CN104794547B - 一种基于温度的电力负荷数据长期预测方法 - Google Patents
一种基于温度的电力负荷数据长期预测方法 Download PDFInfo
- Publication number
- CN104794547B CN104794547B CN201510236483.XA CN201510236483A CN104794547B CN 104794547 B CN104794547 B CN 104794547B CN 201510236483 A CN201510236483 A CN 201510236483A CN 104794547 B CN104794547 B CN 104794547B
- Authority
- CN
- China
- Prior art keywords
- temperature
- load data
- power load
- data
- daily
- 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 31
- 230000007774 longterm Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 239000013589 supplement Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- 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温度的电力负荷数据长期预测方法,该方法包括:获取一定时间内采集时点的电力负荷数据及日均气温;将日均气温作为电力负荷数据的刻画指标,基于获取到的电力负荷数据和基于回归方法的边际增量模型,预测未来某一日在某日均温度下的日电力负荷值。本发明公开的方法通过将温度作为电力负荷数据的刻画指标,将电力负荷数据的预测与温度有效的联系了起来,同时,在处理过程中,没有破坏数据的原始性;另外,针对数据集不充分的缺陷,设置边际增量加以补充;而对于传统的将负荷转化为时间序列处理中,无法进行中长期预测的问题,本方案得到了很好的解决。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于温度的电力负荷数据长期预测方法。
背景技术
目前,对电力负荷预测的方法有很多。有基于人工网络、支持向量机等预测模型来拟合负荷曲线的,也有基于负荷典型的周期性的时间序列特征,采用ARIMA等模型来预测的。这些方法确实也取得较好的效果,但是他们往往只能针对短期的负荷预测,随着时间的增长,预测效果下降趋势明显。另一方面,原始数据与模型进行结合处理,也必然会造成信息的损失。
在这些传统方法中,只把负荷作为时间序列的一个应用对象,并未考虑到与之密切相关的温度等因素。
发明内容
本发明的目的是提供一种基于温度的电力负荷数据长期预测方法,将电力负荷数据的预测与温度有效的联系了起来,从而可以准确的实现负荷数据的长期预测。
本发明的目的是通过以下技术方案实现的:
一种基于温度的电力负荷数据长期预测方法,该方法包括:
获取一定时间内采集时点的电力负荷数据及日均气温;
将日均气温作为电力负荷数据的刻画指标,基于获取到的电力负荷数据和基于回归方法的边际增量模型,预测未来某一日在某日均温度下的日电力负荷值。
所述预测未来某一日在某日均温度下的日电力负荷值包括:
步骤S1、选取未来某一日在日均温度T下需要预测日电力负荷数据的用户,该用户每天的电力负荷数据中包含48个采集时点;
步骤S2、判断该用户的历史电力负荷数据中是否有日均温度T下的电力负荷数据;若无,则转入步骤S3;若有,则提取出日均温度为T的k天的数据,并按时间顺序进行排序,再进行k次数据更新:步骤a、将T温度下最早记录的电力负荷数据设为初值P0,令P=P0;步骤b、将T温度下第二个记录的电力负荷数据为P1;步骤c、利用自学模型更新P,P=(9P+P1)/10;之后,再转到步骤b,重复k-2次,获得的结果记为P自学习;
步骤S3、提取该用户包含温度的历史电力负荷数据,按如下方法进行处理:假设温度每增加一定的比例电力负荷会增加一定比例构造相关关系为:其中,ΔP=P边际-P',ΔT=T设定-T';式中,T'为设定的基础温度,P'为基础温度下的电力负荷数据,T设定为设定的目标温度;;通过使用线性回归的方法对上述关系式进行拟合,估计参数α与ε,从而计算出P边际;
步骤S4、将P自学习与P边际进行加权计算,获得预测到的电力负荷数据P预测:
其中,
由上述本发明提供的技术方案可以看出,通过将温度作为电力负荷数据的刻画指标,将电力负荷数据的预测与温度有效的联系了起来,同时,在处理过程中,没有破坏数据的原始性;另外,针对数据集不充分的缺陷,设置边际增量加以补充;而对于传统的将负荷转化为时间序列处理中,无法进行中长期预测的问题,本方案得到了很好的解决。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种基于温度的电力负荷数据长期预测方法的流程图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明实施例提供一种基于温度的电力负荷数据长期预测方法。如图1所示,该方法主要包括如下步骤:
步骤11、获取一定时间内采集时点的电力负荷数据及日均气温。
步骤12、将日均气温作为电力负荷数据的刻画指标,基于获取到的电力负荷数据和基于回归方法的边际增量模型,预测未来某一日在某日均温度下的日电力负荷值。
本步骤具体通过如下四个步骤来实现:
1)选取未来某一日在日均温度T下需要预测日电力负荷数据的用户,该用户每天的电力负荷数据中包含48个采集时点。
2)判断该用户的历史电力负荷数据中是否有日均温度T下的电力负荷数据;若无,则转入步骤3);若有,则提取出日均温度为T的k天的电力负荷数据,并按时间顺序进行排序,再进行k次数据更新:步骤a、将T温度下最早记录的电力负荷数据设为初值P0,令P=P0;步骤b、将T温度下第二个记录的电力负荷数据设为P1;步骤c、利用自学模型更新P,P=(9P+P1)/10;之后,再转到步骤b,重复k-2次,获得的结果记为P自学习;
本发明实施例中,基于自学模型P=(9P+P1)/10并结合该用户的历史日均温度T下的电力负荷数据进行上述计算,最终更新后的P值记为P自学习;上述的P0~Pk分别为第1~第k天的电力负荷数据,由于该用户每天的电力负荷数据中包含48个采集时点,因此上述的P0~Pk均为48维的数据。
3)提取该用户包含温度的历史电力负荷数据,按如下方法进行处理:假设温度每增加一定的比例电力负荷会增加一定比例构造相关关系为:其中,ΔP=P边际-P',ΔT=T设定-T';式中,T'为设定的基础温度,P'为基础温度下的电力负荷数据,T设定为设定的目标温度;通过使用线性回归的方法对上述关系式进行拟合,估计参数α与ε,从而获得计算出P边际;
4)将P自学习与P边际进行加权计算,获得预测到的电力负荷数据P预测:
其中,
当δ=0时,则表示该用户的历史电力负荷数据中没有日均温度为T的相关数据,此时,无需进行步骤2)中的自学习过程,步骤3)的结果P边际为最终结果P预测。
本发明实施例的上述方案,通过将温度作为电力负荷数据的刻画指标,将电力负荷数据的预测与温度有效的联系了起来,同时,在处理过程中,没有破坏数据的原始性;另外,针对数据集不充分的缺陷,设置边际增量加以补充;而对于传统的将负荷转化为时间序列处理中,无法进行中长期预测的问题,本方案得到了很好的解决。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (1)
1.一种基于温度的电力负荷数据长期预测方法,其特征在于,该方法包括:
获取一定时间内采集时点的电力负荷数据及日均气温;
将日均气温作为电力负荷数据的刻画指标,基于获取到的电力负荷数据和基于回归方法的边际增量模型,预测未来某一日在某日均温度下的日电力负荷值;
其中,所述预测未来某一日在某日均温度下的日电力负荷值包括:
步骤S1、选取未来某一日在日均温度T下需要预测日电力负荷数据的用户,该用户每天的电力负荷数据中包含48个采集时点;
步骤S2、判断该用户的历史电力负荷数据中是否有日均温度T下的电力负荷数据;若无,则转入步骤S3;若有,则提取出日均温度为T的k天的数据,并按时间顺序进行排序,再进行k次数据更新:步骤a、将T温度下最早记录的电力负荷数据设为初值P0,令P=P0;步骤b、将T温度下第二个记录的电力负荷数据为P1;步骤c、利用自学模型更新P,P=(9P+P1)/10;之后,再转到步骤b,重复k-2次,获得的结果记为P自学习;
步骤S3、提取该用户包含温度的历史电力负荷数据,按如下方法进行处理:假设温度每增加一定的比例电力负荷会增加一定比例构造相关关系为:其中,ΔP=P边际-P',ΔT=T设定-T';式中,T'为设定的基础温度,P'为基础温度下的电力负荷数据,T设定为设定的目标温度;通过使用线性回归的方法对上述关系式进行拟合,估计参数α与ε,从而计算出P边际;
步骤S4、将P自学习与P边际进行加权计算,获得预测到的电力负荷数据P预测:
其中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510236483.XA CN104794547B (zh) | 2015-05-11 | 2015-05-11 | 一种基于温度的电力负荷数据长期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510236483.XA CN104794547B (zh) | 2015-05-11 | 2015-05-11 | 一种基于温度的电力负荷数据长期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104794547A CN104794547A (zh) | 2015-07-22 |
CN104794547B true CN104794547B (zh) | 2018-04-10 |
Family
ID=53559333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510236483.XA Active CN104794547B (zh) | 2015-05-11 | 2015-05-11 | 一种基于温度的电力负荷数据长期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104794547B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797006B (zh) * | 2017-10-19 | 2020-06-12 | 国家电网公司 | 变压器负荷预测方法及装置 |
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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927594A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于自学习复合数据源自回归模型的风电功率预测方法 |
-
2015
- 2015-05-11 CN CN201510236483.XA patent/CN104794547B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927594A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于自学习复合数据源自回归模型的风电功率预测方法 |
Non-Patent Citations (2)
Title |
---|
基于逐时气象信息的相似日回归模型夏季负荷预测;钟晓勇 等;《中国科技论文在线》;20070302;第1-7页 * |
应用逐步回归方法预测日最大用电负荷;江胜国 等;《中国气象学会2008年年会城市气象与城市可持续发展分会场论文集》;20081101;第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104794547A (zh) | 2015-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Time series forecasting for building energy consumption using weighted Support Vector Regression with differential evolution optimization technique | |
JP2013099143A (ja) | 予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法 | |
CN114723174B (zh) | 一种基于状态评估的能源输送参数调整方法及系统 | |
CN110212592B (zh) | 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 | |
CN104794547B (zh) | 一种基于温度的电力负荷数据长期预测方法 | |
JP2011114944A (ja) | 電力需要予測装置、そのプログラム | |
JP2009225613A (ja) | 電力需要予測装置及び電力需要予測方法 | |
JP2019096164A (ja) | 電力市場価格予測装置、電力市場価格予測方法、および電力市場価格予測プログラム | |
JP2017010111A (ja) | ノイズデータ除去支援装置、方法、および、プログラム | |
CN105225252B (zh) | 云团运动预测方法 | |
CN111191812A (zh) | 一种光伏出力预测方法及系统 | |
Hyndman et al. | Monash electricity forecasting model | |
JP2017070134A (ja) | 電力予測方法 | |
Krishnamoorthy et al. | Leveraging Deep Learning for Climate Change Prediction Models: A Dive into Cutting-Edge Techniques | |
CN114581119A (zh) | 流量预测方法以及装置 | |
CN104268698B (zh) | 一种对电网企业运营监测业务数据进行排名的方法 | |
Cammarano et al. | Improving energy predictions in EH-WSNs with pro-energy-VLT | |
JP6915156B2 (ja) | 電力需要予測装置、電力需要予測方法、およびそのプログラム | |
JP2015222530A (ja) | 発電予測装置、発電予測方法、及びプログラム | |
CN109840308B (zh) | 一种区域风电功率概率预报方法及系统 | |
CN111310121A (zh) | 一种新能源出力概率预测方法和系统 | |
CN108427742B (zh) | 一种基于低秩矩阵的配电网可靠性数据修复方法及系统 | |
JP5826892B1 (ja) | 変化点検出装置、変化点検出方法、及びコンピュータプログラム | |
JP2017153257A (ja) | 電力需要予測装置、及び電力需要予測方法 | |
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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |