[发明专利]基于配变聚类的台区短期负荷预测方法

说明书

本发明涉及一种基于配变聚类的台区短期负荷预测方法，具有如下步骤：(1)大数据并行处理平台搭建；(2)将数据来源处获取的历史数据进行重组，得到用于聚类分析的数据结构；(3)利用K‑means聚类算法进行聚类分析，得到不同负荷特性的配变簇；(4)以配变簇为对象，分别建立各个配变簇的多元线性回归模型；(5)将配变簇的负荷预测任务分配至各个计算节点中，完成对台区配变的分布式并行预测。使用本发明的基于配变聚类的台区负荷预测方法，可以获得更具科学性和准确性的配变负荷预测情况，从而有利于全面地考察不同地区配变的负载情况，有利于发现存在过负荷风险的区域。

技术领域

本发明涉及采用大数据技术对配电网中的海量数据进行处理，属于配电网大数据分析及负荷预测领域。

背景技术

随着国家电网公司建设坚强电网战略目标的提出，智能用电终端和采集终端数量日益扩大，使得各种类型的电力自动化数据出现几何级的增长，呈现出“体量大”、“类型多”、“密度低”和“增速快”的典型大数据特征。传统的负荷预测方法如时间序列法、支持向量机、神经网络算法等，仅在区域负荷数据上进行推算，不适应以台区为单位的精准负荷预测，且对海量数据的处理效率不高，难以满足负荷预测业务的时效性要求。大数据技术的发展为海量负荷数据的高效处理提供了可行方式。2006年Hadoop分布式计算平台发布，Hadoop平台提供的MapReduce并行计算策略，实现了海量计算任务分解到集群节点，发挥分布式计算的优势。2009年，伯克利大学提出和发展了Spark计算平台，在Hadoop分布式计算的基础上，引入了内存计算，使数据计算速度得到10倍乃至100倍的提升。上述大数据数据处理方式已在淘宝、雅虎、百度等公司的搜索引擎、用户推荐等领域得到了成功的应用，它们不仅提供了集群共同承担计算任务的分布式计算方式，也支撑多种算法库如线性回归、支持向量机、聚类等，减少了开发人员的代码编写负担。但是，由于这些平台是为电子商务、社交网络等业务所设计的，在电力系统负荷预测应用过程中存在的预测模型与计算平台适配问题亟待开展研究。

国内外将大数据技术运用于电网数据分析的实例并不罕见，但目前使用该架构的程度还停留于对于用电行为分析、区域负荷预测和潮流计算等领域，并未有按照配变聚类结果对配电网数据进行分类合并，以配变分类结果作为对象进行负荷模型设计的先例。

发明内容

本发明要解决的技术问题是：针对海量的电网运行数据，提出了一种基于配变聚类的台区短期负荷预测方法。

本发明解决其技术问题所采用的技术方案是：一种基于配变聚类的台区短期负荷预测方法，具有如下步骤：

(1)大数据并行处理平台搭建；

(2)将数据来源处获取的历史数据进行重组，得到用于聚类分析的数据结构；

(3)利用K-means聚类算法进行聚类分析，得到不同负荷特性的配变簇；

(4)以配变簇为对象，分别建立各个配变簇的多元线性回归模型；

(5)将配变簇的负荷预测任务分配至各个计算节点中，完成对台区配变的分布式并行预测。

所述步骤(1)中，大数据并行处理平台的搭建过程如下：

1)取4台Dell服务器构建4节点的分布式集群，双CPU，四核八线程，作为硬件配置；

2)以Linux Ubuntu 16.04.2作为操作系统，以Spark2.2.1和Hadoop2.7.3作为混合计算架构，配备MLlib机器学习库，得到支持内存计算和并行计算的大数据处理平台；

3)数据存储层采用用于非结构化数据存储的分布式数据库存储系统Hbase和Hadoop架构提供的分布式文件存储系统HDFS完成对数据的存储，并由Hive组件向分布式计算层提供类SQL数据查询接口。