[发明专利]考虑负荷增长率与用户用电特性的配变重过载预测方法

权利要求书

1.考虑负荷增长率与用户用电特性的配变重过载预测方法，其特征在于：包括以下步骤：

S1：采集各配电台区变压器的历史运行数据，进行数据预处理；所述步骤S1中进行数据预处理的步骤具体如下：

S11：将台区负载的影响因素作为输入参数统一考虑，将台区负荷的影响因素分为三类：气象信息、日期类型、负荷趋势；所述气象信息包括气温、湿度、风速、风向；所述日期类型包括星期、节假日；所述负荷趋势包括周负荷趋势、年负荷趋势；具体描述如表1所示：

表1影响因素汇总

S12：采用min-max标准化方法将配电变压器的影响因素的数值进行归一化处理，将原始数据的大小约束在[0,1]之间，标准化公式如下：

其中，x^*为归一化后的数值，x_max为影响因素的最大值，x_min为影响因素的最小值，x为影响因素的数值；

S2：根据台区长期负荷增长率划分台区，将用电地区分为工业用电台区、商业用电台区以及居民用电台区三类，采用K-means算法对各个台区的负载曲线进行用户年用电量以及用户月用电量发展趋势进行聚类；根据设定划分的聚类数目，对台区的用户负载样本进行归类；

S3：采用K-means算法对不同的用户用电特性进行聚类，利用台区的用户用电特性划分台区的用户用电量类型；所述步骤S3中选用日平均负荷、谷电系数、平段用电百分比以及峰时耗电率4个特征量来对用户用电量进行聚类；

S4：建立基于DBN的配电变压器负载预测模型，利用步骤S1中的训练样本集进行预训练，得到负载预测模型的网络参数初始值；

S5：通过误差反向传播算法对基于DBN的配电变压器负载预测模型的网络参数进行微调，获取参数最优值；

S6：利用建立的基于DBN的配电变压器负载预测模型对台区预测日的负载率进行预测，根据步骤S1中的数据形成预测模型的输入向量x＝[x₁,x₂,…,x_n]，随后，选取待预测日24h的台区负载率y＝[y₁,y₂,…,y₂₄]作为输出向量。

2.根据权利要求1所述的考虑负荷增长率与用户用电特性的配变重过载预测方法，其特征在于：所述步骤S2中K-means算法的步骤如下：

S21：从步骤S1中的预处理后的数据随机选择K个样本作为初始质心；

S22：对于每个样本，计算它与每个质心之间的距离，并将其分配给最近的集群；计算方法如下：

式中，K为聚类数目，C_k为第k个簇，μ_k为第k个簇的质心，x为属于C_k的样本；

S23：根据下式更新每个聚类的质心：

S24：判断是否收敛，判断收敛的判据包括是否满足设定好的迭代次数、质心的稳定值以及距离函数的变化阈值；若收敛，则终止算法；否则，转到步骤S22。

3.根据权利要求1所述的考虑负荷增长率与用户用电特性的配变重过载预测方法，其特征在于：所述步骤S4中基于DBN的配电变压器负载预测模型含有2层受限玻尔兹曼机网络，同时在RBM网络最后加入一层反向传播神经网络；

预测模型的训练过程由预训练和反向微调两个内容组成；对第1层进行训练时，将x＝[x₁,x₂,…,x_n]作为RBM₁的输入向量，利用无监督贪心算法训练得到其参数{w₁,a₁,b₁}并固定；将RBM₁隐含层的输出向量作为RBM₂的输入对其进行训练得到参数{w₂,a₂,b₂}，并将其作为BP神经网络的输入参数，随后通过误差BP算法对网络参数进行微调。

4.根据权利要求3所述的考虑负荷增长率与用户用电特性的配变重过载预测方法，其特征在于：所述受限玻尔兹曼机网络的算法步骤如下：

令n、m分别为可见层、隐含层神经元的个数，s_i、g_j分别为可见层第i个神经元的状态以及隐含层第j个神经元的状态；可见单元和隐藏单元的取值分别为s_i∈{0,1}和g_j∈{0,1}，对于状态(s,g)，其能量函数可描述为：

式中，θ＝{w＝(w_ij)_n×m，a＝(a_i)_n，b＝(b_j)_m}为RBM的参数；s＝(s_i)和g＝(g_j)分别为RBM的可见单元和隐藏单元的向量；w_ij为可见单元s_i和隐藏单元g_j之间的对称连接权重；a_i和b_j分别为可见单元s_i和隐藏单元g_j的偏置；n和m分别为可见单元s_i和隐藏单元g_j的数目；

这类可见单元和隐藏单元的联合概率分布P(s,g；θ)为：

在RBM中，隐单元的状态相互独立，当随机可见向量s确定时，可通过式(6)计算隐藏单元g_j的二进制状态被设置为1的概率：

式中：σ(x)为sigmoid激活函数，σ(x)＝(1+e^-x)^-1；

当隐藏层的各单元状态g给定时，可见单元s_i的二进制状态被设置为1的概率可通过下式计算得到：

由于在RBM网络中，可见层与隐含层的状态是相互独立的，因此可得到条件概率分布：