【技术实现步骤摘要】
本专利技术涉及配电台区负荷预测领域，更具体地说，它涉及低压配电台区短期电力负荷预测方法、系统、设备及介质。
技术介绍
1、随着现代电力系统的迅猛发展，大批量电力数据源源不断的出现，致使传统的负荷预测方法已经不能满足当前社会发展需求，引起了供电企业对负荷预测的高度重视。近年来随着大数据和人工智能技术的广泛应用，人们开始考虑利用大数据技术来提高负荷预测精度，这样可以让电力系统更加合理，经济有效地进行日常生产项目的安排。负荷预测从预测的时间尺度上可以分为长期、中期、短期和超短期预测，其中短期负荷预测适用于配电台区级别的负荷预测。
2、传统技术中，负荷预测的研究主要是针对市、区、县等系统级的总负荷，这些系统级的负荷都在mw以上。然而，目前对于台区配电变压器的负荷预测的研究相对较少，由于配电变压器的负荷等级为kw，配变的容量小、负荷区域有限，并且受各种因素影响导致随机波动性大，所以对台区配电变压器变进行负荷预测较为困难。
技术实现思路
1、本专利技术的目的是提供低压配电台区短期电力负荷预测方法、系统、设备及介质，用以解决低压配电台区的短期电力预测困难的问题。
2、本申请的第一方面，提供了一种低压配电台区短期电力负荷预测方法，方法包括：
3、获取影响低压配电台区的电力负荷特性的实时参数因子，其中实时参数因子包括气候因子、电价因子和时间因子；
4、将实时参数因子输入至预先构建好的负荷特性权重分析模型进行层次分析，获得气候因子、电价因子和时间因子各自
5、将第一权重输入预先训练完成的自组织映射神经网络，输出电力负荷特性的聚类中心；
6、获取低压配电台区当前时刻的日电力负荷曲线，依据电力负荷特性的聚类中心对日电力负荷曲线进行聚类，获得聚类结果；
7、将聚类结果输入至预先训练好的bp神经网络中，输出低压配电台区短期电力负荷的预测结果。
8、在一种实现方案中，采用层次分析法构建负荷特性权重分析模型。
9、在一种实现方案中，预先构建好的负荷特性权重模型的构建过程具体为：从上到下建立包括目标层、准则层和方案层的负荷特性权重分析模型，其中目标层为影响电力负荷特性的权重因子，准则层为影响电力负荷特性的影响因素类型，方案层包括影响因素类型的参数因子。
10、在一种实现方案中，影响因素类型包括运行因素和环境因素；其中运行因素的参数因子包括电价因子和时间因子，环境因素的参数因子包括配电台区所处环境的气候因子；其中，气候因子包括最大温度、最小温度、平均温度、最大湿度、最小湿度、平均湿度、降雨量和风速。
11、在一种实现方案中，自组织映射神经网络的训练过程包括：
12、根据第二权重的维度确定自组织映射神经网络输入层的神经元数量，根据第二权重的样本个数确定输出层的神经元数量，并初始化自组织映射神经网络的网络参数；其中网络参数包括神经元的权值矢量、学习率和领域函数；
13、将第二权重与历史参数因子的因子取值进行加权求和，得到综合权重，将综合权重作为训练样本，并计算出输出层的神经元与综合权重的欧式距离，根据欧式距离确定优胜神经元；
14、根据优胜神经元和最优领域对输入层与输出层的神经元的权值矢量进行更新，依据神经元的权值矢量的更新结果更新学习率和领域函数，直至迭代次数达到预设的迭代次数，保存当前迭代次数下的网络参数，获得训练完成的自组织映射神经网络。
15、在一种实现方案中，将影响低压配电台区的电力负荷特性的历史参数因子输入至负荷权重分析模型进行分析，得到第二权重。
16、在一种实现方案中，将影响低压配电台区的电力负荷特性的历史参数因子输入至负荷权重分析模型进行分析，得到第二权重之前，还包括：采用局部异常因子对历史参数因子进行处理，剔除异常数据点。
17、本申请的第二方面，提供了一种低压配电台区短期电力负荷预测系统，系统包括：
18、获取模块，用于获取影响低压配电台区的电力负荷特性的实时参数因子，其中实时参数因子包括气候因子、电价因子和时间因子；
19、分析模块，用于将实时参数因子输入至预先构建好的负荷特性权重分析模型进行层次分析，获得气候因子、电价因子和时间因子各自的第一权重；
20、聚类中心确定模块，用于将第一权重输入预先训练完成的自组织映射神经网络，输出电力负荷特性的聚类中心；
21、聚类模块，用于获取低压配电台区当前时刻的日电力负荷曲线，依据电力负荷特性的聚类中心对日电力负荷曲线进行聚类，获得聚类结果；
22、预测模块，用于将聚类结果输入至预先训练好的bp神经网络中，输出低压配电台区短期电力负荷的预测结果。
23、本申请的第三方面，提供了一种电子设备，所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如本申请的第一方面提供的一种低压配电台区短期电力负荷预测方法的步骤。
