【技術實現步驟摘要】
本專利技術屬于電力負荷預測，具體涉及一種變電站多層級電力負荷預測方法及系統。
技術介紹
1、電力負荷預測是電力系統制定發展規劃和發電計劃的基礎，提高電力負荷預測精度對于電網資源的合理調度、新型電力系統的高效穩定運行具有重要意義。隨著新型電力系統的建設，新能源接入的高比例及其固有的隨機波動性使得負荷的變化愈加復雜。電力負荷受到政策宏觀調控、經濟、氣象等多方面因素的影響，這些因素隨機多變，電力負荷與影響因素之間非線性關系復雜，難以用精確的關系式表達兩者之間的關系或者常規的預測模型實現預測，例如，專利cn110796293a公開一種電力負荷預測方法，涉及電力
，本方法針對完整的電力數據，先采用訓練好的最小二乘支持向量機模型進行縱向預測，再采用訓練好的容積卡爾曼濾波預測模型進行橫向預測，最后采用訓練好的灰色神經網絡模型將兩種算法進行融合，得到最終的預測結果；因此需要新的更精確的負荷預測方法。隨著智能電網的發展，終端側積累了電力系統各級海量負荷數據，如何利用海量負荷數據，并充分考慮負荷變化影響因素，采用有效的負荷預測模型提高負荷預測精度是負荷預測的關鍵。
技術實現思路
1、針對上述現有技術中存在的缺陷，本專利技術提供了一種變電站多層級電力負荷預測方法及系統?；谪摵啥鄬蛹夑P系，并考慮負荷要素、社會經濟因素和氣象因素，快速有效地處理海量負荷數據。
2、第一方面，本專利技術提供一種變電站多層級電力負荷預測方法，包括：
3、基于預先對所有變電站進行優化聚類的聚類結果，
4、基于預先構建的第一神經網絡模型，輸入每一類別變電站的變電站負荷要素數據和變電站對應區域的氣象數據進行負荷預測，給出所有類別變電站的負荷預測結果；
5、基于預先構建的第二神經網絡模型，輸入所有類別變電站的負荷預測結果、第二級區域負荷要素數據和第二級區域氣象數據進行負荷預測，給出所有第二級區域的負荷預測結果；
6、基于預先構建的第三神經網絡模型，輸入所有第二級區域的負荷預測結果、第一級區域負荷要素數據和第一級區域經濟數據進行負荷預測，給出第一級區域的負荷預測結果。
7、進一步的，變電站負荷要素數據包括變電站負荷歷史數據、變電站的容載比和負載率、變電站線路結構、變電站對應的新能源出力，第二級區域負荷要素數據包括第二級區域的負荷歷史數據、第二級區域產業結構、第二級區域新能源出力，第一級區域負荷要素數據包括第一級區域的負荷歷史數據、第一級區域產業結構、第一級區域新能源出力。
8、進一步的，在進行第一神經網絡模型、第二神經網絡模型和第三神經網絡模型的預先構建時，還包括：
9、建立多層級電力負荷的時間序列關系，并對第一神經網絡模型、第二神經網絡模型和第三神經網絡進行修正。
10、進一步的，多層級電力負荷的時間序列關系包括變電站負荷數據與第二級區域的負荷數據之間的時間序列關系，以及第二級區域的負荷歷史數據與第一級區域的負荷歷史數據之間的時間序列關系，均滿足以下關系：
11、
12、式中，y為上級負荷數據，x1、x2、…、xn為與上級對應的n個下級負荷數據，n為下級負荷的數量，ai為第i個下級負荷數據對應的修正系數，c為常數。
13、進一步的，對第一神經網絡模型、第二神經網絡模型和第三神經網絡進行修正，包括：
14、基于變電站負荷數據與第二級區域的負荷歷史數據之間的時間序列關系，通過變電站的實際負荷結果確定第二級區域的實際負荷結果；
15、基于第二級區域的負荷歷史數據與第一級區域的負荷歷史數據之間的時間序列關系，通過第二級區域的實際負荷結果確定第一級區域的實際負荷結果；
16、將變電站的實際負荷結果、第二級區域的實際負荷結果和第一級區域的實際負荷結果，應用于第一神經網絡模型、第二神經網絡模型和第三神經網絡的訓練中。
17、進一步的，預先對所有變電站進行優化聚類，包括：
18、對包含第一級區域內所有變電站的歷史負荷曲線的數據集進行重采樣，得到多個新數據集；
19、對每個新數據集分別進行聚類劃分，給出每個新數據集對應的聚類中心；
20、將所有聚類中心進行組合形成中心數據集，并進行層次聚類，得到多個類簇；
21、對原始包含第一級區域內所有變電站的歷史負荷曲線的數據集和中心數據集進行遍歷，從中心數據集中為每個歷史負荷曲線匹配與其距離最近的聚類中心；
22、基于匹配結果，將原始的數據集中歷史負荷曲線劃分至與匹配的聚類中心對應的類簇中；
23、基于歷史負荷曲線劃分的類簇，以及其與變電站的對應關系，得到不同類別的變電站劃分結果。
24、進一步的，第三神經網絡模型的預先構建，包括：
25、獲取歷史的第一級區域數據，形成第一級區域數據訓練集；第一級區域數據包括所有第二級區域的實際負荷結果、第一級區域負荷要素數據、第一級區域經濟數據和第一級區域的實際負荷結果；
26、基于第一級區域數據訓練集對長短期記憶網絡進行訓練直至收斂，更新長短期記憶網絡中的待學習參數，得到第三神經網絡模型。
27、進一步的，第一神經網絡模型和第二神經網絡模型的架構均為在長短期記憶網絡中添加兩個sigmoid門控單元形成的優化長短期記憶網絡；
28、第一神經網絡模型和第二神經網絡模型的預先構建，包括：
29、獲取歷史的變電站級數據和第二級區域數據，分別形成變電站級數據訓練集和第二級區域數據訓練集；其中，變電站級數據包括每一類別變電站的變電站負荷要素數據、變電站對應區域的氣象數據和所有類別變電站的實際負荷結果，第二級區域數據包括所有類別變電站的實際負荷結果、第二級區域負荷要素數據和第二級區域氣象數據以及所有第二級區域的實際負荷結果；
30、基于變電站級數據訓練集和第二級區域數據訓練集分別對優化長短期記憶網絡進行訓練直至收斂，更新優化長短期記憶網絡中的待學習參數，并分別得到第一神經網絡模型和第二神經網絡模型。
31、進一步的，在長短期記憶網絡中添加兩個sigmoid門控單元，包括：
32、在長短期記憶網絡架構的基礎上，將上一時刻的隱藏單元與一個sigmoid門控單元進行結合得到上一時刻的優化隱藏單元，將長短期記憶網絡的輸入與另一個sigmoid門控單元進行結合得到長短期記憶網絡的優化輸入，將上一時刻的優化隱藏單元和長短期記憶網絡的優化輸入分別進行線性矩陣變換后結合得到細胞狀態；其中，與上一時刻的隱藏單元結合的sigmoid門控單元和長短期記憶網絡的輸入連接，與長短期記憶網絡的輸入結合的sigmoid門控單元和上一時刻的優化隱藏單元連接。
33、進一步的，優化長短期記憶網絡，滿足以下關系：
34、ut本文檔來自技高網...
【技術保護點】
1.一種變電站多層級電力負荷預測方法，其特征在于，包括：
2.如權利要求1所述的變電站多層級電力負荷預測方法，其特征在于，變電站負荷要素數據包括變電站負荷歷史數據、變電站的容載比和負載率、變電站線路結構、變電站對應的新能源出力，第二級區域負荷要素數據包括第二級區域的負荷歷史數據、第二級區域產業結構、第二級區域新能源出力，第一級區域負荷要素數據包括第一級區域的負荷歷史數據、第一級區域產業結構、第一級區域新能源出力。
3.如權利要求2所述的變電站多層級電力負荷預測方法，其特征在于，在進行第一神經網絡模型、第二神經網絡模型和第三神經網絡模型的預先構建時，還包括：
4.如權利要求3所述的變電站多層級電力負荷預測方法，其特征在于，多層級電力負荷的時間序列關系包括變電站負荷數據與第二級區域的負荷數據之間的時間序列關系，以及第二級區域的負荷歷史數據與第一級區域的負荷歷史數據之間的時間序列關系，均滿足以下關系：
5.如權利要求1所述的變電站多層級電力負荷預測方法，其特征在于，預先對所有變電站進行優化聚類，包括：
6.如權利要求5所述的變
7.如權利要求6所述的變電站多層級電力負荷預測方法，其特征在于，第一神經網絡模型和第二神經網絡模型的架構均為在長短期記憶網絡中添加兩個Sigmoid門控單元形成的優化長短期記憶網絡；
8.如權利要求7所述的變電站多層級電力負荷預測方法，其特征在于，在長短期記憶網絡中添加兩個Sigmoid門控單元，包括：
9.如權利要求8所述的變電站多層級電力負荷預測方法，其特征在于，優化長短期記憶網絡，滿足以下關系：
10.一種變電站多層級電力負荷預測系統，其特征在于，采用如權利要求1-9任一所述變電站多層級電力負荷預測方法，系統包括：
...【技術特征摘要】
1.一種變電站多層級電力負荷預測方法，其特征在于，包括：
2.如權利要求1所述的變電站多層級電力負荷預測方法，其特征在于，變電站負荷要素數據包括變電站負荷歷史數據、變電站的容載比和負載率、變電站線路結構、變電站對應的新能源出力，第二級區域負荷要素數據包括第二級區域的負荷歷史數據、第二級區域產業結構、第二級區域新能源出力，第一級區域負荷要素數據包括第一級區域的負荷歷史數據、第一級區域產業結構、第一級區域新能源出力。
3.如權利要求2所述的變電站多層級電力負荷預測方法，其特征在于，在進行第一神經網絡模型、第二神經網絡模型和第三神經網絡模型的預先構建時，還包括：
4.如權利要求3所述的變電站多層級電力負荷預測方法，其特征在于，多層級電力負荷的時間序列關系包括變電站負荷數據與第二級區域的負荷數據之間的時間序列關系，以及第二級區域的負荷歷史數據與第一級區域的負荷歷史數據之間的時間序列關...
【專利技術屬性】
技術研發人員：史靜，李冰潔，李澤森，胡曉燕，李琥，袁曉昀，
申請(專利權)人：國網江蘇省電力有限公司經濟技術研究院，
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。