CN104156786B - 一种考虑气象多因素影响的非工作日最大日负荷预测系统 - Google Patents
一种考虑气象多因素影响的非工作日最大日负荷预测系统 Download PDFInfo
- Publication number
- CN104156786B CN104156786B CN201410405157.2A CN201410405157A CN104156786B CN 104156786 B CN104156786 B CN 104156786B CN 201410405157 A CN201410405157 A CN 201410405157A CN 104156786 B CN104156786 B CN 104156786B
- Authority
- CN
- China
- Prior art keywords
- holidays
- festivals
- meteorological
- nonworkdays
- 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.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种考虑气象多因素影响的非工作日最大日负荷预测系统,包括:非工作日数据获取模块,获取历史非工作日的负荷及气象数据,分类筛选;非工作日数据分析模块,分析非工作日负荷与24个气象因子进行关联性分析,寻找关键气象因子;非工作日最大日负荷预测建模模块,利用选定负荷与综合气象因子构建不同节假日最大日负荷预测模型,利用选定负荷与多气象因素判定函数构建周末最大日负荷预测模型;非工作日最大日负荷预测计算模块,获取未来气象预测数据,预测非工作日最大日负荷;系统界面显示模块,输出结果。本发明能够针对不同节假日准确的预测其最大日负荷值,提高节假日和周末最大日负荷预测的精度,为电网运行人员做好节假日发电计划提供依据。
Description
技术领域
本发明涉及电力系统考虑多气象因素影响的中短期负荷预测方法,具体是一种考虑气象多因素影响的非工作日最大日负荷预测系统。
背景技术
电力系统非工作日最大日负荷预测是电网重要的工作内容之一,是电力系统中短期负荷预测领域的重要组成部分,准确的负荷预测有利于提高系统运行的经济性和可靠性。非工作日包含法定节假日与周末;法定节假日包括农历节假日(春节、端午节、中秋节)和公历节假日(国庆节、元旦节、清明节、五一节)等,此外还有一些传统庆祝和祭祀的节日,如南方的中元节,也对负荷比较敏感。随着人们生活水平的提高,对非工作日的生活、工作观念发生了较大的变化,非工作日负荷与正常工作日相比呈现出不同的变化规律;不同类型的节假日(休假时间的长短、性质)对负荷影响也不同,每种节假日都有自己独特的假日负荷特性,并且部分节假日负荷属于天气敏感负荷,受气象因素影响较大。再者电力企业连续生产的特点决定了需要提前多日对节假日的负荷进行预测,一般要求连续预测若干日(例如,春节期间需预测日可能长达7天)负荷,而所掌握的数据及节日期间气象等未来信息又模糊有限,负荷容易受到各种随机波动因素和潜在干扰因素的影响。这些因素使电网非工作日负荷规律性变得很复杂,给电网非工作日负荷预测、负荷管理、电网规划带来许多困难。
发明内容
本发明将根据电网非工作日实际负荷、各种气象因素等历史数据,系统分析不同节假日和周末负荷特性和影响因素,对电网历史气象中的24个气象因子与节假日最大日负荷关联性进行分析研究,探求不同节假日和周末负荷随时间变化横向和纵向规律性,提出了一种考虑气象多因素影响的非工作日最大日负荷预测系统。该系统考虑不同非工作日本身的负荷特性,更重点考虑多气象因素对非工作日最大日负荷预测的影响,能够针对不同的非工作日负荷特点单独建模,得到不同节假日和周末最大日负荷预测模型。通过建立气象多因素影响的电网非工作日最大日负荷预测模型,提高非工作日最大日负荷预测的精度,为电网运行人员做好非工作日发电计划提供依据。
本发明解决上述问题所采用的技术方案是:一种考虑气象多因素影响的非工作日最大日负荷预测系统,包括非工作日数据获取模块、非工作日数据分析模块、非工作日最大日负荷预测建模模块、非工作日最大日负荷预测计算模块和系统界面显示模块。
非工作日数据获取模块,获取历史节假日和周末的负荷数据及与其相应的气象数据,并进行分类筛选;非工作日数据分析模块,分析各个不同节假日和周末的负荷特性和影响因素,总结其各自的规律性,与24个气象因子进行关联性分析,寻找关键气象因子;非工作日最大日负荷预测建模模块,将非工作日分为各个法定节假日与周末,通过建立多气象因素判定函数,寻找与气象因子相像的工作日,利用选定负荷与综合气象因子构建不同节假日最大日负荷预测模型,利用选定负荷与多气象因素判定函数构建周末最大日负荷预测模型;非工作日最大日负荷预测计算模块,获取未来气象预测数据,通过非工作日最大日负荷预测模型,预测非工作日最大日负荷;系统界面显示模块,将预测的非工作日最大日负荷在界面上显示。
所述的考虑气象多因素影响的非工作日最大日负荷预测系统的预测方法,包括以下步骤:
(1)对负荷数据和气象数据进行分类筛选,并将坏数据剔除;
(2)采用相关性分析方法,寻找关键气象因子;分析历史节假日气象数据中的最大温度、平均温度、最低温度、最大湿度、平均湿度、最低湿度、最大风速、平均风速、最低风速、最大降雨量、平均降雨量、最低降雨量、最高温湿指数、平均温湿指数、最低温湿指数、最高实感温度、平均实感温度、最低实感温度、最高舒适度指数、平均舒适度指数、最低舒适度指数、最高寒湿指数、平均寒湿指数和最低寒湿指数,得到节假日最大日负荷与上述24个气象因子的相关度,相关度最大的即为关键气象因子;
(3)根据地级市多种气象指数和地级市负荷的相关性,基于地级市电力负荷和地级市气象指数计算省级综合气象因子;
(4)建立多气象因素判定函数,利用非工作日最大日负荷与24个气象因子的相关度,寻找与待预测节假日气象因子较相像的工作日,其中查找相像的工作日范围为待预测非工作日的前一个月;
(5)针对不同的节假日,通过多气象因素判定函数,寻找对应节假日的气象相像的工作日,利用近两年的节假日最大负荷,以及与该节假日对应的气象相像工作日的最大负荷形成建模因子,与综合气象因子构建基于气象因素的节假日最大日负荷预测多元非线性模型,并利用优化理论求解其最优系数因子,得到既考虑不同节假日本身的负荷特性,又考虑多气象因素对节假日负荷影响的节假日最大日负荷预测工程化模型;
(6)针对周末,通过多气象因素判定函数,在此前一个月内寻找与该周末的气象相像的工作日,利用气象相像的工作日的最大负荷与相应的周末最大负荷以及多气象因素判定函数,建立基于气象因素的周末最大日负荷预测多元非线性模型,并利用优化理论求解其最优系数因子,得到周末最大日负荷预测工程化模型;
(7)获取节假日放假周期的气象预测数据,通过节假日最大日负荷预测模型,预测未来节假日期间最大日负荷;
(8)获取周末的气象预测数据,通过周末最大日负荷预测模型,预测未来周末连续两天最大日负荷;
(9)将预测的节假日和周末最大日负荷在界面上动态显示。
所述的步骤(1)中,对负荷数据和气象数据的分类筛选包括:对不同类型的节假日单独分类;周末分为夏季类型周末与冬季类型周末;对于差异性大的气象数据数值进行标幺化处理。
本发明的有益效果是:
建立了考虑多因素影响的电网非工作日最大日负荷预测模型。由于不同类型的节假日(休假时间的长短、性质)对负荷影响也不同,每种节假日都有自己独特的假日负荷特性,周末亦是如此。本模型利用近两年的节假日的最大负荷以及与节假日对应的相像的工作日最大负荷来建立预测模型,这种建模方法既利用了同一节假日的纵向(近两年的同一节假日的负荷数据)比较,又利用了横向(今年同一节假日随社会经济负荷的增长等影响因素)比较。由于通过多气象因素判定函数寻找与待预测节假日气象因子较相像的工作日(不含双休日),其中查找相像的工作日范围为待预测节假日的前一个月,所以可以忽略这一个月内社会经济增长所带来的负荷变化量;即节假日最大日负荷的变化量一方面与其自身的负荷特性相关,另一方面与多气象因素密切相关。
通过对节假日和周末最大日负荷与24个气象因子进行关联性分析,体现了不同气象条件对节假日和周末最大日负荷的交叉影响,能够针对不同节假日准确的预测其最大日负荷值,提高节假日和周末最大日负荷预测的精度,为电网运行人员做好节假日发电计划提供依据。
附图说明
图1为本发明所述的一种考虑气象多因素影响的非工作日最大日负荷预测系统的结构连接图。
图2为本发明所述的一种考虑气象多因素影响的非工作日最大日负荷预测系统的具体结构图。
图3为本发明所述的一种考虑气象多因素影响的非工作日最大日负荷预测系统的系统框架图。
图4为本发明所述的一种考虑气象多因素影响的非工作日最大日负荷预测方法的整体实现过程。
图5为本发明实施例的元旦节最大日负荷预测效果图。
图6为本发明实施例的春节最大日负荷预测效果图。
图7为本发明实施例的清明节最大日负荷预测效果图。
图8为本发明实施例的劳动节最大日负荷预测效果图。
图9为本发明实施例的端午节最大日负荷预测效果图。
图10为本发明实施例的中秋节最大日负荷预测效果图。
图11为本发明实施例的国庆节最大日负荷预测效果图。
图12为本发明实施例的中元节最大日负荷预测效果图。
图13为本发明实施例的周末最大日负荷预测效果图。
具体实施方式
下面参照附图,详细叙述本发明的具体实施方案。
如图1和图2所示,本发明所述的一种考虑气象多因素影响的非工作日最大日负荷预测系统,包括非工作日数据获取模块、非工作日数据分析模块、非工作日最大日负荷预测建模模块、非工作日最大日负荷预测计算模块、系统界面显示模块。
如图3和图4所示,建立考虑气象多因素影响的非工作日最大日负荷预测模型的预测方法,包括如下步骤:
1、负荷数据和气象数据分类筛选,并将坏数据剔除。
非工作日分为各个法定节假日与周末,每种节假日都有自己独特的负荷特性。对同一节假日而言,由纵向比较可知,负荷曲线都十分相似,只是负荷水平有所不同。需针对不同的节假日进行分类,才能突显其节假日的负荷特性,总结出其规律性,周末亦是如此。此外,极端天气对负荷造成的影响具有很强随机性和破坏性,需剔除,如台风,其表现在温度突变、强降雨、并伴随着大风,会影响到气象相像的工作日选择的准确性,使得规律性的相关性变弱,体现不出节假日应有的特性和规律。因此,我们按以下原则对数据进行分类筛选:
(1)剔除台风日和台风日前2天的数据;
(2)剔除降雨超过50mm的数据;
(3)选取出节假日和周末的数据;
(4)按节假日的类别将节假日的数据分开;
(5)按季节和月份,将周末数据分为夏季类型周末与冬季类型周末。
气象数据的种类很多,不同的气象因子代表不同的气象指标,其数值大小有很大的差异,为充分考虑到每一种气象因子的影响,屏蔽数据大小的差异性,需对每一种气象因子全部数据进行标幺化处理。标幺化公式为:
其中xmax和xmin为全部样本数据中每一种气象因子的对应的最大、最小值。
2、采用相关性分析方法,寻找关键气象因子。
影响短期电力负荷的因素较多,例如:负荷水平、气候条件、生活习惯及社会经济发展水平等。在此基础上,影响非工作日负荷的因素主要还有:气象因素、节假日的性质、放假时间的长短等。这些因素对负荷的影响还具有一定的区域特征,在建模时如果将所有的因素都考虑进去,不仅计算量会大大增加,模型也将变得繁复,难以在工程上应用,因此本发明利用时间上的横向纵向比较,削减甚至消除社会经济增长所带来的长期因素的影响,而突显气象因素和节假日独有的负荷特性。
气象因素对节假日负荷的影响与工作日还有所不同,因为在节假日期间,负荷成分变化很大,大量工厂企业用电负荷退出。主要是居民用电负荷、服务行业用电负荷和不能停产的工业负荷等基本负荷,而居民用电负荷和服务行业用电负荷是天气敏感负荷,受气象因子的影响比较大。在一些气候条件下,用电负荷及电量会急剧攀升或降低。而气象对电网节假日负荷的影响是交错复杂的,例如温度会影响城市空调负荷的多少,降雨会影响农业生产用电的多少,湿度会影响人们对高温的感知能力。在建立模型时,不仅需要考虑单一的气象因素,还得考虑多个气象因素形成的综合气象指数对节假日负荷的影响不同,这就需要进一步分析多个气象因素对电网节假日最大日负荷的影响规律。不同的气象因素对电网节假日负荷的影响有大有小,研究时首先要进行各气象因素对电网节假日负荷影响的关联性分析。
由于夏季类型节假日与冬季类型节假日最大日负荷与24个气象因子的关联性分析呈现不一样的规律,所以将节假日分为夏季类型节假日与冬季类型节假日。关联性分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度。本发明对节假日最大日负荷与24个气象因子进行关联性分析,得到节假日最大日负荷与24个气象因子的关联度。
以某地区实际电网为例,对2008年到2013年夏季、冬季节假日最大日负荷和气象数据进行分析,负荷与24个气象因子之间的关联程度如表1所示。
表1 某电网夏季、冬季节假日最大日负荷与24个气象因子的关联度
从表内可以看出,在各年夏季中,最大温度及平均实感温度的相关度最高,说明这两个因素在该电网区域,对夏季最大日负荷的影响相对较大且影响较为稳定;在各年冬季中,平均温度及平均舒适度指数的相关度最高,说明这两个因素在该电网区域,对冬季最大日负荷的影响相对较大且影响较为稳定。这四个量就是对应季节的关键气象因子。
3、计算综合气象因子。
由于地域的原因,各市的气象条件存在一定的差别,在分析省级总负荷与气象因素的关系时,若只用某市的气象数据来分析必定会对准确性造成一定影响。用各市的实际气象,结合各市的实际用电情况形成地区加权多因素混合气象因素,定义为综合气象因子,从而可以形成一个明确的数学表达。
以某地区最高温度为例,本发明将采取如下形式的公式计算某地区综合最高温度:
其中,N表示地区个数,Pi表示各市的负荷,P∑表示整个地区的总负荷,ωi是各地负荷占总调负荷的权重,T是形成的地区综合最高温度,Ti是该地区各个市最高温度。
4、建立多气象因素判定函数,寻找与待预测节假日或周末气象因子较相像的工作日。
由于负荷变化的连续性,用电负荷在影响因素相像情况下表现出来的变化特性也是相像的。非工作日负荷预测时可以从寻找相似负荷日出发,找出与待预测日最为相似的负荷,根据近大远小的原则,推出相应工作日负荷与节假日负荷或周末之间的关系,然后进行修正调整来进行预测。
本发明按照如下式定义多气象因素判定函数:
式中ni为待预测非工作日的气象因子;mi为与待预测非工作日气象因子较相像的工作日气象因子,hi为气象因子与日最大负荷的相关系数;当判定函数θ最大时即找到相像的工作日,此处待选的工作日范围为待预测节假日前一个月。气象因子包含最大温度、平均温度、最低温度、最大湿度、平均湿度、最低湿度、最大风速、平均风速、最低风速、最大降雨量、平均降雨量、最低降雨量、最高温湿指数、平均温湿指数、最低温湿指数、最高实感温度、平均实感温度、最低实感温度、最高舒适度指数、平均舒适度指数、最低舒适度指数、最高寒湿指数、平均寒湿指数、最低寒湿指数。
5、建立节假日最大日负荷预测工程化模型。
针对不同类型的法定节假日,利用近两年该法定节假日最大日负荷以及与该节假日对应的气象相像工作日的最大日负荷形成建模因子来建立预测模型。
L=f(P1,P2) (5-1)
L=c+x1P1 2+x2P2 2+x3P1P2+x4P1+x5P2 (5-2)
其中:
L1:今年该法定节假日对应的相像的工作日的最大负荷;
L2:去年相应的法定节假日的日最大负荷;
L3:去年与相应的法定节假日气象相像的工作日的日最大负荷;
L4:前年相应法定节假日的日最大负荷;
L5:前年与相应的法定节假日气象相像的工作日的日最大负荷。
利用优化理论求解式(5-2)的最优系数因子,得到一方面考虑不同节假日本身的负荷特性,另一方面考虑多气象因素对节假日负荷影响的节假日最大日负荷预测工程化模型。
6、对上述法定节假日最大日负荷预测模型的相关修正。
(1)日期法修正
由于政府为了形成长假调整休息政策,每年相同日期休息都是不尽相同,同时由于我国传统节假日(春节、端午节)的公历日期每年都不一致。而利用法定节假日最大日负荷预测模型的方法中需要利用到去年、前年当天的数据。为了使每年法定节假日的负荷变化特性是一致的。从历史负荷数据上可以看到一般都在法定节假日当天的负荷是最低的,若历年的基准节假日(真正节日当天)不一样,将会带来较大的误差。所以要把法定节假日的日期进行适当的调整,让每年基准节假日当天都对应。
(2)突变修正
在历史数据中可以看到,在节假日中气象因子的突变时常发生,气象因子的突变对节假日最大日负荷预测模型的预测精度有一定的影响。查找相像的工作日原定的范围为待预测节假日的前一个月,就会使得利用判定函数查找到的相像的工作日气象因子并不是理想的。此时可利用扩大查找范围的原则对气象突变日进行修正。
7、建立周末最大日负荷预测工程化模型。
通过建立判定函数,并利用该相像的工作日最大负荷与相应的周末最大负荷的比值k,进一步对判定函数与上述比值k进行建模。
k=f(θ) (7-2)
Lmax.c=Lmax.x×f(θ) (7-3)
其中:θ为式(4-1);
L6:历史负荷数据中周末对应的相像工作日的日最大负荷;
L7:历史负荷数据中周末的日最大负荷;
Lmax.x:今年负荷数据中与周末对应的相像工作日的日最大负荷;
Lmax.c:今年待预测的周末负荷;
8、利用上述法定节假日最大日负荷模型,针对不同的法定节假日特点单独建模,得到不同的法定节假日最大日负荷预测模型。
对某电网的不同类型的法定节假日最大日负荷进行预测,预测模型如下:
1)元旦节最大日负荷预测模型:
2)春节最大日负荷预测模型:
3)清明节最大日负荷预测模型:
4)劳动节最大日负荷预测模型:
5)端午节最大日负荷预测模型:
6)中元节最大日负荷预测模型:
7)中秋节最大日负荷预测模型:
8)国庆节最大日负荷预测模型:
9)圣诞节最大日负荷预测模型:
9、利用上述周末最大日负荷模型,针对周末负荷单独建模,得到周末荷预测模型。
对某电网的周末最大日负荷进行预测,采用二次拟合时预测模型如下:
Lmax.c=Lmax.x *(6.8676θ2-0.7536θ+0.9926) (9-1)
10、效果验证
通过分析比较非工作日真实的最大日负荷曲线和预测的最大日负荷曲线,可以很直观的看到预测非工作日最大日负荷跟踪真实非工作日最大日负荷的情况。图5~图13分别为元旦节、春节、清明节、劳动节、端午节、中秋节、国庆节、中元节、周末最大日负荷预测效果图。
通过误差分析,可以得出非工作日最大日负荷预测模型对实际非工作日最大日负荷预测误差分析,如表2所示:
表2 非工作日最大日负荷预测模型对实际非工作日负荷预测误差分析
元旦节 | 春节 | 清明节 | 劳动节 | 端午节 | 中元节 | 中秋节 | 国庆节 | 圣诞节 | 周末 | |
最大误差率 | 0.0544 | 0.0746 | 0.0358 | 0.0447 | 0.0607 | 0.0000 | 0.0336 | 0.0509 | 0.0000 | 0.18910 |
平均误差率 | 0.0147 | 0.0258 | 0.0148 | 0.0243 | 0.0209 | 0.0000 | 0.0184 | 0.0160 | 0.0000 | 0.03331 |
最小误差率 | 0.0003 | 0.0032 | 0.0042 | 0.0021 | 0.0007 | 0.0000 | 0.0042 | 0.0011 | 0.0000 | 0.00003 |
误差率<3%的点数 | 8 | 19 | 10 | 7 | 10 | 4 | 7 | 19 | 4 | 187 |
误差率<3%所占比率 | 0.8000 | 0.6786 | 0.8333 | 0.5833 | 0.8333 | 1.0000 | 0.7778 | 0.9048 | 1.0000 | 0.38557 |
最高准确度 | 0.9997 | 0.9968 | 0.9958 | 0.9979 | 0.9993 | 1.0000 | 0.9957 | 0.9989 | 1.0000 | 0.99997 |
平均准确度 | 0.9851 | 0.9743 | 0.9852 | 0.9757 | 0.9790 | 1.0000 | 0.9816 | 0.9841 | 1.0000 | 0.96680 |
最低准确度 | 0.9425 | 0.9305 | 0.9654 | 0.9532 | 0.9354 | 1.0000 | 0.9652 | 0.9516 | 1.0000 | 0.78066 |
准确度>97%的点个数 | 8 | 19 | 10 | 7 | 10 | 4 | 8 | 19 | 4 | 188 |
准确度>97%所占比率 | 0.8000 | 0.6786 | 0.8333 | 0.5833 | 0.8333 | 1.0000 | 0.8889 | 0.9048 | 1.0000 | 0.38763 |
均方根误差 | 288.4756 | 303.699 | 197.429 | 310.524 | 322.568 | 0.0000 | 288.828 | 210.724 | 0.0000 | 534.996 |
相对均方根误差 | 0.0226 | 0.0382 | 0.0177 | 0.0286 | 0.0293 | 0.0000 | 0.0216 | 0.0199 | 0.0000 | 0.04693 |
灰色关联度 | 0.7519 | 0.6531 | 0.6832 | 0.5899 | 0.6863 | 0.8333 | 0.6726 | 0.6763 | 0.8177 | 0.7988 |
由表2可以直观的看出考虑气象多因素影响的非工作日最大日负荷预测系统能够较为准确的预测非工作日最大日负荷,针对不同的法定节假日的最高准确度,最小达到99.58%,最大达到100%;周末最高准确度为99.997%。该系统考虑不同非工作日本身的负荷特性,更重点考虑多气象因素对非工作日最大日负荷预测的影响,能够针对不同的非工作日负荷特点单独建模,得到不同节假日和周末最大日负荷预测模型,提高了非工作日最大日负荷预测的精度,为电网运行人员做好非工作日发电计划提供依据。
Claims (2)
1.一种考虑气象多因素影响的非工作日最大日负荷预测系统的预测方法,其特征在于,所述的预测系统包括非工作日数据获取模块、非工作日数据分析模块、非工作日最大日负荷预测建模模块、非工作日最大日负荷预测计算模块和系统界面显示模块;非工作日数据获取模块,获取历史节假日和周末的负荷数据及与其相应的气象数据,并进行分类筛选;非工作日数据分析模块,分析各个不同节假日和周末的负荷特性和影响因素,总结其各自的规律性,与24个气象因子进行关联性分析,寻找关键气象因子;非工作日最大日负荷预测建模模块,将非工作日分为各个法定节假日与周末,通过建立多气象因素判定函数,寻找与气象因子相像的工作日,利用选定负荷与综合气象因子构建不同节假日最大日负荷预测模型,利用选定负荷与多气象因素判定函数构建周末最大日负荷预测模型;非工作日最大日负荷预测计算模块,获取未来气象预测数据,通过非工作日最大日负荷预测模型,预测非工作日最大日负荷;系统界面显示模块,将预测的非工作日最大日负荷在界面上显示;
所述的预测方法包括以下具体步骤:
(1)对负荷数据和气象数据进行分类筛选,并将坏数据剔除;
(2)采用相关性分析方法,寻找关键气象因子;分析历史节假日气象数据中的最大温度、平均温度、最低温度、最大湿度、平均湿度、最低湿度、最大风速、平均风速、最低风速、最大降雨量、平均降雨量、最低降雨量、最高温湿指数、平均温湿指数、最低温湿指数、最高实感温度、平均实感温度、最低实感温度、最高舒适度指数、平均舒适度指数、最低舒适度指数、最高寒湿指数、平均寒湿指数和最低寒湿指数,得到节假日最大日负荷与上述24个气象因子的相关度,相关度最大的即为关键气象因子;
(3)根据地级市多种气象指数和地级市负荷的相关性,基于地级市电力负荷和地级市气象指数计算省级综合气象因子;
(4)建立多气象因素判定函数,利用非工作日最大日负荷与24个气象因子的相关度,寻找与待预测节假日气象因子相像的工作日,其中查找相像的工作日范围为待预测非工作日的前一个月;
(5)针对不同的节假日,通过多气象因素判定函数,寻找对应节假日的气象相像的工作日,利用近两年的节假日最大负荷,以及与该节假日对应的气象相像工作日的最大负荷形成建模因子,与综合气象因子构建基于气象因素的节假日最大日负荷预测多元非线性模型,并利用优化理论求解其最优系数因子,得到既考虑不同节假日本身的负荷特性,又考虑多气象因素对节假日负荷影响的节假日最大日负荷预测工程化模型;
所述的多气象因素判定函数如下:
<mrow>
<mi>&theta;</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mo>|</mo>
<mfrac>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>|</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
式中ni为待预测非工作日的气象因子;mi为与待预测非工作日气象因子相像的工作日气象因子,hi为气象因子与日最大负荷的相关系数;当判定系数θ最大时即找到相像的工作日;
所述的节假日最大日负荷预测工程化模型如下:
L=f(P1,P2)=c+x1P1 2+x2P2 2+x3P1P2+x4P1+x5P2
其中:
f(P1,P2)表示以P1、P2为变量构成的二次模型;c、x1、x2、x3、x4、x5为二次模型的系数;
L1:今年该法定节假日对应的相像的工作日的最大负荷;
L2:去年相应的法定节假日的日最大负荷;
L3:去年与相应的法定节假日气象相像的工作日的日最大负荷;
L4:前年相应法定节假日的日最大负荷;
L5:前年与相应的法定节假日气象相像的工作日的日最大负荷;
(6)针对周末,通过多气象因素判定函数,在此前一个月内寻找与该周末的气象相像的工作日,利用气象相像的工作日的最大负荷与相应的周末最大负荷以及多气象因素判定函数,建立基于气象因素的周末最大日负荷预测多元非线性模型,并利用优化理论求解其最优系数因子,得到周末最大日负荷预测工程化模型;
k=f(θ)
其中:k:该相像的工作日最大负荷与相应的周末最大负荷的比值,即L6/L7;
L6:历史负荷数据中周末对应的相像工作日的日最大负荷;
L7:历史负荷数据中周末的日最大负荷;
Lmax.x:今年负荷数据中与周末对应的相像工作日的日最大负荷;
Lmax.c:今年待预测的周末负荷;
(7)获取节假日放假周期的气象预测数据,通过节假日最大日负荷预测模型,预测未来节假日期间最大日负荷;
(8)获取周末的气象预测数据,通过周末最大日负荷预测模型,预测未来周末连续两天最大日负荷;
(9)将预测的节假日和周末最大日负荷在界面上动态显示。
2.根据权利要求1所述的预测方法,其特征在于,所述的步骤(1)中,对负荷数据和气象数据的分类筛选包括:对不同类型的节假日单独分类;周末分为夏季类型周末与冬季类型周末;对于差异性大的气象数据数值进行标幺化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410405157.2A CN104156786B (zh) | 2014-08-18 | 2014-08-18 | 一种考虑气象多因素影响的非工作日最大日负荷预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410405157.2A CN104156786B (zh) | 2014-08-18 | 2014-08-18 | 一种考虑气象多因素影响的非工作日最大日负荷预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104156786A CN104156786A (zh) | 2014-11-19 |
CN104156786B true CN104156786B (zh) | 2017-09-26 |
Family
ID=51882282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410405157.2A Active CN104156786B (zh) | 2014-08-18 | 2014-08-18 | 一种考虑气象多因素影响的非工作日最大日负荷预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104156786B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376384B (zh) * | 2014-11-27 | 2017-07-25 | 广西大学 | 一种基于电力大数据分析的台风日最大日负荷预测系统 |
CN104616075A (zh) * | 2015-01-30 | 2015-05-13 | 广西大学 | 一种适合于台风天气下的短期负荷预测方法 |
CN105069525B (zh) * | 2015-07-30 | 2019-06-04 | 广西大学 | 全天候96点日负荷曲线预测及优化修正系统 |
CN105787259A (zh) * | 2016-02-17 | 2016-07-20 | 国网甘肃省电力公司武威供电公司 | 一种多元气象因素对负荷变化影响相关性的分析方法 |
CN109978261A (zh) * | 2019-03-27 | 2019-07-05 | 新奥数能科技有限公司 | 确定负荷预测模型的方法、装置、可读介质及电子设备 |
CN110033134A (zh) * | 2019-04-09 | 2019-07-19 | 国网安徽省电力有限公司 | 一种考虑气象因素的逐日分段短期负荷预测算法 |
CN111598349A (zh) * | 2020-05-22 | 2020-08-28 | 国网重庆市电力公司电力科学研究院 | 一种短期用电量预测方法、装置及可读存储介质 |
CN112215444B (zh) * | 2020-12-09 | 2021-04-02 | 平安科技(深圳)有限公司 | 基于分布曲线的预测方法、装置、设备及存储介质 |
CN113077105B (zh) * | 2021-04-16 | 2023-11-24 | 国网安徽省电力有限公司 | 一种长假日负荷预测方法及装置 |
CN113819581B (zh) * | 2021-08-23 | 2022-11-18 | 广西电网有限责任公司电力科学研究院 | 一种夏季空调负荷容量及其气温灵敏性分析方法 |
CN113743673B (zh) * | 2021-09-09 | 2023-12-22 | 中国南方电网有限责任公司 | 一种台风期间的电力负荷预测方法 |
CN114677019A (zh) * | 2022-03-30 | 2022-06-28 | 山东大学 | 基于随机源矩阵和层次分析的用电特征辨识方法及系统 |
CN116565833B (zh) * | 2023-02-24 | 2024-02-27 | 国网能源研究院有限公司 | 基于典型日网供负荷曲线的预测方法、装置和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009077498A (ja) * | 2007-09-19 | 2009-04-09 | Osaka Gas Co Ltd | 負荷低減計画策定システム及びデマンド制御システム |
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 |
CN103606022A (zh) * | 2013-12-05 | 2014-02-26 | 国家电网公司 | 一种短期负荷预测方法 |
-
2014
- 2014-08-18 CN CN201410405157.2A patent/CN104156786B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009077498A (ja) * | 2007-09-19 | 2009-04-09 | Osaka Gas Co Ltd | 負荷低減計画策定システム及びデマンド制御システム |
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 |
CN103606022A (zh) * | 2013-12-05 | 2014-02-26 | 国家电网公司 | 一种短期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
气象因素对电网负荷特性影响的研究;朱振伟;《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》;20090715(第7期);第1-65页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104156786A (zh) | 2014-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104156786B (zh) | 一种考虑气象多因素影响的非工作日最大日负荷预测系统 | |
CN104156783B (zh) | 计及气象累积效应的电力系统最大日负荷预测系统及方法 | |
Xu et al. | Geographical analysis of CO2 emissions in China's manufacturing industry: A geographically weighted regression model | |
CN104376384B (zh) | 一种基于电力大数据分析的台风日最大日负荷预测系统 | |
CN105260803A (zh) | 一种系统用电量预测方法 | |
CN105069525A (zh) | 全天候96点日负荷曲线预测及优化修正系统 | |
Lee et al. | Using climate classification to evaluate building energy performance | |
CN108074004A (zh) | 一种基于网格法的地理信息系统短期负荷预测方法 | |
CN106600063B (zh) | 一种基于模糊粗糙集理论和时空信息的空间负荷预测方法 | |
CN107423836A (zh) | 基于体感温度的短期负荷预测方法 | |
CN108334988A (zh) | 一种基于svm的短期电网负荷预测方法 | |
CN111445116A (zh) | 国土空间规划辅助编制系统 | |
CN115796702A (zh) | 一种红壤土地综合治理生态修复成效的评估方法及系统 | |
Wang et al. | Scenario simulation of water resources development and utilization based on a system dynamics model | |
CN113344449A (zh) | 一种预测月尺度工业需水量的方法 | |
CN113128811A (zh) | 一种基于强降水的电网系统地质灾害风险评估方法及系统 | |
Zhang et al. | A Multi-objective zoning framework for mineral resources development and management: A case study in Henan Province, China | |
Guo et al. | A compound accumulation grey model and its prediction of new energy generation in BRICS countries | |
Li et al. | Energy structure, economic growth, and carbon emissions: evidence from Shaanxi province of China (1990-2012) | |
Li et al. | A dynamic approach to measuring China’s Provincial energy supply security along “the Belt and Road” | |
Yang et al. | A Three-Way Decision Approach for Water Resources System Resilience Evaluation and Its Application | |
CN102073925A (zh) | 一种基于水质水量约束的工业企业空间增长模拟实现方法 | |
Zou et al. | Dynamic Development Characteristics and Driving Factors of High Quality Development Level in China’s Five Major Urban Agglomerations | |
Tu | Evaluation Index System of Economic and Social Development Pilot Area Based on Spatial Network Structure Analysis | |
Tang et al. | How changes in landscape patterns affect the carbon emission: a case study in the Chengdu-Chongqing Economic Circle, China |
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 |