【技术实现步骤摘要】
本专利技术涉及智能配电网，具体涉及一种云边协同的负荷库自学习方法。
技术介绍
1、随着融合终端实用化工作地推进，基于融合终端可大幅提升对负荷的感知和分析能力，为构建配电网区域自治新形态提供了可能性。长期以来电网建设以设备管理为主，对配电网负荷缺乏分析与管理，并且电网内部数据结构复杂，数据海量且难以贯通，一定程度也导致低压配电网负荷分析难度大。然而通过融合终端实用化工作地推进，海量的低压配电网数据得以被采集并汇集到融合终端中，通过融合终端作为边缘计算平台对低压配电网多元化的负荷进行分析、识别、精益化管理成为了一种可能，为实现配电网区域自治奠定了技术基础。
2、然而以融合终端为主要平台的负荷分析、管理还面临诸多问题。首先，随着分布式电源以及电动汽车迎来爆发式增长，各类设备不断接入低压配电网，导致低压配电网负荷成分以及特性也变得愈发复杂，分析难度增大。其次，由于台区智能融合终端的计算能力有限，针对海量的低压负荷数据难以实现全面的分析，亟需从海量低压数据中提取出具有代表性与典型性的数据进行负荷建模，从而进一步开展更多高级功能应用。
3、如中国专利cn111461428a，公开日2020年07月28日，本申请公开了一种电网负荷特性分析方法，将大数据技术和电网负荷特性研究的有机结合，利用大数据平台集成电网调度、营销、生产系统的多源数据，获取省级电力数据或省内各市级电力数据，对获取的电力数据进行预处理，减少人工检查数据、录入数据的工作量，提升电网规划设计研究的工作效率。利用预处理的电力数据，计算年度社会用电负荷数组和全
技术实现思路
1、本专利技术要解决的技术问题是：现有方法无法实现云端负荷库自主学习更新的技术问题。提出了一种云边协同的负荷库自学习方法，实现云端负荷库自学习。
2、为解决上述技术问题，本专利技术所采取的技术方案为：一种云边协同的负荷库自学习方法，包括如下步骤：
3、s1：获取多元负荷的典型负荷曲线，构建云端负荷库；
4、s2：对比基于负荷曲线相似度的负荷识别模型和基于机器学习的负荷识别模型，建立典型负荷模型；
5、s3：通过典型负荷模型识别接入负荷，建立远端负荷库自学习模型。
6、一种云边协同的负荷库自学习方法，首先，结合电网云端系统所存储的实际历史运行负荷数据，利用k-means聚类、pca降维算法等大数据分析方法实现多元负荷的分类，基于分类结果挖掘各类用户用电习惯与特性、分布式光伏出力特性、电动汽车充电桩运行特性以及储能的充放电运行特性等，提取工农商等负荷的典型用电曲线以及分布式光伏、储能、充电桩等设备的典型用电曲线，获取负荷率、峰谷负荷差、分布式光伏最大出力值等负荷特性指标，为云端负荷库的建立提供支撑，其次，使用云端系统存储的海量历史运行数据和特定配电台区的历史运行数据，结合社会层面的用电行为影响因素例如用户所属社会行业、企业规模大小和经济状况等和自然层面的用电行为影响因素例如环境温度、天气类型和季节变化等，利用聚类、线性回归等方法分析在不同影响因素下光储充和工农商用户负荷特性的变化情况，获得在不同影响因素下多元负荷典型的用电曲线和特性指标，更精细地搭建云端负荷库，接着，引入欧式距离和皮尔逊相关系数作为用电曲线相似度指标，寻找与云端负荷库中最为接近的负荷曲线即相似度最大的曲线，构建基于负荷曲线相似度的负荷识别模型，得到接入负荷的最优识别结果。利用负荷的负荷率、峰谷负荷差、分布式光伏最大出力值等负荷特性指标，构建基于机器学习的负荷识别模型，基于云端海量数据，以负荷特性指标作为特征向量，负荷类别作为训练标签，在云端训练分类模型，确定模型参数。通过输入接入负荷的负荷指标，实现接入负荷在云端负荷库中的负荷识别。结合基于典型负荷曲线相似度的负荷识别模型和基于机器学习的负荷识别模型，综合判断两种模型的结论，确定最终识别结果，最后，获取终端下属接入设备的实时流数据，引入指定长度时间窗，计算该窗口范围内多个时间断面的实时运行数据与云端负荷库中对应时间节点数据的偏离度，将多个时间断面的偏离度进行累加，得到最终偏离度大小指数。结合负荷特性，针对多元负荷分别设置不同的合理偏离度阈值，利用超出偏离度阈值的负荷曲线和负荷特性指标对云端负荷库进行修正。利用超出偏离度阈值的负荷特性指标，对基于机器学习的负荷识别模型训练，进行模型参数更新，利用更新后的云端负荷库中的负荷特性指标，检验该机器学习负荷识别模型效果。
7、作为优选，所述基于负荷曲线相似度的负荷识别模型包括以下内容：接入负荷，寻找与云端符合库中相似度最大的曲线，构建基于负荷曲线相似度的负荷识别模型，曲线公式如下所示：
8、
9、其中，△x为接入负荷曲线向量x与云端负荷库中典型负荷曲线向量xls差值的模，xi和xlsi分别是接入负荷曲线x和云端负荷库中典型负荷曲线xls中的元素，且xls满足α＝(α1,…,αr)。将接入负荷与云端负荷库中的典型负荷曲线相减，取差值最小的模，将这些得到的点相连，得到最终的基于负荷曲线相似度的负荷识别模型。
10、作为优选，所述基于机器学习的负荷识别模型包括以下内容：通过负荷特性指标，构建基于机器学习的负荷识别模型，以负荷特性指标作为特征向量，负荷类别作为训练标签，在云端训练负荷识别模型，确定模型参数，通过输入接入负荷的负荷指标，实现接入负荷在云端负荷库中的负荷识别。负荷特性指标包括负荷率、峰谷负荷差、分布式光伏最大出力值、日最大负荷等。
11、作为优选，所述典型负荷模型包括以下内容：将固定时间段内的负荷特性指标输入基于负荷曲线相似度的负荷识别模型和基于机器学习的负荷识别模型，将两者的得到的结果与云端负荷库中的负荷数据做对比，若基于负荷曲线相似度的负荷识别模型得到的负荷数据与云端负荷库中的负荷数据的误差小于基于机器学习的负荷识别模型得到的负荷数据与云端负荷库中的负荷数据的误差，则选取基于负荷曲线相似度的负荷识别模型作为典型负荷模型，反之，选取基于机器学习的负荷识别模型作为典型负荷模型，所述典型负荷模型定时检测准确度。将云端中当前时间段前一天的各项负荷特性指标输入构建完成的基于机器学习的负荷识别模型和基于负荷曲线相似度的负荷识别模型中，将两个模型计算所得的负荷数据与云端中记录的负荷数据相比较，选取最终结果与云端中记录的负荷数据误差较小的模型作为最终确认的典型负荷模型。
12、作为优选，所述步骤s3包括以下步骤：
13、s31：获取终端下属接入设备的实时流数据，计算指定长度时间窗范围内多个时间断面的实时运行数据与云端负荷库中对应时间节点数据的本文档来自技高网...
【技术保护点】
1.一种云边协同的负荷库自学习方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种云边协同的负荷库自学习方法，其特征在于，所述基于负荷曲线相似度的负荷识别模型包括以下内容：接入负荷，寻找与云端符合库中相似度最大的曲线，构建基于负荷曲线相似度的负荷识别模型，曲线公式如下所示：
3.根据权利要求1所述的一种云边协同的负荷库自学习方法，其特征在于，所述基于机器学习的负荷识别模型包括以下内容：通过负荷特性指标，构建基于机器学习的负荷识别模型，以负荷特性指标作为特征向量，负荷类别作为训练标签，在云端训练负荷识别模型，确定模型参数，通过输入接入负荷的负荷指标，实现接入负荷在云端负荷库中的负荷识别。
4.根据权利要求1所述的一种云边协同的负荷库自学习方法，其特征在于，所述典型负荷模型包括以下内容：将固定时间段内的负荷特性指标输入基于负荷曲线相似度的负荷识别模型和基于机器学习的负荷识别模型，将两者的得到的结果与云端负荷库中的负荷数据做对比，若基于负荷曲线相似度的负荷识别模型得到的负荷数据与云端负荷库中的负荷数据的误差小于基于机器学习的负荷识别模型得到
5.根据权利要求1或2或3或4所述的一种云边协同的负荷库自学习方法，其特征在于，所述步骤S3包括以下步骤：
6.根据权利要求1或2或3或4所述的一种云边协同的负荷库自学习方法，其特征在于，所述最终偏移度大小指数计算公式如下所示
7.根据权利要求2或3或4所述的一种云边协同的负荷库自学习方法，其特征在于，修正后的典型负荷曲线如下所示
8.根据权利要求1或2或3或4所述的一种云边协同的负荷库自学习方法，其特征在于，修正后的云端负荷特性指标如下所示
9.根据权利要求1或2或3或4所述的一种云边协同的负荷库自学习方法，其特征在于，所述步骤S1包括：利用大数据分析方法对云端中存储的负荷数据进行分类；根据分类结果中的负荷特性指标，计算每种类型设备的典型负荷曲线和负荷特性指标，第i个类型设备的典型负荷曲线和负荷特性指标如下所示：
10.根据权利要求1或2或3或4所述的一种云边协同的负荷库自学习方法，其特征在于，所述步骤S1还包括：利用聚类和线性回归分析云端中负荷在不同影响因素下负荷特性的变化情况，得到在不同影响因素下多元负荷典型负荷曲线和特性指标，不同影响因素的多元负荷典型负荷曲线和特性指标如下所示：
...【技术特征摘要】
1.一种云边协同的负荷库自学习方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种云边协同的负荷库自学习方法，其特征在于，所述基于负荷曲线相似度的负荷识别模型包括以下内容：接入负荷，寻找与云端符合库中相似度最大的曲线，构建基于负荷曲线相似度的负荷识别模型，曲线公式如下所示：
3.根据权利要求1所述的一种云边协同的负荷库自学习方法，其特征在于，所述基于机器学习的负荷识别模型包括以下内容：通过负荷特性指标，构建基于机器学习的负荷识别模型，以负荷特性指标作为特征向量，负荷类别作为训练标签，在云端训练负荷识别模型，确定模型参数，通过输入接入负荷的负荷指标，实现接入负荷在云端负荷库中的负荷识别。
4.根据权利要求1所述的一种云边协同的负荷库自学习方法，其特征在于，所述典型负荷模型包括以下内容：将固定时间段内的负荷特性指标输入基于负荷曲线相似度的负荷识别模型和基于机器学习的负荷识别模型，将两者的得到的结果与云端负荷库中的负荷数据做对比，若基于负荷曲线相似度的负荷识别模型得到的负荷数据与云端负荷库中的负荷数据的误差小于基于机器学习的负荷识别模型得到的负荷数据与云端负荷库中的负荷数据的误差，则选取基于负荷曲线相似度的负荷识别模型作为典型负荷模型，反之，选取基于机器学习的负荷识别模型...
【专利技术属性】
技术研发人员：陆洋，高久国，李海波，杨挺，黄丰烽，钱梦婷，赵健，徐斌，刘犇，沈凯威，
申请(专利权)人：国网浙江省电力有限公司湖州供电公司，
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。