CN113902181A - 公变重过载的短期预测方法及设备 - Google Patents
公变重过载的短期预测方法及设备 Download PDFInfo
- Publication number
- CN113902181A CN113902181A CN202111143965.2A CN202111143965A CN113902181A CN 113902181 A CN113902181 A CN 113902181A CN 202111143965 A CN202111143965 A CN 202111143965A CN 113902181 A CN113902181 A CN 113902181A
- Authority
- CN
- China
- Prior art keywords
- predicted
- period
- day
- variable
- short
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000007787 long-term memory Effects 0.000 claims abstract description 11
- 230000006403 short-term memory Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 42
- 230000015654 memory Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 230000002354 daily effect Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 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
- 238000013480 data collection Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种公变重过载的短期预测方法及设备,所述方法包括:获取变压器待预测时期的第一特征变量;获取第一历史时期的次高点负载率;根据变压器第一历史时期的次高点负载率和长短期记忆网络模型,得到待预测时期的次高点负载率预测值,并将其作为变压器在待预测时期的第二特征变量;根据待预测时期的第一特征变量、待预测时期的第二特征变量和重过载短期预测模型,确定公变在待预测时期是否发生重过载。引入次高点负载率预测值作为模型的输入之一,并且采用长短期记忆网络模型和重过载短期预测模型相结合的方式确定待预测时期变压器是否重过载,能够有效提高重过载预测的准确性。
Description
技术领域
本申请属于电力大数据应用技术领域,尤其涉及一种公变重过载的短期预测方法及设备。
背景技术
公用配电变压器(以下简称公变)的负载状态在很大程度上决定了其辖区的供电质量和供电可靠性。随着社会经济的飞速发展和电力需求的快速增长,居民生产或生活用电负荷的不断攀升,配网原有的公用变压器设备所承受的负载日趋严重,很容易发生重过载情况。
现有技术中,一般采用简单阈值设定或人工经验判断方式对公变过载进行处理,对重过载预测的准确性低。
发明内容
有鉴于此,本发明提供了一种公变重过载的短期预测方法及设备,旨在预测出未来一天内公变是否发生重过载现象,对预测的重过载公变重点监控,采取负荷调控措施,提高变压器重过载预测的准确性。
本发明实施例的第一方面提供了一种公变重过载的短期预测方法,包括:
获取变压器待预测时期的第一特征变量;
其中,所述第一特征变量包括下述至少一项:档案特征类变量、气象特征类变量、时间特征类变量、重过载状态特征类变量、近期负荷特征类变量;
获取第一历史时期的次高点负载率;根据变压器第一历史时期的次高点负载率和长短期记忆网络模型,确定待预测时期的次高点负载率预测值,并将其作为所述变压器在待预测时期的第二特征变量;
根据所述待预测时期的第一特征变量、所述待预测时期的第二特征变量和重过载短期预测模型,确定待预测时期公变是否发生重过载。
本发明实施例的第二方面提供了一种公变重过载的短期预测装置,包括:
获取模块,用于获取变压器待预测时期的第一特征变量;
其中,所述第一特征变量包括下述至少一项:档案特征类变量、气象特征类变量、时间特征类变量、重过载状态特征类变量、近期负荷特征类变量;
第一预测模块,用于获取第一历史时期的次高点负载率;根据变压器第一历史时期的次高点负载率和长短期记忆网络模型,确定待预测时期的次高点负载率预测值,并将其作为所述变压器在待预测时期的第二特征变量;
第二预测模块,用于根据所述待预测时期的第一特征变量、所述待预测时期的第二特征变量和重过载短期预测模型,确定待预测时期公变是否发生重过载。
本发明实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面所述公变重过载的短期预测方法的步骤。
本发明实施例的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存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面所述公变重过载的短期预测方法的步骤。
本发明与现有技术相比存在的有益效果是:
本发明实施例提供的公变重过载的短期预测方法及设备,获取变压器待预测时期的第一特征变量;其中,第一特征变量包括下述至少一项:档案特征类变量、气象特征类变量、时间特征类变量、重过载状态特征类变量、近期负荷特征类变量;获取第一历史时期的次高点负载率;根据变压器第一历史时期的次高点负载率和长短期记忆网络模型,确定待预测时期的次高点负载率预测值,并将其作为变压器在待预测时期的第二特征变量;根据待预测时期的第一特征变量、待预测时期的第二特征变量和重过载短期预测模型,确定待预测时期公变是否发生重过载。引入次高点负载率作为模型的输入之一,并且采用长短期记忆网络模型和重过载短期预测模型相结合的方式确定待预测时期变压器是否重过载,能够有效提高重过载预测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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他的附图。
图1是本发明一个实施例提供的公变重过载预测方法的应用环境图;
图2是本发明一个实施例提供的公变重过载预测方法的实现流程图;
图3是LSTM网络的单元结构示意图;
图4使用LSTM网络进行次高点负载率预测示意图;
图5是使用神经网络模型、支持向量机回归模型、LSTM模型对次高点负载率进行预测误差率曲线图;
图6是本发明一个实施例提供的公变重过载预测装置的结构示意图;
图7是本发明一个实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
图1是本发明一个实施例提供的公变重过载预测方法的应用环境图。本发明实施例提供的公变重过载预测方法可以但不限于应用于该应用环境。如图1所示,该系统中包括:公用变压器11、电力数据采集设备12、数据库13和电子设备14。
电力数据采集设备12用于采集电力系统中各公用变压器11的初始数据,并将其发送到数据库13/电子设备14。电子设备14用于接收电力数据采集设备12发送的初始数据或者从数据库13中获取数据,以预测各公用变压器在待预测时期是否会重过载。电子设备14还用于将预测结果存储到数据库13中。
公用变压器11可以是双相变压器,也可以是三相变压器,在此不作限定。公用变压器11可以是隔离式变压器,也可以是非隔离式变压器,在此不作限定。电力数据采集设备12可以是机电一体式电表、全电子式电表等,在此不作限定。数据库13可以是关系型数据库,也可以是非关系型数据库,在此不作限定。电子设备14可以是服务器、终端等,在此不作限定。服务器可以用独立服务器或者是多个服务器组成的服务器集群来实现。终端可以包括但不限于台式计算机、笔记本电脑、平板电脑等。
图2是本发明一个实施例提供的公变重过载预测方法的实现流程图。该实施例中,以该方法应用于图1中的电子设备为例进行说明。如图2所示,该方法包括:
S201,获取变压器待预测时期的第一特征变量;
其中,第一特征变量包括下述至少一项:档案特征类变量、气象特征类变量、时间特征类变量、重过载状态特征类变量、近期负荷特征类变量。
S202,获取第一历史时期的次高点负载率;根据变压器第一历史时期的次高点负载率和长短期记忆网络模型,确定待预测时期的次高点负载率预测值,并将其作为变压器在待预测时期的第二特征变量。
S203,根据待预测时期的第一特征变量、待预测时期的第二特征变量和重过载短期预测模型,确定待预测时期公变是否发生重过载。
本实施例中,变压器为图1中的公用变压器11(简称公变)。第一特征变量和次高点负载率可以从图1所示的电力数据采集设备12或数据库13中获取,在此不作限定。可选的,待预测时期为未来一天,相应的,第一历史时期为与待预测时期连续并且在其之前的任一时期,例如,待预测时期之前的三个月。可选的,档案特征类变量包括但不限于下述至少一项:地域、行业性质、容量。气象特征类变量包括但不限于下述至少一项:日最高气温/日最低气温、日最大湿度、日降水量。时间特征类变量包括但不限于下述至少一项:月份、星期、节假日。重过载状态特征类变量包括但不限于下述至少一项:前一年同期该公变的月度重过载状态评分、前一年该公变按星期和特定期间的重过载状态评分。近期负荷特征类变量包括但不限于下述至少一项:待预测日的前三天最大负载率平均值、待预测日的前三天最大负载率标准差、待预测日的前三天重过载发生的天数和、待预测日的前三天重过载发生的次数和、待预测日的前三天重过载发生的点数和、待预测日的前三天非轻空载点数平均值;待预测日的前七天最大负载率平均值、待预测日的前七天最大负载率标准差、待预测日的前七天重过载发生的天数和、待预测日的前七天重过载发生的次数和、待预测日的前七天重过载发生的点数和、待预测日的前七天非轻空载点数平均值。
本实施例中,通过获取变压器待预测时期的第一特征变量;其中,第一特征变量包括下述至少一项:档案特征类变量、气象特征类变量、时间特征类变量、重过载状态特征类变量、近期负荷特征类变量;获取第一历史时期的次高点负载率;根据变压器第一历史时期的次高点负载率和长短期记忆网络模型,确定待预测时期的次高点负载率预测值,并将其作为变压器在待预测时期的第二特征变量;根据待预测时期的第一特征变量、待预测时期的第二特征变量和重过载短期预测模型,确定待预测时期公变是否发生重过载。引入次高点负载率作为模型的输入之一,并且采用长短期记忆网络模型和重过载短期预测模型相结合的方式确定待预测时期变压器是否重过载,能够有效提高重过载预测的准确性。
在一些实施例中,S202中根据变压器第一历史时期的次高点负载率和长短期记忆网络模型,确定待预测时期的次高点负载率预测值,包括:
将变压器第一历史时期的次高点负载率、待预测时期的气象特征类变量和时间特征类变量作为所述长短期记忆网络模型的输入,以得到所述长短期记忆网络模型输出的待预测时期的次高点负载率。
