CN106451438A - 一种考虑智能用电行为的负荷区间预测方法 - Google Patents
一种考虑智能用电行为的负荷区间预测方法 Download PDFInfo
- Publication number
- CN106451438A CN106451438A CN201611025350.9A CN201611025350A CN106451438A CN 106451438 A CN106451438 A CN 106451438A CN 201611025350 A CN201611025350 A CN 201611025350A CN 106451438 A CN106451438 A CN 106451438A
- Authority
- CN
- China
- Prior art keywords
- intelligent power
- interval
- power equipment
- load
- load prediction
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑智能用电行为的负荷区间预测方法,利用智能用电设备的开始使用时间、结束使用时间来体现用户行为,充分考虑了智能用电行为对负荷预测的影响,与目前仅考虑气候等因素的负荷预测相比,本发明顺应目前智能电网的发展趋势,在原有的负荷预测中加大了人的用户主观行为的影响,为电力公司开展智能用电项目后的负荷预测提供决策参考。
Description
技术领域
本发明涉及一种考虑智能用电行为的负荷区间预测方法,属于电力系统负荷预测和规划领域。
背景技术
电力是社会发展的基础能源,也是整个国家能源战略的核心要素。负荷预测是电力系统研究、规划和运维中必不可少的重要支撑技术之一,也是电力系统领域内长期研究的重要方向。电力负荷预测是电力系统规划和运行决策的重要依据,其预测精度直接影响系统运行的安全性和经济性。
传统预测方法在对影响负荷的不确定因素模拟方面,主要采用概率方法和模糊集方法,其方法有局限性。为此,有必要探索新的、更科学的方法,区间预测方法近年来在很多领域受到重视。在此背景下,研究基于区间负荷预测的电力负荷预测的相关问题变得尤为重要。
而用户行为这一消费者心理学的行为目前也逐渐成为影响负荷的重要因素,用户行为能够影响智能用电设备接入和断开电网的时间,具有随机性。考虑用户行为,就不得不使用概率分布函数去模拟用户的行为方式。考虑智能用电行为的负荷区间预测方法可以构建高质量的预测区间,适用范围广、可信度高,给电网决策部门提供有效的参考。
发明内容
发明目的:为了解决现有技术中电力负荷预测方法不能反映用户用电行为的问题,提供一种考虑智能用电行为的负荷区间预测方法,考虑多种智能用电设备接入电网的负荷预测,能够更加真实地反应电力负荷情况。
技术方案:为了实现上述目的,本发明中考虑智能用电行为的负荷区间预测方法,包括以下步骤:
步骤1:获取预测区域在某一时间段内各类智能用电设备的用电情况,针对任一种类的智能用电设备,分别统计其在该时间段内每一天的电量数据,所述电量数据包括消耗功率、开始使用时间和结束使用时间;
步骤2:对于任一种类智能用电设备,根据步骤1中所得的统计数据获取该区域内内该种类智能用电设备的开始使用时间的概率分布,结束使用时间的概率分布以及该类智能用电设备的消耗功率与开始使用时间、结束使用时间之间的统计模型;
步骤3:对于任一种类智能用电设备,分别根据其开始使用时间和结束使用时间的概率分布随机生成开始使用时间样本和结束使用时间样本;
步骤4:对于任一种类智能用电设备,利用蒙特卡洛模拟方法,利用步骤3中所生成的样本以及步骤2中获得的统计模型获取该类智能用电设备的消耗功率预测值;
步骤5:对于任一种类智能用电设备,统计步骤4中产生智能用电设备接入电网后的消耗功率预测值,以95%的消耗功率预测值所落入的数值区间作为该种类智能用电设备的第一负荷预测区间,将第一负荷预测区间作为最终负荷预测区间;
步骤6:对所有种类智能用电设备的最终负荷预测区间进行累加得到该省内所有种类智能用电设备在一天内接入电网的负荷预测区间。
有益效果:本发明中考虑智能用电行为的负荷区间预测方法,充分利用区间负荷预测技术,考虑了用户的行为方式,可较准确地模拟智能用电设备接入电网后给电网负荷带来的影响,且易于与原有的负荷预测算法相结合。采用本方法,能够更加完善地考虑智能用电行为对负荷的影响,使得负荷预测结果更加准确,对电力系统规划、运行和调度提供良好的指导意义。
附图说明
图1为本发明中考虑智能用电行为的负荷区间预测方法的流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,本实施列对本发明不构成限定。
本实施例中以某省电力公司提供的1990-2002年的资料为例,如表1所示,以1990年至2000年的数据为样本,利用本发明方法对该省2001年和2002年的用电量进行预测,并将预测结果与实际值进行比较验证本发明方法的准确性。
表1 某省年度样本数据
本实施例以该省为预测区域,如图1所示,则相应的考虑智能用电行为的负荷区间预测方法,具体包括以下步骤:
步骤1:统计该省在1990年至2000年期间各类智能用电设备的用电情况,针对任一种类的智能用电设备,分别统计其在一天之内的消耗功率、开始使用时间和结束使用时间。
