CN106022509A - 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 - Google Patents

Abstract

本发明涉及一种考虑地域和负荷性质双重差异的配电网空间负荷预测方法。现有空间负荷预测方法未考虑地域差异以及样本类型、质量对负荷密度的影响，适用性不足。本发明首先建立考虑地域差异的全样本空间。然后通过典型日负荷曲线对负荷进行校验和精选，筛选出具有典型性的样本。通过加权欧式距离度量，对负荷所在地区进行聚类。之后进行子样本空间匹配，判断样本所属类型。利用SVM算法预测待测地块的负荷密度，并通过负荷密度计算该地块的未来负荷总量。本发明具有较高的负荷预测精度，方便应用。

Description

考虑地域和负荷性质双重差异的配电网空间负荷预测方法

技术领域

本发明属于电力系统领域，具体是一种适用于配电网的空间负荷聚类及预测方法。

背景技术

随着城镇化进程的发展和经济结构的调整，城网负荷呈现显著增长，对城市电网规划设计提出更高要求。

空间负荷预测是城市配电网规划的基础。空间负荷预测的各种方法中负荷密度指标法适用于土地规划较为明确的区域，在我国应用较多。方法应用关键是确定各规划区地块的负荷密度。

用电负荷受当地经济及产业发展情况影响明显，负荷密度体现出较大的地域差异，各地无法沿用或借鉴同一套标准，若分别对当地负荷指标进行研究又极其费时费力。现有负荷预测方法均未考虑地域差异对负荷密度的影响，在各地应用适用性较弱，存在明显不足。

发明内容

本发明的目的在于针对现有技术的不足，提供一种考虑地域和负荷性质双重差异的配电网空间负荷预测方法。

本发明方法包括以下步骤：

步骤1：建立考虑地域差异的全样本空间，全样本空间中包含各样本所在地区的区域负荷密度评估指标，即区域信息，与各类样本的负荷密度及影响因素信息，即分类负荷信息；

步骤2：获取典型日负荷曲线：

2.1)采集得到分属工业、居民住宅、商业等L个类别的典型用户的日负荷曲线，即初始分类，设每条日负荷曲线有q个量测数据，记第i条日负荷曲线y_i为y_i＝[y_i1,y_i2,…,y_iq]；

2.2)设y_imax为第i条日负荷曲线的负荷峰值，利用极大值标准化方法对每条日负荷曲线进行标准化处理，去除基荷数据的影响；

2.3)设定聚类数k，以各类标准化曲线的中心线作为初始聚类中心；

2.4)以标准化后负荷曲线的每个采集点数据作为输入，以负荷曲线间的余弦相似度作为相似性度量判据，将用户分为曲线形态相似的k个类别，重新标记该用户分类，记作聚类分类；

2.5)比较、分析各用户的初始分类与聚类分类结果，剔除分类不正确或用电行为不典型的用户后，求取各类负荷的典型日负荷曲线，即标准化后同类日负荷曲线的中心线，记作y_l(l＝1,2,…,L)；

步骤3：负荷分类校验及精选，具体步骤如下：

3.1)采集得到T个调研样本的日负荷曲线并对其进行极大值标准化处理，记标准化处理后的调研样本的日负荷曲线为c_t(t＝1,2,…,T)；

3.2)依次计算标准化处理后每个调研样本的日负荷曲线c_t与各类典型日负荷曲线y_l的余弦相似度，

${\mathrm{Sim}}_{cos}(c_t,y_l)=Cos(c_t,y_l)=\frac{c_t\·y_l}{\left|c_t\right|\left|y_l\right|},(l=1,2,...,L)---\left(1\right);$

3.3)找出与c_t最相似，即与c_t的余弦相似度最大的典型日负荷曲线y^*，对c_t标记y^*所属分类，记作校验分类；

3.4)比较c_η的初始分类和校验分类，筛选并人工复核两次分类不同的样本，修正所有分类错误样本的类标签；

3.5)设定聚类数k＝2，以2.2节所述方法对每类样本进行再次聚类，把元素较少的一类剔除，把元素较多的一类作为该类负荷的精选样本，从而可得到负荷分类正确且具备行业典型性的样本；

步骤4：形成分层级子样本空间。以各负荷所在地区为聚类的簇，各指标为簇中的对象，采用式(2)所示的加权欧式距离度量簇之间的距离。设R为m×14阶标准化矩阵，R_a是簇C_a中的对象，R_b是簇C_b中的对象，则簇C_a与簇C_b的距离为：

$dist(C_a,C_b)=\underset{R_a\∈C_a,R_b\∈C_b}{min}\sqrt{{\mathrm{\ω}}_1{(R_{a1}-R_{b1})}^2\mathrm{...}+{\mathrm{\ω}}_{14}{(R_{a14}-R_{b14})}^2}---\left(2\right)$

若簇C_a与簇C_b的距离是所有不同簇中距离最小的，那么簇C_a与簇C_b将被合并；

步骤5：进行子样本空间匹配，按式(2)求取其与第一层级各样本空间，即各区域类型，区域信息的最小加权欧式距离，与哪个区域类型区域信息的加权欧式距离最小，该样本就属于哪个区域类型，然后再根据负荷性质匹配第二层级子样本空间，用该子样本空间的数据样本作为SVM模型的训练样本。

步骤6：利用SVM预测待测地块的负荷密度，具体如下：

6.1)确定输入向量和输出向量，把负荷密度的影响因素作为输入向量，把负荷密度作为输出样本；

6.2)数据预处理，为便于数据分析，对训练样本和待测样本进行归一化处理；

6.3)选取SVM核函数及确定SVM建模参数，以径向基核函数作为回归模型中的核函数，并利用粒子群算法对建模过程需要的惩罚参数和核参数进行寻优。

6.4)预测负荷密度，将寻优后的参数输入SVM模型，得到待测地块的预测负荷密度值；

步骤7：进行空间负荷预测，采用式(3)计算该类负荷的未来负荷预测值W_i，

W_i＝ρ_i·S_i (3)

式中ρ_i为预测得到的第i类负荷的负荷密度，S_i为该类负荷土地使用面积；

然后如式(4)所示将各类型负荷的未来负荷预测值W_i相加，再利用同时率ρ修正，可得到该规划区的未来负荷总量W，

$W=\mathrm{\ρ}\underset{i=1}{\overset{N}{\Σ}}{W}_i---\left(4\right).$

本发明首先建立考虑地域差异的全样本空间。然后通过典型日负荷曲线对负荷进行校验和精选，筛选出具有典型性的样本。通过加权欧式距离度量，对负荷所在地区进行聚类。之后进行子样本空间匹配，判断样本所属类型。利用SVM算法预测待测地块的负荷密度，并通过负荷密度计算该地块的未来负荷总量。经过算例验证可知，该方法具有较高的预测精度。

具体实施方式

以下以实施例对本发明做进一步的阐述。

步骤1：以浙江电网为例，对杭州、宁波等11个城市的各地块分负荷类型进行广泛调研。建立考虑地域差异的全样本空间，该实施例的全样本空间构成如下：1)除湖州外浙江其他10个城市的区域信息；2)杭州、宁波等10个城市分属工业、商业、居民住宅、行政办公等四种主要负荷类型共2386个调研样本的负荷密度及影响因素信息。

再以100个样本2016年1月某工作日的24点日负荷曲线为对象，利用改进k-means算法对其进行聚类分析，聚类结果见下表。

步骤2：从中每类优选25个样本总计100个样本，提取各类负荷的典型日负荷曲线：

2.1)每条日负荷曲线有q个量测数据，记第i条日负荷曲线y_i为y_i＝[y_i1,y_i2,…,y_iq]；

2.2)设y_imax为第i条日负荷曲线的负荷峰值，利用极大值标准化方法对每条日负荷曲线进行标准化处理，去除基荷数据的影响；

2.3)设定聚类数k＝4，以各类标准化曲线的中心线作为初始聚类中心。

2.4)以标准化后负荷曲线的每个采集点数据作为输入，以负荷曲线间的余弦相似度作为相似性度量判据，将用户分为曲线形态相似的k个类别，重新标记该用户分类，记作聚类分类；

2.5)比较、分析各用户的初始分类与聚类分类结果，剔除分类不正确或用电行为不典型的用户后，求取各类负荷的典型日负荷曲线，即标准化后同类日负荷曲线的中心线，记作y_l(l＝1,2,…,L)。

步骤3：负荷分类校验及精选，具体步骤如下：

3.1)获取T个调研样本的日负荷曲线并对其进行极大值标准化处理，记标准化处理后的调研样本的日负荷曲线为c_t(t＝1,2,…,T)；

3.2)依次计算标准化处理后每个调研样本的日负荷曲线c_t与各类典型日负荷曲线y_l的余弦相似度。

${\mathrm{Sim}}_{cos}(c_t,y_l)=Cos(c_t,y_l)=\frac{c_t\·y_l}{\left|c_t\right|\left|y_l\right|},(l=1,2,...,L)---\left(1\right);$

3.3)找出与c_t最相似，即与c_t的余弦相似度最大的典型日负荷曲线y^*，对c_t标记y^*所属分类，记作校验分类；

3.4)比较c_η的初始分类和校验分类，筛选并人工复核两次分类不同的样本，修正所有分类错误样本的类标签；

3.5)设定聚类数k＝2，以步骤2对每类样本进行再次聚类，把元素较少的一类剔除，把元素较多的一类作为该类负荷的精选样本，从而得到负荷分类正确且具备行业典型性的样本。

步骤4：将10个城市的区域信息组成判别矩阵，形成分层级子样本空间。以各地区指标为聚类的簇，采用式(2)度量簇之间的距离。设R为m×14阶标准化矩阵，R_a是簇C_a中的对象，R_b是簇C_b中的对象，则簇C_a与簇C_b的距离为：

$dist(C_a,C_b)=\underset{R_a\∈C_a,R_b\∈C_b}{min}\sqrt{{\mathrm{\ω}}_1{(R_{a1}-R_{b1})}^2\mathrm{...}+{\mathrm{\ω}}_{14}{(R_{a14}-R_{b14})}^2}---\left(2\right)$

若簇C_a与簇C_b的距离是所有不同簇中距离最小的，那么簇C_a与簇C_b将被合并。兼顾各地区样本数量，将10个城市分为3类，将金华、台州、嘉兴、绍兴、温州定为区域I型，衢州、丽水、舟山定为区域II型，杭州、宁波定为区域III型。由此，根据区域分类、校验后负荷分类对全样本空间进行两级划分，得到12个子样本空间，用来存放SVM的训练样本。

步骤5：进行子样本空间匹配，按式(2)求取其与第一层级各样本空间，即各区域类型区域信息的最小加权欧式距离，与哪个区域类型区域信息的加权欧式距离最小，该样本就属于哪个区域类型，然后再根据负荷性质匹配第二层级子样本空间，用该子样本空间的数据样本作为SVM模型的训练样本。本实施例中选取区域I型—居民负荷的子样本空间作为SVM的训练样本，其相对误差为2.80％，满足精度要求。

步骤6：利用SVM预测待测地块的负荷密度，具体如下：

6.1)确定输入向量和输出向量。把负荷密度的影响因素作为输入向量，把负荷密度作为输出样本。

6.2)数据预处理。为便于数据分析，对训练样本和待测样本进行归一化处理。

6.3)选取SVM核函数及确定SVM建模参数。以径向基核函数作为回归模型中的核函数，并利用粒子群算法对建模过程需要的惩罚参数和核参数进行寻优。

6.4)预测负荷密度。将寻优后的参数输入SVM模型，得到待测地块的预测负荷密度值。

步骤7：进行空间负荷预测，采用式(3)计算该类负荷的未来负荷预测值W_i。

W_i＝ρ_i·S_i (3)

式中ρ_i为预测得到的第i类负荷的负荷密度，S_i为该类负荷土地使用面积。

然后如式(4)所示将各类型负荷的未来负荷预测值W_i相加，再利用同时率ρ修正，可得到该规划区的未来负荷总量W。

$W=\mathrm{\ρ}\underset{i=1}{\overset{N}{\Σ}}{W}_i---\left(4\right).$

Claims (2)

1.一种考虑地域和负荷性质双重差异的配电网空间负荷预测方法，其特征在于，包括以下步骤：

步骤1：建立考虑地域差异的全样本空间，全样本空间中包含各样本所在地区的区域负荷密度评估指标，即区域信息，与各类样本的负荷密度及影响因素信息，即分类负荷信息；

步骤2：获取典型日负荷曲线：

2.1)采集得到分属工业、居民住宅、商业，L个类别的典型用户的日负荷曲线，即初始分类，设每条日负荷曲线有q个量测数据，记第i条日负荷曲线y_i为y_i＝[y_i1,y_i2,…,y_iq]；

2.2)设y_imax为第i条日负荷曲线的负荷峰值，利用极大值标准化方法对每条日负荷曲线进行标准化处理，去除基荷数据的影响；

2.3)设定聚类数k,以各类标准化曲线的中心线作为初始聚类中心；

2.4)以标准化后负荷曲线的每个采集点数据作为输入，以负荷曲线间的余弦相似度作为相似性度量判据，将用户分为曲线形态相似的k个类别，重新标记该用户分类，记作聚类分类；

2.5)比较、分析各用户的初始分类与聚类分类结果，剔除分类不正确或用电行为不典型的用户后，求取各类负荷的典型日负荷曲线，即标准化后同类日负荷曲线的中心线，记作y_l(l＝1,2,…,L)；

步骤3：负荷分类校验及精选，具体步骤如下：

3.1)采集得到T个调研样本的日负荷曲线并对其进行极大值标准化处理，记标准化处理后的调研样本的日负荷曲线为c_t(t＝1,2,…,T)；

3.2)依次计算标准化处理后每个调研样本的日负荷曲线c_t与各类典型日负荷曲线y_l的余弦相似度，

${\mathrm{Sim}}_{cos}(c_t,y_l)=Cos(c_t,y_l)=\frac{c_t\·y_l}{\left|c_t\right|\left|y_l\right|},(l=1,2,...,L)---\left(1\right)$

3.3)找出与c_t最相似，即与c_t的余弦相似度最大的典型日负荷曲线y^*，对c_t标记y^*所属分类，记作校验分类；

3.4)比较c_η的初始分类和校验分类，筛选并人工复核两次分类不同的样本，修正分类错误样本的类标签；

3.5)设定聚类数k＝2，以步骤2对每类样本进行再次聚类，把元素较少的一类剔除，把元素较多的一类作为该类负荷的精选样本，从而可得到负荷分类正确且具备行业典型性的样本；

步骤4：形成分层级子样本空间，以各地区指标为聚类的簇，采用式(2)度量簇之间的距离，设R为m×14阶标准化矩阵，R_a是簇C_a中的对象，R_b是簇C_b中的对象，则簇C_a与簇C_b的距离为：

$dist(C_a,C_b)=\underset{R_a\∈C_a,R_b\∈C_b}{min}\sqrt{{\mathrm{\ω}}_1{(R_{a1}-R_{b1})}^2...+{\mathrm{\ω}}_{14}{(R_{a14}-R_{b14})}^2}---\left(2\right)$

若簇C_a与簇C_b的距离是所有不同簇中距离最小的，那么簇C_a与簇C_b将被合并；

步骤5：进行子样本空间匹配，按式(2)求取其与第一层级各样本空间，即各区域类型，区域信息的最小加权欧式距离，与哪个区域类型区域信息的加权欧式距离最小，该样本就属于哪个区域类型，然后再根据负荷性质匹配第二层级子样本空间，用该子样本空间的数据样本作为SVM模型的训练样本；

步骤6：利用SVM预测待测地块的负荷密度。

2.根据权利要求1所述的预测方法，其特征在于，所述的步骤6：利用SVM预测待测地块的负荷密度，

具体如下：

6.1)确定输入向量和输出向量，把负荷密度的影响因素作为输入向量，把负荷密度作为输出样本；

6.2)数据预处理，为便于数据分析，对训练样本和待测样本进行归一化处理；

6.3)选取SVM核函数及确定SVM建模参数，以径向基核函数作为回归模型中的核函数，并利用粒子群算法对建模过程需要的惩罚参数和核参数进行寻优；

6.4)预测负荷密度，将寻优后的参数输入SVM模型，得到待测地块的预测负荷密度值；

步骤7：进行空间负荷预测，采用式(3)计算该类负荷的未来负荷预测值W_i，

W_i＝ρ_i·S_i (3)

式中ρ_i为预测得到的第i类负荷的负荷密度，S_i为该类负荷土地使用面积；

然后如式(4)所示将各类型负荷的未来负荷预测值W_i相加，再利用同时率ρ修正，得到该规划区的未来负荷总量W，

$W=\mathrm{\ρ}\underset{i=1}{\overset{N}{\Σ}}{W}_i---\left(4\right).$