CN104392274A - 基于用电负荷与温度趋势的城市短期用电负荷预测方法 - Google Patents

Abstract

本发明公开一种基于用电负荷与温度趋势的城市短期用电负荷预测方法，包括以下步骤：S01.确定预报日，获取预报日前S天和前一年预报日前后共S天的历史城市用电负荷与城市气温数据；S02.输入电网突发增量数据；S03.将用电负荷与城市温度趋势变化关系判断；S04.当前一年预报日前后共S天的城市用电负荷与气温数据趋势变化关系为趋势相关性时，结合所述步骤S02输入的电网突发增量数据，通过城市负荷预测模型算法对预报日进行城市预报日用电负荷精确预测，否则，通过均值法城市负荷预测算法计算预报日用电负荷精确预测；S05.城市用电负荷预测结果输出；本发明使用气象数值预报作为气象预报信息，使基于气象因素城市用电负荷高精度预测。

Description

基于用电负荷与温度趋势的城市短期用电负荷预测方法

技术领域

本发明涉及电力***用电负荷预测技术领域，尤其涉及一种基于用电负荷与温度趋势的城市短期用电负荷预测方法。

背景技术

城市短期用电负荷预测是电力调度部门的日常工作，它包括预报日负荷预测(最大负荷预测、平均负荷预测)、预报日96点(每15分钟)城市用电负荷预测，保持高准确率的预测结果，可以制定合理的电网调度策略，增加经济效益，城市短期用电负荷与城市当日的气象因素密切相关，城市的温度直接影响城市总体用电负荷，其他气象因素如风速、降雨等最终以温度的方式影响城市负荷，现有技术中，城市短期负荷预测大多基于城市历史负荷值的数学推算，部分算法参考了日均温度，但传统算法没有考虑气象因素的影响或只是简单使用预报日气象预报数据，预报精度无法满足用户需求，另一方面传统算法过于复杂实用性较差。

例如，专利CN103514491A公开了一种电力负荷预测方法，包括：步骤1：利用历史数据，将各个年负荷特性指标与多个影响因素进行试算，建立各个年负荷特性指标与多个影响因素的定量关系式；所述历史数据包括过去多年的各个年负荷特性指标数据和各个影响因数数据；步骤2：利用步骤1中所获取的定量关系式，预测待预测年份的各个年负荷特性指标，并根据预测的各个年负荷特性指标预测待预测年份的年发电量；步骤3：将预测的年发电量分配到每个月，通过该发明方法进行年发电量预测和月发电量预测，但是仍旧利用过去多年的各个年负荷特性指标数据和各个影响因数数据，没有涉及气象因素影响，不能够实现短期城市日用电负荷的精确预测。

目前城市短期负荷预测大多基于城市历史负荷值的数学推算，该方法没有考虑气象因素的影响或只是简单使用预报日气象预报数据，使负荷预报精确度不高。

目前各级电力公司使用最多的预测方法是基于历史数据的“神经网络”算法，该方法考虑了历史数据和最近预测数据与实际数据的偏差，不断校验参数，缩小误差，该方法计算复杂，对负荷平滑变动计算精度较高，当负荷与温度敏感较高时或负荷变动较大时精度不高，其从本质是一套数学模型方法。

现有城市短期用电负荷预测主要技术缺点如下：

现有城市负荷预测模型过多注重于历史数据挖掘，使用多种数学算法，寻找历史数据和未来数据的关系，但城市用电负荷的主要因素是环境和工业发展情况，这些通过历史数据模型会导致预测精度不高。

现有城市负荷预测模型在使用气象因素时，采用历史走势相似方法确定气象因素与城市负荷关系，导致大量的计算历史数据计算和拟合算法计算，使计算模型失去实际使用意义。例如，专利CN103606022A公开了一种短期负荷预测方法，包括：获取待预测日的预报气象因子的值和若干个历史日的气象因子的值；按照预设累积效应公式，对待预测日的预报气象因子的值和实际气象因子的值进行修正；获取若干个历史日的电网负荷值和短期负荷预测数据，进行对比，并求取其误差；对经过修正后的若干个历史日的实际气象因子的值与电网负荷值进行拟合，得到两者之间的关系模型；利用电网负荷值与短期负荷预测数据之间的误差对所述关系模型进行矫正；根据矫正后的关系模型，对待预测日的电网负荷进行预测，该发明虽然涉及了气象因素，但仅考虑了气象因子的累积效应，不涉及实际历史点的气象数据，不能够精确预测短期城市日用电负荷。

