电网建设规模灵敏度分析方法、装置及计算机设备

摘要

本发明实施例公开了一种电网建设规模灵敏度分析方法、装置及计算机设备，所述方法包括：根据采集的历史多源数据进行第一次预测，得到第一预测负荷量；对所述历史多源数据进行分布式处理并压缩聚类，得到聚类后的分类组合特征；根据所述分类组合特征及实际负荷量数据进行第二次预测，得到第二预测负荷量；根据所述历史多源数据、所述第一预测负荷量和所述第二预测负荷量，综合计算最终负荷预测量。通过上述方案，对历史数据进行深入挖掘和充分利用，全面、客观、定量地分析出电网建设规模。

说明书

技术领域

本发明涉及电网建设领域，尤其涉及一种电网建设规模灵敏度分析方法、装置及计算机设备。

背景技术

在化石能源枯竭以及碳减排和碳达峰的环保目标要求下，能源生产和消费结构转型已经成为必然趋势。就电网需求侧而言，近年来随着分布式电源接入比例的提高、电动汽车推广和普及力度加大，终端电能替代水平得到显著提升。与此同时，对电网加大建设力度、加快电力基础设施的优先布局以及为释放宏观政策潜在动能提供切实保证提出了紧迫的现实需要。

从影响负荷需求的因素来分析，相当比例的农村电网，其工业负荷占比较低，变电及供电设备的利用水平有待提高。伴随城镇化转型过程，部分村落人口流失严重，村落发展转型的目标定位存在较大不确定性。由于受教育程度和收入水平的差异，农村、乡镇及县城人口对能源消费方式转变的接受程度，抑或潜在的电力消费能力还存在较大不确定性。因为上述因素的存在，电网公司在进行农村电网的建设时，无法全面、客观地分析出电网建设规模。

综合考虑上述影响电网企业收益的因素及存在的潜在不确定性因素，亟需一种客观、定量的农村电网建设规模灵敏度分析方法。

发明内容

针对现有技术中存在的弊端，本发明提供了一种电网建设规模灵敏度分析方法、装置及计算机设备，具体方案如下：

第一方面，本公开实施例提供了一种电网建设规模灵敏度分析方法，所述方法包括：

根据采集的历史多源数据进行第一次预测，得到第一预测负荷量，其中，所述历史多源数据包括技术因素数据、电网基础设施数据、实际负荷量数据、发展及政策因素数据、经济因素数据及社会因素数据；

对所述历史多源数据进行分布式处理并压缩聚类，得到聚类后的分类组合特征；

根据所述分类组合特征及实际负荷量数据进行第二次预测，得到第二预测负荷量；

根据所述历史多源数据、所述第一预测负荷量和所述第二预测负荷量，综合计算最终负荷预测量。

根据本公开的一种具体实施方式，所述根据所述历史多源数据、所述第一预测负荷量和所述第二预测负荷量，综合计算最终负荷预测量的步骤之后，还包括：

利用量本利分析方法计算历史多源数据中的盈亏平衡点负荷量；

根据所述盈亏平衡点负荷量，分别计算电价数据恒定状态的第一电网建设数据和电价数据变化状态的第二电网建设数据；

根据所述第一电网建设数据和所述第二电网建设数据，计算电网建设预估投入数据。

根据本公开的一种具体实施方式，所述对所述历史多源数据进行分布式处理并压缩聚类，得到聚类后的分类组合特征的步骤，包括：

利用工作流对所述历史多源数据进行分布式处理；

将分布式处理后的历史多源数据根据信息瓶颈算法进行压缩；

采用非监督学习算法对压缩后的历史多源数据进行聚类，得到聚类后的分类组合特征。

根据本公开的一种具体实施方式，所述根据所述分类组合特征及实际负荷量数据进行第二次预测，得到第二预测负荷量的步骤，包括：

根据各分类组合特征与实际负荷量数据之间的关联关系，将供电区域划分为多个类别；

利用循环递归神经网络对各类别进行负荷量预测，得到第二预测负荷量。

根据本公开的一种具体实施方式，所述根据所述历史多源数据、所述第一预测负荷量和所述第二预测负荷量，综合计算最终负荷预测量的步骤，包括：

计算所述第二预测负荷量和所述第一预测负荷量的比值，作为修正参数；

利用所述修正参数对所述历史多源数据进行修正，获得最终负荷预测量。

根据本公开的一种具体实施方式，计算电价数据恒定状态的第一电网建设数据的步骤，包括：

利用公式ΔF＝(w-C

其中，ΔF为第一电网建设数据，w为电价数据，C

根据本公开的一种具体实施方式，计算电价数据变化状态的第二电网建设数据的步骤，包括：

利用公式ΔF＝w′x′

其中，ΔF为第二电网建设数据，w′为变化后的电价数据，w为变化前的电价数据，C

第二方面，本公开实施例还提供了一种电网建设规模灵敏度分析装置，所述装置包括：

第一预测模块，用于根据采集的历史多源数据进行第一次预测，得到第一预测负荷量，其中，所述历史多源数据包括技术因素数据、电网基础设施数据、实际负荷量数据、发展及政策因素数据、经济因素数据及社会因素数据；

数据处理模块，用于对所述历史多源数据进行分布式处理并压缩聚类，得到聚类后的分类组合特征；

第二预测模块，用于根据所述分类组合特征及实际负荷量数据进行第二次预测，得到第二预测负荷量；

计算模块，用于根据所述历史多源数据、所述第一预测负荷量和所述第二预测负荷量，综合计算最终负荷预测量。

第三方面，本公开实施例还提供了一种计算机设备，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行第一方面所述的电网建设规模灵敏度分析方法。

第四方面，本公开实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面所述的电网建设规模灵敏度分析方法。

本公开实施例提供的电网建设规模灵敏度分析方法、装置及计算机设备，首先根据采集的历史多源数据进行一次预测；再对历史多源数据进行分布式处理并压缩聚类，获得分类组合特征；根据分类组合特征以及实际负荷量进行第二次预测；再综合计算得到最终负荷预测量，利用量本利分析方法计算电网建设预估投入数据，从而确定电网建设规模。通过上述方案，对历史数据进行深入挖掘和充分利用，全面、客观、定量地分析出电网建设规模。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。

图1示出了本公开实施例提供的一种电网建设规模灵敏度分析方法的流程示意图；

图2示出了本公开实施例提供的一种电网建设规模灵敏度分析方法的框架图；

图3示出了本公开实施例提供的一种电网建设规模灵敏度分析方法的量本利分析盈亏平衡图；

图4示出了本公开实施例提供的一种电网建设规模灵敏度分析装置的模块框图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语) 具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。

实施例1

图1为本公开实施例提供的一种电网建设规模灵敏度分析方法的流程示意图；图2为本公开实施例提供的一种电网建设规模灵敏度分析方法的框架图。如图1和图2所示，所述电网建设规模灵敏度分析方法主要包括以下步骤：

S101，根据采集的历史多源数据进行第一次预测，得到第一预测负荷量，其中，所述历史多源数据包括技术因素数据、电网基础设施数据、实际负荷量数据、发展及政策因素数据、经济因素数据及社会因素数据；

具体地，如图2所示，对采集到的历史多源数据首先进行分析。第一次预测可以是自上而下负荷预测，即利用经济因素数据和社会因素数据。经济因素数据可以是农村地区国民生产总值，社会因素数据可以是农村地区人口数量数据。采用自然增长率法或灰色预测等常用负荷预测方法，针对高压农村电网进行第一次负荷量预测。也可以根据发展及政策因素数据变化和人口数量数据变化预测未来规划水平年或远景年的预测负荷量。这里不做限定。

S102，对所述历史多源数据进行分布式处理并压缩聚类，得到聚类后的分类组合特征；

具体实施时，由于自上而下负荷预测对于历史多源数据涉及较少，且对经济和社会因素数据的处理也比较粗放。因此，需要借助多源异构数据融合的优势，直接从农村电网的低压或中压用户负荷量入手，寻找实际负荷量与历史多源数据的联系。首先，要对涉及到的历史多源数据进行处理，具体包括分布式处理、压缩和聚类，以得到分类组合特征，精细刻画农村电网分布在不同区域的负荷量的具体需求。

S103，根据所述分类组合特征及实际负荷量数据进行第二次预测，得到第二预测负荷量；

具体地，第二次预测可以是自下而上的负荷预测。与自上而下负荷预测相区别，自下而上的负荷预测是从农村电网的低压或中压用户负荷数据入手进行反向的精准负荷量预测。从空间角度来说，自下而上的负荷预测的立足点是位于村落或县城的供电区域。经过对历史多源数据的分布式处及压缩聚类，可依据分类组合特征和用电量之间的不同关联关系将供电区域划分成多个典型类别，进一步采用循环递归神经网络逐类别进行负荷量预测。

S104，根据所述历史多源数据、所述第一预测负荷量和所述第二预测负荷量，综合计算最终负荷预测量。

具体实施时，由于在自上而下负荷预测过程中，已经较为粗放地考虑发展及政策因素数据，例如将受到某一政策因素影响带来的负荷增量赋值以一定百分比。经过自下而上的负荷预测过程后，循环递归神经网络已经将历史多源数据对负荷量带来的影响综合体现在权值矩阵中，相应的预测结果相较自上而下负荷预测过程中的赋值过程更加贴近精细。综合第一预测负荷量、第二预测负荷量及历史多源数据，计算得到最终负荷预测量。

本公开实施例提供的电网建设规模灵敏度分析方法，首先根据采集的历史多源数据进行一次预测；再对历史多源数据进行分布式处理并压缩聚类，获得分类组合特征；根据分类组合特征以及实际负荷量进行第二次预测；再综合计算得到最终负荷预测量，利用量本利分析方法计算电网建设预估投入数据，从而确定电网建设规模。通过上述方案，对历史数据进行深入挖掘和充分利用，全面、客观、定量地分析出电网建设规模。

根据本公开的一种具体实施方式，所述根据所述历史多源数据、所述第一预测负荷量和所述第二预测负荷量，综合计算最终负荷预测量的步骤之后，还包括：

利用量本利分析方法计算历史多源数据中的盈亏平衡点负荷量；

具体地，如图3所示，量本利分析方法主要是对负荷量、成本数据和利润数据进行综合分析。量本利分析方法首先要确定盈亏平衡点负荷量，只有实际负荷量等于或超过盈亏平衡点负荷量，才可能做到盈亏平衡或利润数据大于0。

根据所述盈亏平衡点负荷量，分别计算电价数据恒定状态的第一电网建设数据和电价数据变化状态的第二电网建设数据；

根据所述第一电网建设数据和所述第二电网建设数据，计算电网建设预估投入数据。

具体实施时，参见图3，在电价数据处于恒定状态时，收入数据线不发生改变。假设单位变动成本数据不变，则随着电网建设数据的增加，总电网建设数据线平行上移，盈亏平衡点将向右侧转移，即要在增加电网建设数据的情况下，必须增大负荷量才能满足盈亏平衡。在电价数据处于变化状态时，考虑电价数据出现下调的情况，则收入数据线斜率减小，促使盈亏平衡点右移。此时，电网建设数据的增加也促使盈亏平衡点将向右侧转移。综合考虑两种情况，可求出不同电压等级满足盈亏平衡条件的电网建设预估投入数据变动范围。

根据本公开的一种具体实施方式，所述对所述历史多源数据进行分布式处理并压缩聚类，得到聚类后的分类组合特征的步骤，包括：

利用工作流对所述历史多源数据进行分布式处理；

具体地，采用基于Eclipse的开源数据挖掘软件KNIME所提供的工作流方式，对负荷用电量等多源数据完成抽取-转换-加载等操作，在保证数据完整性和可用性的同时，提高数据处理的灵活性和适用性。工作流可以由具有不同功能的节点组成，通过对节点的加载、配置或者自定义拓展，完成相应的数据处理和分析。本实施例中工作流主要包括以下节点：

IO节点，用于文件、表格、数据模型的输入和输出操作；数据库操作类节点，通过JDBC驱动对数据库进行操作；统计学模型类节点：包括常规统计分析的数据预处理；数据挖掘模型节点，结合需求的自定义分类模型或预测模型；META原子节点，实现对前述基本功能节点的嵌套封装，并进行后向传播、迭代、循环和交叉验证操作。

将分布式处理后的历史多源数据根据信息瓶颈算法进行压缩；

具体实施时，在基于KNIME的分布式数据处理的基础上，存在着大量的反映与负荷量相关的不同影响因素的历史多源数据。在深入挖掘不同影响因素数据与负荷量之间的相关性之前，首先采用信息瓶颈理论对相关影响因素数据进行压缩。即通过设计组合特征或转换特征，在尽量保留与用电量影响相关信息的基础上，最大限度压缩初始数据，降低初始数据的编码码率。还可以引入体现相关信息重要度水平权重的保真度调节因子对数据压缩程度进行调整。保真度调节因子的实际取值可以根据具体分类目标进行人工设定，这里不做限定。

采用非监督学习算法对压缩后的历史多源数据进行聚类，得到聚类后的分类组合特征。

具体地，采用的非监督学习算法可以是K均值算法、K近邻算法或模糊C均值算法，也可以是其他具有相同或相似功能的算法，这里不做限定。通过上述算法对压缩后的历史多源数据进行聚类，得到分类组合特征。

根据本公开的一种具体实施方式，所述根据所述分类组合特征及实际负荷量数据进行第二次预测，得到第二预测负荷量的步骤，包括：

根据各分类组合特征与实际负荷量数据之间的关联关系，将供电区域划分为多个类别；

利用循环递归神经网络对各类别进行负荷量预测，得到第二预测负荷量。

具体实施时，可依据分类组合特征和实际负荷量数据之间的不同关联关系将供电区域划分成多个典型类别，进一步可根据类别对供电区域进行分组，采用循环递归神经网络逐类别进行负荷量预测。

具体地，循环递归神经网络的隐含层可以采用Sigmoid激活函数，输入为：当前隐含层的t-1时步的输出和t时步数据输入的加权线性组合并配以偏置参数向量。输出为：隐含层在t时步的输出加权并配以偏置参数向量。优化目标为所有时步的负荷量预测值与实际负荷量的交叉熵最小。采用时间反向传播算法对循环递归神经网络进行训练，即利用梯度下降优化方法指导循环递归神经网络参数迭代更新，逐步形成与某一用电模式对应的循环递归神经网络权值矩阵。一旦完成循环递归神经网络的训练，就可以利用训练好的循环递归神经网络，以分类组合特征的向量作为输入，预测其对应的负荷量。

根据本公开的一种具体实施方式，所述根据所述历史多源数据、所述第一预测负荷量和所述第二预测负荷量，综合计算最终负荷预测量的步骤，包括：

计算所述第二预测负荷量和所述第一预测负荷量的比值，作为修正参数；

具体实施时，不同的循环递归神经网络已经将多种历史多源数据对负荷量带来的影响综合体现在其权值矩阵中，相应的预测结果相较自上而下负荷预测过程中的赋值过程更加精细、客观。以自上而下负荷预测过程确定的第一负荷量作为基准，以自下而上的负荷预测得到的第二负荷量与基准的比值作为修正参数，用来反映历史多源数据对不同用电模式用户实际负荷量的具体影响。

利用所述修正参数对所述历史多源数据进行修正，获得最终负荷预测量。

具体地，可利用修正参数对自上而下负荷预测中政策因素数据进行调整和修正，确定最终负荷预测量。当然，也可以利用修正参数对历史多源数据中的其他相关因素数据进行调整和修正，这里不做限定。

根据本公开的一种具体实施方式，计算电价数据恒定状态的第一电网建设数据的步骤，包括：

利用公式ΔF＝(w-C

其中，ΔF为第一电网建设数据，w为电价数据，C

根据本公开的一种具体实施方式，计算电价数据变化状态的第二电网建设数据的步骤，包括：

利用公式ΔF＝w′x′

其中，ΔF为第二电网建设数据，w′为变化后的电价数据，w为变化前的电价数据，C

具体地，在确定最终负荷预测量预测的基础上，针对农村电网的不同电压等级，C

通过上述方案，对历史数据进行深入挖掘和充分利用，全面、客观、定量地分析出电网建设规模。

实施例2

图4为本公开实施例提供的一种电网建设规模灵敏度分析装置的模块框图。如图4所示，所述电网建设规模灵敏度分析装置400包括：

第一预测模块401，用于根据采集的历史多源数据进行第一次预测，得到第一预测负荷量，其中，所述历史多源数据包括技术因素数据、电网基础设施数据、实际负荷量数据、发展及政策因素数据、经济因素数据及社会因素数据；

数据处理模块402，用于对所述历史多源数据进行分布式处理并压缩聚类，得到聚类后的分类组合特征；

第二预测模块403，用于根据所述分类组合特征及实际负荷量数据进行第二次预测，得到第二预测负荷量；

计算模块404，用于根据所述历史多源数据、所述第一预测负荷量和所述第二预测负荷量，综合计算最终负荷预测量。

综上所述，本公开实施例提供的电网建设规模灵敏度分析装置，首先根据采集的历史多源数据进行一次预测；再对历史多源数据进行分布式处理并压缩聚类，获得分类组合特征；根据分类组合特征以及实际负荷量进行第二次预测；再综合计算得到最终负荷预测量，利用量本利分析方法计算电网建设预估投入数据，从而确定电网建设规模。通过上述方案，对历史数据进行深入挖掘和充分利用，全面、客观、定量地分析出电网建设规模。所提供的电网建设规模灵敏度分析装置的具体实施过程可以参见上述图1及图2所示的电网建设规模灵敏度分析方法的具体实施过程，在此不再一一赘述。

此外，本公开实施例还提供了一种计算机设备，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行实施例1所述的电网建设规模灵敏度分析方法。

另外，本公开实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行实施例1所述的电网建设规模灵敏度分析方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM， Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。