(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221097141 1.X (22)申请日 2022.08.12 (71)申请人 国网安徽省电力有限公司营销服 务 中心 地址 230000 安徽省合肥市蜀山区蜀山 新 产业园区稻香路88号国网安徽电力公 司计量中心整栋 申请人 国网安徽省电力有限公司 　 国电南瑞南京控制系统有限公司 　 北明软件 有限公司 (72)发明人 吕斌　尤佳　周永刚　黄丹　 刘单华　韩博韬　董文杰　臧文强　 吴轲　周永真　 (74)专利代理 机构 合肥正则元起专利代理事务 所(普通合伙) 3416 0 专利代理师 刘念(51)Int.Cl. H02J 3/00(2006.01) H02J 3/38(2006.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) (54)发明名称 基于电力负荷曲线的配电性质智能研判方 法 (57)摘要 本发明公开了基于电力负荷曲线的配电性 质智能研判方法， 涉及配电性质智能研判技术领 域， 通过预先收集光伏发电的实时光照辐射强 度、 室外温度以及电力负荷曲线； 预先收集风力 发电的实时室外风速以及电气负荷曲线； 将每个 日期的光伏发电与风力发电的数据转化为二维 向量形式并对每个二维向量标记为对应的发电 方式； 并根据二维向量的大小设定RNN神经网络 模型的输入参数， 将二维向量输入至RNN神经网 络模型， 输 出对发电性质的预测； 训练RNN神经网 络模型； 并使用RNN神经网络模型进行发电性质 的判断， 降低了人力成本并提高了判断准确率。 权利要求书2页 说明书5页 附图1页 CN 115276002 A 2022.11.01 CN 115276002 A 1.基于电力负荷曲线的配电性质智能研判方法， 其特 征在于， 包括以下步骤： 步骤一： 收集过去 若干天的光伏发电基本数据以及风力发电基本数据作为训练数据； 步骤二： 将训练数据转化为与RNN神经网络模型输入格 式适配的向量形式， 并将每个向 量根据由发电性质的真实情况 标记为光伏发电或风力发电； 步骤三： 设定RN N神经网络模型的输入数据参数； 步骤四： 将光伏发电以及风力发电数据转化的二维向量作为RNN神经网络的输入， 每个 二维向量对应的光伏发电与风力发电的标记作为RNN神经网络的预测目标； 对输入二维向 量是光伏发电或风力发电的预测作为输出； 以预测准确率作为训练目标， 训练RNN神经网络 模型； 步骤五： 根据训练过程的预测准确率以及训练时长， 人工动态调整训练参数； 直至预测 准确率达 到95％； 停止训练； 步骤六： 对于待预测的发电数据， 将发电数据转化为二维向量形式； 并输入至训练好的 RNN神经网络模型中， 获得预测的光伏发电或风力发电的概率； 其中， 预测的光伏发电与风 力发电中， 概 率较大的为预测结果。 2.根据权利要求1所述的基于电力负荷曲线的配电性质智能研判方法， 其特征在于， 所 述光伏发电基本数据包括 实时的光照辐射强度、 实时室外温度以及每日光伏发电的电力负 荷曲线。 3.根据权利要求1所述的基于电力负荷曲线的配电性质智能研判方法， 其特征在于， 所 述风力发电基本数据包括实时的室外风速以及每日风力发电的电力负荷曲线。 4.根据权利要求1所述的基于电力负荷曲线的配电性质智能研判方法， 其特征在于， 所 述训练数据转 化为与RNN神经网络模型输入格式适配的向量形式并标记包括以下步骤： 步骤S1： 按日期将光伏发电基本数据以及风力发电基本数据进行划分； 步骤S2： 对于每个日期， 将当 日等间距划分为N个时间段； 按时间顺序从0点0分0秒至23 点59分59秒计算每个时间段内的平均光照辐射强度、 平均室外温度以及平均室外风速； 并 从电力负荷曲线中， 计算每个时间段内， 光伏发电的平均电力负荷以及风力发电的平均电 力负荷； 其中， 所述 N为根据实际经验设置的时间段 数量； 步骤S3： 将每个日期的数据转化为二维向量形式； 将每个时间段标记为n； 其中， n＝1， 2…N； 将时间段n的平均光照辐射强度标记为rn； 将平均室外温度标记为tn； 将平均室外风 速标记为wn； 将光伏发电以及风力发电的平均电力负荷分别 标记为sn以及fn； 构造二维向 量； 步骤S4： 将光伏发电数据构造的二维向量标记为1； 将风力发电数据构造的二维向量标 记为0。 5.根据权利要求4所述的基于电力负荷曲线的配电性质智能研判方法， 其特征在于， 构 造的二维向量的形式为： 对于每日的光伏发电数据构造的二维向量 为： [[r1,t1,w1,s1], …[rn,tn,w n,sn],…[rN,tN,w N,sN]]； 对于每日的风力发电数据构造的二维向量 为： [[r1,t1,w1,f1], …[rn,tn,w n,fn],…[rN,tN,w N,fN]]。 6.根据权利要求1所述的基于电力负荷曲线的配电性质智能研判方法， 其特征在于， 所权　利　要　求　书 1/2 页 2 CN 115276002 A 2述设定RN N神经网络模型的输入数据参数包括设定向量长度、 日期数量以及基本向量维度。 7.根据权利要求6所述的基于电力负荷曲线的配电性质智能研判方法， 其特征在于， 所 述向量长度为时间段数据， 即为N； 所述日期数量为收集的所有光伏发电数据以及风力发电 数据的日期数量之和； 所述基本向量 维度为每个时间段内的数据维度， 即[r n,tn,wn,sn]或 [rn,tn,w n,fn]的维度， 即为 4。 8.根据权利要求1所述的基于电力负荷曲线的配电性质智能研判方法， 其特征在于， 所 述待预测发电数据为一个完整日期的发电数据， 包括 实时光照辐射 强度、 实时室外温度、 实 时室外风速以及当日 的电力负荷曲线； 通过将发电数据按时间顺序划分为N个时间段， 获取 每个时间段内的平均光照辐射强度rn、 平均室外温度tn、 平均室外风速wn以及平均电力负 荷pn； 构成[ [r1,t1,w1,p1], …[rn,tn,w n,pn],…[rN,tN,w N,pN]]的二维向量形式。权　利　要　求　书 2/2 页 3 CN 115276002 A 3