[发明专利]一种配电网负荷预测方法

说明书

本发明具体为一种配电网负荷预测方法：包括一：将获取的各个测量点的负荷值进行标幺化处理，处理后的数据形成对应的负荷特征曲线。二：对步骤一中获得的各个负荷特征曲线进行聚类分析，从而实现对缺失和为零的数据进行修正。三：对步骤二获得的同一配变的所有历史负荷特征曲线进行聚类，分析温度、天气、日期对负荷的影响。四：将步骤三中修正后的曲线通过深度置信神经网络建立输出配电网负荷预测模型实现配电网负荷预测。本发明是先采用聚类算法进行配电网负荷特性分析，在此基础上构建通过深度置信神经网络负荷预测模型，通过深度置信神经网络变换将原始负荷序列分解得到不同层级的子集，在各子集分别建模实现对负荷各层特性的合理利用。

技术领域

本发明涉及配电网数据采集领域，具体为一种配电网负荷预测方法。

背景技术

配电网直接面向用户供电，是电网的重要组成部分。配电自动化通过配电主站、通信网络、终端技术应用，提升中低压配电网运行状态的主动感知和决策控制能力。但配电网具有规模大、点多线长面广的特点，资金的不足导致配电主站自采集量测能力长期严重不足，严重制约配电自动化发展。随着智能量测体系的推广建设，用电信息采集系统积累大量台区关口准实时数据和历史数据，这些数据将成为未来配电主站获取10kV末端数据的重要来源，可以有效弥补配电主站量测的不足。因此需要能够适应智能配用电大数据环境下的配电网短期负荷预测方法，预测结果可为配电网负荷转供、重过载趋势分析、配电变压器(简称配变)运行状态评估等提供数据支撑。

发明内容

1.所要解决的技术问题：

针对上述技术问题，本发明提供一种配电网负荷预测方法，本方法通过深度置信神经网络建立输出配电网负荷预测模型，从而实现对配电网的负荷预测。

2.技术方案：

一种配电网负荷预测方法，其特征在于：包括以下步骤：

步骤一：将获取的各个测量点的负荷值进行标幺化处理，处理后的数据形成对应的负荷特征曲线。

步骤二：对步骤一中获得的各个负荷特征曲线进行聚类分析，从而实现对缺失和为零的数据进行修正。

步骤三：对步骤二获得的同一配变的所有历史负荷特征曲线进行聚类，分析温度、天气、日期对负荷的影响。

步骤四：将步骤三中修正后的曲线通过深度置信神经网络建立输出配电网负荷预测模型实现配电网负荷预测。

进一步地，所述步骤一中的标幺化处理过程具体为：所述标幺化处理的公式如公式(1)：

式(1)中Xi为标幺化后测量点i的负荷值，p_i为测量点i的负荷值，p_max、p_min 分别为原始日负荷曲线中的最大值和最小值。

进一步地，所述步骤二的具体过程为：计算出待修正曲线正常负荷点与特征曲线的距离，选取距离最近的特征曲线作为基准。利用负荷曲线的横向相似性，将基准曲线对应位置的值通过倍比法平移嫁接到待修正曲线上，完成坏数据点的修正；具体的修正公式为:

(2)式中:x_c,i为坏数据点i修正后的值；x_t,i为基准曲线上坏数据点i的值；x_d,p-1、x_d,q+1分别为待修正曲线上坏数据点，x_t,p-1、x_t,q+1分别为基准曲线上坏数据点前后各一个点的值；p-q为坏数据点。

进一步地，所述步骤三的具体步骤为：

301构造基于RBM的5层DBN，包括1个输入层，3个隐藏层和1个决策层；