[发明专利]一种新型的配电变压器重过载预测方法

说明书

本发明涉及一种新型的配电变压器重过载预测方法，包括以下步骤：步骤S1：从营配调相关生产和管理系统以及气象数据网获取基础数据；步骤S2：对各类特征量进行关联性分析，找出与配变重过载相关性强的特征量作为预测模型的输入；步骤S3：设计预测模型，利用数据集对模型进行训练和测试。本发明提出一种基于注意力机制的多尺度一维CNN‑LSTM网络的预测模型。该模型将多尺度一维CNN与LSTM网络相结合，可有效综合卷积神经网络的速度及轻量性与LSTM网络三种门对信息的处理能力。网络输出端引入的注意力机制，可对LSTM隐含层的输出进行注意力权重的分配，突出关键因素对配变重过载的影响力，最终实现配变重过载的预测，对实际的生产工作起到一定的指导作用。

技术领域

本发明涉及配电网领域，大数据领域，人工智能领域，特别是一种新型的配电变压器重过载预测方法。

背景技术

气候变化、节假日及突发事件等都可能导致用电负荷陡然增加，使配电变压器处于重载甚至过载的运行状态中。配变重过载运行，不但可能导致供电可靠性下降，客户投诉率上升，服务满意度下降，并且容易造成配变绝缘层老化、使用寿命下降，甚至造成严重事故造成经济损失。对配电变压器重过载事件进行有效预警，可有效发挥事前引导作用，减少安全隐患、提升用电服务质量和社会满意度。目前针对配电变压器重过载的预测研究，大多数还是以负荷预测为切入点。利用历史负荷数据去外推负荷变化规律，并加入其它影响负荷变化的外部因素进行负荷预测，最后通过预测结果对重过载进行判断。但是目前配变重过载的治理多以实施周期较长的线路改切和设备改造为主要手段，短期负荷预测结果往往不足以提供足够的时间裕度消除重过载隐患。

现有的配变重过载预测大多以负荷预测为切入点，利用历史负荷数据去外推负荷变化规律，并加入其它影响负荷变化的外部因素进行负荷预测，最后通过预测结果对重过载进行判断。回归分析法、自回归积分滑动平均、负荷求导法等传统负荷预测方法，历史数据与预测数据的关系较为简单，在数据量少时表现良好。当今电力系统运行数据不断朝向大数据量、多源异构、高精度化发展，传统的负荷预测方法开始显得力不从心。随机森林、支持向量机、逻辑回归模型等机器学习方法也在配变重过载预测领域取得良好的表现，但其在挖掘特征量间关联性，提取内在特征方面有待提高。

发明内容

有鉴于此，本发明的目的是提供一种新型的配电变压器重过载预测方法，直接以重过载事件为目标，分析影响配变重过载的各类因素，再利用机器学习模型进行预测。帮助电力部门及时采取措施，保障电网的安全稳定运行。

本发明采用以下方案实现：一种新型的配电变压器重过载预测方法，包括以下步骤：

步骤S1：从营配调相关生产和管理系统以及气象数据网获取基础数据；

步骤S2：将获取的基础数据与配变重过载事件进行关联性分析，找出与配变重过载相关性强的特征量作为预测模型的输入；

步骤S3：设计预测模型，利用数据集对模型进行训练和测试；模型通过训练集进行自我学习，寻找最佳参数并保存；然后将测试集输入模型，得到测试集的测试结果即将测试配变关于步骤S2中寻找到的所有强关联性的特征量输入，模型会自动计算并判断其运行状态是正常、重载还是过载，实现预测。

进一步地，步骤S1中所述营配调相关生产和管理系统包括调度管理系统(DMS)、生产管理系统(PMS)、用电信息采集系统和配网调度智能管控平台(SMD)。

进一步地，步骤S1中所述基础数据包括配变自身属性数据、历史运行数据、用电客户信息、日期数据和气象数据，具体为配变铭牌容量、配变类型、配变所处区域类型、用户分类、星期、季度、节假日、日平均气温、月平均气温、日平均降水、日最大风力、日平均湿度和日最大风力风向；历史运行数据又包括负荷数据和重过载事件记录。

进一步地，所述步骤S2具体包括以下步骤：

步骤S21：对步骤S1中获取基础数据中的数值型变量进行离散化处理，对字符型变量进行归一化处理，并去除无效量；