CN102073922A - 基于影响因素筛选的短期负荷预测方法 - Google Patents
基于影响因素筛选的短期负荷预测方法 Download PDFInfo
- Publication number
- CN102073922A CN102073922A CN2010105816535A CN201010581653A CN102073922A CN 102073922 A CN102073922 A CN 102073922A CN 2010105816535 A CN2010105816535 A CN 2010105816535A CN 201010581653 A CN201010581653 A CN 201010581653A CN 102073922 A CN102073922 A CN 102073922A
- Authority
- CN
- China
- Prior art keywords
- load
- influence
- load factor
- short
- factor
- 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
Abstract
本发明提供一种基于影响因素筛选的短期负荷预测方法,用于电力系统短期负荷预测,该方法在对偏最小二乘回归分析的主成分进行有效地提取的基础上,通过对影响负荷因素的重要性的分析,实现对影响负荷因素的筛选,最后将经过筛选的影响因素用于短期负荷预测中;本发明不仅减少了短期负荷预测的工作量,而且保证了负荷预测精度。
Description
技术领域:
本发明涉及电力系统负荷预测方法,是一种用于电力系统短期负荷预测的方法,特别是涉及一种对影响负荷因素进行筛选的短期负荷预测方法,属于电力系统负荷预测技术领域。
背景技术:
电力系统负荷预测是电力系统运行、控制和规划不可缺少的一部分。寻求有效的负荷预测方法提高其预测的准确度具有重要的意义。近年来,一些基于新兴学科的现代预测方法逐渐得到了成功应用。为了准确地进行短期电力负荷预测,就必须把握负荷的变化规律及影响因素。在短期负荷预测中,如果将所有认为可能对负荷造成影响的因素都投入到负荷预测中,不仅使得模型的工作量增大,而且将有可能使本来对负荷无影响的因素参与负荷预测而造成负荷预测误差的增大,影响预测精度。所以,要想得到准确的负荷预测结果,必须首先清楚哪些因素是影响负荷变化的重要因素。
发明内容:
1、发明目的:
本发明针对上述问题提供一种基于影响因素筛选的短期负荷预测方法,该方法实现对影响负荷因素的筛选,不仅减少了短期负荷预测的工作量,而且保证了负荷预测精度。
2、技术方案:
本发明是通过以下技术方案来实现的:
一种基于影响因素筛选的短期负荷预测方法,其特征在于:该方法步骤如下:
(1)、建立影响负荷因素筛选模型:
(2)、根据历史数据,对负荷进行主成分的提取:
正规的数学表述是求解下列优化问题,即
计算回归系数:
(3)、实现对影响负荷因素的筛选:
在偏最小二乘回归分析中,自变量对因变量的解释能力是以变量投影重要性指标VIP来测度的,其定义为:
(4)、定义出影响负荷因素的测定指标:影响系数:
在此作出如下定义:影响负荷因素的测定指标用影响系数来表示:
(5)、去除影响系数低的影响负荷因素,将影响系数高的影响负荷因素用于神经网络的输入中,采用神经网络模型对短期负荷进行预测。
3、优点及效果:
本发明具有如下优点:
在短期电力负荷预测中,为了准确地进行短期电力负荷预测,就必须把握负荷的变化规律及影响因素,并清楚哪些因素是影响负荷变化的重要因素。本发明方法在对偏最小二乘回归分析的主成分进行有效地提取的基础上,通过对影响负荷因素的重要性的分析,实现对影响负荷因素的筛选,通过筛选的影响负荷因素用于BP神经网络模型中,该方法不仅减少了短期负荷预测的工作量,而且能够保证负荷预测的精度。
具体实施方式:
下面对本发明做进一步的说明:
一种基于影响因素筛选的短期负荷预测方法,用于电力系统短期负荷预测,该方法按以下步骤进行:
(1)、建立影响负荷因素筛选模型:
(2)、根据历史数据,对负荷进行主成分的提取:
正规的数学表述是求解下列优化问题,即
求得轴和后,即可得到成分
计算回归系数:
在许多情形下,偏最小二乘回归方程并不需要选用全部的成分进行回归建模,而是可以采用截尾的方式选择前个成分(),仅用这个成分就可以得到一个预测性能较好的模型。事实上,如果后续的成分已经不能为解释提供更有意义的信息时,采用过多的成分只会破坏对统计趋势的认识,引导错误的预测结论。
(3)、实现对影响负荷因素的筛选:
在偏最小二乘回归分析中,自变量对因变量的解释能力是以变量投影重要性指标VIP来测度的,其定义为:
(4)、定义出影响负荷因素的测定指标:影响系数:
在此作出如下定义:影响负荷因素的测定指标用影响系数来表示:
为此,举例初选4个气象因素,包括最高气温、最低气温、湿度及天气状况,采用某历史样本计算影响系数。表1为某实例的影响系数。
表1 影响系数
从影响系数看,在此样本中,最高气温及最低气温对负荷具有很好的解释能力,天气状况次之(因为天气状况通常是用晴、阴、雨等描述,在计算中需要进行量化,使得该因素不能像气温及湿度那样得到细致的描述),湿度对负荷的影响则最小。根据实际要求,对影响系数低的影响负荷因素进行去除设定。
(5)、去除影响系数低的影响负荷因素,将影响系数高的影响负荷因素用于神经网络的输入中,采用BP神经网络模型对短期负荷进行预测。
设给定
组输入输出样本,取误差函数为:
将经过筛选的影响负荷因素及历史负荷数据等做为输入层,输出层为日24小时的实际负荷值,对短期电力负荷进行预测。
本发明提出了一种基于影响因素筛选的短期负荷预测方法,采用偏最小二乘回归分析对负荷进行主成分的提取,通过变量投影重要性分析,实现对影响负荷因素的筛选,最后将经过筛选的影响因素用于神经网络模型中,进行短期负荷预测,不仅减少了短期负荷预测的工作量,而且保证了负荷预测精度。
Claims (2)
1.一种基于影响因素筛选的短期负荷预测方法,其特征在于:该方法步骤如下:
(1)、建立影响负荷因素筛选模型:
(2)、根据历史数据,对负荷进行主成分的提取:
正规的数学表述是求解下列优化问题,即
计算回归系数:
因此,有回归方程:
(3)、实现对影响负荷因素的筛选:
在偏最小二乘回归分析中,自变量对因变量的解释能力是以变量投影重要性指标VIP来测度的,其定义为:
(4)、定义出影响负荷因素的测定指标:影响系数:
在此作出如下定义:影响负荷因素的测定指标用影响系数来表示:
(5)、去除影响系数低的影响负荷因素,将影响系数高的影响负荷因素用于神经网络的输入中,实现对影响负荷因素筛选,采用神经网络模型对短期负荷进行预测。
2.根据权利要求1所述的基于影响因素筛选的短期负荷预测方法,其特征在于: 所述步骤(5)去除影响系数低的影响负荷因素,将影响系数高的影响负荷因素用于神经网络的输入中,采用BP神经网络模型对短期负荷进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105816535A CN102073922A (zh) | 2010-12-10 | 2010-12-10 | 基于影响因素筛选的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105816535A CN102073922A (zh) | 2010-12-10 | 2010-12-10 | 基于影响因素筛选的短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102073922A true CN102073922A (zh) | 2011-05-25 |
Family
ID=44032455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105816535A Pending CN102073922A (zh) | 2010-12-10 | 2010-12-10 | 基于影响因素筛选的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102073922A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509026A (zh) * | 2011-12-08 | 2012-06-20 | 沈阳工业大学 | 基于最大信息熵原理的风电场短期输出功率预测综合模型 |
CN102855343A (zh) * | 2011-06-10 | 2013-01-02 | 阿自倍尔株式会社 | 负荷量预测装置、负荷量预测方法以及负荷量预测程序 |
CN103295075A (zh) * | 2013-04-01 | 2013-09-11 | 沈阳航空航天大学 | 一种超短期电力负荷预测与预警方法 |
CN104123451A (zh) * | 2014-07-16 | 2014-10-29 | 河海大学常州校区 | 基于偏最小二乘回归的疏浚作业产量预测模型建立方法 |
CN104217258A (zh) * | 2014-09-15 | 2014-12-17 | 国家电网公司 | 一种电力负荷条件密度预测方法 |
CN106067075A (zh) * | 2016-06-01 | 2016-11-02 | 新奥泛能网络科技股份有限公司 | 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 |
CN106127303A (zh) * | 2016-06-15 | 2016-11-16 | 国网山东省电力公司菏泽供电公司 | 一种面向多源数据的短期负荷预测方法 |
CN103854068B (zh) * | 2013-12-06 | 2017-02-08 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
CN106919778A (zh) * | 2015-12-25 | 2017-07-04 | 中国移动通信集团公司 | 基于医疗大数据的疾病诊断方法及装置 |
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN108596227A (zh) * | 2018-04-12 | 2018-09-28 | 广东电网有限责任公司 | 一种用户用电行为主导影响因素挖掘方法 |
CN110135643A (zh) * | 2019-05-17 | 2019-08-16 | 国网山东省电力公司莱芜供电公司 | 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 |
CN110516867A (zh) * | 2019-08-21 | 2019-11-29 | 广东电网有限责任公司 | 一种基于主成分分析的集成学习负荷预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383023A (zh) * | 2008-10-22 | 2009-03-11 | 西安交通大学 | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 |
CN101414366A (zh) * | 2008-10-22 | 2009-04-22 | 西安交通大学 | 基于改进极端学习机方法的电力系统短期负荷预测方法 |
CN101609517A (zh) * | 2008-06-20 | 2009-12-23 | 上海申瑞电力科技股份有限公司 | 基于智能策略管理的电力系统短期负荷预测方法 |
-
2010
- 2010-12-10 CN CN2010105816535A patent/CN102073922A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609517A (zh) * | 2008-06-20 | 2009-12-23 | 上海申瑞电力科技股份有限公司 | 基于智能策略管理的电力系统短期负荷预测方法 |
CN101383023A (zh) * | 2008-10-22 | 2009-03-11 | 西安交通大学 | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 |
CN101414366A (zh) * | 2008-10-22 | 2009-04-22 | 西安交通大学 | 基于改进极端学习机方法的电力系统短期负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
卢芸 等: "神经网络在短期电力负荷预测中的应用", 《沈阳工业大学学报》, no. 1, 28 February 2006 (2006-02-28), pages 41 - 44 * |
卢芸: "短期电力负荷预测关键问题与方法的研究", 《中国博士学位论文全文库》, no. 5, 15 May 2007 (2007-05-15), pages 16 - 84 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855343A (zh) * | 2011-06-10 | 2013-01-02 | 阿自倍尔株式会社 | 负荷量预测装置、负荷量预测方法以及负荷量预测程序 |
CN102855343B (zh) * | 2011-06-10 | 2016-03-02 | 阿自倍尔株式会社 | 负荷量预测装置、负荷量预测方法以及负荷量预测程序 |
CN102509026A (zh) * | 2011-12-08 | 2012-06-20 | 沈阳工业大学 | 基于最大信息熵原理的风电场短期输出功率预测综合模型 |
CN103295075A (zh) * | 2013-04-01 | 2013-09-11 | 沈阳航空航天大学 | 一种超短期电力负荷预测与预警方法 |
CN103295075B (zh) * | 2013-04-01 | 2016-09-28 | 沈阳航空航天大学 | 一种超短期电力负荷预测与预警方法 |
CN103854068B (zh) * | 2013-12-06 | 2017-02-08 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
CN104123451A (zh) * | 2014-07-16 | 2014-10-29 | 河海大学常州校区 | 基于偏最小二乘回归的疏浚作业产量预测模型建立方法 |
CN104217258B (zh) * | 2014-09-15 | 2017-09-05 | 国家电网公司 | 一种电力负荷条件密度预测方法 |
CN104217258A (zh) * | 2014-09-15 | 2014-12-17 | 国家电网公司 | 一种电力负荷条件密度预测方法 |
CN106919778A (zh) * | 2015-12-25 | 2017-07-04 | 中国移动通信集团公司 | 基于医疗大数据的疾病诊断方法及装置 |
CN106067075A (zh) * | 2016-06-01 | 2016-11-02 | 新奥泛能网络科技股份有限公司 | 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 |
CN106127303A (zh) * | 2016-06-15 | 2016-11-16 | 国网山东省电力公司菏泽供电公司 | 一种面向多源数据的短期负荷预测方法 |
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
WO2018161722A1 (zh) * | 2017-03-08 | 2018-09-13 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN108596227A (zh) * | 2018-04-12 | 2018-09-28 | 广东电网有限责任公司 | 一种用户用电行为主导影响因素挖掘方法 |
CN110135643A (zh) * | 2019-05-17 | 2019-08-16 | 国网山东省电力公司莱芜供电公司 | 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 |
CN110516867A (zh) * | 2019-08-21 | 2019-11-29 | 广东电网有限责任公司 | 一种基于主成分分析的集成学习负荷预测方法 |
CN110516867B (zh) * | 2019-08-21 | 2022-02-11 | 广东电网有限责任公司 | 一种基于主成分分析的集成学习负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102073922A (zh) | 基于影响因素筛选的短期负荷预测方法 | |
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
Bordignon et al. | Combining day-ahead forecasts for British electricity prices | |
CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
CN103310051B (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
CN106875047B (zh) | 水库流域径流预报方法及系统 | |
CN106408423A (zh) | 用于风险评估的方法、系统及构建风险评估系统的方法 | |
CN106875037B (zh) | 风力预测方法及装置 | |
CN106056127A (zh) | 一种带模型更新的gpr在线软测量方法 | |
KR102239464B1 (ko) | 심층 구조를 이용한 전력 수요 예측 방법 및 장치 | |
KR20210017342A (ko) | 과거 데이터에 기초한 시계열 예측 방법 및 장치 | |
CN108073782A (zh) | 一种基于观测窗口均权重粒子滤波的数据同化方法 | |
CN110807508B (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
CN107092794B (zh) | 用于台风混合气候地区极值风速估算的分析方法及装置 | |
CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
CN113360854A (zh) | 基于自适应协方差膨胀的资料同化方法 | |
CN110969296B (zh) | 电采暖负荷预测方法、装置和终端设备 | |
CN110456356B (zh) | 一种面向资料同化的天气雷达径向速度质量控制方法 | |
CN109599866B (zh) | 一种预测辅助的电力系统状态估计方法 | |
CN110766064A (zh) | 一种基于局部加权支持向量回归的离港滑行时间预测方法 | |
CN115392441A (zh) | 量化神经网络模型的片内适配方法、装置、设备及介质 | |
CN114819107A (zh) | 基于深度学习的混合数据同化方法 | |
CN112801415A (zh) | 基于马尔科夫链分布模型的超短期负荷预测方法及系统 | |
CN111382147A (zh) | 一种气象数据缺失插补方法和系统 | |
CN113810024B (zh) | 一种基于混合概率选择算子的代价参考粒子滤波方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20110525 |