CN109508835B - 一种融合环境反馈的智慧电网短期电力负荷预测方法 - Google Patents

一种融合环境反馈的智慧电网短期电力负荷预测方法 Download PDF

Info

Publication number
CN109508835B
CN109508835B CN201910000264.XA CN201910000264A CN109508835B CN 109508835 B CN109508835 B CN 109508835B CN 201910000264 A CN201910000264 A CN 201910000264A CN 109508835 B CN109508835 B CN 109508835B
Authority
CN
China
Prior art keywords
power
power load
block
day
sample
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.)
Active
Application number
CN201910000264.XA
Other languages
English (en)
Other versions
CN109508835A (zh
Inventor
刘辉
陈浩林
刘泽宇
龙治豪
于程名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Rongzhao Intelligent Co ltd
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201910000264.XA priority Critical patent/CN109508835B/zh
Publication of CN109508835A publication Critical patent/CN109508835A/zh
Application granted granted Critical
Publication of CN109508835B publication Critical patent/CN109508835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种融合环境反馈的智慧电网短期电力负荷预测方法，根据各用电单位的电力负荷数据变化的本质规律进行聚类分析，将目标预测区域划分区块，针对区块分别建立预测模型组，避免过量相关模型的干扰；以天为单位分析一周内各区块的电力负荷时间序列并根据其波动规律划分时段分别建立预测模型，提升电力负荷预测的预测精度；同时，考虑到电力负荷突变的影响因素，建立平均温度、平均湿度和风速同电力负荷预测误差之间的映射关系，智能嵌入外部环境因素，得到融合环境反馈的电力负荷预测模型，极大提升了预测模型对电力负荷突变事件的敏感度和适应能力，保证了预测方法的鲁棒性，提高了短期电力负荷预测的预测精度。

Description

一种融合环境反馈的智慧电网短期电力负荷预测方法
技术领域
本发明属于电力负荷预测技术领域，具体涉及一种融合环境反馈的智慧电网短期电力负荷预测方法。
背景技术
电力负荷预测连接电网能源与用户需求，对于电能调度和绿色用电意义重大，精准的电网短期电力负荷预测方法能够实现电网能量的精细管理，是居民稳定用电、经济稳定发展的重要保障。
电力负荷时间序列是与电网相关的各种活动的综合结果，存在一定的周期性，同时，电力负荷时间序列还蕴含了外部环境变量的影响，短期电力负荷预测的精度易受气温、湿度等气象环境因素的干扰。据统计，2012年上半年我国深圳、南昌、海口、西安等大城市发生共11起大范围停电事故，电力行业认为天气变化造成电力负荷短期内激增，电能调度不及时是事故发生的重要原因。
发明内容
针对现有的因气候环境变化引起的短期电力负荷突变问题，本发明提供一种融合环境反馈的智慧电网短期电力负荷预测方法，实现提升预测模型对电力负荷突变事件的敏感度和适应能力，保证预测方法的鲁棒性，提高短期电力负荷预测的预测精度。
为实现上述技术目的，本发明采用的技术方案为：
一种融合环境反馈的智慧电网短期电力负荷预测方法，包括以下步骤：
步骤1，获取目标预测区域内所有用电单位N1个连续周次的电压和电流历史数据，对各用电单位的电压和电流历史数据进行处理得到对应的功率序列，所有用电单位的功率序列组成目标预测区域的功率训练样本；
与功率训练样本的获取方法相同，获取目标预测区域的另一历史时间段N1个连续周次的功率测试样本；同时获取目标预测区域在功率测试样本的历史时间段内每一天的平均温度、平均湿度和风速数据，构成目标预测区域的环境样本；
步骤2，根据功率训练样本中各用电单位的功率序列，对各用电单位进行聚类，将目标预测区域划分为N3个区块；
步骤3，利用功率训练样本，建立基于PID神经网络的电力负荷预测模型组；
步骤3.1，利用各区块内的功率训练样本中所有功率序列，分别建立与N3个区块对应的N3个区块电力负荷预测模型组；每个区块电力负荷预测模型组均包括7个天次电力负荷预测模型组，其中7个天次电力负荷预测模型组分别与一周7天相对应；每个天次电力负荷预测模型组包括N4个基于PID神经网络的电力负荷预测模型，其中N4个电力负荷预测模型分别与一天N4个时段相对应；
步骤3.2，对每个区块内的的功率训练样本中所有功率序列进行处理，每个区块均得到对应的电力负荷训练样本；
步骤3.3，依次以第a区块的电力负荷训练样本中任意两个连续周次的第b天次第n2时段的电力负荷值作为输入数据、以下一周次的第b天次第n2时段的电力负荷值作为输出数据，训练第a区块的第b天次第n2时段的基于PID神经网络的电力负荷预测模型；其中，a＝1,2,…,N3，b＝1,2,…,7，n2＝1,2,…,N4；
步骤4，利用功率测试样本和环境样本，建立基于支持向量机的环境反馈模型：
步骤4.1，按步骤3.2对功率测试样本进行处理，每个区块得到对应的电力负荷测试样本；
步骤4.2，任意确定模拟预测当前周次、模拟预测周次w0+m0和模拟预测天次b0；
步骤4.3，选择各区块对应模拟预测天次b0的天次电力负荷预测模型组，依次将电力负荷测试样本中对应第w0-1周次b0天次和第w0周次b0天次各区块各时段的电力负荷值作为对应区块对应天次b0对应时段的基于PID神经网络的电力负荷预测模型的输入数据，获得第w0+1周次b0天次各区块各时段的电力负荷模拟预测值；
步骤4.4，选择各区块对应模拟预测天次b0的天次电力负荷预测模型组，依次将电力负荷测试样本中对应第w0周次b0天次各区块各时段的电力负荷值和第w0+1周次b0天次各区块各时段的电力负荷模拟预测值作为对应区块对应天次b0对应时段的基于PID神经网络的电力负荷预测模型的输入数据，获得第w0+2周次b0天次各区块各时段的电力负荷模拟预测值；
步骤4.5，依此类推，直到获得第w0+m0周次b0天次各区块各时段的电力负荷模拟预测值，将第w0+m0周次b0天次各区块各时段的电力负荷预测值求和，获得第w0+m0周次b0天次的电力负荷模拟预测值；
步骤4.6，对比模拟预测周次为w0+m0、模拟预测天次为b0的电力负荷模拟预测值与电力负荷测试样本中周次为w0+m0、天次为b0的各区块各时段的电力负荷值之和，获得第w0+m0周次的天次为b0的电力负荷模拟预测误差值；
步骤4.7，重复步骤4.2-4.6共N5次，得到N5个电力负荷模拟预测值和N5个电力负荷模拟预测误差值；
步骤4.8，将每个电力负荷模拟预测值和环境样本中模拟预测天次的平均温度、平均湿度和风速作为输入数据，将每个电力负荷模拟预测误差值作为输出数据，训练支持向量机，得到基于支持向量机的环境反馈模型；
步骤5，利用步骤3获得的各基于PID神经网络的电力负荷预测模型和步骤4获得的基于支持向量机的环境反馈模型，对目标预测周次为w+m、目标预测天次为d的电力负荷进行最优预测；其中包含天次d的最近周次为w；
步骤5.1，获取所有用电单位的第w-1周次和第w周次的电压和电流数据，并按步骤1进行处理得到目标预测区域的功率预测样本；
步骤5.2，按步骤3.2对功率预测样本进行处理，每个区块得到对应的电力负荷预测样本；
步骤5.3，选择各区块天次为d的天次电力负荷预测模型组；依次将电力负荷预测样本中第w-1周次d天次和第w周次d天次各区块各时段的电力负荷值作为对应区块对应天次d对应时段的各基于PID神经网络的电力负荷预测模型的输入数据，获得第w+1周次d天次各区块各时段的电力负荷预测值；
步骤5.4，选择各区块天次为d的天次电力负荷预测模型组，依次将电力负荷预测样本中第w周次d天次各区块各时段的电力负荷值和第w+1周次d天次各区块各时段的电力负荷预测值作为对应区块对应天次d的基于PID神经网络的电力负荷预测模型的输入数据，获得第w+2周次d天次各区块各时段的电力负荷预测值；
步骤5.5，依此类推，直到获得第w+m周次d天次各区块各时段的电力负荷预测值，将第w+m周次d天次各区块各时段的电力负荷预测值求和，获得第w+m周次d天次电力负荷预测值；
步骤5.6，根据天气预报和气象局信息，获得目标预测区域的目标预测周次为w+m、目标预测天次为d的平均温度、平均湿度和风速数据，并将目标预测周次为w+m、目标预测天次为d的平均温度、平均湿度、风速数据和电力负荷预测值作为基于支持向量机的环境反馈模型的输入数据，获得目标预测区域的目标预测周次为w+m、目标预测天次为d的电力负荷最优预测值。
进一步地，各用电单位的电压和电流历史数据由各自设置的电力检测设备以相同频率采集得到，所述对电压和电流历史数据进行处理得到目标预测区域的功率训练样本和功率测试样本的具体过程均为：
以样本时刻时间间隔T1划分电压数据和电流数据，计算每个样本时刻时间间隔T1内的电压平均值和电流平均值，将每个样本时刻时间间隔T1的中间时刻作为样本时刻，将每个样本时刻时间间隔T1内的电压平均值和电流平均值作为样本时刻的电压值和电流值，将每个样本时刻电压值与电流值的乘积作为样本时刻的功率值；
每个电力检测设备对应2段由不同历史时间段所有样本时刻的功率值组成的功率序列，2个不同历史时间段的所有电力检测设备的的功率序列分别组成功率训练样本和功率测试样本。
进一步地，所述步骤2的具体过程为：
以同1天内的零点到二十四点为天次时间间隔T2，依次随机获得功率训练样本中各电力检测设备N2个长度为T2的功率序列片段，10≤N2≤15；
依次将功率训练样本中各电力检测设备的N2个功率序列片段取平均，获得各电力检测设备的功率平均序列；
将各电力检测设备作为待聚类的元素pi,i＝1,2,3...,n1，n1为电力检测设备的数量，待聚类元素的坐标为对应电力检测设备的功率平均序列；
选择聚类中心个数为N3，进行k-means聚类，根据聚类结果，将目标预测区域划分为N3个区块，4≤N3≤8，每个区块包括若干个电力检测设备。
进一步地，所述进行k-means聚类的过程为：
步骤A1，将各电力检测设备的功率平均序列作为待聚类元素的坐标，随机选择N3个元素作为聚类中心，每个聚类中心代表1个聚类簇；
步骤A2，依次计算所有元素同各聚类中心的距离，并且依次将各元素赋给与之距离最近的聚类中心所代表的聚类簇；
采用欧几里德距离量化元素同各个聚类中心的距离，公式如下：
Figure BDA0001933329450000041
式中，distance(pi,kj)表示元素pi同聚类中心kj的距离，
Figure BDA0001933329450000055
表示第i个元素的第n个坐标，
Figure BDA0001933329450000054
表示第j个聚类中心的第n个坐标，N表示1天内包括的样本时刻时间间隔T1的数量；
步骤A3，采用欧几里得距离计算每个聚类簇中所有元素的平均坐标，依此计算各聚类簇中的平均坐标同各聚类中心的距离，若各聚类簇的平均坐标同各聚类中心的距离均小于等于阈值
Figure BDA0001933329450000051
聚类完成，获得当前聚类结果；若存在任意聚类簇的平均坐标同聚类中心的距离大于阈值
Figure BDA0001933329450000052
将各聚类簇的平均坐标作为各聚类簇新的聚类中心，转至步骤A2。
进一步地，阈值
Figure BDA0001933329450000053
的取值为0.05。
进一步地，所述步骤3.2的具体过程为：
步骤B1，依次将功率训练样本中同一区块内所有电力检测设备的功率序列求和，获得与N3个区块分别对应的N3个区块功率序列；
步骤B2，依次选择第a区块的区块功率序列中按周天次为b的N1个区块功率序列片段，组成第a区块天次为b的功率训练子样本；其中a＝1,2,…,N3，b＝1,2,…,7；
步骤B3，从第a区块天次为b的功率训练子样本中随机选择20个区块功率序列片段，取平均值得到第a区块天次为b的区块功率序列平均片段；其中，区块功率序列平均片段中每个样本时刻均对应一个功率平均值；
步骤B4，利用区块功率序列平均片段，将第a区块天次为b的一天划分为N4个时段，划分方法为：区块功率序列平均片段中，若满足后一样本时刻功率平均值与当前样本时刻功率平均值的绝对差值大于该两个样本时刻功率平均值中的最小值的30％，则当前样本时刻为临界样本时刻，并将临界样本时刻作为当前时段的结束时刻，临界样本时刻的后一样本时刻作为下一时段的开始时刻；区块功率序列平均片段末端样本时刻不满足临界样本时刻条件；
步骤B5，按照时段划分结果，利用第a区块天次为b的功率训练子样本，依次计算第a区块天次为b的电力负荷训练子样本；
将第c时段内的各样本时刻的功率值与样本时刻时间间隔T1乘积的和，作为第c时段的电力负荷值；其中，c＝1,2,…,N4，则1天N4个时段的电力负荷值组成第a区块天次为b的1个电力负荷序列，时间跨度为N1个连续周次的功率训练子样本则对应得到N1个电力负荷序列，N1个电力负荷序列组成第a区块天次为b的电力负荷训练子样本，按周7个天次依次取b＝1,2,…,7组成第a区块的电力负荷训练样本。
进一步地，时间跨度N1的取值为：N1≥50。
进一步地，电力负荷模拟预测值的数量N5的取值为：N5≥200。
进一步地，样本时刻时间间隔T1的取值为20分钟。
进一步地，所述电压和电流历史数据是经过不敏卡尔曼滤波后的数据。
有益效果
本方案同时采集各用电单位的电压、电流历史数据，形成功率时间序列，充分反映了电力负荷数据变化的本质规律，基于电力负荷数据自身特性进行分类，研究各单位在相同时间段内用电高峰的规律，通过聚类算法将功率序列波动规律相近的单位聚类，最终形成较稳定的区块电力负荷时间序列，降低了电力负荷数据的复杂性和杂散性，针对区块分别建立电力负荷预测模型组并进行预测，提升了电力负荷预测的精确度和稳定性。
其次，本方案在针对按周的各天次进行划分的基础上，分析区块内用电单位在一天中集中用电的时间段，将以天为长度的区块功率时间序列划分为多个稳态时段，每个时段分别建立电力负荷预测模型，进一步降低了电力负荷数预测的不稳定性，大大提升了电力负荷预测精度和鲁棒性。
再次，本方案结合温度、湿度和风速天气信息对人群出行以及作息的影响，建立基于支持向量机的环境反馈模型，对电力负荷预测值进行修正，完善电力负荷预测体系，进一步提升电力负荷预测的科学性和精确性。
附图说明
图1为本发明融合环境反馈的智慧电网短期电力负荷预测流程图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
针对短期电力负荷突变问题，本发明提出一种融合环境反馈的智慧电网短期电力负荷预测方法，通过聚类分析，利用各地区一定时间跨度内的平均功率序列，将目标预测区域划分区块，针对区块分别建立预测模型，避免过量相关模型的干扰，降低计算成本对的同保证电力负荷预测精度；以天为单位分析一周内各区块的电力负荷时间序列并根据其波动规律划分时段，建立时段同电力负荷稳态之间的映射关系，降低输入数据波动对预测模型带来的负面影响，提升电力负荷预测的预测精度；同时，考虑到电力负荷突变的影响因素，建立平均温度、平均湿度和风速同电力负荷预测误差之间的映射关系，智能嵌入外部环境因素，得到融合环境反馈的电力负荷预测模型，极大提升了预测模型对电力负荷突变事件的敏感度和适应能力，保证了预测方法的鲁棒性，提高了短期电力负荷预测的预测精度。
本实施例将结合附图1对本发明方案进一步解释说明，具体包括以下步骤：
步骤1：安装电力检测设备，获取历史电压和电流数据。
依次对目标预测区域内所有的用电单位分别安装电力检测设备；
以相同采样频率同时采集各电力检测设备中的电压和电流历史数据，依次对各电力检测设备中的电压和电流历史数据进行不敏卡尔曼滤波，以样本时刻时间间隔T1划分滤波后的电压和电流历史数据，计算每个样本时刻时间间隔T1内电压和电流的平均值，将每个样本时刻时间间隔T1的中间时刻作为样本时刻，将每个样本时刻时间间隔T1内电压和电流的平均值作为样本时刻的电压和电流值，将每个样本时刻电压值与电流值的乘积作为样本时刻的功率值，获得各电力检测设备的功率序列，所有电力检测设备的功率序列组成功率训练样本；
以相同采样频率采集各电力检测设备在另一历史时间段内的电压和电流历史数据，采用与功率训练样本相同的数据获取方法，获得功率测试样本；同时通过天气预报和气象局信息获得该历史时间段内每一天的平均温度、平均湿度和风速数据，获得环境样本；
所采集的电压和电流历史数据，均以周一零点为采集起始点，以周末二十四点为采集终止点，功率训练样本与功率测试样本均包含N1个连续周次的电压和电流历史数据，N1取值至少为50；
样本时刻时间间隔T1的取值为20分钟；
每个电力检测设备对应2段不同历史时间内包含所有样本时刻的功率序列；
功率训练样本和功率测试样本中，每个功率序列每小时均含有3个功率数据，分别为第10分钟、第30分钟和第50分钟的功率值；
步骤2：利用功率训练样本，将目标预测区域划分区块；
以同1天内的零点到二十四点为天次时间间隔T2，依次随机获得功率训练样本中各电力检测设备的N2个长度为T2的功率序列片段，10≤N2≤15；
依次将功率训练样本中各电力检测设备的N2个功率序列片段取平均，获得功率训练样本中各电力检测设备的功率平均序列；
将各电力检测设备作为待聚类的元素，记为pi,i＝1,2,3...,n1，n1为电力检测设备的数量，待聚类元素的坐标为功率训练样本中对应电力检测设备的功率平均序列；
选择聚类中心个数为N3，进行k-means聚类，根据聚类结果，将目标预测区域划分为N3个区块，4≤N3≤8，每个区块含有多个电力检测设备，同一区块在地理位置上可能不相连；
聚类过程如下：
步骤A1：将功率训练样本中各电力检测设备的功率平均序列作为待聚类元素的坐标，随机选择N3个元素作为聚类中心，每个聚类中心代表1个聚类簇；
步骤A2:依次计算所有元素同各聚类中心的距离，并且依次将各元素赋给与之距离最近的聚类中心所代表的聚类簇；
采用欧几里德距离量化元素同各个聚类中心的距离，公式如下：
Figure BDA0001933329450000081
式中，distance(pi,kj)表示元素pi同聚类中心kj的距离，
Figure BDA0001933329450000082
表示第i个元素的第n个坐标，
Figure BDA0001933329450000083
表示第j个聚类中心的第n个坐标；
步骤A3：采用欧几里得距离计算每个聚类簇中所有元素的平均坐标，依此计算各聚类簇中的平均坐标同聚类中心的距离，若各聚类簇的平均坐标同聚类中心的距离均小于等于阈值
Figure BDA0001933329450000084
聚类完成，获得当前聚类结果；若存在任意聚类簇的平均坐标同聚类中心的距离大于阈值
Figure BDA0001933329450000085
将各聚类簇的平均坐标作为各聚类簇新的聚类中心，转至步骤A2；
本实例，阈值
Figure BDA0001933329450000086
选为0.05。
步骤3：利用功率训练样本，建立基于PID神经网络的电力负荷预测模型组；
依次将功率训练样本中同一区块所有电力检测设备的功率序列求和，获得N3个区块功率序列；
利用N3个区块功率序列，分别建立N3个区块电力负荷预测模型组，每个区块电力负荷预测模型组均包含7个天次电力负荷预测模型组，7个天次电力负荷预测模型组分别与一周七天相对应；共N3*7个分别对应不同区块不同天次的基于PID神经网络的电力负荷预测模型组；
以下以区块2中天次为7(假设为周一)的基于PID神经网络的电力负荷预测模型组的构建过程为例，如图1所示，对各区块的一周中各天次的基于PID神经网络的电力负荷预测模型组的构建过程进行说明：
选择当前区块功率序列包含的N1个连续周次中所有对应周一的区块功率序列片段，组成当前区块对应周一的功率训练子样本，当前区块对应周一的功率训练子样本包含N1个时间跨度为1天且对应周一的区块功率序列片段；
从当前区块对应周一的功率训练子样本中随机选择20个区块功率序列片段，将上述20个区块功率序列片段取平均获得1个区块功率序列平均片段，区块功率序列平均片段包含72(24*3)个样本时刻，每个样本时刻对应一个功率平均值，利用区块功率序列平均片段，将当前区块的周一划分为N4个时段，划分方法如下：
记区块功率序列平均片段中，满足后一样本时刻功率平均值与当前样本时刻功率平均值的绝对差值大于上述两个样本时刻功率平均值的最小值的30％的样本时刻为临界样本时刻，临界样本时刻作为当前时段的结束时刻，临界样本时刻的后一样本时刻作为下一时段的开始时刻；区块功率序列平均片段末端样本时刻不满足临界样本时刻条件；
按照时段划分结果，利用当前区块对应周一的功率训练子样本依次计算当前区块对应周一的电力负荷训练子样本，当前区块对应周一的电力负荷训练子样本包含N1个电力负荷序列，每个电力负荷序列与某一周的周一相对应，每个电力负荷序列均包含N4电力负荷值，N4个电力负荷值同N4个时段相对应；
某一时段的电力负荷值即该时段内各样本时刻的功率值与T乘积的和；
将当前区块对应周一的电力负荷训练子样本作为当前区块对应周一的基于PID神经网络的电力负荷预测模型组的训练数据；
当前区块对应周一的基于PID神经网络的电力负荷预测模型组包含N4个基于PID神经网络的电力负荷预测模型，同N4个时段相对应；
依次以电力负荷训练子样本中任意两个连续周次周一第n2时段的电力负荷值作为对应时段的基于PID神经网络的电力负荷预测模型的输入数据，n2＝1,2,3,...,N4，以下一个周次周一第n2时段的电力负荷值作为对应时段的基于PID神经网络的电力负荷预测模型的输出数据，训练PID神经网络，获得对应第n2时段的基于PID神经网络的电力负荷预测模型；
依次将n2从1取值直到N4，共获得N4个分别与时段对应的基于PID神经网络的电力负荷预测模型，从而得到当前区块对应周一的基于PID神经网络的电力负荷预测模型组；
依次选择所有区块，每个区块依次选择所有天次，类比于某一区块对应周一的基于PID神经网络的电力负荷预测模型组的构建过程，获得N3*7个基于PID神经网络的电力负荷预测模型组。
步骤4，利用功率测试样本和环境样本，建立基于支持向量机的环境反馈模型；
利用步骤2获得的k-means聚类结果和功率测试样本获得N3个区块功率预测序列，每个区块功率测试序列即时间跨度为N1个连续周次的样本时刻时间间隔为T1的连续功率值；
依次选择各区块功率测试序列中天次相同的序列片段，分别获得各区块对应各天次的共N3*7个功率测试子样本，每个功率测试子样本均包含N1个时间跨度为一天的区块功率测试序列片段；
利用步骤3获得的时段划分结果和N3*7功率测试子样本，依次计算功率测试子样本中各时段内的电力负荷值，获得N3*7个电力负荷测试子样本，所有电力负荷测试子样本即电力负荷测试样本；
利用步骤3获得的各基于PID神经网络的电力负荷预测模型和电力负荷测试样本，进行N5次电力负荷模拟预测，N5取值至少为200，电力负荷模拟预测过程如下：
任意确定模拟预测当前周次，记为w0，已知当前周次及以前的电力负荷情况，任意确定模拟预测周次和模拟预测天次，记模拟预测周次为w0+m0，记模拟预测天次为b0；
选择各区块对应模拟预测天次b0的基于PID神经网络的天次电力负荷预测模型组，依次将电力负荷测试样本中对应第w0-1周次b0天次和第w0周次b0天次各区块各时段的电力负荷值作为对应区块对应天次b0的基于PID神经网络的电力负荷预测模型的输入数据，获得第w0+1周次b0天次各区块各时段的电力负荷模拟预测值；
选择各区块对应模拟预测天次b0的基于PID神经网络的天次电力负荷预测模型组，依次将电力负荷测试样本中对应第w0周次b0天次各区块各时段的电力负荷值和第w0+1周次b0天次各区块各时段的电力负荷模拟预测值作为对应区块对应天次b0的基于PID神经网络的电力负荷预测模型的输入数据，获得第w0+2周次b0天次各区块各时段的电力负荷模拟预测值；
依此类推，直到获得第w0+m0周次b0天次各区块各时段的电力负荷模拟预测值，将第w0+m0周次b0天次各区块各时段的电力负荷预测值求和，获得第w0+m0周次b0天次的电力负荷模拟预测值；
对比第w0+m0周次b0天次的电力负荷预测值与电力负荷测试样本中第w0+m0周次b0天次各区块各时段的电力负荷值之和，获得第w0+m0周次b0天次电力负荷模拟预测误差值；
重复上述电力负荷模拟预测过程N5次，共获得N5个电力负荷模拟预测值和N5个电力负荷模拟预测误差值；
将每一次模拟预测的电力负荷模拟预测值和环境样本中模拟预测目标预测时间的平均温度、平均湿度和风速作为基于支持向量机的环境反馈模型的输入数据，将每一次模拟预测的电力负荷模拟预测误差值作为基于支持向量机的环境反馈模型的输出数据，训练支持向量机，获得基于支持向量机的环境反馈模型；
步骤5：利用步骤3获得的各基于PID神经网络的电力负荷预测模型和步骤4获得的基于支持向量机的环境反馈模型，进行电力负荷最优预测；
获得各电力检测设备包含最近3个周次的电压和电流数据，按照步骤1中功率测试样本的获得方法和步骤4电力负荷测试样本的获得方法，获得功率预测样本和电力负荷预测样本；此处选择3个周次的电压和电流数据，是为了保证至少包括天次为目标预测天次的数据，以输入驱动各基于PID神经网络的电力负荷预测模型，最终获得目标预测周次目标预测天次的电力负荷预测值。
记目标预测周次为w+m，目标预测天次为d，电力负荷预测样本中包含目标预测天次d的最近周次为w，选择各区块对应天次d的基于PID神经网络的天次电力负荷预测模型组，依次将电力负荷预测样本中对应第w-1周次d天次和第w周次d天次各区块各时段的电力负荷值作为对应区块对应天次d对应时段的基于PID神经网络的电力负荷预测模型的输入数据，获得第w+1周次d天次各区块各时段的电力负荷预测值；
选择各区块对应天次d的基于PID神经网络的电力负荷预测模型组，依次将电力负荷预测样本中对应第w周次d天次各区块各时段的电力负荷值和第w+1周次d天次各区块各时段的电力负荷预测值作为对应区块对应天次d对应时段的基于PID神经网络的电力负荷预测模型的输入数据，获得第w+2周次d天次各区块各时段的电力负荷预测值；
依此类推，直到获得第w+m周次d天次各区块各时段的电力负荷预测值，将第w+m周次d天次各区块各时段的电力负荷预测值求和，获得第w+m周次d天次电力负荷预测值。
根据天气预报和气象局信息，获得将第w+m周次d天次的平均温度、平均湿度和风速数据，将第w+m周次d天次的平均温度、平均湿度、风速和电力负荷预测值作为基于支持向量机的环境反馈模型的输入数据，获得第w+m周次d天次的电力负荷最优预测值。
以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (10)

1.一种融合环境反馈的智慧电网短期电力负荷预测方法，其特征在于，包括以下步骤：
步骤1，获取目标预测区域内所有用电单位N1个连续周次的电压和电流历史数据，对各用电单位的电压和电流历史数据进行处理得到对应的功率序列，所有用电单位的功率序列组成目标预测区域的功率训练样本；
与功率训练样本的获取方法相同，获取目标预测区域的另一历史时间段N1个连续周次的功率测试样本；同时获取目标预测区域在功率测试样本的历史时间段内每一天的平均温度、平均湿度和风速数据，构成目标预测区域的环境样本；
步骤2，根据功率训练样本中各用电单位的功率序列，采用k-means聚类方法对各用电单位进行聚类，将目标预测区域划分为N3个区块；
步骤3，利用功率训练样本，建立基于PID神经网络的电力负荷预测模型组；
步骤3.1，利用各区块内的功率训练样本中所有功率序列，分别建立与N3个区块对应的N3个区块电力负荷预测模型组；每个区块电力负荷预测模型组均包括7个天次电力负荷预测模型组，其中7个天次电力负荷预测模型组分别与一周7天相对应；每个天次电力负荷预测模型组包括N4个基于PID神经网络的电力负荷预测模型，其中N4个电力负荷预测模型分别与一天N4个时段相对应；
步骤3.2，对每个区块内的功率训练样本中所有功率序列进行处理，每个区块均得到对应的电力负荷训练样本；
步骤3.3，依次以第a区块的电力负荷训练样本中任意两个连续周次的第b天次第n2时段的电力负荷值作为输入数据、以下一周次的第b天次第n2时段的电力负荷值作为输出数据，训练第a区块的第b天次第n2时段的基于PID神经网络的电力负荷预测模型；其中，a＝1,2,…,N3，b＝1,2,…,7，n2＝1,2,…,N4；
步骤4，利用功率测试样本和环境样本，建立基于支持向量机的环境反馈模型：
步骤4.1，按步骤3.2对功率测试样本进行处理，每个区块得到对应的电力负荷测试样本；
步骤4.2，任意确定模拟预测当前周次、模拟预测周次w0+m0和模拟预测天次b0；
步骤4.3，选择各区块对应模拟预测天次b0的天次电力负荷预测模型组，依次将电力负荷测试样本中对应第w0-1周次b0天次和第w0周次b0天次各区块各时段的电力负荷值作为对应区块对应天次b0对应时段的基于PID神经网络的电力负荷预测模型的输入数据，获得第w0+1周次b0天次各区块各时段的电力负荷模拟预测值；
步骤4.4，选择各区块对应模拟预测天次b0的天次电力负荷预测模型组，依次将电力负荷测试样本中对应第w0周次b0天次各区块各时段的电力负荷值和第w0+1周次b0天次各区块各时段的电力负荷模拟预测值作为对应区块对应天次b0对应时段的基于PID神经网络的电力负荷预测模型的输入数据，获得第w0+2周次b0天次各区块各时段的电力负荷模拟预测值；
步骤4.5，依此类推，直到获得第w0+m0周次b0天次各区块各时段的电力负荷模拟预测值，将第w0+m0周次b0天次各区块各时段的电力负荷预测值求和，获得第w0+m0周次b0天次的电力负荷模拟预测值；
步骤4.6，对比模拟预测周次为w0+m0、模拟预测天次为b0的电力负荷模拟预测值与电力负荷测试样本中周次为w0+m0、天次为b0的各区块各时段的电力负荷值之和，获得第w0+m0周次的天次为b0的电力负荷模拟预测误差值；
步骤4.7，重复步骤4.2-4.6共N5次，得到N5个电力负荷模拟预测值和N5个电力负荷模拟预测误差值；
步骤4.8，将每个电力负荷模拟预测值和环境样本中模拟预测天次的平均温度、平均湿度和风速作为输入数据，将每个电力负荷模拟预测误差值作为输出数据，训练支持向量机，得到基于支持向量机的环境反馈模型；
步骤5，利用步骤3获得的各基于PID神经网络的电力负荷预测模型和步骤4获得的基于支持向量机的环境反馈模型，对目标预测周次为w+m、目标预测天次为d的电力负荷进行最优预测；其中包含天次d的最近周次为w；
步骤5.1，获取所有用电单位的第w-1周次和第w周次的电压和电流数据，并按步骤1进行处理得到目标预测区域的功率预测样本；
步骤5.2，按步骤3.2对功率预测样本进行处理，每个区块得到对应的电力负荷预测样本；
步骤5.3，选择各区块天次为d的天次电力负荷预测模型组；依次将电力负荷预测样本中第w-1周次d天次和第w周次d天次各区块各时段的电力负荷值作为对应区块对应天次d对应时段的各基于PID神经网络的电力负荷预测模型的输入数据，获得第w+1周次d天次各区块各时段的电力负荷预测值；
步骤5.4，选择各区块天次为d的天次电力负荷预测模型组，依次将电力负荷预测样本中第w周次d天次各区块各时段的电力负荷值和第w+1周次d天次各区块各时段的电力负荷预测值作为对应区块对应天次d的基于PID神经网络的电力负荷预测模型的输入数据，获得第w+2周次d天次各区块各时段的电力负荷预测值；
步骤5.5，依此类推，直到获得第w+m周次d天次各区块各时段的电力负荷预测值，将第w+m周次d天次各区块各时段的电力负荷预测值求和，获得第w+m周次d天次电力负荷预测值；
步骤5.6，根据天气预报和气象局信息，获得目标预测区域的目标预测周次为w+m、目标预测天次为d的平均温度、平均湿度和风速数据，并将目标预测周次为w+m、目标预测天次为d的平均温度、平均湿度、风速数据和电力负荷预测值作为基于支持向量机的环境反馈模型的输入数据，获得目标预测区域的目标预测周次为w+m、目标预测天次为d的电力负荷最优预测值。
2.根据权利要求1所述的方法，其特征在于，各用电单位的电压和电流历史数据由各自设置的电力检测设备以相同频率采集得到，所述对电压和电流历史数据进行处理得到目标预测区域的功率训练样本和功率测试样本的具体过程均为：
以样本时刻时间间隔T1划分电压数据和电流数据，计算每个样本时刻时间间隔T1内的电压平均值和电流平均值，将每个样本时刻时间间隔T1的中间时刻作为样本时刻，将每个样本时刻时间间隔T1内的电压平均值和电流平均值作为样本时刻的电压值和电流值，将每个样本时刻电压值与电流值的乘积作为样本时刻的功率值；
每个电力检测设备对应2段由不同历史时间段所有样本时刻的功率值组成的功率序列，2个不同历史时间段的所有电力检测设备的功率序列分别组成功率训练样本和功率测试样本。
3.根据权利要求2所述的方法，其特征在于，所述步骤2的具体过程为：
以同1天内的零点到二十四点为天次时间间隔T2，依次随机获得功率训练样本中各电力检测设备N2个长度为T2的功率序列片段，10≤N2≤15；
依次将功率训练样本中各电力检测设备的N2个功率序列片段取平均，获得各电力检测设备的功率平均序列；
将各电力检测设备作为待聚类的元素pi,i＝1,2,3...,n1，n1为电力检测设备的数量，待聚类元素的坐标为对应电力检测设备的功率平均序列；
选择聚类中心个数为N3，进行k-means聚类，根据聚类结果，将目标预测区域划分为N3个区块，4≤N3≤8，每个区块包括若干个电力检测设备。
4.根据权利要求3所述的方法，其特征在于，所述进行k-means聚类的过程为：
步骤A1，将各电力检测设备的功率平均序列作为待聚类元素的坐标，随机选择N3个元素作为聚类中心，每个聚类中心代表1个聚类簇；
步骤A2，依次计算所有元素同各聚类中心的距离，并且依次将各元素赋给与之距离最近的聚类中心所代表的聚类簇；
采用欧几里德距离量化元素同各个聚类中心的距离，公式如下：
Figure FDA0002725010800000041
式中，distance(pi,kj)表示元素pi同聚类中心kj的距离，
Figure FDA0002725010800000042
表示第i个元素的第n个坐标，
Figure FDA0002725010800000043
表示第j个聚类中心的第n个坐标，N表示1天内包括的样本时刻时间间隔T1的数量；
步骤A3，采用欧几里得距离计算每个聚类簇中所有元素的平均坐标，依此计算各聚类簇中的平均坐标同各聚类中心的距离，若各聚类簇的平均坐标同各聚类中心的距离均小于等于阈值
Figure FDA0002725010800000044
聚类完成，获得当前聚类结果；若存在任意聚类簇的平均坐标同聚类中心的距离大于阈值
Figure FDA0002725010800000045
将各聚类簇的平均坐标作为各聚类簇新的聚类中心，转至步骤A2。
5.根据权利要求4所述的方法，其特征在于，阈值
Figure FDA0002725010800000046
的取值为0.05。
6.根据权利要求3所述的方法，其特征在于，所述步骤3.2的具体过程为：
步骤B1，依次将功率训练样本中同一区块内所有电力检测设备的功率序列求和，获得与N3个区块分别对应的N3个区块功率序列；
步骤B2，依次选择第a区块的区块功率序列中按周天次为b的N1个区块功率序列片段，组成第a区块天次为b的功率训练子样本；其中a＝1,2,…,N3，b＝1,2,…,7；
步骤B3，从第a区块天次为b的功率训练子样本中随机选择20个区块功率序列片段，取平均值得到第a区块天次为b的区块功率序列平均片段；其中，区块功率序列平均片段中每个样本时刻均对应一个功率平均值；
步骤B4，利用区块功率序列平均片段，将第a区块天次为b的一天划分为N4个时段，划分方法为：区块功率序列平均片段中，若满足后一样本时刻功率平均值与当前样本时刻功率平均值的绝对差值大于该两个样本时刻功率平均值中的最小值的30％，则当前样本时刻为临界样本时刻，并将临界样本时刻作为当前时段的结束时刻，临界样本时刻的后一样本时刻作为下一时段的开始时刻；区块功率序列平均片段末端样本时刻不满足临界样本时刻条件；
步骤B5，按照时段划分结果，利用第a区块天次为b的功率训练子样本，依次计算第a区块天次为b的电力负荷训练子样本；
将第c时段内的各样本时刻的功率值与样本时刻时间间隔T1乘积的和，作为第c时段的电力负荷值；其中，c＝1,2,…,N4，则1天N4个时段的电力负荷值组成第a区块天次为b的1个电力负荷序列，时间跨度为N1个连续周次的功率训练子样本则对应得到N1个电力负荷序列，N1个电力负荷序列组成第a区块天次为b的电力负荷训练子样本，按周7个天次依次取b＝1,2,…,7组成第a区块的电力负荷训练样本。
7.根据权利要求1所述的方法，其特征在于，时间跨度N1的取值为：N1≥50。
8.根据权利要求1所述的方法，其特征在于，电力负荷模拟预测值的数量N5的取值为：N5≥200。
9.根据权利要求1所述的方法，其特征在于，样本时刻时间间隔T1的取值为20分钟。
10.根据权利要求1所述的方法，其特征在于，所述电压和电流历史数据是经过不敏卡尔曼滤波后的数据。
CN201910000264.XA 2019-01-01 2019-01-01 一种融合环境反馈的智慧电网短期电力负荷预测方法 Active CN109508835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910000264.XA CN109508835B (zh) 2019-01-01 2019-01-01 一种融合环境反馈的智慧电网短期电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910000264.XA CN109508835B (zh) 2019-01-01 2019-01-01 一种融合环境反馈的智慧电网短期电力负荷预测方法

Publications (2)

Publication Number Publication Date
CN109508835A CN109508835A (zh) 2019-03-22
CN109508835B true CN109508835B (zh) 2020-11-24

Family

ID=65756093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910000264.XA Active CN109508835B (zh) 2019-01-01 2019-01-01 一种融合环境反馈的智慧电网短期电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN109508835B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961187A (zh) * 2019-03-27 2019-07-02 廊坊新奥泛能网络科技服务有限公司 能源规划方法和能源规划***
CN111985701B (zh) * 2020-07-31 2024-03-01 国网上海市电力公司 一种基于供电企业大数据模型库的用电预测方法
CN112734096A (zh) * 2020-12-31 2021-04-30 国网山东省电力公司青岛供电公司 一种城市饱和负荷预测方法及***
CN113255973A (zh) * 2021-05-10 2021-08-13 曙光信息产业(北京)有限公司 电力负荷预测方法、装置、计算机设备和存储介质
CN115237180B (zh) * 2022-09-23 2022-12-06 济南明鑫制药股份有限公司 一种用于甲酯生产中粗品制备的智能控制方法
CN115601198B (zh) * 2022-11-30 2023-04-07 北京志翔科技股份有限公司 电力数据模拟方法、装置、设备和存储介质
CN115660233A (zh) * 2022-12-26 2023-01-31 尚特杰电力科技有限公司 光伏功率预测方法、装置、电子设备及存储介质
CN116805785B (zh) * 2023-08-17 2023-11-28 国网浙江省电力有限公司金华供电公司 基于随机聚类的电力负荷层次时间序列预测方法
CN117040029B (zh) * 2023-10-08 2024-03-26 南方电网数字电网研究院有限公司 配电网电力调度方法、装置、计算机设备和存储介质
CN117036104B (zh) * 2023-10-08 2024-01-09 北京前景无忧电子科技股份有限公司 一种基于电力物联网的智慧用电方法和***
CN117374973B (zh) * 2023-12-04 2024-03-29 国网西藏电力有限公司 一种基于气象数据的电网负荷预测方法、***
CN117559450B (zh) * 2024-01-12 2024-03-29 吉林大学 一种基于反馈模型提升非介入式负荷监测精度的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218675A (zh) * 2013-05-06 2013-07-24 国家电网公司 一种基于聚类和滑动窗口的短期负荷预测方法
CN103617564A (zh) * 2013-12-04 2014-03-05 国家电网公司 基于区域负荷预测值综合评价的全网负荷预测方法
CN105608512A (zh) * 2016-03-24 2016-05-25 东南大学 一种短期负荷预测方法
CN106022954A (zh) * 2016-05-16 2016-10-12 四川大学 基于灰色关联度的多重bp神经网络负荷预测方法
CN108830487A (zh) * 2018-06-21 2018-11-16 王芊霖 基于长短时神经网络的电力负荷预测方法
CN109034453A (zh) * 2018-06-21 2018-12-18 南京邮电大学 一种基于多标记神经网络的短期电力负荷预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180114283A1 (en) * 2016-10-21 2018-04-26 Open Access Technology International, Inc. Systems and Methods for the Optimization of User Rate Charges

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218675A (zh) * 2013-05-06 2013-07-24 国家电网公司 一种基于聚类和滑动窗口的短期负荷预测方法
CN103617564A (zh) * 2013-12-04 2014-03-05 国家电网公司 基于区域负荷预测值综合评价的全网负荷预测方法
CN105608512A (zh) * 2016-03-24 2016-05-25 东南大学 一种短期负荷预测方法
CN106022954A (zh) * 2016-05-16 2016-10-12 四川大学 基于灰色关联度的多重bp神经网络负荷预测方法
CN108830487A (zh) * 2018-06-21 2018-11-16 王芊霖 基于长短时神经网络的电力负荷预测方法
CN109034453A (zh) * 2018-06-21 2018-12-18 南京邮电大学 一种基于多标记神经网络的短期电力负荷预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Short-Term Load Forecasting in Smart Grid: A Combined CNN and K-Means Clustering Approach》;Xishuang Dong等;《2017 IEEE International Conference on Big Data and Smart Computing (BigComp)》;20171231;第119-125页 *
《基于小波分析法与滚动式时间序列法的》;刘辉等;《中南大学学报（自然科学版）》;20100226;第41卷(第1期);第370-375页 *
《日电力负荷的分时段多模型组合预测》;蔡小华等;《计算机***应用》;20111231;第20卷(第3期);第98-101页 *

Also Published As

Publication number Publication date
CN109508835A (zh) 2019-03-22

Similar Documents

Publication Publication Date Title
CN109508835B (zh) 一种融合环境反馈的智慧电网短期电力负荷预测方法
CN109376972B (zh) 一种基于区块聚类的智慧电网短期电力负荷预测方法
CN110471024B (zh) 一种基于量测数据分析的智能电表在线远程校验方法
CN104200288B (zh) 一种基于因素与事件间相关关系识别的设备故障预测方法
WO2018082523A1 (zh) 一种负荷周期的模式识别方法
CN109376906B (zh) 基于多维度轨迹的出行时间预测方法、***及电子设备
CN117036104B (zh) 一种基于电力物联网的智慧用电方法和***
CN111985701A (zh) 一种基于供电企业大数据模型库的用电预测方法
CN108415884B (zh) 一种结构模态参数实时追踪方法
CN115796434A (zh) 一种用于配电网的管控方法、装置、电子设备及存储介质
CN114912720A (zh) 基于记忆网络电力负荷预测方法、装置、终端及存储介质
CN115481918A (zh) 一种基于源网荷储的单元状态主动感知及预测分析***
CN114186733A (zh) 一种短期负荷预测方法和装置
CN117878979A (zh) 基于电储能的功率平衡及动态补偿***
CN117933531A (zh) 一种分布式光伏发电功率预测***及方法
CN117200223A (zh) 日前电力负荷预测方法和装置
CN116720983A (zh) 一种基于大数据分析的供电设备异常检测方法及***
CN110489893B (zh) 一种基于可变权值的母线负荷预测方法及***
CN112418662A (zh) 一种利用人工神经网络的配电网运行可靠性分析方法
CN112444772A (zh) 一种智能电能表可靠性预测方法及装置
CN115130788B (zh) 基于大数据分析的用电预测***
CN115907228A (zh) 一种基于pso-lssvm的短期电力负荷预测分析方法
CN111368257B (zh) 煤改电负荷特性的分析预测方法及装置
CN111222688B (zh) 一种商业楼宇的日负荷预测方法
CN110659681B (zh) 基于模式识别的时序数据预测***及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240126

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Country or region after: China

Address before: Yuelu District City, Hunan province 410083 Changsha Lushan Road No. 932

Patentee before: CENTRAL SOUTH University

Country or region before: China

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240530

Address after: Northeast of the intersection of Sidingshan Road and Manquan Road, Hefei Circular Economy Demonstration Park, Feidong County, Hefei City, Anhui Province, 230000

Patentee after: Anhui Rongzhao Intelligent Co.,Ltd.

Country or region after: China

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right