CN112508251A - 一种基于电力驾驶舱的负荷预测方法及装置 - Google Patents
一种基于电力驾驶舱的负荷预测方法及装置 Download PDFInfo
- Publication number
- CN112508251A CN112508251A CN202011363405.3A CN202011363405A CN112508251A CN 112508251 A CN112508251 A CN 112508251A CN 202011363405 A CN202011363405 A CN 202011363405A CN 112508251 A CN112508251 A CN 112508251A
- Authority
- CN
- China
- Prior art keywords
- power
- matrix
- power index
- standard matrix
- load prediction
- 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 31
- 239000011159 matrix material Substances 0.000 claims abstract description 129
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims description 19
- 238000013016 damping Methods 0.000 claims description 18
- 239000000470 constituent Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013277 forecasting method Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 description 21
- 239000000284 extract Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (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
本发明提出了一种基于电力驾驶舱的负荷预测方法及装置,所述负荷预测方法包括:通过预先构建的电力驾驶舱获取历史负荷和电力指标对应的历史数据,基于历史数据构建各个地区的训练矩阵,得到标准矩阵;基于基尼系数和肯德尔相关系数确定标准矩阵中各个电力指标的权重;基于所述权重,对标准矩阵和历史负荷进行拟合,得到负荷预测模型;获取待预测地区的电力指标对应的实时数据,结合负荷预测模型得到待预测地区的负荷预测值;其中,所述电力指标包括用电类指标和经济类指标。引入了基尼系数和肯德尔相关系数,克服了传统critic法仅适用于连续、正态分布数据的局限性,更适用于数据种类多样复杂的电网***。
Description
技术领域
本发明属于负荷预测领域,尤其涉及一种基于电力驾驶舱的负荷预测方法及装置。
背景技术
随着智能化电网***的不断发展以及用电负荷的种类越来越复杂,影响电网中负荷的因素也越来越多,因此对负荷预测的准确性提出了更高的要求。为了提高负荷预测的准确性,通常需要获取不同渠道来源的训练数据进行负荷预测模型训练。传统的负荷预测往往仅基于电网本身的运行数据获取训练数据,而忽略电网以外影响负荷的因素,降低了负荷预测的准确性。
发明内容
为了解决现有技术中存在的缺点和不足,本发明提出了一种基于电力驾驶舱的负荷预测方法,包括:
通过预先构建的电力驾驶舱获取历史负荷和电力指标对应的历史数据,基于历史数据构建各个地区的训练矩阵;
对训练矩阵进行标准化处理,得到标准矩阵;
基于基尼系数和肯德尔相关系数确定标准矩阵中各个电力指标的权重;
基于所述权重,对标准矩阵和历史负荷进行拟合,得到负荷预测模型;
获取待预测地区的电力指标对应的实时数据,结合负荷预测模型得到待预测地区的负荷预测值;
其中,所述电力指标包括用电类指标和经济类指标。
可选的,所述对训练矩阵进行标准化处理,得到标准矩阵,包括:
基于公式一对训练矩阵U进行标准化处理,得到标准矩阵Z=[zij];
其中,zij为标准矩阵Z中第i行第j列的数据,表示标准化处理后第i个地区第j项电力指标的数据,m为地区的总数,p为预设的协调系数,max|Uj|表示训练矩阵U中第j列的最大值,uij表示训练矩阵U中第i行第j列的数据,表示第i个地区第j项电力指标的历史数据;zij、z'ij、p、max|Uj|、uij的取值范围为正数,i、j、m的取值范围为正整数。
可选的,所述基于基尼系数和肯德尔相关系数确定标准矩阵中各个电力指标的权重,包括:
基于公式二计算各个电力指标的基尼系数;
其中,ξj为第j项电力指标的基尼系数,zij为标准矩阵中第i行第j列的数据,表示第i个地区的第j项指标,zkj为标准矩阵中第k行第j列的数据,表示第k个地区的第j项指标,m为地区的总数;i、j、k、m的取值范围为正整数,ξj、zij、zkj的取值范围为正数,m的取值范围为正整数;
基于公式三计算各个电力指标的肯德尔相关系数;
其中,ηjj'为标准矩阵第j项电力指标与第j'项电力指标的肯德尔相关系数,对于标准矩阵的任意两列变量Lj、Lj'的第q个变量分别为Ljq、Lj'q,Ojq为Ljq在Lj中的排序值,Oj'q为Lj'q在Lj'中的排序值,由Ojq与Oj'q构成的变量对组成集合O,Ncc、Ndc分别为集合O中元素排序值相等的变量对的数量和元素排序值不等的变量对的数量,Rj为标准矩阵中第j项电力指标中具有相同元素值的个数,Rj'为标准矩阵中第j'项电力指标中具有相同元素值的个数;Ncc、Ndc、Rj、Rj'、D、q的取值范围为正整数,Ojq、Oj'q、ηjj'的取值范围为正数;
基于基尼系数和肯德尔相关系数计算每个电力指标的信息量,根据信息量确定权重。
具体的,所述基于基尼系数和肯德尔相关系数计算每个电力指标的信息量,根据信息量确定权重,包括:
基于公式五得到第j项电力指标的权重wj;
n为电力指标的总个数,n的取值范围为正整数,wj的取值范围为正数。
可选的,所述基于所述权重,对标准矩阵和历史负荷进行拟合,得到负荷预测模型,包括:
基于权重对标准矩阵进行赋权,得到加权后的标准矩阵;
通过matlab中的curve fitting tool工具对历史负荷和加权后的标准矩阵进行拟合,将拟合得到的回归模型作为负荷预测模型。
本发明还基于同样的思路提出了一种基于电力驾驶舱的负荷预测装置,包括:
数据获取单元:用于通过预先构建的电力驾驶舱获取历史负荷和电力指标对应的历史数据,基于历史数据构建各个地区的训练矩阵;
标准化单元:用于对训练矩阵进行标准化处理,得到标准矩阵;
赋权单元:用于基于基尼系数和肯德尔相关系数确定标准矩阵中各个电力指标的权重;
拟合单元:用于基于所述权重,对标准矩阵和历史负荷进行拟合,得到负荷预测模型;
预测单元:用于获取待预测地区的电力指标对应的实时数据,结合负荷预测模型得到待预测地区的负荷预测值;
其中,所述电力指标包括用电类指标和经济类指标。
可选的,所述标准化单元具体用于:
基于公式一对训练矩阵U进行标准化处理,得到标准矩阵Z=[zij];
其中,zij为标准矩阵Z中第i行第j列的数据,表示标准化处理后第i个地区第j项电力指标的数据,m为地区的总数,p为预设的协调系数,max|Uj|表示训练矩阵U中第j列的最大值,uij表示训练矩阵U中第i行第j列的数据,表示第i个地区第j项电力指标的历史数据;zij、z'ij、p、max|Uj|、uij的取值范围为正数,i、j、m的取值范围为正整数。
可选的,所述赋权单元具体用于:
基于公式二计算各个电力指标的基尼系数;
其中,ξj为第j项电力指标的基尼系数,zij为标准矩阵中第i行第j列的数据,表示第i个地区的第j项指标,zkj为标准矩阵中第k行第j列的数据,表示第k个地区的第j项指标,m为地区的总数;i、j、k、m的取值范围为正整数,ξj、zij、zkj的取值范围为正数,m的取值范围为正整数;
基于公式三计算各个电力指标的肯德尔相关系数;
其中,ηjj'为标准矩阵第j项电力指标与第j'项电力指标的肯德尔相关系数,对于标准矩阵的任意两列变量Lj、Lj'的第q个变量分别为Ljq、Lj'q,Ojq为Ljq在Lj中的排序值,Oj'q为Lj'q在Lj'中的排序值,由Ojq与Oj'q构成的变量对组成集合O,Ncc、Ndc分别为集合O中元素排序值相等的变量对的数量和元素排序值不等的变量对的数量,Rj为标准矩阵中第j项电力指标中具有相同元素值的个数,Rj'为标准矩阵中第j'项电力指标中具有相同元素值的个数;Ncc、Ndc、Rj、Rj'、D、q的取值范围为正整数,Ojq、Oj'q、ηjj'的取值范围为正数;
基于基尼系数和肯德尔相关系数计算每个电力指标的信息量,根据信息量确定权重。
具体的,所述赋权单元还用于:
基于公式五得到第j项电力指标的权重wj;
n为电力指标的总个数,n的取值范围为正整数,wj的取值范围为正数。
可选的,所述拟合单元用于:
基于权重对标准矩阵进行赋权,得到加权后的标准矩阵;
通过matlab中的curve fitting tool工具对历史负荷和加权后的标准矩阵进行拟合,将拟合得到的回归模型作为负荷预测模型。
本发明提供的技术方案带来的有益效果是:
基于包含用电类指标和经济类指标的历史数据对负荷预测模型进行训练,实现多维度的负荷预测。另外,相比人为的主观赋权,基于改进的critic法确定客观权重能够更科学的进行负荷预测,提高预测结果的准确性。
本发明在传统的critic法基础上,引入了基尼系数和肯德尔相关系数,克服了传统critic法仅适用于连续、正态分布数据的局限性,更适用于数据种类多样复杂的电网***。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提出的一种基于电力驾驶舱的负荷预测方法的流程示意图;
图2为本发明提出的一种基于电力驾驶舱的负荷预测装置的结构框图。
具体实施方式
为使本发明的结构和优点更加清楚,下面将结合附图对本发明的结构作进一步地描述。
实施例一
如图1所示,本发明提出了一种基于电力驾驶舱的负荷预测方法,包括:
S1:通过预先构建的电力驾驶舱获取历史负荷和电力指标对应的历史数据,基于历史数据构建各个地区的训练矩阵。其中,所述电力指标包括用电类指标和经济类指标,用电类指标用于反映各个地区的售电量与居民用电量,包括日间负荷密度、夜间负荷密度以及电力企业平均售电量增长率,还包括地区内总用电量、居民月均用电量、用电量与用电户数增速比,经济类指标用于反映各个地区的商业用电产生的经济效益,包括度电产值、用电户数增长率以及电力消费弹性系数,还包括电力景气指数、住房空置率。
通过在电力***中预先构建的电力驾驶舱,基于预设的电力指标获取不同地区的历史数据。电力驾驶舱是用于电力***调度运行的一体化电网运行智能***,是融合的物联网、人工智能、大数据以及可视化技术的智能运维平台。通过物联网关技术,基于ZigBee、RS串口等通信技术接入采集实时指标数据的设备,电力驾驶舱一方面通过数据中台汇聚电力***核心数据,从中提取出用电类指标的历史数据,另一方面通过政务专线连接城市大脑中枢平台获取经济、社会、地理方面的外部数据,从中提取出经济类指标的历史数据。
在数据中台进行电力指标计算和用户行为分析,形成面向政府、企业和居民的三类应用主题,然后通过政务网专线接入城市大脑中枢平台,通过发布指标并授权政府部门的方式,完成场景应用闭环,实现电力数据赋能社会服务功能
基于历史数据构建各个地区的训练矩阵U=[uij],uij表示第i个地区的第j项指标,i、j的取值范围为正整数,uij的取值范围为正数。
S2:对训练矩阵进行标准化处理,得到标准矩阵。
基于公式一对训练矩阵U进行标准化处理,得到标准矩阵Z=[zij];
其中,zij为标准矩阵Z中第i行第j列的数据,表示标准化处理后第i个地区第j项电力指标的数据,m为地区的总数,p为预设的协调系数,max|Uj|表示训练矩阵U中第j列的最大值,uij表示训练矩阵U中第i行第j列的数据,表示第i个地区第j项电力指标的历史数据;zij、z'ij、p、max|Uj|、uij的取值范围为正数,i、j、m的取值范围为正整数。
通过标准化处理,将不同来源渠道的历史数据转换为统一量纲的数据矩阵,便于后续负荷预测模型的训练。
S3:基于基尼系数和肯德尔相关系数确定标准矩阵中各个电力指标的权重。
传统的critic法通过皮尔逊相关系数计算各个指标的综合信息量,从而根据综合信息量确定客观权重。但皮尔逊相关系数的适用条件为指标数据应为连续数据、正态分布和线性关系,在实际应用的电网***中很难满足上述适用条件。因此,本实施例中针对皮尔逊相关系数的局限性,引入基尼系数来衡量指标的对比强度,引入肯德尔相关系数来计算各指标之间的冲突性。具体包括:
基于公式二计算各个电力指标的基尼系数;
其中,ξj为第j项电力指标的基尼系数,zij为标准矩阵中第i行第j列的数据,表示第i个地区的第j项指标,zkj为标准矩阵中第k行第j列的数据,表示第k个地区的第j项指标,m为地区的总数;i、j、k、m的取值范围为正整数,ξj、zij、zkj的取值范围为正数,m的取值范围为正整数;
基于公式三计算各个电力指标的肯德尔相关系数;
其中,ηjj'为标准矩阵第j项电力指标与第j'项电力指标的肯德尔相关系数,对于标准矩阵的任意两列变量Lj、Lj'的第q个变量分别为Ljq、Lj'q,Ojq为Ljq在Lj中的排序值,Oj'q为Lj'q在Lj'中的排序值,由Ojq与Oj'q构成的变量对组成集合O,Ncc、Ndc分别为集合O中元素排序值相等的变量对的数量和元素排序值不等的变量对的数量,Rj为标准矩阵中第j项电力指标中具有相同元素值的个数,Rj'为标准矩阵中第j'项电力指标中具有相同元素值的个数;Ncc、Ndc、Rj、Rj'、D、q的取值范围为正整数,Ojq、Oj'q、ηjj'的取值范围为正数。
最后,基于基尼系数和肯德尔相关系数计算每个电力指标的信息量,根据信息量确定权重,包括:
基于公式五得到第j项电力指标的权重wj;
n为电力指标的总个数,n的取值范围为正整数,wj的取值范围为正数。
S4:基于所述权重,对标准矩阵和历史负荷进行拟合,得到负荷预测模型。
基于权重对标准矩阵进行赋权,得到加权后的标准矩阵;
通过matlab中的curve fitting tool工具对历史负荷和加权后的标准矩阵进行拟合,curve fitting tool为matlab中的曲线拟合工具,可通过误差平方和、确定系数等参数评估拟合的好坏程度,将拟合得到的回归模型作为负荷预测模型。
S5:获取待预测地区的电力指标对应的实时数据,结合负荷预测模型得到待预测地区的负荷预测值。
将获取的电力指标的实时数据输入S4中训练好的负荷预测模型中,通过负荷预测模型输出负荷预测值。
负荷预测模型是基于来自各个地区的历史数据训练得到的,由此训练出的负荷预测模型适用于多种类型的地区,提高了负荷预测的适应性和灵活性。
实施例二
如图2所示,本发明提出了一种基于电力驾驶舱的负荷预测装置6,包括:
数据获取单元61:用于通过预先构建的电力驾驶舱获取历史负荷和电力指标对应的历史数据,基于历史数据构建各个地区的训练矩阵。
其中,所述电力指标包括用电类指标和经济类指标,用电类指标用于反映各个地区的售电量与居民用电量,包括日间负荷密度、夜间负荷密度以及电力企业平均售电量增长率,还包括地区内总用电量、居民月均用电量、用电量与用电户数增速比,经济类指标用于反映各个地区的商业用电产生的经济效益,包括度电产值、用电户数增长率以及电力消费弹性系数,还包括电力景气指数、住房空置率。
通过在电力***中预先构建的电力驾驶舱,基于预设的电力指标获取不同地区的历史数据。电力驾驶舱是用于电力***调度运行的一体化电网运行智能***,是融合的物联网、人工智能、大数据以及可视化技术的智能运维平台。通过物联网关技术,基于ZigBee、RS串口等通信技术接入采集实时指标数据的设备,电力驾驶舱一方面通过数据中台汇聚电力***核心数据,从中提取出用电类指标的历史数据,另一方面通过政务专线连接城市大脑中枢平台获取经济、社会、地理方面的外部数据,从中提取出经济类指标的历史数据。
在数据中台进行电力指标计算和用户行为分析,形成面向政府、企业和居民的三类应用主题,然后通过政务网专线接入城市大脑中枢平台,通过发布指标并授权政府部门的方式,完成场景应用闭环,实现电力数据赋能社会服务功能
基于历史数据构建各个地区的训练矩阵U=[uij],uij表示第i个地区的第j项指标,i、j的取值范围为正整数,uij的取值范围为正数。
标准化单元62:用于对训练矩阵进行标准化处理,得到标准矩阵。
基于公式一对训练矩阵U进行标准化处理,得到标准矩阵Z=[zij];
其中,zij为标准矩阵Z中第i行第j列的数据,表示标准化处理后第i个地区第j项电力指标的数据,m为地区的总数,p为预设的协调系数,max|Uj|表示训练矩阵U中第j列的最大值,uij表示训练矩阵U中第i行第j列的数据,表示第i个地区第j项电力指标的历史数据;zij、z'ij、p、max|Uj|、uij的取值范围为正数,i、j、m的取值范围为正整数。
通过标准化处理,将不同来源渠道的历史数据转换为统一量纲的数据矩阵,便于后续负荷预测模型的训练。
赋权单元63:用于基于基尼系数和肯德尔相关系数确定标准矩阵中各个电力指标的权重。
传统的critic法通过皮尔逊相关系数计算各个指标的综合信息量,从而根据综合信息量确定客观权重。但皮尔逊相关系数的适用条件为指标数据应为连续数据、正态分布和线性关系,在实际应用的电网***中很难满足上述适用条件。因此,本实施例中针对皮尔逊相关系数的局限性,引入基尼系数来衡量指标的对比强度,引入肯德尔相关系数来计算各指标之间的冲突性。具体包括:
基于公式二计算各个电力指标的基尼系数;
其中,ξj为第j项电力指标的基尼系数,zij为标准矩阵中第i行第j列的数据,表示第i个地区的第j项指标,zkj为标准矩阵中第k行第j列的数据,表示第k个地区的第j项指标,m为地区的总数;i、j、k、m的取值范围为正整数,ξj、zij、zkj的取值范围为正数,m的取值范围为正整数;
基于公式三计算各个电力指标的肯德尔相关系数;
其中,ηjj'为标准矩阵第j项电力指标与第j'项电力指标的肯德尔相关系数,对于标准矩阵的任意两列变量Lj、Lj'的第q个变量分别为Ljq、Lj'q,Ojq为Ljq在Lj中的排序值,Oj'q为Lj'q在Lj'中的排序值,由Ojq与Oj'q构成的变量对组成集合O,Ncc、Ndc分别为集合O中元素排序值相等的变量对的数量和元素排序值不等的变量对的数量,Rj为标准矩阵中第j项电力指标中具有相同元素值的个数,Rj'为标准矩阵中第j'项电力指标中具有相同元素值的个数;Ncc、Ndc、Rj、Rj'、D、q的取值范围为正整数,Ojq、Oj'q、ηjj'的取值范围为正数。
最后,基于基尼系数和肯德尔相关系数计算每个电力指标的信息量,根据信息量确定权重,包括:
基于公式五得到第j项电力指标的权重wj;
n为电力指标的总个数,n的取值范围为正整数,wj的取值范围为正数。
拟合单元64:用于基于所述权重,对标准矩阵和历史负荷进行拟合,得到负荷预测模型。具体用于:
基于权重对标准矩阵进行赋权,得到加权后的标准矩阵;
通过matlab中的curve fitting tool工具对历史负荷和加权后的标准矩阵进行拟合,curve fitting tool为matlab中的曲线拟合工具,可通过误差平方和、确定系数等参数评估拟合的好坏程度,将拟合得到的回归模型作为负荷预测模型。
预测单元65:用于获取待预测地区的电力指标对应的实时数据,结合负荷预测模型得到待预测地区的负荷预测值。
将获取的电力指标的实时数据输入拟合单元64中训练好的负荷预测模型中,通过负荷预测模型输出负荷预测值。
负荷预测模型是基于来自各个地区的历史数据训练得到的,由此训练出的负荷预测模型适用于多种类型的地区,提高了负荷预测的适应性和灵活性。
上述实施例中的各个序号仅仅为了描述,不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于电力驾驶舱的负荷预测方法,其特征在于,所述负荷预测方法包括:
通过预先构建的电力驾驶舱获取历史负荷和电力指标对应的历史数据,基于历史数据构建各个地区的训练矩阵;
对训练矩阵进行标准化处理,得到标准矩阵;
基于基尼系数和肯德尔相关系数确定标准矩阵中各个电力指标的权重;
基于所述权重,对标准矩阵和历史负荷进行拟合,得到负荷预测模型;
获取待预测地区的电力指标对应的实时数据,结合负荷预测模型得到待预测地区的负荷预测值;
其中,所述电力指标包括用电类指标和经济类指标。
3.根据权利要求1所述的一种基于电力驾驶舱的负荷预测方法,其特征在于,所述基于基尼系数和肯德尔相关系数确定标准矩阵中各个电力指标的权重,包括:
基于公式二计算各个电力指标的基尼系数;
其中,ξj为第j项电力指标的基尼系数,zij为标准矩阵中第i行第j列的数据,表示第i个地区的第j项指标,zkj为标准矩阵中第k行第j列的数据,表示第k个地区的第j项指标,m为地区的总数;i、j、k、m的取值范围为正整数,ξj、zij、zkj的取值范围为正数,m的取值范围为正整数;
基于公式三计算各个电力指标的肯德尔相关系数;
其中,ηjj'为标准矩阵第j项电力指标与第j'项电力指标的肯德尔相关系数,对于标准矩阵的任意两列变量Lj、Lj'的第q个变量分别为Ljq、Lj'q,Ojq为Ljq在Lj中的排序值,Oj'q为Lj'q在Lj'中的排序值,由Ojq与Oj'q构成的变量对组成集合O,Ncc、Ndc分别为集合O中元素排序值相等的变量对的数量和元素排序值不等的变量对的数量,Rj为标准矩阵中第j项电力指标中具有相同元素值的个数,Rj'为标准矩阵中第j'项电力指标中具有相同元素值的个数;Ncc、Ndc、Rj、Rj'、D、q的取值范围为正整数,Ojq、Oj'q、ηjj'的取值范围为正数;
基于基尼系数和肯德尔相关系数计算每个电力指标的信息量,根据信息量确定权重。
5.根据权利要求1所述的一种基于电力驾驶舱的负荷预测方法,其特征在于,所述基于所述权重,对标准矩阵和历史负荷进行拟合,得到负荷预测模型,包括:
基于权重对标准矩阵进行赋权,得到加权后的标准矩阵;
通过matlab中的curve fitting tool工具对历史负荷和加权后的标准矩阵进行拟合,将拟合得到的回归模型作为负荷预测模型。
6.一种基于电力驾驶舱的负荷预测装置,其特征在于,所述负荷预测装置包括:
数据获取单元:用于通过预先构建的电力驾驶舱获取历史负荷和电力指标对应的历史数据,基于历史数据构建各个地区的训练矩阵;
标准化单元:用于对训练矩阵进行标准化处理,得到标准矩阵;
赋权单元:用于基于基尼系数和肯德尔相关系数确定标准矩阵中各个电力指标的权重;
拟合单元:用于基于所述权重,对标准矩阵和历史负荷进行拟合,得到负荷预测模型;
预测单元:用于获取待预测地区的电力指标对应的实时数据,结合负荷预测模型得到待预测地区的负荷预测值;
其中,所述电力指标包括用电类指标和经济类指标。
8.根据权利要求6所述的一种基于电力驾驶舱的负荷预测装置,其特征在于,所述赋权单元具体用于:
基于公式二计算各个电力指标的基尼系数;
其中,ξj为第j项电力指标的基尼系数,zij为标准矩阵中第i行第j列的数据,表示第i个地区的第j项指标,zkj为标准矩阵中第k行第j列的数据,表示第k个地区的第j项指标,m为地区的总数;i、j、k、m的取值范围为正整数,ξj、zij、zkj的取值范围为正数,m的取值范围为正整数;
基于公式三计算各个电力指标的肯德尔相关系数;
其中,ηjj'为标准矩阵第j项电力指标与第j'项电力指标的肯德尔相关系数,对于标准矩阵的任意两列变量Lj、Lj'的第q个变量分别为Ljq、Lj'q,Ojq为Ljq在Lj中的排序值,Oj'q为Lj'q在Lj'中的排序值,由Ojq与Oj'q构成的变量对组成集合O,Ncc、Ndc分别为集合O中元素排序值相等的变量对的数量和元素排序值不等的变量对的数量,Rj为标准矩阵中第j项电力指标中具有相同元素值的个数,Rj'为标准矩阵中第j'项电力指标中具有相同元素值的个数;Ncc、Ndc、Rj、Rj'、D、q的取值范围为正整数,Ojq、Oj'q、ηjj'的取值范围为正数;
基于基尼系数和肯德尔相关系数计算每个电力指标的信息量,根据信息量确定权重。
10.根据权利要求6所述的一种基于电力驾驶舱的负荷预测装置,其特征在于,所述拟合单元用于:
基于权重对标准矩阵进行赋权,得到加权后的标准矩阵;
通过matlab中的curve fitting tool工具对历史负荷和加权后的标准矩阵进行拟合,将拟合得到的回归模型作为负荷预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011363405.3A CN112508251A (zh) | 2020-11-27 | 2020-11-27 | 一种基于电力驾驶舱的负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011363405.3A CN112508251A (zh) | 2020-11-27 | 2020-11-27 | 一种基于电力驾驶舱的负荷预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112508251A true CN112508251A (zh) | 2021-03-16 |
Family
ID=74967209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011363405.3A Pending CN112508251A (zh) | 2020-11-27 | 2020-11-27 | 一种基于电力驾驶舱的负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508251A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222473A (zh) * | 2021-06-04 | 2021-08-06 | 国网浙江省电力有限公司杭州供电公司 | 基于电力大脑中枢的电网负荷调整方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557835A (zh) * | 2016-10-24 | 2017-04-05 | 南方电网科学研究院有限责任公司 | 基于景气指数的用电量预测方法和*** |
CN107482626A (zh) * | 2017-08-17 | 2017-12-15 | 广东电网有限责任公司惠州供电局 | 一种区域电网关键节点识别方法 |
CN109727066A (zh) * | 2018-12-27 | 2019-05-07 | 浙江华云信息科技有限公司 | 一种基于XGBoost算法的大工业用电用户负荷预测方法 |
-
2020
- 2020-11-27 CN CN202011363405.3A patent/CN112508251A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557835A (zh) * | 2016-10-24 | 2017-04-05 | 南方电网科学研究院有限责任公司 | 基于景气指数的用电量预测方法和*** |
CN107482626A (zh) * | 2017-08-17 | 2017-12-15 | 广东电网有限责任公司惠州供电局 | 一种区域电网关键节点识别方法 |
CN109727066A (zh) * | 2018-12-27 | 2019-05-07 | 浙江华云信息科技有限公司 | 一种基于XGBoost算法的大工业用电用户负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
林冠强等: "基于TOPSIS和CRITIC法的电网关键节点识别", 高电压技术, vol. 44, no. 10, pages 3383 - 3389 * |
赵书强等: "基于改进层次分析法、CRITIC法与逼近理想解排序法的输电网规划方案综合评价", 电力自动化设备, vol. 39, no. 3, pages 143 - 148 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222473A (zh) * | 2021-06-04 | 2021-08-06 | 国网浙江省电力有限公司杭州供电公司 | 基于电力大脑中枢的电网负荷调整方法及装置 |
CN113222473B (zh) * | 2021-06-04 | 2023-04-18 | 国网浙江省电力有限公司杭州供电公司 | 基于电力大脑中枢的电网负荷调整方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN108304355B (zh) | 一种基于sarima-wnn模型预测弹性云计算资源的方法 | |
CN105678404B (zh) | 基于网购电和动态关联因子的微电网负荷预测***及方法 | |
CN109472404A (zh) | 一种电力负荷短期预测方法、模型、装置及*** | |
CN103646354A (zh) | 基于有效指标fcm和rbf神经网络的变电站负荷特性分类方法 | |
CN108549960A (zh) | 一种24小时电力负荷预测方法 | |
CN104881609A (zh) | 一种复杂软件***软件单元可信性评估方法 | |
CN106503851A (zh) | 一种改进的基于小波分析的短期电力负荷预测方法 | |
CN110490409B (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
CN116187640B (zh) | 一种基于网格多属性画像体系的配电网规划方法及装置 | |
CN113177366A (zh) | 一种综合能源***规划方法、装置和终端设备 | |
CN111680841A (zh) | 基于主成分分析的短期负荷预测方法、***及终端设备 | |
CN109829560A (zh) | 一种配电网可再生能源发电集群接入规划方法 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
CN115828755A (zh) | 微网群参与电网服务的评估方法、装置及可读存储介质 | |
CN112508251A (zh) | 一种基于电力驾驶舱的负荷预测方法及装置 | |
CN117410981B (zh) | 一种基于大数据的多区域电力能源智能调度方法及*** | |
CN112307675B (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及*** | |
CN111708987B (zh) | 一种变电站多台并联变压器负荷预测方法 | |
CN113139698A (zh) | 负荷预测方法、装置及设备 | |
CN114839586B (zh) | 基于em算法的低压台区计量装置失准计算方法 | |
Sun et al. | A short-term power load prediction algorithm of based on power load factor deep cluster neural network | |
CN112348235B (zh) | 风光母线负荷自适应预测方法、装置、计算机设备 | |
CN110489893A (zh) | 一种基于可变权值的母线负荷预测方法及*** |
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 |