CN110689162B - 一种基于用户侧分类的母线负荷预测方法、装置及系统 - Google Patents

一种基于用户侧分类的母线负荷预测方法、装置及系统 Download PDF

Info

Publication number
CN110689162B
CN110689162B CN201910741136.0A CN201910741136A CN110689162B CN 110689162 B CN110689162 B CN 110689162B CN 201910741136 A CN201910741136 A CN 201910741136A CN 110689162 B CN110689162 B CN 110689162B
Authority
CN
China
Prior art keywords
load
classification
daily
data
clustering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910741136.0A
Other languages
English (en)
Other versions
CN110689162A (zh
Inventor
沈茂亚
徐奇峰
王凯杰
涂孟夫
昌力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
NARI Group Corp
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Nari Technology Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
NARI Group Corp
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Nari Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Zhejiang Electric Power Co Ltd, NARI Group Corp, Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd, Nari Technology Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910741136.0A priority Critical patent/CN110689162B/zh
Publication of CN110689162A publication Critical patent/CN110689162A/zh
Application granted granted Critical
Publication of CN110689162B publication Critical patent/CN110689162B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于用户侧分类的母线负荷预测方法、装置及系统，包括基于经过一次行业分类后获得的各第一分类数据的日负荷历史数据，构建特征向量集；按照日负荷特性对各特征向量集进行二次行业分类，计算出不同的聚类中心值和对应的样本向量，聚类中心值表示行业，对应的样本向量表示对应的行业用户；对不同聚类中心分别从对应的样本向量中筛选出与该聚类中心对应的选定影响因素，构建特征图；对各聚类中心的特征图顺次输入至卷积神经网络中得到一维特征向量组，并将一维特征向量组输入至预测神经网络，计算出待预测日的负荷数据；叠加各聚类中心的待预测日的负荷数据。本发明合理考虑了不同行业间的负荷量级，用电规律差异，提高了负荷预测的合理性。

Description

一种基于用户侧分类的母线负荷预测方法、装置及系统
技术领域
本发明属于电力系统负荷预测技术领域，具体涉及一种基于用户侧分类的母线负荷预测方法、装置及系统。
背景技术
短期母线负荷预测是现代电力系统安全稳定运行的前提，是电力企业定制运行维护计划，电网改造以及经济运行的基础，准确的短期母线负荷预测对区域内几组重启，线路或主变等设备的维修，或系统运行方式的变化有着重要的计划编制作用。
电力用户的基数十分庞大，而各自的用电行为模式，负荷特性趋势又差异很大，大的行业分类中民用，商用，工业用电日负荷特征指标差异较大，而细分行业中，轻工业重工业由于其作业方式不同，负荷峰谷时段和冲击性也有明显差异。
传统母线负荷预测方法重在提升算法本身，受限于各母线区域内产业并单纯通过总的地区负荷总量进行预测。这么做会忽略不同行业间负荷量级，周期变化规律以及其他随机因素造成的影响，进而扩大误差，并对后续的负荷分析造成影响。
如何综合考虑各行业负荷特性，通过行业分类预测来提升母线负荷的预测精度，一直未能解决。
发明内容
针对上述问题，本发明提出一种基于用户侧分类的母线负荷预测方法、装置及系统，考虑了不同行业间的负荷量级，用电规律差异，提高了负荷预测的合理性。
为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
第一方面，本发明提供了一种基于用户侧分类的母线负荷预测方法，包括：
基于经过一次行业分类后获得的各第一分类数据的日负荷历史数据，分别构建特征向量集；
按照日负荷特性对各特征向量集进行二次行业分类，计算出不同的聚类中心值和对应的样本向量，所述聚类中心值表示行业，所述对应的样本向量表示对应的行业用户；
对不同聚类中心，分别从对应的样本向量中筛选出与该聚类中心对应的选定影响因素构建特征图；
对各聚类中心的特征图按时间顺序输入至卷积神经网络中得到一维特征向量组，并将所述一维特征向量组输入至预测神经网络，计算出待预测日的负荷数据；
叠加各聚类中心的待预测日的负荷数据，完成母线负荷预测。
可选地，各第一分类数据通过以下步骤获得：
查询待预测母线负荷所在区域的电量历史数据；
基于供电企业对电力用户的分类方式和《国民经济行业分类》标准，进行第一次行业分类，获得各第一分类数据。
可选地，所述按照日负荷特性对各特征向量集进行二次行业分类，具体包括以下步骤：
按照日负荷特性以模糊C均值聚类方式对各特征向量集进行二次行业分类。
可选地，所述特征图是由不同时刻下各选定影响因素的值构成的矩形。
可选地，所述选定影响因素包括每个时刻的历史母线负荷数据、日类型、气象因素、负荷转供和分时电价，其中历史母线历史负荷、气象因素、负荷转供需进行min-max标准化处理，日类型和分时电价需进行One-Hot独热编码处理，形成标准化数据。
可选地，所述预测神经网络为GRU神经网络。
可选地，所述按照日负荷特性对各特征向量集进行二次行业分类，计算出不同的聚类中心和对应的样本向量步骤之后，还包括：
获取各聚类中心的日平均负荷Lave、日最大负荷Lmax、日最小负荷Lmin,按照下式分别计算各聚类中心的日负荷率k1、日峰谷差率k2和负荷日高位运行时间k3：
Figure BDA0002163977490000021
Figure BDA0002163977490000022
Figure BDA0002163977490000023
对比各分类特征k1、k2、k3是否符合其聚类行业特征指标，如一致，则验证该聚类过程的合理性。
可选地，所述卷积神经网络中，请补充卷积神经网络的重要参数定义，即对本发明的技术效果具有重要意义的参数。
第二方面，本发明提供了一种基于用户侧分类的母线负荷预测装置，包括：
第一构建模块，用于基于经过一次行业分类后获得的各第一分类数据的日负荷历史数据，分别构建特征向量集；
第一计算模块，用于按照日负荷特性对各特征向量集进行二次行业分类，计算出不同的聚类中心值和对应的样本向量，所述聚类中心值表示行业，所述对应的样本向量表示对应的行业用户；
第二构建模块，用于对不同聚类中心，分别从对应的样本向量中筛选出与该距离中心对应的选定影响因素构建特征图；
第二计算模块，用于对各聚类中心的特征图按时间顺序输入至卷积神经网络中得到一维特征向量组，并将所述一维特征向量组输入至预测神经网络，计算出待预测日的负荷数据；
叠加模块，用于叠加各聚类中心的待预测日的负荷数据，完成母线负荷预测。
可选地，各第一分类数据通过以下步骤获得：
查询待预测母线负荷所在区域的电量历史数据；
基于供电企业对电力用户的分类方式和《国民经济行业分类》标准，进行第一次行业分类，获得各第一分类数据。
可选地，所述按照日负荷特性对各特征向量集进行二次行业分类，具体包括以下步骤：
按照日负荷特性以模糊C均值聚类方式对各特征向量集进行二次行业分类。
可选地，所述特征图是由不同时刻下各选定影响因素的值构成的矩形。
可选地，所述选定影响因素包括每个时刻的历史母线负荷数据、日类型、气象因素、负荷转供和分时电价，其中历史母线历史负荷、气象因素、负荷转供需进行min-max标准化处理，日类型和分时电价需进行One-Hot独热编码处理，形成标准化数据。
可选地，所述预测神经网络为GRU神经网络。
可选地，所述装置还包括：
第三计算模块，用于获取各聚类中心的日平均负荷Lave、日最大负荷Lmax、日最小负荷Lmin,按照下式分别计算各聚类中心的日负荷率k1、日峰谷差率k2和负荷日高位运行时间k3：
Figure BDA0002163977490000031
Figure BDA0002163977490000032
Figure BDA0002163977490000033
对比模块，用于对比各分类特征k1、k2、k3是否符合其聚类行业特征指标，如一致，则验证该聚类过程的合理性。
第三方面，本发明提供了一种基于用户侧分类的母线负荷预测系统，包括：
处理器，适于实现各指令；以及
存储设备，适于存储多条指令，所述指令适于由处理器加载并执行第一方面中任一项所述的步骤。
与现有技术相比，本发明的有益效果：
本发明以行业用电规律及用户日负荷特性为依据，对用户侧聚类细分行业分别建模预测，合理考虑了不同行业间的负荷量级，用电规律差异，提高了建模的合理性。
进一步地，本发明基于模糊C均值聚类方式，计算隶属度，重构聚类中心，细分用电行业；采样数据综合考虑了历史负荷特性、气象因素、区域负荷转供、分时电价对细分用电行业的日负荷影响；通过多层CNN-GRU深度学习网络提取输入特征图，处理时序特征序列，生成行业日负荷预测结果，兼具特征向量的时序性分析能力和多维母线负荷影响因素的综合考虑，提高了预测精度。
进一步地，本发明采用模糊识别，对比用户与所属行业的日负荷率，日峰谷差率和日最大负荷利用时间，校验用电行业分类的可靠性。
本发明。
附图说明
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1为本发明一种实施例的基于用户侧分类的母线负荷预测方法的流程示意图；
图2为本发明一种实施例的输入原始图特征图；
图3为本发明一种实施例的深度学习网络模型结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
本发明实施例中提供了一种基于用户侧分类的母线负荷预测方法，具体包括如下步骤：
