CN114092276A - 台区短期负荷的预测方法 - Google Patents
台区短期负荷的预测方法 Download PDFInfo
- Publication number
- CN114092276A CN114092276A CN202111338979.XA CN202111338979A CN114092276A CN 114092276 A CN114092276 A CN 114092276A CN 202111338979 A CN202111338979 A CN 202111338979A CN 114092276 A CN114092276 A CN 114092276A
- Authority
- CN
- China
- Prior art keywords
- data
- forecast
- actual
- area
- target
- 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 105
- 238000010248 power generation Methods 0.000 claims description 50
- 230000002159 abnormal effect Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 21
- 230000002354 daily effect Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000012937 correction Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification 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
- 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
-
- 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"
-
- 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
- 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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种台区短期负荷的预测方法,包括:将预测日期的气象预报数据、目标台区内的分布式光伏装机容量、历史实际分布式光伏出力数据和实际气象数据输入光伏出力预测模型,得到预测日期的预测分布式光伏出力数据;将气象预报数据、预测日期的日类型、历史实际台区总用电负荷和实际气象数据输入台区总用电负荷预测模型,得到预测日期的预测台区总用电负荷;综合预测台区总用电负荷与预测分布式光伏出力数据得到目标台区的预测台区负荷。本申请考虑到台区负荷受分布式光伏影响的情况,能够通过预测较为稳定的台区总用电负荷,结合分布式光伏出力数据得到台区负荷,从而提高台区负荷短期预测的稳定性。
Description
技术领域
本发明涉及负荷预测技术领域,尤其涉及一种台区短期负荷的预测方法。
背景技术
短期负荷预测是负荷预测的重要组成部分,是电力部门合理地制定发电计划的基础,是保证***供需平衡的重要前提。而目前对短期负荷预测的研究多针对省级或市级区域电网,对于台区配变为单元的负荷预测,由于其供电区域小、用电负荷波动大和预测结果稳定性不足等问题,导致预测难度大。
现有技术中,短期负荷预测方法主要包括趋势外推法和回归分析法,其中,趋势外推法是按照负荷的变化趋势对未来负荷情况做出判定。此方法计算简单,方法实用性较强,但当历史数据序列存在明显的波动时,预测结果不甚理想;回归分析法是对历史数据进行拟合建模,常用于分析负荷与气象之间的相关关系并利用气象数据对负荷进行预测,但目前由于分布式光伏的影响使得台区负荷与气象相关性减弱,因此预测效果也欠佳。
发明内容
有鉴于此,本发明提供了一种台区短期负荷的预测方法,能够解决台区短期负荷预测效果差的问题。
第一方面,本发明实施例提供了一种台区短期负荷的预测方法,包括:
获取目标台区在预测日期的气象预报数据、预测日期的日类型、目标台区内的分布式光伏装机容量、在预测日期前预设时段内的实际台区总用电负荷、实际分布式光伏出力数据和实际气象数据;
将气象预报数据、目标台区内的分布式光伏装机容量、预测日期前预设时段内的实际分布式光伏出力数据和实际气象数据输入光伏出力预测模型,得到目标台区在预测日期的预测分布式光伏出力数据;
将气象预报数据、预测日期的日类型、预测日期前预设时段内的实际台区总用电负荷和实际气象数据输入台区总用电负荷预测模型,得到目标台区在预测日期的预测台区总用电负荷;
基于所述目标台区在所述预测日期的预测台区总用电负荷与预测分布式光伏出力数据,得到所述目标台区在所述预测日期对应的预测台区负荷。
第二方面,本发明实施例提供了一种台区短期负荷的预测装置,包括:
数据获取模块,用于获取目标台区在预测日期的气象预报数据、预测日期的日类型、目标台区内的分布式光伏装机容量、在预测日期前预设时段内的实际台区总用电负荷、实际分布式光伏出力数据和实际气象数据;
光伏出力预测模块,用于将气象预报数据、目标台区内的分布式光伏装机容量、预测日期前预设时段内的实际分布式光伏出力数据和实际气象数据输入光伏出力预测模型,得到目标台区在预测日期的预测分布式光伏出力数据;
总用电负荷预测模块,用于将气象预报数据、预测日期的日类型、预测日期前预设时段内的实际台区总用电负荷和实际气象数据输入台区总用电负荷预测模型,得到目标台区在预测日期的预测台区总用电负荷;
台区负荷预测模块,用于基于所述目标台区在所述预测日期的预测台区总用电负荷与预测分布式光伏出力数据,得到所述目标台区在所述预测日期对应的预测台区负荷。
第三方面,本发明实施例提供了一种终端,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,所述处理器执行所述计算机程序时实现如上第一方面任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例提供了一种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,所述计算机程序被处理器执行时实现如上第一方面任一种可能的实现方式所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本实施例首先获取目标台区在预测日期的气象预报数据、预测日期的日类型、目标台区内的分布式光伏装机容量、在预测日期前预设时段内的实际台区总用电负荷、实际分布式光伏出力数据和实际气象数据;然后将气象预报数据、目标台区内的分布式光伏装机容量、预测日期前预设时段内的实际分布式光伏出力数据和实际气象数据输入光伏出力预测模型,得到目标台区在预测日期的预测分布式光伏出力数据;将气象预报数据、预测日期的日类型、预测日期前预设时段内的实际台区总用电负荷和实际气象数据输入台区总用电负荷预测模型,得到目标台区在预测日期的预测台区总用电负荷;最后基于所述目标台区在所述预测日期的预测台区总用电负荷与预测分布式光伏出力数据,得到所述目标台区在所述预测日期对应的预测台区负荷。本实施例考虑到台区负荷受分布式光伏影响波动性较大的情况,能够通过预测较为稳定的台区总用电负荷结合分布式光伏出力数据得到台区负荷,从而提高台区负荷短期预测的稳定性。
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区短期负荷的预测方法的实现流程图;
图2是本发明实施例提供的典型日的分布式光伏出力曲线图;
图3是本发明实施例提供的连续一周的分布式光伏出力曲线图;
图4是本发明实施例提供的台区负荷的四季典型日负荷曲线图;
图5是本发明实施例提供的台区总用电负荷的四季典型日负荷曲线图;
图6是本发明实施例提供的辐照-分布式光伏出力关系图;
图7是本发明实施例提供的温度-分布式光伏出力关系图;
图8是本发明实施例提供的风速-分布式光伏出力关系图;
图9是本发明实施例提供的方法一和方法二的均方根误差对比图;
图10是本发明实施例提供的方法一和方法二的预测准确率对比图;
图11是本发明实施例提供的终端的示意图。
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。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
目前,分布式光伏主要安装在农村或城市居民屋顶、工商业和行政事业单位以及公共设施等场合,一般采用220/380V低压并网模式并入配电台区。随着分布式光伏装机的快速增长以及占比的提高,局部高比例分布式光伏的接入改变了配电网的运行特性,给电网安全运行带来了一系列挑战。因此本实施例研究一种考虑分布式光伏影响的台区负荷预测方法,有利于提高分布式光伏高比例接入的配电网台区负荷预测水平,对于提高区域电网新能源消纳水平、助力“双碳”目标实现、促进电网安全稳定运行水平、推动电力现货市场平稳运行、优化配网投资与运行具有重要指导意义。
具体地,本实施例首先通过对实际台区负荷特征的分析发现当前台区负荷受分布式光伏出力随机性的影响,实际台区负荷经常出现功率倒送、负荷波动性大等问题,导致常用的预测方法适应性差、预测准确率不高。基于此提出考虑分布式光伏影响的台区短期负荷的预测方法,即首先在台区负荷基础上剥离分布式光伏影响,还原得到台区总用电负荷(也称净负荷)。
在前期分析阶段,首先收集台区台账、实际台区负荷、分布式光伏台账、分布式光伏发电功率、实际气象数据等,以便后续分析研究。
具体地,分布式光伏台账包括分布式光伏的地理位置、型号、装机容量、用户编号等。分布式光伏出力数据包括分布式光伏发电功率和分布式光伏的单位时段内的发电量。分布式光伏发电功率指的是目标台区内每个光伏发电用户的发电功率。台区台账包括台区的地理位置、台区内的用户编号等。气象数据包括辐照、温度、湿度、风速、雨量等。
为了提高台区负荷预测水平,本实施例首先对分布式光伏接入台区后台区负荷变化规律进行研究,具体如下:
(1)分布式光伏出力特性分析
分析典型日的分布式光伏出力曲线和连续一周的分布式光伏出力曲线。图2示出了典型日的分布式光伏出力曲线,图3示出了连续一周的分布式光伏出力曲线,如图2至图3所示,以一天为单位,分布式光伏发电功率在有效光照时间段上半段逐渐上升,在有效光照时间段下半段逐渐下降,在夜间无光照时段为零。且分布式光伏发电功率一般在清晨7点开始增长,至中午11-1点达到顶峰,与下午5-6点左右下降明显。从连续一周分布式光伏出力曲线可以看出,在外界运行条件的综合影响之下,分布式光伏发电功率每天呈现不同的特点,这是光伏出力非平稳性的体现。
(2)台区负荷特性与台区总用电负荷特性对比分析
台区负荷主要指台区关口实际负荷,及台区短期负荷预测对象。当台区负荷为正时表示受入负荷,当台区负荷为负时表示送出负荷。
台区总用电负荷是指该台区下实际总用电需求,为台区负荷+台区内所有分布式光伏出力数据之和。
如图4至图5所示,分析台区负荷的四季典型日负荷曲线;同时对比分析台区总用电负荷的四季典型日负荷曲线,通过对比发现台区总用电负荷不受分布式光伏影响,同时受气候影响相对较小,负荷波动基本平稳。因此相较于台区负荷更适用于常规短期负荷预测方法。因此本实施例提出了将台区负荷分解为分布式光伏出力和台区总用电负荷的分解预测思路,为考虑分布式光伏影响的台区短期负荷的预测方法奠定分析基础。
图1为本发明实施例提供的台区短期负荷的预测方法的实现流程图,详述如下:
S101:获取目标台区在预测日期的气象预报数据、预测日期的日类型、目标台区内的分布式光伏装机容量、在预测日期前预设时段内的实际台区总用电负荷、实际分布式光伏出力数据和实际气象数据。
在本实施例中,由于本实施例主要进行台区短期负荷预测,因此预测日期通常指次日,预测日期前预设时段可以为预测日期的前一天或前一周。预测日期的预测分布式光伏出力数据包括次日96点分布式光伏出力曲线,也可以为次日24点分布式光伏出力曲线。
S102:将气象预报数据、目标台区内的分布式光伏装机容量、预测日期前预设时段内的实际分布式光伏出力数据和实际气象数据输入光伏出力预测模型,得到目标台区在预测日期的预测分布式光伏出力数据。
具体地,采用人工智能算法构建光伏出力预测模型,光伏出力预测模型的输入包括预测日期前预设时段的实际分布式光伏出力数据和实际气象数据,其中,任一时刻的实际分布式光伏出力数据指的是该时刻目标台区内所有光伏发电用户的分布式光伏出力之和。其中,实际气象数据和气象预报数据基于目标台区的地理位置和日期查询得到。
具体地,在进行分布式光伏出力预测时,用到的气象数据类型包括总辐照度、直接辐照度、散射辐照度、温度、湿度和风速。优选的可以为辐照度。
S103:将气象预报数据、预测日期的日类型、预测日期前预设时段内的实际台区总用电负荷和实际气象数据输入台区总用电负荷预测模型,得到目标台区在预测日期的预测台区总用电负荷。
本实施例基于台区总用电负荷数据,综合考虑日类型、气象数据等因素影响,构建台区总用电负荷预测模型,实现次日多时间点的台区总用电负荷曲线预测。
S104:基于所述目标台区在所述预测日期的预测台区总用电负荷与预测分布式光伏出力数据,得到所述目标台区在所述预测日期对应的预测台区负荷。
具体地,将预测日期的预测台区总用电负荷与预测分布式光伏出力数据相加,得到该预测日期下目标台区的预测台区负荷。
从上述实施例可知,本实施例考虑到台区负荷受分布式光伏影响波动性较大的情况,能够通过预测较为稳定的台区总用电负荷结合分布式光伏出力数据得到台区负荷,从而提高台区负荷短期预测的稳定性。
在一个实施例中,S101的具体实现流程包括:
获取目标台区在所述预测日期前预设时段内的实际台区负荷;
基于所述目标台区在所述预测日期前预设时段内的实际分布式光伏出力数据和实际台区负荷,计算所述目标台区在所述预测日期前预设时段内的实际台区总用电负荷。
在一个实施例中,在S101之后,本实施例提供的方法还包括:
查找所述目标台区在所述预测日期前预设时段内的实际分布式光伏出力数据中的异常数据;
若所述目标台区在所述预测日期前预设时段内的异常数据的连续个数超过N个,则采用曲线拟合法修正异常数据;
若所述目标台区在所述预测日期前预设时段内的异常数据的连续个数不超过N个,则采用插值法修正异常数据。
在本实施例中,当通过S101获取到目标台区对应的大量初始数据后,需要对异常数据进行辨识和纠正。常规的异常数据包括空数据点、零数据点、连续恒定值、异常阶跃值等。而分布式光伏发电功率数据除存在上述异常数据类型外,受制于分布式光伏数据管理和采集设备的限制,可将分布式光伏出力数据的采集类型分为以下几种:
A类:仅能采集到分布式光伏的单位时段内的发电量数据;单位时段内的发电量数据具体可以为日电量和月电量。
B类:能采集到每天24点功率数据和单位时段内的发电量;
C类:能采集到每天96点功率数据和单位时段内的发电量;
基于上述情况,本实施例可以通过辨识实际分布式光伏出力数据的采集类型、分类修正实际分布式光伏出力数据,为后续分布式光伏发电功率预测奠定数据基础。
具体地,正常情况下,每天采集的分布式光伏出力数据为96个或24个,N可以取3。当采集类型为上述的B类或C类,且分布式光伏出力数据连续异常的个数不超过3个时,由于异常数据较少,可以采用插值法修正异常数据,当连续的异常数据超过3个时,则采用曲线拟合法修正异常数据。
具体地,插值法即利用邻近的少量观测数据进行插值,基于两变量之间存在着线性关系或近似的线性关系,在数据间距较小,数值变化较小的情况下,只需要依据两个己知点,就可以计算出待插值。
具体地,由于台区总用电负荷、分布式光伏出力数据曲线均具有周期性,因此利用曲线拟合法对曲线进行修补可以较好地还原曲线。
在修正中,采用曲线拟合进行异常数据修正时需要满足以下两方面的基本条件:
1)待修正段的数据与两端的正常数据必须连续;
2)修正后的数据的形状应当与拟合曲线尽可能吻合。
基于对以上两个基本条件的考虑,将曲线进行线性变换,使变换后的曲线对齐到异常数据段两端的正常数据上。如果异常数据段出现在中间,则令曲线的两端分别对齐两端的正常数据,如果异常数据出现在一边,就使变换之后的曲线对齐最靠近端部的正常数据,从而实现对异常数据的科学合理修补。本方法还将对修正后的数据进行二次检验,将误判为异常数据的数据进行还原。
为了防止正常数据被误判为异常数据,本实施例设计了反馈控制环节。在这一环节中,将修正前后的实际分布式光伏出力数据变化量小于预设变化量阈值的数据还原,从而对异常数据判断进行反馈校核。如果修复后的数值与修复前相差无几,则认为修正产生了误判,并进而对其进行“平反”,即恢复该点数据为正确数据。
进一步的,若异常数据的连续个数超过M个,则采用虚拟预测法修正异常数据。M>>N。
具体地,若出现一日连续或多日连续的空数据时,运用常规修正技术无法满足修正需求,需采用虚拟预测技术,即引入相关预测模型,建设空数据日为待预测日,运用空数据日前若干周期的历史数据对该日数据开展预测。
在一个实施例中,所述实际分布式光伏出力数据包括所述目标台区内各个光伏发电用户的实际光伏出力数据;在S101之后,本实施例提供的方法还包括:
从所述目标台区中查找第一用户的相似用户;所述第一用户为所述目标台区中实际光伏出力数据仅包括光伏发电量而缺失分布式光伏发电功率的光伏发电用户;
计算所述第一用户在单位时段内的光伏发电量与所述相似用户在单位时段内的光伏发电量的比值,得到第一比值;
根据所述相似用户在所述预测日期前预设时段内对应的分布式光伏发电功率和所述第一比值,得到所述第一用户在所述预测日期前预设时段内对应的分布式光伏发电功率。
在本实施例中,针对仅有单位时段的发电量而没有分布式光伏发电功率(C类)的光伏发电用户,采用以下方法进行分布式光伏发电功率的构建,具体如下:
(1)在第一用户的周边范围内具有光伏功率发电数据的光伏发电用户中寻找相似度最高的光伏发电用户作为参照。计算第一用户和其他光伏发电用户的相关系数,相关系数越高,相似度越高。相似度判断因素包括分布式光伏发电功率的特征、光伏装机容量等。
(2)通过计算第一用户与其相似用户的日电量或月电量的比例,结合相似用户的分布式光伏发电功率数据,折算成第一用户的分布式光伏发电功率。
本实施例通过上述异常数据辨识与修正技术能够提高分布式光伏出力数据质量,为提高分布式光伏发电功率预测准确率奠定良好基础。
在一个实施例中,所述气象数据包括多个气象类型;
在S102之前,本实施例提供的方法还包括:
分别计算所述预测日期前预设时段内各个气象类型的实际气象数据与分布式光伏出力数据的相关性;
将相关性满足第一预设条件的气象类型作为目标气象类型;
获取所述目标气象类型对应的气象预报数据;
相应地,S102包括:
将所述目标气象类型对应的气象预报数据、所述目标台区内的分布式光伏装机容量、所述预测日期前预设时段内的实际分布式光伏出力数据和所述目标气象类型对应的实际气象数据输入所述光伏出力预测模型,得到所述目标台区在所述预测日期的预测分布式光伏出力数据。
在本实施例中,图6示出了辐照-分布式光伏出力关系图,图7示出了温度-分布式光伏出力关系图,图8示出了风速-分布式光伏出力关系图。通过分布式光伏出力与辐照、温度、风速相关关系分析来看,辐照与分布式光伏出力紧密相关,是影响分布式光伏出力的主导气象因素,相关性达到0.7352,为高度正相关;温度对分布式光伏出力有一定影响,但相对较弱,相关性为0.3493;风速与分布式光伏出力相关性较差,可不作为重点考虑因素。
具体地,第一预设条件可以为:从所有气象类型中选取相关性最高的气象类型作为目标气象类型;或,选取相关性大于预设相关性阈值的气象类型作为目标气象类型。
在一个实施例中,所述气象预报数据包括雨量、温度、湿度和风速;S103的具体实现流程包括:
将所述预测日期的雨量、温度、湿度、风速、所述预测日期的日类型、所述预测日期前预设时段内的实际台区总用电负荷和实际气象数据输入所述台区总用电负荷预测模型,得到所述目标台区在所述预测日期的预测台区总用电负荷。
在本实施例中,用于进行台区总用电负荷预测的气象预报数据和实际气象数据均包括雨量、温度、湿度和风速。
在一个实施例中,所述光伏出力预测模型基于LightGBM构建得到。
具体地,LightGBM的基本思想是通过M棵弱回归树线性组合为强回归树,公式为:
式中:F(x)表示最终的输出值;fm(x)表示第m棵弱回归树的输出值。
将使用GOSS(Gradient-based One-Side Sampling,梯度单边采样)算法和EFB(Exclusive Feature Bundling,互斥特征捆绑)算法的梯度提升树(GBDT)称之为LightGBM。GOSS算法的主要思想是,梯度大的样本点在信息增益的计算上扮演着主要的作用。因此为了保持信息增益评估的精度,当对样本进行下采样的时候保留这些梯度大的样本点,而对于梯度小的样本点按比例进行随机采样即可。通过运用GOSS算法,不但可以做到既不损失学习精度,又可以极大加快学习的速率,所以GOSS技术在较原来少很多的数据前提下仍然可以取得相当准确的估计值。
EFB算法,实现互斥特征的捆绑,以减少特征的数量,是一种可以减少高维数据的特征数目并且使损失最小的一种算法,这里不是使用所有的特征来进行扫描获得最佳的切分点,而是将某些特征进行捆绑在一起来降低特征的维度,使寻找最佳切分点的消耗减少,这样大大地降低处理样本的时间复杂度。
在一个实施例中,所述台区总用电负荷预测模型基于Lasso线性回归方法构建得到。
具体地,核方法的主要思想基于假设:在低维空间中不能线性分割的点集,通过转化为高维空间中的点集时,很有可能变为线性可分的。由此,核方法可以将线性方法扩展为非线性的。理论上讲,核方法可将原样本数据映射到一个非常高甚至无穷维的空间,但是它所对应的特征方程中矩阵的维数仅为训练样本个数;换言之,虽然核方法本质上将数据变换到高维空间,但它不需直接在高维空间中求解;其问题求解空间的维数仅等于其训练样本个数。实际上,这正是核方法作为一种非线性方法能克服维数灾难的关键。
核方法(Kernel methods)将数据点从输入空间隐含地映射到某些特征空间,即使相对简单的算法(如线性方法)核函数的表现也十分优秀。至关重要的是核函数(Kernelfunction)的选择,它决定了输入空间和特征空间之间的映射关系。为了使核方法更好地执行,通过选择核函数并手动设置超参数,核函数通常起着非常关键的作用。这些方法通常可以分为两种,包括基于角色函数学习以及基于核心矩阵学习的主要方法。核函数学习方法的范围从学习一些预先指定核函数的超参数到在一类可能的核函数内学习另一个核函数。
传统的线性回归方法使用方差作为学习目标:
上式中X=(x1,x2,...,xn)T∈Rn×p为数据矩阵,而y=(y1,...,yn)∈Rn×1为由标签组成的列向量。该方程具有解析解:
如果训练数据的规模过小,ρ>N的情况下,XTX将不会满秩,会产生过拟合的情况。
为了防止过拟合,Lasso方法对比传统的线性回归,添加了一个l1范式的正则项对参数进行约束:
该公式的等价形式如下:
Lasso的一维范式不仅可以有效地防止过拟合,由于其以一维范式对参数ω进行约束,使解空间为一个菱形,使解容易落在坐标轴上,从而易于得到具有稀疏性的解。
由以上的推导可以看出lasso回归的特色就是在建立广义线型模型上,适应的数据范围比较广,无论是训练数据比较少的情况或者维度过高的情况,连续的或者是离散的,lasso回归均可以处理。总的来说,lasso对于数据的要求是极其低的,所以应用程度较广;除此之外,lasso还能够对变量进行筛选和对模型的复杂程度进行降低。这里的变量筛选是指不把所有的变量都放入模型中进行拟合,而是有选择的把变量放入模型从而得到更好的性能参数。复杂度调整是指通过一系列参数控制模型的复杂度,从而避免过度拟合(Overfitting)。
核函数的形式如下:
K(x1,x2)=<Φ(x1),Φ(x2)>
其中,Φ(x)表示原始数据在高维空间的非线性变换。对于Lasso函数而言,之前有很多的尝试对Lasso模型使用核函数的尝试。其中比较容易理解的方式是使用核机器模型(KMM)。
核机器模型的公式如下:
将Lasso模型通过核机器模型使用核函数扩展到高维度(一般是输入样本的数量)后,目标函数如下:
对这样使用核函数扩展到高维特征空间的数据进行lasso拟合,可以得到高维特征空间的稀疏解。
具体的,以下以一个具体的应用场景为例,对本实施例提供的方法进行进一步解释:
选取华北地区某一分布式光伏接入较多台区进行预测,该台区的变压器容量400kVA,经度114.51513379,纬度38.59827714,共接入分布式光伏用户39户,总装机容量为126.36kVA,并网方式为全额上网。历史数据时间范围为2020年1月1日至2021年5月20日。
首先,基于分布式光伏出力特征,综合考虑地理位置、气象等因素影响,构建光伏出力预测模型,采用人工智能算法LightGBM作为典型算法实现次日96点分布式光伏出力曲线预测。以上述配变台区下的分布式光伏发电功率为预测对象,运用2020年1月1日至2020年10月31日的数据为训练数据,2020年11月1日至2020年11月30日的数据为预测验证数据,通过对光伏出力预测模型进行逐日滚动训练,预测结果如下:考虑到分布式光伏出力数据主要与辐照有关,也在一定程度上受温度影响,因此,分别以仅考虑辐照和同时考虑辐照和温度进行建模计算,其中仅考虑辐照作为目标气象类型时,11月平均日预测均方根误差为5.50kW,平均日预测准确率为94.54%,平均日积分电量预测准确率为83.78%,同时考虑辐照和温度作为目标气象类型时,11月平均日预测均方根误差为6.12kW,平均日预测准确率为93.93%,相差不大,且加入温度影响具有一定扰动效应,因此建议分布式光伏预测建模中应重点考虑辐照数据,根据实际情况将温度影响纳入考虑。
其次,基于台区总用电负荷的用电特征,综合考虑日类型、气象数据等因素影响,构建台区总用电负荷预测模型,采用人工智能算法——改进核Lasso的线性回归方法,实现次日96点的台区总用电负荷曲线预测。以台区总用电负荷为预测对象,考虑温度、湿度、风速多种类型气象因素,对2020年11月的台区总用电负荷通过台区总用电负荷预测模型进行逐日滚动训练预测,预测结果如下:通过对台区11月数据逐日滚动进行预测结果分析,其预测结果均方根误差平均值为3.03kW,日平均预测准确率为96.32%,日积分电量平均预测准确率为88.35%,模型具有较好的适应性。
最后,结合预测台区总用电负荷与预测分布式光伏出力数据,综合形成台区短期负荷预测结果。
本实施例还对两种预测方法进行了对比,以验证本实施例提供的台区短期负荷预测方法的有效性。
方法一:采用本实施例提供的分解式的台区短期负荷预测方法;
方法二:不进行分解直接开展台区负荷预测的方法。
对比结果如下:
如图9所示,方法一的月平均均方根误差为6.03kW,方法二的月平均均方根误差为10.96kW,与方法二相比,方法一的平均误差降低4.93kW。如图10所示,方法一的月平均预测准确率为94.41%,方法二的月平均预测准确率为89.85%,与方法二相比,方法一的平均准确率提高4.57%。证明本实施例提供的方法较常规直接预测模式具有较高的适应性。
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。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
本实施例提供了一种台区短期负荷的预测装置,其包括:
数据获取模块,用于获取目标台区在预测日期的气象预报数据、预测日期的日类型、目标台区内的分布式光伏装机容量、在预测日期前预设时段内的实际台区总用电负荷、实际分布式光伏出力数据和实际气象数据;
光伏出力预测模块,用于将气象预报数据、目标台区内的分布式光伏装机容量、预测日期前预设时段内的实际分布式光伏出力数据和实际气象数据输入光伏出力预测模型,得到目标台区在预测日期的预测分布式光伏出力数据;
总用电负荷预测模块,用于将气象预报数据、预测日期的日类型、预测日期前预设时段内的实际台区总用电负荷和实际气象数据输入台区总用电负荷预测模型,得到目标台区在预测日期的预测台区总用电负荷;
台区负荷预测模块,用于基于所述目标台区在所述预测日期的预测台区总用电负荷与预测分布式光伏出力数据,得到所述目标台区在所述预测日期对应的预测台区负荷。
在一个实施例中,数据获取模块包括:
获取目标台区在所述预测日期前预设时段内的实际台区负荷;
基于所述目标台区在所述预测日期前预设时段内的实际分布式光伏出力数据和实际台区负荷,计算所述目标台区在所述预测日期前预设时段内的实际台区总用电负荷。
在一个实施例中,台区短期负荷的预测装置还包括,第一数据预处理模块,用于:
查找所述目标台区在所述预测日期前预设时段内的实际分布式光伏出力数据中的异常数据;
若所述目标台区在所述预测日期前预设时段内的异常数据的连续个数超过N个,则采用曲线拟合法修正异常数据;
若所述目标台区在所述预测日期前预设时段内的异常数据的连续个数不超过N个,则采用插值法修正异常数据。
在一个实施例中,所述实际分布式光伏出力数据包括所述目标台区内各个光伏发电用户的实际光伏出力数据;台区短期负荷的预测装置还包括第二数据预处理模块,用于::
从所述目标台区中查找第一用户的相似用户;所述第一用户为所述目标台区中实际光伏出力数据仅包括光伏发电量而缺失分布式光伏发电功率的光伏发电用户;
计算所述第一用户在单位时段内的光伏发电量与所述相似用户在单位时段内的光伏发电量的比值,得到第一比值;
根据所述相似用户在所述预测日期前预设时段内对应的分布式光伏发电功率和所述第一比值,得到所述第一用户在所述预测日期前预设时段内对应的分布式光伏发电功率。
在一个实施例中,所述气象数据包括多个气象类型;
台区短期负荷的预测装置还包括,目标气象类型确定模块,用于:
分别计算所述预测日期前预设时段内各个气象类型的实际气象数据与分布式光伏出力数据的相关性;
将相关性满足第一预设条件的气象类型作为目标气象类型;
获取所述目标气象类型对应的气象预报数据。
相应地,光伏出力预测模块包括:
将所述目标气象类型对应的气象预报数据、所述目标台区内的分布式光伏装机容量、所述预测日期前预设时段内的实际分布式光伏出力数据和所述目标气象类型对应的实际气象数据输入所述光伏出力预测模型,得到所述目标台区在所述预测日期的预测分布式光伏出力数据。
在一个实施例中,所述气象预报数据包括雨量、温度、湿度和风速;总用电负荷预测模块包括:
将所述预测日期的雨量、温度、湿度、风速、所述预测日期的日类型、所述预测日期前预设时段内的实际台区总用电负荷和实际气象数据输入所述台区总用电负荷预测模型,得到所述目标台区在所述预测日期的预测台区总用电负荷。
在一个实施例中,所述光伏出力预测模型基于LightGBM构建得到。
在一个实施例中,所述台区总用电负荷预测模型基于Lasso线性回归方法构建得到。
本实施例提供的台区短期负荷的预测装置,可用于执行上述台区短期负荷的预测方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图11是本发明一实施例提供的终端的示意图。如图11所示,该实施例的终端11包括:处理器110、存储器111以及存储在所述存储器111中并可在所述处理器110上运行的计算机程序112。所述处理器110执行所述计算机程序112时实现上述各个台区短期负荷的预测方法实施例中的步骤,例如图1所示的步骤101至步骤104。或者,所述处理器110执行所述计算机程序112时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序112可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器111中,并由所述处理器110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112在所述终端11中的执行过程。
所述终端11可包括,但不仅限于,处理器110、存储器111。本领域技术人员可以理解,图11仅仅是终端11的示例,并不构成对终端11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,例如所述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110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。
所述存储器111可以是所述终端11的内部存储单元,例如终端11的硬盘或内存。所述存储器111也可以是所述终端11的外部存储设备,例如所述终端11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(FlashCard)等。进一步地,所述存储器111还可以既包括所述终端11的内部存储单元也包括外部存储设备。所述存储器111用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器111还可以用于暂时地存储已经输出或者将要输出的数据。
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,即将所述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,所述模块或单元的划分,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。
所述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。
所述集成的模块/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,所述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,可实现上述各个台区短期负荷的预测方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述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。所述计算机可读介质可以包括:能够携带所述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,所述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。
以上所述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)
1.一种台区短期负荷的预测方法,其特征在于,包括:获取目标台区在预测日期的气象预报数据、预测日期的日类型、目标台区内的分布式光伏装机容量、在预测日期前预设时段内的实际台区总用电负荷、实际分布式光伏出力数据和实际气象数据;将气象预报数据、目标台区内的分布式光伏装机容量、预测日期前预设时段内的实际分布式光伏出力数据和实际气象数据输入光伏出力预测模型,得到目标台区在预测日期的预测分布式光伏出力数据;将气象预报数据、预测日期的日类型、预测日期前预设时段内的实际台区总用电负荷和实际气象数据输入台区总用电负荷预测模型,得到目标台区在预测日期的预测台区总用电负荷;基于目标台区在预测日期的预测台区总用电负荷与预测分布式光伏出力数据,得到目标台区在预测日期对应的预测台区负荷。
2.根据权利要求1所述的台区短期负荷的预测方法,其特征在于,获取目标台区在所述预测日期前预设时段内的实际台区总用电负荷,包括:
获取目标台区在所述预测日期前预设时段内的实际台区负荷;
基于所述目标台区在所述预测日期前预设时段内的实际分布式光伏出力数据和实际台区负荷,计算所述目标台区在所述预测日期前预设时段内的实际台区总用电负荷。
3.根据权利要求1所述的台区短期负荷的预测方法,其特征在于,在所述获取目标台区在预测日期的气象预报数据、预测日期的日类型、目标台区内的分布式光伏装机容量、在预测日期前预设时段内的实际台区总用电负荷、实际分布式光伏出力数据和实际气象数据之后,所述方法还包括:
查找所述目标台区在所述预测日期前预设时段内的实际分布式光伏出力数据中的异常数据;
若所述目标台区在所述预测日期前预设时段内的异常数据的连续个数超过N个,则采用曲线拟合法修正异常数据;
若所述目标台区在所述预测日期前预设时段内的异常数据的连续个数不超过N个,则采用插值法修正异常数据。
4.根据权利要求1所述的台区短期负荷的预测方法,其特征在于,所述实际分布式光伏出力数据包括所述目标台区内各个光伏发电用户的实际光伏出力数据;
在所述获取目标台区在预测日期的气象预报数据、预测日期的日类型、目标台区内的分布式光伏装机容量、在预测日期前预设时段内的实际台区总用电负荷、实际分布式光伏出力数据和实际气象数据之后,所述方法还包括:
从所述目标台区中查找第一用户的相似用户;所述第一用户为所述目标台区中实际光伏出力数据仅包括光伏发电量而缺失分布式光伏发电功率的光伏发电用户;
计算所述第一用户在单位时段内的光伏发电量与所述相似用户在单位时段内的光伏发电量的比值,得到第一比值;
根据所述相似用户在所述预测日期前预设时段内对应的分布式光伏发电功率和所述第一比值,得到所述第一用户在所述预测日期前预设时段内对应的分布式光伏发电功率。
5.根据权利要求1所述的台区短期负荷的预测方法,其特征在于,所述气象数据包括多个气象类型;
在所述将气象预报数据、目标台区内的分布式光伏装机容量、预测日期前预设时段内的实际分布式光伏出力数据和实际气象数据输入光伏出力预测模型,得到目标台区在预测日期的预测分布式光伏出力数据之前,所述方法还包括:
分别计算所述预测日期前预设时段内各个气象类型的实际气象数据与分布式光伏出力数据的相关性;
将相关性满足第一预设条件的气象类型作为目标气象类型;
获取所述目标气象类型对应的气象预报数据;
相应地,所述将气象预报数据、目标台区内的分布式光伏装机容量、预测日期前预设时段内的实际分布式光伏出力数据和实际气象数据输入光伏出力预测模型,得到目标台区在预测日期的预测分布式光伏出力数据,包括:
将所述目标气象类型对应的气象预报数据、所述目标台区内的分布式光伏装机容量、所述预测日期前预设时段内的实际分布式光伏出力数据和所述目标气象类型对应的实际气象数据输入所述光伏出力预测模型,得到所述目标台区在所述预测日期的预测分布式光伏出力数据。
6.根据权利要求1所述的台区短期负荷的预测方法,其特征在于,所述气象预报数据包括雨量、温度、湿度和风速;
所述将气象预报数据、预测日期的日类型、预测日期前预设时段内的实际台区总用电负荷和实际气象数据输入台区总用电负荷预测模型,得到目标台区在预测日期的预测台区总用电负荷,包括:
将所述预测日期的雨量、温度、湿度、风速、所述预测日期的日类型、所述预测日期前预设时段内的实际台区总用电负荷和实际气象数据输入所述台区总用电负荷预测模型,得到所述目标台区在所述预测日期的预测台区总用电负荷。
7.根据权利要求1至6任一项所述的台区短期负荷的预测方法,其特征在于,所述光伏出力预测模型基于LightGBM构建得到。
8.根据权利要求1至6任一项所述的台区短期负荷的预测方法,其特征在于,所述台区总用电负荷预测模型基于Lasso线性回归方法构建得到。
9.一种终端,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的权利要求1至8中任一项所述方法的步骤。
10.一种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的权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111338979.XA CN114092276A (zh) | 2021-11-12 | 2021-11-12 | 台区短期负荷的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111338979.XA CN114092276A (zh) | 2021-11-12 | 2021-11-12 | 台区短期负荷的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092276A true CN114092276A (zh) | 2022-02-25 |
Family
ID=80300211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111338979.XA Pending CN114092276A (zh) | 2021-11-12 | 2021-11-12 | 台区短期负荷的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092276A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081739A (zh) * | 2022-07-20 | 2022-09-20 | 广东电网有限责任公司佛山供电局 | 一种基于lgbm决策树的负荷预测方法及*** |
-
2021
- 2021-11-12 CN CN202111338979.XA patent/CN114092276A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081739A (zh) * | 2022-07-20 | 2022-09-20 | 广东电网有限责任公司佛山供电局 | 一种基于lgbm决策树的负荷预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Raza et al. | An ensemble framework for day-ahead forecast of PV output power in smart grids | |
Prusty et al. | A critical review on probabilistic load flow studies in uncertainty constrained power systems with photovoltaic generation and a new approach | |
Van der Meer et al. | Probabilistic forecasting of solar power, electricity consumption and net load: Investigating the effect of seasons, aggregation and penetration on prediction intervals | |
WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测*** | |
Yoo et al. | Short term load forecasting using a self-supervised adaptive neural network | |
Mohandes | Support vector machines for short‐term electrical load forecasting | |
Zhang et al. | Weather-classification-MARS-based photovoltaic power forecasting for energy imbalance market | |
Mohammed et al. | Probabilistic forecasting of solar power: An ensemble learning approach | |
Wang et al. | Comparative study of machine learning approaches for predicting short-term photovoltaic power output based on weather type classification | |
Fatemi et al. | Parametric methods for probabilistic forecasting of solar irradiance | |
Sigauke | Forecasting medium-term electricity demand in a South African electric power supply system | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
Lu et al. | A hybrid model based on convolutional neural network and long short-term memory for short-term load forecasting | |
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 | |
CN111538935A (zh) | 基于地形特征和多源模式产品的精细化降水融合方法、***、电子设备及存储介质 | |
CN111600300A (zh) | 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法 | |
Li et al. | Sizing ramping reserve using probabilistic solar forecasts: A data-driven method | |
Khuntia et al. | Risk‐based security assessment of transmission line overloading considering spatio‐temporal dependence of load and wind power using vine copula | |
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 | |
Ozkan et al. | Reducing the cost of wind resource assessment: using a regional wind power forecasting method for assessment | |
CN115329899A (zh) | 一种聚类等效模型构建方法、***、设备和存储介质 | |
CN114092276A (zh) | 台区短期负荷的预测方法 | |
CN112926772A (zh) | 一种基于lstm-gpr混合模型的光能预测方法 | |
Lee et al. | Advanced Probabilistic Power Flow Method Using Vine Copulas for Wind Power Capacity Expansion | |
Sarkar et al. | Bootstrap aggregating approach to short-term load forecasting using meteorological parameters for demand side management in the North-Eastern Region of India |
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 |