CN113743673A - 一种台风期间的电力负荷预测方法 - Google Patents
一种台风期间的电力负荷预测方法 Download PDFInfo
- Publication number
- CN113743673A CN113743673A CN202111057989.6A CN202111057989A CN113743673A CN 113743673 A CN113743673 A CN 113743673A CN 202111057989 A CN202111057989 A CN 202111057989A CN 113743673 A CN113743673 A CN 113743673A
- Authority
- CN
- China
- Prior art keywords
- typhoon
- period
- day
- load
- weather
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000001066 destructive effect Effects 0.000 claims abstract description 32
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims description 40
- 230000001932 seasonal effect Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 abstract description 5
- 230000009977 dual effect Effects 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 29
- 238000003860 storage Methods 0.000 description 20
- 230000002354 daily effect Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 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
- 239000002245 particle Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth 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
本发明提供了一种台风期间的电力负荷预测方法,该方法包括:根据待预测周期的气象预报指标和历史气象指标,确定与待预测周期气象相似度最大的第一周期;待预测周期中包括台风登陆日;根据第一周期的气象指标和负荷数据,确定待预测周期的台风属性;若台风属性为影响性台风或破坏性台风,则从气象相似度满足预设条件的至少一个第二周期中的每个第二周期分别选取一个相似日,并根据各个相似日的气象指标和负荷数据、以及预设的人工智能预测模型,确定待预测周期的负荷预测结果。通过第一周期以及相似日组成的双重相似机制加入到人工智能预测模型中,对台风期间的电力***进行负荷预测,能够有效提高台风期间的负荷预测精度。
Description
技术领域
本申请属于电力负荷预测技术领域,尤其涉及一种台风期间的电力负荷预测方法。
背景技术
电力负荷预测是电网公司各部门的重要工作之一。台风所造成的气象变化,会随着台风的强度、登陆的时间和地点不同都会有所不同。台风的复杂性和随机性,会对电力负荷产生较大的影响。
由于常规的短期负荷预测方法不能考虑到台风带来的复杂影响,导致其在台风期间负荷预测的预测精度低。
发明内容
有鉴于此,本发明提供了一种台风期间的电力负荷预测方法,旨在解决对台风期间负荷预测的预测精度低的问题。
本发明实施例的第一方面提供了一种台风期间的电力负荷预测方法,包括:
根据待预测周期的气象预报指标和历史气象指标,确定与所述待预测周期气象相似度最大的第一周期;所述待预测周期中包括台风登陆日;
根据所述第一周期的气象指标和负荷数据,确定所述待预测周期的台风属性;其中,所述台风属性包括无影响台风、影响性台风、破坏性台风;
若所述台风属性为影响性台风或破坏性台风,则从气象相似度满足预设条件的至少一个第二周期中的每个第二周期分别选取一个相似日,并根据各个相似日的气象指标和负荷数据、以及预设的人工智能预测模型,确定所述待预测周期的负荷预测结果。
本发明实施例的第二方面提供了一种台风期间的电力负荷预测装置,包括:
处理模块,用于根据待预测周期的气象预报指标和历史气象指标,确定与所述待预测周期气象相似度最大的第一周期;所述待预测周期中包括台风登陆日;
确定模块,用于根据所述第一周期的气象指标和负荷数据,确定所述待预测周期的台风属性;其中,所述台风属性包括无影响台风、影响性台风、破坏性台风;
预测模块,用于若所述台风属性为影响性台风或破坏性台风,则从气象相似度满足预设条件的至少一个第二周期中的每个第二周期分别选取一个相似日,并根据各个相似日的气象指标和负荷数据、以及预设的人工智能预测模型,确定所述待预测周期的负荷预测结果。
本发明实施例的第三方面提供了电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上第一方面所述台风期间的电力负荷预测方法的步骤。
本发明实施例的第四方面提供了计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上第一方面所述台风期间的电力负荷预测方法的步骤。
本发明实施例提供的台风期间的电力负荷预测方法,根据待预测周期的气象预报指标和历史气象指标,确定与待预测周期气象相似度最大的第一周期;待预测周期中包括台风登陆日;根据第一周期的气象指标和负荷数据,确定待预测周期的台风属性;其中,台风属性包括无影响台风、影响性台风、破坏性台风;若台风属性为影响性台风或破坏性台风,则从气象相似度满足预设条件的至少一个第二周期中的每个第二周期分别选取一个相似日,并根据各个相似日的气象指标和负荷数据、以及预设的人工智能预测模型,确定待预测周期的负荷预测结果。通过将与待预测周期相似的第一周期以及与台风登录日相似的相似日组成的双重相似机制加入到人工智能预测模型中,对台风期间的电力***进行负荷预测,能够有效提高台风期间的负荷预测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的台风期间的电力负荷预测方法的应用环境图;
图2是本发明一实施例提供的台风期间的电力负荷预测方法的实现流程图;
图3是本发明实施例提供的台风期间的电力负荷预测方法中确定待预测周期的负荷预测结果的实现流程图;
图4是本发明实施例提供的台风期间的电力负荷预测方法中确定待预测周期的台风属性的实现流程图;
