基于重过载概率统计和相似日的配变负载率修正预测方法技术

本发明专利技术属于负荷预测技术领域，具体涉及基于重过载概率统计和相似日的配变负载率修正预测方法。本发明专利技术通过统计近期各时刻点上负载率重过载的概率，获取存在重过载可能性的时刻点，专注修正存在重过载可能性的时刻点，提高修正效率；考虑到短期外界因素对负载率峰值的影响，借助预测日前一日的负载率曲线找到预测日的负载率相似日，然后根据预测日前一日和相似日的负载率峰值高度在存在重过载概率的时刻点对初始预测负载率曲线进行修正，提高了重过载部分的预测精度，解决了重过载漏判的问题。题。题。

【技术实现步骤摘要】
基于重过载概率统计和相似日的配变负载率修正预测方法


[0001]本专利技术属于负荷预测
，具体涉及基于重过载概率统计和相似日的配变负载率修正预测方法。

技术介绍

[0002]近年来，随着社会经济快速发展，人民的生产生活用电显著增加，特别是在夏季空调使用高峰期，在人员生活密集的区域和大型工业园区每天的用电高峰相对集中，很容易造成配变重载甚至过载。重过载状态下运行的配变会造成变压器故障，给居民生活带来极大的不便，影响生产作业效率并造成巨大的经济损失。为避免配变重过载，保证配变线路的稳定运行，对潜在重过载配变进行风险预警显得尤为重要。
[0003]目前，重过载预警工作主要是在预测配变负载率的基础上进行的，通过历史负载率数据波动规律，加入气温等直接或间接可能对负载率产生影响的因素，借助各类机器学习方法构建负载率预测模型，最后在负载率预测结果的基础上对重过载的情况进行判断。在机器学习领域中时间序列法在负载率预测业务中应用比较多，其中的自回归移动平均模型(Autoregressive Integrated Moving Average model，ARIMA)是一种较为成熟的算法，ARIMA建立一个关于历史负载率随时间波动的时序模型，模型经过历史数据的学习，对未来的负载率进行预测。常用经典的预测方法还有回归分析法，它可以根据历史数据来学习自变量和因变量之间的关系和建立回归方程。时间序列法和回归分析法是负载率预测的主流技术。但是，受短期一些外界因素影响，传统机器学习模型对负载率峰值的预测效果很难稳定准确做到重过载预警，导致很多重过载隐患被漏判；且对负载率的预测结果使用固定系数进行修正，缺乏对重过载部分针对性，后期需要靠人为经验，浪费人力物力，且效率低下。

