[发明专利]基于大数据技术的配网短期负载预测方法

说明书

技术领域

本发明涉及电力系统工程技术领域，特别涉及一种基于大数据技术的配网短期负载预测方法。

背景技术

电力系统负荷预测有助于电力系统调度运行和生产计划的制定，准确的短期负荷预测结果有助于提高电力系统的安全性和稳定性，能够减少发电成本。但是影响负荷走势的因素中包括温度、降水等天气因素，又包含重大设备检修、重大文体活动等人为因素的影响，这些因素的不确定性导致负荷规律难以把握。随着智能电网、通信网络技术和传感器技术的发展，电力用户侧数据呈指数级增长、复杂程度增大，现有的电力负载预测方法无法满足海量数据的处理要求，迫切需要解决电力用户侧的大数据在分析与处理方面的难题。

目前的配网短期负载预测技术主要包括两方面：一方面是对采集到的配网各信息化系统的相关数据进行筛选，以得到对配网负载影响和预测最关键的数据；另一方面，根据获取到的对配网负载影响最关键的数据，对配网短期负载进行预测。

然而，现有的配网短期负载预测技术在对采集到的配网各信息化系统的相关数据进行筛选时，存在如下问题：1)通常采用主成分分析法，传统的主成分分析法无法对采集的海量数据进行快速筛选，且关键数据筛选的准确率较低，导致后续配网短期负载预测的结果不可靠，且预测效率较低；2)基于电网信息化系统相关数据进行预测时，没有综合考虑天气情况(尤其是极端天气)和社会事件，例如：最高温度、最低温度、平均温度、湿度、风速、风向、气压、雾、雨、雷暴和雪、比赛、会议、节日等；3)测量结果存在较大偏差，不利于电网的运行维护。

发明内容

本发明提供一种基于大数据技术的配网短期负载预测方法，以解决现有配网短期负载预测方法的预测准确率和效率较低的问题。

根据本发明的实施例，提供了一种基于大数据技术的配网短期负载预测方法，包括：

采集配网各信息化系统数据，所述各信息化系统数据包括营销系统数据、生产系统数据、用户数据、台变数据、天气数据和社会事件数据；

根据基于MapReduce改进的主成分分析法对所述各信息化系统数据进行筛选和计算，以获取配网目标数据；

根据所述配网目标数据，采用卡尔曼滤波算法对配网负载的状态变量进行最优化估算，以获取配网负载最优预测数据。

进一步地，所述根据基于mapreduce改进的主成分分析法对所述各信息化系统数据进行筛选，以获取配网目标数据的步骤包括：

Map阶段，将采集到的所述各信息化系统数据按类分配给指定的Mapper；由所述Mapper对相应的所述信息化系统数据进行数据标准化处理，并计算所述信息化系统数据的子相关系数矩阵；

Reduce阶段，将所述各信息化系统数据的子相关系数矩阵合并成一个总相关系数矩阵；计算所述总相关系数矩阵的特征值和特征向量；根据所述总相关系数矩阵的特征值和特征向量，按照筛选准则，对所述各信息化系统数据进行筛选，获取所述配网目标数据。

进一步地，所述Mapper采用下式计算所述信息化系统数据的子相关系数矩阵：

其中，x'为所述信息化系统数据的标准化数据向量；x'^T为x'的转置矩阵；||x′||为x'的属性个数。

进一步地，所述按照筛选准则，对所述各信息化系统数据进行筛选，获取所述配网目标数据的步骤包括：

根据所述总相关系数矩阵的特征值和特征向量，按照下式计算方差贡献率：

其中，x'为所述信息化系统数据的标准化数据向量；λ_i为所述总相关系数矩阵的特征值；||x'||为x'的属性个数；N为所述总相关系数矩阵的目标维数；

按照所述方差贡献率大于预设值的准则，将所述总相关系数矩阵转换至N维矩阵，并确定所述总相关系数矩阵的前N个特征值和特征向量。

进一步地，所述根据所述配网目标数据，采用卡尔曼滤波算法对配网负载的状态变量进行最优化估算，以获取配网负载最优预测数据的步骤包括：

根据所述配网目标数据，构建配网系统模型；

对所述配网系统模型进行递推计算，获取配网系统状态参量的预测量；

根据卡尔曼滤波算法对所述配网系统状态参量的预测量进行修正，并根据修正后的所述配网系统状态参量的预测量，计算配网负载最优预测数据。

进一步地，采用离散控制系统模型构建所述配网系统模型：

X_k+1＝AX_k+BU_k+W_k

配网负载测量值为：