CN116826720A - 配电设备的电负荷预测方法、装置、设备及可读存储介质 - Google Patents
配电设备的电负荷预测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116826720A CN116826720A CN202310744996.6A CN202310744996A CN116826720A CN 116826720 A CN116826720 A CN 116826720A CN 202310744996 A CN202310744996 A CN 202310744996A CN 116826720 A CN116826720 A CN 116826720A
- Authority
- CN
- China
- Prior art keywords
- electric load
- electrical
- power
- power distribution
- distribution
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims description 82
- 230000005611 electricity Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 17
- 238000004590 computer program Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种配电设备的电负荷预测方法、装置、设备及可读存储介质，属于配电和电力控制设备技术领域。所述配电设备的电负荷预测方法包括：获取配电设备的电负荷历史数据和各耗电区域对应的电负荷需求历史数据，其中，配电设备用于向耗电区域配电；根据预设电负荷预测模型和电负荷特征数据，预测耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果，其中，电负荷特征数据基于各电负荷历史数据和各电负荷需求历史数据进行构建得到；对电负荷需求预测结果进行模型解释，确定电负荷需求预测结果对应的超负荷特征；根据超负荷特征在配电设备与耗电区域中确定潜在风险因素。本申请解决了相关技术中配电设备的智能度较低的技术问题。
Description
技术领域
本申请涉及配电和电力控制设备技术领域，尤其涉及一种配电设备的电负荷预测方法、装置、设备及可读存储介质。
背景技术
随着配电网络自动化技术的快速发展和对供电可靠性的要求不断提高，对配电设备的性能也提出越来越多的要求。配电设备作为配电网络的核心部件，其可靠性和智能化水平直接决定了配电网络的安全。现有配电设备的参数测试系统测试精度低、测试参数少、自动化水平差，同时不能实现温升监控、对用电量进行计算和对电负荷需求进行预测，存在超负荷运行的风险。
发明内容
本申请的主要目的在于提供一种配电设备的电负荷预测方法、装置、设备及可读存储介质，旨在解决相关技术中配电设备的智能度较低的技术问题。
为实现上述目的，本申请提供一种配电设备的电负荷预测方法，所述配电设备的电负荷预测方法包括：
获取配电设备的电负荷历史数据和耗电区域的电负荷需求历史数据，其中，所述配电设备用于向所述耗电区域配电；
根据预设电负荷预测模型和电负荷特征数据，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果；其中，所述电负荷特征数据基于所述电负荷历史数据和所述电负荷需求历史数据进行构建得到；
通过对所述电负荷需求预测结果进行模型解释，确定所述电负荷需求预测结果对应的超负荷特征；
根据所述超负荷特征在所述配电设备与所述耗电区域中确定潜在风险因素。
可选地，所述电负荷特征数据包括配电特征矩阵，所述根据预设电负荷预测模型和电负荷特征数据，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果的步骤，包括：
基于所述电负荷历史数据和所述电负荷需求历史数据，构建所述配电特征矩阵；
通过所述预设电负荷预测模型将所述配电特征矩阵映射为超负荷概率，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果。
可选地，所述电负荷历史数据包括电负荷表示矩阵，所述电负荷需求历史数据包括电负荷需求表示矩阵，所述基于所述电负荷历史数据和所述电负荷需求历史数据，构建所述配电特征矩阵的步骤，包括：
生成所述配电设备对应的配电标签以及所述耗电区域对应的需求标签；
将所述电负荷表示矩阵、所述电负荷需求表示矩阵、所述配电设备标签和所述需求标签拼接为所述配电特征矩阵。
可选地，所述生成所述配电设备对应的配电标签的步骤，包括：
获取配电设备对应的配电设备类型、对应的当地气象信息以及对应的最大配电功率；
根据所述配电设备类型、所述当地气象信息与所述最大配电功率，为所述配电设备动态匹配对应的配电标签。
可选地，所述生成所述耗电区域对应的需求标签的步骤，包括：
获取所述耗电区域对应的经纬度信息、对应的季节信息以及对应的用电类型信息；
根据所述经纬度信息、所述季节信息以及所述用电类型信息，为所述耗电区域动态匹配对应的需求标签。
可选地，所述通过对所述电负荷需求预测结果进行模型解释，确定所述电负荷需求预测结果对应的超负荷特征的步骤，包括：
若所述电负荷需求预测结果为存在超负荷风险，则确定所述电负荷特征数据对应的各配电特征；其中，所述配电特征与所述配电设备相对应，或者与所述耗电区域相对应；
分别计算所述配电特征对所述电负荷需求预测结果的特征贡献度；
基于所述特征贡献度，在所述配电特征中选取所述超负荷特征。
可选地，所述电负荷特征数据包括配电特征矩阵，所述根据预设电负荷预测模型和电负荷特征数据，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果的步骤，包括：
根据预设电量预测模型、所述电负荷历史数据和所述电负荷需求历史数据，预测所述配电设备在下一时间步的电负荷以及所述耗电区域在下一时间步的电负荷需求，得到各预测电负荷历史数据以及各预测电负荷需求历史数据；
根据所述预测电负荷历史数据和所述预测电负荷需求历史数据，构建所述配电特征矩阵；
通过所述预设电负荷预测模型将所述配电特征矩阵映射为超负荷概率，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果。
