【技術實現步驟摘要】
本說明書涉及電力系統，尤其是涉及一種配電網負荷預測模型建立、預測方法及裝置。
技術介紹
1、傳統配電網是一種基于電網供電與用戶用電之間的單向電力分配網絡，是一種“電網-負荷”的二元結構，隨著電力需求的持續增長、傳統能源的短缺以及電力市場的開放，電網正朝著高效、靈活、智能及可持續方向發展，其中，可持續方向發展表現為大量具有能源利用效率高、清潔環保、安裝地點靈活等多方面優點的分布式電源(如光伏分布式電源和風力分布式電源)的規?；尤肱c應用至配電網，使配電網由傳統“電網-負荷”二元結構升級為“源-網-荷”三元結構。然而，傳統的配電網負荷預測方法，如單耗法、彈性系數法、比例系數法等，多為點預測，適用于二元結構的配電網負荷預測，精細化程度不高，且很難反映氣象等影響因素對于配電網負荷的影響，并不適用于三元結構的配電網負荷預測。
技術實現思路
1、鑒于目前傳統的配電網負荷預測方法，僅多為點預測，適用于二元結構的配電網負荷預測，很難反映氣象等影響因素對于配電網負荷的影響，精細化程度不高，且并不適用于三元結構的配電網負荷預測，提出了本方案以便克服上述問題或者至少部分地解決上述問題。
2、一方面，本說明書的一些實施例的目的在于提供一種配電網負荷預測模型建立方法，所述方法包括：
3、接收目標配電網的歷史氣象數據和歷史負荷數據；
4、根據所述歷史負荷數據確定目標配電網的凈負荷數據；
5、擴充所述歷史氣象數據、歷史負荷數據及凈負荷數據；
6、利用無
7、將擴充后的所述歷史氣象數據、歷史負荷數據及凈負荷數據作為第一訓練樣本集；
8、利用第一訓練樣本集訓練第一神經網絡模型，將訓練完成的第一神經網絡模型作為第二負荷預測模型；
9、根據所述氣象預測模型、第一負荷預測模型和第二負荷預測模型，確定配電網負荷預測模型。
10、進一步地，所述歷史氣象數據至少包括風速、溫度和太陽輻照度中的一種或多種數據；所述歷史負荷數據至少包括配電網設備的負荷數據、配電網設備所在供電區域中的光伏分布式電源的出力數據和風力分布式電源的出力數據。
11、進一步地，根據所述歷史負荷數據確定目標配電網的凈負荷數據，包括：
12、根據配電網設備的負荷數據、配電網設備所在供電區域中的光伏分布式電源和風力分布式電源的出力數據，確定目標配電網的凈負荷數據。
13、進一步地，擴充所述歷史氣象數據、歷史負荷數據及凈負荷數據，包括，
14、根據所述歷史氣象數據確定歷史氣象曲線；
15、對所述歷史氣象曲線進行隨機均勻采樣，得到擴充后的歷史氣象數據；
16、根據所述歷史負荷數據確定目標配電網的配電網設備歷史負荷曲線、光伏分布式電源出力曲線、風力分布式電源的出力曲線；
17、對所述配電網設備歷史負荷曲線、光伏分布式電源出力曲線、風力分布式電源的出力曲線進行隨機均勻采樣，得到擴充后的歷史負荷數據；
18、確定所述歷史配電網設備負荷曲線、光伏分布式電源出力曲線、風力分布式電源的出力曲線對應的目標配電網的凈負荷曲線；
19、對所述凈負荷曲線進行隨機均勻采樣，得到擴充后的凈負荷數據。
20、進一步地，所述氣象預測模型包括風速預測子模型、溫度預測子模型和太陽輻照度預測子模型；所述第一負荷預測模型利用無監督學習訓練得到，包括第一總負荷預測子模型和第一凈負荷預測子模型；所述第二負荷預測模型利用有監督學習訓練得到，包括第二總負荷預測子模型和第二凈負荷預測子模型。
21、進一步地，根據所述氣象預測模型、第一負荷預測模型和第二負荷預測模型，確定配電網負荷預測模型，包括：
22、根據所述氣象預測模型確定預測氣象數據，并獲取與所述預測氣象數據對應的真實負荷數據；
23、構建與第一負荷預測模型和第二負荷預測模型的輸出端分別級聯，且內嵌注意力單元的第二神經網絡模型；
24、根據預測氣象數據和真實負荷數據構建第二訓練樣本集；
25、利用第二訓練樣本集訓練所述第二神經網絡模型；
26、根據所述第一負荷預測模型、第二負荷預測模型，和訓練完成的第二神經網絡模型，確定配電網負荷預測模型。
27、進一步地，根據預測氣象數據和真實負荷數據構建第二訓練樣本集，包括：
28、將所述預測氣象數據輸入至第一負荷預測模型和第二負荷預測模型中，得到預測負荷輸出結果；
29、將所述預測負荷輸出結果作為輸入，將所述真實負荷數據作為目標輸出，構建第二訓練樣本集。
30、進一步地，所述第二神經網絡包括編碼器和解碼器，并且內嵌時間注意力機制和維度注意力機制；
31、所述編碼器包括時間注意力單元和第一序列性神經網絡單元，所述時間注意力單元用于根據真實負荷數據及預測負荷輸出結果之間的時序關系得到預測負荷輸出結果間的時間注意力，所述第一序列性神經網絡單元用于根據預測負荷輸出結果間的時間注意力和上一時刻編碼器的隱藏狀態對編碼器的隱藏狀態進行實時更新；
32、所述解碼器包括維度注意力單元、第二序列性神經網絡單元和非線性擬合單元，所述維度注意力單元用于根據實時更新的編碼器的隱藏狀態確定編碼器隱藏狀態的維度注意力，并根據編碼器隱藏狀態的維度注意力確定文本向量，
33、所述第二序列性神經網絡單元用于根據所述文本向量和上一時刻解碼器的隱藏狀態對解碼器的隱藏狀態進行實時更新，所述非線性擬合單元用于根據更新后的解碼器的隱藏狀態和對應時刻的文本向量對配電網負荷進行擬合預測。
34、進一步地，利用訓練樣本集訓練神經網絡模型，進一步包括：
35、將訓練樣本集劃分為訓練集及驗證集；
36、利用所述訓練集訓練神經網絡模型，得到模型輸出結果；
37、根據模型輸出結果及所述驗證集中的真實標簽計算準確率；
38、若所述準確率小于預設閾值，則重新訓練所述神經網絡模型；
39、若所述準確率不小于預設閾值，則完成所述神經網絡模型的訓練。
40、另一方面，本說明書的一些實施例還提供一種配電網負荷預測模型建立裝置，所述裝置包括：
41、接收模塊，用于接收目標配電網的歷史氣象數據和歷史負荷數據；
42、凈負荷數據確定模塊，用于根據所述歷史負荷數據確定目標配電網的凈負荷數據；
43、擴充模塊，用于擴充所述歷史氣象數據、歷史負荷數據及凈負荷數據；
44、無監督模型建立模塊，用于利用無監督學習，分別根據擴充后的歷史氣象數據、歷史負荷數據及凈負荷數據建立目標配電網的氣象預測模型、第一負荷預測模型；
45、樣本集構建模塊，用于將擴充后的所述歷史氣象數據、歷史負荷數據及本文檔來自技高網...
【技術保護點】
1.一種配電網負荷預測模型建立方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述歷史氣象數據至少包括風速、溫度和太陽輻照度中的一種或多種數據；所述歷史負荷數據至少包括配電網設備的負荷數據、配電網設備所在供電區域中的光伏分布式電源的出力數據和風力分布式電源的出力數據。
3.根據權利要求2所述的方法，其特征在于，根據所述歷史負荷數據確定目標配電網的凈負荷數據，包括：
4.根據權利要求3所述的方法，其特征在于，擴充所述歷史氣象數據、歷史負荷數據及凈負荷數據，包括，
5.根據權利要求1所述的方法，其特征在于，所述氣象預測模型包括風速預測子模型、溫度預測子模型和太陽輻照度預測子模型；所述第一負荷預測模型利用無監督學習訓練得到，包括第一總負荷預測子模型和第一凈負荷預測子模型；所述第二負荷預測模型利用有監督學習訓練得到，包括第二總負荷預測子模型和第二凈負荷預測子模型。
6.根據權利要求1所述的方法，其特征在于，根據所述氣象預測模型、第一負荷預測模型和第二負荷預測模型，確定配電網負荷預測模型，包括：
...【技術特征摘要】
1.一種配電網負荷預測模型建立方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述歷史氣象數據至少包括風速、溫度和太陽輻照度中的一種或多種數據；所述歷史負荷數據至少包括配電網設備的負荷數據、配電網設備所在供電區域中的光伏分布式電源的出力數據和風力分布式電源的出力數據。
3.根據權利要求2所述的方法，其特征在于，根據所述歷史負荷數據確定目標配電網的凈負荷數據，包括：
4.根據權利要求3所述的方法，其特征在于，擴充所述歷史氣象數據、歷史負荷數據及凈負荷數據，包括，
5.根據權利要求1所述的方法，其特征在于，所述氣象預測模型包括風速預測子模型、溫度預測子模型和太陽輻照度預測子模型；所述第一負荷預測模型利用無監督學習訓練得到，包括第一總負荷預測子模型和第一凈負荷預測子模型；所述第二負荷預測模型利用有監督學習訓練得到，包括第二總負荷預測子模型和第二凈負荷預測子模型。
6.根據權利要求1所述的方法，其特征在于，根據所述氣象預測模型、第一負荷預測模型和第二負荷預測模型，確定配電網負荷預測模型，包括：
7.根據權利要求6所述的方法，其特...
【專利技術屬性】
技術研發人員：趙一男，楊敏，周毅，聶文海，李順昕，楊金剛，岳云力，董少嶠，趙敏，全璐瑤，趙軒，
申請(專利權)人：國網冀北電力有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。