本發(fā)明屬于電氣自動化領(lǐng)域，具體涉及一種電力系統(tǒng)臺區(qū)負(fù)荷的精細(xì)化預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、隨著經(jīng)濟(jì)技術(shù)的發(fā)展和人們生活水平的提高，電能已經(jīng)成為了人們生產(chǎn)和生活中必不可少的二次能源，給人們的生產(chǎn)和生活帶來了無盡的便利。因此，保障電能的穩(wěn)定可靠供應(yīng)，就成為了電力系統(tǒng)最重要的任務(wù)之一。

2、現(xiàn)階段，隨著新型電力系統(tǒng)的快速發(fā)展，傳統(tǒng)的低壓配電臺區(qū)也向著更安全和更智能的方向發(fā)展。為了保證電力系統(tǒng)臺區(qū)的可靠性、安全性和智能性，電力系統(tǒng)臺區(qū)的負(fù)荷精細(xì)化預(yù)測，就顯得尤為重要。

3、目前，電力系統(tǒng)的負(fù)荷預(yù)測方案，大多都是從電力系統(tǒng)的總量層面進(jìn)行預(yù)測，而并沒有針對電力系統(tǒng)臺區(qū)進(jìn)行精細(xì)化的負(fù)荷預(yù)測。這種情況，使得電力系統(tǒng)臺區(qū)的負(fù)荷預(yù)測結(jié)果可靠性和精確性都較差。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的之一在于提供一種可靠性高且精確性好的電力系統(tǒng)臺區(qū)負(fù)荷的精細(xì)化預(yù)測方法。

2、本發(fā)明的目的之二在于提供一種實現(xiàn)所述電力系統(tǒng)臺區(qū)負(fù)荷的精細(xì)化預(yù)測方法的系統(tǒng)。

3、本發(fā)明提供的這種電力系統(tǒng)臺區(qū)負(fù)荷的精細(xì)化預(yù)測方法，包括如下步驟：

4、s1.獲取目標(biāo)電力系統(tǒng)中各個臺區(qū)的歷史數(shù)據(jù)信息；

5、s2.根據(jù)步驟s1獲取的歷史數(shù)據(jù)信息，計算得到各個臺區(qū)的初步行業(yè)標(biāo)簽；

6、s3.對步驟s2計算得到的初步行業(yè)標(biāo)簽進(jìn)行匯總綜合，得到各個臺區(qū)的最終行業(yè)標(biāo)簽；

7、s4.根據(jù)步驟s1獲取的歷史數(shù)據(jù)信息，采用聚類算法獲取各個臺區(qū)的典型負(fù)荷曲線，并對典型負(fù)荷曲線再次進(jìn)行聚類得到最終行業(yè)標(biāo)簽下的拓展行業(yè)標(biāo)簽；

8、s5.分析各個拓展行業(yè)標(biāo)簽在不同季節(jié)的負(fù)荷特性變化，以及影響負(fù)荷變化的因素；

9、s6.根據(jù)步驟s5得到的分析結(jié)果，生成各個臺區(qū)的用戶畫像，并進(jìn)行相關(guān)性分析；

10、s7.根據(jù)步驟s6得到的數(shù)據(jù)信息，進(jìn)行各個臺區(qū)的負(fù)荷預(yù)測模型的自適應(yīng)學(xué)習(xí)和評估；

11、s8.對步驟s7得到的各個臺區(qū)的負(fù)荷預(yù)測模型進(jìn)行考核，并采用最終通過考核的負(fù)荷預(yù)測模型進(jìn)行對應(yīng)臺區(qū)的負(fù)荷精細(xì)化預(yù)測。

12、步驟s2所述的根據(jù)步驟s1獲取的歷史數(shù)據(jù)信息，計算得到各個臺區(qū)的初步行業(yè)標(biāo)簽，具體包括如下步驟：

13、針對公變臺區(qū)：

14、采用如下算式計算得到臺區(qū)中各個行業(yè)的用電量占比：

15、

16、式中pi為臺區(qū)中第i個行業(yè)的用電量占比；ei為臺區(qū)中第i個行業(yè)的用電量；∑jej為臺區(qū)中各個行業(yè)的用電量的總和；

17、若臺區(qū)中第i個行業(yè)的用電量占比pi最大，則該臺區(qū)的初步行業(yè)標(biāo)簽為第i個行業(yè)的行業(yè)標(biāo)簽；

18、針對轉(zhuǎn)變臺區(qū)：

19、臺區(qū)的初步行業(yè)標(biāo)簽為用戶的行業(yè)標(biāo)簽；

20、所述的行業(yè)標(biāo)簽為三級行業(yè)標(biāo)簽。

21、步驟s3所述的對步驟s2計算得到的初步行業(yè)標(biāo)簽進(jìn)行匯總綜合，得到各個臺區(qū)的最終行業(yè)標(biāo)簽，具體包括如下步驟：

22、對步驟s2計算得到的初步行業(yè)標(biāo)簽進(jìn)行判斷：

23、針對初步行業(yè)標(biāo)簽k：

24、若初步行業(yè)標(biāo)簽k所對應(yīng)的臺區(qū)個數(shù)大于設(shè)定值，則將初步行業(yè)標(biāo)簽k作為對應(yīng)臺區(qū)的最終行業(yè)標(biāo)簽；

25、若初步行業(yè)標(biāo)簽k所對應(yīng)的臺區(qū)個數(shù)不大于設(shè)定值，則將初步行業(yè)標(biāo)簽k所對應(yīng)的二級行業(yè)標(biāo)簽作為對應(yīng)臺區(qū)的最終行業(yè)標(biāo)簽。

26、步驟s4所述的根據(jù)步驟s1獲取的歷史數(shù)據(jù)信息，采用聚類算法獲取各個臺區(qū)的典型負(fù)荷曲線，并對典型負(fù)荷曲線再次進(jìn)行聚類得到最終行業(yè)標(biāo)簽下的拓展行業(yè)標(biāo)簽，具體包括如下步驟：

27、根據(jù)步驟s1獲取的歷史數(shù)據(jù)信息，采用聚類算法對臺區(qū)歷史負(fù)荷數(shù)據(jù)進(jìn)行聚類，得到各個臺區(qū)的典型負(fù)荷曲線；

28、將步驟s3得到的最終行業(yè)標(biāo)簽與各個臺區(qū)的典型負(fù)荷曲線進(jìn)行匹配；

29、對各個最終行業(yè)標(biāo)簽下的典型負(fù)荷曲線再次采用聚類算法進(jìn)行聚類，得到各個最終行業(yè)標(biāo)簽下的拓展行業(yè)標(biāo)簽。

30、步驟s5所述的分析各個拓展行業(yè)標(biāo)簽在不同季節(jié)的負(fù)荷特性變化，以及影響負(fù)荷變化的因素，具體包括如下步驟：

31、分析各個拓展行業(yè)標(biāo)簽在不同季節(jié)的負(fù)荷特性變化：

32、設(shè)定季節(jié)sa的典型臺區(qū)典型負(fù)荷曲線為ca，季節(jié)sb的典型臺區(qū)典型負(fù)荷曲線為cb，則計算ca和cb的曼哈頓距離dab為n為ca和cb中元素的個數(shù)，cak為ca中第k個元素，cbk為cb中第k個元素；

33、設(shè)定季節(jié)sa的不同時段負(fù)荷曲線為cai(t)，t為時間段；采用cai(t)在每個時段的負(fù)荷變化率δcai(t)表示負(fù)荷變化趨勢，

34、分析影響負(fù)荷變化的因素：

35、采用如下算式計算皮爾遜相關(guān)系數(shù)rxy，從而量化不同行業(yè)受氣象因素的影響：

36、

37、式中xi為采集時刻的影響因素數(shù)據(jù)；為xi的樣本平均值；li為負(fù)荷數(shù)據(jù)；為li的樣本平均值；

38、所述的氣象因素包括濕度、溫度、降雨量和風(fēng)速。

39、步驟s6所述的根據(jù)步驟s5得到的分析結(jié)果，生成各個臺區(qū)的用戶畫像，并進(jìn)行相關(guān)性分析，具體包括如下步驟：

40、結(jié)合步驟s4得到的聚類結(jié)果和步驟s5得到的分析結(jié)果，生成各個臺區(qū)的用戶畫像；

41、進(jìn)行相關(guān)性分析：針對歷史相同時期，進(jìn)行氣象因素相關(guān)性分析；所述的氣象因素包括濕度、溫度、降雨量和風(fēng)速。

42、步驟s7所述的根據(jù)步驟s6得到的數(shù)據(jù)信息，進(jìn)行各個臺區(qū)的負(fù)荷預(yù)測模型的自適應(yīng)學(xué)習(xí)和評估，具體包括如下步驟：

43、特征重要性分析：

44、對不同行業(yè)標(biāo)簽的預(yù)測結(jié)果進(jìn)行特征重要性分析，并基于互信息評估各個特征與目標(biāo)變量的相關(guān)性；

45、特征因子x的熵h(x)表示為p(x)為取值為x的概率；

46、臺區(qū)負(fù)荷預(yù)測y的熵h(y)表示為p(y)為取值為y的概率；

47、x和y的聯(lián)合熵h(x,y)表示為p(x,y)為隨機(jī)變量x和y的聯(lián)合概率分布，即同時觀測到x＝x和y＝y(tǒng)的概率；

48、x和y的互信息i(x；y)表示為i(x；y)＝h(x)+h(y)-h(x,y)；

49、互信息越大，表示x和y之間的相關(guān)性越強(qiáng)；

50、通過互信息計算，評估各個行業(yè)標(biāo)簽下臺區(qū)負(fù)荷預(yù)測的主要影響因素；

51、負(fù)荷預(yù)測模型的自適應(yīng)學(xué)習(xí)和評估：

52、針對樣本數(shù)小于設(shè)定值的臺區(qū)，采用的負(fù)荷預(yù)測模型包括支持向量機(jī)模型和核支持向量機(jī)模型；

53、支持向量機(jī)模型：給定訓(xùn)練樣本d＝{(x1,l1),(x2,l2),...,(xm,lm)}，xm為第m個樣本，lm為第m個樣本對應(yīng)的標(biāo)簽，構(gòu)造模型f(x)＝wφ(x)+b，其中f(x)為樣本對應(yīng)標(biāo)簽，w為權(quán)重系數(shù)，φ(x)為特征空間，b為偏置項；

54、基于結(jié)構(gòu)風(fēng)險最小化原理，設(shè)置目標(biāo)函數(shù)為

55、

56、式中r(x)為目標(biāo)函數(shù)值；||w||為權(quán)重系數(shù)的大小；m為樣本數(shù)量；yi為第i個樣本的實際標(biāo)簽值；ε為允許偏差；

57、引入懲罰項系數(shù)和松弛變量，將目標(biāo)函數(shù)轉(zhuǎn)換為

58、

59、

60、式中為目標(biāo)函數(shù)值；c為正則化參數(shù)；ξi為第一松弛變量，為第二松弛變量；φ(xi)為最終的模型函數(shù)；m為樣本數(shù)量；

61、采用拉格朗日對偶理論進(jìn)行求解，得到

62、

63、式中為第一拉格朗日系數(shù)，ai為第二拉格朗日系數(shù)；k(xi,x)為rbf核函數(shù)；

64、針對波動性大于設(shè)定值的臺區(qū)，采用的負(fù)荷預(yù)測模型包括隨機(jī)森林模型、梯度提升模型和極限隨機(jī)樹模型。

65、步驟s8所述的對步驟s7得到的各個臺區(qū)的負(fù)荷預(yù)測模型進(jìn)行考核，并采用最終通過考核的負(fù)荷預(yù)測模型進(jìn)行對應(yīng)臺區(qū)的負(fù)荷精細(xì)化預(yù)測，具體包括如下步驟：

66、采用如下算式計算負(fù)荷預(yù)測模型的準(zhǔn)確性acc：

67、

68、式中n為樣本數(shù)；q為負(fù)荷基準(zhǔn)值；xi為第i時刻的負(fù)荷實際值；xf,i為第i時刻的負(fù)荷預(yù)測值；

69、若準(zhǔn)確性acc高于或等于設(shè)定值，則負(fù)荷預(yù)測模型考核通過；

70、若準(zhǔn)確性acc低于設(shè)定值，則負(fù)荷預(yù)測模型考核不通過，則返回步驟s1重新進(jìn)行負(fù)荷預(yù)測模型的自適應(yīng)學(xué)習(xí)，直至負(fù)荷預(yù)測模型考核通過；

71、采用最終通過考核的負(fù)荷預(yù)測模型進(jìn)行對應(yīng)臺區(qū)的負(fù)荷精細(xì)化預(yù)測。

72、本發(fā)明還提供了一種實現(xiàn)所述電力系統(tǒng)臺區(qū)負(fù)荷的精細(xì)化預(yù)測方法的系統(tǒng)，包括數(shù)據(jù)獲取模塊、標(biāo)簽計算模塊、標(biāo)簽修正模塊、數(shù)據(jù)聚類模塊、負(fù)荷分析模塊、用戶分析模塊、模型學(xué)習(xí)模塊和負(fù)荷預(yù)測模塊；數(shù)據(jù)獲取模塊、標(biāo)簽計算模塊、標(biāo)簽修正模塊、數(shù)據(jù)聚類模塊、負(fù)荷分析模塊、用戶分析模塊、模型學(xué)習(xí)模塊和負(fù)荷預(yù)測模塊依次串接；數(shù)據(jù)獲取模塊用于獲取目標(biāo)電力系統(tǒng)中各個臺區(qū)的歷史數(shù)據(jù)信息，并將數(shù)據(jù)信息上傳標(biāo)簽計算模塊；標(biāo)簽計算模塊用于根據(jù)接收到的數(shù)據(jù)信息，根據(jù)獲取的歷史數(shù)據(jù)信息，計算得到各個臺區(qū)的初步行業(yè)標(biāo)簽，并將數(shù)據(jù)信息上傳標(biāo)簽修正模塊；標(biāo)簽修正模塊用于根據(jù)接收到的數(shù)據(jù)信息，對計算得到的初步行業(yè)標(biāo)簽進(jìn)行匯總綜合，得到各個臺區(qū)的最終行業(yè)標(biāo)簽，并將數(shù)據(jù)信息上傳數(shù)據(jù)聚類模塊；數(shù)據(jù)聚類模塊用于根據(jù)接收到的數(shù)據(jù)信息，根據(jù)獲取的歷史數(shù)據(jù)信息，采用聚類算法獲取各個臺區(qū)的典型負(fù)荷曲線，并對典型負(fù)荷曲線再次進(jìn)行聚類得到最終行業(yè)標(biāo)簽下的拓展行業(yè)標(biāo)簽，并將數(shù)據(jù)信息上傳負(fù)荷分析模塊；負(fù)荷分析模塊用于根據(jù)接收到的數(shù)據(jù)信息，分析各個拓展行業(yè)標(biāo)簽在不同季節(jié)的負(fù)荷特性變化，以及影響負(fù)荷變化的因素，并將數(shù)據(jù)信息上傳用戶分析模塊；用戶分析模塊用于根據(jù)接收到的數(shù)據(jù)信息，根據(jù)得到的分析結(jié)果，生成各個臺區(qū)的用戶畫像，并進(jìn)行相關(guān)性分析，并將數(shù)據(jù)信息上傳模型學(xué)習(xí)模塊；模型學(xué)習(xí)模塊用于根據(jù)接收到的數(shù)據(jù)信息，根據(jù)得到的數(shù)據(jù)信息，進(jìn)行各個臺區(qū)的負(fù)荷預(yù)測模型的自適應(yīng)學(xué)習(xí)和評估，并將數(shù)據(jù)信息上傳負(fù)荷預(yù)測模塊；負(fù)荷預(yù)測模塊用于根據(jù)接收到的數(shù)據(jù)信息，對得到的各個臺區(qū)的負(fù)荷預(yù)測模型進(jìn)行考核，并采用最終通過考核的負(fù)荷預(yù)測模型進(jìn)行對應(yīng)臺區(qū)的負(fù)荷精細(xì)化預(yù)測。

73、本發(fā)明提供的這種電力系統(tǒng)臺區(qū)負(fù)荷的精細(xì)化預(yù)測方法及系統(tǒng)，基于臺區(qū)所在行業(yè)的標(biāo)簽和畫像，對臺區(qū)負(fù)荷預(yù)測模型進(jìn)行自適應(yīng)學(xué)習(xí)和考核；因此本發(fā)明不僅能夠?qū)崿F(xiàn)電力系統(tǒng)臺區(qū)負(fù)荷的精細(xì)化預(yù)測，而且可靠性更高，精確性更好。