CN108346009B - 一种基于用户模型自学习的电力生产配置方法和装置 - Google Patents

Abstract

本发明提出一种基于用户模型自学习的电力生产配置方法和装置，其建立不同场景下的针对某一行业的电力用户负荷预测模型，根据负荷预测结果，最佳配置各发电厂生产计划，在未来负荷可能超过发电容量时，提前智能输出限电策略，本方法策略选择灵活，可以根据不同场景、不同行业进行负荷评估、设置用户优先级权重，并且，在不需要改变当前的电力通信网络，只需通过增加简单的软件和计算硬件来实现数据的采集及计算，实现成本低，适合批量部署。

Description

一种基于用户模型自学习的电力生产配置方法和装置

技术领域

本发明涉及电力资源配置领域，尤其涉及是一种基于用户模型自学习的电力生产配置方法和装置。

背景技术

电力在国民经济资源中占据着重要的地位，电力数据的处理和分析对发电、输电和配电等环节有着至关重要的作用。随着社会高速发展，用电量出现了前所未有的增长，伴随着电力发展出现了智能电网等新技术，随着而来的是电力数据的井喷式增长。这也为升级传统电力生产配置，提高电力生产效率提供了保障。

目前，对于电力生产的配置主要依据近期的社会生产电力负荷需要，提前指定生产计划，并按照计划进行生产。当前，对负荷特性的现状、影响负荷特性的关键因素和未来负荷预测趋势都进行了一定程度的分析和研究，也得出了一些对电力规划和电网运行具有参考价值和作业指导的结果，但是缺乏对电力用户模型的建立，没有对用户的需求画像。

但在一定程度上，对于特定用户对象来说(目标对象可以是小区、工厂、写字楼、商场等)，影响电力需求负荷的原因有两点：第一点是时间因素，相同时间中不同时间段的电力负荷不同，如目标用户为企业或者厂房时，白天负荷值大，夜晚负荷值小；目标用户为小区时，早晨和傍晚负荷值大，日间和夜间负荷值小；对于不同的城市、地区来讲，电力负荷都与统一日期中不同时间有着强关联。第二是经济发展趋势、温度和天气：如在夏天和冬天，由于气温的过高和过低，均会产生空调、暖通设备的负荷，导致目标用户电力负荷的激增或者骤降；由于经济发展水平不同，也会导致目标对象的电力负荷发生变化。受限于数据处理能力和条件限制，在现有的系统中都没有考虑经济发展形势、地区气候条件、行业潮汐效应等因素对电力负荷的影响，因此预测偏向于低精度、粗犷式、高延迟的预测。业内缺少精确、实时、快速响应的电力生产预测、配置方法，来快捷、精准、高效满足电力负荷的变化，尤其是缺乏多维、大数据、基于用户模型的分析手段。

专利申请号201710004874.8公开了一种基于大数据的电力负荷预测方法与系统。该方法首选汇聚电力负荷历史数据进行预处理以建立数据库，再进行大数据分析，对目标对象进行基于时间信息的电力负荷值预测，得到第一预测结果；再对目标对象进行基于经济发展趋势、温度和天气的电力负荷值预测，得到第二预测结果；最后将第一预测结果和第二预测结果通过加权融合获得最终的电力负荷预测结果。

专利申请号201710021803.9公开了一种基于大数据的电力优化配置方法。该方法首先是从电力大数据中筛选出用户的用电数据，然后去除其中的脏数据并对空缺数据进行修复，第三步是利用时间序列预测法的自回归AR模型以及处理后的用户用电数据，预测下一时间段内的用电量，最后根据预测的用电量计划各发电站的产量。

所述目前的电力负荷预测和生产配置方法，主要存在以下几点问题：

1.目前的电力负荷预测技术没有给出基于多维数据的评价方法，尤其是没有关联行业经济发展数据，气象数据等准确性存在不足。

2.目前的电力负荷预测技术考虑了经济方面对于需求的影响，但是一个地区的经济发展趋势是由不同行业、不同公司综合影响的，该方法忽略了地区行业之间的发展趋势差异，以及不同行业对电力需求的差异，所以无法在适用于不同地区预测室，准确率不足。

3.目前电力生产配置停留在粗犷式计划生产，对于需求侧变化不敏感，优化调整时效性不足。

4.目前提出的预测方法考虑了对每个用户的数据筛选和加工处理，对每个用户进行了负荷预测，但预测的依据单一，仅仅是通过这个用户的历史数据来分析，无法避免气候变化、经济发展、市场供需等方面的影响，因此这样的预测方法对历史数据依赖性行，应变效力差。

