CN106096766A - 一种基于大数据思维模式的短期负荷预测方法 - Google Patents
一种基于大数据思维模式的短期负荷预测方法 Download PDFInfo
- Publication number
- CN106096766A CN106096766A CN201610394903.1A CN201610394903A CN106096766A CN 106096766 A CN106096766 A CN 106096766A CN 201610394903 A CN201610394903 A CN 201610394903A CN 106096766 A CN106096766 A CN 106096766A
- Authority
- CN
- China
- Prior art keywords
- load
- industry
- day
- nearest
- similar day
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于大数据思维模式的短期负荷预测的方法,采用大数据的思想,将各行业用电负荷与对应总网供负荷建立相关关系,对已经发生的负荷进行分析处理,构建不同地区各个行业的负荷占比模型,实现各地区各行业的负荷预测,最终汇总形成全省网供负荷。本发明实现了对全省及各个地区未来一天负荷的短期预测,为电力系统的决策提供了依据。
Description
技术领域
本发明涉及一种基于大数据思维模式的短期负荷预测方法,属于电力营销智能应用技术领域。
背景技术
随着我国产业结构变化以及经济增长下行压力的进一步增大,电力负荷所受的影响因素大大增加,并日趋呈现社会化、复杂化,面对更趋混沌的电力负荷变化规律,传统方式已经难以适应需求。传统的网供负荷预测是基于历史网供负荷数据开展的,而基于大数据的网供负荷预测则从最基本的用户数据开始,逐一分析用户的用电特性并开展用户负荷预测,最终将全省用户的负荷预测数据累加,得到网供负荷预测结果。基于大数据的网供负荷预测方法较之传统方法,考虑了不同用户的用电特性,将网供负荷预测推向了宽广度、多维度、细粒度、高精度的应用高度。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于大数据思维模式的短期负荷预测方法,简化负荷预测的复杂度、提高负荷预测的准确性,为电力决策提供支撑。
为解决上述技术问题,本发明提供一种基于大数据思维模式的短期负荷预测方法,包括以下步骤:
1)根据预测日查找最近相似日;
2)循环地区,根据地区编码,最近相似日和预测日分别获取地区下最近相似日和预测日96时间点温度;
3)循环96时间点,获取最近相似日一个时间点的全省网供负荷;
4)根据负荷占比模型,查找全省99行业负荷占比;
5)根据全省网供负荷和全省99行业负荷占比,计算出全省各个行业的负荷;
6)根据地区编码,查找负荷占比模型中,地区对应的99行业负荷占比;
7)根据全省各个行业的负荷和地区行业负荷占比,计算地区下行业的负荷;
8)判断时间点对应温度是否存在,如果是,则根据地区编码,时间点,最近相似日和预测日温度,查找每个时间点与温度对应的地区行业负荷影响率,地区行业负荷影响率根据全部专变和配变的历史负荷数据分析得出,然后转入步骤9);如果否,则转入步骤10);
9)根据地区行业负荷影响率,计算地区下行业的预测负荷,转入步骤11);
10)通过负荷占比模型计算出的负荷作为地区下行业的预测负荷,转入步骤11);
11)全部循环完96时间点和所有地区,累加所有地区下行业的预测负荷,作为全省网供预测负荷。
前述的步骤1)中,最近相似日的确定方法为:
计算两天的负荷曲线的相异度指标D:
其中,Ts为负荷曲线的采样点个数,P1i、P2i分别为两条负荷曲线上第i个采样点的负荷值,D值越大,两条负荷曲线的相似度越小,D值越小,两条负荷曲线的相似度越大。
前述的最近相似日分为工作日的最近相似日,节假日的最近相似日和周末的最近相似日,根据相异度指标计算,得到:
工作日的最近相似日:周一,周二的最近相似日对应上周一,周二;周三,周四,周五的最近相似日对应前一天;
节假日的最近相似日:节假日的最近相似日对应上一年的对应节假日;
周末的最近相似日:周末的最近相似日对应上周末。
前述的步骤4)和步骤6)中的负荷占比模型分为工作日负荷占比模型,节假日负荷占比模型,周末负荷占比模型,建立负荷占比模型步骤如下:
2-1)获取预测日,如果是周六、周日、周一、周二,则获取最近两个星期的对应日期,如果是周三、周四、周五,则获取最近一个星期的对应日期;
2-2)查找日期对应的全省99行业负荷,计算该99行业负荷占比;
2-3)查找日期对应的13个地区99行业负荷,计算各地区99行业负荷占比;
2-4)根据步骤2-2)和2-3)的计算结果,计算平均行业负荷占比,即为负荷占比模型。
本发明所达到的有益效果:
本发明利用大数据技术,采用全样本用户,通过细分到用户、行业的负荷预测来实现全网负荷预测,预测准确度得到一定的提高。
附图说明
图1为本发明的总-分-总示意图;
图2是相似性曲线;
图3是负荷占比模型流程图;
图4是本发明方法总流程图;
图5是采用本发明方法的预测负荷与实际负荷对比图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
日常用电过程中,未来负荷存在着很大的不确定性且从已产生的负荷中找出负荷的发展规律也非常的困难。本方法采用大数据的思想,将各行业用电负荷与对应总网供负荷建立相关关系,对已经发生的负荷进行分析处理,构建不同地区各个行业的负荷占比模型;结合工作日,周末,节假日的气象影响模型。
如图1所示,本发明采用“总-分-总”的预测思路,通过地区与行业细分,最终汇总形成全省网供预测负荷。
如图4所示,本发明的短期负荷预测方法包括以下步骤:
1)根据预测日查找最近相似日;如图2所示,相似日取法为:负荷预测主要是找出预测日的负荷特性,及预测日与对应历史哪日的负荷特性类型。因此相似日的取法就至关重要,这直接关系到负荷预测的准确度。
计算两天的负荷曲线的相异度指标D:
其中,Ts为负荷曲线的采样点个数,P1i、P2i分别为曲线1和曲线2上第i个采样点的负荷值,D值越大,两条负荷曲线的相似度越小,D值越小,两条负荷曲线的相似度越大。分别计算出工作日,节假日,周末的相似日。
工作日的相似日:分析工作日情况下,不同工作日总网供负荷的特性;周一,周二对应上周一,周二的负荷特性相似;周三,周四,周五与对应前一天的负荷特性相似;
节假日的相似日:分析节假日情况下,不同节假日总网供负荷的特性,节假日范围考虑节前,节后效应。节假日与上一年对应节假日的负荷特性比较相似;
周末的相似日:分析周末情况下,总网供负荷的特性。周末与对应上周末负荷特性比较相似。
2)循环地区,根据地区编码,最近相似日和预测日分别获取地区下相似日和预测日96时间点温度;
3)循环96时间点,获取最近相似日一个时间点的全省网供负荷;
4)根据负荷占比模型,查找全省99行业负荷占比;
5)根据全省网供负荷和全省99行业负荷占比,计算出全省各个行业的负荷;
6)根据地区编码,查找负荷占比模型中,地区对应的99行业负荷占比;
7)根据全省各个行业的负荷和地区行业负荷占比,计算地区下行业的负荷;
8)判断时间点对应温度是否存在,如果是,则根据地区编码,时间点,最近相似日和预测日温度,查找每个时间点与温度对应的地区行业负荷影响率,地区行业负荷影响率根据全部专变和配变的历史负荷数据分析得出,然后转入步骤9);如果否,则转入步骤10);
9)根据地区行业负荷影响率,计算地区下行业的预测负荷,转入步骤11);
10)通过负荷占比模型计算出的负荷作为地区下行业的预测负荷,转入步骤11);
11)全部循环完96时间点和所有地区,累加所有地区下行业的预测负荷,作为全省网供预测负荷。
图5即为采用本发明方法的预测负荷与实际负荷对比结果。
步骤4)和步骤6)中的负荷占比模型分为工作日负荷占比模型,节假日负荷占比模型,周末负荷占比模型。如图3所示,建立负荷占比模型步骤如下:
2-1)获取预测日,如果是周六、周日、周一、周二,则获取最近两个星期的对应日期,如果是周三、周四、周五,则获取最近一个星期的对应日期;
2-2)查找日期对应的全省99行业负荷,计算该99行业负荷占比;
2-3)查找日期对应的13个地区99行业负荷,计算各地区99行业负荷占比;
2-4)根据步骤2-2)和2-3)的计算结果,计算平均行业负荷占比,即为负荷占比模型。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (4)
1.一种基于大数据思维模式的短期负荷预测方法,其特征在于,包括以下步骤:
1)根据预测日查找最近相似日;
2)循环地区,根据地区编码,最近相似日和预测日分别获取地区下最近相似日和预测日96时间点温度;
3)循环96时间点,获取最近相似日一个时间点的全省网供负荷;
4)根据负荷占比模型,查找全省99行业负荷占比;
5)根据全省网供负荷和全省99行业负荷占比,计算出全省各个行业的负荷;
6)根据地区编码,查找负荷占比模型中,地区对应的99行业负荷占比;
7)根据全省各个行业的负荷和地区行业负荷占比,计算地区下行业的负荷;
8)判断时间点对应温度是否存在,如果是,则根据地区编码,时间点,最近相似日和预测日温度,查找每个时间点与温度对应的地区行业负荷影响率,地区行业负荷影响率根据全部专变和配变的历史负荷数据分析得出,然后转入步骤9);如果否,则转入步骤10);
9)根据地区行业负荷影响率,计算地区下行业的预测负荷,转入步骤11);
10)通过负荷占比模型计算出的负荷作为地区下行业的预测负荷,转入步骤11);
11)全部循环完96时间点和所有地区,累加所有地区下行业的预测负荷,作为全省网供预测负荷。
2.根据权利要求1所述的一种基于大数据思维模式的短期负荷预测方法,其特征在于,所述步骤1)中,最近相似日的确定方法为:
计算两天的负荷曲线的相异度指标D:
其中,Ts为负荷曲线的采样点个数,P1i、P2i分别为两条负荷曲线上第i个采样点的负荷值,D值越大,两条负荷曲线的相似度越小,D值越小,两条负荷曲线的相似度越大。
3.根据权利要求2所述的一种基于大数据思维模式的短期负荷预测方法,其特征在于,最近相似日分为工作日的最近相似日,节假日的最近相似日和周末的最近相似日,根据相异度指标计算,得到:
工作日的最近相似日:周一,周二的最近相似日对应上周一,周二;周三,周四,周五的最近相似日对应前一天;
节假日的最近相似日:节假日的最近相似日对应上一年的对应节假日;
周末的最近相似日:周末的最近相似日对应上周末。
4.根据权利要求1所述的一种基于大数据思维模式的短期负荷预测方法,其特征在于,所述步骤4)和步骤6)中的负荷占比模型分为工作日负荷占比模型,节假日负荷占比模型,周末负荷占比模型,建立负荷占比模型步骤如下:
2-1)获取预测日,如果是周六、周日、周一、周二,则获取最近两个星期的对应日期,如果是周三、周四、周五,则获取最近一个星期的对应日期;
2-2)查找日期对应的全省99行业负荷,计算该99行业负荷占比;
2-3)查找日期对应的13个地区99行业负荷,计算各地区99行业负荷占比;
2-4)根据步骤2-2)和2-3)的计算结果,计算平均行业负荷占比,即为负荷占比模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610394903.1A CN106096766A (zh) | 2016-06-06 | 2016-06-06 | 一种基于大数据思维模式的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610394903.1A CN106096766A (zh) | 2016-06-06 | 2016-06-06 | 一种基于大数据思维模式的短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106096766A true CN106096766A (zh) | 2016-11-09 |
Family
ID=57448227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610394903.1A Pending CN106096766A (zh) | 2016-06-06 | 2016-06-06 | 一种基于大数据思维模式的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096766A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553516A (zh) * | 2020-04-17 | 2020-08-18 | 贵州电网有限责任公司 | 一种短期电量负荷精准预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013161414A1 (ja) * | 2012-04-26 | 2013-10-31 | 日立コンシューマエレクトロニクス株式会社 | 使用量予測方法および行動推薦方法 |
CN104598986A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 基于大数据的电力负荷预测方法 |
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
-
2016
- 2016-06-06 CN CN201610394903.1A patent/CN106096766A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013161414A1 (ja) * | 2012-04-26 | 2013-10-31 | 日立コンシューマエレクトロニクス株式会社 | 使用量予測方法および行動推薦方法 |
CN104598986A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 基于大数据的电力负荷预测方法 |
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553516A (zh) * | 2020-04-17 | 2020-08-18 | 贵州电网有限责任公司 | 一种短期电量负荷精准预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11043808B2 (en) | Method for identifying pattern of load cycle | |
CN107895283B (zh) | 一种基于时间序列分解的商家客流量大数据预测方法 | |
Li et al. | Development of low voltage network templates—Part I: Substation clustering and classification | |
CN105260803B (zh) | 一种系统用电量预测方法 | |
CN106909933B (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
Serrano-Guerrero et al. | A new interval prediction methodology for short-term electric load forecasting based on pattern recognition | |
CN109359786A (zh) | 一种电力台区短期负荷预测方法 | |
CN106485262A (zh) | 一种母线负荷预测方法 | |
CN110188221B (zh) | 一种基于形状距离的负荷曲线层次聚类方法 | |
CN109309382A (zh) | 一种短期电力负荷预测方法 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN109685567A (zh) | 一种基于卷积神经网络和模糊聚类的用电客户画像新方法 | |
CN115130741A (zh) | 基于多模型融合的多因素电力需求中短期预测方法 | |
CN108399553A (zh) | 一种考虑地理和线路从属关系的用户特征标签设定方法 | |
CN110378510B (zh) | 一种基于时间序列和层次聚合的配网物资需求预测方法 | |
CN104134102B (zh) | 基于leap模型的电网中长期电力需求分布预测方法 | |
CN104850612B (zh) | 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法 | |
CN109711621A (zh) | 基于判别分析和支持向量机结合的工业园区负荷预测方法 | |
CN106096766A (zh) | 一种基于大数据思维模式的短期负荷预测方法 | |
Lu et al. | Research on creating multi-attribute power consumption behavior portraits for massive users | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN111680852B (zh) | 地区整体能耗监控方法及其监控系统 | |
CN107563544A (zh) | 一种基于日特征向量优化的灰色模型电量预测方法 | |
CN114048200A (zh) | 一种计及缺失数据补齐的用户用电行为分析方法 | |
CN106056477A (zh) | 一种基于用电大数据的行业产能利用率的计算方法 |
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: 20161109 |
|
RJ01 | Rejection of invention patent application after publication |