一种考虑用户用电和季节特性的区域短期电力负荷预测方法技术

本发明专利技术公开了一种考虑用户用电和季节特性的区域短期电力负荷预测方法，包括：构建大数据条件下用户分类与特征提取模型，引入大用电样例，对海量用户进行分类，再根据不同行业的用电负荷特性，提取不同行业典型负荷曲线

【技术实现步骤摘要】
一种考虑用户用电和季节特性的区域短期电力负荷预测方法


[0001]本专利技术涉及综合能源系统
，具体的说是一种考虑用户用电和季节特性的区域短期电力负荷预测方法
。

技术介绍

[0002]近年来，大规模的分布式能源接入配电网，其分散性和随机性给配电网带来巨大挑战
。
在电源侧，大量的光伏等新能源接入中低压配电网；在负荷侧，电动汽车近些年大量增长，电动汽车充电桩规模化接入
。
这些新型源荷的随机性与波动性都使得配电网的运行控制变得越来越复杂
。
[0003]随着电网用户信息化水平的不断提高，电力部门积累了大量数据，其隐藏的信息有丰富的信息值得挖掘
。
找到合适的数据处理技术解析用户的用电行为与用电特征，有利于电网公司知晓用户用电喜好，并且有针对性地为负荷预测提供帮助，提高能源利用效率
。
如何使用恰当的数据挖掘和数据处理技术，最大程度上利用原始电力负荷数据，挖掘用户的用电行为特征，并且将其作为负荷预测的指导因素，是亟待解决的问题
。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术提出一种考虑用户用电和季节特性的区域短期电力负荷预测方法，以期能够深层次地挖掘用户的用电行为与用电特征，从而有针对性地为负荷预测提供帮助，并且能够提高负荷预测的精度
。
[0005]为了实现上述目的，本专利技术的技术方案为：
[0006]一种考虑用户用电和季节特性的区域短期电力负荷预测方法，仅利用提取出的典型日负荷曲线进行区域总体短期电力负荷预测，包括以下步骤：
[0007]S1
：从春夏秋冬四个季节中选取典型日，对收集到的海量用户在典型日的负荷曲线进行
K
‑
means
聚类，将用户分成不同组；
[0008]S2
：根据大用户用电样例将不同组贴上标签，提取各类用户典型日负荷曲线；
[0009]S3
：采用二次模态分解技术对各类典型日负荷曲线进行处理，即将预处理后的原始电负荷数据使用自适应噪声的完全集合经验模态分解进行分解得到子序列，再对子序列中的强非平稳分量进行二次变分模态分解，得到平稳的子序列；
[0010]S4
：把每个分量都送入
LSTM
网络中进行预测，得出每个分量的预测结果；
[0011]S5
：将各类用户日负荷曲线乘以该类用户数进行叠加，得到各类用户所在区域总体负荷的预测结果
。
[0012]与现有技术相比，本专利技术的有益效果在于：
[0013]1、
本专利技术利用大用户用电样例进行分析，实现对电力大用户的精确分类，再结合行业特性与季节特性，能够更深层次地提取用户用电行为与用电特征
。
[0014]2、
本专利技术只需利用提取出的用户典型日负荷曲线数据，就能具有区域负荷预测能力且效果良好，对生产生活具有有一定的指导意义，弥补当前部分用户用电情况缺失情况
下，无法进行区域总体负荷预测的缺陷
。
[0015]3、
本专利技术引入模态分解技术，模态分解技术使得原始负荷序列的时间特征更加突出，便于神经网络进行信息的捕捉，从而能够更有效预测电力负荷的变化趋势，提高负荷预测的精度
。
附图说明
[0016]图1是本专利技术的一种考虑用户用电和季节特性的区域短期电力负荷预测方法的总体框架图；
[0017]图2是
LSTM
神经元基本结构图；
[0018]图3是春季典型日的负荷曲线聚类结果；
[0019]图4是夏季典型日的负荷曲线聚类结果；
[0020]图5是秋季典型日的负荷曲线聚类结果；
[0021]图6是冬季典型日的负荷曲线聚类结果；
[0022]图7是第一类用户典型负荷曲线预测结果；
[0023]图8第二类用户典型负荷曲线预测结果；
[0024]图9是第三类用户典型负荷曲线预测结果；
[0025]图
10
是第四类用户典型负荷曲线预测结果；
[0026]图
11
是第五类用户典型负荷曲线预测结果；
[0027]图
12
是引入模态分解后的区域总体负荷预测结果
。
具体实施方式
[0028]下面结合附图对本专利技术做进一步说明
。
[0029]如图1所示，本专利技术的一种考虑用户用电和季节特性的区域短期电力负荷预测方法，包括以下步骤：
[0030]S1
：从春夏秋冬四个季节中选取典型日，对收集到的海量用户在典型日的负荷曲线进行
K
‑
means
聚类，将用户分成不同组，包括；
[0031]S1
‑1：
K
‑
MEANS
算法具体流程为：
[0032](1)
确定初始聚类簇数
k
；
[0033](2)
初始化
k
个聚类中心；
[0034](3)
计算样本
(
样本为下文中收集到
370
位用户的负荷曲线
)
到中心之间的距离，将每个样本分配到最近的中心；
[0035](4)
根据各簇样本，更新各簇中心；
[0036](5)
迭代
(3)
～
(4)
，直到相似度量函数开始收敛为止
。
[0037]K
‑
means
聚类的相似性度量函数表达式如下：
[0038][0039]其中，
E
是所有样本的平方误差和，
k
为聚类簇数，采用肘部法则来选取；
C
i
为第
i
簇；
p
是聚类空间中的样本点，
μ
i
是第
i
簇的聚类中心
。
[0040]其中，
E
是所有样本的平方误差和，
k
为聚类中心距离平方和作为目标函数，对于一
个簇，它的距离平方和越小，代表簇内样本越紧密；距离平方和越大，代表簇内结构越松散
。
距离平方和随着类别的增加而降低，但对于有一定区分度的数据，在达到某个临界点时距离平方和会迅速降低，之后缓慢下降，这个临界点即可作为聚类性能比较好的
k
值
。
根据这个指标，可以重复训练多个
K
‑
means
模型，选取不同的
k
值，来得到相对合适的聚类簇数
。
[0041]S2
：根据大用户用电样例
(
如表1所示
)
将不同组贴上标签，提取各类用户典型日本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种考虑用户用电和季节特性的区域短期电力负荷预测方法，其特征在于，仅利用提取出的典型日负荷曲线进行区域总体短期电力负荷预测，包括以下步骤：
S1
：从春夏秋冬四个季节中选取典型日，对收集到的海量用户在典型日的负荷曲线进行
K
‑
means
聚类，将用户分成不同组；
S2
：根据大用户用电样例将不同组贴上标签，提取各类用户典型日负荷曲线；
S3
：采用二次模态分解技术对各类典型日负荷曲线进行处理，即将预处理后的原始电负荷数据先使用自适应噪声的完全集合经验模态分解进行分解得到子序列，再对子序列中的强非平稳分量进行二次变分模态分解，得到平稳的子序列；
S4
：把每个分量都送入
LSTM
网络中进行预测，得出每个分量的预测结果；
S5
：将各类用户日负荷曲线乘以该类用户数进行叠加，得到各类用户所在区域总体负荷的预测结果
。2.
如权利要求1所述的一种考虑用户用电和季节特性的区域短期电力负荷预测方法，其特征在于，所述步骤
S1
中，
K
‑
means
聚类的计算过程如下：
(1)
确定初始聚类簇数
k
；
(2)
初始化
k
个聚类中心；
(3)
计算样本到中心之间的距离，将每个样本分配到最近的中心；
(4)
根据各簇样本，更新各簇中心；
(5)
迭代第
(3)
～
(4)
步，直到相似度量函数开始收敛为止；
K
‑
means
聚类的相似性度量函数表达式如下：其中，
E
是所有样本的平方误差和，
k
为聚类簇数，采用肘部法则来选取；
C
i
为第
i
簇；
p
是聚类空间中的样本点，
μ
i
是第
i
簇的聚类中心
。3.
如权利要求2所述的一种考虑用户用电和季节特性的区域短期电力负荷预测方法，其特征在于，在所述步骤
S2
中，引入大数据样例，将用户分成不同类别并贴上标签，结合行业特性和季节特性深层提取用户用电特征，并提取典型日负荷曲线；将
S1
中得到的不同组的用户的典型日负荷曲线进行分组求平均，得到该类用户的典型日负荷曲线，再根据大用户用电样例将各类用户的典型日负荷曲线进行分类，同时贴上各行业标签
。4.
如权利要求3所述的一种考虑用户用电和季节特性的区域短期电力负荷预测方法，其特征在于，在所述步骤
S3
包括：
S3
‑1：完全集合经验模态分解的具体步骤如下：
1)
将原始序列
x(t)
中添加
I
对符号相反的白噪声序列，得到
I
次待分解序列；
x
i
(t)
＝
x(t)+
εδ
i
(t),i∈{1,
…
,I}
ꢀꢀꢀꢀ
(2)
式中，
x
i
(t)
为第
i
次加入正负白噪声后的新序列，
ε
为...

【专利技术属性】
技术研发人员：杨晓东，江文韬，杨之青，赵爽，邓二平，李贺龙，王佳宁，
申请(专利权)人：合肥综合性国家科学中心能源研究院安徽省能源实验室，
类型：发明
国别省市：