[发明专利]母线负荷预测方法、装置、计算机设备及存储介质

说明书

本发明涉及一种母线负荷预测方法、装置、计算机设备及存储介质，方法包括：获取母线的历史负荷数据及关联特征的历史数据；根据关联特征的历史数据及母线的历史负荷数据，计算得到关联特征的重要度；根据关联特征的重要度，对关联特征进行筛选，得到筛选后的关联特征；基于深度学习算法，根据母线的历史负荷数据及筛选后的关联特征的历史数据，得到母线负荷预测模型；获取筛选后的关联特征的预测数据；根据筛选后的关联特征的预测数据及母线负荷预测模型，得到母线的预测负荷数据，根据预测负荷数据对母线进行控制，能够提升母线负荷预测模型构建效率，以提升母线负荷预测时计算效率，以及对母线负荷进行准确预测。

技术领域

本发明涉及电力系统技术领域，特别是涉及一种母线负荷预测方法、装置、计算机设备及存储介质。

背景技术

母线负荷是指变电站的主变压器供给一个相对较小的供电区域的终端负荷的总和，是各地区底层调度控制的重要参考。高精度的母线负荷预测是保证电网安全、经济运行的基础，能够有效提高电网的在线监测，增强运行人员对局部电网负荷的动向掌握，及时发现并消除系统中的安全隐患，极大地提高电力系统运行的可靠性与稳定性。

目前，母线负荷预测方法可以分为基于系统负荷分配的方法及基于母线负荷自身变化规律的预测方法。基于系统负荷分配的方法首先对系统总负荷进行预测，然后根据配比模型分配到每一条母线上，这类方法求解快速，但对单个母线的负荷自身特性的考虑并不充分，且分配因子的确定较为主观，无法保证预测精度；基于母线负荷自身变化规律的预测方法，是通过分析各母线的负荷规律来预测自身负荷，然后对照系统负荷进行修正，该方法较基于系统负荷分配的方法的预测精度高，但需要对各个母线单独建模，操作复杂，工作量相对较高。

发明内容

基于此，有必要提供一种母线负荷预测方法、装置、计算机设备及存储介质。

一种母线负荷预测方法，包括：获取母线的历史负荷数据及关联特征的历史数据；根据所述关联特征的历史数据及所述母线的历史负荷数据，计算得到关联特征的重要度；根据所述关联特征的重要度，对所述关联特征进行筛选，得到筛选后的关联特征；基于深度学习算法，根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据，得到母线负荷预测模型；获取筛选后的关联特征的预测数据；根据所述筛选后的关联特征的预测数据及所述母线负荷预测模型，得到母线的预测负荷数据。

上述母线负荷预测方法，通过计算关联特征对母线负荷影响程度，对关联特征进行筛选，剔除对母线负荷影响较小的关联特征，母线负荷预测模型只需要根据母线负荷历史数据及筛选后的关联特征的历史数据进行构建，降低了母线负荷预测模型训练时间，提升母线负荷预测模型构建效率以及母线负荷计算效率，且重要度低的关联特征对母线负荷预测影响可以忽略不计，从而可以保证母线负荷预测的精度，此外采用深度学习算法能够学习并跟踪母线负荷变化趋势，构建母线负荷预测模型，以进一步实现对母线负荷的准确预测，用户只需要输入筛选后的关联特征的预测数据，即可以获取母线负荷预测数据，从而便于用户操作。

在其中一个实施例中，所述根据所述关联特征的历史数据及所述母线的历史负荷数据，计算得到关联特征的重要度，包括：对所述关联特征的历史数据及所述母线的历史负荷数据进行随机森林算法处理，得到关联特征的重要度。

在其中一个实施例中，所述根据所述关联特征的历史数据及所述母线的历史负荷数据，计算得到关联特征的重要度的步骤，包括：对所述关联特征的历史数据及所述母线的历史负荷数据进行相关系数分析法处理，得到关联特征的重要度。

在其中一个实施例中，所述基于深度学习算法，根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据，得到母线负荷预测模型的步骤，包括：构建深度置信网络模型；根据所述母线的历史负荷数据及所述筛选后的关联特征的历史数据，对深度置信网络模型进行预训练，得到训练后的深度置信网络模型；将所述训练后的深度置信网络模型进行反向传播算法处理，得到所述母线负荷预测模型。