CN106651005B - 基线负荷预测方法及装置 - Google Patents
基线负荷预测方法及装置 Download PDFInfo
- Publication number
- CN106651005B CN106651005B CN201611024544.7A CN201611024544A CN106651005B CN 106651005 B CN106651005 B CN 106651005B CN 201611024544 A CN201611024544 A CN 201611024544A CN 106651005 B CN106651005 B CN 106651005B
- Authority
- CN
- China
- Prior art keywords
- load
- baseline
- baseline load
- historical
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000008859 change Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000003993 interaction Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 6
- 241000533950 Leucojum Species 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims 1
- 238000013277 forecasting method Methods 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010959 steel Substances 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
- 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)
- 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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基线负荷预测方法及装置，所述方法通过将基线负荷类型建模为由CIM/OWL本体对象表示的负荷对象模型并存储，根据负荷对象模型、历史负荷数据以及核心因素预测基线负荷，得到初步预测结果；进一步结合所述初步预测结果和所述核心因素，得到基线负荷预测结果；最后将所述基线负荷预测结果反馈给各业务系统。节省大量的数据载入载出时间，访问速度快，提高预测效率。同时，所述装置用于执行所述方法，能够实现基于负荷特性分析和负荷变化因素识别的基线负荷预测方法，获得的高精度基线负荷预测结果，为电网安全、经济、优质运行提供的数据支持和保障。
Description
技术领域
本发明涉及电力系统及其自动化技术领域，特别涉及一种基线负荷预测方法及装置。
背景技术
负荷特征分析是智能电网研究的基础，根据负荷特征进行用户基线负荷的预算是电网扩展规划、调度运行、电源建设和负荷管理的重要决策依据，对于保障电网安全、经济、优质运行具有重要意义；需求响应(Demand Response，简称DR)即电力需求响应的简称，是指当电力批发市场价格升高或系统可靠性受威胁时，电力用户接收到供电方发出的诱导性减少负荷的直接补偿通知或者电力价格上升信号后，改变其固有的习惯用电模式，达到减少或者推移某时段的用电负荷而响应电力供应，从而保障电网稳定，并抑制电价上升的短期行为。
传统的电力负荷特征分析方法主要有两类：一是按影响因素分析，即在其余变量保持不变的前提下逐个提取因变量，定性或者定量描述其对自变量的影响程度；二是按行业分类分析，即先对各行业或者细化到某类型用户的用电特征进行分析，定性或者定量得到各类型用户对区域电网用电特征的影响。
但是在具体的实践中，基于需求响应的基线负荷预测一直是存在的一大难题。目前由于负荷种类繁多，特征差异大，负荷变化随机性强，准确计算需求响应的基线负荷难度大，特别是单一考虑某一因素的基线负荷预测准确度非常低。而且目前的基线负荷预测方法和系统缺少对基线负荷预测的自动化手段，造成基线负荷预测效率低下，各业务系统在交互数据过程中容易频繁出错。
发明内容
本发明的发明目的在于提供一种基线负荷预测方法及装置，以解决现有技术中，由于负荷种类繁多，特征差异大，负荷变化随机性强，准确计算需求响应的基线负荷难度大，特别是单一考虑某一因素的基线负荷预测准确度非常低的技术问题。
根据本发明的实施例的第一方面，提供了一种基线负荷预测方法，所述方法包括：
获取基线负荷类型，将所述基线负荷类型建模为由CIM/OWL本体对象表示的负荷对象模型；
获取历史负荷数据和历史负荷数据的影响因素，生成历史负荷及影响因素规则库；
确定影响基线负荷变化的核心因素，不同类别的核心因素分别形成不同的核心因素集；
根据所述负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果；
结合所述初步预测结果和所述核心因素集，得到基线负荷预测结果；
将所述基线负荷预测结果反馈给各业务系统。
进一步，所述将基线负荷类型建模为由CIM/OWL本体对象表示的负荷对象模型的步骤具体包括：
根据所述基线负荷类型形成基线负荷类型文件；
根据所述基线负荷类型文件形成基线负荷类型对象；
将所述基线负荷类型对象转换为由CIM/UML表示的负荷对象模型；
将所述由CIM/UML表示的负荷对象模型转换为由CIM/OWL本体表示。
进一步，所述生成历史负荷及影响因素规则库的步骤具体包括：
将所述历史负荷数据和所述影响因素分别形成历史负荷数据文件和影响因素文件；
将所述历史负荷数据文件转换为由雪花模型表示；
根据所述历史负荷数据文件和所述影响因素文件形成历史负荷及影响因素规则库。
进一步，所述确定影响基线负荷变化的核心因素的步骤具体包括：
判断用户类别；
如果所述用户类别为独立大用户，则，根据所述规则库建立因素确定模型，推算所述独立大用户的需求响应特性，确定影响基线负荷变化的核心因素；
如果所述用户类别为普通居民用户，则，将所述历史负荷数据形成历史日负荷曲线，对所述历史日负荷曲线进行数据聚类分析，建立负荷聚类模型，采用数据挖掘技术和特征建模，确定影响基线负荷变化的核心因素。
进一步，所述根据负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果具体为，利用不同的预测方法，根据所述负荷对象模型、所述历史负荷数据以及所述核心因素，对基线负荷进行预测，所述预测方法包括回归分析预测、相似趋势预测以及神经网络预测，再进行平滑权重计算，得到初步预测结果。
进一步，所述结合初步预测结果和所述核心因素集，得到基线负荷预测结果，具体为对所述初步预测结果和所述核心因素集进行二次回归分析，得到基线负荷预测结果。
进一步，在所述根据负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果之前，所述方法还包括启动服务接口，循环等待需要进行基线负荷计算和/或进行数据传输的指令，所述指令由各业务系统发出；接收所述指令，并通过所述服务接口向所述各业务系统发送确认已接收所述指令的消息；在所述将基线负荷预测结果反馈给各业务系统之前，所述方法还包括，将所述基线负荷预测结果转换为标准接口交互信息。
进一步，在执行上述方法的同时，还包括，将所述负荷对象模型、所述历史负荷数据、所述历史日负荷曲线、所述核心因素集、所述规则库、所述初步预测结果和所述基线负荷预测结果储存起来。
根据本发明的实施例的另一方面，提供了一种基线负荷预测装置，用于执行本发明实施例第一方面所述的方法，所述装置包括：存储器、与所述存储器连接的控制处理器，所述控制处理器包括基线负荷类型建模单元、规则库生成单元、核心因素确定单元，以及基线负荷预测单元；其中，
所述基线负荷类型建模单元用于获取基线负荷类型，将所述基线负荷类型建模为由CIM/OWL本体对象表示的负荷对象模型；
所述规则库生成单元用于获取历史负荷数据和历史负荷数据的影响因素，生成历史负荷及影响因素规则库；
所述核心因素确定单元用于根据所述规则库，确定影响基线负荷变化的核心因素，不同类别的核心因素分别形成不同的核心因素集；
所述基线负荷预测单元根据所述负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果；结合初步预测结果和核心因素集，得到基线负荷预测结果；还用于将所述基线负荷预测结果反馈给各业务系统。
优选地，所述基线负荷预测单元在用于根据所述负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果之前，还用于：
启动服务接口，循环等待需要进行基线负荷预测和/或进行数据传输的指令，所述指令由各业务系统发出；
接收所述指令，并通过所述服务接口向所述各业务系统发送确认已接收所述指令的消息；
将所述基线负荷预测结果转换成标准接口交互信息后反馈给所述各业务系统。
由以上技术方案可知，本发明实施例提供的基线负荷预测方法及装置，所述方法通过获取基线负荷类型，将所述基线负荷类型建模为由CIM/OWL本体对象表示的负荷对象模型并存储，与传统的在使用的时候读取，在不使用的时候释放的方法相比，节省了大量的数据载入载出时间，访问速度快，提高预测效率。获取历史负荷数据和历史负荷数据的影响因素，生成历史负荷及影响因素规则库；确定影响基线负荷变化的核心因素，不同类别的核心因素分别形成不同的核心因素集；再根据所述负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果；进一步结合所述初步预测结果和所述核心因素集，得到基线负荷预测结果；最后将所述基线负荷预测结果反馈给各业务系统。同时，所述装置用于执行所述方法，能够实现基于负荷特性分析和负荷变化因素识别的基线负荷预测方法，获得的高精度基线负荷预测结果，为电网安全、经济、优质运行提供的数据支持和保障。
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的前提下，还可以根据这些附图获得其他的附图。
图1为根据一优选实施例示出的基线负荷预测方法流程图；
图2为根据一优选实施例示出的基线负荷预测装置结构示意图。
其中，1-存储器；2-控制处理器；21-基线负荷类型建模单元；22-规则库生成单元；23-核心因素确定单元；24-基线负荷预测单元。
具体实施方式
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、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
根据本发明实施例的第一方面，提供了一种基线负荷预测方法，如图1所示，为所述方法的流程图，由图可知，所述方法包括：
步骤S1、获取基线负荷类型，将所述基线负荷类型建模为由CIM/OWL本体对象表示的负荷对象模型；
进一步，所述将基线负荷类型建模为由CIM(commoninformation model,公用信息模型)/OWL(Ontology of WebLanguage，互联网本体语言)本体对象表示的负荷对象模型的步骤具体包括：
根据所述基线负荷类型形成基线负荷类型文件；
根据所述基线负荷类型文件形成基线负荷类型对象；
将所述基线负荷类型对象转换为由CIM/UML(unified modeling language，统一建模语言)表示的负荷对象模型；
将所述由CIM/UML表示的负荷对象模型转换为由CIM/OWL本体表示。
将所述基线负荷类型建模为由CIM/OWL本体对象表示的负荷对象模型并存储，与传统的在使用的时候读取，在不使用的时候释放的方法相比，节省了大量的数据载入载出时间，访问速度快，提高预测效率。
步骤S2、获取历史负荷数据和历史负荷数据的影响因素，生成历史负荷及影响因素规则库；
其中，某一电力用户的历史负荷数据是指该用户在当前时间点之前有限时期内的用电负荷数据，所述当前时间点之前的有限时期的终点包括但不限于当前时间点，所述当前时间点的单位可以是小时，也可以是一天，也可以是具体的当前时刻；例如，假设当前时间点为2016年1月10日，则该电力用户的负荷数据可以是从2016年1月9日向前一个月至2015年12月9日的时期内的用电负荷数据；所述时期的长度可以根据需要自行设置；另外，所述历史日负荷曲线是根据用电负荷及其所对应的时间点组成的坐标描绘而成，能够更加直观的显示出该用户在当前时间点之前的某个时期内用电负荷变化规律。
电力用户的基线负荷会受到一些特定因素的影响，例如，天气因素；如果当天的天气是雷雨，普通居民用户会减少家中用电器的使用，以期能够避免用电器受到雷击儿损坏；如果天气是阴天，那个大部分电力用户在白天都会增加照明灯的使用。再如，时间因素；在上午八点至十一点，大部分居民用户的用电负荷都会低于晚上八点至晚上十一点的用电负荷。再如，日期因素；法定节假日或者周末的用电负荷要高于工作日的用电负荷；同时，同样的道理，电力用户基线负荷还会受到温度、湿度以及特殊事件等因素的影响。
进一步，所述生成历史负荷及影响因素规则库的步骤具体包括：
将所述历史负荷数据和所述影响因素分别形成历史负荷数据文件和影响因素文件；
将所述历史负荷数据文件转换为由雪花模型表示；
根据所述历史负荷数据文件和所述影响因素文件形成历史负荷及影响因素规则库。
步骤S3、确定影响基线负荷变化的核心因素，不同类别的核心因素分别形成不同的核心因素集；
进一步，所述确定影响基线负荷变化的核心因素的步骤具体包括：
判断用户类别；
如果所述用户类别为独立大用户，则，根据所述规则库建立因素确定模型，推算所述独立大用户的需求响应特性，确定影响基线负荷变化的核心因素；
所述独立大用户，是指一个独立计量电力负荷情况的大的用电用户，例如一个钢铁厂，一个商业中心，一个负荷聚合商等。
如果所述用户类别为普通居民用户，则，将所述历史负荷数据形成历史日负荷曲线，对所述历史日负荷曲线进行数据聚类分析，建立负荷聚类模型，采用数据挖掘技术和特征建模，确定影响基线负荷变化的核心因素。
通过确定影响基线负荷变化的核心因素，将全部可能影响基线负荷的因素中的非核心因素剔除，所述非核心因素即对所述基线负荷没有影响或产生的影响可以忽略不计的因素，能够在进行基线负荷预测时，只将核心因素列入预测依据的范围，节省计算时间的同时，避免非关键因素的干扰，进一步提高对于基线负荷的预测计算效率。不同类别的核心因素形成不同类别的核心因素集，例如，天气因素集，日期因素集，特殊事件因素集等。
步骤S4、根据所述负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果；
进一步，所述根据负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果具体为，利用不同的预测方法，根据所述负荷对象模型、所述历史负荷数据以及所述核心因素，对基线负荷进行预测，所述预测方法包括回归分析预测、相似趋势预测以及神经网络预测，再进行平滑权重计算，得到初步预测结果。
进一步，在所述根据负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果之前，所述方法还包括启动服务接口，循环等待需要进行基线负荷计算和/或进行数据传输的指令，所述指令由各业务系统发出；接收所述指令，并通过所述服务接口向所述各业务系统发送确认已接收所述指令的消息；
其中，上述各业务系统是指与基线负荷相关的电网公司业务系统，例如营销系统或者调度系统，由电网公司对基线负荷计算方法及装置的应用来决定。上述循环等待是指针对各业务系统，逐个查询是否收到所述指令，如果收到所述指令，则相应地执行，如果没有收到所述指令，则针对下一个业务系统进行查询，所有业务系统均被查询完毕后，再重新逐个查询。
步骤S5、结合所述初步预测结果和所述核心因素集，得到基线负荷预测结果；
进一步，所述结合初步预测结果和所述核心因素集，得到基线负荷预测结果，具体为对所述初步预测结果和所述核心因素集进行二次回归分析，得到基线负荷预测结果。
步骤S6、将所述基线负荷预测结果反馈给各业务系统；
进一步，在所述将基线负荷预测结果反馈给各业务系统之前，所述方法还包括，将所述基线负荷预测结果转换为标准接口交互信息。所述标准接口交互信息是指，与其他业务系统交换信息所需要符合的信息交互要求。
进一步，在执行上述方法的同时，还包括，将所述负荷对象模型、所述历史负荷数据、所述历史日负荷曲线、所述核心因素集、所述规则库、所述初步预测结果和所述基线负荷预测结果储存起来。
由以上技术方案可知，本发明实施例提供的基线负荷预测方法，所述方法通过获取基线负荷类型，将所述基线负荷类型建模为由CIM/OWL本体对象表示的负荷对象模型并存储，与传统的在使用的时候读取，在不使用的时候释放的方法相比，节省了大量的数据载入载出时间，访问速度快，提高预测效率。获取历史负荷数据和历史负荷数据的影响因素，生成历史负荷及影响因素规则库；确定影响基线负荷变化的核心因素，不同类别的核心因素分别形成不同的核心因素集；再根据所述负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果；进一步结合所述初步预测结果和所述核心因素集，得到基线负荷预测结果；最后将所述基线负荷预测结果反馈给各业务系统。能够实现基于负荷特性分析和负荷变化因素识别的基线负荷预测方法，获得的高精度基线负荷预测结果，为电网安全、经济、优质运行提供的数据支持和保障。
根据本发明的实施例的另一方面，提供了一种基线负荷预测装置，用于执行本发明实施例第一方面所述的方法，如图2所示，为所述装置的结构示意图，由图2可知，所述装置包括：存储器1、与所述存储器连接的控制处理器2，所述控制处理器2包括基线负荷类型建模单元21、规则库生成单元22、核心因素确定单元23，以及基线负荷预测单元24；其中，
所述基线负荷类型建模单元21用于获取基线负荷类型，将所述基线负荷类型建模为由CIM/OWL本体对象表示的负荷对象模型；
所述规则库生成单元22用于获取历史负荷数据和历史负荷数据的影响因素，生成历史负荷及影响因素规则库；
所述核心因素确定单元23用于根据所述规则库，确定影响基线负荷变化的核心因素，不同类别的核心因素分别形成不同的核心因素集；
所述基线负荷预测单元24用于根据所述负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果；结合初步预测结果和核心因素集，得到基线负荷预测结果；还用于将所述基线负荷预测结果反馈给各业务系统。
优选地，所述基线负荷预测单元24在用于根据所述负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果之前，还用于：
启动服务接口，循环等待需要进行基线负荷预测和/或进行数据传输的指令，所述指令由各业务系统发出；
接收所述指令，并通过所述服务接口向所述各业务系统发送确认已接收所述指令的消息；
将所述基线负荷预测结果转换成标准接口交互信息后反馈给所述各业务系统。
其中，上述各业务系统是指与基线负荷相关的电网公司业务系统，例如营销系统或者调度系统，由电网公司对基线负荷计算方法及装置的应用来决定。上述循环等待是指针对各业务系统，逐个查询是否收到所述指令，如果收到所述指令，则相应地执行，如果没有收到所述指令，则针对下一个业务系统进行查询，所有业务系统均被查询完毕后，再重新逐个查询。
所述标准接口交互信息是指，与其他业务系统交换信息所需要符合的信息交互要求。
需要说明的是，所述存储器1用于存储所述负荷对象模型、所述历史负荷数据、所述历史日负荷曲线、所述核心因素集、所述规则库、所述初步预测结果和所述基线负荷预测结果。
由以上技术方案可知，本发明实施例提供的基线负荷预测装置，所述装置用于执行所述方法，所述方法通过获取基线负荷类型，将所述基线负荷类型建模为由CIM/OWL本体对象表示的负荷对象模型并存储，与传统的在使用的时候读取，在不使用的时候释放的方法相比，节省了大量的数据载入载出时间，访问速度快，提高预测效率。获取历史负荷数据和历史负荷数据的影响因素，生成历史负荷及影响因素规则库；确定影响基线负荷变化的核心因素，不同类别的核心因素分别形成不同的核心因素集；再根据所述负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果；进一步结合所述初步预测结果和所述核心因素集，得到基线负荷预测结果；最后将所述基线负荷预测结果反馈给各业务系统。本发明能够实现基于负荷特性分析和负荷变化因素识别的基线负荷预测方法，获得的高精度基线负荷预测结果，为电网安全、经济、优质运行提供的数据支持和保障。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (8)
1.一种基线负荷预测方法，其特征在于，所述方法包括：
获取基线负荷类型，将所述基线负荷类型建模为由CIM/OWL本体对象表示的负荷对象模型，包括以下步骤：根据所述基线负荷类型形成基线负荷类型文件；根据所述基线负荷类型文件形成基线负荷类型对象；将所述基线负荷类型对象转换为由CIM/UML表示的负荷对象模型；将所述由CIM/UML表示的负荷对象模型转换为由CIM/OWL本体表示；
获取历史负荷数据和历史负荷数据的影响因素，生成历史负荷及影响因素规则库，包括以下步骤：将所述历史负荷数据和所述影响因素分别形成历史负荷数据文件和影响因素文件；将所述历史负荷数据文件转换为由雪花模型表示；根据所述历史负荷数据文件和所述影响因素文件形成历史负荷及影响因素规则库；
确定影响基线负荷变化的核心因素，不同类别的核心因素分别形成不同的核心因素集；
根据所述负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果；
结合所述初步预测结果和所述核心因素集，得到基线负荷预测结果；
将所述基线负荷预测结果反馈给各业务系统。
2.根据权利要求1所述的基线负荷预测方法，其特征在于，所述确定影响基线负荷变化的核心因素的步骤具体包括：
判断用户类别；
如果所述用户类别为独立大用户，则，根据所述规则库建立因素确定模型，推算所述独立大用户的需求响应特性，确定影响基线负荷变化的核心因素；
如果所述用户类别为普通居民用户，则，将所述历史负荷数据形成历史日负荷曲线，对所述历史日负荷曲线进行数据聚类分析，建立负荷聚类模型，采用数据挖掘技术和特征建模，确定影响基线负荷变化的核心因素。
3.根据权利要求1所述的基线负荷预测方法，其特征在于，所述根据负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果具体为，利用不同的预测方法，根据所述负荷对象模型、所述历史负荷数据以及所述核心因素，对基线负荷进行预测，所述预测方法包括回归分析预测、相似趋势预测以及神经网络预测，再进行平滑权重计算，得到初步预测结果。
4.根据权利要求1所述的基线负荷预测方法，其特征在于，所述结合初步预测结果和所述核心因素集，得到基线负荷预测结果，具体为对所述初步预测结果和所述核心因素集进行二次回归分析，得到基线负荷预测结果。
5.根据权利要求1所述的基线负荷预测方法，其特征在于，在所述根据负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果之前，所述方法还包括启动服务接口，循环等待需要进行基线负荷计算和/或进行数据传输的指令，所述指令由各业务系统发出；接收所述指令，并通过所述服务接口向所述各业务系统发送确认已接收所述指令的消息；在所述将基线负荷预测结果反馈给各业务系统之前，所述方法还包括，将所述基线负荷预测结果转换为标准接口交互信息。
6.根据权利要求2所述的基线负荷预测方法，其特征在于，所述方法还包括，将所述负荷对象模型、所述历史负荷数据、所述历史日负荷曲线、所述核心因素集、所述规则库、所述初步预测结果和所述基线负荷预测结果储存起来。
7.一种基线负荷预测装置，用于权利要求1所述的基线负荷预测方法，其特征在于，所述装置包括存储器、与所述存储器连接的控制处理器，所述控制处理器包括基线负荷类型建模单元、规则库生成单元、核心因素确定单元，以及基线负荷预测单元；其中，
所述基线负荷类型建模单元用于获取基线负荷类型，将所述基线负荷类型建模为由CIM/OWL本体对象表示的负荷对象模型；
所述规则库生成单元用于获取历史负荷数据和历史负荷数据的影响因素，生成历史负荷及影响因素规则库；
所述核心因素确定单元用于根据所述规则库，确定影响基线负荷变化的核心因素，不同类别的核心因素分别形成不同的核心因素集；
所述基线负荷预测单元用于根据所述负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果；结合初步预测结果和核心因素集，得到基线负荷预测结果；还用于将所述基线负荷预测结果反馈给各业务系统。
8.根据权利要求7所述的基线负荷预测装置，其特征在于，所述基线负荷预测单元在用于根据所述负荷对象模型、所述历史负荷数据以及所述核心因素预测基线负荷，得到初步预测结果之前，还用于：
启动服务接口，循环等待需要进行基线负荷预测和/或进行数据传输的指令，所述指令由各业务系统发出；
接收所述指令，并通过所述服务接口向所述各业务系统发送确认已接收所述指令的消息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611024544.7A CN106651005B (zh) | 2016-11-18 | 2016-11-18 | 基线负荷预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611024544.7A CN106651005B (zh) | 2016-11-18 | 2016-11-18 | 基线负荷预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106651005A CN106651005A (zh) | 2017-05-10 |
| CN106651005B true CN106651005B (zh) | 2020-08-28 |
Family
ID=58808377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611024544.7A Active CN106651005B (zh) | 2016-11-18 | 2016-11-18 | 基线负荷预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106651005B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109460400B (zh) * | 2018-12-12 | 2022-04-08 | 国网江苏省电力有限公司南京供电分公司 | 一种电力监控系统安全基线库的建立系统及方法 |
| CN113505847B (zh) * | 2021-07-26 | 2023-04-14 | 云南电网有限责任公司电力科学研究院 | 一种基于迁移学习的节能量在线量测系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130082960A (ko) * | 2011-12-26 | 2013-07-22 | 주식회사 케이티 | 실시간 고객기준부하 산출 방법 및 시스템 |
| CN103455953A (zh) * | 2013-09-12 | 2013-12-18 | 国家电网公司 | 母线负荷预测方法及装置 |
| CN104239983A (zh) * | 2014-10-13 | 2014-12-24 | 东南大学 | 一种基于大数据视角的需求响应削负荷量的测量方法 |
| CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
| KR20160022540A (ko) * | 2014-08-20 | 2016-03-02 | 서강대학교산학협력단 | 데이터마이닝 기법을 이용하여 고객기준부하를 추정하는 방법 및 그에 따른 장치 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101012863B1 (ko) * | 2008-09-25 | 2011-02-08 | 한국전력공사 | 고객기준부하 산출을 위한 부하 예측 비교 분석 시스템 |
-
2016
- 2016-11-18 CN CN201611024544.7A patent/CN106651005B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130082960A (ko) * | 2011-12-26 | 2013-07-22 | 주식회사 케이티 | 실시간 고객기준부하 산출 방법 및 시스템 |
| CN103455953A (zh) * | 2013-09-12 | 2013-12-18 | 国家电网公司 | 母线负荷预测方法及装置 |
| KR20160022540A (ko) * | 2014-08-20 | 2016-03-02 | 서강대학교산학협력단 | 데이터마이닝 기법을 이용하여 고객기준부하를 추정하는 방법 및 그에 따른 장치 |
| CN104239983A (zh) * | 2014-10-13 | 2014-12-24 | 东南大学 | 一种基于大数据视角的需求响应削负荷量的测量方法 |
| CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106651005A (zh) | 2017-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2022202616B2 (en) | Method and apparatus for facilitating the operation of an on-site energy storage system to co-optimize battery dispatch | |
| CN109066690B (zh) | 一种区域性产用电的电源调度方法 | |
| Wijaya et al. | When bias matters: An economic assessment of demand response baselines for residential customers | |
| CA2934005C (en) | Method and system for managing a power grid | |
| KR20120112155A (ko) | 전기 부하를 예상하는 시스템 및 방법 | |
| EP2813979A1 (en) | Electric power consumption management system and method | |
| CN111191811A (zh) | 集群负荷预测方法、装置及存储介质 | |
| JP6610059B2 (ja) | 電力需要誘導装置 | |
| US20180225779A1 (en) | System and method for determining power production in an electrical power grid | |
| CN114596693A (zh) | 用于能源监控和管理的方法、系统、介质和程序产品 | |
| CN106682999A (zh) | 电力用户基线负荷计算方法及装置 | |
| CN106651005B (zh) | 基线负荷预测方法及装置 | |
| CN108846505A (zh) | 可再生能源并网消纳信息多维度校核方法及设备 | |
| Pütz et al. | Revealing interactions between HVDC cross-area flows and frequency stability with explainable AI | |
| CN114926213A (zh) | 基于代理购电的购电信息确定方法和装置 | |
| Klaassen et al. | Method for evaluating smart grid concepts and pilots | |
| Bu et al. | Distributed unit commitment scheduling in the future smart grid with intermittent renewable energy resources and stochastic power demands | |
| CN117874470B (zh) | 一种专变采集终端监测数据分析处理方法 | |
| Stoldt et al. | Applications for models of renewable energy sources and energy storages in material flow simulation | |
| Bâra et al. | PV-OPTIM: A Software Architecture and Functionalities for Prosumers | |
| US20220209531A1 (en) | System and method for optimization of power consumption and power storage | |
| Mirza | Evaluating the effectiveness of a hybrid approach for DSM in unreliable power grids: temporal planning meets LSTM | |
| Suriya et al. | A Progressive Method to Monitor Power Using IoT | |
| CN115907573A (zh) | 一种用电侧设备的建模方法及装置 | |
| Qiang et al. | Alternative formulations for unit commitment |
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 |