【技術實現步驟摘要】
本專利技術涉及配電臺區負荷預測領域，更具體地說，它涉及低壓配電臺區短期電力負荷預測方法、系統、設備及介質。
技術介紹
1、隨著現代電力系統的迅猛發展，大批量電力數據源源不斷的出現，致使傳統的負荷預測方法已經不能滿足當前社會發展需求，引起了供電企業對負荷預測的高度重視。近年來隨著大數據和人工智能技術的廣泛應用，人們開始考慮利用大數據技術來提高負荷預測精度，這樣可以讓電力系統更加合理，經濟有效地進行日常生產項目的安排。負荷預測從預測的時間尺度上可以分為長期、中期、短期和超短期預測，其中短期負荷預測適用于配電臺區級別的負荷預測。
2、傳統技術中，負荷預測的研究主要是針對市、區、縣等系統級的總負荷，這些系統級的負荷都在mw以上。然而，目前對于臺區配電變壓器的負荷預測的研究相對較少，由于配電變壓器的負荷等級為kw，配變的容量小、負荷區域有限，并且受各種因素影響導致隨機波動性大，所以對臺區配電變壓器變進行負荷預測較為困難。
技術實現思路
1、本專利技術的目的是提供低壓配電臺區短期電力負荷預測方法、系統、設備及介質，用以解決低壓配電臺區的短期電力預測困難的問題。
2、本申請的第一方面，提供了一種低壓配電臺區短期電力負荷預測方法，方法包括：
3、獲取影響低壓配電臺區的電力負荷特性的實時參數因子，其中實時參數因子包括氣候因子、電價因子和時間因子；
4、將實時參數因子輸入至預先構建好的負荷特性權重分析模型進行層次分析，獲得氣候因子、電價因子和時間因子各自
5、將第一權重輸入預先訓練完成的自組織映射神經網絡，輸出電力負荷特性的聚類中心；
6、獲取低壓配電臺區當前時刻的日電力負荷曲線，依據電力負荷特性的聚類中心對日電力負荷曲線進行聚類，獲得聚類結果；
7、將聚類結果輸入至預先訓練好的bp神經網絡中，輸出低壓配電臺區短期電力負荷的預測結果。
8、在一種實現方案中，采用層次分析法構建負荷特性權重分析模型。
9、在一種實現方案中，預先構建好的負荷特性權重模型的構建過程具體為：從上到下建立包括目標層、準則層和方案層的負荷特性權重分析模型，其中目標層為影響電力負荷特性的權重因子，準則層為影響電力負荷特性的影響因素類型，方案層包括影響因素類型的參數因子。
10、在一種實現方案中，影響因素類型包括運行因素和環境因素；其中運行因素的參數因子包括電價因子和時間因子，環境因素的參數因子包括配電臺區所處環境的氣候因子；其中，氣候因子包括最大溫度、最小溫度、平均溫度、最大濕度、最小濕度、平均濕度、降雨量和風速。
11、在一種實現方案中，自組織映射神經網絡的訓練過程包括：
12、根據第二權重的維度確定自組織映射神經網絡輸入層的神經元數量，根據第二權重的樣本個數確定輸出層的神經元數量，并初始化自組織映射神經網絡的網絡參數；其中網絡參數包括神經元的權值矢量、學習率和領域函數；
13、將第二權重與歷史參數因子的因子取值進行加權求和，得到綜合權重，將綜合權重作為訓練樣本，并計算出輸出層的神經元與綜合權重的歐式距離，根據歐式距離確定優勝神經元；
14、根據優勝神經元和最優領域對輸入層與輸出層的神經元的權值矢量進行更新，依據神經元的權值矢量的更新結果更新學習率和領域函數，直至迭代次數達到預設的迭代次數，保存當前迭代次數下的網絡參數，獲得訓練完成的自組織映射神經網絡。
15、在一種實現方案中，將影響低壓配電臺區的電力負荷特性的歷史參數因子輸入至負荷權重分析模型進行分析，得到第二權重。
16、在一種實現方案中，將影響低壓配電臺區的電力負荷特性的歷史參數因子輸入至負荷權重分析模型進行分析，得到第二權重之前，還包括：采用局部異常因子對歷史參數因子進行處理，剔除異常數據點。
17、本申請的第二方面，提供了一種低壓配電臺區短期電力負荷預測系統，系統包括：
18、獲取模塊，用于獲取影響低壓配電臺區的電力負荷特性的實時參數因子，其中實時參數因子包括氣候因子、電價因子和時間因子；
19、分析模塊，用于將實時參數因子輸入至預先構建好的負荷特性權重分析模型進行層次分析，獲得氣候因子、電價因子和時間因子各自的第一權重；
20、聚類中心確定模塊，用于將第一權重輸入預先訓練完成的自組織映射神經網絡，輸出電力負荷特性的聚類中心；
21、聚類模塊，用于獲取低壓配電臺區當前時刻的日電力負荷曲線，依據電力負荷特性的聚類中心對日電力負荷曲線進行聚類，獲得聚類結果；
22、預測模塊，用于將聚類結果輸入至預先訓練好的bp神經網絡中，輸出低壓配電臺區短期電力負荷的預測結果。
23、本申請的第三方面，提供了一種電子設備，所述電子設備包括處理器、存儲器、以及存儲在所述存儲器上并可被所述處理器執行的計算機程序，其中所述計算機程序被所述處理器執行時，實現如本申請的第一方面提供的一種低壓配電臺區短期電力負荷預測方法的步驟。
24、本申請的第四方面，提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，其中所述計算機程序被處理器執行時，實現本申請的第一方面提供的一種低壓配電臺區短期電力負荷預測方法的步驟。
25、與現有技術相比，本專利技術具有以下有益效果：
26、本專利技術提供的一種低壓配電臺區短期電力負荷預測方法，該方法通過獲取影響低壓配電臺區的電力負荷特性的實時參數因子，其中實時參數因子包括氣候因子、電價因子和時間因子；將實時參數因子輸入至預先構建好的負荷特性權重分析模型進行層次分析，獲得氣候因子、電價因子和時間因子各自的第一權重；將第一權重輸入預先訓練完成的自組織映射神經網絡，輸出電力負荷特性的聚類中心；獲取低壓配電臺區當前時刻的日電力負荷曲線，依據電力負荷特性的聚類中心對日電力負荷曲線進行聚類，獲得聚類結果；將聚類結果輸入至預先訓練好的bp神經網絡中，輸出低壓配電臺區短期電力負荷的預測結果。本專利技術考慮不同的氣候因子、電價因子和時間因子對短期電力負荷的影響，分析出了實時參數因子影響臺區電力負荷特性的第一權重，將第一權重輸入至預先訓練好的自組織映射神經網絡中，從而可以較為準確確定出電力負荷特性的聚類中心，而后，根據這個聚類中心對低壓配電臺區當前時刻的日電力負荷曲線進行聚類，從而可以較為準確的聚類出日負荷曲線的負荷特性結果，而后，將將聚類結果輸入至預先訓練好的bp神經網絡中，從而可以較為準確的預測出低壓配電臺區的短期電力負荷，以此，解決低壓配電臺區的短期電力預測困難的問題。
本文檔來自技高網...【技術保護點】
1.一種低壓配電臺區短期電力負荷預測方法，其特征在于，方法包括：
2.根據權利要求1所述的方法，其特征在于，采用層次分析法構建負荷特性權重分析模型。
3.根據權利要求2所述的方法，其特征在于，預先構建好的負荷特性權重模型的構建過程具體為：從上到下建立包括目標層、準則層和方案層的負荷特性權重分析模型，其中目標層為影響電力負荷特性的權重因子，準則層為影響電力負荷特性的影響因素類型，方案層包括影響因素類型的參數因子。
4.根據權利要求3所述的方法，其特征在于，影響因素類型包括運行因素和環境因素；其中運行因素的參數因子包括電價因子和時間因子，環境因素的參數因子包括配電臺區所處環境的氣候因子；其中，氣候因子包括最大溫度、最小溫度、平均溫度、最大濕度、最小濕度、平均濕度、降雨量和風速。
5.根據權利要求1所述的方法，其特征在于，自組織映射神經網絡的訓練過程包括：
6.根據權利要求5所述的方法，其特征在于，將影響低壓配電臺區的電力負荷特性的歷史參數因子輸入至負荷權重分析模型進行分析，得到第二權重。
7.根據權利要求6所述的
8.一種低壓配電臺區短期電力負荷預測系統，其特征在于，系統包括：
9.一種電子設備，其特征在于，所述電子設備包括處理器、存儲器、以及存儲在所述存儲器上并可被所述處理器執行的計算機程序，其中所述計算機程序被所述處理器執行時，實現如權利要求1至7中任一項所述的一種低壓配電臺區短期電力負荷預測方法的步驟。
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，其中所述計算機程序被處理器執行時，實現如權利要求1至7中任一項所述的一種低壓配電臺區短期電力負荷預測方法的步驟。
...【技術特征摘要】
1.一種低壓配電臺區短期電力負荷預測方法，其特征在于，方法包括：
2.根據權利要求1所述的方法，其特征在于，采用層次分析法構建負荷特性權重分析模型。
3.根據權利要求2所述的方法，其特征在于，預先構建好的負荷特性權重模型的構建過程具體為：從上到下建立包括目標層、準則層和方案層的負荷特性權重分析模型，其中目標層為影響電力負荷特性的權重因子，準則層為影響電力負荷特性的影響因素類型，方案層包括影響因素類型的參數因子。
4.根據權利要求3所述的方法，其特征在于，影響因素類型包括運行因素和環境因素；其中運行因素的參數因子包括電價因子和時間因子，環境因素的參數因子包括配電臺區所處環境的氣候因子；其中，氣候因子包括最大溫度、最小溫度、平均溫度、最大濕度、最小濕度、平均濕度、降雨量和風速。
5.根據權利要求1所述的方法，其特征在于，自組織映射神經網絡的訓練過程包括：
6.根據權利要求5所述的方法，其...
【專利技術屬性】
技術研發人員：陳建華，朱歡，李輝，黃煖集，張棲瑞，劉洪杰，楊帆，劉暢，易思君，程晗，王勇，曾從海，程超，伍科，郭民懌，李亞強，郭海峰，劉明昊，
申請(專利權)人：國網四川省電力公司瀘州供電公司，
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。