CN111815022A - 一种基于延时坐标嵌入法的电力负荷预测方法 - Google Patents
一种基于延时坐标嵌入法的电力负荷预测方法 Download PDFInfo
- Publication number
- CN111815022A CN111815022A CN202010503508.9A CN202010503508A CN111815022A CN 111815022 A CN111815022 A CN 111815022A CN 202010503508 A CN202010503508 A CN 202010503508A CN 111815022 A CN111815022 A CN 111815022A
- Authority
- CN
- China
- Prior art keywords
- time
- embedding
- selecting
- dimension
- power
- 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 45
- 239000013598 vector Substances 0.000 claims abstract description 15
- 238000005311 autocorrelation function Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- 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)
Abstract
本发明涉及一种基于延时坐标嵌入法的电力负荷预测方法,包括以下步骤:1.数据观测收集,2.选取延迟时间参数,3.选取嵌入维数参数,4.结合延迟时间、嵌入维数和数据集并构造多维相空间,采用局部平均预测法,根据连续函数和欧几里德范数的性质,选取若干个最临近矢量并分别计算最临近矢量与矢量之间的距离,获得相应预测值,5.电力用户负荷预测。本发明选取延迟时间和嵌入维数应用于延时坐标嵌入算法,并构造相应的多维相空间,实现电力用户的负荷预测,有效的利用历史数据建立预测模型,对未来时间段内的电力负荷进行精准有效的预测,预测精度高,可靠性强,提供了一套精准完备的预测模型。
Description
技术领域
本发明涉及一种基于延时坐标嵌入法的电力负荷预测方法,属于电力负荷预测技术领域。
背景技术
随着基于先进量测***的智能电网的迅猛发展,用电信息采集***逐渐完善,配用电数据表现出数量大、类型多、增长快等大数据特征,电力大数据逐渐成为人们关注和研究的热点。在大数据环境下分析用电数据之间的关联度,并运用合理的预测方法探索电力用户负荷的发展变化规律,对于合理规划和设计电网运行,提升电网运行稳定性、经济性、环保性具有极其重大的现实意义。
短期负荷由于受天气变化、社会活动等因素的影响,在时间序列上表现为非平稳的随机过程,但是各因素中大部分具有规律性,从而为实现有效预测提供了先决条件。目前用于短期负荷预测的算法主要有神经网络法、时间序列法、回归分析法、支持向量机法、模糊预测法等。负荷预测的核心问题是如何利用历史数据建立预测模型,对未来时刻或时间段内的负荷进行预测。随着现在电力***管理信息***的逐步建立,以及天气预测水平的提高,准确获取各种历史数据已不再困难,因此,短期负荷预测的核心问题是预测模型的精度高低。
发明内容
为了解决上述技术问题,本发明提供一种于延时坐标嵌入法的电力负荷预测方法,其具体技术方案如下:
基于延时坐标嵌入法的电力负荷预测方法,包括以下步骤:
步骤一:数据观测收集:通过电力先进测量***中的智能电表连续收集用户的细粒度电力日负荷数据作为观测数据集,并选取延迟时间和嵌入维数应用于延时坐标嵌入算法;
将观测数据集中的数据代入自相关函数R(τ),得到自相关函数R(τ)随延迟时间变化的轨迹,当自相关函数R(τ)的值下降至初始值R(0)并乘以下降系数,获得时间τ作为构造相空间的延迟时间;
步骤三:选取嵌入维数参数:采用虚假最临近点法,从最小嵌入维数2开始计算虚假最临近点的比例,逐渐增加维数,直至虚假最临近点比例小于5%或虚假最临近点的数目随着维数的增加停止减少时,选取此时维数作为嵌入维数;
步骤四:构造多维相空间:结合延迟时间、嵌入维数和数据集并构造多维相空间,采用局部平均预测法,根据连续函数和欧几里德范数的性质,选取若干个最临近矢量并分别计算最临近矢量与矢量之间的距离,获得相应预测值;
步骤五:电力用户负荷预测:采用循环计算的方式选取最临近矢量的数目,直至预测值收敛停止。
进一步的,所述步骤一中智能电表为单相智能电表或三相智能电表。
进一步的,所述步骤一中用户为工业用户、商业用户或居民用户。
进一步的,所述步骤一中智能电表设置每隔15分钟时间间隔采样数据,实现负荷数据的细粒度。
进一步的,所述步骤四中临近距离的判断标准选择欧几里得范数或最大模范数。
本发明的有益效果:
本发明选取延迟时间和嵌入维数应用于延时坐标嵌入算法,并构造相应的多维相空间,实现电力用户的负荷预测,有效的利用历史数据建立预测模型,对未来时间段内的电力负荷进行精准有效的预测,预测精度高,可靠性强,提供了一套精准完备的预测模型。
附图说明
图1是本发明的流程示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1所示,本发明基于延时坐标嵌入法的电力负荷预测方法:
数据观测收集,通过电力先进测量***中的单相智能电表或三相智能电表的高采样率,智能电表设置每隔15分钟时间间隔采样数据,连续一段时间收集用户的细粒度电力日负荷数据作为观测数据集,并选取延迟时间和嵌入维数应用于延时坐标嵌入算法。同时,采样时间间隔也可以为1天、1小时、30分钟等智能电表能够实现的采样时间间隔。选取延迟时间参数,根据自相关函数,代入时间序列获得对应自相关函数将观测数据集中的数据代入自相关函数R(τ),得到自相关函数R(τ)随延迟时间变化的轨迹,当自相关函数R(τ)的值下降至初始值R(0)并乘以下降系数,获得时间τ作为构造相空间的延迟时间。其中下降系数根据实际状况对应灵活选取,用户为工业用户、商业用户或居民用户等。
选取嵌入维数参数,采用虚假最临近点法,即在高维相空间中并不相邻的两个投影点投影到一维空间上的时会出现两点相邻的情况,对于高维相空间中的每一个矢量都有一个欧几里得距离的最临近点,当空间的维数增加,两点之间的距离会发生变化,若距离变化超过了一定范围,即称两点为虚假临近点。算法中使用到的虚假最临近点的判断阈值可以根据实际情况灵活选择。对于电力负荷数据集中的时间序列,从最小嵌入维数2开始计算虚假最临近点的比例,逐渐增加维数,直至虚假最临近点比例小于5%或虚假最临近点的数目随着维数的增加停止减少时,选取此时维数作为嵌入维数。
构造多维相空间,结合延迟时间、嵌入维数和电力负荷数据集并构造多维相空间,采用局部平均预测法进行电力用户负荷预测。根据连续函数的性质,如果两个矢量与很接近,那么与也很接近;根据欧几里德范数‖x‖的性质,选取k个的最临近矢量并分别计算最临近矢量与之间的距离,获得相应下一时刻的预测值。电力用户负荷预测,选取最临近矢量的数目采用循环计算的方法,从k=1开始,直至预测值收敛停止,即得到对应精准的预测值。
本发明选取延迟时间和嵌入维数应用于延时坐标嵌入算法,并构造相应的多维相空间,实现电力用户的负荷预测,有效的利用历史数据建立预测模型,对未来时间段内的电力负荷进行精准有效的预测,预测精度高,可靠性强,提供了一套精准完备的预测模型。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (5)
1.一种基于延时坐标嵌入法的电力负荷预测方法,其特征在于:包括以下步骤:
步骤一:数据观测收集:通过电力先进测量***中的智能电表连续收集用户的细粒度电力日负荷数据作为观测数据集,并选取延迟时间和嵌入维数应用于延时坐标嵌入算法;
将观测数据集中的数据代入自相关函数R(τ),得到自相关函数R(τ)随延迟时间变化的轨迹,当自相关函数R(τ)的值下降至初始值R(0)并乘以下降系数,获得时间τ作为构造相空间的延迟时间;
步骤三:选取嵌入维数参数:采用虚假最临近点法,从最小嵌入维数2开始计算虚假最临近点的比例,逐渐增加维数,直至虚假最临近点比例小于5%或虚假最临近点的数目随着维数的增加停止减少时,选取此时维数作为嵌入维数;
步骤四:构造多维相空间:结合延迟时间、嵌入维数和数据集并构造多维相空间,采用局部平均预测法,根据连续函数和欧几里德范数的性质,选取若干个最临近矢量并分别计算最临近矢量与矢量之间的距离,获得相应预测值;
步骤五:电力用户负荷预测:采用循环计算的方式选取最临近矢量的数目,直至预测值收敛停止。
2.根据权利要求1所述的基于延时坐标嵌入法的电力负荷预测方法,其特征在于:所述步骤一中智能电表为单相智能电表或三相智能电表。
3.根据权利要求1所述的基于延时坐标嵌入法的电力负荷预测方法,其特征在于:所述步骤一中用户为工业用户、商业用户或居民用户。
4.根据权利要求1所述的基于延时坐标嵌入法的电力负荷预测方法,其特征在于:所述步骤一中智能电表设置每隔15分钟时间间隔采样数据,实现负荷数据的细粒度。
5.根据权利要求1所述的基于延时坐标嵌入法的电力负荷预测方法,其特征在于:所述步骤四中临近距离的判断标准选择欧几里得范数或最大模范数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010503508.9A CN111815022A (zh) | 2020-06-05 | 2020-06-05 | 一种基于延时坐标嵌入法的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010503508.9A CN111815022A (zh) | 2020-06-05 | 2020-06-05 | 一种基于延时坐标嵌入法的电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111815022A true CN111815022A (zh) | 2020-10-23 |
Family
ID=72848158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010503508.9A Pending CN111815022A (zh) | 2020-06-05 | 2020-06-05 | 一种基于延时坐标嵌入法的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815022A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990557A (zh) * | 2021-02-25 | 2021-06-18 | 国网河北省电力有限公司保定供电分公司 | 基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005168251A (ja) * | 2003-12-05 | 2005-06-23 | Chugoku Electric Power Co Inc:The | 電力需要予測装置、電力需要予測システム、電力需要予測プログラム、記録媒体、及び電力需要予測方法 |
CN102208046A (zh) * | 2011-05-19 | 2011-10-05 | 山东大学 | 基于二进制粒子群优化算法的混沌时间序列预测方法 |
CN103268519A (zh) * | 2013-04-26 | 2013-08-28 | 哈尔滨工程大学 | 基于改进Lyapunov指数的电力***短期负荷预测方法及装置 |
-
2020
- 2020-06-05 CN CN202010503508.9A patent/CN111815022A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005168251A (ja) * | 2003-12-05 | 2005-06-23 | Chugoku Electric Power Co Inc:The | 電力需要予測装置、電力需要予測システム、電力需要予測プログラム、記録媒体、及び電力需要予測方法 |
CN102208046A (zh) * | 2011-05-19 | 2011-10-05 | 山东大学 | 基于二进制粒子群优化算法的混沌时间序列预测方法 |
CN103268519A (zh) * | 2013-04-26 | 2013-08-28 | 哈尔滨工程大学 | 基于改进Lyapunov指数的电力***短期负荷预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
何洋;邹波;李文启;文福拴;刘伟佳;: "基于混沌理论的电力***短期负荷预测的局域模型", 华北电力大学学报(自然科学版), no. 04, pages 133 - 138 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990557A (zh) * | 2021-02-25 | 2021-06-18 | 国网河北省电力有限公司保定供电分公司 | 基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | When weather matters: IoT-based electrical load forecasting for smart grid | |
Wang et al. | Wireless big data computing in smart grid | |
Huang et al. | A clustering based grouping method of nearly zero energy buildings for performance improvements | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN114676883A (zh) | 基于大数据的电网运行管理方法、装置、设备及存储介质 | |
CN110321934A (zh) | 一种检测用户用电异常数据的方法及*** | |
KR20210013565A (ko) | 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘 | |
CN112508306A (zh) | 一种电力生产配置的自适应方法及*** | |
CN115758188A (zh) | 一种非侵入式的负荷识别方法、装置、设备和介质 | |
CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN112989133B (zh) | 一种电器设备的图数据建模电力指纹识别方法、存储介质及*** | |
CN114336594A (zh) | 一种能源聚合客户监测及需求响应调度***及方法 | |
CN111815022A (zh) | 一种基于延时坐标嵌入法的电力负荷预测方法 | |
Hajjaji et al. | Evaluation of artificial intelligence algorithms for predicting power consumption in university campus microgrid | |
CN106655266B (zh) | 一种接入新能源的地区电网可灵活调节电源配置方法 | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
EP3718061B1 (en) | Technique for utility network management | |
Zongbao | A Line loss management method based on improved random forest algorithm in distributed generation system | |
Maochun et al. | Typical scenario construction for fast assessment of renewable energy absorption capacity | |
Yao et al. | Short-term load forecasting of office building microgrid based on EA-NN | |
Radha et al. | Energy Management based on K-Nearest Neighbour Approach in Residential Application | |
Xiong et al. | Graph Convolutional Network based Electricity Demand Forecasting in Power Distribution Networks | |
Liu et al. | Multi-dimensional energy efficiency assessment of residential users based on big data analysis of differentiated electricity consumption behavior | |
Qianhao et al. | Data Mining-based Multi-objective Economic Dispatching of Distribution Network with Distributed Generation and Electric Vehicle | |
Malla | Generation of high spatial and temporal resolution heat demand profiles for Germany |
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 |