CN110263995B - 考虑负荷增长率与用户用电特性的配变重过载预测方法 - Google Patents

Abstract

本发明属于电力工程技术领域，具体涉及一种考虑负荷增长率与用户用电特性的配变重过载预测方法，本发明利用配电变压器的历史运行数据，结合天气条件、季节变化、相似特征日等影响配电变压器运行状态的数据，通过这些海量数据采用K‑means算法和基于深度信念网络(deep belief network，DBN)的配电变压器负载预测模型对各配电变压器进行负载率预测，实现对配电变压器重过载运行状态的预警，改善配电变压器的运行状态以及配电网区供电质量的提升。

Description

考虑负荷增长率与用户用电特性的配变重过载预测方法

技术领域

本发明属于电力工程技术领域，具体涉及一种考虑负荷增长率与用户用电特性的配变重过载预测方法。

背景技术

经济建设的迅猛发展推动了电力工业的革命，同时随着人民生活质量的不断提高，无论是工业用电、商业用电还是居民生活用电均飞速增长，且增长趋势呈现多元化。在不同的用电地区，日负荷曲线受到季节、天气条件、特征日和用电地区等因素的影响，在不同的情境下呈现出巨大的差异，部分负荷出现极大的峰谷差。其中大功率电器的使用频率大幅度上升，会导致用电负荷激增，使配变运行至临界容量，处于重载甚至过载的不良运行状态，甚至造成变压器烧损。特别是在气温高的夏季和春节等重大节假日的特殊时段，是变压器故障的高发期，导致居民投诉率攀升，经济损失惨重。因而如何维持配变的正常运行状态，降低配电设备的故障率，提高用电服务质量是亟待解决的问题。

发明内容

为了解决上述问题，本发明提供了一种考虑负荷增长率与用户用电特性的配变重过载预测方法，具体技术方案如下：

考虑负荷增长率与用户用电特性的配变重过载预测方法，包括以下步骤：

S1：采集各配电台区变压器的历史运行数据，进行数据预处理；

S2：根据台区长期负荷增长率划分台区，将用电地区分为工业用电台区、商业用电台区以及居民用电台区三类，采用K-means算法对各个台区的负载曲线进行用户年用电量以及用户月用电量发展趋势进行聚类；根据设定划分的聚类数目，对台区的用户负载样本进行归类；

S3：采用K-means算法对不同的用户用电特性进行聚类，利用台区的用户用电特性划分台区的用户用电量类型；

S4：建立基于DBN的配电变压器负载预测模型，利用步骤S1中的训练样本集进行预训练，得到负载预测模型的网络参数初始值；

S5：通过误差BP算法对基于DBN的配电变压器负载预测模型的网络参数进行微调，获取参数最优值；

S6：利用建立的基于DBN的配电变压器负载预测模型对台区预测日的负载率进行预测，根据步骤S1中的数据形成预测模型的输入向量x＝[x₁,x₂,…,x_n]，随后，选取待预测日24h的台区负载率y＝[y₁,y₂,…,y₂₄]作为输出向量。

优选地，所述步骤S1中进行数据预处理的步骤具体如下：

S11：将台区负载的影响因素作为输入参数统一考虑，将台区负荷的影响因素分为三类：气象信息、日期类型、负荷趋势；所述气象信息包括气温、湿度、风速、风向；所述日期类型包括星期、节假日；所述负荷趋势包括周负荷趋势、年负荷趋势；具体描述如表1所示：

表1影响因素汇总

S12：采用min-max标准化方法将配电变压器的影响因素的数值进行归一化处理，将原始数据的大小约束在[0,1]之间，标准化公式如下：

其中，x^*为归一化后的数值，x_max为影响因素的最大值，x_min为影响因素的最小值，x为影响因素的数值。

优选地，所述步骤S2中K-means算法的步骤如下：

S21：从步骤S1中的预处理后的数据随机选择K个样本作为初始质心；

S22：对于每个样本，计算它与每个质心之间的距离，并将其分配给最近的集群；计算方法如下：

式中，K为聚类数目，C_k为第k个簇，μ_k为第k个簇的质心，x为属于C_k的样本；

S23：根据下式更新每个聚类的质心：

S24：判断是否收敛，判断收敛的判据包括是否满足设定好的迭代次数、质心的稳定值以及距离函数的变化阈值；若收敛，则终止算法；否则，转到步骤S22。

优选地，所述步骤S3中选用日平均负荷、谷电系数、平段用电百分比以及峰时耗电率4个特征量来对用户用电量进行聚类。

优选地，所述步骤S4中基于DBN的配电变压器负载预测模型含有2层RBM网络，同时在RBM网络最后加入一层反向传播神经网络；

预测模型的训练过程由预训练和反向微调两个内容组成；对第1层进行训练时，将x＝[x₁,x₂,…,x_n]作为RBM₁的输入向量，利用无监督贪心算法训练得到其参数{w₁,a₁,b₁}并固定；将RBM₁隐含层的输出向量作为RBM₂的输入对其进行训练得到参数{w₂,a₂,b₂}，并将其作为BP神经网络的输入参数，随后通过误差BP算法对网络参数进行微调。

