【技术实现步骤摘要】
本专利技术台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法涉及的是一种针对电网负荷的预测方法。
技术介绍
1、随着我国新型电力系统的不断建设，实现需求侧负荷的态势感知预测来满足配电网精确化规划尤为迫切。对于发电侧而言，精准的负荷态势感知预测可以为制定发电计划、确定发电任务以及安排发电设备检修提供依据。在需求侧，降低用户用电成本和制定需求响应计划同样离不开负荷态势感知预测。因此，实现电力系统负荷态势感知技术预测，有利于提升新型电力系统的经济效益，是当前发展的方向。
2、近年来，关于电力负荷预测的研究可以分为基于数学方法的传统预测和基于神经网络的新型预测方法。传统的预测方法主要有指数平滑法、卡尔曼滤波法和多元线性回归模型。但是依靠数理统计来分析随机性较大的电力负荷显然是不行的。为了更好地解决非线性时间序列的问题，基于神经网络的负荷预测已被广泛应用于实际。在此基础上，许多学者对果蝇算法进行改进，得到了高预测精度的ffoa(fully informed fruit flyoptimization algorithm)、rfoa(real-coded fruit fly optimization algorithm)和ifoa(invasive fruit fly optimization algorithm)模型，其中，ffoa是一种启发式优化算法，灵感来自果蝇的行为。它使用多个“个体”代表可能的解决方案，并在搜索空间中迭代以找到最优解。ffoa的个体在搜索过程中相互通信，以帮助改善解决方案的质量；rfoa是对f
技术实现思路
1、本专利技术有鉴于此，提供了一种台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，用于解决现有技术中多空间尺度下的负荷日前精准预测问题，为负荷精准预测提供方法参考，为发电制定生产计划、确定实际任务和安排设备维护提供依据，也有助于降低客户的电力成本和制定需求响应计划。
2、本申请公开了一种台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，包括：
3、s1：基于二分kmeans聚类技术(bisecting kmeans，bi-kmeans)算法，将一个完整的负荷分为几个小组，将不正常数据最大限度地排出以降低噪声干扰，进行多空间尺度电力负荷预测聚类分析，完成预测初始化；
4、s2：采用变分模态分解(variational modal decomposition，vmd)对电力负荷进行时序分解，将台区-变电站-供电区域的多空间尺度下的负荷分为几个独立又相互联系的模态，充分表示电力负荷历史发展的规律性和波动性；
5、s3:基于优化时间卷积网络(temporal convolutional network，tcn)对变分模态分解的各个模态分量进行计算；
6、s4:使用步骤3优化得到的各个输出进行叠加，形成一种台区-变电站-供电区域的多空间尺度下的负荷日前精准预测方法，即bi-vmd-tcn方法。
7、步骤s1的具体工作步骤如下；
8、步骤1.1：针对台区-变电站-供电区域的多空间尺度电力负荷，把负荷数据初始化形成一个簇，辨析所有样本，随机选取两个数据作为初始簇质心，将形成的簇分解为两个；
9、步骤1.2：选择满足条件的可以分解的簇。选择条件综合考虑簇得元素个数以及聚类代价，即sse；
10、步骤1.3：使用k-means算法将sse最大的可分解的簇分为两簇；
11、步骤1.4：重复步骤1.2及步骤1.3的过程，直至迭代结束，使得每一个簇内部的数据之间具有很好的局部结构相似性。
12、步骤s2的具体工作步骤如下；
13、步骤2.1：构建变分模态分解的约束变分模型。
14、假设原始信号f被分解为k个分量，保证分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相的，则相应约束变分表达式为：
15、
16、其中，表示求偏导，{un}＝{u1,u2,u3,……,un}为信号分解得到的n个模态分量，{ωn}＝{ω1,ω2,ω3,……,ωn}是各模态分量的中心频率，u(t)为原始信号。
17、步骤2.2：求解变分方程。
18、引入lagrange乘法算子λ，将约束变分问题转变为非约束变分问题，得到增广lagrange表达式为：
19、
20、式中，atwo为二次惩罚因子，降低干扰。
21、步骤2.3：利用交替方向乘子迭代算法结合傅里叶的距变化优化得到各模态分量和中心频率，交替寻优迭代后的un和ωn。
22、
23、
24、
25、式中：γ为噪声容忍度；u^kn+1(ω)、u^i(ω)、f^(ω)和λ^(ω)分别对应ukn+1(ω)、ui(ω)、f(ω)和λ(ω)的傅里叶变化。
26、步骤s3的具体工作步骤如下；
27、步骤3.1：采用变分模态分解将所述初步的负荷时序调节潜力结果分解为若干特征互异的子模态，公式表示为：
28、
29、式中：表示求偏导；{wn}＝{w1,w2,w3,……,wn}为信号分解得到的n个模态分量；{ωn}＝{ω1,ω2,ω3,……,ωn}是各模态分量的中心频率；w(t)为原始信号；e-jωnt为中心频率ωn的指数项。
30、步骤3.2：利用n个优化时间卷积网络对n个所述子模态分别进行潜力预测，
31、所述优化时间卷积网络采用一维因果卷积的形式，公式表示为：
32、
33、式中：rt为tcn残差模块中两层结构对输入张量的变换操作；ft为一维全卷积操作；为残差模块输入张量；为残差模块输出张量。
34、步骤s4的具体工作步骤如下；
35、步骤4.1：使用步骤3优化得到的各个输出进行叠加作为最终的负荷预测分析结果；
36、步骤4.2：总结形成一种台区-变电站-供电区域的多空间尺度下的负荷日前精准预测方法，即bi-v本文档来自技高网...
【技术保护点】
1.一种台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，其特征在于包括如下步骤：
2.根据权利要求1所述的一种台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，其特征在于包括如下步骤：
3.根据权利要求1所述的台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，其特征在于包括如下步骤：
4.根据权利要求3所述的台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，其特征在于包括如下步骤：
5.根据权利要求3所述的台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，其特征在于包括如下步骤：
6.根据权利要求3所述的台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，其特征在于包括如下步骤：
7.根据权利要求1所述的台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，其特征在于包括如下步骤：
8.根据权利要求7所述的台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，其特征在于包括如下步骤：
9.根据权利要
10.根据权利要求1所述的台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，其特征在于包括如下步骤：
...【技术特征摘要】
1.一种台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，其特征在于包括如下步骤：
2.根据权利要求1所述的一种台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，其特征在于包括如下步骤：
3.根据权利要求1所述的台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，其特征在于包括如下步骤：
4.根据权利要求3所述的台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，其特征在于包括如下步骤：
5.根据权利要求3所述的台区-变电站-供电区域的梯级空间尺度下的负荷日前精准预测方法，其特征在于包括如下步骤：
...
【专利技术属性】
技术研发人员：张立，陈肯，林光亮，杜龙，樊贝，冯徐徐，李健，康冬波，
申请(专利权)人：国网江苏省电力有限公司宿迁供电分公司，
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。