CN115587672A - 一种配变负荷预测及重过载预警方法及系统 - Google Patents
一种配变负荷预测及重过载预警方法及系统 Download PDFInfo
- Publication number
- CN115587672A CN115587672A CN202211400035.5A CN202211400035A CN115587672A CN 115587672 A CN115587672 A CN 115587672A CN 202211400035 A CN202211400035 A CN 202211400035A CN 115587672 A CN115587672 A CN 115587672A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- prediction
- model
- sample
- 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 92
- 238000009826 distribution Methods 0.000 title claims abstract description 90
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 9
- 230000037430 deletion Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 24
- 238000002474 experimental method Methods 0.000 description 11
- 238000012937 correction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000001364 causal effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 102000019448 GART Human genes 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 108010064209 Phosphoribosylglycinamide formyltransferase Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XOOUIPVCVHRTMJ-UHFFFAOYSA-L zinc stearate Chemical compound [Zn+2].CCCCCCCCCCCCCCCCCC([O-])=O.CCCCCCCCCCCCCCCCCC([O-])=O XOOUIPVCVHRTMJ-UHFFFAOYSA-L 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
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种配变负荷预测及重过载预警方法及系统，此方法包括步骤：获得台区负荷量测数据及天气气象数据，以及生成节假日数据，得到时间序列样本集；对时间序列样本集中影响配变负荷的因素进行特征分析，选择强相关性特征与负荷数据，生成预测模型的样本数据；搭建时间卷积网络负荷预测模型，进行预测模型学习训练并调整优化模型参数；搭建极限梯度提升树预测模型，生成日负荷峰值区间样本集，进行模型学习训练；将样本数据输入极限梯度提升树模型及时间卷积网络负荷预测模型，使用峰值负荷预测补正负荷整体预测，生成最终预测结果；根据预测负荷水平判断配变运行风险，发出台区重过载预警信息。本发明具有预测精度高等优点。
Description
技术领域
本发明主要涉及电力技术领域，具体涉及一种配变负荷预测及重过载预警方法及系统。
背景技术
近年来，随着国民经济的快速发展和新电力体制改革的推进，工业用电量、居民生活用电量都急速增长，配电变压器数量随之迅速增加,电力负荷整体呈现较高的增长速度，我国负荷峰值不断刷新，高峰时期的供需不平衡程度不断加深。每年夏季、春节等时间段，用户用电需求增加用电负荷剧增，大量配变处于重过载运行状态，而配电网供电可靠性直接影响用电客户的满意度。尖峰负荷预测能够预警配变重过载运行风险，帮助电网调度人员在负荷高位急速攀峰之前综合评估衡量配变的承受能力，综合考虑是否需要对配变进行快速调整以维持配变安全运行及电力的供需平衡。然而，目前以配变峰值负荷预测为重点的研究工作较为有限，传统负荷预测方法以整体预测误差函数优化模型参数，不适用于配变峰值负荷预测，此外配变峰值负荷易受外界如气象、温度等因素的影响，给峰值负荷预测带来挑战。
已有学者在峰值负荷预测方面开展了部分研究，大多数相关研究主要分为混合预测框架和两阶段预测框架两种类型。目前已有的峰值负荷预测还存在以下缺陷，具体如下：1)传统机器学习方法不适用于目前数据量大、时序性强的时间序列样本；2)峰值负荷很大程度受到外界因素如气象、温度等的影响，目前负荷预测过程中仅考虑负荷自身时序规律，忽略了外界因素对配变运行的影响；3)峰值负荷预测不仅包括峰值负荷的幅值，峰值出现及持续时间同样重要，目前方法大多数依赖于负荷预测结果，通过比较预测值的大小确定峰值时刻，不利于精确判断配变重过载发生时刻。这些原因，导致峰值负荷预测性能较差，配变重过载预警准确性不足。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种预测精度高的配变负荷预测及重过载预警方法及系统。
为解决上述技术问题，本发明提出的技术方案为：
一种配变负荷预测及重过载预警方法，包括步骤：
获得台区负荷量测数据及天气气象数据，以及生成节假日数据，得到时间序列样本集；
对时间序列样本集中影响配变负荷的因素进行特征分析，选择强相关性特征与负荷数据，生成预测模型的样本数据；
搭建时间卷积网络负荷预测模型，通过样本数据进行预测模型学习训练并调整优化模型参数；
搭建极限梯度提升树预测模型，通过样本数据生成日负荷峰值区间样本集，进行模型学习训练，使用贝叶斯优化算法优化模型参数；
将样本数据输入极限梯度提升树模型及时间卷积网络负荷预测模型，使用峰值负荷预测补正负荷整体预测，生成最终预测结果；根据预测负荷水平判断配变运行风险，发出台区重过载预警信息。
优选地，获得台区负荷量测数据及天气气象数据，以及生成节假日数据，得到时间序列样本集的具体过程为：
S101、获取台区负荷量测数据及天气气象数据；其中台区负荷量测数据为台区历史日用电量数据，包括历史三个月用电数据及历史同期用电数据；天气气象数据包括温度、湿度、风速和风力；节假日数据由负荷数据所属日期生成；其中台区负荷量测数据、天气气象数据和节假日数据均为时间序列数据；
S102、通过箱型图法剔除台区负荷量测数据及天气气象数据中异常的时间序列数据，采用最小二乘回归法及线性插值法填充缺失时间序列数据，生成清洗后的气象数据和负荷数据；
S103、对清洗后的气象数据与负荷测量数据进行归一化处理，生成时间序列样本集。
优选地，在步骤S102中，通过箱线图法剔除台区负荷量测数据及天气气象数据中异常的时间序列数据的过程如下：依据数据偏离平均水平程度来检测配变负荷异常数据，统计样本上四分位数记为QU，下四分位数记为QL，计算四分位位距QR，公式如下：
QR＝QL-QU
其中，在区间[QU-1.5QR,QL+1.5QR]范围外的数据判定为异常值，剔除后与样本缺失值一同填补。
优选地，在步骤S102中，采用最小二乘回归法及线性插值法填充缺失时间序列数据的具体过程如下：缺失数据分以下两种情况处理，对于单点缺失，由于电力负荷时间序列具有前后连续性，采用线性插值方法填补，即取缺失点前后两点平均值填补；对于连续缺失，使用最小二乘回归方法填补，即将缺失区间前后的样本作为训练数据，建立回归模型并训练，最后对缺失区间以模型回归结果进行填补。
优选地，步骤S103中对清洗后的气象数据与负荷测量数据进行归一化处理的具体过程为：
归一化公式具体如下：
式中，X'为最终归一化值，X为原始值，Xmax和Xmin分别为原始数据序列中最大值和最小值。
优选地，对影响配变负荷的因素进行特征分析，选择强相关性特征与负荷数据，生成预测模型的样本数据的具体过程为：
S201、计算不同因素与配变负荷之间的皮尔逊相关系数，衡量不同因素与负荷的相关性；
S202、选择相关性系数高于预设值的特征因素和负荷数据一同作为预测模型的样本数据；
S203、将预测模型的样本数据划分为训练样本集、验证样本集和测试样本集。
优选地，搭建时间卷积网络负荷预测模型，通过样本数据进行预测模型学习训练并调整优化模型参数的具体过程为：
S301、搭建时间卷积网络负荷预测模型，时间卷积网络负荷预测模型的超参数包括神经网络隐层数量、隐层神经元数量、学习率和dropout；
S302、将训练样本集作为样本数据，将对应负荷预测样本数据作为输出数据；
S303、采用Adam确定预测模型的最优超参数，输入到时间卷积网络负荷预测模型。
优选地，搭建极限梯度提升树预测模型，通过样本数据生成日负荷峰值区间样本集，进行模型学习训练，使用贝叶斯优化算法优化模型参数的具体过程为：
S401、搭建极限梯度提升树预测模型；极限梯度提升树预测模型的超参数包括决策树数目和学习率；
S402、选取原负荷样本每日峰值负荷附近区间数据生成日负荷峰值区间样本，将日负荷峰值区间样本集作为样本数据，将对应峰值负荷区间预测样本数据作为峰值负荷预测输出数据；
S403、采用贝叶斯优化算法确定极限梯度提升树预测模型的最优超参数，在验证样本集中对超参数进行微调。
优选地，将样本数据输入极限梯度提升树模型及时间卷积网络负荷预测模型，使用峰值负荷预测补正负荷整体预测，生成最终预测结果，以及根据预测负荷水平判断配变运行风险，发出台区重过载预警信息的具体过程为：
S501、将样本数据输入极限梯度提升树模型及时间卷积网络负荷预测模型，获得峰值区间归一化预测值及负荷整体归一化预测值；
S502、使用峰值区间归一化预测值补正负荷整体归一化预测值，获得最终归一化预测值，对归一化预测值进行反归一化处理，获得最终负荷预测结果；
S503、根据最终负荷预测结果负荷水平，结合配变台区重过载判断标准，对负载率持续超过重过载预警线的台区发出重过载预警信息。
本发明还公开了一种配变负荷预测及重过载预警系统，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被处理器运行时执行如上任意一项所述方法的步骤。
与现有技术相比，本发明的优点在于：
本发明对配变台区负荷数据进行清洗，剔除负荷异常值，填补负荷缺失值，提高配变台区负荷数据质量，为负荷预测提供基础数据。
本发明采用时间跨度包含为包含3个月较长的历史实际数据，训练样本包含较长时期的配变负荷数据，并且包含同期历史配变负荷数据，由于负荷是具有时序性变化规律的时间序列数据，可根据历年同期和最近时期历史负荷数据挖掘未来配变负荷变化规律。
本发明采用皮尔逊相关系数分析方法，分析挖掘配变负荷与不同特征因素间的相关性，选择强相关性特征作为负荷预测模型的输入特征，提升预测精度。
本发明基于时间卷积网络建立负荷预测模型，允许卷积时的输入存在间隔采样，使得卷积网络可以用比较少的层获得更大的感受野，解决了传统因果卷积无法获取未来信息的缺陷，预测精度高且不易过拟合。
本发明采用贝叶斯优化的极限梯度提升树预测峰值负荷区间补正时间卷积网络负荷预测结果，提升配变峰值负荷预测精度及配变重过载预警准确度。
附图说明
图1为本发明的方法在实施例的流程图。
图2为本发明的步骤S2在实施例的流程图。
图3为本发明的步骤S2中的特征分析在实施例的流程图。
图4为本发明的步骤S3在实施例的流程图。
图5为本发明的时间卷积网络膨胀因果卷积结构图。
图6为本发明的时间卷积网络残差模块结构图。
图7为本发明的步骤S4在实施例的流程图。
图8为本发明的步骤S5在实施例的流程图。
图9为本发明的数据清洗结果图。
图10为本发明的特征相关性热力图。
图11为本发明的整体负荷预测结果图。
图12为本发明的峰值负荷预测结果图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1所示，本发明实施例的配变负荷预测及重过载预警方法，具体包括以下步骤：
S1、获得台区负荷量测数据及天气气象数据，生成节假日数据，剔除样本数据中异常数据点，填补样本数据中缺失数据点，对经过处理后的数据归一化，得到时间序列样本集；
S2、对时间序列样本集中影响配变负荷的相关因素进行特征分析，选择强相关性特征与负荷数据，生成预测模型的样本数据；
S3、搭建时间卷积网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数；
S4、搭建极限梯度提升树预测模型，处理训练样本生成日负荷峰值区间样本集输入该样本进行模型学习训练，使用贝叶斯优化算法优化模型参数；
S5、将测试数据输入所述极限梯度提升树模型及时间卷积网络负荷预测模型，使用峰值负荷预测补正负荷整体预测，生成最终预测结果，根据预测负荷水平判断配变运行风险，发出台区重过载预警信息。
如图2所示，步骤S1的具体过程包括以下步骤：
S101、获取台区负荷量测数据及天气气象数据；其中台区负荷量测数据为台区历史日用电量数据，包括历史三个月用电数据及历史同期用电数据；天气气象数据包括温度、湿度、风速和风力；节假日数据由负荷数据所属日期生成；其中台区负荷量测数据、天气气象数据和节假日数据均为时间序列数据；
S102、通过箱型图法剔除台区负荷量测数据及天气气象数据中异常的时间序列数据，采用最小二乘回归法及线性插值法填充缺失时间序列数据，生成高质量气象数据和负荷数据；
S103、对高质量气象数据与负荷测量数据进行归一化处理，生成时间序列样本集；其中时间序列样本集的时间跨度为三个月。
本发明采用时间跨度包含为包含3个月较长的历史实际数据，训练样本包含较长时期的配变负荷数据，并且包含同期历史配变负荷数据，由于负荷是具有时序性变化规律的时间序列数据，可根据历年同期和最近时期历史负荷数据挖掘未来配变负荷变化规律。
具体的，在步骤S102中，通过箱线图法剔除台区负荷量测数据及天气气象数据中异常的时间序列数据的过程如下：依据数据偏离平均水平程度来检测配变负荷异常数据，统计样本上四分位数记为QU，下四分位数记为QL，计算四分位位距QR，公式如下：
QR＝QL-QU
其中，在区间[QU-1.5QR,QL+1.5QR]范围外的数据判定为异常值，剔除后与样本缺失值一同填补。
具体的，在步骤S102中，采用最小二乘回归法及线性插值法填充缺失时间序列数据的具体过程如下：缺失数据分以下两种情况处理，对于单点缺失，由于电力负荷时间序列具有前后连续性，采用线性插值方法填补，即取缺失点前后两点平均值填补；对于连续缺失，使用最小二乘回归方法填补，即将缺失区间前后的样本作为训练数据，建立回归模型并训练，最后对缺失区间以模型回归结果进行填补。
通过上述的数据清洗(剔除负荷异常值，填补负荷缺失值)，能够解决多能源系统因为测量设备出现故障，噪声干扰以及数据传输错误所导致的采集值异常和缺失现象，提高配变台区负荷数据质量，为配变峰值负荷预测模型提供高质量的基础数据。
具体的，在步骤S101中，生成节假日数据的具体过程如下：对于无法使用数据描述的非电气因素如节假日因素，按照周一至周五为工作日，周六、周日为休息日赋予标签，并根据国家法定假日对所选取数据日期进行处理，将国假划分为休息日，最后，对所有工作日标记为0，休息日标记为1。
具体的，在步骤S103中，考虑到深度学习模型对于样本数据较为敏感，为消除特征单位和尺度差异的影响，同等看待每种特征，对特征进行归一化处理，其中，数据样本集归一化公式具体如下：
式中，X'为最终归一化值，X为原始值，Xmax和Xmin分别为原始数据序列中最大值和最小值。
如图3所示，步骤S2的具体过程包括步骤：
S201、计算不同因素与配变负荷之间的皮尔逊相关系数，衡量不同因素与负荷的相关性；
S202、选择相关性系数高于0.6的特征因素和负荷数据一同作为预测模型的样本数据；
S203、将预测模型的样本数据划分为训练样本集、验证样本集和测试样本集；其中，训练样本集占比80％，验证样本集占比10％，测试样本集占比10％；
考虑到时间卷积网络需要进行模型训练和参数调整，对预测总样本集进行划分，划分80％的训练样本集训练预测模型，划分10％的验证样本集调整预测模型超参数，最后划分10％的测试样本集验证模型的负荷预测效果。
其中，皮尔逊相关系数的计算公式如下：
其中，x为特征因素，y为负荷，
和
分别为两变量的均值。相关系数|r|越接近1，两者相关性越强，|r|越接近0，两者相关性越弱，取值范围在0到1之间。
本发明采用皮尔逊相关系数分析方法，分析挖掘配变负荷与不同特征因素间的相关性，选择强相关性特征作为负荷预测模型的输入特征，提升预测精度。
如图4所示，步骤S3的具体过程包括步骤：
S301、搭建时间卷积网络负荷预测模型，时间卷积网络负荷预测模型的超参数包括神经网络隐层数量、隐层神经元数量、学习率和dropout；
S302、将训练样本集作为样本数据，将对应负荷预测样本数据作为输出数据；
S303、采用Adam确定预测模型的最优超参数，输入到时间卷积网络负荷预测模型。
具体的，时间卷积网络膨胀因果卷积结构图如图5所示；时间卷积网络残差模块结构图如图6所示。具体的，时间卷积网络负荷预测模型，原理如下：
TCN算法一种是基于卷积神经网络的深度学习模型，可以提取数据之间的关联性，用于解决时间序列问题。TCN主要包含膨胀因果卷积网络和残差模块。因果卷积是指上一层的值只依赖下一层时刻及其之前的值，与传统卷积神经网络不同，因果卷积无法看到未来的数据，是一种严格的时间约束模型。随着历史信息的积累，网络的深度也会增加，为了解决该问题，膨胀卷积网络通过跳过部分输入，改变膨胀系数使得模型可以灵活调整所接受的历史信息，膨胀卷积运算如下式所示。膨胀因果卷积网络结构示意图如图5所示。
式中，F(s)为第s个神经元经过膨胀卷积后的输出，f为卷积网络滤波器，k为卷积核大小，x为输入时间序列，d为膨胀系数，s-d×i为输入序列中的历史数据。
TCN中使用残差模块防止由于神经网络层数过多导致网络效果退化的情况，一个残差块中包含两层膨胀卷积和非线性映射连接，每层加入权重归一及Dropout正则化网络，结构如图6所示。
为评价预测效果，建立预测结果评估指标，采用回归评价指标R2评估模型预测准确率，采用平均绝对百分比误差MAPE和均方根误差RMSE三种指标衡量预测值与实际值之间的偏差。具体公式如下式所示：
式中，n为预测数据长度，yi为样本实际值，
为样本均值，yi为模型预测值。
其中N为样本总数，
为预测值，y为真实值。
关于峰值时刻的预测本质上是通过离散化处理将连续时间转化为时间段预测的分类问题。然而，传统的分类评价指标如分类精度、召回率等无法考虑到时间具有的循环连续性即闭环的性质，因此在传统指标的基础上进行修正，以修正后的指标评价模型对于时刻预测的准确性。
将一天的时间划分为Q个时间段，以本文为例，按照数据采集密度每15min视为一段，一天分为96段：0:00-0:15,0:15-0:30…,23:30-23:45，分别赋予标签0-95。考虑时间的循环性，在对预测标签值及实际标签值进行计算时不应只将时段标签值按照0-95的数值计算，而是在差值计算中加入取余运算，如标签0时段与标签95时段的距离为1，而非95。两个时段相距最远的长度为Q/2，标签为ia、ib的任意两时段之间的距离记为da,b，计算如下式所示：
da,b＝min(|ia-ib|,Q-|ia-ib|)
在传统分类指标中，对于样本分类精度的描述只有正确或错误即1或0两种情况，无法描述时间的闭环性质，基于得到的时段距离改进分类精度计算公式，得到峰值时刻预测精度评价指标，改进公式如下式所示。式中di为i时刻预测时段与实际时段之间的距离，且di∈[0,Q/2]。
根据配变负载率对台区运行情况进行评估，可将台区运行风险分为正常、重载和过载三种情况。在实际生产中，将负荷达到配变额定容量80％并持续两个小时及以上的台区判定为重载台区；将负荷达到配变额定容量100％并持续两个小时及以上的台区判定为过载台区；其余台区为正常运行台区。以15min级负荷数据为例，台区运行风险判定指标如表1所示。
表1
本发明基于时间卷积网络建立负荷预测模型，允许卷积时的输入存在间隔采样，使得卷积网络可以用比较少的层获得更大的感受野，解决了传统因果卷积无法获取未来信息的缺陷，预测精度高且不易过拟合。
如图7所示，步骤S4的具体过程包括步骤：
S401、搭建极限梯度提升树预测模型；极限梯度提升树预测模型的超参数包括决策树数目、学习率；
S402、选取原负荷样本每日峰值负荷附近区间数据生成日负荷峰值区间样本，将日负荷峰值区间样本集作为样本数据，将对应峰值负荷区间预测样本数据作为峰值负荷预测输出数据；
S403、采用贝叶斯优化算法确定极限梯度提升树预测模型的最优超参数，在验证样本集中对超参数进行微调。
具体的，极限梯度提升树预测模型原理如下：
极限梯度提升树(eXtreme gradient boosting，XGBoost)是一种Boosting集成学习算法，基于若干个分类与回归树(classification and regression tree,GART)通过迭代增加新决策树拟合上一次预测误差，累加所有树的预测结果得到最终结果。XGBoost还对梯度提升决策树(gradient boosting decision tree,GBDT)进行改进，将损失函数进行二阶泰勒展开并引入正则项，有效防止过拟合。XGBoost中CART模型如下式所示：
式中
表示第i个样本预测值；xi表示第i个样本数据，K为树的数量，F为树的集合空间，fk(xi)为第k棵树的模型。
XGBoost目标函数如下式所示，由两部分组成，第一部分为预测误差函数，第二部分为正则化项，控制模型复杂度防止过拟合。
其中正则化表达式如下式所示：
式中γ和λ为加权因子，T为叶子节点个数，ω表示叶子节点权重。
XGBoost对目标函数进行二阶泰勒展开再求偏导，可得目标函数最优解为下式所示：
式中
为第j个叶子节点最优得分值，Gj为所有损失函数的一阶导数，Hj为所有损失函数的二阶导数。
将目标函数最优解带入目标函数表达式，得到简化的目标函数，如下式所示：
具体的，步骤S402中的日负荷峰值区间样本生成过程如下：在实际工程中，台区重过载的判定标准为负荷连续两个小时即15min级数据点连续8个点高于界限值，因此台区峰值预测不应只针对峰值的一个点，而应考虑峰值附近的区间。进行峰值预测时，均以日峰值为中心，前后各取4个点共9个数据点作为峰值区间生成日负荷峰值区间样本集，保证重过载信息包含于预测区间内。
具体的，步骤S403中的贝叶斯优化算法原理如下：贝叶斯优化算法是一种基于概率分布的全局优化算法，主要优势在于根据未知目标函数获取的信息，找到下一个评估位置从而快速找到最优解。贝叶斯优化框架包含先验函数和采集函数两个核心部分。先验函数采用高斯回归过程，从假设先验开始，通过迭代增加信息量，修正先验函数，得到比上一次更准确的概率模型，采集函数根据后验概率分布构造，通过最大化采集函数寻找下一个最优评估点。目前采集函数主要有3种：PI(probability of improvement)、EI(expectedimprovement)、UCB(upper confidence bound)。本发明使用PI采集函数，如下式所示：
式中φ表示标准正态累积分布函数，u(x)和σ(x)为高斯回归得到的目标函数均值和方差，f(x+)为当前迭代下最佳目标函数，ξ为超参数，用于调正搜索方向，避免陷入局部最优。
本发明采用贝叶斯优化的极限梯度提升树预测峰值负荷区间补正时间卷积网络负荷预测结果，提升配变峰值负荷预测精度及配变重过载预警准确度。
如图8所示，步骤S5的具体过程为：
S501、将测试数据输入极限梯度提升树模型及时间卷积网络负荷预测模型，获得峰值区间归一化预测值及负荷整体归一化预测值；
S502、使用峰值区间归一化预测值补正负荷整体归一化预测值，获得最终归一化预测值，对归一化预测值进行反归一化处理，获得最终负荷预测结果；
S503、根据最终负荷预测结果负荷水平，，结合配变台区重过载判断标准，判断配变运行风险，对负载率持续超过重过载预警线的台区发出重过载预警信息。
由于模型是通过归一化处理后的数据训练获得的，因此在执行实际的样本数据的运算过程中，同样需要以归一化的预测值进行输出，但是输出后的数据还需要反馈为负荷的实际值，因此在此基础上进行了反归一化处理，获得负荷的实际预测值。
以下提供具体实施例对本发明的技术方案作进一步实施解释说明：
根据某地市10kV配电网典型线路下57个台区2021年6月1日至8月31日负荷数据集，包含每个台区数据结构为二维负荷数据，每15分钟采集一次，一天96个数据点，共92天8832个数据点，针对该配变数据进行未来一天日负荷预测，预测的具体流程如下：
步骤1)为了提升配变负荷的数据质量，对配变负荷数据进行清洗，包括采用箱型图法剔除异常的时间序列数据，采用最小二乘回归法及线性插值法填充缺失时间序列数据。数据清洗结果如图9所示。
步骤2)计算不同因素与配变负荷之间的皮尔逊相关系数，衡量不同因素与负荷的相关性，选择相关性系数高于0.6的特征因素和负荷数据一同作为预测模型的样本数据，原始相关因素如表2所示。选取线路下某一台区某一周数据为例，将该周最后一天的负荷作为预测负荷，计算不同特征因素与这一天负荷的相关性，其中该周每天负荷与预测负荷的相关性如图10所示，图中颜色越深，表示相关性越强。从图10中可以看出，预测负荷前五天负荷a2-6与其相关性均在0.6以上，具有强相关性，而前六天的历史负荷a1与预测负荷相关性小于0.5，相关性较弱。
表2
其余特征因素与预测负荷计算得到的皮尔逊相关系数如表3所示。由表可知历史同期负荷a8、最高温度a9、平均温度a10、节假日因素a12与预测负荷相关性均在0.6以上，具有强相关性。最低温度a11、湿度a13、风速a14、风力a15相关性低于0.5，相关性较弱。根据以上分析，最终选择前五天历史负荷a2-6、历史同期负荷a8、最高温度a9、平均温度a10、节假日因素a12作为预测特征输入训练。
表3
步骤3)采用Python代码编写，基于Keras框架搭建时间卷积网络。综合考虑Adam优化算法和人工手动微调结果，设置激活函数为ReLU，损失函数为均方误差MSE，batch_size为48，隐含层数量为1，每层隐含层的神经元数量为100，学习率设置为0.005，epochs为150，dropout为0.2，膨胀系数为[1,2,4,8]，卷积核大小为2。
设置四组对比实验验证时间卷积网络模型预测效果。实验1：使用门控循环单元模型(Gated Recurrent Unit,GRU)预测。实验2：使用循环神经网络(Recurrent NeuralNetwork,RNN)预测。实验3：使用双向长短期记忆网络(Bi-directional Long Short-TermMemory,BiLSTM)预测。实验4：使用时间卷积网络(Temporal Convolutional Network,TCN)预测。使用整体负荷预测结果如图11和表4所示。由结果可以看出，TCN算法预测曲线更加贴合实际负荷，TCN算法的RMSE和MAPE最低，分别为21.1741kW和104.6206％，回归评价指标最好，为0.9190。实例验证表明，TCN可以作为配变峰值负荷预测补正方法基础模型，提升模型的整体预测精度。
表4
步骤4)设置四组对比实验验证贝叶斯优化极限梯度提升树模型补正时间卷积网络模型负荷预测效果。实验1：使用TCN模型预测负荷。实验2：传统补正模型同样使用BOXGBoost预测峰值区间进行补正，补正区间以原始TCN模型预测结果中当日负荷最大值出现时刻为中心。实验3：使用默认参数的XGBoost预测峰值区间进行补正，补正区间以XGBoost预测当日负荷最大值出现时刻为中心。实验4：使用贝叶斯优化的极限梯度提升树模型(Bayesian Optimization-eXtreme Gradient Boosting,BOXGBoost)预测峰值区间补正时间卷积网络，补正区间以BOXGBoost预测当日负荷最大值出现时刻为中心。预测结果如图12及表5所示。
表5
分析结果可知，TCN模型在负荷峰值区间精度较差，无法准确预警台区过载风险；传统补正方法使用BOXGBoost修正峰值区间，由于补正区间以TCN模型预测日负荷峰值时刻为中心，虽成功预警台区过载风险，但日峰值出现时刻与实际值偏差较大；TCN-XGBoost使用未优化的XGBoost补正TCN模型，预测结果整体精度上升，峰值时刻预测准确度较高，但在峰值区间内不够精细，未能准确预警台区过载风险；TCN-BOXGBoost使用经贝叶斯优化的XGBoost补正TCN模型，对比TCN-XGBoost模型RMSE由19.2479kW降低至18.8713kW，MAPE由114.5121％降低至113.0389％，R2值由0.9331提升至0.9478，eacc达到100％，即预测峰值时刻与实际时刻相同，并成功预警台区过载风险。结果分析表明，本发明的方法可实现配变负荷精细预测。
步骤5)同样设置上述四组对比实验，验证叶斯优化极限梯度提升树模型补正时间卷积网络模型台区重过载预警效果。由于实际生产数据中重过载台区占比较少，因此将该数据集中所有台区额定容量减少50kVA，该操作不会影响原始负荷数据及模型预测精度，仅为更加直观明确的反映所提方法在配变运行风险预警方面的效果。预测结果如表6所示。通过分析结果可知，实际重载17台配变中本文所提方法成功预警16台，实际过载5台配变中成功预警5台，峰值时刻预测精确度为98.8％。结果分析表明所述一种配变负荷预测及重过载预警方法可实现配变台区重过载准确预警。
表6
如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (10)
1.一种配变负荷预测及重过载预警方法，其特征在于，包括步骤：
获得台区负荷量测数据及天气气象数据，以及生成节假日数据，得到时间序列样本集；
对时间序列样本集中影响配变负荷的因素进行特征分析，选择强相关性特征与负荷数据，生成预测模型的样本数据；
搭建时间卷积网络负荷预测模型，通过样本数据进行预测模型学习训练并调整优化模型参数；
搭建极限梯度提升树预测模型，通过样本数据生成日负荷峰值区间样本集，进行模型学习训练，使用贝叶斯优化算法优化模型参数；
将样本数据输入极限梯度提升树模型及时间卷积网络负荷预测模型，使用峰值负荷预测补正负荷整体预测，生成最终预测结果；根据预测负荷水平判断配变运行风险，发出台区重过载预警信息。
2.根据权利要求1所述的配变负荷预测及重过载预警方法，其特征在于，获得台区负荷量测数据及天气气象数据，以及生成节假日数据，得到时间序列样本集的具体过程为：
S101、获取台区负荷量测数据及天气气象数据；其中台区负荷量测数据为台区历史日用电量数据，包括历史三个月用电数据及历史同期用电数据；天气气象数据包括温度、湿度、风速和风力；节假日数据由负荷数据所属日期生成；其中台区负荷量测数据、天气气象数据和节假日数据均为时间序列数据；
S102、通过箱型图法剔除台区负荷量测数据及天气气象数据中异常的时间序列数据，采用最小二乘回归法及线性插值法填充缺失时间序列数据，生成清洗后的气象数据和负荷数据；
S103、对清洗后的气象数据与负荷测量数据进行归一化处理，生成时间序列样本集。
3.根据权利要求2所述的配变负荷预测及重过载预警方法，其特征在于，在步骤S102中，通过箱线图法剔除台区负荷量测数据及天气气象数据中异常的时间序列数据的过程如下：依据数据偏离平均水平程度来检测配变负荷异常数据，统计样本上四分位数记为QU，下四分位数记为QL，计算四分位位距QR，公式如下：
QR＝QL-QU
其中，在区间[QU-1.5QR,QL+1.5QR]范围外的数据判定为异常值，剔除后与样本缺失值一同填补。
4.根据权利要求3所述的配变负荷预测及重过载预警方法，其特征在于，在步骤S102中，采用最小二乘回归法及线性插值法填充缺失时间序列数据的具体过程如下：缺失数据分以下两种情况处理，对于单点缺失，由于电力负荷时间序列具有前后连续性，采用线性插值方法填补，即取缺失点前后两点平均值填补；对于连续缺失，使用最小二乘回归方法填补，即将缺失区间前后的样本作为训练数据，建立回归模型并训练，最后对缺失区间以模型回归结果进行填补。
5.根据权利要求4所述的配变负荷预测及重过载预警方法，其特征在于，步骤S103中对清洗后的气象数据与负荷测量数据进行归一化处理的具体过程为：
归一化公式具体如下：
式中，X'为最终归一化值，X为原始值，Xmax和Xmin分别为原始数据序列中最大值和最小值。
6.根据权利要求1-5中任意一项所述的配变负荷预测及重过载预警方法，其特征在于，对影响配变负荷的因素进行特征分析，选择强相关性特征与负荷数据，生成预测模型的样本数据的具体过程为：
S201、计算不同因素与配变负荷之间的皮尔逊相关系数，衡量不同因素与负荷的相关性；
S202、选择相关性系数高于预设值的特征因素和负荷数据一同作为预测模型的样本数据；
S203、将预测模型的样本数据划分为训练样本集、验证样本集和测试样本集。
7.根据权利要求1-5中任意一项所述的配变负荷预测及重过载预警方法，其特征在于，搭建时间卷积网络负荷预测模型，通过样本数据进行预测模型学习训练并调整优化模型参数的具体过程为：
S301、搭建时间卷积网络负荷预测模型，时间卷积网络负荷预测模型的超参数包括神经网络隐层数量、隐层神经元数量、学习率和dropout；
S302、将训练样本集作为样本数据，将对应负荷预测样本数据作为输出数据；
S303、采用Adam确定预测模型的最优超参数，输入到时间卷积网络负荷预测模型。
8.根据权利要求1-5中任意一项所述的配变负荷预测及重过载预警方法，其特征在于，搭建极限梯度提升树预测模型，通过样本数据生成日负荷峰值区间样本集，进行模型学习训练，使用贝叶斯优化算法优化模型参数的具体过程为：
S401、搭建极限梯度提升树预测模型；极限梯度提升树预测模型的超参数包括决策树数目和学习率；
S402、选取原负荷样本每日峰值负荷附近区间数据生成日负荷峰值区间样本，将日负荷峰值区间样本集作为样本数据，将对应峰值负荷区间预测样本数据作为峰值负荷预测输出数据；
S403、采用贝叶斯优化算法确定极限梯度提升树预测模型的最优超参数，在验证样本集中对超参数进行微调。
9.根据权利要求1-5中任意一项所述的配变负荷预测及重过载预警方法，其特征在于，将样本数据输入极限梯度提升树模型及时间卷积网络负荷预测模型，使用峰值负荷预测补正负荷整体预测，生成最终预测结果，以及根据预测负荷水平判断配变运行风险，发出台区重过载预警信息的具体过程为：
S501、将样本数据输入极限梯度提升树模型及时间卷积网络负荷预测模型，获得峰值区间归一化预测值及负荷整体归一化预测值；
S502、使用峰值区间归一化预测值补正负荷整体归一化预测值，获得最终归一化预测值，对归一化预测值进行反归一化处理，获得最终负荷预测结果；
S503、根据最终负荷预测结果负荷水平，结合配变台区重过载判断标准，对负载率持续超过重过载预警线的台区发出重过载预警信息。
10.一种配变负荷预测及重过载预警系统，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述计算机程序在被处理器运行时执行如权利要求1-9中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211400035.5A CN115587672A (zh) | 2022-11-09 | 2022-11-09 | 一种配变负荷预测及重过载预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211400035.5A CN115587672A (zh) | 2022-11-09 | 2022-11-09 | 一种配变负荷预测及重过载预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115587672A true CN115587672A (zh) | 2023-01-10 |
Family
ID=84781254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211400035.5A Pending CN115587672A (zh) | 2022-11-09 | 2022-11-09 | 一种配变负荷预测及重过载预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115587672A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258355A (zh) * | 2023-05-15 | 2023-06-13 | 国网浙江省电力有限公司永康市供电公司 | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 |
| CN116523148A (zh) * | 2023-07-03 | 2023-08-01 | 广东电网有限责任公司湛江供电局 | 一种配电网配变重过载预警方法、装置和设备 |
| CN116596112A (zh) * | 2023-04-10 | 2023-08-15 | 哈博能源科技(苏州)有限公司 | 一种通用冷热电负荷预测方法及系统 |
| CN116667326A (zh) * | 2023-05-30 | 2023-08-29 | 淮阴工学院 | 一种电动汽车充电负荷预测方法 |
| TWI824926B (zh) * | 2023-01-17 | 2023-12-01 | 國立臺灣科技大學 | 電力負載監測系統及預測方法 |
| TWI839196B (zh) * | 2023-04-27 | 2024-04-11 | 台灣電力股份有限公司 | 長期電力負載預測系統 |
| CN118199060A (zh) * | 2024-05-17 | 2024-06-14 | 国网吉林省电力有限公司长春供电公司 | 一种配电变压器低压柔性互联负荷均衡调控系统 |
| CN118296296A (zh) * | 2024-06-06 | 2024-07-05 | 湖北华中电力科技开发有限责任公司 | 一种基于电力大数据的智能配电方法 |
| CN118396193A (zh) * | 2024-06-27 | 2024-07-26 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于神经网络的变压器反向重/过载预警方法及系统 |
| CN118503716A (zh) * | 2024-07-18 | 2024-08-16 | 国网山东省电力公司泰安供电公司 | 多源停电预测模型构建方法、系统、终端及存储介质 |
-
2022
- 2022-11-09 CN CN202211400035.5A patent/CN115587672A/zh active Pending
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI824926B (zh) * | 2023-01-17 | 2023-12-01 | 國立臺灣科技大學 | 電力負載監測系統及預測方法 |
| CN116596112A (zh) * | 2023-04-10 | 2023-08-15 | 哈博能源科技(苏州)有限公司 | 一种通用冷热电负荷预测方法及系统 |
| TWI839196B (zh) * | 2023-04-27 | 2024-04-11 | 台灣電力股份有限公司 | 長期電力負載預測系統 |
| CN116258355A (zh) * | 2023-05-15 | 2023-06-13 | 国网浙江省电力有限公司永康市供电公司 | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 |
| CN116258355B (zh) * | 2023-05-15 | 2023-08-11 | 国网浙江省电力有限公司永康市供电公司 | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 |
| CN116667326B (zh) * | 2023-05-30 | 2024-02-23 | 淮阴工学院 | 一种电动汽车充电负荷预测方法 |
| CN116667326A (zh) * | 2023-05-30 | 2023-08-29 | 淮阴工学院 | 一种电动汽车充电负荷预测方法 |
| CN116523148B (zh) * | 2023-07-03 | 2023-09-22 | 广东电网有限责任公司湛江供电局 | 一种配电网配变重过载预警方法、装置和设备 |
| CN116523148A (zh) * | 2023-07-03 | 2023-08-01 | 广东电网有限责任公司湛江供电局 | 一种配电网配变重过载预警方法、装置和设备 |
| CN118199060A (zh) * | 2024-05-17 | 2024-06-14 | 国网吉林省电力有限公司长春供电公司 | 一种配电变压器低压柔性互联负荷均衡调控系统 |
| CN118296296A (zh) * | 2024-06-06 | 2024-07-05 | 湖北华中电力科技开发有限责任公司 | 一种基于电力大数据的智能配电方法 |
| CN118296296B (zh) * | 2024-06-06 | 2024-08-20 | 湖北华中电力科技开发有限责任公司 | 一种基于电力大数据的智能配电方法 |
| CN118396193A (zh) * | 2024-06-27 | 2024-07-26 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于神经网络的变压器反向重/过载预警方法及系统 |
| CN118503716A (zh) * | 2024-07-18 | 2024-08-16 | 国网山东省电力公司泰安供电公司 | 多源停电预测模型构建方法、系统、终端及存储介质 |
| CN118503716B (zh) * | 2024-07-18 | 2024-10-22 | 国网山东省电力公司泰安供电公司 | 多源停电预测模型构建方法、系统、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115587672A (zh) | 一种配变负荷预测及重过载预警方法及系统 | |
| CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN112508053A (zh) | 基于集成学习框架的智能诊断方法、装置、设备及介质 | |
| WO2023088212A1 (zh) | 一种基于集成学习的在线机组负荷预测方法 | |
| CN109840633B (zh) | 光伏输出功率预测方法、系统和存储介质 | |
| CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
| CN112712203B (zh) | 一种配电网日最高负荷预测方法和系统 | |
| CN112085285B (zh) | 母线负荷预测方法、装置、计算机设备和存储介质 | |
| CN113672606B (zh) | 油色谱监测数据质量评价方法 | |
| CN113487447A (zh) | 一种基于大数据的配电网负荷预测及线损成因分析方法 | |
| CN113011680A (zh) | 一种电力负荷预测方法及系统 | |
| CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
| CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
| CN112949207A (zh) | 一种基于改进最小二乘支持向量机的短期负荷预测方法 | |
| CN111931354A (zh) | 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法 | |
| CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
| CN117113202A (zh) | 基于联合误差堆叠模型的电力回路能耗检测方法及设备 | |
| CN118381001A (zh) | 一种矿山能源电负荷预测方法及装置 | |
| CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
| CN117350897A (zh) | 一种考虑空气湿度的转换功率预测的方法和系统 | |
| CN117454771A (zh) | 一种基于评估及预测信息的机械装备动态维护决策方法 | |
| CN117578440A (zh) | 一种基于神经网络的电网负荷预测方法 | |
| CN117277304A (zh) | 考虑日出日落时间的光伏发电超短期功率预测方法、系统 | |
| CN117748447A (zh) | 一种基于调压事件分析的配电网线变关系诊断方法、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 |