CN103559655B - 基于数据挖掘的微网新型馈线负荷的预测方法 - Google Patents

Abstract

基于数据挖掘的微网新型馈线负荷的预测方法，涉及一种微网馈线负荷的预测方法。本发明以微网新型馈线负荷为对象，应用数据挖掘技术在微网上进行分析各类馈线负荷特征；根据天气数据，采用聚类分析建立各类馈线负荷模式；选取优化方法，确定各类馈线负荷预测模型，进行求解算法设计。本发明提供的微网新型馈线负荷可以改变单纯接受***的电能被动局面，能够主动地与主网协调配合，在需求响应发挥积极作用；微网新型馈线负荷预测不仅能预测微网的负荷总量，还可以预测微网分布式发电（风电、光伏发电、储能）功率；优选预测模型，修正预测误差，可以提高各类馈线负荷预测精度。

Description

基于数据挖掘的微网新型馈线负荷的预测方法

技术领域

本发明涉及一种微网馈线负荷的预测方法，具体涉及一种基于数据挖掘的微网新型馈线负荷的预测方法。

背景技术

微网新型馈线负荷由传统馈线负荷(正负荷)、光伏和风力发电等分布式可再生能源(负负荷)和能量存储装置构成。新型微网馈线负荷预测，既要考虑传统馈线负荷曲线峰谷起落的走势，还要关注新型微网馈线负荷之间的相互关系和运行模式。目前国内尚未有相关技术的报道。

发明内容

本发明的目的是提供一种基于数据挖掘的微网新型馈线负荷的预测方法，以微网新型馈线负荷为对象，应用数据挖掘技术在微网上进行分析各类馈线负荷特征；根据天气数据，采用聚类分析建立各类馈线负荷模式；选取优化方法，如鲁棒回归、BP神经网络、ARMA时间预测模型等方法，确定各类馈线负荷预测模型，进行求解算法设计。

本发明的基于数据挖掘的新型微网馈线负荷的预测方法，包括以下内容：

(1)对从电网现场采集的未经处理的各类馈线负荷的生数据进行分析后，设计实体-联系图；

(2)根据馈线负荷和天气数据结构，建立数据仓库，对生数据进行提取、转换、清理、集成处理后加载到面向主题的馈线负荷数据仓库中；

(3)采用模糊聚类，对数据仓库中的各类馈线负荷按工作日与节假日建立各类新型馈线负荷模式；

(4)根据各类新型馈线负荷运行规律，在方法库中选取优化方法来确定新型馈线负荷预测模型，用历史数据样本进行训练和学习，计算或估计预测模型参数；

(5)实际观察样本进行预测结果的测试，统计分析预测误差，修正预测模型。

本发明具有如下优点：

1、微网新型馈线负荷可以改变单纯接受***的电能被动局面，能够主动地与主网协调配合，在需求响应发挥积极作用；

2、将电网的海量馈线负荷数据进行分析，去粗取精，经过数据预处理后，存储到面向主题的数据仓库中；

3、可获得微网新型各类馈线负荷特性分析、各类新型馈线负荷预测趋势等相关的决策信息；

4、微网新型馈线负荷预测不仅能预测微网的负荷总量，还可以预测微网分布式发电(风电、光伏发电、储能)功率；

5、优选预测模型，修正预测误差，可以提高各类馈线负荷预测精度。

附图说明

图1为基于新型馈线负荷为主题的E-R图；

图2为基于数据挖掘的各类新型馈线负荷预测流程图。

具体实施方式

下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

本发明的基于数据挖掘的新型微网馈线负荷的预测方法，包括以下内容：

(1)对从电网现场采集的未经处理的各类馈线负荷的生数据进行分析后，设计实体-联系图；

(2)根据馈线负荷和天气数据结构，建立数据仓库，对生数据进行提取、转换、清理、集成处理后加载到面向主题的馈线负荷数据仓库中；

(3)采用模糊聚类，对数据仓库中的各类馈线负荷按工作日与节假日建立各类新型馈线负荷模式；

(4)根据各类新型馈线负荷运行规律，在方法库中选取优化方法来确定新型馈线负荷预测模型，用历史数据样本进行训练和学习，计算或估计预测模型参数；

(5)实际观察样本进行预测结果的测试，统计分析预测误差，修正预测模型。

上述内容中，具体要求如下：

1、数据库实体关系设计

数据分析是整个数据库设计、建立地过程中的第一步，同时也是最为重要的一步。对负荷数据库的数据分析将确定新型馈线负荷预测过程中所需要使用的各种数据类型。

预测过程中所需要使用的各种数据类型当中最主要的是配网各类新型馈线负荷的历史数据。可以分为两类：(1)正负荷：即与传统能量流动方向相同的部分负荷；(2)负负荷：与传统配电网馈线中能量流动方向相反的部分负荷，此部分负荷由用户侧附近的风力、光伏、储能装置小型分布式电源发电提供。

为了确定各类实体数据属性以及数据之间的对应关系，本发明对从电网现场采集的未经处理的各类馈线负荷的生数据进行分析后，设计了实体-联系图(EntityRelationshipDiagram，E-R图)，如图1所示。

2、数据仓库设计

将数据库中的多维结构划分为两类表：一类是事实表，用来存储事实的度量值和各个维的码值；另一类是维表。根据馈线负荷和天气数据结构，建立以馈线历史负荷数据为事实表和以日期、时间、天气、地区、微网等因素组成的若干维度表组成的数据仓库。数据仓库是面向主题的特殊数据库，是数据挖掘技术中重要的数据平台，它能达到高效的数据查询和检索。它一般由事实表(主题)和若干个相关联的维表(时间、位置、天气参数等)组成。常有雪花型、星型等模型。新型配网馈线负荷的数据仓库设计，为了提高检索效果，采用雪花型模型。该数据仓库的相应各表具体属性设计如下：

(1)馈线负荷信息为事实表，包含时间编号，位置编号，方向编号，馈线历史负荷有功功率，馈线历史负荷无功功率。

(2)日期信息维度表，包含：日期编号，日期对应的年、月、日、星期、季节和节气。

(3)时间信息维度表，包含：时间编号、日期编号、小时、分钟信息；

(4)地区信息维度表，包含：地区编号，地区名称；

(5)微网信息维度表，包含：地区编号，微网编号、微网名称；

(6)馈线位置信息维度表，包含：位置编号、地区编号、微网编号、馈线名称；

(7)负荷类型信息维度表，包含：负荷类型编号、类型方向、类型名称。

(8)天气信息维度表，包含：日期编号、最高温度、最低温度、天气情况、湿度、气压。

各个表的具体结构设计如表1-8所示：

表1馈线负荷事实表

字段名	类型	长度	属性含义
				Time_ID	数字(Int)	4	时间编号
Date_ID	数字(Int)	4	日期编号
				Location_ID	数字(Int)	4	位置编号
Type_ID	数字(Int)	4	负荷类型编号
				LoadP	数字(Double)	8	馈线负荷有功功率
LoadQ	数字(Double)	8	馈线负荷无功功率

表2日期信息维度表

表3时间信息维度表

表4地区信息维度表

字段名	类型	长度	属性含义
				Region_ID	数字(Int)	4	地区ID
Region	文本	20	地区名

表5微网信息维度表

表6馈线位置信息维度表

表7负荷类型信息维度表

表8天气信息维度表

3、数据预处理

由FTU(馈线终端单元)、RTU(远端测控单元)装置和智能电表采集的电网数据传送给调度中心的主机***，这些数据是未经处理的生数据，它们来源不同，结构混乱，有些数据不完整，还经常存在坏数据或者网络拓扑错误，因此需要对这些数据重新进行提取、清理、集成等预处理，并运用状态估计法识别和修正它们，再根据微网新型馈线负荷预测的需求，通过数据转换将不同的数据按照一定的规则，校正、排序、聚合、综合、集中后，根据数据仓库结构，加载到数据仓库中，从而保证数据的完整性和可靠性，达到充分利用各种数据源的目的。

4、建立馈线负荷模式

通过对节气因素与气候因素的综合数据进行分类，建立馈线负荷模式。

设聚类样本天气日正负荷数据类型向量为：

$D_k^{\left(1\right)}=(D_{k1}^{\left(1\right)},D_{k2}^{\left(1\right)},D_{k3}^{\left(1\right)},D_{k4}^{\left(1\right)},D_{k5}^{\left(1\right)},D_{k6}^{\left(1\right)})---\left(1\right)$

其中k＝1，2，L，p；p为一个或二个节气(含工作日或节假日)的天数；为第k日的日最高温度；为第k日的日最低温度；为第k日的天气阴晴状况；为第k日的相对湿度；为第k日的日类型(工作日或节假日)；为第k日的节气。

设聚类样本天气日光伏负负荷数据类型向量为：

$D_k^{\left(2\right)}=(D_{k1}^{\left(2\right)},D_{k2}^{\left(2\right)},D_{k3}^{\left(2\right)},D_{k4}^{\left(2\right)},D_{k5}^{\left(2\right)},D_{k6}^{\left(2\right)})---\left(2\right)$

其中k＝1，2，L，p；p为一个或二个节气(含工作日或节假日)的天数；分别为第k日的太阳辐射强度最大值、平均值、最小值；分别为第k日的最高温度、平均温度、最小温度。

对天气综合数据进行规范化，将属性数据按比例缩放，使之落入特定的[0，1]区间。用最小-最大规范化对原始数据进行线性变换。规范化综合数据可通过以下方式计算：

设规范化后的聚类数据类型向量为：

$D_k^{\left(s\right)}=({D_{k1}^{\left(s\right)}}^{\′},{D_{k2}^{\left(s\right)}}^{\′},{D_{k3}^{\left(s\right)}}^{\′},{D_{k4}^{\left(s\right)}}^{\′},{D_{k5}^{\left(s\right)}}^{\′},{D_{k6}^{\left(s\right)}}^{\′})---\left(3\right)$

${D_{kl}^{\left(s\right)}}^{\′}=\frac{D_{kl}^{\left(s\right)}-D_l^{\left(\min \right)}}{D_l^{\left(\max \right)}-D_l^{\left(\min \right)}}---\left(4\right)$

其中分别为数据的最小和最大值，k＝1，2，...，p；l＝1，2，...，6，s＝1，2。

用C-mean模糊聚类，可把彼此接近预测日的馈线负荷样本归为一类，分别记为X₁(t)，X₂(t)，...，X_n(t)，并由此形成一个馈线负荷模式M，即：

M＝(X₁(t)，X₂(t)，...，X_n(t))(5)。

其中n为模式内馈线负荷曲线的个数，t是馈线负荷样本对应的时间。

5、预测模型选取

根据各类馈线负荷运行规律，建立预测方法库(回归分析、神经网络预测、ARMA时间预测模型等模型)，从方法库中选取合适的方法来确定馈线负荷预测模型，设计求解算法，并***馈线负荷信息，以满足各级决策的需求。

6、预测模型求解算法

各类新型馈线负荷短期预测算法流程图如图2所示。采取1hour作为馈线负荷曲线的每个间隔时段。各类新型馈线负荷短期预测算法步骤如下：

步骤1：选择预测的年、月、日；选择预测的地区、微网、馈线。

步骤2：根据节气与气候因素，选择综合数据类型(1)式。

步骤3：将聚类样本数据类型用(4)式最大最小规范化数据类型

步骤4：用C-mean模糊聚类，选取与预测日相近的n个新型馈线负荷曲线X₁(t)，X₂(t)，...，X_n(t)作为属于相同馈线负荷模式(5)式的样本。

步骤5：确定预测模型输出向量Y和输入矩阵X。Y＝X_n(t)是在新型馈线负荷模式M中离预测日最近的样本曲线，X＝(X₁(t)，X₂(t)，...，X_n-1(t))是同一M中其它的样本曲线。

步骤6：根据各类馈线负荷特征，选取预测模型(鲁棒回归模型、L-M神经网络预测模型、ARMA时间预测模型等)Y＝CX，其中C＝(c₁，c₂，....，c_n-1)。

步骤7：计算预测模型的权重系数向量C。计算误差E，即：如果E≤ε，执行步骤8，否则，重新修正权重系数向量C。其中ε是预测精度，t是馈线负荷样本对应的时间。

步骤8：输出新型馈线负荷功率曲线Y(t)。

Claims (3)

1.基于数据挖掘的微网新型馈线负荷的预测方法，其特征在于预测方法为：

(1)对从电网现场采集的未经处理的各类馈线负荷的生数据进行分析后，设计实体-联系图；

(2)根据馈线负荷和天气数据结构，建立数据仓库，对生数据进行提取、转换、清理、集成处理后加载到面向主题的新型馈线负荷数据仓库中；

(3)采用模糊聚类，对数据仓库中的各类馈线负荷按工作日与节假日建立各类馈线负荷模式；

(4)根据各类新型馈线负荷运行规律，在方法库中选取优化方法来确定新型馈线负荷预测模型，用历史数据样本进行训练和学习，计算或估计预测模型参数；

(5)实际观察样本进行预测结果的测试，统计分析预测误差，修正预测模型；

具体步骤如下：

步骤1：选择预测的年、月、日；选择预测的地区、微网、馈线；

步骤2：根据节气与气候因素，按照下式选择综合数据类型： $D_k^{\left(1\right)}=(D_{k1}^{\left(1\right)},D_{k2}^{\left(1\right)},D_{k3}^{\left(1\right)},D_{k4}^{\left(1\right)},D_{k5}^{\left(1\right)},D_{k6}^{\left(1\right)});$ 其中k＝1，2，L，p；p为一个或二个节气(含工作日或节假日)的天数；为第k日的日最高温度；为第k日的日最低温度；为第k日的天气阴晴状况；为第k日的相对湿度；为第k日的日类型(工作日或节假日)；为第k日的节气；

步骤3：将聚类样本数据类型用下式最大最小规范化数据类型 $D_{\mathrm{kl}}^{{\left(s\right)}^{\′}}=\frac{D_{\mathrm{kl}}^{\left(s\right)}-D_l^{\left(\min \right)}}{D_l^{\left(\max \right)}-D_l^{\left(\min \right)}};$ 其中分别为数据的最小和最大值，k＝1，2，...，p；l＝1，2，...，6，s＝1，2；

步骤4：用C-mean模糊聚类，选取与预测日相近的n个新型馈线负荷曲线X₁(t)，X₂(t)，...，X_n(t)作为属于相同馈线负荷模式的样本，其中馈线负荷模式M＝(X₁(t)，X₂(t)，...，X_n(t))；

步骤5：确定预测模型输出向量Y和输入矩阵X，Y＝X_n(t)是在新型馈线负荷模式M中离预测日最近的样本曲线，X＝(X₁(t)，X₂(t)，...，X_n-1(t))是同一M中其它的样本曲线；

步骤6：根据各类馈线负荷特征，选取预测模型Y＝CX，其中C＝(c₁，c₂，....，c_n-1)；

步骤7：计算预测模型的权重系数向量C，计算误差，如果E≤ε，执行步骤8，否则，重新修正权重系数向量C，其中t是馈线负荷样本对应的时间；

步骤8：输出新型馈线负荷功率曲线Y(t)。

2.根据权利要求1所述的基于数据挖掘的微网新型馈线负荷的预测方法，其特征在于所述数据仓库由以馈线历史负荷数据为事实表和以日期、时间、天气、地区、微网组成的若干维度表组成。

3.根据权利要求1所述的基于数据挖掘的微网新型馈线负荷的预测方法，其特征在于所述数据仓库为雪花型。