CN113505943A - 一种电网短期负荷的预测方法、***、设备和介质 - Google Patents

一种电网短期负荷的预测方法、***、设备和介质 Download PDF

Info

Publication number
CN113505943A
CN113505943A CN202110878507.7A CN202110878507A CN113505943A CN 113505943 A CN113505943 A CN 113505943A CN 202110878507 A CN202110878507 A CN 202110878507A CN 113505943 A CN113505943 A CN 113505943A
Authority
CN
China
Prior art keywords
data
historical
day
predicted
power grid
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.)
Granted
Application number
CN202110878507.7A
Other languages
English (en)
Other versions
CN113505943B (zh
Inventor
龚贤夫
李猛
卢洵
马志明
刘新苗
余浩
娄源媛
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.)
Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
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 Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202110878507.7A priority Critical patent/CN113505943B/zh
Publication of CN113505943A publication Critical patent/CN113505943A/zh
Application granted granted Critical
Publication of CN113505943B publication Critical patent/CN113505943B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Probability & Statistics with Applications (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电网短期负荷的预测方法、***、设备和介质，包括：获取目标地区的历史电网运行数据，并采用k－means聚类模型，对历史电网运行数据进行分类；然后根据待预测日的特征属性，选取分类结果中和待预测日相似度最高的类别中的数据作为训练数据，将所述训练数据输入到预设的负荷预测模型中，预测得到待预测当日的用电预测和储能出力预测，将得到的用电预测结果和储能出力预测结果相加，得到当日电网负荷预测结果。本发明能够提高含储能地区电网短期负荷预测的预测精度。

Description

一种电网短期负荷的预测方法、***、设备和介质
技术领域
本发明涉及电网负荷预测技术领域，特别是涉及一种电网短期负荷预测方法、***、设备和介质。
背景技术
分布式储能技术的发展近几年尤为迅速，其对电网负荷的影响也越来越值得关注。分布式储能以电化学储能为主，不仅具有快速响应和双向调节的技术特点，还具有环境适应性强，能够小型分散配置且建设周期短的技术优势。储能的应用可以使电量的供需保持平衡，控制储能用户在负荷峰时段放电，负荷谷时段充电，可以使资源得到高效利用。还可以延缓电力***设施的更换与扩建，减少投资，具有一定的经济性。目前储能调度在电力市场中参与越来越多的项目，主要应用在***的一次调频、二次调频，解决线路末端低电压问题，提高电能质量以及消纳可再生能源等方面。
电力***短期负荷预测是电力***安全经济调度的基础，预测的准确性关系到电力***的安全稳定运行。但是由于储能设备接入电力***中造成传统的负荷曲线发生一定程度的变化，给短期负荷预测带来一定的难度，导致预测精度下降。
发明内容
本发明的目的是：提供一种电网短期负荷预测方法、***、设备和介质，能够提高提高含储能地区电网短期负荷预测的预测精度。
为了实现上述目的，本发明提供了一种电网短期负荷的预测方法，包括：
获取目标地区的历史电网运行数据集，其中，所述历史电网运行数据集包括：历史气象数据、日历数据、历史用电数据、历史储能出力数据集、历史储能调度数据和分时电价数据；
根据所述历史气象数据和日历数据，将所述历史电网运行数据集输入到预设的k－means聚类模型进行分类，获得历史电网运行数据集的第一分类结果；
根据所述历史用电数据，将所述历史储能出力数据输入到预设的k－means聚类模型进行分类，获得历史电网运行数据集的第二分类结果；
获取待预测日的气象数据和日历数据，并根据所述待预测日的气象数据和日历数据，从所述历史电网运行数据集的第一分类结果选取和待预测日相似度最高的类别；
将所述相似度最高的类别中的历史电网运行数据集输入到预设的用电预测模型进行训练，获得第二用电预测模型；
将所述待预测日的气象数据和日历数据输入到第二用电预测模型，获得待预测日的用电数据；
根据待预测日的用电数据，从所述历史电网运行数据集的第二分类结果选取和待预测日相似度最高的类别；
将所述相似度最高的类别中的历史电网运行数据集输入到预设的用电预测模型进行训练，获得第三用电预测模型；
将所述待预测日的用电数据输入到第三用电预测模型，获得待预测日的储能出力数据；
将所述待预测日的用电数据和待预测日的储能出力数据相加，获得目标地区待预测日的用电负荷的预测结果。
进一步地，所述历史电网运行数据集的采集时间跨度大于或等于180天。
进一步地，所述历史气象数据包括：温度数据、湿度数据风速和太阳辐射；所述温度数据包括：每日的最高温度、每日的最低温度和每日的平均温度。
进一步地，所述方法还包括：对所述历史电网运行数据集的第一分类结果和第二分类结果进行综合指标评价，具体采用如下计算公式：
J＝S+P
式中，J表示综合指标评价的结果，S表示聚类效果的轮廓系数，P表示评价系数。
进一步地，所述聚类效果的轮廓系数，采用如下计算公式：
Figure BDA0003189466060000031
S∈[-1,1]
Figure BDA0003189466060000032
xj，xi∈Ck
Figure BDA0003189466060000033
xi∈Ck,xj∈Cl
l＝1,2,...,Nc l≠k
式中，S表示聚类结果的轮廓系数，N表示样本的数目，Nc表示所分簇的数目，NCk、NCl表示第k个、第l个簇中的样本数，Ck、Cl表示第k个、第l个簇，xi、xj表示第i个、第j个样本；Coi表示样本xi与同簇的其他样本的平均距离，Sei表示样本xi与其他簇全部样本平均距离的最小值。
进一步地，所述评价系数，采用如下计算公式：
Figure BDA0003189466060000034
NCl≥NCmin
l＝1,2,...,Nc
式中，NCl表示第l个簇中的样本数，NCmin表示最小簇的样本数目。
本发明还提供一种电网短期负荷的预测***，包括：数据获取模块、第一分类模块、第二分类模块、第一选取模块、第一训练模块、用电数据预测模块、第二选取模块、第二训练模块、储能出力数据预测模块和用电负荷预测模块，其中，
所述数据获取模块，用于获取目标地区的历史电网运行数据集，其中，所述历史电网运行数据集包括：历史气象数据、日历数据、历史用电数据、历史储能出力数据集、历史储能调度数据和分时电价数据；
所述第一分类模块，用于根据所述历史气象数据和日历数据，将所述历史电网运行数据集输入到预设的k－means聚类模型进行分类，获得历史电网运行数据集的第一分类结果；
所述第二分类模块，用于根据所述历史用电数据，将所述历史储能出力数据输入到预设的k－means聚类模型进行分类，获得历史电网运行数据集的第二分类结果；
所述第一选取模块，用于获取待预测日的气象数据和日历数据，并根据所述待预测日的气象数据和日历数据，从所述历史电网运行数据集的第一分类结果选取和待预测日相似度最高的类别；
所述第一训练模块，用于将所述相似度最高的类别中的历史电网运行数据集输入到预设的用电预测模型进行训练，获得第二用电预测模型；
所述用电数据预测模块，用于将所述待预测日的气象数据和日历数据输入到第二用电预测模型，获得待预测日的用电数据；
所述第二选取模块，用于根据待预测日的用电数据，从所述历史电网运行数据集的第二分类结果选取和待预测日相似度最高的类别；
所述第二训练模块，用于将所述相似度最高的类别中的历史电网运行数据集输入到预设的用电预测模型进行训练，获得第三用电预测模型；
所述储能出力数据预测模块，用于将所述待预测日的用电数据输入到第三用电预测模型，获得待预测日的储能出力数据；
所述用电负荷预测模块，用于将所述待预测日的用电数据和待预测日的储能出力数据相加，获得目标地区待预测日的用电负荷的预测结果。
进一步地，所述历史电网运行数据集的采集时间跨度大于或等于180天。
本发明还提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的电网短期负荷的预测方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的电网短期负荷的预测方法。
本发明实施例一种电网短期负荷的预测方法、***、设备和介质与现有技术相比，其有益效果在于：
本发明通过获取目标地区的历史电网运行数据，并采用k－means聚类模型，对历史电网运行数据进行分类；然后根据待预测日的特征属性，选取分类结果中和待预测日相似度最高的类别中的数据作为训练数据，将所述训练数据输入到预设的负荷预测模型中，预测得到待预测当日的用电预测和储能出力预测，将得到的用电预测结果和储能出力预测结果相加，得到当日电网负荷预测结果。本发明能够提高含储能地区电网短期负荷预测的预测精度。
附图说明
图1是本发明提供的一种电网短期负荷的预测方法的流程示意图；
图2是本发明提供的一种电网短期负荷的预测***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如图1所示，本发明实施例的一种电网短期负荷的预测方法，至少包括步骤S1－S10，具体步骤如下：
S1、获取目标地区的历史电网运行数据集，其中，所述历史电网运行数据集包括：历史气象数据、日历数据、历史用电数据、历史储能出力数据集、历史储能调度数据和分时电价数据；
具体地，为确保负荷预测具有较高预测精度，历史数据集时间跨度应大于180天，每日用电数据时间尺度应为96节点，每日储能相关数据时间尺度也为96节点，气象数据应包括温度、湿度、风速、太阳辐射强度等，其中，温度应具体包括每日最高、最低温度和平均温度。
S2、根据所述历史气象数据和日历数据，将所述历史电网运行数据集输入到预设的k－means聚类模型进行分类，获得历史电网运行数据集的第一分类结果；
具体地，k－means聚类模型包括k－means聚类算法和综合评价指标确定最优分类数目两部分，可以将输入的样本数据依据“相近程度”划分为不同的几类数据。
需要说明的是，k－means聚类算法是一种迭代求解的聚类分析算法，其步骤是，预将数据分为k组，则随机选取k个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。
S3、根据所述历史用电数据，将所述历史储能出力数据输入到预设的k－means聚类模型进行分类，获得历史电网运行数据集的第二分类结果；
具体地，k－means聚类模型使用的输入样本是每日的特征属性。其中，用电预测日分类中使用的特征属性为每日的气象数据和日历数据，储能出力预测日分类中使用的特征属性为每日用电数据。
由于k－means聚类算法中分类数目k需要人为给出，如果聚类数目过多，会使原本应该是同类的样本被分到不同的类中。而如果聚类数目过少，不同类的数据就可能会被分到同一类中。错误聚类数目的设置，会导致错误的聚类结果甚至使迭代无法收敛。
因此，需要通过设置综合评价指标衡量不同分类结果以确定最优分类数目，综合评价指标如式——所示。
J＝S+P
式中，综合评价指标J包括两部分，一部分是衡量聚类效果的轮廓系数S，另一部分是评价分类结果是否适用于负荷预测的评价系数P。J的值越大，说明聚类效果越好。
聚类效果的衡量使用的是轮廓系数，它结合了聚类的凝聚度(Cohesion)和分离度(Separation)，用于评估聚类的效果，如式——所示。
Figure BDA0003189466060000081
S∈[-1,1]
Figure BDA0003189466060000082
xj，xi∈Ck
Figure BDA0003189466060000083
xi∈Ck,xj∈Cl
l＝1,2,...,Nc l≠k
式中，S表示聚类结果的轮廓系数，N表示样本的数目，Nc表示所分簇的数目，NCk、NCl表示第k个、第l个簇中的样本数，Ck、Cl表示第k个、第l个簇，xi、xj表示第i个、第j个样本；Coi表示样本xi与同簇的其他样本的平均距离，表示聚类的凝聚度，Sei表示样本xi与其他簇全部样本平均距离的最小值。S的值处于-1～1之间，值越大，表示聚类效果越好。
分类结果是否适用于负荷预测的评价主要看最小簇的样本数目，为保证预测算法的精度，每个所分的簇中应至少有NCmin个样本，评价系数P如式——所示。
Figure BDA0003189466060000091
NCl≥NCmin
l＝1,2,...,Nc
评价系数P的值处于0～1之间，仅在最小簇的样本数目取NCmin时等0，P的最大值小于1。
S4、获取待预测日的气象数据和日历数据，并根据所述待预测日的气象数据和日历数据，从所述历史电网运行数据集的第一分类结果选取和待预测日相似度最高的类别；
具体地，所述和待预测日相似度最高的类别具体指的是：历史电网运行数据中和待预测日相似度最高的数据所述的类别，例如：根据待预测日的气象数据和日历数据，到历史电网运行数据库中，选取和待预测日的气象数据最相似日期的作为相似日，并找到相似日的所述的类别。
S5、将所述相似度最高的类别中的历史电网运行数据集输入到预设的用电预测模型进行训练，获得第二用电预测模型；
具体地，所述预设的设的用电预测模型，采用的是随机森林算法进行构建的，随机森林算法本质是很多个决策树的集合，众多的决策树组合在一起搭建成了随机森林，输入变量x在所有决策树中都会进行一遍归类预测。决策树是一个预测模型，他代表的是输入变量与输出变量之间的一种映射关系。树中每个节点表示输入变量的某一特征，每个节点下的分叉路径则代表该特征某个可能的取值，而每个叶结点则对应沿从根节点到该叶节点所经历的路径所映射到的输出变量。
相似日是指在日分类结果中与待预测当日属于同一类别的日期。确定当日在日分类中的类别的方法：首先，将当日的特征属性作为一个测试样本；从步骤二得到的分类结果中导出各聚类中心；找到与测试样本最“相近”的聚类中心，该聚类中心的类别即为当日在日分类中的类别。
在负荷预测模型的建立中，得益于随机森林算法极强的并行运算能力，过大的输入变量维度并不会对预测速度造成太大影响，但考虑到不同输入变量对待预测当日电网负荷数据的影响侧重角度有很大不同，仍应合理设计预测模型结构以获得更好的预测效果。
S6、将所述待预测日的气象数据和日历数据输入到第二用电预测模型，获得待预测日的用电数据。
具体地，对待预测当日的用电数据进行预测，训练集为历史数据集中用电预测日分类下的全部相似日数据。训练集的每个样本中，将1日前、7日前用电数据，样本日气象数据和日历数据作为输入变量，样本日用电数据作为输出变量。利用训练集对随机森林算法进行训练，训练完成后，预测当日用电数据，得到当日用电预测结果。
具体的说，输入和输出变量中，各种用电数据均为96节点用电数据；气象数据应包括温度、湿度、风速、太阳辐射强度等，其中，温度应具体包括每日最高、最低温度和平均温度；日历数据四组布尔值组成，分别表示样本日是否为工作日、是否为周六、是否为周日、是否为节假日。预测当日用电数据时，输入数据为当日的对应数据。
S7、根据待预测日的用电数据，从所述历史电网运行数据集的第二分类结果选取和待预测日相似度最高的类别。
具体地，将上一步中得到的待预测当日用电数据作为储能出力预测日分类中使用的特征属性，确定当日在日分类中的类别，进而得到储能出力预测日分类中的全部相似日。
S8、将所述相似度最高的类别中的历史电网运行数据集输入到预设的用电预测模型进行训练，获得第三用电预测模型。
具体地，对待预测当日的储能出力数据进行预测，训练集为历史数据集中储能出力预测日分类下的全部相似日数据。训练集的每个样本中，将1日前、7日前储能出力数据，样本日其他储能相关数据，用电数据和日历数据作为输入变量，样本日储能出力数据作为输出变量。
S9、将所述待预测日的用电数据输入到第三用电预测模型，获得待预测日的储能出力数据。
具体地，将所述待预测日的用电数据输入到第三用电预测模型，获得待预测日的储能出力数据。
需要说明的是，输入和输出变量中，各种储能出力数据、用电数据和其他储能相关数据均为96节点用电数据；日历数据同第一步中设定。预测当日储能出力数据时，输入数据为当日的对应数据。
S10、将所述待预测日的用电数据和待预测日的储能出力数据相加，获得目标地区待预测日的用电负荷的预测结果。
具体地，得到的待预测日的用电预测数据和待预测日的储能出力预测数据相加，得到当日电网负荷预测结果。
在本发明的某一个实施例中，所述历史电网运行数据集的采集时间跨度大于或等于180天。
在本发明的某一个实施例中，所述历史气象数据包括：温度数据、湿度数据风速和太阳辐射；所述温度数据包括：每日的最高温度、每日的最低温度和每日的平均温度。
在本发明的某一个实施例中，所述方法还包括：对所述历史电网运行数据集的第一分类结果和第二分类结果进行综合指标评价，具体采用如下计算公式：
J＝S+P
式中，J表示综合指标评价的结果，S表示聚类效果的轮廓系数，P表示评价系数。
在本发明的某一个实施例中，所述聚类效果的轮廓系数，采用如下计算公式：
Figure BDA0003189466060000121
S∈[-1,1]
Figure BDA0003189466060000122
xj，xi∈Ck
Figure BDA0003189466060000123
xi∈Ck,xj∈Cl
l＝1,2,...,Nc l≠k
式中，S表示聚类结果的轮廓系数，N表示样本的数目，Nc表示所分簇的数目，NCk、NCl表示第k个、第l个簇中的样本数，Ck、Cl表示第k个、第l个簇，xi、xj表示第i个、第j个样本；Coi表示样本xi与同簇的其他样本的平均距离，Sei表示样本xi与其他簇全部样本平均距离的最小值。
在本发明的某一个实施例中，所述评价系数，采用如下计算公式：
Figure BDA0003189466060000124
NCl≥NCmin
l＝1,2,...,Nc
式中，NCl表示第l个簇中的样本数，NCmin表示最小簇的样本数目。
本发明实施例一种电网短期负荷的预测方法与现有技术相比，其有益效果在于：
本发明通过获取目标地区的历史电网运行数据，并采用k－means聚类模型，对历史电网运行数据进行分类；然后根据待预测日的特征属性，选取分类结果中和待预测日相似度最高的类别中的数据作为训练数据，将所述训练数据输入到预设的负荷预测模型中，预测得到待预测当日的用电预测和储能出力预测，将得到的用电预测结果和储能出力预测结果相加，得到当日电网负荷预测结果。本发明能够提高含储能地区电网短期负荷预测的预测精度。
如图2所示，本发明还提供一种电网短期负荷的预测***200，包括：数据获取模块201、第一分类模块202、第二分类模块203、第一选取模块204、第一训练模块205、用电数据预测模块206、第二选取模块207、第二训练模块208、储能出力数据预测模块209和用电负荷预测模块201，其中，
所述数据获取模块201，用于获取目标地区的历史电网运行数据集，其中，所述历史电网运行数据集包括：历史气象数据、日历数据、历史用电数据、历史储能出力数据集、历史储能调度数据和分时电价数据；
所述第一分类模块202，用于根据所述历史气象数据和日历数据，将所述历史电网运行数据集输入到预设的k－means聚类模型进行分类，获得历史电网运行数据集的第一分类结果；
所述第二分类模块203，用于根据所述历史用电数据，将所述历史储能出力数据输入到预设的k－means聚类模型进行分类，获得历史电网运行数据集的第二分类结果；
所述第一选取模块204，用于获取待预测日的气象数据和日历数据，并根据所述待预测日的气象数据和日历数据，从所述历史电网运行数据集的第一分类结果选取和待预测日相似度最高的类别；
所述第一训练模块205，用于将所述相似度最高的类别中的历史电网运行数据集输入到预设的用电预测模型进行训练，获得第二用电预测模型；
所述用电数据预测模块206，用于将所述待预测日的气象数据和日历数据输入到第二用电预测模型，获得待预测日的用电数据；
所述第二选取模块207，用于根据待预测日的用电数据，从所述历史电网运行数据集的第二分类结果选取和待预测日相似度最高的类别；
所述第二训练模块208，用于将所述相似度最高的类别中的历史电网运行数据集输入到预设的用电预测模型进行训练，获得第三用电预测模型；
所述储能出力数据预测模块209，用于将所述待预测日的用电数据输入到第三用电预测模型，获得待预测日的储能出力数据；
所述用电负荷预测模块210，用于将所述待预测日的用电数据和待预测日的储能出力数据相加，获得目标地区待预测日的用电负荷的预测结果。
在本发明的某一个实施例中，所述历史电网运行数据集的采集时间跨度大于或等于180天。
本发明还提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的电网短期负荷的预测方法。
需要说明的是，所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field－ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作***、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(SmartMediaCard，SMC)、安全数字(SecureDigital，SD)卡和闪存卡(FlashCard)等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的电网短期负荷的预测方法。
需要说明的是，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电网短期负荷的预测方法，其特征在于，包括：
获取目标地区的历史电网运行数据集，其中，所述历史电网运行数据集包括：历史气象数据、日历数据、历史用电数据、历史储能出力数据集、历史储能调度数据和分时电价数据；
根据所述历史气象数据和日历数据，将所述历史电网运行数据集输入到预设的k－means聚类模型进行分类，获得历史电网运行数据集的第一分类结果；
根据所述历史用电数据，将所述历史储能出力数据输入到预设的k－means聚类模型进行分类，获得历史电网运行数据集的第二分类结果；
获取待预测日的气象数据和日历数据，并根据所述待预测日的气象数据和日历数据，从所述历史电网运行数据集的第一分类结果选取和待预测日相似度最高的类别；
将所述相似度最高的类别中的历史电网运行数据集输入到预设的用电预测模型进行训练，获得第二用电预测模型；
将所述待预测日的气象数据和日历数据输入到第二用电预测模型，获得待预测日的用电数据；
根据待预测日的用电数据，从所述历史电网运行数据集的第二分类结果选取和待预测日相似度最高的类别；
将所述相似度最高的类别中的历史电网运行数据集输入到预设的用电预测模型进行训练，获得第三用电预测模型；
将所述待预测日的用电数据输入到第三用电预测模型，获得待预测日的储能出力数据；
将所述待预测日的用电数据和待预测日的储能出力数据相加，获得目标地区待预测日的用电负荷的预测结果。
2.根据权利要求1所述的电网短期负荷的预测方法，其特征在于，所述历史电网运行数据集的采集时间跨度大于或等于180天。
3.根据权利要求1所述的电网短期负荷的预测方法，其特征在于，所述历史气象数据包括：温度数据、湿度数据风速和太阳辐射；所述温度数据包括：每日的最高温度、每日的最低温度和每日的平均温度。
4.根据权利要求1所述的电网短期负荷的预测方法，其特征在于，所述方法还包括：对所述历史电网运行数据集的第一分类结果和第二分类结果进行综合指标评价，具体采用如下计算公式：
J＝S+P
式中，J表示综合指标评价的结果，S表示聚类效果的轮廓系数，P表示评价系数。
5.根据权利要求4所述的电网短期负荷的预测方法，其特征在于，所述聚类效果的轮廓系数，采用如下计算公式：
Figure FDA0003189466050000021
Figure FDA0003189466050000022
Figure FDA0003189466050000031
式中，S表示聚类结果的轮廓系数，N表示样本的数目，Nc表示所分簇的数目，NCk、NCl表示第k个、第l个簇中的样本数，Ck、Cl表示第k个、第l个簇，xi、xj表示第i个、第j个样本；Coi表示样本xi与同簇的其他样本的平均距离，Sei表示样本xi与其他簇全部样本平均距离的最小值。
6.根据权利要求4所述的电网短期负荷的预测方法，其特征在于，所述评价系数，采用如下计算公式：
Figure FDA0003189466050000032
式中，NCl表示第l个簇中的样本数，NCmin表示最小簇的样本数目。
7.一种电网短期负荷的预测***，其特征在于，包括：数据获取模块、第一分类模块、第二分类模块、第一选取模块、第一训练模块、用电数据预测模块、第二选取模块、第二训练模块、储能出力数据预测模块和用电负荷预测模块，其中，
所述数据获取模块，用于获取目标地区的历史电网运行数据集，其中，所述历史电网运行数据集包括：历史气象数据、日历数据、历史用电数据、历史储能出力数据集、历史储能调度数据和分时电价数据；
所述第一分类模块，用于根据所述历史气象数据和日历数据，将所述历史电网运行数据集输入到预设的k－means聚类模型进行分类，获得历史电网运行数据集的第一分类结果；
所述第二分类模块，用于根据所述历史用电数据，将所述历史储能出力数据输入到预设的k－means聚类模型进行分类，获得历史电网运行数据集的第二分类结果；
所述第一选取模块，用于获取待预测日的气象数据和日历数据，并根据所述待预测日的气象数据和日历数据，从所述历史电网运行数据集的第一分类结果选取和待预测日相似度最高的类别；
所述第一训练模块，用于将所述相似度最高的类别中的历史电网运行数据集输入到预设的用电预测模型进行训练，获得第二用电预测模型；
所述用电数据预测模块，用于将所述待预测日的气象数据和日历数据输入到第二用电预测模型，获得待预测日的用电数据；
所述第二选取模块，用于根据待预测日的用电数据，从所述历史电网运行数据集的第二分类结果选取和待预测日相似度最高的类别；
所述第二训练模块，用于将所述相似度最高的类别中的历史电网运行数据集输入到预设的用电预测模型进行训练，获得第三用电预测模型；
所述储能出力数据预测模块，用于将所述待预测日的用电数据输入到第三用电预测模型，获得待预测日的储能出力数据；
所述用电负荷预测模块，用于将所述待预测日的用电数据和待预测日的储能出力数据相加，获得目标地区待预测日的用电负荷的预测结果。
8.根据权利要求7所述的电网短期负荷的预测***，其特征在于，所述历史电网运行数据集的采集时间跨度大于或等于180天。
9.一种计算机终端设备，其特征在于，包括：
一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5任一项所述的电网短期负荷的预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的电网短期负荷的预测方法。
CN202110878507.7A 2021-07-30 2021-07-30 一种电网短期负荷的预测方法、***、设备和介质 Active CN113505943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110878507.7A CN113505943B (zh) 2021-07-30 2021-07-30 一种电网短期负荷的预测方法、***、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110878507.7A CN113505943B (zh) 2021-07-30 2021-07-30 一种电网短期负荷的预测方法、***、设备和介质

Publications (2)

Publication Number Publication Date
CN113505943A true CN113505943A (zh) 2021-10-15
CN113505943B CN113505943B (zh) 2023-05-30

Family

ID=78015385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110878507.7A Active CN113505943B (zh) 2021-07-30 2021-07-30 一种电网短期负荷的预测方法、***、设备和介质

Country Status (1)

Country Link
CN (1) CN113505943B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116882597A (zh) * 2023-09-07 2023-10-13 国网信息通信产业集团有限公司 虚拟电厂控制方法、装置、电子设备和可读介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012244897A (ja) * 2011-05-13 2012-12-10 Fujitsu Ltd 短期電力負荷を予測する方法及び装置
CN105608512A (zh) * 2016-03-24 2016-05-25 东南大学 一种短期负荷预测方法
CN111160617A (zh) * 2019-12-06 2020-05-15 北京国电通网络技术有限公司 一种电力日负荷预测方法及装置
CN111709554A (zh) * 2020-05-22 2020-09-25 广西电网有限责任公司 一种配电网净负荷联合预测的方法及***
CN112561156A (zh) * 2020-12-11 2021-03-26 国网江苏省电力有限公司南通供电分公司 基于用户负荷模式分类的短期电力负荷预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012244897A (ja) * 2011-05-13 2012-12-10 Fujitsu Ltd 短期電力負荷を予測する方法及び装置
CN105608512A (zh) * 2016-03-24 2016-05-25 东南大学 一种短期负荷预测方法
CN111160617A (zh) * 2019-12-06 2020-05-15 北京国电通网络技术有限公司 一种电力日负荷预测方法及装置
CN111709554A (zh) * 2020-05-22 2020-09-25 广西电网有限责任公司 一种配电网净负荷联合预测的方法及***
CN112561156A (zh) * 2020-12-11 2021-03-26 国网江苏省电力有限公司南通供电分公司 基于用户负荷模式分类的短期电力负荷预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116882597A (zh) * 2023-09-07 2023-10-13 国网信息通信产业集团有限公司 虚拟电厂控制方法、装置、电子设备和可读介质
CN116882597B (zh) * 2023-09-07 2024-01-12 国网信息通信产业集团有限公司 虚拟电厂控制方法、装置、电子设备和可读介质

Also Published As

Publication number Publication date
CN113505943B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN107833153B (zh) 一种基于k-means聚类的电网负荷缺失数据补全方法
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、***及终端设备
CN107248031B (zh) 一种针对负荷曲线峰谷差的快速电力用户分类方法
CN112186761B (zh) 一种基于概率分布的风电功率场景生成方法及***
CN110796307A (zh) 一种综合能源***分布式负荷预测方法及***
CN113822418A (zh) 一种风电场功率预测方法、***、设备和存储介质
CN113112099A (zh) 电网日电量预测模型训练方法和电网日电量预测方法
CN115775045A (zh) 一种基于历史相似日和实时多维研判的光伏平衡预测方法
CN112348287A (zh) 基于lstm分位数回归的电力***短期负荷概率密度预测方法
CN111144447B (zh) 一种新能源出力引起的反调峰风险的电网峰谷时段划分方法
CN115759590A (zh) 一种基于用电行为特征的工业用户需求响应潜力计算方法
CN113177366A (zh) 一种综合能源***规划方法、装置和终端设备
CN115905904A (zh) 一种配电网馈线的线损异常评估方法及装置
CN113505943B (zh) 一种电网短期负荷的预测方法、***、设备和介质
CN114862363A (zh) 一种基于变电工程造价数据分析评审分析方法
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN107730399B (zh) 基于风力发电特性曲线的理论线损评估方法
CN113222281A (zh) 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置
CN111553434A (zh) 一种电力***负荷分类方法及***
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及***
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
CN116862137A (zh) 基于数据融合的充电桩负荷柔性调度方法及装置
CN115149528A (zh) 一种基于大数据非侵入技术的智能电能表分布式预测方法
CN107832928B (zh) 基于风力发电特性曲线的等效综合线损评价方法
CN114876731A (zh) 风电场低效运行风电机组排查方法、***、设备和介质

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