CN106127340A - 一种适用于超短期负荷预测的计算方法 - Google Patents

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ΔL_iav；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ΔL_iav进行对比，若各点的fabs(ΔL′_iav‑ΔL_iav)＜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ΔL_iavf，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

一种适用于超短期负荷预测的计算方法

【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ΔL_iav，所述历史样本中的某一日的i点，其负荷变化率ΔL_i计算方法如下：

ΔL_i＝(L_i+1-L_i)/L_i (1)

式中，ΔL_i任意i时刻的负荷变化率，L_i为i时刻的负荷值，L_i+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ΔL_iav计算方法如下：

${\mathrm{\ΔL}}_{iav}=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\left({\mathrm{\ΔL}}_i\right)/M---\left(2\right)$

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ΔL_igate：

ΔL_igate＝NΔL_iav (3)

式中，N为评价倍数，若ΔL_i＞ΔL_igate，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：

L_i+1＝L_i×(1+ΔL_iav) (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ΔL_iav进行对比，若各点的fabs(ΔL′_iav-ΔL_iav)＜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ΔL_iavf，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：

LF_i+1＝L_i×(1+ΔL_iavf) (5)

式中，LF_i+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ΔL_iav，所述历史样本中的某一日的i点，其负荷变化率ΔL_i计算方法如下：

ΔL_i＝(L_i+1-L_i)/L_i (5)

式中，ΔL_i任意i时刻的负荷变化率，L_i为i时刻的负荷值，L_i+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ΔL_iav计算方法如下：

${\mathrm{\ΔL}}_{iav}=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\left({\mathrm{\ΔL}}_i\right)/M---\left(6\right)$

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ΔL_igate：

ΔL_igate＝NΔL_iav (7)

式中，N为评价倍数，若ΔL_i＞ΔL_igate，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：

L_i+1＝L_i×(1+ΔL_iav) (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ΔL_iav进行对比，若各点的fabs(ΔL′_iav-ΔL_iav)＜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ΔL_iavf，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：

LF_i+1＝L_i×(1+ΔL_iavf) (5)

式中，LF_i+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ΔL_iav，所述历史样本中的某一日的i点，其负荷变化率ΔL_i计算方法如下：

ΔL_i＝(L_i+1-L_i)/L_i (1)

式中，ΔL_i任意i时刻的负荷变化率，L_i为i时刻的负荷值，L_i+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ΔL_iav计算方法如下：

${\mathrm{\ΔL}}_{iav}=\underset{j=1}{\overset{M}{\Σ}}\left({\mathrm{\ΔL}}_i\right)/M---\left(2\right)$

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ΔL_igate：

ΔL_igate＝NΔL_iav (3)

式中，N为评价倍数，若ΔL_i＞ΔL_igate，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：

L_i+1＝L_i×(1+ΔL_iav) (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ΔL_iav进行对比，若各点的fabs(ΔL′_iav-ΔL_iav)＜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ΔL_iavf，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：

LF_i+1＝L_i×(1+ΔL_iavf) (5)

式中，LF_i+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。