本公开涉及电力工程技术领域，尤其涉及一种配电网线路短期负荷预测方法及装置。
背景技术：
电力负荷预测可以分为超短期、短期、中期和长期。超短期负荷预测的使用对象是调度员，一般用于实时控制(5～10秒的负荷值)、安全监视(1～5分钟的负荷值)、预防控制和紧急状态处理(10～60分钟的负荷值)；短期负荷预测的使用对象是编制调度计划的工程师，需要1日至一周的负荷值；中期负荷预测使用对象是编制中长期运行计划的工程师，需要1月至1年的负荷值；长期负荷预测的实验对象是规划设计工程师，需要数年至数十年的负荷值。
短期负荷预测是对配电网线路未来一天或几天的负荷做出估计，是制定配电网运行方式和实现优化运行的主要依据，也是校核配电网安全的重要依据。相关技术中，常用的短期负荷预测方法获取的短期负荷预测结果的随机性和误差范围大。
技术实现要素：
有鉴于此，本公开提出了一种配电网线路短期负荷预测方法及装置，以降低短期负荷预测结果的误差。
根据本公开的第一方面，提供了一种配电网线路短期负荷预测方法，包括：
根据待预测线路、所述待预测线路的预测时间区间以及所述预测时间区间内所述待预测线路的运行方式，确定所述待预测线路对应的供电区域中的多个最小区域；
对所述多个最小区域分别进行短期负荷预测，获取所述多个最小区域所对应的负荷预测结果；
对所述多个最小区域所对应的负荷预测结果进行第一求和处理，确定所述待预测线路的短期负荷预测结果，
其中，所述供电区域包括所述待预测线路以及连接到所述待预测线路的多个负载设备，所述待预测线路包括馈线段、多个开关设备和母线段。
对于上述方法，在一种可能的实现方式中，对所述多个最小区域分别进行短期负荷预测，获取所述多个最小区域所对应的负荷预测结果，包括：
对当前处理的最小区域的用电负荷进行聚类分析，获取所述最小区域的多个类簇；
基于所述多个类簇，对所述预测时间区间所对应的样本数据进行第二求和处理，确定所述多个类簇的第二求和处理结果；
采用短期负荷预测方法对所述多个类簇的第二求和处理结果分别进行分类预测，获取所述最小区域的用电负荷的多个分类预测结果；
对所述多个分类预测结果进行加权求和处理，确定所述最小区域的负荷预测结果。
对于上述方法，在一种可能的实现方式中，对当前处理的最小区域的用电负荷进行聚类分析，获取所述最小区域的多个类簇，包括：
获取当前处理的最小区域中的用户在所述预测时间区间之前的第一时间区间内的多个负荷数据；
采用均值聚类算法对多个负荷数据进行聚类分析，获取所述多个类簇，
其中，同一类簇中的所有负荷数据所对应的用户的用电性质相同。
对于上述方法，在一种可能的实现方式中，对当前处理的最小区域的用电负荷进行聚类分析，获取所述最小区域的多个类簇，还包括：
基于所述第一时间区间内记录所述多个负荷数据的时间间隔，确定获取所述多个负荷数据的数据数量。
对于上述方法，在一种可能的实现方式中，基于所述多个类簇，对所述预测时间区间所对应的样本数据进行第二求和处理，确定所述多个类簇的第二求和处理结果，包括：
根据与所述预测时间区间所对应的类型相同的多个第二时间区间内所述最小区域的用户的历史负荷数据，确定所述样本数据；
基于所述多个类簇，对所述样本数据进行所述第二求和处理，确定所述多个类簇的第二求和处理结果。
对于上述方法，在一种可能的实现方式中，对所述多个分类预测结果进行加权求和处理，确定所述最小区域的负荷预测结果，包括：
根据与所述预测时间区间所对应的类型相同的第二时间区间内，所述最小区域对应的电源侧和负荷侧的边界开关的历史有功功率数据，确定所述最小区域的历史负荷功率数据；
基于所述历史负荷功率数据和所述第二求和处理结果，分别确定所述多个分类预测结果对应的加权系数；
基于所述多个分类预测结果以及所述加权系数进行加权求和处理，确定所述最小区域的负荷预测结果。
对于上述方法，在一种可能的实现方式中，确定所述待预测线路对应的供电区域中的多个最小区域，包括：
基于所述运行方式，通过网络拓扑分析对所述供电区域进行分析，确定在所述预测时间区间内所述多个开关设备的运行状态；
基于所述运行状态，确定所述供电区域中的多个最小区域。
对于上述方法，在一种可能的实现方式中，还包括：
根据用户提供的时间区间和所述时间区间内所述待预测线路的运行方式确定所述预测时间区间。
根据本公开的第二方面，提供了一种配电网线路短期负荷预测装置，包括：
最小区域确定模块，根据待预测线路、所述待预测线路的预测时间区间以及所述预测时间区间内所述待预测线路的运行方式，确定所述待预测线路对应的供电区域中的多个最小区域；
最小区域预测模块，对所述多个最小区域分别进行短期负荷预测，获取所述多个最小区域所对应的负荷预测结果；
待预测线路预测模块，对所述多个最小区域所对应的负荷预测结果进行第一求和处理，确定所述待预测线路的短期负荷预测结果，
其中，所述供电区域包括所述待预测线路以及连接到所述待预测线路的多个负载设备，所述待预测线路包括馈线段、多个开关设备和母线段。
对于上述装置，在一种可能的实现方式中，所述最小区域预测模块包括：
类簇确定子模块，对当前处理的最小区域的用电负荷进行聚类分析，获取所述最小区域的多个类簇；
第二求和子模块，基于所述多个类簇，对所述预测时间区间所对应的样本数据进行第二求和处理，确定所述多个类簇的第二求和处理结果；
分类预测子模块，采用短期负荷预测方法对所述多个类簇的第二求和处理结果分别进行分类预测，获取所述最小区域的用电负荷的多个分类预测结果；
负荷预测子模块，对所述多个分类预测结果进行加权求和处理，确定所述最小区域的负荷预测结果。
对于上述装置，在一种可能的实现方式中，所述类簇确定子模块，包括：
数据获取子模块，获取当前处理的最小区域中的用户在所述预测时间区间之前的第一时间区间内的多个负荷数据；
聚类分析子模块，采用均值聚类算法对多个负荷数据进行聚类分析，获取所述多个类簇，
其中，同一类簇中的所有负荷数据所对应的用户的用电性质相同。
对于上述装置，在一种可能的实现方式中，所述类簇确定子模块，还包括：
数量确定子模块，基于所述第一时间区间内记录所述多个负荷数据的时间间隔，确定获取所述多个负荷数据的数据数量。
对于上述装置，在一种可能的实现方式中，所述第二求和子模块，包括：
样本数据确定子模块，根据与所述预测时间区间所对应的类型相同的多个第二时间区间内所述最小区域的用户的历史负荷数据，确定所述样本数据；
第二求和处理子模块，基于所述多个类簇，对所述样本数据进行所述第二求和处理，确定所述多个类簇的第二求和处理结果。
对于上述装置，在一种可能的实现方式中，所述负荷预测子模块，包括：
功率数据确定子模块，根据与所述预测时间区间所对应的类型相同的第二时间区间内，所述最小区域对应的电源侧和负荷侧的边界开关的历史有功功率数据，确定所述最小区域的历史负荷功率数据；
加权系数确定子模块，基于所述历史负荷功率数据和所述第二求和处理结果，分别确定所述多个分类预测结果对应的加权系数；
加权求和处理子模块，基于所述多个分类预测结果以及所述加权系数进行加权求和处理，确定所述最小区域的负荷预测结果。
对于上述装置，在一种可能的实现方式中，所述最小区域确定模块，包括：
运行状态确定子模块，基于所述运行方式，通过网络拓扑分析对所述供电区域进行分析，确定在所述预测时间区间内所述多个开关设备的运行状态；
最小区域确定子模块，基于所述运行状态，确定所述供电区域中的多个最小区域。
对于上述装置，在一种可能的实现方式中，还包括：
预测时间区间确定模块，根据用户提供的时间区间和所述时间区间内所述待预测线路的运行方式确定所述预测时间区间。
根据本公开的第三方面，提供了一种配电网线路短期负荷预测装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述配电网线路短期负荷预测方法。
根据本公开的第四方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述配电网线路短期负荷预测方法。
本公开实施例所提供的配电网线路短期负荷预测方法及装置，所获取的短期负荷预测结果与待预测线路的运行方式相对应，短期负荷预测的精度高、误差小、跟踪过渡时间短。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的配电网线路短期负荷预测方法的流程图；
图2示出根据本公开一实施例的配电网线路短期负荷预测方法中步骤s11的流程图；
图3示出根据本公开一实施例的供电区域的结构图；
图4示出根据本公开一实施例的供电区域的结构图；
图5示出根据本公开一实施例的配电网线路短期负荷预测方法中步骤s12的流程图；
图6示出根据本公开一实施例的配电网线路短期负荷预测方法中步骤s121的流程图；
图7示出根据本公开一实施例的配电网线路短期负荷预测方法中步骤s122的流程图；
图8示出根据本公开一实施例的配电网线路短期负荷预测方法中步骤s124的流程图；
图9示出根据本公开一实施例的配电网线路短期负荷预测方法的应用场景的流程图；
图10示出根据本公开一实施例的配电网线路短期负荷预测装置的框图；
图11示出根据本公开一实施例的配电网线路短期负荷预测装置的框图；
图12示出根据本公开一实施例的配电网线路短期负荷预测装置的框图；
图13示出根据本公开一实施例的一种用于配电网线路短期负荷预测的装置800的框图；
图14示出根据本公开一实施例的一种用于配电网线路短期负荷预测的装置1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开一实施例的配电网线路短期负荷预测方法的流程图。如图1所示，该方法可以应用于终端或服务器。该方法可以包括步骤s11至步骤s13。
在步骤s11中，根据待预测线路、待预测线路的预测时间区间以及预测时间区间内待预测线路的运行方式，确定待预测线路对应的供电区域中的多个最小区域。其中，供电区域包括待预测线路以及连接到待预测线路的多个负载设备，待预测线路包括馈线段、多个开关设备和母线段。
在本实施例中，供电区域中的待预测线路以及多个负载设备通过公共节点连接在一起。最小区域包括该区域中的多个负载设备中的部分或全部负载设备以及馈线段、母线段与之对应的部分，且最小区域之间通过多个开关设备之中的边界开关相连，最小区域中的各负载设备的供电方式相同。边界开关为相邻的两个最小区域之间的开关设备。预测时间区间内待预测线路的运行方式可以是预测时间区间内待预测线路所在的中压配电网等配电网的运行方式。
在一种可能的实现方式中，在步骤s11之前，该方法还可以包括：根据用户提供的时间区间和该时间区间内待预测线路的运行方式确定预测时间区间。
在该实现方式中，对用户所提供的时间区间内待预测线路的运行方式进行判断，若在用户所提供的时间区间内待预测线路的运行方式唯一，则将该用户提供的时间区间确定为预测时间区间。例如，若用户提供的时间区间为某一日，且在该日待预测线路的运行方式仅为第一运行方式，则将该日确定为预测时间区间。若在用户提供的时间区间内待预测线路的运行方式为多种，则基于待预测线路的多种运行方式，将用户提供的时间区间划分为相对应的多个预测时间区间。例如，用户提供的时间区间为某一天，且该天中的t时刻，待预测线路的运行方式从第一运行方式改变为第二运行方式，则以运行方式发生改变的时刻t为分界点，将该天00:00～t、t～24:00确定为预测时间区间，分别对两个预测时间区间内待预测线路进行短期负荷预测，获取00:00～t待预测线路的短期负荷预测结果和t～24:00刻待预测线路的短期负荷预测结果。
在步骤s12中，对多个最小区域分别进行短期负荷预测，获取多个最小区域所对应的负荷预测结果。
在本实施例中，针对每个最小区域均获得与之对应的负荷预测结果。例如，如图3所示的待预测线路对应的供电区域中包括最小区域a1、最小区域a2和最小区域a3，则获取的多个最小区域所对应的负荷预测结果可以包括最小区域a1的负荷预测结果1’、最小区域a2的负荷预测结果2’和最小区域a1的负荷预测结果3’。并且，可以采用时间序列法、灰色预测模型、人工神经网络、模糊短期负荷预测方法、专家系统的启发式推理方法、最小二乘支持向量机预测方法、非参数概率密度预测法和基于小波分析等短期负荷预测法等短期预测方法对每个最小区域进行短期负荷预测。本公开对每个最小区域的短期负荷预测的具体方式不作限制。
在步骤s13中，对多个最小区域所对应的负荷预测结果进行第一求和处理，确定待预测线路的短期负荷预测结果。
在本实施例中，对获得的多个负荷预测结果进行第一求和处理，第一求和处理确定的值即为待预测线路的短期负荷预测结果。这样，根据每个最小区域的负荷预测结果求和计算确定的待预测线路的短期负荷预测结果的准确性更高。
本公开实施例所提供的配电网线路短期负荷预测方法，所获取的短期负荷预测结果与待预测线路的运行方式相对应，短期负荷预测的精度高、误差小、跟踪过渡时间短。
图2示出根据本公开一实施例的配电网线路短期负荷预测方法中步骤s11的流程图。
在一种可能的实现方式中，如图2所示，步骤s11可以包括步骤s111和步骤s112。
在步骤s111中，基于运行方式，通过网络拓扑分析对供电区域进行分析，确定在预测时间区间内多个开关设备的运行状态。
在该实现方式中，待预测线路的运行方式可以是待预测线路所在的例如中压配电网等配电网的运行方式，包括：在预测时间区间内待预测线路中每个开关设备的运行状态。其中，开关设备的运行状态包括开关设备的开闸状态和分闸状态。在开关设备处于开闸状态的情况下，待预测线路断开，开关设备两侧的最小区域断开，且远离供电电源一侧的最小区域停止供电。在开关设备处于合闸状态的情况下，待预测线路通电，开关设备两侧的最小区域导通通电。
在步骤s112中，基于运行状态，确定供电区域中的多个最小区域。
在该实现方式中，根据最小区域中的每个开关设备的运行状态，确定供电区域中预测时间区间内通电的最小区域，进而确定供电区域中的多个最小区域。
图3和图4分别示出根据本公开一实施例的供电区域的结构图。如图3和图4所示，该供电区域包括待预测线路以及连接到待预测线路的r个负载设备(未示出)，待预测线路包括母线段(未示出)、馈线段和七个开关设备，且在图3和图4中待预测线路采用不同的运行方式运行。其中，七个开关设备包括：第一馈线出线开关cb1、第二馈线出线开关cb2、第一馈线分段开关f1、第二馈线分段开关f2、第三馈线分段开关f3、第四馈线分段开关f4、第五馈线分段开关f5，a1～a6分别表示最小区域。
则如图3所示，若在预测时间区间内该待预测线路的运行方式为第一馈线出线开关cb1、第二馈线出线开关cb2、第一馈线分段开关f1、第二馈线分段开关f2、第四馈线分段开关f4和第五馈线分段开关f5处于合闸状态，第三馈线分段开关f3处于分闸状态。则在该预测时间区间内该供电区域的中的多个最小区域包括预测时间区间内供电区域中通电的最小区域a1、最小区域a2和最小区域a3。其中，若最小区域a1中包括r个负载设备中的r1个负载设备，最小区域a2中包括r个负载设备中的r2个负载设备，最小区域a3中包括r个负载设备中的r3个负载设备，则r1＜r、r2＜r，r3＜r，r1+r2+r3≤r，r1、r2、r3以及r均为大于0的整数。
则如图4所示，若在预测时间区间内该待预测线路的运行方式为第一馈线出线开关cb1、第二馈线出线开关cb2、第一馈线分段开关f1、第二馈线分段开关f2、第三馈线分段开关f3和第五馈线分段开关f5处于合闸状态，第四馈线分段开关f4处于分闸状态。则在该预测时间区间内供电区域的中的多个最小区域包括在该预测时间区间内通电的最小区域a1、最小区域a2、最小区域a3和最小区域a4。其中，若最小区域a1中包括r个负载设备中的r1个负载设备，最小区域a2中包括r个负载设备中的r2个负载设备，最小区域a3中包括r个负载设备中的r3个负载设备，最小区域a4中包括r个负载设备中的r4个负载设备，则r1＜r、r2＜r，r3＜r，r4＜r，r1+r2+r3+r4≤r，r1、r2、r3以及r4以及r均为大于0的整数。
图5示出根据本公开一实施例的配电网线路短期负荷预测方法中步骤s12的流程图。
在一种可能的实现方式中，如图5所示，该步骤s12可以包括步骤s121至步骤s124。
在步骤s121中，对当前处理的最小区域的用电负荷进行聚类分析，获取最小区域的多个类簇。
在该实现方式中，可以根据用电负荷的具体用户的用电性质进行聚类分析，将相同用电性质的用电负荷确定为同一个类簇ck，其中，k＝1,2,…,k，k为类簇的编号，与用户的用电性质相对应。不同行业的用户的用电负荷曲线的曲线性质并不相同，可以根据用电负荷曲线的曲线性质确定用户的用电性质。本公开对此不作限制。用电性质可以包括居民生活用电、一般工商业用电、大工业用电和农业生产用电等。例如，在用电性质包括居民生活用电、一般工商业用电、大工业用电三个类别的情况下，根据用电性质的不同将所有的用户划分为3个类簇。
在步骤s122中，基于多个类簇，对预测时间区间所对应的样本数据进行第二求和处理，确定多个类簇的第二求和处理结果。
在该实现方式中，将属于同一类簇ck的用户编号所对应的用户的样本数据进行第二求和处理，获取与类簇ck相对应的第二求和处理结果。则获取到的多个类簇的第二求和处理结果可以包括：类簇c1的第二求和处理结果、类簇c2的第二求和处理结果、…、类簇ck的第二求和处理结果。
在步骤s123中，采用短期负荷预测方法对多个类簇的第二求和处理结果分别进行分类预测，获取最小区域的用电负荷的多个分类预测结果。
在该实现方式中，根据确定的类簇ck的第二求和处理结果，采用短期负荷预测方法进行预测，确定类簇ck所对应的分类预测结果。则获取到的最小区域的用电负荷的多个分类预测结果则可以包括：类簇c1的分类预测结果、类簇c2的分类预测结果、…、类簇ck的分类预测结果。
在步骤s124中，对多个分类预测结果进行加权求和处理，确定最小区域的负荷预测结果。
在该实现方式中，可以根据当前处理的最小区域的历史负荷功率数据和多个类簇的第二求和处理结果，确定每个分类预测结果所对应的加权系数。进而根据分类预测结果及其对应的加权系数进行加权求和处理，确定最小区域的负荷预测结果。本领域技术人员还可以根据实际需要对加权求和处理进行设置，本公开对此不作限制。
图6示出根据本公开一实施例的配电网线路短期负荷预测方法中步骤s121的流程图。
在一种可能的实现方式中，如图6所示，步骤s121可以包括步骤s1211和步骤s1212。
在步骤s1211中，获取当前处理的最小区域中的用户在预测时间区间之前的第一时间区间内的多个负荷数据。
在该实现方式中，可以根据预测时间区间的时长确定第一时间区间的时长，例如，预测时间区间为2017年9月5日，则第一时间区间可以为该天的前一天2017年9月4日。预测时间区间为2017年9月5日的某一段时间，则第一时间区间也可以为该天的前一天2017年9月4日，本公开对此不作限制。
在步骤s1212中，采用均值聚类算法对多个负荷数据进行聚类分析，获取多个类簇。其中，同一类簇中的所有负荷数据所对应的用户的用电性质相同。
在该实现方式中，类簇ck可以包括同一最小区域中相同用电性质的所有用户的用户编号。这样，基于用户编号可以确定用户所属的类簇。
在一种可能的实现方式中，获取多个负荷数据后，还可以对多个负荷数据进行平滑处理、归一化处理等预处理。对多个负荷数据进行平滑处理可以对多个负荷数据中的失真数据进行补全、修正或去除，以提高短期负荷预测结果的准确性。对多个负荷数据进行归一化处理，可以除去负荷数据的量级。
在该实现方式中，归一化处理可以采用如下公式(1)，
其中，i为用户编号，i＝1,2,3,…,n；u′ij为第i个用户归一化处理后的第j个负荷数据，u′ij∈[0,1]；uij为第i个用户的第j个负荷数据；uimax＝[ui1,ui2,…，uim]，uimax的取值为[ui1,ui2,…，uim]中最大值，j＝1,2,3,…,m。
在一种可能的实现方式中，步骤s121还可以包括：基于第一时间区间内记录多个负荷数据的时间间隔，确定获取多个负荷数据的数据数量m。这样，可以将基于时间间隔确定第一时间区间内记录的负荷数据的数量，确定为获取的多个负荷数据的数据数量m，进而确定包括n个用户的最小区域的多个负荷数据的数据数量为n×m。
在该实现方式中，记录多个负荷数据的时间间隔可以是1分钟、5分钟、10分钟、15分钟、30分钟、60分钟、120分钟等，可以根据存储负荷数据的存储空间等实际记录需要对该时间间隔进行设置，本公开对此不作限制。例如，2017年9月4日每隔15分钟记录了一次负荷数据，则在对2017年9月5日进行短期负荷预测时，则可以获取多个负荷数据的数据数量为96个。举例来说，若某个最小区域中包括用户1和用户2，2017年9月5日记录负荷数据的时间间隔为15分钟。则获取到的多个负荷数据包括：在2017年9月5日记录的用户1的96个负荷数据以及记录的用户2的96个负荷数据，共96×2个负荷数据。
图7示出根据本公开一实施例的配电网线路短期负荷预测方法中步骤s122的流程图。
在一种可能的实现方式中，如图7所示，步骤s122可以包括步骤s1221和步骤s1222。
在步骤s1221中，根据与预测时间区间所对应的类型相同的多个第二时间区间内最小区域的用户的历史负荷数据，确定样本数据。
在该实现方式中，预测时间区间所对应的类型可以包括工作日、休息日、节假日、白天和黑夜等，不同类型的预测时间区间内用户的用电状况不同。这样，获取的样本数据所对应的第二时间区间的类型与预测时间区间相同，可以使样本数据更准确的表征用户在预测时间区间内可能的用电状况。例如，预测时间区间为2017年9月5日为工作日，则多个第二时间区间可以确定为2017年9月5日之前的多个工作日，如5个工作日。
在该实现方式中，历史负荷数据包括在第二时间区间的负荷数据，还可以包括在第二时间区间内的气象数据。并且，基于第二时间区间的气象数据之后，可以将与预测时间区间的气象状况匹配的第二时间区间内的历史负荷数据确定为样本数据。例如，预测时间区间2017年9月5日为工作日且为雨天，则多个第二时间区间可以确定为2017年9月5日之前的多个为雨天的工作日。这样，可以提高短期负荷预测结果的准确性。
在步骤s1222中，基于多个类簇，对样本数据进行第二求和处理，确定多个类簇的第二求和处理结果。
在该实现方式中，在进行第二求和处理之前还可以采用平滑处理算法对样本数据进行平滑处理，以对样本数据中的失真数据进行补全、修正或去除。
图8示出根据本公开一实施例的配电网线路短期负荷预测方法中步骤s124的流程图。
在一种可能的实现方式中，如图8所示，步骤s124可以包括步骤s1241、步骤s1242和步骤s1243。
在步骤s1241中，根据与预测时间区间所对应的类型相同的第二时间区间内，最小区域对应的电源侧和负荷侧的边界开关的历史有功功率数据，确定最小区域的历史负荷功率数据。
在该步骤中，在确定历史有功功率数据之后，还可以采用平滑处理算法对历史有功功率数据进行平滑处理，以对历史有功功率数据中的失真数据进行补全、修正或去除。
在该步骤中，可以分别获取最小区域电源侧的边界开关的历史有功功率以及最小区域负荷侧的边界开关的历史有功功率，并用最小区域电源侧的边界开关的历史有功功率减去最小区域负荷侧的边界开关的历史有功功率，将获取的功率差值确定为最小区域的历史负荷功率数据。其中，最小区域电源侧的边界开关可以为与最小区域连接的两个边界开关中靠近输电电源一侧的边界开关，最小区域负荷侧的边界开关可以为与最小区域连接的两个边界开关中远离输电电源一侧的边界开关。例如，如图3所示，最小区域a2的电源侧边界开关即为第一馈线分段开关f1，最小区域a2的负荷侧边界开关即为第二馈线分段开关f2。
在步骤s1242中，基于历史负荷功率数据和第二求和处理结果，分别确定多个分类预测结果对应的加权系数。
在该步骤中，采用优化算法，根据最小区域的类簇ck的第二求和处理结果和最小区域的历史负荷功率数据，确定类簇ck所对应的分类预测结果的加权系数。例如，确定的类簇c1的分类预测结果的加权系数为w1、类簇c2的分类预测结果的加权系数为w2、…、类簇ck的分类预测结果的加权系数为wk。
在步骤s1243中，基于多个分类预测结果以及加权系数进行加权求和处理，确定最小区域的负荷预测结果。
在该步骤中，将各分类预测结果与对应的加权系数相乘，并将多个乘积相加即为最小区域的负荷预测结果。
应用示例
以下结合“对某供电区域的待预测线路a进行短期负荷预测”作为一个示例性应用场景，给出根据本公开实施例的应用示例，以便于理解配电网线路短期负荷预测方法的流程。本领域技术人员应理解，以下应用示例仅仅是出于便于理解本公开实施例的目的，不应视为对本公开实施例的限制。
以对2017年10月23日这一日为例，对如图3所示的待预测路线a进行短期负荷预测的过程进行说明。
图9示出根据本公开一实施例的配电网线路短期负荷预测方法的应用场景的流程图。如图9所示，该方法可以包括步骤s001至步骤s016。
在步骤s001中，选择待预测线路、确定预测日以及预测日配电网运行方式。
基于预测日以及预测日待预测路线a所在配电网的运行方式，确定预测日所对应的预测时间区间。例如，若预测日2017年10月23日中15:00之前和之后待预测线路所在的配电网分别以如图3所示的第一运行方式和如图4所示的第二运行方式进行运行。则将预测日2017年10月23日中00:00～15:00确定为第一个预测时间区间、预测日2017年10月23日中15:00～24:00确定为第二个预测时间区间，分别基于第一个预测时间区间和第二个预测时间区间进行短期负荷预测，以获得两个预测时间区间内待预测线路a的短期负荷预测结果，实现对待预测线路a在预测日2017年10月23日的短期负荷预测。
在步骤s002中，拓扑分析，得到预测日内待预测线路供电的多个最小区域。
由于预测日2017年10月23日对应两个预测时间区间，则可以将两个预测时间区间所对应的最小区域集合的并集所包括的最小区域确定为待预测线路供电的多个最小区域。例如，基于图3和图4中待预测线路a对应的运行方式可以确定：在预测日2017年10月23日的第一个预测时间区间00:00～15:00内，待预测线路a供电的最小区域的集合包括最小区域a1、最小区域a2和最小区域a3。在预测日2017年10月23日的第二个预测时间区间15:00～24:00内，待预测线路a供电的最小区域的集合包括最小区域a1、最小区域a2、最小区域a3和最小区域a4。则可以确定待预测线路供电的多个最小区域的集合包括：最小区域a1、最小区域a2、最小区域a3和最小区域a4。
而后根据确定的多个最小区域，基于步骤s003至步骤s014计算、确定每个最小区域在第一个预测时间区间和第二个预测时间区间的负荷预测结果，进而确定为多个最小区域供电的待预测线路a在第一个预测时间区间和第二个预测时间区间的短期负荷预测结果，完成对待预测线路a在预测日2017年10月23日的短期负荷预测。在以下步骤s003至步骤s014中，以确定包括n个用户的最小区域ax在第一个预测时间区间内的负荷预测结果为例进行预测过程的描述。
在步骤s003中，顺序获取待预测线路的最小区域ax。其中，x为最小区域的编号。按照待预测线路供电的多个最小区域中每个最小区域的顺序获取最小区域，例如，依次获取最小区域a1、最小区域a2、最小区域a3和最小区域a4。顺序获取最小区域可以避免遗漏最小区域，保证预测的准确性。
在步骤s004中，获取最小区域ax内n个用户预测日前一天m点负荷数据。
由于第一个预测时间区间和第二预测时间区间均属于预测日2017年10月23日，则可以以例如2017年10月22日为第一时间区间，获取2017年10月22日m个时间记录点所记录的所有负荷数据。例如，若2017年10月22日的记录数据的时间间隔为15分钟，该日记录的每个用户的96个时间记录点的负荷数据。则最小区域ax中第i个用户在2017年10月22日的所有负荷数据ui，包括负荷数据ui,1、ui,2、…、ui,m，即ui＝[ui,1、ui,2、…、ui,m]。则获取的ax内n个用户预测日前一天m点负荷数据为：u1、u2、…、un。例如，若n为6，则获取的负荷数据则为：
u1＝[u1,1,u1,2,u1,3,…,u1,96],u2＝[u2,1,u2,2,u2,3,…,u2,96],u3＝[u3,1,u3,2,u3,3,…,u3,96],u4＝[u4,1,u4,2,u4,3,…,u4,96],u5＝[u5,1,u5,2,u5,3,…,u5,96],u6＝[u6,1,u6,2,u6,3,…,u6,96]。
在步骤s005中，对最小区域ax内n个用户预测日前一天m点负荷数据进行平滑处理，以对获取的负荷数据进行修正。
在步骤s006中，在进行平滑处理后，对最小区域ax内n个用户预测日前一天m点负荷数据进行归一化处理，以去除负荷数据的量级。
在步骤s007中，对最小区域ax内n个用户预测日前一天m点负荷数据k均值聚类分析，得到类簇ck(j＝1,2,…,k)。
其中，k为用户的用电性质的类别的个数。每个类簇中包括用电性质相同的多个用户的用户编号。例如，c1＝{用户1、用户2}，则表明用户1和用户2属于类簇c1。
在步骤s008中，获取最小区域ax内n个用户与预测日类型相同的样本数据，并进行预处理。
其中，根据预测日2017年10月23日的第一预测时间区间的类型，确定与之类型相同的多个第二时间区间内的最小区域的所有用户的包括负荷数据和气象数据在内的历史负荷数据，并将其确定为样本数据。对样本数据进行预处理包括平滑处理等处理。例如，预测日2017年10月23日的第一预测时间区间的类型为工作日，则获取该日之前的5个工作日的历史负荷数据，第i个用户在5个工作日中第d个工作日的负荷数据为pi,d，d＝1,2,3,4,5。
在步骤s009中，按照类簇ck(k＝1,2,…,k)对样本数据求和，得到k类样本数据的第二求和处理结果。其中，对每个类簇ck中所包括的用户所对应的pi,d进行第二求和处理，获取该类簇ck所对应的第二求和处理结果。例如，c1中包括用户1和用户2，则c1所对应的第二求和结果为p1,d+p2,d。
在步骤s010中，基于k类样本数据进行负荷预测，得到k个分类预测结果。其中，基于每个类簇ck所对应的第二求和处理结果进行短期负荷预测，得到k类类簇ck分别对应的k个分类预测结果。
在步骤s011中，获取最小区域ax边界开关的历史有功功率数据，并进行预处理。其中，获取在步骤s008中确定的第二时间区间内，最小区域ax的电源侧的边界开关的历史有功功率数据kp1,d和最小区域ax的负荷侧的边界开关的历史有功功率数据kp2,d，并进行平滑处理等预处理。
在步骤s012中，计算得到最小区域ax历史负荷功率数据。用获取的最小区域ax的电源侧的边界开关的历史有功功率数据kp1,d减去最小区域ax的负荷侧的边界开关的历史有功功率数据kp2,d，差值kp1,d–kp2,d即为最小区域ax的历史负荷功率数据。
在步骤s013中，使用最小区域ax的第二求和处理结果及历史负荷功率数据进行优化计算，得到对应的加权系数。采用优化算法进行计算，获取最小区域ax所对应的每个分类预测结果所对应的加权系数。例如，获取到的第一个分类预测结果对应的加权系数为1，第二个分类预测结果对应的加权系数为1.2。
在步骤s014中，对多个分类预测结果加权求和，确定最小区域ax的负荷预测结果。根据最小区域ax所对应的多个分类预测结果和每个分类预测结果所对应的加权系数进行加权求和处理，获得的加权求和的值即为最小区域ax的负荷预测结果。例如，确定的最小区域ax的负荷预测结果用pax表示，pax＝[pax1,pax2,…,paxm]。
在步骤s015中，判断是否完成待预测线路供电的所有最小区域负荷预测，在确定所有最小区域均完成负荷预测的情况下，执行步骤s016。在还存在没有完成负荷预测的最小区域的情况下，继续执行步骤s003。
在步骤s016中，待预测线路供电的所有最小区域负荷预测结果进行第一求和处理，确定待预测线路的短期负荷预测结果。将预测时间区间内确定的多个最小区域的负荷预测结果进行求和，求和结果即为待预测线路a的短期负荷预测结果。
基于上述步骤s003至步骤s014，可以依次确定：
最小区域a1的负荷预测结果pa1＝[pa11,pa12,…,pa1m]、最小区域a2的负荷预测结果pa2＝[pa21,pa22,…,pa2m]、最小区域a3的负荷预测结果pa3＝[pa31,pa32,…,pa3m]和最小区域a4的负荷预测结果pa4＝[pa41,pa42,…,pa4m]。
则在配电网以如图3所示的运行方式运行时，待预测线路a在该运行方式下的短期负荷预测结果plq为：
plq＝[plq1,plq2,plq3,…,plq96]＝pa1+pa2+pa3＝[pa11+pa21+pa31,pa12+pa22+pa32,pa13+pa23+pa33,…,pa1m+pa2m+pa3m]。
在配电网以如图4所示的运行方式运行时，待预测线路在该运行方式下的短期负荷预测结果为plh：
plh＝[plh1,plh2,plh3,…,plh96]＝pa1+pa2+pa3+pa4
＝[pa11+pa21+pa31+pa41,pa12+pa22+pa32+pa42,pa13+pa23+pa33+pa43,…,pa1m+pa2m+pa3m+pa4m]。
由于预测日的配电网运行方式在下午3点完成图3至图4所对应的运行方式的转换。若m＝96，则15:00点对应的负荷点是第61点。则在第一个预测时间区间00:00～15:00内，待预测线路的短期负荷预测结果为plq的前60个；第一个预测时间区间15:00～24:00内待预测线路的短期负荷预测结果为plh的后36个。即待预测线路在预测日的短期负荷预测结果为pl：
pl＝[pl1,pl2,…,pl60,pl61,pl62,…,pl96]＝[plq1,plq2,…,plq60,plh61,plh62,…,plh96]。
需要说明的是，尽管以上述实施例作为示例介绍了配电网线路短期负荷预测方法如上，但本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活设定各步骤，只要满足本公开的技术方案即可。
本公开实施例所提供的配电网线路短期负荷预测方法，所获取的短期负荷预测结果与待预测线路的运行方式相对应，短期负荷预测的精度高、误差小、跟踪过渡时间短。
图10示出根据本公开一实施例的配电网线路短期负荷预测装置的框图。如图10所示，该装置可以包括最小区域确定模块30、最小区域预测模块40和待预测线路预测模块50。
该最小区域确定模块30被配置为根据待预测线路、待预测线路的预测时间区间以及预测时间区间内待预测线路的运行方式，确定待预测线路对应的供电区域中的多个最小区域。该最小区域预测模块40被配置为对多个最小区域分别进行短期负荷预测，获取多个最小区域所对应的负荷预测结果。该待预测线路预测模块50被配置为对多个最小区域所对应的负荷预测结果进行第一求和处理，确定待预测线路的短期负荷预测结果。其中，供电区域包括待预测线路以及连接到待预测线路的多个负载设备，待预测线路包括馈线段、多个开关设备和母线段。
图11示出根据本公开一实施例的配电网线路短期负荷预测装置的框图。
在一种可能的实现方式中，如图11所示，最小区域预测模块40可以包括类簇确定子模块401、第二求和子模块402、分类预测子模块403和负荷预测子模块404。该类簇确定子模块401被配置为对当前处理的最小区域的用电负荷进行聚类分析，获取最小区域的多个类簇。该第二求和子模块402被配置为基于多个类簇，对预测时间区间所对应的样本数据进行第二求和处理，确定多个类簇的第二求和处理结果。该分类预测子模块403被配置为采用短期负荷预测方法对多个类簇的第二求和处理结果分别进行分类预测，获取最小区域的用电负荷的多个分类预测结果。该负荷预测子模块404被配置为对多个分类预测结果进行加权求和处理，确定最小区域的负荷预测结果。
在一种可能的实现方式中，如图11所示，最小区域确定模块30可以包括运行状态确定子模块301和最小区域确定子模块302。该运行状态确定子模块301被配置为基于运行方式，通过网络拓扑分析对供电区域进行分析，确定在预测时间区间内多个开关设备的运行状态。该最小区域确定子模块302被配置为基于运行状态，确定供电区域中的多个最小区域。
在一种可能的实现方式中，如图11所示，该装置还可以包括预测时间区间确定模块60。该预测时间区间确定模块60被配置为根据用户提供的时间区间和时间区间内待预测线路的运行方式确定预测时间区间。
图12示出根据本公开一实施例的配电网线路短期负荷预测装置的框图。
在一种可能的实现方式中，如图12所示，类簇确定子模块401可以包括数据获取子模块4011和聚类分析子模块4012。该数据获取子模块4011被配置为获取当前处理的最小区域中的用户在预测时间区间之前的第一时间区间内的多个负荷数据。该聚类分析子模块4012被配置为采用均值聚类算法对多个负荷数据进行聚类分析，获取多个类簇。其中，同一类簇中的所有负荷数据所对应的用户的用电性质相同。
在一种可能的实现方式中，如图12所示，类簇确定子模块401还可以包括数量确定子模块4013。该数量确定子模块4013被配置为基于第一时间区间内记录多个负荷数据的时间间隔，确定获取多个负荷数据的数据数量。
在一种可能的实现方式中，如图11所示，第二求和子模块402可以包括样本数据确定子模块4021和第二求和处理子模块4022。该样本数据确定子模块4021被配置为根据与预测时间区间所对应的类型相同的多个第二时间区间内最小区域的用户的历史负荷数据，确定样本数据。该第二求和处理子模块4022被配置为基于多个类簇，对样本数据进行第二求和处理，确定多个类簇的第二求和处理结果。
在一种可能的实现方式中，如图12所示，负荷预测子模块404可以包括功率数据确定子模块4041、加权系数确定子模块4042和加权求和处理子模块4043。该功率数据确定子模块4041被配置为根据与预测时间区间所对应的类型相同的第二时间区间内，最小区域对应的电源侧和负荷侧的边界开关的历史有功功率数据，确定最小区域的历史负荷功率数据。该加权系数确定子模块4042被配置为基于历史负荷功率数据和第二求和处理结果，分别确定多个分类预测结果对应的加权系数。该加权求和处理子模块4043被配置为基于多个分类预测结果以及加权系数进行加权求和处理，确定最小区域的负荷预测结果。
本公开实施例所提供的配电网线路短期负荷预测装置，所获取的短期负荷预测结果与待预测线路的运行方式相对应，短期负荷预测的精度高、误差小、跟踪过渡时间短。
图13示出根据本公开一实施例的一种用于配电网线路短期负荷预测的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图13，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图14示出根据本公开一实施例的一种用于配电网线路短期负荷预测的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图14，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(i/o)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述配电网线路短期负荷预测方法。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。