CN102819770B - 基于人体舒适度指数的配电网短期负荷预测方法 - Google Patents
基于人体舒适度指数的配电网短期负荷预测方法 Download PDFInfo
- Publication number
- CN102819770B CN102819770B CN201210272584.9A CN201210272584A CN102819770B CN 102819770 B CN102819770 B CN 102819770B CN 201210272584 A CN201210272584 A CN 201210272584A CN 102819770 B CN102819770 B CN 102819770B
- Authority
- CN
- China
- Prior art keywords
- day
- load
- comfort index
- body comfort
- predicted
- 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.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于人体舒适度指数的配电网短期负荷预测方法,其特征是结合配电网特点,引入气象学中人体舒适度指数的概念,给出了一种基于温度高低分类的日人体舒适度指数计算方法,并以日人体舒适度指数相似的负荷曲线相似为基准,以负荷形状相似及日人体舒适度指数距离计算负荷-人体舒适度指数变化率,并由该变化率与基准曲线计算待预测日负荷值。对节假日负荷采取正常日计算及节假日计算平均法求取。避免了节假日样本数量少及气温突变对负荷的影响。该方法以人体舒适度指数变化为基础,避免了地域、季节差别对预测值的影响,算法简洁方便,所需样本空间小,便于大规模计算,满足配电网短期负荷预测实际需求。
Description
技术领域
本发明属于电网负荷预测领域,具体来说涉及一种配电网短期负荷预测方法。
背景技术
配电网短期负荷预测是配网负荷预测的重要组成部分,是制定配网运行方式和实现优化运行的主要依据,也是校核配网安全的重要依据。目前对配电网负荷预测多集中在中长期负荷预测上,对短期负荷预测的研究多集中在输电网领域,主要方法分传统方法和智能方法。传统方法包括时间序列预测法、回归分析法、最小二乘法、指数平滑法等;智能方法包括灰色预测法、专家系统法、小波分析法、模糊预测法、混沌理论法、神经网络法、组合优化法等。
配电网短期负荷预测不同于主网短期负荷预测,有其自身特点。其预测对象为各10kV馈线电源开关点,预测负荷总量小,预测点数量大,受馈线所辖区域负荷类型影响大。且气温、降水、湿度、风力、光照等天气因素以及预测日类型对负荷的影响也有决定意义。目前对气象因素的影响处理多以固定方式将各个影响因素通过选择影响因子变化成无量纲统一值,该方法受人为选择因素影响大。智能化方法需大量样本空间,且训练时间长,对配网大量数据预测点及少量历史值的特点适应性较弱。
发明内容
针对上述问题,本发明结合配电网特点,引入气象学中人体舒适度指数的概念,将气温、降水、湿度、风力等气象因素转化为人体舒适度指数,给出了一种基于日高低气温分类的日人体舒适度指数计算方法,以日人体舒适度指数相似的负荷曲线相似为基准,以负荷形状相似及日人体舒适度指数距离计算负荷-人体舒适度指数变化率,并由该变化率与基准曲线计算待预测日负荷值。对节假日负荷采取正常日计算及节假日计算平均法求取。避免了节假日样本数量少及气温突变对负荷的影响。该方法简洁方便,所需样本空间小,满足配电网短期负荷预测实际需求。
用于实现上述目的的技术方案如下:基于人体舒适度指数的配电网短期负荷预测方法,其特征在于采用如下步骤:(1)首先将负荷历史数据按照正常工作日与节假日分组,若待预测日为正常工作日,其步骤为:
首先,在正常工作日历史负荷中,根据日最高气温或最低气温、相对湿度、最大风力计算与待预测日人体舒适度指数相似度最大的工作日作为预测基准日,其中,日人体舒适度指数是指一天中每时刻人体舒适度指数的最大值或最小值,当日最高气温超过一定值时其由最高气温计算,当日最低气温低于一定值时由最低气温计算,当温度介于两者之间时,由平均气温计算,主要计算公式如下:
(1)
(2)
其中DI A 、DI B为A、B的日人体舒适度指数,HL AB为A、B的日人体舒适度指数距离, RDI AB为A、B的日人体舒适度指数相似度。
(6)
其中DI为人体舒适度指数;T为温度,oC;RH为日平均相对湿度,V为风速,m/s,可取日最高风速与日最低风速平均值;T N 为基准温度,oC,其随地域不同略有变化。
当日最高温度超过25 oC时,空调负荷为制冷负荷,将一天中各时刻人体舒适度指数最大值作为该日的日人体舒适度指数,描述为:
DI A = max{DI A1, DI A2, DI A3, …,DI AN } (7)
其中,DI A为第A天的日人体舒适度指数,DI Ai (i=1,2,…N)为各时刻的人体舒适度指数。因风速及湿度各时刻近似一定,故最高温度下的人体舒适度指数即为该日的日人体舒适度指数。
当日最低温度低于5 oC时,空调负荷为制冷负荷,将一天中各时刻人体舒适度指数最小值作为该日的日人体舒适度指数,描述为:
DI A = min{ DI A1, DI A2, DI A3, …,DI AN } (8)
因风速及湿度各时刻近似一定,故最低温度下的人体舒适度指数即为该日的日人体舒适度指数。
当日温度介于以上两种情况之间时,按公式(7)计算,取平均温度计算的人体舒适度指数作为该日的日人体舒适度指数。
定义两日人体舒适度指数差值为两日的日人体舒适度指数距离,描述为:
(9)
其中HL AB为第A、B两日的日人体舒适度指数距离。
日人体舒适度指数相似度可以用日人体舒适度指数距离绝对值表示,描述为:
(2)
其中RDI AB为第A、B两日的日人体舒适度指数相似度,一般情况下两日的日人体舒适度指数距离不超过50。
其次,在正常工作日历史负荷中查找与预测基准日负荷形状相似度最大的工作日,并计算该日与预测基准日的日人体舒适度指数距离,由该日与预测基准日每时刻负荷差值与其日人体舒适度指数距离计算该两日的负荷-人体舒适度指数变化率,其中,负荷形状相似度是由两负荷曲线每时刻差值期望表示:
(3) (4)
x Ai、x Bi为A、B两负荷曲线各时刻值,N为采样点数,R AB为A、B负荷曲线相似度,LDI AB,i为A、B负荷曲线各时刻负荷-人体舒适度指数变化率。
负荷曲线形状相似是指两曲线在垂直方向上通过平移有最大相似度,即两曲线所形成的包络面积最小,若两曲线重合,则其包络面积为0。故此,负荷曲线形状相似度可以由两曲线不同时刻负荷差值的期望表示,描述为:
R AB= 1-E (Z AB) (10)
Z AB = | X A - X B | (11)
其中R AB为第A、B两日的负荷曲线相似度。Z AB为第A、B两日负荷差值曲线数列,X A、X B为第A、B两日的负荷曲线数列,描述为:
X A={x A1, x A2, x A3,…, x AN }
X B={x B1, x B2, x B3,…, x BN }
Z AB={z AB,1, z AB,2, z AB,3,…, z AB,N } (12)
其中x Ai 、x Bi (i=1,2,…N)为第A、B日负荷曲线第i采样点负荷值,z AB,i (i=1,2,…N)为第A、B两日负荷差值曲线第i采样点负荷值。N为负荷曲线采样点数,一般取96。
E (Z AB)为数列Z AB的期望,描述为:
(13)
其中P(z AB,i )为第A、B两日负荷差值曲线第i采样点的概率。描述为:
P(z AB,i ) = 1/N (14)
由(10)-(14)可得出公式(3)A、B负荷曲线相似度R AB。
最后,计算待预测日与预测基准日人体舒适度指数距离,以预测基准日负荷各时刻值与第二步所得各时刻负荷-人体舒适度指数变化率计算待预测负荷值,具体为:
(5)
其中,X M为待预测日负荷值,X S为预测基准日负荷值。
(2)若待预测日为节假日,其步骤为:
首先,将待预测节假日作为正常工作日,在正常工作日历史负荷数据分组中,按照第(1)节第一至第三步骤计算待预测节假日负荷值X M,
其次,在节假日历史负荷数据分组中,按照第(1)节第一至第三步计算待预测节假日负荷值X M ’,
最后,待预测节假日负荷值为上述两步计算值平均,即(X M+ X M ’)/2。
本发明的优点是:本发明引入气象学中人体舒适度指数的概念,基于日高低气温分类,给出一种日人体舒适度计算方法,通过日人体舒适度指数变化率计算待预测日负荷,既将气象因素转换为统一量纲数值,又避免了地域、季节差别对预测值的影响。对节假日负荷采取正常日计算及节假日计算平均法求取,避免了节假日样本数量少及气温突变对负荷的影响。所需样本数量少,算法简洁方便,利于程序实现及大规模计算。
附图说明
图1为某地6月份部分天气信息;
图2为预测结果误差统计。
具体实施方式
利用本发明所提出的方法进行负荷预测的具体过程如下:
实施例一
图1为某地2012年6月份部分天气信息,6月2日、6月3日、6月9日为双休日,其他为正常工作日,将正常工作日负荷放入队列Q 1,节假日负荷放入队列Q 2,负荷采样值为96点。
6月8日为待预测日,待预测日6月8日为正常工作日,首先根据配网短期负荷预测计算步骤,
(1)
(2)
通过公式(1)和(2)查找与其日人体舒适度指数相似度最大日,为6月7日。
其次,在队列Q 1中查找与预测基准日负荷形状相似度最大的工作日,并计算该日与预测基准日的日人体舒适度指数距离。
(3) (4)
(5)
根据公式(3)查找与6月7日负荷形状相似度最大日,为6月6日。
最后,根据公式(4)计算6日与7日之间的负荷-人体舒适度指数变化率。以7日负荷为基准,以6日与7日的负荷-人体舒适度指数变化率近似代替8日与7日的人体舒适度指数,根据公式(5)计算8日96点负荷值。
预测结果与实际值误差统计如图2所示。平均误差率为7.235%;最小误差率为0.015%,出现时刻为第93点;最大误差率为42.936%,出现时刻为第48点。
实施例二
图1为某地2012年6月份部分天气信息,6月9日为待预测日,6月2日、6月3日、6月9日为双休日,其他为正常工作日,将正常工作日负荷放入队列Q 1,节假日负荷放入队列Q 2,负荷采样值为96点。
待预测日6月9日为双休日,具体步骤为:
1、首先,根据配网短期负荷预测计算步骤,
(1)
(2)
通过公式(1)和(2)查找与其日人体舒适度指数相似度最大工作日,为6月6日。
其次,在队列Q 1中查找与预测基准日负荷形状相似度最大的工作日,并计算该日与预测基准日的日人体舒适度指数距离。
(3) (4)
(5)
其次,根据公式(3)查找与6日负荷形状相似度最大日,为7日。
再次,计算6日与7日之间的负荷-人体舒适度指数变化率,并根据公式(5)计算9日96点负荷值X 6。
2、在队列Q 2中,查找与6月9日日人体舒适度指数相似度最大的节假日,为6月3日。查找与3日负荷形状相似度最大日,为6月2日。计算2日与3日之间的负荷-人体舒适度指数变化率。
3、并根据公式(5)计算9日96点负荷值X ’ 6,则9日负荷预测值为(X 6+ X ’ 6)/2。
其预测结果与实际值误差统计如图2所示。平均误差率为7.798%;最小误差率为0.03547,出现时刻为第29点;最大误差率为48.4906%,出现时刻为第78点。
Claims (1)
1.基于人体舒适度指数的配电网短期负荷预测方法,其特征在于采用如下步骤:(1)首先将负荷历史数据按照正常工作日与节假日分组,若待预测日为正常工作日,其步骤为:
步骤一、在正常工作日历史负荷中,根据日最高气温或最低气温、相对湿度、最大风力计算与待预测日人体舒适度指数相似度最大的工作日作为预测基准日,其中,日人体舒适度指数是指一天中每时刻人体舒适度指数的最大值或最小值,当日最高气温超过一定值时其由最高气温计算,当日最低气温低于一定值时由最低气温计算,当温度介于两者之间时,由平均气温计算,主要计算公式如下:
HLAB-DIA-DIB (1)
RDIAB=1-|HLAB|/50 (2)
其中DIA、DIB为第A天、第B天的日人体舒适度指数,HLAB为A、B的日人体舒适度指数距离,RDIAB为A、B的日人体舒适度指数相似度;
步骤二、在正常工作日历史负荷中查找与预测基准日负荷形状相似度最大的工作日,并计算该日与预测基准日的日人体舒适度指数距离,由该日与预测基准日每时刻负荷差值与其日人体舒适度指数距离计算该两日的负荷-人体舒适度指数变化率,其中,负荷形状相似度是由两负荷曲线每时刻差值期望表示:
其中xAi、xBi为A、B两负荷曲线各时刻值,N为采样点数,RAB为A、B负荷曲线相似度,LDIAB,i为A、B负荷曲线各时刻负荷-人体舒适度指数变化率;
步骤三、计算待预测日与预测基准日人体舒适度指数距离,以预测基准日负荷各时刻值与第二步所得各时刻负荷-人体舒适度指数变化率计算待预测负荷值,具体为:
XM=XS+HLMS*LDIMS (5)
其中,XM为待预测日负荷值,XS为预测基准日负荷值,HLMS为待预测日、预测基准日的日人体舒适度指数距离,LDIMS为待预测日、预测基准日的负荷曲线各时刻负荷-人体舒适度指数变化率;
(2)若待预测日为节假日,其步骤为:首先,将待预测节假日作为正常工作日,在正常工作日历史负荷数据分组中,按照第(1)节第一至第三步骤计算待预测节假日负荷值XM;其次,在节假日历史负荷数据分组中,按照第(1)节第一至第三步计算待预测节假日负荷值XM’;
最后,待预测节假日负荷值为上述两步计算值平均,即(XM+XM’)/2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210272584.9A CN102819770B (zh) | 2012-08-02 | 2012-08-02 | 基于人体舒适度指数的配电网短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210272584.9A CN102819770B (zh) | 2012-08-02 | 2012-08-02 | 基于人体舒适度指数的配电网短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102819770A CN102819770A (zh) | 2012-12-12 |
CN102819770B true CN102819770B (zh) | 2015-07-01 |
Family
ID=47303878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210272584.9A Active CN102819770B (zh) | 2012-08-02 | 2012-08-02 | 基于人体舒适度指数的配电网短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102819770B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880914A (zh) * | 2012-08-21 | 2013-01-16 | 积成电子股份有限公司 | 基于人体舒适度指数的配电网短期负荷预测方法 |
CN103413253B (zh) * | 2013-09-04 | 2016-05-18 | 国家电网公司 | 一种基于经济、气象因素的年最大负荷分类预测方法 |
CN104766245B (zh) * | 2015-03-18 | 2018-01-05 | 华南理工大学 | 一种基于气象信息和熵权理论的电缆负荷曲线估算方法 |
CN105719028B (zh) * | 2016-03-08 | 2019-10-29 | 北京工业大学 | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 |
CN107423836B (zh) * | 2017-04-07 | 2020-04-28 | 山东大学 | 基于体感温度的短期负荷预测方法 |
CN111461496A (zh) * | 2020-03-10 | 2020-07-28 | 国网山西省电力公司经济技术研究院 | 一种中长期负荷数据的季节性调整方法 |
CN112686449A (zh) * | 2020-12-31 | 2021-04-20 | 国网河南省电力公司经济技术研究院 | 基于人体气象舒适度指数的居民用电预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7231299B2 (en) * | 2004-03-02 | 2007-06-12 | Hitachi, Ltd. | Method, program, and system for estimating weather risk |
-
2012
- 2012-08-02 CN CN201210272584.9A patent/CN102819770B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7231299B2 (en) * | 2004-03-02 | 2007-06-12 | Hitachi, Ltd. | Method, program, and system for estimating weather risk |
Non-Patent Citations (1)
Title |
---|
人体舒适度指数在短期电力负荷预测中的应用;秦海超等;《电力系统及其自动化学报》;20060430;第18卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN102819770A (zh) | 2012-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102819770B (zh) | 基于人体舒适度指数的配电网短期负荷预测方法 | |
CN103218675B (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
CN105590174A (zh) | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 | |
CN102880914A (zh) | 基于人体舒适度指数的配电网短期负荷预测方法 | |
CN113222387B (zh) | 面向氢燃料车辆的多目标调度与协同优化方法 | |
CN110957752A (zh) | 一种基于边缘物联的区域智能变电站调度系统及其方法 | |
CN104899665A (zh) | 风电功率短期预测方法 | |
CN109886567B (zh) | 一种考虑体感温度和辐射强度的短期负荷预测方法 | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN103617564A (zh) | 基于区域负荷预测值综合评价的全网负荷预测方法 | |
CN115802559B (zh) | 一种智慧照明控制方法、装置、计算机设备及存储介质 | |
CN112488372A (zh) | 多时间尺度下电采暖负荷双层优化调度方法 | |
US11267362B2 (en) | Systems and methods for adaptive optimization for electric vehicle fleet charging | |
CN102509026A (zh) | 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 | |
CN112670999B (zh) | 一种基于用户侧灵活资源的低压配电网实时电压控制方法 | |
CN108346009B (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN116683500B (zh) | 一种电化学储能电站有功功率调度方法和系统 | |
CN107769268A (zh) | 一种含小水电的地调范围日前预测省供负荷方法 | |
CN116307076A (zh) | 一种基于物联网的工业园区能效管控方法 | |
CN114880939A (zh) | 一种动力电池寿命的智能预测方法及装置 | |
CN117439101B (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
CN114285086A (zh) | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 | |
CN113487131A (zh) | 一种基于充电需求和储能调节的站网互动方法 | |
CN108808657A (zh) | 一种电力负荷短期预测方法 | |
CN116960985A (zh) | 一种电力系统虚拟电厂需求响应潜力评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |