一种基于负荷特性的变电站母线负荷预测方法技术

本发明专利技术公开了一种基于负荷特性的变电站母线负荷预测方法，包括以下步骤：根据供电区域内风水电厂出力行为的影响，划分变电站的类型；获取历史数据并提取变电站的特征向量，构建变电站对应的负荷预测模型，用所述特征向量训练负荷预测模型；获取预测日之前的目标时段数据并提取变电站的特征向量后，输入所述负荷预测模型得到负荷预测值，作为变电站母线负荷预测结果。本发明专利技术考虑到负荷特性对于变电站的影响，能够得到准确的负荷预测结果。能够得到准确的负荷预测结果。能够得到准确的负荷预测结果。

【技术实现步骤摘要】
一种基于负荷特性的变电站母线负荷预测方法


[0001]本专利技术涉及电能管理领域，尤其涉及一种基于负荷特性的变电站母线负荷预测方法。

技术介绍

[0002]变电站母线负荷是一个非线性系统，其变化规律具有随机性、非线性的特点，因此很难采用统一的数学模型来拟合负荷与其影响因素之间的关系。一些区域内风、水资源丰富，小电源机组设备数量众多，变电站母线负荷受影响程度较大。地区变电站母线负荷可分解为母线用电负荷和地方电厂发电功率，母线用电负荷周期性较强，整体较为平稳，预测准确度较高。受供电区域内小电源出力行为的影响，变电站母线负荷容易产生突变，稳定性差，波动性较强，预测难度较大。现有的变电站母线负荷预测方法大多采用相同的模型开展多类负荷预测，未针对性地考虑不同的变电站母线负荷特性。

技术实现思路

[0003]本专利技术要解决的技术问题：针对现有技术的上述问题，提供一种基于负荷特性的变电站母线负荷预测方法，能够得到准确的预测结果。
[0004]为了解决上述技术问题，本专利技术采用的技术方案为：
[0005]一种基于负荷特性的变电站母线负荷预测方法，包括以下步骤：
[0006]根据供电区域内风水电厂出力行为的影响，划分变电站的类型；
[0007]获取历史数据并提取变电站的特征向量，构建变电站对应的负荷预测模型，用所述特征向量训练负荷预测模型；
[0008]获取预测日之前的目标时段数据并提取变电站的特征向量后，输入所述负荷预测模型得到负荷预测值，作为变电站母线负荷预测结果。/>[0009]进一步的，根据供电区域内风水电厂出力行为的影响，划分变电站的类型具体包括：
[0010]若变电站不受风水电厂出力行为的影响，变电站为纯负荷站点；
[0011]若变电站只受风电厂出力行为的影响，变电站为风力站点；
[0012]若变电站只受水电厂出力行为的影响，变电站为水力站点；
[0013]若变电站同时受风水电厂出力行为的影响，变电站为风水力站点。
[0014]进一步的，提取变电站的特征向量具体包括：提取基础特征向量和特殊特征向量，所述特殊特征向量与变电的类型对应，将基础特征向量与特殊特征向量组合，得到变电站的特征向量。
[0015]进一步的，所述基础特征向量包括变电站母线负荷数据、天气数据、日期类型数据。
[0016]进一步的，若变电站为纯负荷站点，特殊特征向量包括一周前的母线负荷；
[0017]若变电站为风力站点，特殊特征向量包括风电厂发电数据；
[0018]若变电站为水力站点，特殊特征向量包括水电厂发电数据；
[0019]若变电站为风水力站点，特殊特征向量包括预测日前一天的母线净负荷，所述母线净负荷为母线实际负荷与风水电厂实际发电功率之差。
[0020]进一步的，所述负荷预测模型为人工神经网络模型，若变电站为纯负荷站点，对应的人工神经网络模型包含两层隐藏层，每个隐藏层的神经元个数分别为100、50，激活函数为sigmoid；若变电站为风力站点或水力站点，对应的人工神经网络模型包含三层隐藏层，每个隐藏层的神经元个数分别为100、50、50，激活函数为relu；若变电站为风水力站点，对应的人工神经网络模型包含三层隐藏层，每个隐藏层的神经元个数分别为100、50、20，激活函数为relu。
[0021]进一步的，所述预测日之前的目标时段数据为预测日的前两日12:00及之后至预测日的前一日12:00之前的变电站地区天气预报信息、地方电厂出力计划数据和母线每日96点负荷。
[0022]进一步的，输入所述负荷预测模型得到负荷预测值之后还包括：若变电站为风水力站点，将负荷预测值加上预测日的电厂计划发电功率，得到变电站母线负荷预测结果。
[0023]进一步的，所述获取历史数据之后还包括数据预处理的步骤，具体包括：
[0024]若某一时刻的负荷数据缺损或丢失，用相邻的前后时间内的负荷数据进行线性插值修补；
[0025]若连续几天负荷数据为0，则判断这些负荷数据为异常负荷数据，并删除异常负荷数据；
[0026]将历史数据中的所有数据集成在统一的预设表格中。
[0027]进一步的，用所述特征向量训练负荷预测模型具体包括：对给定参数列表中的值进行排列组合得到各组参数，分别用所述特征向量训练每一组参数配置下的负荷预测模型，用交叉验证法分别评估各训练好的负荷预测模型的效果，选取效果最好的负荷预测模型。
[0028]和现有技术相比，本专利技术具有下述优点：
[0029]本专利技术首先对变电站进行分类，然后按照不同的分类，从历史数据中提取对应的特征向量，并构建对应的负荷预测模型，然后用经过这些特征向量训练好的负荷预测模型准确的进行母线负荷预测，由于考虑到负荷特性的影响，这些预测模型的预测准确率更高，同时，本专利技术在预测模型训练过程中利用网格寻优和交叉验证算法对进行参数优化，进一步提升了负荷预测模型的准确率。
附图说明
[0030]图1为本专利技术实施例的简要步骤图。
[0031]图2为本专利技术实施例的流程图。
[0032]图3为本专利技术实施例的预测值与当日实际值对比图。
具体实施方式
[0033]以下结合说明书附图和具体优选的实施例对本专利技术作进一步描述，但并不因此而限制本专利技术的保护范围。
[0034]本实施例提出一种基于负荷特性的变电站母线负荷预测方法，对根据负荷特性对变电站进行分类，然后通过人工神经网络方法分别对变电站母线负荷进行预测，如图1和图2所示，包括以下步骤：
[0035]S1)根据供电区域内风水电厂出力行为的影响，划分变电站的类型；
[0036]S2)获取历史数据并提取变电站的特征向量，构建变电站对应的负荷预测模型，用所述特征向量训练负荷预测模型；
[0037]S3)获取预测日之前的目标时段数据并提取变电站的特征向量后，输入所述负荷预测模型得到负荷预测值，作为变电站母线负荷预测结果。
[0038]在步骤S1)中，我们综合研究地区电网现状，发现系统中各个变电站母线负荷的变化规律有其各自的特点，按照所接负荷或电厂类型，对于变电站的类型划分如下：
[0039]若变电站不受风水电厂出力行为的影响，变电站为纯负荷站点；
[0040]若变电站只受风电厂出力行为的影响，变电站为风力站点；
[0041]若变电站只受水电厂出力行为的影响，变电站为水力站点；
[0042]若变电站同时受风水电厂出力行为的影响，变电站为风水力站点。
[0043]在步骤S2)中，历史数据包括变电站地区天气预报信息、地方电厂出力计划数据(包括实际和计划发电数据)和母线每日96点负荷等负荷相关数据，这些数据采集过程中，因某些原因，可能存在异常数据或者缺失数据，我们通过以下步骤进行数据预处理：
[0044]若某一时刻的负荷数据缺损或丢失，用相邻的前后时间内的负荷数据进行线性插值修补；
[0045]若连续几天负荷数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于负荷特性的变电站母线负荷预测方法，其特征在于，包括以下步骤：根据供电区域内风水电厂出力行为的影响，划分变电站的类型；获取历史数据并提取变电站的特征向量，构建变电站对应的负荷预测模型，用所述特征向量训练负荷预测模型；获取预测日之前的目标时段数据并提取变电站的特征向量后，输入所述负荷预测模型得到负荷预测值，作为变电站母线负荷预测结果。2.根据权利要求1所述的基于负荷特性的变电站母线负荷预测方法，其特征在于，根据供电区域内风水电厂出力行为的影响，划分变电站的类型具体包括：若变电站不受风水电厂出力行为的影响，变电站为纯负荷站点；若变电站只受风电厂出力行为的影响，变电站为风力站点；若变电站只受水电厂出力行为的影响，变电站为水力站点；若变电站同时受风水电厂出力行为的影响，变电站为风水力站点。3.根据权利要求1所述的基于负荷特性的变电站母线负荷预测方法，其特征在于，提取变电站的特征向量具体包括：提取基础特征向量和特殊特征向量，所述特殊特征向量与变电的类型对应，将基础特征向量与特殊特征向量组合，得到变电站的特征向量。4.根据权利要求3所述的基于负荷特性的变电站母线负荷预测方法，其特征在于，所述基础特征向量包括变电站母线负荷数据、天气数据、日期类型数据。5.根据权利要求3所述的基于负荷特性的变电站母线负荷预测方法，其特征在于，若变电站为纯负荷站点，特殊特征向量包括一周前的母线负荷；若变电站为风力站点，特殊特征向量包括风电厂发电数据；若变电站为水力站点，特殊特征向量包括水电厂发电数据；若变电站为风水力站点，特殊特征向量包括预测日前一天的母线净负荷，所述母线净负荷为母线实际负荷与风水电厂实际发电功率之差。6.根据权利要求1所述的基于负荷特性的变电站母线负荷预测方法，其特征在于，所述负荷预测模型...

【专利技术属性】
技术研发人员：胡婧，谭友奇，蒋涛，尹娅婷，魏艳，石强，程立新，席明潇，
申请(专利权)人：国网湖南省电力有限公司永州供电分公司国家电网有限公司，
类型：发明
国别省市：