一种基于用户侧用电行为的配网负荷预测方法与流程

本发明涉及电力系统技术领域，具体涉及一种基于用户侧用电行为的配网负荷预测方法。

背景技术：

电力负荷预测是对电力需求的预估。科学的负荷预测，从大处讲是为国家电网合理布局基础设施建设提供决策依据，避免某地区设施落后或重复建设造成的人力、物力资源浪费，打乱经济建设和社会生活正常秩序。可以为地区电网日常经营和制定调度方案提供参考，调度员根据电力负荷预测结果，合理协调机各电厂的出力分配，维持供需平衡，确保电网安全，电厂工作人员则据此确定发电机组的启停安排，减少冗余的发电机储备容量值，降低发电成本。电力公司需要更加准确的负荷预测结果来设计高效的调度和运行方案，提升市场竞争力。其中，短期负荷预测更是备受关注的重点，准确的短期负荷预测结果可以带来巨大的经济效益，国外有关的研究发现，短期负荷的平均预测误差每下降1％就可以节约数十甚至上百万美元。传统的负荷预测周期长、预测准确度差。

中国专利cn105608512a，公开日2016年5月25日，一种短期负荷预测方法，属于电力系统技术领域。针对现有技术所存在的海量数据中存在过多噪声，以及训练时间过长、易困于局部极小值或过拟合等问题，通过对历史负荷数据先进行聚类分析，生成典型负荷曲线，挖掘海量历史负荷数据中的共性，对之后的负荷预测起到筛选训练数据的作用，从而排除海量数据中的噪声影响，并且利用深度学习对复杂非线性函数的强拟合能力避免常规神经网络的过拟合和局部极小值问题，从而实现准确、快速的短期负荷预测；其利用分布式内存计算框架spark来实现预测模型的构建，从而提升整个短期负荷预测流程的高效性和实时性。但其仅对数据进行降噪优化，并没有针对神经网络的结构做出适应性的改进，短期负荷的预测精度还有提升的空间。

技术实现要素：

本发明要解决的技术问题是：目前电网短期负荷预测准确度差的技术问题。提出了一种将数据归一化处理而后采用改进的神经网络模型进行的基于用户侧用电行为的配网负荷预测方法。

为解决上述技术问题，本发明所采取的技术方案为：一种基于用户侧用电行为的配网负荷预测方法，包括以下步骤：a)将一天以15分钟为间隔划分为96个时刻，将时刻按顺序标号，导入目标配网内每个用户的在每个时刻的历史负荷数据，所述历史负荷数据包括时刻序号以及负荷数据，将用户分组，获得每组的历史负荷数据(ta|d，yp.a|d)，a∈g，g为全部用户组，d∈d，d为历史数据包含日期的集合，所述日期以天为单位，ta表示时刻序号，ta∈[1，96]，yp，a表示用户组a内的全部用户在ta时刻的负载总和；b)将每组的历史负荷数据(ta|d，yp，a|d)归一化处理，获得归一化后的历史负荷数据(ta|d，ya|d)，其中ea|d为对应日期d用户组a所接入的配变最大供电容量；c)构建包括96个神经元的神经网络，每个神经元包括状态传递函数s、输出函数f和系数组状态传递函数s以及输出函数f均为定义域为(-∞，+∞)值域为[-1,1]的函数，神经元的状态输出输出表示为每个时刻设置的系数组，共96组；d)通过启发式优化算法获得每个用户组在每个时刻对应的系数组使全部日期d内时刻ta的神经网络输出与历史负荷数据对(ta|d，ya|d)中的ya|d的误差总和最小，其中即为历史负荷数据对(ta|d，ya|d)中的ya|d；e)确定每个时刻的系数组后，对于日期(d+1)的下一时刻(ta+1)的用户组a的负荷预测值为其中s0＝y0＝0，将与ea|d+1相乘即可获得最终的用户负荷预测。步骤d中的启发式优化算法为现有技术中的模拟退火方法、遗传算法、蚁群算法或粒子群算法，或采用现有技术中其他优化算法。获得神经元的系数组后，既可以使用神经网络进行负荷预测。

作为优选，所述状态传递函数s为：其中函数所述系数组包括权重wf、权重wi、偏置bf以及偏置bi。

作为优选，输出函数f为其中函数所述系数组包括权重wo以及偏置bo。

作为优选，所述每组的历史负荷数据还包括道路拥堵系数所述神经元的输出输出为道路拥堵系数的转换函数。道路拥堵与居住区的用电量呈短期的负相关，通过加入道路拥堵系数可以提高居住区用户总负荷的预测结果。

作为优选，所述每组的历史负荷数据还包括道路拥堵系数所述神经元的输出输出输出函数其中为道路拥堵系数的转换函数，

作为优选，道路拥堵系数的计算方法为其中tpi为交通拥堵指数，β为调整系数，其中δ为目标配网区域内全部加油站的日均售油量，α为目标配网区域内人口数量，v为目标配网区域保有汽车的平均邮箱容量，由人工设定。

本发明的实质性效果是：通过将用户分组，负荷数值归一化处理，减小无意义的差异；通过构建改进的神经网络模型，提高神经网络模型对负荷预测的适应度，提高预测精度。

附图说明

图1为实施例一负荷预测方法流程框图。

图2为实施例一神经元结构示意图。

具体实施方式

下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。

实施例一：

一种基于用户侧用电行为的配网负荷预测方法，如图1所示，为实施例一负荷预测方法流程框图，如图2所示，为实施例一神经元结构示意图，本实施例包括以下步骤：a)将一天以15分钟为间隔划分为96个时刻，将时刻按顺序标号，导入目标配网内每个用户的在每个时刻的历史负荷数据，历史负荷数据包括时刻序号以及负荷数据，将用户分组，获得每组的历史负荷数据(ta|d，yp，a|d)，α∈g，g为全部用户组，d∈d，d为历史数据包含日期的集合，日期以天为单位，ta表示时刻序号，ta∈[1，96]，yp，a表示用户组a内的全部用户在ta时刻的负载总和；b)将每组的历史负荷数据(ta|d，yp，a|d)归一化处理，获得归一化后的历史负荷数据(ta|d，ypa|d)，其中ea|d为对应日期d用户组a所接入的配变最大供电容量；c)构建包括96个神经元的神经网络，每个神经元包括状态传递函数s、输出函数f和系数组状态传递函数s以及输出函数f均为定义域为(-∞，+∞)值域为[-1,1]的函数，神经元的状态输出输出表示为每个时刻设置的系数组，共96组；d)通过启发式优化算法获得每个用户组在每个时刻对应的系数组使全部日期d内时刻ta的神经网络输出与历史负荷数据对(ta|d，ya|d)中的ya|d的误差总和最小，其中即为历史负荷数据对(ta|d，ya|d)中的ya|d；e)确定每个时刻的系数组后，对于日期(d+1)的下一时刻(ta+1)的用户组a的负荷预测值为其中s0＝y0＝0，将与ea|d+1相乘即可获得最终的用户负荷预测。步骤d中的启发式优化算法为现有技术中的模拟退火方法、遗传算法、蚁群算法或粒子群算法，或采用现有技术中其他优化算法。获得神经元的系数组后，既可以使用神经网络进行负荷预测。

状态传递函数s为：其中函数系数组包括权重wf、权重wi、偏置bf以及偏置bi。

输出函数f为其中函数系数组包括权重wo以及偏置bo。

每组的历史负荷数据还包括道路拥堵系数神经元的输出输出为道路拥堵系数的转换函数。道路拥堵与居住区的用电量呈短期的负相关，通过加入道路拥堵系数可以提高居住区用户总负荷的预测结果。

每组的历史负荷数据还包括道路拥堵系数神经元的输出输出输出函数其中为道路拥堵系数的转换函数，

道路拥堵系数的计算方法为其中tpi为交通拥堵指数，β为调整系数，其中δ为目标配网区域内全部加油站的日均售油量，α为目标配网区域内人口数量，v为目标配网区域保有汽车的平均邮箱容量，由人工设定。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。