CN112508260A - 基于对比学习的配电变压器中长期负荷预测方法及装置 - Google Patents
基于对比学习的配电变压器中长期负荷预测方法及装置 Download PDFInfo
- Publication number
- CN112508260A CN112508260A CN202011395230.4A CN202011395230A CN112508260A CN 112508260 A CN112508260 A CN 112508260A CN 202011395230 A CN202011395230 A CN 202011395230A CN 112508260 A CN112508260 A CN 112508260A
- Authority
- CN
- China
- Prior art keywords
- sample
- predicted
- data
- long
- load
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000000052 comparative effect Effects 0.000 title claims description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000007774 longterm Effects 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect 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
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (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
本发明实施例涉及一种基于对比学习的配电变压器中长期负荷预测方法及装置,包括数据获取处理、绘制曲线、样本分类、偏差度的计算和输出预测结果这五个步骤,采用数据获取处理得到处理后的长周期样本和待预测样本,采用样本分类对长周期样本进行基于行业性质的一级分类以及基于标幺曲线聚类的二级分类,从而得到最小分类后的聚类小类;还对待预测样本进行一级分类后计算最小欧氏距离确定待预测样本的预测聚类小类,通过计算最小偏差度确定最佳匹配的匹配样本,将匹配样本中全区间标幺曲线后四年的负荷数据作为待预测样本未来四年的预测负荷数据,实现预测配电变压器的负荷预测,负荷预测的数据准确度高。
Description
技术领域
本发明涉及配电变压器负荷技术领域,尤其涉及一种基于对比学习的配电变压器中长期负荷预测方法及装置。
背景技术
近年来,智能电网的应用越来越多,在智能电网中对各类智能设备进行有效管理,可以促进智能电网建设、提升电网运营管理水平。智能电网各个环节都部署了很多数据采集设备和相应的信息管理系统,这些系统产生和管理着大量的数据,为电力系统的精细化管理提供了基础。在智能电网中,站在规划层面的角度而言,规划人员需要关注几年后的电网负荷情况,合理预测负荷最大值。
目前对于电网的负荷预测主要是关注于大系统大区域的负荷变化,大系统大区域的负荷总量大,覆盖范围广,有着一定程度的趋势性和负荷增长惯性,但大区域的负荷预测不能有效地反映负荷的内部分布情况以及增长变化情况,不能满足低压配网单元的预测需求。现有存在采用细颗粒度的电网负荷预测能够对负荷的空间分布进行合理预测和调整,计算当前网架结构下的系统运行性能,并根据情况进行电网的改建。但不适用配电变压器的负荷预测,由于配电变压器的负荷变化随机性、影响负荷的因素变化的随机性、负荷数据预测器本身的不确定性等原因的影响,所以难以精确预测。
发明内容
本发明实施例提供了一种基于对比学习的配电变压器中长期负荷预测方法及装置,用于解决现有对配电变压器的负荷预测难以预测以及预测结果不准确的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
一种基于对比学习的配电变压器中长期负荷预测方法,包括以下步骤:
S10.数据获取处理:从配电网的计量系统获取配电变压器长周期的历史负荷数据作为长周期样本以及配电变压器的属性信息数据,还从配电网的计量系统获取预测配电变压器的历史负荷数据作为待预测样本以及对应配电变压器的属性信息数据;对所述长周期样本和所述待预测样本的历史负荷数据进行处理,得到处理的长周期样本和处理的待预测样本;所述属性信息数据包括配电变压器的投运使用时间、额定容量、平均负载率;
S20.绘制曲线:将所述处理的长周期样本和所述处理的待预测样本中的历史负荷数据均分为全区间数据和对比区间数据;以所述对比区间数据的最大负荷值作为基准值,对所述全区间数据和所述对比区间数据进行标幺化得到标幺值;根据标幺值绘制对应于长周期样本和待预测样本的全区间标幺曲线、对比区间标幺曲线;
S30.样本分类:对所述长周期样本和所述待预测样本按照相同行业和用电性质进行一级分类,得到对应所述长周期样本和所述待预测样本的行业小类;将所述长周期样本和所述待预测样本对应的行业小类按照步骤S20得到对应的对比区间标幺曲线记为负荷标幺曲线,对与所述长周期样本的负荷标幺曲线对应的行业小类进行C均值聚类进行二级分类,得到聚类小类;根据聚类中心欧式距离确定与所述待预测样本中行业小类对应的聚类小类并记为预测聚类小类;
S40.偏差度的计算:根据偏差度计算公式计算预测聚类小类与聚类小类中所有所述长周期样本的偏差度,得到偏差度集;
S50.输出预测结果:在所述偏差度集中选取与最小偏差度对应的长周期样本作为匹配样本,将所述匹配样本中全区间标幺曲线后四年的负荷数据作为所述待预测样本未来四年的预测负荷数据;
其中,在步骤S40中,偏差度计算公式为:
式中,TD为长周期样本D中配电变压器投运的时间,TP为待预测样本P中配电变压器投运的时间,SD为长周期样本D中配电变压器的额定容量,SP为待预测样本P中配电变压器的额定容量,ID为长周期样本D中配电变压器前四年的平均负载率,IP待预测样本P中配电变压器前四年的平均负载率;β1、β2、β3分别为配电变压器的投运时间、额定容量、平均负载率偏差比值的权重,φ为偏差度;
所述长周期样本的年限时间至少8年。
优选地,在步骤S10中,对所述历史负荷数据进行处理包括:
对所述历史负荷数据中的缺失数据采用数据拟合和相似日参考补全;
以及采用分位差法或标准差法清除所述历史负荷数据中的异常数据。
优选地,在步骤S20中,将所述处理的长周期样本和所述处理的待预测样本中的历史负荷数据均分为全区间数据和对比区间数据,以所述对比区间数据的最大负荷值作为基准值;对所述全区间数据和所述对比区间数据进行标幺化得到标幺值包括:
对所述处理的长周期样本按月选取每月的月负荷最大值Ki,并将所述处理的长周期样本中对比区间数据的最大负荷值Kmax作为基准值;
按照Ki/Kmax对所述全区间数据和所述对比区间数据进行计算得到标幺值;
其中,所述全区间数据为所述处理的长周期样本或所述处理的待预测样本中的历史负荷数据,所述对比区间数据为所述处理的长周期样本或所述处理的待预测样本中前四年的历史负荷数据,i为大于0的整数。
优选地,在步骤S30中,根据聚类中心欧式距离确定与所述待预测样本的行业小类对应的聚类小类包括:
根据聚类中心欧式距离计算公式计算待预测样本的对比区间数据与每个聚类小类之间的距离,得到聚类中心欧式距离;
选取与最小的聚类中心欧式距离对应的聚类小类作为预测聚类小类。
优选地,该基于对比学习的配电变压器中长期负荷预测方法还包括:将所述预测负荷数据乘于所述处理的待预测样本的月负荷最大值,得到待预测样本未来四年每月的预测负荷最大值。
本发明还提供一种基于对比学习的配电变压器中长期负荷预测装置,包括数据获取处理模块、曲线绘制模块、样本分类模块、偏差度计算模块和输出预测结果模块;
所述数据获取处理模块,用于从配电网的计量系统获取配电变压器长周期的历史负荷数据作为长周期样本以及配电变压器的属性信息数据,还从配电网的计量系统获取预测配电变压器的历史负荷数据作为待预测样本以及对应配电变压器的属性信息数据;对所述长周期样本和所述待预测样本的历史负荷数据进行处理,得到处理的长周期样本和处理的待预测样本;所述属性信息数据包括配电变压器的投运使用时间、额定容量、平均负载率;
所述曲线绘制模块,用于将所述处理的长周期样本和所述处理的待预测样本中的历史负荷数据均分为全区间数据和对比区间数据;以所述对比区间数据的最大负荷值作为基准值,对所述全区间数据和所述对比区间数据进行标幺化得到标幺值;根据标幺值绘制对应于长周期样本和待预测样本的全区间标幺曲线、对比区间标幺曲线;
所述样本分类模块,用于对所述长周期样本和所述待预测样本按照相同行业和用电性质进行一级分类,得到对应所述长周期样本和所述待预测样本的行业小类;将所述长周期样本和所述待预测样本对应的行业小类按照所述曲线绘制模块得到对应的对比区间标幺曲线记为负荷标幺曲线,对与所述长周期样本的负荷标幺曲线对应的行业小类进行C均值聚类进行二级分类,得到聚类小类;根据聚类中心欧式距离确定与所述待预测样本中行业小类对应的聚类小类并记为预测聚类小类;
所述偏差度计算模块,用于采用偏差度计算公式计算预测聚类小类与聚类小类中所有所述长周期样本的偏差度,得到偏差度集;
所述输出预测结果模块,用于在所述偏差度集中选取与最小偏差度对应的长周期样本作为匹配样本,将所述匹配样本中全区间标幺曲线后四年的负荷数据作为所述待预测样本未来四年的预测负荷数据;
其中,在所述偏差度计算模块中,偏差度计算公式为:
式中,TD为长周期样本D中配电变压器投运的时间,TP为待预测样本P中配电变压器投运的时间,SD为长周期样本D中配电变压器的额定容量,SP为待预测样本P中配电变压器的额定容量,ID为长周期样本D中配电变压器前四年的平均负载率,IP待预测样本P中配电变压器前四年的平均负载率;β1、β2、β3分别为配电变压器的投运时间、额定容量、平均负载率偏差比值的权重,φ为偏差度;
所述长周期样本的年限时间至少8年。
优选地,所述输出预测结果模块还用于将所述预测负荷数据乘于所述处理的待预测样本的月负荷最大值,得到待预测样本未来四年每月的预测负荷最大值。
优选地,所述曲线绘制模块还用于根据聚类中心欧式距离计算公式计算待预测样本的对比区间数据与每个聚类小类之间的距离,得到聚类中心欧式距离;选取与最小的聚类中心欧式距离对应的聚类小类作为预测聚类小类。
本发明还提供一种计算机可读存储介质,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行上述所述的基于对比学习的配电变压器中长期负荷预测方法。
本发明还提供一种终端设备,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上述所述的基于对比学习的配电变压器中长期负荷预测方法。
从以上技术方案可以看出,本发明实施例具有以下优点:该基于对比学习的配电变压器中长期负荷预测方法及装置采用数据获取处理得到配电变压器的历史负荷数据以及预测配电变压器的历史负荷数据以及其属性信息数据并对历史负荷数据进行处理,采用样本分类对长周期样本进行基于行业性质的一级分类以及基于标幺曲线聚类的二级分类,从而得到最小分类后的聚类小类;其次还对待预测样本进行一级分类后计算最小欧氏距离确定待预测样本的预测聚类小类,通过计算最小偏差度确定最佳匹配的匹配样本,将匹配样本中全区间标幺曲线后四年的负荷数据作为待预测样本未来四年的预测负荷数据,实现预测配电变压器的负荷预测,负荷预测的数据准确度高,解决了现有对配电变压器的负荷预测难以预测以及预测结果不准确的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例所述的基于对比学习的配电变压器中长期负荷预测方法的步骤流程图。
图2为本发明实施例所述的基于对比学习的配电变压器中长期负荷预测装置的框架图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
本申请实施例提供了一种基于对比学习的配电变压器中长期负荷预测方法及装置,通过海量样本数据的合理分类聚类,为待预测配电变压器选取最为相似且较为合理的预测样本,利用长时间尺度的历史负荷数据来转换预测配电变压器未来的负荷变化,解决了现有对配电变压器的负荷预测难以预测以及预测结果不准确的技术问题。
实施例一:
图1为本发明实施例所述的基于对比学习的配电变压器中长期负荷预测方法的步骤流程图。
如图1所示,本发明实施例提供了一种基于对比学习的配电变压器中长期负荷预测方法,包括以下步骤:
S10.数据获取处理:从配电网的计量系统获取配电变压器长周期的历史负荷数据作为长周期样本以及配电变压器的属性信息数据,还从配电网的计量系统获取预测配电变压器的历史负荷数据作为待预测样本以及对应配电变压器的属性信息数据;对长周期样本和待预测样本的历史负荷数据进行处理,得到处理的长周期样本和处理的待预测样本;属性信息数据包括配电变压器的投运使用时间、额定容量、平均负载率;
S20.绘制曲线:将处理的长周期样本和处理的待预测样本中的历史负荷数据均分为全区间数据和对比区间数据;以对比区间数据的最大负荷值作为基准值,对全区间数据和对比区间数据进行标幺化得到标幺值;根据标幺值绘制对应于长周期样本和待预测样本的全区间标幺曲线、对比区间标幺曲线;
S30.样本分类:对长周期样本和待预测样本按照相同行业和用电性质进行一级分类,得到对应长周期样本和待预测样本的行业小类;将长周期样本和待预测样本对应的行业小类按照步骤S20得到对应的对比区间标幺曲线记为负荷标幺曲线,对与长周期样本的负荷标幺曲线对应的行业小类进行C均值聚类进行二级分类,得到聚类小类;根据聚类中心欧式距离确定与待预测样本中行业小类对应的聚类小类并记为预测聚类小类;
S40.偏差度的计算:根据偏差度计算公式计算预测聚类小类与聚类小类中所有长周期样本的偏差度,得到偏差度集;
S50.输出预测结果:在偏差度集中选取与最小偏差度对应的长周期样本作为匹配样本,将匹配样本中全区间标幺曲线后四年的负荷数据作为待预测样本未来四年的预测负荷数据;
其中,在步骤S40中,偏差度计算公式为:
式中,TD为长周期样本D中配电变压器投运的时间,TP为待预测样本P中配电变压器投运的时间,SD为长周期样本D中配电变压器的额定容量,SP为待预测样本P中配电变压器的额定容量,ID为长周期样本D中配电变压器前四年的平均负载率,IP待预测样本P中配电变压器前四年的平均负载率;β1、β2、β3分别为配电变压器的投运时间、额定容量、平均负载率偏差比值的权重,φ为偏差度;
长周期样本的年限时间至少8年。
在本发明实施例中,该基于对比学习的配电变压器中长期负荷预测方法采用不同类型的配电变压器在经过一定的分类原则下,可以划分到不同类别下面,并认为同一类别的配电变压器具有相似的性质,具有相似的发展规律。例如:2010年电网接入的配电变压器A在2012年开始观测负荷数据,负荷数据观测区间为[2012,2019],即是从配电网的计量系统能够获取配电变压器长周期的历史负荷数据。可以类比为2014年电网接入的配电变压器B在2016年开始观测负荷数据,复核数据观测区间为[2016,2023],即是从配电网的计量系统能够获取预测配电变压器的历史负荷数据。因为在负荷数据观测区间左端点对应的开始时间,配电变压器A和配电变压器B均是投入运行两年,若配电变压器A和配电变压器B其他的条件都类似,则认为在负荷数据观测开始时记录负荷数据配电变压器处于相同的发展阶段,因此配电变压器A的负荷数据对于配电变压器B的有同期参考作用,配电变压器A在[2016,2020]年的负荷变化状态等效为配电变压器B在[2020,2023]年的负荷变化状态,从而实现了历史负荷数据转化为未来负荷数据进行时间外延的预测。由于两个不同配电变压器的其他条件不可能完全相同,因此可以构造匹配度指标——偏差度,根据其他的因素以度量配变间的相似程度,偏差度越小,两个配变的相似程度就越大。
在本发明实施例的步骤S10中,主要是获取配电变压器的长周期样本、待预测样本以及对应配电变压器的属性信息数据,从而得到处理后的长周期样本和待预测样本,为待预测配电变压器奠定数据基础。在本实施例中,从配电网的数据完备区域的计量系统采集10KV馈线下的大量配电变压器历史负荷数据作为长周期样本,并获取配电变压器的公专变信息以及所属行业、用电性质、配电变压器的投运使用时间、额定容量、平均负载率等信息数据,长周期样本的全区间为[T1,T2],其中T1=2012,T2=2019,长周期样本负荷数据假设有N1个,表示为D=(D1,D2,……,DN1);从配电网的计量系统的待预测配电变压器采集10KV馈线下的待预测配电变压器历史负荷数据作为待预测样本,待预测样本的全区间为[T3,T4],其中T3=2016,T4=2023,待预测样本的样本假设有N2个,表示为P=(P1,P2,……,PN2)。待预测配电变压器只有前4年的对比区间的负荷数据,待预测配电变压器的后4年的负荷数据仍未产生,需要预测。
需要说明的是,历史负荷数据包括配电变压器每天96个测量时间点负荷数据;配变属性信息包括配电变压器的投运时间、额定容量、公专变信息、所接负荷的行业信息等。
在本发明实施例的步骤S20中,主要是对处理的长周期样本和处理的待预测样本均分为全区间数据和对比区间数据这两类数据,对这两类数据分别绘制处理的长周期样本和处理的待预测样本的全区间标幺曲线、对比区间标幺曲线。
需要说明的是,全区间数据为长周期样本或待预测样本的历史负荷数据,对比区间数据为长周期样本或待预测样本的前4年的历史负荷数据,例如:长周期样本的对比区间数据为区间为[2012,2015]长周期样本的历史负荷数据,待预测样本的对比区间数据为区间为[2016,2019]待预测样本的历史负荷数据。
在本发明实施例的步骤S30中,主要是对长周期样本和待预测样本进行分类,最后确定待预测样本的预测聚类小类。在本实施例中,对所获取的长周期样本进行两级分类,一级分类是以公专变属性、行业分类信息(即是按照配电变压器的按照相同行业和用电性质)为基础进行的分类,一级分类后得到的每一类长周期样本称为行业小类,得到不同的行业小类Li(i=1,2,……,N3);二级分类是依据配电变压器的对比区间标幺曲线进行的模糊C均值聚类,对每一个行业小类上的长周期样本进行二级分类后得到的每一类长周期样本称为聚类小类,得到不同行业小类下的若干种聚类小类Kij(i=1,2,……,N3;j=1,2,……,N4)。而待预测样本经过与长周期样本相同的一级分类后确定所属行业小类,再通过计算对比区间标幺曲线与聚类中心的欧式距离,判断待预测样本属于行业小类下的哪一类聚类小类。其中,N3和N4为自然数,代表的是个数。
需要说明的是,模糊C均值聚类是采用模糊c-均值聚类算法实现的,模糊c-均值聚类算法是通过优化目标函数得到每个样本点对所有类中心的隶属度,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的。其中,聚类中心欧式距离计算公式为:
式中,xi是待预测样本的数据i,yi为对应待预测样本的聚类中心数据,两组数据都有n=48个数据,通过这个公式来计算它们的欧氏距离,待预测样本用对比区间数据与每一个聚类中心计算并比较大小,选取最小的作为待预测样本的聚类小类。
在本发明实施例的步骤S40中,主要是用于得到每个待预测样本与预测聚类小类中的每一个长周期样本之间对应的偏差度。
在本发明实施例的步骤S50中,主要是根据偏差度选择与待预测样本匹配的长周期样本。在本实施中,待预测样本经过二级分类后确定所属的预测聚类小类,之后通过步骤S40分别计算待预测样本与长周期样本的聚类小类中所有标幺曲线的偏差度,最小偏差度的长周期样本作为待预测样本的最佳匹配样本,将最佳匹配样本的全区间标幺曲线后四年的负荷数据经过适当的处理转变为待预测样本待预测区未来4年的预测数据。
需要说明的是,每个待预测样本与预测聚类小类中的每一个长周期样本都有一个对应的偏差度,假设某一个待预测配电变压器的预测聚类小类有N5个长周期样本,则该待预测样本对应N5个偏差度指标Φj(j=1,2,…,N5),从N5个偏差度中选取最小的一个,该偏差度对应的长周期样本就是待预测样本的最佳匹配长周期样本。
在本发明的实施例中,该基于对比学习的配电变压器中长期负荷预测方法实际上匹配过程就是利用长周期样本的对比区间数据以及待预测样本的对比区间数据进行对比,选取出最为接近最为相似的配电变压器。首先基于一级分类已经确保了选取的长周期样本和待预测样本具有同样的行业属性同样的用电性质,然后长周期样本先经过二级分类,确定了每个行业小类下的聚类小类,然后已经确定了行业小类的待预测样本再通过计算与该行业小类下所有聚类小类的聚类中心的欧氏距离,选取最小的欧式距离确定待预测样本的聚类小类归属;最后通过待预测样本与聚类小类中所有的长周期样本对比,每一次对比都会有一个偏差度数值,数值越小表明差别越小,相似度就越高,从而选出最佳匹配的长周期样本并记为匹配样本。选定了最佳匹配的长周期样本,就能得到与最佳的匹配样本对应配电变压器的全区间标幺曲线,从全区间标幺曲线中提取出最佳匹配的长周期样本处对比区间之外的48个标幺值,然后均乘以待预测配电变压器对比区间的负荷最大值,从而得到48个负荷最大值作为待预测配电变压器的未来4年的负荷预测值。
本发明提供的一种基于对比学习的配电变压器中长期负荷预测方法采用数据获取处理得到配电变压器的历史负荷数据以及预测配电变压器的历史负荷数据以及其属性信息数据并对历史负荷数据进行处理,采用样本分类对长周期样本进行基于行业性质的一级分类以及基于标幺曲线聚类的二级分类,从而得到最小分类后的聚类小类;其次还对待预测样本进行一级分类后计算最小欧氏距离确定待预测样本的预测聚类小类,通过计算最小偏差度确定最佳匹配的匹配样本,将匹配样本中全区间标幺曲线后四年的负荷数据作为待预测样本未来四年的预测负荷数据,实现预测配电变压器的负荷预测,负荷预测的数据准确度高,解决了现有对配电变压器的负荷预测难以预测以及预测结果不准确的技术问题。
在本发明的一个实施例中,在步骤S10中,对历史负荷数据进行处理包括:
对历史负荷数据中的缺失数据采用数据拟合和相似日参考补全;
以及采用分位差法或标准差法清除历史负荷数据中的异常数据。
需要说明的是,数据处理主要是对历史负荷数据进行清洗,历史负荷数据往往会有缺失以及不合理的异常值,而异常值又会严重影响最大值的提取。数据拟合是针对同一天的个别缺失数据,利用前后的数据进行填补,根据数据的分布情况,可以采用均值、中位数或者众数进行数据填补。例如:数据均匀,可用均值法填补;数据分布倾斜,可用中位数法填补。相似日参考方式更多是用在某一整天数据缺失的情况,实际上是将日期类型划分为工作日、周末以及特殊节假日,在某天的数据完全缺失情况下根据缺失数据天的日期类型,选取时间接近的同类型日期负荷数据近似作为缺失数据这天的数据从而进行数据的填补。一般采用过箱线图法(分位差法)或者分布图(标准差法)来判断历史负荷数据的异常值,清除对结果影响较大的异常值。
在本发明的一个实施例中,在步骤S20中,将处理的长周期样本和处理的待预测样本中的历史负荷数据均分为全区间数据和对比区间数据,以对比区间数据的最大负荷值作为基准值;对全区间数据和对比区间数据进行标幺化得到标幺值包括:
对处理的长周期样本按月选取每月的月负荷最大值Ki,并将处理的长周期样本中对比区间数据的最大负荷值Kmax作为基准值;
按照Ki/Kmax对全区间数据和对比区间数据进行计算得到标幺值;
其中,全区间数据为处理的长周期样本或处理的待预测样本中的历史负荷数据,对比区间数据为处理的长周期样本或处理的待预测样本中前四年的历史负荷数据,i为大于0的整数。
需要说明的是,将长周期样本的全区间数据内每个月份的月负荷最大值Ki(i=1,2,……,96),并以长周期样本前4年对比区间数据中的最大负荷值Kmax=max{Ki}(i=1,2,……,48)作为基准值,对对比区间数据以及全区间数据分别进行标幺化,绘制出对比区间标幺曲线,一共12*4个数据点,K1=Ki/Kmax(i=1,2,……,48);绘制出全区间标幺曲线,一共12*8个数据点,K2=Ki/Kmax(i=1,2,……,96)。同样待预测样本也能绘制出对比区间标幺曲线。由于两条标幺曲线的基准值都是前4年对比区间数据中的最大负荷值,不同的地方仅仅是对比区间标幺曲线是用对比区的48个负荷点数据去进行标幺化,而全区间标幺曲线是用96个负荷点数据。具体地,长周期样本的对比区间标幺曲线和待预测样本的对比区间标幺曲线计算方法是完全一样的,都是用对比区间的48个月负荷最大值除以这48个数值里的最大值,得到48个标幺值,其中最大值为1。由于两条标幺曲线计算过程中用的基准值均是前4年对比区间数据中的最大负荷值,所以对比区间标幺曲线里的标幺数值最大为1;而全区间标幺曲线就有点不一样,若长周期样本后4年的负荷数值出现有比前4年对比区间数据最大负荷值还要大的,那么全区间标幺曲线就有可能出现大于1的标幺值。
在本发明的一个实施例中,在步骤S30中,根据聚类中心欧式距离确定与待预测样本的行业小类对应的聚类小类包括:
根据聚类中心欧式距离计算公式计算待预测样本的对比区间数据与每个聚类小类之间的距离,得到聚类中心欧式距离;
选取与最小的聚类中心欧式距离对应的聚类小类作为预测聚类小类。
需要说明的是,一级分类就是根据配电变压器的属性信息,以公专变属性以及行业分类信息进行分类,得到行业小类,二级分类就是在一级分类的基础上,针对每一个行业小类进行的聚类,用到的是所有长周期样本的对比区间标幺曲线,通过聚类的方式把同属于一个行业小类的所有配电变压器进行二次分类。一个配电变压器代表一个样本,在样本分类步骤中利用到了长周期样本的属性信息以及对比区间标幺曲线,通过二次的分类把配变进行了分类。每一个行业小类的所有配电变压器,利用配电变压器的对比区间标幺曲线,采用模糊C均值聚类得到若干个不同的聚类中心,若将某一行业小类举例,该行业小类里所有配电变压器的标幺曲线都会依据欧氏距离最小化原则分属到这些聚类中心,从属于同一个聚类中心的这些标幺曲线为同一聚类小类的曲线,它们对应的配电变压器也成为属于同一聚类小类的配电变压器,有多少个聚类中心,该行业小类就有多少个聚类小类。
在本发明的一个实施例中,该基于对比学习的配电变压器中长期负荷预测方法还包括:将预测负荷数据乘于所述处理的待预测样本的月负荷最大值,得到待预测样本未来四年每月的预测负荷最大值。
实施例二:
图2为本发明实施例所述的基于对比学习的配电变压器中长期负荷预测装置的框架图。
如图2所示,本发明实施例还提供一种基于对比学习的配电变压器中长期负荷预测装置,包括数据获取处理模块10、曲线绘制模块20、样本分类模块30、偏差度计算模块40和输出预测结果模块50;
数据获取处理模块10,用于从配电网的计量系统获取配电变压器长周期的历史负荷数据作为长周期样本以及配电变压器的属性信息数据,还从配电网的计量系统获取预测配电变压器的历史负荷数据作为待预测样本以及对应配电变压器的属性信息数据;对所述长周期样本和所述待预测样本的历史负荷数据进行处理,得到处理的长周期样本和处理的待预测样本;所述属性信息数据包括配电变压器的投运使用时间、额定容量、平均负载率;
曲线绘制模块20,用于将所述处理的长周期样本和所述处理的待预测样本中的历史负荷数据均分为全区间数据和对比区间数据;以所述对比区间数据的最大负荷值作为基准值,对所述全区间数据和所述对比区间数据进行标幺化得到标幺值;根据标幺值绘制对应于长周期样本和待预测样本的全区间标幺曲线、对比区间标幺曲线;
样本分类模块30,用于对所述长周期样本和所述待预测样本按照相同行业和用电性质进行一级分类,得到对应所述长周期样本和所述待预测样本的行业小类;将所述长周期样本和所述待预测样本对应的行业小类按照所述曲线绘制模块得到对应的对比区间标幺曲线记为负荷标幺曲线,对与所述长周期样本的负荷标幺曲线对应的行业小类进行C均值聚类进行二级分类,得到聚类小类;根据聚类中心欧式距离确定与所述待预测样本中行业小类对应的聚类小类并记为预测聚类小类;
偏差度计算模块40,用于采用偏差度计算公式计算预测聚类小类与聚类小类中所有所述长周期样本的偏差度,得到偏差度集;
输出预测结果模块50,用于在所述偏差度集中选取与最小偏差度对应的长周期样本作为匹配样本,将所述匹配样本中全区间标幺曲线后四年的负荷数据作为所述待预测样本未来四年的预测负荷数据;
其中,在所述偏差度计算模块中,偏差度计算公式为:
式中,TD为长周期样本D中配电变压器投运的时间,TP为待预测样本P中配电变压器投运的时间,SD为长周期样本D中配电变压器的额定容量,SP为待预测样本P中配电变压器的额定容量,ID为长周期样本D中配电变压器前四年的平均负载率,IP待预测样本P中配电变压器前四年的平均负载率;β1、β2、β3分别为配电变压器的投运时间、额定容量、平均负载率偏差比值的权重,φ为偏差度;
所述长周期样本的年限时间至少8年。
在本发明的实施例中,输出预测结果模块50还用于将预测负荷数据乘于处理的待预测样本的月负荷最大值,得到待预测样本未来四年每月的预测负荷最大值。
在本发明的实施例中,曲线绘制模块20还用于根据聚类中心欧式距离计算公式计算待预测样本的对比区间数据与每个聚类小类之间的距离,得到聚类中心欧式距离;选取与最小的聚类中心欧式距离对应的聚类小类作为预测聚类小类。
需要说明的是,实施例二装置中的模块对应于实施例一方法中的步骤,实施例一方法中的步骤已在实施例一中详细阐述了,在此实施例二中不再对装置中的模块内容进行详细阐述。
实施例三:
本发明实施例提供了一种计算机可读存储介质,计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行上述的基于对比学习的配电变压器中长期负荷预测方法。
实施例四:
本发明实施例提供了一种终端设备,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上述的基于对比学习的配电变压器中长期负荷预测方法。
需要说明的是,处理器用于根据所程序代码中的指令执行上述的一种基于对比学习的配电变压器中长期负荷预测方法实施例中的步骤。或者,处理器执行计算机程序时实现上述各系统/装置实施例中各模块/单元的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器中,并由处理器执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是终端设备的内部存储单元,例如终端设备的硬盘或内存。存储器也可以是终端设备的外部存储设备,例如终端设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及终端设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,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,仅仅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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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网络单元上。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(可以是个人计算机,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、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于对比学习的配电变压器中长期负荷预测方法,其特征在于,包括以下步骤:
S10.数据获取处理:从配电网的计量系统获取配电变压器长周期的历史负荷数据作为长周期样本以及配电变压器的属性信息数据,还从配电网的计量系统获取预测配电变压器的历史负荷数据作为待预测样本以及对应配电变压器的属性信息数据;对所述长周期样本和所述待预测样本的历史负荷数据进行处理,得到处理的长周期样本和处理的待预测样本;所述属性信息数据包括配电变压器的投运使用时间、额定容量、平均负载率;
S20.绘制曲线:将所述处理的长周期样本和所述处理的待预测样本中的历史负荷数据均分为全区间数据和对比区间数据;以所述对比区间数据的最大负荷值作为基准值,对所述全区间数据和所述对比区间数据进行标幺化得到标幺值;根据标幺值绘制对应于长周期样本和待预测样本的全区间标幺曲线、对比区间标幺曲线;
S30.样本分类:对所述长周期样本和所述待预测样本按照相同行业和用电性质进行一级分类,得到对应所述长周期样本和所述待预测样本的行业小类;将所述长周期样本和所述待预测样本对应的行业小类按照步骤S20得到对应的对比区间标幺曲线记为负荷标幺曲线,对与所述长周期样本的负荷标幺曲线对应的行业小类进行C均值聚类进行二级分类,得到聚类小类;根据聚类中心欧式距离确定与所述待预测样本中行业小类对应的聚类小类并记为预测聚类小类;
S40.偏差度的计算:根据偏差度计算公式计算预测聚类小类与聚类小类中所有所述长周期样本的偏差度,得到偏差度集;
S50.输出预测结果:在所述偏差度集中选取与最小偏差度对应的长周期样本作为匹配样本,将所述匹配样本中全区间标幺曲线后四年的负荷数据作为所述待预测样本未来四年的预测负荷数据;
其中,在步骤S40中,偏差度计算公式为:
式中,TD为长周期样本D中配电变压器投运的时间,TP为待预测样本P中配电变压器投运的时间,SD为长周期样本D中配电变压器的额定容量,SP为待预测样本P中配电变压器的额定容量,ID为长周期样本D中配电变压器前四年的平均负载率,IP待预测样本P中配电变压器前四年的平均负载率;β1、β2、β3分别为配电变压器的投运时间、额定容量、平均负载率偏差比值的权重,φ为偏差度;
所述长周期样本的年限时间至少8年。
2.根据权利要求1所述的基于对比学习的配电变压器中长期负荷预测方法,其特征在于,在步骤S10中,对所述历史负荷数据进行处理包括:
对所述历史负荷数据中的缺失数据采用数据拟合和相似日参考补全;
以及采用分位差法或标准差法清除所述历史负荷数据中的异常数据。
3.根据权利要求1所述的基于对比学习的配电变压器中长期负荷预测方法,其特征在于,在步骤S20中,将所述处理的长周期样本和所述处理的待预测样本中的历史负荷数据均分为全区间数据和对比区间数据,以所述对比区间数据的最大负荷值作为基准值;对所述全区间数据和所述对比区间数据进行标幺化得到标幺值包括:
对所述处理的长周期样本按月选取每月的月负荷最大值Ki,并将所述处理的长周期样本中对比区间数据的最大负荷值Kmax作为基准值;
按照Ki/Kmax对所述全区间数据和所述对比区间数据进行计算得到标幺值;
其中,所述全区间数据为所述处理的长周期样本或所述处理的待预测样本中的历史负荷数据,所述对比区间数据为所述处理的长周期样本或所述处理的待预测样本中前四年的历史负荷数据,i为大于0的整数。
4.根据权利要求1所述的基于对比学习的配电变压器中长期负荷预测方法,其特征在于,在步骤S30中,根据聚类中心欧式距离确定与所述待预测样本的行业小类对应的聚类小类包括:
根据聚类中心欧式距离计算公式计算待预测样本的对比区间数据与每个聚类小类之间的距离,得到聚类中心欧式距离;
选取与最小的聚类中心欧式距离对应的聚类小类作为预测聚类小类。
5.根据权利要求1所述的基于对比学习的配电变压器中长期负荷预测方法,其特征在于,还包括:将所述预测负荷数据乘于所述处理的待预测样本的月负荷最大值,得到待预测样本未来四年每月的预测负荷最大值。
6.一种基于对比学习的配电变压器中长期负荷预测装置,其特征在于,包括数据获取处理模块、曲线绘制模块、样本分类模块、偏差度计算模块和输出预测结果模块;
所述数据获取处理模块,用于从配电网的计量系统获取配电变压器长周期的历史负荷数据作为长周期样本以及配电变压器的属性信息数据,还从配电网的计量系统获取预测配电变压器的历史负荷数据作为待预测样本以及对应配电变压器的属性信息数据;对所述长周期样本和所述待预测样本的历史负荷数据进行处理,得到处理的长周期样本和处理的待预测样本;所述属性信息数据包括配电变压器的投运使用时间、额定容量、平均负载率;
所述曲线绘制模块,用于将所述处理的长周期样本和所述处理的待预测样本中的历史负荷数据均分为全区间数据和对比区间数据;以所述对比区间数据的最大负荷值作为基准值,对所述全区间数据和所述对比区间数据进行标幺化得到标幺值;根据标幺值绘制对应于长周期样本和待预测样本的全区间标幺曲线、对比区间标幺曲线;
所述样本分类模块,用于对所述长周期样本和所述待预测样本按照相同行业和用电性质进行一级分类,得到对应所述长周期样本和所述待预测样本的行业小类;将所述长周期样本和所述待预测样本对应的行业小类按照所述曲线绘制模块得到对应的对比区间标幺曲线记为负荷标幺曲线,对与所述长周期样本的负荷标幺曲线对应的行业小类进行C均值聚类进行二级分类,得到聚类小类;根据聚类中心欧式距离确定与所述待预测样本中行业小类对应的聚类小类并记为预测聚类小类;
所述偏差度计算模块,用于采用偏差度计算公式计算预测聚类小类与聚类小类中所有所述长周期样本的偏差度,得到偏差度集;
所述输出预测结果模块,用于在所述偏差度集中选取与最小偏差度对应的长周期样本作为匹配样本,将所述匹配样本中全区间标幺曲线后四年的负荷数据作为所述待预测样本未来四年的预测负荷数据;
其中,在所述偏差度计算模块中,偏差度计算公式为:
式中,TD为长周期样本D中配电变压器投运的时间,TP为待预测样本P中配电变压器投运的时间,SD为长周期样本D中配电变压器的额定容量,SP为待预测样本P中配电变压器的额定容量,ID为长周期样本D中配电变压器前四年的平均负载率,IP待预测样本P中配电变压器前四年的平均负载率;β1、β2、β3分别为配电变压器的投运时间、额定容量、平均负载率偏差比值的权重,φ为偏差度;
所述长周期样本的年限时间至少8年。
7.根据权利要求6所述的基于对比学习的配电变压器中长期负荷预测装置,其特征在于,所述输出预测结果模块还用于将所述预测负荷数据乘于所述处理的待预测样本的月负荷最大值,得到待预测样本未来四年每月的预测负荷最大值。
8.根据权利要求6所述的基于对比学习的配电变压器中长期负荷预测装置,其特征在于,所述曲线绘制模块还用于根据聚类中心欧式距离计算公式计算待预测样本的对比区间数据与每个聚类小类之间的距离,得到聚类中心欧式距离;选取与最小的聚类中心欧式距离对应的聚类小类作为预测聚类小类。
9.一种计算机可读存储介质,其特征在于,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的基于对比学习的配电变压器中长期负荷预测方法。
10.一种终端设备,其特征在于,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如权利要求1-5任意一项所述的基于对比学习的配电变压器中长期负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011395230.4A CN112508260B (zh) | 2020-12-03 | 2020-12-03 | 基于对比学习的配电变压器中长期负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011395230.4A CN112508260B (zh) | 2020-12-03 | 2020-12-03 | 基于对比学习的配电变压器中长期负荷预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508260A true CN112508260A (zh) | 2021-03-16 |
CN112508260B CN112508260B (zh) | 2022-09-02 |
Family
ID=74969467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011395230.4A Active CN112508260B (zh) | 2020-12-03 | 2020-12-03 | 基于对比学习的配电变压器中长期负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508260B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113783182A (zh) * | 2021-08-10 | 2021-12-10 | 国网河北省电力有限公司营销服务中心 | 配电变压器负载优化方法及电子设备 |
CN113872204A (zh) * | 2021-12-03 | 2021-12-31 | 全球能源互联网研究院有限公司 | 一种基于电网图拓扑计算的用电负荷性质确定方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570041A (zh) * | 2019-09-11 | 2019-12-13 | 国网天津市电力公司 | 一种基于ap聚类的远景年典型日负荷预测方法 |
CN111091223A (zh) * | 2019-10-30 | 2020-05-01 | 华电电力科学研究院有限公司 | 一种基于物联网智能感知技术的配变短期负荷预测方法 |
CN111583065A (zh) * | 2020-05-12 | 2020-08-25 | 广东电网有限责任公司计量中心 | 一种电力负荷数据预测方法及装置 |
-
2020
- 2020-12-03 CN CN202011395230.4A patent/CN112508260B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570041A (zh) * | 2019-09-11 | 2019-12-13 | 国网天津市电力公司 | 一种基于ap聚类的远景年典型日负荷预测方法 |
CN111091223A (zh) * | 2019-10-30 | 2020-05-01 | 华电电力科学研究院有限公司 | 一种基于物联网智能感知技术的配变短期负荷预测方法 |
CN111583065A (zh) * | 2020-05-12 | 2020-08-25 | 广东电网有限责任公司计量中心 | 一种电力负荷数据预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
沈沉等: "基于小波聚类的配变短期负荷预测方法研究", 《电网技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113783182A (zh) * | 2021-08-10 | 2021-12-10 | 国网河北省电力有限公司营销服务中心 | 配电变压器负载优化方法及电子设备 |
CN113783182B (zh) * | 2021-08-10 | 2024-04-26 | 国网河北省电力有限公司营销服务中心 | 配电变压器负载优化方法及电子设备 |
CN113872204A (zh) * | 2021-12-03 | 2021-12-31 | 全球能源互联网研究院有限公司 | 一种基于电网图拓扑计算的用电负荷性质确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112508260B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
WO2021208079A1 (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN112508260B (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
CN112508261B (zh) | 一种基于神经网络的配电变压器负荷分层预测方法及装置 | |
CN108959187A (zh) | 一种变量分箱方法、装置、终端设备及存储介质 | |
CN113744089B (zh) | 一种台区户变关系辨识方法及设备 | |
CN114519514B (zh) | 一种低压台区合理线损值测算方法、系统及计算机设备 | |
CN105678414A (zh) | 对资源消耗量进行预测的数据处理方法 | |
CN111612275A (zh) | 一种预测区域用户负荷量的方法及装置 | |
Park et al. | Missing-insensitive short-term load forecasting leveraging autoencoder and LSTM | |
CN111680841A (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN111062620A (zh) | 基于混合计费数据的电力计费公平性智能分析系统及方法 | |
CN111177128B (zh) | 基于改进的离群点检测算法的计量大数据批量处理方法及系统 | |
CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
CN117851908B (zh) | 一种改进的在线低压台区电能表失准监测方法及装置 | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN111680852A (zh) | 地区整体能耗监控方法及其监控系统 | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
CN114168662A (zh) | 一种基于多数据源的配电网问题梳理分析方法及系统 | |
CN113902485A (zh) | 一种专变电力用户行业识别方法、装置及设备 | |
CN113869601A (zh) | 一种电力用户负荷预测方法、装置及设备 | |
CN112926794A (zh) | 银行贷款信息预测方法及装置 | |
Davarzani et al. | Study of missing meter data impact on domestic load profiles clustering and characterization | |
CN113780630B (zh) | 一种基于用电客户历史用电数据实现表码预测的方法 |
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 |