CN107017624A - 电力负荷周周期特性建模方法 - Google Patents
电力负荷周周期特性建模方法 Download PDFInfo
- Publication number
- CN107017624A CN107017624A CN201710240517.1A CN201710240517A CN107017624A CN 107017624 A CN107017624 A CN 107017624A CN 201710240517 A CN201710240517 A CN 201710240517A CN 107017624 A CN107017624 A CN 107017624A
- Authority
- CN
- China
- Prior art keywords
- load
- modeling method
- date
- data
- curve
- 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 63
- 230000008859 change Effects 0.000 claims description 18
- 238000013459 approach Methods 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000000205 computational method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 19
- 238000009826 distribution Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 206010049669 Dyscalculia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- 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)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及电力信息技术领域,具体涉及一种电力负荷周周期特性建模方法。由于电力负荷同时受到温度、日期类型等因素的影响,使得单纯通过负荷曲线对负荷的周周期特性的建模非常困难。本申请提供一种电力负荷周周期特性建模方法,所述建模方法包括如下步骤:获取周周期时间内相对应的原始负荷数据,对原始负荷数据进行预处理;对预处理数据按照不同日期类型画出每个日期类型的最大负荷P‑最高温度T的散点图并拟合曲线;计算不同日期类型负荷误差。本申请通过建立不同日期类型负荷关于气温的散点图和拟合曲线,并计算差值来对负荷进行预测的方法,有效考虑气温对负荷特性的影响,提高了负荷预测的精度,而且具有清晰的负荷日期特征。
Description
技术领域
本申请涉及电力信息技术领域,具体涉及一种电力负荷周周期特性建模方法。
背景技术
电力负荷预测是电力系统规划的重要组成部分,也是电力系统经济运行的基础,其对电力系统规划和运行都极其重要。电力负荷预测是以电力负荷为对象进行的一系列预测工作。从预测对象来看,电力负荷预测包括对未来电力需求量(功率)的预测和对未来用电量(能量)的预测以及对负荷曲线的预测。其主要工作是预测未来电力负荷的时间分布和空间分布,为电力系统规划和运行提供可靠的决策依据。在电力负荷预测中,很多因素不同程度地影响着电力荷的预测值。有些因素因自然而变化,比如气象。有些因按地区条件产生差异,如工农业发展速度;有些因素是无法估计的重大事件,如严重灾害等,并且各个因素对负荷的响应可能是不一样的,而且同一因素的不同水平对负荷的影也是不同的。
负荷预测的核心问题是预测的技术方法或者说是预测的数学模型。预测模型的输入量的选择与预测结果密切相关,日期类型的处理方法对负荷预测影响甚大。由于电力负荷同时受到温度、日期类型(工作日、周末)等因素的影响,使得单纯通过负荷曲线对负荷的周周期特性的建模非常困难。
发明内容
本发明的目的是为了解决上述预测模型在进行电力负荷预测时效果不是很理想,预测的精度比较低的问题。
为此,本发明实施例提供了如下技术方案:一种电力负荷周周期特性建模方法,所述建模方法包括如下步骤:
S1 获取周周期时间内相对应的原始负荷数据,对原始负荷数据进行预处理;
S2 对预处理数据按照不同日期类型画出每个日期类型的最大负荷P-最高温度T的散点图并拟合曲线;
S3 计算不同日期类型负荷误差。
可选地,所述步骤S1中对原始负荷数据预处理包括去除负荷数据急剧增加或者减少的日期。
可选地,利用步骤S1中的负荷数据建立电力负荷周周期特性模型。
可选地,所述步骤S2中曲线的拟合方法包括解析表达式逼近离散数据的方法、最小二乘法或者最小一乘法。
可选地,所述步骤S3中的计算方法包括根据拟合后的曲线计算不同日期类型对应的负荷幅值关系,得到周周期特性,对日期类型进行归一化处理后作为预测模型的输入变量。
可选地,所述归一化处理包括对日期类型归一化到0到1之间。
本发明实施例提供的技术方案包括以下有益效果:本申请通过建立不同日期类型负荷关于气温的散点图和拟合曲线,并计算差值来对负荷进行预测的方法,有效考虑气温对负荷特性的影响,而且具有清晰的负荷日期特征。同时,归一化处理负荷预测模型的输入变量日期类型,使得日期类型归一化到0到1之间,从而精简了负荷预测模型的输入变量,提高了负荷预测的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,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,对于本领域普通技术人员而言,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他的附图。
图1为本发明实施例中列举的日峰荷曲线图;
图2为本发明实施例中列举的最大负荷P-最大气温T的拟合曲线图;
图3为本发明实施例中电力负荷周周期特性建模结果。
具体实施方式
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,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他的附图。
曲线拟合(curve fitting)是指选择适当的曲线类型来拟合观测数据,并用拟合的曲线方程分析两变量间的关系。其拟合方法一般包括解析表达式逼近离散数据的方法、最小二乘法、最小一乘法等。其中解析表达式逼近离散数据的方法最为简单易用,具体方法为通过绘制的散点图,根据散点的分布,选择接近的、合适的曲线类型,一般曲线常用函数包括多项式函数、指数函数、对数函数、幂函数等;最小二乘法依据使偏差平方和为极小的准则来选择参数值而构成的一种曲线拟合法;而最小一乘法依据使绝对值偏差和为极小的准则来选择参数值而构成的一种曲线拟合法。
最小一乘法在早期由于计算困难其发展一直处于停滞状态,但是目前,最小一乘法逐渐成为统计学研究领域的热点之一,但是应用在电力系统方面的文献并不是很多。其最大的特点就是直观,并且出现了“零”偏差。当存在奇异点时,最小二乘法是使误差平方和最小,若个别奇异点的残差值很大,平方会放大奇异点对可信度的影响;最小一乘法是使残差的绝对值最小,用的是一次方,不存在缩放影响,因此一乘法比最小二乘法受奇异点影响小,即最小一乘法比最小二乘法稳健性好。
归一化方法有两种形式,一种是把数变为(0,1)之间的小数,一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速,应该归到数字信号处理范畴之内。在统计学中,归一化的具体作用是归纳统一样本的统计分布性。归一化0~1之间是统计的概率分布,归一化在-1~+1之间是统计的坐标分布。
已知函数定义域被分成有限个区间,若在各个区间上表示对应规则的数学表达式一样,但单独定义各个区间公共端点处的函数值;或者在各个区间上表示对应规则的数学表达式不完全一样,则称这样的函数为分段函数。
实施例一
参见图1~3,为本发明实施例提供的一种电力负荷周周期特性建模方法,所述建模
方法包括如下步骤:
S1 获取周周期时间内相对应的原始负荷数据,对原始负荷数据进行预处理;
S2 对预处理数据按照不同日期类型画出每个日期类型的最大负荷P-最高温度T的散点图并拟合曲线;
S3 计算不同日期类型负荷误差。
如图1所示,由于日期类型与温度都影响负荷的变化,因此从图中很难判断出负荷的变化是由于温度的变化还是由于日期类型的改变所引起的。所以需要对负荷周周期特性建模,来提高负荷预测的精确性。
实施例二
参见图1~3,为本发明实施例提供的一种电力负荷周周期特性建模方法,所述建模方法包括如下步骤:
S1 获取周周期时间内相对应的原始负荷数据,对原始负荷数据进行预处理;
S2 对预处理数据按照不同日期类型画出每个日期类型的最大负荷P-最高温度T的散点图并拟合曲线;
S3 计算不同日期类型负荷误差。
可选地,所述步骤S1中对原始负荷数据预处理包括去除负荷数据急剧增加或者减少的日期。
可选地,利用步骤S1中的负荷数据建立电力负荷周周期特性模型。
本申请具体的使用过程如下:为了避免特殊日期(比如春节)对负荷所造成的急剧增加或减少的影响,在对日期的选择上,首先要排除法定节假日,从而可以避开在研究日期类型的时候,特殊日期对负荷的影响,选择在较长时间里负荷相对稳定的时间长度,利用该时间段的负荷数据来建立电力负荷周周期特性的模型。在选取负荷相对稳定的时间段后,按照不同日期类型画出每个日期类型的最大负荷P-最高温度T的散点图,在同一个坐标轴内分别画出每周一、每周二……直至每周日的每天最大负荷与每天的最高气温的散点图,直观比较不同日期类型的负荷与气温的关系。
如图1所示,由于日期类型与温度都影响负荷的变化,因此从图中很难判断出负荷的变化是由于温度的变化还是由于日期类型的改变所引起的。所以需要对负荷周周期特性建模,来提高负荷预测的精确性。
实施例三
参见图1~3,为本发明实施例提供的一种电力负荷周周期特性建模方法,所述建模方法包括如下步骤:
S1 获取周周期时间内相对应的原始负荷数据,对原始负荷数据进行预处理;
S2 对预处理数据按照不同日期类型画出每个日期类型的最大负荷P-最高温度T的散点图并拟合曲线;
S3 计算不同日期类型负荷误差。
可选地,所述步骤S1中对原始负荷数据预处理包括去除负荷数据急剧增加或者减少的日期。
可选地,利用步骤S1中的负荷数据建立电力负荷周周期特性模型。
可选地,所述步骤S2中曲线的拟合方法包括解析表达式逼近离散数据的方法、最小二乘法或者最小一乘法。
本申请具体的使用过程如下:为了避免特殊日期(比如春节)对负荷所造成的急剧增加或减少的影响,在对日期的选择上,首先要排除法定节假日,从而可以避开在研究日期类型的时候,特殊日期对负荷的影响,选择在较长时间里负荷相对稳定的时间长度,利用该时间段的负荷数据来建立电力负荷周周期特性的模型。在选取负荷相对稳定的时间段后,按照不同日期类型画出每个日期类型的最大负荷P-最高温度T的散点图,在同一个坐标轴内分别画出每周一、每周二……直至每周日的每天最大负荷与每天的最高气温的散点图,直观比较不同日期类型的负荷与气温的关系。
可采用解析表达式逼近离散数据的方法、最小二乘法或者最小一乘法方法对所绘制的P-T散点图进行曲线的拟合。如图1所示,由于日期类型与温度都影响负荷的变化,因此从图中很难判断出负荷的变化是由于温度的变化还是由于日期类型的改变所引起的。所以需要对负荷周周期特性建模,来提高负荷预测的精确性。
所述曲线的拟合方法:
(1)采用解析表达式逼近离散数据的方法
根据散点图的趋势选择不同函数类型,例如图2,直观发现可采用分段二次函数,假设每一段曲线表达式为p(t)=a+bt+ct2,其中a,b,c为参数。再根据选择合适的参数使得拟合模型与实际观测值在各点的残差的加权平方和达到最小来拟合出所需的曲线。
(2)最小二乘法
针对已知的点(ti,pi),选择函数P(t)=a+bt+ct2(例如图2),其中a,b,c为参数;求P(t)最佳拟合已知的数据(ti,pi)(i=0,1,……),即要求P(ti)与pi之间的差P(ti)-pi的平方和最小:对其求偏导后令偏导为0,求解得到参数值a,b,c后可得到拟合曲线表达式。
(3)最小一乘法
求解方式分为两个环节,一是寻优:通过建立一种近似关系,将不可微问题转化为解析的方式进行,得到最小一乘法逼近的近似解;二是用解方程组的方式获得其逼近的最佳解,将近似解上升为最佳解。
设最佳参数为a*,给a*一个微偏离a*=a+Δa,当Δa充分小时:可化为用解析方式求a+Δa并得到最小一乘逼近的近似解。
设拟合曲线为P(t)=a1+a2t+a3t2,则:
式中Δa1,Δa2,Δa3作为迭代过程的微变量,服从ai (k+1)=ai (k)+Δai,i=1,2,3;k=0,1,…
具体步骤如下:
(1)设定初始值a(0),可取最小二乘估计值或自定义;
(2)迭代足够多k次后,将总数为m个绝对值偏差值作由小至大排列,取前n个对应的(ti,pi)构成一个方程组,代入pi-P(ti,a*)=0解出参数a*;
(3)分别计算和并比较大小;
(4)若则成立,否则重置k+1,重复(2)-(4)。
实施例四
参见图1~3,为本发明实施例提供的一种电力负荷周周期特性建模方法,所述建模方法包括如下步骤:
S1 获取周周期时间内相对应的原始负荷数据,对原始负荷数据进行预处理;
S2 对预处理数据按照不同日期类型画出每个日期类型的最大负荷P-最高温度T的散点图并拟合曲线;
S3 计算不同日期类型负荷误差。
可选地,所述步骤S1中对原始负荷数据预处理包括去除负荷数据急剧增加或者减少的日期。
可选地,利用步骤S1中的负荷数据建立电力负荷周周期特性模型。
可选地,所述步骤S2中曲线的拟合方法包括解析表达式逼近离散数据的方法、最小二乘法或者最小一乘法。
可选地,所述步骤S3中的计算方法包括根据拟合后的曲线计算不同日期类型对应的负荷幅值关系,得到周周期特性,对日期类型进行归一化处理后作为预测模型的输入变量。
可选地,所述归一化处理包括对日期类型归一化到0到1之间。
本申请具体的使用过程如下:为了避免特殊日期(比如春节)对负荷所造成的急剧增加或减少的影响,在对日期的选择上,首先要排除法定节假日,从而可以避开在研究日期类型的时候,特殊日期对负荷的影响,选择在较长时间里负荷相对稳定的时间长度,利用该时间段的负荷数据来建立电力负荷周周期特性的模型。在选取负荷相对稳定的时间段后,按照不同日期类型画出每个日期类型的最大负荷P-最高温度T的散点图,在同一个坐标轴内分别画出每周一、每周二……直至每周日的每天最大负荷与每天的最高气温的散点图,直观比较不同日期类型的负荷与气温的关系。
如图2所示,可采用解析表达式逼近离散数据的方法、最小二乘法或者最小一乘法方法对所绘制的P-T散点图进行曲线的拟合。如图3所示,根据拟合后的曲线计算估计不同日期类型的负荷幅值关系,以此得到周周期特性,再对其归一化处理即可作为预测模型的输入变量之一。
如图1所示,由于日期类型与温度都影响负荷的变化,因此从图中很难判断出负荷的变化是由于温度的变化还是由于日期类型的改变所引起的。所以需要对负荷周周期特性建模,来提高负荷预测的精确性。
所述曲线的拟合方法:
(1)采用解析表达式逼近离散数据的方法
根据散点图的趋势选择不同函数类型,例如图2,直观发现可采用分段二次函数,假设每一段曲线表达式为p(t)=a+bt+ct2,其中a,b,c为参数。再根据选择合适的参数使得拟合模型与实际观测值在各点的残差的加权平方和达到最小来拟合出所需的曲线。
(2)最小二乘法
针对已知的点(ti,pi),选择函数P(t)=a+bt+ct2(例如图2),其中a,b,c为参数;求P(t)最佳拟合已知的数据(ti,pi)(i=0,1,……),即要求P(ti)与pi之间的差P(ti)-pi的平方和最小:对其求偏导后令偏导为0,求解得到参数值a,b,c后可得到拟合曲线表达式。
(3)最小一乘法
求解方式分为两个环节,一是寻优:通过建立一种近似关系,将不可微问题转化为解析的方式进行,得到最小一乘法逼近的近似解;二是用解方程组的方式获得其逼近的最佳解,将近似解上升为最佳解。
设最佳参数为a*,给a*一个微偏离a*=a+Δa,当Δa充分小时:可化为用解析方式求a+Δa并得到最小一乘逼近的近似解。
设拟合曲线为P(t)=a1+a2t+a3t2,则:
式中Δa1,Δa2,Δa3作为迭代过程的微变量,服从ai (k+1)=ai (k)+Δai,i=1,2,3;k=0,1,…
具体步骤如下:
(1)设定初始值a(0),可取最小二乘估计值或自定义;
(2)迭代足够多k次后,将总数为m个绝对值偏差值作由小至大排列,取前n个对应的(ti,pi)构成一个方程组,代入pi-P(ti,a*)=0解出参数a*;
(3)分别计算和并比较大小;
(4)若则成立,否则重置k+1,重复(2)-(4)。
以上所述仅是本发明实施例的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的内容,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (6)
1.一种电力负荷周周期特性建模方法,其特征在于,所述建模方法包括如下步骤:
S1获取周周期时间内相对应的原始负荷数据,对原始负荷数据进行预处理;
S2对预处理数据按照不同日期类型画出每个日期类型的最大负荷P-最高温度T的散点图并拟合曲线;
S3计算不同日期类型负荷误差。
2.如权利要求1所述的建模方法,其特征在于,所述步骤S1中对原始负荷数据预处理包括去除负荷数据急剧增加或者减少的日期。
3.如权利要求2所述的建模方法,其特征在于,利用步骤S1中的负荷数据建立电力负荷周周期特性模型。
4.如权利要求1所述的建模方法,其特征在于,所述步骤S2中曲线的拟合方法包括解析表达式逼近离散数据的方法、最小二乘法或者最小一乘法。
5.如权利要求1所述的建模方法,其特征在于,所述步骤S3中的计算方法包括根据拟合后的曲线计算不同日期类型对应的负荷幅值关系,得到周周期特性,对日期类型进行归一化处理后作为预测模型的输入变量。
6.如权利要求5所述的建模方法,其特征在于,所述归一化处理包括对日期类型归一化到0到1之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710240517.1A CN107017624A (zh) | 2017-04-13 | 2017-04-13 | 电力负荷周周期特性建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710240517.1A CN107017624A (zh) | 2017-04-13 | 2017-04-13 | 电力负荷周周期特性建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107017624A true CN107017624A (zh) | 2017-08-04 |
Family
ID=59445991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710240517.1A Pending CN107017624A (zh) | 2017-04-13 | 2017-04-13 | 电力负荷周周期特性建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107017624A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909186A (zh) * | 2017-10-13 | 2018-04-13 | 深圳供电局有限公司 | 一种目标年负荷预测方法 |
CN116526496A (zh) * | 2023-06-16 | 2023-08-01 | 国网山西省电力公司晋城供电公司 | 一种新型电力系统负荷控制的辅助决策方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156783A (zh) * | 2014-07-29 | 2014-11-19 | 广西电网有限责任公司 | 计及气象累积效应的电力系统最大日负荷预测系统及方法 |
CN104463344A (zh) * | 2014-10-29 | 2015-03-25 | 广东电网有限责任公司电力调度控制中心 | 电网短期负荷预测方法和系统 |
CN106503851A (zh) * | 2016-10-25 | 2017-03-15 | 国家电网公司 | 一种改进的基于小波分析的短期电力负荷预测方法 |
-
2017
- 2017-04-13 CN CN201710240517.1A patent/CN107017624A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156783A (zh) * | 2014-07-29 | 2014-11-19 | 广西电网有限责任公司 | 计及气象累积效应的电力系统最大日负荷预测系统及方法 |
CN104463344A (zh) * | 2014-10-29 | 2015-03-25 | 广东电网有限责任公司电力调度控制中心 | 电网短期负荷预测方法和系统 |
CN106503851A (zh) * | 2016-10-25 | 2017-03-15 | 国家电网公司 | 一种改进的基于小波分析的短期电力负荷预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909186A (zh) * | 2017-10-13 | 2018-04-13 | 深圳供电局有限公司 | 一种目标年负荷预测方法 |
CN116526496A (zh) * | 2023-06-16 | 2023-08-01 | 国网山西省电力公司晋城供电公司 | 一种新型电力系统负荷控制的辅助决策方法 |
CN116526496B (zh) * | 2023-06-16 | 2023-09-08 | 国网山西省电力公司晋城供电公司 | 一种新型电力系统负荷控制的辅助决策方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
CN105740975B (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN113297797B (zh) | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 | |
CN105205570A (zh) | 一种基于季节时序分析的电网售电量预测方法 | |
CN110866974A (zh) | 一种基于三维展示的水工监测系统 | |
CN110232483A (zh) | 深度学习负荷预测方法、装置及终端设备 | |
CN107944612B (zh) | 一种基于arima和相空间重构svr的母线净负荷预测方法 | |
CN110619432A (zh) | 一种基于深度学习的特征提取水文预报的方法 | |
Sevlian et al. | Wind power ramps: Detection and statistics | |
CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
CN105893669A (zh) | 一种基于数据挖掘的全局仿真性能预测方法 | |
Zhao et al. | The review of demand side management and load forecasting in smart grid | |
CN105354371A (zh) | 基于ga-wnn的输变电工程造价预测方法 | |
CN105139079A (zh) | 一种基于混合模型的税收收入预测方法及装置 | |
CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
CN103413038A (zh) | 基于矢量量化的长期直觉模糊时间序列预测方法 | |
CN105787259A (zh) | 一种多元气象因素对负荷变化影响相关性的分析方法 | |
CN110874685A (zh) | 基于神经网络的智能电能表运行状态判别方法及系统 | |
CN113792366A (zh) | 一种基于stl分解的隧道收敛变形预测方法 | |
CN107017624A (zh) | 电力负荷周周期特性建模方法 | |
CN112653241A (zh) | 电网监测方法和装置、物联计量单元 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN110188480B (zh) | 一种直流偏磁条件下铁磁材料的磁滞特性模拟分析系统和方法 | |
CN112800540A (zh) | 一种基于高斯过程回归的航空发动机载荷谱任务段建模方法 | |
CN110210677B (zh) | 一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置 |
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 |
Application publication date: 20170804 |
|
RJ01 | Rejection of invention patent application after publication |