CN107146014A - 一种业扩净增容量对售电量的影响分析方法及装置 - Google Patents
一种业扩净增容量对售电量的影响分析方法及装置 Download PDFInfo
- Publication number
- CN107146014A CN107146014A CN201710300999.5A CN201710300999A CN107146014A CN 107146014 A CN107146014 A CN 107146014A CN 201710300999 A CN201710300999 A CN 201710300999A CN 107146014 A CN107146014 A CN 107146014A
- Authority
- CN
- China
- Prior art keywords
- industry
- capacity
- net increase
- sales amount
- preset kind
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本申请提供了一种业扩净增容量对售电量的影响分析方法及装置,获取电网公司售电量数据和业扩净增容量数据,基于X13季节调整对售电量数据和业扩净增容量数据分别进行分解,得到第一、第二、第三产业及城乡居民的售电量趋势项和业扩净增容量趋势项,基于动态时间规整法,计算第一、第二、第三产业及城乡居民的业扩净增容量的前导期数,根据运行容量及售电量数据计算出第一、第二、第三产业及城乡居民的运行小时,将前导期数作为生长曲线的稳定时间,构建第一、第二、第三产业及城乡居民的业扩净增容量生长曲线模型,最后基于业扩净增容量生长曲线模型获得每个月的负荷投运比例,从而量化业扩净增容量对售电量的影响。
Description
技术领域
本发明涉及售电量预测技术领域,更具体的,涉及一种业扩净增容量对售电量的影响分析方法及装置。
背景技术
售电量预测是电力市场中的一项基本工作,准确的售电量预测,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及建设都具有十分重要的意义。目前许多学者提出了售电量预测方法,涉及的算法有神经网络、SVM、灰度预测算法等,这些研究关注的往往是算法的复杂性以及温度、节假日、经济等外部的影响因素等,忽视了对售电市场自身规律深层次的探索。
业扩报装(简称“业扩”)是用户申请用电到实际用电的过程中电力企业业务流程的总称,业扩净增容量(指业扩新装增容容量减去业扩减容销户容量)与用户用电水平具有紧密的联系。业扩报装业务从用电根源处反映了外在环境对电量市场的影响,同时也是将大客户及电力企业绑定供用电关系的首要环节。因此,量化业扩报装业务对电量市场的影响是从用电根源处把握电力市场变动的关键。
深入剖析业扩净增容量与售电量的关系,形成业扩净增容量对售电量的影响分析方法,对电网公司的经营决策具有重要的现实意义。目前的研究主要存在两个问题:一是仅从用户角度业扩数据衡量对售电量的影响,不能体现出行业的业扩数据对整个行业售电量的影响;二是业扩净增容量和售电量数据未考虑X13季节调整,不能剔除温度、节假日等因素对售电量趋势的影响。
发明内容
有鉴于此,本发明提供了一种业扩净增容量对售电量的影响分析方法及装置,融合了X13季节调整、动态时间规整和生长曲线,用以计算业扩净增容量导致的售电量的变化量,提高了售电量预测的准确性。
具体技术方案如下:
一种业扩净增容量对售电量的影响分析方法,包括:
获取预设类型用户在目标时间段的售电量数据和业扩净增容量数据;
依据X13季节调整,对所述售电量数据和所述业扩净增容量数据分别进行分解,得到预设类型用户在目标时间段的售电量趋势项和业扩净增容量趋势项;
根据所述预设类型用户在目标时间段的售电量趋势项和业扩净增容量趋势项,基于动态时间规整法,计算所述预设类型用户的业扩净增容量的前导期数;
计算所述预设类型用户在目标时间段中每个月的运行小时数,并根据所述预设类型用户在目标时间段中每个月的运行小时数、售电量数据、业扩净增容量数据和业扩净增容量的前导期数,构建所述预设类型用户的业扩净增容量生长曲线模型;
基于所述预设类型用户的业扩净增容量生长曲线模型,获得所述预设类型用户在目标时间段中每个月份的负荷投运比例;
分别计算所述预设类型用户在目标时间段中每个月份的负荷投运比例、业扩净增容量和平均运行小时数的乘积,得到所述预设类型用户中业扩净增容量对每个月份售电量的影响值。
优选的,所述预设类型用户包括第一产业、第二产业、第三产业和城乡居民。
优选的,所述根据所述预设类型用户在目标时间段的售电量趋势项和业扩净增容量趋势项,基于动态时间规整法,计算所述预设类型用户的业扩净增容量的前导期数,包括:
定义所述预设类型用户在目标时间段的售电量趋势项序列{Qi|i∈1,2,...,k}和业扩净增容量趋势项序列{Ni|i∈1,2,...,k},其中,k为所述目标时间段的月数;
利用动态时间规整法,分别计算所述预设类型用户的售电量趋势项序列中各个售电量趋势项与业扩净增容量趋势项序列中各个业扩净增容量趋势项之间的最短规整路径D(N,Q);
定义NiQi为业扩净增容量趋势项前导售电趋势项i个月,将NiQi在最短规整路径中出现的次数定义为Ci,将Ci的最大值确定为所述预设类型用户的业扩净增容量的前导期数L,L=max{Ci|i=0,1,...,12}。
优选的,所述计算所述预设类型用户在目标时间段中每个月的运行小时数,并根据所述预设类型用户在目标时间段中每个月的运行小时数、售电量数据、业扩净增容量数据和业扩净增容量的前导期数,构建所述预设类型用户的业扩净增容量生长曲线模型,包括:
计算所述预设类型用户在目标时间段中每个月的售电量和运行容量的比值,作为所述预设类型用户在目标时间段中每个月的运行小时数;
根据所述预设类型用户在目标时间段中每个月的运行小时数、售电量数据、业扩净增容量数据和业扩净增容量的前导期数,构建目标函数其中,A>0,B>0,P>0,InB/P=L,T(i)为第i月的运行小时数,ΔQ(i)为i月的售电量的环比变化量,a(i)为i月的业扩净增容量,k为业扩净增容量的前导期数,N为所述目标时间段中的月数;
利用非线性优化算法对所述目标函数进行求解,得到系数A、B和P的值;
根据系数A、B和P的值,构建预设类型用户的业扩净增容量生长曲线模型。
优选的,所述方法还包括:
根据所述预设类型用户的当前月份的上一月份的售电量与业扩净增容量对当前月份售电量的影响值,预测所述预设类型用户的当前月份的售电量。
一种业扩净增容量对售电量的影响分析装置,包括:
第一获取单元,用于获取预设类型用户在目标时间段的售电量数据和业扩净增容量数据;
分解单元,用于依据X13季节调整,对所述售电量数据和所述业扩净增容量数据分别进行分解,得到预设类型用户在目标时间段的售电量趋势项和业扩净增容量趋势项;
第一计算单元,用于根据所述预设类型用户在目标时间段的售电量趋势项和业扩净增容量趋势项,基于动态时间规整法,计算所述预设类型用户的业扩净增容量的前导期数;
构建单元,用于计算所述预设类型用户在目标时间段中每个月的运行小时数,并根据所述预设类型用户在目标时间段中每个月的运行小时数、售电量数据、业扩净增容量数据和业扩净增容量的前导期数,构建所述预设类型用户的业扩净增容量生长曲线模型;
第二获取单元,用于基于所述预设类型用户的业扩净增容量生长曲线模型,获得所述预设类型用户在目标时间段中每个月份的负荷投运比例;
第二计算单元,用于分别计算所述预设类型用户在目标时间段中每个月份的负荷投运比例、业扩净增容量和平均运行小时数的乘积,得到所述预设类型用户中业扩净增容量对每个月份售电量的影响值。
优选的,所述预设类型用户包括第一产业、第二产业、第三产业和城乡居民。
优选的,所述第一计算单元包括:
定义子单元,用于定义所述预设类型用户在目标时间段的售电量趋势项序列{Qi|i∈1,2,…,k}和业扩净增容量趋势项序列{Ni|i∈1,2,...,k},其中,k为所述目标时间段的月数;
第一计算子单元,用于利用动态时间规整法,分别计算所述预设类型用户的售电量趋势项序列中各个售电量趋势项与业扩净增容量趋势项序列中各个业扩净增容量趋势项之间的最短规整路径D(N,Q);
确定子单元,用于定义NiQi为业扩净增容量趋势项前导售电趋势项i个月,将NiQi在最短规整路径中出现的次数定义为Ci,将Ci的最大值确定为所述预设类型用户的业扩净增容量的前导期数L,L=max{Ci|i=0,1,...,12}。
优选的,所述构建单元包括:
第二计算子单元,用于计算所述预设类型用户在目标时间段中每个月的售电量和运行容量的比值,作为所述预设类型用户在目标时间段中每个月的运行小时数;
第一构建子单元,用于根据所述预设类型用户在目标时间段中每个月的运行小时数、售电量数据、业扩净增容量数据和业扩净增容量的前导期数,构建目标函数其中,A>0,B>0,P>0,InB/P=L,T(i)为第i月的运行小时数,ΔQ(i)为i月的售电量的环比变化量,a(i)为i月的业扩净增容量,k为业扩净增容量的前导期数,N为所述目标时间段中的月数;
求解子单元,用于利用非线性优化算法对所述目标函数进行求解,得到系数A、B和P的值;
第二构建子单元,用于根据系数A、B和P的值,构建预设类型用户的业扩净增容量生长曲线模型。
优选的,所述装置还包括:
预测单元,用于根据所述预设类型用户的当前月份的上一月份的售电量与业扩净增容量对当前月份售电量的影响值,预测所述预设类型用户的当前月份的售电量。
相对于现有技术,本发明的有益效果如下:
本发明提供了一种基于生长曲线的业扩净增容量对售电量的影响分析方法及装置,以第一产业、第二产业、第三产业和城乡居民的角度研究业扩净增容量对售电量的影响,融合了X13季节调整、动态时间规整和生长曲线,用以计算业扩净增容量导致的售电量的变化量,提高了售电量预测的准确性,为电网调度、运行提供了强有力的技术支撑。
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为本发明实施例公开的一种业扩净增容量对售电量的影响分析方法流程图;
图2为电网公司2013年1月份到2016年9月份第二产业售电量X13分解结果示意图;
图3为电网公司2013年1月份到2016年9月份第一、二、三产业及城乡居民的业扩净增容量与售电量的原始值、趋势项之间的相关系数对比示意图;
图4为本发明实施例公开的一种业扩净增容量对售电量的影响分析方法流程图;
图5为本发明实施例公开的一种业扩净增容量对售电量的影响分析装置结构示意图。
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,本实施例公开了一种业扩净增容量对售电量的影响分析方法,具体包括以下步骤:
S101:获取预设类型用户在目标时间段的售电量数据和业扩净增容量数据;
需要说明的是,所述预设类型用户包括第一产业、第二产业、第三产业和城乡居民,从不同类型行业,及城乡居民用户的角度分析业扩净增容量对售电量的影响。
其中,可以根据实际分析需要,预先对目标时间段进行设定,以便获取预设类型用户在目标时间段的售电量数据和业扩净增容量数据,目标时间段一般包括多个相邻的月份。
S102:依据X13季节调整,对所述售电量数据和所述业扩净增容量数据分别进行分解,得到预设类型用户在目标时间段的售电量趋势项和业扩净增容量趋势项;
X13季节调整是美国人口普查局D.Findley等人以加拿大统计局X-11-ARIMA方法为基础开发的模型,包含X13分解算法及reg-ARIMA模块,可以实现对时间序列季节分解及预测,其基本思路是采用中心化移动加权平均法逐项分解,通过多次迭代及分解完成,更能准确地对时间序列进行分解。其中,趋势项反映了时间序列的长期趋势性变动;季节项反映时间序列在不同年份相同月份季节周期变化;随机项反映时间序列非季节项的气象等其他不规律变化。
本实施例为了剔除季节、温度等随机因素对售电量的影响,利用X13季节调整对售电量和业扩净增容量数据进行分解。
例如,选取电网公司2013年1月份到2016年9月份的第一、二、三产业及城乡居民的售电量数据和业扩净增容量数据,如图2所示,利用X13季节调整对第二产业售电量进行分解,售电量的季节项以周期性变化反映了售电量受到季节因素的影响;售电量的随机项相对于售电量原始值的比重较小,反映了温度等随机因素的影响。
对选取的第一、二、三产业及城乡居民的售电量数据和业扩净增容量数据分别做X13分解,得到第一、二、三产业及城乡居民的售电量趋势项与业扩净增容量趋势项。分别计算第一、二、三产业及城乡居民的售电量趋势项与业扩净增容量趋势项的相关系数以及售电量原始值与业扩净增容量原始值之间的相关系数,对比结果如图3所示。从图3中可以看出,第一、二、三产业与城乡居民的业扩净增容量原始值及售电量原始值的相关系数普遍小于其趋势项之间的相关系数,剔除季节、温度等随机因素的影响后,业扩净增容量趋势项及售电量趋势项之间的相关关系很强。本实施例通过业扩净增容量趋势项及售电量趋势项来研究业扩净增容量对售电量的影响分析。
S103:根据所述预设类型用户在目标时间段的售电量趋势项和业扩净增容量趋势项,基于动态时间规整法,计算所述预设类型用户的业扩净增容量的前导期数;
具体的,请参阅图4,S103的执行过程如下:
S201:定义所述预设类型用户在目标时间段的售电量趋势项序列{Qi|i∈1,2,...,k}和业扩净增容量趋势项序列{Ni|i∈1,2,...,k},其中,k为所述目标时间段的月数;
可以理解的是,k同时也为序列的长度。
S202:利用动态时间规整法,分别计算所述预设类型用户的售电量趋势项序列中各个售电量趋势项与业扩净增容量趋势项序列中各个业扩净增容量趋势项之间的最短规整路径D(N,Q);
S203:定义NiQi为业扩净增容量趋势项前导售电趋势项i个月,将NiQi在最短规整路径中出现的次数定义为Ci,将Ci的最大值确定为所述预设类型用户的业扩净增容量的前导期数L,L=max{Ci|i=0,1,...,12}。
基于动态时间规整法进行前导性研究,不需要进行数据移动,动态时间规整法自动寻找最短规整路径,然后统计最短路径的前导众数,将前导众数最为最终的前导值。
S104:计算所述预设类型用户在目标时间段中每个月的运行小时数,并根据所述预设类型用户在目标时间段中每个月的运行小时数、售电量数据、业扩净增容量数据和业扩净增容量的前导期数,构建所述预设类型用户的业扩净增容量生长曲线模型;
具体的,S104的执行过程如下:
计算所述预设类型用户在目标时间段中每个月的售电量和运行容量的比值,作为所述预设类型用户在目标时间段中每个月的运行小时数;
具体的,运行小时数的计算公式为T(i)=Q(i)/R(i),其中,T(i)为i月的运行小时数,Q(i)为i月的售电量,R(i)为i月的运行容量。
根据所述预设类型用户在目标时间段中每个月的运行小时数、售电量数据、业扩净增容量数据和业扩净增容量的前导期数,构建目标函数其中,A>0,B>0,P>0,InB/P=L,T(i)为第i月的运行小时数,ΔQ(i)为i月的售电量的环比变化量,a(i)为i月的业扩净增容量,k为业扩净增容量的前导期数,N为所述目标时间段中的月数;
利用非线性优化算法对所述目标函数进行求解,得到系数A、B和P的值;
根据系数A、B和P的值,构建预设类型用户的业扩净增容量生长曲线模型。
需要说明的是,系数A、B和P的值影响业扩净增容量生长曲线中S形函数的形状,
S105:基于所述预设类型用户的业扩净增容量生长曲线模型,获得所述预设类型用户在目标时间段中每个月份的负荷投运比例;
具体的,负荷投运比例Wt,t∈{1,2,...,L}为前导的月份对当月的影响权重,由上述前导性研究发现到生长曲线至第L月到达稳定,此时的投运比例WL=1,再利用生长曲线计算前几个月的投运比例
S106:分别计算所述预设类型用户在目标时间段中每个月份的负荷投运比例、业扩净增容量和平均运行小时数的乘积,得到所述预设类型用户中业扩净增容量对每个月份售电量的影响值。
具体的,所述预设类型用户中业扩净增容量对每个月份售电量的影响值的计算公式为:其中,为业扩净增容量对i月售电量的影响值,为平均运行小时数,a为业扩净增容量,Wi为i月的负荷投运比例。
需要说明的是,售电量是由运行容量与业扩净增容量共同决定的,根据业扩净增容量对每个月份售电量的影响值,可以对当前月份的售电量进行预测,具体的,根据所述预设类型用户的当前月份的上一月份的售电量与业扩净增容量对当前月份售电量的影响值,预测所述预设类型用户的当前月份的售电量。
具体计算公式为:
其中,Qi为第i月的售电量,k为业扩净增容量的前导期数,T(j)为第j月的运行小时数,Wj为第j月的负荷投运比例,aj为第j月的业扩净增容量。
本实施例提供了一种业扩净增容量对售电量的影响分析方法,获取电网公司售电量数据和业扩净增容量数据,基于X13季节调整对售电量数据和业扩净增容量数据分别进行分解,得到第一、第二、第三产业及城乡居民的售电量趋势项和业扩净增容量趋势项,基于动态时间规整法,计算第一、第二、第三产业及城乡居民的业扩净增容量的前导期数,根据运行容量及售电量数据计算出第一、第二、第三产业及城乡居民的运行小时,将前导期数作为生长曲线的稳定时间,构建第一、第二、第三产业及城乡居民的业扩净增容量生长曲线模型,最后基于业扩净增容量生长曲线模型获得每个月的负荷投运比例,从而量化业扩净增容量对售电量的影响。
请参阅图5,基于上述实施例公开的业扩净增容量对售电量的影响分析方法,本实施例对应公开了一种业扩净增容量对售电量的影响分析装置,包括:
第一获取单元101,用于获取预设类型用户在目标时间段的售电量数据和业扩净增容量数据;
具体的,所述预设类型用户包括第一产业、第二产业、第三产业和城乡居民。
分解单元102,用于依据X13季节调整,对所述售电量数据和所述业扩净增容量数据分别进行分解,得到预设类型用户在目标时间段的售电量趋势项和业扩净增容量趋势项;
第一计算单元103,用于根据所述预设类型用户在目标时间段的售电量趋势项和业扩净增容量趋势项,基于动态时间规整法,计算所述预设类型用户的业扩净增容量的前导期数;
具体的,所述第一计算单元103包括:
定义子单元,用于定义所述预设类型用户在目标时间段的售电量趋势项序列{Qi|i∈1,2,...,k}和业扩净增容量趋势项序列{Ni|i∈1,2,...,k},其中,k为所述目标时间段的月数;
第一计算子单元,用于利用动态时间规整法,分别计算所述预设类型用户的售电量趋势项序列中各个售电量趋势项与业扩净增容量趋势项序列中各个业扩净增容量趋势项之间的最短规整路径D(N,Q);
确定子单元,用于定义NiQi为业扩净增容量趋势项前导售电趋势项i个月,将NiQi在最短规整路径中出现的次数定义为Ci,将Ci的最大值确定为所述预设类型用户的业扩净增容量的前导期数L,L=max{Ci|i=0,1,...,12}。
构建单元104,用于计算所述预设类型用户在目标时间段中每个月的运行小时数,并根据所述预设类型用户在目标时间段中每个月的运行小时数、售电量数据、业扩净增容量数据和业扩净增容量的前导期数,构建所述预设类型用户的业扩净增容量生长曲线模型;
具体的,所述构建单元104包括:
第二计算子单元,用于计算所述预设类型用户在目标时间段中每个月的售电量和运行容量的比值,作为所述预设类型用户在目标时间段中每个月的运行小时数;
第一构建子单元,用于根据所述预设类型用户在目标时间段中每个月的运行小时数、售电量数据、业扩净增容量数据和业扩净增容量的前导期数,构建目标函数其中,A>0,B>0,P>0,InB/P=L,T(i)为第i月的运行小时数,ΔQ(i)为i月的售电量的环比变化量,a(i)为i月的业扩净增容量,k为业扩净增容量的前导期数,N为所述目标时间段中的月数;
求解子单元,用于利用非线性优化算法对所述目标函数进行求解,得到系数A、B和P的值;
第二构建子单元,用于根据系数A、B和P的值,构建预设类型用户的业扩净增容量生长曲线模型。
第二获取单元105,用于基于所述预设类型用户的业扩净增容量生长曲线模型,获得所述预设类型用户在目标时间段中每个月份的负荷投运比例;
第二计算单元106,用于分别计算所述预设类型用户在目标时间段中每个月份的负荷投运比例、业扩净增容量和平均运行小时数的乘积,得到所述预设类型用户中业扩净增容量对每个月份售电量的影响值。
需要说明的是,售电量是由运行容量与业扩净增容量共同决定的,根据业扩净增容量对每个月份售电量的影响值,可以对当前月份的售电量进行预测,所述业扩净增容量对售电量的影响分析装置还包括:
预测单元,用于根据所述预设类型用户的当前月份的上一月份的售电量与业扩净增容量对当前月份售电量的影响值,预测所述预设类型用户的当前月份的售电量。
本实施例提供了一种业扩净增容量对售电量的影响分析装置,获取电网公司售电量数据和业扩净增容量数据,基于X13季节调整对售电量数据和业扩净增容量数据分别进行分解,得到第一、第二、第三产业及城乡居民的售电量趋势项和业扩净增容量趋势项,基于动态时间规整法,计算第一、第二、第三产业及城乡居民的业扩净增容量的前导期数,根据运行容量及售电量数据计算出第一、第二、第三产业及城乡居民的运行小时,将前导期数作为生长曲线的稳定时间,构建第一、第二、第三产业及城乡居民的业扩净增容量生长曲线模型,最后基于业扩净增容量生长曲线模型获得每个月的负荷投运比例,从而量化业扩净增容量对售电量的影响。
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 (10)
1.一种业扩净增容量对售电量的影响分析方法,其特征在于,包括:
获取预设类型用户在目标时间段的售电量数据和业扩净增容量数据;
依据X13季节调整,对所述售电量数据和所述业扩净增容量数据分别进行分解,得到预设类型用户在目标时间段的售电量趋势项和业扩净增容量趋势项;
根据所述预设类型用户在目标时间段的售电量趋势项和业扩净增容量趋势项,基于动态时间规整法,计算所述预设类型用户的业扩净增容量的前导期数;
计算所述预设类型用户在目标时间段中每个月的运行小时数,并根据所述预设类型用户在目标时间段中每个月的运行小时数、售电量数据、业扩净增容量数据和业扩净增容量的前导期数,构建所述预设类型用户的业扩净增容量生长曲线模型;
基于所述预设类型用户的业扩净增容量生长曲线模型,获得所述预设类型用户在目标时间段中每个月份的负荷投运比例;
分别计算所述预设类型用户在目标时间段中每个月份的负荷投运比例、业扩净增容量和平均运行小时数的乘积,得到所述预设类型用户中业扩净增容量对每个月份售电量的影响值。
2.根据权利要求1所述的方法,其特征在于,所述预设类型用户包括第一产业、第二产业、第三产业和城乡居民。
3.根据权利要求1所述的方法,其特征在于,所述根据所述预设类型用户在目标时间段的售电量趋势项和业扩净增容量趋势项,基于动态时间规整法,计算所述预设类型用户的业扩净增容量的前导期数,包括:
定义所述预设类型用户在目标时间段的售电量趋势项序列{Qi|i∈1,2,...,k}和业扩净增容量趋势项序列{Ni|i∈1,2,...,k},其中,k为所述目标时间段的月数;
利用动态时间规整法,分别计算所述预设类型用户的售电量趋势项序列中各个售电量趋势项与业扩净增容量趋势项序列中各个业扩净增容量趋势项之间的最短规整路径D(N,Q);
定义NiQi为业扩净增容量趋势项前导售电趋势项i个月,将NiQi在最短规整路径中出现的次数定义为Ci,将Ci的最大值确定为所述预设类型用户的业扩净增容量的前导期数L,L=max{Ci|i=0,1,...,12}。
4.根据权利要求1所述的方法,其特征在于,所述计算所述预设类型用户在目标时间段中每个月的运行小时数,并根据所述预设类型用户在目标时间段中每个月的运行小时数、售电量数据、业扩净增容量数据和业扩净增容量的前导期数,构建所述预设类型用户的业扩净增容量生长曲线模型,包括:
计算所述预设类型用户在目标时间段中每个月的售电量和运行容量的比值,作为所述预设类型用户在目标时间段中每个月的运行小时数;
根据所述预设类型用户在目标时间段中每个月的运行小时数、售电量数据、业扩净增容量数据和业扩净增容量的前导期数,构建目标函数其中,A>0,B>0,P>0,InB/P=L,T(i)为第i月的运行小时数,ΔQ(i)为i月的售电量的环比变化量,a(i)为i月的业扩净增容量,k为业扩净增容量的前导期数,N为所述目标时间段中的月数;
利用非线性优化算法对所述目标函数进行求解,得到系数A、B和P的值;
根据系数A、B和P的值,构建预设类型用户的业扩净增容量生长曲线模型。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述预设类型用户的当前月份的上一月份的售电量与业扩净增容量对当前月份售电量的影响值,预测所述预设类型用户的当前月份的售电量。
6.一种业扩净增容量对售电量的影响分析装置,其特征在于,包括:
第一获取单元,用于获取预设类型用户在目标时间段的售电量数据和业扩净增容量数据;
分解单元,用于依据X13季节调整,对所述售电量数据和所述业扩净增容量数据分别进行分解,得到预设类型用户在目标时间段的售电量趋势项和业扩净增容量趋势项;
第一计算单元,用于根据所述预设类型用户在目标时间段的售电量趋势项和业扩净增容量趋势项,基于动态时间规整法,计算所述预设类型用户的业扩净增容量的前导期数;
构建单元,用于计算所述预设类型用户在目标时间段中每个月的运行小时数,并根据所述预设类型用户在目标时间段中每个月的运行小时数、售电量数据、业扩净增容量数据和业扩净增容量的前导期数,构建所述预设类型用户的业扩净增容量生长曲线模型;
第二获取单元,用于基于所述预设类型用户的业扩净增容量生长曲线模型,获得所述预设类型用户在目标时间段中每个月份的负荷投运比例;
第二计算单元,用于分别计算所述预设类型用户在目标时间段中每个月份的负荷投运比例、业扩净增容量和平均运行小时数的乘积,得到所述预设类型用户中业扩净增容量对每个月份售电量的影响值。
7.根据权利要求6所述的装置,其特征在于,所述预设类型用户包括第一产业、第二产业、第三产业和城乡居民。
8.根据权利要求6所述的装置,其特征在于,所述第一计算单元包括:
定义子单元,用于定义所述预设类型用户在目标时间段的售电量趋势项序列{Qi|i∈1,2,...,k}和业扩净增容量趋势项序列{Ni|i∈1,2,...,k},其中,k为所述目标时间段的月数;
第一计算子单元,用于利用动态时间规整法,分别计算所述预设类型用户的售电量趋势项序列中各个售电量趋势项与业扩净增容量趋势项序列中各个业扩净增容量趋势项之间的最短规整路径D(N,Q);
确定子单元,用于定义NiQi为业扩净增容量趋势项前导售电趋势项i个月,将NiQi在最短规整路径中出现的次数定义为Ci,将Ci的最大值确定为所述预设类型用户的业扩净增容量的前导期数L,L=max{Ci|i=0,1,...,12}。
9.根据权利要求6所述的装置,其特征在于,所述构建单元包括:
第二计算子单元,用于计算所述预设类型用户在目标时间段中每个月的售电量和运行容量的比值,作为所述预设类型用户在目标时间段中每个月的运行小时数;
第一构建子单元,用于根据所述预设类型用户在目标时间段中每个月的运行小时数、售电量数据、业扩净增容量数据和业扩净增容量的前导期数,构建目标函数其中,A>0,B>0,P>0,InB/P=L,T(i)为第i月的运行小时数,ΔQ(i)为i月的售电量的环比变化量,a(i)为i月的业扩净增容量,k为业扩净增容量的前导期数,N为所述目标时间段中的月数;
求解子单元,用于利用非线性优化算法对所述目标函数进行求解,得到系数A、B和P的值;
第二构建子单元,用于根据系数A、B和P的值,构建预设类型用户的业扩净增容量生长曲线模型。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
预测单元,用于根据所述预设类型用户的当前月份的上一月份的售电量与业扩净增容量对当前月份售电量的影响值,预测所述预设类型用户的当前月份的售电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710300999.5A CN107146014A (zh) | 2017-05-02 | 2017-05-02 | 一种业扩净增容量对售电量的影响分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710300999.5A CN107146014A (zh) | 2017-05-02 | 2017-05-02 | 一种业扩净增容量对售电量的影响分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107146014A true CN107146014A (zh) | 2017-09-08 |
Family
ID=59774560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710300999.5A Pending CN107146014A (zh) | 2017-05-02 | 2017-05-02 | 一种业扩净增容量对售电量的影响分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107146014A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361750A (zh) * | 2021-05-17 | 2021-09-07 | 国网安徽省电力有限公司淮北供电公司 | 一种基于业扩报装大数据的售电量预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8370194B2 (en) * | 2005-03-24 | 2013-02-05 | Amazon Technologies, Inc. | Robust forecasting techniques with reduced sensitivity to anomalous data |
US20130036311A1 (en) * | 2011-08-05 | 2013-02-07 | Battelle Memorial Institute | Intelligent sensor and controller framework for the power grid |
CN104537434A (zh) * | 2014-12-18 | 2015-04-22 | 国网冀北电力有限公司 | 基于业扩报装稳定周期的用电生长曲线提取系统和方法 |
CN104537433A (zh) * | 2014-12-18 | 2015-04-22 | 国网冀北电力有限公司 | 基于存量容量与业扩报装特征的售电量预测方法 |
CN105023066A (zh) * | 2015-07-31 | 2015-11-04 | 山东大学 | 一种基于季节调整的业扩报装分析预测系统及方法 |
CN105205570A (zh) * | 2015-10-16 | 2015-12-30 | 国网重庆铜梁区供电有限责任公司 | 一种基于季节时序分析的电网售电量预测方法 |
CN105260802A (zh) * | 2015-11-06 | 2016-01-20 | 国网冀北电力有限公司 | 基于修正业扩生长曲线与季节调整的月度电量预测方法 |
CN106447198A (zh) * | 2016-09-28 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 一种基于业扩报装数据的用电量核对方法 |
-
2017
- 2017-05-02 CN CN201710300999.5A patent/CN107146014A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8370194B2 (en) * | 2005-03-24 | 2013-02-05 | Amazon Technologies, Inc. | Robust forecasting techniques with reduced sensitivity to anomalous data |
US20130036311A1 (en) * | 2011-08-05 | 2013-02-07 | Battelle Memorial Institute | Intelligent sensor and controller framework for the power grid |
CN104537434A (zh) * | 2014-12-18 | 2015-04-22 | 国网冀北电力有限公司 | 基于业扩报装稳定周期的用电生长曲线提取系统和方法 |
CN104537433A (zh) * | 2014-12-18 | 2015-04-22 | 国网冀北电力有限公司 | 基于存量容量与业扩报装特征的售电量预测方法 |
CN105023066A (zh) * | 2015-07-31 | 2015-11-04 | 山东大学 | 一种基于季节调整的业扩报装分析预测系统及方法 |
CN105205570A (zh) * | 2015-10-16 | 2015-12-30 | 国网重庆铜梁区供电有限责任公司 | 一种基于季节时序分析的电网售电量预测方法 |
CN105260802A (zh) * | 2015-11-06 | 2016-01-20 | 国网冀北电力有限公司 | 基于修正业扩生长曲线与季节调整的月度电量预测方法 |
CN106447198A (zh) * | 2016-09-28 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 一种基于业扩报装数据的用电量核对方法 |
Non-Patent Citations (4)
Title |
---|
RD COLLINS: "Evaluating scenarios of capacity expansion given high seasonal variability of electricity demand: the case of Saudi Arabia", 《PROCEEDINGS SYSTEMDYNAMICS》 * |
刘专: "业扩报装业务量的分析与探讨", 《江西电力》 * |
杨广森: "基于季节调整的业扩报装分析预测研究", 《中国优秀硕士学位论文全文数据库》 * |
汪鸿: "基于修正业扩容量曲线的月度电量预测方法", 《电力系统及其自动化学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361750A (zh) * | 2021-05-17 | 2021-09-07 | 国网安徽省电力有限公司淮北供电公司 | 一种基于业扩报装大数据的售电量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Application of a novel discrete grey model for forecasting natural gas consumption: A case study of Jiangsu Province in China | |
JP6079215B2 (ja) | 電力需要予測装置、プログラム | |
Zufferey et al. | Forecasting of smart meter time series based on neural networks | |
Kristiansen | The flow based market coupling arrangement in Europe: Implications for traders | |
CN105260803A (zh) | 一种系统用电量预测方法 | |
CN107506845A (zh) | 一种基于多模型融合的售电量预测方法及其系统 | |
CN106203773A (zh) | 一种自动管理员工的方法及装置 | |
Wu et al. | City expansion model based on population diffusion and road growth | |
Zhang et al. | Cost-oriented load forecasting | |
CN107330589A (zh) | 卫星网络协调风险的定量化评估方法及系统 | |
Feng et al. | Assessment of aggregation strategies for machine-learning based short-term load forecasting | |
CN107918639A (zh) | 基于电力大数据主变高峰负荷预测方法及数据仓库系统 | |
CN103944161A (zh) | 分段开关优化配置方法及系统 | |
Salam et al. | Energy consumption prediction model with deep inception residual network inspiration and LSTM | |
CN111680841A (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN105205547A (zh) | 一种基于多种不确定因素相似度匹配的母线负荷预测算法 | |
Fahy et al. | Input data reduction for microgrid sizing and energy cost modeling: Representative days and demand charges | |
CN105335800A (zh) | 一种基于联合学习的电力用户用电量预测方法 | |
Ye et al. | A data driven multi-state model for distribution system flexible planning utilizing hierarchical parallel computing | |
CN107146014A (zh) | 一种业扩净增容量对售电量的影响分析方法及装置 | |
CN106875057A (zh) | 一种基于条件概率调整的电能计量装置短期需求预测方法 | |
CN105260944A (zh) | 一种基于lssvm算法与关联规则挖掘的统计线损计算方法 | |
CN110516408B (zh) | 一种基于Demo3D仿真的四线一库设计管理系统 | |
Saidkhodjaev et al. | Intellectualization of determination of electrical loads in city electric networks | |
CN106651055A (zh) | 一种短期售电量预测方法及系统 |
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: 20170908 |