优选地，所述RBM网络的算法步骤如下：

令n、m分别为可见层、隐含层神经元的个数，s_i、g_j分别为可见层第i个神经元的状态以及隐含层第j个神经元的状态；可见单元和隐藏单元的取值分别为s_i∈{0,1}和g_j∈{0,1}，对于状态(s,g)，其能量函数可描述为：

式中，θ＝{w＝(w_ij)_n×m，a＝(a_i)_n，b＝(b_j)_m}为RBM的参数；s＝(s_i)和g＝(g_j)分别为RBM的可见单元和隐藏单元的向量；w_ij为可见单元s_i和隐藏单元g_j之间的对称连接权重；a_i和b_j分别为可见单元s_i和隐藏单元g_j的偏置；n和m分别为可见单元s_i和隐藏单元g_j的数目；

这类可见单元和隐藏单元的联合概率分布P(s,g；θ)为：

在RBM中，隐单元的状态相互独立，当随机可见向量s确定时，可通过式(6)计算隐藏单元g_j的二进制状态被设置为1的概率：

式中：σ(x)为sigmoid激活函数，σ(x)＝(1+e^-x)^-1；

当隐藏层的各单元状态g给定时，可见单元s_i的二进制状态被设置为1的概率可通过下式计算得到：

由于在RBM网络中，可见层与隐含层的状态是相互独立的，因此可得到条件概率分布：

本发明的有益效果为：本发明利用配电变压器的历史运行数据，结合天气条件、季节变化、相似特征日等影响配电变压器运行状态的数据，通过这些海量数据采用K-means算法和基于DBN的配电变压器负载预测模型对各配电变压器进行负载率预测，实现对配电变压器重过载运行状态的预警，改善配电变压器的运行状态以及配电网区供电质量的提升。

附图说明

图1是本发明的流程图；

图2是本发明采用的深度信念网络结构示意图。

具体实施方式

为了更好的理解本发明，下面结合附图和具体实施例对本发明作进一步说明：

如图1所示，考虑负荷增长率与用户用电特性的配变重过载预测方法，包括以下步骤：

S1：采集各配电台区变压器的历史运行数据，进行数据预处理；步骤S1中进行数据预处理的步骤具体如下：

S11：将台区负载的影响因素作为输入参数统一考虑，将台区负荷的影响因素分为三类：气象信息、日期类型、负荷趋势；气象信息包括气温、湿度、风速、风向；夏季炎热的高温、冬季寒冷的气候都会使台区的日负载率发生急剧变化，同时气象数据的变化也表明了季节特征的更替。日期类型包括星期、节假日；本发明选取最近连续七天同一时刻的负荷，并考虑到年负荷变化趋势，将一年前相同日期下同一时刻的负荷一并作为参数获得负荷趋势。负荷趋势包括周负荷趋势、年负荷趋势；具体描述如表1所示：

表1影响因素汇总

S12：采用min-max标准化方法将配电变压器的影响因素的数值进行归一化处理，将原始数据的大小约束在[0,1]之间，标准化公式如下：

其中，x^*为归一化后的数值，x_max为影响因素的最大值，x_min为影响因素的最小值，x为影响因素的数值。

S2：对于不同的用电地区，配电变压器的用户年用电量发展趋势以及用户月用电量发展趋势有显著的差异。因此，本发明根据台区长期负荷增长率划分台区，将用电地区分为工业用电台区、商业用电台区以及居民用电台区三类，采用K-means算法对各个台区的负载曲线进行用户年用电量以及用户月用电量发展趋势进行聚类；根据设定划分的聚类数目，对台区的用户负载样本进行归类；

K-means算法的步骤如下：

S21：从步骤S1中的预处理后的数据随机选择K个样本作为初始质心；

S22：对于每个样本，计算它与每个质心之间的距离，并将其分配给最近的集群；计算方法如下：

式中，K为聚类数目，C_k为第k个簇，μ_k为第k个簇的质心，x为属于C_k的样本；

S23：根据下式更新每个聚类的质心：

S24：判断是否收敛，判断收敛的判据包括是否满足设定好的迭代次数、质心的稳定值以及距离函数的变化阈值；若收敛，则终止算法；否则，转到步骤S22。

由此，各台区的用电量曲线聚类可如表2所示。

表2基于负荷增长率的台区用电量曲线聚类

根据台区长期负荷增长率划分台区，对台区级负载进行分类，完成台区负载类型的初步划分。

S3：整个区域的负荷值与天气条件、用电类别、日期类型等因素有较强的相关性，而用户的偶然因素由于会在内部相互抵消因此对总负荷变化的影响较小。因此台区的负载主要受到上述外部因素与台区供电类型固有属性的影响，但如果仅仅考虑上述负荷影响因素与负荷增长率聚类来对配电变压器的负载进行数值型预测，会造成较大误差。因为对于一个台区而言，一台配电变压器接入的用户数量通常在几百左右，供电容量通常为kVA级别，这时用户的偶然因素，即用户用电特性同样会给配电变压器的负载率带来较大影响。为了避免台区用户日用电量波动较大造成聚类准确率下降的影响，本发明不直接采用用户日用电量曲线对用户级负载进行聚类，而选用日平均负荷、谷电系数、平段用电百分比以及峰时耗电率4个特征量来对用户用电量曲线进行聚类。因此，采用步骤S2中的K-means算法对不同的用户用电特性进行聚类，利用台区的用户用电特性划分台区的用户用电量类型，最终可将用户用电特性分类成6类，结果如表3所示：

表3用户用电特性聚类结果

由此，利用台区的用户用电特性划分台区的用户用电量类型，更深层次的筛选台区的负载类型，有利于提高预测模型的准确性与针对性。

S4：建立基于DBN的配电变压器负载预测模型，利用步骤S1中的训练样本集进行预训练，得到负载预测模型的网络参数初始值。

Hinton等人首先在2006年提出了一种人工智能领域的深度学习算法——DBN，它由一系列的RBM堆叠而成，是一种高效无监督的学习算法。DBN结合了深度学习与特征学习的特点，其强大的数据拟合能力可以快速完成对大量数据的分析。DBN对传统神经网络中网络参数随机初始化导致的低精度与过拟合问题进行了改进，通过采用逐层无监督预训练的方式得到网络的初始参数，具有好的初始点；并且通过预训练，有效解决了神经网络中常见的过拟合和欠拟合问题。

构建的基于DBN的配电变压器负载预测模型含有2层RBM网络，同时在RBM网络最后加入一层BP神经网络。预测模型的训练过程由预训练和反向微调两个内容组成。预训练过程中，对第1层进行训练时，将x＝[x₁,x₂,…,x_n]作为RBM₁的输入向量，训练得到其参数{w₁,a₁,b₁}并固定；将RBM₁隐含层的输出向量作为RBM₂的输入对其进行训练得到参数{w₂,a₂,b₂}，并将其作为BP神经网络的输入参数。反向微调过程即根据数据样本，通过误差BP算法对网络参数进行微调。

RBM是根据统计力学理论提出的能量模型，RBM网络的算法步骤如下：

令n、m分别为可见层、隐含层神经元的个数，s_i、g_j分别为可见层第i个神经元的状态以及隐含层第j个神经元的状态；可见单元和隐藏单元的取值分别为s_i∈{0,1}和g_j∈{0,1}，对于状态(s,g)，其能量函数可描述为：

式中，θ＝{w＝(w_ij)_n×m，a＝(a_i)_n，b＝(b_j)_m}为RBM的参数；s＝(s_i)和g＝(g_j)分别为RBM的可见单元和隐藏单元的向量；w_ij为可见单元s_i和隐藏单元g_j之间的对称连接权重；a_i和b_j分别为可见单元s_i和隐藏单元g_j的偏置；n和m分别为可见单元s_i和隐藏单元g_j的数目；

这类可见单元和隐藏单元的联合概率分布P(s,g；θ)为：

在RBM中，隐单元的状态相互独立，当随机可见向量s确定时，可通过式(6)计算隐藏单元g_j的二进制状态被设置为1的概率：

式中：σ(x)为sigmoid激活函数，σ(x)＝(1+e^-x)^-1；

当隐藏层的各单元状态g给定时，可见单元s_i的二进制状态被设置为1的概率可通过下式计算得到：

由于在RBM网络中，可见层与隐含层的状态是相互独立的，因此可得到条件概率分布：

对构建的DBN预测模型，首先利用无监督贪心方法对DBN的网络参数进行预训练，具体步骤如下：

1)假设当前迭代次数k＝1，最大迭代次数为K，初始化网络参数w₁,a₁,b₁，并根据样本输入数据为RBM₁可见层的状态s₀赋值；

2)进行K次Gibbs采样，即利用s₀根据式(8)、(9)交替计算得到K个样本。

3)根据梯度下降的理念，求取最大似然函数来估计对数概率P(g|s,θ)和P(s|g,θ)分别对b和a的求导公式，得到参数的调整量为：

式中：ε为梯度下降的学习率；<·>_begin表示变量的初始数学期望；<·>_end表示变量采样后的数学期望。

4)根据参数调整量对网络参数进行修正，k＝k+1。若达到最大迭代次数K则退出循环，进入步骤S5；否则，继续循环。

S5：通过误差BP算法对基于DBN的配电变压器负载预测模型的网络参数进行微调，获取参数最优值，其中误差BP算法的步骤如下：

1)根据配电变压器历史运行数据构建模型输入输出样本(x,y)，并进行归一化，设样本数目为N。

2)设当前样本编号n＝1，将样本数据用于根据S4中预训练好的DBN预测模型，得到输出层的模型预测值与真实输出值之间的误差值：

式中：E_r为网络训练误差；L为BP神经网络的输出神经元个数，即模型预测变量数目。

第l个输出神经元的预测值；

为第l个输出神经元的真实值。

3)根据误差反向传播的理念，网络权重值反向微调的变化量为：

式中：w_pq为两个连接神经元p与q之间的连接权重。

4)根据上式对整个网络的权重值进行反向微调，n＝n+1。若样本数目达到最大值N，则结束训练输出最优网络参数；否则，继续训练过程。

S6：利用建立的基于DBN的配电变压器负载预测模型对台区预测日的负载率进行预测，根据步骤S1中的数据形成预测模型的输入向量x＝[x₁,x₂,…,x_n]，随后，选取待预测日24h的台区负载率y＝[y₁,y₂,…,y₂₄]作为输出向量。

本发明利用平均绝对百分误差e_MAPE来对预测效果进行评判，以24点日前负载预测为例，e_MAPE的表达式为：

式中：y_i和

分别为预测日第i个采样点的实际负载率和预测负载率。在配电变压器负载率预测中，模型预测结果越准确，e_MAPE值越小。

由此，可建立精准的配电变压器负载预测模型，对台区重过载状态以及重过载起止时间进行预判，有利于提高调度中心对管辖区域的配电变压器的态势感知能力，通过制定有效的调度决策，提升配电变压器的运行稳定性与运行效率，降低配电变压器的故障率。

根据配电变压器重过载预测模型的负载率计算结果，将台区24小时的负载率对应划分成3种运行状态，其划分情况如表4所示。

表4配电变压器运行状态划分情况

配变运行状态	负载率	运行状态描述
			正常	[0,0.8]	配变处于正常运行状态，负载情况良好
重载	(0.8,1]	配变状态已达到重载状态，挂载负荷较多
			过载	(1,+∞]	配变状态已达到过载状态，挂载负荷超过额定值

由此，可根据配电变压器重过载预测模型的预测结果与运行状态划分情况，实现对配电变压器的运行状态以及重过载状态的起止时间的预判。对于配电变压器重过载状态预警这个固定场景，评价预测结果的有效性如下：

(1)针对模型的整体预测性能，利用配电变压器运行状态预测准确率H_total指标进行衡量：

式中，C_correct和C_total分别为配电变压器运行状态正确预测的天数和预测总天数。

(2)针对模型的配变重过载状态预测性能，利用配电变压器重过载运行状态预测准确率H_overload指标进行衡量：

式中，C_{overload_predict}和C_{overload_real}分别为配电变压器重过载状态的预测天数与真实天数。

(3)针对模型的配变重过载时间预测性能，利用配电变压器重过载状态开始时间的实际值与预测值之间的绝对误差T_h指标来衡量，公式如下：

式中，T_real和T_predict分别为配电变压器重过载状态的实际发生实际与预测发生时刻。

本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.考虑负荷增长率与用户用电特性的配变重过载预测方法，其特征在于：包括以下步骤：

S1：采集各配电台区变压器的历史运行数据，进行数据预处理；所述步骤S1中进行数据预处理的步骤具体如下：

S11：将台区负载的影响因素作为输入参数统一考虑，将台区负荷的影响因素分为三类：气象信息、日期类型、负荷趋势；所述气象信息包括气温、湿度、风速、风向；所述日期类型包括星期、节假日；所述负荷趋势包括周负荷趋势、年负荷趋势；具体描述如表1所示：

表1影响因素汇总

S12：采用min-max标准化方法将配电变压器的影响因素的数值进行归一化处理，将原始数据的大小约束在[0,1]之间，标准化公式如下：

其中，x^*为归一化后的数值，x_max为影响因素的最大值，x_min为影响因素的最小值，x为影响因素的数值；

S2：根据台区长期负荷增长率划分台区，将用电地区分为工业用电台区、商业用电台区以及居民用电台区三类，采用K-means算法对各个台区的负载曲线进行用户年用电量以及用户月用电量发展趋势进行聚类；根据设定划分的聚类数目，对台区的用户负载样本进行归类；

S3：采用K-means算法对不同的用户用电特性进行聚类，利用台区的用户用电特性划分台区的用户用电量类型；所述步骤S3中选用日平均负荷、谷电系数、平段用电百分比以及峰时耗电率4个特征量来对用户用电量进行聚类；

S4：建立基于DBN的配电变压器负载预测模型，利用步骤S1中的训练样本集进行预训练，得到负载预测模型的网络参数初始值；

S5：通过误差反向传播算法对基于DBN的配电变压器负载预测模型的网络参数进行微调，获取参数最优值；

S6：利用建立的基于DBN的配电变压器负载预测模型对台区预测日的负载率进行预测，根据步骤S1中的数据形成预测模型的输入向量x＝[x₁,x₂,…,x_n]，随后，选取待预测日24h的台区负载率y＝[y₁,y₂,…,y₂₄]作为输出向量。

2.根据权利要求1所述的考虑负荷增长率与用户用电特性的配变重过载预测方法，其特征在于：所述步骤S2中K-means算法的步骤如下：

S21：从步骤S1中的预处理后的数据随机选择K个样本作为初始质心；

S22：对于每个样本，计算它与每个质心之间的距离，并将其分配给最近的集群；计算方法如下：

式中，K为聚类数目，C_k为第k个簇，μ_k为第k个簇的质心，x为属于C_k的样本；

S23：根据下式更新每个聚类的质心：

S24：判断是否收敛，判断收敛的判据包括是否满足设定好的迭代次数、质心的稳定值以及距离函数的变化阈值；若收敛，则终止算法；否则，转到步骤S22。

3.根据权利要求1所述的考虑负荷增长率与用户用电特性的配变重过载预测方法，其特征在于：所述步骤S4中基于DBN的配电变压器负载预测模型含有2层受限玻尔兹曼机网络，同时在RBM网络最后加入一层反向传播神经网络；

预测模型的训练过程由预训练和反向微调两个内容组成；对第1层进行训练时，将x＝[x₁,x₂,…,x_n]作为RBM₁的输入向量，利用无监督贪心算法训练得到其参数{w₁,a₁,b₁}并固定；将RBM₁隐含层的输出向量作为RBM₂的输入对其进行训练得到参数{w₂,a₂,b₂}，并将其作为BP神经网络的输入参数，随后通过误差BP算法对网络参数进行微调。

4.根据权利要求3所述的考虑负荷增长率与用户用电特性的配变重过载预测方法，其特征在于：所述受限玻尔兹曼机网络的算法步骤如下：

令n、m分别为可见层、隐含层神经元的个数，s_i、g_j分别为可见层第i个神经元的状态以及隐含层第j个神经元的状态；可见单元和隐藏单元的取值分别为s_i∈{0,1}和g_j∈{0,1}，对于状态(s,g)，其能量函数可描述为：

式中，θ＝{w＝(w_ij)_n×m，a＝(a_i)_n，b＝(b_j)_m}为RBM的参数；s＝(s_i)和g＝(g_j)分别为RBM的可见单元和隐藏单元的向量；w_ij为可见单元s_i和隐藏单元g_j之间的对称连接权重；a_i和b_j分别为可见单元s_i和隐藏单元g_j的偏置；n和m分别为可见单元s_i和隐藏单元g_j的数目；

这类可见单元和隐藏单元的联合概率分布P(s,g；θ)为：

在RBM中，隐单元的状态相互独立，当随机可见向量s确定时，可通过式(6)计算隐藏单元g_j的二进制状态被设置为1的概率：

式中：σ(x)为sigmoid激活函数，σ(x)＝(1+e^-x)^-1；

当隐藏层的各单元状态g给定时，可见单元s_i的二进制状态被设置为1的概率可通过下式计算得到：

由于在RBM网络中，可见层与隐含层的状态是相互独立的，因此可得到条件概率分布：

Images