CN115149528A - 一种基于大数据非侵入技术的智能电能表分布式预测方法 - Google Patents

Abstract

本发明公开了一种基于大数据非侵入技术的智能电能表分布式预测方法。包括如下步骤：智能电表接收上级采集终端下发的负荷调度指令；智能电表启动负荷预测程序；负荷预测程序读取电能表电力数据；负荷预测程序通过大数据分析技术，预测超短期负荷；智能电表通过通讯模块向上级采集终端反馈超短期负荷预测结果；上级采集终端根据负荷预测结果，细化负荷调度指令。本发明通过利用智能电表采集的电力数据，对当前节点下的负荷进行短期预测，并与上级采集设备通讯，将预测结果作为电网调度的参考；采用大数据技术，结合节点当前的环境数据、历史用电数据、用户用电行为特征等高维参数，对电能表中存储的数据进行分析，得到超短期负荷预测结果。

Description

一种基于大数据非侵入技术的智能电能表分布式预测方法

技术领域

本发明属于电力设备技术领域，特别是涉及一种基于大数据非侵入技术的智能电能表分布式预测方法。

背景技术

负荷预测对于电网系统的稳定可靠运行有十分重要的意义。负荷预测包括长期预测，如按季度或年份进行预测，也包括短期预测，如按小时预测。短期预测对负荷的变化趋势有更为准确的预测，可以为电网的即时调度和管理提供可靠的参考依据。近年来，随着分布式能源的发展，越来越多的负荷类型融入电网，对电网调度提出了更高的要求。比如在需求响应阶段，如能实时预测负荷，可以更高效地匹配可参与需求响应的负荷大小，提高需求响应的速度。短期负荷预测的应用也在不断拓展，比如应用在更接近用户侧的单个设备上。

目前主要的负荷预测方法分为两种：自上而下和自下而上。自上而下的负荷预测是指先在主站或采集终端侧进行总体负荷，再对下级设备的负荷情况进行细分预测。这一类方法对总体预测的结果较好。自下而上的负荷预测是指，在靠近用户侧的单个节点上进行负荷预测，再向上反馈，从而进行整体预测。本发明采用的是自下而上预测，利用广泛安装且具备数据存储读取功能的智能电表，快速准确的预测单节点负荷。

发明内容

本发明的目的在于提供一种基于大数据非侵入技术的智能电能表分布式预测方法，通过利用智能电表采集的电力数据，对当前节点下的负荷进行短期预测，并与上级采集设备通讯，将预测结果作为电网调度的参考；在智能电表端进行负荷预测，直接读取电表电能数据，预测结果针对性更强，实时性更高；采用大数据技术，结合节点当前的环境数据、历史用电数据、用户用电行为特征等高维参数，对电能表中存储的数据进行分析，得到超短期负荷预测结果，结果更为准确；与上级采集终端配合，为负荷实时调度提供参考。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于大数据非侵入技术的智能电能表分布式预测方法，包括如下步骤：

步骤一、智能电表通过通信模块接收上级采集终端下发的负荷调度指令；

步骤二、智能电表启动负荷预测程序；

步骤三、负荷预测程序读取电能表电力数据；

步骤四、负荷预测程序通过大数据分析技术，预测超短期负荷；

包括以下子步骤：

SS01、获得输入；设预测时刻为t，程序读取时间段[t+ε，t-1]内的智能电表历史数据，形成原始数据库，ε为常数；

SS02、数据预处理；采用异常点识别方法剔除明显异常的数据，形成输入数据库X；

SS03、负荷预测程序获取[t+ε，t-1]内的环境参数、电价数据参数；形成参数数据集Ψ；

SS04、负荷预测程序对X和Ψ进行回归迭代，输出映射关系矩阵ω；即X＝f(Ψ，ω)；式中f为输入输出之间的映射函数；

为了求解关系矩阵ω的最优解，求解目标函数；

其中m为负荷数据X的矩阵维度，i是变量，对应每个维度的X的数据；

获得使函数L最小的关系矩阵ω的值，即求得映射函数f；

采用最小二乘法，

表示对数据集所有数据求平方误差后再累计求和，即可获得使函数L最小的关系矩阵ω的值，即求得映射函数f；

SS05、获得当前时刻t的环境参数、电价数据以及其他参数，形成参数数据集Ψ′，电力负荷数据作为输出Y：

Y＝∑f(Ψ′，X)；

步骤五、智能电表通过通讯模块向上级采集终端反馈超短期负荷预测结果；

步骤六、上级采集终端根据负荷预测结果，进一步细化负荷调度指令。

优选地，所述负荷预测程序获取的环境参数包括气温数据、湿度数据、气压值数据中的一种或多种。

优选地，所述负荷调度指令包括需求响应指令、有序用电指令、并网指令中的一种或多种

优选地，所述步骤SS02中异常点识别方法采用孤立森林法或采用聚类分析或相关性分析。

优选地，所述异常点识别方法采用孤立森林法，设原始数据为S，按照以下步骤进行：

Stp01、从原始数据S中采样，选择t个数据作为训练集P；

Stp02、从训练集P中随机指定一个数据p，将训练集中其他数据空间划分为2个子空间：小于p的数据放在数据p的左分支，把大于等于p的数据放在数据p的右分支；

Stp03、在分支中递归步骤Stp02，不断构造新的分支，直到分支中只有一个数据或分支深度达到极限，从而完成训练；

Stp04、使用已生成的树评估原始数据S；对于一个数据

令x遍历每一棵树，计算x在树的高度；

Stp05、根据步骤Stp04中得出的x的高度，剔除高度最高的数据x。

优选地，所述异常点识别方法采用聚类算法，设原始数据为S，按照以下步骤进行：

Stp11、从原始数据S中随机挑选k个样本点作为聚类中心，从而将数据分成k个类别；

Stp12、计算原始数据中除了聚类中心之外的数据点与k个聚类中心之间的距离，并把各数据点按照距离最近的类别进行分类；

Stp13、重新计算各类别中数据的均值，并以均值作为新的k个聚类中心；

Stp14、不断重复步骤Stp12和Stp13，直到聚类中心的变化趋于收敛，从而形成最终的k个类别；

Stp15、设定阈值，计算每一类别下各数据点与聚类中心的距离，如距离大于阈值，则标记为异常点，剔除该数据点；

Stp16、形成最终的输入数据库X。

本发明具有以下有益效果：

本发明通过利用智能电表采集的电力数据，对当前节点下的负荷进行短期预测，并与上级采集设备通讯，将预测结果作为电网调度的参考；在智能电表端进行负荷预测，直接读取电表电能数据，预测结果针对性更强，实时性更高；采用大数据技术，结合节点当前的环境数据、历史用电数据、用户用电行为特征等高维参数，对电能表中存储的数据进行分析，得到超短期负荷预测结果，结果更为准确；与上级采集终端配合，为负荷实时调度提供参考。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一种基于大数据非侵入技术的智能电能表分布式预测方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

实施例一：

请参阅图1所示，本发明为一种基于大数据非侵入技术的智能电能表分布式预测方法，包括如下步骤：

步骤一、智能电表通过通信模块接收上级采集终端下发的负荷调度指令；负荷调度指令包括需求响应指令、有序用电指令、并网指令中的一种或多种；

步骤二、智能电表启动负荷预测程序；

步骤三、负荷预测程序读取电能表电力数据；

步骤四、负荷预测程序通过大数据分析技术，预测超短期负荷；

包括以下子步骤：

SS01、获得输入；设预测时刻为t，程序读取时间段[t+ε，t-1]内的智能电表历史数据，形成原始数据库，ε为常数；

SS02、数据预处理；采用异常点识别方法剔除明显异常的数据，形成输入数据库X；

SS03、负荷预测程序获取[t+ε，t-1]内的环境参数、电价数据参数；形成参数数据集Ψ；负荷预测程序获取[t+ε，t-1]内的环境参数包括气温数据、湿度数据、气压值数据中的一种或多种；参数数据集Ψ还包括其他可用于预测负荷的参数如突发事件概率、季节、管理与政策影响；

SS04、负荷预测程序对X和Ψ进行回归迭代，输出映射关系矩阵ω；即X＝f(Ψ，ω)；式中f为输入输出之间的映射函数；

为了求解关系矩阵ω的最优解，求解目标函数；

其中m为负荷数据X的矩阵维度，i是变量，对应每个维度的X的数据；

获得使函数L最小的关系矩阵ω的值，即求得映射函数f；

采用最小二乘法，

表示对数据集所有数据求平方误差后再累计求和，即可获得使函数L最小的关系矩阵ω的值，即求得映射函数f；

SS05、获得当前时刻t的环境参数、电价数据以及其他参数，形成参数数据集Ψ′，负荷预测程序获取的环境参数包括气温数据、湿度数据、气压值数据中的一种或多种；参数数据集Ψ′还包括其他可用于预测负荷的参数如突发事件概率、季节、管理与政策影响；电力负荷数据作为输出Y：

Y＝∑f(Ψ′，X)；

步骤五、智能电表通过通讯模块向上级采集终端反馈超短期负荷预测结果；

步骤六、上级采集终端根据负荷预测结果，进一步细化负荷调度指令，比如，上级下达500KW的负荷需求响应命令，经过预测，当前节点只能提供400KW的负荷，上级接收到预测结果后，将本节点原来的500KW需求调整为400KW，多出的100KW分配给别的节点。

实施例二：

一种基于大数据非侵入技术的智能电能表分布式预测方法，包括如下步骤：

步骤一、智能电表通过通信模块接收上级采集终端下发的负荷调度指令；负荷调度指令包括需求响应指令、有序用电指令、并网指令中的一种或多种；

步骤二、智能电表启动负荷预测程序；

步骤三、负荷预测程序读取电能表电力数据；

步骤四、负荷预测程序通过大数据分析技术，预测超短期负荷；

包括以下子步骤：

SS01、获得输入；设预测时刻为t，程序读取时间段[t+ε，t-1]内的智能电表历史数据，形成原始数据库，ε为常数；

SS02、数据预处理；采用孤立森林法剔除明显异常的数据，形成输入数据库X，包括以下步骤：

设原始数据为S，按照以下步骤进行：

Stp01、从原始数据S中采样，选择t个数据作为训练集P；

Stp02、从训练集P中随机指定一个数据p，将训练集中其他数据空间划分为2个子空间：小于p的数据放在数据p的左分支，把大于等于p的数据放在数据p的右分支；

Stp03、在分支中递归步骤Stp02，不断构造新的分支，直到分支中只有一个数据或分支深度达到极限，从而完成训练；

Stp04、使用已生成的树评估原始数据S；对于一个数据

令x遍历每一棵树，计算x在树的高度；

Stp05、根据步骤Stp04中得出的x的高度，剔除高度最高的数据x。

SS03、负荷预测程序获取[t+ε，t-1]内的环境参数、电价数据参数；形成参数数据集Ψ；负荷预测程序获取[t+ε，t-1]内的环境参数包括气温数据、湿度数据、气压值数据中的一种或多种；参数数据集Ψ还包括其他可用于预测负荷的参数如突发事件概率、季节、管理与政策影响；

SS04、负荷预测程序对X和Ψ进行回归迭代，输出映射关系矩阵ω；即X＝f(Ψ，ω)；式中f为输入输出之间的映射函数；

为了求解关系矩阵ω的最优解，求解目标函数；

其中m为负荷数据X的矩阵维度，i是变量，对应每个维度的X的数据；

获得使函数L最小的关系矩阵ω的值，即求得映射函数f；

采用最小二乘法，

表示对数据集所有数据求平方误差后再累计求和，即可获得使函数L最小的关系矩阵ω的值，即求得映射函数f；

SS05、获得当前时刻t的环境参数、电价数据以及其他参数，形成参数数据集Ψ′，负荷预测程序获取的环境参数包括气温数据、湿度数据、气压值数据中的一种或多种；参数数据集Ψ′还包括其他可用于预测负荷的参数如突发事件概率、季节、管理与政策影响；电力负荷数据作为输出Y：

Y＝∑f(Ψ′，X)；

步骤五、智能电表通过通讯模块向上级采集终端反馈超短期负荷预测结果；

步骤六、上级采集终端根据负荷预测结果，进一步细化负荷调度指令。

实施例三：

一种基于大数据非侵入技术的智能电能表分布式预测方法，包括如下步骤：

步骤一、智能电表通过通信模块接收上级采集终端下发的负荷调度指令；负荷调度指令包括需求响应指令、有序用电指令、并网指令中的一种或多种；

步骤二、智能电表启动负荷预测程序；

步骤三、负荷预测程序读取电能表电力数据；

步骤四、负荷预测程序通过大数据分析技术，预测超短期负荷；

包括以下子步骤：

SS01、获得输入；设预测时刻为t，程序读取时间段[t+ε，t-1]内的智能电表历史数据，形成原始数据库，ε为常数；

SS02、数据预处理；采用聚类算法剔除明显异常的数据，形成输入数据库X，包括以下步骤：

设原始数据为S，按照以下步骤进行：

Stp11、从原始数据S中随机挑选k个样本点作为聚类中心，从而将数据分成k个类别；

Stp12、计算原始数据中除了聚类中心之外的数据点与k个聚类中心之间的距离，并把各数据点按照距离最近的类别进行分类；

Stp13、重新计算各类别中数据的均值，并以均值作为新的k个聚类中心；

Stp14、不断重复步骤Stp12和Stp13，直到聚类中心的变化趋于收敛，从而形成最终的k个类别；

Stp15、设定阈值，计算每一类别下各数据点与聚类中心的距离，如距离大于阈值，则标记为异常点，剔除该数据点；

Stp16、形成最终的输入数据库X。

SS03、负荷预测程序获取[t+ε，t-1]内的环境参数、电价数据参数；形成参数数据集Ψ；负荷预测程序获取[t+ε，t-1]内的环境参数包括气温数据、湿度数据、气压值数据中的一种或多种；参数数据集Ψ还包括其他可用于预测负荷的参数如突发事件概率、季节、管理与政策影响；

SS04、负荷预测程序对X和Ψ进行回归迭代，输出映射关系矩阵ω；即X＝f(Ψ，ω)；式中f为输入输出之间的映射函数；

为了求解关系矩阵ω的最优解，求解目标函数；

其中m为负荷数据X的矩阵维度，i是变量，对应每个维度的X的数据；

获得使函数L最小的关系矩阵ω的值，即求得映射函数f；

采用最小二乘法，

表示对数据集所有数据求平方误差后再累计求和，即可获得使函数L最小的关系矩阵ω的值，即求得映射函数f；

SS05、获得当前时刻t的环境参数、电价数据以及其他参数，形成参数数据集Ψ′，负荷预测程序获取的环境参数包括气温数据、湿度数据、气压值数据中的一种或多种；参数数据集Ψ′还包括其他可用于预测负荷的参数如突发事件概率、季节、管理与政策影响；电力负荷数据作为输出Y：

Y＝∑f(Ψ′，X)；

步骤五、智能电表通过通讯模块向上级采集终端反馈超短期负荷预测结果；

步骤六、上级采集终端根据负荷预测结果，进一步细化负荷调度指令。

值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (6)

1.一种基于大数据非侵入技术的智能电能表分布式预测方法，其特征在于，包括如下步骤：

步骤一、智能电表通过通信模块接收上级采集终端下发的负荷调度指令；

步骤二、智能电表启动负荷预测程序；

步骤三、负荷预测程序读取电能表电力数据；

步骤四、负荷预测程序通过大数据分析技术，预测超短期负荷；

包括以下子步骤：

SS01、获得输入；设预测时刻为t，程序读取时间段[t+ε，t-1]内的智能电表历史数据，形成原始数据库，ε为常数；

SS02、数据预处理；采用异常点识别方法剔除明显异常的数据，形成输入数据库X；

SS03、负荷预测程序获取[t+ε，t-1]内的环境参数、电价数据参数；形成参数数据集Ψ；

SS04、负荷预测程序对X和Ψ进行回归迭代，输出映射关系矩阵ω；即X＝f(Ψ，ω)；式中f为输入输出之间的映射函数；

为了求解关系矩阵ω的最优解，求解目标函数；

其中m为负荷数据X的矩阵维度，i是变量，对应每个维度的X的数据；

获得使函数L最小的关系矩阵ω的值，即求得映射函数f；

采用最小二乘法，

表示对数据集所有数据求平方误差后再累计求和，即可获得使函数L最小的关系矩阵ω的值，即求得映射函数f；

SS05、获得当前时刻t的环境参数、电价数据以及其他参数，形成参数数据集Ψ′，电力负荷数据作为输出Y：

Y＝∑f(Ψ′，X)；

步骤五、智能电表通过通讯模块向上级采集终端反馈超短期负荷预测结果；

步骤六、上级采集终端根据负荷预测结果，进一步细化负荷调度指令。

2.根据权利要求1所述的一种基于大数据非侵入技术的智能电能表分布式预测方法，其特征在于，所述负荷预测程序获取的环境参数包括气温数据、湿度数据、气压值数据中的一种或多种。

3.根据权利要求1所述的一种基于大数据非侵入技术的智能电能表分布式预测方法，其特征在于，所述负荷调度指令包括需求响应指令、有序用电指令、并网指令中的一种或多种。

4.根据权利要求1所述的一种基于大数据非侵入技术的智能电能表分布式预测方法，其特征在于，所述步骤SS02中异常点识别方法采用孤立森林法或采用聚类分析或相关性分析。

5.根据权利要求3所述的一种基于大数据非侵入技术的智能电能表分布式预测方法，其特征在于，所述异常点识别方法采用孤立森林法，设原始数据为S，按照以下步骤进行：

Stp01、从原始数据S中采样，选择t个数据作为训练集P；

Stp02、从训练集P中随机指定一个数据p，将训练集中其他数据空间划分为2个子空间：小于p的数据放在数据p的左分支，把大于等于p的数据放在数据p的右分支；

Stp03、在分支中递归步骤Stp02，不断构造新的分支，直到分支中只有一个数据或分支深度达到极限，从而完成训练；

Stp04、使用已生成的树评估原始数据S；对于一个数据x∈S，

令x遍历每一棵树，计算x在树的高度；

Stp05、根据步骤Stp04中得出的x的高度，剔除高度最高的数据x。

6.根据权利要求3所述的一种基于大数据非侵入技术的智能电能表分布式预测方法，其特征在于，所述异常点识别方法采用聚类算法，设原始数据为S，按照以下步骤进行：

Stp11、从原始数据S中随机挑选k个样本点作为聚类中心，从而将数据分成k个类别；

Stp12、计算原始数据中除了聚类中心之外的数据点与k个聚类中心之间的距离，并把各数据点按照距离最近的类别进行分类；

Stp13、重新计算各类别中数据的均值，并以均值作为新的k个聚类中心；

Stp14、不断重复步骤Stp12和Stp13，直到聚类中心的变化趋于收敛，从而形成最终的k个类别；

Stp15、设定阈值，计算每一类别下各数据点与聚类中心的距离，如距离大于阈值，则标记为异常点，剔除该数据点；

Stp16、形成最终的输入数据库X。

Images