本发明属于负荷预测，尤其涉及一种基于云边协同的台区负荷实时预测方法及系统。
背景技术：
1、随着智能电网和可再生能源技术的发展，负荷预测已成为一项越来越重要的任务。短期台区负荷预测不仅有利于电网的电力调度和调峰填谷，也有利于台区从可再生能源中获得更高的经济效益。为了针对电力系统运行的过程中的调度分配问题，一个基于准确负荷预测的可信的日前发电计划至关重要，它可以减少不必要的损失，并提高电网的稳定性。如果能够准确预测电网的整体需求，电网的效率和稳定性将得到提高。由于用户是需求响应的参与者，对单个居用户行准确的负荷预测可以帮助电网更好地了解用户的用电情况，并针对不同用电习惯的不同用户群体制定不同的需求响应计划。负荷预测不仅有利于电网，也有利于用户。随着可再生能源的日益普及，可再生能源台区的数量也在逐渐增加。负荷预测可以帮助台区成员制定电力购买和销售计划，以减少他们的电力消耗。然而，负荷预测由于其强烈的波动性和高度的不确定性而带来了独特的挑战。
技术实现思路
1、本发明提供一种基于云边协同的台区负荷实时预测方法及系统，用于解决负荷预测精度较低的技术问题。
2、第一方面，本发明提供一种基于云边协同的台区负荷实时预测方法，包括：
3、构建云边协同框架，在所述云边协同框架中对台区内各个配变的日负荷曲线进行聚类分析，得到各个配变的日负荷曲线聚类中心，所述云边协同框架包括云端设备以及与所述云端设备连接终端设备；
4、将各个配变的日负荷曲线聚类中心进行整合，形成负荷曲线数据集，并对所述负荷曲线数据集进行再次聚类分析，得到全局日负荷模式；
5、基于多层lstm网络结构构建与所述全局日负荷模式相对应的至少一个负荷预测模型，所述多层lstm网络结构由相互连接的多个lstm单元组成，一个lstm单元包含输入门、输出门和遗忘门；
6、获取未来一段时间内某一配变的实时运行数据，并将所述实时运行数据输入至与所述某一配变相对应的某一负荷预测模型中，所述某一负荷预测模型输出某一配变的预测负荷。
7、第二方面，本发明提供一种基于云边协同的台区负荷实时预测系统，包括：
8、分析模块，配置为构建云边协同框架，在所述云边协同框架中对台区内各个配变的日负荷曲线进行聚类分析，得到各个配变的日负荷曲线聚类中心，所述云边协同框架包括云端设备以及与所述云端设备连接终端设备；
9、整合模块，配置为将各个配变的日负荷曲线聚类中心进行整合，形成负荷曲线数据集，并对所述负荷曲线数据集进行再次聚类分析，得到全局日负荷模式；
10、构建模块，配置为基于多层lstm网络结构构建与所述全局日负荷模式相对应的至少一个负荷预测模型，所述多层lstm网络结构由相互连接的多个lstm单元组成，一个lstm单元包含输入门、输出门和遗忘门；
11、预测模块，配置为获取未来一段时间内某一配变的实时运行数据，并将所述实时运行数据输入至与所述某一配变相对应的某一负荷预测模型中，所述某一负荷预测模型输出某一配变的预测负荷。
12、第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的基于云边协同的台区负荷实时预测方法的步骤。
13、第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的基于云边协同的台区负荷实时预测方法的步骤。
14、本申请的基于云边协同的台区负荷实时预测方法及系统，首先构建适用于配电网的云边协同架构；然后基于ap聚类算法构建多台区全局日负荷模式，同时使用随机森林模型拟合数据，根据每个特征在随机森林每颗树上所做的贡献大小，进行特征重要性的度量，完成特征选择；接下来基于lstm神经网络构建负荷预测模型并使用多层lstm网络结构来增加预测模型的深度，进而提升模型预测能力。最后为减少模型滞后对预测性能的影响，采用基于定时更新的更新策略，随着外界因素变化和时间推移适时对预测模型进行更新。相比传统方法该方法在负荷预测中有更高的预测精度。
1.一种基于云边协同的台区负荷实时预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于云边协同的台区负荷实时预测方法，其特征在于，在根据所述云边协同框架对台区内各个配变的日负荷曲线进行聚类分析之前，所述方法还包括：
3.根据权利要求1所述的一种基于云边协同的台区负荷实时预测方法，其特征在于，在所述云边协同框架中对台区内各个配变的日负荷曲线进行聚类分析，得到各个配变的日负荷曲线聚类中心包括：
4.根据权利要求1所述的一种基于云边协同的台区负荷实时预测方法，其特征在于，所述基于多层lstm网络结构构建与所述全局日负荷模式相对应的至少一个负荷预测模型包括：
5.根据权利要求1所述的一种基于云边协同的台区负荷实时预测方法，其特征在于，所述负荷预测模型中的输入层由经过特征选择与归一化处理的多时刻电力系统运行参数数据、气象气候数据构成，数据结构为一维矢量x＝[x1，x2，...，xn]，归一化的表达式为：
6.一种基于云边协同的台区负荷实时预测系统，其特征在于，包括：
7.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至5任一项所述的方法。