本申请还提供一种配电设备的电负荷预测装置，所述配电设备的电负荷预测装置包括：
获取模块，用于获取配电设备的电负荷历史数据和耗电区域的电负荷需求历史数据，其中，所述配电设备用于向所述耗电区域配电；
预测模块，用于根据预设电负荷预测模型和电负荷特征数据，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果；其中，所述电负荷特征数据基于所述电负荷历史数据和所述电负荷需求历史数据进行构建得到；
模型解释模块，用于通过对所述电负荷需求预测结果进行模型解释，确定所述电负荷需求预测结果对应的超负荷特征；
风险确定模块，用于根据所述超负荷特征在所述配电设备与所述耗电区域中确定潜在风险因素。
本申请还提供一种配电设备的电负荷预测设备，所述配电设备的电负荷预测设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述配电设备的电负荷预测方法的程序，所述配电设备的电负荷预测方法的程序被处理器执行时可实现如上述的配电设备的电负荷预测方法的步骤。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现配电设备的电负荷预测方法的程序，所述配电设备的电负荷预测方法的程序被处理器执行时实现如上述的配电设备的电负荷预测方法的步骤。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的配电设备的电负荷预测方法的步骤。
本申请提供了一种配电设备的电负荷预测方法、装置、设备及可读存储介质，本申请首先获取配电设备的电负荷历史数据和各耗电区域对应的电负荷需求历史数据，其中，所述配电设备用于向所述耗电区域配电，进而基于所述电负荷历史数据和所述电负荷需求历史数据进行构建电负荷特征数据；根据预设电负荷预测模型和电负荷特征数据，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果；通过对所述电负荷需求预测结果进行模型解释，确定所述电负荷需求预测结果对应的超负荷特征，实现了以模型解释的方式，确定配电设备存在超负荷风险的原因，进而根据所述超负荷特征在所述配电设备与所述耗电区域中确定潜在风险因素，克服了相关技术中配电设备的智能度较低的技术缺陷，提高了配电设备的智能度，能够提前规避超负荷风险。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
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，对于本领域普通技术人员而言，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为本申请配电设备的电负荷预测方法第一实施例的流程示意图；
图2为本申请配电设备的电负荷预测方法第二实施例的流程示意图；
图3为本申请实施例中配电设备的电负荷预测方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，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的前提下所获得的所有其它实施例，均属于本发明保护的范围。
本申请实施例提供一种配电设备的电负荷预测方法，在本申请配电设备的电负荷预测方法的第一实施例中，参照图1，所述配电设备的电负荷预测方法包括：
步骤S10，获取配电设备的电负荷历史数据和各耗电区域对应的电负荷需求历史数据，其中，所述配电设备用于向所述耗电区域配电；
需要说明的是，所述耗电区域为消耗电能的地理区域，其中，所述耗电区域可以根据耗电区域在城市中的位置进行划分，例如郊区耗电区域、近郊耗电区域、市区耗电区域以及市中心耗电区域等，也可以根据耗电的类型进行划分，例如工业用电区域、商业用电区域以及民用电区域等。所述电负荷历史数据为配电设备在预设时间段内随时间变化的电负荷分配数据，例如配电设备在一天内随时间变化的电负荷分配数据，所述电负荷需求历史数据为耗电区域在预设时间段内随时间变化的电负荷需求分布数据，例如耗电区域在一天内随时间变化的电负荷需求分布数据。
步骤S20，根据预设电负荷预测模型和电负荷特征数据，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果，其中，所述电负荷特征数据基于所述电负荷历史数据和所述电负荷需求历史数据进行构建得到；
需要说明的是，所述预设电负荷预测模型为循环神经网络模型，所述电负荷特征数据为各配电特征向量构成的配电特征矩阵，其中，所述配电特征向量为配电特征的向量表现形式，一所述配电特征向量对应一电负荷历史数据或者一电负荷需求历史数据，例如，假设预设时间段为4小时，每隔一小时采集一次配电设备A的在预设时间段内的累计电负荷分别为100、200、500以及2000，则配电设备A对应的配电特征向量a为(100，200，500，2000)，每隔一小时采集一次耗电区域B的在预设时间段内的累计电负荷需求分别为100、500、1000以及1500，则耗电区域B对应的配电特征向量b为(100，500，1000，1500)，进而配电特征矩阵为由配电特征向量a以及配电特征向量b组成的矩阵。
步骤S30，通过对所述电负荷需求预测结果进行模型解释，确定所述电负荷需求预测结果对应的超负荷特征；
步骤S40，根据所述超负荷特征在所述配电设备与所述耗电区域中确定潜在风险因素。