技术实现思路

[0004]为了克服现有技术中的问题，本专利技术提出了基于重过载概率统计和相似日的配变负载率修正预测方法。
[0005]本专利技术解决上述技术问题的技术方案如下：
[0006]基于重过载概率统计和相似日的配变负载率修正预测方法，包括以下步骤：
[0007]步骤1：获取预测日的相关外部影响数据、预测日前x天的负载率及对应的相关外部影响数据，作为初始数据集；
[0008]步骤2：对所述初始数据集进行预处理，形成预处理后的数据集；
[0009]步骤3：对预处理后的数据集进行特征工程操作形成训练数据集；
[0010]步骤4：采用LGBM构建负载率预测模型，并利用训练数据集对负载率预测模型进行训练，得训练好的负载率预测模型；利用训练好的负载率预测模型，得到预测日的负载预测曲线；
[0011]步骤5.统计预测日前m天各个时刻点负载率重过载的概率，并根据重过载概率设置不同类型配变线路的重过载概率阈值，获取存在重过载可能性的时刻点；
[0012]步骤6.获取预测日的负载率相似日；
[0013]步骤7.根据预测日前一日和相似日的负载率峰值高度在存在重过载概率的时刻点对初始预测负载率曲线进行修正。
[0014]进一步地，所述步骤1中相关外部影响数据包括总有功、日期属性、天气属性、温度属性。
[0015]进一步地，所述步骤2中对所述初始数据集进行预处理包括：异常数据剔除、缺失数据填充、分类型数据编码。
[0016]进一步地，所述步骤3中特征工程操作具体包括：
[0017]添加日期特征列：将日期按星期划分1到7，添加周一到周天的特征列，节假日为1，其他日期为0，添加节假日特征列，突出日期类型；
[0018]添加前一天的各时刻总有功特征；
[0019]添加各时刻温度特征：加入当地线路的96点实时温度特征，预测日当天使用天气预报温度特征。
[0020]进一步地，所述步骤6中相似日的获取步骤为：取预测日之前n(n<m)天的负载率曲线，在不包括预测日前一日的n
‑
1天中寻找与预测日前一日负载率曲线相似度最高的一天，将该日期的后一天作为预测日的负载率相似日。
[0021]进一步地，所述负载率曲线相似度计算方法为：
[0022][0023]其中，E
i
为每个时刻点预测的相对误差：
[0024][0025]上式中，s为相似日各时刻点的负载率结果，t为预测日各时刻点的负载率为，N为预测时刻点的个数。
[0026]进一步地，所述步骤7中对初始预测负载率曲线修正规则包括：
[0027]当某时刻点估计发生重过载概率＝0，同时负载预测曲线预测结果为重过载，则修正为正常状态；
[0028]当某时刻点估计发生重过载概率＝0，同时负载预测曲线预测结果为正常，则不进行修正；
[0029]当某时刻0≤估计发生重过载概率＜重过载概率阈值β时，不对负载预测曲线预测结果进行修正；
[0030]当某时刻点估计发生重过载概率≥重过载概率阈值β时，同时负载预测曲线预测结果为正常状态，则取相似日、预测日前一日中该时刻点真实值较大的作为修正值；
[0031]当某时刻点估计发生重过载概率≥重过载概率阈值β时，同时负载预测曲线预测结果为重过载，则不进行修正。
[0032]与现有技术相比，本专利技术具有如下技术效果：
[0033]本专利技术通过统计近期各时刻点上负载率重过载的概率，获取存在重过载可能性的时刻点，专注修正存在重过载可能性的时刻点，提高修正效率；考虑到短期外界因素对负载
率峰值的影响，借助预测日前一日的负载率曲线找到预测日的负载率相似日，然后根据预测日前一日和相似日的负载率峰值高度在存在重过载概率的时刻点对初始预测负载率曲线进行修正，提高了重过载部分的预测精度，解决了重过载漏判的问题。
附图说明
[0034]图1为本专利技术基于LGBM模型结合近期过载时刻概率统计和相似日进行负载率修正过程示意图；
[0035]图2为本专利技术某配变线路96点各时刻可能发生重过载的概率统计示意图；
[0036]图3为本专利技术随机配变线路随机某天的真实值与LGBM模型预测结果的对比图；
[0037]图4为本专利技术随机配变线路随机某天的真实值、LGBM模型预测值与修正预测值后结果的对比图。
具体实施方式
[0038]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0039]本专利技术短期负载率修正预测的目标是预测未来一天24小时内以15分钟为采样间隔(96点)的负载率数值，提出了一种基于重过载概率统计和相似日的配变负载率修正预测方法，具体包括以下步骤：
[0040]步骤1：获取预测日的相关外部影响数据、预测日前x天的负载率及对应的相关外部影响数据，作为初始数据集；
[0041]其中，相关外部影响数据包括总有功、日期属性、天气属性、温度属性。
[0042]步骤2：对所述初始数据集进行预处理，形成预处理后的数据集；
[0043]由于异常数据会降低线性回归模型的短期预测效果，为了保证线本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于重过载概率统计和相似日的配变负载率修正预测方法，其特征在于，包括以下步骤：步骤1：获取预测日的相关外部影响数据、预测日前x天的负载率及对应的相关外部影响数据，作为初始数据集；步骤2：对所述初始数据集进行预处理，形成预处理后的数据集；步骤3：对预处理后的数据集进行特征工程操作形成训练数据集；步骤4：采用LGBM构建负载率预测模型，并利用训练数据集对负载率预测模型进行训练，得训练好的负载率预测模型；利用训练好的负载率预测模型，得到预测日的负载预测曲线；步骤5.统计预测日前m天各个时刻点负载率重过载的概率，并根据重过载概率设置不同类型配变线路的重过载概率阈值，获取存在重过载可能性的时刻点；步骤6.获取预测日的负载率相似日；步骤7.根据预测日前一日和相似日的负载率峰值高度在存在重过载概率的时刻点对初始预测负载率曲线进行修正。2.根据权利要求1所述的基于重过载概率统计和相似日的配变负载率修正预测方法，其特征在于，所述步骤1中相关外部影响数据包括总有功、日期属性、天气属性、温度属性。3.根据权利要求1所述的基于重过载概率统计和相似日的配变负载率修正预测方法，其特征在于，所述步骤2中对所述初始数据集进行预处理包括：异常数据剔除、缺失数据填充、分类型数据编码。4.根据权利要求1所述的基于重过载概率统计和相似日的配变负载率修正预测方法，其特征在于，所述步骤3中特征工程操作具体包括：添加日期特征列：将日期按星期划分1到7，添加周一到周天的特征列，节假日为1，其他日期为0，添加节假日特征列，突出日期类型；添加前一天的各时刻总有功特征；添加各时刻温度特征：加入当地线路的96点实时温度特征，预测...

【专利技术属性】
技术研发人员：李星震，郇长武，胡电中，刘刚，杨欣毅，董仁玮，宋晓霞，
申请(专利权)人：烟台海颐软件股份有限公司，
类型：发明
国别省市：