考慮地域和負(fù)荷性質(zhì)雙重差異的配電網(wǎng)空間負(fù)荷預(yù)測方法
【專利摘要】本發(fā)明涉及一種考慮地域和負(fù)荷性質(zhì)雙重差異的配電網(wǎng)空間負(fù)荷預(yù)測方法?，F(xiàn)有空間負(fù)荷預(yù)測方法未考慮地域差異以及樣本類型、質(zhì)量對負(fù)荷密度的影響，適用性不足。本發(fā)明首先建立考慮地域差異的全樣本空間。然后通過典型日負(fù)荷曲線對負(fù)荷進(jìn)行校驗(yàn)和精選，篩選出具有典型性的樣本。通過加權(quán)歐式距離度量，對負(fù)荷所在地區(qū)進(jìn)行聚類。之后進(jìn)行子樣本空間匹配，判斷樣本所屬類型。利用SVM算法預(yù)測待測地塊的負(fù)荷密度，并通過負(fù)荷密度計(jì)算該地塊的未來負(fù)荷總量。本發(fā)明具有較高的負(fù)荷預(yù)測精度，方便應(yīng)用。
【專利說明】
考慮地域和負(fù)荷性質(zhì)雙重差異的配電網(wǎng)空間負(fù)荷預(yù)測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于電力系統(tǒng)領(lǐng)域，具體是一種適用于配電網(wǎng)的空間負(fù)荷聚類及預(yù)測方 法。
【背景技術(shù)】
[0002] 隨著城鎮(zhèn)化進(jìn)程的發(fā)展和經(jīng)濟(jì)結(jié)構(gòu)的調(diào)整，城網(wǎng)負(fù)荷呈現(xiàn)顯著增長，對城市電網(wǎng) 規(guī)劃設(shè)計(jì)提出更高要求。
[0003] 空間負(fù)荷預(yù)測是城市配電網(wǎng)規(guī)劃的基礎(chǔ)。空間負(fù)荷預(yù)測的各種方法中負(fù)荷密度指 標(biāo)法適用于±地規(guī)劃較為明確的區(qū)域，在我國應(yīng)用較多。方法應(yīng)用關(guān)鍵是確定各規(guī)劃區(qū)地 塊的負(fù)荷密度。
[0004] 用電負(fù)荷受當(dāng)?shù)亟?jīng)濟(jì)及產(chǎn)業(yè)發(fā)展情況影響明顯，負(fù)荷密度體現(xiàn)出較大的地域差 異，各地?zé)o法沿用或借鑒同一套標(biāo)準(zhǔn)，若分別對當(dāng)?shù)刎?fù)荷指標(biāo)進(jìn)行研究又極其費(fèi)時費(fèi)力。現(xiàn) 有負(fù)荷預(yù)測方法均未考慮地域差異對負(fù)荷密度的影響，在各地應(yīng)用適用性較弱，存在明顯 不足。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供一種考慮地域和負(fù)荷性質(zhì)雙重差異 的配電網(wǎng)空間負(fù)荷預(yù)測方法。
[0006] 本發(fā)明方法包括W下步驟：
[0007] 步驟1:建立考慮地域差異的全樣本空間，全樣本空間中包含各樣本所在地區(qū)的區(qū) 域負(fù)荷密度評估指標(biāo)，即區(qū)域信息，與各類樣本的負(fù)荷密度及影響因素信息，即分類負(fù)荷信 息；
[000引步驟2:獲取典型日負(fù)荷曲線：
[0009] 2.1)采集得到分屬工業(yè)、居民住宅、商業(yè)等L個類別的典型用戶的日負(fù)荷曲線，即 初始分類，設(shè)每條日負(fù)荷曲線有q個量測數(shù)據(jù)，記第i條日負(fù)荷曲線yi為yi = [yii，yi2,…， Yiq]；
[0010] 2.2)設(shè)yimax為第i條日負(fù)荷曲線的負(fù)荷峰值，利用極大值標(biāo)準(zhǔn)化方法對每條日負(fù) 荷曲線進(jìn)行標(biāo)準(zhǔn)化處理，去除基荷數(shù)據(jù)的影響；
[0011] 2.3)設(shè)定聚類數(shù)k，W各類標(biāo)準(zhǔn)化曲線的中屯、線作為初始聚類中屯、；
[0012] 2.4) W標(biāo)準(zhǔn)化后負(fù)荷曲線的每個采集點(diǎn)數(shù)據(jù)作為輸入，W負(fù)荷曲線間的余弦相似 度作為相似性度量判據(jù)，將用戶分為曲線形態(tài)相似的k個類別，重新標(biāo)記該用戶分類，記作 聚類分類；
[0013] 2.5)比較、分析各用戶的初始分類與聚類分類結(jié)果，剔除分類不正確或用電行為 不典型的用戶后，求取各類負(fù)荷的典型日負(fù)荷曲線，即標(biāo)準(zhǔn)化后同類日負(fù)荷曲線的中屯、線， 記作yi(l = l，L);
[0014] 步驟3:負(fù)荷分類校驗(yàn)及精選，具體步驟如下：
[0015] 3.1)采集得到T個調(diào)研樣本的日負(fù)荷曲線并對其進(jìn)行極大值標(biāo)準(zhǔn)化處理，記標(biāo)準(zhǔn) 化處理后的調(diào)研樣本的日負(fù)荷曲線為ct(t=l，2,…，T);
[0016] 3.2)依次計(jì)算標(biāo)準(zhǔn)化處理后每個調(diào)研樣本的日負(fù)荷曲線Ct與各類典型日負(fù)荷曲 線yi的余弦相似度，
[0017] "、 P);
[001引3.3)找出與Ct最相似，即與Ct的余弦相似度最大的典型日負(fù)荷曲線y*，對Ct標(biāo)記y* 所屬分類，記作校驗(yàn)分類；
[0019] 3.4)比較Cn的初始分類和校驗(yàn)分類，篩選并人工復(fù)核兩次分類不同的樣本，修正 所有分類錯誤樣本的類標(biāo)簽；
[0020] 3.5)設(shè)定聚類數(shù)k = 2，W2.2節(jié)所述方法對每類樣本進(jìn)行再次聚類，把元素較少的 一類剔除，把元素較多的一類作為該類負(fù)荷的精選樣本，從而可得到負(fù)荷分類正確且具備 行業(yè)典型性的樣本；
[0021] 步驟4:形成分層級子樣本空間。W各負(fù)荷所在地區(qū)為聚類的簇，各指標(biāo)為簇中的 對象，采用式(2)所示的加權(quán)歐式距離度量簇之間的距離。設(shè)R為mX 14階標(biāo)準(zhǔn)化矩陣，Ra是 簇Ca中的對象，化是簇Cb中的對象，則簇Ca與簇Cb的距離為：
[0022]
[0023] 若簇Ca與簇Cb的距離是所有不同簇中距離最小的，那么簇Ca與簇Cb將被合并；
[0024] 步驟5:進(jìn)行子樣本空間匹配，按式(2)求取其與第一層級各樣本空間，即各區(qū)域類 型，區(qū)域信息的最小加權(quán)歐式距離，與哪個區(qū)域類型區(qū)域信息的加權(quán)歐式距離最小，該樣本 就屬于哪個區(qū)域類型，然后再根據(jù)負(fù)荷性質(zhì)匹配第二層級子樣本空間，用該子樣本空間的 數(shù)據(jù)樣本作為SVM模型的訓(xùn)練樣本。
[0025] 步驟6:利用SVM預(yù)測待測地塊的負(fù)荷密度，具體如下：
[0026] 6.1)確定輸入向量和輸出向量，把負(fù)荷密度的影響因素作為輸入向量，把負(fù)荷密 度作為輸出樣本；
[0027] 6.2)數(shù)據(jù)預(yù)處理，為便于數(shù)據(jù)分析，對訓(xùn)練樣本和待測樣本進(jìn)行歸一化處理；
[00%] 6.3)選取SVM核函數(shù)及確定SVM建模參數(shù)，W徑向基核函數(shù)作為回歸模型中的核函 數(shù)，并利用粒子群算法對建模過程需要的懲罰參數(shù)和核參數(shù)進(jìn)行尋優(yōu)。
[0029] 6.4)預(yù)測負(fù)荷密度，將尋優(yōu)后的參數(shù)輸入SVM模型，得到待測地塊的預(yù)測負(fù)荷密度 值；
[0030] 步驟7:進(jìn)行空間負(fù)荷預(yù)測，采用式(3)計(jì)算該類負(fù)荷的未來負(fù)荷預(yù)測值Wi,
[0031] Wi =化? Si (3)
[0032] 式中Pi為預(yù)測得到的第i類負(fù)荷的負(fù)荷密度，Si為該類負(fù)荷±地使用面積；
[0033] 然后如式(4)所示將各類型負(fù)荷的未來負(fù)荷預(yù)測值Wi相加，再利用同時率P修正， 可得到該規(guī)劃區(qū)的未來負(fù)荷總量W，
[0034]
(4)。
[0035] 本發(fā)明首先建立考慮地域差異的全樣本空間。然后通過典型日負(fù)荷曲線對負(fù)荷進(jìn) 行校驗(yàn)和精選，篩選出具有典型性的樣本。通過加權(quán)歐式距離度量，對負(fù)荷所在地區(qū)進(jìn)行聚 類。之后進(jìn)行子樣本空間匹配，判斷樣本所屬類型。利用SVM算法預(yù)測待測地塊的負(fù)荷密度， 并通過負(fù)荷密度計(jì)算該地塊的未來負(fù)荷總量。經(jīng)過算例驗(yàn)證可知，該方法具有較高的預(yù)測 精度。
【具體實(shí)施方式】
[0036] W下W實(shí)施例對本發(fā)明做進(jìn)一步的闡述。
[0037] 步驟1: W浙江電網(wǎng)為例，對杭州、寧波等11個城市的各地塊分負(fù)荷類型進(jìn)行廣泛 調(diào)研。建立考慮地域差異的全樣本空間，該實(shí)施例的全樣本空間構(gòu)成如下：1)除湖州外浙江 其他10個城市的區(qū)域信息;2)杭州、寧波等10個城市分屬工業(yè)、商業(yè)、居民住宅、行政辦公等 四種主要負(fù)荷類型共2386個調(diào)研樣本的負(fù)荷密度及影響因素信息。
[003引再W100個樣本2016年1月某工作日的24點(diǎn)日負(fù)荷曲線為對象，利用改進(jìn)k-means 算法財(cái)見講斤聚類A析.聚類結(jié)要機(jī)下親。
[0039]
[0040] 步驟2:從中每類優(yōu)選25個樣本總計(jì)100個樣本，提取各類負(fù)荷的典型日負(fù)荷曲線：
[0041] 2.1)每條日負(fù)荷曲線有q個量測數(shù)據(jù)，記第i條日負(fù)荷曲線yi為yi=[yii，yi2,…， Yiq]；
[0042] 2.2)設(shè)yimax為第i條日負(fù)荷曲線的負(fù)荷峰值，利用極大值標(biāo)準(zhǔn)化方法對每條日負(fù) 荷曲線進(jìn)行標(biāo)準(zhǔn)化處理，去除基荷數(shù)據(jù)的影響；
[0043] 2.3)設(shè)定聚類數(shù)k = 4, W各類標(biāo)準(zhǔn)化曲線的中屯、線作為初始聚類中屯、。
[0044] 2.4) W標(biāo)準(zhǔn)化后負(fù)荷曲線的每個采集點(diǎn)數(shù)據(jù)作為輸入，W負(fù)荷曲線間的余弦相似 度作為相似性度量判據(jù)，將用戶分為曲線形態(tài)相似的k個類別，重新標(biāo)記該用戶分類，記作 聚類分類；
[0045] 2.5)比較、分析各用戶的初始分類與聚類分類結(jié)果，剔除分類不正確或用電行為 不典型的用戶后，求取各類負(fù)荷的典型日負(fù)荷曲線，即標(biāo)準(zhǔn)化后同類日負(fù)荷曲線的中屯、線， 記作 yi(l = l，2，.''，L)。
[0046] 步驟3:負(fù)荷分類校驗(yàn)及精選，具體步驟如下：
[0047] 3.1)獲取T個調(diào)研樣本的日負(fù)荷曲線并對其進(jìn)行極大值標(biāo)準(zhǔn)化處理，記標(biāo)準(zhǔn)化處 理后的調(diào)研樣本的日負(fù)荷曲線為ct(t=l，2,…，T);
[0048] 3.2)依次計(jì)算標(biāo)準(zhǔn)化處理后每個調(diào)研樣本的日負(fù)荷曲線Ct與各類典型日負(fù)荷曲 線yi的余弦相似度。
[0049]
化、
[0050] 3.3)找出與Ct最相似，即與Ct的余弦相似度最大的典型日負(fù)荷曲線y*，對Ct標(biāo)記y* 所屬分類，記作校驗(yàn)分類；
[0051] 3.4)比較Cn的初始分類和校驗(yàn)分類，篩選并人工復(fù)核兩次分類不同的樣本，修正 所有分類錯誤樣本的類標(biāo)簽；
[0052] 3.5)設(shè)定聚類數(shù)k = 2, W步驟2對每類樣本進(jìn)行再次聚類，把元素較少的一類剔 除，把元素較多的一類作為該類負(fù)荷的精選樣本，從而得到負(fù)荷分類正確且具備行業(yè)典型 性的樣本。
[0053] 步驟4:將10個城市的區(qū)域信息組成判別矩陣，形成分層級子樣本空間。W各地區(qū) 指標(biāo)為聚類的簇，采用式(2)度量簇之間的距離。設(shè)R為mX 14階標(biāo)準(zhǔn)化矩陣，Ra是簇Ca中的對 象，化是簇Cb中的對象，則簇Ca與簇Cb的距離為：
[0054]
、2)
[0055] 若簇Ca與簇Cb的距離是所有不同簇中距離最小的，那么簇Ca與簇Cb將被合并。兼顧 各地區(qū)樣本數(shù)量，將10個城市分為3類，將金華、臺州、嘉興、紹興、溫州定為區(qū)域I型，衝州、 麗水、舟山定為區(qū)域II型，杭州、寧波定為區(qū)域HI型。由此，根據(jù)區(qū)域分類、校驗(yàn)后負(fù)荷分類 對全樣本空間進(jìn)行兩級劃分，得到12個子樣本空間，用來存放SVM的訓(xùn)練樣本。
[0056] 步驟5:進(jìn)行子樣本空間匹配，按式(2)求取其與第一層級各樣本空間，即各區(qū)域類 型區(qū)域信息的最小加權(quán)歐式距離，與哪個區(qū)域類型區(qū)域信息的加權(quán)歐式距離最小，該樣本 就屬于哪個區(qū)域類型，然后再根據(jù)負(fù)荷性質(zhì)匹配第二層級子樣本空間，用該子樣本空間的 數(shù)據(jù)樣本作為SVM模型的訓(xùn)練樣本。本實(shí)施例中選取區(qū)域I型一居民負(fù)荷的子樣本空間作為 SVM的訓(xùn)練樣本，其相對誤差為2.80 %，滿足精度要求。
[0057] 步驟6:利用SVM預(yù)測待測地塊的負(fù)荷密度，具體如下：
[0058] 6.1)確定輸入向量和輸出向量。把負(fù)荷密度的影響因素作為輸入向量，把負(fù)荷密 度作為輸出樣本。
[0059] 6.2)數(shù)據(jù)預(yù)處理。為便于數(shù)據(jù)分析，對訓(xùn)練樣本和待測樣本進(jìn)行歸一化處理。
[0060] 6.3)選取SVM核函數(shù)及確定SVM建模參數(shù)。W徑向基核函數(shù)作為回歸模型中的核函 數(shù)，并利用粒子群算法對建模過程需要的懲罰參數(shù)和核參數(shù)進(jìn)行尋優(yōu)。
[0061] 6.4)預(yù)測負(fù)荷密度。將尋優(yōu)后的參數(shù)輸入SVM模型，得到待測地塊的預(yù)測負(fù)荷密度 值。
[0062] 步驟7:進(jìn)行空間負(fù)荷預(yù)測，采用式(3)計(jì)算該類負(fù)荷的未來負(fù)荷預(yù)測值Wi。
[0063] Wi =化.Si (3)
[0064] 式中Pi為預(yù)測得到的第i類負(fù)荷的負(fù)荷密度，Si為該類負(fù)荷±地使用面積。
[0065] 然后如式(4)所示將各類型負(fù)荷的未來負(fù)荷預(yù)測值Wi相加，再利用同時率P修正， 可得到該規(guī)劃區(qū)的未來負(fù)荷總量W。 閨]
(4)。
【主權(quán)項(xiàng)】
1. 一種考慮地域和負(fù)荷性質(zhì)雙重差異的配電網(wǎng)空間負(fù)荷預(yù)測方法，其特征在于，包括 以下步驟： 步驟1:建立考慮地域差異的全樣本空間，全樣本空間中包含各樣本所在地區(qū)的區(qū)域負(fù) 荷密度評估指標(biāo)，即區(qū)域信息，與各類樣本的負(fù)荷密度及影響因素信息，即分類負(fù)荷信息； 步驟2:獲取典型日負(fù)荷曲線： 2.1) 采集得到分屬工業(yè)、居民住宅、商業(yè)，L個類別的典型用戶的日負(fù)荷曲線，即初始分 類，設(shè)每條日負(fù)荷曲線有q個量測數(shù)據(jù)，記第i條日負(fù)荷曲線 2.2) Syimax為第i條日負(fù)荷曲線的負(fù)荷峰值，利用極大值標(biāo)準(zhǔn)化方法對每條日負(fù)荷曲線 進(jìn)行標(biāo)準(zhǔn)化處理，去除基荷數(shù)據(jù)的影響； 2.3) 設(shè)定聚類數(shù)k，以各類標(biāo)準(zhǔn)化曲線的中心線作為初始聚類中心； 2.4) 以標(biāo)準(zhǔn)化后負(fù)荷曲線的每個采集點(diǎn)數(shù)據(jù)作為輸入，以負(fù)荷曲線間的余弦相似度作 為相似性度量判據(jù)，將用戶分為曲線形態(tài)相似的k個類別，重新標(biāo)記該用戶分類，記作聚類 分類； 2.5) 比較、分析各用戶的初始分類與聚類分類結(jié)果，剔除分類不正確或用電行為不典 型的用戶后，求取各類負(fù)荷的典型日負(fù)荷曲線，即標(biāo)準(zhǔn)化后同類日負(fù)荷曲線的中心線，記作 yi(l = l，2,…，L); 步驟3:負(fù)荷分類校驗(yàn)及精選，具體步驟如下： 3.1) 采集得到T個調(diào)研樣本的日負(fù)荷曲線并對其進(jìn)行極大值標(biāo)準(zhǔn)化處理，記標(biāo)準(zhǔn)化處 理后的調(diào)研樣本的日負(fù)荷曲線為ct(t=l，2,…，T); 3.2) 依次計(jì)算標(biāo)準(zhǔn)化處理后每個調(diào)研樣本的日負(fù)荷曲線Ct與各類典型日負(fù)荷曲線71的 余弦相似度，3.3) 找出與Ct最相似，即與Ct的余弦相似度最大的典型日負(fù)荷曲線y'對Ct標(biāo)記f所屬 分類，記作校驗(yàn)分類； 3.4) 比較Cn的初始分類和校驗(yàn)分類，篩選并人工復(fù)核兩次分類不同的樣本，修正分類錯 誤樣本的類標(biāo)簽； 3.5) 設(shè)定聚類數(shù)k = 2,以步驟2對每類樣本進(jìn)行再次聚類，把元素較少的一類剔除，把 元素較多的一類作為該類負(fù)荷的精選樣本，從而可得到負(fù)荷分類正確且具備行業(yè)典型性的 樣本； 步驟4:形成分層級子樣本空間，以各地區(qū)指標(biāo)為聚類的簇，采用式(2)度量簇之間的距 離，設(shè)R為m X 14階標(biāo)準(zhǔn)化矩陣，Ra是簇Ca中的對象，Rb是簇Cb中的對象，則簇C a與簇Cb的距離 為.若簇Ca與簇Cb的距離是所有不同簇中距離最小的，那么簇匕與簇Cb將被合并； 步驟5:進(jìn)行子樣本空間匹配，按式(2)求取其與第一層級各樣本空間，即各區(qū)域類型， 區(qū)域信息的最小加權(quán)歐式距離，與哪個區(qū)域類型區(qū)域信息的加權(quán)歐式距離最小，該樣本就 屬于哪個區(qū)域類型，然后再根據(jù)負(fù)荷性質(zhì)匹配第二層級子樣本空間，用該子樣本空間的數(shù) 據(jù)樣本作為SVM模型的訓(xùn)練樣本； 步驟6:利用SVM預(yù)測待測地塊的負(fù)荷密度。2.根據(jù)權(quán)利要求1所述的預(yù)測方法，其特征在于，所述的步驟6:利用SVM預(yù)測待測地塊 的負(fù)荷密度， 具體如下： 6.1) 確定輸入向量和輸出向量，把負(fù)荷密度的影響因素作為輸入向量，把負(fù)荷密度作 為輸出樣本； 6.2) 數(shù)據(jù)預(yù)處理，為便于數(shù)據(jù)分析，對訓(xùn)練樣本和待測樣本進(jìn)行歸一化處理； 6.3) 選取SVM核函數(shù)及確定SVM建模參數(shù)，以徑向基核函數(shù)作為回歸模型中的核函數(shù)， 并利用粒子群算法對建模過程需要的懲罰參數(shù)和核參數(shù)進(jìn)行尋優(yōu)； 6.4) 預(yù)測負(fù)荷密度，將尋優(yōu)后的參數(shù)輸入SVM模型，得到待測地塊的預(yù)測負(fù)荷密度值； 步驟7:進(jìn)行空間負(fù)荷預(yù)測，采用式(3)計(jì)算該類負(fù)荷的未來負(fù)荷預(yù)測值W 1, Wi = Pi · Si (3) 式中P1S預(yù)測得到的第i類負(fù)荷的負(fù)荷密度，S1為該類負(fù)荷土地使用面積； 然后如式(4)所示將各類型負(fù)荷的未來負(fù)荷預(yù)測值1相加，再利用同時率P修正，得到該 規(guī)劃區(qū)的未來負(fù)荷總量W，⑷。
【文檔編號】G06K9/62GK106022509SQ201610302160
【公開日】2016年10月12日
【申請日】2016年5月7日
【發(fā)明人】劉衛(wèi)東, 傅旭華, 鐘宇軍, 葉承晉, 白樺, 黃晶晶, 黃民翔, 劉思, 馬潤澤, 丁嘉涵
【申請人】國網(wǎng)浙江省電力公司經(jīng)濟(jì)技術(shù)研究院, 浙江大學(xué)