CN117318050A - 一种融合5g短共享的虚拟电厂负荷数据预测方法 - Google Patents

一种融合5g短共享的虚拟电厂负荷数据预测方法 Download PDF

Info

Publication number
CN117318050A
CN117318050A CN202311594738.0A CN202311594738A CN117318050A CN 117318050 A CN117318050 A CN 117318050A CN 202311594738 A CN202311594738 A CN 202311594738A CN 117318050 A CN117318050 A CN 117318050A
Authority
CN
China
Prior art keywords
historical
fluctuation
future
wave
fluctuation curve
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
CN202311594738.0A
Other languages
English (en)
Other versions
CN117318050B (zh
Inventor
周想凌
吕苏
余飞
罗弦
刘昕
周正
金虎
徐杰
王文帝
唐亚夫
李洋
胡阳
陆涛
罗先南
胡晨
赵婷
曾铮
陈岳
姚庆
文闯
王艳茹
张先飞
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.)
State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Hubei Electric Power 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 State Grid Hubei Electric Power Co Ltd filed Critical State Grid Hubei Electric Power Co Ltd
Priority to CN202311594738.0A priority Critical patent/CN117318050B/zh
Publication of CN117318050A publication Critical patent/CN117318050A/zh
Application granted granted Critical
Publication of CN117318050B publication Critical patent/CN117318050B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力***负荷预测领域，更具体地，本发明涉及一种融合5G短共享的虚拟电厂负荷数据预测方法。所述方法包括：获得历史负荷数据集的加法模型；对历史长期波动曲线、历史季节性波动曲线、历史随机波动曲线进行预测；获得历史波段的波动特征；获得未来时段波段的波动特征并计算未来时段波段内未来目标时刻的循环波动曲线；基于未来目标时刻的长期波动曲线、季节性波动曲线、随机波动曲线和循环波动曲线计算未来时段波段内未来目标时刻的电力***负荷值，完成对虚拟电厂负荷数据的预测。通过本发明的技术方案，能够根据历史电力***负荷值的趋势性和波动性更加准确的预测出未来时间段内的电力负荷值。

Description

一种融合5G短共享的虚拟电厂负荷数据预测方法
技术领域
本发明一般地涉及电力***负荷预测领域。更具体地，本发明涉及一种融合5G短共享的虚拟电厂负荷数据预测方法。
背景技术
近年来，5G电力交易专网引入和使用5G短共享技术，5G短共享技术具有以下优点：能够提供极低的通信延迟，5G网络的大容量和高带宽能够应对虚拟电厂***中庞大的数据量，并且5G短共享技术可以为虚拟电厂数据预测创建定制的通信网络。
虚拟电厂是一个电力***管理和能源市场中的概念，它指的是将多个分布式能源资源整合在一起，通过智能化的控制***协同运行，以提供灵活、高效、可持续的电力服务。在电力***中，负荷预测与调度是电力能源交易中非常重要的一项工作，它涉及到对未来负荷进行准确预测，并制定相应的发电计划和电力交易方案，以保持电力***的平衡和稳定运行。负荷预测是通过分析历史负荷数据、天气数据、经济指标等多个因素，使用统计学方法、机器学习算法或混合模型等技术手段，对未来一段时间内的负荷进行预测。预测的精确性对于合理安排发电计划和输电调度至关重要。
公开号为CN116822376A的专利申请文件公开了基于改进SMA-GRU短期电力负荷预测方法及***，该方法基于GRU模型结合注意力机制和SMA方法对电力的负荷进行预测，对电力负荷数据本身存在的趋势性和波动性研究不足，模型没有很好的考虑到电力负荷自身的特征。
发明内容
为解决上述一个或多个技术问题，本发明提出获得历史负荷数据集的加法模型；对历史长期波动曲线、历史季节性波动曲线、历史随机波动曲线进行预测；获得历史波段的波动特征；获得未来时段波段的波动特征并计算未来时段波段内未来目标时刻的循环波动曲线；基于未来目标时刻的长期波动曲线、季节性波动曲线、随机波动曲线和循环波动曲线计算未来时段波段内未来目标时刻的电力***负荷值，完成对虚拟电厂负荷数据的预测。为此，本发明在如下的多个方面中提供方案。
在一个实施例中，包括步骤：通过5G短共享技术获取虚拟电厂的历史负荷数据，并构建历史负荷数据集；使用效应分解法对所述历史负荷数据集进行分解，以获得历史负荷数据的历史长期波动曲线、历史季节性波动曲线、历史随机波动曲线和历史循环波动曲线；分别对所述历史长期波动曲线、所述历史季节性波动曲线和所述历史随机波动曲线进行预测，获得未来目标时刻的长期波动曲线值、季节性波动曲线值和随机波动曲线值；将所述历史循环波动曲线划分为不同的历史波段，获得所述历史波段的波动特征，所述波动特征包括第一波动幅度、第二波动幅度、波段长度；将所述历史波段的波动特征输入到预先训练好的预测网络模型中获得未来时段波段的波动特征；基于相关度对所述历史波段进行聚类，获得多个聚类簇，所述相关度满足关系式：
其中，表示两个历史波段之间的相关度，/>表示第/>个历史波段的波动特征，/>表示第/>个历史波段的波动特征，/>表示欧氏距离的重要性，/>表示余弦距离的重要性。
分别计算聚类簇中各波动特征的平均值以获取聚类簇的中心；匹配所述未来时段波段的波动特征和所述聚类簇的中心，确定所述未来时段波段归属的目标聚类簇，进而计算所述未来时段波段内所述未来目标时刻的循环波动曲线值；基于所述未来时段波段内所述未来目标时刻的长期波动曲线值、季节性波动曲线值、随机波动曲线值和循环波动曲线值计算所述未来时段波段内所述未来目标时刻的电力***负荷值，完成对虚拟电厂负荷数据的预测。
在一个实施例中，对所述历史负荷数据集使用效应分解法分解数据集包括：使用效应分解法对所述历史负荷数据集进行分解包括：使用效应分解法中的加法模型对所述历史负荷数据集进行分解，所述加法模型满足关系式：
其中，表示/>时刻的历史负荷数据，/>表示历史负荷数据/>时刻的长期波动曲线值，/>表示历史负荷数据/>时刻的季节性波动曲线值，/>表示历史负荷数据/>时刻的循环波动曲线值，/>表示历史负荷数据/>时刻的随机波动曲线值。
在一个实施例中，分别对所述历史长期波动曲线、所述历史季节性波动曲线和所述历史随机波动曲线进行预测包括：使用回归分析对历史长期波动曲线进行预测；对所述历史季节性波动曲线使用周期函数进行拟合并预测；随机波动曲线为白噪声序列，利用计算机生成预测。
在一个实施例中，将所述历史循环波动曲线划分为不同的波段包括：根据波动周期的不同，按照波峰-波谷-波峰为一个波段对历史循环波动曲线进行划分。
在一个实施例中，将所述历史循环波动曲线划分为不同的波段还包括：按照波谷-波峰-波谷为一个波段对历史循环波动曲线进行划分。
在一个实施例中，所述分别计算聚类簇中波动特征的平均值作为聚类簇的中心包括：计算聚类簇中第一波动幅度的均值；计算聚类簇中第二波动幅度的均值；计算聚类簇中波段长度的均值/>；将/>作为聚类簇的中心坐标。
在一个实施例中，所述未来时段波段内所述未来目标时刻的循环波动曲线值满足关系式：
其中，为未来时段波段内/>时刻的循环波动曲线值，/>表示目标聚类簇中第/>个波段的第一波动幅度，/>表示目标聚类簇中第/>个波段的第二波动幅度，/>表示目标聚类簇中第/>个波段的波段长度，/>表示目标聚类簇中第/>个波段/>时刻的循环波动曲线值，/>表示目标聚类簇中包含的波段总数，/>表示未来时段波段的第一波动幅度，/>表示未来时段波段的第二波动幅度，/>表示未来时段波段的波段长度。
在一个实施例中，所述未来时段波段内所述未来目标时刻的电力***负荷值满足关系式：
其中，表示未来时段波段内未来目标时刻的电力***负荷值，/>表示未来时段波段内未来目标时刻的长期波动曲线值，/>表示未来时段波段内未来目标时刻的季节性波动曲线值，/>表示未来时段波段内未来目标时刻的循环波动曲线值，/>表示未来时段波段内未来目标时刻的随机波动曲线值。
本发明具有如下的有益效果：
能够根据对历史负荷数据的分解获得历史长期波动曲线、历史季节性波动曲线、历史随机波动曲线和历史循环波动曲线，并分别采用不同的预测方法预测未来的长期波动曲线、季节性波动曲线、随机波动曲线和循环波动曲线，接着对同一时刻的四个曲线值求得瞬时的电力负荷值，保证四条曲线不被去除特征，提高了电力***负荷的预测准确度。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是本发明实施例基于一种融合5G短共享的虚拟电厂负荷数据预测方法的流程图。
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，本领域技术人员在没有做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，当本发明的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“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。
本发明提供了一种融合5G短共享的虚拟电厂负荷数据预测方法。如图1所示，一种融合5G短共享的虚拟电厂负荷数据预测方法包括步骤S1-S5，以下具体说明。
S1，获得历史负荷数据集的加法模型。
具体的，通过5G短共享技术接收传感器传输的历史负荷数据，得到某一地区电力***中电路负荷的历史值，从而获得电路负荷序列，针对负荷数据存在缺失的现象，使用线性插值的方法填补缺失值，数据预处理完毕后得到历史负荷数据集。
具体的，对历史负荷数据使用效应分解法，将电力负荷分解为长期波动曲线、循环波动曲线、季节性波动曲线和随机波动曲线四种波动曲线。长期波动曲线表示电力负荷的趋势性变化，它在一个相当长的时间内表现为一种近似直线的持续向上或持续向下或平稳的趋势；季节性波动曲线表示电力负荷受季节变动影响所形成的一种长度和幅度固定的周期波动；循环波动曲线表示电力负荷受各种环境因素（如经济因素、人口因素等）影响形成的上下起伏不定的波动；随机波动曲线表示电路负荷受各种偶然因素影响所形成的不规则变动，随机波动曲线一般为白噪声序列。对历史负荷数据集使用效应分解法中的加法模型，加法模型满足关系式：
其中，表示/>时刻的历史负荷数据，/>表示历史负荷数据/>时刻的长期波动曲线值，/>表示历史负荷数据/>时刻的季节性波动曲线值，/>表示历史负荷数据/>时刻的循环波动曲线值，/>表示历史负荷数据/>时刻的随机波动曲线值。
S2，对历史长期波动曲线、历史季节性波动曲线、历史随机波动曲线进行预测。
具体的，在加法模型中，长期波动曲线一般为线性变化，季节性波动曲线为周期和幅度固定的周期变化，随机波动曲线为白噪声序列，这三个变化的规律可以很好的用模型预测出来。
其中，使用回归分析对历史长期波动曲线进行预测；对历史季节性波动曲线使用周期函数进行拟合；随机波动曲线为白噪声序列，利用计算机生成预测。
S3，获得历史波段的波动特征。
在一个实施例中，根据循环波动曲线序列的波峰或波谷将序列划分为不同的波段，根据波动周期的不同，按照波峰-波谷-波峰为一个波段对历史循环波动曲线进行划分，划分完波段后，计算每一个波段的波动幅值和波段长度，其中，一个波段有两个波动幅值和一个波段长度，波动幅值有两个的原因在于根据波峰划分波段后，每个波段会有两个波峰一个波谷。
在另一个实施例中，按照波谷-波峰-波谷为一个波段对历史循环波动曲线进行划分，此时依然满足一个波段有两个波动幅值和一个波段长度，波动幅值有两个的原因在于根据波谷划分波段后，每个波段会有两个波谷一个波峰。
至此，能够获得每一个历史波段的波动特征，波动特征包括第一波动幅度、第二波动幅度和波段长度。
S4，获得未来时段波段的波动特征并计算未来时段波段内未来目标时刻的循环波动曲线。
具体的，将历史波段的波动特征输入到预先训练好的预测网络模型中获得未来时段波段的波动特征。
其中，基于相关度对历史波段进行聚类，将第一波动幅度、第二波动幅度和波段长度相近的波段聚成一类，相关度的计算满足关系式：
其中，表示两个历史波段之间的相关度，/>表示第/>个历史波段的波动特征，/>表示第/>个历史波段的波动特征，/>表示欧氏距离的重要性，/>表示余弦距离的重要性。
在对波段进行聚类时，不同波段间特征的欧式距离表示了两个波动特征的整体距离，余弦距离表示了两个波动特征趋势的相似度，示例性的，本发明给定的阈值为0.4，/>为0.6。
根据波段间的相关度聚类后，获得不同的聚类簇，分别计算聚类簇中波动特征的平均值作为聚类簇的中心。
其中，计算聚类簇中第一波动幅度的均值；计算聚类簇中第二波动幅度的均值/>；计算聚类簇中波段长度的均值/>，将/>作为聚类簇的中心坐标。
通过预设的网络预测未来时段波段的波动特征，示例性的，本发明的预设网络使用LSTM(Long Short Term Memory 长短期记忆递归)预测网络，计算通过LSTM预测网络得到的未来时段波段的第一波动幅度、第二波动幅度和波段长度与每个聚类簇中心的距离，确定所述未来时段波段归属的目标聚类簇，计算目标聚类簇中所有波段曲线的平均值作为所述未来时段波段的循环波动曲线。
示例性的，确定未来时段波段归属于目标聚类簇1，则未来时段波段内所述未来目标时刻的循环波动曲线值满足关系式：
其中，为未来时段波段内/>时刻的循环波动曲线值，/>表示目标聚类簇中第/>个波段的第一波动幅度，/>表示目标聚类簇中第/>个波段的第二波动幅度，/>表示目标聚类簇中第/>个波段的波段长度，/>表示目标聚类簇中第/>个波段/>时刻的循环波动曲线值，/>表示目标聚类簇中包含的波段总数，/>表示未来时段波段的第一波动幅度，/>表示未来时段波段的第二波动幅度，/>表示未来时段波段的波段长度。
至此，能够获得未来时段波段内所述未来目标时刻的循环波动曲线值。
S5，基于未来目标时刻的长期波动曲线、季节性波动曲线、随机波动曲线和循环波动曲线计算未来时段波段内未来目标时刻的电力***负荷值，完成对虚拟电厂负荷数据的预测。
具体的，通过预测模型能获得未来时段波段内未来目标时刻的长期波动曲线值、季节性波动曲线值、随机波动曲线值和循环波动曲线值，基于获得的未来时段波段内未来目标时刻的长期波动曲线值、季节性波动曲线值、随机波动曲线值和循环波动曲线值计算对应时刻的电力***负荷值，其中，未来时段波段内未来目标时刻的电力***负荷值满足关系式：
其中，表示未来时段波段内未来目标时刻的电力***负荷值，/>表示未来时段波段内未来目标时刻的长期波动曲线值，/>表示未来时段波段内未来目标时刻的季节性波动曲线值，/>表示未来时段波段内未来目标时刻的循环波动曲线值，/>表示未来时段波段内未来目标时刻的随机波动曲线值。
至此，能够获得未来任意目标时刻的电力***负荷值，完成虚拟电厂负荷数据的预测。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种融合5G短共享的虚拟电厂负荷数据预测方法，其特征在于，包括步骤：
通过5G短共享技术获取虚拟电厂的历史负荷数据，并构建历史负荷数据集；
使用效应分解法对所述历史负荷数据集进行分解，以获得历史负荷数据的历史长期波动曲线、历史季节性波动曲线、历史随机波动曲线和历史循环波动曲线；
分别对所述历史长期波动曲线、所述历史季节性波动曲线和所述历史随机波动曲线进行预测，获得未来目标时刻的长期波动曲线值、季节性波动曲线值和随机波动曲线值；
将所述历史循环波动曲线划分为不同的历史波段，获得所述历史波段的波动特征，所述波动特征包括第一波动幅度、第二波动幅度、波段长度；
将所述历史波段的波动特征输入到预先训练好的预测网络模型中获得未来时段波段的波动特征；
基于相关度对所述历史波段进行聚类，获得多个聚类簇，所述相关度满足关系式：
其中，表示两个历史波段之间的相关度，/>表示第/>个历史波段的波动特征，/>表示第/>个历史波段的波动特征，/>表示欧氏距离的重要性，/>表示余弦距离的重要性；
分别计算聚类簇中各波动特征的平均值以获取聚类簇的中心；
匹配所述未来时段波段的波动特征和所述聚类簇的中心，确定所述未来时段波段归属的目标聚类簇，进而计算所述未来时段波段内所述未来目标时刻的循环波动曲线值；
基于所述未来时段波段内所述未来目标时刻的长期波动曲线值、季节性波动曲线值、随机波动曲线值和循环波动曲线值计算所述未来时段波段内所述未来目标时刻的电力***负荷值，完成对虚拟电厂负荷数据的预测。
2.根据权利要求1所述的一种融合5G短共享的虚拟电厂负荷数据预测方法，其特征在于，使用效应分解法对所述历史负荷数据集进行分解包括：
使用效应分解法中的加法模型对所述历史负荷数据集进行分解，所述加法模型满足关系式：
其中，表示/>时刻的历史负荷数据，/>表示历史负荷数据/>时刻的长期波动曲线值，/>表示历史负荷数据/>时刻的季节性波动曲线值，/>表示历史负荷数据/>时刻的循环波动曲线值，表示历史负荷数据/>时刻的随机波动曲线值。
3.根据权利要求1所述的一种融合5G短共享的虚拟电厂负荷数据预测方法，其特征在于，分别对所述历史长期波动曲线、所述历史季节性波动曲线和所述历史随机波动曲线进行预测包括：
使用回归分析对历史长期波动曲线进行预测；
对所述历史季节性波动曲线使用周期函数进行拟合并预测；
随机波动曲线为白噪声序列，利用计算机生成预测。
4.根据权利要求1所述的一种融合5G短共享的虚拟电厂负荷数据预测方法，其特征在于，将所述历史循环波动曲线划分为不同的波段包括：根据波动周期的不同，按照波峰-波谷-波峰为一个波段对历史循环波动曲线进行划分。
5.根据权利要求4所述的一种融合5G短共享的虚拟电厂负荷数据预测方法，其特征在于，将所述历史循环波动曲线划分为不同的波段还包括：按照波谷-波峰-波谷为一个波段对历史循环波动曲线进行划分。
6.根据权利要求1所述的一种融合5G短共享的虚拟电厂负荷数据预测方法，其特征在于，所述分别计算聚类簇中波动特征的平均值作为聚类簇的中心包括：
计算聚类簇中第一波动幅度的均值；
计算聚类簇中第二波动幅度的均值；
计算聚类簇中波段长度的均值；
将作为聚类簇的中心坐标。
7.根据权利要求1所述的一种融合5G短共享的虚拟电厂负荷数据预测方法，其特征在于，所述未来时段波段内所述未来目标时刻的循环波动曲线值满足关系式：
其中，为未来时段波段内/>时刻的循环波动曲线值，/>表示目标聚类簇中第/>个波段的第一波动幅度，/>表示目标聚类簇中第/>个波段的第二波动幅度，/>表示目标聚类簇中第/>个波段的波段长度，/>表示目标聚类簇中第/>个波段/>时刻的循环波动曲线值，/>表示目标聚类簇中包含的波段总数，/>表示未来时段波段的第一波动幅度，/>表示未来时段波段的第二波动幅度，/>表示未来时段波段的波段长度。
8.根据权利要求1所述的一种融合5G短共享的虚拟电厂负荷数据预测方法，其特征在于，所述未来时段波段内所述未来目标时刻的电力***负荷值满足关系式：
其中，表示未来时段波段内未来目标时刻的电力***负荷值，/>表示未来时段波段内未来目标时刻的长期波动曲线值，/>表示未来时段波段内未来目标时刻的季节性波动曲线值，/>表示未来时段波段内未来目标时刻的循环波动曲线值，/>表示未来时段波段内未来目标时刻的随机波动曲线值。
CN202311594738.0A 2023-11-28 2023-11-28 一种融合5g短共享的虚拟电厂负荷数据预测方法 Active CN117318050B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311594738.0A CN117318050B (zh) 2023-11-28 2023-11-28 一种融合5g短共享的虚拟电厂负荷数据预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311594738.0A CN117318050B (zh) 2023-11-28 2023-11-28 一种融合5g短共享的虚拟电厂负荷数据预测方法

Publications (2)

Publication Number Publication Date
CN117318050A true CN117318050A (zh) 2023-12-29
CN117318050B CN117318050B (zh) 2024-02-20

Family

ID=89273913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311594738.0A Active CN117318050B (zh) 2023-11-28 2023-11-28 一种融合5g短共享的虚拟电厂负荷数据预测方法

Country Status (1)

Country Link
CN (1) CN117318050B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117613905A (zh) * 2024-01-24 2024-02-27 国网江西省电力有限公司经济技术研究院 一种基于多维分量分解的电力需求中期预测方法及***
CN117934458A (zh) * 2024-03-21 2024-04-26 武汉市豪迈电力自动化技术有限责任公司 基于短共享电力无线通信的智能电网安全防护方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004031232A (ja) * 2002-06-27 2004-01-29 Nissan Motor Co Ltd 燃料電池システム
EP3269872A1 (en) * 2016-07-15 2018-01-17 Whirlpool Corporation Laundry treating appliance with sensors
CN113107626A (zh) * 2021-05-25 2021-07-13 浙大城市学院 一种基于多变量lstm的联合循环发电机组负荷预测方法
CN114386538A (zh) * 2022-03-24 2022-04-22 三峡智控科技有限公司 一种标记监测指标的kpi曲线的波段特征的方法
CN115271219A (zh) * 2022-08-01 2022-11-01 国网青海省电力公司 一种基于因果关系分析的短期负荷预测方法及预测***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004031232A (ja) * 2002-06-27 2004-01-29 Nissan Motor Co Ltd 燃料電池システム
EP3269872A1 (en) * 2016-07-15 2018-01-17 Whirlpool Corporation Laundry treating appliance with sensors
CN113107626A (zh) * 2021-05-25 2021-07-13 浙大城市学院 一种基于多变量lstm的联合循环发电机组负荷预测方法
CN114386538A (zh) * 2022-03-24 2022-04-22 三峡智控科技有限公司 一种标记监测指标的kpi曲线的波段特征的方法
CN115271219A (zh) * 2022-08-01 2022-11-01 国网青海省电力公司 一种基于因果关系分析的短期负荷预测方法及预测***

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
QIU SUN: "Short-Term Power Load Prediction Based on VMD-SG-LSTM", IEEE ACCESS *
曾楠;许元斌;罗义旺;刘青;刘燕秋;张欢;: "基于分布式聚类模型的电力负荷特性分析", 现代电力, no. 01 *
曾楠;许元斌;罗义旺;刘青;刘燕秋;张欢;: "基于分布式聚类模型的电力负荷特性分析", 现代电力, no. 01, 22 December 2017 (2017-12-22) *
李健;王琛;林韶生;杜佩仁;: "基于大数据平台的点负荷近中期负荷预测及行业负荷增长特征分析", 电力大数据, no. 02 *
李健;王琛;林韶生;杜佩仁;: "基于大数据平台的点负荷近中期负荷预测及行业负荷增长特征分析", 电力大数据, no. 02, 21 February 2020 (2020-02-21) *
龙勇;苏振宇;盖晓平;: "成分分解方法预测月度电力负荷", 电力***及其自动化学报, no. 05 *
龙勇;苏振宇;盖晓平;: "成分分解方法预测月度电力负荷", 电力***及其自动化学报, no. 05, 15 May 2017 (2017-05-15) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117613905A (zh) * 2024-01-24 2024-02-27 国网江西省电力有限公司经济技术研究院 一种基于多维分量分解的电力需求中期预测方法及***
CN117613905B (zh) * 2024-01-24 2024-05-14 国网江西省电力有限公司经济技术研究院 一种基于多维分量分解的电力需求中期预测方法及***
CN117934458A (zh) * 2024-03-21 2024-04-26 武汉市豪迈电力自动化技术有限责任公司 基于短共享电力无线通信的智能电网安全防护方法

Also Published As

Publication number Publication date
CN117318050B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN117318050B (zh) 一种融合5g短共享的虚拟电厂负荷数据预测方法
Tang et al. Solar power generation forecasting with a LASSO-based approach
Hao et al. A novel clustering algorithm based on mathematical morphology for wind power generation prediction
Tang et al. A novel mode-characteristic-based decomposition ensemble model for nuclear energy consumption forecasting
Yang et al. Probability interval prediction of wind power based on KDE method with rough sets and weighted Markov chain
Yuan et al. Conditional style-based generative adversarial networks for renewable scenario generation
Sun et al. A self-adaptive genetic algorithm with improved mutation mode based on measurement of population diversity
Kaneriya et al. Data consumption-aware load forecasting scheme for smart grid systems
CN103093288A (zh) 基于气象信息的分区电网母线负荷预测***
Wang A big data framework for stock price forecasting using fuzzy time series
Bendaoud et al. Applying load profiles propagation to machine learning based electrical energy forecasting
Yousuf et al. Short-term wind speed forecasting based on hybrid MODWT-ARIMA-Markov model
Wang et al. A multitask integrated deep-learning probabilistic prediction for load forecasting
Yang et al. Adaptive data decomposition based quantile-long-short-term memory probabilistic forecasting framework for power demand side management of energy system
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN114548575A (zh) 基于迁移学习的自适应建筑日前负荷预测方法
CN117595398A (zh) 一种电力***灵活性优化方法及装置
Liang A noise annealing neural network for hydroelectric generation scheduling with pumped-storage units
Shenoy et al. Stochastic optimization of power market forecast using non-parametric regression models
Gligor et al. Power demand forecast for optimization of the distribution costs
Liu et al. Forecasting of wind velocity: An improved SVM algorithm combined with simulated annealing
CN115965134A (zh) 一种区域电网风力发电功率预测优化方法
Gu et al. An fuzzy forecasting algorithm for short term electricity loads based on partial clustering
CN113344073A (zh) 一种基于融合进化算法的日负荷曲线聚类方法及***
Li Energy consumption forecasting with deep learning

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