一种配电网中期负荷分解-集合预测方法及系统技术方案

本发明专利技术公开了一种配电网中期负荷分解

【技术实现步骤摘要】
一种配电网中期负荷分解
‑
集合预测方法及系统


[0001]本专利技术主要涉及配电网
，具体涉及一种配电网中期负荷分解
‑
集合预测方法及系统。

技术介绍

[0002]配电网中期负荷预测主要是对月度以上时间尺度的负荷进行预测，精确的中期负荷预测能为变电站选址定容、网架结构优化及调度计划的制定提供关键指导，有效提高电网规划的经济性，保障电力市场的有序推进。随着智能电表的普及，中期负荷预测获得了足够的数据支撑。但是，由于中期负荷预测的时间跨度较大，会造成严重的误差累积问题。此外，影响中期负荷预测的因素众多，难以明确其对中期负荷变化趋势的影响程度。
[0003]已有学者在中期负荷预测方面开展了相关研究。常用的中期负荷预测方法可分为两大类，分别为仅考虑负荷自身时序规律的方法和考虑相关性因素的方法。目前已有的中期负荷预测方法还存在以下缺陷：1)负荷预测过程中仅考虑负荷自身时序规律，忽略了外部因素对负荷的影响；2)对于高度非线性负荷序列，单一模型的学习能力不佳；3)中期负荷预测时间跨度大，误差累积严重。所述的缺陷导致配电网中期负荷预测性能较差，预测准确性不足。

技术实现思路

[0004]本专利技术要解决的技术问题就在于：针对现有技术存在的问题，本专利技术提供一种提高配电网中期负荷预测性能的配电网中期负荷分解
‑
集合预测方法及系统。
[0005]为解决上述技术问题，本专利技术提出的技术方案为：
[0006]一种配电网中期负荷分解
>‑
集合预测方法，包括步骤：
[0007]S101、获得历史气象数据和负荷数据，在剔除异常数据和填补缺失数据后，对数据进行归一化处理，生成时间序列样本集；
[0008]S102、对时间序列样本集中的负荷时间序列进行季节分解，生成趋势、季节和随机三种分量，对气象数据和负荷数据进行相关性分析，选择与负荷相关的气象特征，生成预测模型的输入数据，作为训练样本；
[0009]S103、搭建每个分量对应的长短期记忆神经网络负荷预测模型，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；
[0010]S104、将待测试数据输入至所述长短期记忆神经网络负荷预测模型，生成趋势、季节和随机三种分量预测结果；
[0011]S105、选择与分解方法对应的集合方法，将三种分量预测结果输入集合模型，生成最终预测结果。
[0012]优选地，步骤S101的具体过程为：
[0013]S201、获取历史气象数据和负荷数据，其中所述历史气象数据包括温度、相对湿度、风速和风力；所述负荷数据为日用电量数据，所述历史气象数据和所述负荷数据均为时
间序列数据；
[0014]S202、对所述历史气象数据和所述负荷数据采用箱型图法剔除异常数据，采用线性插值法填充缺失数据，生成高质量气象数据和负荷数据；
[0015]S203、对所述高质量气象数据与负荷数据进行归一化处理，生成时间序列样本集。
[0016]优选地，步骤S202中，通过箱型图法对配电网数据异常值进行检测的过程如下：依据数据偏离平均水平程度来检测配电网的异常数据，定义样本的上四分位数Q
U
，下四分位数Q
L
，上四分位数与下四分位数间隔Q
R
，三者有如下关系：
[0017]Q
R
＝Q
L
‑
Q
U
[0018]其中，在区间[Q
U
‑
1.5Q
R
,Q
L
+1.5Q
R
]范围外的数据判定为异常值，将异常值替换为空值，然后采用线性插值方法填充配电网缺失数。
[0019]优选地，步骤S102的具体过程包括：
[0020]S301、对负荷时间序列进行季节分解，生成趋势分量、季节分量和随机分量共三种分量；
[0021]S302、计算随机分量与气象数据间的最大互信息系数，衡量随机分量与气象特征间的相关性，筛选相关性最大的气象特征，将筛选得到的气象特征和负荷数据一并作为预测模型的输入数据；
[0022]S303、对于趋势分量和季节分量，选择负荷数据作为对应预测模型的输入数据；
[0023]S304、选择所述耦合相关性最大的负荷作为多能预测模型的输入数据；
[0024]S305、将所述预测模型的输入数据划分为训练样本集、验证样本集、测试样本集。
[0025]优选地，步骤S302中，随机分量与气象数据间的最大互信系数的计算公式如下：
[0026][0027]其中，x为比较对象表示所分析的负荷特征数据，y为参考对象表示所参照的负荷特征数据，n为数据样本包含的数量，p为联合概率计算，a表示表示在二维空间中x方向上划分的网格数量，b表示在二维空间中y方向上划分的网格数量，MIC(x,y)表示比较对象数据x和参考数据y之间的最大相互信息系数。
[0028]优选地，步骤S103的具体过程包括：
[0029]S401、搭建每个分量对应的长短期记忆神经网络负荷预测模型，所述长短期记忆神经网络负荷预测模型的超参数包括神经网络隐含层数量、隐含层神经元数量和学习率；
[0030]S402、将所述训练样本集作为输入数据，将对应每种分量负荷预测样本数据作为输出数据；
[0031]S403、采用Adam优化算法确定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。
[0032]优选地，在步骤103中，建立预测结果评估指标，采用绝对误差σ与平均绝对百分比误差MAPE两种指标衡量预测值与实际值之间的偏差。
[0033]优选地，步骤S104的具体过程包括：
[0034]S601、将测试数据输入所述长短期记忆神经网络负荷预测模型，获得趋势、季节和随机三种分量归一化预测值；
[0035]S602、对所述归一化预测值进行反归一化处理，获得趋势、季节和随机三种分量预测值。
[0036]优选地，步骤S105的具体过程包括：
[0037]S701、选择与分解方法对应的集合方法，具体的有加法集合模型和乘法集合模型；
[0038]S702、将趋势、季节和随机三种分量输入所述集合模型中，生成最终负荷预测结果。
[0039]本专利技术还公开了一种配电网中期负荷分解
‑
集合预测系统，包括：
[0040]第一程序模块，用于获得历史气象数据和负荷数据，在剔除异常数据和填补缺失数据后，对数据进行归一化处理，生成时间序列样本集；
[0041]第二程序模块，用于对时间序列样本集中的负荷时间序列进行季节分解，生成趋势、季节和随机三种分量，对气象数据和负荷数据进行相关性分析，选择与负荷相关的气象特征，生成预测模型的输入数据，作为训练样本；
[0042]第三程序模块，用于搭建每个分量对应的长短期记忆神经网络负荷预测模型，输入训练样本进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电网中期负荷分解
‑
集合预测方法，其特征在于，包括步骤：S101、获得历史气象数据和负荷数据，在剔除异常数据和填补缺失数据后，对数据进行归一化处理，生成时间序列样本集；S102、对时间序列样本集中的负荷时间序列进行季节分解，生成趋势、季节和随机三种分量，对气象数据和负荷数据进行相关性分析，选择与负荷相关的气象特征，生成预测模型的输入数据，作为训练样本；S103、搭建每个分量对应的长短期记忆神经网络负荷预测模型，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；S104、将待测试数据输入至所述长短期记忆神经网络负荷预测模型，生成趋势、季节和随机三种分量预测结果；S105、选择与分解方法对应的集合方法，将三种分量预测结果输入集合模型，生成最终预测结果。2.根据权利要求1所述的配电网中期负荷分解
‑
集合预测方法，其特征在于，步骤S101的具体过程为：S201、获取历史气象数据和负荷数据，其中所述历史气象数据包括温度、相对湿度、风速和风力；所述负荷数据为日用电量数据，所述历史气象数据和所述负荷数据均为时间序列数据；S202、对所述历史气象数据和所述负荷数据采用箱型图法剔除异常数据，采用线性插值法填充缺失数据，生成高质量气象数据和负荷数据；S203、对所述高质量气象数据与负荷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所述的配电网中期负荷分解
‑
集合预测方法，其特征在于，步骤S202中，通过箱型图法对配电网数据异常值进行检测的过程如下：依据数据偏离平均水平程度来检测配电网的异常数据，定义样本的上四分位数Q
U
，下四分位数Q
L
，上四分位数与下四分位数间隔Q
R
，三者有如下关系：Q
R
＝Q
L
‑
Q
U
其中，在区间[Q
U
‑
1.5Q
R
,Q
L
+1.5Q
R
]范围外的数据判定为异常值，将异常值替换为空值，然后采用线性插值方法填充配电网缺失数。4.根据权利要求3所述的配电网中期负荷分解
‑
集合预测方法，其特征在于，步骤S102的具体过程包括：S301、对负荷时间序列进行季节分解，生成趋势分量、季节分量和随机分量共三种分量；S302、计算随机分量与气象数据间的最大互信息系数，衡量随机分量与气象特征间的相关性，筛选相关性最大的气象特征，将筛选得到的气象特征和负荷数据一并作为预测模型的输入数据；S303、对于趋势分量和季节分量，选择负荷数据作为对应预测模型的输入数据；S304、选择所述耦合相关性最大的负荷作为多能预测模型的输入数据；S305、将所述预测模型的输入数据划分为训练...

【专利技术属性】
技术研发人员：邓威，李勇，张帝，朱吉然，郭钇秀，康童，游金梁，任奇，任磊，唐海国，刘奕，周可慧，
申请(专利权)人：国网湖南省电力有限公司电力科学研究院国家电网有限公司，
类型：发明
国别省市：