(1)基于经过一次行业分类后获得的各第一分类数据的日负荷历史数据，分别构建特征向量集；
在本发明实施例的一种具体实施方式中，各第一分类数据通过以下步骤获得：
查询待预测母线负荷所在区域的电量历史数据，比如可以选择前三年的每日历史负荷作为历史电量数据；
基于供电企业对电力用户的分类方式和《国民经济行业分类》标准，进行第一次行业分类，获得各第一分类数据，所述第一分类数据为工业、非工业、商业、住宅、其他共五个行业大类中的任一种；
所述特征向量集通过以下步骤获得：
基于第一次行业分类的结果中各行业的日负荷历史数据构成特征向量集。
(2)按照日负荷特性对各特征向量集进行二次行业分类，计算出不同的聚类中心值和对应的样本向量，所述聚类中心值表示行业，所述对应的样本向量表示对应的行业用户；
在本发明实施例的一种具体实施方式中，所述步骤(2)具体包括以下步骤：
以模糊C均值聚类方式，按照日负荷特性对各特征向量集进行二次行业分类，不同行业用户的日负荷矩阵如下：
N＝[N1，N2，N3，...Ni，...Nn]T
Ni＝[Ni1，Ni2，Ni3，...Nij，...Nin]T
其中，N为行业内N个细分用户每天n个时刻的负荷值矩阵，Nin为行业内第i个用户每日时刻n的负荷实际值。
进行标准化处理，以消除同行业内用户间负荷量级差异的影响；
Figure BDA0002163977490000051
N′i＝[N′i1，N′i2，N′i3，...N′ij，...N′in]
N′ij表示行业内第i个用户每日j时刻标准化后的采样值，Ni′为标准化处理后的用户每日负荷值矩阵。
行业用户Ni′归类在编号为p的聚类中心下的隶属度W′ik公式如下：
Figure BDA0002163977490000052
其中Ap为聚类中心矩阵，A＝[A1，A2，A3，...AP]。
计算聚类目标函数F(W，A)公式如下：
Figure BDA0002163977490000053
其中0＜x＜2，是权重系数，最终的聚类结果为使得F(W，A)取得最小值的W′ik和Ap，代表了不同的用户以及所属聚类行业的日负荷特征。当F(W，A)未取得最小值时，通过隶属度重构公式，更新聚类中心矩阵Ap，优化F(W，A)至最小值，公式如下：
Figure BDA0002163977490000061
(3)对不同聚类中心分别从对应的样本向量中筛选出与该聚类中心对应的选定影响因素构建特征图，所述特征图是由不同时刻下各选定影响因素的值构成的矩形；
在本发明实施例的一种具体实施方式中，所述选定影响因素包括每个时刻的历史母线负荷数据、日类型、气象因素、负荷转供和分时电价，其中历史母线历史负荷、气象因素、负荷转供需进行min-max标准化处理，日类型和分时电价需进行One-Hot独热编码处理，形成标准化数据，消除不同量级数据和标签编码缺陷的影响。
在本发明实施例的一种具体实施方式中，设置单个时刻影响因素共有16个，并取
(4)对各聚类中心的特征图按时间顺序输入至卷积神经网络中得到一维特征向量组，并将所述一维特征向量组输入至预测神经网络，计算出待预测日的负荷数据；
所述卷积神经网络中，请补充卷积神经网络的重要参数定义。
各行业的特征图按时间顺序输入至卷积神经网络后，经所述卷积神经网络反复卷积池化后作扁平化处理，最终生成符合GRU神经网络输入格式要求的一维特征向量组，该实现过程可以通过现有技术来实现，因此本发明中不做过多的赘述。
在本发明实施例的一种具体实施方式中，所述预测神经网络为GRU神经网络，具体实施过程为：
将GRU神经网络按时序叠加展开，深度为4。每一层的GRU输出与上一时刻隐藏层状态共同组成下一时刻的输入，前三层的return_sequences(返回序列)设置为真(true),得到完整的序列作为下一层的输入，最后一层的return_sequences(返回序列)设置为假(false)，获得最终的输出，对应行业用户每一个timestep(时间步)时刻的预测值，将所有用户按行业分类叠加汇总，得到区域母线负荷每日96点的预测值。
(5)叠加各聚类中心的待预测日的负荷数据，完成母线负荷预测；
实施例2
本发明实施例与实施例1的区别在于：所述按照日负荷特性对各特征向量集进行二次行业分类，计算出不同的聚类中心和对应的样本向量步骤之后，还包括：
获取各聚类中心日平均负荷Lave、日最大负荷Lmax、日最小负荷Lmin,按照下式分别计算各聚类中心的日负荷率k1、日峰谷差率k2和负荷日高位运行时间k3：
Figure BDA0002163977490000062
Figure BDA0002163977490000071
Figure BDA0002163977490000072
对比各分类特征k1、k2、k3是否符合其聚类行业特征指标，如一致，则验证该聚类过程的合理性。
实施例2
基于与实施例1相同的发明构思，本发明实施例中提供了一种用户侧负荷的母线负荷预测装置，包括：
第一构建模块，用于基于经过一次行业分类后获得的各第一分类数据的日负荷历史数据，分别构建特征向量集；
第一计算模块，用于按照日负荷特性对各特征向量集进行二次行业分类，计算出不同的聚类中心值和对应的样本向量，所述聚类中心值表示行业，所述对应的样本向量表示对应的行业用户；
第二构建模块，用于对不同聚类中心，分别从对应的样本向量中筛选出与该聚类中心对应的选定影响因素构建特征图；
第二计算模块，用于对各聚类中心的特征图按时间顺序输入至卷积神经网络中得到一维特征向量组，并将所述一维特征向量组输入至预测神经网络，计算出待预测日的负荷数据；
叠加模块，用于叠加各聚类中心的待预测日的负荷数据，完成母线负荷预测。
可选地，各第一分类数据通过以下步骤获得：
查询待预测母线负荷所在区域的电量历史数据；
基于供电企业对电力用户的分类方式和《国民经济行业分类》标准，进行第一次行业分类，获得各第一分类数据。
可选地，所述按照日负荷特性对各特征向量集进行二次行业分类，具体包括以下步骤：
按照日负荷特性以模糊C均值聚类方式对各特征向量集进行二次行业分类。
可选地，所述特征图是由不同时刻下各选定影响因素的值构成的矩形。
可选地，所述选定影响因素包括每个时刻的历史母线负荷数据、日类型、气象因素、负荷转供和分时电价，其中历史母线历史负荷、气象因素、负荷转供需进行min-max标准化处理，日类型和分时电价需进行One-Hot独热编码处理，形成标准化数据。
可选地，所述预测神经网络为GRU神经网络。
可选地，所述装置还包括：
第三计算模块，用于获取各聚类中心的日平均负荷Lave、日最大负荷Lmax、日最小负荷Lmin,按照下式分别计算各聚类中心的日负荷率k1、日峰谷差率k2和负荷日高位运行时间k3：
Figure BDA0002163977490000081
Figure BDA0002163977490000082
Figure BDA0002163977490000083
对比模块，用于对比各分类特征k1、k2、k3是否符合其聚类行业特征指标，如一致，则验证该聚类过程的合理性。
实施例3
基于与实施例1相同的发明构思，本发明实施例中提供了一种基于用户侧分类的母线负荷预测系统，包括：
处理器，适于实现各指令；以及
存储设备，适于存储多条指令，所述指令适于由处理器加载并执行实施例1中任一项所述的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (13)

1.一种基于用户侧分类的母线负荷预测方法，其特征在于，包括：
基于经过一次行业分类后获得的各第一分类数据的日负荷历史数据，分别构建特征向量集；
按照日负荷特性对各特征向量集进行二次行业分类，计算出不同的聚类中心和对应的样本向量，其中所述聚类中心表示行业，所述对应的样本向量表示对应的行业用户；
对不同聚类中心，分别从对应的样本向量中筛选出与该聚类中心对应的选定影响因素构建特征图；
对各聚类中心的特征图按时间顺序输入至卷积神经网络中得到一维特征向量组，并将所述一维特征向量组输入至预测神经网络，计算出待预测日的负荷数据；
叠加各聚类中心的待预测日的负荷数据，完成母线负荷预测；
所述按照日负荷特性对各特征向量集进行二次行业分类，计算出不同的聚类中心和对应的样本向量步骤之后，还包括：
获取各聚类中心的日平均负荷Lave、日最大负荷Lmax、日最小负荷Lmin,按照下式分别计算各聚类中心的日负荷率k1、日峰谷差率k2和负荷日高位运行时间k3：
Figure FDA0003706746190000011
Figure FDA0003706746190000012
Figure FDA0003706746190000013
对比各分类特征k1、k2、k3是否符合其聚类行业特征指标，如一致，则验证该聚类过程的合理性。
2.根据权利要求1所述的一种基于用户侧分类的母线负荷预测方法，其特征在于：各第一分类数据通过以下步骤获得：
查询待预测母线负荷所在区域的电量历史数据；
基于供电企业对电力用户的分类方式和《国民经济行业分类》标准，进行第一次行业分类，获得各第一分类数据。
3.根据权利要求1所述的一种基于用户侧分类的母线负荷预测方法，其特征在于：所述按照日负荷特性对各特征向量集进行二次行业分类，具体包括以下步骤：
按照日负荷特性以模糊C均值聚类方式对各特征向量集进行二次行业分类。
4.根据权利要求1所述的一种基于用户侧分类的母线负荷预测方法，其特征在于：所述特征图是由不同时刻下各选定影响因素的值构成的矩形。
5.根据权利要求1所述的一种基于用户侧分类的母线负荷预测方法，其特征在于：所述选定影响因素包括每个时刻的历史母线负荷数据、日类型、气象因素、负荷转供和分时电价，其中历史母线历史负荷、气象因素、负荷转供需进行min-max标准化处理，日类型和分时电价需进行One-Hot独热编码处理，形成标准化数据。
6.根据权利要求1所述的一种基于用户侧分类的母线负荷预测方法，其特征在于：所述预测神经网络为GRU神经网络。
7.一种基于用户侧分类的母线负荷预测装置，其特征在于，包括：
第一构建模块，用于基于经过一次行业分类后获得的各第一分类数据的日负荷历史数据，分别构建特征向量集；
第一计算模块，用于按照日负荷特性对各特征向量集进行二次行业分类，计算出不同的聚类中心值和对应的样本向量，所述聚类中心值表示行业，所述对应的样本向量表示对应的行业用户；
第二构建模块，用于对不同聚类中心，分别从对应的样本向量中筛选出与该聚类中心对应的选定影响因素构建特征图；
第二计算模块，用于对各聚类中心的特征图按时间顺序输入至卷积神经网络中得到一维特征向量组，并将所述一维特征向量组输入至预测神经网络，计算出待预测日的负荷数据；
叠加模块，用于叠加各聚类中心的待预测日的负荷数据，完成母线负荷预测；
所述装置还包括：
第三计算模块，用于获取各聚类中心的日平均负荷Lave、日最大负荷Lmax、日最小负荷Lmin,按照下式分别计算各聚类中心的日负荷率k1、日峰谷差率k2和负荷日高位运行时间k3：
Figure FDA0003706746190000021
Figure FDA0003706746190000022
Figure FDA0003706746190000023
对比模块，用于对比各分类特征k1、k2、k3是否符合其聚类行业特征指标，如一致，则验证该聚类过程的合理性。
8.根据权利要求7所述的一种基于用户侧分类的母线负荷预测装置，其特征在于：各第一分类数据通过以下步骤获得：
查询待预测母线负荷所在区域的电量历史数据；
基于供电企业对电力用户的分类方式和《国民经济行业分类》标准，进行第一次行业分类，获得各第一分类数据。
9.根据权利要求8所述的一种基于用户侧分类的母线负荷预测装置，其特征在于：所述按照日负荷特性对各特征向量集进行二次行业分类，具体包括以下步骤：
按照日负荷特性以模糊C均值聚类方式对各特征向量集进行二次行业分类。
10.根据权利要求8所述的一种基于用户侧分类的母线负荷预测装置，其特征在于：所述特征图是由不同时刻下各选定影响因素的值构成的矩形。
11.根据权利要求8所述的一种基于用户侧分类的母线负荷预测装置，其特征在于：所述选定影响因素包括每个时刻的历史母线负荷数据、日类型、气象因素、负荷转供和分时电价，其中历史母线历史负荷、气象因素、负荷转供需进行min-max标准化处理，日类型和分时电价需进行One-Hot独热编码处理，形成标准化数据。
12.根据权利要求8所述的一种基于用户侧分类的母线负荷预测装置，其特征在于：所述预测神经网络为GRU神经网络。
13.一种基于用户侧分类的母线负荷预测系统，其特征在于，包括：
处理器，适于实现各指令；以及
存储设备，适于存储多条指令，所述指令适于由处理器加载并执行权利要求1～6中任一项所述的方法。
CN201910741136.0A 2019-08-12 2019-08-12 一种基于用户侧分类的母线负荷预测方法、装置及系统 Active CN110689162B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910741136.0A CN110689162B (zh) 2019-08-12 2019-08-12 一种基于用户侧分类的母线负荷预测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910741136.0A CN110689162B (zh) 2019-08-12 2019-08-12 一种基于用户侧分类的母线负荷预测方法、装置及系统

Publications (2)

Publication Number Publication Date
CN110689162A CN110689162A (zh) 2020-01-14
CN110689162B true CN110689162B (zh) 2022-09-30

Family

ID=69108202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910741136.0A Active CN110689162B (zh) 2019-08-12 2019-08-12 一种基于用户侧分类的母线负荷预测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN110689162B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105098B (zh) * 2019-12-25 2023-11-03 国能信控互联技术有限公司 一种单体用户算法自匹配的负荷预测方法和系统
CN111680744A (zh) * 2020-06-05 2020-09-18 中国电力科学研究院有限公司 母线负荷构成辨识方法及机器可读存储介质
CN111680851B (zh) * 2020-08-13 2020-11-03 国网浙江省电力有限公司营销服务中心 基于k线图的企业用电趋势评估方法
CN112561138B (zh) * 2020-12-01 2022-10-25 广东电网有限责任公司广州供电局 电力负荷预测方法、装置、计算机设备和存储介质
CN114065857A (zh) * 2021-11-17 2022-02-18 国网山东省电力公司泰安供电公司 一种基于XGBoost和CNN的用电行为特征重构与提取方法
CN114706906A (zh) * 2022-03-25 2022-07-05 阿里巴巴（中国）有限公司 数据处理方法、装置和云设备
CN116826745B (zh) * 2023-08-30 2024-02-09 山东海兴电力科技有限公司 一种电力系统背景下的分层分区短期负荷预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303263A (zh) * 2015-11-16 2016-02-03 深圳合纵能源技术有限公司 一种区域电网的负荷预测系统及其方法
CN107730097A (zh) * 2017-09-29 2018-02-23 广东电网有限责任公司电力调度控制中心 一种母线负荷预测方法、装置及计算设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303263A (zh) * 2015-11-16 2016-02-03 深圳合纵能源技术有限公司 一种区域电网的负荷预测系统及其方法
CN107730097A (zh) * 2017-09-29 2018-02-23 广东电网有限责任公司电力调度控制中心 一种母线负荷预测方法、装置及计算设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于CNN-LSTM混合神经网络模型的短期负荷预测方法;陆继翔等;《电力系统自动化》;20190425;第43卷(第8期);第131页-第137页 *

Also Published As

Publication number Publication date
CN110689162A (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
CN110689162B (zh) 一种基于用户侧分类的母线负荷预测方法、装置及系统
CN110738435A (zh) 一种配电网项目投资决策评价方法
CN111368904B (zh) 一种基于电力指纹的电器设备识别方法
CN106251001A (zh) 一种基于改进模糊聚类算法的光伏功率预测方法
CN108694673A (zh) 一种保险业务风险预测的处理方法、装置及处理设备
CN104933627A (zh) 机床产品制造系统的能效组合评价方法
CN110232490A (zh) 一种配电网工程投资成效的评估方法及系统
CN108090563A (zh) 一种基于bp神经网络的电能量预测方法
Salam et al. Energy consumption prediction model with deep inception residual network inspiration and LSTM
CN112803398A (zh) 基于经验模态分解和深度神经网络的负荷预测方法及系统
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN112308298B (zh) 一种面向半导体生产线的多场景性能指标预测方法及系统
Yu et al. Design of machine learning algorithm for tourism demand prediction
CN109066819A (zh) 一种基于案件推理的配电网的无功优化方法
CN111667090A (zh) 一种基于深度置信网络与权值共享的负荷预测方法
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及系统
Zhang et al. Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM
CN114091776A (zh) 一种基于K-means的多分支AGCNN短期电力负荷预测方法
Cai et al. Credit Payment Fraud detection model based on TabNet and Xgboot
CN111738483A (zh) 基于聚类和深层信念网络的电网降损优化方法及系统
CN113902181A (zh) 公变重过载的短期预测方法及设备
CN114254828B (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
CN115081551A (zh) 基于K-Means聚类和优化RVM线损模型建立方法及系统
CN117474140A (zh) 一种基于卷积神经网络的低压重过载分类预测方法
Jeihoonian et al. Modeling and comparing energy consumption in basic metal industries by neural networks and ARIMA

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant