电力系统短期负荷预测的研究「电表负荷过大怎么处理」

时间：2022-11-26 11:17:21来源：搜狐

今天带来电力系统短期负荷预测的研究「电表负荷过大怎么处理」，关于电力系统短期负荷预测的研究「电表负荷过大怎么处理」很多人还不知道，现在让我们一起来看看吧！

随着普通个体住户的生活水平的提高，个体楼宇负荷水平也在提高，其负荷由于居住者的行为而具有极大的波动性。在用电高峰期间，当个体楼宇同时使用多种大功率电器时，电网馈线会增大供电压力，进而使整个配电网的供电压力增大。因此，通过客户侧需求响应，供应商可以通过调整电价实现电网的削峰，居民也可以减少电力账单。短期楼宇负荷预测是客户侧需求响应的一项关键技术，可以实现配电部门与用户之间的双赢。

楼宇内客户的用电行为的多变与预测的效果有显著的相关性，且数据量庞大，给时间序列模型的学习带来巨大挑战。传统预测方法采用长短期时间记忆递归神经网络，在考虑居民家电消费的情况下，基于家电使用数据学习居民使用家电的习惯，得到了比多个基准优秀的预测性能。然而，长短期时间记忆等递归神经网络不能并行处理输入序列，因此模型训练的开销会随着输入序列长度的增加而增加，会忘记较久远的历史信息，使得预测结果失准。

问题拆分

方法包括如下步骤：1)数据输入：以总表负荷数据和内部负荷数据作为输入数据，其中，内部负荷数据包括各分表负荷数据和未测量负荷数据；2)数据处理：对缺失数据进行填补，对异常值进行修正，并根据预先进行的相关性分析结果，保留相关系数大于设定值的内部负荷数据；3)负荷预测：将步骤2)得到的内部负荷数据和总表负荷数据构成的时间序列，输入到预先训练稳定的时间卷积网络中，对目标未来时间的楼宇电力负荷进行短期预测。本发明采用时间卷积神经网络对楼宇电力负荷进行短期预测，与传统方法相比，训练达到稳定的时间明显缩短，误差显著减小，预测性能更优。

问题解决

1 .一种基于智能电表数据的短期楼宇电力负荷预测方法，其特征在于：包括如下步骤： 1)数据输入：以总表负荷数据和内部负荷数据作为输入数据，其中，内部负荷数据包括各分表负荷数据和未测量负荷数据； 2)数据处理：对总表负荷数据和内部负荷数据进行缺失数据、异常数据的查找，再对缺失数据进行填补，对异常值进行修正，并根据预先基于历史负荷数据进行的内部负荷数据与总表负荷数据的相关性分析结果，保留相关系数大于设定值的内部负荷数据，删除其他内部负荷数据； 3)负荷预测：将步骤2)得到的内部负荷数据和总表负荷数据构成的时间序列，输入到预先训练稳定的时间卷积网络中，对目标未来时间的楼宇电力负荷进行短期预测。

2 .根据权利要求1所述的短期楼宇电力负荷预测方法，其特征在于：所述步骤1)还包括数据采集步骤，即采集楼宇总表和各分表在预测时间前一段时间的时间序列用电数据，再根据总表测得的负荷数据和各分表测得的负荷数据之和的差值得出每组用电数据的未测量负荷数据，从而得到所述输入数据。

3 .根据权利要求2所述的短期楼宇电力负荷预测方法，其特征在于：所述步骤1)中，采集的时间序列长度与训练时每次输入时间卷积网络的时间序列长度相等。

4 .根据权利要求1所述的短期楼宇电力负荷预测方法，其特征在于：所述步骤3)中，时间卷积网络的基本结构是由2～4残差层构成的残差网络，每个残差层包括1～2个基本层、1 ～2个卷积层以及1个直连层。

5 .根据权利要求4所述的短期楼宇电力负荷预测方法，其特征在于：所述步骤3)中，时间卷积网络包括因果卷积和空洞卷积，每层神经元数目为250～350。

6 .根据权利要求1～5中任一项所述的短期楼宇电力负荷预测方法，其特征在于：所述步骤3)中，时间卷积网络的预先训练包括如下步骤：根据训练需要输入过去一段时间的总表负荷数据和内部负荷数据；采用所述步骤2)中方法对负荷数据进行填补与修正，继而对各内部负荷数据与总表负荷数据进行相关性分析，选取相关系数大于设定值的内部负荷数据作为辅助输入数据，并将其与总表负荷数据结合，对时间卷积网络进行训练。