[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

摘要

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。

主权项

1.一种基于区块聚类的智慧电网短期电力负荷预测方法，其特征在于，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；步骤4.2，按步骤3.2对步骤4.1得到的功率预测样本进行处理，每个区块得到对应的电力负荷预测样本；步骤4.3，选择各区块天次为d的天次电力负荷模型组；依次将电力负荷预测样本中对应第w‑1周次d天次和第w周次d天次各区块各时段的电力负荷值作为对应区块对应天次d对应时段的基于卷积神经网络的电力负荷预测模型的输入数据，获得第w+1周次d天次各区块各时段的电力负荷预测值；步骤4.4，选择各区块天次为d的天次电力负荷模型组；依次将电力负荷预测样本中对应第w周次d天次各区块各时段的电力负荷值和第w+1周次d天次各区块各时段的电力负荷预测值作为对应区块对应天次d对应时段的基于卷积神经网络的电力负荷预测模型的输入数据，获得第w+2周次d天次各区块各时段的电力负荷预测值；步骤4.5，依此类推，直到获得第w+m周次d天次各区块各时段的电力负荷预测值，将第w+m周次d天次各区块各时段的电力负荷预测值求和，获得第w+m周次d天次电力负荷预测值。