[发明专利]区域用电特征的挖掘方法、装置及可读存储介质

说明书

本申请公开了一种区域用电特征的挖掘方法包括区域用电短期预测和区域用电长期预测，包括建立第一层数据处理层，根据日时间尺度数据输出日结果，建立第二层数据处理层根据日结果和月时间尺度数据输出月结果，建立第三层数据处理层根据月结果和年时间尺寸数据输出年结果，对第三层数据处理层输出年结果数据进行线性处理，输出总负荷预测结果。根据本申请实施例提供的技术方案采用三层堆叠神经网络分别处理三种数据，在月时间尺度影响因素数据的处理中将日时间尺度的影响因素考虑进去，在年度影响因素数据处理中将月度数据和日度数据考虑进去，最后输出预测结果，使得预测的总负荷结果涵盖日月年三个时间，预测结果更加的智能且符合历史情况。

技术领域

本发明一般涉及配电控制领域，尤其涉及区域用电特征的挖掘方法、装置及可读存储介质。

背景技术

随着传感技术、自动化控制技术、通信网络技术、分布式存储技术、大数据分析和人工智能技术的发展，以及社会经济和环境需求的巨大推动，电网也将真正实现与互联网的深度融合，发展“智能电网”是电力行业的必然发展趋势。电力系统规模日趋增大，电网结构日益复杂，系统故障引发后果越发严重国内外多次大停电事故造成了巨大的经济损失和恶劣的社会影响。电网设备地域分布广、管理要素多、信息数据量大，导致管理成本高，对突发事件的应急处置能力低，现有的设备技术已无法适应电网的高速发展。迫切需要研发高效可靠的配用电系统关键技术，解决电网事故问题。现阶段，低压配电柜在可靠性、安全性、智能控制、模块化等方面的性能还有待提高。配电室运行的安全可靠性还只建立在值班电工的技能、责任心等不确定性的因素基础上。

因此配用电系统的智能化改造升级、构筑电站立体化保障体系符合国家产业政策，成为近几年中电站的发展趋势，具有广泛的工业应用需求和重要的社会应用价值。在用电情况的分析中，中长期负荷预测方法的发展趋势是将越来越多的因素纳入考虑，在较多因素交互影响的情况下，从解析的方法向非解析的、智能的方向发展。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种区域用电特征的挖掘方法、装置及可读存储介质。

第一方面，提供一种区域用电特征的挖掘方法，所述方法包括区域用电短期预测和区域用电长期预测，所述区域用电长期预测包括：

S1：建立第一层数据处理层，具体为根据日时间尺度数据输出日结果，

S2：建立第二层数据处理层，具体为根据日结果和月时间尺度数据输出月结果，

S3：建立第三层数据处理层，具体为根据月结果和年时间尺寸数据输出年结果，

S4：对所述第三层数据处理层输出年结果数据进行线性处理，输出总负荷预测结果。

作为可实现的方式，所述第一层数据处理层为基于全连接神经网络的训练系统。

作为可实现的方式，所述根据日时间尺度数据输出日结果，具体为：

S11：获取日时间尺度数据，对每个获取的日时间尺度数据进行数据处理和特征提取以构建样本集；

S12：基于全连接神经网络构建训练系统，

S13：在训练系统确定日时间尺度数据的周期性变化以及负荷需求规律；

S14：根据所述周期性变化和所述负荷需求规律输出日结果向量。

作为可实现的方式，所述数据处理至少包括相关性分析、缺失值处理和异常值处理。

作为可实现的方式，所述第二层数据处理层和所述第三层数据处理层为基于LSTM网络的训练系统。

作为可实现的方式，所述根据日结果和月时间尺度数据输出月结果，具体为：

S21：获取月时间尺度数据，对所述月时间尺度数据进行归一化和向量化处理；

S22：获取日结果向量和向量化处理后的月时间尺度数据以构建样本集；

S23：基于LSTM网络构建训练系统，

S24：输出月结果向量。