一種區(qū)域電網(wǎng)的負荷預測系統(tǒng)及其方法
【技術(shù)領域】
[0001] 本發(fā)明涉及一種電網(wǎng)負荷預測領域，尤其涉及一種區(qū)域電網(wǎng)的負荷分類預測系統(tǒng) 及其方法。
【背景技術(shù)】
[0002] 近年來，隨著電力市場的發(fā)展，用電用戶對電力系統(tǒng)輸送電能的質(zhì)量要求越來越 高。為確保電力系統(tǒng)輸送電能的質(zhì)量，需要使電能的發(fā)電出力與電力負荷保持穩(wěn)定的動態(tài) 平衡，由于電力負荷受季節(jié)、天氣因素的影響存在波動性，故而需要較高預測精度的電力負 荷預測系統(tǒng)。目前的電力負荷預測系統(tǒng)的功能單一，沒有負荷分類處理模塊，且根據(jù)傳統(tǒng)預 測方法得出的預測精度已不能滿足目前電力系統(tǒng)輸送電能的質(zhì)量要求。因此，如何解決上 述的問題，為亟待解決的問題。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明要解決的技術(shù)問題是提供一種預測精度高的區(qū)域電網(wǎng)的負荷預測方法，該 方法通過對負荷曲線值聚類，并基于BP神經(jīng)網(wǎng)絡進行負荷預測，提高了負荷系統(tǒng)的預測精 度。
[0004] 本發(fā)明的另一目的是為了實施上述的預測方法，而提供的一種區(qū)域電網(wǎng)的負荷分 類預測系統(tǒng)。
[0005] 為了解決上述技術(shù)問題，本發(fā)明的一種區(qū)域電網(wǎng)的負荷預測系統(tǒng)，其中包括對區(qū) 域電網(wǎng)負荷信息進行采集的反向隔離裝置，反向隔離裝置連接有用于對從電網(wǎng)采集到的負 荷信息進行初始處理的數(shù)據(jù)處理模塊，數(shù)據(jù)處理模塊連接有用于對區(qū)域電網(wǎng)的負荷進行分 類的負荷分類模塊，負荷分類模塊連接有用于對分類后負荷數(shù)據(jù)進行訓練并預測區(qū)域電網(wǎng) 負荷功率的負荷預測模塊，負荷預測模塊與數(shù)據(jù)庫連接。
[0006] 作為上述技術(shù)方案的進一步改進方案： 上述的負荷預測系統(tǒng)中，所述的負荷預測模塊為采用BP神經(jīng)網(wǎng)絡算法模塊對分類后 負荷數(shù)據(jù)進行訓練并預測區(qū)域電網(wǎng)負荷功率的負荷預測模塊。
[0007] 上述的負荷預測系統(tǒng)中，所述的負荷分類模塊為采用模糊C-均值聚類算法模塊 的負荷分類模塊。
[0008] 上述的負荷預測系統(tǒng)中，所述的負荷預測模塊還連接有用于顯示負荷曲線和預測 準確率、查詢實時或歷史負荷數(shù)據(jù)以及監(jiān)控和修改調(diào)制運行狀態(tài)系統(tǒng)的圖形界面模塊。
[0009] 通過使用網(wǎng)線、USB線、RS232串口線或USB轉(zhuǎn)串口線將反向隔離裝置、數(shù)據(jù)處理模 塊、負荷分類模塊、負荷預測模塊與數(shù)據(jù)庫依次連接組建為本發(fā)明區(qū)域電網(wǎng)的負荷預測系 統(tǒng)。本發(fā)明的負荷分類模塊將負荷曲線先分類后聚類傳輸至負荷預測模塊，相比傳統(tǒng)的負 荷預測系統(tǒng)，進一步提高了負荷預測系統(tǒng)的預測精度，提高電力系統(tǒng)輸送電能的質(zhì)量以方 便電網(wǎng)調(diào)度，保證了電網(wǎng)運行的穩(wěn)定性；本預測系統(tǒng)通用性強，能滿足多種電網(wǎng)環(huán)境，可使 用于不同的區(qū)域電網(wǎng)負荷，具有很大的實用價值。
[0010] -種采用上述系統(tǒng)的負荷預測方法，包括以下步驟：數(shù)據(jù)預處理模塊將反向隔離 裝置采集的負荷數(shù)據(jù)初步處理為負荷樣本數(shù)據(jù)；負荷分類模塊采用FCM模糊聚類對初步處 理后的負荷樣本數(shù)據(jù)進行分類，分類后選取每類負荷曲線的平均值作為典型日負荷曲線； 負荷預測模塊將典型日負荷曲線作為BP神經(jīng)網(wǎng)絡的輸入變量進行預測，得到區(qū)域電網(wǎng)負 荷預測值；本發(fā)明不采用數(shù)值天氣預報作為預測的輸入變量，有效地降低光伏負荷預測系 統(tǒng)成本，提高了經(jīng)濟效益和社會效益。
[0011] 上述技術(shù)方案的進一步改進方案： 上述的負荷預測方法，采用FCM模糊聚類將預處理后的負荷樣本數(shù)據(jù)分為10類樣本數(shù) 據(jù)，選取各類樣本數(shù)據(jù)的平均值作為典型日負荷曲線。
[0012] 上述的負荷預測方法，采用FCM模糊聚類進行分類的步驟為:第一步，將總樣本集 為聲雨中的全體負荷樣本數(shù)據(jù)分為10類樣本數(shù)據(jù)，并選定10個初始聚類中 心；第二步，根據(jù)最小距離原則將每個負荷樣本數(shù)據(jù)分別分配到10類樣本數(shù)據(jù)中，不斷迭 代計算各類的聚類中心并依據(jù)新的聚類中心調(diào)整聚類情況，使用隸屬度函數(shù)和距離定義的 聚類目標函數(shù)J達到最小。
[0013] 上述的負荷預測方法，所述的負荷預測模塊將得到的區(qū)域電網(wǎng)負荷預測值分別傳 輸至圖形化界面模塊和數(shù)據(jù)庫。
[0014] 上述的負荷預測方法，數(shù)據(jù)預處理模塊的初步處理為去除異常負荷數(shù)據(jù)、補全缺 省負荷數(shù)據(jù)，并根據(jù)季節(jié)天氣選取不同的負荷樣本數(shù)據(jù)，將負荷樣本數(shù)據(jù)進行歸一化處 理； 上述的負荷預測方法，所述的負荷預測模塊將得到的區(qū)域電網(wǎng)負荷預測值存入數(shù)據(jù) 庫，并傳輸至圖形界面模塊。
[0015] 本方法沒有固定的預測模型，緊密結(jié)合不同地區(qū)的溫度、濕度、風力、陰晴等天氣 因素以及季節(jié)因素綜合分析負荷的波動性，能夠準確地得到當?shù)貐^(qū)域電網(wǎng)的最優(yōu)負荷預測 值；并首次提出了 FCM模糊聚類與BP神經(jīng)網(wǎng)絡結(jié)合的預測方式，充分挖掘了歷史負荷數(shù)據(jù) 中的內(nèi)在規(guī)律，使預測精度大大提高。
【附圖說明】
[0016] 下面將結(jié)合附圖中的具體實施例對本發(fā)明作進一步詳細說明，但不構(gòu)成對本發(fā)明 的任何限制。
[0017] 圖1為本發(fā)明的負荷分類預測系統(tǒng)結(jié)構(gòu)示意圖； 圖2位本發(fā)明的負荷分類預測方法流程圖。
【具體實施方式】
[0018] 如圖1所示，一種區(qū)域電網(wǎng)的負荷預測系統(tǒng)，包括對區(qū)域電網(wǎng)負荷信息進行采集 的反向隔離裝置，反向隔離裝置連接有用于對從電網(wǎng)采集到的負荷信息進行初始處理的數(shù) 據(jù)處理模塊，數(shù)據(jù)處理模塊連接有用于對區(qū)域電網(wǎng)的負荷進行分類的負荷分類模塊，負荷 分類模塊連接有用于對分類后負荷數(shù)據(jù)進行訓練并預測區(qū)域電網(wǎng)負荷功率的負荷預測模 塊，負荷預測模塊與數(shù)據(jù)庫連接；負荷預測系統(tǒng)隔離裝置采用SysKe印er-2000反向隔離裝 置，將內(nèi)部網(wǎng)和公共網(wǎng)進行物理隔離，避免電網(wǎng)對系統(tǒng)的影響。
[0019] 負荷預測模塊為采用BP神經(jīng)網(wǎng)絡算法模塊對分類后負荷數(shù)據(jù)進行訓練并預測區(qū) 域電網(wǎng)負荷功率的負荷預測模塊。
[0020] 負荷分類模塊為采用模糊C-均值聚類算法模塊的負荷分類模塊。
[0021] 負荷預測模塊還連接有用于顯示負荷曲線和預測準確率、查詢實時或歷史負荷數(shù) 據(jù)以及監(jiān)控和修改調(diào)制運行狀態(tài)系統(tǒng)的圖形界面模塊。
[0022] 如圖2所示，一種采用上述系統(tǒng)的負荷預測方法，數(shù)據(jù)預處理模塊將反向隔離裝 置采集的負荷數(shù)據(jù)初步處理為負荷樣本數(shù)據(jù)；負荷分類模塊采用FCM模糊聚類對初步處理 后的負荷樣本數(shù)據(jù)進行分類，分類后選取每類負荷曲線的平均值作為典型日負