CN104168142A - 一种超短期系统负荷预测实时在线考核分析方法 - Google Patents

一种超短期系统负荷预测实时在线考核分析方法 Download PDF

Info

Publication number
CN104168142A
CN104168142A CN201410407340.6A CN201410407340A CN104168142A CN 104168142 A CN104168142 A CN 104168142A CN 201410407340 A CN201410407340 A CN 201410407340A CN 104168142 A CN104168142 A CN 104168142A
Authority
CN
China
Prior art keywords
ultra
prediction
system loading
short term
term system
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.)
Pending
Application number
CN201410407340.6A
Other languages
English (en)
Inventor
李博
曾莉丽
邓勇
门德月
戴赛
崔晖
姚宇臻
黄金富
李伟刚
张加力
黄国栋
闫翠会
黄文英
杨桂钟
朱翊
刘鹏
胡晨旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Fujian Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Fujian Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201410407340.6A priority Critical patent/CN104168142A/zh
Publication of CN104168142A publication Critical patent/CN104168142A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种超短期系统负荷预测实时在线考核分析方法,包括以下步骤:保存超短期系统负荷预测在线计算结果;获取超短期系统负荷预测在考核时间段或时刻点的预测数据;获取超短期系统负荷预测在考核时间段或时刻点的实际数据;在线滚动进行超短期系统负荷预测考核分析。本发明针对超短期预测计算速度快、计算频率高的特点,将超短期系统负荷预测每次的预测结果进行保存,记录每次系统预测情况,以便跟踪分析前一时间段或时刻点超短期系统负荷预测准确率,全方位实时监控超短系统负荷预测运行情况。

Description

一种超短期系统负荷预测实时在线考核分析方法
技术领域
本发明涉及一种分析方法,具体涉及一种超短期系统负荷预测实时在线考核分析方法。
背景技术
超短期系统负荷预测是日内实时发电计划与AGC调频的重要基础数据,其特点是计算速度快、计算频率高,通常每一分钟或每五分钟计算一次,因此传统的短期系统负荷预测考核评价方法,即对预测结果隔日后评估的方式已无法监控在线运行的超短期系统负荷预测计算情况,提供在线预测的某一时刻或某一时间段内预测值的准确率,因此亟待一种超短期系统负荷预测实时在线考核分析方法,科学有效的监控其运行情况,衡量其预测准确性。
发明内容
为了克服上述现有技术的不足,本发明提供一种超短期系统负荷预测实时在线考核分析方法,针对超短期预测计算速度快、计算频率高的特点,将超短期系统负荷预测每次的预测结果进行保存,记录每次系统预测情况,以便跟踪分析前一时间段或时刻点超短期系统负荷预测准确率,全方位实时监控超短系统负荷预测运行情况。
为了实现上述发明目的,本发明采取如下技术方案:
本发明提供一种超短期系统负荷预测实时在线考核分析方法,所述方法包括以下步骤:
步骤1:保存超短期系统负荷预测在线计算结果;
步骤2:获取超短期系统负荷预测在考核时间段或时刻点的预测数据;
步骤3:获取超短期系统负荷预测在考核时间段或时刻点的实际数据;
步骤4:在线滚动进行超短期系统负荷预测考核分析。
所述步骤1中,超短期系统负荷预测每隔1~5分钟进行一次计算,且每次的计算结果均不相同,将超短期系统负荷预测在线计算结果进行保存,以便对在线预测结果进行考核分析。
所述步骤2中,超短期系统负荷预测提供未来4小时以内每分钟的预测数据,并根据需要可扩展到当日的24:00的预测数据;按照不同时间段或时刻点,获取当前时刻之前的5分钟、30分钟、1小时、2小时时间段内或时刻点预测数据。
所述步骤3中,从调度EMS系统获取统计与超短期系统负荷预测数据相对应的时间段或时刻点系统负荷实际数据。
所述步骤4中,通过计算系统负荷预测在某时刻点的准确率与在某时间段的准确率,完成超短期系统负荷预测考核分析。
系统负荷预测在时刻点k预测数据的相对误差用ek表示,有:
e k = | f - h | h × 100 % - - - ( 1 )
其中,f为系统负荷预测值,h为系统负荷实际值;
针对某时刻点,系统负荷准确率用E表示,有:
E=(1-ek)×100%   (2)
针对某时间段,系统负荷准确率用E′表示,有:
E ′ = ( 1 - 1 n Σ i = 1 n e k 2 ) × 100 % - - - ( 3 )
其中,n为预测时段数。
与现有技术相比,本发明的有益效果在于:
本发明实现了对在线计算的超短期系统负荷预测进行实时考核分析,针对超短期预测计算速度快、计算频率高的特点,将超短期系统负荷预测每次的预测结果进行保存,跟踪分析前一时段或前一时刻超短期系统负荷预测效果,在线监控负荷预测情况,及时准确给出预测误差较大负荷信息。本方法具有简单易行,实用性强的特点。
附图说明
图1是超短期系统负荷预测实时在线考核分析方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1,本发明提供一种超短期系统负荷预测实时在线考核分析方法,所述方法包括以下步骤:
步骤1:保存超短期系统负荷预测在线计算结果;
步骤2:获取超短期系统负荷预测在考核时间段或时刻点的预测数据;
步骤3:获取超短期系统负荷预测在考核时间段或时刻点的实际数据;
步骤4:在线滚动进行超短期系统负荷预测考核分析。
所述步骤1中,超短期系统负荷预测每隔1~5分钟进行一次计算,且每次的计算结果均不相同,将超短期系统负荷预测在线计算结果进行保存,以便对在线预测结果进行考核分析。
所述步骤2中,超短期系统负荷预测提供未来4小时以内每分钟的预测数据,并根据需要可扩展到当日的24:00的预测数据;按照不同时间段或时刻点,获取当前时刻之前的5分钟、30分钟、1小时、2小时时间段内或时刻点预测数据。
所述步骤3中,从调度EMS系统获取统计与超短期系统负荷预测数据相对应的时间段或时刻点系统负荷实际数据。
所述步骤4中,通过计算系统负荷预测在某时刻点的准确率与在某时间段的准确率,完成超短期系统负荷预测考核分析。
系统负荷预测在时刻点k预测数据的相对误差用ek表示,有:
e k = | f - h | h × 100 % - - - ( 1 )
其中,f为系统负荷预测值,h为系统负荷实际值;
针对某时刻点,系统负荷准确率用E表示,有:
E=(1-ek)×100%   (2)
针对某时间段,系统负荷准确率用E′表示,有:
E ′ = ( 1 - 1 n Σ i = 1 n e k 2 ) × 100 % - - - ( 3 )
其中,n为预测时段数。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。

Claims (6)

1.一种超短期系统负荷预测实时在线考核分析方法,其特征在于:所述方法包括以下步骤:
步骤1:保存超短期系统负荷预测在线计算结果;
步骤2:获取超短期系统负荷预测在考核时间段或时刻点的预测数据;
步骤3:获取超短期系统负荷预测在考核时间段或时刻点的实际数据;
步骤4:在线滚动进行超短期系统负荷预测考核分析。
2.根据权利要求1所述的超短期系统负荷预测实时在线考核分析方法,其特征在于:所述步骤1中,超短期系统负荷预测每隔1~5分钟进行一次计算,且每次的计算结果均不相同,将超短期系统负荷预测在线计算结果进行保存,以便对在线预测结果进行考核分析。
3.根据权利要求1所述的超短期系统负荷预测实时在线考核分析方法,其特征在于:所述步骤2中,超短期系统负荷预测提供未来4小时以内每分钟的预测数据,并根据需要可扩展到当日的24:00的预测数据;按照不同时间段或时刻点,获取当前时刻之前的5分钟、30分钟、1小时、2小时时间段内或时刻点预测数据。
4.根据权利要求1所述的超短期系统负荷预测实时在线考核分析方法,其特征在于:所述步骤3中,从调度EMS系统获取统计与超短期系统负荷预测数据相对应的时间段或时刻点系统负荷实际数据。
5.根据权利要求1所述的超短期系统负荷预测实时在线考核分析方法,其特征在于:所述步骤4中,通过计算系统负荷预测在某时刻点的准确率与在某时间段的准确率,完成超短期系统负荷预测考核分析。
6.根据权利要求5所述的超短期系统负荷预测实时在线考核分析方法,其特征在于:系统负荷预测在时刻点k预测数据的相对误差用ek表示,有:
e k = | f - h | h × 100 % - - - ( 1 )
其中,f为系统负荷预测值,h为系统负荷实际值;
针对某时刻点,系统负荷准确率用E表示,有:
E=(1-ek)×100%   (2)
针对某时间段,系统负荷准确率用E′表示,有:
E ′ = ( 1 - 1 n Σ i = 1 n e k 2 ) × 100 % - - - ( 3 )
其中,n为预测时段数。
CN201410407340.6A 2014-08-18 2014-08-18 一种超短期系统负荷预测实时在线考核分析方法 Pending CN104168142A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410407340.6A CN104168142A (zh) 2014-08-18 2014-08-18 一种超短期系统负荷预测实时在线考核分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410407340.6A CN104168142A (zh) 2014-08-18 2014-08-18 一种超短期系统负荷预测实时在线考核分析方法

Publications (1)

Publication Number Publication Date
CN104168142A true CN104168142A (zh) 2014-11-26

Family

ID=51911789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410407340.6A Pending CN104168142A (zh) 2014-08-18 2014-08-18 一种超短期系统负荷预测实时在线考核分析方法

Country Status (1)

Country Link
CN (1) CN104168142A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203769A (zh) * 2016-06-23 2016-12-07 上海交通大学 一种基于时差系数的节假日天级需水量在线预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040246643A1 (en) * 2003-05-13 2004-12-09 Dingguo Chen Very short term load prediction
CN101969197A (zh) * 2010-08-17 2011-02-09 国电南瑞科技股份有限公司 一种母线负荷预测精度综合评价方法
CN102904249A (zh) * 2012-09-27 2013-01-30 中国电力科学研究院 一种基于安全约束的实时发电计划方法
CN102930344A (zh) * 2012-10-09 2013-02-13 中国电力科学研究院 一种基于负荷趋势变化的超短期母线负荷预测方法
CN103280800A (zh) * 2013-05-27 2013-09-04 东南大学 一种基于非线性拟合的超短期风电功率预测方法
CN103606022A (zh) * 2013-12-05 2014-02-26 国家电网公司 一种短期负荷预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040246643A1 (en) * 2003-05-13 2004-12-09 Dingguo Chen Very short term load prediction
CN101969197A (zh) * 2010-08-17 2011-02-09 国电南瑞科技股份有限公司 一种母线负荷预测精度综合评价方法
CN102904249A (zh) * 2012-09-27 2013-01-30 中国电力科学研究院 一种基于安全约束的实时发电计划方法
CN102930344A (zh) * 2012-10-09 2013-02-13 中国电力科学研究院 一种基于负荷趋势变化的超短期母线负荷预测方法
CN103280800A (zh) * 2013-05-27 2013-09-04 东南大学 一种基于非线性拟合的超短期风电功率预测方法
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 (2)

* Cited by examiner, † Cited by third party
Title
朱向阳: "电力系统短期负荷预测及其应用系统", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技II辑》 *
贺辉: "《电力负荷预测和负荷管理》", 31 January 2013 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203769A (zh) * 2016-06-23 2016-12-07 上海交通大学 一种基于时差系数的节假日天级需水量在线预测方法

Similar Documents

Publication Publication Date Title
Caballé et al. A condition-based maintenance of a dependent degradation-threshold-shock model in a system with multiple degradation processes
Ye et al. A Bayesian approach to condition monitoring with imperfect inspections
Feng et al. A state-space-based prognostic model for hidden and age-dependent nonlinear degradation process
US20200011932A1 (en) Battery capacity fading model using deep learning
Nielsen et al. On risk-based operation and maintenance of offshore wind turbine components
Kaiser et al. Predictive maintenance management using sensor-based degradation models
US20090281735A1 (en) Method, apparatus and computer program product for determining a future time of a component
EP3777083B1 (en) Anomaly detection and processing for seasonal data
KR102468316B1 (ko) 과거 데이터에 기초한 시계열 예측 방법 및 장치
Petković Adaptive neuro-fuzzy approach for estimation of wind speed distribution
US20180231962A1 (en) Sensing and computing control system for shaping precise temporal physical states
Lu et al. Data-driven dynamic predictive maintenance for a manufacturing system with quality deterioration and online sensors
CN110197288A (zh) 故障影响下设备的剩余使用寿命预测方法
CN105447594A (zh) 一种基于指数平滑的电力系统灰色负荷预测方法
US8954362B2 (en) System and method for predictive analytics in an electrical grid network
CN110852509A (zh) Igbt模块的故障预测方法、装置及存储介质
CN104598734A (zh) 滚动轴承集成期望最大化和粒子滤波的寿命预测模型
Wang et al. Prognosis-driven reliability analysis and replacement policy optimization for two-phase continuous degradation
Lin et al. Multi-objective decision-making model based on CBM for an aircraft fleet with reliability constraint
CN104063569A (zh) 一种基于emd去噪和渐消记忆的设备剩余寿命预测方法
CN104156453A (zh) 一种超短期母线负荷预测实时在线考核分析方法
CN104168142A (zh) 一种超短期系统负荷预测实时在线考核分析方法
Baraldi et al. Prognostics under different available information
CN103729549A (zh) 混合多失效模式数据的机械系统运行寿命估计方法
Yakovyna et al. Software failures forecasting by Holt-Winters, ARIMA and NNAR methods

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20141126

RJ01 Rejection of invention patent application after publication