图5是本发明实施示例提供的台风期间的电力负荷预测方法的实现流程图;
图6是本发明实施示例提供的负荷预测结果图;
图7是本发明实施例提供的台风期间的电力负荷预测装置的结构示意图;
图8是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
电力负荷预测是电网公司各部门的重要工作之一。而针对沿海地区,台风所造成的气象变化,会随着台风的强度、登陆的时间和地点不同都会有所不同,这其中的复杂性和随机性,会使得一些对于正常日有良好精度的预测方法也难以得到较为满意的预测结果。对于台风期间的负荷预测方法,包括基于气象信息粒还原的分时段预测方法、将台风期间负荷拆分至台风负荷与基准负荷进行分别分析与预测的方法、基于历史相似日的方法进行特殊日期间的负荷预测方法等。但这些方法通常将待预测特殊日当作单独的主体进行研究,未考虑到特殊日前后日期的相关影响。
本发明基于双重相似机制的提出一种台风期间的电力负荷预测方法,兼顾台风周期内的相似性以及台风登陆日的相似性,有效提高负荷预测的准确度。
图1是本发明实施例提供的台风期间的电力负荷预测方法的应用环境图。本发明实施例提供的台风期间的电力负荷预测方法可以但不限于应用于该应用环境。如图1所示,该***中包括:终端11和电子设备12。终端11和电子设备12可以通过网络进行通信。
电子设备12响应于终端11发送的待预测周期的负荷预测请求。电子设备12用于从气象平台中获取待预测周期的原始气象预报数据和原始历史气象数据并对其进行处理,得到气象预报指标和历史气象指标。电子设备12还用于根据存储的历史负荷数据、气象预报指标和历史气象指标对待预测周期的电力***进行负荷预测,得到负荷预测结果并将其发送给终端11。
终端11可以包括但不限于各种电力设备终端、个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备。电子设备12可以是服务器、终端等,在此不作限定。服务器可以用独立服务器或者是多个服务器组成的服务器集群来实现。终端可以包括但不限于台式计算机、笔记本电脑、平板电脑等。
图2是本发明实施例提供的台风期间的电力负荷预测方法的实现流程图。该实施例中,以该方法应用于图1中的电子设备为例进行说明。如图2所示,该方法包括:
S201,根据待预测周期的气象预报指标和历史气象指标,确定与待预测周期气象相似度最大的第一周期;待预测周期中包括台风登陆日。
S202,根据第一周期的气象指标和负荷数据,确定待预测周期的台风属性;其中,台风属性可以包括无影响台风、影响性台风、破坏性台风。
S203,若台风属性为影响性台风或破坏性台风,则从气象相似度满足预设条件的至少一个第二周期中的每个第二周期分别选取一个相似日,并根据各个相似日的气象指标和负荷数据、以及预设的人工智能预测模型,确定待预测周期的负荷预测结果。
本实施例中,待预测周期为预计电力***受本次台风影响的时间,可以是5天、7天等,在此不作限定。第一周期与待预测周期的天数相同。第二周期为气象相似度满足预设条件历史周期。第二周期可以是气象相似度大于预设阈值的历史周期,也可以是将气象相似度由大到小排序后,其中的前预设数目或者预设比例的历史周期。本实施例中,预设的人工智能预测模型可以是支持向量机模型、相关向量机模型、人工神经网络模型、深度神经网络模型、长期短记忆网络、Ba-BP模型等,在此不作限定。
示例性的,气象相似度的计算具体如下:
根据多个与待预测周期时长相同的历史周期的历史气象指标,得到多条历史气象指标曲线;
根据待预测周期的气象预报指标,得到气象预报指标曲线;
根据欧式距离公式,分别计算各个历史气象指标曲线与气象预报指标曲线之间的相关度。
本实施例中,通过根据待预测周期的气象预报指标和历史气象指标,确定与待预测周期气象相似度最大的第一周期;待预测周期中包括台风登陆日;根据第一周期的气象指标和负荷数据,确定待预测周期的台风属性;其中,台风属性包括无影响台风、影响性台风、破坏性台风;若台风属性为影响性台风或破坏性台风,则从气象相似度满足预设条件的至少一个第二周期中的每个第二周期分别选取一个相似日,并根据各个相似日的气象指标和负荷数据、以及预设的人工智能预测模型,确定待预测周期的负荷预测结果。通过将与待预测周期相似的第一周期以及与台风登录日相似的相似日组成的双重相似机制加入到人工智能预测模型中,对台风期间的电力***进行负荷预测,能够有效提高台风期间的负荷预测精度。
图3是本发明实施例提供的台风期间的电力负荷预测方法中确定待预测周期的负荷预测结果的实现流程图。如图3所示,根据各个相似日的气象指标和负荷数据、以及预设的人工智能预测模型,确定待预测周期的负荷预测结果,包括:
S301,确定各个相似日与台风登陆日之间的相似度,并将各个相似日对应的相似度作为各个相似日的可信度指标;
S302,根据各个相似日的气象指标、负荷数据和可信度指标、以及预设的人工智能预测模型,确定待预测周期的负荷预测结果。
在一些实施例中,S301中的确定各个相似日与台风登陆日之间的相似度,包括:
根据各个相似日的指标数据,以及台风登陆日的指标数据,确定各个相似日的评估系数,并根据各个相似日的评估系数,确定各个相似日与台风登陆日之间的相似度;其中,指标数据可以包括但不限于下述至少一项:气象指标、日期距离、星期类型、季节类型、台风强度。
本实施例中,台风期间的负荷预测中,气象指标带来的影响最为突出。因此,气象指标的相似是相似日判断的必要条件。
日期距离为各个相似日距离台风登陆日的天数。电力需求会根据居民的生活习惯、产业结构的调整等发生改变,因此负荷的变化往往具有连续性,时间越接近,负荷特性越相似。因此,相似日与待预测日的日期距离可以是相似日判断的重要条件。
星期类型为周一到周日。负荷的变化具有周维度特性,这主要是因为工作日与周末的生产活动、生活特性差异较大,因此在相似日选择时可以考虑星期类型的相似程度。
季节类型为春季、夏季、秋季、冬季。负荷的变化同时具有季节特性,主要是由于在不同的用电特性具有差异性,如夏季高温导致降温负荷增加,冬季低温导致采暖负荷增加,因此在相似日选择时可以考虑季节类型的相似程度。
在相似日的寻找中,台风天气的负荷的变化规律性以及气象与负荷之间关系的相似程度更具有可信程度,因此将台风强度也可以作为相似程度评估的条件之一。
在一些实施例中,评估系数可以包括但不限于下述至少一项:气象指标评估系数、日期距离评估系数、星期类型评估系数、季节类型评估系数、台风强度评估系数。
上述的根据各个相似日的指标数据,以及台风登陆日的指标数据,确定各个相似日的评估系数,包括:
根据各个相似日的指标数据、台风登陆日的指标数据,以及下述至少一个公式,确定各个相似日的评估系数:
其中,βweather为各个相似日的气象指标评估系数,βday为各个相似日的日期距离评估系数,βweek为各个相似日的星期类型评估系数、βseason为各个相似日的季节类型评估系数,βtyphoon为各个相似日的台风强度评估系数,weathery为台风登陆日的气象指标特征值,weatherj为各个相似日气象指标特征值,j为各个相似日与台风登陆日的日期距离,mod()为取余函数,int()为取整函数,Sj为取值为1,0的变量,1个0分别表示相似日与台风登陆日是否为同一节假日,α1、α2与α3分别表示相似日与台风登陆日距离每增加一天、一周和一年的缩减比例,N1、N2与N3为常数,weeky为台风登陆日的星期类型特征值,weekj为各个相似日星期类型特征值,seasony为台风登陆日的季节类型特征值,seasonj为各个相似日季节类型特征值,typhoony为台风登陆日的台风强度特征值,typhoonj为各个相似日台风强度特征值。
本实施例中,日期距离越小日期距离评估系数越大,即相似日越接近台风登陆日,其数据的可信程度越高。可选的,α1、α2与α3分别取0.9、0.95、0.98。N1、N2与N3分别取7、7、365(闰年为366)。
在一些实施例中,上述的根据各个相似日的评估系数,确定各个相似日与台风登陆日之间的相似度,包括:
针对每个相似日,将该相似日的各评估系数相乘,得到该相似日与台风登陆日之间的相似度。
在一些实施例中,S203中的从气象相似度满足预设条件的至少一个第二周期中的每个第二周期分别选取一个相似日,包括:
针对至少一个第二周期中的每个第二周期,将该第二周期中第N天确定为该第二周期中的相似日,其中,待预测周期中的第N天为台风登陆日,其中,N为正整数。
本实施例中,若待预测周期共5天且第3天为台风登陆日,则第二周期共5天,并且相似日为其中的第3天。
图4是本发明实施例提供的台风期间的电力负荷预测方法中确定待预测周期的台风属性的实现流程图。如图4所示,在一些实施例中,S202根据第一周期的气象指标和负荷数据,确定待预测周期的台风属性,包括:
S401、根据第一周期前的预设时段的负荷数据和气象指标,建立气象-负荷关系模型;
S402、根据第一周期每日的气象指标、气象-负荷关系模型对第一周期内的负荷进行预测,以得到第一周期每日的预测负荷数据;
S403、根据第一周期每日的预测负荷数据和实际负荷数据,确定第一周期每日的负荷偏差;并根据每日的预测负荷数据和实际负荷数据,计算第一周期的平均预测负荷数据和平均实际负荷数据的周期平均差值;
S404、根据第一周期每日的负荷偏差以及周期平均差值中的最小值,确定待预测周期的台风属性。
本实施例中,由于第一周期是与待预测周期气象最相似的周期,因此可以将第一周期的台风属性作为待预测周期的台风属性。气象-负荷关系模型可以是神经网络模型,也可以是最小二乘支持向量回归模型,在此不作限定。
在一些实施例中,S404根据第一周期每日的负荷偏差中的最小值,确定待预测周期的台风属性,包括:
若最小值不大于第一预设阈值,则确定台风登陆日的台风属性为无影响台风;
若最小值大于第一预设阈值且不大于第二预设阈值,则确定待预测周期的台风属性为影响性台风;
若最小值大于第二预设阈值,则确定待预测周期的台风属性为破坏性台风,其中,第一预设阈值小于第二预设阈值。
在一些实施例中,该方法还可以包括:
若台风属性为无影响台风,则采用正常日预测模型进行负荷预测。
在一些实施例中,在确定待预测周期的的负荷预测结果之后,该方法还包括:
若台风属性为破坏性台风,则根据专家经验对待预测周期的的负荷预测结果进行调整。
本实施例中,对于无影响台风:
一般情况下,台风影响负荷的主要因素就是气象,台风前天气闷热、温度上升,负荷水平上升;台风中大风强降雨导致温度下降,负荷急剧下降;台风后温度回升,用电负荷恢复。因此,判断台风是否属于无特殊影响台风,需要从台风前后及台风期间气温与负荷之间的关系是否产生明显变化来看。本发明采用台风前一段时间气温与负荷之间的关系进行气象-负荷关系训练,通过该模型,评估临近台风以及台风中时间的气温与负荷之间是否满足该模型确定的关系,由于每个模型都存在一定的误差率,可以设置5%的置信区间,如果气温与负荷对应关系在该区间内,则认为台风无影响。
对于影响性台风:
影响性台风是指台风期间,负荷与气象指标之间的关系发生较大变化,与台风前一段时间内二者间关系差异较大,无法直接用数学模型进行预测。
对于破坏性台风:
破坏性台风是指在由于台风的影响,带来了破坏性的影响,对生命及财产安全产生危害。对于这类破坏性台风,采用专家经验判断的方法进行预测。首先,对于历史上出现的破坏性台风进行标签设置,由于该类台风数量较少,结合专家经验判断与历史数据参考,是预测该类台风期间负荷变化趋势的有效方法。
本实施例中,除了影响性台风外,由于气温的突变、异常的波动、突然的降雨等情况,也有可能发生与影响性台风期间相类似的负荷变化,这种情况称之为“类台风天气”。由于台风天气样本量较小,在预测时难以找到合适的相似参考情况,而考虑“类台风天气”的变化则是扩大样本的有效途径之一。本发明以五天为一个周期,遍历历史数据,寻找气象变化相似的周期,即为“类台风天气”。
在一些实施例中,气象指标可以包括但不限于下述至少一项:温度、湿度、风速、降雨量、人体舒适度、温湿指数。
该方法还包括:
获取预设时段内的至少一个气象候选指标的数据以及负荷数据;
根据预设时段内的至少一个气象候选指标的数据以及负荷数据,分别计算各项气象候选指标和负荷之间的相关系数;
将相关系数满足第二预设条件的气象候选指标确定为气象指标。
本实施例中,由于居民生活习惯以及对环境的适应度的不同等原因,对于不同的地区的电力***,各类气象指标对电力***的影响也不同,故将所有类型的气象指标作为气象候选指标,从其中选取与负荷相关性高的气象候选指标作为气象指标(即图2中所示的主导气象指标),能够有效减少负荷预测的运算量。
本实施例中,可以采用皮尔逊相关系数对气象候选指标与负荷之间的相关程度进行评估,具体计算如下。
其中,rxy为相关系数,是描述两变量x与y之间相关程度的定量指标,无量纲,取值范围为[-1,1]。当|rxy|=0,x与y不相关;当|rxy|>0,x与y正相关;当|rxy|<0,x与y负相关;当|rxy|=1,y可以确切地用变量x的线性函数来表示。其中,x与y分别代表负荷数据与气象指标。
下面通过实施示例对上述设备控制方法进行说明,但并不作为限定。图5是本发明实施示例提供的台风期间的电力负荷预测方法的实现流程图。如图5所示,在该实施示例中,台风期间的电力负荷预测方法可由以下步骤实现:
以影响性台风“海高斯”为例,采用正常日预测方法以及本发明的台风期间的电力负荷预测方法分别进行预测。由于台风“海高斯”于2020年8月19日登陆广东省阳江市,故以19日为台风登陆日,17日-21日为待预测周期,具体预测步骤如下:
步骤1,获取气象候选指标,根据气象候选指标与负荷的相关性,选取该区域的气象指标。
步骤2,获取未来五天的气象数据和历史气象数据。
步骤3,气象数据标准化处理。
不同日期、不同季节、不同年份的气象数据存在着量级有所差异的特点,因此在进行相似性计算之前,对气象数据进行标准化处理。
可以采用z-score标准化,通过变换,将多组数据转化为无单位的z-score分值,使得数据标准统一化,提高了数据可比性。
z-score标准化计算公式如下:
其中,z表示气象数据,即指各气象指标的原始值;μ表示总体气象数据的均值;σ表示总体气象数据的标准差,Z表示经过z-score标准化后的数据。
步骤4,第一重相似性计算,确定第一周期。
对于以5天为一个周期的相似性计算,可以采用欧氏距离进行判断,距离值越小,则发展变化趋势越相似。
待预测周期日气象指标曲线表示为:
Y=(y1,y2,y3,y4,y5) (8)
历史周期日气象指标曲线表示为:
其中,x和y的下标表示周期内的天数序号,i表示日期距离。
每个历史周期下,与待预测周期之间的气象相似程度di定义如下:
其中,气象相似程度最大的历史周期为第一周期。
步骤5,待预测周期台风属性判断。
无特殊影响台风、影响性台风与破坏性台风可以通过其登陆期间气象指标与负荷的关系与台风前一段时间的差异性进行区分,差异性较小,即为无特殊影响台风;差异性适中,为影响性台风;差异性较大,为破坏性台风。
以第一周期前2周工作日气象指标与负荷数据为基础,建立气象-负荷关系模型。
将第一周期内每日的气象指标代入气象-负荷关系模型中,得到对应的预测负荷数据。
对比第一周期内预测负荷值与实际负荷值,取5天预测值与实际值平均偏差和5天预测值与实际值最小偏差二者之间的最小值,具体如下:
若Accopt≤5%,则确定待预测时段的台风属性为无影响台风并进行步骤6。
若5%<Accopt≤10%,则确定待预测时段的台风属性为影响性台风并跳转至步骤7。
若Accopt>10%,则确定待预测时段的台风属性为破坏性台风并跳转至步骤7。
步骤6,采用正常日预测模型直接对待预测周期的电力***进行负荷预测。
步骤7,将各个历史周期按照气象相似程度由大到小排序,确定其前50%的历史周期为第二周期。每个第二周期的第3天为该第二周期的相似日。
步骤8,日特征向量构建。
各个第二周期的相似日特征向量:
V(j)=(weatherj,dayj,weekj,seasonj,typhoonj) (12)
台风登陆日特征向量:
V(y)=(weathery,dayy,weeky,seasony,typhoony) (13)
其中,气象指标特征值由实际气象数据确定。Dayj=j,表示日期距离。星期类型特征值的取值可以为1、2、3、5、7,基于地区生产规律特点,可以设定周一取值为1,周二至周四取值为2,周五取值为3,周六取值为5,周日取值为7。季节类型特征值取值可以为1、3、5、9,依据地区气象与负荷之间的关系,分别设定12-1月为1,2-3月为3,4-5月与10-11月为5,6-9月为9。T台风强度特征值取值可以为6至16,分别代表台风中心附近最大风力等级,例如非台风日,则台风强度特征值取值为1。
步骤9,根据各个相似日的指标数据,以及台风登陆日的指标数据,确定各个相似日的评估系数,并根据各个相似日的评估系数,确定各个相似日与台风登陆日之间的相似度,并将各个相似日对应的相似度作为各个相似日的可信度指标。
步骤10,根据各个相似日的气象指标、负荷数据和可信度指标、以及预设的人工智能预测模型,确定待预测周期的负荷预测结果。
步骤11,若台风属性为破坏性台风,则根据专家经验对待预测周期的的负荷预测结果进行调整。
图6是本发明实施示例提供的负荷预测结果图。如图6所示,在台风登陆前,由于气温升高,负荷高于正常情况,正常日预测算法得到的结果整体低于实际负荷。台风登陆当天,气温降幅较大,影响性台风带来超出正常日气象与负荷之间关系的影响导致负荷降幅超出预期,正常日预测算法对此规律无法掌握,因此预测结果偏高。台风过后,气温反弹,负荷大幅回升,此时正常日预测算法的预测结果偏低,整体预测负荷变化幅度小于实际。而采用本发明的负荷预测算法进行预测,得到的预测结果在一定程度上优化了这一缺陷,在台风周期内,预测负荷与实际负荷更加接近,对此期间内负荷与气象之间的关系描述更加精准。
本实施示例中,为了进一步的对比本发明相对于正常日预测的预测精度提高效果,提供了正常日预测与上述实施示例中负荷预测得到的负荷预测结果,具体如表1所示:
可以得出,本发明的台风期间的电力负荷预测方法预测效果优于正常日预测方法,预测精度有较明显提升,具有较好的适用性。
本发明通过根据待预测周期的气象预报指标和历史气象指标,确定与待预测周期气象相似度最大的第一周期;待预测周期中包括台风登陆日;根据第一周期的气象指标和负荷数据,确定待预测周期的台风属性;其中,台风属性包括无影响台风、影响性台风、破坏性台风;若台风属性为影响性台风或破坏性台风,则从气象相似度满足预设条件的至少一个第二周期中的每个第二周期分别选取一个相似日,并根据各个相似日的气象指标和负荷数据、以及预设的人工智能预测模型,确定待预测周期的负荷预测结果。通过将与待预测周期相似的第一周期以及与台风登录日相似的相似日组成的双重相似机制加入到人工智能预测模型中,对台风期间的电力***进行负荷预测,能够有效提高台风期间的负荷预测精度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图7是本发明实施例提供的台风期间的电力负荷预测装置的结构示意图。
如图7所示,台风期间的电力负荷预测装置7,包括:
处理模块710,用于根据待预测周期的气象预报指标和历史气象指标,确定与待预测周期气象相似度最大的第一周期。待预测周期中包括台风登陆日。
确定模块720,用于根据第一周期的气象指标和负荷数据,确定待预测周期的台风属性;其中,台风属性可以包括无影响台风、影响性台风、破坏性台风。
预测模块730,用于若台风属性为影响性台风或破坏性台风,则从气象相似度满足预设条件的至少一个第二周期中的每个第二周期分别选取一个相似日,并根据各个相似日的气象指标和负荷数据、以及预设的人工智能预测模型,确定待预测周期的负荷预测结果。
可选的,预测模块730,用于确定各个相似日与台风登陆日之间的相似度,并将各个相似日对应的相似度作为各个相似日的可信度指标;
根据各个相似日的气象指标、负荷数据和可信度指标、以及预设的人工智能预测模型,确定待预测周期的负荷预测结果。
可选的,预测模块730,用于根据各个相似日的指标数据,以及台风登陆日的指标数据,确定各个相似日的评估系数,并根据各个相似日的评估系数,确定各个相似日与台风登陆日之间的相似度。其中,指标数据可以包括但不限于下述至少一项:气象指标、日期距离、星期类型、季节类型、台风强度。
可选的,评估系数可以包括但不限于下述至少一项:气象指标评估系数、日期距离评估系数、星期类型评估系数、季节类型评估系数、台风强度评估系数。
预测模块730,用于根据各个相似日的指标数据、台风登陆日的指标数据,以及下述至少一个公式,确定各个相似日的评估系数:
其中,βweather为各个相似日的气象指标评估系数,βday为各个相似日的日期距离评估系数,βweek为各个相似日的星期类型评估系数、βseason为各个相似日的季节类型评估系数,βtyphoon为各个相似日的台风强度评估系数,weathery为台风登陆日的气象指标特征值,weatherj为各个相似日气象指标特征值,j为各个相似日与台风登陆日的日期距离,mod()为取余函数,int()为取整函数,Sj为取值为1,0的变量,1个0分别表示相似日与台风登陆日是否为同一节假日,α1、α2与α3分别表示相似日与台风登陆日距离每增加一天、一周和一年的缩减比例,N1、N2与N3为常数,weeky为台风登陆日的星期类型特征值,weekj为各个相似日星期类型特征值,seasony为台风登陆日的季节类型特征值,seasonj为各个相似日季节类型特征值,typhoony为台风登陆日的台风强度特征值,typhoonj为各个相似日台风强度特征值。
可选的,预测模块730,用于针对每个相似日,将该相似日的各评估系数相乘,得到该相似日与台风登陆日之间的相似度。
可选的,预测模块730,用于针对至少一个第二周期中的每个第二周期,将该第二周期中第N天确定为该第二周期中的相似日,其中,待预测周期中的第N天为台风登陆日,其中,N为正整数。
可选的,确定模块720,用于根据第一周期前的预设时段的负荷数据和气象指标,建立气象-负荷关系模型;
根据第一周期每日的气象指标、气象-负荷关系模型对第一周期内的负荷进行预测,以得到第一周期每日的预测负荷数据;
根据第一周期每日的预测负荷数据和实际负荷数据,确定第一周期每日的负荷偏差;并根据每日的预测负荷数据和实际负荷数据,计算第一周期的平均预测负荷数据和平均实际负荷数据的周期平均差值;
根据第一周期每日的负荷偏差以及周期平均差值中的最小值,确定待预测周期的台风属性。
可选的,确定模块720,用于若最小值不大于第一预设阈值,则确定台风登陆日的台风属性为无影响台风;
若最小值大于第一预设阈值且不大于第二预设阈值,则确定待预测周期的台风属性为影响性台风;
若最小值大于第二预设阈值,则确定待预测周期的台风属性为破坏性台风,其中,第一预设阈值小于第二预设阈值。
可选的,台风期间的电力负荷预测装置7还包括:正常日预测模块740。
正常日预测模块740,用于若台风属性为无影响台风,则采用正常日预测模型进行负荷预测。
可选的,台风期间的电力负荷预测装置7还包括:调整模块750。
调整模块750,用于若台风属性为破坏性台风,则根据专家经验对待预测周期的的负荷预测结果进行调整。
可选的,气象指标可以包括但不限于下述至少一项:温度、湿度、风速、降雨量、人体舒适度、温湿指数。
台风期间的电力负荷预测装置7还包括:气象指标选取模块760。
气象指标选取模块760,用于获取预设时段内的至少一个气象候选指标的数据以及负荷数据;
根据预设时段内的至少一个气象候选指标的数据以及负荷数据,分别计算各项气象候选指标和负荷之间的相关系数;
将相关系数满足第二预设条件的气象候选指标确定为气象指标。
本实施例提供的台风期间的电力负荷预测装置,可用于执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图8是本发明实施例提供的电子设备的示意图。如图8所示,本发明的一个实施例提供的电子设备8,该实施例的电子设备8包括:处理器80、存储器81以及存储在存储器81中并可在处理器80上运行的计算机程序82。处理器80执行计算机程序82时实现上述各个台风期间的电力负荷预测方法实施例中的步骤,例如图2所示的步骤201至步骤203。或者,处理器80执行计算机程序82时实现上述各装置实施例中各模块/单元的功能,例如图7所示模块710至730的功能。
示例性的,计算机程序82可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器81中,并由处理器80执行,以完成本发明。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,该指令段用于描述计算机程序82在电子设备8中的执行过程。
电子设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端可包括,但不仅限于,处理器80、存储器81。本领域技术人员可以理解,图8仅仅是电子设备8的示例,并不构成对电子设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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该处理器也可以是任何常规的处理器等。
存储器81可以是电子设备8的内部存储单元,例如电子设备8的硬盘或内存。存储器81也可以是电子设备8的外部存储设备,例如电子设备8上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器81还可以既包括电子设备8的内部存储单元也包括外部存储设备。存储器81用于存储计算机程序以及终端所需的其他程序和数据。存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述台风期间的电力负荷预测方法实施例中的步骤。
计算机可读存储介质存储有计算机程序82,计算机程序82包括程序指令,程序指令被处理器80执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序82来指令相关的硬件来完成,计算机程序82可存储于一计算机可读存储介质中,该计算机程序82在被处理器80执行时,可实现上述各个方法实施例的步骤。其中,计算机程序82包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种台风期间的电力负荷预测方法,其特征在于,包括:
根据待预测周期的气象预报指标和历史气象指标,确定与所述待预测周期气象相似度最大的第一周期;所述待预测周期中包括台风登陆日;
根据所述第一周期的气象指标和负荷数据,确定所述待预测周期的台风属性;其中,所述台风属性包括无影响台风、影响性台风、破坏性台风;
若所述台风属性为影响性台风或破坏性台风,则从气象相似度满足预设条件的至少一个第二周期中的每个第二周期分别选取一个相似日,并根据各个相似日的气象指标和负荷数据、以及预设的人工智能预测模型,确定所述待预测周期的负荷预测结果。
2.根据权利要求1所述的台风期间的电力负荷预测方法,其特征在于,根据各个相似日的气象指标和负荷数据、以及预设的人工智能预测模型,确定所述待预测周期的负荷预测结果,包括:
确定各个相似日与所述台风登陆日之间的相似度,并将各个相似日对应的相似度作为各个相似日的可信度指标;
根据各个相似日的气象指标、负荷数据和可信度指标、以及预设的人工智能预测模型,确定所述待预测周期的负荷预测结果。
3.根据权利要求2所述的台风期间的电力负荷预测方法,其特征在于,所述确定各个相似日与所述台风登陆日之间的相似度,包括:
根据各个相似日的指标数据,以及所述台风登陆日的指标数据,确定各个相似日的评估系数,并根据各个相似日的评估系数,确定各个相似日与所述台风登陆日之间的相似度;其中,所述指标数据包括下述至少一项:气象指标、日期距离、星期类型、季节类型、台风强度。
4.根据权利要求3所述的台风期间的电力负荷预测方法,其特征在于,所述评估系数包括下述至少一项:气象指标评估系数、日期距离评估系数、星期类型评估系数、季节类型评估系数、台风强度评估系数;
所述根据各个相似日的指标数据,以及所述台风登陆日的指标数据,确定各个相似日的评估系数,包括:
根据各个相似日的指标数据、所述台风登陆日的指标数据,以及下述至少一个公式,确定各个相似日的评估系数:
其中,βweather为各个相似日的气象指标评估系数,βday为各个相似日的日期距离评估系数,βweek为各个相似日的星期类型评估系数、βseason为各个相似日的季节类型评估系数,βtyphoon为各个相似日的台风强度评估系数,weathery为所述台风登陆日的气象指标特征值,weatherj为各个相似日气象指标特征值,j为各个相似日与所述台风登陆日的日期距离,mod()为取余函数,int()为取整函数,Sj为取值为1,0的变量,1个0分别表示相似日与所述台风登陆日是否为同一节假日,α1、α2与α3分别表示相似日与所述台风登陆日距离每增加一天、一周和一年的缩减比例,N1、N2与N3为常数,weeky为所述台风登陆日的星期类型特征值,weekj为各个相似日星期类型特征值,seasony为所述台风登陆日的季节类型特征值,seasonj为各个相似日季节类型特征值,typhoony为所述台风登陆日的台风强度特征值,typhoonj为各个相似日台风强度特征值;
所述根据各个相似日的评估系数,确定各个相似日与所述台风登陆日之间的相似度,包括:
针对每个相似日,将该相似日的各评估系数相乘,得到该相似日与所述台风登陆日之间的相似度。
5.根据权利要求1所述的台风期间的电力负荷预测方法,其特征在于,从气象相似度满足预设条件的至少一个第二周期中的每个第二周期分别选取一个相似日,包括:
针对所述至少一个第二周期中的每个第二周期,将该第二周期中第N天确定为该第二周期中的相似日,其中,所述待预测周期中的第N天为台风登陆日,其中,N为正整数。
6.根据权利要求1所述的台风期间的电力负荷预测方法,其特征在于,根据所述第一周期的气象指标和负荷数据,确定所述待预测周期的台风属性,包括:
根据所述第一周期前的预设时段的负荷数据和气象指标,建立气象-负荷关系模型;
根据所述第一周期每日的气象指标、所述气象-负荷关系模型对所述第一周期内的负荷进行预测,以得到所述第一周期每日的预测负荷数据;
根据所述第一周期每日的预测负荷数据和实际负荷数据,确定所述第一周期每日的负荷偏差;并根据每日的预测负荷数据和实际负荷数据,计算所述第一周期的平均预测负荷数据和平均实际负荷数据的周期平均差值;
根据所述第一周期每日的负荷偏差以及所述周期平均差值中的最小值,确定待预测周期的台风属性。
7.根据权利要求6所述的台风期间的电力负荷预测方法,其特征在于,根据所述第一周期每日的负荷偏差中的最小值,确定待预测周期的台风属性,包括:
若所述最小值不大于第一预设阈值,则确定台风登陆日的台风属性为无影响台风;
若所述最小值大于第一预设阈值且不大于第二预设阈值,则确定待预测周期的台风属性为影响性台风;
若所述最小值大于第二预设阈值,则确定待预测周期的台风属性为破坏性台风,其中,所述第一预设阈值小于所述第二预设阈值。
8.根据权利要求1-7任一项所述的台风期间的电力负荷预测方法,其特征在于,所述方法还包括:
若所述台风属性为无影响台风,则采用正常日预测模型进行负荷预测。
9.根据权利要求1-7任一项所述的台风期间的电力负荷预测方法,其特征在于,在确定所述待预测周期的的负荷预测结果之后,还包括:
若所述台风属性为破坏性台风,则根据专家经验对所述待预测周期的的负荷预测结果进行调整。
10.根据权利要求1-7任一项所述的台风期间的电力负荷预测方法,其特征在于,所述气象指标包括下述至少一项:温度、湿度、风速、降雨量、人体舒适度、温湿指数;
所述方法还包括:
获取预设时段内的至少一个气象候选指标的数据以及负荷数据;
根据预设时段内的至少一个气象候选指标的数据以及负荷数据,分别计算各项气象候选指标和负荷之间的相关系数;
将相关系数满足第二预设条件的气象候选指标确定为所述气象指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111057989.6A CN113743673B (zh) | 2021-09-09 | 2021-09-09 | 一种台风期间的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111057989.6A CN113743673B (zh) | 2021-09-09 | 2021-09-09 | 一种台风期间的电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743673A true CN113743673A (zh) | 2021-12-03 |
CN113743673B CN113743673B (zh) | 2023-12-22 |
Family
ID=78737665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111057989.6A Active CN113743673B (zh) | 2021-09-09 | 2021-09-09 | 一种台风期间的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743673B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186230A (zh) * | 2022-06-10 | 2022-10-14 | 广东省生态环境监测中心 | 一种判定台风对空气质量影响的方法及装置 |
CN115629431A (zh) * | 2022-12-22 | 2023-01-20 | 成都数之联科技股份有限公司 | 一种水汽含量预测方法、装置、设备及介质 |
CN116956198A (zh) * | 2023-09-18 | 2023-10-27 | 湖南迈格瑞特物联科技有限公司 | 基于物联网的智慧用电数据分析方法及*** |
CN117312875A (zh) * | 2023-10-13 | 2023-12-29 | 河北省气象灾害防御和环境气象中心(河北省预警信息发布中心) | 基于knn算法的区域性高温事件相似判别方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000092705A (ja) * | 1998-09-11 | 2000-03-31 | Chubu Electric Power Co Inc | 電力系統潮流監視装置 |
JP2006244062A (ja) * | 2005-03-02 | 2006-09-14 | Osaka Gas Co Ltd | エネルギ負荷データ作成装置及びコージェネレーションシステム |
KR20120036568A (ko) * | 2010-10-08 | 2012-04-18 | 주식회사 케이디파워 | 전력부하 패턴 추출 방법 |
JP2014057473A (ja) * | 2012-09-13 | 2014-03-27 | Azbil Corp | 負荷量予測装置および負荷量予測方法 |
CN104156786A (zh) * | 2014-08-18 | 2014-11-19 | 广西电网有限责任公司 | 一种考虑气象多因素影响的非工作日最大日负荷预测*** |
CN104376384A (zh) * | 2014-11-27 | 2015-02-25 | 广西大学 | 一种基于电力大数据分析的台风日最大日负荷预测*** |
CN104616075A (zh) * | 2015-01-30 | 2015-05-13 | 广西大学 | 一种适合于台风天气下的短期负荷预测方法 |
JP2015198486A (ja) * | 2014-03-31 | 2015-11-09 | 清水建設株式会社 | 電力需要予測装置および電力需要予測方法 |
CN105303268A (zh) * | 2015-11-25 | 2016-02-03 | 国家电网公司 | 基于相似度理论的风力发电输出功率预测方法 |
WO2016136323A1 (ja) * | 2015-02-27 | 2016-09-01 | 株式会社E.I.エンジニアリング | エネルギー予測システム、エネルギー予測方法、これを実行させるためのコンピュータプログラム及びこのプログラムを記録した記録媒体並びに運転支援システム |
CN107292537A (zh) * | 2017-07-24 | 2017-10-24 | 广西大学 | 考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法 |
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN109583629A (zh) * | 2018-11-09 | 2019-04-05 | 广东电网有限责任公司电力调度控制中心 | 基于偏差自校正的改进相似日短期负荷预测方法及装置 |
CN110866658A (zh) * | 2019-12-05 | 2020-03-06 | 国网江苏省电力有限公司南通供电分公司 | 一种城市电网中长期负荷预测方法 |
CN112183849A (zh) * | 2020-09-25 | 2021-01-05 | 贵州乌江水电开发有限责任公司 | 一种基于人工神经网络的短期电力电量预测方法 |
JP2021039739A (ja) * | 2019-08-28 | 2021-03-11 | 富士電機株式会社 | 予測装置、予測プログラム、及び予測方法 |
CN112561207A (zh) * | 2020-12-25 | 2021-03-26 | 浙江华云电力工程设计咨询有限公司 | 一种考虑气象因素的电网负荷预测方法、装置和电力*** |
CN113361785A (zh) * | 2021-06-10 | 2021-09-07 | 国网河北省电力有限公司经济技术研究院 | 配电网短期负荷预测方法、装置、终端及存储介质 |
-
2021
- 2021-09-09 CN CN202111057989.6A patent/CN113743673B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000092705A (ja) * | 1998-09-11 | 2000-03-31 | Chubu Electric Power Co Inc | 電力系統潮流監視装置 |
JP2006244062A (ja) * | 2005-03-02 | 2006-09-14 | Osaka Gas Co Ltd | エネルギ負荷データ作成装置及びコージェネレーションシステム |
KR20120036568A (ko) * | 2010-10-08 | 2012-04-18 | 주식회사 케이디파워 | 전력부하 패턴 추출 방법 |
JP2014057473A (ja) * | 2012-09-13 | 2014-03-27 | Azbil Corp | 負荷量予測装置および負荷量予測方法 |
JP2015198486A (ja) * | 2014-03-31 | 2015-11-09 | 清水建設株式会社 | 電力需要予測装置および電力需要予測方法 |
CN104156786A (zh) * | 2014-08-18 | 2014-11-19 | 广西电网有限责任公司 | 一种考虑气象多因素影响的非工作日最大日负荷预测*** |
CN104376384A (zh) * | 2014-11-27 | 2015-02-25 | 广西大学 | 一种基于电力大数据分析的台风日最大日负荷预测*** |
CN104616075A (zh) * | 2015-01-30 | 2015-05-13 | 广西大学 | 一种适合于台风天气下的短期负荷预测方法 |
WO2016136323A1 (ja) * | 2015-02-27 | 2016-09-01 | 株式会社E.I.エンジニアリング | エネルギー予測システム、エネルギー予測方法、これを実行させるためのコンピュータプログラム及びこのプログラムを記録した記録媒体並びに運転支援システム |
CN105303268A (zh) * | 2015-11-25 | 2016-02-03 | 国家电网公司 | 基于相似度理论的风力发电输出功率预测方法 |
CN107292537A (zh) * | 2017-07-24 | 2017-10-24 | 广西大学 | 考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法 |
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN109583629A (zh) * | 2018-11-09 | 2019-04-05 | 广东电网有限责任公司电力调度控制中心 | 基于偏差自校正的改进相似日短期负荷预测方法及装置 |
JP2021039739A (ja) * | 2019-08-28 | 2021-03-11 | 富士電機株式会社 | 予測装置、予測プログラム、及び予測方法 |
CN110866658A (zh) * | 2019-12-05 | 2020-03-06 | 国网江苏省电力有限公司南通供电分公司 | 一种城市电网中长期负荷预测方法 |
CN112183849A (zh) * | 2020-09-25 | 2021-01-05 | 贵州乌江水电开发有限责任公司 | 一种基于人工神经网络的短期电力电量预测方法 |
CN112561207A (zh) * | 2020-12-25 | 2021-03-26 | 浙江华云电力工程设计咨询有限公司 | 一种考虑气象因素的电网负荷预测方法、装置和电力*** |
CN113361785A (zh) * | 2021-06-10 | 2021-09-07 | 国网河北省电力有限公司经济技术研究院 | 配电网短期负荷预测方法、装置、终端及存储介质 |
Non-Patent Citations (5)
Title |
---|
J.W. TAYLOR等: "Neural network load forecasting with weather ensemble predictions", IEEE, pages 626 - 632 * |
RUI WANG等: "Electric short-term load forecast integrated method based on time-segment and improved MDSC-BP", TAYLOR AND FRANCIS ONLINE, pages 80 - 86 * |
吴荣福 等: "台风期间福建电网短期负荷预测研究", 电工电气, pages 26 - 29 * |
李小燕 等: "基于相似日负荷修正的台风期间短期负荷预测", 电力***及其自动化学报, vol. 25, no. 3, pages 82 - 89 * |
马骞 等: "基于双重相似机制的台风期间电力负荷预测方法研究", 广东电力, vol. 35, no. 3, pages 79 - 87 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186230A (zh) * | 2022-06-10 | 2022-10-14 | 广东省生态环境监测中心 | 一种判定台风对空气质量影响的方法及装置 |
CN115186230B (zh) * | 2022-06-10 | 2024-03-29 | 广东省生态环境监测中心 | 一种判定台风对空气质量影响的方法及装置 |
CN115629431A (zh) * | 2022-12-22 | 2023-01-20 | 成都数之联科技股份有限公司 | 一种水汽含量预测方法、装置、设备及介质 |
CN116956198A (zh) * | 2023-09-18 | 2023-10-27 | 湖南迈格瑞特物联科技有限公司 | 基于物联网的智慧用电数据分析方法及*** |
CN116956198B (zh) * | 2023-09-18 | 2023-12-26 | 湖南迈格瑞特物联科技有限公司 | 基于物联网的智慧用电数据分析方法及*** |
CN117312875A (zh) * | 2023-10-13 | 2023-12-29 | 河北省气象灾害防御和环境气象中心(河北省预警信息发布中心) | 基于knn算法的区域性高温事件相似判别方法 |
CN117312875B (zh) * | 2023-10-13 | 2024-04-12 | 河北省气象灾害防御和环境气象中心(河北省预警信息发布中心) | 基于knn算法的区域性高温事件相似判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113743673B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113743673B (zh) | 一种台风期间的电力负荷预测方法 | |
CN109636010B (zh) | 基于相关因素矩阵的省级电网短期负荷预测方法及*** | |
CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
CN112215442B (zh) | 电力***短期负荷预测方法、***、设备及介质 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、***及终端设备 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN112907062A (zh) | 融合温度特征的电网电量预测方法、装置、介质及终端 | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
CN113240153A (zh) | 光伏发电数据预测方法、装置、计算设备及存储介质 | |
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 | |
KR102478684B1 (ko) | 앙상블 학습을 이용한 에너지 소비 예측 방법 및 상기 방법을 수행하는 컴퓨팅 장치 | |
CN114970357A (zh) | 节能效果评价方法、***、装置及存储介质 | |
CN114186733A (zh) | 一种短期负荷预测方法和装置 | |
CN113592192A (zh) | 短期电力负荷预测方法、装置及终端设备 | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN113570106A (zh) | 基于高速公路神经网络的电力负荷预测方法及设备 | |
CN117277312A (zh) | 一种基于灰色关联分析的电力负荷影响因素方法及设备 | |
CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
CN111523083A (zh) | 一种电力负荷申报数据的确定方法以及装置 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及*** | |
CN116706884A (zh) | 光伏发电量的预测方法、装置、终端及存储介质 | |
CN111127114A (zh) | 一种电力负荷申报数据的确定方法以及装置 | |
CN111178630A (zh) | 一种负荷预测方法及装置 | |
CN111178637A (zh) | 一种电网短期负荷预测方法和装置 |
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 |