CN107194502A - 一种居民用户电力负荷预测方法 - Google Patents
一种居民用户电力负荷预测方法 Download PDFInfo
- Publication number
- CN107194502A CN107194502A CN201710309330.2A CN201710309330A CN107194502A CN 107194502 A CN107194502 A CN 107194502A CN 201710309330 A CN201710309330 A CN 201710309330A CN 107194502 A CN107194502 A CN 107194502A
- Authority
- CN
- China
- Prior art keywords
- mrow
- electrical equipment
- msub
- time
- power consumption
- 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.)
- Granted
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
- G06Q10/04—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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种居民用户电力负荷预测方法，旨在解决参与电力需求响应时用户制订电器工作计划较为繁琐的问题。本发明采用点对点倍比法，根据电器使用规律将电器分为三类；一类，针对全天使用电器，根据前三天每小时电器耗电量预测接下来一天该类电器耗电量；二类，针对使用时间不定、功率较为稳定的电器，根据用户上周同一天及最近三天使用记录，预测该类电器使用的时间；三类，针对功率变化较大、使用时间不定的电器，根据用户上周同一天及最近三天使用记录，预测该类电器使用的时间及耗电量。本发明可有效预测用户家庭中电器使用行为及耗电量，具有所需历史数据量少且易于实现的特点，有效减轻用户制定电器工作计划的工作量。
Description
技术领域
本发明涉及一种居民用户电力负荷预测方法。
背景技术
随着居民用户用电量逐年增加，电力负荷峰谷差逐渐加大，不利于电网经济运行。为解决这一问题，基于分时电价的电力需求响应项目被广泛实施。但是在居民用户主动参与电力需求响应的过程中，制订电器工作计划是一项较为繁琐的工作，不利于需求响应负荷自动控制系统的推广。因此需通过负荷预测帮助用户制订电器工作计划以减轻用户工作量。
尽管目前已有很多针对负荷预测的研究，但这些研究更多是为了给电网运行提供指导，注重提高负荷预测精度，需要大量历史负荷数据或天气数据作为系统输入，方法复杂且计算量大，不适合应用于居民用户负荷预测。此外目前针对负荷预测的研究多关注用户整体负荷曲线的变化规律，并没有考虑用户每个电器负荷的工作状态，不能用于制订负荷工作计划。
发明内容
本发明为了解决上述问题，提出了一种居民用户电力负荷预测方法，本发明考虑用户每个电器负荷的工作状态，以帮助用户制订电器工作计划。
为了实现上述目的，本发明采用如下技术方案：
一种居民用户电力负荷预测方法，包括以下步骤：
(1)根据电器的运行时间以及功率的使用规律，对电器进行分类，形成全天运行电器、工作时间不定且功率基本恒定或每次工作能耗基本相同电器以及工作时间不定且功率不定电器三类电器；
(2)针对全天运行的电器，根据设定时间内该类负荷每时耗电量，采用点对点倍比法预测电器耗电量；
(3)针对工作时间不定的两类电器，根据设定时间内及上一时间周期内对应时间点电器使用情况，采用点对点倍比法分别预测每个时段电器使用概率、电器开始使用时间及负荷使用时长，进而预测电器耗电量。
所述步骤(2)中，针对全天运行电器，预测电器耗电量，预测方法如下：
式中，为待预测电器n接下来一天t时段的预测耗电量，βE为电器耗电比例平滑系数，Tday为预测一个周期内划分的时段个数，En(t-Tday·j)为j天前t时段电器n的耗电量，当j＝0时表示当前日t时段电器n的耗电量。
所述步骤(3)中，针对工作时间不定的两类电器，预测电器是否会使用，预测方法如下：
式中，为电器n在待预测日是否会使用的预测结果，0表示不会使用，1表示会使用，Tn为电器n的使用周期，为一个大于等于1的整数，dn为待预测日到上次电器使用日期之间的天数。
进一步的，所述步骤(3)中，针对工作时间不定且功率基本恒定或每次工作能耗基本相同的电器，由工作时间乘以平均功率即可得电器耗电量；针对工作时间不定且功率不定的电器，根据设定时间内该类电器每小时耗电量及上一时间点预测结果，采用点对点倍比法预测电器耗电量。
所述步骤(3)中，预测电器使用概率的方法如下：
式中，表示待预测日电器n在t时段开始使用的概率，βz为电器使用概率比例平滑系数，Tday为预测一个周期内划分的时段个数，xn(t-Tday·j)为电器n在j天前t时段电器的使用情况。
所述步骤(3)中，针对工作时间不定的两类电器，取预测结果中最大几个值所在时段预测电器开始使用时间，预测方法如下：
式中，为电器n在时段t开始使用预测时间，tsta j,n(t)为电器n在时段t相关性最大的m次使用记录中第j次开始使用时间，相关性由大到小排序依次为设定时间内及上一时间周期内对应时间点。
针对工作时间不定两类电器开始使用时间预测结果，预测电器使用时长，预测方法如下：
式中，为电器n在时段t使用的预测时长，tlen j,n(t)为电器n在时段t相关性最大的m次使用记录中第j次使用记录时长记录，相关性由大到小排序依次为设定时间内及上一时间周期内对应时间点。
针对工作时间不定且功率基本恒定或每次工作能耗基本相同电器，由工作时间乘以平均功率即可得电器耗电量。
基于针对工作时间不定两类电器的预测的电器开始使用时间和电器使用时长，预测每个时段电器工作时长。
针对工作时间不定且功率不定的电器，根据设定时间内该类电器每小时耗电量及上一时间点预测结果，采用点对点倍比法预测电器耗电量，预测方法如下：
式中，为待预测电器n接下来一天t时段的预测耗电量，为电器n在时段t内的使用时长，Pave n为电器n最近3天(设定时间)的使用记录的平均功率，Pn,j为电器n最近第j次使用的平均功率。
与现有技术相比，本发明的有益效果为：
(1)本发明所提电力负荷预测方法所需历史数据少且不需要居民用户输入天气数据，具有较高实用性；
(2)本发明所提电力负荷预测方法能够有效预测居民用户电器的使用行为及耗电量，可大量减少用户参与电力需求响应时制订电器工作计划的工作量。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本发明负荷预测方法实施流程图；
图2为某日部分电器预测工作时间甘特图；
图3为某日冰箱每时耗电量柱状图；
图4为某日电视机每时耗电量柱状图；
图5为某日空调每时耗电量柱状图；
图6为本发明负荷预测方法预测电器使用行为结果统计图；
图7为目前常用的固定电器工作计划方法预测电器使用行为结果统计图；
图8为电器能耗预测误差结果统计图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的，现有技术中存在的目前的研究更多是为了给电网运行提供指导，注重提高负荷预测精度，需要大量历史负荷数据或天气数据作为系统输入，方法复杂且计算量大，不适合应用于居民用户负荷预测的不足，为了解决如上的技术问题，本申请提出了一种考虑用户每个电器工作状态的适用于居民用户电力负荷预测方法。
本发明所提负荷预测方法具体实施流程如图1所示，通过预测居民用户电器使用行为、电器使用时间、电器使用时长及电器耗电量，自动生成用户电器工作计划，减少用户的工作量，具体包括以下步骤：
步骤一：根据电器使用规律，判定电器种类。电器分为三类：一类，全天运行电器；二类，工作时间不定且功率基本恒定或每次工作能耗基本相同电器；三类，工作时间不定且功率不定电器。
步骤二：针对全天运行电器，预测电器耗电量，预测方法如下：
式中，为待预测电器n接下来一天t时段的预测耗电量，βE为电器耗电比例平滑系数，这里可取0.9，Tday为预测一个周期(即一天)内划分的时段个数，En(t-Tday·j)为j天前t时段电器n的耗电量，当j＝0时表示当前日t时段电器n的耗电量。
步骤三：针对工作时间不定的两类电器，预测电器是否会使用，预测方法如下：
式中，为电器n在待预测日是否会使用的预测结果，0表示不会使用，1表示会使用，Tn为电器n的使用周期，为一个大于等于1的整数，dn为待预测日到上次电器使用日期之间的天数。
步骤四：针对工作时间不定的两类电器，当步骤三中预测电器会使用时，预测电器使用概率，预测方法如下：
式中，表示待预测日电器n在t时段开始使用的概率，βz为电器使用概率比例平滑系数，Tday为预测一个周期(即一天)内划分的时段个数，xn(t-Tday·j)为电器n在j天前t时段电器的使用情况。
步骤五：针对工作时间不定的两类电器，取步骤四预测结果中最大几个值所在时段预测电器开始使用时间，预测方法如下：
式中，为电器n在时段t开始使用预测时间，tsta j,n(t)为电器n在时段t相关性最大的m次使用记录中第j次开始使用时间，相关性由大到小排序依次为最近三天及上周同一天。
步骤六：针对工作时间不定两类电器步骤五中开始使用时间预测结果，预测电器使用时长，预测方法如下：
式中，为电器n在时段t使用的预测时长，tlen j,n(t)为电器n在时段t相关性最大的m次使用记录中第j次使用记录时长记录，相关性由大到小排序依次为最近三天及上周同一天。
步骤七：针对工作时间不定两类电器步骤五与步骤六的预测结果，预测每个时段电器工作时长，预测方法如下：
式中，为电器n在时段t内的使用时长，为电器n在时段t开始使用预测时间，为电器n在时段t使用的预测时长。
步骤八：针对工作时间不定且功率基本恒定或每次工作能耗基本相同电器，由工作时间乘以平均功率即可得电器耗电量。
步骤九：针对工作时间不定且功率不定的电器，根据前三天该类电器每小时耗电量及前一天预测结果，采用点对点倍比法预测电器耗电量，预测方法如下：
式中，为待预测电器n接下来一天t时段的预测耗电量，为电器n在时段t内的使用时长，Pave n为电器n最近三次使用记录的平均功率，Pn,j为电器n最近第j次使用的平均功率。
步骤十：结合电器预测工作时间与电器预测耗电量即可生成电器工作计划。
实施例：
选取居民用户中常见电器作为实施例，根据电器使用规律得到的分类结果如表1所示。
表1常见电器分类表
利用trnsys仿真软件模拟居民用户用电行为得到负荷数据，为了更接近实际情况，仿真负荷数据考虑了天气状况、周末与节假日的影响，且加入了一定比例的随机影响因素。
采用本发明所提方法对仿真负荷数据进行预测，得到某日预测工作计划与用户实际电器使用情况。仅以冰箱、电视及空调为例，图2展示了三个电器预测工作时间，图3-图5则分别展示了三个每小时的耗电量，综合图2-图5则为通过本发明所提方法得到的电器工作计划。
图6表示使用本发明所提方法预测居民用户电器使用行为的结果，黑色线条表示该天出现了电器使用行为预测误差较大的情况，需要用户修改电器工作计划，可反映出使用本发明所提方法时的用户工作量。图7则表示在目前居民用户参与需求响应的研究中，常用的固定电器工作计划预测电器使用行为的结果。对比图6与图7可知，通过使用本发明所提方法预测居民用户电器使用行为，可大大减少出现电器使用行为预测误差较大的次数，即减少了用户制订电器工作计划时的工作量。
图8表示电器耗电量预测的相对误差绝对值。观察图8可知，本发明所提方法大部分情况下的电器能耗预测精度较高，但是存在部分数据相对误差较大的情况。经统计，全年预测误差超10％的数据总计有263个，约占总数据量的3％，而统计全年预测误差最大的10个数据如表3所示。观察表3中数据可知，预测能耗与实际能耗的差值均小于0.1kW·h，相较于该仿真用户2kW·h的峰值负荷量很小。因此本发明所提电器耗电量预测方法是可行且有效的。
表3预测值最大十个数据表
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种居民用户电力负荷预测方法，其特征是：包括以下步骤：
(1)根据电器的运行时间以及功率的使用规律，对电器进行分类，形成全天运行电器、工作时间不定且功率基本恒定或每次工作能耗基本相同电器以及工作时间不定且功率不定电器三类电器；
(2)针对全天运行的电器，根据设定时间内该类电器每时耗电量，采用点对点倍比法预测电器耗电量；
(3)针对工作时间不定的两类电器，根据设定时间内及上一时间周期内对应时间点电器使用情况，采用点对点倍比法分别预测每个时段电器使用概率、电器开始使用时间及电器使用时长，进而预测电器耗电量。
2.如权利要求1所述的一种居民用户电力负荷预测方法，其特征是：所述步骤(2)中，针对全天运行电器，预测电器耗电量，预测方法如下：
<mrow>
<msub>
<mover>
<mi>E</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>2</mn>
</munderover>
<msub>
<mi>&beta;</mi>
<mi>E</mi>
</msub>
<mo>&CenterDot;</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>&beta;</mi>
<mi>E</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>j</mi>
</msup>
<mo>&CenterDot;</mo>
<msub>
<mi>E</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>d</mi>
<mi>a</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>d</mi>
<mi>a</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>24</mn>
<mo>,</mo>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>N</mi>
</mrow>
式中，为待预测电器n接下来一天t时段的预测耗电量，βE为电器耗电比例平滑系数，Tday为预测一个周期内划分的时段个数，En(t-Tday·j)为j天前t时段电器n的耗电量，当j＝0时表示当前日t时段电器n的耗电量。
3.如权利要求1所述的一种居民用户电力负荷预测方法，其特征是：所述步骤(3)中，针对工作时间不定的两类电器，预测电器是否会使用，预测方法如下：
式中，为电器n在待预测日是否会使用的预测结果，0表示不会使用，1表示会使用，Tn为电器n的使用周期，为一个大于等于1的整数，dn为待预测日到上次电器使用日期之间的天数。
4.如权利要求1所述的一种居民用户电力负荷预测方法，其特征是：所述步骤(3)中，针对工作时间不定且功率基本恒定或每次工作能耗基本相同的电器，由工作时间乘以平均功率即可得电器耗电量；针对工作时间不定且功率不定的电器，根据设定时间内该类电器每小时耗电量及上一时间点预测结果，采用点对点倍比法预测电器耗电量。
5.如权利要求1所述的一种居民用户电力负荷预测方法，其特征是：所述步骤(3)中，预测电器使用概率的方法如下：
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>&CenterDot;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>2</mn>
</munderover>
<msub>
<mi>&beta;</mi>
<mi>z</mi>
</msub>
<mo>&CenterDot;</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>&beta;</mi>
<mi>z</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>j</mi>
</msup>
<mo>&CenterDot;</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>d</mi>
<mi>a</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>&CenterDot;</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>d</mi>
<mi>a</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，表示待预测日电器n在t时段开始使用的概率，βz为电器使用概率比例平滑系数，Tday为预测一个周期内划分的时段个数，xn(t-Tday·j)为电器n在j天前t时段电器的使用情况。
6.如权利要求1所述的一种居民用户电力负荷预测方法，其特征是：所述步骤(3)中，针对工作时间不定的两类电器，取预测结果中最大几个值所在时段预测电器开始使用时间，预测方法如下：
<mrow>
<msubsup>
<mover>
<mi>t</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>n</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
<mi>a</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mfrac>
<mn>1</mn>
<msup>
<mn>2</mn>
<mi>j</mi>
</msup>
</mfrac>
<mo>&CenterDot;</mo>
<msub>
<msup>
<mi>t</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
<mi>a</mi>
</mrow>
</msup>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<msup>
<mn>2</mn>
<mi>m</mi>
</msup>
</mfrac>
</mrow>
</mfrac>
</mrow>
式中，为电器n在时段t开始使用预测时间，tsta j,n(t)为电器n在时段t相关性最大的m次使用记录中第j次开始使用时间，相关性由大到小排序依次为设定时间内及上一时间周期内对应时间点。
7.如权利要求1所述的一种居民用户电力负荷预测方法，其特征是：针对工作时间不定两类电器开始使用时间预测结果，预测电器使用时长，预测方法如下：
<mrow>
<msubsup>
<mover>
<mi>t</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>n</mi>
<mrow>
<mi>l</mi>
<mi>e</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mfrac>
<mn>1</mn>
<msup>
<mn>2</mn>
<mi>j</mi>
</msup>
</mfrac>
<msub>
<msup>
<mi>t</mi>
<mrow>
<mi>l</mi>
<mi>e</mi>
<mi>n</mi>
</mrow>
</msup>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<msup>
<mn>2</mn>
<mi>m</mi>
</msup>
</mfrac>
</mrow>
</mfrac>
</mrow>
式中，为电器n在时段t使用的预测时长，tlen j,n(t)为电器n在时段t相关性最大的m次使用记录中第j次使用记录时长记录，相关性由大到小排序依次为设定时间内及上一时间周期内对应时间点。
8.如权利要求1所述的一种居民用户电力负荷预测方法，其特征是：针对工作时间不定且功率基本恒定或每次工作能耗基本相同电器，由工作时间乘以平均功率即可得电器耗电量。
9.如权利要求1所述的一种居民用户电力负荷预测方法，其特征是：基于针对工作时间不定两类电器的预测的电器开始使用时间和电器使用时长，预测每个时段电器工作时长。
10.如权利要求1所述的一种居民用户电力负荷预测方法，其特征是：针对工作时间不定且功率不定的电器，根据设定时间内该类电器每小时耗电量及上一时间点预测结果，采用点对点倍比法预测电器耗电量，预测方法如下：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mover>
<mi>E</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>n</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>=</mo>
<msubsup>
<mover>
<mi>t</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>n</mi>
<mrow>
<mi>w</mi>
<mi>o</mi>
<mi>r</mi>
<mi>k</mi>
</mrow>
</msubsup>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>&CenterDot;</mo>
<msub>
<msup>
<mi>P</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msup>
<mi>n</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>P</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msup>
<mi>n</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mn>3</mn>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中，为待预测电器n接下来一天t时段的预测耗电量，为电器n在时段t内的使用时长，Pave n为电器n最近3天的使用记录的平均功率，Pn,j为电器n最近第j次使用的平均功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710309330.2A CN107194502B (zh) | 2017-05-04 | 2017-05-04 | 一种居民用户电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710309330.2A CN107194502B (zh) | 2017-05-04 | 2017-05-04 | 一种居民用户电力负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107194502A true CN107194502A (zh) | 2017-09-22 |
| CN107194502B CN107194502B (zh) | 2020-10-23 |
Family
ID=59873974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710309330.2A Active CN107194502B (zh) | 2017-05-04 | 2017-05-04 | 一种居民用户电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107194502B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704961A (zh) * | 2017-09-30 | 2018-02-16 | 广东美的制冷设备有限公司 | 家电用电数据预测方法、装置及可读存储介质 |
| CN108573323A (zh) * | 2018-03-19 | 2018-09-25 | 国网浙江省电力有限公司嘉兴供电公司 | 一种能源互联网用户用电量预测方法及系统 |
| CN108909479A (zh) * | 2018-06-19 | 2018-11-30 | 河南森源电气股份有限公司 | 一种公交场站式充电桩的充电方法及装置 |
| CN109359780A (zh) * | 2018-11-16 | 2019-02-19 | 上海电力学院 | 一种基于电器化指数的居民用电量预测方法 |
| CN110944413A (zh) * | 2019-12-06 | 2020-03-31 | 江苏智臻能源科技有限公司 | 云边协同架构下基于历史负荷辨识数据的电热细分方法 |
| WO2020078196A1 (zh) * | 2018-10-16 | 2020-04-23 | 青岛海尔洗衣机有限公司 | 家用电器的控制方法和控制系统 |
| CN113506187A (zh) * | 2021-06-29 | 2021-10-15 | 云南电网有限责任公司 | 一种电力费控方法和装置 |
| CN113902148A (zh) * | 2021-12-03 | 2022-01-07 | 广东电网有限责任公司东莞供电局 | 变压器的负荷检测方法、装置、计算机设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101425158A (zh) * | 2008-12-04 | 2009-05-06 | 清华大学 | 基于新息的短期负荷预测方法 |
| WO2012108987A3 (en) * | 2011-02-11 | 2012-10-18 | Waring Mark Andrew | Battery enhanced, smart grid add-on for appliance |
| CN103854068A (zh) * | 2013-12-06 | 2014-06-11 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
| CN104655953A (zh) * | 2013-11-22 | 2015-05-27 | 财团法人资讯工业策进会 | 耗电预测装置及方法 |
| CN104778504A (zh) * | 2015-03-18 | 2015-07-15 | 南京邮电大学 | 一种家庭用户智能家电的用电安排优化方法 |
| US20160041575A1 (en) * | 2011-10-24 | 2016-02-11 | Sony Corporation | Power demand forecast device, method and system and power failure detection system |
| CN105631542A (zh) * | 2015-12-24 | 2016-06-01 | 国网甘肃省电力公司电力科学研究院 | 一种家庭用户智能用电模式调度方法 |
| CN106451438A (zh) * | 2016-11-16 | 2017-02-22 | 国网江苏省电力公司经济技术研究院 | 一种考虑智能用电行为的负荷区间预测方法 |
-
2017
- 2017-05-04 CN CN201710309330.2A patent/CN107194502B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101425158A (zh) * | 2008-12-04 | 2009-05-06 | 清华大学 | 基于新息的短期负荷预测方法 |
| WO2012108987A3 (en) * | 2011-02-11 | 2012-10-18 | Waring Mark Andrew | Battery enhanced, smart grid add-on for appliance |
| US20160041575A1 (en) * | 2011-10-24 | 2016-02-11 | Sony Corporation | Power demand forecast device, method and system and power failure detection system |
| CN104655953A (zh) * | 2013-11-22 | 2015-05-27 | 财团法人资讯工业策进会 | 耗电预测装置及方法 |
| CN103854068A (zh) * | 2013-12-06 | 2014-06-11 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
| CN104778504A (zh) * | 2015-03-18 | 2015-07-15 | 南京邮电大学 | 一种家庭用户智能家电的用电安排优化方法 |
| CN105631542A (zh) * | 2015-12-24 | 2016-06-01 | 国网甘肃省电力公司电力科学研究院 | 一种家庭用户智能用电模式调度方法 |
| CN106451438A (zh) * | 2016-11-16 | 2017-02-22 | 国网江苏省电力公司经济技术研究院 | 一种考虑智能用电行为的负荷区间预测方法 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704961A (zh) * | 2017-09-30 | 2018-02-16 | 广东美的制冷设备有限公司 | 家电用电数据预测方法、装置及可读存储介质 |
| CN108573323B (zh) * | 2018-03-19 | 2020-10-16 | 国网浙江省电力有限公司嘉兴供电公司 | 能源互联网用户用电量预测方法、系统、设备及存储介质 |
| CN108573323A (zh) * | 2018-03-19 | 2018-09-25 | 国网浙江省电力有限公司嘉兴供电公司 | 一种能源互联网用户用电量预测方法及系统 |
| CN108909479A (zh) * | 2018-06-19 | 2018-11-30 | 河南森源电气股份有限公司 | 一种公交场站式充电桩的充电方法及装置 |
| CN108909479B (zh) * | 2018-06-19 | 2021-09-03 | 河南森源电气股份有限公司 | 一种公交场站式充电桩的充电方法及装置 |
| WO2020078196A1 (zh) * | 2018-10-16 | 2020-04-23 | 青岛海尔洗衣机有限公司 | 家用电器的控制方法和控制系统 |
| CN109359780A (zh) * | 2018-11-16 | 2019-02-19 | 上海电力学院 | 一种基于电器化指数的居民用电量预测方法 |
| CN109359780B (zh) * | 2018-11-16 | 2021-10-08 | 上海电力学院 | 一种基于电器化指数的居民用电量预测方法 |
| CN110944413B (zh) * | 2019-12-06 | 2021-08-10 | 江苏智臻能源科技有限公司 | 云边协同架构下基于历史负荷辨识数据的电热细分方法 |
| CN110944413A (zh) * | 2019-12-06 | 2020-03-31 | 江苏智臻能源科技有限公司 | 云边协同架构下基于历史负荷辨识数据的电热细分方法 |
| CN113506187A (zh) * | 2021-06-29 | 2021-10-15 | 云南电网有限责任公司 | 一种电力费控方法和装置 |
| CN113902148A (zh) * | 2021-12-03 | 2022-01-07 | 广东电网有限责任公司东莞供电局 | 变压器的负荷检测方法、装置、计算机设备和存储介质 |
| CN113902148B (zh) * | 2021-12-03 | 2022-04-05 | 广东电网有限责任公司东莞供电局 | 变压器的负荷检测方法、装置、计算机设备和存储介质 |
| WO2023098847A1 (zh) * | 2021-12-03 | 2023-06-08 | 广东电网有限责任公司东莞供电局 | 变压器的负荷检测方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107194502B (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107194502A (zh) | 一种居民用户电力负荷预测方法 | |
| Remani et al. | Residential load scheduling with renewable generation in the smart grid: A reinforcement learning approach | |
| Riaz et al. | On feasibility and flexibility operating regions of virtual power plants and TSO/DSO interfaces | |
| Althaher et al. | Automated demand response from home energy management system under dynamic pricing and power and comfort constraints | |
| Grover-Silva et al. | A stochastic optimal power flow for scheduling flexible resources in microgrids operation | |
| Wang et al. | A game theory-based energy management system using price elasticity for smart grids | |
| Ruiz et al. | A direct load control model for virtual power plant management | |
| Khalid et al. | Demand side management using hybrid bacterial foraging and genetic algorithm optimization techniques | |
| Wang et al. | Active demand response using shared energy storage for household energy management | |
| Chen et al. | Real-time price-based demand response management for residential appliances via stochastic optimization and robust optimization | |
| Roldán-Blay et al. | Improving the benefits of demand response participation in facilities with distributed energy resources | |
| Bina et al. | Stochastic modeling for the next day domestic demand response applications | |
| Ahmadi et al. | Optimizing load control in a collaborative residential microgrid environment | |
| Keerthisinghe et al. | Evaluation of a multi-stage stochastic optimisation framework for energy management of residential PV-storage systems | |
| Tsagarakis et al. | Assessment of the cost and environmental impact of residential demand-side management | |
| McKenna et al. | Open and closed-loop residential load models for assessment of conservation voltage reduction | |
| Zhang et al. | Efficient decentralized economic dispatch for microgrids with wind power integration | |
| Wei et al. | Coordination optimization of multiple thermostatically controlled load groups in distribution network with renewable energy | |
| Reddy | Optimizing energy and demand response programs using multi-objective optimization | |
| Perninge et al. | A stochastic control approach to manage operational risk in power systems | |
| Shojaeighadikolaei et al. | Demand responsive dynamic pricing framework for prosumer dominated microgrids using multiagent reinforcement learning | |
| Saravanan | DSM in an area consisting of residential, commercial and industrial load in smart grid | |
| Coffman et al. | Aggregate flexibility capacity of TCLs with cycling constraints | |
| Coffman et al. | Aggregate capacity of TCLs with cycling constraints | |
| Georges et al. | Aggregation of flexible domestic heat pumps for the provision of reserve in power systems |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211116 Address after: 250000 floor 5, building 2, Aosheng building, 1166 Xinluo street, high tech Industrial Development Zone, Jinan, Shandong Province Patentee after: Shandong Zhengchen Technology Co., Ltd Address before: 250061 No. 17923, Jingshi Road, Jinan City, Shandong Province Patentee before: Shandong University |