[发明专利]基于mxnet框架深度神经网络的配变负荷预测方法

说明书

本发明公开了基于mxnet框架深度神经网络的配变负荷预测方法，涉及配变负荷预测方法。目前没有统一的方法对配变进行刻画和描述，工作人员无法对配变进行全面了解，不能精准的预测负荷变化趋势。本发明包括下步骤：获取系统内部数据和外部数据；对获取的数据进行提炼，获取负荷相关指标数据和历史负荷数据；以台区为单位，通过最优组合预测模型、人工神经网络算法，分别拟合负荷中长期负荷预测模型及短期负荷预测模型；针对负荷预测结果及指标维度，提炼与负荷相关的标签体系，构建台区画像视图；通过人机界面显示。本技术方案建立负荷预测评估模型，监测负荷波动，实现预测的连续性，掌握公变重要特性‑负荷动态变化过程，能精准的预测负荷变化趋势。

技术领域

本发明涉及配变负荷预测方法，尤其涉及基于mxnet框架深度神经网络的配变负荷预测方法。

背景技术

电力负荷预测对于电力系统的生产和电网安全运行有着重要的意义，准确的负荷预测是市场环境下编排调度计划、供电计划、交易计划的重要基础。

传统的负荷预测研究往往面临对象偏笼统，数据来源较单一，预测方法偏传统等问题。以往的负荷预测对象往往是一个区域，其负荷数值较大，其个体间的随机关系差异也会被相互抵消，所以出现波动较平稳的情况；数据来源偏单一，以往主要依赖历史负荷数据，或者结合气象数据，通常未考虑到用电用户的因素；预测方法上偏向于较传统的方法，如时间序列法、回归分析法等，都存在一定的缺陷，时间序列法无法考虑气象数据等复杂因素影响下的负荷波动情况，回归分析法存在如何确定合适的回归方程的问题，不能处理气候变量和负荷之间的非平衡暂态；也有通过神经网络算法进行短期负荷预测的研究 ，但受限于计算能力的影响，通常都是单层神经网络，在效果上没有充分发挥机器学习的优势，这些都导致传统的负荷预测方法预测精度不够，准确性经常达到瓶颈而无法突破。

配变所涉及的关联对象众多，数据分散于不同的系统环境，目前没有统一的方法对配变进行刻画和描述，工作人员无法对配变进行全面的了解，以及对于关于配变隐性的特征也无法了解和掌握，不能准确预测负荷变化趋势。

发明内容

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供基于mxnet框架深度神经网络的配变负荷预测方法，以实现准确预测配变负荷的目的。为此，本发明采取以下技术方案。

基于mxnet框架深度神经网络的配变负荷预测方法，包括以下步骤：

1）获取系统内部数据和外部数据，所述的系统内部数据包括GIS系统数据、PMS2.0、用电采集系统、在线监测系统、营销系统数据，所述的内部数据包括气象、宏观经济数据；

2）对获取的数据进行提炼，获取负荷相关指标数据和历史负荷数据；

3）以台区为单位，通过最优组合预测模型、人工神经网络算法，分别拟合负荷中长期负荷预测模型及短期负荷预测模型；

4）针对负荷预测结果及指标维度，提炼与负荷相关的标签体系，构建台区画像视图；

5）数据通过系统场景应用模块处理后形成对应的负荷特性分析、基于台区的负荷预测及画像体系展示、负荷预测结果多维度分析和负荷预测类标签定制组合分析的数据，并通过人机界面显示。

作为优选技术手段：在步骤3）中，短期负荷预测模型的训练数据从阿里云odps中提取，其中数据的时间跨度为至少1年；并对原始数据分析，判断是否存在问题，对问题进行处理，完成数据的前期清洗工作以为接下来的建模打好基础；问题包括数据有缺失、有异常值、气象数据与负荷数据为非线性关系、负荷与日期相关性不显著、公变属性不一情形多变；当存在数据缺失时，采用插值填补或者均值填充；当存在数据异常时，采用剔除异常值或者更正异常值的方法；当存在气象数据问题时，通过作图观察查阅文献，采用气温数据开方处理；当存在关于负荷-日期关系问题，采用变量拆分分解成月份和星期变量，由于月份和星期为定性变量，需要作哑变量处理；当存在公变类型多样问题，采用公变聚类和专家意见方法，对公变分类，一类公变一类模型预测。