CN106296464A - 大数据多点负荷预测方法 - Google Patents

Abstract

一种大数据多点负荷预测方法，包括采集负荷数据，确定该整体负荷预测算法F的参数；计算整体负荷的时序向量形式的预测结果；得到时序向量形式的整体负荷预测结果；计算节点负荷占整体负荷的比例对角矩阵β_i；计算节点负荷预测结果f(x_i,1,x_i,2…x_i,m)。本发明可以避免采用有误数据、有效突破测量硬件的条件限制，从而降低了预测的误差，同时，对每个节点的预测采用对整体预测值进行并行式计算得到来代替传统的对每个节点一一进行单点负荷预测，使得预测更加高效。

Description

大数据多点负荷预测方法

技术领域

本发明属于负荷预测领域，特别涉及一种大数据多点负荷预测方法，提出“从整体到节点”的大数据多点负荷预测方法。

背景技术

随着中国负荷总量快速增长、配网结构不断变化，以潮流分析、N-1分析、紧急供电恢复转移为主的各类系统分析需要更详尽的负荷数据支持，这需要对结构规模快速变化的配网进行多点负荷预测。传统多点负荷预测因节点特征比整体更显著，能有效减小预测误差。当下，随着多类新型用户发电设备的接入，主动用户的特性变得随机性更强，对某些终端节点或用户的负荷预测变得尤为必要。而快速发展的配电网涉及范围广、数据量大，软件层面，就地快速处理数据不仅符合传统多点负荷预测方式也同时符合大数据并行处理的思想；硬件层面，用加装硬件数据采集设备来获取各节点信息的方法经济上不适用，由此需要根据已有变电站、专线或智能电表等数据，对分区或配网下层各支路或节点进行多点负荷预测。

传统大数据多点负荷预测大多采用“从节点到整体”的方式，从单个节点测量的数据出发，分布式预测各节点负荷变化情况，再融合区域内各节点预测结果，得到整体负荷预测结果。然而，由于配电管理系统中不同层级的配电网使用独立数据库、权限级别不同、测量设备铺设不全或工作不稳定等各种因素，往往造成居于下层或电网终端的节点数据不完整或难以实时取得。

发明内容

本发明的目的在于克服上述现有技术，提出一种大数据多点负荷预测方法，通过对整体负荷的预测来求得其节点的多点负荷预测结果。

本发明的技术解决方案如下：

一种大数据多点负荷预测方法，包括下列步骤：

①采集所需时间段内整体与节点的负荷数据，以及影响负荷大小的相关数据，包括气象、日期、电价，作为整体负荷预测算法F的预测输入量X₁,X₂,...X_m，并确定该整体负荷预测算法F的参数。

②计算整体负荷的时序向量形式的预测结果F(X₁,X₂…X_m)：

将步骤①得到的预测输入量X₁,X₂,...X_m代入整体负荷预测算法F中进行预测，得到时序向量形式的整体负荷预测结果(该结果的形式为一列向量，按照时间先后顺序排列)。

③计算节点负荷占整体负荷的比例对角矩阵β_i：

根据采集的负荷数据和相关数据，计算节点i负荷占整体负荷的比例对角矩阵β_i，并将这个比例关系作为节点预测负荷值在整体预测负荷值的占比。具体计算公式为：

其中，l_i,1,…,l_i,k是节点i在各个时间断面(从1号到k号)的节点历史负荷，L₁,…,L_k为整体负荷在下标对应的时间断面的整体历史负荷。k为总时间断面数。比例对角矩阵β_i除了对角线外的元素非零外，其余元素均为0。

例如历史负荷数据包含2个时间断面，在这2个时间断面，节点i的负荷分别为1kW、2kW，整体负荷分别为4kW、7kW，那么节点i负荷占整体负荷的比例对角矩阵

④计算节点负荷预测结果f(x_i,1,x_i,2…x_i,m)，公式如下：

f(x_i,1,x_i,2…x_i,m)＝β_i·F(X₁,X₂…X_m),i＝1…n

即结合步骤2、3得到的F(X₁,X₂…X_m)和对应每个节点i的比例对角矩阵β_i来求出每个节点的负荷预测结果f(x_i,1,x_i,2…x_i,m)。由于β_i是一个对角矩阵，所以在与F(X₁,X₂…X_m)这一列向量相乘后就能够得到对应β_i中比例系数的一个分量列向量，该分量列向量即为i节点的节点负荷预测结果。这一步宜采用并行式计算，使对各个节点的负荷预测更加高效。

所述的整体负荷预测算法F可以是BP人工神经网络法、决策树算法、时间序列法等。

本发明的技术效果如下：

从“从整体到节点”的多点负荷预测的数学表达式出发，先进行整体负荷预测，对不同节点i，计算各节点负荷占整体负荷历史占比，再通过并行式计算，在求得整体负荷的同时求得各节点的负荷预测值。

本发明较传统单点负荷预测，增加了整体与节点负荷相关性的考虑，在只计算得到整体负荷的情况下较为准确地得到其下的节点负荷预测值。面对由于测量设备、传输设备故障等原因造成的短期历史数据缺失或偏差较大等情况，本发明可以避免采用有误数据、有效突破测量硬件的条件限制，从而降低了预测的误差，具有一定的实际意义。同时，对每个节点的预测采用对整体预测值进行并行式计算得到来代替传统的对每个节点一一进行单点负荷预测，使得预测更加高效。

附图说明

图1本发明大数据多点负荷预测方法的框架示意图

图2本发明大数据多点负荷预测方法的整体负荷预测值与真实值的对比图

图3本发明大数据多点负荷预测方法的整体负荷预测相对误差示意图

图4本发明大数据多点负荷预测方法的预测值与实际值的对比图

图5本发明大数据多点负荷预测方法的负荷预测相对误差示意图

图6本发明大数据多点负荷预测方法与传统单点预测曲线对比图

图7本发明大数据多点负荷预测方法与传统单点预测相对误差对比图

具体实施方式

下面结合实施例和附图对本发明作进一步说明，但不应以此限制本发明的保护范围。

多点负荷预测的结构，如图1所示，预测中各“节点”之间为互斥关系，节点集合构成上一级“整体”。该结构自上而下呈分支状，根据分叉次数可分为若干层，根据具体负荷需求，可设置单层或多层节点。在实际电网负荷预测中，该结构自上而下可分别代表区域电网、省市级电网、各级主变线路、35kV专线、10kV线路等，其中底层灰色圈代表35kV专线与10kV线路。如何选择“整体”与“节点”则由具体需解决的负荷预测问题而定。以图1为例，可选择区域电网作为整体、省市级电网作为节点；也可选择类似D1-D3的部分区域作为待预测区域，选取区域内的最高级别节点作为整体，区域内次级或再次级节点作为节点。

“从整体到节点”的多点负荷预测的数学表达式为：

f(x_i,1,x_i,2…x_i,m)＝β_i·F(X₁,X₂…X_m),i＝1…n

其中，f代表节点负荷预测算法的数学表达式，预测结果为时序向量形式，x_i,1…x_i,m是节点i负荷的m个预测输入量，m是负荷预测输入变量个数；F代表整体负荷预测算法的数学表达式，预测结果也为时序向量形式，X₁,X₂,…X_m是整体负荷的预测输入量；β_i是节点i负荷占整体负荷的比例对角矩阵；n是多点负荷预测中的节点数目总数。

实施例

负荷数据、电价政策信息来源为山东省菏泽市电力公司，气象数据来源为山东省菏泽市气象台。多点负荷预测结构中，“整体”设定为菏泽市10kV市府I线所带负荷，“节点”设定为菏泽市10kV市府I线的配变I所带负荷。所提供的负荷数据中，“整体”负荷实测数据包含8月前14日的负荷值，其频率为每15分钟一个负荷值。“整体”负荷预测的待预测时间段为2015年8月15日全日，该天的实测数据值将与预测结果相比较。“节点”负荷实测数据包括8月前7日的负荷值(其频率为每整点一个负荷值)，而设定8月8日至8月14日的节点数据缺失。采用经典BP人工神经网络法，训练时间段为2015年8月1日全日(与待预测时间段同为周六，更具有参考价值)，比例对角矩阵β_i的计算日期也为2015年8月1日。

具体步骤如下：

1、读取、整理数据，本实施例采用BP人工神经网络法的预测输入量及参数

根据负荷预测需求，读取2015年8月15日全日、8月1日全日的整体负荷实测数据，每15分钟一个，共192个时间断面；读取2015年8月1日全日的节点负荷实测数据，每整点一个，共24个时间断面的数据；读取2015年8月15日与8月1日菏泽市日最高气温与最低气温；读取2015年8月15日与8月1日每15分钟电价数据。整体负荷的预测输入量由以上有关8月1日整体负荷的数据整合而来，根据时间断面次序组成192组数据，每组数据由所在时间断面次序、日最高气温、日最低气温、该时间断面下电价构成，每组数据都有一个对应的该时间断面下的负荷测量值。本发明预测方式下的BP人工神经网络法采用常用的参数设定，具体参数如表1所示。

表1 BP人工神经网络参数表

2、整体负荷预测算法计算

根据步骤1整合好的训练输入量以及对BP人工神经网络法的参数设定，对BP人工神经网络模型进行训练得到该模型内部的合理权重。再将待预测日的相关数据(待测日的日最高、最低气温以及待测日各时间断面的电价)提供给该训练好的模型，由模型计算得到整体负荷的预测值。

3、计算节点负荷i(即市府I线的配变I所带负荷)占整体负荷的比例对角矩阵β_i：

计算2015年8月1日全天共24个时间断面，节点负荷i占整体负荷比例的24阶对角矩阵β_i。由步骤1中读取的节点负荷数据，得到8月1日24个时间断面的的节点实测负荷分别为166、144.9、…、303.7(单位：kW)，整体实测负荷在同样的时间断面上分别为396、360、…、610(单位：kW)，那么得到的比例对角矩阵

4、节点负荷预测结果计算

将过程3中得到整体负荷预测值按时间顺序排列形成负荷时序向量，将此向量与节点负荷占整体负荷预测比例对角矩阵β_i相乘，得到节点负荷值预测向量，即得到节点负荷预测值。

本发明现场应用的预测曲线及误差大小分别由图2和图5所示。其中，图2中本发明整体负荷预测平均相对误差为9.0128％，图5中本发明负荷预测平均相对误差为10.7077％。相对误差的计算公式如下，平均相对误差为其平均值。

与传统预测方法作比较。根据实例中设定的节点数据，对节点负荷进行直接BP人工神经网络方法预测，得到的预测曲线对比如图6。图7显示的是传统预测方法和采用本发明的方法后得到的预测误差对比情况，其中传统方法下负荷预测平均相对误差为25.4532％，计算方法同上。可见，在缺失有效数据的情况下，传统预测方法将产生更大的误差，本发明的预测方法在这类情况下则可以较好地保证其预测结果的准确性。

实践证明，本发明提出的一种“从整体到节点”的大数据多点负荷预测方法，通过对“整体”负荷的预测与节点占整体负荷比例系数的计算，完成“节点”负荷的预测，对保障节点侧由于测量设备限制等因素造成的数据量缺失或有误的负荷预测，有广泛的应用价值。同时，对于预测算法没有特定限制，不局限于某一种算法，可以根据具体需要选择合适的预测算法，更好地保证预测结果的精确性和高效性。

Claims (2)

1.一种大数据多点负荷预测方法，其特征在于，该方法包括下列步骤：

①采集所需时间段内整体与节点的负荷数据，以及影响负荷大小的相关数据，包括气象、日期、电价，作为整体负荷预测算法F的预测输入量X₁,X₂,...X_m，并确定该整体负荷预测算法F的参数；

②计算整体负荷的时序向量形式的预测结果F(X₁,X₂…X_m)：

将步骤①得到的预测输入量X₁,X₂,...X_m代入整体负荷预测算法F中进行预测，得到时序向量形式的整体负荷预测结果；

③计算节点负荷占整体负荷的比例对角矩阵β_i：

根据采集的负荷数据和相关数据，计算节点i负荷占整体负荷的比例对角矩阵β_i，并将这个比例关系作为节点预测负荷值在整体预测负荷值的占比，公式如下：

其中，l_i,1,…,l_i,k是节点i在各个时间断面的节点历史负荷，L₁,…,L_k为整体负荷在下标对应的时间断面的整体历史负荷，k为总时间断面数；

④计算节点负荷预测结果f(x_i,1,x_i,2…x_i,m)，公式如下：

f(x_i,1,x_i,2…x_i,m)＝β_i·F(X₁,X₂…X_m),i＝1…n。

2.根据权利要求1所述的大数据多点负荷预测方法，其特征在于，所述的整体负荷预测算法F是BP人工神经网络法、决策树算法或时间序列法。