CN106127340A - 一种适用于超短期负荷预测的计算方法 - Google Patents
一种适用于超短期负荷预测的计算方法 Download PDFInfo
- Publication number
- CN106127340A CN106127340A CN201610460303.0A CN201610460303A CN106127340A CN 106127340 A CN106127340 A CN 106127340A CN 201610460303 A CN201610460303 A CN 201610460303A CN 106127340 A CN106127340 A CN 106127340A
- Authority
- CN
- China
- Prior art keywords
- iav
- load
- point
- bad data
- computational methods
- 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
- 238000000205 computational method Methods 0.000 title claims abstract description 14
- 238000012986 modification Methods 0.000 claims abstract description 4
- 230000004048 modification Effects 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 abstract description 10
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005070 sampling 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
- G06Q10/04—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—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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种适用于超短期负荷预测的计算方法,其特征在于,包括如下步骤:一、获取多个时间点的系统总负荷;二、对所述多个系统负荷按照时间点类型进行筛选获得历史样本;三、计算历史样本中各点的第一负荷变化率平均值ΔLiav;四、对历史样本坏数据辨识修正;五、重新计算第二负荷变化率平均值ΔL′iav,并计算与上一次计算的第一负荷变化率平均值ΔLiav进行对比,若各点的fabs(ΔL′iav‑ΔLiav)<0.01,则认为坏数据辨识完毕,使用当前负荷变化率进入步骤六,否则进入步骤四;六、根据步骤五中计算所得当前负荷变化率ΔLiavf,利用预测日当前时刻i点的负荷Li。本发明的方法简单实用,预测结果准确。
Description
【技术领域】
本发明涉及电力系统控制领域,特别是一种适用于超短期负荷预测的计算方法。
【背景技术】
负荷预测是电力规划和生产中的重要环节,按其预测所取时间长度来分一般可分为长期、中期、短期和超短期负荷预测。超短期负荷预测主要预测未来一小时内负荷的变化,这类预测主要用于AGC调频、安全监视、联络线控制、预防控制和紧急状态处理、电力市场小时交易计划编制等方面。
【发明内容】
针对现有技术中存在的问题,本发明提供了一种适用于超短期负荷预测的计算方法。该方法利用电力负荷的特有趋势,通过对历史数据进行分析,获取历史平均负荷变化率,根据负荷变化率进行超短期负荷预报。
为达到前述目的,本发明采用如下技术方案:一种适用于超短期负荷预测的计算方法,其特征在于,包括如下步骤:
一、获取多个时间点的系统总负荷;
二、对所述多个系统负荷按照时间点类型进行筛选获得历史样本;
三、计算历史样本中各点的第一负荷变化率平均值ΔLiav,所述历史样本中的某一日的i点,其负荷变化率ΔLi计算方法如下:
ΔLi=(Li+1-Li)/Li (1)
式中,ΔLi任意i时刻的负荷变化率,Li为i时刻的负荷值,Li+1为i+1时刻的负荷值。针对所有M天样本,则对应i点的平均变化率ΔLiav计算方法如下:
式中,M为参考样本中的总天数;
四、对历史样本坏数据辨识修正:首先设置坏数据门槛ΔLigate:
ΔLigate=NΔLiav (3)
式中,N为评价倍数,若ΔLi>ΔLigate,则认为该点为坏数据,对于识别出的坏数据按照下式进行加工处理:
Li+1=Li×(1+ΔLiav) (4);
五、对进行了坏数据修正后的样本按照式(1)、(2)重新计算第二负荷变化率平均值ΔL′iav,并计算与上一次计算的第一负荷变化率平均值ΔLiav进行对比,若各点的fabs(ΔL′iav-ΔLiav)<0.01,则认为坏数据辨识完毕,使用当前负荷变化率进入步骤六,否则进入步骤四;
六、根据步骤五中计算所得当前负荷变化率ΔLiavf,利用预测日当前时刻i点的负荷Li,即可进行i+1时刻的超短期负荷预报:
LFi+1=Li×(1+ΔLiavf) (5)
式中,LFi+1即为预测得到的i+1时刻负荷值。
本发明的第一优选方案为:所述多个系统总负荷预存于能量管理系统中。
本发明的第二优选方案为:所述N为3。
本发明可达到如下技术效果:其一是预测时间短,由于温度等因素变化比较缓慢,预测的基础负荷数据已包含温度等因素的影响,预测中可以不考虑温度影响;其二是要求预测速度快;其三是预测精度要求高。本发明在充分分析各类实际电网负荷规律的基础上,提出了一种基于负荷趋势的新型超短期负荷预测方法,方法简单实用,预测结果准确。
本发明的这些特点和优点将会在下面的具体实施方式、附图中详细的揭露。
【附图说明】
下面结合附图对本发明做进一步的说明:
图1为本发明实施例1的工作方法流程图。
【具体实施方式】
下面结合本发明实施例的附图对本发明实施例的技术方案进行解释和说明,但下述实施例仅为本发明的优选实施例,并非全部。基于实施方式中的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例,都属于本发明的保护范围。
实施例1。
参看图1,一种适用于超短期负荷预测的计算方法,,包括如下步骤:
一、获取多个时间点的系统总负荷;
二、对所述多个系统负荷按照时间点类型进行筛选获得历史样本;
三、计算历史样本中各点的第一负荷变化率平均值ΔLiav,所述历史样本中的某一日的i点,其负荷变化率ΔLi计算方法如下:
ΔLi=(Li+1-Li)/Li (5)
式中,ΔLi任意i时刻的负荷变化率,Li为i时刻的负荷值,Li+1为i+1时刻的负荷值。针对所有M天样本,则对应i点的平均变化率ΔLiav计算方法如下:
式中,M为参考样本中的总天数;
四、对历史样本坏数据辨识修正:首先设置坏数据门槛ΔLigate:
ΔLigate=NΔLiav (7)
式中,N为评价倍数,若ΔLi>ΔLigate,则认为该点为坏数据,对于识别出的坏数据按照下式进行加工处理:
Li+1=Li×(1+ΔLiav) (8);
五、对进行了坏数据修正后的样本按照式(1)、(2)重新计算第二负荷变化率平均值ΔL′iav,并计算与上一次计算的第一负荷变化率平均值ΔLiav进行对比,若各点的fabs(ΔL′iav-ΔLiav)<0.01,则认为坏数据辨识完毕,使用当前负荷变化率进入步骤六,否则进入步骤四;
六、根据步骤五中计算所得当前负荷变化率ΔLiavf,利用预测日当前时刻i点的负荷Li,即可进行i+1时刻的超短期负荷预报:
LFi+1=Li×(1+ΔLiavf) (5)
式中,LFi+1即为预测得到的i+1时刻负荷值。
所述多个系统总负荷预存于能量管理系统中;所述N为3。时间点类型包括节假日时间点、工作日时间点。其中fabs()为绝对值函数。
上述方案充分利用电力负荷特有趋势,通过历史数据挖掘进行超短期负荷预测,根据类似历史样本集的平均负荷变化规律来预测未来负荷变化。方法可以根据是否节假日、类似气象条件等因素自动选择相似样本,也可以结合运行人员的实际经验,人工指定参考样本,进而提高算法对应软件的实用性和准确性。而且,伴随算法配套软件运行时间的累积,可参考样本日逐步增多、各类影响因素的数据记录逐渐丰富,计算结果的准确性也将进一步提升。
本发明原理简单,适用性强,迭代过程快捷,仅需通过简单的四则运算即可计算出负荷变化趋势用作负荷预测。在计算的过程中,为保证计算准确性,对数据干扰或采样中断等情形造成坏数据进行了同步辨识与修正,修正过程同样仅需要进行简单四则运算。本发明软件编制过程简单,同时对计算机硬件配置要求低,非常易于软件实现与应用。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,熟悉该本领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (3)
1.一种适用于超短期负荷预测的计算方法,其特征在于,包括如下步骤:
一、获取多个时间点的系统总负荷;
二、对所述多个系统负荷按照时间点类型进行筛选获得历史样本;
三、计算历史样本中各点的第一负荷变化率平均值ΔLiav,所述历史样本中的某一日的i点,其负荷变化率ΔLi计算方法如下:
ΔLi=(Li+1-Li)/Li (1)
式中,ΔLi任意i时刻的负荷变化率,Li为i时刻的负荷值,Li+1为i+1时刻的负荷值。针对所有M天样本,则对应i点的平均变化率ΔLiav计算方法如下:
式中,M为参考样本中的总天数;
四、对历史样本坏数据辨识修正:首先设置坏数据门槛ΔLigate:
ΔLigate=NΔLiav (3)
式中,N为评价倍数,若ΔLi>ΔLigate,则认为该点为坏数据,对于识别出的坏数据按照下式进行加工处理:
Li+1=Li×(1+ΔLiav) (4);
五、对进行了坏数据修正后的样本按照式(1)、(2)重新计算第二负荷变化率平均值ΔL′iav,并计算与上一次计算的第一负荷变化率平均值ΔLiav进行对比,若各点的fabs(ΔL′iav-ΔLiav)<0.01,则认为坏数据辨识完毕,使用当前负荷变化率进入步骤六,否则进入步骤四;
六、根据步骤五中计算所得当前负荷变化率ΔLiavf,利用预测日当前时刻i点的负荷Li,即可进行i+1时刻的超短期负荷预报:
LFi+1=Li×(1+ΔLiavf) (5)
式中,LFi+1即为预测得到的i+1时刻负荷值。
2.根据权利要求1所述一种适用于超短期负荷预测的计算方法,其特征在于:所述多个系统总负荷预存于能量管理系统中。
3.根据权利要求1所述一种适用于超短期负荷预测的计算方法,其特征在于:所述N为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610460303.0A CN106127340A (zh) | 2016-06-21 | 2016-06-21 | 一种适用于超短期负荷预测的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610460303.0A CN106127340A (zh) | 2016-06-21 | 2016-06-21 | 一种适用于超短期负荷预测的计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127340A true CN106127340A (zh) | 2016-11-16 |
Family
ID=57269286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610460303.0A Pending CN106127340A (zh) | 2016-06-21 | 2016-06-21 | 一种适用于超短期负荷预测的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127340A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684668A (zh) * | 2018-11-26 | 2019-04-26 | 国网江苏省电力有限公司检修分公司 | 一种考虑气象要素的变压器负荷分析方法 |
CN111503520A (zh) * | 2020-04-17 | 2020-08-07 | 浙江中智达科技有限公司 | 一种进气负荷控制方法、装置、设备及可读存储介质 |
CN111583065A (zh) * | 2020-05-12 | 2020-08-25 | 广东电网有限责任公司计量中心 | 一种电力负荷数据预测方法及装置 |
CN112465658A (zh) * | 2020-10-30 | 2021-03-09 | 中国石油天然气集团有限公司 | 自媒体文件用户粘度的确定方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100082172A1 (en) * | 2008-09-25 | 2010-04-01 | Korea Electric Power Corporation | Load forecasting analysis system for calculating customer baseline load |
-
2016
- 2016-06-21 CN CN201610460303.0A patent/CN106127340A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100082172A1 (en) * | 2008-09-25 | 2010-04-01 | Korea Electric Power Corporation | Load forecasting analysis system for calculating customer baseline load |
Non-Patent Citations (1)
Title |
---|
张怡: ""基于模糊识别和负荷特性的电力负荷超短期预测方法研究"", 《万方数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684668A (zh) * | 2018-11-26 | 2019-04-26 | 国网江苏省电力有限公司检修分公司 | 一种考虑气象要素的变压器负荷分析方法 |
CN109684668B (zh) * | 2018-11-26 | 2023-06-06 | 国网江苏省电力有限公司检修分公司 | 一种考虑气象要素的变压器负荷分析方法 |
CN111503520A (zh) * | 2020-04-17 | 2020-08-07 | 浙江中智达科技有限公司 | 一种进气负荷控制方法、装置、设备及可读存储介质 |
CN111503520B (zh) * | 2020-04-17 | 2021-04-30 | 浙江中智达科技有限公司 | 一种进气负荷控制方法、装置、设备及可读存储介质 |
CN111583065A (zh) * | 2020-05-12 | 2020-08-25 | 广东电网有限责任公司计量中心 | 一种电力负荷数据预测方法及装置 |
CN111583065B (zh) * | 2020-05-12 | 2023-08-22 | 广东电网有限责任公司计量中心 | 一种电力负荷数据预测方法及装置 |
CN112465658A (zh) * | 2020-10-30 | 2021-03-09 | 中国石油天然气集团有限公司 | 自媒体文件用户粘度的确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127340A (zh) | 一种适用于超短期负荷预测的计算方法 | |
CN105069524B (zh) | 基于大数据分析的计划调度优化方法 | |
CN106502871B (zh) | 监管系统的告警阈值动态配置系统及方法 | |
CN107590562A (zh) | 一种基于变权组合预测法的电力负荷短期预测方法 | |
Avdonin et al. | Tools to minimize risk under development of high-tech products | |
CN110363355B (zh) | 一种氧化铝生产指标的云-边协同预报系统及方法 | |
CN110705772A (zh) | 区域电网风力发电功率预测优化方法和装置 | |
WO2018174940A1 (en) | Flexible product manufacturing planning | |
CN111915079B (zh) | 一种混合knn风电功率预测方法及系统 | |
JP2022510667A (ja) | エネルギー消費量を予測するための方法および装置 | |
CN103646670B (zh) | 一种评估存储系统性能的方法和设备 | |
CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
CN112132366A (zh) | 一种航班放行率的预测系统 | |
CN106570786B (zh) | 一种基于调度规则时变特性的水库适应性调度方法 | |
CN111191858A (zh) | 一种基于梯度提升算法预测短期电力负荷的系统模型 | |
CN112819260B (zh) | 预测航班延时状态的数据处理系统 | |
CN108537322A (zh) | 神经网络层间激活值量化方法及装置 | |
CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN103605323B (zh) | 化工生产的离散控制方法及装置 | |
CN111080037A (zh) | 一种基于深度神经网络的短期电力负荷预测方法及装置 | |
CN106909983A (zh) | 基于卡尔曼滤波器多气象源超短期风速预测方法及装置 | |
CN114462566A (zh) | 一种实现智能实时决策系统实时确定最优决策动作的方法 | |
CN110083804B (zh) | 基于条件分布回归的风电场scada数据缺失的智能修复方法 | |
CN113723717A (zh) | 系统日前短期负荷预测方法、装置、设备和可读存储介质 |
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: 20161116 |