CN111784019A - 电力负荷处理方法和装置 - Google Patents
电力负荷处理方法和装置 Download PDFInfo
- Publication number
- CN111784019A CN111784019A CN201911368771.5A CN201911368771A CN111784019A CN 111784019 A CN111784019 A CN 111784019A CN 201911368771 A CN201911368771 A CN 201911368771A CN 111784019 A CN111784019 A CN 111784019A
- Authority
- CN
- China
- Prior art keywords
- power
- power load
- load
- time
- data
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 17
- 125000004122 cyclic group Chemical group 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 230000001066 destructive effect Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 238000009826 distribution Methods 0.000 description 58
- 238000004364 calculation method Methods 0.000 description 26
- 238000013528 artificial neural network Methods 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 15
- 239000013598 vector Substances 0.000 description 13
- 238000005457 optimization Methods 0.000 description 12
- 239000002245 particle Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000003321 amplification Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 238000003199 nucleic acid amplification method Methods 0.000 description 8
- 230000000306 recurrent effect Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力负荷处理方法和装置,其中,电力负荷处理方法通过获取多个电力负荷数据,其中,每个电力负荷数据均包括多个时间点与每个时间点对应的电力负荷;使用多个电力负荷数据进行预测训练,得到对电力负荷存在影响的至少一个参数;获取电力系统预计停电的时间段;以及获取预计停电的时间段之前的多个时间点对应的电力负荷;将多个时间点的电力负荷以及电力系统中的至少一个参数的值输入到模型中;进而根据模型的结果得到预计停电的时间段中的电力负荷的技术内容,达到了给大电力负荷变化对电网造成的破坏性冲击、控制电网稳定、经济高效运行等工作提供科学的指导依据的技术效果。
Description
技术领域
本发明涉及电力领域,具体而言,涉及一种电力负荷处理方法和装置。
背景技术
随着经济社会不断发展,人们生产、生活须臾均离不开电力。作为经济发展的主要推动力与助燃剂,电力为国民经济中各个行业的发展提供了可靠的能源供给和动力支持。为此,电网企业采取加大电网改造力度、加大高新设备的投入、全面开展配电网络保护自动化等多种有效措施来保障电力用户供电服务的可靠性、高质量性及不间断性。
所以,需要高度重视停电时间内的电量损失预测工作,仔细分析停电工作的每一个环节和相关因素,对发生停电的电力设备的负荷水平进行分析,估计停电时间内的电量损失。为了评估停电时间段的损失电量,就需要对停电时间段的负荷进行预测。配变台区用户用电的行为受到气象条件、生产计划等因素的影响,造成配变负荷曲线表现出的强烈的随机性与波动性,负荷曲线的周期性及规律性也较差,从而增加了配变台区负荷预测的难度。另外,配变负荷曲线具有的模式多样、类型丰富、非平稳序列等特性导致在建立预测模型时需要个性化对待,使得模型适应性较差,在一定程度上增加了配变台区负荷预测的难度。同时,配变台区负荷预测也可为计划停电管理、电气设备检修、优化调度、合理应对大电力负荷变化对电网造成的破坏性冲击、控制电网稳定、经济高效运行等工作提供科学的指导依据。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供一种电力负荷处理装置,以解决相关技术中配变台区负荷预测无法满足当前技术需求的技术问题。
根据本申请的一个方面,提供了一种电力负荷处理方法。该方法包括:获取多个电力负荷数据,其中,每个电力负荷数据均包括多个时间点与每个时间点对应的电力负荷;使用所述多个电力负荷数据进行预测训练,得到对电力负荷存在影响的至少一个参数;获取电力系统预计停电的时间段;获取所述预计停电的时间段之前的多个时间点对应的电力负荷;将所述多个时间点的电力负荷以及所述电力系统中的所述至少一个参数的值输入到模型中;根据所述模型的结果得到所述预计停电的时间段中的电力负荷,其中,所述模型是使用多组数据训练的,所述每一组训练数据均包括:预定时间段之前的电力负荷数据以及与所述至少一个参数的对应关系、预定时间段的电力负荷。
可选的,所述预测训练用于使用多个参数根据一个电力负荷数据中的多个时间点对应的电力负荷预测下一个时间点的电力负荷,所述多个时间点和所述下一个时间点的电力负荷均包括在该电力负荷数据中,使用所述电力负荷数据中的下一个时间点的电力负荷与预测值进行比较,找到预测值与所述电力负荷数据中的下一个时间点的电力负荷差距最小的至少一个参数。
可选的,所述方法还包括:对所述多个电力负荷数据进行分类,得到至少一个类别的电力负荷数据,其中,每个类别的电力负荷随时间的变化规律的相似度超过阈值。
可选的,根据所述模型的结果得到所述预计停电的时间段中的电力负荷包括:根据所述预计停电的时间段之前的多个时间点对应的电力负荷确定所述电力负荷所属的类别;根据类别对应的电力负荷的规律确定所述预计停电的时间段的电力负荷;根据所述模型的输出结果根据类别得到的所述电力负荷进行校正,得到所述预计停电的时间段中的电力负荷。
可选的,所述模型为门控循环单元神经网络模型。
可选的,所述方法还包括:对于所述电力系统计算多个预计停电时间段的电力负荷;根据所述计算结果对所述多个预计停电时间段的损失进行评估;根据评估结果从所述多个预计停电时间段中选择最优停电时间段。
可选的,根据所述计算结果对所述多个预计停电时间段的损失进行评估包括:根据所述计算结果对所述预计停电时间段的可靠性和经济性损失进行评估。
可选的,所述可靠性为停电对不同用电行为特征的用户造成的影响;所述经济性为用户因停电减少电量的使用情况对电力公司造成的损失。
根据本申请的另一方面,提供了一种电力负荷处理装置。该装置包括:第一获取单元,用于获取多个电力负荷数据,其中,每个电力负荷数据均包括多个时间点与每个时间点对应的电力负荷;第二获取单元,用于使用所述多个电力负荷数据进行预测训练,得到对电力负荷存在影响的至少一个参数;第三获取单元,用于获取电力系统预计停电的时间段;第四获取单元,用于获取所述预计停电的时间段之前的多个时间点对应的电力负荷;输入单元,用于将所述多个时间点的电力负荷以及所述电力系统中的所述至少一个参数的值输入到模型中;第五获取单元,用于根据所述模型的结果得到所述预计停电的时间段中的电力负荷,其中,所述模型是使用多组数据训练的,所述每一组训练数据均包括:预定时间段之前的电力负荷数据以及与所述至少一个参数的对应关系、预定时间段的电力负荷。
可选的,所述预测训练用于使用多个参数根据一个电力负荷数据中的多个时间点对应的电力负荷预测下一个时间点的电力负荷,所述多个时间点和所述下一个时间点的电力负荷均包括在该电力负荷数据中,使用所述电力负荷数据中的下一个时间点的电力负荷与预测值进行比较,找到预测值与所述电力负荷数据中的下一个时间点的电力负荷差距最小的至少一个参数。
可选的,所述装置还包括分类单元,所述分类单元用于对所述多个电力负荷数据进行分类,得到至少一个类别的电力负荷数据,其中,每个类别的电力负荷随时间的变化规律的相似度超过阈值。
可选的,所述第五获取单元,包括:第一确定模块,用于根据所述预计停电的时间段之前的多个时间点对应的电力负荷确定所述电力负荷所属的类别;第二确定模块,用于根据类别对应的电力负荷的规律确定所述预计停电的时间段的电力负荷;获取模块,用于根据所述模型的输出结果根据类别得到的所述电力负荷进行校正,得到所述预计停电的时间段中的电力负荷。
可选的,所述模型为门控循环单元神经网络模型。
根据本申请的另一方面,提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序执行上述任意一项所述的电力负荷处理方法。
根据本申请的另一方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述任意一项所述的电力负荷处理方法。
本申请实施例提供的电力负荷处理方法,通过获取多个电力负荷数据,其中,每个电力负荷数据均包括多个时间点与每个时间点对应的电力负荷;使用所述多个电力负荷数据进行预测训练,得到对电力负荷存在影响的至少一个参数;获取电力系统预计停电的时间段;获取所述预计停电的时间段之前的多个时间点对应的电力负荷;将所述多个时间点的电力负荷以及所述电力系统中的所述至少一个参数的值输入到模型中;根据所述模型的结果得到所述预计停电的时间段中的电力负荷,其中,所述模型是使用多组数据训练的,所述每一组训练数据均包括:预定时间段之前的电力负荷数据以及与所述至少一个参数的对应关系、预定时间段的电力负荷,解决了相关技术中配变台区负荷预测无法满足当前技术需求的技术问题。实现了给大电力负荷变化对电网造成的破坏性冲击、控制电网稳定、经济高效运行等工作提供科学的指导依据的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1根据本发明实施例的一种可选的电力负荷处理方法的流程图;
图2为本发明方法实施例中配变负荷聚类结果;
图3为本发明方法实施例中不同聚类中心负荷曲线;
图4为本发明方法实施例中白天型负荷聚类中心增幅及百分比变化曲线;
图5为本发明方法实施例中全天型负荷聚类中心增幅及百分比变化曲线;
图6为本发明方法实施例中夜间型负荷1聚类中心增幅及百分比变化曲线;
图7为本发明方法实施例中夜间型负荷2聚类中心增幅及百分比变化曲线;
图8为本发明方法实施例中基于门控循环单元神经网络的损失电量预测流程;
图9为本发明方法实施例中循环神经网络结构模型及展开示意图;
图10为本发明方法实施例中门控循环单元神经网络结构图;
图11为本发明方法实施例中6000000099233配变0至2时负荷预测曲线;
图12为本发明方法实施例中6000000099233配变12小时负荷曲线;
图13为本发明方法实施例中6000000099233配变不同停电时间段负荷预测曲线;
图14为本发明方法实施例中粒子群优化停电优化问题的算法过程;
图15根据本发明实施例的一种可选的电力负荷处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种电力负荷处理的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
需要说明的是:本申请实施例分为两个部分,其一:确定预计停电的时间段中的电力负荷;其二:从多个预计停电时间段中选择最优停电时间段。
针对第一部分,需要说明的是:
图1是根据本发明实施例的电力负荷处理方法,如图1所示,该方法包括如下步骤:
步骤S102,获取多个电力负荷数据,其中,每个电力负荷数据均包括多个时间点与每个时间点对应的电力负荷。
需要说明的是:电力系统负荷就是系统中所有用电设备消耗总功率的总和。负荷是随机变化的,用电设备的启动或停止完全是随机的,但却显示出某种程度的规律性。由于每条曲线的电力负荷随着其各自变电站或各电压等级线路线下的每个用户对电力需求和用电特点的不同而不同,所以,每条负荷曲线的规律性各不相同。
因此,在步骤S102中获取每条曲线的电力负荷,即,多个时间点与每个时间点对应的电力负荷。
可选的:该电力负荷处理方法还包括:步骤S103:对所述多个电力负荷数据进行分类,得到至少一个类别的电力负荷数据,其中,每个类别的电力负荷随时间的变化规律的相似度超过阈值。
需要说明的是:模糊C均值聚类算法是无监督机器学习技术之一,步骤S103可以通过模糊C均值聚类算法进行分离处理,其中,该模糊C均值聚类算法在分类过程中能够描述样本类属的不确定性,从而更为客观地反映现实世界,这在大规模数据分析中具有很广泛且较为成功的应用。模糊C均值聚类算法在划分样本时,每一个样本不是严格地划分为某一类,而是以一定的隶属度属于该类,其通过优化目标函数得到每个样本点对其所属类中心的隶属度,从而决定样本点的类属,以达到自动对样本数据进行分类的目。
其中,模糊C均值聚类算法的实现步骤如下:
步骤2:用下式计算隶属度矩阵U(l):
步骤3:通过下式修正第l+1步的聚类中心V(l+1):
其中变量的具体含义为:
x:模型的输入值,代表用采系统获取的历史96点的负荷序列;
v:模型的聚类中心,代表聚类分析得到的具有特征性的负荷序列;
其余变量为模型的中间变量和训练参数。
进一步的,使用现场实际运行数据情况进行举例说明:
基于江苏省扬州市获取的配变负荷数据,随机选取2000条不同配变在2017年8 月1日的负荷数据,利用模糊C均值聚类算法对配变负荷数据进行聚类分析。经多次仿真实验比较,发现在聚类数目为4时取得最好的聚类效果。
其中,图2为聚类结果,图中黑线为实际的配变负荷曲线,蓝线为计算得到的聚类中心。从图2中可以看出,不同用电模式具有不同的聚类中心曲线特征,表现出不同的负荷规律;而同一模式下的配变具有相似的负荷规律。
其中,图3为不同聚类中心负荷曲线,根据聚类中心特征,将2000条配变负荷曲线分为4类,即白天型负荷、全天型负荷、夜间型负荷1及夜间型负荷2。
白天型负荷:白天负荷较高,夜间负荷较低,这类曲线有36条。该负荷特性规律性较好,在12:00左右出现较小幅度的负荷降低。
全天型负荷:全天24小时负荷差异较小,白天与夜晚负荷基本无差异。这类曲线有1677条。
夜间型负荷1:夜间负荷水平较高,白天负荷较低,这类曲线有247条。该负荷用电量总体较小。
夜间型负荷2。此类负荷同样是夜间负荷水平较高,白天负荷水平较低,但总体负荷水平比夜间型负荷1要高。这类曲线有40条。
将所有负荷曲线进行聚类后,可获得不同类型的负荷聚类结果及聚类中心曲线。聚类中心曲线即反映该类型配变的负荷曲线规律。分析聚类中心曲线的特性,计算并比较不同时间段内的损失电量,方便获取计划停电优化管理科学合理的时间窗口。
表1为白天型负荷聚类中心全天负荷每15min数据、增幅及其百分比。对应的,图4为白天型负荷聚类中心增幅及百分比变化曲线。
表1白天型负荷聚类中心全天负荷及其增幅
注释:表中百分比表示为当前一点的增幅与前一时刻负荷的比值,以此来分析时间段内负荷水平的增(减)速数值
表2为全天型负荷聚类中心全天负荷每15min数据、增幅及其百分比。对应的,图5为全天型负荷聚类中心增幅及百分比变化曲线。
表2全天型负荷聚类中心全天负荷及其增幅
表3为夜间型负荷1聚类中心全天负荷每15min数据、增幅及其百分比。对应的,图6为夜间型负荷1聚类中心增幅及百分比变化曲线。
表3夜间型负荷1聚类中心全天负荷及其增幅
表4为夜间型负荷2聚类中心全天负荷每15min数据、增幅及其百分比。对应的,图7为夜间型负荷2聚类中心增幅及百分比变化曲线。
表4夜间型负荷2聚类中心全天负荷及其增幅
步骤S104,使用所述多个电力负荷数据进行预测训练,得到对电力负荷存在影响的至少一个参数;
可选的:所述预测训练用于使用多个参数根据一个电力负荷数据中的多个时间点对应的电力负荷预测下一个时间点的电力负荷,所述多个时间点和所述下一个时间点的电力负荷均包括在该电力负荷数据中,使用所述电力负荷数据中的下一个时间点的电力负荷与预测值进行比较,找到预测值与所述电力负荷数据中的下一个时间点的电力负荷差距最小的至少一个参数。
需要说明的是:在本申请实施例中可以运用皮尔逊相关系数算法提取对电力负荷存在影响的至少一个参数。
式中,n为训练样本的数量;x为相应的输入特征量,代表需要分析的历史负荷输入;y为预测停电点的实际负荷;
举例说明:采用皮尔逊相关系数算法对待预测时刻负荷影响因素进行排序,提取相关性最大的30维特征为输入量,待预测停电点的负荷为输出量,分别对停电时间内的各点分别建立提前15min-2h的负荷预测模型,每个模型训练样本初步测试为1500 个,并选取如下两种误差指标衡量确定性点预测模型性能,误差统计公式为:
平均绝对百分比误差(mean absolute percentage error,MAPE):
均方根误差(root mean square error,RMSE):
步骤S106,获取电力系统预计停电的时间段;
步骤S108,获取所述预计停电的时间段之前的多个时间点对应的电力负荷;
步骤S110,将所述多个时间点的电力负荷以及所述电力系统中的所述至少一个参数的值输入到模型中;
可选的,所述模型为门控循环单元神经网络模型。
需要说明的是:门控循环单元(Gated Recurrent Unit,GRU)神经网络是循环神经网络RNN的一种。相比于传统神经网络,循环神经网络能够更好地处理输入为时间序列的任务,因为循环神经网络能够将之前输入产生的影响保留到模型,并共同参与到对下一步输出的计算中。
针对门控循环单元神经网络模型还需要说明的是:门控循环单元神经网络原理。
即,由于配变台区用户的用电行为受到气象条件、生产计划等因素的影响,配变负荷曲线表现出强烈的随机性与波动性,负荷曲线的周期性及规律性也较差;同时,配变负荷曲线具有的模式多样、类型丰富、非平稳序列等特性导致在建立预测模型时需要个性化对待,模型适应性较差,这都增加了配变台区负荷预测的难度。另外,传统的支持向量机、高斯过程回归等负荷预测方法在处理海量数据时缺点也较突出,如处理速度慢、占用内存大、难以处理高维特征等。
故针对以上情况建立基于深度学习的负荷预测模型。首先进行门控循环单元神经网络原理研究,分析和处理配变历史负荷数据,在此基础上训练门控循环单元神经网络结构参数。基于已经训练完成的模型,对配变台区停电时间(2h)内的短期负荷进行预测,进而计算损失电量。研究内容实现流程如图8所示。
传统人工神经网络模型输入层与隐含层、隐含层与输出层间神经元全连接,且各层神经元间无连接。然而,这种单独孤立的对每个样本处理的方式忽略了前后时刻输入数据间的关联性,对自然语言处理、机器翻译等某些长时间序列问题处理能力较差。如在机器翻译时,为获知什么单词将出现在该句子后面,通常需要依据前面的单词来做预测。这是因为一段话前后单词是相互紧密联系的,而不是单独存在的,即一个序列当前的输出与前面的输出也有关。RNN(Recur-rent Neural Network)是深度学习领域中重要的一种网络结构,其典型特征是神经元之间不仅有内部反馈连接,还含有前馈连接。RNN在计算时会保留前面的信息,并将这些信息作为当前输入的一部分,进而计算当前时刻的输出。因此,RNN网络结构隐含层间节点是有权重联系的,而且这种联系体现为RNN隐含层输入由该时刻输入层的输出和前一时刻隐含层输出两部分的共同作用得到,从而在训练步骤中突显动态特点。相对于前馈神经网络,RNN具有更强的动态行为,而且大幅度提高计算能力。然而,由于RNN在训练过程中容易出现梯度消失和梯度爆炸的问题,这导致RNN无法捕捉到远距离输出对当前时刻输出的影响,限制了其广泛的应用与发展。
循环神经网络是由输入层、隐含层及输出层组成的全连接神经网络,图9所示为RNN结构及展开示意图。其中:x为输入向量,即与待预测负荷值相关性最大的30 个历史负荷值;U为输入层与隐含层的权重矩阵;h为隐含层输出,预测负荷值ot由隐含层输出经权重矩阵和激活函数的作用得到;V是隐含层与输出层的权重矩阵,由此可得预测负荷值为:
ot=g(Vht),式中:g(·)为输出层激活函数。
从展开图可以看出,与传统人工神经网络不同的是,RNN隐含层输入值在当前时刻t时包括两部分:1)当前时刻输入xt经U作用后的值;2)前一时刻t-1,隐含层的输出ht-1并经权重矩阵W作用后的值。其中,权重矩阵W即为前一时刻隐含层与当前时刻隐含层间的连接权重。因此,当前时刻隐含层输出即为:
ht=f(Uxt+Wht-1),式中:f(·)为隐含层激活函数。
门控循环单元(Gated Recurrent Unit,GRU)神经网络是循环神经网络RNN的一种。相比于传统神经网络,RNN能够更好地处理输入为时间序列的任务,因为RNN能够将之前输入产生的影响保留到模型,并共同参与到对下一步输出的计算中。鉴于RNN 的这种特殊结构,它被广泛应用于文本的词句划分以及机器翻译中。理论上,RNN可以利用任意长度的时间序列信息,但是实际中当2个输入之间的步长太大时会很快出现梯度消失或者梯度爆炸现象,从而难以实现。GRU神经网络作为RNN的一种新型变体,它特殊的门结构能够有效地解决长短时间序列上的变化问题。
此外,针对门控循环单元神经网络还需要说明是:门控循环单元神经网络的前向传播。
即,GRU使用不同的函数去计算隐藏层状态,主要体现在两个方面:
a)序列中不同的位置信息对当前的隐藏层状态的影响不同,越靠前的权重影响越小,具体表现为历史状态对当前的状态进行加权,距离越远,权值越小。
b)误差的产生是由一个或多个信息造成,隐藏层状态只针对相应的序列信息权重进行更新。
相对于RNN,GRU结构增加了更新门(update gate)和重置门(reset gate)。更新门产生新的状态值,重置门控制之前状态的输入值,根据当前输入以及前一个隐藏层状态输出的更新门和重置门的值,结合重置门、当前输入和前一个隐藏层状态输出,计算得出新记忆单元(new memory)值,新记忆单元忽略之前的所有状态,最终的记忆状态(finalmemory)是之前的隐藏层状态与新记忆单元值的结合。GRU结构如图10所示。其中:xt表示特征输入,即与待预测负荷值相关性最大的30个历史负荷值;zt 表示更新门结构;rt表示重置门结构;ht表示特征输出,即预测负荷值;表示记忆单元结构。
更新门和重置门实际为全连接层结构,工作原理类似于神经元,其输出是一个0到1之间的实数向量。用门的输出向量按元素乘以需要控制的向量,当此时刻门的值为0时,所有向量与0相乘结果显然为0向量,意味着信息无法继续往后一时刻传递;当门的值为1时,所有向量与1相乘都会得到原始值,表示信息能够继续传递下去。对于输入向量x,权重向量W,偏置项b,门的输出值即可以表示为:
进一步的,对GRU结构各部分计算过程进行说明:
a)在时间步t,更新门计算计算公式为:zt=σ(Wzhht-1+Wzxxt+bz)。
式中:Wzh未更新门循环权重,Wzx为更新门输入权重,bz为遗忘门偏置项, ht-1为上一时刻门控循环单元神经网络输出的负荷预测值,xt为特征输入,即与待预测负荷值相关性最大的30个历史负荷值。
b)重置门计算公式为:rt=σ(Wrhht-1+Wrxxt+br)。
式中:Wrh为重置门循环权重,Wrx为重置门输入权重,br为重置门偏置项。
c)当前的记忆单元将使用重置门储存过去相关的信息,计算公式为:
前面计算的重置门是一个由0到1组成的向量,它会衡量门控开启的大小。例如某个元素对应的门控值为0,那么它就代表这个元素的信息完全被遗忘掉。该乘积将确定所要保留与遗忘的以前信息。
其中,变量的具体含义为:
x:模型输入,代表用采系统获取的历史96点的负荷序列;
ht:模型输出,表示待预测时刻的负荷值,即停电损失负荷;
其余变量为模型的中间变量和训练参数。
步骤S112,根据所述模型的结果得到所述预计停电的时间段中的电力负荷,其中,所述模型是使用多组数据训练的,所述每一组训练数据均包括:预定时间段之前的电力负荷数据以及与所述至少一个参数的对应关系、预定时间段的电力负荷。
需要说明的是:步骤S112(根据所述模型的结果得到所述预计停电的时间段中的电力负荷)包括:步骤1121,根据所述预计停电的时间段之前的多个时间点对应的电力负荷确定所述电力负荷所属的类别;步骤1123,根据类别对应的电力负荷的规律确定所述预计停电的时间段的电力负荷;步骤1125,根据所述模型的输出结果根据类别得到的所述电力负荷进行校正,得到所述预计停电的时间段中的电力负荷。
举例说明:
数据采用江苏省电力公司提供的扬州市每台配变2017年1月1日-2018年8月31 日的负荷数据,原始的负荷数据是将所有配变的数据按照日期排列,为了方便提取每台配变的预测模型输入特征,首先将负荷数据按照配变名进行分类,共有5557台配变,每台配变有共608天的日96点负荷数据。
由于停电时间通常在2小时以内,可以假设停电时间取最大2小时(8点负荷),预测停电时间内的各点功率。因为考虑到各缺失点所关联的输入特征不一定相同,对 8点负荷分别建立负荷预测模型。
(1)输入特征选择
因为预测时段的负荷特性各不相同,需要对8点负荷分别建立模型,进行预测,因此,每个模型的输入特征也是不同的。以ID为6000000099233的配变,停电时间段为2017年1月30日0时至2时的数据为例。选取停电时间(2h)区间的前96个负荷点,特征量名称为x1-x96;停电时间(2h)区间的后96个负荷点,特征量名称为x97-x192;停电时间点前后7天内的相同时刻的14个负荷点,特征量名称为x193-x206共206维输入数据。
根据皮尔逊相关系数算法,计算每一维与各停电时间点的相关性。其中皮尔逊相关系数计算公式为:
式中,n为训练样本的数量;x为相应的输入特征量,代表需要分析的历史206 维负荷输入;y为预测停电点的实际负荷。
如表5和表6所示,根据计算选取8个预测点各自相关性系数>0.6且排在前30 位的特征量作为输入特征量。
表5 15-60min输入特征量及其相关系数
表6 60-120min输入特征量及其相关系数
(2)停电时间损失电量预测
首先,采用皮尔逊相关系数算法对待预测时刻负荷影响因素进行排序,提取相关性最大的30维特征为输入量,待预测停电点的负荷为输出量,分别对停电时间(2h) 内的各点分别建立提前15min-2h的负荷预测模型,每个模型训练样本初步测试为1500 个,选取如下两种误差指标衡量确定性点预测模型性能,误差统计公式为:
平均绝对百分比误差(mean absolute percentage error,MAPE):
均方根误差(root mean square error,RMSE):
模型预测结果如下,表7是ID为6000000099233的配变运用GRU模型预测2017 年1月30日0时至2时停电时段的负荷值;图11是停电时段的实际负荷曲线和预测负荷曲线;图12是其停电当日12小时的负荷曲线,图中虚线框内为模型预测时段及结果。
表7 6000000099233配变0至2时负荷预测值
为了验证模型对同一配变不同停电时段的损失电量的预测效果,继续选取该配变2017年1月30日20时至22时作为停电时间段。表8是该停电时间段内的负荷预测结果。图13是20至22时停电时间段与0至2时停电时间段内负荷预测曲线的对比。对停电时间段内的实际负荷曲线积分可得到实际电量,而对预测负荷曲线进行积分就可以得到停电时间段内的损失电量,表9是两个时间段负荷预测误差,损失电量预测值及误差。
表8 6000000099233配变20至22时负荷预测值
表9 6000000099233配变不同时间段负荷预测误差及损失电量误差
从表中看出两个停电时间段的预测误差有较大差距,分析两个时间段的实际负荷曲线。从图中可以看出,0-2时的负荷曲线较为平缓波动较小,有明显的下降趋势;而 20-22时的负荷曲线整体呈上升趋势,但在21时有一个较大的波动,出现了一个波峰,导致模型无法得到较为准确的预测结果。因此在负荷曲线变化较快,某一时刻出现波峰或波谷的地方预测误差较大。但是相对于整个停电时间段内的负荷来说,预测结果还是能较为准确的反映曲线的变化趋势。
接下来分析配变属性中的城网或农网对预测结果的影响。选取分别属于城网或农网的4台配变进行损失电量预测。表10,表11和表12分别是ID为6000000337391,6000000338082和6000000096273的负荷预测结果。表13为4台配变的信息及负荷预测误差统计。表14为4台配变损失电量预测及其误差。
表10 6000000337391配变负荷预测值
表11 6000000338082配变负荷预测值
表12 6000000096273配变负荷预测值
表13配变信息及负荷预测误差统计
(农网=1,城网=2)
表14配变信息及损失电量预测值及误差
从表中可以看出属于相同区县,额定容量相同的配变,负荷预测的MAPE指标基本相同,均在7.5%-7.7%之间,误差基本相同;属于不同区县,额定容量相同的配变,负荷预测的MAPE指标最大相差在1%左右,误差相差较小,可以说明配变属于农网或城网对预测结果的影响较小。
综上所述,本申请实施例提供的电力负荷处理方法,通过获取多个电力负荷数据,其中,每个电力负荷数据均包括多个时间点与每个时间点对应的电力负荷;使用所述多个电力负荷数据进行预测训练,得到对电力负荷存在影响的至少一个参数;获取电力系统预计停电的时间段;获取所述预计停电的时间段之前的多个时间点对应的电力负荷;将所述多个时间点的电力负荷以及所述电力系统中的所述至少一个参数的值输入到模型中;根据所述模型的结果得到所述预计停电的时间段中的电力负荷,其中,所述模型是使用多组数据训练的,所述每一组训练数据均包括:预定时间段之前的电力负荷数据以及与所述至少一个参数的对应关系、预定时间段的电力负荷,解决了相关技术中配变台区负荷预测无法满足当前技术需求的技术问题。实现了给大电力负荷变化对电网造成的破坏性冲击、控制电网稳定、经济高效运行等工作提供科学的指导依据的技术效果。
针对第二部分,需要说明的是:
在一个可选的示例中,所述方法还包括:对于所述电力系统计算多个预计停电时间段的电力负荷;根据所述计算结果对所述多个预计停电时间段的损失进行评估;根据评估结果从所述多个预计停电时间段中选择最优停电时间段。
在一个可选的示例中,根据所述计算结果对所述多个预计停电时间段的损失进行评估包括:根据所述计算结果对所述预计停电时间段的可靠性和经济性损失进行评估。
在一个可选的示例中,所述可靠性为停电对不同用电行为特征的用户造成的影响;所述经济性为用户因停电减少电量的使用情况对电力公司造成的损失。
需要说明的是:电网停电管理是一个多目标的优化问题,其存在多项的优化目标,本项目考虑两类目标:可靠性目标(停电对不同用电行为特征的用户造成的影响)和经济性目标(用户因停电减少电量的使用情况从而对电力公司造成经济损失)。设电网供电系统停电的影响因素为{x1,x2,…,xm},m表示影响因素个数,如历史负荷的停电次数与时长,用户负荷类型等;停电管理模型可以描述为R=F(x1,x2,…,xm),式中, F表示优化函数,R表示经过优化之后得到的最终具体停电时间安排。
多目标优化问题是一种由相互冲突、相互影响的多个目标组成,使多个目标在给定区域内获得最优的问题,其具有多种求解方法。电网供电系统进行具体停电时间安排时,难以同时将以上两个目标优化到最小。因此本项目结合电力公司停电管理的实际需求,以计划停电方案的可靠性和经济性最优为目标函数,公式如下:
F=(f1,f2)
其中,F为目标函数;f1为可靠性目标;f2为经济性目标。通过对两个目标的分析,各优化目标都是使其尽量最优化。综合考虑,本项目使用权重和方法进行最优解的求解。权重和方法可以表示为式(1.2)。目标函数设计为权重和的倒数,如式(1.3) 所示。
其中,αi为第i个目标的权重系数;i为目标个数,权重是目标与目标之间的相对重要性或价值,即就是决策者对目标函数的偏好程度。
1)可靠性目标
可靠性目标需要综合考虑停电对具有不同用电行为特征的用户造成的影响,需要根据以往的停电频率进行计算,应实现停电对用户影响的最小化,其计算公式为:
2)经济性目标
经济性目标是指电网设备停电造成的经济性损失,包含由于停电造成的负荷的减少造成的售电损失和设备停电进行检修造成的检修费用,应实现停电设备停电损失与检修费用的最小化,其计算公式为:
其中,Ci为设备i停电造成的单位时间电费损失;Ti为设备i的停电持续时间;Ri为设备i的检修费用。各类用户停电损失见表15。
表15分类用户停电损失/min
考虑到停电对工业生产、居民生活等方面的影响,在优化目标函数的过程中设计以下约束条件:
|Sl|≤Slmax
timin≤ti≤timax
Vimin≤Vi≤Vimax
Xi≤Ximax
分别是潮流约束、不同类别负荷的停电时间约束、节点电压约束和工作量均衡性约束。
进一步的,需要对停电管理工作原理说明的是:
Kennedy和Eberhart于1995年最早提出粒子群算法(Particle SwarmOptimization,PSO)。算法的数学描述如下:设种群的规模为m,决策空间n维,粒子的初始速度和位置随机产生,t时刻粒子i速度为位置为则粒子i在时刻t+1的j(j=1,2,…,n),维子空间中飞行的速度和位置的更新公式如下:
其中ω为惯性权重函数;c1、c2,为学习因子;r1、r2为(0,1)之间的随机数,粒子的速度限制在[-Vmax,Vmax]之间。
停电优化的解的内容为每个设备的具体停电开始时间和结束时间构成,由于设备的检修时间通常已经预先设定,只需要设计设备的停电开始时间,结束时间可以由开始时间加上检修时间获得。
每个设备在一个月中可能存在多次停电,所以每个设备停电时间需要包含天和小时,且在实际停电中停电时间总是以半小时为单位,不会详细到分钟甚至秒钟等级,所以问题解的表示设置为以半个小时为单位,停电时间设计为ddHH格式。这样,前 2位为天,取值范围为[01,30]或者[01,31](具体为每个月的实际总天数)。后2位为以半小时为单位的时刻数,取值范围为[00,47]。例如:若配变j的停电开始时间为7日 6点,则可以表示为0712。
为了能够加快粒子群的搜索速度,在初始解的设置的时候,加入停电时间约束,将初始粒子的停电开始时间限制在最早和最晚时间内,使其成为一个可行解,避免形成不可行解。通常,PSO算法中速度的限值Vmax为常量。但是,停电管理模型的特殊性需要设计新的与问题相适应的解更新策略。由于每台设备的允许停电时间范围都是不同的,需要为每个解向量xi里的每个设备xij设置单独的速度更新值域[-vijmax, xijmax]。
此外,为了保证求解过程能够快速地向满足工作量均衡性约束的解靠近,采用罚函数法降低违反工作量均衡性约束的解的适应度。图15展示了粒子群优化停电优化问题的算法过程。
最后,举例说明:
利用模糊C均值聚类算法对配变数据进行聚类分析的结果如前所示。同时收集了该地区2017年停电计划安排情况表,在安排某个月的停电计划的时候,需要给出这个月的停电计划安排表,然后根据算法生成每个设备的停电开始时间与停电结束时间,汇总成该月的实际停电方案。
基于本项目提出的停电优化模型及模型求解算法,因电力公司比较看重停电对用户的影响程度与其受到的经济损失,所以赋予可靠性目标和经济性目标权重分别为0.5 和0.5。惯性权重的取值在迭代过程中从0.9线性递减至0.4,实验取20次重复运行的适应度结果统计后,全局适应度值平均为0.932。这主要是由于改进后粒子群算法生成的粒子种群具有更好的随机性,从而保持种群内各粒子解的多样性,以避免过早陷人局部最优解。算法在前50次迭代中已经实现收敛,停电方案的各项指标的计算结果如表16所示,其中方案1为最终的最优方案,其它方案2到方案5为部分迭代过程中形成的最优解。
表16停电方案各项指标计算结果
全局最优停电方案1的具体内容如表17所示(节选),其中停电开始和结束时间表示为yyyyMMddhhmm,其中yyyy代表年份,MM代表月份,dd代表日期,hh代表小时,mm代表分钟。
表17停电方案表
最后,本申请实施例所提供的两个部分,总结如下:
通过基于深度学习的短期负荷预测,实现对停电损失电量的计算,为提高供电的可靠性提供数据支持,基于用户功率曲线聚类实现计划停电的优化管理,提高不同类型用户的用电满意度。将大数据技术用于分析挖掘配变负荷数据的规律,主要实现方法为:
(1)基于模糊C均值聚类算法实现对配变负荷曲线的分类处理及精细化分析。确定科学合理的停电时间段,在顺利完成停电工作的同时,达到减少停电损失的最终目的,提高电网企业服务质量。同时将配变台区停电时间段内电量损失的问题转化为停电时间段内负荷的短期预测问题;
(2)运用皮尔逊相关系数算法对待预测时刻负荷影响因素进行排序,提取相关性较大的特征作为门控循环单元神经网络模型的输入量、构建训练样本;
(3)使用训练样本训练门控循环单元神经网络,得到停电时间段内的负荷预测值,能够较好的拟合真实的负荷曲线。进而对预测负荷曲线进行积分得到损失电量,较准确的计算出停电时间内的损失电量。因此,本研究内容中提出的停电损失电量预测方法能够有效准确地评估停电电量损失,并能合理应对大电力负荷变化对电网造成的破坏性冲击、控制电网稳定、经济高效运行等工作提供科学的指导依据。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种电力负荷处理装置,需要说明的是,本申请实施例的电力负荷处理装置可以用于执行本申请实施例所提供的用于电力负荷处理方法。以下对本申请实施例提供的电力负荷处理装置进行介绍。
图15是根据本申请实施例的电力负荷处理装置的示意图。如图15所示,该装置包括:第一获取单元10、第二获取单元20、第三获取单元30、第四获取单元40、输入单元50和第五获取单元60。
第一获取单元10,用于获取多个电力负荷数据,其中,每个电力负荷数据均包括多个时间点与每个时间点对应的电力负荷;
第二获取单元20,用于使用所述多个电力负荷数据进行预测训练,得到对电力负荷存在影响的至少一个参数;
第三获取单元30,用于获取电力系统预计停电的时间段;
第四获取单元40,用于获取所述预计停电的时间段之前的多个时间点对应的电力负荷;
输入单元50,用于将所述多个时间点的电力负荷以及所述电力系统中的所述至少一个参数的值输入到模型中;
第五获取单元60,用于根据所述模型的结果得到所述预计停电的时间段中的电力负荷,其中,所述模型是使用多组数据训练的,所述每一组训练数据均包括:预定时间段之前的电力负荷数据以及与所述至少一个参数的对应关系、预定时间段的电力负荷。
可选的,所述预测训练用于使用多个参数根据一个电力负荷数据中的多个时间点对应的电力负荷预测下一个时间点的电力负荷,所述多个时间点和所述下一个时间点的电力负荷均包括在该电力负荷数据中,使用所述电力负荷数据中的下一个时间点的电力负荷与预测值进行比较,找到预测值与所述电力负荷数据中的下一个时间点的电力负荷差距最小的至少一个参数。
可选的,所述装置还包括分类单元,所述分类单元用于对所述多个电力负荷数据进行分类,得到至少一个类别的电力负荷数据,其中,每个类别的电力负荷随时间的变化规律的相似度超过阈值。
可选的,所述第五获取单元60,包括:第一确定模块,用于根据所述预计停电的时间段之前的多个时间点对应的电力负荷确定所述电力负荷所属的类别;第二确定模块,用于根据类别对应的电力负荷的规律确定所述预计停电的时间段的电力负荷;获取模块,用于根据所述模型的输出结果根据类别得到的所述电力负荷进行校正,得到所述预计停电的时间段中的电力负荷。
可选的,所述模型为门控循环单元神经网络模型。
综上所述,本申请实施例提供的电力负荷处理方法,通过第一获取单元10获取多个电力负荷数据;第二获取单元20使用所述多个电力负荷数据进行预测训练,得到对电力负荷存在影响的至少一个参数;第三获取单元30获取电力系统预计停电的时间段;第四获取单元40获取所述预计停电的时间段之前的多个时间点对应的电力负荷;输入单元50将所述多个时间点的电力负荷以及所述电力系统中的所述至少一个参数的值输入到模型中;第五获取单元60根据所述模型的结果得到所述预计停电的时间段中的电力负荷,其中,所述模型是使用多组数据训练的,所述每一组训练数据均包括:预定时间段之前的电力负荷数据以及与所述至少一个参数的对应关系、预定时间段的电力负荷,解决了相关技术中配变台区负荷预测无法满足当前技术需求的技术问题。实现了给大电力负荷变化对电网造成的破坏性冲击、控制电网稳定、经济高效运行等工作提供科学的指导依据的技术效果。
需要说明的是:每个电力负荷数据均包括多个时间点与每个时间点对应的电力负荷。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种电力负荷处理方法,其特征在于,包括:
获取多个电力负荷数据,其中,每个电力负荷数据均包括多个时间点与每个时间点对应的电力负荷;
使用所述多个电力负荷数据进行预测训练,得到对电力负荷存在影响的至少一个参数;
获取电力系统预计停电的时间段;
获取所述预计停电的时间段之前的多个时间点对应的电力负荷;
将所述多个时间点的电力负荷以及所述电力系统中的所述至少一个参数的值输入到模型中;
根据所述模型的结果得到所述预计停电的时间段中的电力负荷,其中,所述模型是使用多组数据训练的,所述每一组训练数据均包括:预定时间段之前的电力负荷数据以及与所述至少一个参数的对应关系、预定时间段的电力负荷。
2.根据权利要求1所述的方法,其特征在于,所述预测训练用于使用多个参数根据一个电力负荷数据中的多个时间点对应的电力负荷预测下一个时间点的电力负荷,所述多个时间点和所述下一个时间点的电力负荷均包括在该电力负荷数据中,使用所述电力负荷数据中的下一个时间点的电力负荷与预测值进行比较,找到预测值与所述电力负荷数据中的下一个时间点的电力负荷差距最小的至少一个参数。
3.根据权利要求1所述的方法,其特征在于,
所述方法还包括:对所述多个电力负荷数据进行分类,得到至少一个类别的电力负荷数据,其中,每个类别的电力负荷随时间的变化规律的相似度超过阈值。
4.根据权利要求3所述的方法,其特征在于,根据所述模型的结果得到所述预计停电的时间段中的电力负荷包括:
根据所述预计停电的时间段之前的多个时间点对应的电力负荷确定所述电力负荷所属的类别;
根据类别对应的电力负荷的规律确定所述预计停电的时间段的电力负荷;
根据所述模型的输出结果根据类别得到的所述电力负荷进行校正,得到所述预计停电的时间段中的电力负荷。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述模型为门控循环单元神经网络模型。
6.一种电力负荷处理装置,其特征在于,包括:
第一获取单元,用于获取多个电力负荷数据,其中,每个电力负荷数据均包括多个时间点与每个时间点对应的电力负荷;
第二获取单元,用于使用所述多个电力负荷数据进行预测训练,得到对电力负荷存在影响的至少一个参数;
第三获取单元,用于获取电力系统预计停电的时间段;
第四获取单元,用于获取所述预计停电的时间段之前的多个时间点对应的电力负荷;
输入单元,用于将所述多个时间点的电力负荷以及所述电力系统中的所述至少一个参数的值输入到模型中;
第五获取单元,用于根据所述模型的结果得到所述预计停电的时间段中的电力负荷,其中,所述模型是使用多组数据训练的,所述每一组训练数据均包括:预定时间段之前的电力负荷数据以及与所述至少一个参数的对应关系、预定时间段的电力负荷。
7.根据权利要求6所述的装置,其特征在于,所述预测训练用于使用多个参数根据一个电力负荷数据中的多个时间点对应的电力负荷预测下一个时间点的电力负荷,所述多个时间点和所述下一个时间点的电力负荷均包括在该电力负荷数据中,使用所述电力负荷数据中的下一个时间点的电力负荷与预测值进行比较,找到预测值与所述电力负荷数据中的下一个时间点的电力负荷差距最小的至少一个参数。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括分类单元,所述分类单元用于对所述多个电力负荷数据进行分类,得到至少一个类别的电力负荷数据,其中,每个类别的电力负荷随时间的变化规律的相似度超过阈值。
9.根据权利要求7所述的装置,其特征在于,所述第五获取单元,包括:
第一确定模块,用于根据所述预计停电的时间段之前的多个时间点对应的电力负荷确定所述电力负荷所属的类别;
第二确定模块,用于根据类别对应的电力负荷的规律确定所述预计停电的时间段的电力负荷;
获取模块,用于根据所述模型的输出结果根据类别得到的所述电力负荷进行校正,得到所述预计停电的时间段中的电力负荷。
10.根据权利要求6至9中任一项所述的装置,其特征在于,所述模型为门控循环单元神经网络模型。
11.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任意一项所述方法。
12.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至5中任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911368771.5A CN111784019A (zh) | 2019-12-26 | 2019-12-26 | 电力负荷处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911368771.5A CN111784019A (zh) | 2019-12-26 | 2019-12-26 | 电力负荷处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784019A true CN111784019A (zh) | 2020-10-16 |
Family
ID=72755040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911368771.5A Pending CN111784019A (zh) | 2019-12-26 | 2019-12-26 | 电力负荷处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784019A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614006A (zh) * | 2020-11-30 | 2021-04-06 | 国网北京市电力公司 | 负荷预测方法、装置、计算机可读存储介质以及处理器 |
CN113393028A (zh) * | 2021-06-10 | 2021-09-14 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数据挖掘技术的负荷预测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015122825A (ja) * | 2013-12-20 | 2015-07-02 | 三菱電機株式会社 | 配電系統の負荷予測装置および配電系統の負荷予測方法 |
CN105162151A (zh) * | 2015-10-22 | 2015-12-16 | 国家电网公司 | 一种基于人工鱼群算法的智能化储能系统并网实时控制方法 |
JP2017005880A (ja) * | 2015-06-10 | 2017-01-05 | 株式会社東芝 | 監視制御装置、監視制御方法及びプログラム |
CN106980905A (zh) * | 2017-03-15 | 2017-07-25 | 南方电网科学研究院有限责任公司 | 配电网供电可靠性预测方法和系统 |
CN107423862A (zh) * | 2017-08-11 | 2017-12-01 | 国家电网公司 | 基于经济数据的电力负荷预测方法 |
CN107910863A (zh) * | 2017-05-25 | 2018-04-13 | 南京邮电大学 | 综合考虑光伏出力和负荷需求预测区间的配电网调度方法 |
CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
CN110263866A (zh) * | 2019-06-24 | 2019-09-20 | 苏州智睿新能信息科技有限公司 | 一种基于深度学习的电力用户负荷区间预测方法 |
-
2019
- 2019-12-26 CN CN201911368771.5A patent/CN111784019A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015122825A (ja) * | 2013-12-20 | 2015-07-02 | 三菱電機株式会社 | 配電系統の負荷予測装置および配電系統の負荷予測方法 |
JP2017005880A (ja) * | 2015-06-10 | 2017-01-05 | 株式会社東芝 | 監視制御装置、監視制御方法及びプログラム |
CN105162151A (zh) * | 2015-10-22 | 2015-12-16 | 国家电网公司 | 一种基于人工鱼群算法的智能化储能系统并网实时控制方法 |
CN106980905A (zh) * | 2017-03-15 | 2017-07-25 | 南方电网科学研究院有限责任公司 | 配电网供电可靠性预测方法和系统 |
CN107910863A (zh) * | 2017-05-25 | 2018-04-13 | 南京邮电大学 | 综合考虑光伏出力和负荷需求预测区间的配电网调度方法 |
CN107423862A (zh) * | 2017-08-11 | 2017-12-01 | 国家电网公司 | 基于经济数据的电力负荷预测方法 |
CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
CN110263866A (zh) * | 2019-06-24 | 2019-09-20 | 苏州智睿新能信息科技有限公司 | 一种基于深度学习的电力用户负荷区间预测方法 |
Non-Patent Citations (5)
Title |
---|
周莽: ""GRU神经网络短期电力负荷预测研究"", 《科技创新与应用》, no. 33, 30 November 2018 (2018-11-30), pages 52 - 57 * |
常鲜戎;孙景文;: "基于改进的模糊C均值聚类的负荷预处理", 华北电力大学学报(自然科学版), vol. 41, no. 01, 30 January 2014 (2014-01-30), pages 27 - 32 * |
李永通: ""基于短时间尺度相关性聚类的负荷预测"", 《电测与仪表》, vol. 56, no. 16, 31 August 2019 (2019-08-31), pages 32 - 38 * |
金鑫;李龙威;季佳男;李祉歧;胡宇;赵永彬;: "基于大数据和优化神经网络短期电力负荷预测", 通信学报, vol. 37, no. 1, 30 October 2016 (2016-10-30), pages 1 - 7 * |
雷景生;郝珈玮;朱国康;: "基于"分层-汇集"模型的短期电力负荷预测", 电力建设, vol. 38, no. 01, 1 January 2017 (2017-01-01), pages 69 - 75 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614006A (zh) * | 2020-11-30 | 2021-04-06 | 国网北京市电力公司 | 负荷预测方法、装置、计算机可读存储介质以及处理器 |
CN113393028A (zh) * | 2021-06-10 | 2021-09-14 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数据挖掘技术的负荷预测方法 |
CN113393028B (zh) * | 2021-06-10 | 2022-08-19 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数据挖掘技术的负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
Li et al. | Long-term system load forecasting based on data-driven linear clustering method | |
CN111325315A (zh) | 基于深度学习的配变停电电量损失预测的方法 | |
Prauzek et al. | Differential evolution of fuzzy controller for environmentally-powered wireless sensors | |
Kavousi-Fard et al. | Short term load forecasting of distribution systems by a new hybrid modified FA-backpropagation method | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
Jeyaraj et al. | Computer‐assisted demand‐side energy management in residential smart grid employing novel pooling deep learning algorithm | |
CN111784019A (zh) | 电力负荷处理方法和装置 | |
Tavares et al. | Comparison of PV power generation forecasting in a residential building using ANN and DNN | |
Al-Shareef et al. | Neural networks initial weights optimisation | |
Li et al. | A hybrid learning method for the data-driven design of linguistic dynamic systems | |
Barbulescu et al. | Artificial neural network based monthly load curves forecasting | |
Ponoćko | Data analytics-based demand profiling and advanced demand side management for flexible operation of sustainable power networks | |
Zhang | Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors | |
Nutakki et al. | Energy consumption forecasting in home energy management system using Deep Learning Techniques | |
Gu et al. | A Digital Load Forecasting Method Based on Digital Twin and Improved GRU | |
Wang et al. | Adaptive probabilistic load forecasting for individual buildings | |
Gökgöz et al. | Electricity load forecasting via ANN approach in Turkish electricity markets | |
Shen et al. | An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed | |
CN113591391A (zh) | 一种电力负荷控制装置、控制方法、终端、介质及应用 | |
Bin et al. | A short-term power load forecasting method based on eemd-abgru | |
Ponocko | Data Analytics Based Demand Profiling and Advanced Demand Side Management for Flexible Operation of Sustainable Power Networks | |
Di et al. | Online gaussian process regression for short-term probabilistic interval load prediction | |
Sanjani | The prediction of increase or decrease of electricity cost using fuzzy expert systems | |
Dewangan et al. | Load Forecasting Models in Smart Grid Using Smart Meter Information: A Review. Energies 2023, 16, 1404 |
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 |