System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于电压等级的电力系统总量负荷预测方法及系统技术方案_技高网

基于电压等级的电力系统总量负荷预测方法及系统技术方案

技术编号:43763504 阅读:2 留言:0更新日期:2024-12-24 16:06
本发明专利技术公开了一种基于电压等级的电力系统总量负荷预测方法,包括获取目标电力系统的历史数据信息并预处理,按照电压等级进行分类并构建特征向量;对特征向量进行聚类分析;基于模糊化处理、相似性分析和关联性分析,构建训练数据集;构建负荷预测初步模型集并训练得到负荷预测模型集;采用负荷预测模型集中的模型对目标电力系统中各个电压等级的负荷进行预测并汇总综合,完成目标电力系统的基于电压等级的总量负荷预测。本发明专利技术还公开了一种实现所述基于电压等级的电力系统总量负荷预测方法的系统。本发明专利技术不仅能够实现基于电压等级的电力系统总量负荷的预测,而且可靠性更高,精确性与更好。

【技术实现步骤摘要】

本专利技术属于电气自动化领域,具体涉及一种基于电压等级的电力系统总量负荷预测方法及系统


技术介绍

1、随着经济技术的发展和人们生活水平的提高,电能已经成为了人们生产和生活中必不可少的二次能源,给人们的生产和生活带来了无尽的便利。因此,保障电能的稳定可靠供应,就成为了电力系统最重要的任务之一。

2、负荷预测,是电力系统的重要工作之一。负荷预测结果,能够有效帮助电力系统制定运行计划,辅助电力系统进行决策等。因此,准确且可靠的负荷预测,对于电力系统而言,具有重要意义。

3、目前,传统的电力系统负荷预测方案,都是采用的总量负荷预测方案;这类预测方案将电力系统作为一个整体进行考虑。但是,电力系统内部具有多个电压等级,不同的电压等级的负荷特性并不相同。当前的这种整体性的总量负荷预测方案,并未考虑电力系统的电压等级问题;这会使得当前的负荷预测方案存在可靠性差和精确性差的问题。


技术实现思路

1、本专利技术的目的之一在于提供一种可靠性高且精确性好的基于电压等级的电力系统总量负荷预测方法。

2、本专利技术的目的之二在于提供一种实现所述基于电压等级的电力系统总量负荷预测方法的系统。

3、本专利技术提供的这种基于电压等级的电力系统总量负荷预测方法,包括如下步骤:

4、s1.获取目标电力系统的历史数据信息;

5、s2.对步骤s1获取的历史数据信息进行预处理,按照电压等级进行分类,并构建对应的特征向量;

6、s3.对步骤s2构建的特征向量进行聚类分析;

7、s4.根据步骤s3得到的聚类分析结果,基于模糊化处理、相似性分析和关联性分析,构建训练数据集;

8、s5.构建负荷预测初步模型集;

9、s6.采用步骤s4得到的训练数据集,对步骤s5构建的负荷预测初步模型集中的模型进行训练,得到负荷预测模型集;

10、s7.采用步骤s6得到的负荷预测模型集中的模型,对目标电力系统中各个电压等级的负荷进行预测,并汇总综合,完成目标电力系统的基于电压等级的总量负荷预测。

11、步骤s1所述的获取目标电力系统的历史数据信息,具体包括如下步骤:

12、获取目标电力系统的历史数据信息;

13、所述的历史数据信息包括不同电压等级的历史负荷数据信息、历史气温数据、历史湿度数据、历史降雨数据和历史天气数据;

14、所述的电压等级包括500kv电压等级、330kv电压等级、220kv电压等级和110kv电压等级;所述的降雨数据包括无雨、小雨、中雨和大雨;所述的天气数据包括晴、多云、阴和雨。

15、步骤s2所述的对步骤s1获取的历史数据信息进行预处理,按照电压等级进行分类,并构建对应的特征向量,具体包括如下步骤:

16、的对步骤s1获取的历史数据信息进行预处理;

17、所述的预处理包括缺失值插补;若连续缺失数据的数量不大于设定值,则采用线性插值法进行缺失数据的插补;若连续缺失数据的数量大于设定值,则采用历史相似日的负荷数据进行缺失数据的插补;

18、将预处理后的历史数据信息,按照电压等级进行分类;

19、构建对应的特征向量:

20、根据日负荷数据p={p1,p2,...,pn}构建特征向量,pn为日负荷数据中的第n个采样数据;特征向量中的元素包括负荷平均值日最大负荷pmax=max{p1,p2,...,pn}、日最小负荷pmin=min{p1,p2,...,pn}、负荷率和峰谷差率

21、构建对应的特征向量x为

22、步骤s3所述的对步骤s2构建的特征向量进行聚类分析,具体包括如下步骤:

23、同一电压等级的历史负荷数据,进行模糊均值聚类分析,包括如下步骤:

24、a.设定模糊指数;

25、b.初始化隶属度矩阵u,隶属度矩阵u的大小为n×c,n为数据点的总数,c为簇的总数;隶属度矩阵u对所有行满足uij为数据点xi对簇j的隶属度;

26、c.根据当前的隶属度矩阵u,计算每个簇的中心vj为m为模糊因子;

27、d.对当前的隶属度矩阵u进行更新,更新公式为其中为更新后的隶属度矩阵u的第i行第j列的元素,|| ||为距离计算函数;

28、e.重复步骤c和步骤d,直至达到设定的重复次数或者相邻两次隶属度矩阵u的变化值小于设定的阈值;此时,得到最终的隶属度矩阵u。

29、步骤s4所述的根据步骤s3得到的聚类分析结果,基于模糊化处理、相似性分析和关联性分析,构建训练数据集,具体包括如下步骤:

30、a.对日类型和气象数据进行模糊化处理:

31、对日类型,采用如下算式进行模糊化处理:

32、

33、对降雨数据,采用如下算式进行模糊化处理:

34、

35、对相对湿度数据,采用如下算式进行模糊化处理:

36、

37、式中h'为模糊化处理后的相对湿度数据;h为模糊化处理前的相对湿度数据;

38、对日最高气温数据,采用如下算式进行模糊化处理:

39、

40、式中t'max为模糊化处理后的日最高气温数据;tmax为模糊化处理前的日最高气温数据;

41、对日最低气温数据,采用如下算式进行模糊化处理:

42、

43、式中t'min为模糊化处理后的日最低气温数据;tmin为模糊化处理前的日最低气温数据;

44、对天气数据,采用如下算式进行模糊化处理:

45、

46、采用灰色关联分析方法,对模糊化处理后的日类型数据、降雨数据、相对湿度数据、日最高气温数据、日最低气温数据和天气数据,与负荷数据之间的关联程度进行分析:

47、采用如下算式计算影响因素与负荷数据之间的灰色关联系数,所述影响因素包括模糊化处理后的日类型数据、降雨数据、相对湿度数据、日最高气温数据、日最低气温数据和天气数据:

48、

49、式中ξi(k)为序列x0与序列xi在k点的灰色关联系数;x0(k)为日最大负荷时间序列的第k个值;xi(k)为第i个影响因素序列的第k个值;ρ为设定的分辨系数;表示二级最小极差;表示二级最大极差;

50、根据灰色关联系数,计算影响因素序列xi与日最大负荷序列x0的关联度ri为n为序列中元素的总数;

51、选取关联度最大的影响因素作为日最大负荷的主要影响因素,并构建第一训练数据集;

52、b.提取t时刻的负荷数据yt的时间属性特征,包括周类型特征、月份特征和节假日特征,并进行模糊化处理:

53、对周类型特征,采用如下算式进行模糊化处理:

54、

55、对月份特征,采用如下算式进行模糊化处理:

56、

57、对节假日特征,采用如下算式进行模糊本文档来自技高网...

【技术保护点】

1.一种基于电压等级的电力系统总量负荷预测方法,包括如下步骤:

2.根据权利要求1所述的基于电压等级的电力系统总量负荷预测方法,其特征在于步骤S1所述的获取目标电力系统的历史数据信息,具体包括如下步骤:

3.根据权利要求2所述的基于电压等级的电力系统总量负荷预测方法,其特征在于步骤S2所述的对步骤S1获取的历史数据信息进行预处理,按照电压等级进行分类,并构建对应的特征向量,具体包括如下步骤:

4.根据权利要求3所述的基于电压等级的电力系统总量负荷预测方法,其特征在于步骤S3所述的对步骤S2构建的特征向量进行聚类分析,具体包括如下步骤:

5.根据权利要求4所述的基于电压等级的电力系统总量负荷预测方法,其特征在于步骤S4所述的根据步骤S3得到的聚类分析结果,基于模糊化处理、相似性分析和关联性分析,构建训练数据集,具体包括如下步骤:

6.根据权利要求5所述的基于电压等级的电力系统总量负荷预测方法,其特征在于步骤S5所述的构建负荷预测初步模型集,具体包括如下步骤:

7.根据权利要求6所述的基于电压等级的电力系统总量负荷预测方法,其特征在于步骤S7所述的采用步骤S6得到的负荷预测模型集中的模型,对目标电力系统中各个电压等级的负荷进行预测,并汇总综合,完成目标电力系统的基于电压等级的总量负荷预测,具体包括如下步骤:

8.一种实现权利要求1~7之一所述的基于电压等级的电力系统总量负荷预测方法的系统,其特征在于包括数据获取模块、数据处理模块、聚类分析模块、数据构建模块、模型构建模块、模型训练模块和负荷预测模块;数据获取模块、数据处理模块、聚类分析模块、数据构建模块、模型构建模块、模型训练模块和负荷预测模块依次串接;数据获取模块用于获取目标电力系统的历史数据信息,并将数据信息上传数据处理模块;数据处理模块用于根据接收到的数据信息,对获取的历史数据信息进行预处理,按照电压等级进行分类,并构建对应的特征向量,并将数据信息上传聚类分析模块;聚类分析模块用于根据接收到的数据信息,对构建的特征向量进行聚类分析,并将数据信息上传数据构建模块;数据构建模块用于根据接收到的数据信息,根据得到的聚类分析结果,基于模糊化处理、相似性分析和关联性分析,构建训练数据集,并将数据信息上传模型构建模块;模型构建模块用于根据接收到的数据信息,构建负荷预测初步模型集,并将数据信息上传模型训练模块;模型训练模块用于根据接收到的数据信息,采用得到的训练数据集,对构建的负荷预测初步模型集中的模型进行训练,得到负荷预测模型集,并将数据信息上传负荷预测模块;负荷预测模块用于根据接收到的数据信息,采用得到的负荷预测模型集中的模型,对目标电力系统中各个电压等级的负荷进行预测,并汇总综合,完成目标电力系统的基于电压等级的总量负荷预测。

...

【技术特征摘要】

1.一种基于电压等级的电力系统总量负荷预测方法,包括如下步骤:

2.根据权利要求1所述的基于电压等级的电力系统总量负荷预测方法,其特征在于步骤s1所述的获取目标电力系统的历史数据信息,具体包括如下步骤:

3.根据权利要求2所述的基于电压等级的电力系统总量负荷预测方法,其特征在于步骤s2所述的对步骤s1获取的历史数据信息进行预处理,按照电压等级进行分类,并构建对应的特征向量,具体包括如下步骤:

4.根据权利要求3所述的基于电压等级的电力系统总量负荷预测方法,其特征在于步骤s3所述的对步骤s2构建的特征向量进行聚类分析,具体包括如下步骤:

5.根据权利要求4所述的基于电压等级的电力系统总量负荷预测方法,其特征在于步骤s4所述的根据步骤s3得到的聚类分析结果,基于模糊化处理、相似性分析和关联性分析,构建训练数据集,具体包括如下步骤:

6.根据权利要求5所述的基于电压等级的电力系统总量负荷预测方法,其特征在于步骤s5所述的构建负荷预测初步模型集,具体包括如下步骤:

7.根据权利要求6所述的基于电压等级的电力系统总量负荷预测方法,其特征在于步骤s7所述的采用步骤s6得到的负荷预测模型集中的模型,对目标电力系统中各个电压等级的负荷进行预测,并汇总综合,完成目标电力系统的基于电压等级的总量负荷预测,具体包括如下步骤:

【专利技术属性】
技术研发人员:于宗超文明陈孜孜谢欣涛李文英罗姝晨李培强廖晔
申请(专利权)人:国网湖南省电力有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1