CN103036231A - 一种电力负荷预测方法、装置及上位机 - Google Patents
一种电力负荷预测方法、装置及上位机 Download PDFInfo
- Publication number
- CN103036231A CN103036231A CN2012105326431A CN201210532643A CN103036231A CN 103036231 A CN103036231 A CN 103036231A CN 2012105326431 A CN2012105326431 A CN 2012105326431A CN 201210532643 A CN201210532643 A CN 201210532643A CN 103036231 A CN103036231 A CN 103036231A
- Authority
- CN
- China
- Prior art keywords
- day
- load data
- gathers
- constantly
- electric load
- 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
- 238000013277 forecasting method Methods 0.000 title abstract 4
- 238000000034 method Methods 0.000 claims description 46
- 230000014509 gene expression Effects 0.000 claims description 43
- 238000012937 correction Methods 0.000 claims description 24
- 238000007726 management method Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000007418 data mining Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力管理领域，公开了一种电力负荷预测方法、装置及上位机，其中，所公开的电力负荷预测方法包括：接收历史负荷数据；获取相同采集时刻的历史负荷数据的平均值；根据所述平均值与采集时刻，构建基准电力负荷曲线，以获取所述待预测日的电力负荷数据值，其中所述基准电力负荷曲线中包含所述采集时刻和所述历史负荷数据的平均值相关联的信息。该预测方法根据获取的所述历史负荷数据，即能得到待预测日的电力负荷数据，而且，在这个过程中，不需要人工进行大量计算，节省了人力和时间，且提高了预测的精度。
Description
技术领域
本发明涉及电力管理领域，特别是涉及一种电力负荷预测方法、装置及上位机。
背景技术
电力负荷预测是电力管理中的重要部分，它所提供的负荷预测数据，对电力系统的控制、运行和规划极为重要。准确预测电力负荷数据，不但对确定电力系统的运行方式具有重要作用，对确定电力系统的优化调度、地区间功率输送方案和负荷调度的方案也起着重要作用。另外，电力负荷预测的精度也直接影响电力系统运行的安全性、可靠性、经济性和电能质量，关系到电力系统的生产规划和调度运行。
目前的电力负荷预测方法，使用的多为人工预测方法，该方法需要人为采集待预测日之前的电力负荷数据，并根据所述电力负荷数据进行预测，获取待预测日的电力负荷数据。
但是，发明人在本申请的研究过程中发现，采用该方式对电力负荷数据进行预测时，需要技术人员进行大量的计算，耗费大量人力，且运算过程耗时长，预测精度较低。
发明内容
有鉴于此，本发明的目的在于提供一种电力负荷预测方法、装置及上位机，具体实施方案如下：
一种电力负荷预测方法，包括：
接收历史负荷数据，所述历史负荷数据为根据待预测日之前的预设采集日获取的电力负荷数据，其中，所述采集日的采集时刻为两个以上，所述采集日的日期类型与所述待预测日的日期类型相同，所述日期类型包括：异常日类型和正常日类型；
获取相同采集时刻的历史负荷数据的平均值；
根据所述平均值与采集时刻，构建基准电力负荷曲线，以获取所述待预测日的电力负荷数据值，其中所述基准电力负荷曲线中包含所述采集时刻和所述历史负荷数据的平均值相关联的信息。
优选的，构建所述基准电力负荷曲线的模型由公式
确定，其中，
所述Ln(t)表示采集时刻为t时，所述基准电力负荷曲线对应的电力负荷数据值，所述n表示所述采集日的天数，所述i为整数，表示t对应的采集时刻为第i个采集时刻，Li表示每个采集日，第i个采集时刻对应的历史负荷数据值，
表示各采集日第i个采集时刻的历史负荷数据平均值。
优选的，所述方法还包括：
根据所述历史负荷数据，获取与所述待预测日相对应的趋势预测数值；
根据所述趋势预测数值和基准电力负荷曲线，构建修正电力负荷曲线，以获取所述待预测日的电力负荷数据值，其中所述修正电力负荷曲线包括所述采集时刻、历史负荷数据的平均值和趋势预测数值相关联的信息。
优选的，构建所述修正电力负荷曲线的模型由公式Lp(t)＝Ln(t)+Mp(t)*Np（t）确定，其中，
所述Lp(t)表示采集时刻为t时，所述待预测日的电力负荷数据值，所述Mp(t)*Np（t）表示用来计算趋势预测数值的趋势模型，其中Mp(t)表示趋势模型的乘数部分，Np（t）表示趋势模型的加性部分。
优选的，所述方法还包括：
输出所述待预测日各个采集时刻对应的预测电力负荷数据值。
相应的，本发明还公开了一种电力负荷预测装置，包括：
接收模块，用于接收历史负荷数据，所述历史负荷数据为根据待预测日之前的预设采集日获取的电力负荷数据，其中，所述采集日的采集时刻为两个以上，所述采集日的日期类型与所述待预测日的日期类型相同，所述日期类型包括：异常日类型和正常日类型；
平均值获取模块，用于获取相同采集时刻的历史负荷数据的平均值；
基准电力负荷曲线获取模块，用于根据所述平均值与采集时刻，构建基准电力负荷曲线，以获取所述待预测日的电力负荷数据值，其中所述基准电力负荷曲线中包含所述采集时刻和所述历史负荷数据的平均值相关联的信息。
优选的，所述基准电力负荷曲线获取模块构建所述基准电力负荷曲线的模型，由公式
确定，其中，
所述Ln(t)表示采集时刻为t时，所述基准电力负荷曲线对应的电力负荷数据值，所述n表示所述采集日的天数，所述i为整数，表示t对应的采集时刻为第i个采集时刻，Li表示每个采集日，第i个采集时刻对应的历史负荷数据值，
表示各采集日第i个采集时刻的历史负荷数据平均值。
优选的，所述电力负荷预测装置还包括：
趋势预测模块，用于根据所述历史负荷数据，获取与所述待预测日相对应的趋势预测数值；
修正电力负荷曲线获取模块，用于根据所述趋势预测数值和基准电力负荷曲线，构建修正电力负荷曲线，以获取所述待预测日的电力负荷数据值，其中所述修正电力负荷曲线包括所述采集时刻、历史负荷数据的平均值和趋势预测数值相关联的信息。
优选的，所述修正电力负荷曲线获取模块构建所述修正电力负荷曲线的模型，由公式Lp(t)=Ln(t)+Mp(t)*Np（t）确定，其中，
所述Lp(t)表示采集时刻为t时，所述待预测日的电力负荷数据值，所述Mp(t)*Np（t）表示用来计算趋势预测数值的趋势模型，其中Mp(t)表示趋势模型的乘数部分，Np（t）表示趋势模型的加性部分。
优选的，所述电力负荷预测装置还包括：
输出模块，用于输出所述待预测日各个采集时刻对应的预测电力负荷数据值。
相应的，本发明还公开了一种上位机，包括：
上述任一项所述的电力负荷预测装置。
本发明所公开的电力负荷预测方法，根据历史负荷数据及其对应的采集时刻，构建出所述采集时刻和所述历史符合数据的平均值相关联的基准电力负荷曲线，从而获取待预测日的电力负荷数据。这个过程中，不需要人工进行大量计算，节省了人力和时间，且提高了预测的精度。
进一步的，本发明所提供的电力负荷预测方法中，还包括根据所述历史负荷数据，获取与所述待预测日相对应的趋势预测数值，再根据所述趋势预测数据和所述基准电力负荷曲线，构建修正电力负荷曲线，所述修正电力负荷曲线中，包含所述采集时刻和所述历史负荷数据的平均值及所述趋势预测数值相关联的信息，从而根据所述第二负荷曲线，技术人员即能获取相应的电力负荷预测数值。而且，由于在构建所述第二负荷曲线时，考虑到根据所述历史负荷数据获取的趋势预测数值，使电力负荷预测的精度更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种电力负荷预测方法的工作流程示意图；
图2为本发明实施例公开的又一种电力负荷预测方法的工作流程示意图；
图3为本发明实施例公开的一种电力负荷曲线图；
图4为本发明实施例公开的又一种电力负荷曲线图；
图5为本发明实施例公开的又一种电力负荷曲线图；
图6为本发明实施例公开的一种电力负荷预测装置的结构示意图；
图7为本发明实施例公开的又一种电力负荷预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种电力负荷预测方法，以解决现有技术在进行电力负荷预测时，所具有的耗费大量人力、耗时长，且预测精度低的问题。
参见图1所示的工作流程示意图，本发明所公开的第一实施例所公开的电力负荷预测方法，其具体实施过程如下：
步骤S11、接收历史负荷数据，所述历史负荷数据为根据待预测日之前的预设采集日获取的电力负荷数据，其中，所述采集日的采集时刻为两个以上，所述采集日的日期类型与所述待预测日的日期类型相同，所述日期类型包括：异常日类型和正常日类型。
其中，正常日一般指的是工作日，在相邻的时间段内，工作日的电力负荷一般相差不大；异常日一般指的是天气异常的日期或节假日，这种情况下，电力负荷和工作日相比较，会有较大的区别，因此，在对待预测日的电力负荷数据进行预测时，需要明确所述待预测日的类型，并且接收的所述历史负荷数据所对应的采集日的日期类型与所述待预测日的日期类型相同。
另外，所述采集日为所述待预测日之前的日期，为了提高获取所述待预测日的电力负荷数据的精度，一般选取与所述待预测日相邻，且日期类型相同日期作为采集日，一般预设所述采集日的天数为4天或更多，另外，所述采集时刻为两个以上，为了提高预测精度，每个采集日总，可预设每隔15分钟作为一个采集时刻，从而每个采集日选取96点为采集时刻，并获取所述96点的历史负荷数据。当然，为了提高预测精度，可预设更多时刻，本发明不做限定。
步骤S12、获取相同采集时刻的历史负荷数据的平均值。
步骤S13、根据所述平均值与采集时刻，构建基准电力负荷曲线，以获取所述待预测日的电力负荷数据值，其中所述基准电力负荷曲线中包含所述采集时刻和所述历史负荷数据的平均值相关联的信息。
根据所述基准电力负荷曲线，根据时间进行查询，既能够获取所述历史负荷数据的平均值，将其作为所述待预测日的电力负荷数据值，因此，通过所述基准电力负荷曲线，能够方便的获取待预测日的电力负荷数据值。
本发明所公开的电力负荷预测方法，根据历史负荷数据及其对应的采集时刻，构建出所述采集时刻和所述历史符合数据的平均值相关联的基准电力负荷曲线，从而获取待预测日的电力负荷数据。这个过程中，不需要人工进行大量计算，节省了人力和时间，且提高了预测的精度。
其中，所述基准电力负荷曲线由各历史负荷数据减去n天的负荷期望值所决定，由于此期望值无法直接获取，因此由统计量n天的负荷数据的平均值来逼近。构建所述基准电力负荷曲线的模型由公式
确定，其中，
所述Ln(t)表示采集时刻为t时，所述基准电力负荷曲线对应的电力负荷数据值，所述n表示所述采集日的天数，所述i为整数，表示t对应的采集时刻为第i个采集时刻，Li表示每个采集日，第i个采集时刻对应的历史负荷数据值，
表示各采集日第i个采集时刻的历史负荷数据平均值。
其中，所述公式可称为固有模型。由于日期的类型分为异常日类型和正常日类型，因此，所述固有模型也分为正常日模型和异常日模型。
另外，在实际进行预测时，考虑到电力负荷预测过程中存在一些变动，因此，为了提高预测精度，参见图2所公开的本发明的第二实施例还公开了另一种电力负荷预测方法，所述方法具体包括：
步骤S21、接收历史负荷数据，所述历史负荷数据为根据待预测日之前的预设采集日获取的电力负荷数据，其中，所述采集日的采集时刻为两个以上，所述采集日的日期类型与所述待预测日的日期类型相同，所述日期类型包括：异常日类型和正常日类型。
对于所述采集日、采集时刻的选取，以及日期类型的含义，与所述第一实施例相同。
步骤S22、获取相同采集时刻的历史负荷数据的平均值。
其中，所述相同采集时刻的电力负荷数据的平均值由公式
确定。
步骤S23、根据所述平均值与采集时刻，构建包含所述采集时刻和所述历史负荷数据的平均值相关联信息的基准电力负荷曲线。
步骤S24、根据所述历史负荷数据，获取与所述待预测日相对应的趋势预测数值。
步骤S25、根据所述趋势预测数值和基准电力负荷曲线，构建修正电力负荷曲线，以获取所述待预测日的电力负荷数据值，其中所述修正电力负荷曲线包括所述采集时刻、历史负荷数据的平均值和趋势预测数值相关联的信息。
实际操作时，步骤S24中获取所述趋势预测数值也可以与步骤S22同时发生，本发明不做限定。
其中，构建所述修正电力负荷曲线的模型由公式Lp(t)＝Ln(t)+Mp(t)*Np（t）确定，其中，
所述Lp(t)表示所述待预测日的电力负荷数据值，所述Mp(t)*Np（t）表示用来计算趋势预测数值的趋势模型。其中Mp(t)表示趋势模型的乘数部分，Np（t）表示趋势模型的加性部分。
其中，Ln(t)是根据大量历史负荷数据，采用数据挖掘技术获取的，而所述Mp(t)*Np（t）则是根据与所述待预测日相邻的采集日获取到的电力负荷数据，考察其变化情况建立起来的变化趋势模型。其中，Mp(t)反映变化的加速度，若根据所述历史负荷数据，判断出在一个采集时间段的区间内，电力负荷呈现平稳增长，则Mp(t)为1，此时每次电力负荷数据的增长量均为Np（t）；若根据所述历史负荷数据的趋势走向，判断得知在一个采集时间段的区间内，电力负荷总体处于加速增长的状态，则Mp(t)>1；若根据所述历史负荷数据的趋势走向，判断得知在一个采集时间段的区间内，电力负荷数据减速增长，则0<Mp(t)<1；若根据所述历史负荷数据的趋势走向，判断得知在一个采集时间段的区间内，电力负荷总体处于减少的状态，则Mp(t)<0。
而Np（t）作为趋势模型的加性部分，表示一个采集时间段的区间内，电力负荷数据稳定变化的平均值。
另外，数据挖掘技术是从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示三个步骤。数据准备是从各种数据源中选取和集成用于数据挖掘的数据；规律寻找是用某种方法将数据中的规律找出来；规律表示是用尽可能符合用户习惯的方式(如可视化)将找出的规律表示出来。数据挖掘的目标主要是为了帮助决策者寻找数据间潜在的关联、特征、趋势等，发现被忽略的要素，对预测未来和决策行为十分有用。
另外，在步骤S25后，本发明所公开的电力负荷预测方法还可以包括：
步骤S26、输出所述待预测日各个采集时刻对应的预测的电力负荷数据值，从而便于技术人员根据所述输出，进行后续的研究工作。
本发明所公开的第二实施例提供了一种电力负荷预测方法，在该方法中，首先接收历史负荷数据，并获取所述历史负荷数据的平均值，并根据所述平均值与采集时刻，构建所述采集时刻和历史负荷数据的平均值相关联的基准电力负荷曲线，然后，根据所述历史负荷数据，获取与所述待预测日相对应的趋势预测数值，再根据所述趋势预测数据和所述基准电力负荷曲线，构建修正电力负荷曲线，所述修正电力负荷曲线中，包含所述采集时刻和所述历史负荷数据的平均值及所述趋势预测数值相关联的信息，从而根据所述第二负荷曲线，技术人员即能获取相应的电力负荷预测数值。而且，由于在构建所述第二负荷曲线时，考虑到根据所述历史负荷数据获取的趋势预测数值，使电力负荷预测的精度更高。在整个预测过程中，不需要人为进行大量运算，节省了大量人力，且预测速度快。
本发明还提供一个实例作为第三实施例，以使本发明所提供的电力负荷预测方法更为具体。
在所述第三实施例中，采用温州电网2012年4月的历史负荷数据作为样本数据对本方案的可行性进行验证，并以4月27日作为待预测日进行电力负荷预测。在选择历史负荷数据的采集日时，选择与4月27日相邻的4月23日、24日、25日和26日作为采集日，并且，为了保证预测精度，将24小时平均分为96个采集时刻，即每15分钟为一个采集时刻，并获取每个采集日中各个采集时刻的电力负荷数据，作为历史负荷数据。
在根据所述历史负荷数据取得平均值，并构建电力负荷曲线时，第三实施例以MATLAB程序为例，MATLAB是矩阵实验室（Matrix Laboratory）的简称，是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。当然，也可以选用其他具有运算和绘图功能的应用软件，本发明不做限定。
所述第三实施例的方法具体如下：
步骤S31、所述MATLAB程序接收以矩阵形式输入的历史负荷数据；所述历史负荷数据的采集日为4月23日、24日、25日和26日，并将每个采集日平均分为96个采集时刻。
另外，为了直观感受到待预测日的电力负荷数据与历史负荷数据之间的关联，分别以采集时刻和电力负荷数据值为坐标轴，获取各个采集日的历史负荷曲线，具体曲线图可参见图3。其中，曲线11代表的是第一个采集日的历史负荷曲线，曲线12代表的是第二个采集日的历史负荷曲线，曲线13代表的是第三个采集日的历史负荷曲线，曲线14代表的是第四个采集日的历史负荷曲线，也就是说，分别代表的是4月23日、24日、25日和26日的历史负荷曲线。
步骤S32、所述MATLAB程序获取采集日内相同采集时刻的历史负荷数据的平均值。
步骤S33、所述MATLAB程序根据所述平均值和采集时刻，构建基准电力负荷曲线，所述基准电力负荷曲线的横轴为采集时刻，纵轴为电力负荷数据值，从而使所述基准电力负荷曲线中包括所述平均值和采集时刻的关联信息。
另外，还可以构建最大包络曲线和最小包络曲线，其中所述最大包络曲线为历史负荷数据值最大的电力负荷曲线，所述最小包络曲线为历史负荷数据值最小的电力负荷曲线。具体可参照图4所示的电路负荷曲线示意图，其中，曲线21表示的是最小包络曲线，曲线22表示的是基准电力负荷曲线，曲线23表示的是最大包络曲线。
步骤S34、所述MATLAB程序根据所述历史负荷数据，获取趋势预测数值。
步骤S35、所述MATLAB程序根据所述趋势预测数值和所述基准电力负荷曲线，构建修正电力负荷曲线，所述修正电力负荷曲线包括所述采集时刻和所述历史负荷数据的平均值及所述趋势预测数值相关联的信息，具体来说，在获取所述修正电力负荷曲线时，可由基准电力负荷曲线和由所述趋势预测数值形成的增幅变化叠加而成，具体可参照图5所示的电力负荷曲线图，其中曲线31表示的是修正电力负荷曲线。
根据图5所示的修正电力负荷曲线，可读取各时刻相应的电力负荷预测值。通过本方案提供的方法，经过验证，证明电力负荷预测准确率达到98.51%，负荷预测误差在2%以内。
另外，为了便于技术人员及时获取电力负荷数据的预测值，还可以包括步骤S36：将待预测日各个采集时刻与对应的预测的负荷数据值以矩阵或其他形式输出，以便及时掌握。也就是说，在本实施例中，需要将4月27日的中96个采集时刻的电力负荷数据的预测值，以及对应的采集时刻输出，以便工作人员获取各个采集时刻对应的电力负荷预测值，进行后续的分析。
相应的，本发明还公开了一种电力负荷预测装置，参见图6所示的结构示意图，所述电力负荷预测装置包括：接收模块1、平均值获取模块2和基准电力负荷曲线获取模块3，其中，
所述接收模块1，用于接收历史负荷数据，所述历史负荷数据为根据待预测日之前的预设采集日获取的电力负荷数据，其中，所述采集日的采集时刻为两个以上，所述采集日的日期类型与所述待预测日的日期类型相同，所述日期类型包括：异常日类型和正常日类型；
所述平均值获取模块2，用于获取相同采集时刻的历史负荷数据的平均值；
所述基准电力负荷曲线获取模块3，用于根据所述平均值与采集时刻，构建基准电力负荷曲线，以获取所述待预测日的电力负荷数据值，其中所述基准电力负荷曲线中包含所述采集时刻和所述历史负荷数据的平均值相关联的信息。
其中，所述基准电力负荷曲线构建获取模块3，构建所述基准电力负荷曲线的模型由公式
确定，其中，
所述Ln(t)表示采集时刻为t时，所述基准电力负荷曲线对应的电力负荷数据值，所述n表示所述采集日的天数，所述i为整数，表示t对应的采集时刻为第i个采集时刻，Li表示每个采集日，第i个采集时刻对应的历史负荷数据值，
表示各采集日第i个采集时刻的历史负荷数据平均值。
另外，为了提高电力负荷预测的精度，参见图7所示的结构示意图，所述电力负荷预测装置还包括：趋势预测模块4和修正电力负荷曲线获取模块5，其中，
所述趋势预测模块4，用于根据所述历史负荷数据，获取与所述待预测日相对应的趋势预测数值；
所述修正电力负荷曲线获取模块5，用于根据所述趋势预测数值和基准电力负荷曲线，构建修正电力负荷曲线，以获取所述待预测日的电力负荷数据值，其中所述修正电力负荷曲线包括所述采集时刻、历史负荷数据的平均值和趋势预测数值相关联的信息。
其中，所述修正电力负荷曲线获取模块5，构建所述修正电力负荷曲线的模型由公式Lp(t)＝Ln(t)+Mp(t)*Np（t）确定，其中，
所述Lp(t)表示采集时刻为t时，所述待预测日的电力负荷数据值，所述Mp(t)*Np（t）表示用来计算趋势预测数值的趋势模型，其中Mp(t)表示趋势模型的乘数部分，Np（t）表示趋势模型的加性部分。
另外，本发明所公开的电力负荷预测装置还包括：输出模块6，所述输出模块用于输出所述待预测日各个采集时刻对应的预测电力负荷数据值。
根据所述电力负荷预测装置，根据历史负荷数据，以及所述历史负荷数据的平均值，构建包括采集时刻和所述平均值相关联的基准电力负荷曲线，然后再根据趋势预测数据和所述基准电力负荷曲线，构建修正电力负荷曲线，所述修正电力负荷曲线中，包含所述采集时刻和所述历史负荷数据的平均值及所述趋势预测数值相关联的信息，从而根据所述第二负荷曲线，技术人员即能获取相应的电力负荷预测数值。而且，由于在构建所述第二负荷曲线时，考虑到根据所述历史负荷数据获取的趋势预测数值，使电力负荷预测的精度更高。在整个预测过程中，不需要人为对数据进行计算，减少了人力，且预测速度快，精度高。
相应的，本发明还公开一种上位机，所述上位机包括上述的电力负荷预测装置，所述电力负荷预测装置包括：接收模块1、平均值获取模块2和基准电力负荷曲线获取模块3，另外，所述电力负荷预测装置还可以包括：趋势预测模块4和修正电力负荷曲线获取模块5，以及输出模块6。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电子，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种电力负荷预测方法，其特征在于，包括：
接收历史负荷数据，所述历史负荷数据为根据待预测日之前的预设采集日获取的电力负荷数据，其中，所述采集日的采集时刻为两个以上，所述采集日的日期类型与所述待预测日的日期类型相同，所述日期类型包括：异常日类型和正常日类型；
获取相同采集时刻的历史负荷数据的平均值；
根据所述平均值与采集时刻，构建基准电力负荷曲线，以获取所述待预测日的电力负荷数据值，其中所述基准电力负荷曲线中包含所述采集时刻和所述历史负荷数据的平均值相关联的信息。
2.根据权利要求1所述的方法，其特征在于，构建所述基准电力负荷曲线的模型由公式
确定，其中，
所述Ln(t)表示采集时刻为t时，所述基准电力负荷曲线对应的电力负荷数据值，所述n表示所述采集日的天数，所述i为整数，表示t对应的采集时刻为第i个采集时刻，Li表示每个采集日，第i个采集时刻对应的历史负荷数据值，
表示各采集日第i个采集时刻的历史负荷数据平均值。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述历史负荷数据，获取与所述待预测日相对应的趋势预测数值；
根据所述趋势预测数值和基准电力负荷曲线，构建修正电力负荷曲线，以获取所述待预测日的电力负荷数据值，其中所述修正电力负荷曲线包括所述采集时刻、历史负荷数据的平均值和趋势预测数值相关联的信息。
4.根据权利要求3所述的方法，其特征在于，构建所述修正电力负荷曲线的模型由公式Lp(t)＝Ln(t)+Mp(t)*Np（t）确定，其中，
所述Lp(t)表示采集时刻为t时，所述待预测日的电力负荷数据值，所述Mp(t)*Np（t）表示用来计算趋势预测数值的趋势模型，其中Mp(t)表示趋势模型的乘数部分，Np（t）表示趋势模型的加性部分。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
输出所述待预测日各个采集时刻对应的预测电力负荷数据值。
6.一种电力负荷预测装置，其特征在于，包括：
接收模块，用于接收历史负荷数据，所述历史负荷数据为根据待预测日之前的预设采集日获取的电力负荷数据，其中，所述采集日的采集时刻为两个以上，所述采集日的日期类型与所述待预测日的日期类型相同，所述日期类型包括：异常日类型和正常日类型；
平均值获取模块，用于获取相同采集时刻的历史负荷数据的平均值；
基准电力负荷曲线获取模块，用于根据所述平均值与采集时刻，构建基准电力负荷曲线，以获取所述待预测日的电力负荷数据值，其中所述基准电力负荷曲线中包含所述采集时刻和所述历史负荷数据的平均值相关联的信息。
7.根据权利要求6所述的装置，其特征在于，所述基准电力负荷曲线获取模块构建所述基准电力负荷曲线的模型，由公式确定，其中，
所述Ln(t)表示采集时刻为t时，所述基准电力负荷曲线对应的电力负荷数据值，所述n表示所述采集日的天数，所述i为整数，表示t对应的采集时刻为第i个采集时刻，Li表示每个采集日，第i个采集时刻对应的历史负荷数据值，
表示各采集日第i个采集时刻的历史负荷数据平均值。
8.根据权利要求6所述的装置，其特征在于，所述电力负荷预测装置还包括：
趋势预测模块，用于根据所述历史负荷数据，获取与所述待预测日相对应的趋势预测数值；
修正电力负荷曲线获取模块，用于根据所述趋势预测数值和基准电力负荷曲线，构建修正电力负荷曲线，以获取所述待预测日的电力负荷数据值，其中所述修正电力负荷曲线包括所述采集时刻、历史负荷数据的平均值和趋势预测数值相关联的信息。
9.根据权利要求8所述的装置，其特征在于，所述修正电力负荷曲线获取模块构建所述修正电力负荷曲线的模型，由公式Lp(t)=Ln(t)+Mp(t)*Np（t）确定，其中，
所述Lp(t)表示采集时刻为t时，所述待预测日的电力负荷数据值，所述Mp(t)*Np（t）表示用来计算趋势预测数值的趋势模型，其中Mp(t)表示趋势模型的乘数部分，Np（t）表示趋势模型的加性部分。
10.根据权利要求8所述的装置，其特征在于，所述电力负荷预测装置还包括：
输出模块，用于输出所述待预测日各个采集时刻对应的预测电力负荷数据值。
11.一种上位机，其特征在于，包括：
权利要求6至10任一项所述的电力负荷预测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210532643.1A CN103036231B (zh) | 2012-12-07 | 2012-12-07 | 一种电力负荷预测方法、装置及上位机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210532643.1A CN103036231B (zh) | 2012-12-07 | 2012-12-07 | 一种电力负荷预测方法、装置及上位机 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103036231A true CN103036231A (zh) | 2013-04-10 |
| CN103036231B CN103036231B (zh) | 2014-10-29 |
Family
ID=48022850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210532643.1A Active CN103036231B (zh) | 2012-12-07 | 2012-12-07 | 一种电力负荷预测方法、装置及上位机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103036231B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103501001A (zh) * | 2013-10-09 | 2014-01-08 | 河海大学 | 一种基于负荷曲线交替注入的智能配电网调度系统和方法 |
| CN103544362A (zh) * | 2013-11-04 | 2014-01-29 | 国网上海市电力公司 | 一种基于二维曲线预测的谐波中长期预测方法 |
| WO2016177139A1 (zh) * | 2015-09-15 | 2016-11-10 | 中兴通讯股份有限公司 | 一种数据优化方法及装置 |
| CN106204335A (zh) * | 2016-07-21 | 2016-12-07 | 广东工业大学 | 一种电价执行异常判断方法、装置及系统 |
| CN107944654A (zh) * | 2017-10-13 | 2018-04-20 | 国网山东省电力公司青岛供电公司 | 一种电力特性分析方法及装置 |
| CN109190903A (zh) * | 2018-08-03 | 2019-01-11 | 广州供电局有限公司 | 作业风险评估方法、装置、计算机设备和存储介质 |
| CN109522522A (zh) * | 2018-12-14 | 2019-03-26 | 上海递缇智能系统有限公司 | 一种压装、拧紧曲线包络线生成和运用的方法 |
| CN109816164A (zh) * | 2019-01-16 | 2019-05-28 | 国网信通亿力科技有限责任公司 | 一种电力负荷预测方法 |
| CN110991745A (zh) * | 2019-12-05 | 2020-04-10 | 新奥数能科技有限公司 | 一种电力负荷的预测方法、装置、可读介质及电子设备 |
| CN112330009A (zh) * | 2020-11-02 | 2021-02-05 | 广东电网有限责任公司 | 一种电网负荷预测方法 |
| CN112561210A (zh) * | 2020-12-29 | 2021-03-26 | 广东电网有限责任公司电力调度控制中心 | 一种电力系统稳定性和资源需求预估系统及方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006157984A (ja) * | 2004-11-25 | 2006-06-15 | Hitachi Ltd | 電力需要予測システム |
-
2012
- 2012-12-07 CN CN201210532643.1A patent/CN103036231B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006157984A (ja) * | 2004-11-25 | 2006-06-15 | Hitachi Ltd | 電力需要予測システム |
Non-Patent Citations (2)
| Title |
|---|
| 周晖等: "基于多时段气象数据判断相似日的日负荷曲线预测研究", 《继电器》 * |
| 张德玲: "电力系统短期负荷预测方法的研究", 《中国优秀硕士学位论文全文库》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103501001A (zh) * | 2013-10-09 | 2014-01-08 | 河海大学 | 一种基于负荷曲线交替注入的智能配电网调度系统和方法 |
| CN103544362A (zh) * | 2013-11-04 | 2014-01-29 | 国网上海市电力公司 | 一种基于二维曲线预测的谐波中长期预测方法 |
| CN103544362B (zh) * | 2013-11-04 | 2016-08-17 | 国网上海市电力公司 | 一种基于二维曲线预测的谐波中长期预测方法 |
| WO2016177139A1 (zh) * | 2015-09-15 | 2016-11-10 | 中兴通讯股份有限公司 | 一种数据优化方法及装置 |
| CN106204335A (zh) * | 2016-07-21 | 2016-12-07 | 广东工业大学 | 一种电价执行异常判断方法、装置及系统 |
| CN107944654A (zh) * | 2017-10-13 | 2018-04-20 | 国网山东省电力公司青岛供电公司 | 一种电力特性分析方法及装置 |
| CN109190903B (zh) * | 2018-08-03 | 2020-08-14 | 广州供电局有限公司 | 作业风险评估方法、装置、计算机设备和存储介质 |
| CN109190903A (zh) * | 2018-08-03 | 2019-01-11 | 广州供电局有限公司 | 作业风险评估方法、装置、计算机设备和存储介质 |
| CN109522522A (zh) * | 2018-12-14 | 2019-03-26 | 上海递缇智能系统有限公司 | 一种压装、拧紧曲线包络线生成和运用的方法 |
| CN109522522B (zh) * | 2018-12-14 | 2020-11-06 | 上海递缇智能系统有限公司 | 一种压装、拧紧曲线包络线生成和运用的方法 |
| CN109816164A (zh) * | 2019-01-16 | 2019-05-28 | 国网信通亿力科技有限责任公司 | 一种电力负荷预测方法 |
| CN110991745A (zh) * | 2019-12-05 | 2020-04-10 | 新奥数能科技有限公司 | 一种电力负荷的预测方法、装置、可读介质及电子设备 |
| CN110991745B (zh) * | 2019-12-05 | 2022-06-03 | 新奥数能科技有限公司 | 一种电力负荷的预测方法、装置、可读介质及电子设备 |
| CN112330009A (zh) * | 2020-11-02 | 2021-02-05 | 广东电网有限责任公司 | 一种电网负荷预测方法 |
| CN112330009B (zh) * | 2020-11-02 | 2023-09-01 | 广东电网有限责任公司 | 一种电网负荷预测方法 |
| CN112561210A (zh) * | 2020-12-29 | 2021-03-26 | 广东电网有限责任公司电力调度控制中心 | 一种电力系统稳定性和资源需求预估系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103036231B (zh) | 2014-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103036231B (zh) | 一种电力负荷预测方法、装置及上位机 | |
| Rigo-Mariani et al. | Integrated optimal design of a smart microgrid with storage | |
| CN102426674B (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
| CA3045324A1 (en) | System and method for dynamic energy storage system control | |
| CN104412291A (zh) | 不寻常使用量报告的方法和系统 | |
| CN105446979A (zh) | 数据挖掘方法和节点 | |
| US9851469B2 (en) | Production strategy plans assesment method, system and program product | |
| JP6003247B2 (ja) | 情報処理装置、情報処理装置の制御方法及びプログラム | |
| CN103338461B (zh) | 基于业务量预测的网络规划方法及装置 | |
| Roukerd et al. | Probabilistic-possibilistic flexibility-based unit commitment with uncertain negawatt demand response resources considering Z-number method | |
| Radovanovic et al. | Power modeling for effective datacenter planning and compute management | |
| CN109872252A (zh) | 一种基于matlab算法的电力供应商综合评价方法 | |
| US11164266B2 (en) | Protection of water providing entities from loss due to environmental events | |
| CN109002925A (zh) | 业务量预测方法和装置 | |
| CN103885867A (zh) | 一种模拟电路性能的在线评价方法 | |
| CN102597988A (zh) | 基于状态方程的伪密度根的热力学过程控制 | |
| CN103500143A (zh) | 硬盘参数调整方法及装置 | |
| KR101687816B1 (ko) | 에너지 효율 평가 방법 및 그 장치 | |
| CN107506831B (zh) | 爆破参数确定方法及系统 | |
| CN113222245A (zh) | 居民用户月度电量电费异常核查方法及系统、存储介质 | |
| CN102722410A (zh) | 执行程序的方法、服务器、移动终端及系统 | |
| CN112599182A (zh) | 一种非易失性存储寿命预测方法、装置、设备及介质 | |
| KR20180129496A (ko) | 전력 수요를 예측하는 방법 및 장치 | |
| CN103530707A (zh) | 一种电网系统不完全可观的pmu优化配置方法 | |
| CN110956318A (zh) | 一种基于预先构建的预测模型进行预测的方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| ASS | Succession or assignment of patent right |
Owner name: STATE GRID ZHEJIANG ELECTRIC POWER COMPANY WENZHOU Free format text: FORMER OWNER: STATE GRID CORPORATION OF CHINA Effective date: 20140829 Owner name: STATE GRID CORPORATION OF CHINA Free format text: FORMER OWNER: WENZHOU POWER SUPPLY BUREAU Effective date: 20140829 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| COR | Change of bibliographic data |
Free format text: CORRECT: ADDRESS; FROM: 325200 WENZHOU, ZHEJIANG PROVINCE TO: 100031 XICHENG, BEIJING |
|
| TA01 | Transfer of patent application right |
Effective date of registration: 20140829 Address after: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Applicant after: State Grid Corporation of China Applicant after: State Grid Zhejiang Electric Power Company Applicant after: Wenzhou Power Supply Bureau Address before: 325200 Jinxiu Road, Lucheng District, Zhejiang, Wenzhou Applicant before: Wenzhou Power Supply Bureau Applicant before: State Grid Corporation of China |
|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |