CN104008430B - 一种构建拟境挖掘动态智能负荷预测模型的方法 - Google Patents
一种构建拟境挖掘动态智能负荷预测模型的方法 Download PDFInfo
- Publication number
- CN104008430B CN104008430B CN201410233879.4A CN201410233879A CN104008430B CN 104008430 B CN104008430 B CN 104008430B CN 201410233879 A CN201410233879 A CN 201410233879A CN 104008430 B CN104008430 B CN 104008430B
- Authority
- CN
- China
- Prior art keywords
- load
- data
- electricity
- intelligent
- model
- 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.)
- Expired - Fee Related
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种构建拟境挖掘动态智能负荷预测模型的方法,采用知识挖掘技术形成拟境分析环境,探索定量之间的影响关系,确定输入变量待选集;建立利用属性筛选技术确立输入变量、利用菌群趋向差分演化算法优化参数的自适应结构的支持向量机和Elman神经网络等智能负荷预测模型;建立基于数据切片挖掘的区域负荷智能预测模型;建立结合动态电价因素、用户特性、用户响应电量的负荷曲线预测模型,实现负荷、电价、响应电量的联动修正预测。本发明建立了符合我国智能电网实际情况的预测模型,合理规划了可再生能源的建设规模,有利于促使用户更加高效利用电能,促使电力企业合理安排电力供给资源。
Description
技术领域
本发明属于智能电网技术领域,尤其涉及一种构建拟境挖掘动态智能负荷预测模型的方法。
背景技术
智能电网是未来电力系统变革的主要方向,建设更加智能化、经济化、环保化、促进低碳发展化的电网已经成为全球的共同目标,美国自奥巴马上台伊始就提出了以智能电网为基础的美国能源战略,其核心是将局域分散的智能电网结合成全国性的网络体系;欧洲的智能电网革新是将广域上的电力输送网络同智能电网相结合,最终形成超级智能电力网格,我国的智能电力发展方向是指以复杂电力系统发、输、配、用各环节为对象,将新型电网控制技术、智能信息技术与智能管理技术有机结合起来,以“互动、自愈、安全、经济、清洁、节能、高效”为特点,实现从发电到用电所有环节信息的智能交流,使我国电网向着资源节约型、环境友好型、运行智能化的方向发展,从各国的发展趋势来看,智能电网将大力推进电力技术、信息产业和能源格局的深度革命,可以极大促进电力技术和信息产业进入高速创新阶段,为能源消费者提供更多的清洁能源,对整个社会节约成本、降低温室气体排放,实现绿色生态发展具有极其重大的意义。
电力负荷预测作为电网建设规划的基础性工作,是建设智能电网必须要研究的基础性问题,电力负荷预测可以简称为负荷预测,其研究内容主要包括用电负荷预测、功率预测、供需电量预测以及负荷曲线预测,是电网建设规划和电网日常调度的基础性工作,在电力工业中占据着举足轻重的地位,精确的电力负荷预测不但能够给电网带来重大的经济效益和社会效益,还可以通过节约电力用煤达到节能减排的效果,对于我国的一个中等规模的省级电网而言,按照常规假设其平均供电负荷为4500MW,如果将系统日负荷预测精度提高1%,就表示在系统发供电可靠率相同的条件下,电网发电出力富裕时可减少45MW的旋转备用容量,电网发电出力不足时可减少非计划限电45MW,由此产生的主要效益为:因系统减少旋转备用容量产生的年经济效益约2000万元,减少非计划限电增加售电量产生的年经济效益约446万元,此外,按照2012年国家能源局公布的最新6000千瓦及以上供电标准煤耗率326克/千瓦时以及火电设备年平均利用小时为4965小时计算可得,由于负荷精度提高1%而产生的减少备用容量节约年用煤量近72836吨,我国的智能电网建成后,普遍认同的和传统电网的主要区别在于可再生分布式能源并网、特高压远距离输送、微网并网和用户需求响应四个方面,负荷预测作为电网运行的基础性工作,需要结合这四个特点进行研究,为智能电网的建设规划提供依据,为智能电网的运行调度提供数据支持。
在智能电网环境下,开展负荷预测研究的意义有以下三点:
①智能电网环境下,精确的可再生能源发电预测可以为可再生能源建设规划和并网调度提供有力依据,2013年2月6日,我国电监会公布了2012年电力行业节能减排数据,数据显示,我国可再生能源发电装机达到3.13亿千瓦,其中风电(并网)6083万千瓦,同比增长31.6%,装机规模已经位居世界第一;太阳能发电(并网)328万千瓦,同比增长47.8%,但是伴随可再生能源高速发展所带来的问题是由于可再生能源发电的间歇性和不稳定特性,使得并网以及调度非常困难,产生了建设规模和消纳电量脱节的现象,以典型的风力发电为例,我国的风能集中于东北、华北、西北地区(简称“三北”地区),目前风力发电的弃风现象日益突出,根据我国电监会2012年发布的《重点区域风电消化监管报告》显示,“三北”地区弃风电量高达123亿千瓦时,弃风率为16.23%,弃风电量对应电费损失约66亿元,造成这种现象的主要原因是地区风电建设规划和地区风电需求预测不协调,风电项目建设规模远超当地风电需求,致使风力发电本地难以消纳,而如果通过外送进行消纳,则需要依赖于精确的预测结果来进行电网调度,国家能源局2012年2月29日下发的“特急”文件《风电功率预报与电网协调运行实施细则(试行)》中指出,要立即开展风电上网的相关工作,积极构建完善的风电功率预测体系,保障风电的上网调度运行;
②智能电网环境下,精确的区域性负荷预测将为智能电网环境下特高压远距离输送电量和微网供电并网提供依据,特高压远距离输电能够实现低损耗的跨区域输电,使得可再生能源发电突破空间的限制,为用电负荷较高的经济发达地区提供清洁电能,然而通过特高压电网输送的电量,以及如何分配各种可再生能源的发电配额均依赖于供需两方的负荷预测结果,微网是指在小范围的用电区域内形成一个分布式的能源孤岛系统,既可以实现该供电区域电能的自给自足,也可以和外部电网并网实现电能的相互传输,在我国的海上孤岛以及高海拔人烟稀少地区建设微网,不但可以高效的解决当地区域的能源问题,而且可以延缓由于输配电网升级更新换代带来的巨大经济成本,微网的供电规模以及并网输送电量同样依赖于微网覆盖区域的用电需求预测;
③智能电网环境下,精确的动态短期负荷预测将为用户参与需求侧响应提供数据决策支持,用户在智能电网环境下通过参与需求响应可以通过调整自己的行为,利用动态的分时电价将自身闲余电量高价卖出,在低价时买进电量使用电能,获取一定的经济效益,提高电能的使用效率,而短期负荷预测作为用电计划、调度运行、动态电价制定的基础性工作,为需求侧响应决策提供数据支持,短期负荷预测结果的精准程度直接影响着需求响应决策结果,因此,需要对智能电网环境下精确的动态短期负荷预测开展研究。
综上所述,智能电网的建设将给传统的电力负荷预测理论带来新的挑战,因此,需要对电力负荷预测理论研究的内容和方法进行扩展研究。
随着电力系统市场化进程的不断发展以及对能源需求的不断重视,近二三十年来,国内外的很多专家学者对电力负荷预测的理论和方法进行了大量的研究工作,取得了很多成果,总的来说,当前国内外研究的预测方法大致可以分为四类,分别是以线形回归方法为代表的传统统计预测方法;时间序列预测方法;以神经网络以及支持向量机为代表的智能预测方法以及组合预测方法四类;
随着节能减排和低碳经济的相关研究成为当前的热点研究领域,电力负荷预测理论的研究范围也随之扩展,在智能电网的环境下,首先是诸如风电、光伏发电等可再生新能源发电受到前所未有的重视,而将这些可再生能源的发电形式接入到电网大环境下时,必须依赖于精确的预测结果来进行电网的节能调度,然而这些可再生能源发电形式具有明显的间歇性和不稳定性特性,传统的预测方法已经不再适用,需要对可再生能源发电进行高精度的预测研究工作,目前对可再生能源发电的预测问题多集中于风力发电和光伏发电的预测研究上,目前国内外预测的平均绝对百分比误差MAPE精度值在10%-25%之间,随着未来可再生能源的装机容量和管理水平的不断提高,将需要在此基础上进行深入的研究,以获得更高精度的预测结果;
从上述国内外研究情况中可以看出,从方法上,电力负荷预测的研究以智能化方法为主,研究的热点在结合优化算法、数据挖掘技术确定智能预测的模型结构上,从研究内容上,研究的热点向以风电为主的新能源负荷预测方面发展,目前的负荷预测研究仍然存在着以下几个需要研究或进一步深化研究的问题:
① 需要在确定智能预测模型结构的研究上进一步深化,研究从输入变量到结构参数的一体化优化的智能预测方法,目前的研究或是对智能预测方法的参数结构进行优化,或是对输入变量或训练数据上进行优化,还少见从输入变量到参数优化对智能预测方法进行结构一体化优化方面的研究;
② 需要进一步研究适合于我国智能电网环境下可再生能源发电特性的高精度电力负荷预测方法,目前的相关研究取得了一定的进展,但是其预测的平均绝对百分比误差MAPE精度值在10%-25%之间,仍旧较高,这一方面的预测研究还有很大的提升空间;
③ 需要研究适合用户需求响应的动态负荷预测理论和模式,随着智能电网的进一步建设,用户通过需求侧响应参与到电力市场中来,使电能得到更加高效充分的利用,而进行需求侧响应的前提是实现动态负荷预测和动态电价预测,目前这方面的负荷预测研究较少,需要结合未来智能电网的发展对这一方面的问题进行研究。
发明内容
本发明实施例的目的在于提供一种构建拟境挖掘动态智能负荷预测模型的方法,旨在解决现有的智能负荷预测模型存在的精度低,应用受限,不能完全适应现代智能电网环境的问题。
本发明实施例是这样实现的,一种构建拟境挖掘动态智能负荷预测模型的方法,该构建拟境挖掘动态智能负荷预测模型的方法包括:
步骤一,采用知识挖掘技术形成拟境分析环境,探索气象影响和可再生能源发电之间、区域环境特性和区域负荷之间以及动态负荷和电价以及需求响应电量之间的定量影响关系;
步骤二,建立利用属性筛选技术确立输入变量、利用菌群趋向差分演化算法优化参数的自适应结构的支持向量机和Elman神经网络智能负荷预测模型;
步骤三,建立基于数据切片挖掘的区域负荷智能预测模型;
步骤四,建立结合动态电价因素、用户特性、用户响应电量的负荷曲线预测模型,实现负荷、电价、响应电量的联动修正预测。
进一步,在步骤一中,通过对历史负荷数据和气象信息数据进行收集,通过概率统计分析总结出可再生能源的分布规律和可再生能源实际发电出力数据,通过知识挖掘技术的关联分析探寻历史发电出力数据和相关因素之间的强弱关系,选择具有明显关联影响的因素,根据发电出力特性形成供训练智能预测模型使用的拟境仿真环境,利用属性筛选技术确定输入变量,通过知识挖掘的分类分析和聚类分析寻找具有高度相似特性的历史数据序列,通过群智能优化算法确定智能预测模型所需的结构参数,建立一体化自适应结构的智能预测模型。
进一步,在步骤二中,基于拟境挖掘和菌群趋向差分演化算法的一体化自适应结构支持向量机可再生能源中长期发电预测模型建立的具体步骤如下:
第一步,除了对智能电网环境下的风电负荷数据进行收集外,还需要对风电场所在地的环境温度、湿度、风速、风向、雨量、日照强度、大气压力气象因素进行监测和统计分析,形成风电场所在地区环境气象因素年概率分布统计数据,尤其是风速年概率分布统计数据和年度发电特性数据,借助于数据挖掘的手段探寻这些年概率分布统计数据对风力发电影响的定量映射关系,选取相关因素建立历史数据序列的数据仓库,构建风力发电因素影响的模拟机制环境;
第二步,针对数据环境,利用知识挖掘技术中的关联分析技术进行属性判别和筛选,利用粗糙集技术进行属性筛选,确定输入变量,利用相似分析技术提取具有高度相似特性的历史发电数据序列,为智能模型的输入结点和训练数据的确定做好准备;
第三步,构建菌群趋向差分演化算法参数优化的支持向量机中长期负荷预测模型,中长期电力负荷预测与短期负荷预测相比,可利用影响因素的数据量较少,因此在选择负荷预测方法时应优先选取适合于基于小样本数据量的统计预测方法,智能预测方法中的支持向量机方法利用结构风险最小化原理和解决线性二次规划问题进行机器学习,采用菌群趋向差分演化算法对参数进行优化;
第四步,对于误差较大的预测点,根据风电场所在地区的季风特点、弃风现象以及区域环境特点,利用知识挖掘技术建立风力发电量的拟境反演知识推理模型,通过拟境反演知识推理分析这些因素对预测结果的得到相关的预测后干预知识,形成记忆推理知识库,对预测结果进行后干预,进一步提高精度。
进一步,在步骤二中,建立对智能电网环境下基于NWP数值气象预报挖掘分析的可再生能源短期智能拟境负荷预测模型;采用天气预报模式——多点数值天气预报NWP模式对未来72小时之内的气象数据进行高精度的多点数值模拟运算预测,NWP模式对于未来6小时以内的气象数据预报的准确性更高;具体包括:
第一步,在对可再生能源进行短期预测时,对可再生能源发电特性的相关气象数据、NWP预报数据和历史负荷数据进行收集,建立相应的数据库,以此为基础,利用数据挖掘和文本挖掘的关联、分类和聚类信息处理技术对数据进行分析,根据可再生能源发电的特点,提取影响因素,形成高度仿真的数据信息虚拟环境,利用属性筛选技术和粗糙集数据约简技术自动筛选出输入变量,为建立智能短期预测模型做好准备;
第二步,对于待预测可再生能源发电时点t,提取该时点前较短一段时间内的曲线,利用知识挖掘特征提取技术对该序列的谱特征进行提取,并结合t时点给出的NWP气象预报值形成一个预测时点谱特征数据集,通过谱聚类分析技术提取数据信息虚拟环境中具有高度相似特征的相关历史序列值作为训练数据,为训练智能短期预测模型准备;
第三步,建立目前具有良好非线性拟合能力和具有动态记忆功能的Elman动态反馈神经网络短期智能预测模型对可再生能源的短期发电负荷进行预测。
进一步,在步骤五中,构建考虑电价因素以及用户响应电量因素的短期动态智能负荷预测模型包括以下步骤:
第一步,进行初步预测,在用户侧需求响应中,对下一日24点的负荷进行预测是制定未来分时电价的基础性工作,是制定分时电价的前提,在对下一日负荷曲线进行短期负荷预测时,通过建立结合数据挖掘中群智能优化算法自适应参数的动态神经网络或支持向量机模型对供电区域的未来短期负荷首先进行预测,给出未来区域内初始负荷预测序列,在构建拟境环境时,需要考虑智能电网条件下分时电价、用户响应负荷因素的影响,结合知识挖掘技术进行拟真环境的构建,运用属性筛选技术确定输入变量,以及建立基于群智能寻优的智能短期负荷预测模型;
第二步,构建基于曲线预测结果的分时电价预测模型以及基于用户典型曲线特征的负荷需求响应预测模型,考虑负荷预测曲线特性的峰平,峰谷和平谷值对电价的影响,获得相应时段的电价预测结果;
第三步,进一步对用户的响应电量进行预测,由于不同类型的用户用电方式具有显著性的差异,不同用户群体的用电曲线特性不同,在对用户的响应电量进行预测时,需要结合用户特点进行建立不同的分类预测模型,结合考虑用户用电习惯相关因素变量进行挖掘分析,构建不同用户类型的拟境环境,并建立相应的群智能优化算法自适应参数的动态神经网络或支持向量机模型对用户的响应电量进行预测;
第四步,对短期负荷-电价-响应电量联动预测模型,当时间到某一时点t时,由于此点电价和其余实时因素的影响,可能会使得t时点的实时值较原有的预测值会有一定的偏差,从而引起t+1时点以及以后的预测序列精度降低,因此需要对下一时点t+1的预测值利用新的实时值信息进行预测修正,而对t+1时点的负荷预测修正后,在智能电网的环境下,由于电价是实时动态的,因此原有制定的分时电价也需要动态的予以修正,这样产生的结果是t+1时点的用户响应结果可能也会带来偏差,从而产生连锁的非线性反应,因此,需要对短期负荷-电价-响应电量联动预测模型进行研究,利用t时点的负荷实时值对时点以后的初始预测序列进行修正,即在原有模型的基础上,将实时更新的负荷值代入进行预测,利用负荷预测模型、电价预测模型和响应电量预测模型对t+1时点的负荷预测值、电价预测值、响应电量预测进行修正预测,进而利用t+1时点的最新预测值实现对整个初始负荷预测序列的迭代修正,为供电区域提供高精度的动态短期负荷、电价和响应电量的预测结果,实现联动预测修正的功能。
本发明提供的构建拟境挖掘动态智能负荷预测模型的方法,提出智能电网环境下拟境挖掘和菌群趋向差分演化算法寻优的智能负荷预测模型,形成了拟境:利用概率统计分析技术和知识挖掘技术对智能电网环境下的数据进行因素提取分析,形成我国智能电网环境下的预测虚拟数据环境;自动确定了输入变量和数据集:在拟境基础上,利用知识挖掘技术、属性筛选技术等确定输入变量及数据训练集,通过基于群智能优化算法的自适应结构的智能预测模型,利用菌群趋向差分演化算法等群智能优化算法对建立的智能预测模型进行结构参数上的优化;与目前的负荷预测研究的不同之处在于:
一是建立的体系从输入变量到结构均利用知识挖掘技术和群智能算法予以确定,实现了一体化的智能建模工作,而目前的研究多在一个方面进行研究;
二是通过上述这些手段,建立了符合我国智能电网实际情况的预测模型,在精度上进一步提高,和传统发电形式的预测研究上予以区别;
三是在智能预测模型和群智能优化模型的选取上较为新颖;
提出智能电网环境下的区域拟境挖掘动态智能负荷预测模型,通过挖掘分析形成一个具有下一时点区域数据特征的数据切片,在预测的过程中,根据数据切片寻找相似序列进行动态迭代预测,将会使得所在区域内的短期负荷预测结果有一个突破性的提高;
提出计及用户侧需求响应的拟境挖掘短期动态智能负荷预测模型,考虑了动态电价因素、用户特性、用户响应电量影对负荷曲线的影响上,并充分考虑利用实时负荷值,利用电价预测模型和用户响应电量预测模型进行迭代动态修正预测;在对于负荷曲线特征分析上,采用谱分析提取典型的特征曲线谱,在此基础上进行相应的挖掘分类、聚类分析;
本发明合理规划可再生能源的建设规模,对可再生能源发电以及传统发电进行远距离输送调度,促使电力用户通过动态负荷响应参与市场,促使用户更加高效利用电能,促使电力企业合理安排电力供给资源,节约电力供给成本均有非常大的指导意义和借鉴作用;
本发明建立了智能电网环境下的考虑可再生能源间歇性和不稳定性特点的可再生能源发电拟境挖掘动态智能负荷预测模型以及各种发电结构比例的动态演化预测模型,为智能电网环境下的可再生能源建设规划、发电调度提供依据;
建立了智能电网环境下的考虑区域特性的拟境挖掘智能负荷预测模型,为智能电网环境下的多种能源跨区域调度、微网建设及并网调度提供依据;
建立了智能电网环境下考虑用户侧需求响应的拟境挖掘短期动态智能负荷预测模型,建立考虑动态电价因素、用户特性、用户响应电量和其他影响负荷的因素的短期动态负荷曲线预测模型,实现负荷-电价-响应电量的联动动态修正预测模型。为智能电网环境下电力市场交易、调度提供依据;为我国智能电网规划、调度、交易提供理论支持和实例仿真验证,为负荷预测理论的完善和发展以及智能电网的建设做出贡献。
附图说明
图1是本发明实施例提供的构建拟境挖掘动态智能负荷预测模型的方法的流程图;
图2是本发明实施例提供的计及用户侧需求响应短期动态智能负荷预测模型的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示,本发明实施例的构建拟境挖掘动态智能负荷预测模型的方法包括以下步骤:
S101:采用知识挖掘技术形成拟境分析环境,探索气象影响和可再生能源发电之间、区域环境特性和区域负荷之间以及动态负荷和电价以及需求响应电量之间的定量影响关系;
S102:建立利用属性筛选技术确立输入变量、利用菌群趋向差分演化算法优化参数的自适应结构的支持向量机和Elman神经网络智能负荷预测模型;
S103:建立基于数据切片挖掘的区域负荷智能预测模型;
S104:建立结合动态电价因素、用户特性、用户响应电量的负荷曲线预测模型,实现负荷、电价、响应电量的联动修正预测。
本发明具体包括以下步骤:
步骤一,通过对历史负荷数据和气象信息数据进行收集,通过概率统计分析总结出可再生能源的分布规律和可再生能源实际发电出力数据,通过知识挖掘技术的关联分析探寻历史发电出力数据和相关因素之间的强弱关系,选择具有明显关联影响的因素,根据发电出力特性形成供训练智能预测模型使用的拟境仿真环境,利用属性筛选技术确定输入变量,通过知识挖掘的分类分析和聚类分析寻找具有高度相似特性的历史数据序列,通过群智能优化算法确定智能预测模型所需的结构参数,建立一体化自适应结构的智能预测模型,对可再生能源发电预测问题进行研究;
根据智能电网环境下的实际需求,拟准备研究以下两个子问题:
第一,对智能电网环境下可再生能源发电形式的中长期电力智能拟境挖掘自适应电力负荷预测模型进行研究,称为:基于拟境挖掘和菌群趋向差分演化算法的一体化自适应结构支持向量机可再生能源中长期发电预测模型,中长期电力负荷预测是电力系统规划、运行与决策的基本工作,不但关系到整个电力系统发展的安全性和经济性,还直接关系到整个可再生能源的建设规划上,在未来的智能电网环境下,可再生能源发电规模的不断扩大将促进整个电力工业发电结构的进一步优化调整,诸如火力发电等传统形式的发电比例将进一步缩小,而由于可再生能源发电受可再生能源特性的影响,大多呈现间歇性和反调峰性等特性,目前有关可再生能源发电预测的研究方法多利用在传统预测问题下表现较好的智能预测模型,通过代入负荷变量以及其余相关因素进行预测,而忽视根据可再生能源的发电特性进行预测,势必导致预测结果难以进一步的提高;
以可再生能源中的风力发电为例,风电场建设完成后,其发电量和当地风速基本成正比,风力发电严重受到当地风能的制约,而目前的风力发电预测研究既有直接利用历史输出功率进行预测,也有先对风速进行预测,然后根据风速值和输出功率之间的统计曲线模型得到输出功率的预测值,但这些预测研究均直接在原有智能预测模型的基础上,代入相关的历史数据来进行预测模型的训练,即利用输出功率、风速、风向等因素和风电输出功率之间建立相应的映射关系,没有考虑风力发电的相关特性,难以在预测精度上进一步提高,因此,若想进一步提高中长期风力发电,就需要结合风速的年概率分布统计数据,探寻风速的年概率分布统计数据以及风电地区的季节性影响和“弃风”现象对中长期风力发电量之间的影响关系,其主要步骤如下:
首先,除了对智能电网环境下的风电负荷数据进行收集外,还需要对风电场所在地的环境温度、湿度、风速、风向、雨量、日照强度、大气压力等气象因素进行监测和统计分析,形成风电场所在地区环境气象因素年概率分布统计数据,尤其是风速年概率分布统计数据和年度发电特性数据,借助于数据挖掘的手段探寻这些年概率分布统计数据对风力发电影响的定量映射关系,选取相关因素建立历史数据序列的数据仓库,构建风力发电因素影响的模拟机制环境,为进一步建立智能预测模型做好准备;
其次,针对上述数据环境,利用知识挖掘技术中的关联分析技术进行属性判别和筛选,利用粗糙集技术进行属性筛选,确定输入变量,利用相似分析技术提取具有高度相似特性的历史发电数据序列,为智能模型的输入结点和训练数据的确定做好准备;
然后,构建菌群趋向差分演化算法参数优化的支持向量机中长期负荷预测模型,中长期电力负荷预测与短期负荷预测相比,其可利用影响因素的数据量较少,因此在选择负荷预测方法时应优先选取适合于基于小样本数据量的统计预测方法,智能预测方法中的支持向量机方法利用结构风险最小化原理和解决线性二次规划问题进行机器学习,与神经网络算法相比,具有要求确定参数少、在理论上有全局最优的唯一解的特点,在小样本情况下被认为是可以替代神经网络的方法,因此,中长期智能负荷预测模型将选取支持向量机模型,而支持向量机模型在使用时需要确定模型的相关参数,目前的研究前沿普遍借助于粒子群、微分进化等群智能优化的算法进行参数的优化操作,在这里,考虑采用菌群趋向差分演化算法对参数进行优化,这种算法的核心算法是由Passino于2002年提出的菌群觅食智能随机搜索算法(Bacteria Foraging Optimization BFO),该算法利用大肠杆菌的趋向性行为、聚集性行为、复制行为和迁徙行为寻找优化问题的全局最优解,但是由于使用标准BFO的固定游动步长不利于算法的收敛,因此Biswas等学者利用具有较好收敛能力的微分进化算法的演化算法引入到趋向性操作中,通过在趋向性操作后的差分变异使得各细菌有不同的游动步长,使得算法可以更加仔细的搜索最优解,提高BFO的寻优及收敛能力,在诸多优化标准测试函数的表现中,该改进算法有效、稳定,具有较好的寻求全局最优解的能力,用其优化支持向量机的参数,可以获得较好的结果,进一步提高风电功率的预测精度;
最后,对于误差较大的预测点,根据风电场所在地区的季风特点、“弃风”现象以及区域环境特点,利用知识挖掘技术建立风力发电量的拟境反演知识推理模型,通过拟境反演知识推理分析这些因素对预测结果的得到相关的预测后干预知识,形成记忆推理知识库,对预测结果进行后干预,进一步提高精度;
第二,对智能电网环境下基于NWP数值气象预报挖掘分析的可再生能源短期智能拟境负荷预测模型进行研究,称为基于拟境挖掘和菌群趋向差分演化算法的一体化自适应结构Elman神经网络可再生能源短期智能负荷预测模型;
在智能电网的条件下,为了增强可再生能源发电所在地区气象预报的能力,发电地区将会建立数值气象预报模型,采用目前较为先进的天气预报模式——多点数值天气预报NWP模式(Numerical Weather Prediction),对未来72小时之内的气象数据进行高精度的多点数值模拟运算预测,NWP模式对于未来6小时以内的气象数据预报的准确性更高,这就为提高短期预测的结果进一步提高精度提供了可能;
首先,在对可再生能源进行短期预测时,可以对可再生能源发电特性的相关气象数据、NWP预报数据和历史负荷数据进行收集,建立相应的数据库,以此为基础,利用数据挖掘和文本挖掘的关联、分类和聚类等信息处理技术对数据进行分析,根据可再生能源发电的特点,提取影响因素,形成高度仿真的数据信息虚拟环境,利用属性筛选技术和粗糙集数据约简技术自动筛选出输入变量,为建立智能短期预测模型做好准备;
其次,对于待预测可再生能源发电时点t,提取该时点前较短一段时间内的曲线,利用知识挖掘特征提取技术对该序列的谱特征进行提取,并结合t时点给出的NWP气象预报值形成一个预测时点谱特征数据集,通过谱聚类分析技术提取数据信息虚拟环境中具有高度相似特征的相关历史序列值作为训练数据,为训练智能短期预测模型准备;
最后,建立目前具有良好非线性拟合能力和具有动态记忆功能的Elman动态反馈神经网络短期智能预测模型对可再生能源的短期发电负荷进行预测,该网络是Elman于1990年针对语音问题提出来的一种新型网络,在传统的BP神经网络上添加了一个承接层,作为一步延时算子,从而具有一定的记忆功能,使得神经网络具有一定的适应时变的动态能力,具有一定的动态特性,在对于Elman神经网络结构的确定上,将网络结构的隐含层结点数目,承接层结点数目,连接阈值作为待定参数利用具有较好寻优特性的菌群趋向差分演化算法进行优化,通过设定和网络预测精度值相关的适应度函数,提高网络的收敛速度预测能力,进一步提高Elman神经网络的预测能力;
步骤二,智能电网环境下的区域拟境挖掘动态智能负荷预测模型:
智能电网中的特高压远距离输送为跨区域输电实现了高效便捷的途径,可以使得电力市场进一步突破区域的限制,形成跨时空的多品种电力交易市场体系,微网建设为电力孤岛区域内供电和输电提供了高效的解决途径,在未来智能电网的电力市场环境下,实现远距离输电和微网并网需要解决的关键问题是各区域电力市场跨时空限制的调度交易问题,而解决这一问题的前提则是主要依赖于精确的区域实时动态负荷预测结果,因此,需要对智能电网环境下的区域动态拟境智能负荷预测模型进行研究,称之为智能电网环境下的区域拟境挖掘动态智能负荷预测模型;
由于电力负荷的变化是一个随机过程,会受到所在区域内的经济因素、季节因素、气象因素、地理因素、政策因素等诸多因素的影响,因此,对于区域负荷预测问题而言,需要考虑区域本身特性对区域负荷预测的影响,这就需要结合区域负荷影响因素的特性对负荷预测进行研究,通过研究表明,区域长期负荷预测和历史负荷、经济因素、政策等因素相关,而区域短期负荷预测可以考虑的因素更多,包括可以考虑气象因素、时间等因素的非线性影响,要想提高区域实时动态负荷预测结果就需要对这些因素的影响予以充分的考虑;
以复杂的区域短期负荷预测为例,要想进一步提高预测精度,首先对区域内的相关数据进行收集,利用知识挖掘中的关联、分类、聚类技术对影响因素进行提取分析,形成供区域预测的仿真虚拟环境,然后利用属性筛选技术和粗糙集数据约简技术对影响因素进行筛选,确定输入变量,对于下一个待预测时点t,可以对输入变量的相关数据进行提取,形成一个具有下一时点区域数据特征的数据切片,利用数据挖掘中的分类、聚类、关联相似分析技术在历史数据中提取具有高度相似数据切片的相关输入变量数据作为训练数据,通过建立结合群智能优化算法一体化自适应结构的动态神经网络或支持向量机模型对区域内下一时点的负荷进行预测,在利用群智能优化算法时,同样考虑利用菌群趋向差分演化算法,这样由于在模型的训练数据上采用了具有高度相似特性的数据序列,因此可以使得预测结果在预测精度上将有进一步的提高;
步骤三,计及用户侧需求响应的拟境挖掘短期动态智能负荷预测模型:
智能电网环境下为用户侧参与需求响应互动提供了技术基础和物质条件,使得用户侧可以通过分时动态电价合理调节自身的用电结构和用电方式,从而实现整个电网电能高效合理配置,在智能电网中,供电公司首先在前一天根据未来24小时的负荷需求预测制定出分时电价并将信息发送给用户,而用户通过根据自己未来的用电负荷预测值和分时电价信息来决定自己的响应电量,参与到电力市场中,供电公司获取用户信息后,根据收集到的大量用户响应电量信息进行决策,决定未来的调度方案,由于用户提供的响应电量极有可能对下一个时点的总用电量有较大的影响,进而也将影响下一个时点的分时电价,引起整个负荷预测序列和电价预测序列产生一个连锁反应,因此负荷预测曲线应该是一个不断进行修正变化的曲线,这就需要结合动态电价因素、用户特性、用户响应电量和其他影响负荷的因素对短期动态负荷预测进行研究,称之为“计及用户侧需求响应的拟境挖掘短期动态智能负荷预测模型”;如图2所示;
在本发明的实施例中,构建考虑电价因素以及用户响应电量因素的短期动态智能负荷预测模型,进行初步预测,在用户侧需求响应中,对下一日24点的负荷进行预测是制定未来分时电价的基础性工作,是制定分时电价的前提,在对下一日负荷曲线进行短期负荷预测时,可以应用本发明中智能电网环境下的区域拟境挖掘动态智能负荷预测模型的成果,通过建立结合数据挖掘中群智能优化算法自适应参数的动态神经网络或支持向量机模型对供电区域的未来短期负荷首先进行预测,给出未来区域内初始负荷预测序列,在构建拟境环境时,除了需要考虑提出的因素外,还需要考虑智能电网条件下分时电价、用户响应负荷因素的影响,在这些因素下结合知识挖掘技术进行拟真环境的构建,运用属性筛选技术确定输入变量,以及建立基于群智能寻优的智能短期负荷预测模型;
构建基于曲线预测结果的分时电价预测模型以及基于用户典型曲线特征的负荷需求响应预测模型,根据消费者心理学原理,不同用户在不同价格上存在着不同程度的响应,根据目前的统计研究表明,用户的响应电量与负荷曲线中的峰平,峰谷和平谷之间的电价差存在一定程度的比例关系,是一个分段函数,因此用户侧需求响应电量和负荷曲线特性紧密相关,因此,需要结合电网的经济目标以及负荷曲线预测的初步结果进行负荷高峰时期和负荷低谷时期分时电价的设计,这就需要在构建电价预测模型时,考虑负荷预测曲线特性的峰平,峰谷和平谷值对电价的影响,获得相应时段的电价预测结果;
由于我国各地经济发展水平差异较大,即使在同一省市,也会存在着各规划区域经济发展差异较大的现象,这种现象将会导致不同区域的负荷曲线特性具有较大的差异,因此在确定峰平,峰谷和平谷时点时不能简单的一概而论,应该结合负荷预测序列,寻找历史数据中最具有相似特征的负荷历史序列作为参考制定,对于具有不同特征的负荷曲线需要制定不同的峰平,峰谷和平谷时段,从而确定电价预测序列,在寻找相似特征历史序列时,可以借助前文中的谱聚类分析思路,对于各类用户的典型用电负荷曲线提取曲线中的谱特征,通过曲线的谱特征值,利用知识挖掘中谱分类、聚类模型进行分析,解决这一难题;
此外,在确定电价的基础上,可以进一步对用户的响应电量进行预测,由于不同类型的用户用电方式具有显著性的差异,不同用户群体的用电曲线特性不同,即使对于同一区域同一类型用户而言,由于用户用电习惯、经济条件、风险心理偏好等差异也会导致在用户用电特性大致相同的情况下,所提供的参与需求响应电量也可能具有较大差异,因此,在对用户的响应电量进行预测时,需要结合用户特点进行建立不同的分类预测模型,这就需要在建立用户拟境环境时,需要结合考虑上述提到的用户用电习惯等相关因素变量进行挖掘分析,构建不同用户类型的拟境环境,并建立相应的群智能优化算法自适应参数的动态神经网络或支持向量机模型对用户的响应电量进行预测;
对短期负荷-电价-响应电量联动预测模型,如上所述,负荷预测结果是动态分时电价制定的基础,反之,在智能电网条件下,由于动态分时电价将影响用户侧的用电行为,也将会对原有的供电负荷特性产生进一步的影响,带来的连锁反应是对动态的分时电价也有一定的影响,这样电价和负荷之间将呈现出一种高度的非线性的复杂映射关系,如图2所示,当时间到某一时点t时,由于此点电价和其余实时因素的影响,可能会使得t时点的实时值较原有的预测值会有一定的偏差,从而引起t+1时点以及以后的预测序列精度降低,因此需要对下一时点t+1的预测值利用新的实时值信息进行预测修正,而对t+1时点的负荷预测修正后,在智能电网的环境下,由于电价是实时动态的,因此原有制定的分时电价也需要动态的予以修正,这样产生的结果是t+1时点的用户响应结果可能也会带来偏差,从而产生连锁的非线性反应,因此,需要对短期负荷-电价-响应电量联动预测模型进行研究,利用t时点的负荷实时值对时点以后的初始预测序列进行修正,即在原有模型的基础上,将实时更新的负荷值代入进行预测,利用负荷预测模型、电价预测模型和响应电量预测模型对t+1时点的负荷预测值、电价预测值、响应电量预测进行修正预测,进而利用t+1时点的最新预测值实现对整个初始负荷预测序列的迭代修正,为供电区域提供高精度的动态短期负荷、电价和响应电量的预测结果,实现联动预测修正的功能。
本发明的优异效果:
①建立智能电网环境下的考虑可再生能源间歇性和不稳定性特点的可再生能源发电拟境挖掘动态智能负荷预测模型以及各种发电结构比例的动态演化预测模型,为智能电网环境下的可再生能源建设规划、发电调度提供依据;
②建立智能电网环境下的考虑区域特性的拟境挖掘智能负荷预测模型,为智能电网环境下的多种能源跨区域调度、微网建设及并网调度提供依据;
③建立智能电网环境下考虑用户侧需求响应的拟境挖掘短期动态智能负荷预测模型,建立考虑动态电价因素、用户特性、用户响应电量和其他影响负荷的因素的短期动态负荷曲线预测模型,实现负荷-电价-响应电量的联动动态修正预测模型,为智能电网环境下电力市场交易、调度提供依据;
总之,建立一套适合我国未来智能电网新环境下的负荷预测理论与方法,为我国智能电网规划、调度、交易提供理论支持和实例仿真验证,为负荷预测理论的完善和发展以及智能电网的建设做出贡献。
本发明的工作原理:
基于拟境挖掘技术,提取分析影响因素,构建预测数据虚拟环境,在上述的研究内容中,首要解决的关键问题是建立适合于相关研究内容的拟境数据环境,在构建拟境环境时,首先利用概率统计分析技术和知识挖掘技术中的关联技术、记忆推理技术进行影响因素的提取,然后利用知识挖掘中的属性筛选技术、粗糙集数据约简技术等进一步筛选影响因素,确定输入变量,针对预测负荷时点,提取输入变量因素形成的数据切片,利用知识挖掘中的分类、聚类,形似分析等技术提取出具有高度相似特征的训练数据,为下一步进行高精度的预测工作构建预测数据环境;
建立基于群智能优化算法的一体化自适应智能预测模型,上述的拟境挖掘工作为预测问题提供了输入变量和训练数据集,在此基础上,继续深入研究基于群智能优化算法的一体化自适应智能预测模型,例如利用菌群趋向差分演化算法等群智能算法对支持向量机的参数,Elman神经网络的隐含层结点个数、承接层结点个数以及连接阈值等参数进行优化,建立起无需人工经验干预的智能预测模型,此外,还将研究诸如粒子群、微分进化、蛙跳、族群进化、萤火虫群等算法对其它神经网络或支持向量机实现结构参数优化的智能预测模型,并利用实证进行对比分析,找出最优的动态自适应智能优化预测新模型;
建立负荷-电价-响应电量的联动动态修正预测模型,在对负荷曲线的预测研究时,在上述智能预测模型的基础上,建立考虑动态电价因素、用户特性、用户响应电量和其他影响负荷的因素的短期动态负荷曲线预测模型,并充分考虑利用实时负荷值,利用电价预测模型和用户响应电量预测模型进行迭代动态修正预测,为智能电网环境下电力市场交易、调度提供依据。
本发明在方法上利用知识挖掘技术、群智能优化算法和智能预测模型三者相结合,研究智能电网环境下基于知识挖掘的拟境动态智能负荷预测模型,首先采用概率统计分析技术和知识的关联、分类、聚类分析等技术得到具体负荷预测问题的模拟环境,分析影响因素,然后通过属性筛选技术、粗糙集约简技术进行影响因素的分析,确定输入变量,利用知识挖掘的分类、聚类分析等技术提取相似序列确定训练数据,利用非线性拟合能力强的智能预测模型得到高精度的预测结果,在预测过程中,利用群智能优化算法对智能预测模型的结构和参数进行自适应优化,可以避免人为选择结构和参数的主观性,通过这种上述研究方法建立的模型从三个方面提高了精度:一是形成相关问题的虚拟数据环境,在此基础上建立的负荷预测模型符合预测的具体内容;二是通过知识挖掘提取高度相似性的序列作为模型的训练集,经这些数据训练得到的智能负荷预测模型可以更加准确地反映负荷变化的规律,减小了预测的误差;三是通过属性筛选技术和群智能优化算法进行从输入变量到结构和参数的一体化自适应选取工作,摆脱了人为主观选择输入变量和结构参数的不利因素,使得预测的精度进一步的提高。
本发明提出“智能电网环境下拟境挖掘和菌群趋向差分演化算法寻优的智能负荷预测模型”,该模型的创新之处有三点:一是形成拟境:利用概率统计分析技术和知识挖掘技术对智能电网环境下的数据进行因素提取分析,形成我国智能电网环境下的预测虚拟数据环境,二是自动确定输入变量和数据集:在拟境基础上,利用知识挖掘技术、属性筛选技术等确定输入变量及数据训练集,三是研究基于群智能优化算法的自适应结构的智能预测模型,利用菌群趋向差分演化算法等群智能优化算法对建立的智能预测模型进行结构参数上的优化,这和目前的负荷预测研究的不同之处在于:一是建立的体系从输入变量到结构均利用知识挖掘技术和群智能算法予以确定,实现了一体化的智能建模工作,而目前的研究多在一个方面进行研究;二是通过上述这些手段,研究建立符合我国智能电网实际情况的预测模型,在精度上进一步提高,和传统发电形式的预测研究上予以区别;三是在智能预测模型和群智能优化模型的选取上较为新颖;
提出“研究智能电网环境下的区域拟境挖掘动态智能负荷预测模型”,该模型和传统的区域负荷预测的不同除了第一点提到的方法创新外,还体现在考虑更多因素,通过挖掘分析形成一个具有下一时点区域数据特征的数据切片,在预测的过程中,根据数据切片寻找相似序列进行动态迭代预测,将会使得所在区域内的短期负荷预测结果有一个突破性的提高,这也是本发明的一个创新之处;
提出“计及用户侧需求响应的拟境挖掘短期动态智能负荷预测模型”,该模型的创新之处除了第一点提到的方法创新外,还体现在考虑动态电价因素、用户特性、用户响应电量影对负荷曲线的影响上,并充分考虑利用实时负荷值,利用电价预测模型和用户响应电量预测模型进行迭代动态修正预测,在对于负荷曲线特征分析上,采用谱分析提取典型的特征曲线谱,在此基础上进行相应的挖掘分类、聚类分析,这同样也是本发明的一个创新之处。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种构建拟境挖掘动态智能负荷预测模型的方法,该构建拟境挖掘动态智能负荷预测模型的方法包括:
步骤一,采用知识挖掘技术形成拟境分析环境,探索气象影响和可再生能源发电之间、区域环境特性和区域负荷之间以及动态负荷和电价以及需求响应电量之间的定量影响关系,确定输入变量待选集;
步骤二,建立利用属性筛选技术确立输入变量、利用菌群趋向差分演化算法优化参数的自适应结构的支持向量机和Elman神经网络智能负荷预测模型;
步骤三,建立基于数据切片挖掘的区域负荷智能预测模型;
步骤四,建立结合动态电价因素、用户特性、用户响应电量的负荷曲线预测模型,实现负荷、电价、响应电量的联动修正预测。
2.如权利要求1所述的构建拟境挖掘动态智能负荷预测模型的方法,其特征在于,在步骤一中,通过对历史负荷数据和气象信息数据进行收集,通过概率统计分析总结出可再生能源的分布规律和可再生能源实际发电出力数据,通过知识挖掘技术的关联分析探寻历史发电出力数据和相关因素之间的强弱关系,选择具有明显关联影响的因素,根据发电出力特性形成供训练智能预测模型使用的拟境仿真环境,利用属性筛选技术确定输入变量,通过知识挖掘的分类分析和聚类分析寻找具有高度相似特性的历史数据序列,通过群智能优化算法确定智能预测模型所需的结构参数,建立一体化自适应结构的智能预测模型。
3.如权利要求1所述的构建拟境挖掘动态智能负荷预测模型的方法,其特征在于,在步骤二中,基于拟境挖掘和菌群趋向差分演化算法的一体化自适应结构支持向量机可再生能源中长期发电预测模型建立的具体步骤如下:
第一步,除了对智能电网环境下的风电负荷数据进行收集外,还需要对风电场所在地的环境温度、湿度、风速、风向、雨量、日照强度、大气压力气象因素进行监测和统计分析,形成风电场所在地区环境气象因素年概率分布统计数据,风速年概率分布统计数据和年度发电特性数据,借助于数据挖掘的手段探寻概率分布统计数据对风力发电影响的定量映射关系,选取相关因素建立历史数据序列的数据仓库,构建电网中各种能源,风能可再生发电因素影响的模拟机制环境,自动形成输入变量的待选集合;
第二步,针对数据环境,利用知识挖掘技术中的关联分析技术进行属性判别和筛选,利用粗糙集技术进行属性筛选,确定输入变量,利用相似分析技术提取具有高度相似特性的历史发电数据序列,为智能模型的输入结点和训练数据的确定做好准备;
第三步,构建菌群趋向差分演化算法群智能参数优化的支持向量机中长期负荷预测模型,中长期电力负荷预测与短期负荷预测相比,可利用影响因素的数据量较少,因此在选择负荷预测方法时应优先选取适合于基于小样本数据量的统计预测方法,智能预测方法中的支持向量机方法利用结构风险最小化原理和解决线性二次规划问题进行机器学习,采用菌群趋向差分演化算法对参数进行优化;
第四步,对于可再生能源发电预测误差较大的预测点,根据风电场所在地区的季风特点、弃风现象以及区域环境特点,利用知识挖掘技术建立风力发电量的拟境反演知识推理模型,通过拟境反演知识推理分析对预测结果的得到相关的预测后干预知识,形成记忆推理知识库,对预测结果进行后干预,进一步提高精度。
4.如权利要求1所述的构建拟境挖掘动态智能负荷预测模型的方法,其特征在于,在步骤二中,建立对智能电网环境下基于NWP数值气象预报挖掘分析的可再生能源短期智能拟境负荷预测模型;采用天气预报模式——多点数值天气预报NWP模式对未来72小时之内的气象数据进行高精度的多点数值模拟运算预测,NWP模式对于未来6小时以内的气象数据预报的准确性更高;具体包括:
第一步,在对可再生能源进行短期预测时,对可再生能源发电特性的相关气象数据、NWP预报数据和历史负荷数据进行收集,建立相应的数据库,以此为基础,利用数据挖掘和文本挖掘的关联、分类和聚类信息处理技术对数据进行分析,根据可再生能源发电的特点,提取影响因素,形成高度仿真的数据信息虚拟环境,利用属性筛选技术和粗糙集数据约简技术自动筛选出输入变量,为建立智能短期预测模型做好准备;
第二步,对于待预测可再生能源发电时点t,提取该时点前较短一段时间内的曲线,利用知识挖掘特征提取技术对该曲线的谱特征进行提取,并结合t时点给出的NWP气象预报值形成一个预测时点谱特征数据集,通过谱聚类分析技术提取数据信息虚拟环境中具有高度相似特征的相关历史序列值作为训练数据,为训练智能短期预测模型准备;
第三步,建立目前具有良好非线性拟合能力和具有动态记忆功能的Elman动态反馈神经网络短期智能预测模型对可再生能源的短期发电负荷进行预测。
5.如权利要求1所述的构建拟境挖掘动态智能负荷预测模型的方法,其特征在于,在步骤四中,构建考虑电价因素以及用户响应电量因素的短期动态智能负荷预测模型包括以下步骤:
第一步,进行初步预测,在用户侧需求响应中,对下一日24点的负荷进行预测是制定未来分时电价的基础性工作,是制定分时电价的前提,在对下一日负荷曲线进行短期负荷预测时,通过建立结合数据挖掘中群智能优化算法自适应参数的动态神经网络或支持向量机模型对供电区域的未来短期负荷首先进行预测,给出未来区域内初始负荷预测序列,在构建拟境环境时,需要考虑智能电网条件下分时电价、用户响应负荷因素的影响,结合知识挖掘技术进行拟真环境的构建,运用属性筛选技术确定输入变量,以及建立基于群智能寻优的智能短期负荷预测模型;
第二步,构建基于曲线预测结果的分时电价预测模型以及基于用户典型曲线特征的负荷需求响应预测模型,考虑负荷预测曲线特性的峰平,峰谷和平谷值对电价的影响,获得相应时段的电价预测结果;
第三步,进一步对用户的响应电量进行预测,由于不同类型的用户用电方式具有显著性的差异,不同用户群体的用电曲线特性不同,在对用户的响应电量进行预测时,需要结合用户特点进行建立不同的分类预测模型,结合考虑用户用电习惯相关因素变量进行挖掘分析,构建不同用户类型的拟境环境,并建立相应的群智能优化算法自适应参数的动态神经网络或支持向量机模型对用户的响应电量进行预测;第四步,对短期负荷-电价-响应电量联动预测模型,当时间到某一时点t时,由于此点电价和其余实时因素的影响,会使得t时点的实时值较原有的预测值会有一定的偏差,从而引起t+1时点以及以后的预测序列精度降低,因此需要对下一时点t+1的预测值利用新的实时值信息进行预测修正,而对t+1时点的负荷预测修正后,在智能电网的环境下,由于电价是实时动态的,因此原有制定的分时电价也需要动态的予以修正,这样产生的结果是t+1时点的用户响应结果也会带来偏差,从而产生连锁的非线性反应,因此,需要对短期负荷-电价-响应电量联动预测模型进行研究,利用t时点的负荷实时值对时点以后的初始预测序列进行修正,即在原有模型的基础上,将实时更新的负荷值代入进行预测,利用负荷预测模型、电价预测模型和响应电量预测模型对t+1时点的负荷预测值、电价预测值、响应电量预测进行修正预测,进而利用t+1时点的最新预测值实现对整个初始负荷预测序列的迭代修正,为供电区域提供高精度的动态短期负荷、电价和响应电量的预测结果,实现联动预测修正的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410233879.4A CN104008430B (zh) | 2014-05-29 | 2014-05-29 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410233879.4A CN104008430B (zh) | 2014-05-29 | 2014-05-29 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104008430A CN104008430A (zh) | 2014-08-27 |
CN104008430B true CN104008430B (zh) | 2017-04-26 |
Family
ID=51369078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410233879.4A Expired - Fee Related CN104008430B (zh) | 2014-05-29 | 2014-05-29 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104008430B (zh) |
Families Citing this family (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616072B (zh) * | 2015-01-23 | 2017-12-01 | 东北大学 | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 |
CN105117810A (zh) * | 2015-09-24 | 2015-12-02 | 国网福建省电力有限公司泉州供电公司 | 一种阶梯电价机制下居民用电中期负载预测方法 |
CN106845663A (zh) * | 2015-12-07 | 2017-06-13 | 中国电力科学研究院 | 一种基于数值天气预报进行热负荷预测的方法 |
CN105844294A (zh) * | 2016-03-21 | 2016-08-10 | 全球能源互联网研究院 | 一种基于fcm聚类算法的用电行为分析方法 |
CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
CN105930930B (zh) * | 2016-04-21 | 2021-04-09 | 国电南瑞科技股份有限公司 | 基于负荷特性分析与负荷预测技术的负荷数据校准方法 |
CN107491812B (zh) * | 2016-06-13 | 2021-03-16 | 中国农业大学 | 基于实时电价的短期负荷预测方法 |
CN106447171B (zh) * | 2016-08-31 | 2021-12-14 | 清华大学 | 电力需求侧可调度资源潜力建模方法及系统 |
CN106485605B (zh) * | 2016-12-05 | 2023-05-16 | 华北电力大学 | 清洁能源电阶梯电价预购平台及控制方法 |
US10997492B2 (en) * | 2017-01-20 | 2021-05-04 | Nvidia Corporation | Automated methods for conversions to a lower precision data format |
CN109088742B (zh) * | 2017-06-14 | 2021-11-19 | 中国移动通信有限公司研究院 | 一种业务预测方法及网元设备、计算机可读存储介质 |
CN107730397A (zh) * | 2017-09-20 | 2018-02-23 | 国网天津市电力公司 | 一种保障低电压区域电能质量的能源协调方法 |
CN107748940B (zh) * | 2017-11-16 | 2021-10-12 | 国网上海市电力公司 | 一种节电潜力量化预测方法 |
CN108182484A (zh) * | 2017-12-04 | 2018-06-19 | 国网吉林省电力有限公司长春供电公司 | 基于网格化技术和bp神经网络的空间负荷预测方法 |
CN110210881A (zh) * | 2018-02-28 | 2019-09-06 | 中兴通讯股份有限公司 | 一种用户兴趣预测方法、装置及系统 |
CN108376300A (zh) * | 2018-03-02 | 2018-08-07 | 江苏电力信息技术有限公司 | 一种基于概率图模型的用户用电行为预测方法 |
CN108596242B (zh) * | 2018-04-20 | 2021-03-23 | 浙江大学 | 基于小波神经网络和支持向量机的电网气象负荷预测方法 |
CN108304978A (zh) * | 2018-05-08 | 2018-07-20 | 国网江西省电力有限公司经济技术研究院 | 一种基于数据聚类理论的中期地区电力负荷预测方法 |
CN109461091B (zh) * | 2018-05-25 | 2020-08-28 | 中国农业大学 | 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统 |
CN108846644B (zh) * | 2018-06-22 | 2021-12-03 | 中船第九设计研究院工程有限公司 | 一种一体化集成仿真技术、协同工作、知识管理和项目管理的管控系统 |
CN108985508B (zh) * | 2018-07-05 | 2020-08-14 | 国网山东省电力公司经济技术研究院 | 一种计及源荷协同的节点负荷预测方法 |
CN109063911B (zh) * | 2018-08-03 | 2021-07-23 | 天津相和电气科技有限公司 | 一种基于门控循环单元网络的负荷聚合体分组预测方法 |
CN109635990B (zh) * | 2018-10-12 | 2022-09-16 | 创新先进技术有限公司 | 一种训练方法、预测方法、装置、电子设备及存储介质 |
CN109299886A (zh) * | 2018-10-23 | 2019-02-01 | 上海同岩土木工程科技股份有限公司 | 基于集成数据库的地铁隧道结构安全状态数值分析方法 |
CN109671272B (zh) * | 2018-12-29 | 2022-01-25 | 广东工业大学 | 一种高速公路交通流预测方法 |
CN109492836A (zh) * | 2018-12-29 | 2019-03-19 | 上海电力学院 | 基于长短期记忆网络的电力负荷预测与电价预测系统 |
CN110136024B (zh) * | 2019-03-28 | 2023-10-10 | 上海芯联芯智能科技有限公司 | 获取用户的用电特征、用电习惯及用电量预测值的方法及装置 |
CN111915107A (zh) * | 2019-05-07 | 2020-11-10 | 华北电力大学 | 一种基于动态聚类的负荷分群控制方法 |
CN110474332B (zh) * | 2019-09-02 | 2022-11-22 | 安徽省安泰科技股份有限公司 | 一种基于数字孪生技术的工业设备控制平台 |
CN111047345B (zh) * | 2019-10-11 | 2022-04-12 | 国网甘肃省电力公司电力科学研究院 | 一种计及新能源消纳率和用户满意度的电价数据调整方法 |
CN110957758B (zh) * | 2019-11-20 | 2023-04-18 | 国网河北省电力有限公司电力科学研究院 | 一种基于广域态势感知的综合能源能效评价与控制性能优化方法 |
CN110910016A (zh) * | 2019-11-21 | 2020-03-24 | 青海格尔木鲁能新能源有限公司 | 一种计及需求响应资源的新能源储能系统调度优化方法 |
CN111047465B (zh) * | 2019-12-09 | 2024-05-10 | 湘潭大学 | 一种基于电力大数据的电网友好型负荷响应方法 |
CN111080450A (zh) * | 2019-12-12 | 2020-04-28 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于多区域互联电力系统的交易模式评估方法 |
CN111210051B (zh) * | 2019-12-13 | 2023-09-22 | 贵州电网有限责任公司 | 一种用户用电行为预测方法及系统 |
CN111178957B (zh) * | 2019-12-23 | 2023-04-14 | 广西电网有限责任公司 | 一种用电客户电量突增预警的方法 |
CN111210055B (zh) * | 2019-12-24 | 2023-09-29 | 贵州电网有限责任公司 | 一种电力用户用电行为预测方法和预测系统 |
CN111105098B (zh) * | 2019-12-25 | 2023-11-03 | 国能信控互联技术有限公司 | 一种单体用户算法自匹配的负荷预测方法和系统 |
CN111612214B (zh) * | 2020-04-17 | 2023-05-23 | 明阳智慧能源集团股份公司 | 一种负荷侧智能管控系统 |
CN111461890B (zh) * | 2020-04-21 | 2024-02-02 | 上海积成能源科技有限公司 | 基于多种预测和区块链技术的分布式发电交易系统和方法 |
CN111985701B (zh) * | 2020-07-31 | 2024-03-01 | 国网上海市电力公司 | 一种基于供电企业大数据模型库的用电预测方法 |
CN111915195B (zh) * | 2020-08-06 | 2023-12-01 | 南京审计大学 | 一种结合区块链及大数据的公共电力资源调配方法 |
CN112761896B (zh) * | 2020-09-24 | 2024-05-14 | 国网内蒙古东部电力有限公司 | 提高风力发电站发电量预测精度的计算方法、装置和计算机设备 |
CN112541634B (zh) * | 2020-12-16 | 2024-03-15 | 国网江苏省电力有限公司检修分公司 | 一种顶层油温预测、误报火警判别方法、装置和存储介质 |
CN112884201B (zh) * | 2021-01-18 | 2022-09-27 | 杭州万高科技股份有限公司 | 基于人工智能算法的非介入式负荷监测方法、装置及系统 |
CN112994031A (zh) * | 2021-03-19 | 2021-06-18 | 国网安徽省电力有限公司电力科学研究院 | 一种基于空调负荷比例的svm静态无功负荷建模方法 |
CN113128867B (zh) * | 2021-04-20 | 2021-11-02 | 四川瑞康智慧能源有限公司 | 一种售电偏差管理系统及其方法 |
CN113205266B (zh) * | 2021-05-12 | 2022-06-14 | 浙江浙能技术研究院有限公司 | 分布式区域能源布局用规划与评估系统 |
CN114819248A (zh) * | 2022-01-20 | 2022-07-29 | 山东浪潮科学研究院有限公司 | 一种基于随机森林的风电发电量预测方法及设备 |
CN114744623B (zh) * | 2022-06-09 | 2022-08-23 | 深圳万甲荣实业有限公司 | 一种基于深度学习的新能源发电预测方法和系统 |
CN116070804B (zh) * | 2023-04-06 | 2023-07-14 | 国网冀北电力有限公司 | 基于知识图谱和数据驱动的电力系统负荷预测方法及装置 |
CN116227741A (zh) * | 2023-05-05 | 2023-06-06 | 深圳市万物云科技有限公司 | 基于自适应算法的冷水机组节能方法、装置及相关介质 |
CN116629455B (zh) * | 2023-07-19 | 2023-10-31 | 山西阳风新能售电有限公司 | 一种基于电力供电的智能定向预测方法 |
CN117057491B (zh) * | 2023-10-13 | 2024-02-02 | 中宝电气有限公司 | 基于mpc与储能系统结合的农村地区电力供应优化管理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567636A (zh) * | 2011-12-27 | 2012-07-11 | 华北电力大学 | 基于相关向量机的高精度风电场功率区间预测方法 |
CN103123665A (zh) * | 2012-07-31 | 2013-05-29 | 上海交通大学 | 基于模糊聚类相似日的短期电力负荷预测方法 |
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
-
2014
- 2014-05-29 CN CN201410233879.4A patent/CN104008430B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567636A (zh) * | 2011-12-27 | 2012-07-11 | 华北电力大学 | 基于相关向量机的高精度风电场功率区间预测方法 |
CN103123665A (zh) * | 2012-07-31 | 2013-05-29 | 上海交通大学 | 基于模糊聚类相似日的短期电力负荷预测方法 |
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
Non-Patent Citations (5)
Title |
---|
基于数据挖掘的SVM短期负荷预测方法研究;牛东晓 等;《中国电机工程学报》;20060930;第26卷(第18期);6-12 * |
基于相似度与神经网络的协同短期负荷预测模型;王建军 等;《华东电力》;20090131;第37卷(第1期);64-66 * |
基于粗糙集和决策树的自适应神经网络短期负荷预测方法;牛东晓 等;《电力自动化设备》;20091031;第29卷(第10期);30-34 * |
智能电网环境下的自适互动智能负荷预测研究;王建军;《特稿专递》;20101231(第5期);11-15 * |
电力需求侧响应利益联动机制的系统动力学模拟;王建军 等;《系统工程理论与实践》;20111230;第31卷(第12期);2287-2295 * |
Also Published As
Publication number | Publication date |
---|---|
CN104008430A (zh) | 2014-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104008430B (zh) | 一种构建拟境挖掘动态智能负荷预测模型的方法 | |
Kannan et al. | A hybrid approach based on MCDM methods and Monte Carlo simulation for sustainable evaluation of potential solar sites in east of Iran | |
Wu et al. | Optimal location selection for offshore wind-PV-seawater pumped storage power plant using a hybrid MCDM approach: A two-stage framework | |
Fodstad et al. | Next frontiers in energy system modelling: A review on challenges and the state of the art | |
Murrant et al. | Assessing energy storage technology options using a multi-criteria decision analysis-based framework | |
Guo et al. | A review of regional energy internet in smart city from the perspective of energy community | |
Tan et al. | Comprehensive evaluation model of wind farm site selection based on ideal matter element and grey clustering | |
Zhang et al. | Location optimization of a competitive distribution center for urban cold chain logistics in terms of low-carbon emissions | |
Wang et al. | Demand-side management for off-grid solar-powered microgrids: A case study of rural electrification in Tanzania | |
CN111967776A (zh) | 一种园区综合能源系统运营价值链的评估方法 | |
Safdarian et al. | Coalitional game theory based value sharing in energy communities | |
Jiao et al. | An optimization model and modified harmony search algorithm for microgrid planning with ESS | |
Ye et al. | A data driven multi-state model for distribution system flexible planning utilizing hierarchical parallel computing | |
Yang et al. | Bi-level planning model of distributed PV-energy storage system connected to distribution network under the coordinated operation of electricity-carbon market | |
Akram et al. | Smart Energy Management System Using Machine Learning | |
Dong et al. | Intelligent decision-making of distribution network planning scheme with distributed wind power generations | |
Mirjalili et al. | A comparative study of machine learning and deep learning methods for energy balance prediction in a hybrid building-renewable energy system | |
Li et al. | Optimal design and operation method of integrated energy system based on stochastic scenario iteration and energy storage attribute evaluation | |
Miah et al. | Energy storage controllers and optimization schemes integration to microgrid: an analytical assessment towards future perspectives | |
Deenapanray et al. | System dynamics modelling of the power sector in mauritius | |
CN116362421A (zh) | 一种基于能源综合统筹分析的供能分配预测系统及其方法 | |
Yang et al. | Review on distribution network planning methods considering large-scale access of flexible load | |
Zhao et al. | A study on site selection of wind power plant based on prospect theory and VIKOR: a case study in China | |
Li et al. | BiLSTM network-based approach for electric load forecasting in energy cell-tissue systems | |
Chen et al. | New energy generation forecasting and dispatching method based on big data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170426 Termination date: 20180529 |
|
CF01 | Termination of patent right due to non-payment of annual fee |