（电力区块所对应的电力交易值（电力缴费）即为电力区块对应的有效用电量，有效用电量可以通过智能电表进行统计）计算得到隶属于末端电力区块的静态负荷值；末端电力区块负荷值中包括有效用
电量和静态负荷值，而静态负荷值为电力区块中所涉及的电力规划（布线）所对应的损耗值；通过计算相邻电力区块所对应的区块规划相似度，将隶属于相似电力规划的电力区块划分为同一个区块，对电力血缘关系链路进行更新得到电力血缘关系更新链路，可以减少参与运算的电力节点数量，做到数据瘦身，减少系统误差。
[0010]作为优选，所述若区块规划相似度处于设定相似度阈值范围内，则将末端电力区块以及上游电力区块进行合并构建融合电力区块之前，还包括：S131、将上游电力区块作为预设末端区块，重复步骤S13，若区块规划相似度处于设定相似度阈值范围内，则将预设末端区块与其对应的上游电力区块进行合并构建融合电力区块；轮次执行S131；若区块规划相似度处于设定相似度阈值范围外，则锁定当前融合电力区块。
[0011]本方案中，通过对相邻电力区块的区块规划相似度进行计算和比对分析，例如相似度阈值范围为（0.85~1.15）之间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于随机聚类的电力负荷层次时间序列预测方法，其特征在于，包括如下步骤：S1、获取地理层次结构中的电力区块对应的电力日负荷值，基于区块规划相似度对地理层次结构进行重构并获取电力负荷时间序列；S2、基于随机自适应搜索策略对电力负荷时间序列进行聚类得到若干电力负荷时间序列簇；S3、基于电力负荷时间序列簇建立地理层次、聚类层次统一的层次时间序列电力负荷预测模型；S4、基于三次指数平滑法构建基础预测模型，基于基础预测模型结合广义最小二乘法求解层次时间序列电力负荷预测模型得到电力负荷最优估计。2.根据权利要求1所述的基于随机聚类的电力负荷层次时间序列预测方法，其特征在于：所述获取地理层次结构中的电力区块对应的电力日负荷值，基于区块规划相似度对地理层次结构进行重构并获取电力负荷时间序列，包括如下步骤：S11、基于初始电力区块的地理位置以及电力区块之间的潮流方向获取电力血缘关系链路，基于电力血缘关系链路的末端电力区块获取与上游电力区块之间的电力路径，基于电力路径以及损耗系数计算路径潮流损耗值；S12、基于上游电力供应流量值、路径潮流损耗值获取末端电力区块负荷值，基于末端电力区块对应的电力交易值计算得到隶属于末端电力区块的静态负荷值；S13、基于电力区块对应的静态负荷值、有效能耗比计算相邻电力区块的区块规划相似度，若区块规划相似度处于设定相似度阈值范围内，则将末端电力区块以及上游电力区块进行合并构建融合电力区块；S14、由电力血缘链路的末端电力区块开始按照步骤S12
‑
S13基于血缘关系由下往上依次获取满足相似度判定条件的融合电力区块；基于融合电力区块对电力血缘关系链路进行更新得到电力血缘关系更新链路；S15、对若干电力血缘关系更新链路进行合并重组得到对应的地理层次结构，计算地理层次结构中各电力区块的电力日负荷值得到对应的电力负荷时间序列。3.根据权利要求2所述的基于随机聚类的电力负荷层次时间序列预测方法，其特征在于：所述若区块规划相似度处于设定相似度阈值范围内，则将末端电力区块以及上游电力区块进行合并构建融合电力区块之前，还包括：S131、将上游电力区块作为预设末端区块，重复步骤S13，若区块规划相似度处于设定相似度阈值范围内，则将预设末端区块与其对应的上游电力区块进行合并构建融合电力区块；轮次执行S131；若区块规划相似度处于设定相似度阈值范围外，则锁定当前融合电力区块。4.根据权利要求3所述的基于随机聚类的电力负荷层次时间序列预测方法，其特征在于：所述融合电力区块对应的电力日负荷值包括上游电力区块负荷值、路径潮流损耗值以及当前电力区块负荷值；所述融合电力区块所对应的电力日负荷值为当前电力负荷时间序列的负荷值。5.根据权利要求1或2或3所述的基于随机聚类的电力负荷层次时间序列预测方法，其特征在于：
所述区块规划相似度计算公式为：，其中，；为上游静态负荷值，为上游有效能耗比，为当前静态负荷值，当前有效能耗比；为电力交易值、为阶段电价，为电力区块经济生产总值。6.根据权利要求1所述的基于随机聚类的电力负荷层次时间序列预测方法，其特征在于，S2中，所述随机自适应搜索策略包括：通过对PAM算法中的BUILD与SWAP步骤中迭代算法进行随机搜索改进，对电力负荷时间序列进行不同中心点的聚类得到若干电力负荷时间序列簇。7.根据权利要求6所述的基于随机聚类的电力负荷层次时间序列预测方法，其特征在于，通过对PAM算法中的BUILD与SWAP步骤中迭代算法进行随机搜索改进包括：基于PAM算法中的BUILD与SWAP步骤中的相似性构建相似方程：；基于相似方程对PAM算法中的BUILD与SWAP步骤中迭代算法进行随机搜索改进，公式如下：，，其中，，为第个电力负荷目标点，为距离函数， 为基于k
‑
medoids聚类算法
找出的由k个中心点所组成的集合，该集合能最小化...

【专利技术属性】
技术研发人员：黄红辉，侯健生，沃建栋，徐浩华，季克勤，王珂，叶宏，贺燕，王晓东，郭创新，邱剑，李晓波，盛晨，郭鸿健，朱锦程，王宁，朱君兴，
申请(专利权)人：金华八达集团有限公司浙江大学浙江浙达能源科技有限公司，
类型：发明
国别省市：