CN106600037B - 一种基于主成分分析的多参量辅助负荷预测方法 - Google Patents
一种基于主成分分析的多参量辅助负荷预测方法 Download PDFInfo
- Publication number
- CN106600037B CN106600037B CN201611013815.9A CN201611013815A CN106600037B CN 106600037 B CN106600037 B CN 106600037B CN 201611013815 A CN201611013815 A CN 201611013815A CN 106600037 B CN106600037 B CN 106600037B
- Authority
- CN
- China
- Prior art keywords
- load
- principal component
- data
- prediction
- ith
- 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.)
- Active
Links
Images
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
-
- 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
Abstract
本发明公开了一种基于主成分分析的多参量辅助负荷预测方法,首先,收集影响负荷量的变量,然后,用主成分分析法分析了各变量之间的相关性,找出主成分;接着,将主成分与历史负荷数据一起作为模型输入,负荷作为输出,训练模型并实现负荷预测;最后,算出负荷密度、负荷自然增长率及同期系数。本发明预测负荷物理意义明确,预测结果稳定,预测精度高。此外,本发明预测方法是数据驱动、自适应的方法,其预测结果不依赖于使用者的先验知识。
Description
技术领域
本发明涉及能源预测技术领域,尤其是指一种基于主成分分析的多参量辅助负荷预测方法。
背景技术
电力系统中,电力负荷是一个很重要的指标,关系到整个电力系统运行的稳定性,这其中在城市与农业的用电与天气情况有较大的关联,但通过近几年的数据进行分析,包括天气情况等因素与电力负荷之间的关系并非是一个线性关系,而是呈非线性关联的,因此本项目也研究通过收集其它参量数据进行电力负荷预测。
由于影响负荷的因素一般都具有随机性,使得负荷也呈现一定的随机性特点。这样就需要建立随机预测模型,根据负荷的历史数据以及个相关因素的历史数据进行负荷预测。考虑到已发生或已存在的事物是不存在随机性的,而历史数据是对己发生事物的一种记录可以查证,所以可认为历史数据具有确定性是比较准确的,根据历史数据建立的预测关系应当是比较客观的,我们可以不考虑在建立预测关系过程中相关因素的随机性。
在进行负荷预测时,输入变量除包含历史数据外,还包含相关因素。但具体哪些因素是对负荷值有影响的,需要通过相关性分析和主成分分析方法来确定。
现有负荷预测的方法仍存在以下不足:
1、普遍适用性差。用于负荷预测的方法虽是多种多样,但并不是所有的方法都适用于某一具体地区的负荷预测,也不是越新的方法就越好,而组合预测方法也不是所有的地区都有条件能够运用;
2、预测精度不高、算法逐渐“数学化”的现象,复杂的算法多数停留在理论研究阶段,很难在工程实践中灵活应用。
发明内容
本发明的目的在于克服现有技术的缺点和不足,提供一种基于主成分分析的多参量辅助负荷预测方法,实现对负荷的中长期准确预报。
为实现上述目的,本发明所提供的技术方案为:一种基于主成分分析的多参量辅助负荷预测方法,首先,收集影响负荷量的变量,然后用主成分分析法分析各变量之间的相关性,找出主成分;接着,将主成分与历史负荷数据一起作为模型输入,负荷作为输出,训练模型并实现负荷预测,其中采用最小二乘支持向量机作为预测模型;最后,计算出负荷密度、负荷自然增长率及同期系数;其包括以下步骤:
第一步:假设有n个样本,p个变量,观测数据矩阵为:
其中,X为观测数据矩阵,xij为第i个样本第j个变量的值。
由于各变量的量纲有可能不同,因此需要对原始数据进行标准化处理;
第二步:计算样本的相关系数矩阵
假定原始数据标准化后仍用X表示,则经标准化处理后的数据的相关系数为:
其中,rij为第i个变量与第j个变量的相关系数。
第三步:用雅克比方法求相关系数矩阵R的特征值(λ1,λ2,…,λp)和相应的特征向量ai=[ai1,ai2,…,aip],i=1,2,…,p;
第四步:选择重要的主成分,并写出主成分表达式;
主成分分析能够得到p个主成分,但是,由于各个主成分的方差是递减的,包含的信息量也是递减的,所以实际分析时,通常不是选取p个主成分,而是根据各个主成分累计贡献率的大小选取前k个主成分,这里贡献率就是指某个主成分的方差占全部方差的比重,实际也就是某个特征值占全部特征值合计的比重,即
其中,λi为第i个变量的特征值。
贡献率越大,说明该主成分所包含的原始变量的信息越强;主成分个数k的选取,主要根据主成分的累积贡献率来决定,通常要求累计贡献率达到85%以上,这样才能保证综合变量能包括原始变量的绝大多数信息;
主成分表达式表示如下:
Zi=ai1×x1+ai2×x2+…+aip×xp
其中,Zi为第i个主成分,xj为第j个变量,aij为第i个主成分中第j个变量的特征向量。
第五步:计算主成分得分
根据标准化的原始数据,按照各个样品,分别代入主成分表达式,就能够得到各主成分下的各个样品的新数据,即为主成分得分。
第六步:训练模型并实现预测
将t-1时刻的主成分和历史负荷数据作为输入,t时刻的历史负荷数据作为输出,训练模型;基于训练完成的模型,将预测点前一刻的主成分和负荷数据作为输入,模型进行预测,即得预测结果;
第七步:计算负荷密度、负荷自然增长率及同期系数
负荷密度是表征负荷分布密集程度的量化参数:
负荷自然增长率表征负荷增长的速度:
其中,θ表示负荷自然增长率,Pt表示第t年的最大负荷,Pt-1表示第t-1年的最大负荷;
在实际应用中,需要计算变电站与馈线之间的同期系数,计算时间尺度以月为单位;首先求一个自然月内变电站的所有馈线的日最大负荷的和的最大值,作为分子,再求这些馈线在该自然月内的日最大负荷的最大值的和,作为分母;计算公式为:
其中,Pij代表第i条馈线在本月第j天的日最大负荷,n为馈线总数,τ为同期系数。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明方法充分利用主成分分析法运算简单、思路直观的优点,更好地分析了负荷与其他参考变量之间的关系,并提高了预报的效率。
2、本发明预测方法是一种数据驱动、自适应的预测方法,因此预报的精度不受使用者的先验知识的影响。
附图说明
图1为本发明基于主成分分析的多参量辅助负荷预测方法的流程图。
图2为理想预报结果与实际数据的曲线图。
具体实施方式
下面结合具体实施例对本发明做进一步的说明。
如图1所示,本实施例所述的基于主成分分析的多参量辅助负荷预测方法,具体是:首先,收集影响负荷量的变量,然后用主成分分析法分析各变量之间的相关性,找出主成分;接着,将主成分与历史负荷数据一起作为模型输入,负荷作为输出,训练模型并实现负荷预测,其中采用最小二乘支持向量机作为预测模型;最后,计算出负荷密度、负荷自然增长率及同期系数;其包括以下步骤:
第一步:假设有n个样本,p个变量,观测数据矩阵为:
其中,X为观测数据矩阵,xij为第i个样本第j个变量的值。
由于各变量的量纲有可能不同,因此需要对原始数据进行标准化处理;
第二步:计算样本的相关系数矩阵
假定原始数据标准化后仍用X表示,则经标准化处理后的数据的相关系数为:
其中,rij为第i个变量与第j个变量的相关系数。
第三步:用雅克比方法求相关系数矩阵R的特征值(λ1,λ2,…,λp)和相应的特征向量ai=[ai1,ai2,…,aip],i=1,2,…,p;
第四步:选择重要的主成分,并写出主成分表达式;
主成分分析可以得到p个主成分,但是,由于各个主成分的方差是递减的,包含的信息量也是递减的,所以实际分析时,一般不是选取p个主成分,而是根据各个主成分累计贡献率的大小选取前k个主成分,这里贡献率就是指某个主成分的方差占全部方差的比重,实际也就是某个特征值占全部特征值合计的比重,即
贡献率越大,说明该主成分所包含的原始变量的信息越强。主成分个数k的选取,主要根据主成分的累积贡献率来决定,一般要求累计贡献率达到85%以上,这样才能保证综合变量能包括原始变量的绝大多数信息。
主成分表达式表示如下:
Zi=ai1×x1+ai2×x2+…+aip×xp
其中,Zi为第i个主成分,xj为第j个变量,aij为第i个主成分中第j个变量的特征向量。
第五步:计算主成分得分
根据标准化的原始数据,按照各个样品,分别代入主成分表达式,就能够得到各主成分下的各个样品的新数据,即为主成分得分。
第六步:训练模型并实现预测
将t-1时刻的主成分和历史负荷数据作为输入,t时刻的历史负荷数据作为输出,训练模型;基于训练完成的模型,将预测点前一刻的主成分和负荷数据作为输入,模型进行预测,即得预测结果;
第七步:计算负荷密度、负荷自然增长率及同期系数
负荷密度是表征负荷分布密集程度的量化参数:
负荷自然增长率表征负荷增长的速度:
其中,θ表示负荷自然增长率,Pt表示第t年的最大负荷,Pt-1表示第t-1年的最大负荷;
在实际应用中,需要计算变电站与馈线之间的同期系数,计算时间尺度以月为单位;首先求一个自然月内变电站的所有馈线的日最大负荷的和的最大值,作为分子,再求这些馈线在该自然月内的日最大负荷的最大值的和,作为分母;计算公式为:
其中,Pij代表第i条馈线在本月第j天的日最大负荷,n为馈线总数,τ为同期系数。
下面本发明利用平均相对误差(MAE)结合均方误差(MSE)来评估预测的性能,进行预测性能评估和校验。其中,以平均相对误差衡量预报的精度、以均方误差衡量预报的稳定性。它们的定义分别为
由图2可看出,预测值与真实值非常接近,预测精度很高。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (1)
1.一种基于主成分分析的多参量辅助负荷预测方法,其特征在于:针对于电力系统中的电力负荷,首先,收集影响负荷量的变量,然后用主成分分析法分析各变量之间的相关性,找出主成分;接着,将主成分与历史负荷数据一起作为模型输入,负荷作为输出,训练模型并实现负荷预测,其中采用最小二乘支持向量机作为预测模型;最后,计算出负荷密度、负荷自然增长率及同期系数;其包括以下步骤:
第一步:假设有n个样本,p个变量,观测数据矩阵为:
其中,X为观测数据矩阵,xij为第i个样本第j个变量的值;
由于各变量的量纲有可能不同,因此需要对原始数据进行标准化处理;
第二步:计算样本的相关系数矩阵
假定原始数据标准化后仍用X表示,则经标准化处理后的数据的相关系数为:
其中,rij为第i个变量与第j个变量的相关系数;
第三步:用雅克比方法求相关系数矩阵R的特征值(λ1,λ2,…,λp)和相应的特征向量ai=[ai1,ai2,…,aip],i=1,2,…,p;
第四步:选择重要的主成分,并写出主成分表达式;
主成分分析能够得到p个主成分,但是,由于各个主成分的方差是递减的,包含的信息量也是递减的,所以实际分析时,通常不是选取p个主成分,而是根据各个主成分累计贡献率的大小选取前k个主成分,这里贡献率就是指某个主成分的方差占全部方差的比重,实际也就是某个特征值占全部特征值合计的比重,即
其中,λi为第i个变量的特征值;
贡献率越大,说明该主成分所包含的原始变量的信息越强;主成分个数k的选取,主要根据主成分的累积贡献率来决定,通常要求累计贡献率达到85%以上,这样才能保证综合变量能包括原始变量的绝大多数信息;
主成分表达式表示如下:
Zi=ai1×x1+ai2×x2+…+aip×xp
其中,Zi为第i个主成分,xj为第j个变量,aij为第i个主成分中第j个变量的特征向量;
第五步:计算主成分得分
根据标准化的原始数据,按照各个样品,分别代入主成分表达式,就能够得到各主成分下的各个样品的新数据,即为主成分得分;
第六步:训练模型并实现预测
将t-1时刻的主成分和历史负荷数据作为输入,t时刻的历史负荷数据作为输出,训练模型;基于训练完成的模型,将预测点前一刻的主成分和负荷数据作为输入,模型进行预测,即得预测结果;
第七步:计算负荷密度、负荷自然增长率及同期系数
负荷密度是表征负荷分布密集程度的量化参数:
负荷自然增长率表征负荷增长的速度:
其中,θ表示负荷自然增长率,Pt表示第t年的最大负荷,Pt-1表示第t-1年的最大负荷;
在实际应用中,需要计算变电站与馈线之间的同期系数,计算时间尺度以月为单位;首先求一个自然月内变电站的所有馈线的日最大负荷的和的最大值,作为分子,再求这些馈线在该自然月内的日最大负荷的最大值的和,作为分母;计算公式为:
其中,Pij代表第i条馈线在本月第j天的日最大负荷,n为馈线总数,τ为同期系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611013815.9A CN106600037B (zh) | 2016-11-18 | 2016-11-18 | 一种基于主成分分析的多参量辅助负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611013815.9A CN106600037B (zh) | 2016-11-18 | 2016-11-18 | 一种基于主成分分析的多参量辅助负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106600037A CN106600037A (zh) | 2017-04-26 |
CN106600037B true CN106600037B (zh) | 2020-06-19 |
Family
ID=58591477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611013815.9A Active CN106600037B (zh) | 2016-11-18 | 2016-11-18 | 一种基于主成分分析的多参量辅助负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600037B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276493A (zh) * | 2019-06-25 | 2019-09-24 | 北京月新时代科技股份有限公司 | 一种油井检泵周期预测方法、装置及存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460479A (zh) * | 2018-01-23 | 2018-08-28 | 国网安徽省电力有限公司阜阳供电公司 | 一种公共楼宇空调短时基线负荷预测方法 |
CN108665090B (zh) * | 2018-04-06 | 2021-06-18 | 东北电力大学 | 基于主成分分析与Verhulst模型的城市电网饱和负荷预测方法 |
CN108764528A (zh) * | 2018-04-23 | 2018-11-06 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于影响因子分析的日最大负荷区间预测方法 |
CN108898248B (zh) * | 2018-06-22 | 2021-08-03 | 南方电网科学研究院有限责任公司 | 电力负荷影响因素量化分析方法、装置、设备及介质 |
CN111672082B (zh) * | 2020-04-23 | 2021-06-25 | 江苏第二师范学院(江苏省教育科学研究院) | 一种基于pca-pnn的游泳运动员训练负荷预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682219A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种支持向量机短期负荷预测方法 |
CN102722642A (zh) * | 2012-05-25 | 2012-10-10 | 重庆市电力公司长寿供电局 | 大波动电网负荷短期预测方法 |
CN103793887A (zh) * | 2014-02-17 | 2014-05-14 | 华北电力大学 | 基于自适应增强算法的短期电力负荷在线预测方法 |
CN104123617A (zh) * | 2014-07-25 | 2014-10-29 | 国家电网公司 | 一种电力负荷预测方法 |
CN105488598A (zh) * | 2015-12-28 | 2016-04-13 | 国家电网公司 | 一种基于模糊聚类的中长期电力负荷预测方法 |
-
2016
- 2016-11-18 CN CN201611013815.9A patent/CN106600037B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682219A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种支持向量机短期负荷预测方法 |
CN102722642A (zh) * | 2012-05-25 | 2012-10-10 | 重庆市电力公司长寿供电局 | 大波动电网负荷短期预测方法 |
CN103793887A (zh) * | 2014-02-17 | 2014-05-14 | 华北电力大学 | 基于自适应增强算法的短期电力负荷在线预测方法 |
CN104123617A (zh) * | 2014-07-25 | 2014-10-29 | 国家电网公司 | 一种电力负荷预测方法 |
CN105488598A (zh) * | 2015-12-28 | 2016-04-13 | 国家电网公司 | 一种基于模糊聚类的中长期电力负荷预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276493A (zh) * | 2019-06-25 | 2019-09-24 | 北京月新时代科技股份有限公司 | 一种油井检泵周期预测方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106600037A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN111428926B (zh) | 一种考虑气象因素的区域电力负荷预测方法 | |
CN111552923B (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
CN108876021B (zh) | 一种中长期径流预报方法及系统 | |
CN111932402A (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
CN109726865A (zh) | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN105260820B (zh) | 调水工程受水区水生态系统风险评估方法 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN112330065A (zh) | 一种基于基流分割和人工神经网络模型的径流预报方法 | |
CN103985000A (zh) | 基于函数型非参数回归的中长期典型日负荷曲线预测方法 | |
CN110533247B (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
CN113112099A (zh) | 电网日电量预测模型训练方法和电网日电量预测方法 | |
CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
Ignatiadis et al. | Forecasting residential monthly electricity consumption using smart meter data | |
CN115860797A (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN103258144B (zh) | 基于故障录波器数据的在线静态负荷建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |