CN110766190A - 一种配电网负荷预测方法 - Google Patents
一种配电网负荷预测方法 Download PDFInfo
- Publication number
- CN110766190A CN110766190A CN201910729313.3A CN201910729313A CN110766190A CN 110766190 A CN110766190 A CN 110766190A CN 201910729313 A CN201910729313 A CN 201910729313A CN 110766190 A CN110766190 A CN 110766190A
- Authority
- CN
- China
- Prior art keywords
- load
- power distribution
- distribution network
- curve
- steps
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明具体为一种配电网负荷预测方法:包括一:将获取的各个测量点的负荷值进行标幺化处理,处理后的数据形成对应的负荷特征曲线。二:对步骤一中获得的各个负荷特征曲线进行聚类分析,从而实现对缺失和为零的数据进行修正。三:对步骤二获得的同一配变的所有历史负荷特征曲线进行聚类,分析温度、天气、日期对负荷的影响。四:将步骤三中修正后的曲线通过深度置信神经网络建立输出配电网负荷预测模型实现配电网负荷预测。本发明是先采用聚类算法进行配电网负荷特性分析,在此基础上构建通过深度置信神经网络负荷预测模型,通过深度置信神经网络变换将原始负荷序列分解得到不同层级的子集,在各子集分别建模实现对负荷各层特性的合理利用。
Description
技术领域
本发明涉及配电网数据采集领域,具体为一种配电网负荷预测方法。
背景技术
配电网直接面向用户供电,是电网的重要组成部分。配电自动化通过配电主站、通信网络、终端技术应用,提升中低压配电网运行状态的主动感知和决策控制能力。但配电网具有规模大、点多线长面广的特点,资金的不足导致配电主站自采集量测能力长期严重不足,严重制约配电自动化发展。随着智能量测体系的推广建设,用电信息采集***积累大量台区关口准实时数据和历史数据,这些数据将成为未来配电主站获取10kV末端数据的重要来源,可以有效弥补配电主站量测的不足。因此需要能够适应智能配用电大数据环境下的配电网短期负荷预测方法,预测结果可为配电网负荷转供、重过载趋势分析、配电变压器(简称配变)运行状态评估等提供数据支撑。
发明内容
1.所要解决的技术问题:
针对上述技术问题,本发明提供一种配电网负荷预测方法,本方法通过深度置信神经网络建立输出配电网负荷预测模型,从而实现对配电网的负荷预测。
2.技术方案:
一种配电网负荷预测方法,其特征在于:包括以下步骤:
步骤一:将获取的各个测量点的负荷值进行标幺化处理,处理后的数据形成对应的负荷特征曲线。
步骤二:对步骤一中获得的各个负荷特征曲线进行聚类分析,从而实现对缺失和为零的数据进行修正。
步骤三:对步骤二获得的同一配变的所有历史负荷特征曲线进行聚类,分析温度、天气、日期对负荷的影响。
步骤四:将步骤三中修正后的曲线通过深度置信神经网络建立输出配电网负荷预测模型实现配电网负荷预测。
进一步地,所述步骤一中的标幺化处理过程具体为:所述标幺化处理的公式如公式(1):
式(1)中Xi为标幺化后测量点i的负荷值,pi为测量点i的负荷值,p_max、p_min 分别为原始日负荷曲线中的最大值和最小值。
进一步地,所述步骤二的具体过程为:计算出待修正曲线正常负荷点与特征曲线的距离,选取距离最近的特征曲线作为基准。利用负荷曲线的横向相似性,将基准曲线对应位置的值通过倍比法平移嫁接到待修正曲线上,完成坏数据点的修正;具体的修正公式为:
(2)式中:xc,i为坏数据点i修正后的值;xt,i为基准曲线上坏数据点i的值;xd,p-1、xd,q+1分别为待修正曲线上坏数据点,xt,p-1、xt,q+1分别为基准曲线上坏数据点前后各一个点的值;p-q为坏数据点。
进一步地,所述步骤三的具体步骤为:
301构造基于RBM的5层DBN,包括1个输入层,3个隐藏层和1个决策层;
302指定DBN的输入层节点数为13,第一个隐藏层节点数为500,第二个隐藏层节点数为500,第三个隐藏层节点数为500,决策层的节点数为3;
303所述训练DBN,使用对比散度CD算法对DBN的5层进行逐层训练,计算3个隐藏层和1个决策层的输出值和各层之间的权值及偏置值;使用BP算法对整个DBN进行调整,优化DBN参数,完成DBN全局训练;
304得出预测***的最优权值和偏置值得到最优的配电网负荷预测模型。
3.有益效果:
本发明是先采用聚类算法进行配电网负荷特性分析,在此基础上构建通过深度置信神经网络负荷预测模型,通过深度置信神经网络变换将原始负荷序列分解得到不同层级的子集,在各子集分别建模实现对负荷各层特性的合理利用。
具体实施方式
一种配电网负荷预测方法,其特征在于:包括以下步骤:
步骤一:将获取的各个测量点的负荷值进行标幺化处理,处理后的数据形成对应的负荷特征曲线。
步骤二:对步骤一中获得的各个负荷特征曲线进行聚类分析,从而实现对缺失和为零的数据进行修正。
步骤三:对步骤二获得的同一配变的所有历史负荷特征曲线进行聚类,分析温度、天气、日期对负荷的影响。
步骤四:将步骤三中修正后的曲线通过深度置信神经网络建立输出配电网负荷预测模型实现配电网负荷预测。
进一步地,所述步骤一中的标幺化处理过程具体为:所述标幺化处理的公式如公式(1):
式(1)中Xi为标幺化后测量点i的负荷值,pi为测量点i的负荷值,p_max、p_min 分别为原始日负荷曲线中的最大值和最小值。
进一步地,所述步骤二的具体过程为:计算出待修正曲线正常负荷点与特征曲线的距离,选取距离最近的特征曲线作为基准。利用负荷曲线的横向相似性,将基准曲线对应位置的值通过倍比法平移嫁接到待修正曲线上,完成坏数据点的修正;具体的修正公式为:
(2)式中:xc,i为坏数据点i修正后的值;xt,i为基准曲线上坏数据点i的值;xd,p-1、xd,q+1分别为待修正曲线上坏数据点,xt,p-1、xt,q+1分别为基准曲线上坏数据点前后各一个点的值;p-q为坏数据点。
进一步地,所述步骤三的具体步骤为:
301构造基于RBM的5层DBN,包括1个输入层,3个隐藏层和1个决策层;
302指定DBN的输入层节点数为13,第一个隐藏层节点数为500,第二个隐藏层节点数为500,第三个隐藏层节点数为500,决策层的节点数为3;
303所述训练DBN,使用对比散度CD算法对DBN的5层进行逐层训练,计算3个隐藏层和1个决策层的输出值和各层之间的权值及偏置值;使用BP算法对整个DBN进行调整,优化DBN参数,完成DBN全局训练;
304得出预测***的最优权值和偏置值得到最优的配电网负荷预测模型。
虽然本发明已以较佳实施例公开如上,但它们并不是用来限定本发明的,任何熟习此技艺者,在不脱离本发明之精神和范围内,自当可作各种变化或润饰,因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。
Claims (4)
1.一种配电网负荷预测方法,其特征在于:包括以下步骤:
步骤一:将获取的各个测量点的负荷值进行标幺化处理,处理后的数据形成对应的负荷特征曲线;
步骤二:对步骤一中获得的各个负荷特征曲线进行聚类分析,从而实现对缺失和为零的数据进行修正;
步骤三:对步骤二获得的同一配变的所有历史负荷特征曲线进行聚类,分析温度、天气、日期对负荷的影响;
步骤四:将步骤三中修正后的曲线通过深度置信神经网络建立输出配电网负荷预测模型实现配电网负荷预测。
4.根据权利要求1所述的一种配电网负荷预测方法,其特征在于:所述步骤三的具体步骤为:
301 构造基于RBM的5层DBN,包括1个输入层,3个隐藏层和1个决策层;
302 指定DBN的输入层节点数为13,第一个隐藏层节点数为500,第二个隐藏层节点数为500,第三个隐藏层节点数为500,决策层的节点数为3;
303 所述训练DBN,使用对比散度CD算法对DBN的5层进行逐层训练,计算3个隐藏层和1个决策层的输出值和各层之间的权值及偏置值;使用BP算法对整个DBN进行调整,优化DBN参数,完成DBN全局训练;
304 得出预测***的最优权值和偏置值得到最优的配电网负荷预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729313.3A CN110766190A (zh) | 2019-08-08 | 2019-08-08 | 一种配电网负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729313.3A CN110766190A (zh) | 2019-08-08 | 2019-08-08 | 一种配电网负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766190A true CN110766190A (zh) | 2020-02-07 |
Family
ID=69330323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910729313.3A Pending CN110766190A (zh) | 2019-08-08 | 2019-08-08 | 一种配电网负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766190A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183809A (zh) * | 2020-08-12 | 2021-01-05 | 国网江西省电力有限公司经济技术研究院 | 一种基于时空推演法的电力负荷特性指标测算方法 |
CN112330051A (zh) * | 2020-11-20 | 2021-02-05 | 国网辽宁省电力有限公司营口供电公司 | 一种基于Kmeans与FR-DBN的短期负荷预测方法 |
CN113177355A (zh) * | 2021-04-28 | 2021-07-27 | 南方电网科学研究院有限责任公司 | 一种电力负荷预测方法 |
CN115913991A (zh) * | 2022-11-15 | 2023-04-04 | 中国联合网络通信集团有限公司 | 业务数据预测方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862384A (zh) * | 2017-11-16 | 2018-03-30 | 国家电网公司 | 一种配电网负荷分类模型的建立方法 |
CN108549960A (zh) * | 2018-04-20 | 2018-09-18 | 国网重庆市电力公司永川供电分公司 | 一种24小时电力负荷预测方法 |
-
2019
- 2019-08-08 CN CN201910729313.3A patent/CN110766190A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862384A (zh) * | 2017-11-16 | 2018-03-30 | 国家电网公司 | 一种配电网负荷分类模型的建立方法 |
CN108549960A (zh) * | 2018-04-20 | 2018-09-18 | 国网重庆市电力公司永川供电分公司 | 一种24小时电力负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
裘斌: "基于深度置信网络的短期电力负荷预测研究", 《中国优秀论文电子期刊--工程科技辑》 * |
詹仁俊: "基于K-means聚类的小波支持向量机配电网短期负荷预测及应用", 《配电》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183809A (zh) * | 2020-08-12 | 2021-01-05 | 国网江西省电力有限公司经济技术研究院 | 一种基于时空推演法的电力负荷特性指标测算方法 |
CN112183809B (zh) * | 2020-08-12 | 2024-05-17 | 国网江西省电力有限公司经济技术研究院 | 一种基于时空推演法的电力负荷特性指标测算方法 |
CN112330051A (zh) * | 2020-11-20 | 2021-02-05 | 国网辽宁省电力有限公司营口供电公司 | 一种基于Kmeans与FR-DBN的短期负荷预测方法 |
CN113177355A (zh) * | 2021-04-28 | 2021-07-27 | 南方电网科学研究院有限责任公司 | 一种电力负荷预测方法 |
CN113177355B (zh) * | 2021-04-28 | 2024-01-12 | 南方电网科学研究院有限责任公司 | 一种电力负荷预测方法 |
CN115913991A (zh) * | 2022-11-15 | 2023-04-04 | 中国联合网络通信集团有限公司 | 业务数据预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
CN110766190A (zh) | 一种配电网负荷预测方法 | |
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
US20190265768A1 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
CN112131783B (zh) | 一种基于配电台区大数据的户变拓扑关系识别方法 | |
CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN111105065A (zh) | 一种基于机器学习的农村供水***及供水方法 | |
CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
CN106682763B (zh) | 一种用于大量样本数据的电力负荷优化预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
CN111639111A (zh) | 面向调水工程的多源监测数据深度挖掘和智能分析方法 | |
CN112287605A (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN114777192A (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN114510778A (zh) | 基于混合智能优化lstm的轨道不平顺预测方法 | |
CN111882119A (zh) | 基于sa-bp神经网络的电池soh预测优化方法 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、***、设备和介质 | |
CN112330045A (zh) | 一种基于K-medoids聚类分析方法的输电网线损评估与降损方法 | |
CN116050605A (zh) | 一种基于神经网络和随机森林法的电力负荷预测方法 | |
CN113988558B (zh) | 基于盲区识别和电气坐标系扩展的电网动态安全评估方法 | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |