[發明專利]一種結合邊緣計算與用能識別的電力負荷預測系統和方法

在審

• 申請號: 202011642330.2
• 申請日: 2020-12-31
• 公開（公告）號: CN112686456A
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 郇嘉嘉;洪海峰;李家淇;羅金滿;文福拴;蔣雪冬;劉偉斌;黎偉文;黃學勁;隋宇;張小輝
• 申請（專利權）人: 廣東電網有限責任公司;浙江大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F16/2458;G06F16/29;G06K9/62;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 賈小慧

1.一種結合邊緣計算與用能識別的電力負荷預測系統，其特征在于，包括邊緣計算層、數據傳輸層、統計分析層和訓練預測層；

所述邊緣計算層包括智能電表，所述智能電表內設數據采集模塊和數據處理芯片，所述數據采集模塊用于實時采集電力用戶的高頻量測信息，所述數據處理芯片用于采用負荷識別算法對所述數據采集模塊采集到的所述高頻量測信息進行用能細分識別，得到所述電力用戶的實際用能行為數據，將所述實際用能行為數據上傳到所述數據傳輸層；

所述數據傳輸層包括數據集中器，所述數據集中器用于對所述實際用能行為數據進行統計和合并，得到分區用能序列，將所述分區用能序列上傳到所述統計分析層；

所述統計分析層用于將區域內所有所述數據集中器上傳的所述分區用能序列按照預置分類原則進行分類統計，得到區域用能數據，將所述區域用能數據上傳至所述訓練預測層，所述預置分類原則包括用戶類型、時間序列、電器類別和地理位置；

所述訓練預測層用于對所述區域用能數據進行歸一化處理，將歸一化處理后得到的數據代入深度學習神經網絡進行訓練，得到訓練好的神經網絡，將所述訓練好的神經網絡用于電力系統的負荷預測。

2.根據權利要求1所述的結合邊緣計算與用能識別的電力負荷預測系統，其特征在于，所述負荷識別算法為基于電壓-電流軌跡和多特征融合的自適應多分類學習算法；

所述采用負荷識別算法對所述數據采集模塊采集到的所述高頻量測信息進行用能細分識別的步驟包括：

獲取各類電器設備在啟動和停止狀態下的電壓-電流瞬時采樣值，對所述電壓-電流瞬時采樣值進行歸一化，以電壓為橫軸，以電流為縱軸，繪制電壓電流軌跡圖；

提取所述電壓電流軌跡圖中電壓-電流軌跡的特征指標，形成特征向量，并結合設備采樣狀態構造樣本，得到各類設備的啟動樣本序列，所述特征指標包括循環方向、自相交點的數量、平均曲線中段斜率、平均曲線曲率、軌跡包絡面積；

設置迭代次數，并初始化各樣本的權重；

開始迭代，根據各樣本的權重對各樣本進行訓練和分類識別，計算k類標簽樣本中被識別為非本類別的樣本的權重之和，判斷k類標簽樣本中識別正確的樣本權值之和是否大于識別錯誤的樣本權值之和，若是，則繼續循環迭代，否則返回重新計算k類標簽樣本中被識別為非本類別的樣本的權重之和；

計算分類識別的分類函數的錯誤識別率；

更新權重值，并對更新的權重值進行歸一化，得到增強分類識別器；

通過增強分類識別器進行用能細分識別，得到所述電力用戶的實際用能行為數據。

3.根據權利要求1所述的結合邊緣計算與用能識別的電力負荷預測系統，其特征在于，所述電力用戶包括工業電力用戶、商業電力用戶和居民電力用戶，所述高頻量測信息包括電壓波形和電流波形。

4.根據權利要求1所述的結合邊緣計算與用能識別的電力負荷預測系統，其特征在于，所述數據采集模塊采集數據的采樣頻率不低于6000Hz。

5.根據權利要求1所述的結合邊緣計算與用能識別的電力負荷預測系統，其特征在于，所述智能電表通過RS485總線與所述數據集中器進行數據傳輸。

6.根據權利要求1所述的結合邊緣計算與用能識別的電力負荷預測系統，其特征在于，所述數據集中器通過GPRS或5G專網傳輸至所述統計分析層。