CN106651055A - 一种短期售电量预测方法及系统 - Google Patents
一种短期售电量预测方法及系统 Download PDFInfo
- Publication number
- CN106651055A CN106651055A CN201611260341.8A CN201611260341A CN106651055A CN 106651055 A CN106651055 A CN 106651055A CN 201611260341 A CN201611260341 A CN 201611260341A CN 106651055 A CN106651055 A CN 106651055A
- Authority
- CN
- China
- Prior art keywords
- electricity
- high voltage
- voltage customer
- day
- issued
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000005611 electricity Effects 0.000 claims description 270
- 238000007596 consolidation process Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- XCWPUUGSGHNIDZ-UHFFFAOYSA-N Oxypertine Chemical compound C1=2C=C(OC)C(OC)=CC=2NC(C)=C1CCN(CC1)CCN1C1=CC=CC=C1 XCWPUUGSGHNIDZ-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种短期售电量预测方法,包括:步骤S1:获取电力公司在预测月已发行用电量的低压用户的发行电量以及已发行用电量的高压用户的发行电量;步骤S2:获取电力公司在预测月未发行完用电量的高压用户在预测月的未发行时间段,并根据未发行完用电量的高压用户的历史日预售电量预测未发行完用电量的高压用户在未发行时间段内的电量,得到高压用户未发行时间段的电量;步骤S3:将低压用户已发行用电量、高压用户已发行用电量以及高压用户未发行时间段的电量进行求和,得到电力公司在预测月的售电量预测值。日度发行电量和日度预售电量数据准确反映近一段时间外部因素的变化情况,有效提高预测精度。本申请还公开了一种短期售电量预测系统。
Description
技术领域
本发明涉及电力系统技术领域,更具体地说,涉及一种短期售电量预测方法,还涉及一种短期售电量预测系统。
背景技术
随着电力体制改革和智能电网建设的不断深入,售电量己成为考核电力企业的一个重要指标,反映了企业售电能力和综合管理水平,研究售电量数据并使其发挥应有的价值是电力公司十分关注的问题,特别是对未来售电量进行精准预测一直是电力公司的关注重点,月度售电量预测准确率也是电力公司同业对标考核的一项关键指标。准确地预测出地区的售电量,对于决策者合理地确定销售电量总定额、分解售电量销售指标、搞好电力企业的经营有着重要实际意义,另外售电量预测是电力市场中的一项基本工作,正确预测出地区销售电量的水平,为供电企业提供营销决策支持,对于指导发电厂、输配电网的合理运行,推动电力市场的发展和建设都具有十分重要的意义。
传统的售电量预测一般是基于回归分析法、时间序列预测法、灰色预测法、对比分析法、聚类回归法等算法,考虑经济、天气等外部因素来构建预测模型。这些方法主要是针对月度、季度或年度售电量进行预测,其在一定程度上能够对售电量进行预测,但预测精度并不理想,主要原因是这些方法预测周期较长,对未来一个月或者若干个月进行预测,预测精度会因为影响因素(如温度)无法精准预测而受到影响。另外,以上预测方法数据粒度较粗,对电量异常变化不敏感,导致预测精度下降。
因此,如何提高预测精度是本领域技术人员急需要解决的技术问题。
发明内容
为解决上述技术问题,本发明提供一种短期售电量预测方法,有效提高预测精度。
为实现上述目的,本发明提供如下技术方案:
一种短期售电量预测方法,包括:
步骤S1:获取电力公司在预测月已发行用电量的低压用户的发行电量以及已发行用电量的高压用户的发行电量;
步骤S2:获取电力公司在所述预测月未发行完用电量的高压用户的未发行时间段,并根据所述未发行完用电量的高压用户的历史日预售电量预测所述未发行完用电量的高压用户在所述未发行时间段内的电量,得到高压用户未发行时间段的电量;
步骤S3:将所述低压用户已发行用电量、所述高压用户已发行用电量以及所述高压用户未发行时间段的电量进行求和,得到电力公司在所述预测月的售电量预测值。
优选的,在上述短期售电量预测方法中,所述步骤S2中,所述获取电力公司在所述预测月未发行完用电量的高压用户的未发行时间段具体包括:
根据所述未发行完用电量的高压用户的抄表例日信息获取抄表频率;
若所述抄表频率为每月一次,同时所述预测月未进行电量发行,则所述未发行时间段为上月抄表日与所述预测月抄表日之间的时间段;
若所述抄表频率为每月多次,同时所述预测月未进行电量发行,则所述未发行时间段为上月最后一次抄表日与所述预测月最后一次抄表日之间的时间段;若所述预测月已进行电量发行,但发行次数小于所述抄表频率,则所述未发行时间段为预测月最后一次已发行电量的抄表日期与所述预测月最后一次抄表日之间的时间段。
优选的,在上述短期售电量预测方法中,所述步骤S2中,所述根据所述未发行完用电量的高压用户的历史日预售电量预测所述未发行完用电量的高压用户在所述未发行时间段内的电量,得到高压用户未发行时间段的电量包括:
在所述未发行时间段内,获取所述未发行完用电量的高压用户已有日预售电量的时间段,剩余没有预售电量的时间段为需预测电量时间段;
根据所述未发行完用电量的高压用户的历史日预售电量预测所述需预测电量时间段内所述未发行完用电量的高压用户的电量;
统计所述高压用户在所述未发行时间段内的日预售电量,并将其与所述高压用户预测电量进行求和,得到所述高压用户未发行时间段的电量。
优选的,在上述短期售电量预测方法中,所述根据所述未发行完用电量的高压用户的历史日预售电量预测所述需预测电量时间段内所述未发行完用电量的高压用户的电量,包括:
在近一个月内已有预售电量的日期范围内,根据温度利用DTW动态时间归整算法寻找相似日期,所述相似日期的温度与所述需预测电量时间段内的预测日期的温度相似;
在所述历史日预售电量中提取所述相似日期的日预售电量均值,将其作为预测日期对应的高压用户预测电量。
优选的,在上述短期售电量预测方法中,所述在近一个月内已有预售电量的日期范围内,根据温度利用DTW动态时间规整算法寻找相似日期包括:
将所述近一个月内已有预售电量的日期范围分为历史工作日集合以及历史非工作日集合,所述需预测电量时间段包括预测工作日集合以及预测非工作日集合;
当所述预测日期落在所述预测工作日集合中,在所述历史工作日集合根据温度利用DTW动态时间规整算法寻找所述相似日期;
当所述预测日期落在所述预测非工作日集合中,在所述历史非工作日集合根据温度利用DTW动态时间规整算法寻找所述相似日期。
本发明还提供一种短期售电量预测系统,包括:
电量获取模块,用于获取电力公司在预测月的已发行用电量的低压用户的发行电量和已发行用电量的高压用户的发行电量,以及未发行完电量的高压用户的日预售电量;
时间获取模块,用于获取未发行完用电量的高压用户在预测月的未发行时间段;
电量预测模块,用于根据所述未发行完用电量的高压用户的历史日预售电量预测所述未发行完用电量的高压用户在所述未发行时间段内的电量,得到高压用户未发行时间段的电量;
电量计算模块,用于将所述低压用户已发行用电量、所述高压用户已发行用电量以及所述高压用户未发行时间段的电量进行求和,得到电力公司在预测月的售电量预测值。
优选的,在上述短期售电量预测系统中,所述时间获取模块包括:
抄表频率统计单元,用于根据所述未发行完用电量的高压用户的抄表例日信息获取抄表频率;
未发行时间段计算单元,若抄表频率为每月一次,同时所述预测月未进行电量发行,则所述未发行时间段为上月抄表日与所述预测月抄表日之间的时间段;若抄表频率为每月多次,同时所述预测月未进行电量发行,则所述未发行时间段为上月最后一次抄表日与所述预测月最后一次抄表日之间的时间段,若所述预测月已进行电量发行,但发行次数小于抄表频率,则所述未发行时间段为预测月最后一次已发行电量的抄表日期与所述预测月最后一次抄表日之间的时间段。
优选的,在上述短期售电量预测系统中,所述电量预测模块包括:
第一预测单元,用于在所述未发行时间段内,获取所述未发行完用电量的高压用户已有日预售电量的时间段,剩余没有预售电量的时间段为需预测电量时间段;
第二预测单元,根据所述未发行完用电量的高压用户的历史日预售电量预测所述需预测电量时间段内所述未发行完用电量的高压用户的电量;
第三预测单元,用于统计所述高压用户在所述未发行时间段内的日预售电量,并将其与所述高压用户预测电量进行求和,得到所述高压用户未发行时间段的电量。
从上述技术方案可以看出,本发明所提供的一种短期售电量预测方法,通过将高压用户的用电量分为已发行用电量和未发行时间段的电量,根据所述未发行完用电量的高压用户的历史日预售电量预测所述未发行完用电量的高压用户在所述未发行时间段内的电量。日发行电量和日预售电量数据粒度较细,对天气、经济、节假日等因素导致的售电量异常非常敏感,能够准确反映近一段时间外部因素的变化情况,能够有效提高预测精度。另外,由于只需在每月下旬对本月未发行完高压用户的未发行电量进行预测,需要预测的电量较少且需要预测的周期较短,而短期天气预报等数据可信度较高,避免了中长期售电量预测由于天气数据不准导致的精度问题。
因此,本发明提出的方法能精准的预测短期售电量,并且越接近月末日预测精度越高,能够为电力公司提前进行营业成果分析和近期工作安排和工作重点提供依据和有效的支撑。
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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种短期售电量预测方法示意图;
图2为本发明实施例提供的一种短期售电量预测系统结构框图。
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、完整地描述,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。
请参阅图1,图1为本发明实施例提供的一种短期售电量预测方法示意图;
在一种具体的实施方式中,提供了一种短期售电量预测方法,包括:
步骤S1:获取电力公司在预测月已发行用电量的低压用户的发行电量以及已发行用电量的高压用户的发行电量;
其中,由于电力公司的用电信息采集系统还未能够对所有低压用户每天的用电量进行采集,同时电力公司一般在每月的中上旬完成低压用户的电量发行工作。因此,在每月20日前对公司所有低压用户的发行电量进行统计,即可得到电力公司的低压用户已发行用电量。电力公司一般在每月的中下旬开始对高压用户的电量进行结算发行,因此在每月20日前已经有部分高压用户完成了电量的发行工作,电力公司对所有完成电量发行的高压用户进行统计,即可得到电力公司的高压用户已发行用电量。
步骤S2:获取电力公司在预测月未发行完用电量的高压用户在预测月的未发行时间段,并根据所述未发行完用电量的高压用户的历史日预售电量预测所述未发行完用电量的高压用户在所述未发行时间段内的电量,得到高压用户未发行时间段的电量。
其中,根据电力公司的所有高压用户档案数据和本月的高压用户发行数据,结合高压用户的抄表频率来判断高压用户本月是否已经完成电量发行。具体的,对于每月抄表1次的高压用户,如果该用户本月还未进行电量发行,则该用户为未发行完成的高压用户,未发行时间段为上月抄表例日零点到本月抄表例日零点,如果该用户本月已经进行了电量发行,则该用户为已完成发行的高压用户,无需获取未发行时间段。
对于每月抄表多次的高压用户,如果该用户本月还未进行电量发行,则该用户为未发行完成的高压用户,未发行时间段为上月最后一次抄表例日零点到本月最后一次抄表例日零点;如果该用户本月已经进行了电量发行,但发行次数小于每月抄表次数,则该用户也是未发行完成的高压用户,该用户未发行时间段为本月已发行电量的最后一次抄表例日零点到本月最后一次抄表例日零点;如果该用户本月已经进行了电量发行,并且发行次数等于每月抄表次数,则该用户为已完成发行高压用户,无需获取未发行时间段。
由于电力公司已经可以对每个高压用户每天的用电量(即日预售电量)进行采集,可以将高压用户未发行时间段的电量分为两部分,一部分是电力公司已经采集到的高压用户日用电量,即高压用户在所述未发行时间段内的日预售电量,另一部分是高压用户未使用电量或者已使用但是电力公司还未采集到日用电量数据的时间段,需要对这段时间的用电量进行预测,得到高压用户预测电量。
步骤S3:将所述低压用户已发行用电量、所述高压用户已发行用电量以及所述高压用户未发行时间段的电量进行求和,得到电力公司在预测月的售电量预测值。
为了更好的说明,进行举例,假设在12月20日电力公司要对本年度12月份的售电量进行预测,则先对公司12月份所有低压用户以及已发行电量的高压用户的用电量进行统计。对于未完成发行电量的高压用户,获取每个未发行完用电量的高压用户在12月份的未发行时间段,假设某高压用户每月抄表1次,抄表例日为25日,该高压用户在12月份还未进行电量发行,即该用户为未发行完高压用户,那么该高压用户的未发行时间段为11月25日零点到12月25日零点,由于电力公司已经可以获取到12月19日及以前的预售电量,利用19及日之前的历史预售电量数据可以对20日到24日的用电量进行预测,将11月25日到12月19日的预售电量和20日到24日的预测用电量相加即可得到该高压用户在12月份的未发行电量,对所有未发行完高压用户的12月份未发行电量进行预测后进行求和即可得到电力公司12月份的高压用户未发行电量。最后将所述低压用户已发行用电量、所述高压用户已发行用电量以及所述高压用户未发行时间段的电量进行求和,得到电力公司12月的预测售电量。
在上述短期售电量预测方法的基础上,所述步骤S2中,所述获取电力公司在所述预测月未发行完用电量的高压用户的未发行时间段具体包括:
根据所述未发行完用电量的高压用户的抄表例日信息获取抄表频率;
若所述抄表频率为每月一次,同时所述预测月未进行电量发行,则所述未发行时间段为上月抄表日与所述预测月抄表日之间的时间段;
若所述抄表频率为每月多次,同时所述预测月未进行电量发行,则所述未发行时间段为上月最后一次抄表日与所述预测月最后一次抄表日之间的时间段;若所述预测月已进行电量发行,但发行次数小于所述抄表频率,则所述未发行时间段为预测月最后一次已发行电量的抄表日期与所述预测月最后一次抄表日之间的时间段。
其中,对于每月抄表1次的高压用户,如果该用户本月还未进行电量发行,则该用户为未发行完成的高压用户,需要对其本月售电量进行预测,未发行时间段为上月抄表例日零点到本月抄表例日零点;如果该用户本月已经完成电量发行,则该用户为已完成发行高压用户,其本月售电量已在步骤S1中进行统计,无需预测。对于每月抄表多次的高压用户,如果该用户本月还未进行电量发行,则该用户为未发行完成的高压用户,需要对其本月售电量进行预测,未发行时间段为上月最后一次抄表例日零点到本月最后一次抄表例日零点;如果该用户本月已经进行了电量发行,但发行次数小于每月抄表次数,则该用户也是未发行完成的高压用户,但是该用户本月完成发行的电量已经在步骤S1进行统计,无需预测,只需要对其从上一次完成发行的抄表例日起的售电量进行预测,因此该用户未发行时间段为上一次抄表例日零点到本月最后一次抄表例日零点;如果该用户本月已经进行了电量发行,并且发行次数等于每月抄表次数,则该用户为已完成发行高压用户,其本月售电量已在第S1步进行统计,无需预测。例如一个每月2次抄表的高压用户,假设已经抄录了本月10日零点的电量并完成结算发行,本月最后一个抄表日期为本月25日,则该用户的未发行时间段为本月10日零点到本月25日零点,只需对该用户该时间段的电量进行预测。
在上述短期售电量预测方法的基础上,所述步骤S2中,所述根据所述未发行完用电量的高压用户的历史日预售电量预测所述未发行完用电量的高压用户在所述未发行时间段内的电量,得到高压用户未发行时间段的电量包括:
在所述未发行时间段内,获取所述未发行完用电量的高压用户已有日预售电量的时间段,剩余没有预售电量的时间段为需预测电量时间段;
根据所述未发行完用电量的高压用户的历史日预售电量预测所述需预测电量时间段内所述未发行完用电量的高压用户的电量;
统计所述高压用户在所述未发行时间段内的日预售电量,并将其与所述高压用户预测电量进行求和,得到所述高压用户未发行时间段的电量。
所述步骤S2中,所述根据所述未发行完用电量的高压用户的历史日预售电量预测所述需预测电量时间段内所述未发行完用电量的高压用户的电量,包括:
在近一个月内已有预售电量的日期范围内,根据温度利用DTW动态时间归整算法寻找相似日期,所述相似日期的温度与所述需预测电量时间段内的预测日期的温度相似;
在所述历史日预售电量中提取所述相似日期的日预售电量均值,将其作为预测日期对应的高压用户预测电量。
其中,DTW动态时间规整算法Dynamic Time Warping)是一种衡量两个长度不同的时间序列X=(x1,…,xi,…,xm)和Y=(y1,…,yj,…,yn)的相似度的方法。DTW通过把时间序列进行延伸和缩短,来计算两个时间序列性之间的相似性。动态时间规整DTW是一个典型的优化问题,求解两模板匹配时累计距离最小所对应的规整函数D(i,j),它表示为序列X上点i和Y上的点j之间的规整路径距离:
D(i,j)=Dist(i,j)+min{D(i-1,j),D(i,j-1),D(i-1,j-1)}
其中Dist(i,j)为X上点i和Y上的点j之间的欧式距离。
在上述短期售电量预测方法的基础上,所述在近一个月内已有预售电量的日期范围内,根据温度利用DTW动态时间规整算法寻找相似日期包括:
将所述近一个月内已有预售电量的日期范围分为历史工作日集合以及历史非工作日集合,所述需预测电量时间段包括预测工作日集合以及预测非工作日集合;
当所述预测日期落在所述预测工作日集合中,在所述历史工作日集合根据温度利用DTW动态时间规整算法寻找所述相似日期;
当所述预测日期落在所述预测非工作日集合中,在所述历史非工作日集合根据温度利用DTW动态时间规整算法寻找所述相似日期。
其中,将高压用户已有预售电量的近一个月日期划分为2个日期集合:历史工作日集合和历史非工作日集合,将需要预测预售电量的日期也划分为两个日期集合:预测工作日集合和预测非工作日集合。当需要预测预售电量的日期为工作日时,根据温度利用DTW在工作日集合中寻找相似日期;当需要预测预售电量的日期为非工作日时,根据温度利用DTW在非工作日集合中寻找相似日日期。
输入:历史工作日集合(或历史非工作日)的温度序列Told=(T1,…,Tm),预测工作日集合(或预测非工作日集合)的温度序列满足m≥n。
过程:从点出发搜索至可以展开若干条路径,计算每条路径达到点时的总的积累距离,通过逐点向前寻找就可以求得整条路径,具有最小累积距离者即为规整路径。对于其可达到该格点的只可能是和即选择到这3个格点距离之中最小的路径延伸到达求解两序列匹配时,累计距离最小所对应的规整函数它表示为序列Told上点Ti和Tnew上的点之间的规整路径距离:
其中,Dist(i,j)为Told上点Ti和Tnew上的点之间的欧式距离,在本发明中,该距离为Ti和对应日期的温度的差的绝对值。
输出:最小规整距离,以及点和点的匹配关系结果。
预测工作日集合(或预测非工作日集合)中的每个日期都可以在历史工作日集合(或历史非工作日)找到与之匹配的相似日期,本发明将相似日期的预售电量均值作为预测日期的预售电量预测值。
对每个未完成发行的高压用户的未发行电量进行预测后,将所有高压用户的未发行电量相加即可得到电力公司的高压用户未发行电量,再加上低压用户已发行电量和高压用户已发行电量得到电力公司本月的售电量预测值。
下面对本发明实施例提供的一种短期售电量预测系统进行介绍,下文描述的一种短期售电量预测系统与上文描述的一种短期售电量预测方法可相互对应参照。
请参考图2,图2为本发明实施例所提供的基于TestNG的集成测试系统的结构框图,该系统可以包括:
电量获取模块100,用于获取电力公司在预测月的已发行用电量的低压用户的发行电量和已发行用电量的高压用户的发行电量,以及未发行完电量的高压用户的日预售电量;
时间获取模块200,用于获取未发行完用电量的高压用户在预测月的未发行时间段;
电量预测模块300,用于根据所述未发行完用电量的高压用户的历史日预售电量预测所述未发行完用电量的高压用户在所述未发行时间段内的电量,得到高压用户未发行时间段的电量;
电量计算模块400,用于将所述低压用户已发行用电量、所述高压用户已发行用电量以及所述高压用户未发行时间段的电量进行求和,得到电力公司在预测月的售电量预测值。
进一步的,在上述短期售电量预测系统中,所述时间获取模块包括:
抄表频率统计单元,用于根据所述未发行完用电量的高压用户的抄表例日信息获取抄表频率;
未发行时间段计算单元,若抄表频率为每月一次,同时所述预测月未进行电量发行,则所述未发行时间段为上月抄表日与所述预测月抄表日之间的时间段;若抄表频率为每月多次,同时所述预测月未进行电量发行,则所述未发行时间段为上月最后一次抄表日与所述预测月最后一次抄表日之间的时间段,若所述预测月已进行电量发行,但发行次数小于抄表频率,则所述未发行时间段为预测月最后一次已发行电量的抄表日期与所述预测月最后一次抄表日之间的时间段。
进一步的,在上述短期售电量预测系统中,所述电量预测模块包括:
第一预测单元,用于在所述未发行时间段内,获取所述未发行完用电量的高压用户已有日预售电量的时间段,剩余没有预售电量的时间段为需预测电量时间段;
第二预测单元,根据所述未发行完用电量的高压用户的历史日预售电量预测所述需预测电量时间段内所述未发行完用电量的高压用户的电量;
第三预测单元,用于统计所述高压用户在所述未发行时间段内的日预售电量,并将其与所述高压用户预测电量进行求和,得到所述高压用户未发行时间段的电量。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种短期售电量预测方法,其特征在于,包括:
步骤S1:获取电力公司在预测月已发行用电量的低压用户的发行电量以及已发行用电量的高压用户的发行电量;
步骤S2:获取电力公司在所述预测月未发行完用电量的高压用户的未发行时间段,并根据所述未发行完用电量的高压用户的历史日预售电量预测所述未发行完用电量的高压用户在所述未发行时间段内的电量,得到高压用户未发行时间段的电量;
步骤S3:将所述低压用户已发行用电量、所述高压用户已发行用电量以及所述高压用户未发行时间段的电量进行求和,得到电力公司在所述预测月的售电量预测值。
2.如权利要求1所述的短期售电量预测方法,其特征在于,所述步骤S2中,所述获取电力公司在所述预测月未发行完用电量的高压用户的未发行时间段具体包括:
根据所述未发行完用电量的高压用户的抄表例日信息获取抄表频率;
若所述抄表频率为每月一次,同时所述预测月未进行电量发行,则所述未发行时间段为上月抄表日与所述预测月抄表日之间的时间段;
若所述抄表频率为每月多次,同时所述预测月未进行电量发行,则所述未发行时间段为上月最后一次抄表日与所述预测月最后一次抄表日之间的时间段;若所述预测月已进行电量发行,但发行次数小于所述抄表频率,则所述未发行时间段为预测月最后一次已发行电量的抄表日期与所述预测月最后一次抄表日之间的时间段。
3.如权利要求2所述的短期售电量预测方法,其特征在于,所述步骤S2中,所述根据所述未发行完用电量的高压用户的历史日预售电量预测所述未发行完用电量的高压用户在所述未发行时间段内的电量,得到高压用户未发行时间段的电量包括:
在所述未发行时间段内,获取所述未发行完用电量的高压用户已有日预售电量的时间段,剩余没有预售电量的时间段为需预测电量时间段;
根据所述未发行完用电量的高压用户的历史日预售电量预测所述需预测电量时间段内所述未发行完用电量的高压用户的电量;
统计所述高压用户在所述未发行时间段内的日预售电量,并将其与所述高压用户预测电量进行求和,得到所述高压用户未发行时间段的电量。
4.如权利要求3所述的短期售电量预测方法,其特征在于,所述根据所述未发行完用电量的高压用户的历史日预售电量预测所述需预测电量时间段内所述未发行完用电量的高压用户的电量,包括:
在近一个月内已有预售电量的日期范围内,根据温度利用DTW动态时间归整算法寻找相似日期,所述相似日期的温度与所述需预测电量时间段内的预测日期的温度相似;
在所述历史日预售电量中提取所述相似日期的日预售电量均值,将其作为预测日期对应的高压用户预测电量。
5.如权利要求4所述的短期售电量预测方法,其特征在于,所述在近一个月内已有预售电量的日期范围内,根据温度利用DTW动态时间规整算法寻找相似日期包括:
将所述近一个月内已有预售电量的日期范围分为历史工作日集合以及历史非工作日集合,所述需预测电量时间段包括预测工作日集合以及预测非工作日集合;
当所述预测日期落在所述预测工作日集合中,在所述历史工作日集合根据温度利用DTW动态时间规整算法寻找所述相似日期;
当所述预测日期落在所述预测非工作日集合中,在所述历史非工作日集合根据温度利用DTW动态时间规整算法寻找所述相似日期。
6.一种短期售电量预测系统,其特征在于,包括:
电量获取模块,用于获取电力公司在预测月的已发行用电量的低压用户的发行电量和已发行用电量的高压用户的发行电量,以及未发行完电量的高压用户的日预售电量;
时间获取模块,用于获取未发行完用电量的高压用户在预测月的未发行时间段;
电量预测模块,用于根据所述未发行完用电量的高压用户的历史日预售电量预测所述未发行完用电量的高压用户在所述未发行时间段内的电量,得到高压用户未发行时间段的电量;
电量计算模块,用于将所述低压用户已发行用电量、所述高压用户已发行用电量以及所述高压用户未发行时间段的电量进行求和,得到电力公司在预测月的售电量预测值。
7.如权利要求6所述的短期售电量预测系统,其特征在于,所述时间获取模块包括:
抄表频率统计单元,用于根据所述未发行完用电量的高压用户的抄表例日信息获取抄表频率;
未发行时间段计算单元,若抄表频率为每月一次,同时所述预测月未进行电量发行,则所述未发行时间段为上月抄表日与所述预测月抄表日之间的时间段;若抄表频率为每月多次,同时所述预测月未进行电量发行,则所述未发行时间段为上月最后一次抄表日与所述预测月最后一次抄表日之间的时间段,若所述预测月已进行电量发行,但发行次数小于抄表频率,则所述未发行时间段为预测月最后一次已发行电量的抄表日期与所述预测月最后一次抄表日之间的时间段。
8.如权利要求7所述的短期售电量预测系统,其特征在于,所述电量预测模块包括:
第一预测单元,用于在所述未发行时间段内,获取所述未发行完用电量的高压用户已有日预售电量的时间段,剩余没有预售电量的时间段为需预测电量时间段;
第二预测单元,根据所述未发行完用电量的高压用户的历史日预售电量预测所述需预测电量时间段内所述未发行完用电量的高压用户的电量;
第三预测单元,用于统计所述高压用户在所述未发行时间段内的日预售电量,并将其与所述高压用户预测电量进行求和,得到所述高压用户未发行时间段的电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611260341.8A CN106651055A (zh) | 2016-12-30 | 2016-12-30 | 一种短期售电量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611260341.8A CN106651055A (zh) | 2016-12-30 | 2016-12-30 | 一种短期售电量预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106651055A true CN106651055A (zh) | 2017-05-10 |
Family
ID=58837688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611260341.8A Pending CN106651055A (zh) | 2016-12-30 | 2016-12-30 | 一种短期售电量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651055A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583064A (zh) * | 2020-05-11 | 2020-08-25 | 国网四川省电力公司电力科学研究院 | 基于动态时间规整的负荷生产时段检测方法和存储介质 |
CN113253007A (zh) * | 2020-04-29 | 2021-08-13 | 国网河南省电力公司平顶山供电公司 | 专变用户多维度智能反窃电精准定位方法及系统 |
-
2016
- 2016-12-30 CN CN201611260341.8A patent/CN106651055A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113253007A (zh) * | 2020-04-29 | 2021-08-13 | 国网河南省电力公司平顶山供电公司 | 专变用户多维度智能反窃电精准定位方法及系统 |
CN113253007B (zh) * | 2020-04-29 | 2022-07-05 | 国网河南省电力公司平顶山供电公司 | 专变用户多维度智能反窃电精准定位方法及系统 |
CN111583064A (zh) * | 2020-05-11 | 2020-08-25 | 国网四川省电力公司电力科学研究院 | 基于动态时间规整的负荷生产时段检测方法和存储介质 |
CN111583064B (zh) * | 2020-05-11 | 2022-09-09 | 国网四川省电力公司电力科学研究院 | 基于动态时间规整的负荷生产时段检测方法和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106549772B (zh) | 资源预测方法、系统和容量管理装置 | |
CN109858758A (zh) | 一种配电网电能质量的组合赋权评估方法及系统 | |
Carpenter et al. | The impact of electricity pricing schemes on storage adoption in ontario | |
JP5695848B2 (ja) | 同時同量装置、その制御方法およびそのプログラム | |
CN109118012B (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 | |
US20140379303A1 (en) | Identifying utility resource diversion | |
CN105678414A (zh) | 对资源消耗量进行预测的数据处理方法 | |
Valenzuela et al. | A probability model for the electricity price duration curve under an oligopoly market | |
CN105913366A (zh) | 一种基于工业电力大数据的区域工业景气指数构建方法 | |
CN106651055A (zh) | 一种短期售电量预测方法及系统 | |
CN107705055A (zh) | 基于工程量清单的电网技改工程储备管理方法 | |
CN109583773A (zh) | 一种纳税信用积分确定的方法、系统及相关装置 | |
CN109146316A (zh) | 电力营销稽查方法、装置及计算机可读存储介质 | |
CN117057835A (zh) | 一种电网工程造价辅助分析方法及系统 | |
CN104680400B (zh) | 基于灰色关联的企业售电量变化的短期和长期预测方法 | |
CN114169802B (zh) | 电网用户需求响应潜力分析方法、系统及存储介质 | |
CN110826931A (zh) | 一种用户侧分布式储能经济性评估系统 | |
Reichelstein et al. | Cost-and price dynamics of solar PV modules | |
CN114971696A (zh) | 一种基于用电量的报价方法及流程信息上传系统 | |
Leković et al. | Assessment of the most significant impacts of environment on the changes in company cost structure | |
Arruda et al. | Disaggregated active and reactive demand forecasting using first difference measured data and neural networks | |
CN116070781B (zh) | 电能计量设备需求预测方法、装置和计算机设备 | |
Mohajeryami et al. | An investigation of the Randomized Controlled Trial (RCT) method as a Customer Baseline Load (CBL) calculation for residential customers | |
Chang | The big data analysis for measuring popularity in the mobile cloud | |
Hamachi LaCommare et al. | Cost of power interruptions to electricity consumers in the United States (US) |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170510 |