【技术实现步骤摘要】
本专利技术属于电气自动化领域，具体涉及一种电力系统台区负荷的精细化预测方法及系统。
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、现阶段，随着新型电力系统的快速发展，传统的低压配电台区也向着更安全和更智能的方向发展。为了保证电力系统台区的可靠性、安全性和智能性，电力系统台区的负荷精细化预测，就显得尤为重要。
3、目前，电力系统的负荷预测方案，大多都是从电力系统的总量层面进行预测，而并没有针对电力系统台区进行精细化的负荷预测。这种情况，使得电力系统台区的负荷预测结果可靠性和精确性都较差。
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电力系统台区负荷的精细化预测方法。
2、本专利技术的目的之二在于提供一种实现所述电力系统台区负荷的精细化预测方法的系统。
3、本专利技术提供的这种电力系统台区负荷的精细化预测方法，包括如下步骤：
4、s1.获取目标电力系统中各个台区的历史数据信息；
5、s2.根据步骤s1获取的历史数据信息，计算得到各个台区的初步行业标签；
6、s3.对步骤s2计算得到的初步行业标签进行汇总综合，得到各个台区的最终行业标签；
7、s4.根据步骤s1获取的历史数据信息，采用聚类算法获取各个台区的
8、s5.分析各个拓展行业标签在不同季节的负荷特性变化，以及影响负荷变化的因素；
9、s6.根据步骤s5得到的分析结果，生成各个台区的用户画像，并进行相关性分析；
10、s7.根据步骤s6得到的数据信息，进行各个台区的负荷预测模型的自适应学习和评估；
11、s8.对步骤s7得到的各个台区的负荷预测模型进行考核，并采用最终通过考核的负荷预测模型进行对应台区的负荷精细化预测。
12、步骤s2所述的根据步骤s1获取的历史数据信息，计算得到各个台区的初步行业标签，具体包括如下步骤：
13、针对公变台区：
14、采用如下算式计算得到台区中各个行业的用电量占比：
15、
16、式中pi为台区中第i个行业的用电量占比；ei为台区中第i个行业的用电量；∑jej为台区中各个行业的用电量的总和；
17、若台区中第i个行业的用电量占比pi最大，则该台区的初步行业标签为第i个行业的行业标签；
18、针对转变台区：
19、台区的初步行业标签为用户的行业标签；
20、所述的行业标签为三级行业标签。
21、步骤s3所述的对步骤s2计算得到的初步行业标签进行汇总综合，得到各个台区的最终行业标签，具体包括如下步骤：
22、对步骤s2计算得到的初步行业标签进行判断：
23、针对初步行业标签k：
24、若初步行业标签k所对应的台区个数大于设定值，则将初步行业标签k作为对应台区的最终行业标签；
25、若初步行业标签k所对应的台区个数不大于设定值，则将初步行业标签k所对应的二级行业标签作为对应台区的最终行业标签。
26、步骤s4所述的根据步骤s1获取的历史数据信息，采用聚类算法获取各个台区的典型负荷曲线，并对典型负荷曲线再次进行聚类得到最终行业标签下的拓展行业标签，具体包括如下步骤：
27、根据步骤s1获取的历史数据信息，采用聚类算法对台区历史负荷数据进行聚类，得到各个台区的典型负荷曲线；
28、将步骤s3得到的最终行业标签与各个台区的典型负荷曲线进行匹配；
29、对各个最终行业标签下的典型负荷曲线再次采用聚类算法进行聚类，得到各个最终行业标签下的拓展行业标签。
30、步骤s5所述的分析各个拓展行业标签在不同季节的负荷特性变化，以及影响负荷变化的因素，具体包括如下步骤：
31、分析各个拓展行业标签在不同季节的负荷特性变化：
32、设定季节sa的典型台区典型负荷曲线为ca，季节sb的典型台区典型负荷曲线为cb，则计算ca和cb的曼哈顿距离dab为n为ca和cb中元素的个数，cak为ca中第k个元素，cbk为cb中第k个元素；
33、设定季节sa的不同时段负荷曲线为cai(t)，t为时间段；采用cai(t)在每个时段的负荷变化率δcai(t)表示负荷变化趋势，
34、分析影响负荷变化的因素：
35、采用如下算式计算皮尔逊相关系数rxy，从而量化不同行业受气象因素的影响：
36、
37、式中xi为采集时刻的影响因素数据；为xi的样本平均值；li为负荷数据；为li的样本平均值；
38、所述的气象因素包括湿度、温度、降雨量和风速。
39、步骤s6所述的根据步骤s5得到的分析结果，生成各个台区的用户画像，并进行相关性分析，具体包括如下步骤：
40、结合步骤s4得到的聚类结果和步骤s5得到的分析结果，生成各个台区的用户画像；
41、进行相关性分析：针对历史相同时期，进行气象因素相关性分析；所述的气象因素包括湿度、温度、降雨量和风速。
42、步骤s7所述的根据步骤s6得到的数据信息，进行各个台区的负荷预测模型的自适应学习和评估，具体包括如下步骤：
43、特征重要性分析：
44、对不同行业标签的预测结果进行特征重要性分析，并基于互信息评估各个特征与目标变量的相关性；
45、特征因子x的熵h(x)表示为p(x)为取值为x的概率；
46、台区负荷预测y的熵h(y)表示为p(y)为取值为y的概率；
47、x和y的联合熵h(x,y)表示为p(x,y)为随机变量x和y的联合概率分布，即同时观测到x＝x和y＝y的概率；
48、x和y的互信息i(x；y)表示为i(x；y)＝h(x)+h(y)-h(x,y)；
49、互信息越大，表示x和y之间的相关性越强；
50、通过互信息计算，评估各个行业标签下台区负荷预测的主要影响因素；
51、负荷预测模型的自适应学习和评估：
52、针对样本数小于设定值的台区，采用的负荷预测模型包括支持向量机模型和核支持向量机模型；
53、支持向量机模型：给定训练样本d＝{(x1,l1),(x2,l2),...,(xm,lm)}，xm为第m个样本，lm为第m个样本对应的标签，构造模型f(x)＝wφ(x)+b，其中f(x)为样本对应标签，w为权重系数，φ(x)为特征空间，b为偏置项；
54、基于结构风险最小化原理，设置目标函数为
55、
56、式中r本文档来自技高网...
【技术保护点】
1.一种电力系统台区负荷的精细化预测方法，包括如下步骤：
2.根据权利要求1所述的电力系统台区负荷的精细化预测方法，其特征在于步骤S2所述的根据步骤S1获取的历史数据信息，计算得到各个台区的初步行业标签，具体包括如下步骤：
3.根据权利要求2所述的电力系统台区负荷的精细化预测方法，其特征在于步骤S3所述的对步骤S2计算得到的初步行业标签进行汇总综合，得到各个台区的最终行业标签，具体包括如下步骤：
4.根据权利要求3所述的电力系统台区负荷的精细化预测方法，其特征在于步骤S4所述的根据步骤S1获取的历史数据信息，采用聚类算法获取各个台区的典型负荷曲线，并对典型负荷曲线再次进行聚类得到最终行业标签下的拓展行业标签，具体包括如下步骤：
5.根据权利要求4所述的电力系统台区负荷的精细化预测方法，其特征在于步骤S5所述的分析各个拓展行业标签在不同季节的负荷特性变化，以及影响负荷变化的因素，具体包括如下步骤：
6.根据权利要求5所述的电力系统台区负荷的精细化预测方法，其特征在于步骤S6所述的根据步骤S5得到的分析结果，生成各个台区的用
7.根据权利要求6所述的电力系统台区负荷的精细化预测方法，其特征在于步骤S7所述的根据步骤S6得到的数据信息，进行各个台区的负荷预测模型的自适应学习和评估，具体包括如下步骤：
8.根据权利要求7所述的电力系统台区负荷的精细化预测方法，其特征在于步骤S8所述的对步骤S7得到的各个台区的负荷预测模型进行考核，并采用最终通过考核的负荷预测模型进行对应台区的负荷精细化预测，具体包括如下步骤：
9.一种实现权利要求1～8之一所述的电力系统台区负荷的精细化预测方法的系统，其特征在于包括数据获取模块、标签计算模块、标签修正模块、数据聚类模块、负荷分析模块、用户分析模块、模型学习模块和负荷预测模块；数据获取模块、标签计算模块、标签修正模块、数据聚类模块、负荷分析模块、用户分析模块、模型学习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中各个台区的历史数据信息，并将数据信息上传标签计算模块；标签计算模块用于根据接收到的数据信息，根据获取的历史数据信息，计算得到各个台区的初步行业标签，并将数据信息上传标签修正模块；标签修正模块用于根据接收到的数据信息，对计算得到的初步行业标签进行汇总综合，得到各个台区的最终行业标签，并将数据信息上传数据聚类模块；数据聚类模块用于根据接收到的数据信息，根据获取的历史数据信息，采用聚类算法获取各个台区的典型负荷曲线，并对典型负荷曲线再次进行聚类得到最终行业标签下的拓展行业标签，并将数据信息上传负荷分析模块；负荷分析模块用于根据接收到的数据信息，分析各个拓展行业标签在不同季节的负荷特性变化，以及影响负荷变化的因素，并将数据信息上传用户分析模块；用户分析模块用于根据接收到的数据信息，根据得到的分析结果，生成各个台区的用户画像，并进行相关性分析，并将数据信息上传模型学习模块；模型学习模块用于根据接收到的数据信息，根据得到的数据信息，进行各个台区的负荷预测模型的自适应学习和评估，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，对得到的各个台区的负荷预测模型进行考核，并采用最终通过考核的负荷预测模型进行对应台区的负荷精细化预测。
...【技术特征摘要】
1.一种电力系统台区负荷的精细化预测方法，包括如下步骤：
2.根据权利要求1所述的电力系统台区负荷的精细化预测方法，其特征在于步骤s2所述的根据步骤s1获取的历史数据信息，计算得到各个台区的初步行业标签，具体包括如下步骤：
3.根据权利要求2所述的电力系统台区负荷的精细化预测方法，其特征在于步骤s3所述的对步骤s2计算得到的初步行业标签进行汇总综合，得到各个台区的最终行业标签，具体包括如下步骤：
4.根据权利要求3所述的电力系统台区负荷的精细化预测方法，其特征在于步骤s4所述的根据步骤s1获取的历史数据信息，采用聚类算法获取各个台区的典型负荷曲线，并对典型负荷曲线再次进行聚类得到最终行业标签下的拓展行业标签，具体包括如下步骤：
5.根据权利要求4所述的电力系统台区负荷的精细化预测方法，其特征在于步骤s5所述的分析各个拓展行业标签在不同季节的负荷特性变化，以及影响负荷变化的因素，具体包括如下步骤：
6.根据权利要求5所述的电力系统台区负荷的精细化预测方法，其特征在于步骤s6所述的根据步骤s5得到的分析结果，生成各个台区的用户画像，并进行相关性分析，具体包括如下步骤：
7.根据权利要求6所述的电力系统台区负荷的精细化预测方法，其特征在于步骤s7所述的根据步骤s6得到的数据信息，进行各个台区的负荷预测模型的自适应学习和评估，具体包括如下步骤：
8.根据权利要求7所述的电力系统台区负荷的精细化预测方法，其特征在于步骤s8所述的对步骤s7得到的各个台区的负荷预测模型进行考核，并采用最终通过考核的负荷预测模型进行对应台区的负荷精细化预测，具...
【专利技术属性】
技术研发人员：于宗超，文明，李智勇，罗姝晨，谢欣涛，梁海维，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：
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。