CN112836871A - 一种配电网可靠性预测方法、装置、设备和介质 - Google Patents
一种配电网可靠性预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112836871A CN112836871A CN202110110513.8A CN202110110513A CN112836871A CN 112836871 A CN112836871 A CN 112836871A CN 202110110513 A CN202110110513 A CN 202110110513A CN 112836871 A CN112836871 A CN 112836871A
- Authority
- CN
- China
- Prior art keywords
- power failure
- households
- fault
- predicted
- historical 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
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本申请公开了一种配电网可靠性预测方法、装置、设备和介质,获取若干区供电局在待预测月份前的第一故障停电时户数历史数据后,对其进行异常值预处理;对预处理后的第一故障停电时户数历史数据进行特征提取得到第一时序特征变量,并将其输入到Prophet模型进行故障停电时户数预测,得到各区供电局或全局在待预测月份的故障停电时户数预测值,进而计算得到各区供电局或全局在待预测月份的可靠性指标预测结果。本申请解决了现有的基于回归预测模型的配电网可靠性预测方法,缺少对时间序列相关性的考虑,以及忽略了历史故障数据中的异常值对预测结果的影响,导致可靠性预测结果精度不高的技术问题。
Description
技术领域
本申请涉及配电网技术领域,尤其涉及一种配电网可靠性预测方法、装置、设备和介质。
背景技术
供电可靠性是衡量电力系统质量及功能的主要指标,随着科技的发展以及社会经济水平的不断提高,人们的生产、生活离不开持续可靠的电力供电,用户对供电可靠性的重视程度也持续提升,供电企业的客户满意度与供电可靠性指标关系密切。
配电系统是处于输变电系统和电力用户之间的重要一环,其可靠性直接影响用户对电网公司供电能力和运行水平的信赖和满意程度。配电网可靠性是电网规划、网架结构水平、设备健康状态以及运营管理水平等多方面的综合体现。随着城市配电网规模的不断扩大,如何快速、有效的对配电网进行可靠性评估与预测,并且依据预测结果提出建设性的意见,用来指导可靠性工作是研究的热点,具有重要的理论意义和实践价值。
现有技术在进行配电网进行可靠性评估与预测时,通常基于人工神经网络、支持向量机或极限学习机等回归预测模型进行配电网可靠性预测,在可靠性影响因素与可靠性指标之间建立映射关系,但该方法缺少对时间序列相关性的考虑,导致可靠性预测结果精度不高;并且现有技术没有考虑到历史故障数据中的异常值对预测结果的影响,使得可靠性预测结果精度不高。
发明内容
本申请提供了一种配电网可靠性预测方法、装置、设备和介质,用于解决现有的基于回归预测模型的配电网可靠性预测方法,缺少对时间序列相关性的考虑,以及忽略了历史故障数据中的异常值对预测结果的影响,导致可靠性预测结果精度不高的技术问题。
有鉴于此,本申请第一方面提供了一种配电网可靠性预测方法,包括:
获取若干区供电局在待预测月份前的第一故障停电时户数历史数据;
对所述第一故障停电时户数历史数据进行预处理,所述预处理包括异常值处理;
对预处理后的所述第一故障停电时户数历史数据进行特征提取,得到第一时序特征变量;
将所述第一时序特征变量输入到Prophet模型进行故障停电时户数预测,得到各区供电局或全局在所述待预测月份的故障停电时户数预测值;
根据各区供电局或全局在所述待预测月份的预安排时户数和所述故障停电时户数预测值计算各区供电局或全局在所述待预测月份的可靠性指标预测结果。
可选的,所述对预处理后的所述第一故障停电时户数历史数据进行特征提取,得到第一时序特征变量,包括:
提取预处理后的所述第一故障停电时户数历史数据的日期特征、区局名称、预置时间段内的故障停电的天数、故障停电时户数最小值、故障停电时户数平均值、故障停电时户数中位数、故障停电时户数最大值、故障停电时户数标准差、故障停电时户数偏度、时户数日变化量平均值、时户数日变化量最大值、时户数日变化量最小值、时户数日变化量标准差和日故障停电时户数,得到第一时序特征变量。
可选的,所述Prophet模型的配置过程为:
获取用于配置所述Prophet模型的第二时序特征变量,所述第二时序特征变量通过各区供电局的第二故障停电时户数历史数据得到;
对所述第二时序特征变量进行分解建模,得到故障停电的趋势函数、季节性函数和节假日函数;
结合所述趋势函数、所述季节性函数和所述节假日函数,得到所述Prophet模型。
可选的,对所述第一故障停电时户数历史数据进行异常值处理,包括:
计算所述第一故障停电时户数历史数据的上四分位数和下四分位数;
根据所述上四分位数和下四分位数确定所述第一故障停电时户数历史数据的上限和下限;
根据所述第一故障停电时户数历史数据的上限和下限去除所述第一故障停电时户数历史数据的异常值。
可选的,所述预处理还包括离群值处理或归一化处理。
本申请第二方面提供了一种配电网可靠性预测装置,包括:
获取单元,用于获取若干区供电局在待预测月份前的第一故障停电时户数历史数据;
预处理单元,用于对所述第一故障停电时户数历史数据进行预处理,所述预处理包括异常值处理;
特征提取单元,用于对预处理后的所述第一故障停电时户数历史数据进行特征提取,得到第一时序特征变量;
预测单元,用于将所述第一时序特征变量输入到Prophet模型进行故障停电时户数预测,得到各区供电局或全局在所述待预测月份的故障停电时户数预测值;
计算单元,用于根据各区供电局或全局在所述待预测月份的预安排时户数和所述故障停电时户数预测值计算各区供电局或全局在所述待预测月份的可靠性指标预测结果。
可选的,所述特征提取单元具体用于:
提取预处理后的所述第一故障停电时户数历史数据的日期特征、区局名称、预置时间段内的故障停电的天数、故障停电时户数最小值、故障停电时户数平均值、故障停电时户数中位数、故障停电时户数最大值、故障停电时户数标准差、故障停电时户数偏度、时户数日变化量平均值、时户数日变化量最大值、时户数日变化量最小值、时户数日变化量标准差和日故障停电时户数,得到第一时序特征变量。
可选的,还包括:配置单元,用于:
获取用于配置所述Prophet模型的第二时序特征变量,所述第二时序特征变量通过各区供电局的第二故障停电时户数历史数据得到;
对所述第二时序特征变量进行分解建模,得到故障停电的趋势函数、季节性函数和节假日函数;
结合所述趋势函数、所述季节性函数和所述节假日函数,得到所述Prophet模型。
本申请第三方面提供了一种配电网可靠性预测设备,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任一种所述的配电网可靠性预测方法。
本申请第四方面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行第一方面任一种所述的配电网可靠性预测方法。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供了一种配电网可靠性预测方法,包括:获取若干区供电局在待预测月份前的第一故障停电时户数历史数据;对第一故障停电时户数历史数据进行预处理,预处理包括异常值处理;对预处理后的第一故障停电时户数历史数据进行特征提取,得到第一时序特征变量;将第一时序特征变量输入到Prophet模型进行故障停电时户数预测,得到各区供电局或全局在待预测月份的故障停电时户数预测值;根据各区供电局或全局在待预测月份的预安排时户数和故障停电时户数预测值计算各区供电局或全局在待预测月份的可靠性指标预测结果。
本申请中,在获取到各区供电局在待预测月份前的第一故障停电时户数历史数据后,对第一故障停电时户数历史数据进行异常值处理,避免由于重大事件日或特殊停电事件造成的故障停电时户数异常值对模型预测的影响;提取第一故障停电时户数历史数据的时序相关的特征变量,得到第一时序特征变量,充分挖掘时序数据之间的内在关联,然后通过Prophet模型进行故障停电时户数预测,得到各区供电局或全局在待预测月份的故障停电时户数预测值,最后根据各区供电局或全局在待预测月份的预安排时户数和故障停电时户数预测值计算各区供电局或全局在待预测月份的可靠性指标预测结果,解决了现有的基于回归预测模型的配电网可靠性预测方法,缺少对时间序列相关性的考虑,以及忽略了历史故障数据中的异常值对预测结果的影响,导致可靠性预测结果精度不高的技术问题。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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为本申请实施例提供的一种配电网可靠性预测方法的一个流程示意图;
图2为本申请实施例提供的一种停电性质划分的一个示意图;
图3为本申请实施例提供的一种用于去除异常值的箱型图示意图;
图4为本申请实施例提供的Prophet模型预测的2020年8月全局故障停电时户数的预测曲线的一个示意图;
图5为本申请实施例提供的一种配电网可靠性预测装置的一个结构示意图。
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。
现有的配电网可靠性预测方法可以从配电网可靠性指标和预测方法两个方面进行分类。
1、配电网可靠性指标:
配电网可靠性指标衡量配电网向用户持续提供电能的能力,是配电网管理者评价自身管理水平、拟定规划方案和确定投资策略的重要依据。配电网可靠性的统计指标主要有:供电可靠率(Reliability on Service,RS)、用户平均停电时间(AverageInterruption Hours ofCustomer,AIHC)和用户平均停电次数(Average InterruptionTimes ofCustomer,AITC)等。如图2所示,停电性质有预安排停电和故障停电,根据不同停电性质的影响将可靠性指标进一步细分,有用户平均预安排停电时间、用户平均故障停电时间、用户平均预安排停电次数和用户平均故障停电次数等,针对不同研究需求,可以选取其中的单一指标或多个指标的加权综合。
2、配电网可靠性预测方法:
配电网可靠性预测的原理可描述为:对历史的运行状态数据以及发生故障数据进行建模,推断出以后会表现出的可靠性。目前主流的可靠性预测技术手段大多基于机器学习算法,例如基于人工神经网络(Artificial Neural Network,ANN)、支持向量机(Supportvector machine,SVM)、极限学习机(Extreme learning machine,ELM)的回归预测模型,基本思路是在可靠性影响因素与可靠性指标之间建立映射关系。上述方法缺少对时间序列相关性的考虑,在样本较多时,存在无法有效收敛的问题,使得预测结果的准确性不高;并且这类模型需依赖各可靠性影响因素时效性和准确性,应用难度较大;并且没有考虑到历史故障数据中的异常值对预测结果的影响,使得可靠性预测结果精度不高。
基于上述原因,本申请实施例提供一种基于时间序列预测的配电网可靠性预测方法,只基于可靠性指标随时间特性的变化趋势进行建模,不依赖其它特征变量时效性和准确性,避免在样本较多时,存在无法有效收敛的问题,进而提高预测结果的准确性;并对故障数据中的异常值进行剔除,避免异常值对预测结果的影响。
为了便于理解,请参阅图1,本申请提供的一种配电网可靠性预测方法的一个实施例,包括:
步骤101、获取若干区供电局在待预测月份前的第一故障停电时户数历史数据。
考虑到现有的配网可靠性预测指标选取的针对性不强,大多直接以系统的供电可靠率、用户平均停电时间和用户平均停电次数等可靠性指标中的一个或多个作为预测目标,未根据停电性质划分,针对性不足。根据停电性质划分,时户数指标可归为预安排停电时户数和故障停电时户数。由于计划检修、不停电作业、负荷转供方案等预安排手段能“先算后停”,对预安排可靠性指标能较为准确预估。因此,可靠性预测的难点主要在于故障停电,因此,本申请实施例直接采用故障停电时户数(total Number ofCustomer Hours ofInterruption due to Failure,NCHI-F)指标作为预测对象更具有针对性,NCHI-F指标具有直观、易量化特点,可由全局分解至区供电局、供电所分别建模预测评估和管控。其中,NCHI-F(h·户)定义如下:
NCHI-F=∑每次故障停电时间×每次故障停电影响用户数。
在本申请实施例中,可以获取某个地区的若干区供电局在待预测月份前的第一故障停电时户数历史数据,可以是获取待预测月份前60天的故障停电时户数历史数据作为第一故障停电时户数历史数据。例如,需要预测8月份该地区各区供电局的故障停电时户数,此时可以获取6月份到7月份的每日故障停电时户数,以“日”为单位。
步骤102、对第一故障停电时户数历史数据进行预处理。
由于重大事件日或特殊停电事件,可能造成故障停电时户数存在离群值和异常值,这对Prophet模型性能造成一定影响,尤其是对于区间预测过程,会导致带宽过大的问题。因此,在本申请实施例中,对第一故障停电时户数历史数据进行预处理,预处理包括异常值处理,还包括离群值处理或归一化处理,以剔除离群值和异常值。
具体的,可以对各区供电局分别聚合,剔除重大事件日等离群样本。
对第一故障停电时户数历史数据进行异常值处理,包括:计算第一故障停电时户数历史数据的上四分位数和下四分位数;根据上四分位数和下四分位数确定第一故障停电时户数历史数据的上限和下限;根据第一故障停电时户数历史数据的上限和下限去除第一故障停电时户数历史数据的异常值。异常值的处理过程可以参考图3,第一故障停电时户数历史数据中的单日故障停电时户数的中位数位于图3箱子的中心位置,箱子的长度表示四分位数的间距(IQR=Q3-Q1),箱子两端分别是上四分位数(Q3)和下四分位数(Q1),箱子两端的值为最大值上限和最小值下限,异常值指单日故障停电时户数大于Q3+1.5IQR和小于Q1-1.5IQR,进而剔除掉异常值。
去除异常值和离群值后,可以对第一故障停电时户数历史数据进行归一化处理。
本申请实施例通过对第一故障停电时户数历史数据进行预处理,剔除故障停电数据中的离群值和异常值,有利于保留代表性样本,充分挖掘时序特征的有效学习进行模型训练和预测,避免个别特殊事件出现的离群值或异常值影响模型的拟合效果。
步骤103、对预处理后的第一故障停电时户数历史数据进行特征提取,得到第一时序特征变量。
在本申请实施例中,提取预处理后的第一故障停电时户数历史数据的日期特征、区局名称、预置时间段内的故障停电的天数、故障停电时户数最小值、故障停电时户数平均值、故障停电时户数中位数、故障停电时户数最大值、故障停电时户数标准差、故障停电时户数偏度、时户数日变化量平均值、时户数日变化量最大值、时户数日变化量最小值、时户数日变化量标准差和日故障停电时户数,得到第一时序特征变量。
具体的,可以先设置参数end_date为第一故障停电时户数历史数据的最后日期,可以设置参数n_pre_days为60,即使用预测日前60天的故障停电时户数进行特征提取,挖掘近期故障停电时户数的时序信息,提取得到的第一时序特征变量具体可以参考表1。
表1第一时序特征变量
在提取得到上述第一时序特征变量后,可以根据第一时序特征变量的特征类型进行归一化处理或one-hot编码后作为Prophet模型的输入。通过提供提取上述的时序特征变量,可以充分挖掘可靠性指标日度特征的时序相关性。
步骤104、将第一时序特征变量输入到Prophet模型进行故障停电时户数预测,得到各区供电局或全局在待预测月份的故障停电时户数预测值。
提取得到第一时序特征变量后,将其输入到Prophet模型进行故障停电时户数预测,得到各区供电局或全局在待预测月份的故障停电时户数预测值,具体可以得到各区供电局或全局在待预测月份的每日故障停电时户数预测值。
进一步,Prophet模型的配置过程为:获取用于配置Prophet模型的第二时序特征变量,第二时序特征变量通过各区供电局的第二故障停电时户数历史数据得到;对第二时序特征变量进行分解建模,得到故障停电的趋势函数、季节性函数和节假日函数;结合趋势函数、季节性函数和节假日函数,得到Prophet模型。
在配置Prophet模型时,首先需要获取各干区供电局的第二故障停电时户数历史数据,其中,获取的各干区供电局的第二故障停电时户数历史数据比第一故障停电时户数历史数据时间跨度更长,第二故障停电时户数历史数据可以为近两年的故障停电时户数。还可以对第二故障停电时户数历史数据进行预处理,具体包括离群值、异常值和/或归一化处理。然后对第二故障停电时户数历史数据进行特征提取,得到第二时序特征变量的具体过程与对第一故障停电时户数历史数据进行特征提取,得到第一时序特征变量的具体过程类似。通过滑动选取end_date,利用近两年的故障停电时户数建立训练集样本。在提取得到第二时序特征变量后,可以根据第二时序特征变量的特征类型进行归一化处理或one-hot编码。
本申请实施例中,考虑到现有的Prophet模型对于一个给定的时间序列y(t),通过时间序列分解,可以将其分解为三个成分:趋势成分g(t),季节成分s(t)和不确定成分εt,即:
y(t)=g(t)+s(t)+εt;
然而在配电网可靠性分析中,用电受到节假日的影响,停电故障特性也会具有节假日特性,出现较大幅度的波动。因此,在实际应用中,除了趋势成分、季节成分和误差成分εt,还有节假日成分h(t)。即本申请实施例中的Prophet模型为:
y(t)=g(t)+s(t)+h(t)+εt;
式中,g(t)为趋势函数,用于表征时间序列在非周期变化趋势;s(t)为周期函数或季节性函数,用于表征周期性变化趋势,可以以周或者年为单位;h(t)为节假日函数,用于表征当日是否存在节假日;εt为误差项或剩余项。Prophet模型通过拟合这几项,累加后得到时间序列的预测值。
进一步,在Prophet模型的趋势函数g(t)中,有两个重要的函数,分别为逻辑回归函数和分段线性函数。故障停电时户数的增长模型可以采用非线性的logistic增长模型建模,即:
式中,C为曲线的最大渐近值(又称饱和值或承载容量),k为曲线的增长率,m为偏置参数。
假设共有S个变异点,分别在时间点S,即增长速率变化的点,速率调整向量为δ∈RS,δj为时间戳Sj的增长率变化量,j=1,2,...,S。所以在任意时间点t的速率等于基础速率k加上所有这个时间点之前的速率调整值:可以通过定义一个向量α(t)∈{0,1}S来表示:
在时间点t的速率可以表示为k+α(t)Tδ,当速率被调整后,偏置参数m需进行相应调整以实现段与段边界点的相连,变异点的偏置调整通过以下公式可以计算得到:
因此,考虑时变特性的logistic增长模型为:
其中,模型承载容量函数C(t)根据实际情况预先设置。
进一步,Prophet模型的季节性函数s(t),采用傅里叶序列模型模拟时间序列的周期性,假设时间序列的周期为P,当周期为一年时,P=365.25;当周期为一周时,P=7,则季节性函数可以表示为:
式中,N为傅里叶级数相关参数,N越大使模型能拟合出更复杂的季节性函数,但需要权衡可能出现过拟合问题。通常,对于年为周期序列、周为周期序列分别取N=10和N=3;an、bn为模型需要学习的参数。
进一步,关于Prophet模型的节假日函数h(t):设每一个节日为i,Di为每年这个节日的日期,对每一个节假日设置一个参数κi,表示节假日i对故障停电时户数影响大小,节假日函数可以表示为:
进一步,Prophet模型的准确度很大程度取决于Prophet模型超参数的选取,经过实验发现,Prophet模型的最优超参数选取如表2所示。
表2 Prophet模型超参数
步骤105、根据各区供电局或全局在待预测月份的预安排时户数和故障停电时户数预测值计算各区供电局或全局在待预测月份的可靠性指标预测结果。
计算各区供电局在待预测月份的预安排时户数和故障停电时户数预测值的和,得到各区供电局在待预测月份的可靠性指标预测结果;计算全局在待预测月份的预安排时户数和故障停电时户数预测值的和,得到全局在待预测月份的可靠性指标预测结果。本申请实施例不仅可以实现较大时间尺度跨越的可靠性预测,也可以实现全局和分区供电局的月度可靠性指标预测。
本申请实施例中,在获取到各区供电局在待预测月份前的第一故障停电时户数历史数据后,对第一故障停电时户数历史数据进行异常值处理,避免由于重大事件日或特殊停电事件造成的故障停电时户数异常值对模型预测的影响;提取第一故障停电时户数历史数据的时序相关的特征变量,得到第一时序特征变量,充分挖掘时序数据之间的内在关联,然后通过Prophet模型进行故障停电时户数预测,得到各区供电局或全局在待预测月份的故障停电时户数预测值,最后根据各区供电局或全局在待预测月份的预安排时户数和故障停电时户数预测值计算各区供电局或全局在待预测月份的可靠性指标预测结果,解决了现有的基于回归预测模型的配电网可靠性预测方法,缺少对时间序列相关性的考虑,以及忽略了历史故障数据中的异常值对预测结果的影响,导致可靠性预测结果精度不高的技术问题。
以上为本申请提供的一种配电网可靠性预测方法的一个实施例,以下为本申请提供的一种配电网可靠性预测方法的一个应用例。
本申请实施例获取广州11个区供电局在2018年1月1日至2020年7月31期间的每日故障停电时户数,对各区局分别聚合,剔除重大事件日等离群值样本,以及剔除异常值,并进行归一化处理。然后设置参数end_date为7月31日,设置参数n_pre_days为60,即使用预测日前60天的故障停电时户数进行特征提取,挖掘近期故障时户数的时序信息。滑动选取end_date,利用近两年的数据建立训练集样本,根据提取的时序特征变量的特征类型进行归一化和one-hot编码转换后作为输入,下步训练多步预测Prophet模型。
采用前述实施例中的超参数对Prophet模型进行参数设置,预测得到全局和各局在2020年8月的预测结果如表3所示,Prophet模型预测的2020年8月全局的每日故障停电时户数的预测曲线如图4所示。其中,采用绝对百分误差作为月度故障停电时户数预测结果的评价指标:
表3各区局和全局在2020年8月的预测结果
区局 | 故障时户数实际值 | 故障时户数预测值 | 预测结果误差 |
白云 | 1050.52 | 1077.21 | 2.54% |
越秀 | 32.34 | 21.88 | 32.34% |
天河 | 63.77 | 84.07 | 31.83% |
荔湾 | 82.25 | 86.93 | 5.69% |
海珠 | 35.68 | 69.17 | 44.08% |
黄埔 | 279.32 | 193.41 | 30.76% |
番禺 | 169.59 | 253.81 | 49.66% |
南沙 | 354.16 | 309.18 | 12.70% |
增城 | 1171.88 | 873.5 | 25.46% |
花都 | 704.29 | 667.1 | 5.28% |
从化 | 859.59 | 822.8 | 4.28% |
全局 | 4803.39 | 4579.82 | 5.00% |
通过图4的全局故障停电时户数在2020年8月的预测趋势及其预测区间,可见Prophet模型可以有效学习和预测故障停电时户数的变化趋势。通过表3对比可知,故障停电时户数具有较强的随机性,相同月份在不同区局之间的差别明显,因此预测难度大,若采用传统的基于点预测的时间序列预测方法,传统的点预测方法是无法实现区间预测,在波动较大、规律性较差的问题上,很难保证预测精度。但本申请实施例中的Prophet模型在11个区局进行预测的平均误差为20.80%,准确率接近80%,本申请实施例实现了区间预测,在故障停电时户数波动性较强的月份,提供了更多的决策参考信息。
以上为本申请提供的一种配电网可靠性预测方法的一个应用例,以下为本申请提供的一种配电网可靠性预测装置的一个实施例。
请参考图5,本申请实施例提供的一种配电网可靠性预测装置,包括:
获取单元,用于获取若干区供电局在待预测月份前的第一故障停电时户数历史数据;
预处理单元,用于对第一故障停电时户数历史数据进行预处理,预处理包括异常值处理;
特征提取单元,用于对预处理后的第一故障停电时户数历史数据进行特征提取,得到第一时序特征变量;
预测单元,用于将第一时序特征变量输入到Prophet模型进行故障停电时户数预测,得到各区供电局或全局在待预测月份的故障停电时户数预测值;
计算单元,用于根据各区供电局或全局在待预测月份的预安排时户数和故障停电时户数预测值计算各区供电局或全局在待预测月份的可靠性指标预测结果。
作为进一步地改进,特征提取单元具体用于:
提取预处理后的第一故障停电时户数历史数据的日期特征、区局名称、预置时间段内的故障停电的天数、故障停电时户数最小值、故障停电时户数平均值、故障停电时户数中位数、故障停电时户数最大值、故障停电时户数标准差、故障停电时户数偏度、时户数日变化量平均值、时户数日变化量最大值、时户数日变化量最小值、时户数日变化量标准差和日故障停电时户数,得到第一时序特征变量。
作为进一步地改进,还包括:配置单元,用于:
获取用于配置Prophet模型的第二时序特征变量,第二时序特征变量通过各区供电局的第二故障停电时户数历史数据得到;
对第二时序特征变量进行分解建模,得到故障停电的趋势函数、季节性函数和节假日函数;
结合趋势函数、季节性函数和节假日函数,得到Prophet模型。
作为进一步地改进,预处理单元具体用于:
计算第一故障停电时户数历史数据的上四分位数和下四分位数;
根据上四分位数和下四分位数确定第一故障停电时户数历史数据的上限和下限;
根据第一故障停电时户数历史数据的上限和下限去除第一故障停电时户数历史数据的异常值。
本申请实施例中,在获取到各区供电局在待预测月份前的第一故障停电时户数历史数据后,对第一故障停电时户数历史数据进行异常值处理,避免由于重大事件日或特殊停电事件造成的故障停电时户数异常值对模型预测的影响;提取第一故障停电时户数历史数据的时序相关的特征变量,得到第一时序特征变量,充分挖掘时序数据之间的内在关联,然后通过Prophet模型进行故障停电时户数预测,得到各区供电局或全局在待预测月份的故障停电时户数预测值,最后根据各区供电局或全局在待预测月份的预安排时户数和故障停电时户数预测值计算各区供电局或全局在待预测月份的可靠性指标预测结果,解决了现有的基于回归预测模型的配电网可靠性预测方法,缺少对时间序列相关性的考虑,以及忽略了历史故障数据中的异常值对预测结果的影响,导致可靠性预测结果精度不高的技术问题
本申请实施例还提供了一种配电网可靠性预测设备,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配电网可靠性预测方法。
本申请实施例还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配电网可靠性预测方法。
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,在本申请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,本申请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,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请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(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、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 (10)
1.一种配电网可靠性预测方法,其特征在于,包括:
获取若干区供电局在待预测月份前的第一故障停电时户数历史数据;
对所述第一故障停电时户数历史数据进行预处理,所述预处理包括异常值处理;
对预处理后的所述第一故障停电时户数历史数据进行特征提取,得到第一时序特征变量;
将所述第一时序特征变量输入到Prophet模型进行故障停电时户数预测,得到各区供电局或全局在所述待预测月份的故障停电时户数预测值;
根据各区供电局或全局在所述待预测月份的预安排时户数和所述故障停电时户数预测值计算各区供电局或全局在所述待预测月份的可靠性指标预测结果。
2.根据权利要求1所述的配电网可靠性预测方法,其特征在于,所述对预处理后的所述第一故障停电时户数历史数据进行特征提取,得到第一时序特征变量,包括:
提取预处理后的所述第一故障停电时户数历史数据的日期特征、区局名称、预置时间段内的故障停电的天数、故障停电时户数最小值、故障停电时户数平均值、故障停电时户数中位数、故障停电时户数最大值、故障停电时户数标准差、故障停电时户数偏度、时户数日变化量平均值、时户数日变化量最大值、时户数日变化量最小值、时户数日变化量标准差和日故障停电时户数,得到第一时序特征变量。
3.根据权利要求1所述的配电网可靠性预测方法,其特征在于,所述Prophet模型的配置过程为:
获取用于配置所述Prophet模型的第二时序特征变量,所述第二时序特征变量通过各区供电局的第二故障停电时户数历史数据得到;
对所述第二时序特征变量进行分解建模,得到故障停电的趋势函数、季节性函数和节假日函数;
结合所述趋势函数、所述季节性函数和所述节假日函数,得到所述Prophet模型。
4.根据权利要求1所述的配电网可靠性预测方法,其特征在于,对所述第一故障停电时户数历史数据进行异常值处理,包括:
计算所述第一故障停电时户数历史数据的上四分位数和下四分位数;
根据所述上四分位数和下四分位数确定所述第一故障停电时户数历史数据的上限和下限;
根据所述第一故障停电时户数历史数据的上限和下限去除所述第一故障停电时户数历史数据的异常值。
5.根据权利要求1所述的配电网可靠性预测方法,其特征在于,所述预处理还包括离群值处理或归一化处理。
6.一种配电网可靠性预测装置,其特征在于,包括:
获取单元,用于获取若干区供电局在待预测月份前的第一故障停电时户数历史数据;
预处理单元,用于对所述第一故障停电时户数历史数据进行预处理,所述预处理包括异常值处理;
特征提取单元,用于对预处理后的所述第一故障停电时户数历史数据进行特征提取,得到第一时序特征变量;
预测单元,用于将所述第一时序特征变量输入到Prophet模型进行故障停电时户数预测,得到各区供电局或全局在所述待预测月份的故障停电时户数预测值;
计算单元,用于根据各区供电局或全局在所述待预测月份的预安排时户数和所述故障停电时户数预测值计算各区供电局或全局在所述待预测月份的可靠性指标预测结果。
7.根据权利要求6所述的配电网可靠性预测装置,其特征在于,所述特征提取单元具体用于:
提取预处理后的所述第一故障停电时户数历史数据的日期特征、区局名称、预置时间段内的故障停电的天数、故障停电时户数最小值、故障停电时户数平均值、故障停电时户数中位数、故障停电时户数最大值、故障停电时户数标准差、故障停电时户数偏度、时户数日变化量平均值、时户数日变化量最大值、时户数日变化量最小值、时户数日变化量标准差和日故障停电时户数,得到第一时序特征变量。
8.根据权利要求6所述的配电网可靠性预测装置,其特征在于,还包括:配置单元,用于:
获取用于配置所述Prophet模型的第二时序特征变量,所述第二时序特征变量通过各区供电局的第二故障停电时户数历史数据得到;
对所述第二时序特征变量进行分解建模,得到故障停电的趋势函数、季节性函数和节假日函数;
结合所述趋势函数、所述季节性函数和所述节假日函数,得到所述Prophet模型。
9.一种配电网可靠性预测设备,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任一项所述的配电网可靠性预测方法。
10.一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任一项所述的配电网可靠性预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110110513.8A CN112836871A (zh) | 2021-01-27 | 2021-01-27 | 一种配电网可靠性预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110110513.8A CN112836871A (zh) | 2021-01-27 | 2021-01-27 | 一种配电网可靠性预测方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112836871A true CN112836871A (zh) | 2021-05-25 |
Family
ID=75931771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110110513.8A Pending CN112836871A (zh) | 2021-01-27 | 2021-01-27 | 一种配电网可靠性预测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836871A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114756604A (zh) * | 2022-06-13 | 2022-07-15 | 西南交通大学 | 一种基于Prophet组合模型的监测时序数据预测方法 |
CN115600770A (zh) * | 2022-12-09 | 2023-01-13 | 成都睿的欧科技有限公司(Cn) | 基于时序饱和预测的无线信号设备故障预警方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069535A (zh) * | 2015-08-19 | 2015-11-18 | 中国电力科学研究院 | 一种基于arima模型的配电网运行可靠性的预测方法 |
CN109657835A (zh) * | 2018-10-31 | 2019-04-19 | 中国电力科学研究院有限公司 | 一种配电网区域故障次数预测方法及系统 |
CN111563776A (zh) * | 2020-05-08 | 2020-08-21 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于K近邻异常检测和Prophet模型的电量分解和预测方法 |
CN111753875A (zh) * | 2020-05-15 | 2020-10-09 | 国家电网有限公司客户服务中心 | 一种电力信息系统运行趋势分析方法、装置及存储介质 |
CN111754024A (zh) * | 2020-05-22 | 2020-10-09 | 国电南瑞科技股份有限公司 | 一种基于回归分析的电力行业时间序列预测方法和装置 |
-
2021
- 2021-01-27 CN CN202110110513.8A patent/CN112836871A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069535A (zh) * | 2015-08-19 | 2015-11-18 | 中国电力科学研究院 | 一种基于arima模型的配电网运行可靠性的预测方法 |
CN109657835A (zh) * | 2018-10-31 | 2019-04-19 | 中国电力科学研究院有限公司 | 一种配电网区域故障次数预测方法及系统 |
CN111563776A (zh) * | 2020-05-08 | 2020-08-21 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于K近邻异常检测和Prophet模型的电量分解和预测方法 |
CN111753875A (zh) * | 2020-05-15 | 2020-10-09 | 国家电网有限公司客户服务中心 | 一种电力信息系统运行趋势分析方法、装置及存储介质 |
CN111754024A (zh) * | 2020-05-22 | 2020-10-09 | 国电南瑞科技股份有限公司 | 一种基于回归分析的电力行业时间序列预测方法和装置 |
Non-Patent Citations (2)
Title |
---|
SEAN J. TAYLOR: "Forecasting at scale", 《PEERJ PREPRINTS》 * |
宋万清 等: "《数据挖掘》", 31 January 2019 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114756604A (zh) * | 2022-06-13 | 2022-07-15 | 西南交通大学 | 一种基于Prophet组合模型的监测时序数据预测方法 |
CN115600770A (zh) * | 2022-12-09 | 2023-01-13 | 成都睿的欧科技有限公司(Cn) | 基于时序饱和预测的无线信号设备故障预警方法和系统 |
CN115600770B (zh) * | 2022-12-09 | 2023-04-07 | 成都睿的欧科技有限公司 | 基于时序饱和预测的无线信号设备故障预警方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nepal et al. | Electricity load forecasting using clustering and ARIMA model for energy management in buildings | |
CN105989420B (zh) | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 | |
Dong et al. | Wind power day-ahead prediction with cluster analysis of NWP | |
Islam et al. | Energy demand forecasting | |
CN108053082B (zh) | 基于温度区间分解的电网中长期负荷预测方法 | |
de Menezes et al. | Reassessing the integration of European electricity markets: A fractional cointegration analysis | |
Adom et al. | Modelling aggregate domestic electricity demand in Ghana: An autoregressive distributed lag bounds cointegration approach | |
Dotzauer | Simple model for prediction of loads in district-heating systems | |
Khosravi et al. | A neural network-GARCH-based method for construction of Prediction Intervals | |
Park et al. | A framework for baseline load estimation in demand response: Data mining approach | |
CN112836871A (zh) | 一种配电网可靠性预测方法、装置、设备和介质 | |
CN104657788A (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
CN105678414A (zh) | 对资源消耗量进行预测的数据处理方法 | |
CN102509173A (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
CN106779280B (zh) | 一种二次设备大修技改的决策确定方法及系统 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN111985695A (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
Margellos et al. | A robust reserve scheduling technique for power systems with high wind penetration | |
Keyno et al. | Forecasting electricity consumption by clustering data in order to decline the periodic variable’s affects and simplification the pattern | |
CN110991768A (zh) | 一种电量预测方法和系统 | |
CN109711621A (zh) | 基于判别分析和支持向量机结合的工业园区负荷预测方法 | |
CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 | |
CN111915211A (zh) | 一种电力资源调度方法、装置和电子设备 | |
Tan et al. | Current status and future choices of regional sectors-energy-related CO2 emissions: The third economic growth pole of China | |
CN114676896B (zh) | 基于时间分解改进算法的电力运行监测方法及系统 |
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 |