现有城市负荷预测模型没有选择合适的气象因素预报方法，使用气象数据以日预报数据较多，对精细化气象预报信息不了解，导致短期负荷预测特别是96点的负荷预测精度较低。

发明内容

本发明提出了一种基于用电负荷与温度趋势的城市短期用电负荷预测方法，使用精细化温度预报值，目前气象部门的精细化温度预报值(每小时一次)已经非常准确，高精度温度预报值作为城市用电负荷预测的基础；城市用电负荷与预报日的气象因素密切相关，分析城市负荷与城市温度关系判断负荷最近的变化趋势，并引入电网调度部门对突发因素影响，通过人工数据交互完成该部分参数输入，突发因素带入模型计算，参加城市负荷计算，并以此为基础计算未来预测数据，远强于传统算法对该部分参数的长期纠偏的自适应功能，预测精度高。

本发明技术方案如下：

一种基于用电负荷与温度趋势的城市短期用电负荷预测方法，包括以下步骤，

S01，确定预报日，获取预报日前S天和前一年预报日前后共S天的历史城市用电负荷与城市气温数据，作为用电负荷预测计算的取值序列，依据取值序列进行用电负荷与城市温度趋势变化关系预测；

城市用电负荷预测包括96点负荷预测、预报日最大负荷预测和平均负荷预测；

S02，将电网突发增量数据输入到城市负荷预测模型算法中；电网调度部门对突发因素(重大用户投产、大型发电机组突发并网，电网故障除外)影响是可以准确把握的，通过人工数据交互完成该部分参数输入，突发因素可立即带入模型计算，参加城市负荷计算，并以此为基础计算未来预测数据，相比与传统算法对该部分参数的长期纠偏的自适应功能，效率高，计算简单，数据准确。由于本发明基于的历史数据通过存储的数据直接导入，不需要手动输入，因此，仅仅手动输入电网突发增量，操作简单；

S03，依据步骤S01预报日前S天的历史城市用电负荷与城市气温数据，进行将用电负荷与城市温度趋势变化关系判断，将用电负荷与城市温度趋势变化关系划分为趋势相关性和趋势无关性，当预报日前S天的历史城市用电负荷与城市气温数据的趋势变化关系为趋势相关性时，结合步骤S02输入的电网突发增量数据，通过城市负荷预测模型算法对预报日进行城市预报日用电负荷精确预测，否则，进行前一年预报日前后共S天的城市用电负荷与气温数据趋势变化关系判断；

用电负荷与城市温度趋势变化关系的趋势相关性包括趋势相同性和趋势相反性，趋势相同性、趋势相反性和趋势无关性判断方法如下：将S天的气温和负荷数据按照相邻日期两两结合，分为S-1组，当用电负荷与气温变化趋势相同的组数大于等于Y组时，用电负荷随气温的累积变化效应为趋势相同性；当气温和用电负荷变化趋势相反的组数大于等于Y组时，用电负荷随气温的累积变化效应为趋势相反性；否则，用电负荷随气温的累积变化效应为无关性。

S04，当前一年预报日前后共S天的城市用电负荷与气温数据趋势变化关系为趋势相关性时，结合步骤S02输入的电网突发增量数据，通过城市负荷预测模型算法对预报日进行城市预报日用电负荷精确预测，否则，通过均值法城市负荷预测算法计算城市预报日用电负荷精确预测；

S05，城市用电负荷预测结果输出。

步骤S03和步骤S04中所述的城市负荷预测模型算法具体包括以下步骤，

96点负荷预测、预报日最大负荷预测和平均负荷预测方法均相同；

(301)筛选出取值序列中温度和用电负荷变化趋势相关组，假设趋势相关组的数量为r组，r组趋势相关组共包括n组数据，每组数据均包括城市用电负荷和城市用电负荷计量对应的城市气温；

当进行预报日最大负荷预测和平均负荷预测时，S天的历史城市用电负荷与城市气温数据共包括S组数据(最大负荷、平均负荷以及对应的最大气温、平均气温)，趋势相关组的数量为r组，则r组趋势相关组共包括r组数据，即进行预报日最大负荷预测和平均负荷预测时n＝r；

当进行96点(每15分钟间隔计一个点，一天24小时共96个电)负荷预测时，n＝96*r，n组数据为r天内每间隔15分钟的一个取值数据(每间隔15分钟时刻点的用电负荷和时刻点的气温值)；

(302)用电负荷的平均变化率计算公式为式(1)：

$\frac{\stackrel{\‾}{\mathrm{\ΔP}}}{\mathrm{\ΔT}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{\mathrm{\Δ}{P}_i}{\mathrm{\Δ}{T}_i}}{n}---\left(1\right)$

式(1)中：为用电负荷随气温变化的变化率，其中i为n组数据的第i组数据组；ΔP_i为第i组用电负荷值与第i-1组的用电负荷值之差，ΔT_i第i组温度值与i-1组的温度值之差；

n为用电负荷随气温变化趋势相关组包括的数据的组数；

(303)计算用电负荷预测，为公式(2)：

式中：

P_预—预测日预测点的用电负荷，为未知量，单位:MW；

P_实—预测点前一历史数据的实际负荷，为已知量，单位:MW；前一历史数据是指前一个数据记录点历史数据；

T_预—预测日预测点的精细化气温值，为已知量，单位:℃；

T_实—预测点前一历史测量点的实况气温，为已知量，单位:℃；

P_突—操作者输入的电网突发增量数据，单位:MW。

步骤S04均值法城市负荷预测算法计算城市预报日用电负荷精确预测，具体包括以下步骤：

当用电负荷为用电负荷随气温的趋势变化无关性时，根据经验数据，选用预报日前S日的用电负荷序列的均值法计算城市负荷预测数据，公式(3)：

式中：

P_预—预测日预测点的用电负荷，为未知量，单位:MW；

P_i—S日取值序列中的第i组用电负荷值，单位:MW。

与现有技术相比，本发明包括以下有益效果：

本发明使用气象数值预报作为气象预报信息，温度精细化预报信息可以达到每小时数次，使基于气象(温度)因素的城市用电负荷高精度预测成为可能，解决了只使用日温度预报信息，气象预报信息过于粗糙问题。

本发明通过近期温度因素、去年同期温度与负荷走势趋势，判断温度对城市负荷影响趋势，解决了传统预测模型中寻找与历史走势相同的复杂算法。

本发明通过人工交互方式输入电网突发增量参数，并在城市负荷预测模型算法计算中以交互参数为基础参加运算，使突发因素在预测中迅速融入算法，解决了传统模型对突发因素(重大用户投产、大型发电机组突发并网)影响无法短期内克服的难题。

附图说明

图1本发明一种基于用电负荷与温度趋势的城市短期用电负荷预测方法。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细描述。

如图1所示，一种基于用电负荷与温度趋势的城市短期用电负荷预测方法，包括以下步骤，

S01，确定预报日，获取预报日前S天和前一年预报日前后共S天的历史城市用电负荷与城市气温数据，作为用电负荷预测计算的取值序列，依据取值序列进行用电负荷与城市温度趋势变化关系预测；

城市用电负荷预测包括96点负荷预测、预报日最大负荷预测和平均负荷预测；

城市用电负荷与预报日的气象因素密切相关，但城市用电负荷的变化也具有连续性和趋势性，必须在近期或往年同期历史数据中提取预报日所在周期内(一般取气象部门的一个标准周期一旬作为一个考察周期)两者的趋势关系，本实施例选取预报日之前11天的城市负荷与城市温度关系判断负荷最近的变化趋势，该部分数据包含了城市用电负荷最新信息及与温度的关系信息，是第一权重因素。在最近的变化趋势不明显时，用去年的历史数据(去年同期预报日前后各五天数据)判断本期的趋势，它代表着同一时段的往年的变化趋势,本实施例去年的历史数据取去年预测日前后5天和去年预测日(共11天)数据做相同判断。

S02，将电网突发增量数据输入到城市负荷预测模型算法中；电网调度部门对突发因素(重大用户投产、大型发电机组突发并网，电网故障除外)影响是可以准确把握的，通过人工数据交互完成该部分参数输入，突发因素可立即带入模型计算，参加城市负荷计算，并以此为基础计算未来预测数据，相比与传统算法对该部分参数的长期纠偏的自适应功能，效率高，计算简单，数据准确。由于本发明基于的历史数据通过存储的数据直接导入，不需要手动输入，因此，仅仅手动输入电网突发增量，操作简单；

S03，依据步骤S01预报日前S天的历史城市用电负荷与城市气温数据，进行将用电负荷与城市温度趋势变化关系判断，将用电负荷与城市温度趋势变化关系划分为趋势相关性和趋势无关性，当预报日前S天的历史城市用电负荷与城市气温数据的趋势变化关系为趋势相关性时，结合步骤S02输入的电网突发增量数据，通过城市负荷预测模型算法对预报日进行城市预报日用电负荷精确预测，否则，进行前一年预报日前后共S天的城市用电负荷与气温数据趋势变化关系判断；

用电负荷与城市温度趋势变化关系的趋势相关性包括趋势相同性和趋势相反性：将S天的气温和负荷数据按照相邻日期两两结合，分为S-1组，当用电负荷与气温变化趋势相同的组数大于等于Y组时，用电负荷随气温的累积变化效应为趋势相同性；当气温和用电负荷变化趋势相反的组数大于等于Y组时，用电负荷随气温的累积变化效应为趋势相反性；否则，用电负荷随气温的累积变化效应为无关性。

本实施例中，11天的气温和用电负荷数据按照相邻日期两两结合，可分为10组，当负荷与气温变化趋势相同的组数大于等于7组时，负荷随气温的累积变化效应为相同性；当气温和负荷变化趋势相反的组数大于等于7组时，负荷随气温的累积变化效应为相反性；其余情况为无关性。在预测日前11天判断趋势为无关性后，取去年预测日前后5天和去年预测日(共11天)数据做相同判断，如具有趋势性则进入负荷预测算法模型，否则将判断为该预测日所在时间段与温度变化无关，进入均值法计算预测日城市负荷预测。本算法将取数时间范围(即前述的11天)和趋势相关性判断时的特征值(即前述的7组)设计成可配置的参数，可通过长时间的数据验证来调整参数，以满足不同地区和不同季节的负荷随气温累积变化效应分析。

S04，当前一年预报日前后共S天的城市用电负荷与气温数据趋势变化关系为趋势相关性时，结合步骤S02输入的电网突发增量数据，通过城市负荷预测模型算法对预报日进行城市预报日用电负荷精确预测，否则，通过均值法城市负荷预测算法计算城市预报日用电负荷精确预测；

S05，城市用电负荷预测结果输出。

步骤S03和步骤S04所述的城市负荷预测模型算法具体包括以下步骤，

96点负荷预测、预报日最大负荷预测和平均负荷预测方法均相同；

(301)筛选出取值序列中温度和用电负荷变化趋势相关组，假设趋势相关组的数量为r组，r组趋势相关组共包括n组数据，每组数据均包括城市用电负荷和城市用电负荷计量对应的城市气温；

当进行预报日最大负荷预测和平均负荷预测时，S天的历史城市用电负荷与城市气温数据共包括S组数据(最大负荷、平均负荷以及对应的最大气温、平均气温)，趋势相关组的数量为r组，则r组趋势相关组共包括r组数据，即进行预报日最大负荷预测和平均负荷预测时n＝r；

当进行96点(每15分钟间隔计一个点，一天24小时共96个电)负荷预测时，n＝96*r，n组数据为r天内每间隔15分钟的一个取值数据(每间隔15分钟时刻点的用电负荷和时刻点的气温值)；

(302)用电负荷的平均变化率计算公式为式(1)：

$\frac{\stackrel{\‾}{\mathrm{\ΔP}}}{\mathrm{\ΔT}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{\mathrm{\Δ}{P}_i}{\mathrm{\Δ}{T}_i}}{n}---\left(1\right)$

式(1)中：为用电负荷随气温变化的变化率，其中i为n组数据的第i组数据组；ΔP_i为第i组用电负荷值与第i-1组的用电负荷值之差，ΔT_i第i组温度值与i-1组的温度值之差；

n为用电负荷随气温变化趋势相关组包括的数据的组数；

(303)计算用电负荷预测，为公式(2)：

式中：

P_预—预测日预测点的用电负荷，为未知量，单位:MW；

P_实—预测点前一历史数据的实际负荷，为已知量，单位:MW；

T_预—预测日预测点的精细化气温值，为已知量，单位:℃；

T_实—预测点前一历史实况气温，为已知量，单位:℃；

P_突—操作者输入的电网突发增量数据单位:MW。

步骤S03均值法城市负荷预测算法计算城市预报日用电负荷精确预测，具体包括以下步骤：

当用电负荷为用电负荷随气温的趋势变化无关性时，根据经验数据，选用预报日前S日的用电负荷序列的均值法计算城市负荷预测数据，公式(3)：

式中：

P_预—预测日预测点的用电负荷，为未知量，单位:MW；

P_i—S日取值序列的第i组用电负荷值，单位:MW。

本领域内的技术人员可以对本发明进行改动或变型的设计但不脱离本发明的思想和范围。因此，如果本发明的这些修改和变型属于本发明权利要求及其等同的技术范围之内，则本发明也意图包含这些改动和变型在内。

Claims (4)

1.一种基于用电负荷与温度趋势的城市短期用电负荷预测方法，其特征在于，包括以下步骤，

S01，确定预报日，获取预报日前S天和前一年预报日前后共S天的历史城市用电负荷与城市气温数据，所述历史城市用电负荷与城市气温数据作为用电负荷预测计算的取值序列，依据取值序列进行用电负荷与城市温度趋势变化关系预测；

所述城市用电负荷预测包括96点负荷预测、预报日最大负荷预测和平均负荷预测；

S02，将电网突发增量数据输入到城市负荷预测模型算法中；

S03，依据步骤S01所述预报日前S天的历史城市用电负荷与城市气温数据，进行用电负荷与城市温度趋势变化关系判断，将用电负荷与城市温度趋势变化关系划分为趋势相关性和趋势无关性，当预报日前S天的历史城市用电负荷与城市气温数据的趋势变化关系为趋势相关性时，结合步骤S02输入的电网突发增量数据，通过城市负荷预测模型算法对预报日进行城市预报日用电负荷精确预测，否则，进行前一年预报日前后共S天的城市用电负荷与气温数据趋势变化关系判断；

S04，当前一年预报日前后共S天的城市用电负荷与气温数据趋势变化关系为趋势相关性时，结合所述步骤S02输入的电网突发增量数据，通过城市负荷预测模型算法对预报日进行城市预报日用电负荷精确预测，否则，通过均值法城市负荷预测算法计算城市预报日用电负荷精确预测；

S05，城市用电负荷预测结果输出。

2.根据权利要求1所述的一种基于用电负荷与温度趋势的城市短期用电负荷预测方法，其特征在于，所述步骤S03用电负荷与城市温度趋势变化关系的趋势相关性包括趋势相同和趋势相反；

趋势相同和趋势相反判断过程包括：将所述S天的气温和负荷数据按照相邻日期两两结合，分为S-1组，当用电负荷与气温变化趋势相同的组数大于等于Y组时，用电负荷随气温的累积变化效应为趋势相同性；当气温和用电负荷变化趋势相反的组数大于等于Y组时，用电负荷随气温的累积变化效应为趋势相反性；否则，用电负荷随气温的累积变化效应为无关性。

3.根据权利要求1所述的一种基于用电负荷与温度趋势的城市短期用电负荷预测方法，其特征在于，步骤S04所述城市负荷预测模型算法具体包括以下步骤，

(301)筛选出取值序列中温度和用电负荷变化趋势相关组，假设趋势相关组的数量为r组，r组趋势相关组共包括n组数据，每组数据均包括城市用电负荷和所述城市用电负荷计量对应的城市气温；

(302)用电负荷的平均变化率计算公式为式(1)：

$\frac{\stackrel{\‾}{\mathrm{\ΔP}}}{\mathrm{\ΔT}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{\mathrm{\ΔP}}_i}{{\mathrm{\ΔT}}_i}}{n}---\left(1\right)$

式(1)中：为用电负荷随气温变化的变化率，其中i表示n组数据的第i组数据组；ΔP_i为第i组用电负荷值与第i-1组的用电负荷值之差，ΔT_i第i组温度值与i-1组的温度值之差；

n为用电负荷随气温变化趋势相关组包括的数据的组数；

(303)计算用电负荷预测，为公式(2)：

式中：

P_预—预测日预测点的用电负荷；

P_实—预测点前一历史数据的实际负荷；

T_预—预测日预测点的精细化气温值；

T_实—预测点前一历史实况气温；

P_突—操作者输入的电网突发增量数据。

4.根据权利要求1所述的一种基于用电负荷与温度趋势的城市短期用电负荷预测方法，其特征在于，所述步骤S04均值法城市负荷预测算法计算城市预报日用电负荷精确预测，具体包括以下步骤：

当用电负荷为用电负荷随气温的趋势变化无关性时，根据经验数据，选用预报日前S日的用电负荷序列的均值法计算城市负荷预测数据，均值法计算城市负荷预测数据为公式(3)：

式中：

P_预—预测日预测点的用电负荷；

P_i—S日取值序列的第i组用电负荷值。