[发明专利]一种基于特征负荷预测的配变重过载快速预警方法

说明书

本发明公开了一种基于特征负荷预测的配变重过载快速预警方法，包括步骤1历史数据收集步骤，步骤2数据预处理步骤，步骤3计算典型日负荷序列并进行k‑means聚类步骤，步骤4训练LSTM模型步骤，步骤5依照输出预测值中最大负载率来评定配变的重过载风险等级。本发明依据负荷日特征序列进行聚类,对每一种负荷类分析影响因素以选取相应的输入变量,在此基础上构建离线训练‑在线预测相结合的重过载预警系统。

技术领域

本发明涉及一种用于配变预测领域的基于特征负荷预测的配变重过载快速预警方法。

背景技术

国内输配电设备在信息的监测、存储与共享研究方面取得了较大的进展，并研发了针对变压器等设备的状态监测与故障诊断机制，随着配网规模以及在线监测设备装置的不断增长，提供了海量数据集，为大数据技术和深度学习方法应用于配电变压器(简称配变)重过载特性分析和相关预测研究提供了数据基础。

目前，配电网设备的负载率预测和重过载预警主要以专家经验的人工方式为主，存在准确率低以及效率差的问题。已有研究将深度学习方法应用于配电变压器重过载预测,多将重过载预测问题转化为预测台区负载状态、台区日最高负载、重过载事件发生概率。这些研究的模型主要针对特定对象，虽取得了较好的预警效果，但模型泛化能力差，无法应用于大规模配变风险预警。

发明内容

本发明的目的是为了克服现有技术的不足，提供一种基于特征负荷预测的配变重过载快速预警方法，该方法依据负荷日特征序列进行聚类,对每一种负荷类分析影响因素以选取相应的输入变量,在此基础上构建离线训练-在线预测相结合的重过载预警系统。

实现上述目的的一种技术方案是：一种基于特征负荷预测的配变重过载快速预警方法，其特征在于，包括如下步骤：

步骤1，收集历史负荷数据集，数据集格式为每15min一个数据点，一天96个数据点；

步骤2，对历史符合数据集进行预处理，剔除缺失值及异常值，用前后数据点的均值进行替换；

步骤3，对预处理过后的配变每日负荷数据平均得到配变的典型日负荷序列，对所有配变的典型日负荷序列进行k-means聚类，选取最小聚类数k_min以及最大聚类数k_max，每种中心数进行n次k-means聚类，选取其中DBI指标最小的聚类结果作为该中心数的聚类结果，然后再选取不同聚类中心数中DBI指标最小的聚类结果作为配变最终聚类结果；

步骤4，在负荷的影响因素中选取相关系数最高的3个和历史负荷作为模型的输入因素，构建相应的LSTM模型；

步骤5，依照输出预测值中最大负载率来评定配变的重过载风险等级，评价表如下表所示，