上述智能用电设备包括如空调、冰箱等电器以及电动汽车等,每类智能用电设备的开始使用时间和结束使用时间反映的是用户的用电习惯,即用户行为。开始使用时间指的是智能用电设备在一天(0点-24点)内开始消耗功率的时间,结束使用时间指的是智能用电设备在一天内结束消耗功率的时间。结束使用时间与智能用电设备的种类以及开始使用时间相关,例如:对于冰箱等家用电器,一般是全天消耗功率;而对于空调的开始使用时间、结束使用时间则主要集中在9:00至20:00的区间段。
步骤2:对于任一种类智能用电设备,根据步骤1中所得的统计数据获取该省内该种类智能用电设备的开始使用时间的概率分布,结束使用时间的概率分布以及该类智能用电设备的消耗功率与开始使用时间、结束使用时间之间的统计模型。
步骤3:对于任一种类智能用电设备,分别根据其开始使用时间和结束使用时间的概率分布随机生成开始使用时间样本和结束使用时间样本,开始使用时间样本和结束使用时间样本是一对一,形成用电设备的功率消耗时间段。
步骤4:对于任一种类智能用电设备,利用蒙特卡洛模拟方法,利用步骤3中所生成的样本以及步骤2中获得的统计模型获取该类智能用电设备的消耗功率预测值。
例如:对于空调,设其开始使用时间为t1,结束使用时间为t2,设各种类智能用电设备为恒功率,则空调消耗功率p=(t2-t1)*pe,pe为空调的额定功率,则可根据开始使用时间t1的样本值以及结束使用时间t2的样本值获取到空调消耗功率的预测值。
本实施例中为了简化计算,在统计该省某种类智能用电设备的负荷预测值时,利用用电设备的数量与消耗功率预测值相乘得到。
步骤5:对于任一种类智能用电设备,统计步骤4中产生智能用电设备接入电网后的消耗功率预测值,以95%的数据所落入的区间作为该种类智能用电设备的第一负荷预测区间。
步骤6:对所有种类智能用电设备的第一负荷预测区间进行累加得到该省内所有种类智能用电设备在一天内接入电网的负荷预测区间。
本实施例中假设各类智能用电设备处于独立工作状态,即设备之间的功率消耗互不影响,将所有种类智能用电设备的负荷数据进行叠加,则得到该省内所有种类智能用电设备在一天内接入电网的负荷预测区间。
为了提高负荷预测区间的准确性,本发明中对上述负荷区间预测方法进行了修正,在步骤5获取到各类智能用电设备的负荷预测区间之后,先利用区间负荷覆盖率λ对负荷预测区间进行修正,再进行步骤6中的叠加。
修正的具体过程如下:
(1)对于某一种类智能用电设备,从步骤1中所获取的统计数据中选取N个消耗功率作为观测值,计算区间负荷覆盖率λ,区间负荷覆盖率λ的计算公式如下:
式中,N为观测值的个数,ci为布尔量,ki为智能用电设备接入电网后的实际负荷,[L,U]为第一负荷预测区间。
(2)以该种类智能用电设备的第一负荷预测区间的中间值为预测区间中心,以第一预测区间长度的一半作为第一预测区间半径,将第一预测区间半径乘以1/λ,作为修正后的预测区间半径,然后用预测区间中心减去修正后的预测区间半径得到预测区间的下限,用预测区间中心加上修正后的预测区间半径得到预测区间的上限,修正后的预测区间的下限和上限所形成的区间为第二负荷预测区间。
最终,利用上述方法预测得到的结果如表2所示,负荷覆盖率取0.95。
表2 区间预测结果
年份 | 实际值 | 第二负荷预测区间 | 区间宽度% | 区间半径% |
2001 | 4391860 | (3931694,4787665) | 19.63 | 9.82 |
2002 | 4968387 | (4506003,5360436) | 17.32 | 8.66 |
需要说明的是,本发明中负荷即指的是功率消耗,两者在本发明全文中是等价的。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解,本发明不受上述具体实施例的限制,上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。
Claims (4)
1.一种考虑智能用电行为的负荷区间预测方法,其特征在于,该方法包括如下步骤:
步骤1:获取预测区域在某一时间段内各类智能用电设备的用电情况,针对任一种类的智能用电设备,分别统计其在该时间段内每一天的电量数据,所述电量数据包括消耗功率、开始使用时间和结束使用时间;
步骤2:对于任一种类智能用电设备,根据步骤1中所得的统计数据获取该区域内内该种类智能用电设备的开始使用时间的概率分布,结束使用时间的概率分布以及该类智能用电设备的消耗功率与开始使用时间、结束使用时间之间的统计模型;
步骤3:对于任一种类智能用电设备,分别根据其开始使用时间和结束使用时间的概率分布随机生成开始使用时间样本和结束使用时间样本;
步骤4:对于任一种类智能用电设备,利用蒙特卡洛模拟方法,利用步骤3中所生成的样本以及步骤2中获得的统计模型获取该类智能用电设备的消耗功率预测值;
步骤5:对于任一种类智能用电设备,统计步骤4中产生智能用电设备接入电网后的消耗功率预测值,以95%的消耗功率预测值所落入的数值区间作为该种类智能用电设备的第一负荷预测区间,将第一负荷预测区间作为最终负荷预测区间;
步骤6:对所有种类智能用电设备的最终负荷预测区间进行累加得到该省内所有种类智能用电设备在一天内接入电网的负荷预测区间。
2.根据权利要求1所述的考虑智能用电行为的负荷区间预测方法,其特征在于,步骤5中还包括:
对于任一种类智能用电设备,获取到该类智能用电设备的第一负荷预测区间之后,利用区间负荷覆盖率对负荷预测区间进行修正得到第二负荷预测区间,并将第二负荷预测区间作为最终负荷预测区间。
3.根据权利要求2所述的考虑智能用电行为的负荷区间预测方法,其特征在于,获取所述第二负荷预测区间包括以下步骤:
步骤51:对于某一种类智能用电设备,从步骤1中所获取的电量数据中选取若干个消耗功率作为观测值,计算区间负荷覆盖率λ;
步骤52:以该种类智能用电设备的第一负荷预测区间的中间值为预测区间中心,以第一预测区间长度的一半作为预测区间半径,将预测区间半径乘以1/λ,作为第二预测区间半径,利用预测区间中心减去第二预测区间半径得到第二预测区间的下限,利用预测区间中心加上第二预测区间半径得到第二预测区间的上限。
4.根据权利要求3所述的考虑智能用电行为的负荷区间预测方法,其特征在于,所述区间负荷覆盖率λ的计算公式如下:
式中,N为观测值的个数,ci为布尔量,ki为智能用电设备接入电网后的实际负荷,[L,U]为第一负荷预测区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611025350.9A CN106451438B (zh) | 2016-11-16 | 2016-11-16 | 一种考虑智能用电行为的负荷区间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611025350.9A CN106451438B (zh) | 2016-11-16 | 2016-11-16 | 一种考虑智能用电行为的负荷区间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106451438A true CN106451438A (zh) | 2017-02-22 |
CN106451438B CN106451438B (zh) | 2018-12-21 |
Family
ID=58221682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611025350.9A Active CN106451438B (zh) | 2016-11-16 | 2016-11-16 | 一种考虑智能用电行为的负荷区间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106451438B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194502A (zh) * | 2017-05-04 | 2017-09-22 | 山东大学 | 一种居民用户电力负荷预测方法 |
CN112052983A (zh) * | 2019-11-20 | 2020-12-08 | 沈阳工业大学 | 一种基于信息物理融合的分布式电储热装置负荷预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103997039A (zh) * | 2014-05-30 | 2014-08-20 | 国网甘肃省电力公司 | 基于概率区间预测的计及风电接纳的旋转备用区间预测方法 |
CN104537438A (zh) * | 2014-12-26 | 2015-04-22 | 国家电网公司 | 一种用电高峰的预测及监控方法 |
CN105552902A (zh) * | 2016-01-25 | 2016-05-04 | 中国电力科学研究院 | 基于馈线端实时量测的配电网终端负荷超短期预测方法 |
-
2016
- 2016-11-16 CN CN201611025350.9A patent/CN106451438B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103997039A (zh) * | 2014-05-30 | 2014-08-20 | 国网甘肃省电力公司 | 基于概率区间预测的计及风电接纳的旋转备用区间预测方法 |
CN104537438A (zh) * | 2014-12-26 | 2015-04-22 | 国家电网公司 | 一种用电高峰的预测及监控方法 |
CN105552902A (zh) * | 2016-01-25 | 2016-05-04 | 中国电力科学研究院 | 基于馈线端实时量测的配电网终端负荷超短期预测方法 |
Non-Patent Citations (2)
Title |
---|
FRANKA VELTMAN 等: "Prediction Interval Modeling Tuned by an Improved Teaching Learning Algorithm Applied to Load Forecasting in Microgrids", 《COMPUTATIONAL INTELLIGENCE, 2015 IEEE SYMPOSIUM SERIES ON》 * |
李知艺 等: "电力负荷区间预测的集成极限学习机方法", 《华北电力大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194502A (zh) * | 2017-05-04 | 2017-09-22 | 山东大学 | 一种居民用户电力负荷预测方法 |
CN107194502B (zh) * | 2017-05-04 | 2020-10-23 | 山东大学 | 一种居民用户电力负荷预测方法 |
