CN111598328A - 一种计及疫情事件的电力负荷预测方法 - Google Patents
一种计及疫情事件的电力负荷预测方法 Download PDFInfo
- Publication number
- CN111598328A CN111598328A CN202010399975.1A CN202010399975A CN111598328A CN 111598328 A CN111598328 A CN 111598328A CN 202010399975 A CN202010399975 A CN 202010399975A CN 111598328 A CN111598328 A CN 111598328A
- Authority
- CN
- China
- Prior art keywords
- formula
- daily
- diagnosis
- day
- tod
- 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 58
- 238000011161 development Methods 0.000 claims abstract description 10
- 238000011478 gradient descent method Methods 0.000 claims abstract description 4
- 238000003745 diagnosis Methods 0.000 claims description 55
- 230000001186 cumulative effect Effects 0.000 claims description 24
- 238000001556 precipitation Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 8
- ZAKOWWREFLAJOT-CEFNRUSXSA-N D-alpha-tocopherylacetate Chemical compound CC(=O)OC1=C(C)C(C)=C2O[C@@](CCC[C@H](C)CCC[C@H](C)CCCC(C)C)(C)CCC2=C1C ZAKOWWREFLAJOT-CEFNRUSXSA-N 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 230000035876 healing Effects 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 description 35
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种计及疫情事件的电力负荷预测方法，其包括如下步骤：（1）构建反应疫情事件发展态势及气象的特征工程；（2）建立负荷预测模型；（3）使用原始数据对预测模型进行训练，就梯度下降法求解。本发明可实时调整、自主学习且适应性强、预测精度高。
Description
技术领域
本发明属于大数据与人工智能领域，具体涉及一种计及疫情事件的电力负荷预测方法。
背景技术
电力负荷预测是以电力负荷为对象进行的一系列预测工作。从预测对象来看，电力负荷预测包括对未来电力需求量(功率)的预测和对未来用电量(能量)的预测以及对负荷曲线的预测。其主要工作是预测未来电力负荷的时间分布和空间分布，为电力***规划和运行提供可靠的决策依据。
电力负荷预测是一项重要的日常工作，精准预测负荷可以提高输配电网运行的安全性、可靠性和经济性。传统电力负荷预测主要基于同期负荷数据，在此基础上进行短期、周期性的预测。
在发生疫情事件时，社会生产与人民生活受到巨大影响，同时将对电力负荷产生较大影响，由于同期数据不具备疫情事件发生时的特征，基于此开展的预测结果准确性将大大下降，需将疫情事件纳入负荷预测考虑因素，以提升预测准确性，确保电力***安全可靠。
综合国内外对电力***负荷预测方面的研究，主要采用的预测方法为：经典方法、传统方法和智能方法三大类。
经典预测方法通常是依靠专家的经验或一些简单变量之间的相互关系对未来负荷值作出一个方向性的结论，主要分为单耗法、电力弹性系数法、负荷密度法、分类负荷预测法和人均电量法。
传统预测方法包括增长曲线方法、回归分析法及时间序列分析法，起哄回归分析法和时间序列法基本上都是属于概率统计的方法。
智能预测方法不需要事先知道过程模型的结构和参数的相关先验知识，也不必通过复杂的***辨识来建立过程数学模型，较适合应用于存在非线性、多变量、时变、不确定的电力负荷预测。智能预测方法主要包括专家***法、人工神经网络法、模糊预测法、灰色理论预测法和综合预测模型法。
电力负荷预测的实质就是利用以往的数据资料找出负荷变化的规律，从而对未来负荷的变化及状态做出预测。进行电力负荷预测时，如果仅以某种简单的关系去反应电力负荷与其影响因素(如气象、环境、经济等)之间的关系，会使得预测结果与实际偏离较远，如果建立模型，又由于各自模型本身因含有不定因素而导致其存在大小不同的误差。
随着计算机技术的迅速发展，使大量复杂的、用人工方法难以实现的预测方法的采用成为可能，而且负荷预测的手段也逐渐发展为运用软件预测，使得负荷预测的方法和手段大为增加，但要做到准确的预测仍存在着很大的问题。
发明内容
本发明的目的是提供一种可实时调整、自主学习、适应性强、预测精度高的计及疫情事件的电力负荷预测方法。
本发明采用如下技术方案：
一种计及疫情事件的电力负荷预测方法，其包括如下步骤：
(1)构建反应疫情事件发展态势及气象的特征工程；
(2)建立负荷预测模型；
(3)使用原始数据对预测模型进行训练，就梯度下降法求解。
其中，步骤(1)中，反应气象的特征工程包括日温度极值平均值、日最大湿度与日降水量二次项、历史平均温度、历史日最大湿度与日降水量二次项、温度累计效应、日最大湿度与日降水量二次项累计效应、温度差分、日最大湿度与日降水量二次项差分。
其中，所述温度差分通过式(1)计算：
Tdiff-n＝Tavg-Tavg-n (1)
式(1)中：Tavg为当日平均温度，Tavg-n为前n日平均温度；
一般的，n＝1，2，3；
所述日最大湿度与日降水量二次项差分通过式(2)计算：
Rdiff-n＝R-R-n (2)
式(2)中：R为当日平均温度，R-n为前n日最大湿度与日降水量二次项；
一般的，n＝1，2，3。
其中，所述日最大湿度与日降水量二次项通过式(3)计算：
R＝Hmax·Rain (3)
式(3)中：Hmax当日最大湿度，Rain为当日降水量；
所述历史日最大湿度与日降水量二次项通过式(4)计算：
R-n＝Hmax-n·Rain-n (4)
式(4)中：Hmax-n为前第n日最大湿度，Rain-n为前第n日降水量；
一般的，n＝1，2，3。
其中，所述温度累计效应通过式(5)计算：
Tcum＝∑Tavg-n (5)
式(5)中：Tavg-n为前n日平均温度。
一般的，n＝3。
所述日最大湿度与日降水量二次项累计效应通过式(6)计算：
Rcum＝∑R-n (6)
式(6)中：R-n为前n日最大湿度与日降水量二次项。
一般的，n＝3。
其中，步骤(1)中，反应疫情事件发展态势的特征工程为疫情数据特征工程，包括日均确诊、日均治愈、历史确诊累积影响、历史治愈累积影响、累计确诊与当日确诊二次项、累计确诊与现有确诊二次项、当日确诊与现有确诊二次项、当日确诊差分。
其中，所述当日确诊差分通过式(7)计算：
Ctoddiff-n＝Ctod-Ctod-n (9)
式(7)中：Ctod为当日确诊数，Ctod-n为前第n日确诊数。
一般的，n＝1，2，3。
其中，所述累计确诊与当日确诊二次项通过式(8)计算：
Ctd＝Tcon·Ctod (10)
式(8)中：Tcon为累计确诊数，Ctod为当日确诊数；
所述累计确诊与现有确诊二次项通过式(9)计算：
Cte＝Tcon·Econ (11)
式(9)中：Tcon为累计确诊数，Econ为现有确诊数；
所述当日确诊与现有确诊二次项通过式(10)计算：
Cde＝Ctod·Econ (12)
式(10)中：Ctod为当日确诊数，Econ为现有确诊数。
其中，所述历史确诊累积影响通过式(11)计算：
Concum＝∑Ctod-n (13)
式(11)中：Ctod-n为前第n日确诊数；
一般的，n＝3；
所述历史治愈累积影响通过式(12)计算
Curcum＝∑Curtod-n (14)
式(12)中：Curtod-n为前第n日治愈数；
一般的，n＝3。
其中，步骤(2)中，利用人工神经网络方法建立负荷预测模型。
本发明的有益效果在于：本发明适用于发生疫情事件情况下，电力负荷预测。基于疫情事件数据、气象数据、负荷数据，建立相关影响数据的特征工程，从多维度反映疫情发展情况，并将其作为人工神经网络的输入，以电力负荷数据作为目标数据，建立神经网络负荷预测模型，实现短期负荷预测，提升预测精度。
本发明引入疫情数据，构建能够反映疫情发展程度的特征工程，综合考虑气象因素，利用人工神经网络建立负荷预测模型，具有实时调整、自主学习、适应性强的特点，通过调整神经网络模型参数，能够不断提升预测精度。同时，以此方法为基础，可以适用于其他公共事件发生时的电力负荷预测。
具体实施方式
下面将结合本申请实施例，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其他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申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
实施例
一、利用疫情数据，融合与负荷影响较大的天气因素(温度、湿度、降水量)，并按如下结构建立数据表。
表1数据结构
| 序号 | 字段 | 含义 |
| 1 | Date | 日期 |
| 2 | T<sub>max</sub> | 日最高温度 |
| 3 | T<sub>min</sub> | 日最低温度 |
| 4 | H<sub>max</sub> | 日最大湿度 |
| 5 | Rain | 日降水量 |
| 6 | UPQ | 日负荷 |
| 7 | T<sub>Con</sub> | 累计确诊(Tota Confirmed) |
| 8 | T<sub>Cur</sub> | 累计治愈(Total Cured) |
| 9 | T<sub>Dea</sub> | 累计死亡(Total Death) |
| 10 | E<sub>Con</sub> | 现有确诊(Existing Confirmed) |
| 11 | C<sub>Tod</sub> | 当日确诊(Confirmed Today) |
| 12 | Cur<sub>tod</sub> | 当日治愈(Cured Today) |
融合各***分析所需原始数据，其部分数据如表2所示。
表2
| Date | T_max | T_min | H_max | Rain | T_con | T_cur | T_dea | E_con | C_tod | Cur_tod | UPQ |
| 01-15 | -0.1 | -9.9 | 93 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 563553287 |
| 01-16 | 1 | -6.3 | 92 | 0.6 | 0 | 0 | 0 | 0 | 0 | 0 | 538499679 |
| 01-17 | 0.4 | -6.5 | 95 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 532355165 |
| 01-18 | 1.6 | -4.6 | 96 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 517944573 |
| 01-19 | 6.6 | -7.2 | 91 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 493263858 |
| 01-20 | 6.3 | -5.7 | 80 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 476153108 |
| 01-21 | 4.8 | -5.2 | 84 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 471193803 |
| 01-22 | 5.1 | -5.7 | 91 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 459789375 |
| 01-23 | 5.8 | -5.6 | 93 | 0 | 2 | 0 | 1 | 1 | 1 | 0 | 451316804 |
1、气象特征工程
(1)气象差分特征
计算温度差分：
Tdiff-n＝Tavg-Tavg-n (1)
式中：Tavg为当日平均温度，Tavg-n为前n日平均温度。
一般的，n＝1，2，3。
计算日最大湿度与日降水量二次项差分：
Rdiff-n＝R-R-n (2)
式中：R为当日平均温度，R-n为前n日最大湿度与日降水量二次项。
一般的，n＝1，2，3。
(2)气象二次项特征
计算日最大湿度与日降水量二次项：
R＝Hmax·Rain (3)
式中：Hmax当日最大湿度，Rain为当日降水量
计算历史日最大湿度与日降水量二次项：
R-n＝Hmax-n·Rain-n (4)
式中：Hmax-n为前第n日最大湿度，Rain-n为前第n日降水量。
一般的，n＝1，2，3。
(3)气象累积效应特征
计算温度累计效应：
Tcum＝∑Tavg-n (5)
式中：Tavg-n为前n日平均温度。
一般的，n＝3。
计算日最大湿度与日降水量二次项累计效应：
Rcum＝∑R-n (6)
式中：R-n为前n日最大湿度与日降水量二次项。
一般的，n＝3。
计算日温度极值平均值：
Tavg＝(Tmax+Tmin)/2 (7)
式中：Tmax为当日最高温度，Tmin当日最低温度
计算历史平均温度：
Tavg-n＝(Tmax-n+Tmin-n)/2 (8)
式中：Tmax-n为前第n日最高温度，Tmin-n为前第n日最低温度。
一般的，n＝1，2，3。
根据公式(1)～(8)构建气象特征工程，其结果如表3所示。
表3
2、疫情数据特征工程
(1)疫情事件差分特征
当日确诊差分
Ctoddiff-n＝Ctod-Ctod-n (9)
式中：Ctod为当日确诊数，Ctod-n为前第n日确诊数。
一般的，n＝1，2，3。
(2)疫情事件二项式特征
累计确诊与当日确诊二次项
Ctd＝Tcon·Ctod (10)
式中：Tcon为累计确诊数，Ctod为当日确诊数。
累计确诊与现有确诊二次项
Cte＝Tcon·Econ (11)
式中：Tcon为累计确诊数，Econ为现有确诊数。
当日确诊与现有确诊二次项
Cde＝Ctod·Econ (12)
式中：Ctod为当日确诊数，Econ为现有确诊数。
(3)疫情事件累积特征
历史确诊累积影响
Concum＝∑Ctod-n (13)
式中：Ctod-n为前第n日确诊数。
一般的，n＝3。
历史治愈累积影响
Curcum＝∑Curtod-n (14)
式中：Curtod-n为前第n日治愈数。
一般的，n＝3。
(4)其他
日均确诊：
Conavg＝Tcon/d (15)
式中：Tcon为累计确诊，d为疫情持续天数。
日均治愈
Curavg＝Tcur/d (16)
式中：Tcur为累计治愈，d为疫情持续天数。
根据公式(9)～(16)构建疫情事件特征工程，其结果如表4所示。
表4
| Con_avg | Cur_avg | Con_cum | Cur_cum | C_td | C_te | C_de | C_toddiff_1 | C_toddiff_2 | C_toddiff_3 |
| 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 1.00 | 0.00 | 0.00 | 0.00 | 1.00 | 1.00 | 1.00 | 1.00 | 1.00 | 1.00 |
| 1.00 | 0.00 | 1.00 | 0.00 | 2.00 | 2.00 | 1.00 | 0.00 | 1.00 | 1.00 |
二、建立负荷预测模型
采用人工神经网络方法建立负荷预测模型，包括输入层、输出层、隐层。
设输入层为n维向量：
X＝[x1，x2，x3...xn]T (17)
式中：x1至xn为原数据。
则经过第一个隐层计算后的输出为：
h1o＝A(W(1)X+B(1)) (18)
式中：A为激活函数，W(1)为第一个隐层对应的权重向量，B(1)为第一个隐层对应的偏置向量。
依次类推，第m层隐层的输出为：
hmo＝A(W(m)h(m-1)o+B(m)) (19)
式中：A为激活函数，W(m)为第m个隐层对应的权重向量，B(m)为第m个隐层对应的偏置向量，h(m-1)o为第m-1个隐层的输出。
模型输出为：
F＝S(hmo) (20)
式中：S为软化函数。
使用原数据对模型进行训练，基于梯度下降法求解各层参数。
使用人工智能神经网络建立模型，设置模型具有6个隐层，每层50个单元，预测结果为：4.90091360e+08，6.32210074e+08，5.67870197e+08，5.99770520e+08，5.17478244e+08，6.09899964e+08。(单位VA)
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种计及疫情事件的电力负荷预测方法，其特征在于，其包括如下步骤：
(1)构建反应疫情事件发展态势及气象的特征工程；
(2)建立负荷预测模型；
(3)使用原始数据对预测模型进行训练，就梯度下降法求解。
2.根据权利要求1所述的一种计及疫情事件的电力负荷预测方法，其特征在于，步骤(1)中，反应气象的特征工程包括日温度极值平均值、日最大湿度与日降水量二次项、历史平均温度、历史日最大湿度与日降水量二次项、温度累计效应、日最大湿度与日降水量二次项累计效应、温度差分、日最大湿度与日降水量二次项差分。
3.根据权利要求2所述的一种计及疫情事件的电力负荷预测方法，其特征在于，所述温度差分通过式(1)计算：
Tdiff-n＝Tavg-Tavg-n (1)
式(1)中：Tavg为当日平均温度，Tavg-n为前n日平均温度；
所述日最大湿度与日降水量二次项差分通过式(2)计算：
Rdiff-n＝R-R-n (2)
式(2)中：R为当日平均温度，R-n为前n日最大湿度与日降水量二次项。
4.根据权利要求2所述的一种计及疫情事件的电力负荷预测方法，其特征在于，所述日最大湿度与日降水量二次项通过式(3)计算：
R＝Hmax·Rain (3)
式(3)中：Hmax当日最大湿度，Rain为当日降水量；
所述历史日最大湿度与日降水量二次项通过式(4)计算：
R-n＝Hmax-n·Rain-n (4)
式(4)中：Hmax-n为前第n日最大湿度，Rain-n为前第n日降水量。
5.根据权利要求2所述的一种计及疫情事件的电力负荷预测方法，其特征在于，所述温度累计效应通过式(5)计算：
Tcum＝∑Tavg-n (5)
式(5)中：Tavg-n为前n日平均温度；
所述日最大湿度与日降水量二次项累计效应通过式(6)计算：
Rcum＝∑R-n (6)
式(6)中：R-n为前n日最大湿度与日降水量二次项。
6.根据权利要求1所述的一种计及疫情事件的电力负荷预测方法，其特征在于，步骤(1)中，反应疫情事件发展态势的特征工程为疫情数据特征工程，包括日均确诊、日均治愈、历史确诊累积影响、历史治愈累积影响、累计确诊与当日确诊二次项、累计确诊与现有确诊二次项、当日确诊与现有确诊二次项、当日确诊差分。
7.根据权利要求6所述的一种计及疫情事件的电力负荷预测方法，其特征在于，所述当日确诊差分通过式(9)计算：
Ctoddiff-n＝Ctod-Ctod-n (9)
式(9)中：Ctod为当日确诊数，Ctod-n为前第n日确诊数。
8.根据权利要求6所述的一种计及疫情事件的电力负荷预测方法，其特征在于，所述累计确诊与当日确诊二次项通过式(10)计算：
Ctd＝Tcon·Ctod (10)
式(10)中：Tcon为累计确诊数，Ctod为当日确诊数；
所述累计确诊与现有确诊二次项通过式(11)计算：
Cte＝Tcon·Econ (11)
式(11)中：Tcon为累计确诊数，Econ为现有确诊数；
所述当日确诊与现有确诊二次项通过式(12)计算：
Cde＝Ctod·Econ (12)
式(12)中：Ctod为当日确诊数，Econ为现有确诊数。
9.根据权利要求6所述的一种计及疫情事件的电力负荷预测方法，其特征在于，所述历史确诊累积影响通过式(13)计算：
Concum＝∑Ctod-n (13)
式(13)中：Ctod-n为前第n日确诊数；
所述历史治愈累积影响通过式(14)计算
Curcum＝∑Curtod-n (14)
式(14)中：Curtod-n为前第n日治愈数。
10.根据权利要求1所述的一种计及疫情事件的电力负荷预测方法，其特征在于，步骤(2)中，利用人工神经网络方法建立负荷预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010399975.1A CN111598328A (zh) | 2020-05-14 | 2020-05-14 | 一种计及疫情事件的电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010399975.1A CN111598328A (zh) | 2020-05-14 | 2020-05-14 | 一种计及疫情事件的电力负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111598328A true CN111598328A (zh) | 2020-08-28 |
Family
ID=72192172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010399975.1A Pending CN111598328A (zh) | 2020-05-14 | 2020-05-14 | 一种计及疫情事件的电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598328A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112652403A (zh) * | 2020-12-25 | 2021-04-13 | 中国科学技术大学 | 疫情预测方法及装置 |
| CN113822467A (zh) * | 2021-08-24 | 2021-12-21 | 华南理工大学 | 一种电力区域负荷的图神经网络预测方法 |
| CN114155038A (zh) * | 2021-12-09 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN108932557A (zh) * | 2018-04-28 | 2018-12-04 | 云南电网有限责任公司临沧供电局 | 一种基于气温累积效应和灰色关联度的短期负荷预测模型 |
| US20190384879A1 (en) * | 2018-06-13 | 2019-12-19 | State Grid Jiangsu Electric Power Co., Ltd. | Meteorology sensitive load power estimation method and apparatus |
| CN110993118A (zh) * | 2020-02-29 | 2020-04-10 | 同盾控股有限公司 | 基于集成学习模型的疫情预测方法、装置、设备及介质 |
-
2020
- 2020-05-14 CN CN202010399975.1A patent/CN111598328A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN108932557A (zh) * | 2018-04-28 | 2018-12-04 | 云南电网有限责任公司临沧供电局 | 一种基于气温累积效应和灰色关联度的短期负荷预测模型 |
| US20190384879A1 (en) * | 2018-06-13 | 2019-12-19 | State Grid Jiangsu Electric Power Co., Ltd. | Meteorology sensitive load power estimation method and apparatus |
| CN110993118A (zh) * | 2020-02-29 | 2020-04-10 | 同盾控股有限公司 | 基于集成学习模型的疫情预测方法、装置、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 苏宜靖等: "考虑气象因子的区域电网梅雨期负荷预测", 《浙江电力》 * |
| 董靓媛等: "新冠肺炎疫情对电网运行的影响分析", 《河北电力技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112652403A (zh) * | 2020-12-25 | 2021-04-13 | 中国科学技术大学 | 疫情预测方法及装置 |
| CN112652403B (zh) * | 2020-12-25 | 2023-07-14 | 中国科学技术大学 | 疫情预测方法及装置 |
| CN113822467A (zh) * | 2021-08-24 | 2021-12-21 | 华南理工大学 | 一种电力区域负荷的图神经网络预测方法 |
| CN114155038A (zh) * | 2021-12-09 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
| CN114155038B (zh) * | 2021-12-09 | 2024-05-31 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN107967542B (zh) | 一种基于长短期记忆网络的售电量预测方法 | |
| CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
| CN111598328A (zh) | 一种计及疫情事件的电力负荷预测方法 | |
| US11755976B2 (en) | Method for predicting oxygen load in iron and steel enterprises based on production plan | |
| CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
| CN110705743A (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
| CN111723929A (zh) | 一种基于神经网络的数值预报产品订正方法、装置和*** | |
| CN108647812A (zh) | 基于主成分自适应bp神经网络的短期电力负荷预测方法 | |
| CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
| CN104573881A (zh) | 一种基于退化数据建模的服役设备剩余寿命自适应预测方法 | |
| CN112232604B (zh) | 基于Prophet模型提取网络流量的预测方法 | |
| CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
| CN106778838A (zh) | 一种预测空气质量的方法 | |
| CN112257935B (zh) | 一种基于lstm—rbf神经网络模型的航空安全预测方法 | |
| CN113205223A (zh) | 一种电量预测***及其预测方法 | |
| CN110222910B (zh) | 一种有源配电网态势预测方法及预测*** | |
| CN115879369A (zh) | 一种基于优化LightGBM算法的磨煤机故障预警方法 | |
| Gama et al. | Stream-based electricity load forecast | |
| CN114881347A (zh) | 一种采用加权残差聚类的天然气负荷预测区间估计方法 | |
| CN117851908B (zh) | 一种改进的在线低压台区电能表失准监测方法及装置 | |
| Ismail et al. | Adaptive neural network prediction model for energy consumption | |
| CN114037138A (zh) | 基于双层分解和深度学习的地铁短时进站客流预测***及实施方法 | |
| CN112767692A (zh) | 基于SARIMA-GA-Elman组合模型的短时交通流量预测*** | |
| CN108134687B (zh) | 一种基于马尔可夫链的灰色模型局域网峰值流量预测方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211220 Address after: 050021 No. 238 South Sports street, Hebei, Shijiazhuang Applicant after: STATE GRID HEBEI ELECTRIC POWER Research Institute Applicant after: Marketing service center of State Grid Hebei Electric Power Co.,Ltd. Applicant after: STATE GRID HEBEI ENERGY TECHNOLOGY SERVICE Co.,Ltd. Applicant after: STATE GRID CORPORATION OF CHINA Address before: 050021 No. 238 South Sports street, Hebei, Shijiazhuang Applicant before: STATE GRID HEBEI ELECTRIC POWER Research Institute Applicant before: STATE GRID HEBEI ENERGY TECHNOLOGY SERVICE Co.,Ltd. Applicant before: STATE GRID CORPORATION OF CHINA |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200828 |
|
| RJ01 | Rejection of invention patent application after publication |