发明内容
本发明的目的是为了克服现有技术的不足,提供一种年最大用电负荷预测方法,其可以降低年最大用电负荷预测的误差,保护电网安全。
实现上述目的的一种技术方案是:一种年最大用电负荷预测方法,包括下列步骤:
S1读取目标年度前N个历史年度的年最大用电负荷Load、平均每天需求侧管理规划容量DSM、国内生产总值GDP、第二产业国内生产总值GDP2和第三产业国内生产总值GDP3;
S2以该N个历史年度中的第一年度的年最大用电负荷Load为基准,求取该N个历史年度中各个年度的年最大用电负荷标幺值Load’、平均每天需求侧管理规划容量标幺值DSM’;
S3分别以该N个历史年度中的第一年度的国内生产总值GDP、第二产业国内生产总值GDP2和第三产业国内生产总值GDP3为基准,求取该N个历史年度中各个年度的国内生产总值标幺值GDP’、第二产业国内生产总值标幺值GDP2’和第三产业国内生产总值标幺值GDP3’;
S4预测目标年度的年最大用电负荷;
S5输出目标年度的年最大用电负荷。
进一步的,所述S4步骤包括下列工序:
S401以该N个历史年度中各个年度的年最大用电负荷标幺值Load’为应变量,以该N个历史年度中各个年度的平均每天需求侧管理规划容量标幺值DSM’和国内生产总值标幺值GDP’为自变量,构建目标函数Load’=C0+C1·DSM’+C2·GDP’,并用最小二乘法求取系数C0,C1和C2;
S402将预测的目标年度的国内生产总值标幺值GDP’和目标年度的平均每天需求侧管理规划容量标幺值DSM’代入所述目标函数Load’=C0+C1·DSM’+C2·GDP’,计算得到目标年度的年最大用电负荷标幺值;
S403计算得到目标年度的年最大用电负荷。
进一步的,所述S4步骤包括下列工序:
S411以该N个历史年度中各个年度的年最大用电负荷标幺值Load’为应变量,以该N个历史年度中各个年度的平均每天需求侧管理规划容量标幺值DSM’、国内生产总值标幺值GDP’、第二产业国内生产总值标幺值GDP2’和第三产业国内生产总值标幺值GDP3’为自变量构建目标函数Load’=C0+C1·DSM’+C2·GDP’+C3·GDP2’+C4·GDP3’,并用最小二乘法求取系数C0,C1、C2、C3和C4;
S412将预测的目标年度的国内生产总值标幺值GDP’、第二产业国内生产总值标幺值GDP2’和第三产业国内生产总值标幺值GDP3’以及目标年度的平均每天需求侧管理规划容量标幺值DSM’代入所述目标函数Load’=C0+C1·DSM’+C2·GDP’+C3·GDP2’+C4·GDP3’,计算得到目标年度的年最大用电负荷标幺值;
S413计算得到目标年度的年最大用电负荷。
进一步的,S4步骤包括下列工序:
S421分别构建所述N个历史年度中各个年度的输入向量x(DSM’,GDP’,GDP1’,GDP2’);
S422构建年最大用电负荷的回归函数
其中Φ(x)为所述输入向量x的训练函数;w为正则项向量,“·”表示向量空间中的点积;b为阈值,其中所述正则项向量w和所述阈值b满足:
其中,ξ
i为所述N个历史年度中第i年度训练条件为
时的训练误差的上界;
是为所述N个历史年度中第i年度的训练条件为
时的训练误差的上界;C为权重系数;ε为不敏感损失函数;
其中Loadi所述N个历史年度中第i年度的年最大用电负荷,xi所述N个历史年度中第i年度的输入向量;
所述正则项向量w的对偶形式为:
其中:α
i,
为历史年度中第i年度的Langrange乘子;
S423求解所述正则项向量w,得到
进而得到所述年最大用电负荷的回归函数:
S424通过对包括C和ε在内的模型参数进行优化,确定最优的所述年最大用电负荷的回归函数,进而得到目标年度的年最大用电负荷。
再进一步的,所述S422工序中所述核函数为:
所述S424工序中的所述模型参数为C、g和ε。
再进一步的,所述N=4。
采用了本发明的一种年最大用电负荷预测方法的技术方案,即考虑了平均每天需求侧管理规划容量DSM对于年最大用电负荷的影响的技术方案。其技术效果是:提高目标年度的年最大用电负荷预测的准确性,降低目标年度的年最大用电负荷预测的误差,保障电网运行的安全,同时又能为电网的建设和规划停工依据,避免电网出骄傲前规划和建设所造成的浪费。
具体实施方式
请参阅图1和图2,本发明的为了能更好地对本发明的技术方案进行理解,下面通过具体地实施例,并结合附图进行详细地说明:
本实施例中,目标年度的年最大用电负荷的预测是通过SCADA(Supervisory Control And Data Acquisition)***进行的,即通过数据采集与监视控制***进行的。包括下列步骤:
S1读取目标年度前N个历史年度的年最大用电负荷Load、平均每天需求侧管理规划容量DSM、国内生产总值GDP、第二产业国内生产总值GDP2和第三产业国内生产总值GDP3;
S2以该N个历史年度中的第一年度的年最大用电负荷Load为基准,求取该N个历史年度中各个年度的年最大用电负荷标幺值Load’、平均每天需求侧管理规划容量标幺值DSM’;
S3分别以该N个历史年度中的第一年度的国内生产总值GDP、第二产业国内生产总值GDP2和第三产业国内生产总值GDP3为基准,求取该N个历史年度中各个年度的国内生产总值标幺值GDP’、第二产业国内生产总值标幺值GDP2’和第三产业国内生产总值标幺值GDP3’;
S4预测目标年度的年最大用电负荷;
S5输出目标年度的年最大用电负荷。
所述N个历史年度中第i年度年最大用电负荷标幺值为所述N个历史年度中第i年度年最大用电负荷与所述N个历史年度中第一年度年最大用电负荷之间的比值;所述N个历史年度中第i年度的平均每天需求侧管理规划容量标幺值为所述N个历史年度中第i年度的平均每天需求侧管理规划容量与所述N个历史年度中第一年度年最大用电负荷之间的比值,历史年度中第i年度的国内生产总值标幺值为所述N个历史年度中第i年度的国内生产总值与所述N个历史年度中第一年度的国内生产总值之间的比值。历史年度中第i年度的第二产业国内生产总值标幺值为所述N个历史年度中第i年度的第二产业国内生产总值与所述N个历史年度中第一年度的第二产业国内生产总值之间的比值。
S4步骤中,预测目标年度的年最大用电负荷的预测方法分为两大类,一类称为多元线性回归预测法,另一类称为支持向量机预测法。
多元线性回归预测法运用最小二乘法原理,对影响年最大用电负荷的多个自变量进行多元回归,对目标年度的年最大用电负荷进行预测,根据选取自变量的不同,多元回归预测法又可以分为两种。
一种方法所选取的自变量为:平均每天需求侧管理规划容量标幺值DSM’和国内生产总值标幺值GDP’,包括下列工序:
S401以该N个历史年度中各个年度的年最大用电负荷标幺值Load’为应变量,以该N个历史年度中各个年度的平均每天需求侧管理规划容量标幺值DSM’和国内生产总值标幺值GDP’为自变量,构建目标函数Load’=C0+C1·DSM’+C2·GDP’,并用最小二乘法求取系数C0,C1和C2;
S402将预测的目标年度的国内生产总值标幺值GDP’和目标年度的平均每天需求侧管理规划容量标幺值DSM’代入所述目标函数Load’=C0+C1·DSM’+C2·GDP’,计算得到目标年度的年最大用电负荷标幺值;
S403计算得到目标年度的年最大用电负荷。即将所述目标年度的年最大用电负荷标幺值乘以所述N个历史年度中第一年度的年最大用电负荷。
另外一种方法所选取的自变量为:平均每天需求侧管理规划容量标幺值DSM’、国内生产总值标幺值GDP’、第二产业国内生产总值标幺值GDP2’和第三产业国内生产总值标幺值GDP3’包括下列工序:
S411以该N个历史年度中各个年度的年最大用电负荷标幺值Load’为应变量,以该N个历史年度中各个年度的平均每天需求侧管理规划容量标幺值DSM’、国内生产总值标幺值GDP’、第二产业国内生产总值标幺值GDP2’和第三产业国内生产总值标幺值GDP3’为自变量构建目标函数Load’=C0+C1·DSM’+C2·GDP’+C3·GDP2’+C4·GDP3’,并用最小二乘法求取系数C0,C1、C2、C3和C4;
S412将预测的目标年度的国内生产总值标幺值GDP’、第二产业国内生产总值标幺值GDP2’和第三产业国内生产总值标幺值GDP3’以及目标年度的平均每天需求侧管理规划容量标幺值DSM’代入所述目标函数Load’=C0+C1·DSM’+C2·GDP’+C3·GDP2’+C4·GDP3’,计算得到目标年度的年最大用电负荷标幺值;
S413计算得到目标年度的年最大用电负荷。
支持向量机(SVM)预测方法是基于结构风险最小化原则的预测方法,表现出良好的泛化能力。其算法是一个凸二次优化问题,保证找到的解是全局最优解。
支持向量机方法的基本原理为:通过事先定义的训练函数Φ:Rn至Rm(m≥n),把输入向量x映射到一个高维特征空间,然后在该空间中做线性回归。
因此S421工序中必须构建一个输入向量x,所述输入向量x为一个四维向量,所述输入向量x中的向量元素为:平均每天需求侧管理规划容量标幺值DSM’、国内生产总值标幺值GDP’、第二产业国内生产总值标幺值GDP2′和第三产业国内生产总值标幺值GDP3′,即x(DSM’,GDP’,GDP1’,GDP2’)。
支持向量机方法是通过所述输入向量x,求解预测目标年度的年最大用电负荷的回归函数,因此S422工序中构建了年最大用电负荷的回归函数:
其中Φ(x)为所述输入向量x的训练函数;w为正则项向量,“·”表示向量空间中的点积;b为阈值,其中所述正则项向量w和所述阈值b满足:
其中,ξ
i为所述N个历史年度中第i年度训练条件为
时的训练误差的上界;
是为所述N个历史年度中第i年度的训练条件为
时的训练误差的上界;C为权重系数;ε为不敏感损失函数;
其中Loadi为所述N个历史年度中第i年度的年最大用电负荷,xi所述N个历史年度中第i年度的输入向量;
权重系数C是用来平衡所述回归函数的模型复杂性和训练误差项的,支持向量机方法通过同时最小化训练误差项
和正则项
来避免训练函数∨(x)的欠学习和过学习,使该方法同时具备适用性和灵活性。
利用Langrange函数和Wolfe对偶理论可知:在高维向量空间中,所述正则项向量w的对偶形式:
其中:α
i,
为所述N个历史年度中第i年度的Langrange乘子;
为核函数;
在预测目标年度的年最大用电负荷时,为了避免在高维空间中计算内积∨(xi)I∨(xj)需要花费的巨大计算量,而采用核函数,所述核函数满足Mercer条件,这样,所述核函数在高维空间中的内积计算可通过原空间中的函数来实现,而不必知道变换Φ的形式。这些核函数包括:
径向基函数(RBF)核函数,
因此在S423工序中,可求解得到所述正则项向量为:
再根据Karush-Kuhn-Tucker定理可得到系数b,并得到所述年最大用电负荷的回归函数为:
其中
只有部分数是非零值,它们所对应的数据点就是支持向量。
所述S424工序中,通过模型参数进行优化,确定最优的所述年最大用电负荷的回归函数,进而得到目标年度的年最大用电负荷。
本实施例中,优选径向基核函数来确定最优的所述年最大用电负荷的回归函数,需要进行优化的所述模型参数为C、g、ε,S424工序中通过对模型参数C、g、ε的优化确定最优的年最大用电负荷回归函数,并用所述最优的年最大用电负荷回归函数进行目标年度的年最大用电负荷的预测。在所述s424工序中,所述模型参数C、g、ε的优化的过程要反复进行多次,以保证取得最优的年最大用电负荷回归函数。
如果选取的是d阶多项式核函数,则选取的模型参数为:C、γ、c0、d和ε。
如果选取的是Sigmoid核函数,则选取的模型参数为:C、ν、κ和ε。
本实施例中,所选取的是最近五年的数据,其中所述N=4,而第五年度就是所述的目标年度。
以仅考虑国内生产总值GDP和平均每天需求侧管理规划容量DSM的多元线性回归预测法为例,说明本发明的一种年最大用电负荷预测方法的使用效果,表1列出了申请人所现在地区近五年的年最大用电负荷和GDP数据,SCADA***仅读取前四年的数据,而第五年为对本方法进行验证的目标年度。
表1申请人所现在地区近五年的年最大用电负荷和GDP数据
考虑了平均每天需求侧管理规划容量DSM,对应的年最大用电负荷的函数为:Load’=0.9290740385-1.57039845DSM’+0.1680489685GDP’。对应的第五年度的年最大用电负荷的预测值为3238.735MW,误差率-0.186%。
不考虑平均每天需求侧管理规划容量DSM,对应的年最大用电负荷的函数为:Load’=0.9924196124+0.1002010228GDP’,对应的第五年度的年最大用电负荷的预测值为3114.550MW,误差率为-4.03%。
显然,考虑了平均每天需求侧管理规划容量DSM的年最大用电负荷预测方法的误差更小。
以考虑国内生产总值GDP、第二产业国内生产总值GDP2、第三产业国内生产总值GDP2和平均每天需求侧管理规划容量DSM的支持向量机方法为例,说明本发明的一种年最大用电负荷预测方法的使用效果,表2列出了申请人所现在地区近五年的年最大用电负荷和GDP数据,其中SCADA***只读取了前四年的数据,而第五年为对本方法进行验证的目标年度。其中GDP数据已经在表1中显示过了。
表2申请人所现在地区近五年的支持向量机方法输入数据
考虑了平均每天需求侧管理规划容量DSM,第五年度的年最大用电负荷的预测值误差率为-4.06%。不考虑平均每天需求侧管理规划容量DSM,第五年度的年最大用电负荷的预测值为102.825MW,误差率为-4.38%。
显然,考虑了平均每天需求侧管理规划容量DSM的年最大用电负荷预测方法的误差更小。
本发明的一种年最大用电负荷预测方法不仅可以预测方法不仅可以对第五年度的年最大用电负荷进行预测,还可以继续对第六年度、第七年度及以后年度的年最大用电负荷进行预测。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。