[发明专利]一种基于区块聚类的智慧电网短期电力负荷预测方法

说明书

本发明公开了一种基于区块聚类的智慧电网短期电力负荷预测方法，通过聚类分析，将区域内电力负荷数据变化的本质规律相近的用电单位划分到同一区块，按区块统一建立区块电力负荷预测模型组，避免模型冗杂，提升电力负荷预测模型的泛化能力和预测精度；同时，以周作为周期，分析一周内每一天电力负荷的波动规律，将一天划分为多个稳态时段，每个时段分别建立电力负荷预测模型，进一步降低电力负荷时间序列自身的波动干扰，大大提升了预测精度和鲁棒性。

技术领域

本发明属于电力负荷预测技术领域，具体涉及一种基于区块聚类的智慧电网短期电力负荷预测方法。

背景技术

电网短期电力负荷是依靠历史负荷的波动规律，结合社会环境因素对未来几小时或者几天负荷进行预测。及时有效的电力负荷预测对电网电力的安排调度、电力系统智能化水平的提高有着指导性的作用。2012年7月30日和7月31日，印度电网在连续两天的时间内发生两次超级大面积停电事故，影响恶劣，超6.8亿人无电可用，超500列火车停运，银行系统瘫痪，超过一半国土受停电影响，印度电网的无预警超负荷运行是事故发生的重要原因之一。2003年8月14日，美国东北部和加拿大东部联合电网系统失稳，造成包括纽约市和密歇根州在内的十多个地区停电，公共交通系统瘫痪，经济亦收到严重打击，据纽约市政厅估计，停电造成纽约市财政减收7.5亿美元，加拿大方面经济损失高达23亿加元，电力负荷预测的低精度和非智能化是造成事故的重要原因之一。

发明内容

针对现有技术存在的技术问题，本发明提出一种基于区块聚类的智慧电网短期电力负荷预测方法，提高电力负荷的预测精度和鲁棒性。

为实现上述技术目的，本发明采用的技术方案为：

一种基于区块聚类的智慧电网短期电力负荷预测方法，包括以下步骤：

步骤1，获取目标预测区域内每个用电单位在连续N₁个周次的电压和电流历史数据，对各用电单位的电压和电流历史数据进行处理得到对应的功率序列，所有用电单位的功率序列组成目标预测区域的功率训练样本；

步骤2，根据各用电单位的功率序列对各用电单位进行聚类，将目标预测区域划分为N₃个区块；

步骤3，利用功率训练样本，建立基于卷积神经网络的电力负荷预测模型组

步骤3.1，利用各区块内的所有功率序列，分别建立与N₃个区块对应的N₃个区块电力负荷预测模型组；

每个区块电力负荷预测模型组均包括7个天次电力负荷预测模型组，其中7个天次电力负荷模型组分别与一周7天相对应；每个天次电力负荷模型组包括N₄个基于卷积神经网络的电力负荷预测模型，其中N₄个电力负荷预测模型分别与一天N₄个时段相对应；

步骤3.2，对每个区块内的所有功率序列进行处理，每个区块均得到对应的电力负荷训练样本；

步骤3.3，依次以第a区块的电力负荷训练样本中任意两个连续周次的第b天次第n₂时段的电力负荷值作为输入数据、以下一周次的第b天次第n₂时段的电力负荷值作为输出数据，训练第a区块的第b天次第n₂时段的基于卷积神经网络的电力负荷预测模型；

其中，a＝1,2,…,N₃，b＝1,2,…,7，n₂＝1,2,…,N₄；

步骤4，利用步骤3获得的各基于卷积神经网络的电力负荷预测模型，对目标预测周次为w+m、目标预测天次为d的电力负荷进行预测；其中包含天次d的最近周次为w；

步骤4.1，获取所有用电单位的第w-1周次和第w周次的电压和电流数据，并按步骤1进行处理得到目标预测区域的功率预测样本；