[發明專利]一種基于主變負載影響因素預測的主變負載預測方法

在審

• 申請號: 202111403885.6
• 申請日: 2021-11-24
• 公開（公告）號: CN114692937A
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 范強;陳園園;李博文;肖寧;張歷;趙超;唐賽秋;代奇跡;馮起輝;張后誼;祝建楊;劉卓婭;曹雷;張迅;郭莉薩;陳亞飛;肖書舟;呂黔蘇;文屹;萬金金;黃軍凱;吳建蓉;楊濤;王冕;許逵;劉君;丁江橋;代吉玉蕾;余思伍;陳沛龍;李林峰;歐陽澤宇;李鑫卓;張俊杰;高勇;龍秋風
• 申請（專利權）人: 貴州電網有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06F16/906;G06K9/62;G06N3/04;G06F16/909;G06F16/29
• 代理公司: 貴陽中新專利商標事務所 52100
• 代理人: 胡緒東

1.一種基于主變負載影響因素預測的主變負載預測方法，其特征在于：該方法為：收集全面分析與主變負載特性有關的數據信息，構建主變負載影響因素評價數據庫，通過建立考慮典型時間的主變負載影響因素評價模型ξ1、考慮電網拓撲結構的主變負載影響因素評價模型ξ2、考慮停電計劃的主變負載影響因素評價模型ξ3、考慮主變參數的主變負載影響因素評價模型ξ4、考慮氣象信息的主變負載影響因素評價模型ξ5、考慮主變過載特性的主變負載影響因素評價模型ξ6、考慮主變重載特性的主變負載影響因素評價模型ξ7、考慮主變負荷特性的主變負載影響因素評價模型ξ8、考慮季節特性的主變負載影響因素評價模型ξ9、構建全面的主變負載影響因素分析模型，計算主變負載數據信息以及主變負載影響因素分析模型的相關系數，根據強關聯主變負載影響因素評價因子，獲得主變負載重要影響因素數據集，并按照計劃性和非計劃性影響因子對數據集分類，從而得到預測期主變負載影響因素評價因子預測值，利用DTW和LSTM的組合預測算法，應用DTW算法將相似負載率特性的主變負載率曲線進行聚類，將DTW聚類后的數據訓練LSTM主變負載模型。

2.根據權利要求1所述的一種基于主變負載影響因素預測的主變負載預測方法，其特征在于：該方法具體步驟如下：

步驟1：收集主變負載數據信息以及全面分析主變負載特性有關的數據信息，構建主變負載影響因素評價數據庫；

步驟2：利用步驟1得到的主變負載影響因素評價數據庫，建立考慮典型時間的主變負載影響因素評價模型ξ1；

步驟3：利用步驟1得到的主變負載影響因素評價數據庫，建立考慮電網拓撲結構的主變負載影響因素評價模型ξ2；

步驟4：利用步驟1得到的主變負載影響因素評價數據庫，建立考慮停電計劃的主變負載影響因素評價模型ξ3；

步驟5：利用步驟1得到的主變負載影響因素評價數據庫，建立考慮主變參數的主變負載影響因素評價模型ξ4；

步驟6利用步驟1得到的主變負載影響因素評價數據庫，建立考慮氣象信息的主變負載影響因素評價模型ξ5；

步驟7：利用步驟1得到的主變負載影響因素評價數據庫，分析主變的過載特性，建立考慮主變過載特性的主變負載影響因素評價模型ξ6；

步驟8：利用步驟1得到的主變負載影響因素評價數據庫，分析主變的重載特性，建立考慮主變重載特性的主變負載影響因素評價模型ξ7；

步驟9：利用步驟1得到的主變負載影響因素評價數據庫，分析主變的負荷特性，建立考慮主變負荷特性的主變負載影響因素評價模型ξ8；

步驟10：利用步驟1得到的主變負載影響因素評價數據庫，分析主變的季節特性，建立考慮季節特性的主變負載影響因素評價模型ξ9；

步驟11：結合步驟2-10，構建主變負載影響因素分析模型ψ＝{ξ1，ξ2，ξ3，ξ4，ξ5，ξ6，ξ7，ξ8，ξ9}；

步驟12：對主變負載影響因素分析模型ψ＝{ξ1，ξ2，ξ3，ξ4，ξ5，ξ6，ξ7，ξ8，ξ9}中的缺失值進行處理；

步驟13：利用步驟12得到處理后完整的主變負載影響因素分析模型ψaf＝{ξ1af，ξ2af，ξ3af，ξ4af，ξ5af，ξ6af，ξ7af，ξ8af，ξ9af}進行歸一化處理；

步驟14：計算步驟1中的主變負載數據信息R_LO以及步驟13得到的歸一化后得到的主變負載影響因素分析模型ψ_norm的相關系數；

步驟15：對第i臺主變負載相關系數ri中排名前10的強關聯主變負載影響因素評價因子，記作第i臺主變負載重要影響因素數據集

步驟16：將步驟2-10的構建主變負載影響因素分析模型ξ1、ξ2、ξ3、ξ4、ξ5、ξ6、ξ7、ξ8、ξ9內包含的所有評價因子進行分類，即分為計劃性影響因素評價因子和非計劃性影響因素評價因子。將計劃性影響因素評價因子計入ψjh＝{ξ1jh，ξ2jh，ξ3jh，ξ4jh，ξ5jh，ξ6jh，ξ7jh，ξ8jh，ξ9jh}，將非計劃數據類影響因素評價因子計入ψfj＝{ξ1fj，ξ2fj，ξ3fj，ξ4fj，ξ5fj，ξ6fj，ξ7fj，ξ8fj，ξ9fj}；

步驟17：結合步驟15得到的對第i臺主變負載相關系數ri中排名前10的強關聯主變負載影響因素評價因子，按照ψjh和ψfj進行計劃性影響因素評價因子和非計劃性影響因素評價因子分類，得到的第i臺主變負載相關系數ri中排名前10的強關聯主變負載影響因素評價因子中計劃性影響因素評價因子ψitjh，得到的第i臺主變負載相關系數ri中排名前10的強關聯主變負載影響因素評價因子中非計劃性影響因素評價因子ψitfj；

步驟18：將預測周期內的第i臺主變負載相關系數ri中排名前10的強關聯主變負載影響因素評價因子中，計劃性影響因素評價因子預測數據計入ψitjhyc；計劃性影響因素評價因子預測數據ψitjhyc，即為計劃性影響因素評價因子的計劃數據；

步驟19：將預測周期內的第i臺主變負載相關系數ri中排名前10的強關聯主變負載影響因素評價因子中，非計劃性影響因素評價因子預測數據計入ψitfjyc；

步驟20：結合步驟18和19，獲得預測周期內的第i臺主變負載相關系數ri中排名前10的強關聯主變負載影響因素評價因子預測值ψityc＝{ψitjhyc，ψitfjyc}；

步驟21：結合步驟15得到的第i臺主變負載重要影響因素數據集利用DTW對主變負載影響因素分析模型進行聚類，聚類后得到第i臺主變負載重要影響因素聚類數據集

步驟22：結合步驟21得到聚類后得到第i臺主變負載重要影響因素聚類數據集訓練LSTM主變負載預測模型；

步驟23：利用步驟20得到的預測周期內的第i臺主變負載相關系數ri中排名前10的強關聯主變負載影響因素評價因子預測值ψityc＝{ψitjhyc，ψitfjyc}，帶入LSTM主變負載預測模型，得到預測周期內的第i臺主變負載預測值Pyci。