本实施例中,长短期记忆网络模型(Long Short-Term Memory,LSTM)是一种是为了解决梯度消失的问题,基于RNN循环神经网络改进得到的神经网络模型。LSTM网络通过设置遗忘门、输入门和输出门等特殊结构,实现了长时间和短期间记忆的结合,不仅能够体现短期间尺度数据的特征,也能够学习较长时间的数据规律。图3是LSTM网络的单元结构示意图。如图3所示,ht为t时刻的输出向量,ct为t时刻的网络长期状态向量。ft,it,Ot分别表示网络中的遗忘门、输入门和输出门,c1t表示当前输入的状态,Wf,Wi,Wc,Wo为各个状态的输入权重矩阵。s和tanh为网络的激活函数,其中s表示sigmoid函数,tanh为双曲正切函数。这两个函数都是神经网络中常用的激活函数,其作用是在神经网络中引入非线性变换,以便使网络具备更强的非线性表达能力。
sigmoid函数的表达式如下:
在t时刻,输入变量为xt以及上一个时刻的输出ct-1和ht-1,输出结果为t时刻的状态变量ct和输出变量ht。LSTM网络结构中一个单元对数据处理的流程是:将t时刻的输入数据与上一时刻的输出数据相结合,通过遗忘门将长期记忆状态变量选择性地记忆,然后通过输入门将当前的状态与上一时刻的长期状态叠加,形成新的记忆状态变量。最后,长期记忆状态变量在输出门的作用下,得到t时刻的输出。
遗忘门ft决定了上一时刻的状态保留到当前时刻的比例,表达式为:
输入门it决定了当前时刻的输入保存到单元状态ct中的比例表达式为:
it=s(Wi·[ht-1,xt+bi]) (3)
网络的状态变量ct是由上一时刻的状态变量和当前时刻的输入决定的,表达式为:
其中,符号表示向量中每个元素分别相乘,c1t的表达式为:
c1t=tanh(Wc·[ht-1,xt+bc]) (5)
输出门ot的决定了单元状态ct输出到输出结果ht的比例,表达式为:
ot=s(Wo·[ht-1,xt+bo]) (6)
其中,bf,bi,bc,bo表示各个变换的偏置项。
在一些实施例中,在上述任一实施例的基础上,可以首先构建并训练用于预测次高点负载率的长短期记忆网络模型。公变重过载的短期预测方法还包括长短期记忆网络模型的训练过程,其具体包括:
选取与待预测时期连续且位于待预测时期之前的第二历史时期,并依次获取第二历史时期每一天的次高点负载率以及该次高点负载率所对应的第三特征变量。第二历史时期的任一天次高点负载率所对应的第三特征变量包括待预测公变该天的气象特征类变量、该天的时间特征类变量和位于该天之前的预设时期内公变的次高点负载率信息;
获取第一训练集,第一训练集的样本为预设第二历史时期每天的次高点负载率和对应的第三特征变量;
根据第一训练集,采用长短期记忆网络算法进行训练,建立长短期记忆网络模型。
本实施例中,第二历史时期为待预测时期连续之前的任一时期,例如,待预测时期之前的三个月。负荷受气温的影响较大,夏天最高气温对负荷影响强烈,冬天最低气温额对负荷影响强烈。为反映节假日放假人员流动对次高点负荷的影响,引入节假日变量,若为节假日定义为1,否则定义为0。为体现负荷从星期一到星期日的变化规律,引入星期变量,若为星期一定义为1,以此类推,星期日定义为7。
图4使用LSTM网络进行次高点负载率预测示意图。如图4所示,输出数据为待预测时期次高点负载率的预测结果,Lt为第t天的次高点负载率数据,xt为第t天的最高气温、最低气温、是否节假日、星期信息,ht为模型输出的第t天的次高点负载率。预测得出的次高点负载率,作为重过载短期预测的特征变量。
在一些实施例中,在上述任一实施例的基础上,可以首先构建并训练重过载短期预测模型。公变重过载的短期预测方法还包括重过载短期预测模型的训练过程,其具体包括:
选取与待预测时期连续且位于待预测时期之前的第三历史时期,并依次获取预设第三历史时期中每一天所对应的第四特征变量,第三历史时期任一天所对应的第四特征变量包括该天的次高点负载率以及该天的第一特征变量;
针对第三历史时期中的任一天,判断该天公变是否发生重过载;
获取第二训练集,第二训练集的样本为第三历史时期每天对应的第四特征变量和用于表示该天是否发生重过载的标签;
根据第二训练集,采用XGBOOST算法进行训练,建立重过载短期预测模型。
本实施例中,待预测时期为未来一天,相应的,第三历史时期为待预测时期连续之前的任一时期,例如,待预测时期之前的三个月。第三历史时期的标签用于表示公用变压器的运行状态,即重过载或非重过载。
在一些实施例中,在上述任一实施例的基础上,公变重过载的短期预测方法还包括:
根据预设评价指标对重过载短期预测模型进行评价;
预设评价指标如下式所示:
其中,TP为预测发生重过载现象的且实际发生的公用变压器数量,FP为预测发生重过载现象的且实际未发生的公用变压器数量,FN为未预测发生重过载现象的但实际发生的公用变压器数量,P为准确率,R为召回率,F1为预设评价指标。
本实施例中,通过预设评价指标,可以将公用变压器的预测结果和实际运行数据结果对比,判断重过载预测方法的准确度。
在一些实施例中,在上述任一实施例的基础上,获取变压器待预测时期的第一特征变量之前,还包括:
获取初始数据,其中,初始数据包括下述至少一项:变压器档案数据、历史时期变压器的运行数据、待预测时期的气象信息数据;
对初始数据进行特征提取,得到第一特征变量。
本实施例中,预测时刻和历史时期变压器的运行数据、变压器档案数据就可以从数据库中获取,待预测时期的气象信息数据可以由外部气象网站获得。
在一些实施例中,在上述任一实施例的基础上,对初始数据进行特征提取之前,还包括:
对初始数据进行预处理;
预处理包括下述至少一项:去除个别采集异常的变压器运行数据,并进行补零处理、对运行数据的缺失值进行补零处理。
本实施例中,在基于重过载短期预测模型的重过载预测建模过程中,学习速率、最大深度、迭代轮数等参数对模型的准确率等有着不同的影响,可通过优化策略调整模型参数以提高优化模型的准确率。例如,优化策略可以是:应用BP神经网络、随机森林、GBDT、XGBOOST等算法构建模型进行对比验证,对各算法均进行参数调优。
下面通过一个实施示例对上述公变重过载的短期预测方法进行说明,但并不作为限定。该实施示例的具体步骤如下:
本实施示例搭建大数据分析平台作为实验环境,由9台服务器组成,包含1台接口区服务器和8台Hadoop CDH集群服务器。接口区服务器部署有Oracle接口数据库,通过统一接口程序将公变数据抽取至Hadoop CDH集群的Hive数据仓库。Hadoop CDH集群为2台主节点和6台子节点服务器。Hadoop CDH集群通过Hive数据仓库开展公变海量数据的处理及分析工作,通过Spark和TensorFlow on spark进行模型的构建及验证,将数据结果存储至Hive数据仓库,应用于可视化设计展示。
试验数据
为验证本文提出的重过载预测方法的准确度,选取某区域的6.62万台公用变压器负载数据作为实验对象,选取四组具有季节性的典型周期作为测试集,如表1所示。第二训练集选取待测试日期前三个月公变运行数据作为样本集,应用大数据分析平台进行特征提取和模型构建。
表1典型测试周期
步骤1,设定重过载标签。
1.1公用变压器的二次运行负荷数据每天整点采集一次,一天共计24次。计算公变每天整点的一次有功运行负荷,计算公式下:
Pi=pi×CT×PT (9)
其中,i为公变每天的采集时间点,取值范围为1至24。Pi为每个采集时间点对应的一次有功负荷值,pi为每个采集时间点的二次有功负荷值,CT为电流互感器变比,PT为电压互感器变比。
1.2分析公变的运行负荷特征,计算如下:
计算公变每天各个采集点的负载率,计算公式如下:
其中,CAP为公变的运行容量,ri为公变每个采集点的负载率。
1.3在历史时期的任一天内,若连续出现3个点或以上的负载率ri大于或等于80%,则将该天对应的标签记为重过载台天,标记为1,否则为0。基于历史和近期的负载率数据对未来一天是否发生重过载现象进行预测,具有时序特性。
步骤2,获取初始数据。具体如下:
2.1公用变压器档案及运行数据
获取公用变压器档案、运行信息等源数据,其中公用变压器档案数据同负载数据分析中的源数据一致,运行负荷数据如表2所示。
表2运行负荷源数据表
2.2气象信息数据
从气象服务系统中抽取气象信息等源数据,涉及的数据字段和含义如表3所示。
表3气象源数据表
步骤3,对初始数据进行预处理。
3.1去除状态为异常的变压器对应的数据,例如,去除运行状态为拆除状态的公用变压器或者去除公用变压器容量小于10kVA、大于2500kVA或其他异常的档案。
3.2对缺失值进行补零处理。
3.3数据聚合。通过编号字段将基础档案数据表和运行负荷数据表进行关联,通过区县和时期字段将聚合后的数据表和气象数据表进行关联。将公用变压器档案、日负荷数据、气象数据等聚合在一张数据表中。
步骤4,特征提取。基于预处理后的数据,从档案、时间、气象、历史负载状态及近期负荷等维度探索提取出对重过载预测有影响的特征变量,并对离散字符型特征和连续型特征进行数值处理,形成特征数据集。
公用变压器发生重过载现象与其自身的状态、辖区内的用户数量以及用电方式等方面有关,而这些方面又受到气候、时期、节假日、行业性质等多种因素的影响。因此,从公用变压器的基础档案、气象、时间、重过载状态、近期负荷情况等维度探索影响公用变压器重过载的特征变量,最终提取出地域、行业、容量等重要的重过载特征变量,具体如下:
4.1基础档案维度特征。提取档案维度特征3项,如表4所示。
表4档案维度的重过载预测特征变量
其中,地域、行业、公容量等档案维度特征在重过载的维度分析中具有明显差异性,可通过用电信息采集系统的公用变压器档案中得到,地域按供电所级别进行划分。
4.2气象维度特征。提取气象维度特征3项,如表5所示。
表5气象维度的重过载预测特征变量
气温、最大湿度等气象维度特征可通过气象服务平台获取的天气数据表直接得到。在11月15日至次年3月15日选用日最小气温,其他时期选用日最大气温作为特征项。
4.3时间维度特征。提取时间维度特征3项,如表6所示。
表6时间维度的重过载预测特征变量
如表6所示,月份、星期等时间维度特征可通过数据库中档案和运行负荷数据中直接得到。节假日特征的所属值划分方式如表7所示。
表7 2017年节假日特征所属值划分表
4.4重过载状态维度特征。提取重过载状态维度特征2项,如表8所示。
表8重过载状态维度的重过载预测特征变量
如表8所示,重过载状态维度的特征项可以通过重过载状态评估得出。其中,前一年按星期和特定期间分组的重过载状态评分中的特定期间的划分如表5-9所示。
表9特定期间的划分表
4.5近期负荷维度特征。提取近期负荷维度特征变量12项,如表10所示。
表10近期负荷维度的重过载预测特征变量
表10中的12项特征变量可通过用电信息采集系统运行负荷数据计算得出,具体提取方式如下:
第一项,待预测日的前三天最大负载率平均值rmax avg_3为每台待预测公用变压器在与待预测日期连续且位于预测日之前三天的最大负载率平均值,公式如下:
其中,rimax表示与待预测日连续且位于预测日之前三天的公用变压器第i天最大负载率。
第二项:待预测日的前三天最大负载率标准差rsd_3为每台待预测公用变压器在与待预测日连续且位于该日之前三天的最大负载率标准差,公式如下:
第三项,待预测日的前三天重过载发生的天数和Tzgz_3为每台待预测公用变压器在待预测日连续且位于该日之前三天的重过载天数之和,公式如下:
其中,tzgz_j表示公用变压器第j天是否为重过载台天,若公用变压器第j天为重过载台天,则tzgz_j的值为1,否则tzgz_j为0。
第四项,待预测日前三天重过载发生的次数和Czgz_3为每台待预测公用变压器在与待预测日连续且位于该周期之前三天的重过载次数之和,公式如下:
其中,czgz_j表示公用变压器第j天的重过载次数之和。
第五项,待预测日前三天重过载发生的点数和Dzgz_3为每台待预测公用变压器在与待预测日连续且位于该日之前三天的重过载点数之和,公式如下:
其中,dzgz_j表示公用变压器第j天的重过载点数之和。
待预测日前三天非轻空载点数平均值Dfqz_3为每台待预测公用变压器在与待预测日连续且位于该日之前三天的非轻空载点数之和,公式如下:
其中,dfqz_j表示公用变压器第j天的非轻空载点数之和。同理,可得出待预测日的前七天最大负载率平均值等6项特征变量。
4.6特征处理。
提取的特征变量中,有离散字符串型的特征项,也有连续型数值的特征项,为适应机器学习算法,提高计算速率,需要分别进行特征处理。
4.6.1离散字符特征数值处理。
地域、行业、星期、月份、节假日特征变量为离散字符型特征变量,如行业特征为城市居民、农村居民、居民排灌混合、纯排灌及未分类5项特征值,机器无法识别字符含义,应用某些算法建模时,需要进行转化处理,将行业特征转化为1,2,3,4,5个数值,同理将地域、行业、星期、月份、节假日进行数值化处理。
4.6.2连续型特征归一化。
前一年同期的月度重过载状态评分、前一年按星期和特定期间分组的重过载状态评分、预测日的前三天最大负载率平均值、预测日的前三天最大负载率标准差等特征项的取值范围不同,某一特征项的值域范围与其他特征项相差较大,则经模型所计算的样本距离取决于这个特征,建模所得结果与实际不符,因此需要将特征值进行处理,限制在统一范围内,以消除特征值域对于模型构建中的负面影响,还可以加快梯度下降求解最优解的速度。可以采用线性归一化方法,公式如下:
其中,z'为归一化后的特征值,z为原特征值,zmin和zmax分别为该自变量的最大取值和最小取值。经过线性归一化处理,特征值的值域范围在[0,1]内。
步骤5,训练LSTM模型。图5是使用神经网络模型、支持向量机回归模型、LSTM模型对次高点负载率进行预测误差率曲线图。
以7月24日至7月30日典型测试周期为例,分别应用LSTM算法、神经网络算法、支持向量机回归算法对6.62万台公用变压器开展次高点负载率模型构建,以测试周期内公用变压器实际的负载率进行验证,结果如图5所示,纵坐标为各算法模型验证后平均误差绝对值,横坐标为日期。LSTM算法在测试周期内的误差值均低于神经网络算法、支持向量机回归算法。
步骤6,训练重过载短期预测模型。
6.1训练集选择。
常见的数据集划分方式为将数据集按某种比例划分,如4:1的方式,或者进一步采用n折交叉验证的方式,即将数据集平均分成n份,并轮流将其中一份用作测试,其余n-1份用作训练,最后取n次结果的平均值,用作模型准确度的评测。本发明的重过载预测具有时序性特征,在实际预测应用时,仅能依靠待预测日前的数据进行训练,从特征数据集中随机抽取测试集的方式不符合实际的应用场景,在固定测试集时期的情况下,应设定测试集前的某段时期作为训练集。在建模过程中,训练集数量的大小会对算法的准确率以及运行效率产生影响,训练集使用测试集前3个月数据。
6.2参数优化。
在基于重过载短期预测模型的重过载预测建模过程中,学习速率、最大深度、迭代轮数等参数对模型的准确率等有着不同的影响,可通过优化策略调整模型参数以提高优化模型的准确率。例如,优化策略可以是:应用BP神经网络、随机森林、GBDT、XGBOOST等算法构建模型进行对比验证,对各算法均进行参数调优。具体如下:
表11 XGBOOST算法的参数配置表
步骤7,重过载预测。根据训练的模型进行重过载预测。
步骤8,模型评价。根据预设评价指标对所述重过载短期预测模型进行评价。本实施示例中,各类算法的重过载预测建模效果具体如下:
表12各类算法的重过载预测建模效果
由上表可知,基于LSTM-XGBOOST算法训练的重过载预测方法的在四个测试周期内准确率均最高,平均达86.91%左右,召回率均达74.46%。表明本文阐述的重过载预测方法分析合理、效果显著。
本发明具有以下优点:
1、仅对用电信息采集系统中的数据以及气象网站的数据进行分析,即可预测出公变是否发生重过载,无需额外设备投资。
2、能及时预测出处于公变重过载状态,因此,本发明能取得较大的经济效益。
3、本发明整个分析过程无需人工干预,节约了大量的人力资源,同时还提高了分析结果的准确性。
4、该发明充分结合了XGboost算法、LSTM算法与配电变压器的自身特点,算法合理、实用。
5、用电信息采集系统基本实现了全覆盖、全采集,因此本发明具有极强的可推广性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图6是本发明一个实施例提供的公变重过载预测装置的结构示意图。如图6所示,公变重过载的短期预测装置6,包括:
获取模块610,用于获取变压器待预测时期的第一特征变量;
其中,第一特征变量包括下述至少一项:档案特征类变量、气象特征类变量、时间特征类变量、重过载状态特征类变量、近期负荷特征类变量。
第一预测模块620,用于获取第一历史时期的次高点负载率;根据变压器第一历史时期的次高点负载率和长短期记忆网络模型,确定待预测时期的次高点负载率预测值,并将其作为变压器在待预测时期的第二特征变量。
第二预测模块630,用于根据待预测时期的第一特征变量、待预测时期的第二特征变量和重过载短期预测模型,确定待预测时期公变是否发生重过载。
可选的,第一预测模块620,用于将变压器第一历史时期的次高点负载率、待预测时期的气象特征类变量和时间特征类变量作为长短期记忆网络模型的输入,以得到长短期记忆网络模型输出的待预测时期的次高点负载率。
可选的,公变重过载的短期预测装置还包括:第一训练模块640。
第一训练模块640,用于选取与待预测时期连续且位于待预测时期之前的第二历史时期,并依次获取第二历史时期每一天的次高点负载率以及该次高点负载率所对应的第三特征变量。第二历史时期的任一天次高点负载率所对应的第三特征变量包括待预测公变该天的气象特征类变量、该天的时间特征类变量和位于该天之前的预设时期内公变的次高点负载率信息;
获取第一训练集,第一训练集的样本为预设第二历史时期每天的次高点负载率和对应的第三特征变量;
根据第一训练集,采用长短期记忆网络算法进行训练,建立长短期记忆网络模型。
可选的,公变重过载的短期预测装置还包括:第二训练模块650。
第二训练模块650,用于选取与所述待预测时期连续且位于所述预测日之前的第三历史时期,并依次获取所述预设第三历史时期中每一天所对应的第四特征变量,所述第三历史时期任一天所对应的第四特征变量包括该天的次高点负载率以及该天的第一特征变量;
针对第三历史周期中的任一天,判断该天所述公变是否发生重过载;
获取第二训练集,所述第二训练集的样本为所述第三历史时期每天所述对应的第四特征变量和用于表示该天是否发生重过载的标签;
根据所述第二训练集,采用XGBOOST算法进行训练,建立重过载短期预测模型。
公变重过载的短期预测装置还包括:评价模块660。
评价模块660,用于根据预设评价指标对重过载短期预测模型进行评价;
预设评价指标如下式所示:
其中,TP为预测发生重过载现象的且实际发生的公用变压器数量,FP为预测发生重过载现象的且实际未发生的公用变压器数量,FN为未预测发生重过载现象的但实际发生的公用变压器数量,P为准确率,R为召回率,F1为预设评价指标。
可选的,档案特征类变量包括下述至少一项:地域、行业性质、容量;气象特征类变量包括下述至少一项:日最高气温/日最低气温、日最大湿度、日降水量;时间特征类变量包括下述至少一项:月份、星期、节假日;重过载状态特征类变量包括下述至少一项:前一年同期该公变的月度重过载状态评分、前一年该公变按星期和特定期间的重过载状态评分;近期负荷特征类变量包括下述至少一项:待预测日的前三天最大负载率平均值、待预测日的前三天最大负载率标准差、待预测日的前三天重过载发生的天数和、待预测日的前三天重过载发生的次数和、待预测日的前三天重过载发生的点数和、待预测日的前三天非轻空载点数平均值;待预测日的前七天最大负载率平均值、待预测日的前七天最大负载率标准差、待预测日的前七天重过载发生的天数和、待预测日的前七天重过载发生的次数和、待预测日的前七天重过载发生的点数和、待预测日的前七天非轻空载点数平均值。
可选的,公变重过载的短期预测装置还包括:提取模块670。
提取模块670用于获取初始数据,其中,初始数据包括下述至少一项:变压器档案数据、历史时期变压器的运行数据、待预测时期的气象信息数据;
对初始数据进行特征提取,得到第一特征变量。
可选的,公变重过载的短期预测装置还包括:预处理模块680。
预处理模块680,用于对初始数据进行预处理;
预处理包括下述至少一项:去除个别采集异常的变压器运行数据,并进行补零处理、对运行数据的缺失值进行补零处理。
本实施例提供的公变重过载装置,可用于执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图7是本发明一个实施例提供的电子设备的示意图。如图7所示,本发明的一个实施例提供的电子设备7,该实施例的电子设备7包括:处理器70、存储器71以及存储在存储器71中并可在处理器70上运行的计算机程序72。处理器70执行计算机程序72时实现上述各个公变重过载的短期预测方法实施例中的步骤,例如图2所示的步骤201至步骤203。或者,处理器70执行计算机程序72时实现上述各装置实施例中各模块/单元的功能,例如图6所示模块610至630的功能。
示例性的,计算机程序72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71中,并由处理器70执行,以完成本发明。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72在电子设备7中的执行过程。
电子设备7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。终端可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是电子设备7的示例,并不构成对电子设备7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70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)、现场可编程门阵列(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71可以是电子设备7的内部存储单元,例如电子设备7的硬盘或内存。存储器71也可以是电子设备7的外部存储设备,例如电子设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器71还可以既包括电子设备7的内部存储单元也包括外部存储设备。存储器71用于存储计算机程序以及终端所需的其他程序和数据。存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述公变重过载的短期预测方法实施例中的步骤。
计算机可读存储介质存储有计算机程序72,计算机程序72包括程序指令,程序指令被处理器70执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序72来指令相关的硬件来完成,计算机程序72可存储于一计算机可读存储介质中,该计算机程序72在被处理器70执行时,可实现上述各个方法实施例的步骤。其中,计算机程序72包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,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或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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。
集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种公变重过载的短期预测方法,其特征在于,包括:
获取变压器待预测时期的第一特征变量;所述第一特征变量包括下述至少一项:档案特征类变量、气象特征类变量、时间特征类变量、重过载状态特征类变量、近期负荷特征类变量;
获取第一历史时期的次高点负载率;根据变压器第一历史时期的次高点负载率和长短期记忆网络模型,确定待预测时期的次高点负载率预测值,并将其作为所述变压器在待预测时期的第二特征变量;
根据所述待预测时期的第一特征变量、所述待预测时期的第二特征变量和重过载短期预测模型,确定待预测时期公变是否发生重过载。
2.根据权利要求1所述的公变重过载的短期预测方法,其特征在于,根据变压器第一历史时期的次高点负载率和长短期记忆网络模型,得到待预测时期的次高点负载率预测值,包括:
将变压器第一历史时期的次高点负载率、待预测时期的气象特征类变量和时间特征类变量作为所述长短期记忆网络模型的输入,以得到所述长短期记忆网络模型输出的待预测时期的次高点负载率预测值。
3.根据权利要求2所述的公变重过载的短期预测方法,其特征在于,所述方法还包括:
选取与所述待预测时期连续且位于所述待预测时期之前的第二历史时期,并依次获取所述第二历史时期每一天的次高点负载率以及该次高点负载率所对应的第三特征变量。所述第二历史时期的任一天次高点负载率所对应的第三特征变量包括所述待预测公变该天的气象特征类变量、该天的时间特征类变量和位于该天之前的预设时期内所述公变的次高点负载率信息;
获取第一训练集,所述第一训练集的样本为所述预设第二历史时期每天的次高点负载率和所述对应的第三特征变量;
根据所述第一训练集,采用长短期记忆网络算法进行训练,建立长短期记忆网络模型。
4.根据权利要求1所述的公变重过载的短期预测方法,其特征在于,所述方法还包括:
选取与所述待预测时期连续且位于所述待预测时期之前的第三历史时期,并依次获取所述预设第三历史时期中每一天所对应的第四特征变量,所述第三历史时期任一天所对应的第四特征变量包括该天的次高点负载率以及该天的第一特征变量;
针对第三历史周期中的任一天,判断该天所述公变是否发生重过载;
获取第二训练集,所述第二训练集的样本为所述第三历史时期每天所述对应的第四特征变量和用于表示该天是否发生重过载的标签;
根据所述第二训练集,采用XGBOOST算法进行训练,建立重过载短期预测模型。
6.根据权利要求1所述的公变重过载的短期预测方法,其特征在于,所述待预测时期为未来一天。
7.根据权利要求1-6任一项所述的公变重过载的短期预测方法,其特征在于,所述档案特征类变量包括下述至少一项:地域、行业性质、容量;所述气象特征类变量包括下述至少一项:日最高气温/日最低气温、日最大湿度、日降水量;所述时间特征类变量包括下述至少一项:月份、星期、节假日;所述重过载状态特征类变量包括下述至少一项:前一年同期该公变的月度重过载状态评分、前一年该公变按星期和特定期间的重过载状态评分;所述近期负荷特征类变量包括下述至少一项:待预测日的前三天最大负载率平均值、待预测日的前三天最大负载率标准差、待预测日的前三天重过载发生的天数和、待预测日的前三天重过载发生的次数和、待预测日的前三天重过载发生的点数和、待预测日的前三天非轻空载点数平均值;待预测日的前七天最大负载率平均值、待预测日的前七天最大负载率标准差、待预测日的前七天重过载发生的天数和、待预测日的前七天重过载发生的次数和、待预测日的前七天重过载发生的点数和、待预测日的前七天非轻空载点数平均值。
8.根据权利要求1-6任一项所述的公变重过载的短期预测方法,其特征在于,所述获取变压器待预测时期的第一特征变量之前,还包括:
获取初始数据,其中,所述初始数据包括下述至少一项:变压器档案数据、待预测时期和历史时期的所述变压器的运行数据、待预测时期的气象信息数据;
对所述初始数据进行特征提取,得到所述第一特征变量;
对所述初始数据进行特征提取之前,还包括:
对所述初始数据进行预处理;
所述预处理包括下述至少一项:去除个别采集异常的变压器运行数据,并进行补零处理、对运行数据的缺失值进行补零处理。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至8中任一项所述公变重过载的短期预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至8中任一项所述公变重过载的短期预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111143965.2A CN113902181A (zh) | 2021-09-28 | 2021-09-28 | 公变重过载的短期预测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111143965.2A CN113902181A (zh) | 2021-09-28 | 2021-09-28 | 公变重过载的短期预测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902181A true CN113902181A (zh) | 2022-01-07 |
Family
ID=79029717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111143965.2A Pending CN113902181A (zh) | 2021-09-28 | 2021-09-28 | 公变重过载的短期预测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902181A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115269928A (zh) * | 2022-07-22 | 2022-11-01 | 贵州电网有限责任公司 | 基于数字孪生的变压器故障预测方法、装置、设备及介质 |
CN115290798A (zh) * | 2022-09-13 | 2022-11-04 | 国网河北省电力有限公司电力科学研究院 | 变压器油色谱在线监测装置的稳定性能监测方法及终端 |
-
2021
- 2021-09-28 CN CN202111143965.2A patent/CN113902181A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115269928A (zh) * | 2022-07-22 | 2022-11-01 | 贵州电网有限责任公司 | 基于数字孪生的变压器故障预测方法、装置、设备及介质 |
CN115290798A (zh) * | 2022-09-13 | 2022-11-04 | 国网河北省电力有限公司电力科学研究院 | 变压器油色谱在线监测装置的稳定性能监测方法及终端 |
CN115290798B (zh) * | 2022-09-13 | 2023-10-31 | 国网河北省电力有限公司电力科学研究院 | 变压器油色谱在线监测装置的稳定性能监测方法及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
CN110503256B (zh) | 基于大数据技术的短期负荷预测方法及系统 | |
CN116646933A (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN111932402A (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN113902181A (zh) | 公变重过载的短期预测方法及设备 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
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 | |
CN111178957B (zh) | 一种用电客户电量突增预警的方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN116205355B (zh) | 电力负荷的预测方法、装置以及存储介质 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN106875058B (zh) | 一种电力业扩可开放容量智能判断方法 | |
CN116402187A (zh) | 一种基于电力大数据的企业排污预测方法 | |
CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
Zhang et al. | The power big data-based energy analysis for intelligent community in smart grid | |
CN114118624A (zh) | 一种电力需求响应潜力评估方法、装置、设备及存储介质 | |
CN112464059B (zh) | 配电网用户分类方法、装置、计算机设备和存储介质 | |
CN108154259B (zh) | 热泵的负荷预测方法及装置、存储介质、处理器 | |
CN113139698A (zh) | 负荷预测方法、装置及设备 | |
CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 |
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 |