CN103745272B - 一种基于快速周期分量提取的电力短期负荷预测方法 - Google Patents
一种基于快速周期分量提取的电力短期负荷预测方法 Download PDFInfo
- Publication number
- CN103745272B CN103745272B CN201410005072.5A CN201410005072A CN103745272B CN 103745272 B CN103745272 B CN 103745272B CN 201410005072 A CN201410005072 A CN 201410005072A CN 103745272 B CN103745272 B CN 103745272B
- Authority
- CN
- China
- Prior art keywords
- component
- load
- data
- day
- periodic
- 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
- 230000000737 periodic effect Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 238000013277 forecasting method Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009987 spinning Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 4
- 125000004122 cyclic group Chemical group 0.000 abstract 1
- 238000010183 spectrum analysis Methods 0.000 abstract 1
- 239000000284 extract Substances 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公布了一种基于快速周期分量提取的电力短期负荷预测方法，本发明对训练数据信号进行频谱分析，依次提出信号的周期及非周期分量，再对周期分量进行循环预测，非周期分量进行差分自回归滑动平均模型预测，得到预测日一天的负荷情况，本发明为电力系统短期负荷预测提供了一种新的快速检测方法，解决了目前电力系统网络结构复杂、参数不稳定的非线性系统中负荷短期预测的问题。
Description
技术领域
本发明涉及一种信号处理方法，具体是指基于快速周期分量提取和非周期分量自回归滑动模型估计的电力系统短期负荷预测的信号处理方法。
背景技术
电力系统己成为现代社会的基石，如今随着电力市场环境的形成，供电也已经成为一种商业服务行为，电能成为了一种具有多种质量参数指标、与电力企业经济效益直接相关的特殊商品。电力负荷分类估计(分离)与短期预测是电网经济与安全调度的依据和基础，其在电力系统的安全运行和经济运行中起着重要的作用，是电力系统优化调度(如经济调度，机组最优组合，最优潮流调度)的基础。准确的预测电力系统负荷有助于增强电力系统的安全性和可靠性，有效的制定发电计划，维修计划和能源销售计划，并且是做好电网供需平衡的关键。
目前，经典的短期负荷预测方法包括时间序列法，线性回归法，指数平滑法，卡尔曼滤波法，人工神经网络法，专家系统法等。根据预测使用的方法不同，上述方法可以分为两类。第一类方法是把负荷看成是一组时间序列信号，然后使用不同的时间序列分析方法对负荷进行预测。第二类则更多的考虑影响负荷的温度，湿度等因素，预测的实现是找到这些天气因素及负荷之间线性或者非线性的关系。上述方法大都是建立在电网具有良好的可观测性之基础上，需要知道电网参数和电网拓扑结构，且网络结构与参数不能有较大的变化。然而电力系统本质上是一个复杂的非线性时变系统，加之测量成本及电网中可能存在的不同产权归属问题，对电网进行良好的观测是不现实的，要求网络特性静态化也是不现实的。因此，目前的对电力负荷估计与预测的方法是有局限性的，不适合电网参数与结构未知的情况。
发明内容
本发明的目的在于提供一种基于快速周期分量提取的电力短期负荷预测方法，在已知预测日期之前几周的历史负荷数据的情况下，对下一天的电力负荷数据进行预测、估计。
本发明的目的通过下述技术方案实现：
一种基于快速周期分量提取的电力短期负荷预测方法，其特征在于，包括以下步骤：
(A)选取要预测日期之前一段时间序列的负荷作为历史负荷数据信号，对得到的信号去均值处理，并进行快速离散傅立叶变换，得到信号的频域变换；
(B)将步骤(A)得到的信号进行最大谱峰搜索提取各频率分量及信号相应的低频趋势分量，并把各分量还原到观测域，再把提取的周期分量进行循环平移处理消噪，提取的非周期分量不做循环平移处理，直到提取的某一分量的幅值小于一给定的阈值；
(C)步骤(B)中得到的周期分量相加，并把开始一天的负荷值作为周期分量的预测值，对剩余的非周期部分利用差分自回归滑动平均(ARMA)模型直接一次预测下一天非周期分量的负荷值；
(D)步骤(C)中周期分量的预测负荷值、非周期分量的预测负荷值与原数据中直流分量相加，即可得到要预测日期一天的负荷；即按照以下公式进行处理：
yc(n)＝ya(n)+yb(n)+E[x(n)]，其中，
ya(n)：下一天满足周期分量的负荷预测数据；
yb(n)：下一天的非周期预测负荷数据；
yc(n)：要预测日期一天的负荷；
E[x(n)]：原数据中直流分量。
利用离散傅里叶变换(DFT)对去均值后的数据进行频域变换来分析信号的频谱性质。
进一步讲，所述步骤(A)按照以下公式进行处理：
y(n)＝x(n)-E[x(n)]，式中E为统计期望，x(n)为历史负荷数据，y(n)为去均值后的数据，对y(n)做离散傅里叶变换(DFT)得到Y(k)，有N为数据长度，k＝0～N-1为各离散频域点。
对电力负荷趋势分量的选择过程中，可保留较低频率成分，作为趋势分量。对谱峰的阈值选择，可以用提取信号的能量在去均值后的数据信号总能量的贡献度作为判断条件。
进一步讲，所述步骤(B)中的各分量分析按照以下步骤进行：
(B1)取离散傅里叶变换的Y(k)的前M个点数据，若数据长度N为偶数，M＝N/2，若N为奇数，M＝(N-1)/2，并保留前l个数据点作为提取的趋势分量G1(k)；
(B2)对剩余的l+1到M个点的数据，进行最大谱峰搜索，最大值处视为谱峰，得到谱峰位置r，由于DFT变换后数据的对称性，保留Y(k)的谱峰位置r和N-r+1及它们左右λ个点的数据，并令其他点处的数据为0，得到提取最大谱峰的信号G2(k)；
(B3)对提取的各分量信号Gi(k)做反离散傅里叶变换(IDFT)，得到观测域上的信号其中N为数据长度，n＝0～N-1为各离散时域点，i为提取的分量序号；从y(n)中消去gi(n)分量，得到剩余的信号t(n)，并重复(B2)步骤，直到剩余的最大谱峰的值小于一给定的阈值ε。
提取的信号分量进行分类，分为正余弦信号周期分量和非周期信号，对周期分量直接进行循环便可得到下一天的周期分量，对非周期信号进行ARIMA预测，得到预测的下一天的非周期分量，即为趋势分量。ARIMA参数的选择根据实际电力系统负荷情况进行不同的选择。
进一步讲，所述步骤(C)按照以下步骤进行处理：
(C1)对其中为周期的分量gi(n)进行消噪处理其中Li为第i分量循环次数，Ti为第i分量的周期，n为1,2,3……，即为要预测日期前一段时间序列的第1天，第2天，第3天……；
(C2)把所有周期分量相加，并取开始一天的数据点作为下一天满足周期分量的负荷预测数据ya(n)；
(C3)从去均值后的数据中消去所有周期分量gi(n)，保留剩余的非周期分量及趋势分量，并对其进行自回归滑动平均(ARMA)模型预测，得到下一天的非周期预测负荷数据yb(n)；
本发明与现有技术相比，具有如下的优点和有益效果：
1本发明一种基于快速周期分量提取的电力短期负荷预测方法，利用快速傅里叶变换得到信号的频谱性质，依次提取相应的大幅值频率成分分量，分离出周期及非周期信号成分，包括低频处变换缓慢的趋势分量。使得本预测方法能适用于负荷随时间周期变化的情况下进行预测。
2本发明一种基于快速周期分量提取的电力短期负荷预测方法，分别对周期分量和非周期分量进行不同方法的预测，周期分量可直接按周期循环，非周期分量的预测时间较快，且直接一次预测下一天的负荷的情况。也可以根据需要，来预测满足相应随周期呈一定变化规律的其他方面的时间序列数据。
附图说明
图1为本发明流程示意图。
图2为眉山4月份(30天)的负荷曲线。
图3为4月份前21天去均值后的负荷数据及其频域特性。
图4为4月份前21天的提取的能量最大的5个分量及其频域特性。
图5为4月份前21天周期分量预测的负荷和非周期分量预测的负荷情况。
图6为根据前21天的负荷数据预测的4月22日的曲线及实际负荷曲线。
图7为根据前21天的负荷数据预测的4月23日的曲线及实际负荷曲线。
图8为根据前21天的负荷数据预测的4月24日的曲线及实际负荷曲线。
图9为根据前21天的负荷数据预测的4月25日的曲线及实际负荷曲线。
具体实施方式
下面结合实施例对本发明作进一步的详细说明，但本发明的实施方式不限于此。
如图1所示，本实施例选用的训练数据是2013年四川省眉山市4月份30天的负荷情况，其波形曲线如图2所示，该训练数据是15分钟检测一次负荷情况，一天共有96个数据，并利用前21天(共2016个数据点)直接一次预测第22天96个点的负荷数据。
首先将图2的训练数据进行去均值处理，之后进行快速傅里叶变换得到该数据的频域情况，如图3所示。经过最大谱峰搜索提取各频率分量，并保留低频部分作为前21天整体负荷的趋势分量，直到要搜索的最大谱峰小于给定的阈值为止，并利用反快速傅里叶变换还原到观测域，由于提取的分量过多，现只绘出前5个分量，如图4所示。对提取后的各分量进行不同方法预测，周期分量经循环平移消噪后可直接把前96个点的值作为下一天的周期分量预测的值，非周期分量进行差分自回归滑动平均模型来一次预测下一天96个点的值，之后合并各预测分量及直流分量便可得到预测的96个点的负荷，如图6所示。图7、图8和图9为预测的4月23日、24日和25日的负荷及实际负荷情况。分别对预测的22日至30日的负荷数据和实际数据进行最大误差及平均误差分析，其结果如下表所示。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质上对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。
Claims (4)
1.一种基于快速周期分量提取的电力短期负荷预测方法，其特征在于，包括以下步骤：
(A)选取要预测日期之前一段时间序列的负荷作为历史负荷数据信号，对得到的信号去均值处理，并进行快速离散傅立叶变换，得到信号的频域变换；
(B)将步骤(A)得到的信号进行最大谱峰搜索提取各频率分量及信号相应的低频趋势分量，并把各分量还原到观测域，再把提取的周期分量进行循环平移处理消噪，提取的非周期分量不做循环平移处理，直到提取的某一分量的幅值小于一给定的阈值；
(C)步骤(B)中得到的周期分量相加，并把开始一天的负荷值作为周期分量的预测值，对剩余的非周期部分利用差分自回归滑动平均(ARIMA)模型直接一次预测下一天非周期分量的负荷值；
(D)步骤(C)中周期分量的预测负荷值、非周期分量的预测负荷值与原数据中直流分量相加，即可得到要预测日期一天的负荷；即按照以下公式进行处理：
yc(n)＝ya(n)+yb(n)+E[x(n)]，其中，
ya(n)：下一天满足周期分量的负荷预测数据；
yb(n)：下一天的非周期预测负荷数据；
yc(n)：要预测日期一天的负荷；
E[x(n)]：原数据中直流分量。
2.根据权利要求1所述的基于快速周期分量提取的电力短期负荷预测方法，其特征在于，所述步骤(A)按照以下公式进行处理：
y(n)＝x(n)-E[x(n)]，式中E为统计期望，x(n)为历史负荷数据，y(n)为去均值后的数据，对y(n)做离散傅里叶变换(DFT)得到Y(k)，有其中N为数据长度，k＝0～N-1为各离散频域点。
3.根据权利要求1所述的基于快速周期分量提取的电力短期负荷预测方法，其特征在于，所述步骤(B)中的各分量分析按照以下步骤进行：
(B1)取离散傅里叶变换的Y(k)的前M个点数据，若数据长度N为偶数，M＝N/2，若N为奇数，M＝(N-1)/2，并保留前l个数据点作为提取的趋势分量G1(k)；
(B2)对剩余的l+1到M个点的数据，进行最大谱峰搜索，最大值处视为谱峰，得到谱峰位置r，由于DFT变换后数据的对称性，保留Y(k)的谱峰位置r和N-r+1及它们左右λ个点的数据，并令其他点处的数据为0，得到提取最大谱峰的信号G2(k)；
(B3)对提取的各分量信号Gi(k)做反离散傅里叶变换(IDFT)，得到观测域上的信号其中N为数据长度，n＝0～N-1为各离散时域点，i为提取的分量序号；从y(n)中消去gi(n)分量，得到剩余的信号t(n)，并重复(B2)步骤，直到剩余的最大谱峰的值小于一给定的阈值ε。
4.根据权利要求1所述的基于快速周期分量提取的电力短期负荷预测方法，其特征在于，所述步骤(C)按照以下步骤进行处理：
(C1)对其中为周期的分量gi(n)进行消噪处理其中Li为第i分量循环次数，Ti为第i分量的周期，n为1,2,3……，即为要预测日期前一段时间序列的第1天，第2天，第3天……；
(C2)把所有周期分量相加，并取开始一天的数据点作为下一天满足周期分量的负荷预测数据ya(n)；
(C3)从去均值后的数据中消去所有周期分量gi(n)，保留剩余的非周期分量及趋势分量，并对其进行差分自回归滑动平均(ARIMA)模型预测，得到下一天的非周期预测负荷数据yb(n)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410005072.5A CN103745272B (zh) | 2014-01-06 | 2014-01-06 | 一种基于快速周期分量提取的电力短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410005072.5A CN103745272B (zh) | 2014-01-06 | 2014-01-06 | 一种基于快速周期分量提取的电力短期负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103745272A CN103745272A (zh) | 2014-04-23 |
| CN103745272B true CN103745272B (zh) | 2017-02-08 |
Family
ID=50502289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410005072.5A Active CN103745272B (zh) | 2014-01-06 | 2014-01-06 | 一种基于快速周期分量提取的电力短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103745272B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107582068A (zh) * | 2017-10-12 | 2018-01-16 | 南阳师范学院 | 一种基于周期自相干原理的畸变产物耳声发射探测方案 |
| CN109995562B (zh) * | 2017-12-30 | 2022-11-08 | 中国移动通信集团河北有限公司 | 网络业务量预测方法、装置、设备及介质 |
| 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 |
| CN111080486A (zh) * | 2019-12-27 | 2020-04-28 | 新奥数能科技有限公司 | 一种电负荷预测方法及装置 |
| CN113408210B (zh) * | 2021-07-12 | 2023-08-01 | 内蒙古电力(集团)有限责任公司乌兰察布供电分公司 | 基于深度学习的非侵入负荷分解方法、系统、介质和设备 |
| CN113592308B (zh) * | 2021-08-02 | 2022-07-12 | 浙江大学 | 一种基于常态模型的监测数据告警阈值提取方法 |
| CN116995700B (zh) * | 2023-09-27 | 2024-01-23 | 国网北京市电力公司 | 一种基于快速傅里叶变换的分级源荷匹配方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136598A (zh) * | 2013-02-26 | 2013-06-05 | 福建省电力有限公司 | 基于小波分析的月度电力负荷计算机预测方法 |
-
2014
- 2014-01-06 CN CN201410005072.5A patent/CN103745272B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136598A (zh) * | 2013-02-26 | 2013-06-05 | 福建省电力有限公司 | 基于小波分析的月度电力负荷计算机预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 区间时间序列向量自回归模型在短期电力负荷预测中的应用;万昆 等;《电网技术》;20121130;全文 * |
| 负荷预报中负荷规律性评价方法的研究;穆钢 等;《中国电机工程学报》;20011031;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103745272A (zh) | 2014-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103745272B (zh) | 一种基于快速周期分量提取的电力短期负荷预测方法 | |
| Kim et al. | LSTM based short-term electricity consumption forecast with daily load profile sequences | |
| Sevlian et al. | Short term electricity load forecasting on varying levels of aggregation | |
| Bhaskar et al. | AWNN-assisted wind power forecasting using feed-forward neural network | |
| Munshi et al. | Unsupervised nonintrusive extraction of electrical vehicle charging load patterns | |
| D’Angelo et al. | Incipient fault detection in induction machine stator-winding using a fuzzy-Bayesian change point detection approach | |
| Weng et al. | Probabilistic baseline estimation based on load patterns for better residential customer rewards | |
| Basu et al. | A comparative study of low sampling non intrusive load dis-aggregation | |
| Akçay et al. | Wind speed forecasting by subspace and nuclear norm optimization based algorithms | |
| CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
| CN114897248A (zh) | 一种基于人工智能的电网负荷预测方法 | |
| CN114330642A (zh) | 一种用于多采样时间的建筑电力负荷预测方法 | |
| Wang et al. | Arima model estimated by particle swarm optimization algorithm for consumer price index forecasting | |
| Jin et al. | An improved combined forecasting method for electric power load based on autoregressive integrated moving average model | |
| Lei et al. | Forecasting short-term residential electricity consumption using a deep fusion model | |
| Qiao et al. | Hour-ahead power load demand time series forecasting using four methods in three cases | |
| CN105277852A (zh) | 配电网线路工况分类识别方法 | |
| CN105260249A (zh) | 空间计算域计算强度特征提取方法 | |
| CN111355243A (zh) | 一种用电负荷辨识方法及装置 | |
| Yang et al. | Mining the big data of residential appliances in the smart grid environment | |
| Duan et al. | Collaborative inference of missing smart electric meter data for a building | |
| Zhang et al. | MSFD method based temperature forecasting with mode of learning-checking and core functions | |
| CN116452369B (zh) | 一种光伏电站实时数据补齐方法、装置及相关设备 | |
| CN112345824B (zh) | 一种基于分段线性近似算法的变频空调非侵入式辨识方法 | |
| Yu et al. | The trend prediction for spacecraft state based on wavelet analysis and time series method |
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 |