CN106600463B - 一种局部形相似超短期负荷预测方法及装置 - Google Patents
一种局部形相似超短期负荷预测方法及装置 Download PDFInfo
- Publication number
- CN106600463B CN106600463B CN201611191547.XA CN201611191547A CN106600463B CN 106600463 B CN106600463 B CN 106600463B CN 201611191547 A CN201611191547 A CN 201611191547A CN 106600463 B CN106600463 B CN 106600463B
- Authority
- CN
- China
- Prior art keywords
- load
- holiday
- similarity
- sample
- coefficient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010219 correlation analysis Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 description 9
- 238000013213 extrapolation Methods 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- 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
-
- 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"
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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种局部形相似超短期负荷预测方法及装置,本发明实施例对超短期负荷预测的对象按节假日和正常日进行划分后,采用灰色关联分析法计算气象相似系数,结合样本日和预测日之间的时间相似系数选取合适的相似日,且考虑负荷曲线的总体相似与局部相似之间的差异,在总体相似的基础上分析预测时刻负荷和前面若干时刻负荷的内在规律,采用欧式距离法对局部形态相似度进行判断,精细化选取样本负荷。
Description
技术领域
本发明涉及超短期负荷预测领域,尤其涉及一种局部形相似超短期负荷预测方法及装置。
背景技术
超短期负荷预测是指未来1至2小时以内的负荷预测,主要用于安全监视、预防性控制和紧急状态处理。在电力市场中,超短期负荷预报的结果直接影响电网和各电厂的经济利益,因此对超短期负荷预测的精度提出了更高的要求。
超短期负荷预测通常采用的思路是利用负荷数据的周期性,基于最近数日负荷数据在相同时段内变化的相近特性,分析预测时刻负荷和前面若干时刻负荷的内在规律,构成相关特性。其中最近数日可以扩展为相似日。预测时刻负荷和前面若干时刻负荷的内在规律可通过线性、非线性回归、模型辨识、神经网络逼近等方法获得。这样就形成了各种不同的预测算法,如线性外推法、时间序列法、卡尔曼滤波法、人工神经网络法等。近年来国内外学者在以上传统超短期负荷预测方法的基础上,又提出了许多改进的超短期负荷预测方法取得了良好的效果。
实际研究中发现,超短期负荷预测的难点仍然在于对拐点处的负荷预测。分析其原因,现有大多数方法实质都是在选取了相似日,即保证预测负荷曲线与相似日负荷曲线总体形状相似的基础上,在预测中采用各相似日分别预测,将预测结果取平均值作为最终预测结果;以负荷曲线间的欧氏距离大小、即值相似作为分配各预测结果权重的依据。而要想提高预测精度,特别是拐点处的预测精度,关键在于保证预测曲线与相似曲线的形态相似。
因此,提供一种在考虑多种相似因素选取合适的相似日基础上,再选择预测时刻前若干点进行局部形态相似的分析,以此为基础采用线性外推的方法进行超短期系统负荷预测的考虑预测日类型划分的局部形相似超短期负荷预测方法及装置是本领域技术人员需要解决的技术问题。
发明内容
本发明实施例提供了一种局部形相似超短期负荷预测方法及装置,在考虑多种相似因素选取合适的相似日基础上,再选择预测时刻前若干点进行局部形态相似的分析,以此为基础采用线性外推的方法进行超短期系统负荷预测。
本发明实施例提供了一种局部形相似超短期负荷预测方法,包括:
选取以当前时间为起点,至少前3年的全部节假日负荷和至少前3个月的全部非节假日负荷,得到节假日负荷样本和非节假日负荷样本;
通过灰色关联分析法计算预测日负荷和所述节假日负荷样本之间的第一气象相似系数,以及所述预测日负荷和所述非节假日负荷样本之间的第二气象相似系数,通过时间相似公式计算所述预测日负荷和所述节假日负荷样本之间的第一时间相似系数,以及所述预测日负荷和所述非节假日负荷样本之间的第二时间相似系数;
根据所述第一气象相似系数和所述第一时间相似系数对所述节假日负荷样本进行选取得到节假日相似样本,根据所述第二气象相似系数和所述第二时间相似系数对所述非节假日负荷样本进行选取得到非节假日相似样本;
通过欧式距离计算所述预测日负荷的实测负荷与所述节假日相似样本之间的第一相似度,以及所述预测日负荷的实测负荷与所述非节假日相似样本之间的第二相似度。
优选地,所述通过欧式距离计算所述预测日负荷的实测负荷与所述节假日相似样本之间的第一相似度,以及所述预测日负荷的实测负荷与所述非节假日相似样本之间的第二相似度之后还包括:
根据所述第一相似度和所述第二相似度选取第一计算权重系数和第二计算权重系数,根据所述节假日相似样本和所述第一计算权重系数计算得到节假日典型负荷曲线,据所述非节假日相似样本和所述第二计算权重系数计算非节假日典型负荷曲线。
优选地,所述根据所述第一相似度和所述第二相似度选取第一计算权重系数和第二计算权重系数,根据所述节假日相似样本和所述第一计算权重系数计算得到节假日典型负荷曲线,据所述非节假日相似样本和所述第二计算权重系数计算非节假日典型负荷曲线之后还包括:
根据所述节假日典型负荷曲线与所述实测负荷的偏差计算得到节假日超短期负荷预测结果,根据所述非节假日典型负荷曲线与所述实测负荷的偏差计算得到非节假日超短期负荷预测结果。
优选地,所述选取以当前时间为起点,至少前3年的全部节假日负荷和至少前3个月的全部非节假日负荷,得到节假日负荷样本和非节假日负荷样本之前还包括:
根据节假日信息将时间历史数据分为节假日和非节假日。
优选地,本发明实施例还提供了一种局部形相似超短期负荷预测装置,包括:
第一选取单元,用于选取以当前时间为起点,至少前3年的全部节假日负荷和至少前3个月的全部非节假日负荷,得到节假日负荷样本和非节假日负荷样本;
第一计算单元,用于通过灰色关联分析法计算预测日负荷和所述节假日负荷样本之间的第一气象相似系数,以及所述预测日负荷和所述非节假日负荷样本之间的第二气象相似系数,通过时间相似公式计算所述预测日负荷和所述节假日负荷样本之间的第一时间相似系数,以及所述预测日负荷和所述非节假日负荷样本之间的第二时间相似系数;
第二选取单元,用于根据所述第一气象相似系数和所述第一时间相似系数对所述节假日负荷样本进行选取得到节假日相似样本,根据所述第二气象相似系数和所述第二时间相似系数对所述非节假日负荷样本进行选取得到非节假日相似样本;
第二计算单元,用于通过欧式距离计算所述预测日负荷的实测负荷与所述节假日相似样本之间的第一相似度,以及所述预测日负荷的实测负荷与所述非节假日相似样本之间的第二相似度。
优选地,本发明实施例提供的一种局部形相似超短期负荷预测装置,还包括:第三选取单元,用于根据所述第一相似度和所述第二相似度选取第一计算权重系数和第二计算权重系数,根据所述节假日相似样本和所述第一计算权重系数计算得到节假日典型负荷曲线,据所述非节假日相似样本和所述第二计算权重系数计算非节假日典型负荷曲线。
优选地,本发明实施例提供的一种局部形相似超短期负荷预测装置,还包括:第三计算单元,用于根据所述节假日典型负荷曲线与所述实测负荷的偏差计算得到节假日超短期负荷预测结果,根据所述非节假日典型负荷曲线与所述实测负荷的偏差计算得到非节假日超短期负荷预测结果。
优选地,本发明实施例提供的一种局部形相似超短期负荷预测装置,还包括:划分单元,用于根据节假日信息将时间历史数据分为节假日和非节假日。
优选地,所述第一计算单元包括:
第一计算子单元,用于通过灰色关联分析法计算预测日负荷和所述节假日负荷样本之间的第一气象相似系数,以及所述预测日负荷和所述非节假日负荷样本之间的第二气象相似系数;
第二计算子单元,用于通过时间相似公式计算所述预测日负荷和所述节假日负荷样本之间的第一时间相似系数,以及所述预测日负荷和所述非节假日负荷样本之间的第二时间相似系数。
优选地,所述第二选取单元包括:
第一选取子单元,用于根据所述第一气象相似系数和所述第一时间相似系数对所述节假日负荷样本进行选取得到节假日相似样本;
第二选取子单元,用于根据所述第二气象相似系数和所述第二时间相似系数对所述非节假日负荷样本进行选取得到非节假日相似样本。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例提供了一种局部形相似超短期负荷预测方法及装置,其中,该局部形相似超短期负荷预测方法包括:选取以当前时间为起点,至少前3年的全部节假日负荷和至少前3个月的全部非节假日负荷,得到节假日负荷样本和非节假日负荷样本;通过灰色关联分析法计算预测日负荷和所述节假日负荷样本之间的第一气象相似系数,以及所述预测日负荷和所述非节假日负荷样本之间的第二气象相似系数,通过时间相似公式计算所述预测日负荷和所述节假日负荷样本之间的第一时间相似系数,以及所述预测日负荷和所述非节假日负荷样本之间的第二时间相似系数;根据所述第一气象相似系数和所述第一时间相似系数对所述节假日负荷样本进行选取得到节假日相似样本,根据所述第二气象相似系数和所述第二时间相似系数对所述非节假日负荷样本进行选取得到非节假日相似样本;通过欧式距离计算所述预测日负荷的实测负荷与所述节假日相似样本之间的第一相似度,以及所述预测日负荷的实测负荷与所述非节假日相似样本之间的第二相似度。本发明实施例对超短期负荷预测的对象按节假日和正常日进行划分后,采用灰色关联分析法计算气象相似系数,结合样本日和预测日之间的时间相似系数选取合适的相似日,且考虑负荷曲线的总体相似与局部相似之间的差异,在总体相似的基础上分析预测时刻负荷和前面若干时刻负荷的内在规律,采用欧式距离法对局部形态相似度进行判断,精细化选取样本负荷。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种局部形相似超短期负荷预测方法的流程示意图;
图2为本发明实施例提供的一种局部形相似超短期负荷预测方法的另一流程示意图;
图3位本发明实施例提供的一种局部形相似超短期负荷预测装置的结构示意图。
具体实施方式
本发明实施例提供了一种局部形相似超短期负荷预测方法及装置,在考虑多种相似因素选取合适的相似日基础上,再选择预测时刻前若干点进行局部形态相似的分析,以此为基础采用线性外推的方法进行超短期系统负荷预测。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例提供的一种局部形相似超短期负荷预测方法的一个实施例,包括:
101、选取以当前时间为起点,至少前3年的全部节假日负荷和至少前3个月的全部非节假日负荷,得到节假日负荷样本和非节假日负荷样本;
102、通过灰色关联分析法计算预测日负荷和节假日负荷样本之间的第一气象相似系数,以及预测日负荷和非节假日负荷样本之间的第二气象相似系数,通过时间相似公式计算预测日负荷和节假日负荷样本之间的第一时间相似系数,以及预测日负荷和非节假日负荷样本之间的第二时间相似系数;
103、根据第一气象相似系数和第一时间相似系数对节假日负荷样本进行选取得到节假日相似样本,根据第二气象相似系数和第二时间相似系数对非节假日负荷样本进行选取得到非节假日相似样本;
104、通过欧式距离计算预测日负荷的实测负荷与节假日相似样本之间的第一相似度,以及预测日负荷的实测负荷与非节假日相似样本之间的第二相似度。
在本实施例中,预测日负荷的实测负荷具体为预测时刻前若干时刻的实测负荷。
请参阅图2,本发明实施例提供的一种局部形相似超短期负荷预测方法的另一个实施例,包括:
201、根据节假日信息将时间历史数据分为节假日和非节假日;
202、选取以当前时间为起点,至少前3年的全部节假日负荷和至少前3个月的全部非节假日负荷,得到节假日负荷样本和非节假日负荷样本;
203、通过灰色关联分析法计算预测日负荷和节假日负荷样本之间的第一气象相似系数,以及预测日负荷和非节假日负荷样本之间的第二气象相似系数,通过时间相似公式计算预测日负荷和节假日负荷样本之间的第一时间相似系数,以及预测日负荷和非节假日负荷样本之间的第二时间相似系数;
204、根据第一气象相似系数和第一时间相似系数对节假日负荷样本进行选取得到节假日相似样本,根据第二气象相似系数和第二时间相似系数对非节假日负荷样本进行选取得到非节假日相似样本;
205、通过欧式距离计算预测日负荷的实测负荷与节假日相似样本之间的第一相似度,以及预测日负荷的实测负荷与非节假日相似样本之间的第二相似度;
206、根据第一相似度和第二相似度选取第一计算权重系数和第二计算权重系数,根据节假日相似样本和第一计算权重系数计算得到节假日典型负荷曲线,据非节假日相似样本和第二计算权重系数计算非节假日典型负荷曲线;
207、根据节假日典型负荷曲线与实测负荷的偏差计算得到节假日超短期负荷预测结果,根据非节假日典型负荷曲线与实测负荷的偏差计算得到非节假日超短期负荷预测结果。
在本实施例中,考虑预测日类型划分的局部形相似超短期负荷预测方法的具体流程如下:
01)根据节假日信息将历史数据划分为节假日和正常日。节假日和正常日的负荷趋势差异很大,但可能会出现局部形态相似,因此节假日超短期预测选择的样本中出现正常日,和正常日预测的样本中出现节假日都是不合适的;
02)节假日超短期预测时选取至少3年的所有节假日,采用灰色关联分析法计算气象相似系数。
设预测日气象因素为X0,各分量为X0=(X0(1),...X0(m)),m为气象因素分量个数,历史日气象因素为Xi(i=1,...,l),第i个日气象因素分量为Xi=(Xi(1),...Xi(m)),则有:
Δi(k)=|Xi(k)-X0(k)| (1)
其中,Δi(k)为第i个历史日和预测日的第k个气象因素分量差异,Δ'i(k)为其归一化后的值。
对应的相似系数为:
其中,为第i个历史日与预测日气象因素分量差异的最小值;为所有历史日与预测日气象因素分量差异的最小值;为所有历史日与预测日气象因素分量差异的最大值;ρ大于0且小于1,通常取0.5。综合各相似系数,得到i历史日和预测日的气象相似系数为:
气象相似系数越大说明气象条件越相近,这样的历史日越容易选为相似日。
时间相似系数的计算根据历史日与预测日类型越相近,相似程度越高;时间距离越近,相似程度越高。采用以下表达式来计算t历史日与预测日的时间相似系数α(t):
α(t)=θβt (5)
其中,当历史日和预测日的日类型相同时(比如同为周一),θ=1;当历史日和预测日同为工作日,但类型不同时,比如预测日为周五,历史日为周四时,θ=0.9,历史日为周三时,θ=0.8;当历史日和预测日同为周末,但类型不同时,比如预测日为周日,历史日为周六时,θ=0.9,以此类推。β为时间距离衰减系数,可以取0.95,通过上述公式可以实现距离越远,相似系数越小。
03)超短期系统负荷预测涉及跨日操作,样本处理时将当前时刻向前3年的历史负荷数据按时间形成一个完整序列。设当前时刻T0,局部形态相似分析选取的参考点数为r,则开始时间T0-r-288*(i+1),结束时间T0-r-288*i为第i天的虚拟日负荷。形态相似分析以虚拟日负荷的前r个点为分析对象,即T0-r-288*(i+1)~T0-288*(i+1)。
形态相似分析采用欧式距离来判断样本负荷和实际负荷之间的相似程度。假设样本负荷序列A1,A2,A3……An,实际负荷序列B1,B2,B3……Bn,则两者之间的相似程度。
其中n为局部形态相似分析时参考的预测时刻前点数,ρl为第l个负荷序列和实际负荷序列之间的相似度。
04)将样本负荷和实测负荷之间的相似度ρl按大小排序,选择最相似的不超过3个样本负荷计算权重系数Wl:
根据样本负荷及其对应的权重系数计算用于线性外推的典型负荷曲线。
05)根据典型负荷曲线参考时段与实测曲线之间的偏差,计算出未来时段典型负荷曲线与预测负荷之间的偏差,从而得到超短期预测结果。
设参考点数为r,预测点为n,当前时刻为,典型负荷曲线序列为:
实测负荷曲线序列为:
则典型负荷曲线参考时段与实测曲线之间的偏差:
超短期预测结果:
其中i=1,2...n。
06)正常日超短期预测时样本选取至少3个月的所有非节假日负荷。气象相似系数、时间相似系数的计算及预测过程与02)~05)步相同。
本发明考虑到预测时刻负荷和前面若干时刻负荷的内在规律,以及负荷曲线的总体相似与局部相似间的差异,取相似日同时段的负荷序列构成预测样本,根据欧式距离计算局部相似度并据此确定各预测样本的权重,采用本发明的方法,可以提高电网安全监视、预防性控制和紧急状态处理的能力,并在电力市场环境中降低系统的旋转备用,减少发电成本,提高电网和各电厂的经济效益。
请参阅图3,本发明实施例提供的一种局部形相似超短期负荷预测装置的一个实施例,包括:
第一选取单元301,用于选取以当前时间为起点,至少前3年的全部节假日负荷和至少前3个月的全部非节假日负荷,得到节假日负荷样本和非节假日负荷样本;
第一计算单元302,用于通过灰色关联分析法计算预测日负荷和节假日负荷样本之间的第一气象相似系数,以及预测日负荷和非节假日负荷样本之间的第二气象相似系数,通过时间相似公式计算预测日负荷和节假日负荷样本之间的第一时间相似系数,以及预测日负荷和非节假日负荷样本之间的第二时间相似系数;
第二选取单元303,用于根据第一气象相似系数和第一时间相似系数对节假日负荷样本进行选取得到节假日相似样本,根据第二气象相似系数和第二时间相似系数对非节假日负荷样本进行选取得到非节假日相似样本;
第二计算单元304,用于通过欧式距离计算预测日负荷的实测负荷与节假日相似样本之间的第一相似度,以及预测日负荷的实测负荷与非节假日相似样本之间的第二相似度。
本发明实施例提供的一种局部形相似超短期负荷预测装置,还包括:第三选取单元305,用于根据第一相似度和第二相似度选取第一计算权重系数和第二计算权重系数,根据节假日相似样本和第一计算权重系数计算得到节假日典型负荷曲线,据非节假日相似样本和第二计算权重系数计算非节假日典型负荷曲线。
本发明实施例提供的一种局部形相似超短期负荷预测装置,还包括:第三计算单元306,用于根据节假日典型负荷曲线与实测负荷的偏差计算得到节假日超短期负荷预测结果,根据非节假日典型负荷曲线与实测负荷的偏差计算得到非节假日超短期负荷预测结果。
本发明实施例提供的一种局部形相似超短期负荷预测装置,还包括:划分单元300,用于根据节假日信息将时间历史数据分为节假日和非节假日。
第一计算单元302包括:
第一计算子单元3021,用于通过灰色关联分析法计算预测日负荷和节假日负荷样本之间的第一气象相似系数,以及预测日负荷和非节假日负荷样本之间的第二气象相似系数;
第二计算子单元3022,用于通过时间相似公式计算预测日负荷和节假日负荷样本之间的第一时间相似系数,以及预测日负荷和非节假日负荷样本之间的第二时间相似系数。
第二选取单元303包括:
第一选取子单元3031,用于根据第一气象相似系数和第一时间相似系数对节假日负荷样本进行选取得到节假日相似样本;
第二选取子单元3032,用于根据第二气象相似系数和第二时间相似系数对非节假日负荷样本进行选取得到非节假日相似样本。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种局部形相似超短期负荷预测方法,其特征在于,包括:
选取以当前时间为起点,至少前3年的全部节假日负荷和至少前3个月的全部非节假日负荷,得到节假日负荷样本和非节假日负荷样本;
通过灰色关联分析法计算预测日负荷和所述节假日负荷样本之间的第一气象相似系数,以及所述预测日负荷和所述非节假日负荷样本之间的第二气象相似系数,通过时间相似公式计算所述预测日负荷和所述节假日负荷样本之间的第一时间相似系数,以及所述预测日负荷和所述非节假日负荷样本之间的第二时间相似系数;
根据所述第一气象相似系数和所述第一时间相似系数对所述节假日负荷样本进行选取得到节假日相似样本,根据所述第二气象相似系数和所述第二时间相似系数对所述非节假日负荷样本进行选取得到非节假日相似样本;
通过欧式距离计算所述预测日负荷的实测负荷与所述节假日相似样本之间的第一相似度,以及所述预测日负荷的实测负荷与所述非节假日相似样本之间的第二相似度;
根据所述第一相似度和所述第二相似度选取第一计算权重系数和第二计算权重系数,根据所述节假日相似样本和所述第一计算权重系数计算得到节假日典型负荷曲线,据所述非节假日相似样本和所述第二计算权重系数计算非节假日典型负荷曲线;
根据所述节假日典型负荷曲线与所述实测负荷的偏差计算得到节假日超短期负荷预测结果,根据所述非节假日典型负荷曲线与所述实测负荷的偏差计算得到非节假日超短期负荷预测结果。
2.根据权利要求1所述的局部形相似超短期负荷预测方法,其特征在于,所述选取以当前时间为起点,至少前3年的全部节假日负荷和至少前3个月的全部非节假日负荷,得到节假日负荷样本和非节假日负荷样本之前还包括:
根据节假日信息将时间历史数据分为节假日和非节假日。
3.一种局部形相似超短期负荷预测装置,其特征在于,包括:
第一选取单元,用于选取以当前时间为起点,至少前3年的全部节假日负荷和至少前3个月的全部非节假日负荷,得到节假日负荷样本和非节假日负荷样本;
第一计算单元,用于通过灰色关联分析法计算预测日负荷和所述节假日负荷样本之间的第一气象相似系数,以及所述预测日负荷和所述非节假日负荷样本之间的第二气象相似系数,通过时间相似公式计算所述预测日负荷和所述节假日负荷样本之间的第一时间相似系数,以及所述预测日负荷和所述非节假日负荷样本之间的第二时间相似系数;
第二选取单元,用于根据所述第一气象相似系数和所述第一时间相似系数对所述节假日负荷样本进行选取得到节假日相似样本,根据所述第二气象相似系数和所述第二时间相似系数对所述非节假日负荷样本进行选取得到非节假日相似样本;
第二计算单元,用于通过欧式距离计算所述预测日负荷的实测负荷与所述节假日相似样本之间的第一相似度,以及所述预测日负荷的实测负荷与所述非节假日相似样本之间的第二相似度;
第三选取单元,用于根据所述第一相似度和所述第二相似度选取第一计算权重系数和第二计算权重系数,根据所述节假日相似样本和所述第一计算权重系数计算得到节假日典型负荷曲线,据所述非节假日相似样本和所述第二计算权重系数计算非节假日典型负荷曲线;
第三计算单元,用于根据所述节假日典型负荷曲线与所述实测负荷的偏差计算得到节假日超短期负荷预测结果,根据所述非节假日典型负荷曲线与所述实测负荷的偏差计算得到非节假日超短期负荷预测结果。
4.根据权利要求3所述的局部形相似超短期负荷预测装置,其特征在于,还包括:划分单元,用于根据节假日信息将时间历史数据分为节假日和非节假日。
5.根据权利要求3所述的局部形相似超短期负荷预测装置,其特征在于,所述第一计算单元包括:
第一计算子单元,用于通过灰色关联分析法计算预测日负荷和所述节假日负荷样本之间的第一气象相似系数,以及所述预测日负荷和所述非节假日负荷样本之间的第二气象相似系数;
第二计算子单元,用于通过时间相似公式计算所述预测日负荷和所述节假日负荷样本之间的第一时间相似系数,以及所述预测日负荷和所述非节假日负荷样本之间的第二时间相似系数。
6.根据权利要求3所述的局部形相似超短期负荷预测装置,其特征在于,所述第二选取单元包括:
第一选取子单元,用于根据所述第一气象相似系数和所述第一时间相似系数对所述节假日负荷样本进行选取得到节假日相似样本;
第二选取子单元,用于根据所述第二气象相似系数和所述第二时间相似系数对所述非节假日负荷样本进行选取得到非节假日相似样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611191547.XA CN106600463B (zh) | 2016-12-21 | 2016-12-21 | 一种局部形相似超短期负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611191547.XA CN106600463B (zh) | 2016-12-21 | 2016-12-21 | 一种局部形相似超短期负荷预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106600463A CN106600463A (zh) | 2017-04-26 |
CN106600463B true CN106600463B (zh) | 2020-08-14 |
Family
ID=58600401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611191547.XA Active CN106600463B (zh) | 2016-12-21 | 2016-12-21 | 一种局部形相似超短期负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600463B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108565840B (zh) * | 2018-04-21 | 2019-10-08 | 国网四川省电力公司电力科学研究院 | 一种基于反行波波形相似度比较的快速母线保护方法 |
CN109301825B (zh) * | 2018-12-03 | 2022-05-17 | 北京科东电力控制系统有限责任公司 | 一种配电网的负荷转供方法、装置、终端设备及存储介质 |
CN109934395B (zh) * | 2019-03-04 | 2023-05-02 | 三峡大学 | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 |
CN110222727A (zh) * | 2019-05-15 | 2019-09-10 | 广东电网有限责任公司电力调度控制中心 | 一种基于深度神经网络的短期负荷预测方法及装置 |
CN110866633B (zh) * | 2019-10-25 | 2023-11-24 | 上海电气集团股份有限公司 | 一种基于svr支持向量回归的微电网超短期负荷预测方法 |
CN111797917A (zh) * | 2020-06-30 | 2020-10-20 | 深圳供电局有限公司 | 一种根据气象因素选取短期相似日的方法 |
CN112990597B (zh) * | 2021-03-31 | 2024-02-27 | 国家电网有限公司 | 一种工业园区工厂用电负荷的超短期预测方法 |
CN113326985B (zh) * | 2021-05-31 | 2023-01-20 | 广东电网有限责任公司 | 一种短期负荷预测方法及装置 |
CN115545345A (zh) * | 2022-11-08 | 2022-12-30 | 国网重庆市电力公司电力科学研究院 | 一种基于gru-tcn模型的电网负荷预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831488A (zh) * | 2012-08-17 | 2012-12-19 | 华北电力大学 | 基于改进的灰色预测法的电力负荷预测方法 |
CN104616075A (zh) * | 2015-01-30 | 2015-05-13 | 广西大学 | 一种适合于台风天气下的短期负荷预测方法 |
CN105069521A (zh) * | 2015-07-24 | 2015-11-18 | 许继集团有限公司 | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7921029B2 (en) * | 2005-01-22 | 2011-04-05 | Ims Software Services Ltd. | Projection factors for forecasting product demand |
-
2016
- 2016-12-21 CN CN201611191547.XA patent/CN106600463B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831488A (zh) * | 2012-08-17 | 2012-12-19 | 华北电力大学 | 基于改进的灰色预测法的电力负荷预测方法 |
CN104616075A (zh) * | 2015-01-30 | 2015-05-13 | 广西大学 | 一种适合于台风天气下的短期负荷预测方法 |
CN105069521A (zh) * | 2015-07-24 | 2015-11-18 | 许继集团有限公司 | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106600463A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600463B (zh) | 一种局部形相似超短期负荷预测方法及装置 | |
CN110969285B (zh) | 预测模型训练方法、预测方法、装置、设备及介质 | |
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 | |
CN112712203B (zh) | 一种配电网日最高负荷预测方法和系统 | |
CN109583729B (zh) | 用于平台在线模型的数据处理方法和装置 | |
CN109118012A (zh) | 一种工业动态多维度能耗成本预测方法、系统、存储介质和终端 | |
CN111198799A (zh) | 一种基于lstm的机房功耗预警方法、系统、终端及存储介质 | |
CN113111589A (zh) | 预测模型的训练方法、预测供热温度的方法、装置和设备 | |
CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
CN116205334A (zh) | 电网负荷的智能预测方法及装置 | |
CN111985695A (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
CN110728395A (zh) | 主变短期电力负荷计算方法、装置、计算机和存储介质 | |
CN112766535B (zh) | 一种考虑负荷曲线特征的建筑负荷预测方法及系统 | |
CN114444771A (zh) | 一种面向敏感用户的电压暂降事件预测方法、介质及系统 | |
CN113902181A (zh) | 公变重过载的短期预测方法及设备 | |
CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN110826196B (zh) | 一种工业设备运行数据的处理方法及装置 | |
CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
CN112836871A (zh) | 一种配电网可靠性预测方法、装置、设备和介质 | |
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 | |
CN114970635A (zh) | 基于类噪声信号的动态负荷主导模型参数辨识方法及系统 | |
Heidrich et al. | ProbPNN: Enhancing Deep Probabilistic Forecasting with Statistical Information | |
CN113947251A (zh) | 一种变压器的日最大负载率预测方法、装置、设备和介质 | |
CN113705929A (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201214 Address after: 510699 No. 75 Meihua Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee after: ELECTRIC POWER DISPATCHING CONTROL CENTER OF GUANGDONG POWER GRID Co.,Ltd. Patentee after: Chaozhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Address before: 510600 No. 75 Meihua Road, Guangzhou, Guangdong, Yuexiu District Patentee before: ELECTRIC POWER DISPATCHING CONTROL CENTER OF GUANGDONG POWER GRID Co.,Ltd. |
|
TR01 | Transfer of patent right |