作为一种示例，本实施例中，先采集配电设备在预设时间段内随时间变化的累计电负荷，得到所述配电设备的电负荷历史数据；再采集各耗电区域在预设时间段内随时间变化的累计电负荷需求，得到所述耗电区域对应的电负荷需求历史数据，其中，所述配电设备向所述耗电区域配电；根据所述电负荷历史数据和所述电负荷需求历史数据，构建配电特征矩阵，通过预设电负荷预测模型将所述配电特征矩阵映射为超负荷概率(将配电特征矩阵作为输入数据输入到预设电负荷预测模型中，即可得到作为输出数据的超负荷概率)，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果，其中，所述超负荷概率为所述配电设备在下一时间步运行时具备超负荷风险的概率，当超负荷概率大于预设风险概率阈值，则判定所述配电设备在下一时间步运行时具备超负荷风险，所述电负荷需求预测结果为存在超负荷风险，当超负荷概率不大于预设风险概率阈值，则判定所述配电设备在下一时间步运行时不具备超负荷风险，所述电负荷需求预测结果为不存在超负荷风险；确定所述电负荷特征数据对应的各配电特征，通过对所述电负荷需求预测结果进行模型解释，分别计算所述配电特征对所述电负荷需求预测结果的特征贡献度，根据所述特征贡献度的取值大小，在所述配电特征中确定超负荷特征；根据配电特征与配电设备之间的一一对应关系以及配电特征与耗电区域之间的一一对应关系，在所述配电设备与所述耗电区域中确定潜在风险因素，例如，假设超负荷特征对应配电设备A，则配电设备A为潜在风险因素，进而可对所述配电设备A进行更加具体的风险排查，得到更加具体的超负荷原因，例如可以为由于当地气温忽高忽低，导致配电设备A的输出电量不稳定而导致存在超负荷风险等。其中，所述根据所述电负荷历史数据和所述电负荷需求历史数据，构建配电特征矩阵的步骤的具体实现过程可参照下述步骤A10的具体实现过程，在此不再赘述。
其中，在步骤S20中，所述电负荷特征数据包括配电特征矩阵，所述根据预设电负荷预测模型和电负荷特征数据，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果，其中，所述电负荷特征数据包括各电负荷历史数据和所述电负荷需求历史数据的步骤包括：
步骤S21，根据预设电量预测模型、所述电负荷历史数据和所述电负荷需求历史数据，预测所述配电设备在下一时间步的电负荷以及所述耗电区域在下一时间步的电负荷需求，得到各预测电负荷历史数据以及各预测电负荷需求历史数据；
步骤S22，根据所述预测电负荷历史数据和所述预测电负荷需求历史数据，构建所述配电特征矩阵；
步骤S23，通过所述预设电负荷预测模型将所述配电特征矩阵映射为超负荷概率，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果。
在本实施例中，需要说明的是，配电设备与耗电区域之间为供需关系，且在时间线上通常存在用电高峰区，所述时间步可以为所述预设时间段，也可以为所述预设时间段的二分之一等，在此不做限定。所述电负荷历史数据为配电设备在预设时间段内随时间变化的电负荷分配数据，所述电负荷需求历史数据为耗电区域在预设时间段内随时间变化的电负荷需求分布数据。所述预设电量预测模型为循环神经网络模型，所述预设电量预测模型包括电负荷预测模型和电负荷需求预测模型，所述电负荷预测模型用于预测下一时间步的电负荷分配数据，所述电负荷需求预测模型用于预测下一时间步的电负荷需求分布数据。
作为一种示例，本实施例中，将所述电负荷分配数据、所述电负荷分配数据对应的时间信息、所述电负荷需求分布数据以及所述电负荷需求分布数据对应的时间信息共同输入电负荷预测模型，预测所述配电设备在下一时间步的电负荷分布，得到所述配电设备对应的预测电负荷历史数据；将所述电负荷分配数据、所述电负荷分配数据对应的时间信息、所述电负荷需求分布数据以及所述电负荷需求分布数据对应的时间信息共同输入电负荷需求预测模型，预测所述耗电区域在下一时间步的电负荷需求分布，得到所述耗电区域对应的预测电负荷需求历史数据；根据所述预测电负荷历史数据和所述预测电负荷需求历史数据，构建所述配电特征矩阵；通过所述预设电负荷预测模型将所述配电特征矩阵映射为超负荷概率，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果。其中，步骤S22的具体实现过程可参照下述步骤A10中的具体实现方式，在此不再赘述。
本申请实施例首先利用作为循环神经网络模型的电负荷预测模型和电负荷需求预测模型，以及作为时间序列数据的电负荷历史数据和电负荷需求历史数据，分别预测下一时间步的电负荷分布和电负荷需求分布，进而根据下一时间步的电负荷分布和电负荷需求分布，预测配电设备是否存在超负荷风险，实现了预测配电设备是否存在超负荷风险的目的。
其中，在步骤S30中，所述通过对所述电负荷需求预测结果进行模型解释，确定所述电负荷需求预测结果对应的超负荷特征的步骤包括：
步骤S31，若所述电负荷需求预测结果为存在超负荷风险，则确定所述电负荷特征数据对应的各配电特征，其中，所述配电特征与所述配电设备相对应，或者与所述耗电区域相对应；
在本实施例中，需要说明的是，所述配电特征与所述配电设备一一对应，或者与所述耗电区域一一对应。
步骤S32，分别计算所述配电特征对所述电负荷需求预测结果的特征贡献度；
步骤S33，基于所述特征贡献度，在所述配电特征中选取所述超负荷特征。
在本实施例中，需要说明的是，所述特征贡献度为所述配电特征对所述电负荷需求预测结果的影响程度，其中，所述特征贡献度包括正特征贡献度和负特征贡献度，其中，正特征贡献度表示对所述电负荷需求预测结果具有正向的影响，负特征贡献度表示对所述电负荷需求预测结果具有负向的影响，例如，假设配电特征A对应配电设备A，且配电设备A的电负荷分布稳定，也即配电设备A输出稳定，配电特征B对应配电设备B，且配电设备B的电负荷分布不稳定，也即配电设备B输出忽高忽低，若电负荷需求预测结果为存在超负荷风险，则配电特征B明显会提高配电设备存在超负荷风险的概率，也即电池运行特征B对配电设备存在超负荷风险存在正向的影响，对应的特征贡献度为正特征贡献度，配电特征A明显会降低配电设备存在超负荷风险的概率，也即电池运行特征A对配电设备存在超负荷风险存在负向的影响，对应的特征贡献度为负特征贡献度。
作为一种示例，本实施例中，基于所述预设电负荷预测模型，通过预设特征贡献度计算方式，分别计算所述配电特征对所述电负荷需求预测结果的特征贡献度，其中，所述预设特征贡献度计算方式包括SHAP(SHapley Additive exPlanations，沙普利可加性模型解释)和LIME(Local Interpretable Model-Agnostic Explanations，模型无关局部解释)等；在所述特征贡献度选取取值为负值且最小的特征贡献度为目标特征贡献度，将所述目标特征贡献度对应的配电特征作为超负荷特征。其中，利用SHAP或者LIME计算特征贡献度的具体计算过程为现有技术，在此不再赘述。
本申请实施例提供了一种配电设备的电负荷预测方法、装置、设备及可读存储介质，本申请实施例首先获取配电设备的电负荷历史数据和耗电区域对应的电负荷需求历史数据，其中，所述配电设备用于向所述耗电区域配电，进而基于所述电负荷历史数据和所述电负荷需求历史数据进行构建电负荷特征数据；根据预设电负荷预测模型和电负荷特征数据，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果；通过对所述电负荷需求预测结果进行模型解释，确定所述电负荷需求预测结果对应的超负荷特征，实现了以模型解释的方式，确定配电设备存在超负荷风险的原因，进而根据所述超负荷特征，在所述配电设备和所述耗电区域中确定是哪个配电设备或者哪个耗电区域导致的超负荷风险，也即找到引起超负荷风险的潜在风险因素，实现了在知道配电设备存在超负荷风险时，检测导致配电设备存在超负荷风险的原因的目的，克服了相关技术中配电设备的参数测试系统测试精度低、测试参数少、自动化水平差，同时不能实现温升监控、对用电量进行计算和对电负荷需求进行预测，存在超负荷运行的风险的技术缺陷，提高了配电设备的智能度，能够提前规避超负荷风险。
进一步地，参照图2，基于本申请第一实施例，在本申请另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，在步骤S20中，所述电负荷特征数据包括配电特征矩阵，所述根据预设电负荷预测模型和电负荷特征数据，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果的步骤，包括：
步骤A10，基于所述电负荷历史数据和所述电负荷需求历史数据，构建所述配电特征矩阵；
步骤A20，通过所述预设电负荷预测模型将所述配电特征矩阵映射为超负荷概率，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果。
在本实施例中，需要说明的是，所述电负荷历史数据包括电负荷表示矩阵，所述电负荷需求历史数据包括电负荷需求表示矩阵。其中，所述电负荷表示矩阵为由配电设备对应的配电特征向量组成，所述电负荷需求表示矩阵为由各耗电区域对应的配电特征向量组成。
作为一种示例，所述步骤A10至步骤A20包括：
将所述电负荷表示矩阵和所述电负荷需求表示矩阵进行拼接，得到配电特征矩阵；将所述配电特征矩阵输入预设电负荷预测模型，将所述配电特征矩阵映射为超负荷概率；若所述超负荷概率大于预设风险概率阈值，则电负荷需求预测结果为存在超负荷风险，若所述超负荷概率不大于预设风险概率阈值，则电负荷需求预测结果为不存在超负荷风险。
其中，所述电负荷历史数据包括电负荷表示矩阵，所述电负荷需求历史数据包括电负荷需求表示矩阵，所述基于所述电负荷历史数据和所述电负荷需求历史数据，构建所述配电特征矩阵的步骤包括：
步骤A11，生成所述配电设备对应的配电标签以及所述耗电区域对应的需求标签；
步骤A12，将所述电负荷表示矩阵、所述电负荷需求表示矩阵、所述配电设备标签和所述需求标签拼接为所述配电特征矩阵。
在本实施例中，需要说明的是，所述配电标签为配电设备的标识，用于标识配电设备对应的配电设备特征，其中，所述配电设备特征可以为发电功率、配电设备类型以及配电设备所处区域的气象类型等。所述耗电区域为耗电区域的标识，用于标识耗电区域对应的各耗电区域特征，其中，所述耗电区域特征可以为耗电区域的地理位置、耗电区域的季节以及耗电区域的耗电类型等。
作为一种示例，本实施例中，获取配电设备对应的配电设备特征以及各耗电区域对应的耗电区域特征，根据配电设备特征，分别为配电设备动态匹配对应的配电标签，并根据各耗电区域特征，分别为各耗电区域动态匹配对应的需求标签；将所述电负荷表示矩阵、所述电负荷需求表示矩阵、所述配电设备标签和所述需求标签拼接为所述配电特征矩阵。
其中，所述将所述电负荷表示矩阵、所述电负荷需求表示矩阵、所述配电设备标签和所述需求标签拼接为所述配电特征矩阵的步骤包括：
将配电设备标签分别拼接至在所述电负荷表示矩阵中对应的配电特征向量中，得到电负荷标签矩阵；将各需求标签分别拼接至在所述电负荷需求表示矩阵中对应的配电特征向量中，得到电负荷需求标签矩阵；将所述电负荷标签矩阵和所述电负荷需求标签矩阵拼接，得到配电特征矩阵。
其中，在步骤A11中，生成所述配电设备对应的配电标签的步骤包括：
步骤B10，获取配电设备对应的配电设备类型、对应的当地气象信息以及对应的最大配电功率；
步骤B20，根据所述配电设备类型、所述当地气象信息与所述最大配电功率，为所述配电设备动态匹配对应的配电标签。
在本实施例中，需要说明的是，所述配电设备类型可以为高压配电设备、低压配电设备等类型；所述当地气象信息为所述配电设备所处区域的气象信息，可以为风力等级、太阳光照强度以及室外温度等信息，所述最大配电功率为配电设备所能达到的最大输出功率。
作为一种示例，步骤B10至步骤B20包括：
获取配电设备对应的配电设备类型、对应的当地气象信息以及对应的最大配电功率；根据所述配电设备类型、所述当地气象信息与所述最大配电功率，分别构建所述配电设备对应的第一标签索引，根据所述第一标签索引，查询所述配电设备对应的配电标签。例如，假设所述配电设备类型为配电设备A，对应的类型标签为a，当地气象信息为大风，风力等级为10级，最大配电功率为1000个电量单位，其中，电量单位的具体大小可自行设置，则第一标签索引为向量N(a，10,1000)，进而根据向量N即可查找对应的配电标签，该配电标签可以为向量。
另外，需要说明的是，由于配电设备的电负荷受到许多因素影响，例如受到最大配电功率限制，受到风力等级的影响，受到太阳光照强度的影响。本申请实施例根据所述配电设备类型、所述当地气象信息与所述最大配电功率，为所述配电设备动态匹配对应的配电标签，充分考虑了各种因素对配电设备的电负荷的影响，进而为配电设备动态匹配配电标签，而发电标签为用于与电负荷历史数据一起参与决策配电设备是否存在超负荷风险的根据，所以为配电设备电负荷需求检测提供了更多的决策根据，提升了配电设备电负荷需求检测的准确度。
其中，在步骤A11中，生成所述耗电区域对应的需求标签的步骤包括：
步骤C10，获取所述耗电区域对应的经纬度信息、对应的季节信息以及对应的用电类型信息；
步骤C20，根据所述经纬度信息、所述季节信息以及所述用电类型信息，为所述耗电区域动态匹配对应的需求标签。
在本实施例中，需要说明的是，所述经纬度信息为所述耗电区域的经度和纬度，所述季节信息为所述耗电区域所处的季节类型，例如可以为春季、夏季、秋季或者冬季等，所述用电类型信息为标识用电类型的标签，用电类型可以为商业用电、民用电或者工业用电等。
作为一种示例，步骤C10至步骤C20包括：
获取所述耗电区域对应的经纬度信息、对应的季节信息以及对应的用电类型信息，根据所述经纬度信息、所述季节信息以及各用电类型信息，分别为各耗电区域构建第二标签索引；根据所述第二标签索引，分别查询各耗电区域对应的需求标签，例如，假设所述经纬度信息为(a，b)，表示耗电区域的经度为a，纬度为b，所述季节信息为季节标签c，标识当前季节为春季，用电类型信息为标签d，标识用电类型为工业用电，则第二标签索引为向量M(a，b，c，d)，进而以向量M为索引，查询对应的需求标签。
另外，需要说明的是，由于耗电区域的电负荷需求受到许多因素的影响，例如在远离赤道的地区需要长期耗电取暖，电负荷需求明显更高；工业耗电的电负荷需求明显会大于民用电的电负荷需求；在靠近赤道的地区，夏季由于需要开启空调，夏季和秋季的电负荷需求明显会大于春冬季的电负荷需求。本申请实施例根据所述经纬度信息、所述季节信息以及所述用电类型信息，为所述耗电区域动态匹配对应的需求标签，充分考虑了各种因素对耗电区域的电负荷需求的影响，进而为耗电区域动态匹配需求标签，而需求标签为用于与电负荷需求历史数据一起参与决策配电设备是否存在超负荷风险的根据，所以为配电设备电负荷需求检测提供了更多的决策根据，提升了配电设备电负荷需求检测的准确度。
另外，需要说明的是，在配电系统中，由于配电设备的实时状态与各耗电区域的实时状态均随着外界环境改变而改变，进而导致直接进行配电设备电负荷需求检测的准确度有待商榷。但是本申请实施例中通过为配电设备动态匹配配电标签以及为耗电区域动态匹配需求标签，可准确捕捉配电设备实时状态与耗电区域的实时状态，进而结合配电标签、电负荷历史数据、需求标签以及电负荷需求历史数据进行配电设备电负荷需求检测，即使配电设备的实时状态与各耗电区域的实时状态均随着外界环境改变而改变，也可对配电设备运行是否存在风险进行准确预测，提升了配电设备电负荷需求检测的准确度。
本申请实施例提供了一种配电特征矩阵的构建方法，也即生成所述配电设备对应的配电标签以及所述耗电区域对应的需求标签；将所述电负荷表示矩阵、所述电负荷需求表示矩阵、所述配电设备标签和所述需求标签拼接为所述配电特征矩阵。其中，配电标签与配电设备对应的配电设备类型、对应的当地气象信息以及对应的最大配电功率等配电设备特征相关联，需求标签与耗电区域对应的经纬度信息、对应的季节信息以及对应的用电类型信息等耗电区域特征相关联，充分考虑了各种影响配电设备的电负荷的因素以及各种影响耗电区域的电负荷需求的因素对配电设备运行的影响，为配电设备电负荷需求检测提供了更多的决策根据，提升了配电设备电负荷需求检测的准确度。
本申请实施例还提供一种配电设备的电负荷预测装置，所述配电设备的电负荷预测装置包括：
获取模块，用于获取配电设备的电负荷历史数据和耗电区域的电负荷需求历史数据，其中，所述配电设备用于向所述耗电区域配电；
预测模块，用于根据预设电负荷预测模型和电负荷特征数据，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果；其中，所述电负荷特征数据基于所述电负荷历史数据和所述电负荷需求历史数据进行构建得到；
模型解释模块，用于通过对所述电负荷需求预测结果进行模型解释，确定所述电负荷需求预测结果对应的超负荷特征；
风险确定模块，用于根据所述超负荷特征在所述配电设备与所述耗电区域中确定潜在风险因素；
可选地，所述电负荷特征数据包括配电特征矩阵，所述预测模块还用于：
基于所述电负荷历史数据和所述电负荷需求历史数据，构建所述配电特征矩阵；
通过所述预设电负荷预测模型将所述配电特征矩阵映射为超负荷概率，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果。
可选地，所述电负荷历史数据包括电负荷表示矩阵，所述电负荷需求历史数据包括电负荷需求表示矩阵，所述预测模块还用于：
生成所述配电设备对应的配电标签以及所述耗电区域对应的需求标签；
将所述电负荷表示矩阵、所述电负荷需求表示矩阵、所述配电设备标签和所述需求标签拼接为所述配电特征矩阵。
可选地，所述预测模块还用于：
获取配电设备对应的配电设备类型、对应的当地气象信息以及对应的最大配电功率；
根据所述配电设备类型、所述当地气象信息与所述最大配电功率，为所述配电设备动态匹配对应的配电标签。
可选地，所述预测模块还用于：
获取所述耗电区域对应的经纬度信息、对应的季节信息以及对应的用电类型信息；
根据所述经纬度信息、所述季节信息以及所述用电类型信息，为所述耗电区域动态匹配对应的需求标签。
可选地，所述模型解释模块还用于：
若所述电负荷需求预测结果为存在超负荷风险，则确定所述电负荷特征数据对应的各配电特征，其中，所述配电特征与所述配电设备相对应，或者与所述耗电区域相对应；
分别计算所述配电特征对所述电负荷需求预测结果的特征贡献度；
基于所述特征贡献度，在所述配电特征中选取所述超负荷特征。
可选地，所述电负荷特征数据包括配电特征矩阵，所述预测模块还用于：
根据预设电量预测模型、所述电负荷历史数据和所述电负荷需求历史数据，预测所述配电设备在下一时间步的电负荷以及所述耗电区域在下一时间步的电负荷需求，得到各预测电负荷历史数据以及各预测电负荷需求历史数据；
根据所述预测电负荷历史数据和所述预测电负荷需求历史数据，构建所述配电特征矩阵；
通过所述预设电负荷预测模型将所述配电特征矩阵映射为超负荷概率，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果。
本发明提供的配电设备的电负荷预测装置，采用上述实施例中的配电设备的电负荷预测方法、装置、设备及可读存储介质，解决了配电设备电负荷需求检测准确度低的技术问题。与现有技术相比，本发明实施例提供的配电设备的电负荷预测装置的有益效果与上述实施例提供的配电设备的电负荷预测方法、装置、设备及可读存储介质的有益效果相同，且该配电设备的电负荷预测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
本发明实施例提供一种配电设备的电负荷预测设备，配电设备的电负荷预测设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的配电设备的电负荷预测方法、装置、设备及可读存储介质。
下面参考图3，其示出了适于用来实现本公开实施例的配电设备的电负荷预测设备的结构示意图。本公开实施例中的配电设备的电负荷预测设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的配电设备的电负荷预测设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示，配电设备的电负荷预测设备可以包括处理装置(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中，还存储有配电设备的电负荷预测设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此训练。输入/输出(I/O)接口也连接至总线。
通常，以下系统可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许配电设备的电负荷预测设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的配电设备的电负荷预测设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
本发明提供的配电设备的电负荷预测设备，采用上述实施例中的配电设备的电负荷预测方法，解决了相关技术中配电设备的智能度较低的技术问题。与相关技术相比，本发明实施例提供的配电设备的电负荷预测设备的有益效果与上述实施例提供的配电设备的电负荷预测方法的有益效果相同，且该配电设备的电负荷预测设备中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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。
本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的配电设备的电负荷预测方法。
本发明实施例提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以是配电设备的电负荷预测设备中所包含的；也可以是单独存在，而未装配入配电设备的电负荷预测设备中。
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被配电设备的电负荷预测设备执行时，使得配电设备的电负荷预测设备：获取配电设备的电负荷历史数据和各耗电区域对应的电负荷需求历史数据，其中，所述配电设备用于向所述耗电区域配电；根据预设电负荷预测模型和电负荷特征数据，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果，其中，所述电负荷特征数据基于所述电负荷历史数据和所述电负荷需求历史数据进行构建得到；通过对所述电负荷需求预测结果进行模型解释，确定所述电负荷需求预测结果对应的超负荷特征；根据所述超负荷特征在所述配电设备和所述耗电区域中确定潜在风险因素。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
本发明提供的计算机可读存储介质，存储有用于执行上述配电设备的电负荷预测方法的计算机可读程序指令，解决了配电设备电负荷需求检测准确度低的技术问题。与现有技术相比，本发明实施例提供的计算机可读存储介质的有益效果与上述实施例提供的配电设备的电负荷预测方法的有益效果相同，在此不做赘述。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的配电设备的电负荷预测方法的步骤。
本申请提供的计算机程序产品解决了配电设备电负荷需求检测准确度低的技术问题。与现有技术相比，本发明实施例提供的计算机程序产品的有益效果与上述实施例提供的配电设备的电负荷预测方法的有益效果相同，在此不做赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种配电设备的电负荷预测方法，其特征在于，所述配电设备的电负荷预测方法包括：
获取配电设备的电负荷历史数据和耗电区域的电负荷需求历史数据，其中，所述配电设备用于向所述耗电区域配电；
根据预设电负荷预测模型和电负荷特征数据，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果；其中，所述电负荷特征数据基于所述电负荷历史数据和所述电负荷需求历史数据进行构建得到；
通过对所述电负荷需求预测结果进行模型解释，确定所述电负荷需求预测结果对应的超负荷特征；
根据所述超负荷特征在所述配电设备与所述耗电区域中确定潜在风险因素。
2.如权利要求1所述配电设备的电负荷预测方法，其特征在于，所述电负荷特征数据包括配电特征矩阵，所述根据预设电负荷预测模型和电负荷特征数据，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果的步骤，包括：
基于所述电负荷历史数据和所述电负荷需求历史数据，构建所述配电特征矩阵；
通过所述预设电负荷预测模型将所述配电特征矩阵映射为超负荷概率，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果。
3.如权利要求2所述配电设备的电负荷预测方法，其特征在于，所述电负荷历史数据包括电负荷表示矩阵，所述电负荷需求历史数据包括电负荷需求表示矩阵，所述基于所述电负荷历史数据和所述电负荷需求历史数据，构建所述配电特征矩阵的步骤，包括：
生成所述配电设备对应的配电标签以及所述耗电区域对应的需求标签；
将所述电负荷表示矩阵、所述电负荷需求表示矩阵、所述配电设备标签和所述需求标签拼接为所述配电特征矩阵。
4.如权利要求3所述配电设备的电负荷预测方法，其特征在于，所述生成所述配电设备对应的配电标签的步骤，包括：
获取配电设备对应的配电设备类型、对应的当地气象信息以及对应的最大配电功率；
根据所述配电设备类型、所述当地气象信息与所述最大配电功率，为所述配电设备动态匹配对应的配电标签。
5.如权利要求3所述配电设备的电负荷预测方法，其特征在于，所述生成所述耗电区域对应的需求标签的步骤，包括：
获取所述耗电区域对应的经纬度信息、对应的季节信息以及对应的用电类型信息；
根据所述经纬度信息、所述季节信息以及所述用电类型信息，为所述耗电区域动态匹配对应的需求标签。
6.如权利要求1所述配电设备的电负荷预测方法，其特征在于，所述通过对所述电负荷需求预测结果进行模型解释，确定所述电负荷需求预测结果对应的超负荷特征的步骤，包括：
