CN102521674A - 电力用户用电信息采集系统中夏季短期负荷预测的计算机生成方法 - Google Patents

Abstract

本发明涉及一种计算机数据处理方法，特别是一种电力用户用电信息采集系统的计算机数据修复方法，其要点在于，(1)对历史用电负荷及温度数据预处理；(2)建立夏季温度与用电负荷的相关模型：其中m，n为参数，ν为残差集；(3)计算夏季温度与负荷的相关系数ρ；(4)根据夏季温度数据及其与负荷的相关度，考虑待预测数据对应前一周的数值的依赖性，得到最终负荷预测值。本发明提供了一种对夏季用电负荷的短期预测方法，精度高，实用性强。

Description

电力用户用电信息采集系统中夏季短期负荷预测的计算机生成方法

技术领域

本发明涉及一种计算机数据处理方法，特别是一种电力用户用电信息采集系统中夏季短期负荷预测的计算机生成方法。 

背景技术

在电力系统中，电力用户用电信息采集系统是实施有序用电管理的重要技术平台，为实施有序用电管理过程中保证限电不拉闸提供了重要技术支撑。电力负荷预测是电力用户用电信息采集系统中新发展起来的重要功能，为有序用电方案的制定和实施提供了重要依据。准确的负荷预测，可以合理制定有序用电方案，针对电力供应紧缺的情况，优化电力资源配置，将电力供需矛盾给社会带来的不利影响降至最低程度，提高经济效益和社会效益。 

短期负荷预测特别是夏季短期负荷预测，目前主要面向电力系统调度和计划部门安排购电计划和制定运行方式，采用以用户为单元的负荷预测方法，其主要集中于对算法的研究和预测应用的研究，但由于建立的模型复杂，计算过程影响了实际的应用，同时也存在预测精度不高的问题。 

发明内容

本发明的目的在于根据现有技术的不足之处而提供一种模型简单、预测精度高的电力用户用电信息采集系统中夏季短期负荷预测的计算机生成方法。 

本发明的目的是通过以下途径来实现的： 

电力用户用电信息采集系统中夏季短期负荷预测的计算机生成方法，其要点在于，包括如下步骤： 

1)提供一种计算机预处理模块，其对前一年夏季负荷及温度数据预处理，每天负荷为15分钟或30分钟一个记录点；取每天负荷计算平均值记为 

(第i天负荷平均值)，第i天最高温度记为T_i。记T＝(T₁，......，T_n)， 

经过线性变换，取 x_i＝T_i-min(T)，y＝(y₁，......，y_n)，x＝(x₁，......，x_n)； 

2)提供一种工作日预处理数据存储模块和节假日预处理数据存储模块，二者分别连接计算机预处理模块，计算机预处理模块将步骤1)中预处理的负荷数据和温度数据根据工作 日和节假日情况分别存入工作日预处理数据存储模块和节假日预处理数据存储模块； 

3)提供一种中央处理模块，其分别与工作日预处理数据存储模块和节假日预处理数据存储模块连接，该中央处理模块首先从工作日预处理数据存储模块中提取预处理数据，对工作日数据建模， 

其中m，n为参数，ν为残差集； 

4)对模型变形，得到 

y≠0 & 1，m＞0，μ为变换后残差集； 

5)利用OLS方法计算模型的相关参数m，n； 

6)对残差集进行DW方法验证和修正，去除残差集的自相关性，对步骤(5)中的所获得的参数进行修正，从而得到模型 

y≠0 & 1，m₁＞0，μ₁为残差； 

7)对残差集μ₁进行DW验证，重复步骤(5)、(6)，直到μ_k无自相关，从而得到最终模型为 

y≠0 & 1，m_k＞0，μ_k为无自相关的残差集。 

8)中央处理模块进一步从节假日预处理数据存储模块提取预处理数据，对节假日建模，按照(3)～(7)的步骤，并预处理后的负荷与温度数据为y_h，x_h，计算出节假日的模型为： 

y_h≠0 & 1，m^h _k＞0，μ^h _k为无自相关的残差集。 

9)定义 

因此，最终预测模型为  $f\left(x\right)=1_x\×(\frac{\max \left(\stackrel{\‾}{A}\right)-\min \left(\stackrel{\‾}{A}\right)}{1+m_k{e}^{-n_{k}x}}+\min \left(\stackrel{\‾}{A}\right))+(1-1_x)\×(\frac{\max \left({\stackrel{\‾}{A}}_h\right)-\min \left({\stackrel{\‾}{A}}_h\right)}{1+{m^h}_k{e}^{-{n^h}_{k}x}}+\min \left({\stackrel{\‾}{A}}_h\right))+v$ ν为无自相关残差集。 

10)中央处理模块设定待预测天数负荷A_i＝(A_i，1，......，A_i，p)，从工作日预处理数据存储模块和节假日预处理数据存储模块中提取与其对应的上一周的负荷数据集A_k＝(A_k，1，......，A_k，p)作为参考集，并记录其平均负荷及平均温度T_i， T_k

存储到与中央处理模块连接的预测数据存储模块中； 

11)根据步骤9)所得的模型计算出待预测天数的平均负荷估计值 

和上周对应平均负荷估计值 

12)令 为其他因子干扰项，并计算 与x的相关系数ρ； 

13)计算每天不同时刻负荷的权重及与上周负荷的相关性，得到预测负荷为  ${\hat{A}}_{i,j}=\frac{{\widehat{\stackrel{\‾}{A}}}_i+h_k}{{\stackrel{\‾}{A}}_k}\×A_{k,j}\×{\mathrm{\ρ}}^3+A_{k,j}\×(1-{\mathrm{\ρ}}^3)$

14)将预测结果返回给电力用户用电信息采集系统。 

综上所述，本发明的目的是为了处理一种电力用户用电信息采集系统中的技术数据，提供的电力用户用电信息采集系统的数据预测方法-夏季短期负荷预测的计算机生成方法。其通过计算机执行了一系列的技术数据处理程序：先对历史数据进行预处理，基于历史温度和历史负荷建模，得到相应的参数估计值；其次运用建立的模型预测出待预测天数的负荷平均值及相对应的负荷，从而得到其他因素干扰项；再次根据待预测天数对温度的敏感程度及对上周对应天数的依赖性，得到最终预测值。完成对该技术数据的处理，根据上述方法能够获得符合自然规律的技术数据处理效果：即能够得到一种预测效果好，运算速度快的电力用户用电信息采集系统的夏季负荷短期预测，实现了对用户短期负荷预测。 

附图说明

图1所示为本发明所述电力用户用电信息采集系统中夏季短期负荷预测的计算机生成方法的建立修复模型的流程图。 

图2所示为本发明所述电力用户用电信息采集系统的计算机数据修复方法的流程图。 

下面结合实施例对本发明做进一步描述。 

具体实施例

最佳实施例： 

电力用户用电信息采集系统中夏季短期负荷预测的计算机生成方法，基于温度和用电信息采集系统中存在的历史数据建模，再考虑近期负荷对待预测负荷的影响因素及其他扰动因素， 对未来短期数据进行预测，从而实现对用电数据有效监控的目的。 

其中，建立预测模型的具体步骤如下(参见图1)： 

1)提供一种计算机预处理模块，其对前一年夏季负荷及温度数据预处理，每天负荷为15分钟或30分钟一个记录点；取每天负荷计算平均值记为 

(第i天负荷平均值)，第i天最高温度记为T_i。记T＝(T₁，......，T_n)， 

经过线性变换，取 

x_i＝T_i-min(T)，y＝(y₁，......，y_n)，x＝(x₁，......，x_n)； 

2)提供一种工作日预处理数据存储模块和节假日预处理数据存储模块，二者分别连接计算机预处理模块，计算机预处理模块将步骤1)中预处理的负荷数据和温度数据根据工作日和节假日情况分别存入工作日预处理数据存储模块和节假日预处理数据存储模块； 

3)提供一种中央处理模块，其分别与工作日预处理数据存储模块和节假日预处理数据存储模块连接，该中央处理模块首先从工作日预处理数据存储模块中提取预处理数据，对工作日数据建模， 

其中m，n为参数，ν为残差集； 

4)对模型变形，得到 y≠0 & 1，m＞0，μ为变换后残差集； 

5)利用OLS方法计算模型的相关参数m，n； 

6)对残差集进行DW方法验证和修正，去除残差集的自相关性，对步骤(5)中的所获得的参数进行修正，从而得到模型 

y≠0 & 1，m₁＞0，μ₁为残差； 

7)对残差集μ₁进行DW验证，重复步骤(5)、(6)，直到μ_k无自相关，从而得到最终模型为 

y≠0 & 1，m_k＞0，μ_k为无自相关的残差集。 

8)中央处理模块进一步从节假日预处理数据存储模块提取预处理数据，对节假日建模，按照(3)～(7)的步骤，并预处理后的负荷与温度数据为y_h，x_h，计算出节假日的 模型为： 

y_h≠0 & 1，m^h _k＞0，μ^h _k为无自相关的残差集。 

9)定义 因此，最终预测模型为  $f\left(x\right)=1_x\×(\frac{\max \left(\stackrel{\‾}{A}\right)-\min \left(\stackrel{\‾}{A}\right)}{1+m_k{e}^{-n_{k}x}}+\min \left(\stackrel{\‾}{A}\right))+(1-1_x)\×(\frac{\max \left({\stackrel{\‾}{A}}_h\right)-\min \left({\stackrel{\‾}{A}}_h\right)}{1+{m^h}_k{e}^{-{n^h}_{k}x}}+\min \left({\stackrel{\‾}{A}}_h\right))+v$ ，并将模型进行存储，模型中的ν为无自相关残差集。 

而数据短期预测实施步骤如下：(参照附图2) 

1)从工作日预处理数据存储模块和节假日预处理数据存储模块提取预处理数据， 

2)从中央处理模块中提取最终预测模型； 

3)中央处理模块设定待预测天数负荷A_i＝(A_i，1，......，A_i，p)，从工作日预处理数据存储模块和节假日预处理数据存储模块中提取与其对应的上一周的负荷数据集A_k＝(A_k，1，......，A_k，p)作为参考集，并记录其平均负荷及平均温度T_i， 

T_k

存储到与中央处理模块连接的预测数据存储模块中； 

4)根据最终预测模型所得的模型计算出待预测天数的平均负荷估计值 

和上周对应平均负荷估计值 

5)令 

为其他因子干扰项，并计算 与x的相关系数ρ； 

6)计算每天不同时刻负荷的权重及与上周负荷的相关性，得到预测负荷为  ${\hat{A}}_{i,j}=\frac{{\widehat{\stackrel{\‾}{A}}}_i+h_k}{{\stackrel{\‾}{A}}_k}\×A_{k,j}\×{\mathrm{\ρ}}^3+A_{k,j}\×(1-{\mathrm{\ρ}}^3)$

7)将预测结果返回给电力用户用电信息采集系统。 

以上夏季短期负荷预测的计算机生成方法的理论依据是基于回归时间序列的负荷缺失值填充算法：每日电力负荷变化无规律可循，但负荷数据具有周期性，其最小周期为一天。首先，每个周期之间具有强相关性；其次，每日负荷具有滞后性，即后一个采集时点与前一个采集时 点有相依关系。最后，根据误差检测方法来刻画负荷之间的函数关系。 

回归时间序列方法是利用数理统计原理，对大量的电力统计数据进行数学处理，并确定电力负荷缺失值与周期数据和相邻数据之间的相关关系，建立一个相关性较好的回归方程，并加以外推，用于预测缺失数据的分析方法。 

根据回归分析和时间序列的方法，基于历史周期信息和相邻采集时点的数据，对待修复的负荷数据作估计，是建立在贝叶斯先验估计方法基础上的，反映了历史和相邻数据对缺失数据的决定性作用，能有效模拟出缺失数据的平均数值，且与真实数据相比具有较小的误差。 

负荷缺失值填充算法运用较广的可分为三类，1.随机填充、数据丢弃、平均值填充、相邻数据替代。这类算法计算简单，但没有充分利用历史数据的有用信息，精度不高；2.马氏距离判别法，决策树判别法、灰色填充。这类算法建模复杂，精度较高，但计算过程繁琐，耗时长，效率低，实用价值大打折扣。3.热卡填充、最小二乘法。这类算法利用了历史数据的先验信息，但没有充分提取对缺失值影响最大的先验数据。 

以其他负荷缺失值填充算法相比，此算法建模过程紧凑但相对简单，充分考虑了电力负荷的周期性和滞后性，并深度挖掘了其相依关系。此算法易于操作，耗时较短，且具有较高的修复精度。 

本发明未述部分与现有技术相同。 

Claims (1)

1.电力用户用电信息采集系统的计算机数据修复方法，其特征在于，

(1)提供一种计算机预处理模块，其对前一年夏季负荷及温度数据预处理，每天负荷为15分钟或30分钟一个记录点；取每天负荷计算平均值记为

(第i天负荷平均值)，第i天最高温度记为T_i。记T＝(T₁，......，T_n)，

经过线性变换，取x_i＝T_i-min(T)，y＝(y₁，......，y_n)，x＝(x₁，......，x_n)；

(2)提供一种工作日预处理数据存储模块和节假日预处理数据存储模块，二者分别连接计算机预处理模块，计算机预处理模块将步骤1)中预处理的负荷数据和温度数据根据工作日和节假日情况分别存入工作日预处理数据存储模块和节假日预处理数据存储模块；

(3)提供一种中央处理模块，其分别与工作日预处理数据存储模块和节假日预处理数据存储模块连接，该中央处理模块首先从工作日预处理数据存储模块中提取预处理数据，对工作日数据建模，

其中m，n为参数，ν为残差集；

(4)对模型变形，得到

y≠0 & 1，m＞0，μ为变换后残差集；

(5)利用OLS方法计算模型的相关参数m，n；

(6)对残差集进行DW方法验证和修正，去除残差集的自相关性，对步骤(5)中的所获得的参数进行修正，从而得到模型

y≠0 & 1，m1＞0，μ1为残差；

(7)对残差集μ₁进行DW验证，重复步骤(5)、(6)，直到μ_k无自相关，从而得到最终模型为

y≠0 & 1，m_k＞0，μ_k为无自相关的残差集。

(8)中央处理模块进一步从节假日预处理数据存储模块提取预处理数据，对节假日建模，按照(3)～(7)的步骤，并预处理后的负荷与温度数据为y_h，x_h，计算出节假日的模型为：

y_h≠0 & 1，m^h _k＞0，μ^h _k为无自相关的残差集。

(9)定义因此，最终预测模型为 $f\left(x\right)=1_x\×(\frac{\max \left(\stackrel{\‾}{A}\right)-\min \left(\stackrel{\‾}{A}\right)}{1+m_k{e}^{-n_{k}x}}+\min \left(\stackrel{\‾}{A}\right))+(1-1_x)\×(\frac{\max \left({\stackrel{\‾}{A}}_h\right)-\min \left({\stackrel{\‾}{A}}_h\right)}{1+{m^h}_k{e}^{-{n^h}_{k}x}}+\min \left({\stackrel{\‾}{A}}_h\right))+v$ ν为无自相关残差集。

(10)中央处理模块设定待预测天数负荷A_i＝(A_i，1，......，A_i，p)，从工作日预处理数据存储模块和节假日预处理数据存储模块中提取与其对应的上一周的负荷数据集A_k＝(A_k，1，......，A_k，p)作为参考集，并记录其平均负荷及平均温度T_i，

T_k 存储到与中央处理模块连接的预测数据存储模块中；

(11)根据步骤9)所得的模型计算出待预测天数的平均负荷估计值

和上周对应平均负荷估计值

(12)令

为其他因子干扰项，并计算

与x的相关系数ρ；

(13)计算每天不同时刻负荷的权重及与上周负荷的相关性，得到预测负荷为 ${\hat{A}}_{i,j}=\frac{{\widehat{\stackrel{\‾}{A}}}_i+h_k}{{\stackrel{\‾}{A}}_k}\×A_{k,j}\×{\mathrm{\ρ}}^3+A_{k,j}\×(1-{\mathrm{\ρ}}^3)$

(14)将预测结果返回给电力用户用电信息采集系统。

Images