CN104463344A - 电网短期负荷预测方法和*** - Google Patents
电网短期负荷预测方法和*** Download PDFInfo
- Publication number
- CN104463344A CN104463344A CN201410597479.1A CN201410597479A CN104463344A CN 104463344 A CN104463344 A CN 104463344A CN 201410597479 A CN201410597479 A CN 201410597479A CN 104463344 A CN104463344 A CN 104463344A
- Authority
- CN
- China
- Prior art keywords
- day
- load
- daily
- prediction
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 21
- 238000010606 normalization Methods 0.000 claims description 48
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 11
- 238000000611 regression analysis Methods 0.000 abstract 1
- 230000002354 daily effect Effects 0.000 description 160
- 238000007726 management method Methods 0.000 description 4
- 230000003442 weekly effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种电网短期负荷预测方法和***,根据与预测日同类型日期的历史数据计算预测日的日负荷曲线变化系数。根据同类型日期的历史数据进行回归分析,得到日最大负荷与日最高温度的回归方程,以及日最小负荷与日最低温度的回归方程。根据日最大负荷与日最高温度的关系,以及日最小负荷与日最低温度的关系对预测日的最大负荷和最小负荷进行预测,再结合预测日的日负荷曲线变化系数得到预测日的各时段的负荷预测值。由于考虑气温变化对日负荷曲线变化的影响,提高了夏季炎热等特殊气温条件下的短期负荷预测精度,与传统的电网短期负荷预测方法相比,提高了预测准确性。
Description
技术领域
本发明涉及电力电网技术领域,特别是涉及一种电网短期负荷预测方法和***。
背景技术
随着经济的发展和人们生活水平的提高,人们对环境舒适度的要求也日益提高,电网中空调等降温负荷所占比例越来越高。因此,在夏季炎热等比较特殊的气温条件下,负荷变化与气象条件灵敏相关。随着电网中降温负荷占比的逐步攀升,负荷曲线峰谷差也进一步增大,降温负荷已成为影响电力供求关系的重要因素。
短期负荷预测是指对一天24小时的负荷曲线进行预测,准确的短期负荷预测是科学制定下一天电网中各个发电机组出力计划的基础。传统的电网短期负荷预测主要是由电网运行人员根据历史日的负荷变化情况,结合已有的工作经验来确定,主要采用的预测方法是人工神经网络预测方法和时间序列预测方法。由于对于影响负荷的因素考虑不足,当下一天的温度变化范围较大时,预测误差较大,给电网的运行调度带来很大压力。传统的电网短期负荷预测方法存在预测准确性低的缺点。
发明内容
基于此,有必要针对上述问题,提供一种可提高预测准确性的电网短期负荷预测方法和***。
一种电网短期负荷预测方法,包括以下步骤:
提取与预测日同类型日期的历史数据,所述历史数据包括负荷数据和温度数据;
根据所述同类型日期的历史数据计算所述预测日的日负荷曲线变化系数;
根据所述同类型日期的历史数据进行回归分析,得到日最大负荷与日最高温度的回归方程,以及日最小负荷与日最低温度的回归方程;
获取所述预测日的最高温度和最低温度数据;
根据所述日最大负荷与日最高温度的回归方程,日最小负荷与日最低温度的回归方程以及所述预测日的最高温度和最低温度数据,计算得到所述预测日的预测最大负荷和预测最小负荷;
根据所述预测日的预测最大负荷、预测最小负荷以及所述预测日的日负荷曲线变化系数,计算得到所述预测日各时段的负荷预测值。
一种电网短期负荷预测***,包括:
数据提取模块,用于提取与预测日同类型日期的历史数据,所述历史数据包括负荷数据和温度数据;
系数计算模块,用于根据所述同类型日期的历史数据计算所述预测日的日负荷曲线变化系数;
回归分析模块,用于根据所述同类型日期的历史数据进行回归分析,得到日最大负荷与日最高温度的回归方程,以及日最小负荷与日最低温度的回归方程;
数据获取模块,用于获取所述预测日的最高温度和最低温度数据;
数据处理模块,用于根据所述日最大负荷与日最高温度的回归方程,日最小负荷与日最低温度的回归方程以及所述预测日的最高温度和最低温度数据,计算得到所述预测日的预测最大负荷和预测最小负荷;
负荷预测模块,用于根据所述预测日的预测最大负荷、预测最小负荷以及所述预测日的日负荷曲线变化系数,计算得到所述预测日各时段的负荷预测值。
上述电网短期负荷预测方法和***,根据与预测日同类型日期的历史数据计算预测日的日负荷曲线变化系数。根据同类型日期的历史数据进行回归分析,得到日最大负荷与日最高温度的回归方程,以及日最小负荷与日最低温度的回归方程。根据日最大负荷与日最高温度的关系,以及日最小负荷与日最低温度的关系对预测日的最大负荷和最小负荷进行预测,再结合预测日的日负荷曲线变化系数得到预测日的各时段的负荷预测值。由于考虑气温变化对日负荷曲线变化的影响,提高了夏季炎热等特殊气温条件下的短期负荷预测精度,与传统的电网短期负荷预测方法相比,提高了预测准确性。
附图说明
图1为一实施例中电网短期负荷预测方法的流程图;
图2A、图2B和图2C为根据本发明中电网短期负荷预测方法预测得到的连续三天各时段的负荷预测值与实际测量值的曲线示意图;
图3为一实施例中电网短期负荷预测***的结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
一种电网短期负荷预测方法,如图1所示,包括以下步骤:
步骤S110:提取与预测日同类型日期的历史数据。
历史数据具体包括负荷数据和温度数据。预测日即是指需要预测负荷的日期,预测日可以是指某周中的一天,也可以是某月中的一天等。同类型日期的判定标准根据预测日的定义不同而有所不同,且可根据实际情况调整。
本实施例中同类型日期以周别进行区分,将每周的日期分为工作日、星期六和星期天三种。如对某周工作日的电网短期负荷进行预测,则将之前若干周的工作日作为同类型日期。获取预测日前若干个同类型日期的历史数据,作为后续计算的数据基础。对于短期负荷预测来说,由于工作日和休息日的负荷曲线差别比较明显,每周同类型日期产生的用电负荷比较接近,以周别区分同类型日期,可提高预测准确性。
同类型日期的具体数量可根据实际情况调整,由于电网现有的管理***会对每日的电网负荷数据进行存储,可直接从电网管理***的存储服务器直接获取相关日期的历史数据。
步骤S120:根据同类型日期的历史数据计算预测日的日负荷曲线变化系数。
由于同类型日期产生的用电负荷的变化规律相近,根据同类型日期的历史数据可计算得到预测日的日负荷曲线变化系数。在其中一个实施例中,具体为根据历史数据中的负荷数据计算预测日的日负荷曲线变化系数,负荷数据包括同类型日期的最大负荷值、最小负荷值以及各时段的负荷值,步骤S120包括步骤22和步骤24。
步骤22:对同类型日期的历史数据进行归一化处理,得到归一化负荷值。具体为
其中,L′(k,i)为第k日第i个时段的归一化负荷值;L(k,i)为第k日第i个时段的负荷值,Lkmin为第k日的最小负荷值,Lkmax为第k日的最大负荷值。时段数量i的个数根据时段的时长不同而有所不同,本实施例中各时段的时长为15分钟,则i=1,2,…96。以15分钟作为各时段的时长,对同类型日期的历史数据进行划分,使得计算得到的预测日的日负荷曲线变化系数准确性更高。
步骤24:根据归一化负荷值计算预测日的日负荷曲线变化系数。具体为
其中,为预测日第i个时段的负荷变化系数,L′(k,i)为第k日第i个时段的归一化负荷值,N为归一化负荷值的数目。同样各时段的时长为15分钟,时段数量i=1,2,…96。
本实施例中对同类型日期的历史数据进行归一化处理,在相同的标准下对数据进行比较统计,计算预测日的日负荷曲线变化系数,确保数据计算可靠性,提高预测准确性。
在另一实施例中,同样根据历史数据中的负荷数据计算预测日的日负荷曲线变化系数,负荷数据包括同类型日期的最大负荷值、最小负荷值以及各时段的负荷值。步骤S120包括步骤26和步骤28。
步骤26:对同类型日期的历史数据进行归一化处理,得到归一化负荷值。具体为
其中,L′(k,i)为第k日第i个时段的归一化负荷值;L(k,i)为第k日第i个时段的负荷值,Lkmin为第k日的最小负荷值,Lkmax为第k日的最大负荷值。同样各时段的时长为15分钟,时段数量i=1,2,…96。
步骤28:根据归一化负荷值计算预测日的日负荷曲线变化系数。具体为
其中,为预测日第i个时段的负荷变化系数,L′(k,i)为第k日第i个时段的归一化负荷值,N为归一化负荷值的数目;ak为第k日的权重系数,且与预测日越接近的同类型日期对应的权重系数越大。同各时段的时长为15分钟,时段数量i=1,2,…96。
本实施例中在对同类型日期的历史数据进行归一化处理后,计算预测日的日负荷曲线变化系数时,根据同类型日期与预测日接近程度不同增加不同的权重系数,使得与预测日越接近的同类型日期的归一化负荷值所占比重越大,降低因与预测日相差过远的同类型日期的历史数据导致的环境条件变化产生的影响,进一步提高了预测准确性。
步骤S130:根据同类型日期的历史数据进行回归分析,得到日最大负荷与日最高温度的回归方程,以及日最小负荷与日最低温度的回归方程。
对同类型日期的历史数据进行回归分析,研究与预测日同类型日期的日最大负荷与日最高温度的关系,以及日最小负荷与日最低温度的关系。在其中一个实施例中,具体为对历史数据中的负荷数据和温度数据进行回归分析,负荷数据包括同类型日期的日最大负荷和日最小负荷,温度数据包括同类型日期的日最高温度和日最低温度,步骤S130包括步骤32至步骤38。
步骤32:建立日最大负荷与日最高温度的函数。具体为
其中,a0、a1、a2、a0h、a1h和a2h为待定系数,Lmax表示日最大负荷,Tmax表示日最高温度。本实施例中以32℃为界限对日最大负荷与日最高温度的函数进行划分,可以理解,在其他实施例中,也可根据其他温度阈值将日最大负荷与日最高温度的函数划分为两种或更多种表达式。
步骤34:建立日最小负荷与日最低温度的函数。具体为
其中,b0、b1和b2为待定系数,Lmin表示日最小负荷,Tmin表示日最低温度。
步骤36:根据同类型日期的历史数据中的日最大负荷和日最高温度,计算日最大负荷与日最高温度的函数中的待定系数,得到日最大负荷与日最高温度的回归方程。
将同类型日期的历史数据中的日最大负荷和日最高温度代入步骤32中建立的日最大负荷与日最高温度的函数。具体可采用最小二乘法确定待定系数a0、a1、a2、a0h、a1h和a2h的取值,得到日最大负荷与日最高温度的回归方程。
步骤38:根据同类型日期的历史数据中的日最小负荷与日最低温度,计算最小负荷与日最低温度的函数中的待定系数,得到日最小负荷与日最低温度的回归方程。
将同类型日期的历史数据中的日最小负荷和日最低温度代入步骤34中建立的日最小负荷与日最低温度的函数。同样可采用最小二乘法确定待定系数b0、b1和b2的取值,得到日最小负荷与日最低温度的回归方程。
步骤S140:获取预测日的最高温度和最低温度数据。
预测日的最高温度和最低温度数据具体可由气象台获取并进行存储,以用作进行后续步骤中对预测日的最大负荷和最小负荷进行预测。
步骤S150:根据日最大负荷与日最高温度的回归方程,日最小负荷与日最低温度的回归方程以及预测日的最高温度和最低温度数据,计算得到预测日的预测最大负荷和预测最小负荷。
将步骤S140中获取的预测日的最高温度和最低温度数据,分别代入步骤S130中得到的日最大负荷与日最高温度的回归方程,以及日最小负荷与日最低温度的回归方程,便可计算得到预测日的预测最大负荷和预测最小负荷。
步骤S160:根据预测日的预测最大负荷、预测最小负荷以及预测日的日负荷曲线变化系数,计算得到预测日各时段的负荷预测值。
在其中一个实施例中,步骤S160具体包括以下步骤:
根据计算预测日各时段的负荷预测值。
其中,L(i)为预测日第i个时段的负荷预测值,为预测日第i个时段的负荷变化系数,Lmax表示日最大负荷,Lmin表示日最小负荷。同各时段的时长为15分钟,时段数量i=1,2,…96。
上述电网短期负荷预测方法,根据与预测日同类型日期的历史数据计算预测日的日负荷曲线变化系数。根据同类型日期的历史数据进行回归分析,得到日最大负荷与日最高温度的回归方程,以及日最小负荷与日最低温度的回归方程。根据日最大负荷与日最高温度的关系,以及日最小负荷与日最低温度的关系对预测日的最大负荷和最小负荷进行预测,再结合预测日的日负荷曲线变化系数得到预测日的各时段的负荷预测值。由于考虑气温变化对日负荷曲线变化的影响,提高了夏季炎热等特殊气温条件下的短期负荷预测精度,与传统的电网短期负荷预测方法相比,提高了预测准确性。
为了更好的了解本发明的技术方案及其带来的有益效果,下面结合具体实施例进行详细的解释说明。以某年6月1日~8月31日的负荷数据为样本,预测9月1日~9月7日的负荷曲线,对本发明方法进行仿真验证。具体过程如下:
1)以预测日之前的负荷数据为样本,筛选出样本中的工作日、周六、周日的负荷数据。
2)以筛选后的样本负荷数据为依据,拟合出各种类型日的日最大负荷与日最高温度、日最小负荷与日最低温度之间的函数关系,结果如下:
工作日:
日最大负荷函数:
日最小负荷函数:
周六:
日最大负荷函数:
日最小负荷函数:Lmin=2080.4Tmin-7097.9
周日:
日最大负荷函数:
日最小负荷函数:Lmin=2080.4Tmin-7097.9
根据预测日的最高温度和最低温度计算出预测日的最大负荷和最小负荷。
3)若预测日为工作日,则根据预测日前5个工作日的负荷数据求得预测日的日负荷曲线变化系数;若预测日为周六或周日,则直接将预测日前一个星期周六或周日的负荷曲线作为该日的日负荷曲线变化系数。
4)计算各预测日各时段的负荷预测值,得到的9月1日~9月7日的负荷曲线各点预测值的相对误差平均值如表1所示。
表1
图2A、图2B和图2C分别为9月1日(周六)、9月2日(周日)和9月3日(工作日)的负荷预测值与实际测量值的曲线示意图。可以看到,相对误差平均值都在5%以下,具有较高的预测精度。
本发明还提供了一种电网短期负荷预测***,如图3所示,包括数据提取模块110、系数计算模块120、回归分析模块130、数据获取模块140、数据处理模块150和负荷预测模块160。
数据提取模块110用于提取与预测日同类型日期的历史数据。
历史数据具体包括负荷数据和温度数据。预测日即是指需要预测负荷的日期,预测日可以是指某周中的一天,也可以是某月中的一天等。同类型日期的判定标准根据预测日的定义不同而有所不同,且可根据实际情况调整。
本实施例中同类型日期以周别进行区分,将每周的日期分为工作日、星期六和星期天三种。对于短期负荷预测来说,由于工作日和休息日的负荷曲线差别比较明显,每周同类型日期产生的用电负荷比较接近,以周别区分同类型日期,可提高预测准确性。
同类型日期的具体数量可根据实际情况调整,由于电网现有的管理***会对每日的电网负荷数据进行存储,具体可直接从电网管理***的存储服务器直接获取相关日期的历史数据。
系数计算模块120用于根据同类型日期的历史数据计算预测日的日负荷曲线变化系数。
由于同类型日期产生的用电负荷的变化规律相近,根据同类型日期的历史数据可计算得到预测日的日负荷曲线变化系数。在其中一个实施例中,具体为根据历史数据中的负荷数据计算预测日的日负荷曲线变化系数,负荷数据包括同类型日期的最大负荷值、最小负荷值以及各时段的负荷值,系数计算模块120包括第一归一化单元和第一系数计算单元。
第一归一化单元用于对同类型日期的历史数据进行归一化处理,得到归一化负荷值。具体为
其中,L′(k,i)为第k日第i个时段的归一化负荷值;L(k,i)为第k日第i个时段的负荷值,Lkmin为第k日的最小负荷值,Lkmax为第k日的最大负荷值。时段数量i的个数根据时段的时长不同而有所不同,本实施例中各时段的时长为15分钟,则i=1,2,…96。以15分钟作为各时段的时长,对同类型日期的历史数据进行划分,使得计算得到的预测日的日负荷曲线变化系数准确性更高。
第一系数计算单元用于根据归一化负荷值计算预测日的日负荷曲线变化系数。具体为
其中,为预测日第i个时段的负荷变化系数,L′(k,i)为第k日第i个时段的归一化负荷值,N为归一化负荷值的数目。同样各时段的时长为15分钟,时段数量i=1,2,…96。
本实施例中对同类型日期的历史数据进行归一化处理,在相同的标准下对数据进行比较统计,计算预测日的日负荷曲线变化系数,确保数据计算可靠性,提高预测准确性。
在另一实施例中,同样根据历史数据中的负荷数据计算预测日的日负荷曲线变化系数,负荷数据包括同类型日期的最大负荷值、最小负荷值以及各时段的负荷值。系数计算模块120包括第二归一化单元和第二系数计算单元。
第二归一化单元用于对同类型日期的历史数据进行归一化处理,得到归一化负荷值。具体为
其中,L′(k,i)为第k日第i个时段的归一化负荷值;L(k,i)为第k日第i个时段的负荷值,Lkmin为第k日的最小负荷值,Lkmax为第k日的最大负荷值。同样各时段的时长为15分钟,时段数量i=1,2,…96。
第二系数计算单元用于根据归一化负荷值计算预测日的日负荷曲线变化系数。具体为
其中,为预测日第i个时段的负荷变化系数,L′(k,i)为第k日第i个时段的归一化负荷值,N为归一化负荷值的数目;ak为第k日的权重系数,且与预测日越接近的同类型日期对应的权重系数越大。同各时段的时长为15分钟,时段数量i=1,2,…96。
本实施例中在对同类型日期的历史数据进行归一化处理后,计算预测日的日负荷曲线变化系数时,根据同类型日期与预测日接近程度不同增加不同的权重系数,使得与预测日越接近的同类型日期的归一化负荷值所占比重越大,降低因与预测日相差过远的同类型日期的历史数据导致的环境条件变化产生的影响,进一步提高了预测准确性。
回归分析模块130用于根据同类型日期的历史数据进行回归分析,得到日最大负荷与日最高温度的回归方程,以及日最小负荷与日最低温度的回归方程。
对同类型日期的历史数据进行回归分析,研究与预测日同类型日期的日最大负荷与日最高温度的关系,以及日最小负荷与日最低温度的关系。在其中一个实施例中,具体为对历史数据中的负荷数据和温度数据进行回归分析,负荷数据包括同类型日期的日最大负荷和日最小负荷,温度数据包括同类型日期的日最高温度和日最低温度,回归分析模块130包括第一函数构建单元、第二函数构建单元、第一回归分析单元和第二回归分析单元。
第一函数构建单元用于建立日最大负荷与日最高温度的函数。具体为
其中,a0、a1、a2、a0h、a1h和a2h为待定系数,Lmax表示日最大负荷,Tmax表示日最高温度。本实施例中以32℃为界限对日最大负荷与日最高温度的函数进行划分,可以理解,在其他实施例中,也可根据其他温度阈值将日最大负荷与日最高温度的函数划分为两种或更多种表达式。
第二函数构建单元用于建立日最小负荷与日最低温度的函数。具体为
其中,b0、b1和b2为待定系数,Lmin表示日最小负荷,Tmin表示日最低温度。
第一回归分析单元用于根据同类型日期的历史数据中的日最大负荷和日最高温度,计算日最大负荷与日最高温度的函数中的待定系数,得到日最大负荷与日最高温度的回归方程。
将同类型日期的历史数据中的日最大负荷和日最高温度代入日最大负荷与日最高温度的函数。具体可采用最小二乘法确定待定系数a0、a1、a2、a0h、a1h和a2h的取值,得到日最大负荷与日最高温度的回归方程。
第二回归分析单元用于根据同类型日期的历史数据中的日最小负荷与日最低温度,计算最小负荷与日最低温度的函数中的待定系数,得到日最小负荷与日最低温度的回归方程。
将同类型日期的历史数据中的日最小负荷和日最低温度代入日最小负荷与日最低温度的函数。同样可采用最小二乘法确定待定系数b0、b1和b2的取值,得到日最小负荷与日最低温度的回归方程。
数据获取模块140用于获取预测日的最高温度和最低温度数据。
预测日的最高温度和最低温度数据具体可由气象台获取并进行存储,以用作进行后续步骤中对预测日的最大负荷和最小负荷进行预测。
数据处理模块150用于根据日最大负荷与日最高温度的回归方程,日最小负荷与日最低温度的回归方程以及预测日的最高温度和最低温度数据,计算得到预测日的预测最大负荷和预测最小负荷。
将预测日的最高温度和最低温度数据,分别代入日最大负荷与日最高温度的回归方程,以及日最小负荷与日最低温度的回归方程,便可计算得到预测日的预测最大负荷和预测最小负荷。
负荷预测模块160用于根据预测日的预测最大负荷、预测最小负荷以及预测日的日负荷曲线变化系数,计算得到预测日各时段的负荷预测值。
在其中一个实施例中,负荷预测模块160根据预测日的预测最大负荷、预测最小负荷以及预测日的日负荷曲线变化系数,计算得到预测日各时段的负荷预测值具体为:
根据计算预测日各时段的负荷预测值。
其中,L(i)为预测日第i个时段的负荷预测值,为预测日第i个时段的负荷变化系数,Lmax表示日最大负荷,Lmin表示日最小负荷。同各时段的时长为15分钟,时段数量i=1,2,…96。
上述电网短期负荷预测***,根据与预测日同类型日期的历史数据计算预测日的日负荷曲线变化系数。根据同类型日期的历史数据进行回归分析,得到日最大负荷与日最高温度的回归方程,以及日最小负荷与日最低温度的回归方程。根据日最大负荷与日最高温度的关系,以及日最小负荷与日最低温度的关系对预测日的最大负荷和最小负荷进行预测,再结合预测日的日负荷曲线变化系数得到预测日的各时段的负荷预测值。由于考虑气温变化对日负荷曲线变化的影响,提高了夏季炎热等特殊气温条件下的短期负荷预测精度,与传统的电网短期负荷预测方法相比,提高了预测准确性。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电网短期负荷预测方法,其特征在于,包括以下步骤:
提取与预测日同类型日期的历史数据,所述历史数据包括负荷数据和温度数据;
根据所述同类型日期的历史数据计算所述预测日的日负荷曲线变化系数;
根据所述同类型日期的历史数据进行回归分析,得到日最大负荷与日最高温度的回归方程,以及日最小负荷与日最低温度的回归方程;
获取所述预测日的最高温度和最低温度数据;
根据所述日最大负荷与日最高温度的回归方程,日最小负荷与日最低温度的回归方程以及所述预测日的最高温度和最低温度数据,计算得到所述预测日的预测最大负荷和预测最小负荷;
根据所述预测日的预测最大负荷、预测最小负荷以及所述预测日的日负荷曲线变化系数,计算得到所述预测日各时段的负荷预测值。
2.根据权利要求1所述的电网短期负荷预测方法,其特征在于,所述根据所述同类型日期的历史数据计算所述预测日的日负荷曲线变化系数的步骤,包括以下步骤:
对所述同类型日期的历史数据进行归一化处理,得到归一化负荷值,具体为
其中,L′(k,i)为第k日第i个时段的归一化负荷值;L(k,i)为第k日第i个时段的负荷值,Lk min为第k日的最小负荷值,Lk max为第k日的最大负荷值;
根据所述归一化负荷值计算所述预测日的日负荷曲线变化系数,具体为
其中,为所述预测日第i个时段的负荷变化系数,L′(k,i)为第k日第i个时段的归一化负荷值,N为所述归一化负荷值的数目。
3.根据权利要求1所述的电网短期负荷预测方法,其特征在于,所述根据所述同类型日期的历史数据计算所述预测日的日负荷曲线变化系数的步骤,包括以下步骤:
对所述同类型日期的历史数据进行归一化处理,得到归一化负荷值,具体为
其中,L′(k,i)为第k日第i个时段的归一化负荷值;L(k,i)为第k日第i个时段的负荷值,Lkmin为第k日的最小负荷值,Lkmax为第k日的最大负荷值;
根据所述归一化负荷值计算所述预测日的日负荷曲线变化系数,具体为
其中,为所述预测日第i个时段的负荷变化系数,L′(k,i)为第k日第i个时段的归一化负荷值,N为所述归一化负荷值的数目;ak为第k日的权重系数,且与所述预测日越接近的同类型日期对应的权重系数越大。
4.根据权利要求1所述的电网短期负荷预测方法,其特征在于,根据所述同类型日期的历史数据进行回归分析,得到日最大负荷与日最高温度的回归方程,以及日最小负荷与日最低温度的回归方程的步骤,包括以下步骤:
建立日最大负荷与日最高温度的函数,具体为
其中,a0、a1、a2、a0h、a1h和a2h为待定系数,Lmax表示日最大负荷,Tmax表示日最高温度;
建立日最小负荷与日最低温度的函数,具体为
其中,b0、b1和b2为待定系数,Lmin表示日最小负荷,Tmin表示日最低温度;
根据所述同类型日期的历史数据中的日最大负荷和日最高温度,计算所述日最大负荷与日最高温度的函数中的待定系数,得到日最大负荷与日最高温度的回归方程;
根据所述同类型日期的历史数据中的日最小负荷与日最低温度,计算所述最小负荷与日最低温度的函数中的待定系数,得到日最小负荷与日最低温度的回归方程。
5.根据权利要求1所述的电网短期负荷预测方法,其特征在于,所述根据所述预测日的预测最大负荷、预测最小负荷以及所述预测日的日负荷曲线变化系数,计算得到所述预测日各时段的负荷预测值的步骤,包括以下步骤:
根据计算所述预测日各时段的负荷预测值,其中,L(i)为预测日第i个时段的负荷预测值,为所述预测日第i个时段的负荷变化系数,Lmax表示日最大负荷,Lmin表示日最小负荷。
6.一种电网短期负荷预测***,其特征在于,包括:
数据提取模块,用于提取与预测日同类型日期的历史数据,所述历史数据包括负荷数据和温度数据;
系数计算模块,用于根据所述同类型日期的历史数据计算所述预测日的日负荷曲线变化系数;
回归分析模块,用于根据所述同类型日期的历史数据进行回归分析,得到日最大负荷与日最高温度的回归方程,以及日最小负荷与日最低温度的回归方程;
数据获取模块,用于获取所述预测日的最高温度和最低温度数据;
数据处理模块,用于根据所述日最大负荷与日最高温度的回归方程,日最小负荷与日最低温度的回归方程以及所述预测日的最高温度和最低温度数据,计算得到所述预测日的预测最大负荷和预测最小负荷;
负荷预测模块,用于根据所述预测日的预测最大负荷、预测最小负荷以及所述预测日的日负荷曲线变化系数,计算得到所述预测日各时段的负荷预测值。
7.根据权利要求6所述的电网短期负荷预测***,其特征在于,所述系数计算模块包括:
第一归一化单元,用于对所述同类型日期的历史数据进行归一化处理,得到归一化负荷值,具体为
其中,L′(k,i)为第k日第i个时段的归一化负荷值;L(k,i)为第k日第i个时段的负荷值,Lkmin为第k日的最小负荷值,Lkmax为第k日的最大负荷值;
第一系数计算单元,用于根据所述归一化负荷值计算所述预测日的日负荷曲线变化系数,具体为
其中,为所述预测日第i个时段的负荷变化系数,L′(k,i)为第k日第i个时段的归一化负荷值,N为所述归一化负荷值的数目。
8.根据权利要求6所述的电网短期负荷预测***,其特征在于,所述系数计算模块包括:
第二归一化单元,用于对所述同类型日期的历史数据进行归一化处理,得到归一化负荷值,具体为
其中,L′(k,i)为第k日第i个时段的归一化负荷值;L(k,i)为第k日第i个时段的负荷值,Lk min为第k日的最小负荷值,Lk max为第k日的最大负荷值;
第二系数计算单元,用于根据所述归一化负荷值计算所述预测日的日负荷曲线变化系数,具体为
其中,为所述预测日第i个时段的负荷变化系数,L′(k,i)为第k日第i个时段的归一化负荷值,N为所述归一化负荷值的数目;ak为第k日的权重系数,且与所述预测日越接近的同类型日期对应的权重系数越大。
9.根据权利要求6所述的电网短期负荷预测***,其特征在于,所述回归分析模块包括:
第一函数构建单元,用于建立日最大负荷与日最高温度的函数,具体为
其中,a0、a1、a2、a0h、a1h和a2h为待定系数,Lmax表示日最大负荷,Tmax表示日最高温度;
第二函数构建单元,用于建立日最小负荷与日最低温度的函数,具体为
其中,b0、b1和b2为待定系数,Lmin表示日最小负荷,Tmin表示日最低温度;
第一回归分析单元,用于根据所述同类型日期的历史数据中的日最大负荷和日最高温度,计算所述日最大负荷与日最高温度的函数中的待定系数,得到日最大负荷与日最高温度的回归方程;
第二回归分析单元,用于根据所述同类型日期的历史数据中的日最小负荷与日最低温度,计算所述最小负荷与日最低温度的函数中的待定系数,得到日最小负荷与日最低温度的回归方程。
10.根据权利要求6所述的电网短期负荷预测***,其特征在于,所述负荷预测模块根据所述预测日的预测最大负荷、预测最小负荷以及所述预测日的日负荷曲线变化系数,计算得到所述预测日各时段的负荷预测值具体为:
根据计算所述预测日各时段的负荷预测值,其中,L(i)为预测日第i个时段的负荷预测值,为所述预测日第i个时段的负荷变化系数,Lmax表示日最大负荷,Lmin表示日最小负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410597479.1A CN104463344B (zh) | 2014-10-29 | 2014-10-29 | 电网短期负荷预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410597479.1A CN104463344B (zh) | 2014-10-29 | 2014-10-29 | 电网短期负荷预测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463344A true CN104463344A (zh) | 2015-03-25 |
CN104463344B CN104463344B (zh) | 2018-01-16 |
Family
ID=52909348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410597479.1A Active CN104463344B (zh) | 2014-10-29 | 2014-10-29 | 电网短期负荷预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463344B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107017624A (zh) * | 2017-04-13 | 2017-08-04 | 云南电网有限责任公司电力科学研究院 | 电力负荷周周期特性建模方法 |
CN107292537A (zh) * | 2017-07-24 | 2017-10-24 | 广西大学 | 考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法 |
CN107797006A (zh) * | 2017-10-19 | 2018-03-13 | 国家电网公司 | 变压器负荷预测方法及装置 |
CN107909186A (zh) * | 2017-10-13 | 2018-04-13 | 深圳供电局有限公司 | 一种目标年负荷预测方法 |
CN108197404A (zh) * | 2018-01-22 | 2018-06-22 | 河北工业大学 | 一种基于时间遗传特性的建筑负荷预测方法 |
CN109165826A (zh) * | 2018-08-09 | 2019-01-08 | 广东电网有限责任公司 | 负荷特性分析方法、装置、电子设备及存储介质 |
CN109546652A (zh) * | 2018-12-24 | 2019-03-29 | 国网湖南省电力有限公司 | 配变台区的电力负荷预测方法 |
CN111552923A (zh) * | 2020-04-22 | 2020-08-18 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于通用分布的负荷预测方法及负荷预测*** |
CN112287535A (zh) * | 2020-10-21 | 2021-01-29 | 国网山东省电力公司电力科学研究院 | 一种用于确定火电机组最低运行负荷的方法及*** |
CN113381509A (zh) * | 2021-05-08 | 2021-09-10 | 国网浙江省电力有限公司嘉兴供电公司 | 电力载波通信的全息感知智能断路器及其调控应用方法 |
CN113570246A (zh) * | 2021-07-27 | 2021-10-29 | 广东电网有限责任公司 | 地区电网调度控制***及控制方法 |
CN116186560A (zh) * | 2023-04-26 | 2023-05-30 | 江西师范大学 | 一种基于有效热力温度值的温度相似度刻画方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930356A (zh) * | 2012-11-16 | 2013-02-13 | 广东电网公司电力调度控制中心 | 基于气象因素敏感度的短期负荷预测方法 |
CN103268524A (zh) * | 2013-06-03 | 2013-08-28 | 国家电网公司 | 一种提高电网短期负荷预测准确度的方法 |
-
2014
- 2014-10-29 CN CN201410597479.1A patent/CN104463344B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930356A (zh) * | 2012-11-16 | 2013-02-13 | 广东电网公司电力调度控制中心 | 基于气象因素敏感度的短期负荷预测方法 |
CN103268524A (zh) * | 2013-06-03 | 2013-08-28 | 国家电网公司 | 一种提高电网短期负荷预测准确度的方法 |
Non-Patent Citations (1)
Title |
---|
陈健 等: "《考虑气温影响的短期负荷预测方法探讨》", 《科技资讯》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107017624A (zh) * | 2017-04-13 | 2017-08-04 | 云南电网有限责任公司电力科学研究院 | 电力负荷周周期特性建模方法 |
CN107292537A (zh) * | 2017-07-24 | 2017-10-24 | 广西大学 | 考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法 |
CN107909186A (zh) * | 2017-10-13 | 2018-04-13 | 深圳供电局有限公司 | 一种目标年负荷预测方法 |
CN107797006A (zh) * | 2017-10-19 | 2018-03-13 | 国家电网公司 | 变压器负荷预测方法及装置 |
CN107797006B (zh) * | 2017-10-19 | 2020-06-12 | 国家电网公司 | 变压器负荷预测方法及装置 |
CN108197404B (zh) * | 2018-01-22 | 2021-03-16 | 河北工业大学 | 一种基于时间遗传特性的建筑负荷预测方法 |
CN108197404A (zh) * | 2018-01-22 | 2018-06-22 | 河北工业大学 | 一种基于时间遗传特性的建筑负荷预测方法 |
CN109165826A (zh) * | 2018-08-09 | 2019-01-08 | 广东电网有限责任公司 | 负荷特性分析方法、装置、电子设备及存储介质 |
CN109546652A (zh) * | 2018-12-24 | 2019-03-29 | 国网湖南省电力有限公司 | 配变台区的电力负荷预测方法 |
CN109546652B (zh) * | 2018-12-24 | 2022-04-08 | 国网湖南省电力有限公司 | 配变台区的电力负荷预测方法 |
CN111552923A (zh) * | 2020-04-22 | 2020-08-18 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于通用分布的负荷预测方法及负荷预测*** |
CN112287535A (zh) * | 2020-10-21 | 2021-01-29 | 国网山东省电力公司电力科学研究院 | 一种用于确定火电机组最低运行负荷的方法及*** |
CN112287535B (zh) * | 2020-10-21 | 2023-03-31 | 国网山东省电力公司电力科学研究院 | 一种用于确定火电机组最低运行负荷的方法及*** |
CN113381509A (zh) * | 2021-05-08 | 2021-09-10 | 国网浙江省电力有限公司嘉兴供电公司 | 电力载波通信的全息感知智能断路器及其调控应用方法 |
CN113570246A (zh) * | 2021-07-27 | 2021-10-29 | 广东电网有限责任公司 | 地区电网调度控制***及控制方法 |
CN116186560A (zh) * | 2023-04-26 | 2023-05-30 | 江西师范大学 | 一种基于有效热力温度值的温度相似度刻画方法 |
CN116186560B (zh) * | 2023-04-26 | 2023-07-07 | 江西师范大学 | 一种基于有效热力温度值的温度相似度刻画方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104463344B (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463344A (zh) | 电网短期负荷预测方法和*** | |
CN103500365B (zh) | 光伏发电功率预测方法和*** | |
CN105260803B (zh) | 一种***用电量预测方法 | |
CN102930358B (zh) | 一种光伏电站发电功率的神经网络预测方法 | |
CN104200484B (zh) | 基于云团特征分析的分布式光伏***超短期出力预测方法 | |
CN103559561A (zh) | 一种光伏电站辐照度的超短期预测方法 | |
CN106408223A (zh) | 基于气象相似日及误差校正的短期负荷预测方法 | |
CN104318334A (zh) | 一种基于长相关farima模型的短期电力负荷预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN102930155A (zh) | 获取电力需求的预警参数的方法及装置 | |
CN102945223A (zh) | 一种构建多个风电场出力联合概率分布函数的方法 | |
CN102831488A (zh) | 基于改进的灰色预测法的电力负荷预测方法 | |
CN105117975A (zh) | 一种光伏输出功率值的分频预测方法 | |
CN108256724B (zh) | 一种基于动态行业系数的配电网可开放容量规划方法 | |
CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
CN104598765A (zh) | 一种基于弹性自适应神经网络的建筑物能耗预测方法 | |
CN103996079A (zh) | 一种基于条件概率的风电功率加权预测方法 | |
CN105140967A (zh) | 一种含新能源电力***调峰需求的评估方法 | |
CN103793887A (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
CN104182807A (zh) | 一种计及径流预报不确定性的水库调度风险评估方法 | |
CN106529747A (zh) | 一种基于大数据的电力负荷预测方法与*** | |
CN103310284A (zh) | 经济负荷和降温负荷的确定方法及负荷确定装置 | |
CN105242572A (zh) | 火电厂热工过程混合辨识方法和*** | |
Li et al. | Passenger flow forecasting research for airport terminal based on SARIMA time series model | |
CN102664409A (zh) | 一种基于实测数据风电场风电功率实时预测的计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |