[发明专利]一种智能配电网分区冷热负荷预测方法及装置

说明书

本发明属于冷热负荷预测技术领域，具体涉及一种智能配电网分区冷热负荷预测方法及装置。获取智能配电网分区的最优特征集对应的特征参数数据，并输入至训练好的热/冷负荷预测模型中，得到该智能配电网分区的热/冷负荷结果。其中，无论是热负荷预测还是冷负荷预测，本发明均先利用特征工程方法对特征参数进行处理，将对热负荷/冷负荷相关性不高的特征参数去除，避免多重共线性带来的冗余信息所导致的模型预测精度降低，进而从挑选的相关性较高的特征参数进行全排列，得到若干个特征集，确定若干个特征集分别作为预测模型输入时预测模型的精度高低，找到最优特征集以及对应的预测模型，有效提高预测模型对智能配电网热/冷负荷预测的准确性。

技术领域

本发明属于冷热负荷预测技术领域，具体涉及一种智能配电网分区冷热负荷预测方法及装置。

背景技术

冷、热负荷预测是经济调度的主要依据，是电力生产规划的基础，是电力市场顺利发展的必需数据，是电力系统安全分析的主要因素之一，是实现变压器目标节能控制的重要手段，是实现电网科学管理和调度的重要方面，在电力系统规划和电网运行方面发挥着重要的作用。

随着电力市场的逐步建立，以及电力市场和智能配电网的发展，冷、热负荷预测越来越受到重视，对负荷预测水平的要求与日俱增。提高负荷预测技术水平有利于计划用电管理，有利于减少能耗和降低发电成本，有利于合理安排电网运行方式和建立机组检修计划，有利于提高电力系统的经济效益和社会效益。因此，冷、热负荷预测的水平已成为衡量一个电力企业的管理是否走向现代化的显著标志之一。

传统的冷热负荷指标计算方法是以不同类型的典型建筑的冷热负荷指标直接乘以对应建筑的面积，从而得到各类型建筑的冷热负荷，再将各类型建筑的冷热负荷直接相加得到某一分区的冷热负荷。该种方法中所使用的冷热负荷指标一般是通过经验确定，而经验与实际情况一般会有差距，最终将导致冷热负荷预测预测不准。

发明内容

本发明提供了一种智能配电网分区冷热负荷预测方法及装置，用以解决现有技术中的方法对冷热负荷预测不准的问题。

为解决上述技术问题，本发明所包括的技术方案以及技术方案对应的有益效果如下：

本发明提供了一种智能配电网分区冷热负荷预测方法，包括如下步骤：

获取智能配电网分区的热/冷负荷预测模型的最优特征集对应的特征参数数据，并输入至训练好的热/冷负荷预测模型中，得到该智能配电网分区的热/冷负荷结果；其中，所述热/冷负荷预测模型采用如下方法构建以及训练得到：

利用特征工程法从选取的特征参数中挑选出与热负荷相关性较高的特征参数；

对挑选的相关性较高的特征参数进行全排列，得到若干个特征集；

以各个特征集分别为输入，以热/冷负荷为输出，构建若干个预测模型，并利用获取的特征参数数据和热/冷负荷数据对构建的预测模型进行训练，训练好后对各个预测模型的预测精度进行比较，将预测精度最高的特征集作为最优特征集，以及与该最优特征集对应的预测模型即为热/冷负荷预测模型。

上述技术方案的有益效果为：无论是热负荷预测还是冷负荷预测，本发明均先利用特征工程方法对特征参数进行处理，将对热负荷/冷负荷相关性不高的特征参数去除，有效消除参数变量间的潜在多重共线性，避免多重共线性带来的冗余信息所导致的模型预测精度降低，进而从挑选的相关性较高的特征参数进行全排列，得到若干个特征集，确定若干个特征集分别作为预测模型输入时预测模型的精度高低，从而找到最优特征集以及对应的预测模型，有效提高预测模型对智能配电网冷、热负荷预测的准确性。

进一步的，选取的特征参数包括：气象参数变量、耗电量、配电网负荷、地块面积、以及计划用能时间。

进一步的，得到热/冷负荷预测模型后，还包括利用训练集再次对所述热/冷负荷预测模型进行训练的步骤。

进一步的，所述预测模型为神经网络模型。