一种智能配电网分区冷热负荷预测方法及装置与流程

本发明属于冷热负荷预测技术领域，具体涉及一种智能配电网分区冷热负荷预测方法及装置。

背景技术：

冷、热负荷预测是经济调度的主要依据，是电力生产规划的基础，是电力市场顺利发展的必需数据，是电力系统安全分析的主要因素之一，是实现变压器目标节能控制的重要手段，是实现电网科学管理和调度的重要方面，在电力系统规划和电网运行方面发挥着重要的作用。

随着电力市场的逐步建立，以及电力市场和智能配电网的发展，冷、热负荷预测越来越受到重视，对负荷预测水平的要求与日俱增。提高负荷预测技术水平有利于计划用电管理，有利于减少能耗和降低发电成本，有利于合理安排电网运行方式和建立机组检修计划，有利于提高电力系统的经济效益和社会效益。因此，冷、热负荷预测的水平已成为衡量一个电力企业的管理是否走向现代化的显著标志之一。

传统的冷热负荷指标计算方法是以不同类型的典型建筑的冷热负荷指标直接乘以对应建筑的面积，从而得到各类型建筑的冷热负荷，再将各类型建筑的冷热负荷直接相加得到某一分区的冷热负荷。该种方法中所使用的冷热负荷指标一般是通过经验确定，而经验与实际情况一般会有差距，最终将导致冷热负荷预测预测不准。

技术实现要素：

本发明提供了一种智能配电网分区冷热负荷预测方法及装置，用以解决现有技术中的方法对冷热负荷预测不准的问题。

为解决上述技术问题，本发明所包括的技术方案以及技术方案对应的有益效果如下：

本发明提供了一种智能配电网分区冷热负荷预测方法，包括如下步骤：

获取智能配电网分区的热/冷负荷预测模型的最优特征集对应的特征参数数据，并输入至训练好的热/冷负荷预测模型中，得到该智能配电网分区的热/冷负荷结果；其中，所述热/冷负荷预测模型采用如下方法构建以及训练得到：

利用特征工程法从选取的特征参数中挑选出与热负荷相关性较高的特征参数；

对挑选的相关性较高的特征参数进行全排列，得到若干个特征集；

以各个特征集分别为输入，以热/冷负荷为输出，构建若干个预测模型，并利用获取的特征参数数据和热/冷负荷数据对构建的预测模型进行训练，训练好后对各个预测模型的预测精度进行比较，将预测精度最高的特征集作为最优特征集，以及与该最优特征集对应的预测模型即为热/冷负荷预测模型。

上述技术方案的有益效果为：无论是热负荷预测还是冷负荷预测，本发明均先利用特征工程方法对特征参数进行处理，将对热负荷/冷负荷相关性不高的特征参数去除，有效消除参数变量间的潜在多重共线性，避免多重共线性带来的冗余信息所导致的模型预测精度降低，进而从挑选的相关性较高的特征参数进行全排列，得到若干个特征集，确定若干个特征集分别作为预测模型输入时预测模型的精度高低，从而找到最优特征集以及对应的预测模型，有效提高预测模型对智能配电网冷、热负荷预测的准确性。

进一步的，选取的特征参数包括：气象参数变量、耗电量、配电网负荷、地块面积、以及计划用能时间。

进一步的，得到热/冷负荷预测模型后，还包括利用训练集再次对所述热/冷负荷预测模型进行训练的步骤。

进一步的，所述预测模型为神经网络模型。

进一步的，所述热负荷预测模型对应的特征工程法为相关性分析法。

进一步的，所述冷负荷预测模型对应的特征工程法为维纳滤波法。

进一步的，还包括对特征参数数据进行数据清洗和/或归一化处理的步骤。

本发明还提供了一种智能配电网分区冷热负荷预测装置，该装置包括存储器和处理器，所述处理器用于执行存储在存储器中的指令以实现如上述介绍的智能配电网分区冷热负荷预测方法，并达到与该方法相同的有益效果。

附图说明

图1是本发明的智能配电网分区冷热负荷预测方法的流程图；

图2是本发明的智能配电网分区冷热负荷预测装置的结构图。

具体实施方式

方法实施例：

本发明的一种智能配电网分区冷热负荷预测方法实施例，其流程如图1所示，该方法中冷负荷和热负荷是分别采用了不同的预测模型分开计算的。

下面先对热负荷计算进行详细说明。

步骤一，以最优特征集作为输入，以热负荷为输出，基于神经网络模型，构建热负荷预测模型。具体过程包括：

1、获取多组配电网分区的热负荷数据以及影响配电网热负荷的特征参数数据，特征参数数据为五种，分别为气象参数变量(例如室外温度、湿度、风力、气压、太阳辐射强度等)、耗电量、配电网负荷、地块面积、以及计划用能时间。

2、对获取的参数数据进行预处理，该预处理包括数据清洗和归一化处理。

数据清洗：通过数据清洗来剔除错值并补齐缺失的数据。

归一化处理：将得到的特征参数数据的最大值max和最小值min列出，使归一化后的最小特征参数数据为0，归一化后的最大特征参数数据为1，所有特征参数数据均压缩在[0,1]范围内，从而归一化处理后的特征参数数据为：r＝(i-min)/(max-min)，i为归一化处理前的特征参数数据。这样处理可以消除量纲，使数据的数理单位一致。

3、在测试负荷时，测试仪器记录、人工操作或生产环境中各类偶然因素的影响下，给监控的时间序列数据带来噪声的叠加，使得负荷信号辨识产生困难。因此，冷热负荷数据是由两部分构成，一部分是波动规律确定的数据，另一部分则是由噪声干扰产生的非线性波动的数据。因此，采用相关性分析法，评价五种特征参数与热负荷之间的相关性，得到每种特征参数的用于表征与热负荷之间相关性高低的相关系数，相关系数大于0表示正相关，相关系数小于0表示负相关，等于0表示不相关。根据每种特征参数的相关系数，从五种特征参数中选择与热负荷相关性较高的特征参数。本实施例中设置的阈值为0.3，且最终发现这五种参数的相关系数均大于0.3，因而最终筛选出的与热负荷相关性较高的特征参数为气象参数变量、耗电量、配电网负荷、地块面积、以及计划用能时间。

4、对选取的相关性较高的特征参数进行全排列，最终构造出包含有五种相关性较高的特征参数的基础特征集以及30个特征子集，特征子集包含有1种、2种、3种或者4种相关性较高的特征参数。将基础特征集和30个特征子集共同称为特征集，特征集的数量为31个。

5、以各个特征集分别为输入，以热负荷为输出，构建31个神经网络模型，并利用获取的特征参数数据和热负荷数据对构建的神经网络模型进行训练，训练好后对各个神经网络模型的预测精度进行比较，预测精度最高的特征集作为最优特征集，以及与该最优特征集对应的神经网络模型即为热负荷预测模型。

步骤二，将获取的最优特征集对应的特征参数数据以及相应的热负荷数据作为训练集，对热负荷预测模型进行训练，将得到的预测值输入损失函数计算损失指标，比较预测值和训练集中实测值的差距，将损失函数计算结果输入优化器更新权重误差，神经网络算法的学习能力可以减少对错误数据的采纳率，重复进行迭代直到达到指定迭代步数或者损失函数值低于阈值，得到特定超参数配置下的最优参数配置。通过验证集测试不同超参数配置下的损失函数，选取损失函数最小值时对应的参数和超参数配置，得到训练好的热负荷预测模型。

步骤三，得到训练好的热负荷预测模型后，获取实时的最优特征集对应的该智能配电网分区的特征参数数据并输入至训练好的热负荷预测模型中，得到该智能配电网分区的热负荷结果。

下面再对冷负荷计算进行详细说明。

步骤一，以挑选出的最优特征集作为输入，以冷负荷为输出，基于神经网络模型，构建冷负荷预测模型。具体过程包括：

1、获取多组配电网分区的冷负荷数据以及影响配电网冷负荷的特征参数数据，特征参数数据为五种，分别为气象参数变量(例如室外温度、湿度、风力、气压、太阳辐射强度等)、耗电量、配电网负荷、地块面积、以及计划用能时间。

2、对获取的参数数据进行预处理，该预处理包括数据清洗和归一化处理。

数据清洗：通过数据清洗来剔除错值并补齐缺失的数据。

归一化处理：将得到的特征参数数据的最大值max和最小值min列出，使归一化后的最小特征参数数据为0，归一化后的最大特征参数数据为1，所有特征参数数据均压缩在[0,1]范围内，从而归一化处理后的特征参数数据为：r＝(i-min)/(max-min)，i为归一化处理前的特征参数数据。这样处理可以消除量纲，使数据的数理单位一致。

3、在测试负荷时，测试仪器记录、人工操作或生产环境中各类偶然因素的影响下，给监控的时间序列数据带来噪声的叠加，使得负荷信号辨识产生困难。因此，冷热负荷数据是由两部分构成，一部分是波动规律确定的数据，另一部分则是由噪声干扰产生的非线性波动的数据。因此，采用滤波算法(例如维纳滤波算法)，对五种特征参数数据进行降噪处理，抑制和防止干扰，去除无用的影响参数，并利用滤波法评价五种特征参数与冷负荷之间的相关性，从中挑选出与冷负荷相关性较高的特征参数。本实施例中最终筛选出的与冷负荷相关性较高的特征参数为气象参数变量、耗电量、配电网负荷、地块面积、以及计划用能时间。

4、对选取的相关性较高的特征参数进行全排列，最终构造出包含有五种相关性较高的特征参数的基础特征集以及30个特征子集，特征子集包含有1种、2种、3种或者4种相关性较高的特征参数。将基础特征集和30个特征子集共同称为特征集，特征集的数量为31个。

5、以各个特征集为输入，以冷负荷为输出，构建31个神经网络模型，并利用获取的特征参数数据和冷负荷数据对构建的神经网络模型进行训练，训练好后对各个神经网络模型的预测精度进行比较，预测精度最高的特征集作为最优特征集，以及与该最优特征集对应的神经网络模型即为冷负荷预测模型。

步骤二，将获取的最优特征集对应的特征参数数据以及相应的冷负荷数据作为训练集，对冷负荷预测模型进行训练，将得到的预测值输入损失函数计算损失指标，比较预测值和训练集中实测值的差距，将损失函数计算结果输入优化器更新权重误差，神经网络算法的学习能力可以减少对错误数据的采纳率，重复进行迭代直到达到指定迭代步数或者损失函数值低于阈值，得到特定超参数配置下的最优参数配置。通过验证集测试不同超参数配置下的损失函数，选取损失函数最小值时对应的参数和超参数配置，得到训练好的冷负荷预测模型。

步骤三，得到训练好的冷负荷预测模型后，获取实时的最优特征集对应的该智能配电网分区的特征参数数据并输入至训练好的冷负荷预测模型中，得到该智能配电网分区的冷负荷结果。

需说明的是，本实施例中热负荷预测的步骤一的步骤5中以及步骤二中，都有模型训练的过程。步骤一的步骤5中只是粗略的训练，以找到预测精度最高的特征集，在找到预测精度最高的特征集后，再利用数据组数更多的训练集再次对挑选出的热负荷预测模型进行训练，以优化热负荷预测模型中的参数，得到更优的热负荷预测模型。也即步骤二的过程是一个使热负荷预测模型更优的过程。另外，对于冷负荷预测的过程原理也是一样的。

而且，本发明在前期预测模型花费的时间较长，以找到精度最高的热/冷负荷预测模型。针对不同的地区，最终得到预测模型会有不同，例如，针对某一地区最终热负荷预测模型的最优特征集为<配电网负荷、地块面积、耗电量>，针对另一地区最终热负荷预测模型的最优特征集为<气相变量参数、耗电量>，等等，但是无论哪个地区、无论是热负荷还是冷负荷，均是从气象参数变量、耗电量、配电网负荷、地块面积、以及计划用能时间这五种特征参数中选取出来的。

综上，无论是热负荷预测还是冷负荷预测，本发明先利用特征工程方法(热负荷预测为相关性分析法，冷负荷预测为维纳滤波法)对特征参数进行处理，不仅有效消除参数变量间的潜在多重共线性，避免多重共线性带来的冗余信息所导致的模型预测精度降低，而且能够将所采集的智能配电网参数数据转换为与预测模型相匹配的特征集，有效提高预测模型对智能配电网冷、热负荷预测的准确性。而且，本发明根据各特征参数对预测模型预测精度的影响度，删除影响度小的参数变量，从而能够根据预测模型的类别及精度要求选取最优特征集，不仅能够有效提高计算速度，保证了预测的实时性，还能提高模型预测精度。

装置实施例：

本发明的一种智能配电网分区冷热负荷预测装置实施例，如图2所示，包括存储器、处理器和内部总线，处理器、存储器之间通过内部总线完成相互间的通信和数据交互。存储器包括至少一个存储于存储器中的软件功能模块，处理器通过运行存储在存储器中的软件程序以及模块，执行各种功能应用以及数据处理，实现本发明的方法实施例中介绍的一种智能配电网分区冷热负荷预测方法。

其中，处理器可以为微处理器mcu、可编程逻辑器件fpga等处理装置。

存储器可为利用电能方式存储信息的各式存储器，例如ram、rom等；也可为利用磁能方式存储信息的各式存储器，例如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘等；还可为利用光学方式存储信息的各式存储器，例如cd、dvd等；当然，还可为其他方式的存储器，例如量子存储器、石墨烯存储器等。