本发明属于电力系统配电网
技术领域：
，具体涉及一种配电网变压器容量使用情况预测方法。
背景技术：
：随着智能配电网和主动配电网概念的发展和普及，配电网得到了越来越广泛的关注。作为配电网的重要组成部分，变压器的研究尤其是预测对配电网安全运行和规划具有重要意义。目前，电网部门将配变报装容量作为其实际用电量，但是在配电网实际运行中，用电负荷考虑到自己用电量的增长，其变压器报装容量会留有一定的裕度，往往大于其实际用电量，且其用电量随时间发展而不断变化。但是，目前对变压器负载情况的研究主要集中住宅领域，仅仅考虑了和住户的关系，均未讨论变压器容量使用情况随时间变化的动态特性。因此，现有的对变压器的实际用电量的处理方法无法准确反映和预测实际用电情况。技术实现要素：本发明的目的是提供一种能够准确反映和预测变压器实际用电情况、为电力系统提供数据支撑的配电网变压器容量使用情况预测方法为达到上述目的，本发明采用的技术方案是：一种配电网变压器容量使用情况预测方法，用于预测配电网中的变压器下一月的容量使用情况，所述配电网变压器容量使用情况预测方法包括以下步骤：步骤1：数据采集：采集所要预测的变压器的相关数据，所述相关数据包括所述变压器的报装容量、最近n年内各月的月三相最大电流、相电压、电流互感器变比、电压互感器变比以及最近n年内各月的气温数据；步骤2：性质系数计算：基于所述变压器的报装容量、最近n年内各月的月三相最大电流、相电压、电流互感器变比和电压互感器变比计算表征所述变压器容量使用情况的最近n年内各月的性质系数；步骤3：数据预处理：将计算出的最近n年内各月的性质系数按时间排序，找出最近n年内对应月份的一组所述性质系数、一组所述性质系数所对应月份在最近一年内前m个月的性质系数，并将找出的全部所述性质系数以及对应的气温数据转化为无量纲数据；步骤4：构建单一预测模型：基于找出的全部所述性质系数和对应的气温数据的非线性关系，至少采用两种数据挖掘算法分别建立单一预测模型，所述单一预测模型以一组所述性质系数中最近一年的所述性质系数作为输出，以一组所述性质系数中前n-1年的所述性质系数、最近一年内前m个月的性质系数以及对应的气温数据作为输入；步骤5：确定组合权重：分别确定所构建的各所述单一预测模型的权重；步骤6：预测结果：分别采用所构建的各所述单一预测模型计算下一月所述变压器的性质系数，并结合各所述单一预测模型的权重计算加权和作为所述变压器的下一月性质系数的预测值，从而预测所述变压器下一月的容量使用情况。所述步骤1中，所述气温数据包括月最高气温和月最低气温。所述步骤2中，所述性质系数的计算方法为：其中，f为所述性质系数，l为所述变压器的月负荷最大值，l为所述变压器的报装容量；所述月负荷最大值的计算方法为：l＝u×pt×(iamax+ibmax+icmax)×ct其中，u为所述变压器的相电压，pt为所述变压器的电压互感器变比，iamax、ibmax、icmax分别为所述变压器的月三相最大电流，ct为所述变压器的电流互感器变比。所述步骤3中，求按时间排序的最近n年内各月的性质系数的自相关性，则找出的一组所述性质系数为自相关性最大的一组对应月份的所述性质系数。所述步骤4中，分别采用支持向量机和随机森林算法分别建立所述单一预测模型。所述步骤5中，分别利用各所述单一预测模型计算预测性质系数，并分别计算各所述预测性质系数与实际性质系数的差值平方和，设定与所述单一预测模型数量对应的若干个未知数作为各所述单一预测模型的权重，目标函数为使各所述差值平方和乘以对应权重的加和最小，运用二次规划理论得到各所述权重。由于上述技术方案运用，本发明与现有技术相比具有下列优点：相对于现有的变压器负载情况估计值不变的方法，本发明提出了一种基于时间序列的变压器性质系数预测方法，引入性质系数，运用数据挖掘算法构建预测模型得到其预测值，同时考虑了变压器负荷数据和温度历史值，提高了变压器实际负载情况的预测精确度。附图说明附图1为不同月之间最大性质系数相关关系示意图。附图2为本发明的配电网变压器容量使用情况预测方法的流程图。具体实施方式下面结合某地区11台变压器实际预测情况以及附图对本发明作进一步描述。实施例：一种配电网变压器容量使用情况预测方法，包括以下步骤：步骤1：数据采集采集所要预测的变压器的相关数据，相关数据包括变压器的报装容量、最近n年内各月的月三相最大电流、相电压、电流互感器变比、电压互感器变比以及最近n年内各月的气温数据。气温数据包括月最高气温和月最低气温。步骤2：性质系数计算基于变压器的报装容量、最近n年(如近三年)内各月的月三相最大电流、相电压、电流互感器变比和电压互感器变比计算表征变压器容量使用情况的最近n年内各月的性质系数。具体的，性质系数的计算方法为：其中，f为性质系数，l为变压器的月负荷最大值，l为变压器的报装容量。月负荷最大值的计算方法为：l＝u×pt×(iamax+ibmax+icmax)×ct(2)其中，u为变压器的相电压，pt为变压器的电压互感器变比，iamax、ibmax、icmax分别为变压器的月三相最大电流，ct为变压器的电流互感器变比。步骤3：数据预处理将计算出的最近n年内各月的性质系数按时间排序，找出最近n年内对应月份的一组性质系数、一组性质系数所对应月份在最近一年内前m个月(如前两个月)的性质系数，并将找出的全部性质系数以及对应的气温数据转化为无量纲数据。通常，求按时间排序的最近n年内各月的性质系数的自相关性，则找出的一组性质系数为自相关性最大(即影响程度最强)的一组对应月份的性质系数。由图1可得自相关性最大的月份的及其前两年同一月份的性质系数、前两个月的性质系数。步骤4：构建单一预测模型基于找出的全部性质系数和对应的气温数据的非线性关系，至少采用两种数据挖掘算法分别建立单一预测模型，单一预测模型以一组性质系数中最近一年的性质系数作为输出，以一组性质系数中前n-1年的性质系数、最近一年内前m个月的性质系数以及对应的气温数据作为输入。本实施例中，将月最大性质系数作为输出，其前两个月和前两年的同一月的性质系数的历史值以及该月最高气温和最低气温作为输入，滚动式排列输入输出数据，得到训练样本集，分别采用支持向量机(svm)和随机森林(rf)算法分别建立单一预测模型。采用支持向量机(svm)算法建立的单一预测模型，具体步骤为：首先选取上述选定的相关变量，即变电站性质系数的影响因素，作为支持向量机的输入特征，该月性质系数实际值作为输出；然后，用上述方式按照时间次序依次滚动式排列输入输出数据，得到训练样本集，用支持向量机中的回归器理论，构造最优超平面以找到变电站性质系数值与输入变量的非线性关系。最后把待预测月的前个月和前两年同一月的历史值以及气象信息输入训练好的支持向量机模型中，即可得最终预测结果。采用随机森林(rf)算法建立的单一预测模型，具体步骤与支持向量机类似，不同的是采用决策树理论来学习变电站性质系数值与输入变量的非线性关系。决策树从训练样本中获取规律从而构造相对应的节点和分支，以达到构造回归关系的目的。为保证回归关系的准确性，随机森林采用2次随机采样过程，即训练样本的随机采样和输入特征的随机性。步骤5：确定组合权重分别确定所构建的各单一预测模型的权重。分别利用各单一预测模型计算预测性质系数，并分别计算各预测性质系数与实际性质系数的差值平方和，设定与单一预测模型数量对应的若干个未知数作为各单一预测模型的权重，目标函数为使各差值平方和乘以对应权重的加和最小，运用二次规划理论得到各权重。步骤6：预测结果分别采用所构建的各单一预测模型计算下一月变压器的性质系数，并结合各单一预测模型的权重计算加权和作为变压器的下一月性质系数的预测值，从而预测变压器下一月的容量使用情况。误差分析及预测结果评估：采用sse和方差、最大绝对误差和绝对误差平均值对预测结果进行评估。由表1可得，比较svm、rf和两者组合预测效果可得，组合预测明显降低最大误差，优化预测结果。表明组合预测模型能够提高预测精度，优于两个单一预测模型，进而说明了本发明算法的优越性。sse和方差最大绝对误差绝对误差平均值svm0.019017525.56％7.68％随机森林0.012062520.96％7.04％组合0.011977418.99％6.47％上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。当前第1页12