如上背景技术所述，电力需求负荷对电力生产配置影响极大，且随着社会发展，对电力需求增速明显，随着环保问题加剧，电力的智能调度、智慧生产配置就显得更为重要了。因此，一种可以在线部署的精确预测电力负荷，进而优化电力生产配置的系统，对于全部电力运行目标区域的负荷状态掌握和评估，对于实现电力经济配置、电网高效运行、电厂精准生产具有优越的应用和经济价值。

发明内容

本发明提出一种基于用户模型自学习的电力生产配置方法和装置，用于解决电力生产配置自适应问题，尤其解决用户负荷波动、气候变化引起的电力配置计划调整问题。

一种基于用户模型自学习的电力生产配置方法，主要包括以下步骤：

步骤一，获取预测场景下电网用户历史用电数据，以及用户行业数据，经济发展数据，气候数据，建立预测场景下的不同行业的用户负荷预测模型，包括场景用户负荷预测模型F和行业用户负荷预测模型C；

步骤二，确定并选择负荷的预测评估区域，获得该区域的电力用户，调用出所述电力用户的场景用户负荷预测模型F和行业用户负荷预测模型C，其中设定选择的用户数量为N；

步骤三，将场景用户负荷预测模型F结合行业用户负荷预测模型C并行快速处理，分别计算各电力用户未来预测时间段T2内的负荷预测曲线；

步骤四：将未来预测时间段T2内的全部电力用户预测曲线进行叠加，得到所述预测评估区域总负荷预测曲线，计为C(t)，则C(t)的计算公式如下：

其中，p_i(t)表示第i个电力用户在时间段T2内的负荷预测曲线；

步骤五：根据所述预测评估区域的总负荷预测曲线C(t)，动态规划各发电厂电力生产配置计划，使其在满足所述预测评估区域电力负荷的情况下，不造成多余产能的消耗；

步骤六：检查所述预测评估区域的总负荷预测曲线C(t)是否超过各发电厂的总装机容量，如果超过，系统智能输出电力管控策略。

附图说明

下面结合附图对本专利作进一步详细的说明。

图1为根据本发明的一种电力生产配置方法示意性流程图；

图2为根据本发明的用户负荷预测建模方法示意性流程图；

图3为根据本发明的一种电力生产配置系统的结构示意图；

图4为根据本发明的基础数据采集单元示意性框图；

图5为根据本发明的数据归集单元示意性框图；

图6为根据本发明的电力生产配置系统示意性框图；

图7为根据本发明的实施例一负荷超限预测示意图。

具体实施方式

一种基于用户模型自学习的电力生产配置方法和装置，图1所示为基于用户模型自学习的电力生产配置方法的示意性流程图，所述方法包括：

步骤S10：获取预测场景下电网用户历史用电数据，以及用户行业数据，经济发展数据，气候数据，建立预测场景下不同行业用户负荷预测模型。所谓预测场景指不同类型城市、工业园区、中心城区、县城等，针对不同场景建立用户负荷预测模型，可以很好地提高预测的精度和可靠性。对应时间的经济发展数据是指按照行业来分，抓取不同用户所处行业的能效指数以及产业增长率，气候数据主要指天气温度、空气指数等。通过纳入多维负荷影响因子，最优化负荷预测的准确率。对用户负荷预测建模方法如图2所示，主要包括3个步骤，即：

(1)确定目标区域电力负荷场景，并给出不同场景下的负荷模型映射值，即不同场景的用户负荷预测模型；这里使用S代表不同的场景，使用F向量代表场景下用户负荷预测模型，即不同场景S下，其对应着不同的F向量。例如，

其中X1表示不同场景地区的GDP增长率，X2表示GDP与电力消耗之间的比值。

(2)进行大数据挖掘，挖掘最近较长一段时间(1年以上，更长的时间数据可以得到更高的精度)内全部电网用户用电数据，根据这些用户用电数据，对不同行业进行打标签，即每一个行业用户都有一个特定的行业标签，例如商场、写字楼、工厂、酒店、超市、小区等。

其中，Y1表示一天的忙时占比，Y2表示忙时开始时间，Y3表示行业发展增速，Y4表示用户每增加单位产量需消耗电能系数，Y5表示用户忙时气温每增加1度需增加的电能消耗系数，Y6表示用户闲时气温每增加1度需增加的电能消耗系数。

(3)在确定用户行业的基础上，建立当前场景下行业用户负荷预测模型，分析表明，任何电力用户的电量消耗在每一天都具备明显的忙闲状态之分，比如工厂存在生产和停产，小区居民存在白天和夜间，写字楼存在上班和下班的差异，因此这里将不同用户一天24小时分成两个状态时间，分别是忙时T_busy和闲时T_idle，其中

T_busy+T_idle＝24 (1)

则可以更精确地建立在一场景下，某行业用户负荷预测曲线p(t)如下：

其中，p(t)表示预测用户在t时刻的负荷预估值，

表示在过去T1时间内，预测用户忙时的平均电能消耗，Y4表示在该场景下用户每增加单位产量需消耗电能系数，r(t)表示预测用户在未来t时刻相比当前增加的产量计划，即行业增速，Y5表示在该场景下，用户忙时气温每增加1度需增加的电能消耗系数，Y3表示行业发展增速，s(t)表示预测用户在未来t时刻相比当前温度增量，即温度预测情况，X1表示不同场景地区的GDP增长率。

表示在过去T1时间内，预测用户闲时的平均电能消耗，Y6表示在该场景下，用户闲时气温每增加1度需增加的电能消耗系数。T_a表示该行业用户的忙时开始时刻，T_b表示该行业用户忙时结束时刻，也即闲时开始时刻。

其中，T_a＝Y2,T_b＝T_a+24·Y1。Y1表示一天的忙时占比，Y2表示忙时开始时间

步骤S20：确定并选择负荷预测评估区域，确定区域覆盖的用户群。在已经建立场景用户负荷预测模型F和行业用户负荷预测模型C的基础上，在每次预测时，首先选定评估预测的区域，选择方式可以是按行政区域，也可以按照变电站覆盖区域，也可以是在地图上框选。在确定了预测评估目标区域后，就可以获得该区域的电力用户，设定选择的用户数量为N，然后进一步查询模型库，调用出这些用户的场景用户负荷预测模型F和行业用户负荷预测模型C。

步骤S30：将场景用户负荷预测模型F结合行业用户负荷预测模型C并行快速处理，借助上述公式(2)，利用大数据高速并行处理技术，分别计算各用户未来预测时间段T2内的在一场景下，某行业用户的负荷预测p(t)。

步骤S40：将预测时间段T2内全部用户的预测曲线p(t)进行叠加，得到目标区域总负荷预测曲线，也即T2时间内的预测结果。即未来T2时间内，总的负荷预测曲线为C(t)，则C(t)的计算公式如下：

其中，p_i(t)表示第i个用户在T2时间内的负荷预测曲线。

步骤S50：通过目标区域负荷预测结果，动态规划各发电厂电力生产配置计划。即在完成选定目标区域T2时间内的负荷预测以后，就可以根据预测结果规划各发电厂生产作业计划。使其在满足目标区域电力负荷的情况下，不造成多余产能的消耗。

步骤S60：检查电力负荷预测是否超过电厂总装机容量，如果超过，系统智能输出电力管控策略。有了T2时间内目标区域负荷预测结果，及时检测预测结果是否超过供电发现厂装机容量，如果预测结果显示T2时间内预测结果持续T_thresh时间超过装机容量，系统自动产生限电告警，并通过系统自动地筛选出建议限电的用户。系统自动筛选限电用户是基于用户优先级进行的，即在行业用户建模过程中，会对不同行业设定优先级，在此基础上，也会对同行业的电力用户，根据电能消耗，GDP贡献率，能耗效率设置不同的优先级。

本发明申请提案还提供一种基于用户模型分析的电力生产配置装置，如图3所示，提供了一种基于大数据计算机集群架构在线部署结构示意。包括基础数据采集单元、数据归集单元、电力用户负荷预测评估系统；

如图4所示，所述基础数据采集单元，通过获取底层用户历史用电数据，用户行业数据、地区气象数据、企业生产运行等数据来实现数据的采集和汇聚功能；

如图5所示，所述数据归集单元，通过初始化设置模块、自动数据获取模块、负荷评估模块执行单元功能；

所述初始化设置模块，设置评估对象的F和C参数；所述自动数据获取模块，执行与选择的评估对象相关的数据提取，提取全部所需分析数据。用户负荷评估模块通过对全部数据的分析处理功能，评估目标区域各用户电力负荷结果，进一步计算目标区域总的电力负荷预测曲线。该预测评估包括步骤S10中公式(2)以及步骤S40中公式(3)。

如图6所示，所述电力生产配置系统，通过归一化负荷评估计算、电力生产配置计划输出、生产容量超限核查、智能限电策略输出，实现对目标区域电力负荷的预测分析，并产生预测评估结果。

实施例一

实施例一步骤S10，获取预测场景下电网用户历史用电数据，以及用户行业数据，经济发展，气候数据，建立不同场景下，不同行业下的用户负荷预测模型。这一步是整个算法实现的关键环节，利用尽可能多的历史数据来建立不同行业、类型的电力用户对电能的消耗，以及这些用户的电能消耗与生产、气氛、忙闲时段的关系，建立以时间t，气温T，产能增量p等为参数的用户负荷预测模型。

实施例一步骤S20，评估对象为基于智能电网架构的电力生产配置系统，根据本申请所述方法，评估对象是以目标区域为单位，也可以是按照行政区域、电力调度端局、手动地图框选区域等进行选择。

实施例一步骤S30，获取用户最近T1时间内场景用户负荷预测模型F和行业用户负荷预测模型C，将两者结合并行快速处理，利用大数据高速并行处理技术，分别计算各用户未来时间段T2内负荷预测曲线。即对每一个用户结合所对应的电力负荷预测模型进行未来T2时间的评估，评估计算方式使用参数带入法，分别将单个评估电力用户的特征数据，导入对应场景的模型，即可计算得到单个用户的预测结果，为了提高计算效率，这里提出使用分布式快速并行计算，最后把计算的结果再进行合并。

实施例一步骤S40，将T2全部用户预测曲线进行叠加，得到目标区域总负荷预测曲线。即未来T2时间内，总的负荷预测为C(t)，则C(t)的计算方法参加公式(3)。

实施例一步骤S50，通过目标区域负荷预测结果，动态规划各发电厂电力生产配置计划。即在完成选定目标区域T2时间内的负荷预测以后，就可以根据预测结果规划各发电厂生产作业计划。配置作业计划的依据如下：

E(t)＝C(t)·(1+x) (4)

其中，x为电力配送过程中产生的损耗比例，根据具体的情况，由各发电厂自行设置。E(t)为发电厂的发电作业计划。

实施例一步骤S60，检查电力负荷预测是否超过电厂总装机容量，如果超过，系统智能输出电力管控策略。有了T2时间内目标区域负荷预测结果，及时检测预测结果是否超过供电发现厂装机容量，如果预测结果显示T2时间内预测结果持续T_thresh时间超过装机容量，系统自动产生限电告警，并通过系统自动地筛选出建议限电的用户。

如图7所示，当T2-T1的时长超过预设门限值时，判断在未来的T2时间段内，有较大概率发生电力产能不足，系统根据预设的规则，结合用户优先级排序，自动生成限电策略，即电力限制用户清单，便于电力公司提前发送通知到用户。

综上，本发明提出的方法、装置及系统实现了智能电网网络架构下，对目标区域用户负荷预测评估系统，既可以掌握电力用户的负荷运行情况，又可以高精度地预测未来时间T2内，目标区域的电力负荷情况，最佳配置各发电厂生产计划，在未来负荷可能超过发电容量时，提前智能输出限电策略，降低电力运维的成本。与现有技术相比，本方法策略选择灵活，根据不同场景、不同行业进行负荷评估、用户优先级权重，还有就是方案实现成本低，进一步的实施例阐明了实施原理方法。

本发明提出的方法、装置及系统通过建立不同场景下的电力用户模型，对电力负荷的预测更加具体，更具针对性，有效降低因用户性质、行业不同带来的负荷预估偏差，提高预估精度和可靠性。

通过现在场景、多种方式选择目标区域，策略选择灵活；提案还提供实现的装置原理、系统部署办法，不需要改变当前的电力通信网络，只需通过增加简单的软件和计算硬件来实现数据的采集及计算，实现成本低，适合批量部署。

该方法既适合在线自动的电力负荷预测以及电力生产自动配置，又可以用于辅助传统的人工电力生产作业计划制作。

Claims (4)

1.一种基于用户模型自学习的电力生产配置方法，其特征在于，主要包括以下步骤：

步骤一，获取预测场景下电网用户历史用电数据，以及用户行业数据，经济发展数据，气候数据，建立预测场景下的不同行业的用户负荷预测模型，包括场景用户负荷预测模型F和行业用户负荷预测模型C；其中在步骤一中，主要包括三个步骤：

第一步，确定目标区域电力负荷场景，并给出不同场景的用户负荷预测模型，使用S代表不同的场景，使用F向量代表场景用户负荷预测模型，即不同场景S下，其对应着不同的F向量，F＝(X1，X2)，其中X1表示不同场景地区的GDP增长率，X2表示GDP与电力消耗之间的比值；

第二步，挖掘较长一段时间内全部电网用户用电数据，根据这些用户用电数据，对不同行业进行打标签，采用C表示行业用户负荷预测模型，C＝(Y1，Y2，Y3，Y4，Y5，Y6)，其中，Y1表示一天的忙时占比，Y2表示忙时开始时间，Y3表示行业发展增速，Y4表示用户每增加单位产量需消耗电能系数，Y5表示用户忙时气温每增加1度需增加的电能消耗系数，Y6表示用户闲时气温每增加1度需增加的电能消耗系数；

第三步，在确定用户行业的基础上，建立当前场景下行业用户的负荷预测模型，将用户一天24小时分成两个状态时间，分别是忙时

和闲时

，其中

+

＝24 (1)

则建立在一场景下，某行业用户负荷预测曲线p(t)如下：

其中，p(t)表示预测用户在t时刻的负荷预估值，

表示在过去T1时间内，预测用户忙时的平均电能消耗，Y4表示在该场景下用户每增加单位产量需消耗电能系数，r(t)表示预测用户在未来t时刻相比当前增加的产量计划，即行业增速，Y5表示在该场景下，用户忙时气温每增加1度需增加的电能消耗系数，Y3表示行业发展增速，s(t)表示预测用户在未来t时刻相比当前温度增量，即温度预测情况，X1表示不同场景地区的GDP增长率；

表示在过去T1时间内，预测用户闲时的平均电能消耗，Y6表示在该场景下，用户闲时气温每增加1度需增加的电能消耗系数，

表示该行业用户的忙时开始时刻，

表示该行业用户忙时结束时刻，也即闲时开始时刻；

其中，

＝Y2,

＝

+24·Y1，Y1表示一天的忙时占比，Y2表示忙时开始时间；

步骤二，确定并选择负荷的预测评估区域，获得该区域的电力用户，调用出所述电力用户的场景用户负荷预测模型F和行业用户负荷预测模型C，其中设定选择的用户数量为N；

步骤三，将场景用户负荷预测模型F结合行业用户负荷预测模型C并行快速处理，分别计算各电力用户未来预测时间段T2内的负荷预测曲线；

步骤四，将未来预测时间段T2内的全部电力用户预测曲线进行叠加，得到所述预测评估区域总负荷预测曲线，计为C(t)，则C(t)的计算公式如下：

（3）

其中，

表示第i个用户在时间段T2内的负荷预测曲线；

步骤五，根据所述预测评估区域的总负荷预测曲线C(t)，动态规划各发电厂电力生产配置计划，使其在满足所述预测评估区域电力负荷的情况下，不造成多余产能的消耗；

步骤六，检查所述预测评估区域的总负荷预测曲线C(t)是否超过各发电厂的总装机容量，如果超过，系统智能输出电力管控策略。

2.如权利要求1所述的基于用户模型自学习的电力生产配置方法，其特征在于，其中在步骤二中，选择预测评估区域的方式可以是按行政区域，也可以按照变电站覆盖区域，也可以是在地图上框选。

3.如权利要求1所述的基于用户模型自学习的电力生产配置方法，其特征在于，其中在步骤六中，如果负荷预测曲线C(t)显示T2时间内总负荷预测曲线持续

时间超过装机容量，系统自动产生限电告警，并通过系统自动地筛选出建议限电的用户。

4.一种基于用户模型分析的电力生产配置装置，其特征在于，应用于权利要求1-3任一所述的基于用户模型自学习的电力生产配置方法，所述基于用户模型分析的电力生产配置装置包括基础数据采集单元，数据归集单元，电力用户负荷预测评估系统，所述基础数据采集单元，通过获取底层用户历史用电数据，用户行业数据、地区气象数据、企业生产运行数据来实现数据的采集和汇聚功能；所述数据归集单元包括初始化设置模块、自动数据获取模块和负荷评估模块；所述初始化设置模块，设置评估对象的场景用户负荷预测模型F和行业用户负荷预测模型C；所述自动数据获取模块，执行与选择的评估对象相关的数据提取，提取全部所需分析数据；负荷评估模块通过对全部数据的分析处理功能，评估目标区域各用户电力负荷结果，进一步计算目标区域总的电力负荷预测曲线；所述电力生产配置装置，通过归一化负荷评估计算、电力生产配置计划输出、生产容量超限核查、智能限电策略输出，实现对目标区域电力负荷的预测分析，并产生预测评估结果。

Images