CN106786519B - 一种优化预测电网典型日负荷的方法 - Google Patents
一种优化预测电网典型日负荷的方法 Download PDFInfo
- Publication number
- CN106786519B CN106786519B CN201611138730.3A CN201611138730A CN106786519B CN 106786519 B CN106786519 B CN 106786519B CN 201611138730 A CN201611138730 A CN 201611138730A CN 106786519 B CN106786519 B CN 106786519B
- Authority
- CN
- China
- Prior art keywords
- load
- curve
- load curve
- daily
- day
- 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 68
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 230000005611 electricity Effects 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 14
- 240000002853 Nelumbo nucifera Species 0.000 claims description 12
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 12
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000004445 quantitative analysis Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 20
- 238000011160 research Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
-
- 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
-
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Power Engineering (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种优化预测电网典型日负荷的方法,包括利用分形插值法预测电网典型日负荷,利用双向夹逼法预测电网典型日负荷,利用日负荷率搜库法预测电网典型日负荷,将典型日负荷曲线甲、典型日负荷曲线乙、典型日负荷曲线丙的同一时间点的负荷值求取平均数形成优化典型日负荷曲线等步骤。本发明公开了新的方案,采用三种方法相结合定量分析和预测负荷特性,提供一种可行的电网负荷预测方法。
Description
技术领域
本发明涉及一种预测电网典型日负荷的方法,特别涉及一种优化预测电网典型日负荷的方法,属于电网负荷管理领域。
背景技术
负荷特性预测是电力系统运行管理中的一个重要环节,其预测精度直接影响经济效益与社会效益,而掌握电力负荷特性的变化规律和发展趋势是建立负荷预测模型的关键。以前,在计划经济体制下,负荷特性分析没有受到充分重视。如今,我国正处在将电力工业市场化的过渡期,如果我们想要维持电力市场运营的稳定性,那么我们首先要做好的工作就是电力负荷特性的预测工作。在分析、研究电力市场的工作中最基础就是电力负荷特性的分析和预测,这不仅与电力的供应规划、电网的建设有密切联系,也关系到制定调峰措施、电力系统经济调度运行和缓解电力供应的紧张局面。而一般在进行负荷特性预测之前,首先要做的就是要对所要预测地区的负荷特性进行分析,只有在充分掌握和了解某个地区的负荷特性发展变化的规律的基础上,我们才能够建立符合实际情况、预测精度较高的负荷特性预测模型,这对于调整发电机组上网顺序、备用发电量的调度和安排负荷平衡有很大帮助。所以,电力负荷特性预测的研究成为越来越多人的关注点。
我国对于电力负荷特性的预测和分析还处在成长期,至今还没有形成完整的体系。到现在为止,我国仍然没有形成统一的负荷特性指标体系,这一点有待于统一与完善。其次,在电力负荷特性分析上,考虑的影响因素较少,局限于定性分析。在电力负荷特性预测上,预测目标单一,多局限于电量的预测,我国电力负荷特性预测的技术相对落后。因此,如何科学地进行电力负荷特性预测及分析,为监管机构和电力企业提供量化的决策依据,成为了一个值得关注的研究题。目前我国对电力负荷特性分析和预测的研究深度不够,原因主要是:我国目前尚未建立统一的负荷特性指标体系和系统的负荷特性分析预测方法;在进行大范围负荷特性分析及预测时,由于不同时间、不同地区的负荷特性指标不能直接叠加,增加了分析及预测的难度;非电网统调的负荷特性曲线及各行业负荷特性曲线的获取和处理比较困难;难以定量分析经济、社会、气候因素对电力负荷特性的影响。因此,负荷特性分析和预测以定性为主,有效的定量分析和预测的方法不多。
发明内容
本发明优化预测电网典型日负荷的方法公开了新的方案,采用三种方法相结合定量分析和预测负荷特性,解决了现有技术缺乏有效定量分析和预测方法的问题。
本发明优化预测电网典型日负荷的方法包括步骤:
步骤一,利用分形插值法预测电网典型日负荷:
(1.1)负荷数据预处理,剔除或修补数据为零或尖刺的点;
(1.2)选取最近一年的典型日负荷曲线作为基准日负荷曲线,选取近2~3年的典型日作为预测日的相似日;
(1.3)分析基准日负荷曲线特性,找出基准日负荷曲线的特征点组成基准插值点集合,将基准插值点集合中元素的时间坐标作为基准X轴;
(1.4)利用分形插值法建立基准日负荷曲线的迭代函数系,计算迭代参数;
(1.5)利用分形插值法建立相似日负荷曲线的迭代函数系,计算迭代参数;
(1.6)对已求得的相似日的迭代参数进行加权求均,得到一个统计迭代函数系;
(1.7)由(1.6)中得到的统计迭代函数系通过任意初始点启动迭代得到吸引子,吸引子是由历史数据预测得到的典型日负荷曲线甲;
步骤二,利用双向夹逼法预测电网典型日负荷:
设定α、β两个大于0的标量,将根据历史负荷数据得到的基准负荷曲线与α、β分别相乘得到与基准负荷曲线形状一致的负荷曲线α、负荷曲线β,使待预测的典型日负荷曲线夹在负荷曲线α与负荷曲线β间,采用迭代逼近法缩小α与β的差值求得最接近于己知基准负荷曲线的待预测典型日负荷曲线乙;
步骤三,利用日负荷率搜库法预测电网典型日负荷:
(3.1)根据历史整点负荷数据整理计算得到每年四季的典型日负荷曲线、典型日负荷曲线的日负荷率γ和日最小负荷率β,建立四个季节的数据库系统;
(3.2)通过二次平滑预测待测典型日负荷曲线的用电量与最大负荷;
(3.3)根据预测的待测日用电量与以往的曲线典型日负荷γ、β数据,采用线性回归法预测待测典型日负荷曲线的γ、β;
(3.4)在数据库中搜索与预测得到的γ最接近的γ2,以γ2所在日的负荷曲线为基准曲线,利用日用电量与日最大负荷对曲线进行修正得到预测典型日负荷曲线丙;
步骤四,将典型日负荷曲线甲、典型日负荷曲线乙、典型日负荷曲线丙的同一时间点的负荷值求取平均数形成优化典型日负荷曲线。
进一步,本方案的典型日负荷曲线是典型日按时间顺序以小时为整点负荷表示的负荷曲线,典型日是最接近当月平均日负荷率的那一天,日负荷率是(日平均负荷÷日最大负荷)×100%。
进一步,本方案的步骤一的⑷的分形插值法包括过程:
令数据集{(xi,yi):i=0,l,……,N}给定,考虑IFS{R2:wn,n=1,2,……,N},其中wn是具有如下形式的仿射变换:
每一个变换都满足下面的方程:
dn是变换wn的垂直比例因子,选择dn作为自由变量,令|dn|<1,解方程组,令L=xn-x0,则:
计算得到迭代函数系第i个仿射变换的参数,通过随机型迭代算法或者确定型迭代算法计算得到迭代函数系的吸引子,增加迭代次数,提高预测曲线与采样曲线的拟合程度,通过多次迭代得到稳定的插值曲线。
进一步,本方案的步骤二包括过程:
(2.1)首先由历史整点负荷数据整理计算得到每年四季的典型日负荷曲线;
(2.2)选取近几年的典型日负荷曲线进行加权平均后求得某一地区某季度的典型基准日负荷曲线,并设定待测的典型日负荷曲线与典型基准日负荷曲线有较大的相似性,将典型基准日负荷曲线按最大值标幺化;
(2.3)由步骤(2.2)中计算得到的基准负荷曲线得到待测的典型日负荷曲线中最大负荷出现时间与待测的典型日负荷曲线中最小负荷出现时间;
(2.4)根据历史数据通过二次平滑预测待测典型日负荷曲线的约束电量;
(2.5)设定待测日最大负荷出现时间、待测日最小负荷出现时间与基准负荷曲线最大负荷出现时间、基准负荷曲线最小负荷出现时间一致,利用待测的典型日负荷曲线的约束电量、待测日最大负荷出现时间、待测日最小负荷出现时间、基准负荷曲线标幺值参数根据以下目标函数与约束条件求取待测典型日负荷曲线,
目标函数:
min(α-β),α>β>0;
约束条件:
①各时段负荷变化趋势相同约束:
(Xi-Xi-1)(X0 i-X0 i-1)>0,i=1,2,3,…,n,
X0 i,i=1,2,3,…,n,是基准负荷曲线第i时段的负荷值,Xi是待预测负荷曲线第i时段的负荷值,上述约束表示两曲线变化趋势相同;
②负荷变化增量约束:
上述约束表示基准负荷曲线乘以α、β得到的负荷曲线α、负荷曲线β,负荷曲线α、负荷曲线β是待预测负荷曲线的上界、下界;
③最大负荷、最小负荷约束:
Pmax≥Xi≥Pmin,i=1,2,3,…,n,
Pmax、Pmin分别是待预测负荷曲线的最大负荷、最小负荷;
④日用电量约束:
E为待预测曲线的日用电量;
⑤最大负荷出现时间、最小负荷出现时间约束:
上述约束表示基准负荷曲线最大负荷出现时间、基准负荷曲线最小负荷出现时间,与待预测负荷曲线最大负荷出现时间、最小负荷出现时间对应相同。
进一步,本方案的步骤三的(3.4)的修正过程包括步骤:
(3.4.1)排序处理:将基准曲线标幺值di由大到小排序后成为序列yj;
(3.4.2)差数处理:将yj相邻两项求差值,得到xi;
(3.4.3)迭代求解:置初值W0=0(零矩阵),迭代次数k=1,给定收敛条件计算V=(AAT)-1*[b-A*(X(0)+W0e)],
首先计算X(*)=X(0)+ATV,然后判断各分量X(*)i,i=1、2、…、T-1:
若X(*)i≥0,则置Wi=0,否则令Wi=-X(*)i,置X(*)i=0,由此解得X(*)、W0,
判断收敛条件:若‖AX(*)-b‖2/‖b‖2<ε成立,则结束迭代,得最优解,否则置k=k+1,继续迭代,
(3.4.4)逆生成处理:由X(*)求di,得到最终结果,
首先进行逆差数处理,y1=1.0,yi+1=yi-X(*)i,i=1,2,…,T-1,
然后进行逆排序处理,用序列对应的原始下表进行恢复,
完成由di(0)、γ、β对di的预测。
本发明优化预测电网典型日负荷的方法公开了新的方案,采用三种方法相结合定量分析和预测负荷特性,提供一种可行的电网负荷预测方法。
附图说明
图1是分形插值法预测电网典型日负荷的原理流程图。
图2是双向夹逼法预测电网典型日负荷的原理流程图。
图3是日负荷率搜库法预测电网典型日负荷的原理流程图。
具体实施方式
负荷特性指标体系的构成直接影响负荷特性分析的质量,而负荷特性的预测效果会收到负荷特性预测方法的影响。负荷特性指标体现了相关的电力负荷特性。描述电力负荷特性变化规律的首要工作就是计算和分析负荷特性指标。电力负荷特性指标包括曲线类和数值类的指标,也包括年、月、日、季节等不同时段的指标值。电力系统的不同特性由不同的电力负荷特性指标来描述,有些是电力负荷调度运行的依据,有些指标能够指导电力系统的规划设计,而有的指标能够反映负荷的总体状况。现今,国际上没有统一的电力系统负荷特性指标体系,而在我国目前公认的电力负荷特性指标有15个,描述类(绝对量):最高负荷利用小时、峰谷差、平均负荷、最低负荷、最高负荷,比较类(相对量):尖峰负荷率、不同时率、同时率、年生产均衡率、月生产均衡率、峰谷差率、最小负荷率、平均日负荷率、负荷率,曲线类:负荷曲线。在我国,由于各地区收集的电力负荷资料存在一定差距,且我国各地区的经济发展也不均衡,所以各地区采用的电力负荷特性指标体系也不同。
电力负荷特性分析在国内外一直受到重视,也是当前电力科研人员研究的重要课题。现有的主要的负荷特性分析方法有:⑴回归分析:根据历史数据和影响负荷变化的其他因素建立回归模型来分析电力负荷特性。⑵相关性分析:分析经济、气候、时间等因素与负荷之间的关系,比如敏感负荷分析、四季典型日的负荷特性分析等。⑶负荷曲线分析:通过绘制成图表或曲线的年、月、日负荷特性指标,对某地区的负荷特性进行分析。
分形理论是20世纪跨学科研究的重大发现之一,它可以很好的描述自然界中许多复杂的现象,因此在很多领域的预测及控制研究中均有广泛应用。由于分形几何具有自相似性和标度不变性,对于电力负荷特性预测具有较强的适用性。电力负荷数据看似是无规则的随机数序列,电力负荷特性具有自相似性和无标度性,因此可以应用分形模型进行描述,并由此分形模型对负荷特性发展趋势进行推导,即负荷特性预测。在电力负荷特性预测方面,传统的预测方法大多只能描述原始负荷时间序列的长期趋势或周期性、季节性趋势等宏观行为,但对于负荷特性中的一些微小的、无规律的波动难以建模,而分形却可以弥补这一点。这主要是由于分形可以直接从抽象的、未经简化的复杂非线性系统去认识其内在规律性,与传统的线性回归等方法存在本质区别。
电力系统是一个不断变化的复杂的非线性系统,电力负荷曲线是一条形状复杂、上下波动的曲线,负荷时间序列内部的关系非常复杂,其产生过程有很大的自由度,因此用线性数学模型很难对其精确描述,而分形的两个基本特性是标度不变性和自相似,典型日负荷曲线的分布具有明显的自相似性和标度不变性,因而对电力负荷特性预测采用分形理论研究是可行的。同一季节典型日负荷曲线具有十分明显的分形的自相似性,这是运用分形理论对电力负荷特性进行预测的基础。由于受到气温气候的影响,同一地区不同季节的典型日负荷曲线分形维数略有波动,但仍保持相对稳定,说明在时间尺度上,负荷曲线变化也具有自相似性。不同地区同一季节典型日负荷曲线的分形维数非常相近,即在相同的时间尺度、不同的空间尺度下,电力负荷特性具有自相似性。但是由于各地区电力系统内部的随机性,不同地区四季典型日负荷曲线分形维数之间仍然存在微小差别,也正因为这种随机性,电力负荷特性预测中存在误差是不可避免的。
电力负荷特性具有较强的自相似性,非常符合分形的特性,因此可以运用分形理论对历史负荷数据的特征进行提取,并通过这些特征信息,对未来的负荷特性进行预测。基于分形拼贴原理的分形插值函数的优势在于能够反映相邻的两个信息点的局部特征。它在整个区间内构造的不是一个函数而是一个迭代函数系统(IFS),因此不仅仅能够保持历史数据的大部分特征,并且通过采样插值点可以得到非常丰富的细节信息。1986年,Bamsley首先提出了分形插值函数。分形插值函数是由一种特殊的迭代函数系(IFS)产生的。利用自然界中许多现象有严格的自相似结构来拟合波动性较强的曲线,分形插值函数为数据拟合提供了一种新的途径。多项式插值函数的图像是一维的光滑曲线,用它来拟合光滑曲线很精确,但是如果用它来拟合波动剧烈的曲线,就不是太适合。而分形插值函数具有较强的灵活性,只要适当地调整参数,所生成曲线的分形维数可以是介于1到2之间的任意实数。因此,分形插值函数不仅可以用来拟合光滑的曲线,而且更是在不光滑曲线的拟合中显示其独特的优越性。
令数据集{(xi,yi):i=0,l,……,N}给定,下面推导如何构造出R2上的一个IFS,它的吸引子A是内插数据的连续函数F:[x0,xN]->R的图像。考虑IFS{R2:wn,n=1,2,……,N},其中wn是具有如下形式的仿射变换,
其中bn=0是为了保证各小区间的函数不交迭,使得变换保持了垂直不变性。并且:
和
上式表示大区间的左端点映射到子区间的左端点,大区间的右端点映射到子区间的右端点,因此,每一个变换都满足下面的方程:
上式中只有四个方程,因此五个参数中有一个是自由参数。事实上,上述定义中的变换是伸长变换,通过上式将平行于y轴的一段线段映射到平行于y轴的另一段线段,并且两条线段的长度之比为|dn|,故dn又称为变换wn的垂直比例因子。因此,我们可以选择dn作为自由变量。令|dn|<1(否则,该IFS不收敛),解方程组,并令L=xn-x0,则
根据上式可以计算得到IFS第i个仿射变换的参数。在求得IFS的各参数后,就可以通过随机型迭代算法或者确定型迭代算法计算得到IFS的吸引子。增加迭代次数,可以提高预测曲线与采样曲线的拟合程度,通过多次迭代,最终会得到一条不变的、稳定的插值曲线。
分形插值算法弥补了传统的插值算法不能反映两个相邻已知点之间局部特性的缺点,插值曲线保持了采样曲线的大部分特性,插值曲线不仅通过采样的插值点,并且可以显示许多丰富的细节信息。
根据上述分形插值函数的原理,对典型日负荷曲线预测建立模型如下:
(1.1)负荷数据预处理,剔除或修补数据为零或尖刺的点;
(1.2)选取最近一年的典型日负荷曲线作为基准日负荷曲线,选取近2~3年的典型日作为预测日的相似日;
(1.3)分析基准日负荷曲线特性,找出基准日负荷曲线的特征点组成基准插值点集合,将基准插值点集合中元素的时间坐标作为基准X轴;
(1.4)利用分形插值法建立基准日负荷曲线的迭代函数系,计算迭代参数;
(1.5)利用分形插值法建立相似日负荷曲线的迭代函数系,计算迭代参数;
(1.6)对已求得的相似日的分段分形插值参数进行加权求均,得到一个统计迭代函数系;
(1.7)由(1.6)中得到的统计迭代函数系通过任意初始点启动迭代得到吸引子,吸引子是由历史数据预测得到的典型日负荷曲线。
本方案的利用双向夹逼法预测电网典型日负荷的方法的基本思想是:假设有α、β两个大于0的标量,将根据历史负荷数据得到的基准负荷曲线与α、β分别相乘,可以得到两条与基准负荷曲线形状一致的新的负荷曲线。若选取适当的α、β,即可使待预测的典型日负荷曲线夹在这两条新的负荷曲线中间。显然,当α、β的值越相近,这两条新的负荷曲线之间的距离就越小,待预测的典型日负荷曲线被这两条负荷曲线从两个方向“逼近”,其曲线形状也就与这两条负荷曲线愈来愈相近。当α、β的差值不能再减小时,说明待预测的典型日负荷曲线已经被“夹逼”成最接近于己知基准负荷曲线的形状,即最优解被求得。为此,本方案引出了以下目标函数以及约束条件。
目标函数
根据本方案的基本思想,引入α、β两个大于0的标量,则目标函数为min(α-β),式中α>β>0。
约束条件
⑴各时段负荷变化趋势相同约束
(Xi-Xi-1)(X0 i-X0 i-1)>0,i=1,2,3,…,n,
X0 i,i=1,2,3,…,n,是基准负荷曲线第i时段的负荷值,Xi是待预测负荷曲线第i时段的负荷值,上述约束表示两曲线变化趋势相同。
⑵负荷变化增量约束
上述约束表示基准负荷曲线乘以α、β得到的负荷曲线α、负荷曲线β,负荷曲线α、负荷曲线β是待预测负荷曲线的上界、下界。
⑶最大负荷、最小负荷约束
Pmax≥Xi≥Pmin,i=1,2,3,…,n,
Pmax、Pmin分别是待预测负荷曲线的最大负荷、最小负荷。
⑷日用电量约束
E为待预测曲线的日用电量。
⑸最大负荷出现时间、最小负荷出现时间约束
上述约束表示基准负荷曲线与待预测负荷曲线最大负荷出现时间、最小负荷出现时间相同。
若则根据上述约束条件可以得到-Xi-1+Xi<0,从而可以得到:
同理,如果则-Xi-1+Xi>0,从而可以得到:
当满足目标函数要求时,(α-β)非常小,则可以得到:
综上所述,典型日负荷曲线的双向夹逼模型实现过程如下所述。
(2.1)首先由历史整点负荷数据整理计算得到每年四季的典型日负荷曲线;
(2.2)选取近几年的典型日负荷曲线进行加权平均后求得某一地区某季度的典型基准日负荷曲线,并认为待测的典型日负荷曲线与它有较大的相似性,同时将所得曲线按最大值标幺化;
(2.3)由(2.2)中计算得到的基准负荷曲线得到待测的典型日负荷曲线中最大负荷出现时间与待测的典型日负荷曲线中最小负荷出现时间;
(2.4)根据历史数据,通过二次平滑预测待测典型日负荷曲线的约束电量;
(2.5)在己知待测的典型日负荷曲线的约束电量、待测日最大负荷出现时间、待测日最小负荷出现时间(默认待测日最大负荷出现时间、待测日最小负荷出现时间与基准曲线最大负荷出现时间、基准曲线最小负荷出现时间一致)和基准负荷曲线标幺值参数的条件下,根据上述目标函数与约束条件求取该典型日的负荷曲线,使其与基准负荷曲线形状基本一致,且有类似的变化趋势。
日负荷率γ和最小日负荷率β这两个特征参数可以反映典型日负荷曲线的形状与特点,并且与各部门分班用电制、社会用电结构有密切联系。根据这个特点,本方案提出了采用γ、β搜库法进行典型日负荷曲线的预测。假设采样样本起始、终止的年份分别为Y1、Y2,规划年份为Y3,分别记γy,m、βy,m为y年m月日负荷率和最小日负荷率。对于历史年份,即Y1≤y≤Y2时,Ey,m及γy,m、βy,m均已知,规划年份的Ey,m可以通过二次平滑预测得出,相应特征参数预测方法如下:
以月份为分类标准,对第m月可建立如下的多元线性相关模型:
其中分别为用电负荷与日负荷率、最小日负荷率的相关系数。
当历史年份较多时,可以通过最小二乘法求出两式的解,而未来年份的日特征参数可以由下式计算:
在进行日负荷曲线预测之前必须根据历史数据建立不同季节日负荷曲线数据库系统。在数据库中搜索与γ最接近的γ2,对该日的负荷曲线进行最大值标幺得到基准曲线后,再用日用电量与最大负荷对曲线进行修正,具体如下:
⑴排序处理:将基准曲线标幺值di由大到小排序后成为序列yj;
⑵差数处理:将yj相邻两项求差值,得到xi;
⑶迭代求解:置初值W0=0(零矩阵),迭代次数k=1,给定收敛条件ε,计算V=(AAT)-1*[b-A*(X(0)+W0e)],
首先计算X(*)=X(0)+ATV,然后判断各分量X(*)i,i=1、2、…、T-1:
若X(*)i≥0,则置Wi=0,否则令Wi=-X(*)i,置X(*)i=0,由此解得X(*)、W0,
判断收敛条件:若‖AX(*)-b‖2/‖b‖2<ε成立,则结束迭代,得最优解,否则置k=k+1,继续迭代,
(3.4.4)逆生成处理:由X(*)求di,得到最终结果,
首先进行逆差数处理,y1=1.0,yi+1=yi-X(*)i,i=1,2,…,T-1,
然后进行逆排序处理,用序列对应的原始下表进行恢复,
完成由di(0)、γ、β对di的预测。
综上所述,典型日负荷曲线的日负荷率搜库模型实现过程如下所述。
(3.1)根据历史整点负荷数据整理计算得到每年四季的典型日负荷曲线、典型日负荷曲线的日负荷率γ和日最小负荷率β,建立四个季节的数据库系统;
(3.2)通过二次平滑预测待测典型日负荷曲线的电量与最大负荷;
(3.3)根据预测的待测日用电量与以往的曲线典型日负荷γ、β数据,采用线性回归法预测待测典型日负荷曲线的γ、β;
(3.4)在数据库中搜索与预测得到的γ最接近的γ2,以γ2所在日的负荷曲线为基准曲线,利用日用电量与日最大负荷对曲线进行修正得到预测典型日负荷曲线。
预测电网典型日负荷的方法是基于历史统计数据的预测未来电网负荷的方法,因为电网负荷受到具体统计地区、地域的地理、气候、政策、经济以及其他突发事件和多种不可预见因素的影响,实际数据的非理性特点比较显著,因此仅根据一种预测方法或多或少会产生一定的误差,为了减小这种误差,本方案采用了三种预测方法的优化结果,相比现有的方案具有突出的实质性特点和显著的进步。
本方案的优化预测电网典型日负荷的方法并不限于具体实施方式中公开的内容,实施例中出现的技术方案可以基于本领域技术人员的理解而延伸,本领域技术人员根据本方案结合公知常识作出的简单替换方案也属于本方案的范围。
Claims (5)
1.一种优化预测电网典型日负荷的方法,其特征是包括步骤:
步骤一,利用分形插值法预测电网典型日负荷:
(1.1)负荷数据预处理,剔除或修补数据为零或尖刺的点;
(1.2)选取最近一年的典型日负荷曲线作为基准日负荷曲线,选取近2~3年的典型日作为预测日的相似日;
(1.3)分析基准日负荷曲线特性,找出基准日负荷曲线的特征点组成基准插值点集合,将基准插值点集合中元素的时间坐标作为基准X轴;
(1.4)利用分形插值法建立基准日负荷曲线的迭代函数系,计算迭代参数;
(1.5)利用分形插值法建立相似日负荷曲线的迭代函数系,计算迭代参数;
(1.6)对已求得的相似日的迭代参数进行加权求均,得到一个统计迭代函数系;
(1.7)由(1.6)中得到的统计迭代函数系通过任意初始点启动迭代得到吸引子,吸引子是由历史数据预测得到的典型日负荷曲线甲;
步骤二,利用双向夹逼法预测电网典型日负荷:
设定α、β两个大于0的标量,将根据历史负荷数据得到的基准负荷曲线与α、β分别相乘得到与基准负荷曲线形状一致的负荷曲线α、负荷曲线β,使待预测的典型日负荷曲线夹在负荷曲线α与负荷曲线β间,采用迭代逼近法缩小α与β的差值求得最接近于己知基准负荷曲线的待预测典型日负荷曲线乙;
步骤三,利用日负荷率搜库法预测电网典型日负荷:
(3.1)根据历史整点负荷数据整理计算得到每年四季的典型日负荷曲线、典型日负荷曲线的日负荷率γ和日最小负荷率β,建立四个季节的数据库系统;
(3.2)通过二次平滑预测待测典型日负荷曲线的用电量与最大负荷;
(3.3)根据预测的待测日用电量与以往的曲线典型日负荷γ、β数据,采用线性回归法预测待测典型日负荷曲线的γ、β;
(3.4)在数据库中搜索与预测得到的γ最接近的γ2,以γ2所在日的负荷曲线为基准曲线,利用日用电量与日最大负荷对曲线进行修正得到预测典型日负荷曲线丙;
步骤四,将典型日负荷曲线甲、典型日负荷曲线乙、典型日负荷曲线丙的同一时间点的负荷值求取平均数形成优化典型日负荷曲线。
2.根据权利要求1所述的方法,其特征在于,典型日负荷曲线是典型日按时间顺序以小时为整点负荷表示的负荷曲线,典型日是最接近当月平均日负荷率的那一天,日负荷率是(日平均负荷÷日最大负荷)×100%。
3.根据权利要求1所述的方法,其特征在于,步骤一的⑷的分形插值法包括过程:
令数据集{(xi,yi):i=0,l,……,N}给定,考虑IFS{R2:wn,n=1,2,……,N},其中wn是具有如下形式的仿射变换:
每一个变换都满足下面的方程:
dn是变换wn的垂直比例因子,选择dn作为自由变量,令|dn|<1,解方程组,令L=xn-x0,则:
计算得到迭代函数系第i个仿射变换的参数,通过随机型迭代算法或者确定型迭代算法计算得到迭代函数系的吸引子,增加迭代次数,提高预测曲线与采样曲线的拟合程度,通过多次迭代得到稳定的插值曲线。
4.根据权利要求1所述的方法,其特征在于,步骤二包括过程:
(2.1)首先由历史整点负荷数据整理计算得到每年四季的典型日负荷曲线;
(2.2)选取近几年的典型日负荷曲线进行加权平均后求得某一地区某季度的典型基准日负荷曲线,并设定待测的典型日负荷曲线与典型基准日负荷曲线有较大的相似性,将典型基准日负荷曲线按最大值标幺化;
(2.3)由步骤(2.2)中计算得到的基准负荷曲线得到待测的典型日负荷曲线中最大负荷出现时间与待测的典型日负荷曲线中最小负荷出现时间;
(2.4)根据历史数据通过二次平滑预测待测典型日负荷曲线的约束电量;
(2.5)设定待测日最大负荷出现时间、待测日最小负荷出现时间与基准负荷曲线最大负荷出现时间、基准负荷曲线最小负荷出现时间一致,利用待测的典型日负荷曲线的约束电量、待测日最大负荷出现时间、待测日最小负荷出现时间、基准负荷曲线标幺值参数根据以下目标函数与约束条件求取待测典型日负荷曲线,
目标函数:
min(α-β),α>β>0;
约束条件:
①各时段负荷变化趋势相同约束:
(Xi-Xi-1)(X0 i-X0 i-1)>0,i=1,2,3,…,n,
X0 i,i=1,2,3,…,n,是基准负荷曲线第i时段的负荷值,Xi是待预测负荷曲线第i时段的负荷值,上述约束表示两曲线变化趋势相同;
②负荷变化增量约束:
上述约束表示基准负荷曲线乘以α、β得到的负荷曲线α、负荷曲线β,负荷曲线α、负荷曲线β是待预测负荷曲线的上界、下界;
③最大负荷、最小负荷约束:
Pmax≥Xi≥Pmin,i=1,2,3,…,n,
Pmax、Pmin分别是待预测负荷曲线的最大负荷、最小负荷;
④日用电量约束:
E为待预测曲线的日用电量;
⑤最大负荷出现时间、最小负荷出现时间约束:
上述约束表示基准负荷曲线最大负荷出现时间、基准负荷曲线最小负荷出现时间,与待预测负荷曲线最大负荷出现时间、最小负荷出现时间对应相同。
5.根据权利要求1所述的方法,其特征在于,步骤三的(3.4)的修正过程包括步骤:
(3.4.1)排序处理:将基准曲线标幺值di由大到小排序后成为序列yj;
(3.4.2)差数处理:将yj相邻两项求差值,得到xi;
(3.4.3)迭代求解:置初值W0=0(零矩阵),迭代次数k=1,给定收敛条件ε,计算V=(AAT)-1*[b-A*(X(0)+Woe)],
首先计算X(*)=X(0)+ATV,然后判断各分量X(*)i,i=1、2、…、T-1:
若X(*)i≥0,则置Wi=0,否则令Wi=-X(*)i,置X(*)i=0,由此解得X(*)、W0,
判断收敛条件:若‖AX(*)-b‖2/‖b‖2<ε成立,则结束迭代,得最优解,否则置k=k+1,继续迭代,
eT=[1,1,1,1,...,1];
(3.4.4)逆生成处理:由X(*)求di,得到最终结果,
首先进行逆差数处理,y1=1.0,yi+1=yi-X(*)i,i=1,2,…,T-1,
然后进行逆排序处理,用序列对应的原始下表进行恢复,
完成由di(0)、γ、β对di的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611138730.3A CN106786519B (zh) | 2016-12-12 | 2016-12-12 | 一种优化预测电网典型日负荷的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611138730.3A CN106786519B (zh) | 2016-12-12 | 2016-12-12 | 一种优化预测电网典型日负荷的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106786519A CN106786519A (zh) | 2017-05-31 |
CN106786519B true CN106786519B (zh) | 2019-05-17 |
Family
ID=58880001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611138730.3A Active CN106786519B (zh) | 2016-12-12 | 2016-12-12 | 一种优化预测电网典型日负荷的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106786519B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764547B (zh) * | 2018-05-17 | 2020-10-27 | 西安交通大学 | 一种满足电量约束的中长期负荷曲线生成方法 |
CN109272205B (zh) * | 2018-08-24 | 2022-03-29 | 国网河南省电力公司电力科学研究院 | 广义负荷特性分析方法及装置 |
CN109146063B (zh) * | 2018-08-27 | 2022-02-11 | 广东工业大学 | 一种基于重要点分割的多分段短期负荷预测方法 |
CN109617048B (zh) * | 2018-11-28 | 2022-08-05 | 天津大学 | 基于多目标线性规划的电网规划典型场景选取方法 |
CN110516849A (zh) * | 2019-08-02 | 2019-11-29 | 国网上海市电力公司 | 一种基于典型日负荷曲线的负荷分类结果评价方法 |
CN110533243A (zh) * | 2019-08-27 | 2019-12-03 | 西安建筑科技大学 | 一种基于分形理论的建筑能耗预测方法 |
CN110570041B (zh) * | 2019-09-11 | 2023-05-09 | 国网天津市电力公司 | 一种基于ap聚类的远景年典型日负荷预测方法 |
CN110619472A (zh) * | 2019-09-19 | 2019-12-27 | 贵州电网有限责任公司 | 一种电力用户典型日负荷曲线编制方法 |
CN111105098B (zh) * | 2019-12-25 | 2023-11-03 | 国能信控互联技术有限公司 | 一种单体用户算法自匹配的负荷预测方法和系统 |
CN113408101B (zh) * | 2021-05-19 | 2024-01-12 | 南方电网科学研究院有限责任公司 | 一种负荷序列模拟方法、装置 |
CN113705929B (zh) * | 2021-09-15 | 2024-05-07 | 中国南方电网有限责任公司 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093285A (zh) * | 2013-01-22 | 2013-05-08 | 清华大学 | 基于人工神经网络的短期负荷预测方法 |
CN103985000A (zh) * | 2014-06-05 | 2014-08-13 | 武汉大学 | 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 |
CN104036356A (zh) * | 2014-06-12 | 2014-09-10 | 国家电网公司 | 一种利用分形算法对电网未来运行状态进行预测的方法 |
WO2014197931A1 (en) * | 2013-06-12 | 2014-12-18 | Applied Hybrid Energy Pty Ltd | Electrical power control method and system |
-
2016
- 2016-12-12 CN CN201611138730.3A patent/CN106786519B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093285A (zh) * | 2013-01-22 | 2013-05-08 | 清华大学 | 基于人工神经网络的短期负荷预测方法 |
WO2014197931A1 (en) * | 2013-06-12 | 2014-12-18 | Applied Hybrid Energy Pty Ltd | Electrical power control method and system |
CN103985000A (zh) * | 2014-06-05 | 2014-08-13 | 武汉大学 | 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 |
CN104036356A (zh) * | 2014-06-12 | 2014-09-10 | 国家电网公司 | 一种利用分形算法对电网未来运行状态进行预测的方法 |
Non-Patent Citations (1)
Title |
---|
采用分形插值的典型日负荷曲线改进预测方法;李萌等;《电力系统及其自动化学报》;20150315;第27卷(第3期);第36-41页 |
Also Published As
Publication number | Publication date |
---|---|
CN106786519A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106786519B (zh) | 一种优化预测电网典型日负荷的方法 | |
Wang et al. | Electric load forecasting with recency effect: A big data approach | |
Li et al. | Development of low voltage network templates—Part I: Substation clustering and classification | |
CN108898246A (zh) | 一种基于电力系统的负荷预测管理系统 | |
CN105260803A (zh) | 一种系统用电量预测方法 | |
CN106355285B (zh) | 一种基于参数修正的用电负荷预测方法 | |
CN107423836A (zh) | 基于体感温度的短期负荷预测方法 | |
Sarkar et al. | A multi‐criteria decision making approach for strategy formulation using Pythagorean fuzzy logic | |
Gupta et al. | Big data energy management, analytics and visualization for residential areas | |
CN110969312A (zh) | 基于变分模态分解和极端学习机的短期径流预测耦合方法 | |
Gómez-Omella et al. | k-Nearest patterns for electrical demand forecasting in residential and small commercial buildings | |
Perçuku et al. | Big data and time series use in short term load forecasting in power transmission system | |
Chang et al. | Distribution transformer load modeling using load research data | |
Jiang et al. | Analyzing China’s OFDI using a novel multivariate grey prediction model with Fourier series | |
Chicco et al. | Load profiling revisited: prosumer profiling for local energy markets | |
Wang et al. | A data-driven pivot-point-based time-series feeder load disaggregation method | |
CN106529742A (zh) | 一种利用日负荷率搜库法预测电网典型日负荷的方法 | |
CN109711621A (zh) | 基于判别分析和支持向量机结合的工业园区负荷预测方法 | |
Restrepo et al. | Load curve characterization based on real time measurements: Case of study in Colombia | |
Klyuev et al. | Methods of Forecasting Electric Energy Consumption: A Literature Review. Energies 2022, 15, 8919 | |
Kou et al. | A Dynamic Assessment Method for Urban Eco‐environmental Quality Evaluation | |
Subbayya et al. | Model selection criteria for short-term microgrid-scale electricity load forecasts | |
Toussaint | Evaluation of clustering techniques for generating household energy consumption patterns in a developing country | |
Nayak et al. | Storage trade-offs and optimal load scheduling for cooperative consumers in a microgrid with different load types | |
Liu et al. | A novel method for dynamic multicriteria decision making with hybrid evaluation information |
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 |