一种配变负荷预测方法及装置与流程

本申请属于电网负荷预测领域，尤其涉及一种配变负荷预测方法及装置。

背景技术：

1、近几十年，我国电力生产能力越来越大，生活用电负荷和工业用电负荷越来越多，进而对电力负荷的预测精准度要求越来越高。

2、目前，负荷预测采用的是传统的回归模型，而随着电力负荷数据采样间隔的增加，使得电力系统具有较强的波动性和随机性。传统的回归预测模型存在难以处理非线性数据的缺点，从而使电力负荷预测结果误差大、精度低，导致负荷预测模型更难捕捉负荷变化中的规律。

技术实现思路

1、本申请的目的在于克服上述现有技术中存在的问题，提供一种配变负荷预测方法及装置。

2、本申请提供的一种配变负荷预测方法，包括：

3、采集配电网的负荷数据，将所述负荷数据表示为负荷序列；

4、将所述负荷序列通过vmd分解为不同尺度的子序列分量，所述不同尺度包括：电价因素、天气因素和日期因素；

5、为每个所述子序列分量建立da-rclstm模型；

6、根据所述da-rclstm模型对所述配电网的每个所述子序列分量进行负荷预测，得到每个所述子序列分量的负荷预测结果；

7、将每个所述子序列分量的负荷预测结果求和，得到最终的负荷预测结果。

8、可选地，所述电网的负荷数据，包括：用户的用电行为数据和用电需求数据；

9、对于获取的所述电行为数据和用电需求数据进行数据清洗、缺失值填充和异常值处理。

10、可选地，所述da-rclstm模型，包括：

11、时间注意力机制单元，用于选择每个所述子序列分量中与该分量相关的数据特征；

12、cnn单元，用于提取每个所述子序列分量中空间特征；

13、lstm单元，用于确定不同所述周期类型的时间依赖关系；

14、特征注意力机制单元，用于根据输出贡献为时间步分配权重；

15、残差网络单元，用于特征传递。

16、可选地，将所述负荷序列通过vmd分解为不同尺度的子序列分量之前，还包括：

17、分别采用皮尔逊相关分析和k-means聚类方法识别出关键影响因素以及对数据进行聚类处理。

18、可选地，所述配电网，包括：光伏、风能或/和太阳能电源。

19、本申请还提供一种配变负荷预测装置，包括：

20、采集模块，用于采集配电网的负荷数据，将所述负荷数据表示为负荷序列；

21、处理模块，用于将所述负荷序列通过vmd分解为不同尺度的子序列分量，所述不同尺度包括：电价因素、天气因素和日期因素；为每个所述子序列分量建立da-rclstm模型；根据所述da-rclstm模型对所述配电网的每个所述子序列分量进行负荷预测，得到每个所述子序列分量的负荷预测结果；将每个所述子序列分量的负荷预测结果求和，得到最终的负荷预测结果。

22、可选地，所述电网的负荷数据，包括：用户的用电行为数据和用电需求数据；

23、对于获取的所述电行为数据和用电需求数据进行数据清洗、缺失值填充和异常值处理。

24、可选地，所述da-rclstm模型，包括：

25、时间注意力机制单元，用于选择每个所述子序列分量中与该分量相关的数据特征；

26、cnn单元，用于提取每个所述子序列分量中空间特征；

27、lstm单元，用于确定不同所述周期类型的时间依赖关系；

28、特征注意力机制单元，用于根据输出贡献为时间步分配权重；

29、残差网络单元，用于特征传递。

30、可选地，所述处理模块将所述负荷序列通过vmd分解为不同尺度的子序列分量之前，还包括：

31、分别采用皮尔逊相关分析和k-means聚类方法识别出关键影响因素以及对数据进行聚类处理。

32、可选地，所述配电网，包括：光伏、风能或/和太阳能电源。

33、本申请的有益效果是：

34、本申请提供的一种配变负荷预测方法，包括：采集配电网的负荷数据，将所述负荷数据表示为负荷序列；将所述负荷序列通过vmd分解为不同尺度的子序列分量，所述不同尺度包括：电价因素、天气因素和日期因素；为每个所述子序列分量建立da-rclstm模型；根据所述da-rclstm模型对所述配电网的每个所述子序列分量进行负荷预测，得到每个所述子序列分量的负荷预测结果；将每个所述子序列分量的负荷预测结果求和，得到最终的负荷预测结果。本申请采用vmd分解算法将原始的非平稳、非线性的负荷数据分解为有限数量的子序列，更好地提取数据特征，提高预测准确率。同时，将注意力机制融入到了长短时记忆神经网络中，能够聚焦于关键信息，有选择性地忽略非关键信息，提升了神经网络的信息处理能力，提高预测精度。

技术特征：

1.一种配变负荷预测方法，其特征在于，包括：

2.根据权利要求1所述一种配变负荷预测方法，其特征在于，所述电网的负荷数据，包括：用户的用电行为数据和用电需求数据；

3.根据权利要求1所述一种配变负荷预测方法，其特征在于，所述da-rclstm模型，包括：

4.根据权利要求1所述一种配变负荷预测方法，其特征在于，将所述负荷序列通过vmd分解为不同尺度的子序列分量之前，还包括：

5.根据权利要求1所述一种配变负荷预测方法，其特征在于，所述配电网，包括：光伏、风能或/和太阳能电源。

6.一种配变负荷预测装置，其特征在于，包括：

7.根据权利要求6所述一种配变负荷预测装置，其特征在于，所述电网的负荷数据，包括：用户的用电行为数据和用电需求数据；

8.根据权利要求6所述一种配变负荷预测装置，其特征在于，所述da-rclstm模型，包括：

9.根据权利要求6所述一种配变负荷预测装置，其特征在于，所述处理模块将所述负荷序列通过vmd分解为不同尺度的子序列分量之前，还包括：

10.根据权利要求6所述一种配变负荷预测装置，其特征在于，所述配电网，包括：光伏、风能或/和太阳能电源。

技术总结本申请提出一种配变负荷预测方法及装置，属于配电网负荷预测领域，该方法首先采集配电网负荷数据，将其表示为序列，并通过VMD算法分解为不同尺度的子序列分量，包括电价、天气和日期因素。随后，为每个子序列分量建立DA‑RCLSTM模型，根据该模型进行负荷预测，并汇总各子序列分量的预测结果得到最终预测。此方法通过VMD分解提取数据特征，结合注意力机制的长短时记忆神经网络，聚焦于关键信息，提高预测精度。技术研发人员：燕跃豪,刘晓辉,陈启龙,付晓勇,左航,杨亚男,李晓东,刘雪珂,杨永勃,汤亮受保护的技术使用者：国网河南省电力公司郑州供电公司技术研发日：技术公布日：2024/9/12