CN112052983A (zh) * | 2019-11-20 | 2020-12-08 | 沈阳工业大学 | 一种基于信息物理融合的分布式电储热装置负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106451438B (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Forecasting China's total energy demand and its structure using ADL-MIDAS model | |
Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
Wang et al. | Secondary forecasting based on deviation analysis for short-term load forecasting | |
Feinberg et al. | Load forecasting | |
Liu et al. | A hybrid FCW-EMD and KF-BA-SVM based model for short-term load forecasting | |
Li et al. | Data-driven charging strategy of PEVs under transformer aging risk | |
CN111489036B (zh) | 基于电器负荷特性和深度学习的居民负荷预测方法、装置 | |
Unterluggauer et al. | Short‐term load forecasting at electric vehicle charging sites using a multivariate multi‐step long short‐term memory: A case study from Finland | |
CN109102155B (zh) | 一种超短期节点边际电价概率预测方法及系统 | |
CN105552902A (zh) | 基于馈线端实时量测的配电网终端负荷超短期预测方法 | |
CN104008433A (zh) | 基于贝叶斯动态模型的中长期电力负荷预测方法 | |
CN112308270A (zh) | 一种长期用电负荷预测方法、装置及计算机实现系统 | |
Haque et al. | Stochastic methods for prediction of charging and discharging power of electric vehicles in vehicle‐to‐grid environment | |
CN103679289A (zh) | 基于多元回归外推法的电力负荷预测方法 | |
El-Azab et al. | Seasonal electric vehicle forecasting model based on machine learning and deep learning techniques | |
Wu et al. | A hybrid BAG-SA optimal approach to estimate energy demand of China | |
CN106451438A (zh) | 一种考虑智能用电行为的负荷区间预测方法 | |
CN106022542A (zh) | 一种基于工序负荷特性的企业关口负荷预测方法 | |
Taieb et al. | Probabilistic time series forecasting with boosted additive models: an application to smart meter data | |
Zhang | Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors | |
Zamee et al. | Self-supervised online learning algorithm for electric vehicle charging station demand and event prediction | |
CN104298859A (zh) | 一种多区间预测结果的加权整合方法 | |
Yanchao et al. | A proportion prediction model of terminal energy structure of IPS based on hidden Markov chain | |
Zhang et al. | Buffer Monitoring of Critical Chain Projects Based on Support Vector Machine Prediction | |
Huang et al. | Campus building energy usage analysis and prediction: A SVR approach based on multi-scale RBF kernels |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |