CN104123595B - 一种配电网负荷预测方法及系统 - Google Patents
一种配电网负荷预测方法及系统 Download PDFInfo
- Publication number
- CN104123595B CN104123595B CN201410353874.5A CN201410353874A CN104123595B CN 104123595 B CN104123595 B CN 104123595B CN 201410353874 A CN201410353874 A CN 201410353874A CN 104123595 B CN104123595 B CN 104123595B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- prediction
- load prediction
- unit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 112
- 238000009826 distribution Methods 0.000 title claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims abstract description 41
- 238000007405 data analysis Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000005611 electricity Effects 0.000 claims description 23
- 238000013277 forecasting method Methods 0.000 claims description 22
- 239000002245 particle Substances 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 240000002853 Nelumbo nucifera Species 0.000 claims description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 4
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种配电网负荷预测方法及系统,该方法包括以下步骤:1)获取原始数据;2)对原始数据进行分析处理;3)根据优化后的有效数据和负荷预测需求选择负荷预测决策;4)进行自适应负荷预测;5)输出负荷预测结果数据;该系统的数据获取模块用以获取原始数据,数据分析处理模块用以进行分析处理为有效数据,智能辨识决策模块用以分析数据负荷增长类型,并选择负荷预测决策模块,自适应负荷预测模块采用负荷预测决策进行自适应负荷预测;负荷预测结果输出模块用以输出负荷预测结果数据。本发明不需要人工进行大量计算,节省了人力和时间,且提高了负荷预测的精度与稳定性,为电力系统经济、安全与可靠运行提供了决策支持。
Description
技术领域
本发明涉及一种配电系统,具体地说是一种配电网负荷预测方法及系统。
背景技术
电力系统的总负荷就是系统中所有用电设备消耗总功率的总和;将工业、农业、邮电、交通、市政、商业以及城乡居民所消耗的功率相加,就得电力系统的综合用电负荷;综合用电负荷加网络损耗的功率就是系统中各发电厂应供应的功率,称为电力系统的供电负荷(供电量);供电负荷再加各发电厂本身消耗的功率(即厂用电量),就是系统中各发电机应发的功率,称为系统的发电负荷(发电量)。
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,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。
长期以来,国内外学者对电力系统负荷预测理论进行了广泛而深入的研究,提出了许多有效的方法,如回归分析法,时间序列法,神经网络法,小波分析法等。对于某一预测问题,可建立多种预测方法。不同的预测方法提供不同的预测信息和不同的预测精度。
若简单地把预测误差较大的方法舍弃掉,往往会丢失一些有用信息。科学的方法是,将不同的预测方法进行适当的组合,以综合利用各种方法所提供的信息,尽可能提高预测精度。
发明内容
针对上述不足,本发明提供了一种精度高、稳定性强的配电网负荷预测方法及系统。
本发明解决其技术问题采取的技术方案是:一种配电网负荷预测方法,它包括以下步骤:
1)获取原始数据,所述原始数据包括历史电量数据、历史负荷数据、分产业电量数据、行业负荷密度数据和用地性质分类数据;
2)对原始数据进行分析处理,所述原始数据的分析处理过程为:首先对原始数据进行格式化、转换和概化预处理,然后对原始数据进行完整性分析,最后将原始数据优化为有效数据;
3)根据优化后的有效数据和负荷预测需求选择负荷预测决策,所述负荷预测决策的选择过程为:首选基于优化后的有效数据和负荷预测需求采用自适应模糊加权递推最小二乘法对历史电量数据、历史负荷数据、分产业电量数据、行业负荷密度数据和用地性质分类数据的变化类型进行快速分析,然后根据分析结果确定负荷增长类型并选择负荷预测决策,所述负荷预测决策包括基础预测方法和组合预测方法;
4)进行自适应负荷预测,所述自适应负荷预测过程为:首先基于负荷增长类型和负荷预测需求采用基础预测方法或组合预测方法对负荷进行预测,然后通过弹性系数法或产值单耗法进行预测校核并通过最小二乘法进行自适应调整预测方法参数;
5)输出负荷预测结果数据。
作为进一步地方案,所述原始数据还包括扩展数据,所述扩展数据为进行负荷预测时所需要的其他原始数据。
作为进一步地方案,所述原始数据的格式化是指不同的数据结构的数据间交换;原始数据的转换包括数据格式的转化和数据比例尺的变换;原始数据的概化主要是数据平滑和特征集结。
作为进一步地方案,所述基础预测方法包括趋势外推预测法、回归模型预测法、灰色预测法和神经网络预测法,所述组合预测方法就是将几种预测模型各自的预测结果通过选取适当的权重进行加权平均得到最终预测结果。
作为进一步地方案,所述自适应负荷预测包括负荷总量预测方法和空间负荷预测方法。
作为进一步地方案,所述组合预测方法采用PSO算法,所述的PSO算法包括以下步骤:
S1,初始化粒子的速度和位置;
S2,计算粒子的适应度并进行排序;
S3、根据适应值进行复制;
S4、粒子的速度和位置更新,然后返回步骤S2。
本发明还提供了一种配电网负荷预测系统,它包括数据获取模块、数据分析处理模块、智能辨识决策模块、自适应负荷预测模块和负荷预测结果输出模块,所述数据获取模块用以获取原始数据,所述原始数据包括历史电量数据、历史负荷数据、分产业电量数据、行业负荷密度数据和用地性质分类数据;所述数据分析处理模块用以对原始数据进行分析处理为有效数据;所述智能辨识决策模块用以对数据分析处理模块优化后的有效数据进行分析其负荷增长类型,并根据负荷增长类型和负荷预测需求选择负荷预测决策模块,所述负荷预测决策模块包括基础预测单元和组合预测单元;所述自适应负荷预测模块用以基于负荷增长类型和负荷预测需求采用相应的负荷预测决策进行自适应负荷预测;所述负荷预测结果输出模块用以输出负荷预测结果数据。
作为进一步地方案,所述数据分析处理模块包括数据预处理单元、数据分析单元和数据优化单元,所述数据预处理单元用以对原始数据进行格式化、转换和概化处理,所述数据分析单元用以对原始数据进行完整性分析,所述数据优化单元用以将原始数据优化为有效数据。
作为进一步地方案,所述自适应负荷预测模块包括负荷预测单元和预测校核单元,所述负荷预测单元用于基于负荷增长类型和负荷预测需求采用基础预测方法或组合预测方法对负荷进行预测,所述预测校核单元用以通过弹性系数法或产值单耗法进行预测校核并通过最小二乘法进行自适应调整预测方法参数。
作为进一步地方案,所述基础预测单元包括趋势外推预测单元、回归模型预测单元、灰色预测单元和神经网络预测单元,所述组合预测单元就是将几种基础预测单元各自的预测结果通过选取适当的权重进行加权平均得到最终预测结果。
本发明的积极效果是:本发明的数据分析处理模块对原始数据采用数据挖掘技术对数据进行完整性分析,剔除错误数据并修复异常数据,将原始数据优化形成有效数据;智能辨识决策模块对数据分析处理模块优化后的有效数据通过自适应模糊加权递推最小二乘法确定负荷增长类型,并根据负荷增长类型和负荷预测需求选择负荷预测决策模块;自适应负荷预测模块基于负荷增长类型和负荷预测需求采用相应的负荷预测决策进行自适应负荷预测,并通过弹性系数法或产值单耗法进行预测校核并通过最小二乘法进行自适应调整预测方法参数,提高负荷预测的精度。
本发明在负荷预测过程中,不需要人工进行大量计算,节省了人力和时间,且提高了负荷预测的精度与稳定性,为电力系统经济、安全与可靠运行提供了决策支持。
附图说明
图1是本发明所述一种配电网负荷预测方法的流程示意图;
图2是本发明所述自适应负荷预测过程的负荷总量预测流程示意图;
图3是本发明所述一种配电网负荷预测系统的结构示意图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。
为适应新型下配电网负荷预测的需要,结合当前新技术、新方法,本发明提出了一种全新的配电网负荷预测技术,旨在提高负荷预测的精度,为配电网规划提供准确可用的负荷预测数据。
如图1所示,本发明的一种配电网负荷预测方法,它包括以下步骤:
1)获取原始数据
所述原始数据包括历史电量数据、历史负荷数据、分产业电量数据、行业负荷密度数据、用地性质分类数据和扩展数据,所述扩展数据为进行负荷预测时所需要的其他原始数据。原始数据是负荷预测的基础,原始数据越全面,涵盖的信息越多,最终的负荷预测越准确。
2)对原始数据进行分析处理
由于数据在采集、传输过程中可能出现异常、错误或者丢失,降低了原始数据的可用性,若直接使用原始数据进行预测,会降低预测的精度。所述原始数据的分析处理过程为:首先对原始数据进行格式化、转换和概化预处理,然后对原始数据进行完整性分析,剔除错误数据,修复异常数据,最后将原始数据优化为有效数据,有效数据即为后续应用所需可信数据,提高数据可用性。所述原始数据的格式化是指不同的数据结构的数据间交换;原始数据的转换包括数据格式的转化和数据比例尺的变换;原始数据的概化主要是数据平滑和特征集结。
3)根据优化后的有效数据和负荷预测需求选择负荷预测决策
所述负荷预测决策的选择过程为:首选基于优化后的有效数据和负荷预测需求采用自适应模糊加权递推最小二乘法对历史电量数据、历史负荷数据、分产业电量数据、行业负荷密度数据和用地性质分类数据的变化类型进行快速分析,分析其变化类型,尤其是针对历史电量数据和历史负荷数据类型,确定负荷增长类型,然后根据分析结果确定负荷增长类型并选择负荷预测决策,所述负荷预测决策包括基础预测方法和组合预测方法。所述基础预测方法包括趋势外推预测法、回归模型预测法、灰色预测法和神经网络预测法,所述组合预测方法就是将几种预测模型各自的预测结果通过选取适当的权重进行加权平均得到最终预测结果。
4)进行自适应负荷预测
首先基于负荷增长类型和负荷预测需求采用基础预测方法(趋势外推预测法、回归模型预测法、灰色预测法和神经网络预测法)或组合预测方法对负荷进行预测,然后通过弹性系数法或产值单耗法进行预测校核并通过最小二乘法进行自适应调整预测方法参数,提高负荷预测的精度。
5)输出负荷预测结果数据
将负荷预测结果数据进行输出。
作为进一步地方案,所述自适应负荷预测包括负荷总量预测方法和空间负荷预测方法。
图2是本发明所述自适应负荷预测过程的负荷总量预测流程示意图。如图2所示,所述自适应负荷预测的具体过程为:在负荷总量预测过程中,根据负荷预测决策确定的负荷预测方法,例如,当有效数据为历年电量(功率)时,可选择趋势外推法、回归模型等方法,当有考虑效数据较多,涵盖历年电量数据、负荷密度数据、GDP增长率等信息时,可选择神经网络等方法,以提高负荷预测的精度;同时考虑单一预测方法的局限性,可合理选择多种方法的组合,以进一步提高预测的精度,此时更需要考虑有效数据的类型,合理组合基础预测方法,优化模型组合。基础预测和组合预测得到预测结果后,根据预测校核方法,进行校核,并分析预测误差,结合预测误差,自适应调整基础预测和组合预测参数,尤其是组合预测中的加权系数,优化各类预测结果在最终预测结果的比重,以提高预测精度。
组合预测方法主要是基础预测方法的有机组合,通过模型互补,预测结果优化加权等方式,提高负荷预测的精度。考虑基础预测方法中每种方法均具有一定的适应性和对特定的数据要求,在组合预测环节中,当数据给定后,需要合理选择基础预测方法构成组合预测方法,该部分工作主要由智能辨识决策系统完成。预测校核方法主要由弹性系数法和产量单耗法构成,该类方法对原始数据的要求较低,能从宏观上把握负荷的发展趋势,对基础预测和组合预测方法提供一种趋势校核,防止预测方法的“过学习”。
在空间负荷预测过程中,采用当前主流的预测方法(负荷密度指标法和户均容量法)对预测结果进行预测,并结合预测校核方法修正预测误差,从而优化预测方法的精度。
作为进一步地方案,所述组合预测方法采用PSO算法(Particle SwarmOptimization,粒子群优化算法),PSO算法是一种基于种群的随机优化技术,由Eberhart和Kennedy于1995年提出。粒子群算法模仿昆虫、兽群、鸟群和鱼群等的群集行为,这些群体按照一种合作的方式寻找食物,群体中的每个成员通过学习它自身的经验和其他成员的经验来不断改变其搜索模式。PSO算法同遗传算法类似,是一种基于叠代的优化工具。系统初始化为一组随机解,通过叠代搜寻最优值。但是并没有遗传算法用的交叉(crossover)以及变异(mutation)。而是粒子在解空间追随最优的粒子进行搜索。它比遗传算法规则更为简单,它没有遗传算法的“交叉”(Crossover)和“变异”(Mutation)操作。它通过追随当前搜索到的最优值来寻找全局最优。
所述的PSO算法包括以下步骤:
S1,初始化粒子的速度和位置;
S2,计算粒子的适应度并进行排序;
S3、根据适应值进行复制;
S4、粒子的速度和位置更新,然后返回步骤S2。
下面对PSO算法的基本模型进行详细描述。
假设PSO算法的问题空间维数D=1,并把任意一个粒子独立的抽离出来加以分析研究,显然速度、位置更新公式可以简化为:
v(t+1)=ω·v(t)+c1r1(pt-x(t))+c2r2(pg-x(t))) (1)
x(t+1)=x(t)+v(t+1) (2)
定义φ1=c1r1,φ2=c2r2,p=(ptφ1+prφ2)/(φ1+φ2),φ=φ1+φ2,并假设p,φ是常数的前提下,显然式(1)和式(2)可以简化为:
如果令y(t)=p-x(t),式(3)可以写成:
式(4)可以改写成:
z(t+1)=Az(t) (5)
其中z(t)=[v(t)y(t)]T,
显然研究标准PSO算法的收敛性可以近似的转化成研究形如式(5)的离散动力系统的稳定性问题。
E.Ozcan和Chilukuri K.Mohan等(Ozcan E.and Mohan C.1999)指出当pid和pgd固定ω=1时,PSO粒子的运动轨迹可以近似看成是一正弦波状,瞬间不同的参数决定了波的振幅和频率。因此当pid和pgd随着时间更新时,粒子的运动轨迹可以近似看成是一个个正弦波片断的跳跃式叠加。但是,在实际运算中,pid和pgd随着时间的推移呈现出的不确定性导致粒子的运动轨迹更趋向于许多支离破碎的正弦波信号叠加,其运动轨迹从整体上来看更显得混沌无序。
M.Clerc和J.Kennedy等(Clerc M.and Kennedy J.2002)给出了对式(3)和(4)更进一步的数学分析推导,对w=1,0<φ<_4时z(t)作了估计,并推导了形如(4)的更通用公式下的一些数学性质:
Ioan Christian Trelea在文献(Trelea I.C.2003)中给出了当一1<ω<_1,0≤φ≤_4时PSO算法的收敛区域图以及相关的粒子运动轨迹图。
如图3所示,本发明提供的一种配电网负荷预测系统,它包括数据获取模块、数据分析处理模块、智能辨识决策模块、自适应负荷预测模块和负荷预测结果输出模块;所述数据获取模块用以获取原始数据,所述原始数据包括历史电量数据、历史负荷数据、分产业电量数据、行业负荷密度数据和用地性质分类数据;所述数据分析处理模块用以对原始数据进行分析处理为有效数据,所述数据分析处理模块包括数据预处理单元、数据分析单元和数据优化单元,所述数据预处理单元用以对原始数据进行格式化、转换和概化处理,所述数据分析单元用以对原始数据进行完整性分析,所述数据优化单元用以将原始数据优化为有效数据;所述智能辨识决策模块用以对数据分析处理模块优化后的有效数据进行分析其负荷增长类型,并根据负荷增长类型和负荷预测需求选择负荷预测决策模块,所述负荷预测决策模块包括基础预测单元和组合预测单元,所述基础预测单元包括趋势外推预测单元、回归模型预测单元、灰色预测单元和神经网络预测单元,所述组合预测单元就是将几种基础预测单元各自的预测结果通过选取适当的权重进行加权平均得到最终预测结果;所述自适应负荷预测模块用以基于负荷增长类型和负荷预测需求采用相应的负荷预测决策进行自适应负荷预测,所述自适应负荷预测模块包括负荷预测单元和预测校核单元,所述负荷预测单元用于基于负荷增长类型和负荷预测需求采用基础预测方法或组合预测方法对负荷进行预测,所述预测校核单元用以通过弹性系数法或产值单耗法进行预测校核并通过最小二乘法进行自适应调整预测方法参数;所述负荷预测结果输出模块用以输出负荷预测结果数据。
以上所述只是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也被视为本发明的保护范围。
Claims (2)
1.一种配电网负荷预测方法,其特征是:包括以下步骤:
1)获取原始数据,所述原始数据包括历史电量数据、历史负荷数据、分产业电量数据、行业负荷密度数据和用地性质分类数据;
2)对原始数据进行分析处理,所述原始数据的分析处理过程为:首先对原始数据进行格式化、转换和概化预处理,然后对原始数据进行完整性分析,最后将原始数据优化为有效数据;
3)根据优化后的有效数据和负荷预测需求选择负荷预测决策,所述负荷预测决策的选择过程为:首选基于优化后的有效数据和负荷预测需求采用自适应模糊加权递推最小二乘法对历史电量数据、历史负荷数据、分产业电量数据、行业负荷密度数据和用地性质分类数据的变化类型进行快速分析,然后根据分析结果确定负荷增长类型并选择负荷预测决策,所述负荷预测决策包括基础预测方法和组合预测方法;
4)进行自适应负荷预测,所述自适应负荷预测过程为:首先基于负荷增长类型和负荷预测需求采用基础预测方法或组合预测方法对负荷进行预测,然后通过弹性系数法或产值单耗法进行预测校核并通过最小二乘法进行自适应调整预测方法参数;
5)输出负荷预测结果数据;
所述基础预测方法包括趋势外推预测法、回归模型预测法、灰色预测法和神经网络预测法,所述组合预测方法就是将几种预测模型各自的预测结果通过选取适当的权重进行加权平均得到最终预测结果;
所述原始数据还包括扩展数据,所述扩展数据为进行负荷预测时所需要的其他原始数据;
所述原始数据的格式化是指不同的数据结构的数据间交换;原始数据的转换包括数据格式的转化和数据比例尺的变换;原始数据的概化主要是数据平滑和特征集结;
所述自适应负荷预测包括负荷总量预测方法和空间负荷预测方法;
所述组合预测方法采用PSO算法,所述的PSO算法包括以下步骤:
S1,初始化粒子的速度和位置;
S2,计算粒子的适应度并进行排序;
S3、根据适应值进行复制;
S4、粒子的速度和位置更新,然后返回步骤S2。
2.一种配电网负荷预测系统,其特征是:包括数据获取模块、数据分析处理模块、智能辨识决策模块、自适应负荷预测模块和负荷预测结果输出模块,所述数据获取模块用以获取原始数据,所述原始数据包括历史电量数据、历史负荷数据、分产业电量数据、行业负荷密度数据和用地性质分类数据;所述数据分析处理模块用以对原始数据进行分析处理为有效数据;所述智能辨识决策模块用以对数据分析处理模块优化后的有效数据进行分析其负荷增长类型,并根据负荷增长类型和负荷预测需求选择负荷预测决策模块,所述负荷预测决策模块包括基础预测单元和组合预测单元;所述自适应负荷预测模块用以基于负荷增长类型和负荷预测需求采用相应的负荷预测决策进行自适应负荷预测;所述负荷预测结果输出模块用以输出负荷预测结果数据;
所述数据分析处理模块包括数据预处理单元、数据分析单元和数据优化单元,所述数据预处理单元用以对原始数据进行格式化、转换和概化处理,所述数据分析单元用以对原始数据进行完整性分析,所述数据优化单元用以将原始数据优化为有效数据;
所述自适应负荷预测模块包括负荷预测单元和预测校核单元,所述负荷预测单元用于基于负荷增长类型和负荷预测需求采用基础预测方法或组合预测方法对负荷进行预测,所述预测校核单元用以通过弹性系数法或产值单耗法进行预测校核并通过最小二乘法进行自适应调整预测方法参数;
所述基础预测单元包括趋势外推预测单元、回归模型预测单元、灰色预测单元和神经网络预测单元,所述组合预测单元就是将几种基础预测单元各自的预测结果通过选取适当的权重进行加权平均得到最终预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410353874.5A CN104123595B (zh) | 2014-07-22 | 2014-07-22 | 一种配电网负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410353874.5A CN104123595B (zh) | 2014-07-22 | 2014-07-22 | 一种配电网负荷预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104123595A CN104123595A (zh) | 2014-10-29 |
CN104123595B true CN104123595B (zh) | 2018-09-07 |
Family
ID=51768997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410353874.5A Active CN104123595B (zh) | 2014-07-22 | 2014-07-22 | 一种配电网负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104123595B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680400B (zh) * | 2015-03-16 | 2018-07-06 | 朗新科技股份有限公司 | 基于灰色关联的企业售电量变化的短期和长期预测方法 |
CN105809286B (zh) * | 2016-03-08 | 2021-08-03 | 南昌工程学院 | 一种基于代表数据重构的增量svr负荷预测方法 |
CN106485262B (zh) * | 2016-09-09 | 2020-02-07 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
CN106485367A (zh) * | 2016-10-26 | 2017-03-08 | 贵州电网有限责任公司电力科学研究院 | 一种基于多企业用电数据耦合的经济分析平台及预测方法 |
CN106683001B (zh) * | 2016-12-06 | 2020-12-15 | 华北电力大学 | 基于历史运行数据的火电机组辨识数据的选取方法 |
CN107977737B (zh) * | 2017-11-19 | 2021-06-08 | 国网浙江省电力公司信息通信分公司 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
CN108491969B (zh) * | 2018-03-16 | 2021-12-24 | 国家电网公司 | 基于大数据的空间负荷预测模型构建方法 |
CN109146202B (zh) * | 2018-09-20 | 2021-09-14 | 国网山东省电力公司经济技术研究院 | 一种基于供电分区的户均配变容量标准配置方法 |
CN110414776B (zh) * | 2019-06-14 | 2022-11-29 | 国网河南省电力公司郑州供电公司 | 分行业用电特性快速响应分析系统 |
CN110648021B (zh) * | 2019-09-12 | 2021-08-03 | 广东电网有限责任公司电力调度控制中心 | 一种两级电力负荷预测结果协调方法、装置及设备 |
CN113283679A (zh) * | 2021-06-30 | 2021-08-20 | 南京理工大学 | 一种基于ai人工智能的电力负荷预测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530700A (zh) * | 2013-10-11 | 2014-01-22 | 国家电网公司 | 城区配电网饱和负荷综合预测方法 |
CN103679287A (zh) * | 2013-12-05 | 2014-03-26 | 王海燕 | 一种组合型电力负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005045899A (ja) * | 2003-07-28 | 2005-02-17 | Hitachi Ltd | 電力取引システムおよび電力取引方法 |
-
2014
- 2014-07-22 CN CN201410353874.5A patent/CN104123595B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530700A (zh) * | 2013-10-11 | 2014-01-22 | 国家电网公司 | 城区配电网饱和负荷综合预测方法 |
CN103679287A (zh) * | 2013-12-05 | 2014-03-26 | 王海燕 | 一种组合型电力负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104123595A (zh) | 2014-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104123595B (zh) | 一种配电网负荷预测方法及系统 | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Heydari et al. | A novel composite neural network based method for wind and solar power forecasting in microgrids | |
CN108491969A (zh) | 基于大数据的空间负荷预测模型构建方法 | |
Cinar et al. | Development of future energy scenarios with intelligent algorithms: case of hydro in Turkey | |
CN110909912A (zh) | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 | |
CN108921339A (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
Kolhe et al. | GA-ANN for short-term wind energy prediction | |
CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
Sun et al. | Edge computing terminal equipment planning method for real-time online monitoring service of power grid | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
Laith et al. | Salp swarm algorithm: a comprehensive survey | |
Cavallaro | Electric load analysis using an artificial neural network | |
Alhmoud et al. | Short-term load forecasting for Jordan’s power system using neural network based different | |
CN111784019A (zh) | 电力负荷处理方法和装置 | |
Gao et al. | Establishment of economic forecasting model of high-tech industry based on genetic optimization neural network | |
CN110264010A (zh) | 新型乡村电力饱和负荷预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
Jahan et al. | Intelligent system for power load forecasting in off-grid platform | |
CN109034453A (zh) | 一种基于多标记神经网络的短期电力负荷预测方法 | |
CN115034608A (zh) | 基于配网要素和神经网络的配网风险评估方法 | |
CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及系统 | |
Shi et al. | Research on long term load forecasting based on improved genetic neural network |
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 |