本发明专利技术提出一种基于台区聚类的系统负荷预测方法及装置，属于电力系统负荷预测领域。其中，所述方法包括：基于待预测日所在的季节，选该季节下各台区簇群分别对应的负荷预测模型，将待预测日的气象预报数据序列分别输入各负荷预测模型，得到各台区簇群在待预测日的负荷预测值序列；对同一时刻的各台区簇群的负荷预测值求和，即得到电力系统在待预测日对应时刻的负荷预测结果。本发明专利技术通过从不同季节维度对电力系统台区进行多样化聚类，从而构建每个季节下每一台区簇群的负荷预测模型以实现对系统总量负荷的预测；本发明专利技术能够有效解决台区数据质量欠佳的问题，实现对系统负荷的精细化预测。
【技术实现步骤摘要】
本专利技术属于电力系统负荷预测领域，具体涉及一种基于台区聚类的系统负荷预测方法及装置。
技术介绍
1、用电负荷预测是电力系统发用电平衡不可或缺的重要环节，是保证水风光等清洁能源全额消纳、确定火核燃等机组开机组合、合理安排机组检修的基础，是电力市场经济、高效运转的重要支撑。低压配电台区是电网实现智能精细化管理的终端环节，对区域分布式台区的负荷进行准确的预测,可以为配变容量配置、低压配电网规划、线路降损、风险预警等工作提供重要的依据。
2、目前工业界与学术界主要利用更高电压等级的全网层面系统及负荷数据开展负荷预测方法研究与应用工作，主要途径为通过拓展相关特征挖掘空间及人工智能预测算法应用与优化算法融合提升系统级或母线级负荷预测准确率。然而就台区负荷预测而言，由于台区数据体量大、数据采集难度大，实际采集到的台区数据质量参差不齐，因此现有的针对全网的负荷预测方法对于台区负荷预测适用性不强。
技术实现思路
1、本专利技术的目的是为克服已有技术的不足之处，提出一种基于台区聚类的系统负荷预测方法及装置。本专利技术通过从不同季节维度对电力系统台区进行多样化聚类，提供考虑台区负荷季节特征的聚类方案，从而构建每个季节下每一台区簇群的负荷预测模型以实现对系统总量负荷的预测。本专利技术能够有效解决台区数据质量欠佳的问题，实现对系统负荷的精细化预测。
2、本专利技术第一方面实施例提出一种基于台区聚类的系统负荷预测方法，包括：
3、获取待预测日的气象预报数据序列；
<
p>4、根据所述待预测日所在的季节，选所述季节下各台区簇群分别对应的负荷预测模型，将所述气象预报数据序列分别输入各负荷预测模型，得到所述各台区簇群在所述待预测日的负荷预测值序列；5、基于所述负荷预测值序列，对同一时刻的各台区簇群的负荷预测值求和，即得到电力系统在所述待预测日的所述时刻的负荷预测结果。
6、在本专利技术的一个具体实施例中，所述气象预报数据序列包括各采样时刻的温度数据、湿度数据、降雨数据和风速数据。
7、在本专利技术的一个具体实施例中，所述各台区簇群的获取方法包括：
8、1)获取各台区的历史日负荷序列数据；
9、其中，每一条日负荷序列数据的采样起始时刻为00:15，结束时刻为24:00，采样周期为15分钟，序列长度为96；
10、2)根据步骤1)的历史日负荷序列数据，通过聚类提取各台区在不同季节下的典型日负荷序列；
11、3)对各台区在同一季节下的典型日负荷序列进行聚类，得到每个季节下的台区簇群聚类结果。
12、在本专利技术的一个具体实施例中，所述方法还包括：
13、若任一台区的历史日负荷序列数据存在异常数据，则对所述台区的异常数据进行修复；包括：
14、1)判定异常数据；
15、所述历史日负荷序列数据中的缺失数据和突高突低数据均为异常数据；
16、其中，若任一条历史日负荷序列数据中任一时刻的负荷数据nt与前一时刻的负荷数据nt-1满足以下条件时，则判定nt为异常突高突低数据：
17、
18、其中，a为设定的异常数据阈值；
19、若任一条日负荷序列数据中存在连续大于等于5个时刻的负荷数据为异常数据，则将该异常数据为一类异常数据；否则为二类异常数据；
20、2)异常数据修复；
21、令第n个台区的任一历史日负荷序列数据nn为：
22、nn＝{n1,n2,n3,…,nt,…,n96}
23、其中，nt为第t个时刻的负荷；
24、若nn中存在一类异常数据n1：
25、n1＝{nd+1,nd+2,nd+3,…,nd+i},5≤i≤96
26、则从所述各台区的历史日负荷序列数据中获取该台区的历史相似日的历史日负荷序列数据作为聚类样本；其中，聚类样本的历史日负荷序列数据完整且无异常数据；采用k-means聚类算法将聚类样本聚合为一条96点的序列数据nre：
27、
28、其中，为聚类后第t个时刻的负荷；
29、将nre中对应一类异常数据所在时刻的数据覆盖n1中的对应数据，令：
30、
31、即完成对nn中一类异常数据集合n1的修复；
32、若nn中存在二类异常数据n2：
33、n2＝{nd+1,nd+2,nd+3,…,nd+i},i＜5
34、则采用线性回归的方法，利用nn中的第d个时刻的负荷nd和第d+i+1个时刻的负荷数据nd+i+1构建基于时间序列的线性回归模型，利用该线性回归模型计算得到对应n2的修复后的负荷数据序列y：
35、y＝{yd+1,yd+2,yd+3,…,yd+i}
36、其中，yi为序列y中第i个时刻的负荷；
37、将y覆盖n2，令：
38、nd+i＝yd+i
39、即完成对nn中二类异常数据集合n2的修复。
40、在本专利技术的一个具体实施例中，所述聚类样本采用以下任一种方式获取：
41、方式一：通过日类型相似选取；
42、从该台区历史日负荷序列数据对应的历史日中选择历史同期作为候选历史相似日，若该候选历史相似日的历史日负荷序列数据完整无异常，则该候选历史相似日为最终的历史相似日，将该历史相似日的历史日负荷序列数据作为一个聚类样本；
43、方式二：通过气象数据相似选取；
44、基于历史气象数据，计算存在一类异常数据的该台区待修复日dn的气象序列数据与该台区的历史日负荷序列数据对应各历史日di的气象序列数据的相似误差mapei；若该两日的气象序列数据的相似误差满足0<mapei<0.1，则将历史日di作为待修复日dn的候选历史相似日；若该候选历史相似日的历史日负荷序列数据完整无异常，则该候选历史相似日为最终的历史相似日，将该历史相似日的历史日负荷序列数据作为一个聚类样本。
45、在本专利技术的一个具体实施例中，所述通过聚类提取各台区在不同季节下的典型日负荷序列，包括：
46、1)设定迭代总次数t；令初始迭代次数等于0；
47、2)利用任一台区在任一季节下的当前日负荷序列数据集，计算该台区在该季节下各时刻点的平均负荷以组成当前典型日负荷序列；其中，初次迭代时，该台区在该季节下的所有历史日负荷序列数据组成初始的该台区在该季节下的当前日负荷序列数据集；
48、3)分别计算当前日负荷序列数据集中每条历史日负荷序列pi与当前典型日负荷序列p的偏差率ei：
49、
50、其中，pi,t为第i条历史日负荷序列在第t个时刻的负荷值；pt为当前典型负荷序列在第t个时刻的负荷值；
51、根据设定的偏离度阈值，从当前日负荷序列数据集中剔除偏差率大于该阈值的日负荷序列，得到更新后的当前负荷序列数据集；...
【技术保护点】
1.一种基于台区聚类的系统负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述气象预报数据序列包括各采样时刻的温度数据、湿度数据、降雨数据和风速数据。
3.根据权利要求2所述的方法，其特征在于，所述各台区簇群的获取方法包括：
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述聚类样本采用以下任一种方式获取：
6.根据权利要求4所述的方法，其特征在于，所述通过聚类提取各台区在不同季节下的典型日负荷序列，包括：
7.根据权利要求4所述的方法，其特征在于，所述对各台区在同一季节下的典型日负荷序列进行聚类，得到每个季节下的台区簇群聚类结果，包括：
8.根据权利要求4所述的方法，其特征在于，所述方法还包括：
9.根据权利要求8所述的方法，其特征在于，在所述根据所述待预测日所在的季节，选所述季节下各台区簇群分别对应的负荷预测模型，将所述气象预报数据序列分别输入各负荷预测模型之前，所述方法还包括：
10.一种基于台区聚类的系统负荷预测装置，其特征在于，包括：
...
【技术特征摘要】
1.一种基于台区聚类的系统负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述气象预报数据序列包括各采样时刻的温度数据、湿度数据、降雨数据和风速数据。
3.根据权利要求2所述的方法，其特征在于，所述各台区簇群的获取方法包括：
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述聚类样本采用以下任一种方式获取：
6.根据权利要求4所述的方法，其特征在于，所述通过聚类提取各台区在不同...
【专利技术属性】
技术研发人员：路轶，杨小磊，张弛，刘巍，邓扶摇，杜成锐，胡佳佳，蔡隽，陈静，苗树敏，吴刚，张国芳，郭果，唐伦，
申请(专利权)人：国网四川省电力公司，
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。