CN104376367A - 基于气温和非线性自回归时序模型的短期负荷预测方法 - Google Patents
基于气温和非线性自回归时序模型的短期负荷预测方法 Download PDFInfo
- Publication number
- CN104376367A CN104376367A CN201410228489.8A CN201410228489A CN104376367A CN 104376367 A CN104376367 A CN 104376367A CN 201410228489 A CN201410228489 A CN 201410228489A CN 104376367 A CN104376367 A CN 104376367A
- Authority
- CN
- China
- Prior art keywords
- rank
- subitem
- length
- linear
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title abstract description 13
- 230000002123 temporal effect Effects 0.000 claims description 17
- 238000013277 forecasting method Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于气温和非线性自回归时序模型的短期负荷预测方法,包括:获取若干个历史日的电力负荷和若干个历史日的气温数据以及待预测日的预报气温;确定所述非线性自回归时序模型阶次和各阶子项记忆步长,估计模型参数,得到负荷预测模型;根据所述的待预测日的预报气温和所述的负荷预测模型预测所述的待预测日的负荷。针对负荷与气温相关性较强的特点,本发明将气温因素加入到对负荷的短期预测当中,提高了短期负荷的预测精度,为电网调度控制提供依据,为电网安全运行提供保障。
Description
技术领域
本发明涉及电力预测技术领域,尤其涉及基于气温和非线性自回归时序模型的短期负荷预测方法。
背景技术
无论微网还是大电网,提高短期负荷预测精度都是改善电能质量、使电网安全和经济运行的关键一环。短期负荷数据是按一定的时间间隔记录的,带有时间特征、非线性和较强的随机性,时间序列分析方法是对此类数据建模和预测的成熟且有效的方法。典型的非线性时间序列模型通用性不强,对负荷序列平稳性要求较高,仅仅考虑历史数据,较少考虑外部环境因素的影响及自身数据的规律性,而电力负荷的变化既有自身的规律性,又受某些相关因素的影响,在影响负荷的相关因素中,气温是最敏感的因素之一。非线性自回归时间序列模型建模时无须对序列进行平稳性检验,所能拟合的非线性范围广,通用性好,允许将影响输出的某些关键因素加入到建模过程中,可提高时序模型的建模预测精度。
发明内容
本发明的目的在于,为了提高短期负荷预测准确率,根据以上分析,提出基于气温和非线性自回归时序模型的短期负荷预测方法。
基于气温和非线性自回归时序模型的短期负荷预测方法,包括以下步骤。
获取若干个历史日的电力负荷和若干个历史日的气温数据以及待预测日的预报气温。
确定所述非线性自回归时序模型阶次和各阶子项记忆步长,估计模型参数,得到负荷预测模型。
根据所述的待预测日的预报气温和所述的负荷预测模型预测所述待预测日的负荷。
与一般的时间序列短期负荷预测方法相比,本发明基于气温和非线性自回归时序模型的短期负荷预测方法将气温因素加入到所述的负荷预测模型的建模过程,充分体现了气温因素对于负荷的巨大影响作用,无须对序列平稳性进行检验,简化了建模过程,提高了短期负荷的预测精度,为电网调度控制提供依据,为电网安全运行提供保障。
附图说明
图1是本发明基于气温和非线性自回归时序模型的短期负荷预测方法的流程示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
请参阅图1,为本发明基于气温和非线性自回归时序模型的短期负荷预测方法的流程示意图,本发明基于气温和非线性自回归时序模型的短期负荷预测方法,包括以下步骤。
S101获取若干个历史日电力负荷和若干个历史日气温数据以及待预测日的预报气温。
首先,获取若干个历史日的电力负荷和若干个历史日的气温数据以及待预测日的预报气温。
将所获得的电力负荷数据排成负荷序列,将所获得的历史气温数据据排成气温序列,记{yk }负荷序列,{xk }为气温序列,k=1,2,3,…。
S102
确定所述非线性自回归时序模型阶次和各阶子项记忆步长,估计模型参数,得到负荷预测模型。
短期负荷具有非线性特征,所述的负荷预测模型包括线性子项即一阶子项和非线性子项即二阶以及二阶以上阶次子项,所述的各阶子项记忆步长包括负荷序列关于该阶次的记忆步长和气温序列关于该阶次的记忆步长。
设所述模型阶次为r,在j阶项中(j=1,2,…,r),负荷序列{yk }和气温序列{xk }关于该阶项的记忆步长分别记为ny,j ,nx,j ,令mj=ny,j+nx,j
。
设向量 Z k,j 为所述模型中所有j阶项所组成的有序数组。
设向量 Z k,j,i (i=1,2,…,j)为 Z k,j 中的i次因子。
。
。
。
其中,向量 Z k,j,j 中的每个元素皆为j次,根据前述的 Z k,j 的定义,得到下式。
Z k,j = Z k,j,j
。
定义如下几个向量: Z k ={
Z k, 1 , Z k, 2,…, Z k,r } 。
。
。
。
。
其中,上式定义的向量 α 中的所有元素均为所述的负荷预测模型的参数。
估计所述的负荷预测模型的参数用最小二乘法。
记。
记。
于是,参数 α 的最小二乘估计为下式。
。
所述的非线性自回归时序短期负荷预测模型表达式为下式。
yk=Z k ∙ α + ε k
。
其中,yk 为k时刻的负荷,ε k 为k时刻的白噪声。
确定所述的模型阶次和各阶子项记忆步长包括以下步骤。
定义ek 为下式。
ek =yi -ŷi
。
其中,yi 为负荷实际数值,ŷi 为负荷预测值。
定义线性定阶指标为建模残差一步自相关系数ρ e ,1 。
。
其中,Nm 为用于建模的数据长度。
定义非线性定阶指标为模型误差平方和Sr 。
。
其中,Nf 为用于预测的数据长度。
根据所述的线性定阶指标ρ e ,1确定所述模型的一阶子项记忆步长,短期负荷非线性较强,线性部分占比较小,在确定所述模型的一阶子项记忆步长时,可令所述的负荷序列关于该阶次的记忆步长ny, 1等于所述的气温序列关于该阶次的记忆步长nx, 1 。
根据所述的非线性定阶指标Sr 确定所述模型的非线性阶次r和非线性各阶子项的记忆步长ny,j 和nx,j (j=2,3,…,r),每一阶非线性子项均有该阶子项所对应的非线性定阶指标,短期负荷对气温因素较敏感,主要通过调节所述气温序列关于各阶非线性子项的记忆步长nx,j 来寻找最优模型,而对所述负荷序列关于各阶非线性子项的记忆步长ny,j 的调节起辅助作用。
确定所述模型的一阶子项记忆步长,包括以下步骤。
令所获得的负荷序列和气温序列关于一阶子项的记忆步长的初始值为1,用前述的最小二乘法估计模型参数,计算线性定阶指标。
令所述的负荷序列和气温序列关于一阶子项的记忆步长都增加1,估计模型参数,计算所述的线性定阶指标,与前一个计算所得的线性定阶指标相比较。
若所述线性定阶指标未减小,则此时负荷序列和气温序列的记忆步长即为所述模型的一阶子项记忆步长,若所述的线性定阶指标减小,则重复上一步骤,直到所述的线性定阶指标不再减小为止,此时负荷序列和气温序列的记忆步长即为所述模型的一阶子项记忆步长。
确定所述模型的非线性阶次和非线性各阶子项的记忆步长,包括以下步骤。
设所述模型的非线性阶次r=2。
令所获得的负荷序列和气温序列关于r阶子项的记忆步长的初始值为1,估计模型参数,计算非线性定阶指标。
令所述的负荷序列和气温序列关于r阶子项的记忆步长都增加1,估计模型参数,计算非线性定阶指标,与前一个计算所得的非线性定阶指标相比较。
若所述的非线性定阶指标未减小,此时负荷序列的记忆步长即为所述模型的负荷序列关于r阶子项的记忆步长,若所述的非线性定阶指标减小,则重复上一步骤,直到所述的非线性定阶指标不再减小为止,此时负荷序列的记忆步长即为所述模型的负荷序列关于r阶子项的记忆步长。
令所述的气温序列关于r阶子项的记忆步长增加1,估计模型参数,计算非线性定阶指标,与前一个计算所得的非线性定阶指标相比较。
若所述的非线性定阶指标未减小,此时气温序列的记忆步长即为所述模型的气温序列关于r阶子项的记忆步长,此时的非线性定阶指标即为所述的r阶子项非线性定阶指标,若所述的非线性定阶指标减小,则重复上一步骤,直到所述的非线性定阶指标不再减小为止,此时气温序列的记忆步长即为所述模型的气温序列关于r阶子项的记忆步长,此时的非线性定阶指标即为所述的r阶子项非线性定阶指标。
令r=r+1,重复具体实施方式中的步骤0057至步骤0061,得到所述的r阶子项非线性定阶指标,并与所述的r-1阶子项非线性定阶指标相比较。
若所述的r阶子项非线性定阶指标不小于所述的r-1阶子项非线性定阶指标,则模型的阶次为r-1阶,若所述的r阶子项非线性定阶指标小于所述的r-1阶子项非线性定阶指标,则令r=r+1,重复具体实施方式中的步骤0057至步骤0061,直到所述的r阶子项非线性定阶指标不再小于所述的r-1阶子项非线性定阶指标为止,此时的阶次r即为模型的阶次。
S103根据所述待预测日的预报气温和所述的负荷预测模型预测所述待预测日的负荷。
设k时刻的负荷yk 即为所述待预测日的负荷预测值,则将所述待预测日的预报气温代入前面所得出的yk 的表达式,即可得出所述的待预测日的负荷预测值。
与一般的时间序列短期负荷预测方法相比,本发明基于气温和非线性自回归时序模型的短期负荷预测方法将气温因素加入到所述的负荷预测模型的建模过程,充分体现了气温因素对于负荷的巨大影响作用,无须对序列平稳性进行检验,简化了建模过程,提高了短期负荷的预测精度,为电网调度提供依据,为电网安全运行提供保障。
以上所述实施例仅为本发明的优选实施例而已,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制,应当指出的是,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (4)
1.基于气温和非线性自回归时序模型的短期负荷预测方法,其特征在于,包括以下步骤:
步骤一:获取若干个历史日电力负荷和若干个历史日的气温数据以及待预测日的预报气温;
步骤二:确定所述非线性自回归时间序列模型阶次和各阶子项记忆步长,估计模型参数,得到负荷预测模型;
步骤三:根据所述的待预测日预报气温和所述的负荷预测模型预测所述待预测日负荷。
2.根据权利要求1所述的基于气温和非线性自回归时序模型的短期负荷预测方法,其特征在于,所述的负荷预测模型包括线性子项即一阶子项和非线性子项即二阶以及二阶以上阶次子项,所述的各阶子项记忆步长包括负荷序列关于该阶次的记忆步长和气温序列关于该阶次的记忆步长,确定所述的模型阶次和各阶子项记忆步长包括以下步骤:
步骤二(101):定义线性定阶指标和非线性定阶指标;
步骤二(201):根据所述的线性定阶指标确定所述模型的一阶子项记忆步长,短期负荷非线性较强,线性部分占比较小,在确定所述模型的一阶子项记忆步长时,可令所述的负荷序列关于该阶次的记忆步长等于所述的气温序列关于该阶次的记忆步长;
步骤二(301):根据所述的非线性定阶指标确定所述模型的非线性阶次和非线性各阶子项的记忆步长,每一阶非线性子项均有该阶子项所对应的非线性定阶指标,短期负荷对气温因素较敏感,主要通过调节所述的气温序列关于各阶非线性子项的记忆步长来寻找最优模型,而对所述的负荷序列关于各阶非线性子项的记忆步长的调节起辅助作用。
3.根据权利要求2所述的基于气温和非线性自回归时序模型的短期负荷预测方法,其特征在于,确定所述模型的一阶子项记忆步长,包括以下步骤:
步骤二(202):令所获得的负荷序列和气温序列关于一阶子项的记忆步长的初始值为1,估计模型参数,计算线性定阶指标;
步骤二(203):令所述的负荷序列和气温序列关于一阶子项的记忆步长都增加1,估计模型参数,计算所述的线性定阶指标,与前一个计算所得的线性定阶指标相比较;
步骤二(204):若所述的线性定阶指标未减小,则此时负荷序列和气温序列的记忆步长即为所述模型的一阶子项记忆步长,若所述的线性定阶指标减小,则重复上一步骤,直到所述的线性定阶指标不再减小为止,此时负荷序列和气温序列的记忆步长即为所述模型的一阶子项记忆步长。
4.根据权利要求2所述的基于气温和非线性自回归时序模型的短期负荷预测方法,其特征在于,确定所述模型的非线性阶次和非线性各阶子项的记忆步长,包括以下步骤:
步骤二(302):设所述的非线性阶次r=2;
步骤二(303):令所获得的负荷序列和气温序列关于r阶子项的记忆步长的初始值为1,估计模型参数,计算非线性定阶指标;
步骤二(304):令所述的负荷序列和气温序列关于r阶子项的记忆步长都增加1,估计模型参数,计算非线性定阶指标,与前一个计算所得的非线性定阶指标相比较;
步骤二(305):若所述的非线性定阶指标未减小,此时负荷序列的记忆步长即为所述模型的负荷序列关于r阶子项的记忆步长,若所述的非线性定阶指标减小,则重复上一步骤,直到所述的非线性定阶指标不再减小为止,则此时负荷序列的记忆步长即为所述模型的负荷序列关于r阶子项的记忆步长;
步骤二(306):令所述的气温序列关于r阶子项的记忆步长增加1,估计模型参数,计算非线性定阶指标,与前一个计算所得的非线性定阶指标相比较;
步骤二(307):若所述的非线性定阶指标未减小,此时气温序列的记忆步长即为所述模型的气温序列关于r阶子项的记忆步长,此时的非线性定阶指标即为所述的r阶子项非线性定阶指标,若所述的非线性定阶指标减小,则重复上一步骤,直到所述的非线性定阶指标不再减小为止,此时气温序列的记忆步长即为所述模型的气温序列关于r阶子项的记忆步长,此时的非线性定阶指标即为所述的r阶子项非线性定阶指标;
步骤二(308):令r=r+1,重复权利要求4中的步骤二(303)至步骤二(307),得到所述的r阶子项非线性定阶指标,并与所述的r-1阶子项非线性定阶指标相比较;
步骤二(309):若所述的r阶子项非线性定阶指标不小于所述的r-1阶子项非线性定阶指标,则模型的阶次为r-1阶,若所述的r阶子项非线性定阶指标小于所述的r-1阶子项非线性定阶指标,则令r=r+1,重复权利要求4中的步骤二(303)至步骤二(307),直到所述的r阶子项非线性定阶指标不再小于所述的r-1阶子项非线性定阶指标为止,此时的阶次r即为所述模型的阶次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410228489.8A CN104376367B (zh) | 2014-05-28 | 2014-05-28 | 一种基于气温因素和非线性自回归时序模型的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410228489.8A CN104376367B (zh) | 2014-05-28 | 2014-05-28 | 一种基于气温因素和非线性自回归时序模型的短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104376367A true CN104376367A (zh) | 2015-02-25 |
CN104376367B CN104376367B (zh) | 2017-10-24 |
Family
ID=52555262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410228489.8A Active CN104376367B (zh) | 2014-05-28 | 2014-05-28 | 一种基于气温因素和非线性自回归时序模型的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104376367B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895211A (zh) * | 2017-11-27 | 2018-04-10 | 上海积成能源科技有限公司 | 一种基于大数据的中长期电力负荷预测方法和系统 |
CN114742263A (zh) * | 2022-03-02 | 2022-07-12 | 北京百度网讯科技有限公司 | 负荷预测方法、装置、电子设备及存储介质 |
CN114754396A (zh) * | 2022-04-12 | 2022-07-15 | 西安热工研究院有限公司 | 一种经智能算法优化的热电厂集中供热系统和方法 |
-
2014
- 2014-05-28 CN CN201410228489.8A patent/CN104376367B/zh active Active
Non-Patent Citations (2)
Title |
---|
谢宏: "电力系统日负荷预测理论与方法的研究", 《中国博士学位论文全文数据库(工程科技Ⅱ辑)》 * |
陈茹雯等: "线性/非线性时间序列模型一般表达式及其工程应用", 《东南大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895211A (zh) * | 2017-11-27 | 2018-04-10 | 上海积成能源科技有限公司 | 一种基于大数据的中长期电力负荷预测方法和系统 |
CN114742263A (zh) * | 2022-03-02 | 2022-07-12 | 北京百度网讯科技有限公司 | 负荷预测方法、装置、电子设备及存储介质 |
CN114742263B (zh) * | 2022-03-02 | 2024-03-01 | 北京百度网讯科技有限公司 | 负荷预测方法、装置、电子设备及存储介质 |
CN114754396A (zh) * | 2022-04-12 | 2022-07-15 | 西安热工研究院有限公司 | 一种经智能算法优化的热电厂集中供热系统和方法 |
CN114754396B (zh) * | 2022-04-12 | 2023-08-18 | 西安热工研究院有限公司 | 一种经智能算法优化的热电厂集中供热系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104376367B (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11086276B2 (en) | System identification and model development | |
JP6292076B2 (ja) | 時系列予測アンサンブル | |
Wang et al. | Optimization models based on GM (1, 1) and seasonal fluctuation for electricity demand forecasting | |
CN102930356A (zh) | 基于气象因素敏感度的短期负荷预测方法 | |
CN103336891B (zh) | 一种用于配电网状态估计的伪量测生成方法 | |
CN108363295B (zh) | 基于系统辨识的火电机组agc性能考核指标计算与预测方法 | |
CN105305426B (zh) | 基于偏差控制机制的Mapreduce化两步法短期负荷预测方法 | |
Cigler et al. | On the selection of the most appropriate MPC problem formulation for buildings | |
CN109638812A (zh) | 一种自适应的配电线路超短期负荷预测方法及系统 | |
CN109670696B (zh) | 一种基于运行大数据的线路重过载预测方法 | |
CN105631556A (zh) | 一种非恒定的条件非线性最优参数扰动计算方法 | |
CN104376367A (zh) | 基于气温和非线性自回归时序模型的短期负荷预测方法 | |
CN104376202A (zh) | 基于离散灰色模型的电力变压器特征状态量预测方法 | |
CN103886391A (zh) | 业务量预测方法和装置 | |
CN105676645A (zh) | 一种基于函数型权rbf-arx模型的双回路水箱液位预测控制方法 | |
Shabani et al. | Predicting building energy consumption using engineering and data driven approaches: A review | |
Tan et al. | Data-driven inverse optimization for modeling intertemporally responsive loads | |
Floros et al. | Simulation of smart-grid models using quantization-based integration methods | |
JP2016086519A (ja) | 消費電力の非線形予測方法および装置 | |
Bian et al. | Saturated load forecasting based on nonlinear system dynamics | |
Li et al. | Wind Power Installed Capacity Forecast Based on a Two‐Parameter Variable‐Weight Buffer Operator and Subsidy Strategy Research | |
Zheng et al. | Double trends time series forecasting using a combined ARIMA and GMDH model | |
CN103513618A (zh) | 工业过程的控制方法和设备 | |
Shukayev et al. | Modeling the processes of distribution of resource flows | |
Zou et al. | Short-time traffic flow forecasting based on the k-nearest neighbor model |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210409 Address after: 262200 street house, 2nd floor, South, Party building, Huanghua Town, Zhucheng City, Weifang City, Shandong Province Patentee after: Guodian Zhucheng Wind Power Co.,Ltd. Address before: No.1800 Lihu Avenue, Wuxi City, Jiangsu Province, 214122 Patentee before: Jiangnan University |
|
TR01 | Transfer of patent right |