CN105373855A - 一种用于特殊天气和特殊日期的电力系统日负荷预测方法 - Google Patents
一种用于特殊天气和特殊日期的电力系统日负荷预测方法 Download PDFInfo
- Publication number
- CN105373855A CN105373855A CN201510807647.XA CN201510807647A CN105373855A CN 105373855 A CN105373855 A CN 105373855A CN 201510807647 A CN201510807647 A CN 201510807647A CN 105373855 A CN105373855 A CN 105373855A
- Authority
- CN
- China
- Prior art keywords
- load
- special weather
- special
- technical dates
- list entries
- 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
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用于特殊天气和特殊日期的电力系统日负荷预测方法,包括以下步骤:A、采集电网历史负荷数据,分离形成特殊日期负荷时间序列和特殊天气负荷时间序列;B、基于时间序列和回归分析法对特殊日期负荷时间序列进行筛选,并对特殊天气负荷时间序列进行小波分解;C、分别对特殊日期负荷输入序列和特殊天气负荷输入序列进行离散小波变换,得到各序列的近似分量和细节分量;D、基于神经网络和相关性分析分别对各近似分量和细节分量进行数据标准化处理;E、采用神经网络预测模型分别对特殊日期负荷和特殊天气负荷进行预测。本发明能够对特殊天气和特殊日期的电力负荷进行精确预测,提高了电力系统日负荷预测的鲁棒性和准确性。
Description
技术领域
本发明涉及电力系统短期负荷预测技术领域,尤其涉及一种用于特殊天气和特殊日期的电力系统日负荷预测方法。
背景技术
电力短期负荷预测对于电力系统的可靠性和经济运行意义重大,其预测精度对放松管制下的输变电公司等市场参与者有着举足轻重的影响,准确的负荷预测可以帮助其建立更有效的运作流程、投标策略以及最有效的电力配给。目前,许多学者针对电力负荷混合预测模型中的数据处理技术进行了大量研究,包括回归分析、Akaike的信息准则和相关性分析等,虽然研究证明了相关性分析对于特征提取的有效性,但仅限于普通日数据和周数据的预测,并没有考虑天气以及特殊日期对电力负荷的影响,故所得预测结果精度较低,不利于智能电网和智慧城市的建设与发展。
发明内容
本发明的目的在于提供一种用于特殊天气和特殊日期的电力系统日负荷预测方法,能够对特殊天气和特殊日期的电力系统负荷进行精确预测。
为实现上述目的,本发明采用的技术方案是:
一种用于特殊天气和特殊日期的电力系统日负荷预测方法,包括以下步骤:
A、采集电网历史负荷数据,通过子序列分离形成特殊日期负荷时间序列和特殊天气负荷时间序列,然后进入步骤B;
B、取特殊日期负荷时间序列作为输入数据,采用时间序列法对特殊日期负荷进行预测,得到初级预测结果,然后利用回归分析法计算初级预测结果与输入数据之间的相关性,选择与特殊日期相关性最强的输入数据作为特殊日期负荷输入序列,采用Daubechies小波函数对特殊天气负荷时间序列进行小波分解,将分解得到小波分量作为特殊天气负荷输入序列,然后进入步骤C;
C、分别对特殊日期负荷输入序列和特殊天气负荷输入序列进行离散小波变换,得到特殊日期负荷输入序列的近似分量和细节分量,以及特殊天气负荷输入序列的近似分量和细节分量,然后进入步骤D;
D、基于神经网络和相关性分析分别对特殊日期负荷输入序列的近似分量和细节分量,以及特殊天气负荷输入序列的近似分量和细节分量进行数据标准化处理,得到特殊日期负荷的标准子序列和特殊天气负荷的标准子序列,然后进入步骤E;
E、采用贝叶斯方法建立神经网络预测模型并进行训练,利用神经网络预测模型分别对特殊日期负荷的标准子序列和特殊天气负荷的标准子序列进行输出预测,然后分别综合特殊日期负荷各标准子序列的预测结果和特殊天气负荷各标准子序列的预测结果,得到特殊日期负荷预测数据和特殊天气负荷预测数据。
所述的步骤A中特殊天气负荷时间序列所在的日期包括暴雨,大雪,高温,严寒以及上述天气发生的前一天和后两天,特殊日期负荷时间序列所在的日期包括周六,周日,周一,周五,节假日以及节假日的前一天和前两天。
所述的步骤C中,离散小波变换的父小波在尺度m和位置n下的扩展函数表示为其中k=1,2,3……,n,n为自然数,
将与离散信号f(k)求卷积获得尺度m和位置n下的近似系数其中c是英文coefficient的缩写,表示所属符号的属性是系数,
母小波ψ(k)=ψ0,0(k)在尺度j和位置n下的扩展函数表示为ψj,n(k),将ψj,n(k)与离散信号f(k)求卷积获得尺度j和位置n下的近似系数
则离散信号f(k)在尺度m下的近似分量Am和在尺度j下的细节分量Dj分别为:
原始输入信号f为特殊日期负荷输入序列或特殊天气负荷输入序列,f为不高于尺度M下的近似分量和细节分量之和:
在M=m-1和M=m这两个连续尺度下的原始输入信号f分别为:
由此得到:
Am-1=Am+Dm
使用已有尺度下的近似分量和细节分量的系数计算任意尺度下的近似分量系数和细节分量系数
式中hi和gi分别是低通滤波器和高通滤波器的系数,i=1,2,……,24。
所述的步骤D中首先利用神经网络模型对输入序列进行输出预测,得到估计数值,然后将估计数值合并到输入序列,构成预测数据的首行,利用相关性分析计算预测数据和训练数据之间的相关系数,选取相关性最高的预测数据作为标准化结果。
本发明通过对电力系统历史负荷数据进行筛选和标准化处理,为神经网络预测模型的输入提供真实反映特殊日期和特殊天气负荷特点的标准数据,不仅提高了电力系统日负荷预测方法的鲁棒性和准确性,而且有利于智能电网的电力调配和智慧城市的用电管理。
具体实施方式
本发明所述的一种用于特殊天气和特殊日期的电力系统日负荷预测方法,包括以下步骤:
A、采集电网历史负荷数据,通过子序列分离形成特殊日期负荷时间序列和特殊天气负荷时间序列,其中特殊天气负荷时间序列所在的日期包括暴雨(HR),大雪(HS),高温(HT),严寒(LT)以及上述天气发生的前一天(1DB)和后两天(2DA),特殊日期负荷时间序列所在的日期包括周六(SA),周日(SU),周一(M),周五(F),节假日(WDBH)以及节假日的前一天(1DB)和前两天(2DB),给定负荷L,第i天的负荷时间序列定义为Pi(t:n)=L(i,t-n),n∈[1,j],n为选取的时间间隔,j=1,2,……,24。
B、取特殊日期负荷时间序列作为输入数据,采用时间序列法对特殊日期负荷进行预测,得到初级预测结果,然后利用回归分析法计算初级预测结果与输入数据之间的相关性,选择与特殊日期相关性最强的输入数据作为特殊日期负荷输入序列,采用Daubechies小波函数对特殊天气负荷时间序列进行尺度m和位置n下的分解,将分解得到小波分量作为特殊天气负荷输入序列,然后进入步骤C。
C、分别对特殊日期负荷输入序列和特殊天气负荷输入序列进行离散小波变换,得到特殊日期负荷输入序列的近似分量和细节分量,以及特殊天气负荷输入序列的近似分量和细节分量,其中离散小波变换的父小波在尺度m和位置n下的扩展函数表示为
将与离散信号f(k)求卷积获得尺度m和位置n下的近似系数
母小波ψ(k)=ψ0,0(k)在尺度j和位置n下的扩展函数表示为ψj,n(k),将ψj,n(k)与离散信号f(k)求卷积获得尺度j和位置n下的近似系数
则离散信号f(k)在尺度m下的近似分量Am和在尺度j下的细节分量Dj分别为:
原始输入信号f为特殊日期负荷输入序列或特殊天气负荷输入序列,f是不高于尺度M下的近似分量和细节分量之和:
在M=m-1和M=m这两个连续尺度下的原始输入信号f分别为:
由此得到:
Am-1=Am+Dm;
使用已有尺度下的近似分量和细节分量的系数计算任意尺度下的近似分量系数和细节分量系数
式中hi和gi分别是低通滤波器和高通滤波器的系数,i=1,2,……,24。
D、基于神经网络和相关性分析分别对特殊日期负荷输入序列的近似分量和细节分量,以及特殊天气负荷输入序列的近似分量和细节分量进行数据标准化处理,得到特殊日期负荷的标准子序列和特殊天气负荷的标准子序列。具体来说,首先利用神经网络模型对输入序列进行输出预测,得到估计数值,然后将估计数值合并到输入序列,构成预测数据的首行,利用相关性分析计算预测数据和训练数据之间的相关系数,选取相关性最高的预测数据作为标准化结果,最终得到特殊日期负荷的标准子序列和特殊天气负荷的标准子序列。
E、采用贝叶斯方法建立神经网络预测模型并进行训练,利用神经网络预测模型分别对特殊日期负荷的标准子序列和特殊天气负荷的标准子序列进行输出预测,然后分别综合特殊日期负荷各标准子序列的预测结果和特殊天气负荷各标准子序列的预测结果,得到特殊日期负荷预测数据和特殊天气负荷预测数据。本发明通过对电力系统历史负荷数据进行筛选和标准化处理,为神经网络预测模型的输入提供真实反映特殊日期和特殊天气负荷特点的标准数据,不仅提高了电力系统日负荷预测方法的鲁棒性和准确性,而且有利于智能电网的电力调配和智慧城市的用电管理。
Claims (4)
1.一种用于特殊天气和特殊日期的电力系统日负荷预测方法,其特征在于,包括以下步骤:
A、采集电网历史负荷数据,通过子序列分离形成特殊日期负荷时间序列和特殊天气负荷时间序列,然后进入步骤B;
B、取特殊日期负荷时间序列作为输入数据,采用时间序列法对特殊日期负荷进行预测,得到初级预测结果,然后利用回归分析法计算初级预测结果与输入数据之间的相关性,选择与特殊日期相关性最强的输入数据作为特殊日期负荷输入序列,采用Daubechies小波函数对特殊天气负荷时间序列进行小波分解,将分解得到小波分量作为特殊天气负荷输入序列,然后进入步骤C;
C、分别对特殊日期负荷输入序列和特殊天气负荷输入序列进行离散小波变换,得到特殊日期负荷输入序列的近似分量和细节分量,以及特殊天气负荷输入序列的近似分量和细节分量,然后进入步骤D;
D、基于神经网络和相关性分析分别对特殊日期负荷输入序列的近似分量和细节分量,以及特殊天气负荷输入序列的近似分量和细节分量进行数据标准化处理,得到特殊日期负荷的标准子序列和特殊天气负荷的标准子序列,然后进入步骤E;
E、采用贝叶斯方法建立神经网络预测模型并进行训练,利用神经网络预测模型分别对特殊日期负荷的标准子序列和特殊天气负荷的标准子序列进行输出预测,然后分别综合特殊日期负荷各标准子序列的预测结果和特殊天气负荷各标准子序列的预测结果,得到特殊日期负荷预测数据和特殊天气负荷预测数据。
2.如权利要求1所述的一种用于特殊天气和特殊日期的电力系统日负荷预测方法,其特征在于:所述的步骤A中特殊天气负荷时间序列所在的日期包括暴雨,大雪,高温,严寒以及上述天气发生的前一天和后两天,特殊日期负荷时间序列所在的日期包括周六,周日,周一,周五,节假日以及节假日的前一天和前两天。
3.如权利要求1所述的一种用于特殊天气和特殊日期的电力系统日负荷预测方法,其特征在于:所述的步骤C中,离散小波变换的父小波在尺度m和位置n下的扩展函数表示为其中k=1,2,3……,n,n为自然数,
将与离散信号f(k)求卷积获得尺度m和位置n下的近似系数其中c是英文coefficient的缩写,表示所属符号的属性是系数,
母小波ψ(k)=ψ0,0(k)在尺度j和位置n下的扩展函数表示为ψj,n(k),将ψj,n(k)与离散信号f(k)求卷积获得尺度j和位置n下的近似系数
则离散信号f(k)在尺度m下的近似分量Am和在尺度j下的细节分量Dj分别为:
原始输入信号f为特殊日期负荷输入序列或特殊天气负荷输入序列,f为不高于尺度M下的近似分量和细节分量之和:
在M=m-1和M=m这两个连续尺度下的原始输入信号f分别为:
由此得到:
使用已有尺度下的近似分量和细节分量的系数计算任意尺度下的近似分量系数和细节分量系数
式中hi和gi分别是低通滤波器和高通滤波器的系数,i=1,2,……,24。
4.如权利要求1所述的一种用于特殊天气和特殊日期的电力系统日负荷预测方法,其特征在于:所述的步骤D中首先利用神经网络模型对输入序列进行输出预测,得到估计数值,然后将估计数值合并到输入序列,构成预测数据的首行,利用相关性分析计算预测数据和训练数据之间的相关系数,选取相关性最高的预测数据作为标准化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510807647.XA CN105373855A (zh) | 2015-11-19 | 2015-11-19 | 一种用于特殊天气和特殊日期的电力系统日负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510807647.XA CN105373855A (zh) | 2015-11-19 | 2015-11-19 | 一种用于特殊天气和特殊日期的电力系统日负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105373855A true CN105373855A (zh) | 2016-03-02 |
Family
ID=55376034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510807647.XA Pending CN105373855A (zh) | 2015-11-19 | 2015-11-19 | 一种用于特殊天气和特殊日期的电力系统日负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105373855A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976069A (zh) * | 2016-05-30 | 2016-09-28 | 朱明增 | 基于地域性的贵港网区短期电力负荷预测系统和方法 |
CN107491812A (zh) * | 2016-06-13 | 2017-12-19 | 中国农业大学 | 基于实时电价的短期负荷预测方法 |
CN107563565A (zh) * | 2017-09-14 | 2018-01-09 | 广西大学 | 一种考虑气象因素变化的短期光伏分解预测方法 |
CN110969238A (zh) * | 2019-12-31 | 2020-04-07 | 安徽建筑大学 | 一种校准用电数据的方法及装置 |
CN111382891A (zh) * | 2018-12-28 | 2020-07-07 | 北京金风科创风电设备有限公司 | 短期负荷预测方法和短期负荷预测装置 |
CN111950805A (zh) * | 2020-08-25 | 2020-11-17 | 润联软件系统(深圳)有限公司 | 中长期电力负荷预测方法、装置、计算机设备及存储介质 |
CN114021778A (zh) * | 2021-10-15 | 2022-02-08 | 金茂数字科技有限公司 | 一种基于智慧物联的智慧环境管理方法和系统 |
-
2015
- 2015-11-19 CN CN201510807647.XA patent/CN105373855A/zh active Pending
Non-Patent Citations (2)
Title |
---|
林扬宇: "考虑气象因素和日期类型的短期负荷预测", 《计算机仿真》 * |
程志豪: "考虑积温效应的短期负荷组合预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976069A (zh) * | 2016-05-30 | 2016-09-28 | 朱明增 | 基于地域性的贵港网区短期电力负荷预测系统和方法 |
CN107491812A (zh) * | 2016-06-13 | 2017-12-19 | 中国农业大学 | 基于实时电价的短期负荷预测方法 |
CN107563565A (zh) * | 2017-09-14 | 2018-01-09 | 广西大学 | 一种考虑气象因素变化的短期光伏分解预测方法 |
CN107563565B (zh) * | 2017-09-14 | 2019-04-02 | 广西大学 | 一种考虑气象因素变化的短期光伏分解预测方法 |
CN111382891A (zh) * | 2018-12-28 | 2020-07-07 | 北京金风科创风电设备有限公司 | 短期负荷预测方法和短期负荷预测装置 |
CN111382891B (zh) * | 2018-12-28 | 2024-02-09 | 北京金风科创风电设备有限公司 | 短期负荷预测方法和短期负荷预测装置 |
CN110969238A (zh) * | 2019-12-31 | 2020-04-07 | 安徽建筑大学 | 一种校准用电数据的方法及装置 |
CN111950805A (zh) * | 2020-08-25 | 2020-11-17 | 润联软件系统(深圳)有限公司 | 中长期电力负荷预测方法、装置、计算机设备及存储介质 |
CN114021778A (zh) * | 2021-10-15 | 2022-02-08 | 金茂数字科技有限公司 | 一种基于智慧物联的智慧环境管理方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105373855A (zh) | 一种用于特殊天气和特殊日期的电力系统日负荷预测方法 | |
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
Qadir et al. | Predicting the energy output of hybrid PV–wind renewable energy system using feature selection technique for smart grids | |
Badrzadeh et al. | Impact of multi-resolution analysis of artificial intelligence models inputs on multi-step ahead river flow forecasting | |
Ji et al. | Prediction of hourly solar radiation using a novel hybrid model of ARMA and TDNN | |
CN102880755B (zh) | 一种极端降水的定量预测方法及系统 | |
US10509868B2 (en) | Operating a solar power generating system | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN110047291A (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
CN111415752B (zh) | 一种融合气象因素和搜索指数的手足口病预测方法 | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN113592165B (zh) | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 | |
CN108256724B (zh) | 一种基于动态行业系数的配电网可开放容量规划方法 | |
Nourani et al. | A new hybrid algorithm for rainfall–runoff process modeling based on the wavelet transform and genetic fuzzy system | |
CN110689183A (zh) | 一种集群光伏功率概率预测方法、系统、介质及电子设备 | |
Ye et al. | Passenger flow prediction in bus transportation system using ARIMA models with big data | |
He et al. | A cooperative ensemble method for multistep wind speed probabilistic forecasting | |
CN114818817B (zh) | 一种电容式电压互感器微弱故障识别系统及方法 | |
Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
CN115760213A (zh) | 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 | |
Bandong et al. | Performance ratio estimation and prediction of solar power plants using machine learning to improve energy reliability | |
CN115130788B (zh) | 基于大数据分析的用电预测系统 | |
CN117495126A (zh) | 高比例新能源配电网线损预测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160302 |