24、本申请的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现本申请的第一方面提供的一种低压配电台区短期电力负荷预测方法的步骤。
25、与现有技术相比，本专利技术具有以下有益效果：
26、本专利技术提供的一种低压配电台区短期电力负荷预测方法，该方法通过获取影响低压配电台区的电力负荷特性的实时参数因子，其中实时参数因子包括气候因子、电价因子和时间因子；将实时参数因子输入至预先构建好的负荷特性权重分析模型进行层次分析，获得气候因子、电价因子和时间因子各自的第一权重；将第一权重输入预先训练完成的自组织映射神经网络，输出电力负荷特性的聚类中心；获取低压配电台区当前时刻的日电力负荷曲线，依据电力负荷特性的聚类中心对日电力负荷曲线进行聚类，获得聚类结果；将聚类结果输入至预先训练好的bp神经网络中，输出低压配电台区短期电力负荷的预测结果。本专利技术考虑不同的气候因子、电价因子和时间因子对短期电力负荷的影响，分析出了实时参数因子影响台区电力负荷特性的第一权重，将第一权重输入至预先训练好的自组织映射神经网络中，从而可以较为准确确定出电力负荷特性的聚类中心，而后，根据这个聚类中心对低压配电台区当前时刻的日电力负荷曲线进行聚类，从而可以较为准确的聚类出日负荷曲线的负荷特性结果，而后，将将聚类结果输入至预先训练好的bp神经网络中，从而可以较为准确的预测出低压配电台区的短期电力负荷，以此，解决低压配电台区的短期电力预测困难的问题。
本文档来自技高网...【技术保护点】
1.一种低压配电台区短期电力负荷预测方法，其特征在于，方法包括：
2.根据权利要求1所述的方法，其特征在于，采用层次分析法构建负荷特性权重分析模型。
3.根据权利要求2所述的方法，其特征在于，预先构建好的负荷特性权重模型的构建过程具体为：从上到下建立包括目标层、准则层和方案层的负荷特性权重分析模型，其中目标层为影响电力负荷特性的权重因子，准则层为影响电力负荷特性的影响因素类型，方案层包括影响因素类型的参数因子。
4.根据权利要求3所述的方法，其特征在于，影响因素类型包括运行因素和环境因素；其中运行因素的参数因子包括电价因子和时间因子，环境因素的参数因子包括配电台区所处环境的气候因子；其中，气候因子包括最大温度、最小温度、平均温度、最大湿度、最小湿度、平均湿度、降雨量和风速。
5.根据权利要求1所述的方法，其特征在于，自组织映射神经网络的训练过程包括：
6.根据权利要求5所述的方法，其特征在于，将影响低压配电台区的电力负荷特性的历史参数因子输入至负荷权重分析模型进行分析，得到第二权重。
7.根据权利要求6所述的
8.一种低压配电台区短期电力负荷预测系统，其特征在于，系统包括：
9.一种电子设备，其特征在于，所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的一种低压配电台区短期电力负荷预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的一种低压配电台区短期电力负荷预测方法的步骤。
...【技术特征摘要】
1.一种低压配电台区短期电力负荷预测方法，其特征在于，方法包括：
2.根据权利要求1所述的方法，其特征在于，采用层次分析法构建负荷特性权重分析模型。
3.根据权利要求2所述的方法，其特征在于，预先构建好的负荷特性权重模型的构建过程具体为：从上到下建立包括目标层、准则层和方案层的负荷特性权重分析模型，其中目标层为影响电力负荷特性的权重因子，准则层为影响电力负荷特性的影响因素类型，方案层包括影响因素类型的参数因子。
4.根据权利要求3所述的方法，其特征在于，影响因素类型包括运行因素和环境因素；其中运行因素的参数因子包括电价因子和时间因子，环境因素的参数因子包括配电台区所处环境的气候因子；其中，气候因子包括最大温度、最小温度、平均温度、最大湿度、最小湿度、平均湿度、降雨量和风速。
5.根据权利要求1所述的方法，其特征在于，自组织映射神经网络的训练过程包括：
6.根据权利要求5所述的方法，其...
【专利技术属性】
技术研发人员：陈建华，朱欢，李辉，黄煖集，张栖瑞，刘洪杰，杨帆，刘畅，易思君，程晗，王勇，曾从海，程超，伍科，郭民怿，李亚强，郭海峰，刘明昊，
申请(专利权)人：国网四川省电力公司泸州供电公司，
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。