考慮地域和負荷性質雙重差異的配電網空間負荷預測方法
【專利摘要】本發明涉及一種考慮地域和負荷性質雙重差異的配電網空間負荷預測方法。現有空間負荷預測方法未考慮地域差異以及樣本類型、質量對負荷密度的影響，適用性不足。本發明首先建立考慮地域差異的全樣本空間。然后通過典型日負荷曲線對負荷進行校驗和精選，篩選出具有典型性的樣本。通過加權歐式距離度量，對負荷所在地區進行聚類。之后進行子樣本空間匹配，判斷樣本所屬類型。利用SVM算法預測待測地塊的負荷密度，并通過負荷密度計算該地塊的未來負荷總量。本發明具有較高的負荷預測精度，方便應用。
【專利說明】
考慮地域和負荷性質雙重差異的配電網空間負荷預測方法
技術領域
[0001] 本發明屬于電力系統領域，具體是一種適用于配電網的空間負荷聚類及預測方 法。
【背景技術】
[0002] 隨著城鎮化進程的發展和經濟結構的調整，城網負荷呈現顯著增長，對城市電網 規劃設計提出更高要求。
[0003] 空間負荷預測是城市配電網規劃的基礎。空間負荷預測的各種方法中負荷密度指 標法適用于±地規劃較為明確的區域，在我國應用較多。方法應用關鍵是確定各規劃區地 塊的負荷密度。
[0004] 用電負荷受當地經濟及產業發展情況影響明顯，負荷密度體現出較大的地域差 異，各地無法沿用或借鑒同一套標準，若分別對當地負荷指標進行研究又極其費時費力。現 有負荷預測方法均未考慮地域差異對負荷密度的影響，在各地應用適用性較弱，存在明顯 不足。

【發明內容】

[0005] 本發明的目的在于針對現有技術的不足，提供一種考慮地域和負荷性質雙重差異 的配電網空間負荷預測方法。
[0006] 本發明方法包括W下步驟：
[0007] 步驟1:建立考慮地域差異的全樣本空間，全樣本空間中包含各樣本所在地區的區 域負荷密度評估指標，即區域信息，與各類樣本的負荷密度及影響因素信息，即分類負荷信 息；
[000引步驟2:獲取典型日負荷曲線：
[0009] 2.1)采集得到分屬工業、居民住宅、商業等L個類別的典型用戶的日負荷曲線，即 初始分類，設每條日負荷曲線有q個量測數據，記第i條日負荷曲線yi為yi = [yii，yi2,…， Yiq]；
[0010] 2.2)設yimax為第i條日負荷曲線的負荷峰值，利用極大值標準化方法對每條日負 荷曲線進行標準化處理，去除基荷數據的影響；
[0011] 2.3)設定聚類數k，W各類標準化曲線的中屯、線作為初始聚類中屯、；
[0012] 2.4) W標準化后負荷曲線的每個采集點數據作為輸入，W負荷曲線間的余弦相似 度作為相似性度量判據，將用戶分為曲線形態相似的k個類別，重新標記該用戶分類，記作 聚類分類；
[0013] 2.5)比較、分析各用戶的初始分類與聚類分類結果，剔除分類不正確或用電行為 不典型的用戶后，求取各類負荷的典型日負荷曲線，即標準化后同類日負荷曲線的中屯、線， 記作yi(l = l，L);
[0014] 步驟3:負荷分類校驗及精選，具體步驟如下：
[0015] 3.1)采集得到T個調研樣本的日負荷曲線并對其進行極大值標準化處理，記標準 化處理后的調研樣本的日負荷曲線為ct(t=l，2,…，T);
[0016] 3.2)依次計算標準化處理后每個調研樣本的日負荷曲線Ct與各類典型日負荷曲 線yi的余弦相似度，
[0017] "、 P);
[001引3.3)找出與Ct最相似，即與Ct的余弦相似度最大的典型日負荷曲線y*，對Ct標記y* 所屬分類，記作校驗分類；
[0019] 3.4)比較Cn的初始分類和校驗分類，篩選并人工復核兩次分類不同的樣本，修正 所有分類錯誤樣本的類標簽；
[0020] 3.5)設定聚類數k = 2，W2.2節所述方法對每類樣本進行再次聚類，把元素較少的 一類剔除，把元素較多的一類作為該類負荷的精選樣本，從而可得到負荷分類正確且具備 行業典型性的樣本；
[0021] 步驟4:形成分層級子樣本空間。W各負荷所在地區為聚類的簇，各指標為簇中的 對象，采用式(2)所示的加權歐式距離度量簇之間的距離。設R為mX 14階標準化矩陣，Ra是 簇Ca中的對象，化是簇Cb中的對象，則簇Ca與簇Cb的距離為：
[0022]
[0023] 若簇Ca與簇Cb的距離是所有不同簇中距離最小的，那么簇Ca與簇Cb將被合并；
[0024] 步驟5:進行子樣本空間匹配，按式(2)求取其與第一層級各樣本空間，即各區域類 型，區域信息的最小加權歐式距離，與哪個區域類型區域信息的加權歐式距離最小，該樣本 就屬于哪個區域類型，然后再根據負荷性質匹配第二層級子樣本空間，用該子樣本空間的 數據樣本作為SVM模型的訓練樣本。
[0025] 步驟6:利用SVM預測待測地塊的負荷密度，具體如下：
[0026] 6.1)確定輸入向量和輸出向量，把負荷密度的影響因素作為輸入向量，把負荷密 度作為輸出樣本；
[0027] 6.2)數據預處理，為便于數據分析，對訓練樣本和待測樣本進行歸一化處理；
[00%] 6.3)選取SVM核函數及確定SVM建模參數，W徑向基核函數作為回歸模型中的核函 數，并利用粒子群算法對建模過程需要的懲罰參數和核參數進行尋優。
[0029] 6.4)預測負荷密度，將尋優后的參數輸入SVM模型，得到待測地塊的預測負荷密度 值；
[0030] 步驟7:進行空間負荷預測，采用式(3)計算該類負荷的未來負荷預測值Wi,
[0031] Wi =化? Si (3)
[0032] 式中Pi為預測得到的第i類負荷的負荷密度，Si為該類負荷±地使用面積；
[0033] 然后如式(4)所示將各類型負荷的未來負荷預測值Wi相加，再利用同時率P修正， 可得到該規劃區的未來負荷總量W，
[0034]
(4)。
[0035] 本發明首先建立考慮地域差異的全樣本空間。然后通過典型日負荷曲線對負荷進 行校驗和精選，篩選出具有典型性的樣本。通過加權歐式距離度量，對負荷所在地區進行聚 類。之后進行子樣本空間匹配，判斷樣本所屬類型。利用SVM算法預測待測地塊的負荷密度， 并通過負荷密度計算該地塊的未來負荷總量。經過算例驗證可知，該方法具有較高的預測 精度。
【具體實施方式】
[0036] W下W實施例對本發明做進一步的闡述。
[0037] 步驟1: W浙江電網為例，對杭州、寧波等11個城市的各地塊分負荷類型進行廣泛 調研。建立考慮地域差異的全樣本空間，該實施例的全樣本空間構成如下：1)除湖州外浙江 其他10個城市的區域信息;2)杭州、寧波等10個城市分屬工業、商業、居民住宅、行政辦公等 四種主要負荷類型共2386個調研樣本的負荷密度及影響因素信息。
[003引再W100個樣本2016年1月某工作日的24點日負荷曲線為對象，利用改進k-means 算法財見講斤聚類A析.聚類結要機下親。
[0039]
[0040] 步驟2:從中每類優選25個樣本總計100個樣本，提取各類負荷的典型日負荷曲線：
[0041] 2.1)每條日負荷曲線有q個量測數據，記第i條日負荷曲線yi為yi=[yii，yi2,…， Yiq]；
[0042] 2.2)設yimax為第i條日負荷曲線的負荷峰值，利用極大值標準化方法對每條日負 荷曲線進行標準化處理，去除基荷數據的影響；
[0043] 2.3)設定聚類數k = 4, W各類標準化曲線的中屯、線作為初始聚類中屯、。
[0044] 2.4) W標準化后負荷曲線的每個采集點數據作為輸入，W負荷曲線間的余弦相似 度作為相似性度量判據，將用戶分為曲線形態相似的k個類別，重新標記該用戶分類，記作 聚類分類；
[0045] 2.5)比較、分析各用戶的初始分類與聚類分類結果，剔除分類不正確或用電行為 不典型的用戶后，求取各類負荷的典型日負荷曲線，即標準化后同類日負荷曲線的中屯、線， 記作 yi(l = l，2，.''，L)。
[0046] 步驟3:負荷分類校驗及精選，具體步驟如下：
[0047] 3.1)獲取T個調研樣本的日負荷曲線并對其進行極大值標準化處理，記標準化處 理后的調研樣本的日負荷曲線為ct(t=l，2,…，T);
[0048] 3.2)依次計算標準化處理后每個調研樣本的日負荷曲線Ct與各類典型日負荷曲 線yi的余弦相似度。
[0049]
化、
[0050] 3.3)找出與Ct最相似，即與Ct的余弦相似度最大的典型日負荷曲線y*，對Ct標記y* 所屬分類，記作校驗分類；
[0051] 3.4)比較Cn的初始分類和校驗分類，篩選并人工復核兩次分類不同的樣本，修正 所有分類錯誤樣本的類標簽；
[0052] 3.5)設定聚類數k = 2, W步驟2對每類樣本進行再次聚類，把元素較少的一類剔 除，把元素較多的一類作為該類負荷的精選樣本，從而得到負荷分類正確且具備行業典型 性的樣本。
[0053] 步驟4:將10個城市的區域信息組成判別矩陣，形成分層級子樣本空間。W各地區 指標為聚類的簇，采用式(2)度量簇之間的距離。設R為mX 14階標準化矩陣，Ra是簇Ca中的對 象，化是簇Cb中的對象，則簇Ca與簇Cb的距離為：
[0054]
、2)
[0055] 若簇Ca與簇Cb的距離是所有不同簇中距離最小的，那么簇Ca與簇Cb將被合并。兼顧 各地區樣本數量，將10個城市分為3類，將金華、臺州、嘉興、紹興、溫州定為區域I型，衝州、 麗水、舟山定為區域II型，杭州、寧波定為區域HI型。由此，根據區域分類、校驗后負荷分類 對全樣本空間進行兩級劃分，得到12個子樣本空間，用來存放SVM的訓練樣本。
[0056] 步驟5:進行子樣本空間匹配，按式(2)求取其與第一層級各樣本空間，即各區域類 型區域信息的最小加權歐式距離，與哪個區域類型區域信息的加權歐式距離最小，該樣本 就屬于哪個區域類型，然后再根據負荷性質匹配第二層級子樣本空間，用該子樣本空間的 數據樣本作為SVM模型的訓練樣本。本實施例中選取區域I型一居民負荷的子樣本空間作為 SVM的訓練樣本，其相對誤差為2.80 %，滿足精度要求。
[0057] 步驟6:利用SVM預測待測地塊的負荷密度，具體如下：
[0058] 6.1)確定輸入向量和輸出向量。把負荷密度的影響因素作為輸入向量，把負荷密 度作為輸出樣本。
[0059] 6.2)數據預處理。為便于數據分析，對訓練樣本和待測樣本進行歸一化處理。
[0060] 6.3)選取SVM核函數及確定SVM建模參數。W徑向基核函數作為回歸模型中的核函 數，并利用粒子群算法對建模過程需要的懲罰參數和核參數進行尋優。
[0061] 6.4)預測負荷密度。將尋優后的參數輸入SVM模型，得到待測地塊的預測負荷密度 值。
[0062] 步驟7:進行空間負荷預測，采用式(3)計算該類負荷的未來負荷預測值Wi。
[0063] Wi =化.Si (3)
[0064] 式中Pi為預測得到的第i類負荷的負荷密度，Si為該類負荷±地使用面積。
[0065] 然后如式(4)所示將各類型負荷的未來負荷預測值Wi相加，再利用同時率P修正， 可得到該規劃區的未來負荷總量W。 閨]
(4)。
【主權項】
1. 一種考慮地域和負荷性質雙重差異的配電網空間負荷預測方法，其特征在于，包括 以下步驟： 步驟1:建立考慮地域差異的全樣本空間，全樣本空間中包含各樣本所在地區的區域負 荷密度評估指標，即區域信息，與各類樣本的負荷密度及影響因素信息，即分類負荷信息； 步驟2:獲取典型日負荷曲線： 2.1) 采集得到分屬工業、居民住宅、商業，L個類別的典型用戶的日負荷曲線，即初始分 類，設每條日負荷曲線有q個量測數據，記第i條日負荷曲線 2.2) Syimax為第i條日負荷曲線的負荷峰值，利用極大值標準化方法對每條日負荷曲線 進行標準化處理，去除基荷數據的影響； 2.3) 設定聚類數k，以各類標準化曲線的中心線作為初始聚類中心； 2.4) 以標準化后負荷曲線的每個采集點數據作為輸入，以負荷曲線間的余弦相似度作 為相似性度量判據，將用戶分為曲線形態相似的k個類別，重新標記該用戶分類，記作聚類 分類； 2.5) 比較、分析各用戶的初始分類與聚類分類結果，剔除分類不正確或用電行為不典 型的用戶后，求取各類負荷的典型日負荷曲線，即標準化后同類日負荷曲線的中心線，記作 yi(l = l，2,…，L); 步驟3:負荷分類校驗及精選，具體步驟如下： 3.1) 采集得到T個調研樣本的日負荷曲線并對其進行極大值標準化處理，記標準化處 理后的調研樣本的日負荷曲線為ct(t=l，2,…，T); 3.2) 依次計算標準化處理后每個調研樣本的日負荷曲線Ct與各類典型日負荷曲線71的 余弦相似度，3.3) 找出與Ct最相似，即與Ct的余弦相似度最大的典型日負荷曲線y'對Ct標記f所屬 分類，記作校驗分類； 3.4) 比較Cn的初始分類和校驗分類，篩選并人工復核兩次分類不同的樣本，修正分類錯 誤樣本的類標簽； 3.5) 設定聚類數k = 2,以步驟2對每類樣本進行再次聚類，把元素較少的一類剔除，把 元素較多的一類作為該類負荷的精選樣本，從而可得到負荷分類正確且具備行業典型性的 樣本； 步驟4:形成分層級子樣本空間，以各地區指標為聚類的簇，采用式(2)度量簇之間的距 離，設R為m X 14階標準化矩陣，Ra是簇Ca中的對象，Rb是簇Cb中的對象，則簇C a與簇Cb的距離 為.若簇Ca與簇Cb的距離是所有不同簇中距離最小的，那么簇匕與簇Cb將被合并； 步驟5:進行子樣本空間匹配，按式(2)求取其與第一層級各樣本空間，即各區域類型， 區域信息的最小加權歐式距離，與哪個區域類型區域信息的加權歐式距離最小，該樣本就 屬于哪個區域類型，然后再根據負荷性質匹配第二層級子樣本空間，用該子樣本空間的數 據樣本作為SVM模型的訓練樣本； 步驟6:利用SVM預測待測地塊的負荷密度。2.根據權利要求1所述的預測方法，其特征在于，所述的步驟6:利用SVM預測待測地塊 的負荷密度， 具體如下： 6.1) 確定輸入向量和輸出向量，把負荷密度的影響因素作為輸入向量，把負荷密度作 為輸出樣本； 6.2) 數據預處理，為便于數據分析，對訓練樣本和待測樣本進行歸一化處理； 6.3) 選取SVM核函數及確定SVM建模參數，以徑向基核函數作為回歸模型中的核函數， 并利用粒子群算法對建模過程需要的懲罰參數和核參數進行尋優； 6.4) 預測負荷密度，將尋優后的參數輸入SVM模型，得到待測地塊的預測負荷密度值； 步驟7:進行空間負荷預測，采用式(3)計算該類負荷的未來負荷預測值W 1, Wi = Pi · Si (3) 式中P1S預測得到的第i類負荷的負荷密度，S1為該類負荷土地使用面積； 然后如式(4)所示將各類型負荷的未來負荷預測值1相加，再利用同時率P修正，得到該 規劃區的未來負荷總量W，⑷。
【文檔編號】G06K9/62GK106022509SQ201610302160
【公開日】2016年10月12日
【申請日】2016年5月7日
【發明人】劉衛東, 傅旭華, 鐘宇軍, 葉承晉, 白樺, 黃晶晶, 黃民翔, 劉思, 馬潤澤, 丁嘉涵
【申請人】國網浙江省電力公司經濟技術研究院, 浙江大學