CN105404935A - 一种考虑业扩增量的电力***月度负荷预测方法 - Google Patents
一种考虑业扩增量的电力***月度负荷预测方法 Download PDFInfo
- Publication number
- CN105404935A CN105404935A CN201510766870.4A CN201510766870A CN105404935A CN 105404935 A CN105404935 A CN 105404935A CN 201510766870 A CN201510766870 A CN 201510766870A CN 105404935 A CN105404935 A CN 105404935A
- Authority
- CN
- China
- Prior art keywords
- month
- load
- industry
- monthly
- amplification amount
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000005611 electricity Effects 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000003321 amplification Effects 0.000 claims description 44
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 44
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013277 forecasting method Methods 0.000 claims description 12
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 4
- 108091035707 Consensus sequence Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010205 computational analysis Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000002045 lasting effect Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 abstract description 2
- 238000009434 installation Methods 0.000 abstract 4
- 238000013211 curve analysis Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000007859 condensation product Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000630 rising effect Effects 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
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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种考虑业扩增量的电力***月度负荷预测方法。现有的一些电力***月度负荷预测方法,准确率低。本发明包括以下步骤:用电曲线分析;对相同行业用户发生业扩报装前后的用电曲线进行聚类分析,形成行业的业扩报装用电曲线,并得到业扩报装后用电的稳定周期和逐月投运比例;结合不同业扩报装类型下每月的容量和逐月投运比例,提取出对当月具有实际容量影响的业扩增量;主导因素确立;未来负荷预测,对业扩增量、主导因素和历史负荷用支持向量机回归模型训练并得到决策回归方程,以决策回归方程预测未来负荷。与现有技术相比,本发明综合考虑影响月度负荷的内在因素和外在因素,为电力工作人员准确预测负荷提供技术支持。
Description
技术领域
本发明涉及电力***工程技术领域,尤其是一种考虑业扩增量的电力***月度负荷预测方法。
背景技术
电力***负荷预测是基于电力负荷、气象、经济、社会和其他历史数据,以探索负荷历史数据的变化规律对未来负荷产生的影响,并寻求负荷与相关因素之间的内在联系,从而科学地预测未来负荷。随着电力商品化和市场化程度的逐步加深,负荷预测的准确性、及时性对国民经济的发展和电力***安全经济运行的意义愈加凸显。对于发电公司来说,负荷预测是制定发电、检修计划和报价的依据;对于供电公司来说,它为供电方制定购电计划提供依据;对于输电公司来说,它是实现电网安全、可靠、经济运行的基础。
月度负荷预测对于机组维修、实行经济调度、节约用电、保障社会生产和生活用电等具有重要意义,是电力计划部门、用电、营销部门的重要日常工作。电力***月度负荷有着其自身特点:首先,随着社会经济的发展,人民生活水平的提高,它呈现不断增长的趋势;同时,由于各月的情况不同,月度负荷每年重复出现循环变动,即季节性波动。电网月度负荷同时具有增长性和季节波动性的二重趋势,使得负荷的变化呈现出复杂的非线性组合特征。
现有文献中,穆钢、郭鹏伟、肖白等人在《东北电力大学学报》(2011,31(3):1-6)上发表的《基于灰色均生函数模型的电力***月度负荷预测》,其在灰色GM(1,1)模型的基础上,通过历史负荷数据与趋势值的比值得到残余信息来构建均生函数模型,形成灰色均生函数模型来预测月度负荷。刘文颖、门德月、梁纪峰等人在《电网技术》(2012,36(8):228-232)上发表的《基于灰色关联度与LSSVM组合的月度负荷预测》,其利用灰色关联度选取与待预测月高度相似的历史月负荷,并采用最小二乘支持向量机预测月度负荷,不仅剔除了冗余数据,也降低支持向量机的算法复杂度。李媛媛、牛东晓在《电网技术》(2005,29(5):16-19)上发表的《基于最优可信度的月度负荷综合最优灰色神经网络预测模型》,其对月度负荷用灰色预测模型进行增长趋势预测,用人工神经网络模型进行波动趋势预测,最后引入最优可信度的概念对两种预测模型进行组合。以上文献从预测模型的优化上进行论述,但是只根据历史负荷变化规律进行预测,缺乏挖掘影响月度负荷的内在因素和外在因素,由于月度负荷是自然和社会诸多因素的综合产物,有必要全面考虑这些因素的影响。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷,提供一种考虑业扩增量的电力***月度负荷预测方法,其综合考虑影响月度负荷的内在因素和外在因素。
为此,本发明通过以下技术方案来实现:
一种考虑业扩增量的电力***月度负荷预测方法,其特征在于,它包括以下步骤:
(1)用电曲线分析,用生长曲线模型分析用户在发生不同业扩报装业务下月用电量的变化情况;
(2)曲线聚类,对相同行业用户发生业扩报装前后的用电曲线进行聚类分析,形成行业的业扩报装用电曲线,并得到业扩报装后用电的稳定周期和逐月投运比例;
(3)业扩增量提取,结合不同业扩报装类型下每月的容量和逐月投运比例,提取出对当月具有实际容量影响的业扩增量;
(4)主导因素确立,用K-L信息量法对影响负荷变化的宏观经济因素计算分析,并对结果排序确立主导因素;
(5)未来负荷预测,对业扩增量、主导因素和历史负荷用支持向量机回归模型训练并得到决策回归方程,以决策回归方程预测未来负荷。
进一步,所述的步骤(1)包括如下具体步骤:
采用的生长曲线模型包括Logistic曲线、Gompertz曲线和VonBertalanffy曲线,其模型表达式分别如下式所示:
yt=Ae-Bexp(-kt),
yt=A(1-Be-kt)3,
式中,A、B、k为生长曲线模型的参数;
对用户发生业扩报装业务前后的月用电量用生长曲线模型拟合,采用模型拟合度高的曲线分析月用电量变化,其中业扩报装类型包括新装、增容、暂停、暂停恢复、减容、减容恢复和销户。
进一步,所述的步骤(2)包括如下具体步骤:
对相同行业用户发生相同业扩报装类型的用电曲线进行聚类分析,采用的聚类分析算法为k-均值聚类算法,具体步骤如下:
(a)从n个数据中任意选择k个数据点作为初始簇中心Mi(i=1,2,…,k);
(b)计算每个数据点Xj(j=1,2,…,n)与簇中心的距离Dj=|Mi-Xj|,并根据最小距离划分数据,形成类簇Ci(i=1,2,…,k);
(c)以每个类簇中数据的均值作为更新后类簇的中心,即:
式中:Ni为类簇Ci包含数据的个数;
(d)重复步骤(b)和(c),直到簇中心不再变化为止;
将聚类分析得到的簇中心作为行业的业扩报装用电曲线,以连续三个月月用电量变化不超过5%或月用电量开始持续反向变化作为稳定的判断标准,并将稳定后3-5个月的平均月用电量作为业扩后稳定电量,以发生业扩报装前3-5月的平均月用电量作为业扩前稳定电量,将业扩前后稳定电量的差值作为总变化电量,则逐月投运比例的计算方法为:稳定前月用电量与业扩前稳定电量的差值除以总变化电量。
进一步,所述的步骤(3)包括如下具体步骤:
根据不同业扩报装类型下每月的报装容量和逐月投运比例还原求取对当月负荷具有实际影响的业扩增量:假设负荷稳定月份为n个月,第k月的新装业务申请容量为Uk,该业务发生后的逐月负荷投运比例为a1,…,an,则第k月的新装业务申请容量在第j(j≥k)月的业扩增量为:
将不同业扩报装业务对该月的业扩增量进行累加,则得到对当月负荷具有实际影响的业扩增量。
进一步,所述的步骤(4)包括如下具体步骤:
采用K-L信息量法计算每个影响负荷变化宏观经济因素的相关性,设定月度负荷值为基准指标,宏观经济因素为待测指标,包括GDP、人均GDP、三大产业的GDP、三大产业的GDP比重和工业增加值,对求得的K-L信息量进行排序,选定值最小的指标作为负荷的主导因素,具体步骤如下:
(a)以历史月度负荷值为基准序列y={y1,…,yn},对其进行标准化处理,处理后的序列记为p:
(b)以宏观经济因素为待测序列x={x1,…,xn},对其进行标准化处理,处理后的序列记为q:
(c)则K-L信息量计算公式为:
(d)选定值最小的指标作为负荷的主导因素,当待测指标序列x与基准指标序列y完全一致时,K-L信息量等于0,指标x与基准指标y越接近,K-L信息量绝对值越小,越接近于0。
进一步,所述步骤(5)包括如下具体步骤:
构建训练样本,样本的输入包括横向和纵向的历史负荷数据、业扩增量、主导因素;利用支持向量机回归模型对样本进行训练,核函数选择高斯径向基函数,模型参数通过粒子群算法智能寻优,以k折交叉训练得到的均方误差作为模型参数优劣的评判标准,训练得到决策回归方程,利用决策回归方程实现对未来月度负荷的滚动预测。
本发明具有以下有益效果:综合考虑了影响月度负荷的内在因素和外在因素,能有效和准确预测电力***未来月度负荷,为电力工作人员准确预测月度负荷提供技术支持。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明进行详细说明。
如图1所示,一种考虑业扩增量的电力***月度负荷预测方法包括以下步骤:
(1)用电曲线分析,用生长曲线模型分析用户在发生不同业扩报装业务下月用电量的变化情况。
采用的生长曲线模型包括Logistic曲线、Gompertz曲线和VonBertalanffy曲线,其模型表达式分别如下式所示:
yt=Ae-Bexp(-kt),
yt=A(1-Be-kt)3,
式中,A、B、k为生长曲线模型的参数。
对用户发生业扩报装业务前后的月用电量用生长曲线模型拟合,采用模型拟合度高的曲线分析月用电量变化,其中业扩报装类型包括新装、增容、暂停、暂停恢复、减容、减容恢复和销户。
(2)曲线聚类,对相同行业用户发生业扩报装前后的用电曲线进行聚类分析,形成行业的业扩报装用电曲线,并得到业扩报装后用电的稳定周期和逐月投运比例。
对同行业用户发生相同业扩报装类型的用电曲线进行聚类分析,采用的聚类分析算法为k-均值聚类算法,具体步骤如下:
(a)从n个数据中任意选择k个数据点作为初始簇中心Mi(i=1,2,…,k)。
(b)计算每个数据点Xj(j=1,2,…,n)与簇中心的距离Dj=|Mi-Xj|,并根据最小距离划分数据,形成类簇Ci(i=1,2,…,k)。
(c)以每个类簇中数据的均值作为更新后类簇的中心,即:
式中:Ni为类簇Ci包含数据的个数。
(d)重复步骤(b)和(c),直到簇中心不再变化为止。
将聚类分析得到的簇中心作为行业的业扩报装用电曲线,以连续三个月月用电量变化不超过5%或月用电量开始持续反向变化作为稳定的判断标准,并将稳定后3-5个月的平均月用电量作为业扩后稳定电量,以发生业扩报装前3-5月的平均月用电量作为业扩前稳定电量,将业扩前后稳定电量的差值作为总变化电量,则逐月投运比例的计算方法为:稳定前月用电量与业扩前稳定电量的差值除以总变化电量。
(3)业扩增量提取,结合不同业扩报装类型下每月的容量和逐月投运比例,提取出对当月具有实际容量影响的业扩增量。
根据不同业扩报装类型下每月的报装容量和逐月投运比例还原求取对当月负荷具有实际影响的业扩增量:假设负荷稳定月份为n个月,第k月的新装业务申请容量为U,该业务发生后的逐月负荷投运比例为a1,…,an,则第k月的新装业务申请容量在第j(j≥k)月的业扩增量为:
将不同业扩报装业务对该月的业扩增量进行累加,则得到对当月负荷具有实际影响的业扩增量。
(4)主导因素确立,用K-L信息量法对影响负荷变化的宏观经济因素计算分析,并对结果排序确立主导因素。
采用K-L信息量法计算每个影响负荷变化宏观经济因素的相关性,设定月度负荷值为基准指标,宏观经济因素为待测指标,包括GDP、人均GDP、三大产业的GDP、三大产业的GDP比重、工业增加值等。对求得的K-L信息量进行排序,选定值最小的指标作为负荷的主导因素,具体步骤如下:
(a)以历史月度负荷值为基准序列y={y1,…,yn},对其进行标准化处理,处理后的序列记为p:
(b)以宏观经济因素为待测序列x={x1,…,xn},对其进行标准化处理,处理后的序列记为q:
(c)则K-L信息量计算公式为:
(d)选定值较小最小的指标作为负荷的主导因素,当待测指标序列x与基准指标序列y完全一致时,K-L信息量等于0,指标x与基准指标y越接近,K-L信息量绝对值越小,越接近于0。
(5)未来负荷预测,对业扩增量、主导因素和历史负荷用支持向量机回归模型训练并得到决策回归方程,以决策回归方程预测未来负荷。
构建训练样本,样本的输入包括横向和纵向的历史负荷数据、业扩增量、主导因素。利用支持向量机回归模型对样本进行训练,核函数选择高斯径向基函数,模型参数通过粒子群算法智能寻优,以k折交叉训练得到的均方误差作为模型参数优劣的评判标准,训练得到决策回归方程。利用决策回归方程实现对未来月度负荷的滚动预测。
应用例
以某省统调月最大负荷预测为例,并搜集该省不同行业用户的月用电情况和发生业扩报装的时间。
实施步骤1和步骤2,通过生长曲线拟合和k-均值聚类得到各行业发生业扩报装的逐月投运比例,如表1所示。
表1:各行业业扩报装逐月投运比例
实施步骤3,结合不同行业在各业扩报装类型下每月的容量和逐月投运比例,利用下式计算当月具有实际容量影响的业扩增量:
将不同行业在各业扩报装业务对该月的业扩增量进行累加,则得到全省对当月负荷具有实际影响的业扩增量。
实施步骤4,设定统调月最大负荷为基准指标,宏观经济因素为待测指标,用K-L信息量法计算得到的值如表2所示。
表2各影响因素与统调月最大负荷的K-L信息量
其中工业增加值的K-L信息量大大低于其他宏观经济因素,故选择工业增加值为统调月最大负荷的主导因素。
实施步骤5,形成样本,样本的输出为预测月负荷,输入如表3所示:
表3样本输入
序号 | 输入变量 |
1 | 预测月前一年负荷 |
2 | 预测月前两年负荷 |
3 | 预测月前一月负荷 |
4 | 预测月前两月负荷 |
5 | 预测月前一年前一月负荷 |
6 | 预测月前一年前两月负荷 |
7 | 预测月实际业扩增量 |
8 | 预测月主导因素 |
以2007-2013年的数据形成训练样本,2014年的数据形成预测样本。利用支持向量机回归模型对样本进行训练,核函数选择高斯径向基函数,模型参数通过粒子群算法智能寻优,以3折交叉训练得到的均方误差作为模型参数优劣的评判标准,训练得到决策回归方程。对决策回归方程滚动输入预测样本的数值实现对2014年月度负荷的滚动预测。表4分别列出了考虑业扩增量和只考虑历史负荷情况下的预测值和相对误差。表5为两种情况下的平均相对误差和最大相对误差对比。
表4考虑业扩增量和只考虑历史负荷预测结果
表5考虑业扩增量和只考虑历史负荷预测误差比较
平均相对误差/% | 最大相对误差/% | |
考虑业扩增量 | 2.3 | 5.7 |
只考虑历史负荷 | 2.9 | 7.5 |
通过本应用例的验证,可知只考虑历史负荷的平均误差为2.9%,最大相对误差为7.5%;而采用本发明得到的预测结果平均误差为2.3%,最大相对误差为5.7%。
本应用例验证了考虑业扩增量的电力***月度负荷预测方法对于预测未来月度负荷的准确性和有效性。
Claims (6)
1.一种考虑业扩增量的电力***月度负荷预测方法,其特征在于,它包括以下步骤:
(1)用电曲线分析,用生长曲线模型分析用户在发生不同业扩报装业务下月用电量的变化情况;
(2)曲线聚类,对相同行业用户发生业扩报装前后的用电曲线进行聚类分析,形成行业的业扩报装用电曲线,并得到业扩报装后用电的稳定周期和逐月投运比例;
(3)业扩增量提取,结合不同业扩报装类型下每月的容量和逐月投运比例,提取出对当月具有实际容量影响的业扩增量;
(4)主导因素确立,用K-L信息量法对影响负荷变化的宏观经济因素计算分析,并对结果排序确立主导因素;
(5)未来负荷预测,对业扩增量、主导因素和历史负荷用支持向量机回归模型训练并得到决策回归方程,以决策回归方程预测未来负荷。
2.根据权利要求1所述的考虑业扩增量的电力***月度负荷预测方法,其特征在于,所述的步骤(1)包括如下具体步骤:
采用的生长曲线模型包括Logistic曲线、Gompertz曲线和VonBertalanffy曲线,其模型表达式分别如下式所示:
yt=Ae-Bexp(-kt),
yt=A(1-Be-kt)3,
式中,A、B、k为生长曲线模型的参数;
对用户发生业扩报装业务前后的月用电量用生长曲线模型拟合,采用模型拟合度高的曲线分析月用电量变化,其中业扩报装类型包括新装、增容、暂停、暂停恢复、减容、减容恢复和销户。
3.根据权利要求1所述的考虑业扩增量的电力***月度负荷预测方法,其特征在于,所述的步骤(2)包括如下具体步骤:
对相同行业用户发生相同业扩报装类型的用电曲线进行聚类分析,采用的聚类分析算法为k-均值聚类算法,具体步骤如下:
(a)从n个数据中任意选择k个数据点作为初始簇中心Mi(i=1,2,…,k);
(b)计算每个数据点Xj(j=1,2,…,n)与簇中心的距离Dj=|Mi-Xj|,并根据最小距离划分数据,形成类簇Ci(i=1,2,…,k);
(c)以每个类簇中数据的均值作为更新后类簇的中心,即:
式中:Ni为类簇Ci包含数据的个数;
(d)重复步骤(b)和(c),直到簇中心不再变化为止;
将聚类分析得到的簇中心作为行业的业扩报装用电曲线,以连续三个月月用电量变化不超过5%或月用电量开始持续反向变化作为稳定的判断标准,并将稳定后3-5个月的平均月用电量作为业扩后稳定电量,以发生业扩报装前3-5月的平均月用电量作为业扩前稳定电量,将业扩前后稳定电量的差值作为总变化电量,则逐月投运比例的计算方法为:稳定前月用电量与业扩前稳定电量的差值除以总变化电量。
4.根据权利要求1所述的考虑业扩增量的电力***月度负荷预测方法,其特征在于,所述的步骤(3)包括如下具体步骤:
根据不同业扩报装类型下每月的报装容量和逐月投运比例还原求取对当月负荷具有实际影响的业扩增量:假设负荷稳定月份为n个月,第k月的新装业务申请容量为Uk,该业务发生后的逐月负荷投运比例为a1,…,an,则第k月的新装业务申请容量在第j(j≥k)月的业扩增量为:
将不同业扩报装业务对该月的业扩增量进行累加,则得到对当月负荷具有实际影响的业扩增量。
5.根据权利要求1所述的考虑业扩增量的电力***月度负荷预测方法,其特征在于,所述的步骤(4)包括如下具体步骤:
采用K-L信息量法计算每个影响负荷变化宏观经济因素的相关性,设定月度负荷值为基准指标,宏观经济因素为待测指标,包括GDP、人均GDP、三大产业的GDP、三大产业的GDP比重和工业增加值,对求得的K-L信息量进行排序,选定值最小的指标作为负荷的主导因素,具体步骤如下:
(a)以历史月度负荷值为基准序列y={y1,...,yn},对其进行标准化处理,处理后的序列记为p:
(b)以宏观经济因素为待测序列x={x1,...,xn},对其进行标准化处理,处理后的序列记为q:
(c)则K-L信息量计算公式为:
(d)选定值最小的指标作为负荷的主导因素,当待测指标序列x与基准指标序列y完全一致时,K-L信息量等于0,指标x与基准指标y越接近,K-L信息量绝对值越小,越接近于0。
6.根据权利要求1所述的考虑业扩增量的电力***月度负荷预测方法,其特征在于,所述步骤(5)包括如下具体步骤:
构建训练样本,样本的输入包括横向和纵向的历史负荷数据、业扩增量、主导因素;利用支持向量机回归模型对样本进行训练,核函数选择高斯径向基函数,模型参数通过粒子群算法智能寻优,以k折交叉训练得到的均方误差作为模型参数优劣的评判标准,训练得到决策回归方程,利用决策回归方程实现对未来月度负荷的滚动预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510766870.4A CN105404935A (zh) | 2015-11-11 | 2015-11-11 | 一种考虑业扩增量的电力***月度负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510766870.4A CN105404935A (zh) | 2015-11-11 | 2015-11-11 | 一种考虑业扩增量的电力***月度负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105404935A true CN105404935A (zh) | 2016-03-16 |
Family
ID=55470408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510766870.4A Pending CN105404935A (zh) | 2015-11-11 | 2015-11-11 | 一种考虑业扩增量的电力***月度负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105404935A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956319A (zh) * | 2016-05-18 | 2016-09-21 | 广州供电局有限公司 | 一种基于数据驱动的母线负荷特性分析 |
CN106169118A (zh) * | 2016-06-29 | 2016-11-30 | 国网浙江省电力公司 | 电力营销业扩负面清单管理应用方法 |
CN106651425A (zh) * | 2016-09-28 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 一种考虑业扩报装数据的用户偷电、漏电行为监测方法 |
CN109064009A (zh) * | 2018-07-28 | 2018-12-21 | 国网江苏省电力有限公司电力科学研究院 | 基于ems数据的变电站行业比例获取方法及计算设备 |
CN109583763A (zh) * | 2018-12-03 | 2019-04-05 | 国网浙江省电力有限公司台州供电公司 | 分行业用户电力负荷增长特征挖掘算法 |
CN109711621A (zh) * | 2018-12-27 | 2019-05-03 | 浙江华云信息科技有限公司 | 基于判别分析和支持向量机结合的工业园区负荷预测方法 |
CN110097220A (zh) * | 2019-04-22 | 2019-08-06 | 大连理工大学 | 一种风力发电月度电量预测方法 |
CN111539844A (zh) * | 2020-04-20 | 2020-08-14 | 海南电网有限责任公司 | 一种基于k-l信息量和arima误差修正的月度电量预测方法 |
CN113435653A (zh) * | 2021-07-02 | 2021-09-24 | 国网新疆电力有限公司经济技术研究院 | 一种基于logistic模型的饱和用电量预测方法及*** |
CN113449933A (zh) * | 2021-08-30 | 2021-09-28 | 国网江西省电力有限公司经济技术研究院 | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 |
CN115603321A (zh) * | 2022-11-11 | 2023-01-13 | 浙江浙能能源服务有限公司(Cn) | 一种基于电力消费数据的电力负荷预测***及方法 |
CN115994679A (zh) * | 2023-03-24 | 2023-04-21 | 国网山东省电力公司青岛供电公司 | 一种基于负荷预测修正的区域电网主动规划方法及*** |
CN116011685A (zh) * | 2023-03-22 | 2023-04-25 | 国网陕西省电力有限公司西咸新区供电公司 | 电量预测方法、装置、计算机设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
CN104537433A (zh) * | 2014-12-18 | 2015-04-22 | 国网冀北电力有限公司 | 基于存量容量与业扩报装特征的售电量预测方法 |
-
2015
- 2015-11-11 CN CN201510766870.4A patent/CN105404935A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
CN104537433A (zh) * | 2014-12-18 | 2015-04-22 | 国网冀北电力有限公司 | 基于存量容量与业扩报装特征的售电量预测方法 |
Non-Patent Citations (1)
Title |
---|
黄宇娟: "广东省电力需求分析与预测", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956319A (zh) * | 2016-05-18 | 2016-09-21 | 广州供电局有限公司 | 一种基于数据驱动的母线负荷特性分析 |
CN106169118A (zh) * | 2016-06-29 | 2016-11-30 | 国网浙江省电力公司 | 电力营销业扩负面清单管理应用方法 |
CN106651425A (zh) * | 2016-09-28 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 一种考虑业扩报装数据的用户偷电、漏电行为监测方法 |
CN109064009A (zh) * | 2018-07-28 | 2018-12-21 | 国网江苏省电力有限公司电力科学研究院 | 基于ems数据的变电站行业比例获取方法及计算设备 |
CN109583763A (zh) * | 2018-12-03 | 2019-04-05 | 国网浙江省电力有限公司台州供电公司 | 分行业用户电力负荷增长特征挖掘算法 |
CN109711621A (zh) * | 2018-12-27 | 2019-05-03 | 浙江华云信息科技有限公司 | 基于判别分析和支持向量机结合的工业园区负荷预测方法 |
CN110097220B (zh) * | 2019-04-22 | 2022-10-14 | 大连理工大学 | 一种风力发电月度电量预测方法 |
CN110097220A (zh) * | 2019-04-22 | 2019-08-06 | 大连理工大学 | 一种风力发电月度电量预测方法 |
CN111539844A (zh) * | 2020-04-20 | 2020-08-14 | 海南电网有限责任公司 | 一种基于k-l信息量和arima误差修正的月度电量预测方法 |
CN111539844B (zh) * | 2020-04-20 | 2023-06-16 | 海南电网有限责任公司 | 一种基于k-l信息量和arima误差修正的月度电量预测方法 |
CN113435653A (zh) * | 2021-07-02 | 2021-09-24 | 国网新疆电力有限公司经济技术研究院 | 一种基于logistic模型的饱和用电量预测方法及*** |
CN113435653B (zh) * | 2021-07-02 | 2022-11-04 | 国网新疆电力有限公司经济技术研究院 | 一种基于logistic模型的饱和用电量预测方法及*** |
CN113449933A (zh) * | 2021-08-30 | 2021-09-28 | 国网江西省电力有限公司经济技术研究院 | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 |
CN115603321A (zh) * | 2022-11-11 | 2023-01-13 | 浙江浙能能源服务有限公司(Cn) | 一种基于电力消费数据的电力负荷预测***及方法 |
CN116011685A (zh) * | 2023-03-22 | 2023-04-25 | 国网陕西省电力有限公司西咸新区供电公司 | 电量预测方法、装置、计算机设备及存储介质 |
CN115994679A (zh) * | 2023-03-24 | 2023-04-21 | 国网山东省电力公司青岛供电公司 | 一种基于负荷预测修正的区域电网主动规划方法及*** |
CN115994679B (zh) * | 2023-03-24 | 2023-06-09 | 国网山东省电力公司青岛供电公司 | 一种基于负荷预测修正的区域电网主动规划方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105404935A (zh) | 一种考虑业扩增量的电力***月度负荷预测方法 | |
Bahl et al. | Time-series aggregation for synthesis problems by bounding error in the objective function | |
CN110135612B (zh) | 基于用电量分析的物资供应商生产能力监控及异常预警方法 | |
He et al. | Urban long term electricity demand forecast method based on system dynamics of the new economic normal: the case of Tianjin | |
Hamzacebi et al. | Forecasting the annual electricity consumption of Turkey using an optimized grey model | |
WO2021189739A1 (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN104657788B (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
CN110738435A (zh) | 一种配电网项目投资决策评价方法 | |
CN104239968A (zh) | 一种快速模糊粗糙集短期负荷预测方法 | |
CN104537433A (zh) | 基于存量容量与业扩报装特征的售电量预测方法 | |
CN107918368B (zh) | 钢铁企业煤气产生量与消耗量的动态预测方法及设备 | |
CN105184655A (zh) | 一种城市配电网智能化改造评估方法 | |
CN106056290A (zh) | 一种计及新能源接入的输电网运行效率效益检测方法 | |
CN105005878A (zh) | 一种坚强智能电网的综合评估方法 | |
CN113344449A (zh) | 一种预测月尺度工业需水量的方法 | |
CN106096779A (zh) | 一种输配电成本分析、风险评估模型及风险结构优化方法 | |
CN105373865A (zh) | 一种基于产业结构的用电需求预测方法 | |
CN117709638A (zh) | 一种送端大***可靠性提升措施优化方法和*** | |
CN104517160A (zh) | 基于容量利用特征的新型电力市场预测***和方法 | |
CN106204098A (zh) | 一种全球内衣行业数据收集与分析平台及其分析方法 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
Yanchao et al. | A proportion prediction model of terminal energy structure of IPS based on hidden Markov chain | |
Mehar et al. | Analytical model for residential predicting energy consumption | |
CN113988550A (zh) | 一种适用于混频数据的电力动态综合评价方法 | |
Salnikov et al. | Using Input− Output tables for analyzing and forecasting the sectoral structure of Russian economy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160316 |