CN109657884B - 电网供电优化方法、装置、设备和计算机可读存储介质 - Google Patents

Abstract

本申请实施公开了一种电网供电优化方法、装置、设备和计算机可读存储介质，对用户负荷原始高维的历史用电数据进行了降维处理，在保留原有数据有效信息的基础上，有效降低了电网波动造成的负荷暴增、负荷骤降等噪声对数据的影响，提高了聚类的有效性。采用随机森林模型进行负荷识别，随机森林模型的训练数据集由负荷曲线特征库提供，质量优良的数据样本和基学习期的多样性提高了模型的准确性和可靠性。考虑负荷均衡对供电点负载的影响，将负荷均衡指标作为优化组合的目标函数，使决策方案能有效改善供电点负荷不平衡，减小日峰谷差，且提高供电设备利用率。

Description

电网供电优化方法、装置、设备和计算机可读存储介质

技术领域

本申请涉及电力规划技术领域，尤其涉及一种电网供电优化方法、装置、设备和计算机可读存储介质。

背景技术

随着电力系统信息化程度的不断提高，在大数据环境下分析用电数据之间的关联性，探索有效的数据挖掘算法，对电力用户进行合理分类，针对不同类别的用户，快速准确地挖掘和把握其特征，得到用户用电习惯和调控潜力等有价值的信息，从而有效优化供电点用户负荷组合，减小负荷日峰谷差，提高供配电设施的利用率，是提高电网高效经济运行的有效途径。

传统的对不同电力用户的负荷曲线数据分析的方法是聚类分析算法，通常以负荷曲线每个采集点的负荷数据作为输入，对数据进行规范化处理后，对用户进行分类。但是，聚类分析虽然能够对电力用户进行合理分类，却不能很好地改善供电点负荷不平衡和日峰谷差大的问题，供电设备的利用率得不到提高。因此，有效改善供电电负荷不平衡和日峰谷差大的问题，提高供电设备的利用率，是本领域技术人员亟待解决的技术问题。

发明内容

本申请实施例提供了一种电网供电优化方法、装置、设备和计算机可读存储介质，用于解决现有的电网供电点供电负荷不平衡和日峰谷差大的技术问题，提高供电设备的利用率。

有鉴于此，本申请第一方面提供了一种电网供电优化方法，包括：

101、将获取到的待接入用户的报装参数作为预测样本输入训练好的随机森林模型，对所述待接入用户的日负荷曲线进行预测，得到用户负荷预测曲线，所述报装参数包括：负荷率、最高利用小时率、日峰谷差率、峰期负载率、平期负载率和谷期负载率；

102、根据所述用户负荷预测曲线计算供电点的负荷均衡指标和待接入用户的电力需求，根据所述电力需求计算供电点日峰值负荷；

103、以所述负荷均衡指标最小的第一目标函数和所述供电点日峰值负荷小于所述供电点的传输容量上限的第二目标函数作为优化目标，得到所述待接入用户接入供电点的优化组合方案。

优选地，步骤101之前还包括：

1001、获取负荷曲线特征库中各历史负荷曲线的报装参数，得到历史用户用电数据集；

1002、将所述历史用户用电数据集作为输入，所述历史负荷曲线的聚类结果作为输出，对随机森林模型进行训练，得到训练后的随机森林模型。

优选地，所述第一目标函数为：

其中，d_LBI,i为负荷均衡指标，M为当前区域可接入的供电点数量，i为第i个供电点，j为第j个采集负荷点，a_i,j为第i条供电点负荷曲线的第j个采集负荷点的负荷量，

为第i条供电点负荷曲线的平均负荷量。

优选地，所述第二目标函数为：

其中，

为第i个供电点的初始承载负荷，R_f为第f个接入用户的电力需求，P_ub为供电点的传输容量上限，N为接入用户的数量，e_i,f为电力用户f接入供电点i的决策变量,接入时取1，不接入时取0。

优选地，步骤1001之前，还包括：

001、获取若干条日负荷曲线，对每条所述日负荷曲线的历史用电数据进行核查，剔除无效的所述日负荷曲线，保留有效的所述日负荷曲线；

002、对有效的所述日负荷曲线进行修正和替代处理，得到完整日负荷曲线，加入负荷曲线库；

003、对所述负荷曲线库中所有所述完整日负荷曲线进行聚类，得到聚类后的历史负荷曲线，构建负荷曲线特征库。

优选地，步骤002之后步骤003之前，还包括：

0021、对所述完整日负荷曲线的历史用电数据进行归一化，得到样本数据集；

0022、采用主成分分析算法，对所述样本数据集进行协方差特征分解；

0023、对所述特征分解得到的特征值进行降序排序；

0024、根据预置贡献率确定降维后的维数d，取前d个所述特征值对应的特征向量构成投影矩阵，从而得到降维后的历史用电矩阵数据集；

相应地，步骤003具体为：

对所述历史用电矩阵数据集进行聚类，得到聚类后的历史负荷曲线，构建负荷曲线特征库。

本申请第二方面还提供了一种电网供电优化装置，包括：

获取单元，用于获取接入用户的报装参数作为预测样本输入训练好的随机森林模型，对所述接入用户的日负荷曲线进行预测，得到用户负荷预测曲线，所述报装参数包括：负荷率、最高利用小时率、日峰谷差率、峰期负载率、平期负载率和谷期负载率；

计算单元，用于根据所述用户负荷预测曲线计算负荷均衡指标和接入用户电力需求，根据所述接入用户电力需求计算供电点日峰值负荷；

优化单元，用于以所述负荷均衡指标最小的第一目标函数和所述供电点日峰值负荷小于所述供电点的传输容量上限的第二目标函数作为优化目标，得到所述接入用户接入供电点的优化组合方案。

优选地，还包括：

第一预处理单元，用于获取负荷曲线特征库中各历史负荷曲线的报装参数，得到历史用户用电数据集；

第二预处理单元，用于将所述历史用户用电数据集作为输入，所述历史负荷曲线的聚类结果作为输出，对随机森林模型进行训练，得到训练后的随机森林模型；

采集单元，用于获取若干条日负荷曲线，对每条所述日负荷曲线的历史用电数据进行核查，剔除无效的所述日负荷曲线，保留有效的所述日负荷曲线；

修正单元，用于对有效的所述日负荷曲线进行修正和替代处理，得到完整日负荷曲线，加入负荷曲线库；

聚类单元，用于对所述负荷曲线库中所有所述完整日负荷曲线进行聚类，得到聚类后的历史负荷曲线，构建负荷曲线特征库；

归一化单元，用于对所述完整日负荷曲线的历史用电数据进行归一化，得到样本数据集；

分解单元，用于采用主成分分析算法，对所述样本数据集进行协方差特征分解；

排序单元，用于对所述特征分解得到的特征值进行降序排序；

投影单元，用于根据预置贡献率确定降维后的维数d，取前d个所述特征值对应的特征向量构成投影矩阵，从而得到降维后的历史用电矩阵数据集；

所述聚类单元，具体用于对所述历史用电矩阵数据集进行聚类，得到聚类后的历史负荷曲线，构建负荷曲线特征库。

本申请第三方面还提供了一种电网供电优化设备，所述设备包括处理器以及存储器；

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行第一方面所述的所述的电网供电优化方法。

本申请第四方面还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执第一方面所述的电网供电优化方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请中，提供了一种电网供电优化方法，包括：101、将获取到的待接入用户的报装参数作为预测样本输入训练好的随机森林模型，对待接入用户的日负荷曲线进行预测，得到用户负荷预测曲线，报装参数包括：负荷率、最高利用小时率、日峰谷差率、峰期负载率、平期负载率和谷期负载率；102、根据用户负荷预测曲线计算供电点的负荷均衡指标和待接入用户的电力需求，根据电力需求计算供电点日峰值负荷；103、以负荷均衡指标最小的第一目标函数和供电点日峰值负荷小于供电点的传输容量上限的第二目标函数作为优化目标，得到待接入用户接入供电点的优化组合方案。本申请提供的电网供电优化方法，将得到的报装参数输入到训练好的随机森林模型中进行日负荷曲线预测，具有预测准确和效率高的特点，根据预测得到的用户负荷预测曲线计算负荷均衡指标和接入用户的电力需求，考虑了负荷均衡对供电点负载的影响，将负荷均衡指标作为优化组合的目标函数，使优化档案能够有效改善供电点负荷不平衡问题，将供电点日峰值负荷小于供电点的传输容量上限的目标函数作为优化目标，能够减小日峰谷差，解决了现有的电网供电点供电负荷不平衡和日峰谷差大的技术问题，提高供电设备的利用率。

附图说明

图1为本申请提供的一种电网供电优化方法的第一实施例流程示意图；

图2为本申请提供的一种电网供电优化方法的第二实施例流程示意图；

图3为本申请提供的一种电网供电优化方法的第三实施例流程示意图；

图4为本申请实施例中提供的第一类负荷曲线示意图；

图5为本申请实施例中提供的第二类负荷曲线示意图；

图6为本申请实施例中提供的第三类负荷曲线示意图；

图7为本申请实施例中提供的第四类负荷曲线示意图；

图8为本申请实施例中提供的负荷曲线特征库示意图；

图9为本申请实施例中提供的接入用户接入供电点的优化方案示意图；

图10为本申请实施例中提供的第一种供电点负荷曲线优化效果示意图；

图11为本申请实施例中提供的第二种供电点负荷曲线优化效果示意图；

图12为本申请实施例中提供的一种电网供电优化装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了便于理解，请参阅图1、图10和图11，本申请提供的一种电网供电规划方法的第一个实施例，包括：

步骤101、将获取到的待接入用户的报装参数作为预测样本输入训练好的随机森林模型，对待接入用户的日负荷曲线进行预测，得到用户负荷预测曲线，报装参数包括：负荷率、最高利用小时率、日峰谷差率、峰期负载率、平期负载率和谷期负载率。

需要说明的是，本申请实施例中，考虑到模型识别的可靠性和准确性，从全天、峰期、平期、谷期选取负荷率q₁、最高利用小时率q₂、日峰谷差率q₃、峰期负载率q₄、平期负载率q₅、谷期负载率q₆作为用户接入时的报装参数。将待接入用户的报装参数作为预测样本输入到训练好的随机森林模型中进行预测，可以得到待接入用户的日负荷曲线。

随机森林(Random Forest，RF)是并行式集成学习方法Bagging的一个扩展变体。RF在以决策树为基学习器构建Bagging集成的基础上，进一步在决策树的训练过程中引入随机属性选择。传统决策树在选择划分属性时时在当前节点的属性集合(有r个属性)中选择一个最优属性，一般根据属性的信息增益(information gain)进行选择，样本集Q中，属性q对样本集划分所获得的信息增益计算公式如下：

式中，当前样本集合Q中第i类样本所占比例为p_i，属性q有V个可能的取值，若使用q进行划分，则会产生V个分支节点，Q中所有在属性q上取值为q^v的样本集则记为Q^v。

而在RF中，对基决策树的每个节点先从该节点的属性集合中随机选择一个包含s个属性的子集，然后再从这个子集中选择一个最优属性用于划分。这里的参数s控制了随机性的引入程度，为满足随机森林模型的多而不同的要求，令：

s＝log₂r。

采用随机森林模型进行负荷预测，能够提高预测精度、效率和数据的合理性，可较好的运用于工程实际问题。

步骤102、根据用户负荷预测曲线计算供电点的负荷均衡指标和待接入用户的电力需求，根据电力需求计算供电点日峰值负荷。

需要说明的是，在城市电网中，供电点的分布往往比较密集，可认为报装用户集中于某个区域，且暂不考虑接线的地理和经济约束。供电点的负荷曲线即为接入供电点的所有接入用户的负荷曲线的叠加。假定当前区域可供接入的供电点有M个，则第i个供电点的负荷曲线可表示为：

l_i＝[a_i,1,a_i,2,…,a_i,96]；

其中，l_i为第i条供电点负荷曲线，a_i,j为第i个供电点的第j个负荷采集点的负荷量，本申请实施例中，接入用户的日负荷曲线和供电点的日负荷曲线为96点负荷曲线，96点负荷曲线是指15分钟采集一个点，一天96个点，构成一条96点的日负荷曲线。可以理解的是，日负荷曲线的采集点还可以是48个点或其他具体数值，可根据实际应用情况进行选取，本申请实施例中不对其进行限制。

供电点设备利用率高、峰谷差小，一般表现为供电点日负荷曲线的波形平缓，可用负荷均衡指标进行描述，表示为：

若有N个用户准备接入，第f个用户识别为第k类负荷模式(聚类中心为μ_k)，该用户的日负荷峰值为A_f,max，则其电力需求则表示为：

R_f＝μ_kA_f,max。

供电点的日峰值负荷为：

式中，

为第i个供电点初始承载负荷，R_f为第f个接入用户的电力需求，N为接入用户的数量，e_i,f为电力用户f接入供电点i的决策变量,接入时取1，不接入时取0。

步骤103、以负荷均衡指标最小的第一目标函数和供电点日峰值负荷小于供电点的传输容量上限的第二目标函数作为优化目标，得到待接入用户接入供电点的优化组合方案。

进一步地，第一目标函数为：

其中，d_LBI,i为负荷均衡指标，M为当前区域可接入的供电点数量，i为第i个供电点，j为第j个采集负荷点，a_i,j为第i条负荷预测曲线的第j个采集负荷点的负荷量，

为第i条用户负荷预测曲线的平均负荷量。

进一步地，第二目标函数为：

其中，

为第i个供电点的初始承载负荷，R_f为第f个接入用户的电力需求，P_ub为供电点的传输容量上限，N为接入用户的数量，e_i,f为电力用户f接入供电点i的决策变量,接入时取1，不接入时取0。

需要说明的是，为有效实现供电点的负荷均衡，达到削峰填谷的效果，本申请实施例中，将供电点的负荷均衡指标取最小值的第一目标函数作为优化策略的目标函数，第一目标函数可表示为：

考虑到配电网的安全性，要求供电点日峰值负荷小于供电点的传输容量上限P_ub，则接入新用户负荷后的供电点负荷需满足第二目标函数，第二目标函数可表示为：

其中，P_ub为供电点的传输容量上限。

则最终可得N个待接入用户接于M个供电点的决策方案，可表示为矩阵：

E_d＝(e_i,f)_M×N。

通过以上步骤就可以得到某区域内的供电点的负荷优化组合方案，待接入用户接入供电点的优化方案示意图如图9所示，负荷1～负荷N表示N个待接入用户，供电点1～供电点M表示M个供电点，e_2,f＝1表示第f个新接入用于接入第2个供电点。供电点负荷曲线优化效果示意图如图10和图11所示，从图10和图11中可以看出，优化后的日负荷曲线相比于无优化曲线，供电负荷更加平衡，日峰谷差减小，供电点的峰期负载压力得到改善，从而提高了电网运行的安全性。

本申请实施例中提供的电网供电优化方法，将得到的待接入用户的报装参数输入到训练好的随机森林模型中进行日负荷曲线预测，具有预测准确和效率高的特点，根据预测得到的用户负荷预测曲线计算负荷均衡指标和接入用户的电力需求，考虑了负荷均衡对供电点负载的影响，将负荷均衡指标作为优化组合的目标函数，使优化档案能够有效改善供电点负荷不平衡问题，将供电点日峰值负荷小于供电点的传输容量上限的目标函数作为优化目标，能够减小日峰谷差，解决了现有的电网供电点供电负荷不平衡和日峰谷差大的技术问题，提高供电设备的利用率。

为了便于理解，请参阅图2、图4至图11，本申请实施例中提供的一种抗电网供电优化方法的第二个实施例，包括：

步骤201、获取若干条日负荷曲线，对每条日负荷曲线的历史用电数据进行核查，剔除无效的日负荷曲线，保留有效的日负荷曲线。

需要说明的是，本申请实施例中，通过配电网数据采集与监视控制系统(SCADA)获得若干条接入用户的日负荷曲线，对每条日负荷曲线的历史用电数据(原始采集数据)进行核查，查找数据缺失或异常的日负荷曲线，数据缺失或异常主要包括负荷暴增、负荷骤降和负负荷等情况，当日负荷曲线的数据缺失量和异常量达到采集量的10％及以上时，认为该曲线无效并剔除。

步骤202、对有效的日负荷曲线进行修正和替代处理，得到完整日负荷曲线，加入负荷曲线库。

需要说明的是，步骤201中剔除无效的日负荷曲线之后，剩下有效的日负荷曲线，对有效的日负荷曲线进行修正和替代处理，得到完整日如何曲线，将其加入负荷曲线库。修正和替代处理过程为，设第i条日负荷曲线的第j个采集点的负荷数据P_i,j为缺失或异常数据，则修正值P_i,j′为

式中：k表示向前采集；g表示向后采集；k₁、g₁视情况而定，一般可取5～10。则历史用电数据P可表示为：

P＝[P₁,P₂,...,P_n]^T；

P_i＝[P_i,1,P_i,2,...,P_i,96]；

式中，n为历史用电数据的条目数；P_i为第i条历史用电数据。

步骤203、对负荷曲线库中所有完整日负荷曲线进行聚类，得到聚类后的历史负荷曲线，构建负荷曲线特征库。

需要说明的是，本申请实施例中，通过k-means算法对负荷曲线库中所有完整日负荷曲线进行聚类，得到多类负荷模式的典型日负荷曲线如图4至图7所示，再根据聚类后的日负荷曲线库对各类日负荷曲线进行特征提取，构建负荷曲线特征库，如图8所示。

步骤204、获取负荷曲线特征库中各历史负荷曲线的报装参数，得到历史用户用电数据集，报装参数包括：负荷率、最高利用小时率、日峰谷差率、峰期负载率、平期负载率和谷期负载率。

需要说明的是，每一条日负荷曲线都能够计算得到负荷率q₁、最高利用小时率q₂、日峰谷差率q₃、峰期负载率q₄、平期负载率q₅和谷期负载率q₆，因此，可以获得负荷曲线特征库中各历史负荷曲线的报装参数，形成历史用户用电数据集，如下：

Q_i＝[q_i,1,q_i,2,…,q_i,6]；

Q＝[Q₁；Q₂；…；Q_n]；

其中，q_i,1～q_i,6为第i条历史负荷曲线的报装参数，Q_i为第i条历史负荷曲线的用电数据集；Q为总的历史用户用电数据集。

步骤205、将历史用户用电数据集作为输入，历史负荷曲线的聚类结果作为输出，对随机森林模型进行训练，得到训练后的随机森林模型。

需要说明的是，将步骤204中的Q作为随机森林模型的输入，步骤203中的聚类结果作为随机森林模型的输出，对随机森林模型进行训练，得到训练后的随机森林模型。随机森林模型的训练过程是公知技术，在此不再进行详细赘述。

步骤206、将获取到的待接入用户的报装参数作为预测样本输入训练好的随机森林模型，对待接入用户的日负荷曲线进行预测，得到用户负荷预测曲线。

需要说明的是，本申请实施例中的步骤206与上一实施例中的步骤101一致，在此不再进行详细赘述。

步骤207、根据用户负荷预测曲线计算供电点的负荷均衡指标和待接入用户的电力需求，根据电力需求计算供电点日峰值负荷。

需要说明的是，本申请实施例中，步骤207与上一实施例中的步骤102一致，在此不再进行详细赘述。

步骤208、以负荷均衡指标最小的第一目标函数和供电点日峰值负荷小于供电点的传输容量上限的第二目标函数作为优化目标，得到待接入用户接入供电点的优化组合方案。

需要说明的是，本申请实施例中，步骤208与上一实施例中的步骤103一致，在此不再进行详细赘述。

请参阅图3、图4至图11，本申请实施例中提供的一种抗电网供电优化方法的第三个实施例，包括：

步骤301、获取若干条日负荷曲线，对每条日负荷曲线的历史用电数据进行核查，剔除无效的日负荷曲线，保留有效的日负荷曲线。

需要说明的是，本申请实施例中，步骤301与上一实施例中的步骤201一致，在此不再进行详细赘述。

步骤302、对有效的日负荷曲线进行修正和替代处理，得到完整日负荷曲线，加入负荷曲线库。

需要说明的是，本申请实施例中，步骤302与上一实施例中的步骤202一致，在此不再进行详细赘述。

步骤303、对完整日负荷曲线的历史用电数据进行归一化，得到样本数据集。

需要说明的是，本申请实施例中，对完整日负荷曲线的历史用电数据进行归一化，得到样本数据集。第i条历史用电数据归一化过程为：

其中，D_i为第i条归一化后的历史用电数据，P_i为第i条历史用电数据。归一化后的历史用电数据可表示为矩阵：

D＝[D₁,D₂,…,D_n]^T。

步骤304、采用主成分分析算法，对样本数据集进行协方差特征分解。

需要说明的是，聚类算法应用于负荷曲线分类，通常以负荷曲线每个采集点的负荷数据作为输入，对数据进行规范化处理后，对用户进行分类，然而，对于日负荷曲线这类具有明显负荷形状的曲线，在高维情况下会表现出不理想的等距性，另一方面，对于数据集中第对象，维数越高，距离测度的意义就越小。主成分分析是常用的一种降维方法，用原始变量的线性组合构造综合指标，使其尽可能地反映原始变量的信息，一方面提高了样本的采样密度，另一方面当数据受到噪声影响时，主成分分析法能够一定程度上起到去噪的效果。本申请实施例中，采用主成分分析算法(principal Component Analysis，PCA)，利用协方差进行特征分解，进而分析、简化数据集。PCA将一些具有一定关联性的数据指标，应用协方差矩阵将其组合成为一组新的相互之间没有关联性的指标，表征原有的指标特征从而达到对数据进行降维的效果。而由此得到的新的指标被称为主成分。通常，主成分的选取根据各个指标累计的贡献率来决定，贡献率的具体表示可由某个主成分所对应的方差占所有成分的方差的比重来确定，然后根据各个主成分的贡献率来确定选取的优先级。主成分的贡献率越大，说明其保留的原始指标的信息越多。

进行主成分分析，首先对上一步中归一化后的负荷样本数据集D进行中心化：

则协方差矩阵XX^T计算公式为：

步骤305、对特征分解得到的特征值进行降序排序。

需要说明的是，对协方差矩阵X^TX进行特征值分解，将求得的特征值排序：

λ₁≥λ₂≥...≥λ_d。

步骤306、根据预置贡献率确定降维后的维数d，取前d个特征值对应的特征向量构成投影矩阵，从而得到降维后的历史用电矩阵数据集。

需要说明的是，降维后低维空间对的维数d′通常是事先指定的，也可从重构的角度设置一个阈值，令贡献率t＝95％，然后选取使下式成立的最小d′值：

再取前d′个特征值对应的特征向量构成投影矩阵：

W^*＝(w₁,w₂,…,w_d′)；

则将x_i降至d′维后可表示为：

y_i＝x_iW^*；

Y＝[y₁；y₂；…；y_n]；

式中，y_i为将至d′维后的第i条历史用电数据。

步骤307、对历史用电矩阵数据集进行聚类，得到聚类后的历史负荷曲线，构建负荷曲线特征库。

利用k-means算法对降维后的历史用电数据矩阵Y进行聚类，假定聚类为k簇，设初始均值向量为μ_i，针对聚类所得簇划分C＝{C₁,C₂,...,C_k}最小化平方误差：

式中，y为将至d′维后的历史用电数据。

不断更新当前均值向量，计算公式如下：

通过迭代优化求解平方误差E，在满足要求时停止算法，得到最终的簇划分：

μ＝[μ₁,μ₂,…,μ_k]^T；

式中，μ_i为第i簇C_i为中样本的均值向量，即聚类中心，负荷聚类效果如图4至图7所示。再根据聚类后的日负荷曲线库对各类日负荷曲线进行特征提取，构建负荷曲线特征库，如图8所示。

步骤308、获取负荷曲线特征库中各历史负荷曲线的报装参数，得到历史用户用电数据集，报装参数包括：负荷率、最高利用小时率、日峰谷差率、峰期负载率、平期负载率和谷期负载率。

需要说明的是，本申请实施例中的步骤308与上一实施例中的步骤204一致，在此不再进行详细赘述。

步骤309、将历史用户用电数据集作为输入，历史负荷曲线的聚类结果作为输出，对随机森林模型进行训练，得到训练后的随机森林模型。

需要说明的是，本申请实施例中的步骤309与上一实施例中的步骤205一致，在此不再进行详细赘述。

步骤310、将获取到的待接入用户的报装参数作为预测样本输入训练好的随机森林模型，对待接入用户的日负荷曲线进行预测，得到用户负荷预测曲线。

需要说明的是，本申请实施例中，步骤310与上一实施例中的步骤206一致，在此不再进行详细赘述。

步骤311、根据用户负荷预测曲线计算供电点的负荷均衡指标和待接入用户的电力需求，根据电力需求计算供电点日峰值负荷。

需要说明的是，本申请实施例中，步骤311与上一实施例中的步骤207一致，在此不再进行详细赘述。

步骤312、以负荷均衡指标最小的第一目标函数和供电点日峰值负荷小于供电点的传输容量上限的第二目标函数作为优化目标，得到待接入用户接入供电点的优化组合方案。

需要说明的是，本申请实施例中的步骤312与上一实施例中的步骤208一致，在此不再进行详细赘述。

本申请实施例中提供的电网供电优化方法，对用户负荷原始高维的历史用电数据进行了降维处理，在保留原有数据有效信息的基础上，有效降低了电网波动造成的负荷暴增、负荷骤降等噪声对数据的影响，提高了聚类的有效性。采用随机森林模型进行负荷识别，随机森林模型的训练数据集由负荷曲线特征库提供，质量优良的数据样本和基学习期的多样性提高了模型的准确性和可靠性。考虑负荷均衡对供电点负载的影响，将负荷均衡指标作为优化组合的目标函数，使决策方案能有效改善供电点负荷不平衡，减小日峰谷差，且提高供电设备利用率。

为了便于理解，请参阅图12，本申请实施例提供了一种电网供电优化装置，包括：

获取单元401，用于将获取到的待接入用户的报装参数作为预测样本输入训练好的随机森林模型，对待接入用户的日负荷曲线进行预测，得到用户负荷预测曲线，报装参数包括：负荷率、最高利用小时率、日峰谷差率、峰期负载率、平期负载率和谷期负载率。

计算单元402，用于根据用户负荷预测曲线计算供电点的负荷均衡指标和待接入用户的电力需求，根据电力需求计算供电点日峰值负荷。

优化单元403，用于以负荷均衡指标最小的第一目标函数和供电点日峰值负荷小于供电点的传输容量上限的第二目标函数作为优化目标，得到待接入用户接入供电点的优化组合方案。

进一步地，还包括：

第一预处理单元404，用于获取负荷曲线特征库中各历史负荷曲线的报装参数，得到历史用户用电数据集。

第二预处理单元405，用于将历史用户用电数据集作为输入，历史负荷曲线的聚类结果作为输出，对随机森林模型进行训练，得到训练后的随机森林模型。

采集单元406，用于获取若干条日负荷曲线，对每条日负荷曲线的历史用电数据进行核查，剔除无效的日负荷曲线，保留有效的日负荷曲线。

修正单元407，用于对有效的日负荷曲线进行修正和替代处理，得到完整日负荷曲线，加入负荷曲线库。

聚类单元408，用于对负荷曲线库中所有完整日负荷曲线进行聚类，得到聚类后的历史负荷曲线，构建负荷曲线特征库。

归一化单元409，用于对完整日负荷曲线的历史用电数据进行归一化，得到样本数据集。

分解单元410，用于采用主成分分析算法，对样本数据集进行协方差特征分解。

排序单元411，用于对特征分解得到的特征值进行降序排序。

投影单元412，用于根据预置贡献率确定降维后的维数d，取前d个特征值对应的特征向量构成投影矩阵，从而得到降维后的历史用电矩阵数据集。

聚类单元408，具体用于对历史用电矩阵数据集进行聚类，得到聚类后的历史负荷曲线，构建负荷曲线特征库。

进一步地，第一目标函数为：

其中，d_LBI,i为负荷均衡指标，M为当前区域可接入的供电点数量，i为第i个供电点，j为第j个采集负荷点，a_i,j为第i条负荷预测曲线的第j个采集负荷点的负荷量，

为第i条用户负荷预测曲线的平均负荷量。

进一步地，第二目标函数为：

其中，

为第i个供电点初始承载负荷，R_f为第f个接入用户的电力需求，P_ub为供电点的传输容量上限，N为接入用户的数量，e_i,f为电力用户f接入供电点i的决策变量,接入时取1，不接入时取0。

本申请实施例中提供了一种电网供电优化设备，设备包括处理器以及存储器：

存储器用于存储程序代码，并将程序代码传输给处理器；

处理器用于根据程序代码中的指令执行前述方法实施例中的电网供电优化方法。

本申请实施例中提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行前述方法实施例中的电网供电优化方法。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (9)

1.一种电网供电优化方法，其特征在于，包括：

101、将获取到的待接入用户的报装参数作为预测样本输入训练好的随机森林模型，对所述待接入用户的日负荷曲线进行预测，得到用户负荷预测曲线，所述报装参数包括：负荷率、最高利用小时率、日峰谷差率、峰期负载率、平期负载率和谷期负载率；

102、根据所述用户负荷预测曲线计算供电点的负荷均衡指标和待接入用户的电力需求，根据所述电力需求计算供电点日峰值负荷；

103、以所述负荷均衡指标最小的第一目标函数和所述供电点日峰值负荷小于所述供电点的传输容量上限的第二目标函数作为优化目标，得到所述待接入用户接入供电点的优化组合方案；

所述第一目标函数为：

其中，d_LBI,i为负荷均衡指标，M为当前区域可接入的供电点数量，i为第i个供电点，j为第j个采集负荷点，a_i,j为第i条供电点负荷曲线的第j个采集负荷点的负荷量，

为第i条供电点负荷曲线的平均负荷量。

2.根据权利要求1所述的电网供电优化方法，其特征在于，步骤101之前还包括：

1001、获取负荷曲线特征库中各历史负荷曲线的报装参数，得到历史用户用电数据集；

1002、将所述历史用户用电数据集作为输入，所述历史负荷曲线的聚类结果作为输出，对随机森林模型进行训练，得到训练后的随机森林模型。

3.根据权利要求1所述的电网供电优化方法，其特征在于，所述第二目标函数为：

其中，

为第i个供电点的初始承载负荷，R_f为第f个接入用户的电力需求，P_ub为供电点的传输容量上限，N为接入用户的数量，e_i,f为电力用户f接入供电点i的决策变量,接入时取1，不接入时取0。

4.根据权利要求2所述的电网供电优化方法，其特征在于，步骤1001之前，还包括：

001、获取若干条日负荷曲线，对每条所述日负荷曲线的历史用电数据进行核查，剔除无效的所述日负荷曲线，保留有效的所述日负荷曲线；

002、对有效的所述日负荷曲线进行修正和替代处理，得到完整日负荷曲线，加入负荷曲线库；

003、对所述负荷曲线库中所有所述完整日负荷曲线进行聚类，得到聚类后的历史负荷曲线，构建负荷曲线特征库。

5.根据权利要求4所述的电网供电优化方法，其特征在于，步骤002之后步骤003之前，还包括：

0021、对所述完整日负荷曲线的历史用电数据进行归一化，得到样本数据集；

0022、采用主成分分析算法，对所述样本数据集进行协方差特征分解；

0023、对所述特征分解得到的特征值进行降序排序；

0024、根据预置贡献率确定降维后的维数d，取前d个所述特征值对应的特征向量构成投影矩阵，从而得到降维后的历史用电矩阵数据集；

相应地，步骤003具体为：

对所述历史用电矩阵数据集进行聚类，得到聚类后的历史负荷曲线，构建负荷曲线特征库。

6.一种电网供电优化装置，其特征在于，包括：

获取单元，用于将获取到的待接入用户的报装参数作为预测样本输入训练好的随机森林模型，对所述待接入用户的日负荷曲线进行预测，得到用户负荷预测曲线，所述报装参数包括：负荷率、最高利用小时率、日峰谷差率、峰期负载率、平期负载率和谷期负载率；

计算单元，用于根据所述用户负荷预测曲线计算供电点的负荷均衡指标和待接入用户的电力需求，根据所述电力需求计算供电点日峰值负荷；

优化单元，用于以所述负荷均衡指标最小的第一目标函数和所述供电点日峰值负荷小于所述供电点的传输容量上限的第二目标函数作为优化目标，得到所述待接入用户接入供电点的优化组合方案；

所述第一目标函数为：

其中，d_LBI,i为负荷均衡指标，M为当前区域可接入的供电点数量，i为第i个供电点，j为第j个采集负荷点，a_i,j为第i条供电点负荷曲线的第j个采集负荷点的负荷量，

为第i条供电点负荷曲线的平均负荷量。

7.根据权利要求6所述的电网供电优化装置，其特征在于，还包括：

第一预处理单元，用于获取负荷曲线特征库中各历史负荷曲线的报装参数，得到历史用户用电数据集；

第二预处理单元，用于将所述历史用户用电数据集作为输入，所述历史负荷曲线的聚类结果作为输出，对随机森林模型进行训练，得到训练后的随机森林模型；

采集单元，用于获取若干条日负荷曲线，对每条所述日负荷曲线的历史用电数据进行核查，剔除无效的所述日负荷曲线，保留有效的所述日负荷曲线；

修正单元，用于对有效的所述日负荷曲线进行修正和替代处理，得到完整日负荷曲线，加入负荷曲线库；

聚类单元，用于对所述负荷曲线库中所有所述完整日负荷曲线进行聚类，得到聚类后的历史负荷曲线，构建负荷曲线特征库；

归一化单元，用于对所述完整日负荷曲线的历史用电数据进行归一化，得到样本数据集；

分解单元，用于采用主成分分析算法，对所述样本数据集进行协方差特征分解；

排序单元，用于对所述特征分解得到的特征值进行降序排序；

投影单元，用于根据预置贡献率确定降维后的维数d，取前d个所述特征值对应的特征向量构成投影矩阵，从而得到降维后的历史用电矩阵数据集；

所述聚类单元，具体用于对所述历史用电矩阵数据集进行聚类，得到聚类后的历史负荷曲线，构建负荷曲线特征库。

8.一种电网供电优化设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-5任一项所述的电网供电优化方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-5任一项所述的电网供电优化方法。

Images