CN102880917A - 基于对数负荷密度增长曲线的中长期电力负荷预测方法 - Google Patents
基于对数负荷密度增长曲线的中长期电力负荷预测方法 Download PDFInfo
- Publication number
- CN102880917A CN102880917A CN2012103514915A CN201210351491A CN102880917A CN 102880917 A CN102880917 A CN 102880917A CN 2012103514915 A CN2012103514915 A CN 2012103514915A CN 201210351491 A CN201210351491 A CN 201210351491A CN 102880917 A CN102880917 A CN 102880917A
- Authority
- CN
- China
- Prior art keywords
- load
- rho
- density
- prediction
- year
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于对数负荷密度增长曲线的中长期电力负荷预测方法,其根据负荷增长和负荷饱和度有一定关系,以及中长期电力负荷具有非线性、时变性和不确定性等特点,针对于某类功能小区基于负荷增长率曲线来求取负荷密度指标值,可以在负荷的不同发展阶段,根据给定的负荷对数增长率曲线,实现在不同负荷密度阶段负荷有不同的增长率,从而实现更为复杂的负荷增长曲线预测,提高负荷预测的精度和速度。本发明不仅可用于整体负荷预测,还可用于空间负荷预测的各个区块负荷预测。
Description
技术领域
本发明涉及电力系统中长期电力负荷预测方法,具体是一种基于对数负荷密度增长曲线的中长期电力负荷预测方法。
背景技术
随着国民经济的发展和人民生活水平的提高,电力作为一种非常重要的能源,已经深入到社会的各个角落,人们对电能质量的要求也越来越高,电力负荷预测作为保证电能质量的一个基本工具,得到了越来越多的关注。预测技术在电力工业中具有特别重要的地位,这是电力工业生产、输送、消费同时进行,以及电力工业先行的特点所决定的。需电量及电力负荷预测是电力系统规划和建设的基本依据,是电力企业日常经营管理工作的重要组成部分,而中长期负荷预测是目前深受关注的研究课题。
国内外关于负荷预测的研究已出现了许多种方法,时间序列法是统计模型中最常用的方法之一,它的优点是计算简单,要求的历史数据少,但因为是基于统计的模型,故预测精度低。由于中长期电力负荷受到多种因素的影响,所以此方法对于电力负荷的预测也存在着局限性。回归分析法的主要优点在于它能够通过模型来解释各变量之间的关系,它对因果关系处理是十分有效的;但它也有缺点,一是要收集较多的观测值,它的预测准确度与样本含量有关,所以付出的代价一般比较大;二是计算量大;三是要经常评审模型。人工神经网络具有任意逼近非线性函数的特性,它的优点在于它具有模拟多变量而不需要对输入变量作复杂的相关假定,不要求知道输入输出变量间的函数关系,只用通过对输入输出数据的训练,获得输入输出之间的映射关系,而进行负荷预测,但由于黑盒描述,它有着不能辨析各输入与输出变量之间关系的缺点。灰色系统理论是研究解决灰色系统分析、建模、预测、决策和控制的理论。在影响电网负荷的诸多因素中,一些因素确定,而另一些因素不确定,故可以把它看作是一个灰色系统,该方法简捷实用,预测精度高,并保证了样本量和计算工作量不随着时间的变化而增加,但模型的确定要经过多种检验才能判定其是否合理,比较繁杂。
目前对于电力系统的负荷预测,国外进行了大量理论研究,达到了较高的水平,部分已投入实际应用。国内也已有了比较系统的研究,但仍存在着问题:短期负荷预测技术比较成熟,但对于中长期负荷预测的研究,由于其时间跨度大,涉及区域广,受国民经济发展等多方面因素的影响较大,其预测难度也相应地较大,针对它所做的研究也相对不足;随着我国城市规划的逐渐规范化,未来城市土地的使用性质基本已经明确,负荷密度指标法在配网规划工程实践中得到了越来越广泛的应用。负荷密度指标法非常适合我国的国情,不仅要预测负荷的量,还要预测未来负荷增长的位置,这也决定了它在我国空间负荷预测中的广泛应用。但在工程实践中,具体利用负荷密度指标法进行负荷预测时,其预测工作的关键及难点便是负荷密度指标的求取:即各地块负荷密度指标的确定,该步骤是负荷密度指标法最重要的过程,也是负荷密度指标法最有难度的一步,它直接关系到预测结果的准确和精度。但传统负荷密度指标法一般做法是把整个规划区内同一分类负荷平均密度作为规划期各小区负荷密度,分类平均负荷密度较容易获得,而且在实际系统中,同类小区的负荷密度是一种分布,相当一部分小区的负荷密度与平均负荷密度接近,应用此方法比较简便,但由于负荷的历史或发展阶段不同,即使同类负荷其负荷密度也相差甚远,所以基于统一的分类负荷平均密度来预测各个小区的负荷必然会造成不可忽视的误差,而且对于那些与平均负荷密度相差较大的小区采用此种方法必然会导致误差较大、预测精度不高。显然,这是不科学和不合理的,为此,本发明在此方面进行了相关研究,考虑到负荷增长和负荷饱和度有一定关系,因此可以用负荷增长率和负荷密度的关系来描述负荷增长特征,从而进一步实现负荷的中长期预测。
发明内容
本发明提供一种基于对数负荷密度增长曲线的中长期电力负荷预测方法,其针对于某类功能小区基于负荷增长率曲线来求取负荷密度指标值,可以在负荷的不同发展阶段,根据给定的负荷对数增长率曲线,实现在不同负荷密度阶段负荷有不同的增长率,从而实现更为复杂的负荷增长曲线预测,提高负荷预测的精度和速度。
一种基于对数负荷密度增长曲线的中长期电力负荷预测方法,包括如下步骤:
(1)给定负荷预测区域的饱和负荷密度ρmax;
(2)给定归一化的负荷增长率-饱和负荷密度曲线公式如下:
k=f(ρc)=αln(ρc)
其中k为负荷增长率,f为给定的映射关系,α为待定系数,ρc为归一化的负荷密度:
(3)根据负荷预测基准年负荷和预测区域面积计算起始负荷密度ρ0:
其中L0是基准年负荷,S为预测区域面积;
(4)根据历史数据,由最小二乘法拟合得到待定系数α;
(5)计算起始年归一化负荷密度
(6)根据步骤(2)中给定的负荷增长率-饱和负荷密度曲线公式计算第一年的负荷增长率:
K1=f(ρc0)
(7)计算第一个预测年负荷:
L1=L0(1+K1)
(8)计算第一个预测年归一化负荷密度:
(9)依此类推,继续计算下一年负荷增长率和下一年负荷,直到负荷饱和或到负荷预测目标年n为止:
本发明的有益效果:
1、本发明采用的预测方法中负荷增长率仅与负荷密度相关,与实际负荷大小无关,因此可适应负荷总量任意大小的负荷;
2、负荷增长率和负荷预测时间无关,无需指定饱和负荷年限,其负荷增长趋势可以和自然增长趋势更为接近;
3、本发明使用对数函数增长曲线,其含义在于:负荷发展初期、负荷密度较小时增长率较大,随着负荷增长期增长率逐渐变小,在负荷发展末期增长率较小,在负荷达到饱和负荷密度水平时负荷停止增长,与实际负荷增长趋势一致,因此负荷预测的精度较高。
附图说明
图1是本发明基于对数负荷密度增长曲线的中长期电力负荷预测方法其中一个实施例的流程示意图;
图2是本发明采用的负荷增长率-负荷密度曲线的示意图;
图3是采用本发明预测方法得到的负荷预测曲线与实际负荷的曲线对比示意图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述。
图1所示为本发明基于对数负荷密度增长曲线的中长期电力负荷预测方法的流程示意图,所述方法包括如下步骤:
(1)给定负荷预测区域的饱和负荷密度ρmax;
(2)给定归一化的负荷增长率-饱和负荷密度曲线公式如下:
k=f(ρc)=αln(ρc)
其中k为负荷增长率,f为给定的映射关系,α为待定系数,ρc为归一化的负荷密度:
所述负荷增长率-饱和负荷密度曲线为对数函数增长曲线。由该公式可知当ρc=0时,k=∞;当ρc=1时,k=0,与实际的负荷增长趋势率一致。
(3)根据负荷预测基准年(即预测开始的前一年)负荷和预测区域面积计算起始负荷密度ρ0:
其中L0是基准年负荷,S为预测区域面积。
(4)由历史数据,由最小二乘法拟合得到待定系数α:
其中k1、ρci分别为历史数据的负荷增长率和归一化的负荷密度。
(5)计算起始年归一化负荷密度
(6)根据步骤(2)中给定的负荷增长率-饱和负荷密度曲线公
式计算第一年的负荷增长率:
k1=f(ρc0)
(7)计算第一个预测年负荷:
L1=L0(1+k1)
(8)计算第一个预测年归一化负荷密度:
(9)依此类推,继续计算下一年负荷增长率和下一年负荷,直到负荷饱和或到负荷预测目标年n为止:
下面结合附图和一个具体实例对本方法做进一步说明:
首先给定一个负荷预测区域S为0.5km2,预测基准年为2005年,基准年负荷ρ0为10.43MW,饱和负荷密度ρmax为40MW/km2。其历史负荷数据如下:
年份 | 负荷(MW) |
1998 | 5.28 |
1999 | 5.99 |
2000 | 6.73 |
2001 | 7.47 |
2002 | 8.23 |
2003 | 8.97 |
2004 | 9.71 |
用本方法预测2005-2011年负荷如下:
负荷增长率k的函数表达式为:k=αln(ρc),其中α为待定系数,ρc为归一化的负荷密度。
由基准年负荷可计算得归一化负荷密度为:
由历史负荷数据,由最小二乘法拟合计算可得到待定系数α:
其中ki、ρci为历史数据。
α为0.1。其负荷增长率-负荷密度曲线如图2所示,横坐标为归一化负荷密度值,纵坐标为负荷增长率。将系数α带入:
k=0.1ln(Pc)
第一年的负荷增长率为:
k1=0.1ln(Pc0)=0.133
因此第一年的负荷为:
L1=L0(1+k1)=5.28(1+0.133)=5.99(MW)
依次类推计算第二年、第三年以及以后年份的负荷如下表所示:
年份 | 预测值(MW) |
2005 | 10.43 |
2006 | 11.13 |
2007 | 11.80 |
2008 | 12.45 |
2009 | 13.07 |
2010 | 13.65 |
2011 | 14.20 |
将负荷预测值与该地区负荷2005-2011年实际值进行比较如下:
年份 | 实际值(MW) | 预测值(MW) |
2005 | 10.261 | 10.43 |
2006 | 11.395 | 11.13 |
2007 | 11.624 | 11.80 |
2008 | 12.188 | 12.45 |
2009 | 13.25 | 13.07 |
2010 | 13.632 | 13.65 |
2011 | 14.176 | 14.20 |
采用本发明的预测方法得到的负荷预测曲线如图3所示,横坐标为预测年份,总坐标为负荷值(单位为MW)。由图可知预测负荷增长和实际负荷增长趋势一致,且相对误差在2.5%以内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何属于本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (2)
1.一种基于对数负荷密度增长曲线的中长期电力负荷预测方法,其特征在于包括如下步骤:
(1)给定负荷预测区域的饱和负荷密度ρmax;
(2)给定归一化的负荷增长率-饱和负荷密度曲线公式如下:
k=f(ρc)=aln(ρc)
其中k为负荷增长率,f为给定的映射关系,a为待定系数,ρc为归一化的负荷密度:
(3)根据负荷预测基准年负荷和预测区域面积计算起始负荷密度ρ0:
其中L0是基准年负荷,S为预测区域面积;
(4)根据历史数据,由最小二乘法拟合得到待定系数a;
(5)计算起始年归一化负荷密度
(6)根据步骤(2)中给定的负荷增长率-饱和负荷密度曲线公式计算第一年的负荷增长率:
k1=f(ρc0)
(7)计算第一个预测年负荷:
L1=L0(1+k1)
(8)计算第一个预测年归一化负荷密度:
(9)依此类推,继续计算下一年负荷增长率和下一年负荷,直到负荷饱和或到负荷预测目标年n为止:
2.如权利要求1所述的基于对数负荷密度增长曲线的中长期电力负荷预测方法,其特征在于步骤(4)中根据历史数据,由最小二乘法拟合得到待定系数a具体为:
其中ki、ρci分别为历史数据的负荷增长率和归一化的负荷密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210351491.5A CN102880917B (zh) | 2012-09-20 | 2012-09-20 | 基于对数负荷密度增长曲线的中长期电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210351491.5A CN102880917B (zh) | 2012-09-20 | 2012-09-20 | 基于对数负荷密度增长曲线的中长期电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102880917A true CN102880917A (zh) | 2013-01-16 |
CN102880917B CN102880917B (zh) | 2015-06-10 |
Family
ID=47482233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210351491.5A Active CN102880917B (zh) | 2012-09-20 | 2012-09-20 | 基于对数负荷密度增长曲线的中长期电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102880917B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258246A (zh) * | 2013-05-16 | 2013-08-21 | 东北电力大学 | 一种基于元胞历史数据的负荷密度指标的求取方法 |
CN106022546A (zh) * | 2016-06-30 | 2016-10-12 | 中国电力科学研究院 | 一种基于居民小区负荷成长周期的负荷预测方法 |
CN109299545A (zh) * | 2018-09-26 | 2019-02-01 | 中国人民解放军92942部队 | 一种确定可靠性增长试验计划增长曲线的方法 |
CN109546652A (zh) * | 2018-12-24 | 2019-03-29 | 国网湖南省电力有限公司 | 配变台区的电力负荷预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145225A (zh) * | 2007-10-16 | 2008-03-19 | 刘吉成 | 中长期电力负荷预测及预警系统 |
CN101425158A (zh) * | 2008-12-04 | 2009-05-06 | 清华大学 | 基于新息的短期负荷预测方法 |
US20120083933A1 (en) * | 2010-09-30 | 2012-04-05 | General Electric Company | Method and system to predict power plant performance |
-
2012
- 2012-09-20 CN CN201210351491.5A patent/CN102880917B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145225A (zh) * | 2007-10-16 | 2008-03-19 | 刘吉成 | 中长期电力负荷预测及预警系统 |
CN101425158A (zh) * | 2008-12-04 | 2009-05-06 | 清华大学 | 基于新息的短期负荷预测方法 |
US20120083933A1 (en) * | 2010-09-30 | 2012-04-05 | General Electric Company | Method and system to predict power plant performance |
Non-Patent Citations (2)
Title |
---|
周湶 等: "基于最小二乘支持向量机和负荷密度指标法的配电网空间负荷预测", 《电网技术》 * |
王真: "福州地区大学城电力负荷预测的研究", 《福建建设科技》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258246A (zh) * | 2013-05-16 | 2013-08-21 | 东北电力大学 | 一种基于元胞历史数据的负荷密度指标的求取方法 |
CN103258246B (zh) * | 2013-05-16 | 2016-01-20 | 东北电力大学 | 一种基于元胞历史数据的负荷密度指标的求取方法 |
CN106022546A (zh) * | 2016-06-30 | 2016-10-12 | 中国电力科学研究院 | 一种基于居民小区负荷成长周期的负荷预测方法 |
CN106022546B (zh) * | 2016-06-30 | 2022-03-08 | 中国电力科学研究院 | 一种基于居民小区负荷成长周期的负荷预测方法 |
CN109299545A (zh) * | 2018-09-26 | 2019-02-01 | 中国人民解放军92942部队 | 一种确定可靠性增长试验计划增长曲线的方法 |
CN109299545B (zh) * | 2018-09-26 | 2023-04-18 | 中国人民解放军92942部队 | 一种确定电动燃油泵可靠性增长试验计划增长曲线的方法 |
CN109546652A (zh) * | 2018-12-24 | 2019-03-29 | 国网湖南省电力有限公司 | 配变台区的电力负荷预测方法 |
CN109546652B (zh) * | 2018-12-24 | 2022-04-08 | 国网湖南省电力有限公司 | 配变台区的电力负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102880917B (zh) | 2015-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | China’s natural gas production and consumption analysis based on the multicycle Hubbert model and rolling Grey model | |
Sandberg et al. | Using a segmented dynamic dwelling stock model for scenario analysis of future energy demand: The dwelling stock of Norway 2016–2050 | |
He et al. | Forecasting China's total energy demand and its structure using ADL-MIDAS model | |
CN105678403A (zh) | 一种基于模型族分解与集成技术的区域饱和负荷预测方法 | |
CN106446571A (zh) | 风电场功率预测的误差评价方法 | |
CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN103996079B (zh) | 一种基于条件概率的风电功率加权预测方法 | |
CN103425743A (zh) | 基于贝叶斯神经网络算法的蒸汽管网预测系统 | |
CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
CN102880917B (zh) | 基于对数负荷密度增长曲线的中长期电力负荷预测方法 | |
CN104318717A (zh) | 一种历史数据短缺条件下的暴雨泥石流预警方法 | |
Nagaraja et al. | A survey on wind energy, load and price forecasting:(Forecasting methods) | |
CN103353295B (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
Alonzo et al. | Probabilistic wind forecasting up to three months ahead using ensemble predictions for geopotential height | |
CN104091076A (zh) | 一种基于区间熵权法的用户用电设备能效评估方法 | |
CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
Sun | Prediction of building energy consumption based on bp neural network | |
Shilin et al. | BP neural network for the prediction of urban building energy consumption based on Matlab and its application | |
Mishra et al. | Features extraction of wind ramp events from a virtual wind park | |
Pan et al. | A novel probabilistic modeling framework for wind speed with highlight of extremes under data discrepancy and uncertainty | |
Du | Prediction of consumer price index based on RBF neural network | |
Li et al. | Investigation of a short-term prediction method of occupancy presence in residential buildings | |
CN103544362A (zh) | 一种基于二维曲线预测的谐波中长期预测方法 | |
CN102651095B (zh) | 一种基于不稳定周期的风速时间序列预测方法 |
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 |