基于数字孪生和神经网络技术的配变短期负荷预测方法技术

本发明专利技术属于电力负荷预测技术领域，尤其涉及一种基于数字孪生和神经网络技术的配变短期负荷预测方法。本发明专利技术包括：步骤1.采集负荷数据，进行负荷特征分析；步骤2.对采集的负荷数据进行数据预处理；步骤3.将数据预处理后的负荷数据，基于相似日的预测结果进行修正；步骤4.基于数字孪生配电网进行短期负荷预测。本发明专利技术以单个配变负荷预测方法为基础，利用数字孪生技术，建立孪生配电网数据中台，孪生配电网从数据中台获取物理电网数据，利用GRU神经网络模型训练短期负荷预测模型，利用相似日修正法对预测结果进行修正。能够更准确的捕捉负荷波动规律，使预测值更贴近真实值，也使预测精度得到了显著的提高，预测精度达到95.3%。预测精度达到95.3%。预测精度达到95.3%。

【技术实现步骤摘要】
基于数字孪生和神经网络技术的配变短期负荷预测方法


[0001]本专利技术属于电力负荷预测
，尤其涉及一种基于数字孪生和神经网络技术的配变短期负荷预测方法。

技术介绍

[0002]电力负荷预测指的是通过对历史负荷数据进行分析、挖掘，并通过相关性分析得出与负荷相关因素，通过叠加这些因素，对未来某一段时间内的负荷值进行预测的过程。负荷预测在电力系统调度运行中，起着重要的作用，是确保电力系统平稳、高效运行的重要保障。短期负荷预测是指预测未来4小时以内的负荷值。对于短期负荷预测，现有方法主要有以传统的统计学方法为主的和以人工智能方法为主的两大类。
[0003]现有技术中，如文献：王克杰，张瑞.基于改进BP神经网络的短期电力负荷预测方法研究[J].d电测与仪表，2019,56(24)：115
‑
121.通过使用LSTM循环神经网络模型对全天负荷周期滚动预测，但没有考虑到与负荷数据相关的因素。
[0004]如文献：张淑清，杨振宁，张立国，等.基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测[J].仪器仪表学报，2019，,40(7)：47
‑
54在基于LSTM网络模型基础上，将温度、节假日信息等与负荷相关的因素作为输入数据，可以实现较高的预测精度。
[0005]如文献：杜雅楠，齐敬先，施建华，等.基于LSTM的超短期负荷区间预测[J].计算机系统应用，2021,30(3)：184
‑
189.在LSTM模型基础上加入了attention机制，针对输入序列中影响输出结果的关键部分分配较多的注意力，进一步提高了预测精度。
[0006]如文献：庞传军，余建明，冯长有，等.基于LSTM自动编码器的电力负荷聚类建模及特性分析[J].电力系统自动化，2020,44(23)：57
‑
63.利用LSTM改进模型GRU进行预测，同时利用TLBGA算法解决早熟收敛问题以及提高解的质量和算法的收敛速度。
[0007]如文献：李香龙，马龙飞，赵向阳，等.基于LSTM网络的时间多尺度电采暖负荷预测[J].电力系统及其自动化学报，2021，33(4)：71
‑
75.中提出了从负荷历史数据以及个影响因素分析的方法，增加了负荷预测的数据维度，有效的提高了预测精度。
[0008]上述各文献均存在着没有考虑到与负荷数据相关的因素有关的问题，并且单纯的负荷预测精度得不到有效提高的问题。
[0009]上述文献还存在着没有考虑采集数据的精度以及气象数据存在的强不确定性，导致负荷预测功能的准确度达不到实际应用需求的问题。

技术实现思路

[0010]针对上述现有技术中存在的不足之处，本专利技术提供了一种基于数字孪生和神经网络技术的配变短期负荷预测方法。其目的是为了实现以单个配变负荷预测方法为基础，利用数字孪生技术，建立孪生配电网数据中台，孪生配电网从数据中台获取物理电网数据，利用GRU神经网络模型训练短期负荷预测模型，最后利用相似日修正法对预测结果进行修正，使负荷预测准确率得到显著提高的专利技术目的。
[0011]本专利技术为实现上述目的所采用的技术方案是：
[0012]基于数字孪生和神经网络技术的配变短期负荷预测方法，包括以下步骤：
[0013]步骤1.采集负荷数据，进行负荷特征分析；
[0014]步骤2.对采集的负荷数据进行数据预处理；
[0015]步骤3.将数据预处理后的负荷数据，基于相似日的预测结果进行修正；
[0016]步骤4.基于数字孪生配电网进行短期负荷预测。
[0017]进一步的，所述采集负荷数据，进行负荷特征分析，是通过对实际负荷数据进行初步分析；根据初步分析结果，对温度因素与负荷数据进一步分析，得到如下结论：温度在15℃
‑
20℃时，负荷值较低；温度在15℃以下时，负荷值随温度的降低而升高；温度在30℃以上时，负荷值随温度的升高而升高；
[0018]负荷数据随着数据采集时间的变化而变化，当负荷数据采集普遍采用每15分钟采集一次，全天采集96次数据，经过分析，数据采集时间在0点
‑
6点左右负荷值较低且稳定，从6点开始负荷值逐步增大，直至8点负荷值达到稳定的峰值区间；
[0019]负荷数据与节假日有很强的相关性，在节假日时，负荷整体呈较低水平；在工作日，负荷数据保持在稳定峰值区间；
[0020]根据上述分析可知，负荷数据与温度、采集时间点、节假日呈强相关。
[0021]进一步的，所述对采集的负荷数据进行数据预处理，先对实采的负荷数据进行异常值补全，对时间数据以及节假日标识做独热编码，对负荷数据以及温度数据通过离差标准化(Min
‑
MaxNormalization)将数据归一化至[0,1]区间内，其表达式如下：
[0022][0023]其中x'为归一化后的结果；x为待归一化的训练数据；x
min
为训练集中最小值；x
max
为训练集中最大值。
[0024]进一步的，所述将数据预处理后的负荷数据，基于相似日的预测结果进行修正，是采用基于相似日的预测结果修正方法，根据预测日特征，利用欧式距离，计算得到与预测日相似的相似日，对于预测时刻t，修正后的预测值p
t
'计算方法如下：
[0025][0026]式中：p
t
为t时刻修正前的预测值，D
t
为相似日t时刻的真实值。
[0027]进一步的，所述基于数字孪生配电网进行短期负荷预测，是通过数字孪生技术和GRU神经网络结合，从而进行负荷预测，包括：
[0028]步骤(1)特征工程阶段；
[0029]步骤(2)预测阶段；
[0030]步骤(3)评价阶段。
[0031]进一步的，所述特征工程阶段，是基于数据驱动建立配电网配变设备的GRU神经网络模型；孪生配变基于采集数据，获取配变设备的负荷数据、气象数据、采集时间点、节假日数据，对数据进行归一化处理。
[0032]进一步的，所述预测阶段，是将数据集分为训练集与测试集，并保持时序不变，利用GRU神经网络模型进行训练，同时优化并更新网络模型参数；最后，再将验证数据输入到
训练好的模型中进行预测，得到对未来4小时以内的负荷预测结果；所述评价阶段，是通过均方根误差RMSE、平均绝对百分比误差MAPE两种指标来判断预测结果精度的高低，经过对比研究得到模型的好坏。
[0033]基于数字孪生和神经网络技术的配变短期负荷预测装置，包括：
[0034]步骤1包括：采集模块，用于采集负荷数据，进行负荷特征分析；
[0035]步骤2包括：预处理模块，用于对采集的负荷数据进行数据预处理；
[0036]步骤3包括：修正模块，用于对将数据预处理后的负荷数据，基于相似日的预测结果进行修正；
[0037]步骤4包括：预测模块，用于基于数字孪本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数字孪生和神经网络技术的配变短期负荷预测方法，其特征是：包括以下步骤：步骤1.采集负荷数据，进行负荷特征分析；步骤2.对采集的负荷数据进行数据预处理；步骤3.将数据预处理后的负荷数据，基于相似日的预测结果进行修正；步骤4.基于数字孪生配电网进行短期负荷预测。2.根据权利要求1所述的基于数字孪生和神经网络技术的配变短期负荷预测方法，其特征是：所述采集负荷数据，进行负荷特征分析，是通过对实际负荷数据进行初步分析；根据初步分析结果，对温度因素与负荷数据进一步分析，得到如下结论：温度在15℃
‑
20℃时，负荷值较低；温度在15℃以下时，负荷值随温度的降低而升高；温度在30℃以上时，负荷值随温度的升高而升高；负荷数据随着数据采集时间的变化而变化，当负荷数据采集普遍采用每15分钟采集一次，全天采集96次数据，经过分析，数据采集时间在0点
‑
6点左右负荷值较低且稳定，从6点开始负荷值逐步增大，直至8点负荷值达到稳定的峰值区间；负荷数据与节假日有很强的相关性，在节假日时，负荷整体呈较低水平；在工作日，负荷数据保持在稳定峰值区间；根据上述分析可知，负荷数据与温度、采集时间点、节假日呈强相关。3.根据权利要求1所述的基于数字孪生和神经网络技术的配变短期负荷预测方法，其特征是：所述对采集的负荷数据进行数据预处理，先对实采的负荷数据进行异常值补全，对时间数据以及节假日标识做独热编码，对负荷数据以及温度数据通过离差标准化(Min
‑
Max Normalization)将数据归一化至[0,1]区间内，其表达式如下：其中x'为归一化后的结果；x为待归一化的训练数据；x
min
为训练集中最小值；x
max
为训练集中最大值。4.根据权利要求1所述的基于数字孪生和神经网络技术的配变短期负荷预测方法，其特征是：所述将数据预处理后的负荷数据，基于相似日的预测结果进行修正，是采用基于相似日的预测结果修正方法，根据预测日特征，利用欧式距离，计算得到与预测日相似的相似日，对于预测时刻t，修正后的预测值p
t
'计...

【专利技术属性】
技术研发人员：田野，刘佳鑫，王珊珊，呼笑笑，史可鉴，杜威，李海峰，王智博，陈强，姚旭，徐积洲，韩晓冬，陶金鑫，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：