本发明涉及电力系统领域,特别是用于台区智能融合终端的台区负荷预测方法。
背景技术:
1、根据《台区智能融合终端相关技术规范+第一部分:架构及功能》要求,台区负荷预测app,综合统计配变历史负荷数据台区用电数据、历史负荷曲线,采用神经网络无监督学习等分析手段,在对配变台区历史负荷数据、气象因素、节假日以及特殊事件等信息分析的基础上,挖掘配变负荷变化规律,建立预测模型确定计算公式及权重参数,根据台区事实运行数据,利用边缘计算算例,分析可能存在的重过载发生事件,提高运维工作精准度。
2、电力电网的负荷预测工作是电力公司调控中心近年来越来越重视的一项重要任务,它不仅是对地区电力市场需求的预测,还是地方经济发展的一个重要标志。负荷预测作为连接能源和需求侧的桥梁,涉及有序用电、节能减排等方面,精准的负荷预测不仅能满足电力负荷精细化管理的要求,更是促进需求侧改革、优化居民用电感受的重要举措。因台区内用户用电行为存在较大差异,传统的神经网络模型并不能达到很高的预测准确度。由此,将用户用电行为进行聚类,再分类进行神经网络预测可极大的提高预测精度。
技术实现思路
1、本发明所要解决的技术问题是克服上述现有技术存在的问题,提供一种用于台区智能融合终端的台区负荷预测方法。为实现上述发明目的,本发明采取如下技术方案:通过台区智能融合终端的边缘计算能力,将修正缺失数据和离群异常数据方法、k-means算法、bp神经网络预测算法相结合。使台区智能融合终端输出的负荷预测准确率更高。
2、台区智能融合终端采集台区用户的负荷数据,选择一段时间内的负荷数据形成基础数据库进行预处理,通过横向比较和纵向比较相结合的方法,识别离群异常数据以及缺失数据,使用历史负荷填充的方式修正缺失数据和离群异常数据。
3、台区智能融合终端将用户用电负荷数据通过日期类型进行区分,通过k-means算法进行负荷聚类,因不同用户类的用电行为有较大差异,将用电行为相似的用户聚为一类,输出得到多个聚类结果和质心。
4、台区智能融合终端通过bp神经网络预测算法在多个聚类结果和质心的历史负荷数据中引入天气、节假日等网络输入构建多个负荷预测的初始训练样本;优化了传统神经网络预测的偏差性。
5、台区智能融合终端构建多个基于机器学习的bp神经网络预测模型并代入多个负荷预测的初始训练样本对其进行分类训练,通过机器学习的方法优化了传统的bp神经网络算法,台区智能融合终端可将后续每日采集的台区用户负荷数据的真实值与通过台区用户负荷预测模型计算的预测值的偏差进行平均作为修正,持续优化输入层到隐含层、隐含层到输出层的权值和阈值,提升负荷预测准确率。训练完毕后,从而得到多个台区用户负荷预测模型。
6、本发明的有益效果为:通过台区智能融合终端边缘计算能力,使用台区智能融合终端采集的历史台区负荷数据修正缺失数据和离群异常数据。使用k-means算法对用户用电行为进行负荷聚类,由传统统一的计算对象构建bp神经网络模型变成了根据不同用户的用电行为细分成多种bp神经网络预测模型,优化了bp神经网络预测算法的计算方向。因台区智能融合终端每日采集台区用户负荷数据,可通过该条件将后续每日采集的台区用户负荷数据的真实值和通过台区用户负荷预测模型计算的预测值的偏差进行平均作为修正,持续优化输入层到隐含层、隐含层到输出层的权值和阈值,优化了传统的bp神经网络预测算法,使得负荷预测结果更贴近于台区不同用户真实的负荷用电情况,提高负荷预测的准确率。
1.一种用于台区智能融合终端的台区负荷预测方法,其特征在于,将修正缺失数据和离群异常数据方法、k-means算法、bp神经网络预测算法相结合,从而使负荷预测准确率更高。
2.根据权利要求1所述修正缺失数据和离群异常数据,其特征在于,台区智能融合终端采集台区用户的负荷数据,选择一段时间内的负荷数据形成基础数据库进行预处理,通过横向比较和纵向比较相结合的方法,识别离群异常数据以及缺失数据,使用历史负荷填充的方式修正缺失数据和离群异常数据。
3.根据权利要求1所述k-means算法,其特征在于,台区智能融合终端将用户用电负荷数据通过日期类型进行区分,通过k-means算法进行负荷聚类,因不同用户类的用电行为有较大差异,将用电行为相似的用户聚为一类,输出得到多个聚类结果和质心。
4.根据权利要求1所述bp神经网络预测算法,其特征在于,台区智能融合终端通过bp神经网络预测算法在多个聚类结果和质心的历史负荷数据中引入天气、节假日等网络输入构建多个负荷预测的初始训练样本;台区智能融合终端构建多个基于机器学习的bp神经网络预测模型并代入多个负荷预测的初始训练样本对其进行分类训练,训练完毕后,从而得到多个台区用户负荷预测模型。
5.根据权利要求4所述基于机器学习的bp神经网络预测模型,其特征在于通过机器学习的方法优化了传统的bp神经网络算法,台区智能融合终端可将后续每日采集的台区用户负荷数据的真实值与通过台区用户负荷预测模型计算的预测值的偏差进行平均作为修正,持续优化输入层到隐含层、隐含层到输出层的权值和阈值,提升负荷预测准确率。