若所述电负荷需求预测结果为存在超负荷风险，则确定所述电负荷特征数据对应的各配电特征；其中，所述配电特征与所述配电设备相对应，或者与所述耗电区域相对应；
分别计算所述配电特征对所述电负荷需求预测结果的特征贡献度；
基于所述特征贡献度，在所述配电特征中选取所述超负荷特征。
7.如权利要求1所述配电设备的电负荷预测方法，其特征在于，所述电负荷特征数据包括配电特征矩阵，所述根据预设电负荷预测模型和电负荷特征数据，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果的步骤，包括：
根据预设电量预测模型、所述电负荷历史数据和所述电负荷需求历史数据，预测所述配电设备在下一时间步的电负荷以及所述耗电区域在下一时间步的电负荷需求，得到各预测电负荷历史数据以及各预测电负荷需求历史数据；
根据所述预测电负荷历史数据和所述预测电负荷需求历史数据，构建所述配电特征矩阵；
通过所述预设电负荷预测模型将所述配电特征矩阵映射为超负荷概率，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果。
8.一种配电设备的电负荷预测装置，其特征在于，所述配电设备的电负荷预测装置包括：
获取模块，用于获取配电设备的电负荷历史数据和耗电区域的电负荷需求历史数据，其中，所述配电设备用于向所述耗电区域配电；
预测模块，用于根据预设电负荷预测模型和电负荷特征数据，预测所述耗电区域在下一时间步的电负荷需求，得到电负荷需求预测结果；其中，所述电负荷特征数据基于所述电负荷历史数据和所述电负荷需求历史数据进行构建得到；
模型解释模块，用于通过对所述电负荷需求预测结果进行模型解释，确定所述电负荷需求预测结果对应的超负荷特征；
风险确定模块，用于根据所述超负荷特征在所述配电设备与所述耗电区域中确定潜在风险因素。
9.一种配电设备的电负荷预测设备，其特征在于，所述配电设备的电负荷预测设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的配电设备的电负荷预测方法的步骤。
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上存储有实现配电设备的电负荷预测方法的程序，所述实现配电设备的电负荷预测方法的程序被处理器执行以实现如权利要求1至7中任一项所述配电设备的电负荷预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310744996.6A CN116826720B (zh) | 2023-06-21 | 2023-06-21 | 配电设备的电负荷预测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310744996.6A CN116826720B (zh) | 2023-06-21 | 2023-06-21 | 配电设备的电负荷预测方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116826720A true CN116826720A (zh) | 2023-09-29 |
| CN116826720B CN116826720B (zh) | 2024-03-29 |
Family
ID=88116081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310744996.6A Active CN116826720B (zh) | 2023-06-21 | 2023-06-21 | 配电设备的电负荷预测方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116826720B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130018518A1 (en) * | 2011-07-15 | 2013-01-17 | General Electric Company | Automated systems and methods for controlling localized load conditions to extend electrical distribution system component life |
| US20140058572A1 (en) * | 2012-08-27 | 2014-02-27 | Gridium, Inc. | Systems and methods for energy consumption and energy demand management |
| CN105552902A (zh) * | 2016-01-25 | 2016-05-04 | 中国电力科学研究院 | 基于馈线端实时量测的配电网终端负荷超短期预测方法 |
| US20200310479A1 (en) * | 2019-03-28 | 2020-10-01 | PowerSecure Inc. | Systems and methods for controlling an energy supply system |
| KR102350728B1 (ko) * | 2021-11-09 | 2022-01-14 | 주식회사 스타코프 | 뉴럴 네트워크 기반의 부하 추정부를 포함하는 적산 전력 장치 |
| CN114118759A (zh) * | 2021-11-19 | 2022-03-01 | 广东电网有限责任公司 | 一种配变台区负荷过载状态评估方法及装置 |
| KR20220134380A (ko) * | 2021-03-26 | 2022-10-05 | 한국전력공사 | 실시간 유연자원 최적 배분 시스템 및 방법 |
| CN115833143A (zh) * | 2022-11-30 | 2023-03-21 | 贵州电网有限责任公司 | 一种重要负荷连续供电能力的监控方法及系统 |
| CN115964610A (zh) * | 2022-12-29 | 2023-04-14 | 广东电网有限责任公司江门供电局 | 一种基于rpa机器人的变压器超负荷监测方法及装置 |
-
2023
- 2023-06-21 CN CN202310744996.6A patent/CN116826720B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130018518A1 (en) * | 2011-07-15 | 2013-01-17 | General Electric Company | Automated systems and methods for controlling localized load conditions to extend electrical distribution system component life |
| US20140058572A1 (en) * | 2012-08-27 | 2014-02-27 | Gridium, Inc. | Systems and methods for energy consumption and energy demand management |
| CN105552902A (zh) * | 2016-01-25 | 2016-05-04 | 中国电力科学研究院 | 基于馈线端实时量测的配电网终端负荷超短期预测方法 |
| US20200310479A1 (en) * | 2019-03-28 | 2020-10-01 | PowerSecure Inc. | Systems and methods for controlling an energy supply system |
| KR20220134380A (ko) * | 2021-03-26 | 2022-10-05 | 한국전력공사 | 실시간 유연자원 최적 배분 시스템 및 방법 |
| KR102350728B1 (ko) * | 2021-11-09 | 2022-01-14 | 주식회사 스타코프 | 뉴럴 네트워크 기반의 부하 추정부를 포함하는 적산 전력 장치 |
| CN114118759A (zh) * | 2021-11-19 | 2022-03-01 | 广东电网有限责任公司 | 一种配变台区负荷过载状态评估方法及装置 |
| CN115833143A (zh) * | 2022-11-30 | 2023-03-21 | 贵州电网有限责任公司 | 一种重要负荷连续供电能力的监控方法及系统 |
| CN115964610A (zh) * | 2022-12-29 | 2023-04-14 | 广东电网有限责任公司江门供电局 | 一种基于rpa机器人的变压器超负荷监测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| CAROLA KRUG 等: "AI-based Load Forecasts - Research and Application", ETG CONGRESS 2023, pages 307 - 313 * |
| 何小磊 等: "基于Shapley值的电力负荷组合预测方法有效性探讨", 华东电力, pages 51 - 55 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116826720B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190382111A1 (en) | Drone and rover preplacement for remote autonomous inspection of utility system components | |
| CN114866608A (zh) | 智慧水务数据处理平台 | |
| CN115391681A (zh) | 充电站推荐方法、装置、电子设备及可读存储介质 | |
| CN112000893A (zh) | 常驻区域预测方法、装置、设备及存储介质 | |
| CN114037364B (zh) | 基于人工智能的虚拟电厂运行风险检测方法 | |
| CN115311355A (zh) | 接触网异物风险预警方法、装置、设备及存储介质 | |
| CN113255996B (zh) | 一种标签化的电费余额管理方法、装置、设备及存储介质 | |
| CN112801374B (zh) | 模型训练方法、用电负荷预测方法、装置及设备 | |
| CN116826720B (zh) | 配电设备的电负荷预测方法、装置、设备及可读存储介质 | |
| CN109711035A (zh) | 城市模型构建方法及装置 | |
| CN117767250A (zh) | 基于故障监测的直流微电网协调控制方法及系统 | |
| CN116780004A (zh) | 电池充电优化方法、电子设备及可读存储介质 | |
| CN115099540B (zh) | 基于人工智能的碳中和处理方法 | |
| CN115515045A (zh) | 设备充电优化方法、装置、电子设备及可读存储介质 | |
| CN116563007A (zh) | 授信信用风险预测方法、电子设备及可读存储介质 | |
| CN112580898B (zh) | 一种污染预测方法以及污染预测模型训练方法 | |
| JP2014003749A (ja) | 電気機器判別装置、電気機器判別システム、電気機器判別方法、及びプログラム | |
| CN117117926B (zh) | 一种配电网储能配置方法及系统 | |
| CN117740021B (zh) | 园区导航任务执行方法、装置、电子设备及可读存储介质 | |
| CN114822005B (zh) | 基于人工智能的遥控意图预测方法、装置、设备及介质 | |
| CN118132833A (zh) | 基于气象要素的农机作业的提示方法、装置、设备和介质 | |
| CN116227899A (zh) | 小区房屋能耗预测方法、装置、电子设备及可读存储介质 | |
| CN114584607B (zh) | 通信连接建立方法、装置、电子设备及可读存储介质 | |
| CN112584033B (zh) | 图像采集参数调节方法、装置及设备 | |
| CN116109932B (zh) | 房屋安全检测方法、装置、电子设备及可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |