CN114692937A - 一种基于主变负载影响因素预测的主变负载预测方法 - Google Patents

Abstract

本发明公开了一种基于主变负载影响因素预测的主变负载预测方法，该方法为：构建主变负载影响因素评价数据库，建立考虑典型时间、电网拓扑结构、停电计划、主变参数、气象信息、主变过载、主变重载、主变负荷、季节的主变负载影响因素评价模型，计算主变负载数据信息及其模型相关系数，根据强关联评价因子，获得影响因素数据集，并对数据集分类，得到影响因素评价因子预测值，利用DTW和LSTM的组合预测算法进行鱼类和数据训练。本发明大大提升数据准确率和主变负荷预测精度，并降低全网主变计算时会产生计算量，提高计算效率，DTW和LSTM的组合预测算法提高了主变负载预测精度。

Description

一种基于主变负载影响因素预测的主变负载预测方法

技术领域

本发明涉及电力设备监控分析技术领域，具体涉及一种基于主变负载影响因素预测的主变负载预测方法。

背景技术

掌握主变压器(简称主变)可能达到的负荷功率值对调度部门具有特别重要的意义。据预测结果优化电网运行方式、提前做好负荷割接，可有效提高电网运行的安全性和经济性。主变负荷预测值也可为错避峰计划和新上站计划提供依据。

在电网中，主变之间由于用电性质、负荷变化趋势、网架结构变化等信息特点不尽相同，因此现有主变负荷预测中，可以全面考虑主变所受因素影响情况，利用主变负载影响因素分析模型全面主变负载预测输入变量来提升主变负荷预测精度，根据强关联主变负载影响因素评价因子，获得主变负载重要影响因素数据集，并进行分类预测，得到主变负载影响因素评价因子预测值。利用DTW和LSTM的组合预测算法，应用DTW算法将相似负载率特性的主变负载率曲线进行聚类，将DTW聚类后的数据训练LSTM主变负载模型，主变负载影响因素评价因子预测值，作为主变负载预测模型的输入，预测主变负载值，以解决主变负载预测准确率低的问题。

发明内容

本发明要解决的技术问题是：提供一种基于主变负载影响因素预测的主变负载预测方法，以解决现有技术中利用预测期间主变负载重要影响因素数据集作为主变负载预测模型输入数据时，这些数据多为人工根据经验上报，数据随机性较强，准确率较低，使用这些数据会产生预测输入数据不准确导致主变负载预测准确率低的问题。

本发明采取的技术方案为：一种基于主变负载影响因素预测的主变负载预测方法，该方法为：收集全面分析与主变负载特性有关的数据信息，构建主变负载影响因素评价数据库，通过建立考虑典型时间的主变负载影响因素评价模型ξ1、考虑电网拓扑结构的主变负载影响因素评价模型ξ2、考虑停电计划的主变负载影响因素评价模型ξ3、考虑主变参数的主变负载影响因素评价模型ξ4、考虑气象信息的主变负载影响因素评价模型ξ5，考虑主变过载特性的主变负载影响因素评价模型ξ6，考虑主变重载特性的主变负载影响因素评价模型ξ7，考虑主变负荷特性的主变负载影响因素评价模型ξ8，考虑季节特性的主变负载影响因素评价模型ξ9，构建全面的主变负载影响因素分析模型，计算主变负载数据信息以及主变负载影响因素分析模型的相关系数，根据强关联主变负载影响因素评价因子，获得主变负载重要影响因素数据集，并按照计划性和非计划性影响因子对数据集分类，从而得到预测期主变负载影响因素评价因子预测值，利用DTW和LSTM的组合预测算法，应用DTW算法将相似负载率特性的主变负载率曲线进行聚类，将DTW聚类后的数据训练LSTM主变负载模型，以提高主变负载预测精度。

该方法包括以下步骤：

步骤1：收集主变负载数据信息以及全面分析主变负载特性有关的数据信息，构建主变负载影响因素评价数据库。

步骤2：利用步骤1得到的主变负载影响因素评价数据库，建立考虑典型时间的主变负载影响因素评价模型ξ1。

其中，考虑典型时间的主变负载影响因素评价模型ξ1包括长时间模型ξ11，短时间评价模型ξ12。

长时间评价模型ξ11包括春季评价因子、夏季评价因子、秋季评价因子、冬季评价因子。

短时间评价模型ξ12包括节日评价因子、双休日评价因子、工作日评价因子、特殊时期(如国庆、高考、重大会议等时期)保供电评价因子。

步骤3：利用步骤1得到的主变负载影响因素评价数据库，建立考虑电网拓扑结构的主变负载影响因素评价模型ξ2。

其中，建立考虑电网拓扑结构的主变负载影响因素评价模型ξ2包括主变所在变电站的运行主变数量评价模型ξ21，主变所在变电站的运行母线数量评价模型ξ22，主变所在变电站的运行出线数量评价模型ξ23，与主变所在变电站相邻的变电站数量评价模型ξ24，与主变所在变电站相邻的发电厂装机容量评价模型ξ25，与主变所在变电站相邻的储能装置容量评价模型ξ26。

主变所在变电站的运行主变数量评价模型ξ21包括单主变评价因子、双主变评价因子、三主变评价因子、四主变评价因子、五台及以上多主变评价因子。

主变所在变电站的运行母线数量评价模型ξ22包括高压侧母线数量评价因子、中压侧母线数量评价因子、低压侧母线数量评价因子。

主变所在变电站的运行出线数量评价模型ξ23包括高压侧出线数量评价因子、中压侧出线数量评价因子、低压侧出线数量评价因子。

与主变所在变电站相邻的发电厂装机容量评价模型ξ25包括火电厂装机容量评价因子、水电厂装机容量评价因子、风电场装机容量评价因子、光伏电站装机容量评价因子、燃气电站装机容量评价因子、垃圾电站装机容量评价因子、生物质装机容量评价因子。

步骤4：利用步骤1得到的主变负载影响因素评价数据库，建立考虑停电计划的主变负载影响因素评价模型ξ3。

其中，建立考虑停电计划的主变负载影响因素评价模型ξ3包括计划性停电评价模型ξ31，临时性停电评价模型ξ32。

计划性停电评价模型ξ31包括该主变检修停电评价因子、主变所在变电站的其他主变检修停电评价因子、主变所在变电站母线检修停电评价因子、主变所在变电站出线检修停电评价因子、主变所在变电站的相邻变电站(主变、母线、出线)停电评价因子、主变所在变电站的相邻的发电厂(机组、主变、母线、出线)检修停电评价因子。

临时性停电评价模型ξ32包括主变所在变电站的所有断路器合位信号评价因子、主变所在变电站的保护装置动作信息评价因子、主变所在变电站的稳控装置动作信息评价因子、主变所在变电站的相邻变电站内所有断路器合位信号评价因子、主变所在变电站的相邻变电站内保护装置动作信息评价因子、主变所在变电站的相邻变电站内稳控装置动作信息评价因子。

步骤5：利用步骤1得到的主变负载影响因素评价数据库，建立考虑主变参数的主变负载影响因素评价模型ξ4。

其中，建立考虑主变参数的主变负载影响因素评价模型ξ4包括主变本体参数评价模型ξ41和主变运行参数评价模型ξ42。

主变本体参数评价模型ξ41包括主变容量评价因子、主变投运年限评价因子、主变老化评价因子。

主变运行参数评价模型ξ42包括油温高告警信息评价因子、绕温高告警信息评价因子、轻瓦斯告警信息评价因子、油位低告警信息评价因子、主变状态评价结果评价因子、绕组缺陷信息评价因子、铁芯缺陷信息评价因子、箱壳缺陷信息评价因子、风冷控制系统缺陷信息评价因子、变压器漏油缺陷信息评价因子等。

步骤6：利用步骤1得到的主变负载影响因素评价数据库，建立考虑气象信息的主变负载影响因素评价模型ξ5。

建立考虑气象信息的主变负载影响因素评价模型ξ5，包括主变所在区域的温度评价因子、湿度评价因子、大气压力评价因子、海拔高度评价因子、风速评价因子、风向评价因子、光照强度评价因子、净辐射量评价因子、降水量评价因子等。

步骤7：利用步骤1得到的主变负载影响因素评价数据库，分析主变的过载特性，建立考虑主变过载特性的主变负载影响因素评价模型ξ6。

其中，考虑主变过载特性的主变负载影响因素评价模型ξ6包括过载总时长评价因子、过载次数评价因子、过载单次最大时长评价因子、过载负荷上网特性评价因子、过载负荷下网特性评价因子、同站多主变同时过载总时长评价因子、同站多主变同时过载次数评价因子、同站多主变同时过载单次最大时长评价因子、过载主变供电区域面积评价因子。

步骤8：利用步骤1得到的主变负载影响因素评价数据库，分析主变的重载特性，建立考虑主变重载特性的主变负载影响因素评价模型ξ7。

其中，考虑主变重载特性的主变负载影响因素评价模型ξ7包括重载总时长评价因子、重载次数评价因子、单次重载最大时长评价因子、重载负荷上网特性评价因子、重载负荷下网特性评价因子、同站多主变同时重载总时长评价因子、同站多主变同时重载次数评价因子、同站多主变同时重载单次最大时长评价因子、重载主变供电区域面积评价因子。

步骤9：利用步骤1得到的主变负载影响因素评价数据库，分析主变的负荷特性，建立考虑主变负荷特性的主变负载影响因素评价模型ξ8。

其中，考虑主变负荷特性的主变负载影响因素评价模型ξ8包括主变所带一级负荷评价因子、二级负荷评价因子、三级负荷评价因子、工业负荷评价因子、农业负荷评价因子、居民负荷评价因子、交通运输负荷评价因子。

步骤10：利用步骤1得到的主变负载影响因素评价数据库，分析主变的季节特性，建立考虑季节特性的主变负载影响因素评价模型ξ9。

其中，考虑季节特性的主变负载影响因素评价模型ξ9包括夏季过载评价因子、夏季重载评价因子、冬季过载评价因子、冬季重载评价因子。

步骤11：结合步骤2-10，构建主变负载影响因素分析模型ψ＝{ξ1，ξ2，ξ3，ξ4，ξ5，ξ6，ξ7，ξ8，ξ9}。

步骤12：对主变负载影响因素分析模型ψ＝{ξ1，ξ2，ξ3，ξ4，ξ5，ξ6，ξ7，ξ8，ξ9}中的缺失值进行处理，主要方法如下：

(1)对于需要填充数据分析模型中第η个评价因子ψη，根据给定的距离度量Γ，找到样本空间中距离它最接近的k个样本，并记下这k个样本和它的距离d₁,d₂,...,d_k；选择的距离度量Γ为欧式距离，两个g维向量X_i＝(X_i1,X_i2,...,X_ig)与X_j＝(X_ji,X_j2,...,X_jg)间的欧式距离为：

(2)根据距离值计算这k个最近样本的加权平均数来作为填充数据ψη，填充数据ψη和k个最近样本的关系如下：

其中，W_i是第i个样本的权重值:

(3)处理后得到完整的主变负载影响因素分析模型ψaf＝{ξ1_af，ξ2_af，ξ3_af，ξ4_af，ξ5_af，ξ6_af，ξ7_af，ξ8_af，ξ9_af}。

步骤13：利用步骤12得到处理后完整的主变负载影响因素分析模型ψaf＝{ξ1af，ξ2af，ξ3af，ξ4af，ξ5af，ξ6af，ξ7af，ξ8af，ξ9af}进行归一化处理。

通过线性变换公式把原始数据缩放到[0,1]的范围内，归一化后得到的主变负载影响因素分析模型ψ_norm计算公式如下：

其中，ψaf表示原始的数据序列，ψaf_min表示原始数据中的最小值，ψaf_max表示原始数据中的最大值。

步骤14：计算步骤1中的主变负载数据信息R_LO以及步骤13得到的归一化后得到的主变负载影响因素分析模型ψ_norm的相关系数。

第i台主变负载和影响因素分析模型的两两之间的相关系数计算公式如下：

相关系数r取值区间为[-1,1]，-1表示完全负相关，+1表示完全正相关，0表示线性不相关。

步骤15：对第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子，记作第i台主变负载重要影响因素数据集θi；

步骤16：将步骤2-10的构建主变负载影响因素分析模型ξ1、ξ2、ξ3、ξ4、ξ5、ξ6、ξ7、ξ8、ξ9内包含的所有评价因子进行分类。

分计划性影响因素评价因子和非计划性影响因素评价因子。将计划性影响因素评价因子计入ψjh＝{ξ1jh，ξ2jh，ξ3jh，ξ4jh，ξ5jh，ξ6jh，ξ7jh，ξ8jh，ξ9jh}，将非计划数据类影响因素评价因子计入ψfj＝{ξ1fj，ξ2fj，ξ3fj，ξ4fj，ξ5fj，ξ6fj，ξ7fj，ξ8fj，ξ9fj}。

步骤17：结合步骤15得到的对第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子，按照ψjh和ψfj进行计划性影响因素评价因子和非计划性影响因素评价因子分类。

其中得到的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中计划性影响因素评价因子ψitjh，得到的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中非计划性影响因素评价因子ψitfj。

步骤18：将预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中，计划性影响因素评价因子预测数据计入ψitjhyc。

计划性影响因素评价因子预测数据ψitjhyc，即为计划性影响因素评价因子的计划数据。

步骤19：将预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中，非计划性影响因素评价因子预测数据计入ψitfjyc。

其中，非计划性影响因素评价因子预测数据计入ψitfjyc计算方法为：

步骤19.1：利用步骤2-步骤10中属于非计划性影响因素评价因子的历史信息作为训练样本；

步骤19.2：构建非计划性影响因素评价因子的SVM预测模型。

假定训练数据集为(x_i,y_i)(i＝1,2,...,n)，n为样本总数。其中，x_i∈R^d，y_i∈{-1,1}是分类标号。d维空间中分类面可以表示为ω·x+b＝0，其分类间隔表示成。SVM在线性可分时是选择大间隔因子来达到其训练学习过程，此时使2/||ω||最大等价于使||ω||最小，因此SVM总是在选择分类超平面的过程之中，此类分类超平面能够确保其总是具有最大分类间隔，可以得到唯一最优解。然而在现实生活中的大部分应用中往往处于非线性不可分情况下,SVM是将输入量通过已知的某一非线性映射转换到另一高维空间，即把原有的特征空间通过某一方式变换为新的特征空间，在此期间，通过引入松弛因子来降低经验因素造成的错误影响,同时进行惩罚因子C可以使其在错分的情况下调整错分的惩罚程度，使其在错误率与复杂程度之间找到最为合适的数据位置，这其实是一个转化为核函数K(x,x_i)运算的问题。

目标函数变为:

选择核函数为Gauss径向函数：

此能够取到SVM的最优分类函数：

步骤19.3利用步骤19.1历史数据作为训练样本集训练SVM模型，并输出第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中，非计划性影响因素评价因子预测数据ψitfjyc。

步骤20：结合步骤18和19，获得预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子预测值ψityc＝{ψitjhyc，ψitfjyc}；

步骤21：结合步骤15得到的第i台主变负载重要影响因素数据集θi，利用DTW对主变负载影响因素分析模型进行聚类，聚类后得到第i台主变负载重要影响因素聚类数据集θijl。

其中，DTW对主变负载影响因素分析模型进行聚类，主要思路如下：

DTW不受序列长度是否一致的限制，因此对于持续时间不定、采样频率或者采样点数不同的故障序列辨识有其独特的优势。通过对构建距离矩阵进行动态规整，找到累积距离最小的路径(最优路径)，并利用其距离度量作为判据完成序列相似度匹配。

通过对构建距离矩阵进行动态规整，找到累积距离最小的路径(最优路径)，并利用其距离度量作为判据完成序列相似度匹配：定义两条长度分别为p和q的一维时间序列为X＝x₁，x₂…，x_p和Y＝y₁，y₂…，y_q，构造一个p行q列的距离矩阵A为：

其中矩阵元素d(x_i,y_j)＝(x_i-y_j)²，表示序列中两点距离，定义规整路径为W，路径中第k个元素为w_k＝(a_ij)_k，序列X、Y规整距离函数可以表示为：

其中，K表示最优规整路径的长度；w_i为最优规整路径中的第i个元素；DTW(X，Y)表示时间序列X与Y的规整距离(DTW距离)；

规整路径W需满足如下约束条件：1)有界性：max(p，q)≤K≤p+q-1；2)边界性：w₁＝a₁₁和w_K＝a_pq，分别用来表示W的起点和终点；3)连续性：对于w_k＝a_ij，其相邻元素w_k-1＝a_i’j(满足i-i’≤1，j-j’≤1)；4)单调性：i-i’≥0，j-j’≥0；

由规整的距离函数与路径约束条件可知，计算DTW距离的递归算法为：

式中的D(i，j)为路径元素a_ij与之前段规整距离的最小累计值之和。

步骤22：结合步骤21得到聚类后得到第i台主变负载重要影响因素聚类数据集θijl，训练LSTM主变负载预测模型。

其中LSTM主变负载预测模型训练，主要思路如下：

LSTM(long short term memory network)是一种RNN(recurrent neuralnetwork)的改进模型，解决了RNN的梯度消失和爆炸问题，使网络能够有效地处理长期时间序列数据，已应用于电力负载预测，所得误差明显低于其他方法，极大地提升了电力负载预测精度。LSTM在RNN的基础上增加了3个门的逻辑控制单元：输入门、遗忘门和输入门。通过门单元的逻辑控制决定数据是否更新或选择丢弃，克服了RNN权重影响过大、容易产生梯度消失和爆炸的缺点，使网络可以更好、更快地收敛，能够有效提高电力负载预测精度。

遗忘门：f_t＝σ(W_f[h_t-1，x_i]+b_f)

其中，W_f是遗忘门的权重矩阵；[h_t-1,x_t]表示将两个向量连接成一个更长的向量；b_f是遗忘门的偏置项；σ是sigmoid函数；

输入门：i_t＝σ(W_i[h_t-1，x_i]+b_i)；

其中，Wi是输入门的权重矩阵；bi是输入门的偏置项。

单元：

其中，计算当前时刻的单元状态c_t；它是上一次的单元状态c_t-1按元素乘以遗忘门f_t，再用当前输入的单元状态

按元素乘以输入门i_t，再将两个积加和产生；把LSTM关于当前的记忆

和长期的记忆c_t-1组合在一起，形成了新的单元状态c_t；由于遗忘门的控制，它可以保存较为久远的信息，通过输入门的控制，可以保证丢弃一些当前无关紧要的内容；

计算输出门输出：o_r＝σ(W_o[h_t-1，x_i]+b_o)

最终得到LSTM输出：h_t＝o_t⊙tanh(c_i)。

步骤23：利用步骤20得到的预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子预测值ψityc＝{ψitjhyc，ψitfjyc}，带入LSTM主变负载预测模型，得到预测周期内的第i台主变负载预测值Pyci。

本发明的有益效果：与现有技术相比，本发明综合考虑到了考虑主变负载特性等因素，全面考虑主变负载特性有效避免主变负荷预测精度受输入变量未完全涵盖数据特征的影响，并构建对应的模型，大大提升主变负荷预测精度，并且采用相关系数法分析影响因素，获得主变负载重要影响因素数据集，降低全网主变计算时会产生计算量，提高计算效率，对主变负载影响因素分析模型ξ1、ξ2、ξ3、ξ4、ξ5、ξ6、ξ7、ξ8、ξ9内包含的所有评价因子进行分类，分类后并对第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子，按照ψjh和ψfj进行计划性影响因素评价因子和非计划性影响因素评价因子分类形成评价因子预测数据，采用预测数据输入SVM预测模型，获得精确的数据，使得预测输入数据更精确，主变负载预测准确率也更高，利用DTW和LSTM的组合预测算法，应用DTW算法将相似负载率特性的主变负载率曲线进行聚类，将DTW聚类后的数据训练LSTM主变负载模型，以提高主变负载预测精度，以解决现有技术中利用预测期间主变负载重要影响因素数据集作为主变负载预测模型输入数据时，这些数据多为人工根据经验上报，数据随机性较强，准确率较低，使用这些数据会产生预测输入数据不准确导致主变负载预测准确率低的问题。

具体实施方式

下面结合具体的实施例对本发明进行进一步介绍。

实施例1：一种基于主变负载影响因素预测的主变负载预测方法，该方法为：收集全面分析与主变负载特性有关的数据信息，构建主变负载影响因素评价数据库，通过建立考虑典型时间的主变负载影响因素评价模型ξ1、考虑电网拓扑结构的主变负载影响因素评价模型ξ2、考虑停电计划的主变负载影响因素评价模型ξ3、考虑主变参数的主变负载影响因素评价模型ξ4、考虑气象信息的主变负载影响因素评价模型ξ5，考虑主变过载特性的主变负载影响因素评价模型ξ6，考虑主变重载特性的主变负载影响因素评价模型ξ7，考虑主变负荷特性的主变负载影响因素评价模型ξ8，考虑季节特性的主变负载影响因素评价模型ξ9，构建全面的主变负载影响因素分析模型，计算主变负载数据信息以及主变负载影响因素分析模型的相关系数，根据强关联主变负载影响因素评价因子，获得主变负载重要影响因素数据集，并按照计划性和非计划性影响因子对数据集分类，从而得到预测期主变负载影响因素评价因子预测值，利用DTW和LSTM的组合预测算法，应用DTW算法将相似负载率特性的主变负载率曲线进行聚类，将DTW聚类后的数据训练LSTM主变负载模型，以提高主变负载预测精度。

该方法包括以下步骤：

步骤1：收集主变负载数据信息以及全面分析主变负载特性有关的数据信息，构建主变负载影响因素评价数据库。

步骤2：利用步骤1得到的主变负载影响因素评价数据库，建立考虑典型时间的主变负载影响因素评价模型ξ1。

其中，考虑典型时间的主变负载影响因素评价模型ξ1包括长时间模型ξ11，短时间评价模型ξ12。

长时间评价模型ξ11包括春季评价因子、夏季评价因子、秋季评价因子、冬季评价因子。

短时间评价模型ξ12包括节日评价因子、双休日评价因子、工作日评价因子、特殊时期(如国庆、高考、重大会议等时期)保供电评价因子。

步骤3：利用步骤1得到的主变负载影响因素评价数据库，建立考虑电网拓扑结构的主变负载影响因素评价模型ξ2。

其中，建立考虑电网拓扑结构的主变负载影响因素评价模型ξ2包括主变所在变电站的运行主变数量评价模型ξ21，主变所在变电站的运行母线数量评价模型ξ22，主变所在变电站的运行出线数量评价模型ξ23，与主变所在变电站相邻的变电站数量评价模型ξ24，与主变所在变电站相邻的发电厂装机容量评价模型ξ25，与主变所在变电站相邻的储能装置容量评价模型ξ26。

主变所在变电站的运行主变数量评价模型ξ21包括单主变评价因子、双主变评价因子、三主变评价因子、四主变评价因子、五台及以上多主变评价因子。

主变所在变电站的运行母线数量评价模型ξ22包括高压侧母线数量评价因子、中压侧母线数量评价因子、低压侧母线数量评价因子。

主变所在变电站的运行出线数量评价模型ξ23包括高压侧出线数量评价因子、中压侧出线数量评价因子、低压侧出线数量评价因子。

与主变所在变电站相邻的发电厂装机容量评价模型ξ25包括火电厂装机容量评价因子、水电厂装机容量评价因子、风电场装机容量评价因子、光伏电站装机容量评价因子、燃气电站装机容量评价因子、垃圾电站装机容量评价因子、生物质装机容量评价因子。

步骤4：利用步骤1得到的主变负载影响因素评价数据库，建立考虑停电计划的主变负载影响因素评价模型ξ3。

其中，建立考虑停电计划的主变负载影响因素评价模型ξ3包括计划性停电评价模型ξ31，临时性停电评价模型ξ32。

计划性停电评价模型ξ31包括该主变检修停电评价因子、主变所在变电站的其他主变检修停电评价因子、主变所在变电站母线检修停电评价因子、主变所在变电站出线检修停电评价因子、主变所在变电站的相邻变电站(主变、母线、出线)停电评价因子、主变所在变电站的相邻的发电厂(机组、主变、母线、出线)检修停电评价因子。

临时性停电评价模型ξ32包括主变所在变电站的所有断路器合位信号评价因子、主变所在变电站的保护装置动作信息评价因子、主变所在变电站的稳控装置动作信息评价因子、主变所在变电站的相邻变电站内所有断路器合位信号评价因子、主变所在变电站的相邻变电站内保护装置动作信息评价因子、主变所在变电站的相邻变电站内稳控装置动作信息评价因子。

步骤5：利用步骤1得到的主变负载影响因素评价数据库，建立考虑主变参数的主变负载影响因素评价模型ξ4。

其中，建立考虑主变参数的主变负载影响因素评价模型ξ4包括主变本体参数评价模型ξ41和主变运行参数评价模型ξ42。

主变本体参数评价模型ξ41包括主变容量评价因子、主变投运年限评价因子、主变老化评价因子。

主变运行参数评价模型ξ42包括油温高告警信息评价因子、绕温高告警信息评价因子、轻瓦斯告警信息评价因子、油位低告警信息评价因子、主变状态评价结果评价因子、绕组缺陷信息评价因子、铁芯缺陷信息评价因子、箱壳缺陷信息评价因子、风冷控制系统缺陷信息评价因子、变压器漏油缺陷信息评价因子等。

步骤6：利用步骤1得到的主变负载影响因素评价数据库，建立考虑气象信息的主变负载影响因素评价模型ξ5。

建立考虑气象信息的主变负载影响因素评价模型ξ5，包括主变所在区域的温度评价因子、湿度评价因子、大气压力评价因子、海拔高度评价因子、风速评价因子、风向评价因子、光照强度评价因子、净辐射量评价因子、降水量评价因子等。

步骤7：利用步骤1得到的主变负载影响因素评价数据库，分析主变的过载特性，建立考虑主变过载特性的主变负载影响因素评价模型ξ6。

其中，考虑主变过载特性的主变负载影响因素评价模型ξ6包括过载总时长评价因子、过载次数评价因子、过载单次最大时长评价因子、过载负荷上网特性评价因子、过载负荷下网特性评价因子、同站多主变同时过载总时长评价因子、同站多主变同时过载次数评价因子、同站多主变同时过载单次最大时长评价因子、过载主变供电区域面积评价因子。

步骤8：利用步骤1得到的主变负载影响因素评价数据库，分析主变的重载特性，建立考虑主变重载特性的主变负载影响因素评价模型ξ7。

其中，考虑主变重载特性的主变负载影响因素评价模型ξ7包括重载总时长评价因子、重载次数评价因子、单次重载最大时长评价因子、重载负荷上网特性评价因子、重载负荷下网特性评价因子、同站多主变同时重载总时长评价因子、同站多主变同时重载次数评价因子、同站多主变同时重载单次最大时长评价因子、重载主变供电区域面积评价因子。

步骤9：利用步骤1得到的主变负载影响因素评价数据库，分析主变的负荷特性，建立考虑主变负荷特性的主变负载影响因素评价模型ξ8。

其中，考虑主变负荷特性的主变负载影响因素评价模型ξ8包括主变所带一级负荷评价因子、二级负荷评价因子、三级负荷评价因子、工业负荷评价因子、农业负荷评价因子、居民负荷评价因子、交通运输负荷评价因子。

步骤10：利用步骤1得到的主变负载影响因素评价数据库，分析主变的季节特性，建立考虑季节特性的主变负载影响因素评价模型ξ9。

其中，考虑季节特性的主变负载影响因素评价模型ξ9包括夏季过载评价因子、夏季重载评价因子、冬季过载评价因子、冬季重载评价因子。

步骤11：结合步骤2-10，构建主变负载影响因素分析模型ψ＝{ξ1，ξ2，ξ3，ξ4，ξ5，ξ6，ξ7，ξ8，ξ9}。

步骤12：对主变负载影响因素分析模型ψ＝{ξ1，ξ2，ξ3，ξ4，ξ5，ξ6，ξ7，ξ8，ξ9}中的缺失值进行处理，主要方法如下：

(1)对于需要填充数据分析模型中第η个评价因子ψη，根据给定的距离度量Γ，找到样本空间中距离它最接近的k个样本，并记下这k个样本和它的距离d₁,d₂,...,d_k；选择的距离度量Γ为欧式距离，两个g维向量X_i＝(X_i1,X_i2,...,X_ig)与X_j＝(X_ji,X_j2,...,X_jg)间的欧式距离为：

(2)根据距离值计算这k个最近样本的加权平均数来作为填充数据ψη，填充数据ψη和k个最近样本的关系如下：

其中，W_i是第i个样本的权重值:

(3)处理后得到完整的主变负载影响因素分析模型ψaf＝{ξ1_af，ξ2_af，ξ3_af，ξ4_af，ξ5_af，ξ6_af，ξ7_af，ξ8_af，ξ9_af}。

步骤13：利用步骤12得到处理后完整的主变负载影响因素分析模型ψaf＝{ξ1af，ξ2af，ξ3af，ξ4af，ξ5af，ξ6af，ξ7af，ξ8af，ξ9af}进行归一化处理。

通过线性变换公式把原始数据缩放到[0,1]的范围内，归一化后得到的主变负载影响因素分析模型ψ_norm计算公式如下：

其中，ψaf表示原始的数据序列，ψaf_min表示原始数据中的最小值，ψaf_max表示原始数据中的最大值。

步骤14：计算步骤1中的主变负载数据信息R_LO以及步骤13得到的归一化后得到的主变负载影响因素分析模型ψ_norm的相关系数。

第i台主变负载和影响因素分析模型的两两之间的相关系数计算公式如下：

相关系数r取值区间为[-1,1]，-1表示完全负相关，+1表示完全正相关，0表示线性不相关。

步骤15：对第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子，记作第i台主变负载重要影响因素数据集θi；

步骤16：将步骤2-10的构建主变负载影响因素分析模型ξ1、ξ2、ξ3、ξ4、ξ5、ξ6、ξ7、ξ8、ξ9内包含的所有评价因子进行分类。

分计划性影响因素评价因子和非计划性影响因素评价因子。将计划性影响因素评价因子计入ψjh＝{ξ1jh，ξ2jh，ξ3jh，ξ4jh，ξ5jh，ξ6jh，ξ7jh，ξ8jh，ξ9jh}，将非计划数据类影响因素评价因子计入ψfj＝{ξ1fj，ξ2fj，ξ3fj，ξ4fj，ξ5fj，ξ6fj，ξ7fj，ξ8fj，ξ9fj}。

步骤17：结合步骤15得到的对第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子，按照ψjh和ψfj进行计划性影响因素评价因子和非计划性影响因素评价因子分类。

其中得到的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中计划性影响因素评价因子ψitjh，得到的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中非计划性影响因素评价因子ψitfj。

步骤18：将预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中，计划性影响因素评价因子预测数据计入ψitjhyc。

计划性影响因素评价因子预测数据ψitjhyc，即为计划性影响因素评价因子的计划数据。

步骤19：将预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中，非计划性影响因素评价因子预测数据计入ψitfjyc。

其中，非计划性影响因素评价因子预测数据计入ψitfjyc计算方法为：

步骤19.1：利用步骤2-步骤10中属于非计划性影响因素评价因子的历史信息作为训练样本；

步骤19.2：构建非计划性影响因素评价因子的SVM预测模型。

假定训练数据集为(x_i,y_i)(i＝1,2,...,n)，n为样本总数。其中，x_i∈R^d，y_i∈{-1,1}是分类标号。d维空间中分类面可以表示为ω·x+b＝0，其分类间隔表示成。SVM在线性可分时是选择大间隔因子来达到其训练学习过程，此时使2/||ω||最大等价于使||ω||最小，因此SVM总是在选择分类超平面的过程之中，此类分类超平面能够确保其总是具有最大分类间隔，可以得到唯一最优解。然而在现实生活中的大部分应用中往往处于非线性不可分情况下,SVM是将输入量通过已知的某一非线性映射转换到另一高维空间，即把原有的特征空间通过某一方式变换为新的特征空间，在此期间，通过引入松弛因子来降低经验因素造成的错误影响,同时进行惩罚因子C可以使其在错分的情况下调整错分的惩罚程度，使其在错误率与复杂程度之间找到最为合适的数据位置，这其实是一个转化为核函数K(x,x_i)运算的问题。

目标函数变为:

选择核函数为Gauss径向函数：

此能够取到SVM的最优分类函数：

步骤19.3利用步骤19.1历史数据作为训练样本集训练SVM模型，并输出第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中，非计划性影响因素评价因子预测数据ψitfjyc。

步骤20：结合步骤18和19，获得预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子预测值ψityc＝{ψitjhyc，ψitfjyc}；

步骤21：结合步骤15得到的第i台主变负载重要影响因素数据集θi，利用DTW对主变负载影响因素分析模型进行聚类，聚类后得到第i台主变负载重要影响因素聚类数据集θijl。

其中，DTW对主变负载影响因素分析模型进行聚类，主要思路如下：

DTW不受序列长度是否一致的限制，因此对于持续时间不定、采样频率或者采样点数不同的故障序列辨识有其独特的优势。通过对构建距离矩阵进行动态规整，找到累积距离最小的路径(最优路径)，并利用其距离度量作为判据完成序列相似度匹配。

通过对构建距离矩阵进行动态规整，找到累积距离最小的路径(最优路径)，并利用其距离度量作为判据完成序列相似度匹配：定义两条长度分别为p和q的一维时间序列为X＝x₁，x₂…，x_p和Y＝y₁，y₂…，y_q，构造一个p行q列的距离矩阵A为：

其中矩阵元素d(x_i,y_j)＝(x_i-y_j)²，表示序列中两点距离，定义规整路径为W，路径中第k个元素为w_k＝(a_ij)_k，序列X、Y规整距离函数可以表示为：

其中，K表示最优规整路径的长度；w_i为最优规整路径中的第i个元素；DTW(X，Y)表示时间序列X与Y的规整距离(DTW距离)；

规整路径W需满足如下约束条件：1)有界性：max(p，q)≤K≤p+q-1；2)边界性：w₁＝a₁₁和w_K＝a_pq，分别用来表示W的起点和终点；3)连续性：对于w_k＝a_ij，其相邻元素w_k-1＝a_i’j(满足i-i’≤1，j-j’≤1)；4)单调性：i-i’≥0，j-j’≥0；

由规整的距离函数与路径约束条件可知，计算DTW距离的递归算法为：

式中的D(i，j)为路径元素a_ij与之前段规整距离的最小累计值之和。

步骤22：结合步骤21得到聚类后得到第i台主变负载重要影响因素聚类数据集θijl，训练LSTM主变负载预测模型。

其中LSTM主变负载预测模型训练，主要思路如下：

LSTM(long short term memory network)是一种RNN(recurrent neuralnetwork)的改进模型，解决了RNN的梯度消失和爆炸问题，使网络能够有效地处理长期时间序列数据，已应用于电力负载预测，所得误差明显低于其他方法，极大地提升了电力负载预测精度。LSTM在RNN的基础上增加了3个门的逻辑控制单元：输入门、遗忘门和输入门。通过门单元的逻辑控制决定数据是否更新或选择丢弃，克服了RNN权重影响过大、容易产生梯度消失和爆炸的缺点，使网络可以更好、更快地收敛，能够有效提高电力负载预测精度。

遗忘门：f_t＝σ(W_f[h_t-1，x_t]+b_f)

其中，W_f是遗忘门的权重矩阵；[h_t-1,x_t]表示将两个向量连接成一个更长的向量；b_f是遗忘门的偏置项；σ是sigmoid函数；

输入门：i_t＝σ(W_i[h_t-1，x_t]+b_i)；

其中，Wi是输入门的权重矩阵；bi是输入门的偏置项。

单元：

其中，计算当前时刻的单元状态c_t；它是上一次的单元状态c_t-1按元素乘以遗忘门f_t，再用当前输入的单元状态

按元素乘以输入门i_t，再将两个积加和产生；把LSTM关于当前的记忆

和长期的记忆c_t-1组合在一起，形成了新的单元状态c_t；由于遗忘门的控制，它可以保存较为久远的信息，通过输入门的控制，可以保证丢弃一些当前无关紧要的内容；

计算输出门输出：o_t＝σ(W_o[h_t-1，x_t]+b_o)

最终得到LSTM输出：h_t＝o_t⊙tanh(c_i)。

步骤23：利用步骤20得到的预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子预测值ψityc＝{ψitjhyc，ψitfjyc}，带入LSTM主变负载预测模型，得到预测周期内的第i台主变负载预测值Pyci。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于主变负载影响因素预测的主变负载预测方法，其特征在于：该方法为：收集全面分析与主变负载特性有关的数据信息，构建主变负载影响因素评价数据库，通过建立考虑典型时间的主变负载影响因素评价模型ξ1、考虑电网拓扑结构的主变负载影响因素评价模型ξ2、考虑停电计划的主变负载影响因素评价模型ξ3、考虑主变参数的主变负载影响因素评价模型ξ4、考虑气象信息的主变负载影响因素评价模型ξ5、考虑主变过载特性的主变负载影响因素评价模型ξ6、考虑主变重载特性的主变负载影响因素评价模型ξ7、考虑主变负荷特性的主变负载影响因素评价模型ξ8、考虑季节特性的主变负载影响因素评价模型ξ9、构建全面的主变负载影响因素分析模型，计算主变负载数据信息以及主变负载影响因素分析模型的相关系数，根据强关联主变负载影响因素评价因子，获得主变负载重要影响因素数据集，并按照计划性和非计划性影响因子对数据集分类，从而得到预测期主变负载影响因素评价因子预测值，利用DTW和LSTM的组合预测算法，应用DTW算法将相似负载率特性的主变负载率曲线进行聚类，将DTW聚类后的数据训练LSTM主变负载模型。

2.根据权利要求1所述的一种基于主变负载影响因素预测的主变负载预测方法，其特征在于：该方法具体步骤如下：

步骤1：收集主变负载数据信息以及全面分析主变负载特性有关的数据信息，构建主变负载影响因素评价数据库；

步骤2：利用步骤1得到的主变负载影响因素评价数据库，建立考虑典型时间的主变负载影响因素评价模型ξ1；

步骤3：利用步骤1得到的主变负载影响因素评价数据库，建立考虑电网拓扑结构的主变负载影响因素评价模型ξ2；

步骤4：利用步骤1得到的主变负载影响因素评价数据库，建立考虑停电计划的主变负载影响因素评价模型ξ3；

步骤5：利用步骤1得到的主变负载影响因素评价数据库，建立考虑主变参数的主变负载影响因素评价模型ξ4；

步骤6利用步骤1得到的主变负载影响因素评价数据库，建立考虑气象信息的主变负载影响因素评价模型ξ5；

步骤7：利用步骤1得到的主变负载影响因素评价数据库，分析主变的过载特性，建立考虑主变过载特性的主变负载影响因素评价模型ξ6；

步骤8：利用步骤1得到的主变负载影响因素评价数据库，分析主变的重载特性，建立考虑主变重载特性的主变负载影响因素评价模型ξ7；

步骤9：利用步骤1得到的主变负载影响因素评价数据库，分析主变的负荷特性，建立考虑主变负荷特性的主变负载影响因素评价模型ξ8；

步骤10：利用步骤1得到的主变负载影响因素评价数据库，分析主变的季节特性，建立考虑季节特性的主变负载影响因素评价模型ξ9；

步骤11：结合步骤2-10，构建主变负载影响因素分析模型ψ＝{ξ1，ξ2，ξ3，ξ4，ξ5，ξ6，ξ7，ξ8，ξ9}；

步骤12：对主变负载影响因素分析模型ψ＝{ξ1，ξ2，ξ3，ξ4，ξ5，ξ6，ξ7，ξ8，ξ9}中的缺失值进行处理；

步骤13：利用步骤12得到处理后完整的主变负载影响因素分析模型ψaf＝{ξ1af，ξ2af，ξ3af，ξ4af，ξ5af，ξ6af，ξ7af，ξ8af，ξ9af}进行归一化处理；

步骤14：计算步骤1中的主变负载数据信息R_LO以及步骤13得到的归一化后得到的主变负载影响因素分析模型ψ_norm的相关系数；

步骤15：对第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子，记作第i台主变负载重要影响因素数据集

步骤16：将步骤2-10的构建主变负载影响因素分析模型ξ1、ξ2、ξ3、ξ4、ξ5、ξ6、ξ7、ξ8、ξ9内包含的所有评价因子进行分类，即分为计划性影响因素评价因子和非计划性影响因素评价因子。将计划性影响因素评价因子计入ψjh＝{ξ1jh，ξ2jh，ξ3jh，ξ4jh，ξ5jh，ξ6jh，ξ7jh，ξ8jh，ξ9jh}，将非计划数据类影响因素评价因子计入ψfj＝{ξ1fj，ξ2fj，ξ3fj，ξ4fj，ξ5fj，ξ6fj，ξ7fj，ξ8fj，ξ9fj}；

步骤17：结合步骤15得到的对第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子，按照ψjh和ψfj进行计划性影响因素评价因子和非计划性影响因素评价因子分类，得到的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中计划性影响因素评价因子ψitjh，得到的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中非计划性影响因素评价因子ψitfj；

步骤18：将预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中，计划性影响因素评价因子预测数据计入ψitjhyc；计划性影响因素评价因子预测数据ψitjhyc，即为计划性影响因素评价因子的计划数据；

步骤19：将预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中，非计划性影响因素评价因子预测数据计入ψitfjyc；

步骤20：结合步骤18和19，获得预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子预测值ψityc＝{ψitjhyc，ψitfjyc}；

步骤21：结合步骤15得到的第i台主变负载重要影响因素数据集

利用DTW对主变负载影响因素分析模型进行聚类，聚类后得到第i台主变负载重要影响因素聚类数据集

步骤22：结合步骤21得到聚类后得到第i台主变负载重要影响因素聚类数据集

训练LSTM主变负载预测模型；

步骤23：利用步骤20得到的预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子预测值ψityc＝{ψitjhyc，ψitfjyc}，带入LSTM主变负载预测模型，得到预测周期内的第i台主变负载预测值Pyci。

3.根据权利要求2所述的一种基于主变负载影响因素预测的主变负载预测方法，其特征在于：步骤2中考虑典型时间的主变负载影响因素评价模型ξ1包括长时间模型ξ11和短时间评价模型ξ12；

其中，长时间评价模型ξ11包括春季评价因子、夏季评价因子、秋季评价因子、冬季评价因子；

短时间评价模型ξ12包括节日评价因子、双休日评价因子、工作日评价因子、特殊时期保供电评价因子；

步骤3中，建立考虑电网拓扑结构的主变负载影响因素评价模型ξ2包括主变所在变电站的运行主变数量评价模型ξ21，主变所在变电站的运行母线数量评价模型ξ22，主变所在变电站的运行出线数量评价模型ξ23，与主变所在变电站相邻的变电站数量评价模型ξ24，与主变所在变电站相邻的发电厂装机容量评价模型ξ25，与主变所在变电站相邻的储能装置容量评价模型ξ26；

主变所在变电站的运行主变数量评价模型ξ21包括单主变评价因子、双主变评价因子、三主变评价因子、四主变评价因子、五台及以上多主变评价因子；

主变所在变电站的运行母线数量评价模型ξ22包括高压侧母线数量评价因子、中压侧母线数量评价因子、低压侧母线数量评价因子；

主变所在变电站的运行出线数量评价模型ξ23包括高压侧出线数量评价因子、中压侧出线数量评价因子、低压侧出线数量评价因子；

与主变所在变电站相邻的发电厂装机容量评价模型ξ25包括火电厂装机容量评价因子、水电厂装机容量评价因子、风电场装机容量评价因子、光伏电站装机容量评价因子、燃气电站装机容量评价因子、垃圾电站装机容量评价因子、生物质装机容量评价因子。

4.根据权利要求2所述的一种基于主变负载影响因素预测的主变负载预测方法，其特征在于：步骤4中，建立考虑停电计划的主变负载影响因素评价模型ξ3包括计划性停电评价模型ξ31，临时性停电评价模型ξ32；

计划性停电评价模型ξ31包括该主变检修停电评价因子、主变所在变电站的其他主变检修停电评价因子、主变所在变电站母线检修停电评价因子、主变所在变电站出线检修停电评价因子、主变所在变电站的相邻变电站停电评价因子、主变所在变电站的相邻的发电厂检修停电评价因子；

临时性停电评价模型ξ32包括主变所在变电站的所有断路器合位信号评价因子、主变所在变电站的保护装置动作信息评价因子、主变所在变电站的稳控装置动作信息评价因子、主变所在变电站的相邻变电站内所有断路器合位信号评价因子、主变所在变电站的相邻变电站内保护装置动作信息评价因子、主变所在变电站的相邻变电站内稳控装置动作信息评价因子。

步骤5中，建立考虑主变参数的主变负载影响因素评价模型ξ4包括主变本体参数评价模型ξ41和主变运行参数评价模型ξ42；

主变本体参数评价模型ξ41包括主变容量评价因子、主变投运年限评价因子、主变老化评价因子；

主变运行参数评价模型ξ42包括油温高告警信息评价因子、绕温高告警信息评价因子、轻瓦斯告警信息评价因子、油位低告警信息评价因子、主变状态评价结果评价因子、绕组缺陷信息评价因子、铁芯缺陷信息评价因子、箱壳缺陷信息评价因子、风冷控制系统缺陷信息评价因子和变压器漏油缺陷信息评价因子。

5.根据权利要求2所述的一种基于主变负载影响因素预测的主变负载预测方法，其特征在于：步骤6中，建立考虑气象信息的主变负载影响因素评价模型ξ5包括主变所在区域的温度评价因子、湿度评价因子、大气压力评价因子、海拔高度评价因子、风速评价因子、风向评价因子、光照强度评价因子、净辐射量评价因子、降水量评价因子。

6.根据权利要求2所述的一种基于主变负载影响因素预测的主变负载预测方法，其特征在于：步骤7中，考虑主变过载特性的主变负载影响因素评价模型ξ6包括过载总时长评价因子、过载次数评价因子、过载单次最大时长评价因子、过载负荷上网特性评价因子、过载负荷下网特性评价因子、同站多主变同时过载总时长评价因子、同站多主变同时过载次数评价因子、同站多主变同时过载单次最大时长评价因子、过载主变供电区域面积评价因子；步骤8中，考虑主变重载特性的主变负载影响因素评价模型ξ7包括重载总时长评价因子、重载次数评价因子、单次重载最大时长评价因子、重载负荷上网特性评价因子、重载负荷下网特性评价因子、同站多主变同时重载总时长评价因子、同站多主变同时重载次数评价因子、同站多主变同时重载单次最大时长评价因子、重载主变供电区域面积评价因子；步骤9中，考虑主变负荷特性的主变负载影响因素评价模型ξ8包括主变所带一级负荷评价因子、二级负荷评价因子、三级负荷评价因子、工业负荷评价因子、农业负荷评价因子、居民负荷评价因子、交通运输负荷评价因子，步骤10中，考虑季节特性的主变负载影响因素评价模型ξ9包括夏季过载评价因子、夏季重载评价因子、冬季过载评价因子、冬季重载评价因子。

7.根据权利要求2所述的一种基于主变负载影响因素预测的主变负载预测方法，其特征在于：步骤12中，缺失值进行处理方法如下：

(1)对于需要填充数据分析模型中第η个评价因子ψη，根据给定的距离度量Γ，找到样本空间中距离它最接近的k个样本，并记下这k个样本和它的距离d₁,d₂,...,d_k；选择的距离度量Γ为欧式距离，两个g维向量X_i＝(X_i1,X_i2,...,X_ig)与X_j＝(X_ji,X_j2,...,X_jg)间的欧式距离为：

(2)根据距离值计算这k个最近样本的加权平均数来作为填充数据ψη，填充数据ψη和k个最近样本的关系如下：

其中，W_i是第i个样本的权重值:

(3)处理后得到完整的主变负载影响因素分析模型ψaf＝{ξ1af，ξ2af，ξ3af，ξ4af，ξ5af}；

步骤13中，归一化处理方法为：通过线性变换公式把原始数据缩放到[0,1]的范围内，归一化后得到的主变负载影响因素分析模型ψ_norm计算公式如下：

其中，ψaf表示原始的数据序列，ψaf_min表示原始数据中的最小值，ψaf_max表示原始数据中的最大值；

步骤14中，第i台主变负载和影响因素分析模型的两两之间的相关系数计算公式如下：

相关系数r取值区间为[-1,1]，-1表示完全负相关，+1表示完全正相关，0表示线性不相关。

8.根据权利要求2所述的一种基于主变负载影响因素预测的主变负载预测方法，其特征在于：步骤19中非计划性影响因素评价因子预测数据计入ψitfjyc计算方法为：

步骤19.1：利用步骤2-步骤10中属于非计划性影响因素评价因子的历史信息作为训练样本；

步骤19.2：构建非计划性影响因素评价因子的SVM预测模型；

假定训练数据集为(x_i,y_i)(i＝1,2,...,n)，n为样本总数；其中，x_i∈R^d，y_i∈{-1,1}是分类标号；d维空间中分类面可以表示为ω·x+b＝0，其分类间隔表示成；SVM在线性可分时是选择大间隔因子来达到其训练学习过程，此时使2/||ω||最大等价于使||ω||最小，因此SVM总是在选择分类超平面的过程之中，此类分类超平面能够确保其总是具有最大分类间隔，得到唯一最优解；然而在现实生活中的大部分应用中往往处于非线性不可分情况下,SVM是将输入量通过已知的某一非线性映射转换到另一高维空间，即把原有的特征空间通过某一方式变换为新的特征空间，在此期间，通过引入松弛因子来降低经验因素造成的错误影响,同时进行惩罚因子C使其在错分的情况下调整错分的惩罚程度，使其在错误率与复杂程度之间找到最为合适的数据位置，这其实是一个转化为核函数K(x,x_i)运算的问题；

目标函数变为:

选择核函数为Gauss径向函数：

此能够取到SVM的最优分类函数：

步骤19.3利用步骤19.1历史数据作为训练样本集训练SVM模型，并输出第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中，非计划性影响因素评价因子预测数据ψitfjyc。

9.根据权利要求2所述的一种基于主变负载影响因素预测的主变负载预测方法，其特征在于：步骤22中DTW对主变负载影响因素分析模型进行聚类方法如下：

通过对构建距离矩阵进行动态规整，找到累积距离最小的路径(最优路径)，并利用其距离度量作为判据完成序列相似度匹配：定义两条长度分别为p和q的一维时间序列为X＝x₁，x₂…，x_p和Y＝y₁，y₂…，y_q，构造一个p行q列的距离矩阵A为：

其中矩阵元素d(x_i,y_j)＝(x_i-y_j)²，表示序列中两点距离，定义规整路径为W，路径中第k个元素为w_k＝(a_ij)_k，序列X、Y规整距离函数表示为：

其中，K表示最优规整路径的长度；w_i为最优规整路径中的第i个元素；DTW(X，Y)表示时间序列X与Y的规整距离(DTW距离)；

规整路径W需满足如下约束条件：1)有界性：max(p，q)≤K≤p+q-1；2)边界性：w₁＝a₁₁和w_K＝a_pq，分别用来表示W的起点和终点；3)连续性：对于w_k＝a_ij，其相邻元素w_k-1＝a_i’j(满足i-i’≤1，j-j’≤1)；4)单调性：i-i’≥0，j-j’≥0；

由规整的距离函数与路径约束条件知，计算DTW距离的递归算法为：

式中的D(i，j)为路径元素a_ij与之前段规整距离的最小累计值之和。

10.根据权利要求2所述的一种基于主变负载影响因素预测的主变负载预测方法，其特征在于：步骤23中LSTM主变负载预测模型训练方法如下

LSTM在RNN的基础上增加了3个门的逻辑控制单元：输入门、遗忘门和输入门。通过门单元的逻辑控制决定数据是否更新或选择丢弃：

遗忘门：f_t＝σ(W_f[h_t-1，x_t]+b_f)

其中，W_f是遗忘门的权重矩阵；[h_t-1，x_t]表示将两个向量连接成一个更长的向量；b_f是遗忘门的偏置项；σ是sigmoid函数；

输入门：i_t＝σ(W_i[h_t-1，x_t]+b_i)；

其中，Wi是输入门的权重矩阵；bi是输入门的偏置项。

单元：

其中，计算当前时刻的单元状态c_t；它是上一次的单元状态c_t-1按元素乘以遗忘门f_t，再用当前输入的单元状态

按元素乘以输入门i_t，再将两个积加和产生；把LSTM关于当前的记忆

和长期的记忆c_t-1组合在一起，形成了新的单元状态c_t；

计算输出门输出：o_t＝σ(W_o[h_t-1，x_t]+b_o)

最终得到LSTM输出：h_t＝o_t⊙tanh(c_t)。