CN104699890A - 一种城网配变重过载短期预警模型的建模方法 - Google Patents
一种城网配变重过载短期预警模型的建模方法 Download PDFInfo
- Publication number
- CN104699890A CN104699890A CN201510005614.3A CN201510005614A CN104699890A CN 104699890 A CN104699890 A CN 104699890A CN 201510005614 A CN201510005614 A CN 201510005614A CN 104699890 A CN104699890 A CN 104699890A
- Authority
- CN
- China
- Prior art keywords
- early
- model
- heavily
- forewarning
- warning
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种城网配变重过载短期预警模型的建模方法，包括：集建模所需相关变量的原始数据；设计并计算预警模型的特征变量，对特征变量进行筛选；通过单变量logistic回归，比较查全率和查准率，确定核心变量；采用逐步回归法，依次加入其他变量，优化得到预警模型；将实际数据带入预警模型进行预测，得出配变重过载的概率清单并排序；根据历史温度和历史重过载数量建立loess方程，并根据预报温度预测配变重过载数，再从概率清单中选取相应的数量作为当周的重过载预警清单；利用当年数据对历史数据建立的预警模型进行预测验证，若预警结果好则直接使用，否则优化预警模型；该方法有利于建立准确的配变重过载短期预警模型。
Description
技术领域
本发明涉及信息自动化技术领域，特别涉及一种城网配变重过载短期预警模型的建模方法。
背景技术
由于近年来经济的持续稳定发展，城区用电负荷出现了相应的较快增长，每年均有配变发生重过载的现象，供电单位满足用户用电需求的难度也在不断提高。同时由于配网资金有限，不能完全满足改造需求。因此，科学地开展配变重过载的短期预警工作，可为改造规划提供参考，提高配网对迎峰度夏期间峰荷的应急能力，还能够为独立判断、分析各地市重过载程度、合理分配资源提供客观依据。
城市配变在迎峰度夏期间更易受到夏季高温影响产生重过载情况，预警需求较大。另外由于城区配网的信息化建设开展较早，可为分析预警模型提供较好的数据支撑。
发明内容
本发明的目的在于提供一种城网配变重过载短期预警模型的建模方法，该方法有利于建立准确的配变重过载短期预警模型。
为实现上述目的，本发明采用的技术方案是：一种城网配变重过载短期预警模型的建模方法，按照如下步骤建立预警模型：
步骤1：根据预警模型的整体框架，采集建模所需相关变量的原始数据，即特征参数，并基于一定的数据清洗规则对原始数据进行清洗，以确保进入预警模型的数据质量；
步骤2：根据短期数据的特征，设计并计算预警模型的特征变量，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选；
步骤3：通过单变量logistic回归，比较单变量回归模型的查全率和查准率，确定核心变量；在已有核心变量的基础上，采用逐步回归法，依次加入其他变量，比较预警模型的查全率和查准率，不断优化，进而建立预警模型；
步骤4：将实际数据带入预警模型对配变短期的重过载现象进行预测，得出配变重过载的概率清单，并按概率从高到低进行排序；根据历史温度和历史重过载数量建立loess方程，并利用预警周的预报温度对该周的配变重过载数量进行预测；最后，根据loess方程预测的重过载数，从概率清单中按高到低选取相应的数量，作为当周的重过载预警清单；
步骤5：根据历史数据建立的预警模型，将当年数据代入并进行预测验证，如果预警结果优于设定值，则直接使用该预警模型，否则通过调整预警模型的自变量、优化loess方程的方式优化预警模型；
步骤6：输出预警模型和预警结果。
进一步的，根据去年和发布日前一月4周的数据建立Logistic回归模型，带入本周数据，生成预测配变发生重过载概率清单；结合loess模型预测的重过载数量，从概率清单中按高到低选取相应的数量，作为当周的重过载预警清单。
进一步的，在步骤2中，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选的方法如下：如果单个自变量与因变量之间的显著性水平小于设定值，则将此自变量纳入后续的建模的候选变量中。
本发明的有益效果提供了一种城网配变重过载短期预警模型的建模方法，该方法建立的配变重过载中期预警模型可以通过联合Loess回归方程和Logistic回归模型对配变迎峰度夏期间每周的重载情况进行预警，提高了判断的准确性，为独立判断、分析各地市重过载程度、合理分配资源提供客观依据。
附图说明
图1是本发明的实现流程图。
图2是本发明实施例中预警模型的预警结果图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
本发明城网配变重过载短期预警模型的建模方法，如图1所示，按照如下步骤建立预警模型：
步骤1：根据预警模型的整体框架，采集建模所需相关变量的原始数据，即特征参数，并基于一定的数据清洗规则对原始数据进行清洗，以确保进入预警模型的数据质量。
步骤2：根据短期数据的特征，设计并计算预警模型的特征变量，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选：如果单个自变量与因变量之间的显著性水平小于设定值，则将此自变量纳入后续的建模的候选变量中。
步骤3：通过单变量logistic回归，比较单变量回归模型的查全率和查准率，确定核心变量；在已有核心变量的基础上，采用逐步回归法，依次加入其他变量，比较预警模型的查全率和查准率，不断优化，进而建立预警模型。
步骤4：将实际数据带入预警模型对配变短期的重过载现象进行预测，得出配变重过载的概率清单，并按概率从高到低进行排序；根据历史温度和历史重过载数量建立loess方程，并利用预警周的预报温度对该周的配变重过载数量进行预测；最后，根据loess方程预测的重过载数，从概率清单中按高到低选取相应的数量，作为当周的重过载预警清单。
步骤5：模型的验证及优化。模型的建立需要不断的优化，通过比较取舍，确定最优的预警模型。根据历史数据建立的预警模型，将当年数据代入并进行预测验证，如果预警结果优于设定值，则直接使用该预警模型，否则通过调整预警模型的自变量、优化loess方程的方式优化预警模型。
步骤6：输出预警模型和预警结果。
在本实施例中，根据去年和发布日前一月4周的数据建立Logistic回归模型，带入本周数据，生成预测配变发生重过载概率清单；结合loess模型预测的重过载数量，从概率清单中按高到低选取相应的数量，作为当周的重过载预警清单。
本发明建立预警模型，采用联合Loess回归方程和Logistic回归模型对配变迎峰度夏期间每周的重载情况进行预警，根据输出的预警清单，对发生重过载的配变进行预警，具体按照以下步骤进行：
第一步：构建本周预警模型。根据去年和发布日前一月第1-3周数据（自变量）与发布日前一月第4周数据（因变量）建立Logistic回归模型。
第二步：设将模型应用到当周，生成概率清单。利用去年和发布日前一月第2-4周数据，并根据建立的Logistic回归模型来预测发布日当周重载情况，计算其所有案例的概率值。
第三步：根据历史温度和历史重载数量建立loess模型，并利用预警周的预报温度对该周的配变重载数量进行预测。
第四步：根据loess模型预测的重载数，从概率清单中按高到低选取相应的数量，作为当周的重载预警清单。
实施例1
本发明采用福州市城区配变负荷、设备、客户以及气温数据的挖掘分析，建立基于loess方程的Logistic回归配变重过载短期预警模型，对2013福州城区配变迎峰度夏期间发生重过载的概率进行短期的预测。
基于Windows下的开发环境，使用Oracle Database建立相应的历史、实时数据库，通过R语言编程工具建立模型。
在设计和实现上主要有以下几点：
1、观察福州城区配变历史负荷特征、近期负荷特征、客户用电行为和温度特征，设计输入logistic模型的特征变量。
2、通过拟合单变量Logistic回归模型的准确性结果，对自变量进行筛选。
3、通过查全率和查准率对模型准确率进行评价。
4、通过选取去年6月15日-9月15日的每周七天平均最高温数据和对应周配变实际发生重过载数量作为loess方程输入数据，建立历史温度和历史重过载数量关联的Loess回归方程，并以此来作为重过载预测发生数。
经过以上步骤分析，logistic回归重载预警模型的变量表1、logistic回归过载预警模型的变量如表2。
表1
表2
短期重过载预警模型在福州城区迎峰度夏13周内（6月15-9与15日）的预警结果如图2。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (3)
1.一种城网配变重过载短期预警模型的建模方法，其特征在于，按照如下步骤建立预警模型：
步骤1：根据预警模型的整体框架，采集建模所需相关变量的原始数据，即特征参数，并基于一定的数据清洗规则对原始数据进行清洗，以确保进入预警模型的数据质量；
步骤2：根据短期数据的特征，设计并计算预警模型的特征变量，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选；
步骤3：通过单变量logistic回归，比较单变量回归模型的查全率和查准率，确定核心变量；在已有核心变量的基础上，采用逐步回归法，依次加入其他变量，比较预警模型的查全率和查准率，不断优化，进而建立预警模型；
步骤4：将实际数据带入预警模型对配变短期的重过载现象进行预测，得出配变重过载的概率清单，并按概率从高到低进行排序；根据历史温度和历史重过载数量建立loess方程，并利用预警周的预报温度对该周的配变重过载数量进行预测；最后，根据loess方程预测的重过载数，从概率清单中按高到低选取相应的数量，作为当周的重过载预警清单；
步骤5：根据历史数据建立的预警模型，将当年数据代入并进行预测验证，如果预警结果优于设定值，则直接使用该预警模型，否则通过调整预警模型的自变量、优化loess方程的方式优化预警模型；
步骤6：输出预警模型和预警结果。
2.根据权利要求1所述的一种城网配变重过载短期预警模型的建模方法，其特征在于，根据去年和发布日前一月4周的数据建立Logistic回归模型，带入本周数据，生成预测配变发生重过载概率清单；结合loess模型预测的重过载数量，从概率清单中按高到低选取相应的数量，作为当周的重过载预警清单。
3.根据权利要求1所述的一种城网配变重过载短期预警模型的建模方法，其特征在于，在步骤2中，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选的方法如下：如果单个自变量与因变量之间的显著性水平小于设定值，则将此自变量纳入后续的建模的候选变量中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510005614.3A CN104699890B (zh) | 2015-01-07 | 2015-01-07 | 一种城网配变重过载短期预警模型的建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510005614.3A CN104699890B (zh) | 2015-01-07 | 2015-01-07 | 一种城网配变重过载短期预警模型的建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104699890A true CN104699890A (zh) | 2015-06-10 |
| CN104699890B CN104699890B (zh) | 2018-10-23 |
Family
ID=53347006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510005614.3A Active CN104699890B (zh) | 2015-01-07 | 2015-01-07 | 一种城网配变重过载短期预警模型的建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104699890B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107909230A (zh) * | 2018-01-12 | 2018-04-13 | 国网福建省电力有限公司 | 一种农网配变重过载短期预警模型的建模方法 |
| CN109087008A (zh) * | 2018-08-07 | 2018-12-25 | 济南浪潮高新科技投资发展有限公司 | 一种设备故障预警方法及装置 |
| CN109114742A (zh) * | 2018-07-27 | 2019-01-01 | 广东美的制冷设备有限公司 | 控制方法、装置、空调器、遥控终端、服务器及存储介质 |
| CN109117974A (zh) * | 2017-06-26 | 2019-01-01 | 中国电力科学研究院 | 一种配电网台区重过载风险评估方法和装置 |
| CN109583086A (zh) * | 2018-11-30 | 2019-04-05 | 国网河北省电力有限公司电力科学研究院 | 配电变压器重过载预测方法及终端设备 |
| CN109886819A (zh) * | 2019-01-16 | 2019-06-14 | 平安科技（深圳）有限公司 | 保险赔付支出的预测方法、电子装置及存储介质 |
| CN110210682A (zh) * | 2019-06-12 | 2019-09-06 | 云南电网有限责任公司大理供电局 | 基于负载数据图像化卷积神经网络的配变重过载预警方法 |
| CN110751338A (zh) * | 2019-10-23 | 2020-02-04 | 贵州电网有限责任公司 | 一种配变台区重过载特征模型的构建和预警的方法 |
| CN114925900A (zh) * | 2022-05-16 | 2022-08-19 | 国网湖北省电力有限公司咸宁供电公司 | 一种配变重、过载风险预警分析的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102427218A (zh) * | 2011-10-28 | 2012-04-25 | 武汉供电公司变电检修中心 | 基于人工智能技术的变压器短期过载能力评估系统 |
| WO2012138688A1 (en) * | 2011-04-04 | 2012-10-11 | The Catholic University Of America | Systems and methods for improving the accuracy of day-ahead load forecasts on an electric utility grid |
| CN103116814A (zh) * | 2013-03-14 | 2013-05-22 | 上海市电力公司 | 一种地区电网主设备中期负荷预测系统 |
-
2015
- 2015-01-07 CN CN201510005614.3A patent/CN104699890B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012138688A1 (en) * | 2011-04-04 | 2012-10-11 | The Catholic University Of America | Systems and methods for improving the accuracy of day-ahead load forecasts on an electric utility grid |
| CN102427218A (zh) * | 2011-10-28 | 2012-04-25 | 武汉供电公司变电检修中心 | 基于人工智能技术的变压器短期过载能力评估系统 |
| CN103116814A (zh) * | 2013-03-14 | 2013-05-22 | 上海市电力公司 | 一种地区电网主设备中期负荷预测系统 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109117974A (zh) * | 2017-06-26 | 2019-01-01 | 中国电力科学研究院 | 一种配电网台区重过载风险评估方法和装置 |
| CN107909230A (zh) * | 2018-01-12 | 2018-04-13 | 国网福建省电力有限公司 | 一种农网配变重过载短期预警模型的建模方法 |
| CN109114742A (zh) * | 2018-07-27 | 2019-01-01 | 广东美的制冷设备有限公司 | 控制方法、装置、空调器、遥控终端、服务器及存储介质 |
| CN109087008A (zh) * | 2018-08-07 | 2018-12-25 | 济南浪潮高新科技投资发展有限公司 | 一种设备故障预警方法及装置 |
| CN109583086A (zh) * | 2018-11-30 | 2019-04-05 | 国网河北省电力有限公司电力科学研究院 | 配电变压器重过载预测方法及终端设备 |
| CN109886819A (zh) * | 2019-01-16 | 2019-06-14 | 平安科技（深圳）有限公司 | 保险赔付支出的预测方法、电子装置及存储介质 |
| CN109886819B (zh) * | 2019-01-16 | 2023-10-24 | 平安科技（深圳）有限公司 | 保险赔付支出的预测方法、电子装置及存储介质 |
| CN110210682A (zh) * | 2019-06-12 | 2019-09-06 | 云南电网有限责任公司大理供电局 | 基于负载数据图像化卷积神经网络的配变重过载预警方法 |
| CN110751338A (zh) * | 2019-10-23 | 2020-02-04 | 贵州电网有限责任公司 | 一种配变台区重过载特征模型的构建和预警的方法 |
| CN114925900A (zh) * | 2022-05-16 | 2022-08-19 | 国网湖北省电力有限公司咸宁供电公司 | 一种配变重、过载风险预警分析的方法 |
| CN114925900B (zh) * | 2022-05-16 | 2024-07-26 | 国网湖北省电力有限公司咸宁供电公司 | 一种配变重、过载风险预警分析的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104699890B (zh) | 2018-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104699890A (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
| Lin et al. | An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation | |
| CN101551884B (zh) | 面向大规模样本的cvr电力负荷快速预测方法 | |
| Wang et al. | China’s natural gas production and consumption analysis based on the multicycle Hubbert model and rolling Grey model | |
| CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
| CN104574209A (zh) | 一种城网配变重过载中期预警模型的建模方法 | |
| CN104657788A (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
| CN104156786A (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 | |
| CN104865827B (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
| CN103473438A (zh) | 风功率预测模型优选及修正方法 | |
| CN105488592A (zh) | 一种光伏电站发电量预测的方法 | |
| Liu et al. | A systems dynamic model of a coal-based city with multiple adaptive scenarios: A case study of Ordos, China | |
| Zheng et al. | Short-term load forecasting of power system based on neural network intelligent algorithm | |
| CN117494906B (zh) | 一种基于多元时间序列的天然气日负荷预测方法 | |
| CN113590682B (zh) | 电网停电窗口期生成方法、装置、电子设备和存储介质 | |
| CN107330538A (zh) | 一种气候变化条件下水库适应性调度规则编制的方法 | |
| CN105005623A (zh) | 基于关键词检索指数相关性分析的用电需求预测方法 | |
| CN104517160A (zh) | 基于容量利用特征的新型电力市场预测系统和方法 | |
| Lang et al. | A novel two‐stage interval prediction method based on minimal gated memory network for clustered wind power forecasting | |
| CN115859808A (zh) | 一种泵组工作预测方法、装置、电子设备及存储介质 | |
| CN104008444A (zh) | 一种应用于多约束项目下团队构建的模型及方法 | |
| CN110968057B (zh) | 一种解决智能制造车间多目标优化的规划方法 | |
| Liu et al. | Forecasting China’s per capita living energy consumption by employing a novel DGM (1, 1, tα) model with fractional order accumulation | |
| CN105447598A (zh) | 一种基于误差修正模型的电力系统中负荷预测装置及方法 | |
| CN113807573A (zh) | 一种基于数据管理和三维搜索的施工预测分析方法及系统 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 100030 Beijing Xicheng District West Chang'an Avenue 86 Co-patentee after: STATE GRID FUJIAN ELECTRIC POWER Co.,Ltd. Patentee after: STATE GRID CORPORATION OF CHINA Co-patentee after: STATE GRID FUJIAN ELECTRIC POWER Research Institute Address before: 100031 West Chang'an Avenue, Xicheng District, Xicheng District, Beijing Co-patentee before: STATE GRID FUJIAN ELECTRIC POWER Co.,Ltd. Patentee before: State Grid Corporation of China Co-patentee before: STATE GRID FUJIAN ELECTRIC POWER Research Institute |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20181105 Address after: 100030 Beijing Xicheng District West Chang'an Avenue 86 Co-patentee after: STATE GRID FUJIAN ELECTRIC POWER Co.,Ltd. Patentee after: STATE GRID CORPORATION OF CHINA Co-patentee after: STATE GRID FUJIAN ELECTRIC POWER Research Institute Co-patentee after: STATE GRID FUJIAN ECONOMIC Research Institute Address before: 100030 Beijing Xicheng District West Chang'an Avenue 86 Co-patentee before: STATE GRID FUJIAN ELECTRIC POWER Co.,Ltd. Patentee before: State Grid Corporation of China Co-patentee before: STATE GRID FUJIAN ELECTRIC POWER Research Institute |
|
| TR01 | Transfer of patent right |