CN101299251A - 基于概率逆换算法的中长期电力负荷的预测方法 - Google Patents
基于概率逆换算法的中长期电力负荷的预测方法 Download PDFInfo
- Publication number
- CN101299251A CN101299251A CNA2008100530271A CN200810053027A CN101299251A CN 101299251 A CN101299251 A CN 101299251A CN A2008100530271 A CNA2008100530271 A CN A2008100530271A CN 200810053027 A CN200810053027 A CN 200810053027A CN 101299251 A CN101299251 A CN 101299251A
- Authority
- CN
- China
- Prior art keywords
- data
- expert
- virtual
- outcome
- industry
- 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
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于概率逆换算法的中长期电力负荷的预测方法,包括:1)基础数据的采集和改进:根据行业数据库,给出行业负荷的初始数据表,并将点估计扩展成三段式区间估计;2)专家能力数据的生成与改进:根据行业专业知识,将专家能力数量化并根据专家权重生成“虚拟专家”;3)实际数据与虚拟专家数据的整合:根据虚拟专家数据,修正步骤1)中的区间估计;4)负荷预测与预测结果修正:通过概率逆换算法反复将虚拟专家数据逆换到实际数据空间并加以比较修正,直到得到满意结果。本发明的方法可以将专家意见量化为可操作的数据,并与现有的数据储备结合,进行项目的数量化风险分析。
Description
技术领域
本发明涉及变电系统,特别是涉及一种基于概率逆换算法的中长期电力负荷的预测方法。
背景技术
电力负荷预测是电力系统调度、用电、计划、规划等管理部门的重要工作之一。提高负荷预测技术水平有利于计划用电管理、合理安排电网运行方式和机组检修计划,有利于节煤、节油和降低发电成本,有利于制定合理的电源建设计划、提高电力系统的经济效益和社会效益。电力负荷预测已成为实现电力系统管理现代化的重要内容之一。
电力负荷预测通常按时间期限进行分类,一般分为长期、中期、短期和超短期负荷预测。长期负荷预测一般指10年以上并以年为单位的预测,中期指5年左右并以年为单位的预测,中长期电力负荷预测的意义在于可以帮助决定新的发电、变电机组的安装与电网的规划、增容与扩建,是电力规划部门的重要工作之一。
中长期负荷预测受经济、社会、气候等不确定因素的影响更大,目前没有任何一种方法能保证任何情况下都能获得满意的结果,有时误差会很大。建立负荷预测综合模型、充分利用各个负荷预测模型的有用信息提高预测精度是中长期负荷预测的必要途径。但是,由于中长期负荷预测的历史数据较少,传统的预测模型仅基于历史数据建立数学模型进行预测,往往由于信息量不够,使得预测结果与实际有较大的出入。同时,对中长期负荷预测而言,仅考虑历史数据的拟合度是不够的,预测结果是否与经济、社会的发展相一致也是必须考虑的问题。由于以上提到的种种困难,虽然中长期电力负荷的科学分析与预测有着重大的社会和经济意义,但是目前并没有一套可行的分析方法。
在中长期的电力负荷预测技术中,传统的方法分为定量和定性两大类。定性的方法主要有类比法和专家估算法等。定量的方法主要有回归分析法、指数平滑法、成长曲线法和灰色模型法等。
许多研究工作者现在已经认识到单独地使用定性或定量的方法进行中长期用电量预测都是不够的。电力工业的发展是一个非常复杂的动态大系统,其中有许多社会性的、政策性的、人的心理行为的、技术性的等等不确定性的随机因素。对于这样一个关联于社会、经济、技术、环境的复杂动态大系统,企图仅凭现有的数学知识来建立精确的数学模型以进行定量分析是不够的,同样单纯地依靠经验知识进行定性分析也是不够的。
传统的定量方法往往是直接去建立用电量与时间或其它因素间的函数关系式。这样会使得预测结果的可信度较低,而且面对相当多的不确定信息也无能为力。
发明内容
本发明要解决的技术问题是提供一种以定性分析和定量研究为基础、以风险分析和决策支持相集成为平台,通过科学化和数量化专家群意见,结合已有数据对项目从不确定性、可靠性、稳定性等方面进行风险分析,再将数量化、深入化的分析结果作为决策的依据,从而使决策的风险得到相当好的控制的基于概率逆换算法的中长期电力负荷预测系统及预测方法。
本发明的目的是通过以下技术方案实现的:
1.一种基于概率逆换算法的中长期电力负荷的预测方法,包括以下步骤:
1)基础数据的采集和改进:根据行业数据库,给出行业负荷的初始数据表,并将点估计扩展成三段式区间估计;
2)专家能力数据的生成与改进:根据行业专业知识,将专家能力数量化并根据专家权重生成“虚拟专家”;
3)实际数据与虚拟专家数据的整合:根据虚拟专家数据,修正步骤1)中的区间估计;
4)负荷预测与预测结果修正:通过概率逆换算法反复将虚拟专家数据逆换到实际数据空间并加以比较修正,直到得到满意结果。
上述的满意结果的标准包括:
1)预测结果的最小值和最大值应落于专家预测区间之内,误差不超过5%;
2)预测结果的中值(即最大可能出现的电力负荷)与历史数据误差不超过±5%;
3)预测结果的分布曲线与历史数据的拟合程度达到“良好”标准,所述的“良好”标准为相关度指数r>0.99。
本发明的有益效果在于:
1、增加数据储备类型,除了现有的数据储备外(如历史观测数据等),专家意见也数量化成可用数据,服务于项目分析;
2、增强专家能力,通过概率逆换算法,可以将那些专家并不熟知的参数数据“挖掘”出来,成为可操作的数据储备。
具体实施方式
有经验的预测工作者通常是这样进行预测的:他们有意无意地将预测的历史数据和相关因素的历史数据在头脑中进行归纳整理,运用其专业知识与过去成功和失败的经验教训,将那些数据分成若干类。进行预测时,他们把收集到的相关因素的具体状态值与历史数据类的状态值进行对比,寻找与这组状态值最接近的一个历史数据类,再根据该类的预测量的特征做出初步预测。然后他们根据相关因素的具体状态值与历史数据类的不同,做出相应的修正,得到预测值。
概率风险分析(Probabilistic Risk Assessment,PRA)方法中的专家不确定性分析理论(Expert Judgment,EJ)就是将专家意见以及专家对不确定性要素分析的能力科学化、数量化的得力武器(数量化:将传统的点估计拓展成区间估计,例如给出预测的最大值、最小值和中值;科学化:各专家能力和预测水平参差不齐,传统的取平均值的方法已经不能满足科学预测的目的,取而代之的是根据专家能力给予其不同权重的专家能力判断矩阵方法)。通过将专家的意见数量化、科学化,使专家的能力成为可以操作、辨别的数据,并与已有的历史数据一起服务于实际的风险分析。
下面结合具体实施例对本发明的基于概率逆换算法的中长期电力负荷的预测方法进行详细说明。
本发明的基于概率逆换算法的中长期电力负荷预测方法包括以下步骤:
一、基础数据的采集和改进:根据行业数据库,给出行业负荷的初始数据表,并将点估计扩展成三段式区间估计。
1.确定负荷预测目的,制定预测计划,采集基础数据。
主要对象是“用户工程”的中长期负荷预测,并根据此具体对象准备所需要的历史资料(按时间和行业分类)。参见表1:
表1全国2007年主要行业用电单耗
行业 | 指标 | 计量单位 | 单耗 | 下限 | 中值 | 上限 |
通用标准 | 通用区间估计标准 | 1/1 | 1 | 0.95 | 1 | 1.05 |
通用标准 | 居民用电(500户以下) | 1/1 | 1 | 0.6 | 1 | 1.4 |
通用标准 | 居民用电(500-1000户) | 1/1 | 1 | 0.5 | 1 | 1.5 |
通用标准 | 居民用电(1000户以上) | 1/1 | 1 | 0.3 | 1 | 1.7 |
煤炭工业 | 统配煤矿生产原煤综合耗电 | kWh/t | 38.535 | 34.34 | 38.535 | 42.73 |
纺织工业 | 粘胶纤维耗电 | kWh/t | 9856.5 | 9483 | 9856.5 | 10230 |
石油工业 | 原油生产耗电 | kWh/t | 58.795 | 38.84 | 58.795 | 78.75 |
石油工业 | 原油气综合耗电 | kWh/t | 68.89 | 45.44 | 68.89 | 92.34 |
冶金工业 | 硅铁耗电 | kWh/t | 9044.5 | 8916 | 9044.5 | 9173 |
石油化学工业 | 原油加工耗电 | kWh/t | 42.965 | 39.44 | 42.965 | 46.49 |
化学工业 | 中型合成氨耗电 | kWh/t | 1409 | 1376 | 1409 | 1442 |
建材工业 | 水泥综合耗电 | kWh/t | 102.66 | 96.7 | 102.66 | 108.62 |
轻工业 | 机械木浆耗电 | kWh/t | 1532.5 | 1505 | 1532.5 | 1560 |
机械工业 | 电炉钢冶炼耗电 | kWh/t | 795 | 754 | 795 | 836 |
化学工业 | 电石耗电 | kWh/t | 3526 | 3468 | 3526 | 3584 |
表1是按照时间(2007年)、对象区域(全国)和行业分类的表格,其中单耗的数值是根据历史数据采集所得。
2.改进基础数据,将“点估计”拓展成“区间估计”,如表1所示,例如冶金工业中的硅铁耗电一项,传统的点估计只给出了单一的单耗指标(9044.5),而拓展后的区间估计则给出了信息量更为丰富的三段式区间估计,即单耗指标的最小值、中值和最大值。
二、专家能力数据的生成与改进:根据行业专业知识,将专家能力数量化并根据专家权重生成“虚拟专家”。
1.专家群的选择,在本实施例中,专家群将由一线的设计人员(电力设计院系统一次的工程师)、用户(具体的用电大用户,如硅铁冶金厂的工程师)和宏观设计人员(电力公司计划处的工程师)构成;
2.专家能力数量化,将专家对不确定性的点估计拓展成区间估计,需要必要的基础知识培训。将一个有专业知识背景的“专家”培训成具备不确定性分析能力的行业专家,一般需要以下步骤:
1)基本概念的传输:什么是多样性、不确定性、风险以及什么是风险分析;
2)概率论基本概念的传输;
3)从一维不确定性空间的估计到多维空间的扩展;
4)什么是数据,数据分类,如何操作数据;
5)在数据不完备的情况下,如何从专家意见中攫取数据;
6)决策论基本概念的传输;
7)风险管理的流程和框架介绍;
8)数据分析的重要性介绍;
9)确定专家分析标准的方法介绍;
10)专家能力自我测试;
11)专家能力比较测试;
12)专家能力数据生成。
在具体操作中,需要专业的“PRA分析人员”协助重复上述操作。
专家能力数量化是概率风险分析的前提和基础,其结果的质量直接决定了后续分析的科学性和准确性。专家能力数量化一般按照如下的流程进行:
1)基本数学知识的培训,由于专家群的构成的多样性,需要培训专家一种“标准”的数学方法来描述他们的专家知识。
2)区间估计分析方法的培训:通常,专家对不确定参数的专家意见(分析)常常是一种模糊的表达,例如,好,正常,安全等,更加具体的专家意见(分析)也只局限于“点估计”,即给出不确定参数一个单一的预测值。而区间估计分析则需要专家对一个不确定参数给出它的预测最大值、最小值和中值。
3)通过项目历史数据的采集和整理,并将整理后的数据按照区间估计的方式(最小值、最大值和中值)提供给专家,使专家充分了解该项目。
3.专家权重分析并生成最优化的虚拟专家。根据统一的测试题目将专家的能力数量化并分配权重,从而生成虚拟专家,为以后的分析工作服务。
三、实际数据与虚拟专家数据的整合:根据虚拟专家数据,修正步骤1)中的区间估计。
建立基本的数据模型,并将专家的初步分析结果加入模型,得到初步分析结果,如表2所示:
表2
在表2中,区间估计的上限、中值和下限是根据专家意见的结果所生成的。
四、负荷预测与预测结果修正:通过概率逆换算法反复将虚拟专家数据逆换到实际数据空间并加以比较修正,直到得到满意结果。
参见表3的实例,待分析的参数组的目标矩阵为左上角矩阵,这些数据为专家给出,如对于第一行参数,专家的预测为:最小值(5%)为0.3、最大值(95%)为0.7和中值(50%)为0.5。
表3
修正模型的目的就是使由初始参数模拟后的预测结果尽可能地符合专家预测的结果,即目标参数组。
在分析过程中,把那些专家熟知物理意义并能给出专家判断的参数称为“引导参数”,而那些专家并不熟知其物理意义、不能给出明显的专家判断的参数称为“目标参数”。往往我们希望得到“目标参数”的数据,PARFUM算法就是通过概率逆换的方法,通过从“引导参数”的反复迭代,最后得到“目标参数”的矩阵算法。其具体的描参见下面的数学说明,有一定数学基础的分析人员可以重复本文中的操作。
PARFUM算法描述如下:
令Y=[Y1,Y2,...,YM]为密度函数[f1,...,fM]的随机向量,令GM:Rn→R是可测函数,其中m=1,2,...,M,PARFUM算法由以下四步来描述:
1)取有限集 ;
2)定义Ym在Gm上关于x的像点Gm(x)的条件集合函数Qm为
3)x上定义最小广义分布,其关于Gm(x)的前推分布Pm满足Qm,也就是说,对X∈x,有:
4)取关于x的P分布,其最小化相关量为Σm=1 MI(Pm|P),这里:
通过概率逆换算法PARFUM反复将虚拟专家数据逆换到实际数据空间并加以比较修正,直到得到“满意”的结果,修正过程可能要重复多遍。所述的满意结果的标准为:
1)预测结果的最小值和最大值应落于专家预测区间之内,误差不超过5%;
2)预测结果的中值(即最大可能出现的电力负荷)与历史数据误差不超过±5%;
3)预测结果的分布曲线与历史数据的拟合程度达到“良好”标准,所述的“良好”标准具体可参见表4中的例子。
表4所示为一个五维空间(参数)的项目,其中每个参数均有三个预测区间(0.05、0.5和0.95)。从表4中可以看到,这是一组“符合度”很高的预测:如第一个参数的0.05预测区间的误差仅为(0.05126-0.05)/0.05=2.52%;其相关度指数r为(1-0.02522)1/2=0.9997。这样,即可认为结果是满意的。
表4
Claims (2)
1.一种基于概率逆换算法的中长期电力负荷的预测方法,包括以下步骤:
1)基础数据的采集和改进:根据行业数据库,给出行业负荷的初始数据表,并将点估计扩展成三段式区间估计;
2)专家能力数据的生成与改进:根据行业专业知识,将专家能力数量化并根据专家权重生成“虚拟专家”;
3)实际数据与虚拟专家数据的整合:根据虚拟专家数据,修正步骤1)中的区间估计;
4)负荷预测与预测结果修正:通过概率逆换算法反复将虚拟专家数据逆换到实际数据空间并加以比较修正,直到得到满意结果。
2.根据权利要求1所述的预测方法,其特征在于:所述的满意结果的标准包括:
1)预测结果的最小值和最大值应落于专家预测区间之内,误差不超过5%;
2)预测结果的中值(即最大可能出现的电力负荷)与历史数据误差不超过±5%;
3)预测结果的分布曲线与历史数据的拟合程度达到“良好”标准,所述的“良好”标准为相关度指数r>0.99。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100530271A CN101299251A (zh) | 2008-05-07 | 2008-05-07 | 基于概率逆换算法的中长期电力负荷的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100530271A CN101299251A (zh) | 2008-05-07 | 2008-05-07 | 基于概率逆换算法的中长期电力负荷的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101299251A true CN101299251A (zh) | 2008-11-05 |
Family
ID=40079076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008100530271A Pending CN101299251A (zh) | 2008-05-07 | 2008-05-07 | 基于概率逆换算法的中长期电力负荷的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101299251A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551884B (zh) * | 2009-05-08 | 2011-07-27 | 华北电力大学 | 面向大规模样本的cvr电力负荷快速预测方法 |
CN102624865A (zh) * | 2012-01-09 | 2012-08-01 | 浙江大学 | 集群负载预测方法及分布式集群管理系统 |
CN102867221A (zh) * | 2012-07-17 | 2013-01-09 | 中国电力科学研究院 | 一种中长期电量预测动态横向修正方法 |
CN102880915A (zh) * | 2012-09-06 | 2013-01-16 | 中山大学 | 一种基于对热点事件进行关联挖掘的电量预测方法 |
CN103164595A (zh) * | 2011-12-13 | 2013-06-19 | 上海宝钢钢材贸易有限公司 | 关联对象的数据分析方法 |
CN103413254A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 中长期负荷预测研究与管理一体化应用系统 |
CN104239984A (zh) * | 2014-10-20 | 2014-12-24 | 国网上海市电力公司 | 用于电网领域的不同分类用户组合的快速负荷预测方法 |
CN106845669A (zh) * | 2016-12-12 | 2017-06-13 | 国网上海市电力公司 | 基于指数平滑法预测电网年持续负荷的方法 |
CN107544381A (zh) * | 2017-08-31 | 2018-01-05 | 珠海格力电器股份有限公司 | 能源管理方法及装置 |
CN107944621A (zh) * | 2017-11-21 | 2018-04-20 | 云南电网有限责任公司 | 一种负荷预测指标选取方法及工具 |
-
2008
- 2008-05-07 CN CNA2008100530271A patent/CN101299251A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551884B (zh) * | 2009-05-08 | 2011-07-27 | 华北电力大学 | 面向大规模样本的cvr电力负荷快速预测方法 |
CN103164595B (zh) * | 2011-12-13 | 2016-05-11 | 上海宝钢钢材贸易有限公司 | 关联对象的数据分析方法 |
CN103164595A (zh) * | 2011-12-13 | 2013-06-19 | 上海宝钢钢材贸易有限公司 | 关联对象的数据分析方法 |
CN102624865B (zh) * | 2012-01-09 | 2014-06-18 | 浙江大学 | 集群负载预测方法及分布式集群管理系统 |
CN102624865A (zh) * | 2012-01-09 | 2012-08-01 | 浙江大学 | 集群负载预测方法及分布式集群管理系统 |
CN102867221B (zh) * | 2012-07-17 | 2016-08-31 | 中国电力科学研究院 | 一种中长期电量预测动态横向修正方法 |
CN102867221A (zh) * | 2012-07-17 | 2013-01-09 | 中国电力科学研究院 | 一种中长期电量预测动态横向修正方法 |
CN102880915A (zh) * | 2012-09-06 | 2013-01-16 | 中山大学 | 一种基于对热点事件进行关联挖掘的电量预测方法 |
CN103413254A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 中长期负荷预测研究与管理一体化应用系统 |
CN104239984A (zh) * | 2014-10-20 | 2014-12-24 | 国网上海市电力公司 | 用于电网领域的不同分类用户组合的快速负荷预测方法 |
CN106845669A (zh) * | 2016-12-12 | 2017-06-13 | 国网上海市电力公司 | 基于指数平滑法预测电网年持续负荷的方法 |
CN107544381A (zh) * | 2017-08-31 | 2018-01-05 | 珠海格力电器股份有限公司 | 能源管理方法及装置 |
CN107944621A (zh) * | 2017-11-21 | 2018-04-20 | 云南电网有限责任公司 | 一种负荷预测指标选取方法及工具 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101299251A (zh) | 基于概率逆换算法的中长期电力负荷的预测方法 | |
Zhang et al. | Towards a fuzzy Bayesian network based approach for safety risk analysis of tunnel‐induced pipeline damage | |
Yu et al. | Advances and challenges in building engineering and data mining applications for energy-efficient communities | |
Zavadskas et al. | Evaluation of ranking accuracy in multi-criteria decisions | |
Xu et al. | Discrete time–cost–environment trade-off problem for large-scale construction systems with multiple modes under fuzzy uncertainty and its application to Jinping-II Hydroelectric Project | |
Sabatino et al. | Life cycle utility-informed maintenance planning based on lifetime functions: Optimum balancing of cost, failure consequences and performance benefit | |
Abdelkader et al. | A comprehensive comparative analysis of machine learning models for predicting heating and cooling loads | |
US20120072187A1 (en) | System for evaluating energy consumption | |
Song et al. | A decision making system for construction temporary facilities layout planning in large-scale construction projects | |
Darvishi et al. | Grey linear programming: a survey on solving approaches and applications | |
Xu et al. | An enhanced fuzzy robust optimization model for regional solid waste management under uncertainty | |
Sha et al. | Development of a key-variable-based parallel HVAC energy predictive model | |
Yang et al. | Environmental investment prediction using extended belief rule-based system and evidential reasoning rule | |
Andrzejczak et al. | A method for estimating the probability distribution of the lifetime for new technical equipment based on expert judgement | |
Weeks et al. | Minimizing facility corrective maintenance: Benchmarking preventative-to-corrective maintenance ratios using maintenance data and building age in dormitories | |
Moayedi et al. | Green building’s heat loss reduction analysis through two novel hybrid approaches | |
Lao et al. | The optimized multivariate grey prediction model based on dynamic background value and its application | |
Farzipoor Saen et al. | A chance‐constrained data envelopment analysis approach for strategy selection | |
Huang et al. | A restoration-clustering-decomposition learning framework for aging-related failure rate estimation of distribution transformers | |
Ma et al. | An intelligent retrofit decision-making model for building program planning considering tacit knowledge and multiple objectives | |
Boussabaine et al. | Modelling total energy costs of sport centres | |
Krstić et al. | Review of methods for buildings energy performance modelling | |
Qamber | Energy consumption prediction using Petri Nets-ANFIS development technique | |
Lu et al. | A machine learning regression approach for pre-renovation construction waste auditing | |
Li et al. | Identifying uncertainties in the whole life carbon assessment of buildings: Sources, types, and potential actions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20081105 |