CN107292537A - 考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法 - Google Patents
考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法 Download PDFInfo
- Publication number
- CN107292537A CN107292537A CN201710606687.7A CN201710606687A CN107292537A CN 107292537 A CN107292537 A CN 107292537A CN 201710606687 A CN201710606687 A CN 201710606687A CN 107292537 A CN107292537 A CN 107292537A
- Authority
- CN
- China
- Prior art keywords
- typhoon
- msub
- mrow
- load
- influence
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 20
- 238000013277 forecasting method Methods 0.000 title claims abstract description 15
- 238000013210 evaluation model Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 7
- 230000001066 destructive effect Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 125000001475 halogen functional group Chemical group 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 240000002853 Nelumbo nucifera Species 0.000 claims description 5
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 5
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001680 brushing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012795 verification 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法，包括如下步骤：1.通过通讯网络采集台风日短期负荷预测所需的台风实时信息和调度区域内各市的历史负荷数据及气象数据；2.判断城市电网是否受到台风影响；3.若受到台风影响，则构建台风灾情风险评估模型对台风灾情强度进行定级；根据台风灾情强度级数的评判结果，构建台风负荷预测模型；4.构建各市电网的基础负荷预测模型；5.叠加得到台风期间最终负荷预测结果；6.进行校正和修正得到最终台风期间96点负荷预测曲线；7.实时更新修正台风相关信息和气象数据，实时修正96点负荷预测曲线。本发明通过研究受到台风影响城市的负荷损失量，提高台风负荷预测的准确率。
Description
技术领域
本发明属于电力系统中遭受异常天气影响的短期负荷预测领域，具体涉及一种考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法。
背景技术
台风期间负荷预测是电网调度部门一项重要的工作内容。短期负荷预测是基于周期性的预测模式，负荷水平基本趋于平稳，负荷曲线也遵循着相同的变化规律。但在台风的影响下，气象状况变幻莫测，负荷的周期性规律被打破，同时负荷水平剧烈下降，电网构架受到重创地区甚至可能失去大部分负荷，机组调度安排困难，对电力系统的安全、稳定运行造成直接危害。台风期间电力负荷水平一般较低，容易受到各种因素的影响，使得传统负荷预测模型得到的准确度有明显恶化的趋势。台风对电网的影响有较大的随机性，往往是距离登陆点越近，负荷下降比例越大；在台风登陆前后，气象会经历三段式较明显的变化，致使负荷水平相应波动；台风登陆时间、地点、所属性质的不同，对电网的影响也会有差异。这些性质均使得台风负荷预测面临着挑战。
目前国内外专门针对台风负荷的预测还缺乏比较系统的研究。究其主要原因在于：第一，每年登陆我国的台风数量有限，缺乏相关的历史材料；第二，台风期间异常的气象变化以及台风的破坏力给负荷预测带来困难。台风日负荷预测是全天候负荷预测的一部分，对电力系统的有效运行起着至关重要的作用。而台风登陆的时间、地点、强度、台风中心的移动的方向和速度对地区电网的负荷造成的影响均有差异，因此通过通讯网络实时跟踪台风路径，采集受台风影响的城市相关气象数据。以此对地级市电网的灾情风险进行评估，选择适宜的负荷预测方法也就具备必要性和紧迫性。
发明内容
本发明的目的在于针对现有技术中的上述问题，提供一种考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法，通过研究受到台风影响城市的负荷损失量，提高台风负荷预测的准确率，为台风影响期间电网的调度安排提供较为准确数据支持。
为实现上述发明目的，本发明采用了如下技术方案：
1.考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法，包括如下步骤：
一、通过通讯网络采集台风日短期负荷预测所需的台风实时信息和调度区域内各市的历史负荷数据及气象数据；
二、判断城市电网是否受到台风影响；
计算各城市中心点到台风移动路径之间的最短距离，若台风中心的风圈半径大于城市中心到台风移动路径之间的最短距离，则认定该市电网受到台风影响，转至执行步骤三；若台风中心的风圈半径小于或等于地级市中心到台风移动路径之间的最短距离，则认定该市电网没有受到台风影响，转至执行步骤四；
三、构建台风灾情风险评估模型对台风灾情强度进行定级，通过定级结果选择台风负荷预测模型；
(1)构建台风灾情风险评估模型对台风灾情强度进行定级；
受台风影响n天，气象的标幺特征向量有m个气象因子；
第i天气象的标幺特征向量为：
ωi＝[ωi1,ωi2,…,ωim]；
式中：ωi1,ωi2,…,ωim分别为受台风影响第i天的第1,2…,m个气象因子的标幺值，i＝1,2,…,n；
选取基准日，基准日的选取原则为：天气状况相对平稳，且为一般工作日；
基准日的气象因子的标幺特征向量为：
ω0＝[ω01,ω02,…,ω0m]；
式中：ω01,ω02,…,ω0m分别为基准日的第1,2…,m个气象因子的标幺值；
台风影响期间气象因子与基准日气象因子的余弦相似度为：
取台风影响n天内，与基准日相比气象状况变化最明显的一天来评判台风灾情风险级数，即利用最大余弦相似度cosθ来评判：
cosθ＝max(cosθi)；
若0≤cosθ＜0.3，则台风灾情强度为1级；
若0.3≤cosθ＜0.8，则台风灾情强度为2级；
若0.8≤cosθ≤1，则台风灾情强度为3级；
(2)根据台风灾情强度级数的评判结果，构建如下台风负荷预测模型：
①若台风灾情强度为1级，则认定为破坏性台风；
计算受到台风影响的城市电网在台风期间与基准日相比下降的负荷比例值，求解公式为：
式中：PB为各市月负荷水平基准值，r为最高温度在设定区间内的天数，Pi为基准值区间的负荷值，P0为受到台风影响城市电网的负荷水平值，k为受到台风影响城市电网在台风期间与基准日相比下降的负荷比例值；
建立受到台风影响城市电网负荷变化比例系数模型：
K＝x1V2+x2V+x3；
式中：V为城市在台风期间的最大风速；x1、x2、x3为比例系数模型中二次回归系数；
②若台风灾情强度为2级和3级，则认定为一般性台风；
建立受到台风影响城市负荷损失量预测模型：
f(V,rain,P0)；
即各市电网受台风影响所造成的负荷变化值为：
ΔLmax.x＝f(V,rain,P0)；
建立二次模型，求解二次模型相应系数：
式中：c、a1～a9为二次模型中未知参数相对应系数，△Lmax.x为各市电网受台风影响所造成的负荷变化值，rain为降雨量，P0为台风预测城市电网的负荷水平；
四、构建各市电网的基础负荷预测模型；
(1)对受到台风影响城市利用多气象策略函数进行信息粒还原，当做无台风属性建模；对未受到台风影响的城市当做普通降温降雨处理；
对受到台风影响的各市电网的每一个台风都选取一个基准日，基准日的选取原则为：天气状况相对平稳，且为一般工作日；
则多气象策略函数为：
Yj＝min{|yB-yj|}j∈[j,j-n]；
式中：yB为月气象数据水平基准值；j为气象信息满足基准值选取准则的天数；yj为基准值区间的气象值；n为受到台风影响的天数；Yj为与基准值气象信息最为接近，且台风到来之前的连续平缓的气象数据；
(2)根据一般工作日数据构建各市电网的基础负荷预测模型，并计算未受台风影响城市电网的基础预测负荷值Lweek.x；
各市电网的基础负荷预测模型为:
Lweek.x＝L0+ΔPT；
式中：ΔPT为温差对应的负荷变化量，L0为基准日负荷值，△T为预测日温度Tr与基准日温度T0的温度差，基准日取待预测日前2天；为单位温差的负荷变化量；
六、根据步骤三和步骤四的预测结果，计算台风期间最终负荷预测结果；
(1)当城市受到破坏性台风影响，则台风期间最终负荷预测结果L为：
式中：Lweek.xp为第p个城市电网的基础预测负荷值；ΔPp为受台风影响第p个城市电网的负荷损失值；P0p为受台风影响第p个市城电网的负荷水平，即负荷的基准值，kp为受台风影响第p个城市电网在台风期间与基准日相比下降的负荷比例值，P1p为受台风影响第p个城市电网的负荷预测值，g为地区电网总的城市数量，e为受到台风影响的城市数量；
(2)当城市受到一般性台风影响，则台风期间最终负荷预测结果L为：
式中：ΔLmax.xp为第p个城市电网受台风影响所造成的负荷变化值；
六、综合地区电网各市的台风期间最终负荷预测结果，进行校正和修正得到最终台风期间96点负荷预测曲线；
七、实时更新修正台风相关信息和气象数据，实时修正96点负荷预测曲线。
上述步骤二中所述计算各城市中心点到台风移动路径之间的最短距离的方法包括如下步骤：
将经纬度由弧度转化为度：
a°b′d″＝[a+(b/60)+(d/3600)]°；
式中，a、b、c分别为经纬度的度、分、秒；
计算城市中心点到台风移动路径之间的最短距离Δ，其计算公式为：
式中，为城市中心点的纬度，λ1为城市中心点的经度，为城市中心到台风移动路径最短距离的切点的纬度，λ2为城市中心到台风移动路径最短距离的切点的经度。
上述步骤一中所述台风实时信息包括台风基本信息和台风中心实时主信息；其中，台风基本信息包括：台风强度等级、中心路径的移动趋向和速度、台风登陆的时间和经纬度；台风中心实时主信息包括：中心位置经纬度、中心气压、最大风速、海平面气压和降雨量。
相比于现有技术，本发明的优势在于：
本发明提供的一种考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法，通过跟踪台风的路径，分析台风影响地区电网的范围以及影响相对应城市电网的程度，并通过灾情风险评估模型选择一般性台风模型或破坏性台风模型，预测未来电网台风期间的负荷情况。具有如下优点：
1)采集台风相关数据，先确定出台风对地区电网的影响范围，并通过构建电网灾情风险评估模型对台风灾情强度定级。
2)针对不同台风灾情风险情况选择相应的台风负荷预测模型。
3)本发明首次将台风负荷分为未受台风影响城市和受台风影响城市两个部分进行建模，采用气象信息粒还原方法，寻求近似无台风属性环境建立基础预测模型；选取关键性影响因子建立受到台风影响城市负荷变化量预测模型。
4)将电网负荷分城市进行预测，而非将统调负荷当作一个整体进行预测，能更好的反应出受到台风影响城市的实际负荷损失量。
附图说明
图1是本发明考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法的流程图。
图2是实施例2的实验中一般性台风妮妲台风日最大负荷预测效果图。
图3是实施例2的实验中破坏性台风威马逊台风日最大负荷预测效果图。
图4是实施例2的实验中一般性台风妮妲台风96点负荷预测曲线效果图。
图5是实施例2的实验中破坏性台风威马逊台风96点负荷预测曲线效果图。
具体实施方式
以下结合实施例及其附图对本发明技术方案作进一步非限制性的详细说明。
实施例1
如图1所示，考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法，包括如下步骤：
一、通过通讯网络采集台风日短期负荷预测所需的台风实时信息和调度区域内各市的历史负荷数据及气象数据；
台风实时信息包括台风基本信息和台风中心实时主信息；其中，台风基本信息包括：台风强度等级、中心路径的移动趋向和速度、台风登陆的时间和经纬度；台风中心实时主信息包括：中心位置经纬度、中心气压、最大风速、海平面气压和降雨量。
二、判断城市电网是否受到台风影响；
计算各城市中心点到台风移动路径之间的最短距离，若台风中心的风圈半径大于城市中心到台风移动路径之间的最短距离，则认定该市电网受到台风影响，转至执行步骤三；若台风中心的风圈半径小于或等于地级市中心到台风移动路径之间的最短距离，则认定该市电网没有受到台风影响，转至执行步骤四；
计算各城市中心点到台风移动路径之间的最短距离的方法包括如下步骤：
将经纬度由弧度转化为度：
a°b′d″＝[a+(b/60)+(d/3600)]°；
式中，a、b、c分别为经纬度的度、分、秒；
在同一条纬线上，经度1°实际弧长约等于111.199km，计算城市中心点到台风移动路径之间的最短距离Δ，其计算公式为：
式中，为城市中心点的纬度，λ1为城市中心点的经度，为城市中心到台风移动路径最短距离的切点的纬度，λ2为城市中心到台风移动路径最短距离的切点的经度。
三、构建台风灾情风险评估模型对台风灾情强度进行定级，通过定级结果选择台风负荷预测模型；
(1)构建台风灾情风险评估模型对台风灾情强度进行定级；
受台风影响n天，气象的标幺特征向量有m个气象因子；
第i天气象的标幺特征向量为：
ωi＝[ωi1,ωi2,…,ωim]；
式中：ωi1,ωi2,…,ωim分别为受台风影响第i天的第1,2…,m个气象因子的标幺值，i＝1,2,…,n；
选取基准日，基准日的选取原则为：天气状况相对平稳，且为一般工作日；
基准日的气象因子的标幺特征向量为：
ω0＝[ω01,ω02,…,ω0m]；
式中：ω01,ω02,…,ω0m分别为基准日的第1,2…,m个气象因子的标幺值；
台风影响期间气象因子与基准日气象因子的余弦相似度为：
取台风影响n天内，与基准日相比气象状况变化最明显的一天来评判台风灾情风险级数，即利用最大余弦相似度cosθ来评判：
cosθ＝max(cosθi)；
若0≤cosθ＜0.3，则台风灾情强度为1级，对电网构架等电力设备造成较大的影响，即判定为正面袭击性台风；
若0.3≤cosθ＜0.8，则台风灾情强度为2级，对电网构架等电力设备造成一定的影响，即判定为非正面袭击性台风；
若0.8≤cosθ≤1，则台风灾情强度为3级，对电网构架等电力设备未造成影响，即判定为擦肩而过性台风；
θ越大，cosθ越小，表示两个标幺特征向量越不相似，说明气象变化情况越明显，灾情越严重；反之，灾情越轻；
当台风风速超过电力设备的额定抗风能力，会破坏电网构架的结构；强降雨会使得小水电增发，这些将会使台风影响城市电网负荷在短时间内出现急剧下降。根据台风灾情风险评判函数的计算结果选择相应模型。若评判结果为非正面袭击台风和擦肩而过台风，即认定为一般性台风，寻求受台风影响城市电网的台风属性环境建立二次模型计算负荷的变化量；若评判为正面袭击台风，则认定为破坏性台风，则还需考虑电网构架遭受重创的损失性负荷。
(2)根据台风灾情强度级数的评判结果，构建如下台风负荷预测模型：
①若台风灾情强度为1级，则认定为破坏性台风；
计算受到台风影响的城市电网在台风期间与基准日相比下降的负荷比例值，求解公式为：
式中：PB为各市月负荷水平基准值，r为最高温度在设定区间内的天数，Pi为基准值区间的负荷值，P0为受到台风影响城市电网的负荷水平值，k为受到台风影响城市电网在台风期间与基准日相比下降的负荷比例值；
建立受到台风影响城市电网负荷变化比例系数模型：
K＝x1V2+x2V+x3；
式中：V为城市在台风期间的最大风速；x1、x2、x3为比例系数模型中二次回归系数；
②若台风灾情强度为2级和3级，则认定为一般性台风；
建立受到台风影响城市负荷损失量预测模型：
f(V,rain,P0)；
即各市电网受台风影响所造成的负荷变化值为：
ΔLmax.x＝f(V,rain,P0)；
建立二次模型，求解二次模型相应系数：
式中：c、a1～a9为二次模型中未知参数相对应系数，△Lmax.x为各市电网受台风影响所造成的负荷变化值，rain为降雨量，P0为台风预测城市电网的负荷水平；
四、构建各市电网的基础负荷预测模型；
(1)对受到台风影响城市利用多气象策略函数进行信息粒还原，当做无台风属性建模；对未受到台风影响的城市当做普通降温降雨处理；
对受到台风影响的各市电网的每一个台风都选取一个基准日，基准日的选取原则为：天气状况相对平稳，且为一般工作日；
则多气象策略函数为：
Yj＝min{|yB-yj|}j∈[j,j-n]；
式中：yB为月气象数据水平基准值；j为气象信息满足基准值选取准则的天数；yj为基准值区间的气象值；n为受到台风影响的天数；Yj为与基准值气象信息最为接近，且台风到来之前的连续平缓的气象数据；
(2)根据一般工作日数据构建各市电网的基础负荷预测模型，并计算未受台风影响城市电网的基础预测负荷值Lweek.x；
各市电网的基础负荷预测模型为:
Lweek.x＝L0+ΔPT；
式中：ΔPT为温差对应的负荷变化量，L0为基准日负荷值，△T为预测日温度Tr与基准日温度T0的温度差，基准日取待预测日前2天；为单位温差的负荷变化量；
五、根据步骤三和步骤四的预测结果，计算台风期间最终负荷预测结果；
(1)当城市受到破坏性台风影响，则台风期间最终负荷预测结果L为：
式中：Lweek.xp为第p个城市电网的基础预测负荷值；ΔPp为受台风影响第p个城市电网的负荷损失值；P0p为受台风影响第p个市城电网的负荷水平，即负荷的基准值，kp为受台风影响第p个城市电网在台风期间与基准日相比下降的负荷比例值，P1p为受台风影响第p个城市电网的负荷预测值，g为地区电网总的城市数量，e为受到台风影响的城市数量；
(2)当城市受到一般性台风影响，则台风期间最终负荷预测结果L为：
式中：ΔLmax.xp为第p个城市电网受台风影响所造成的负荷变化值；
六、综合地区电网各市的台风期间最终负荷预测结果，进行校正和修正得到最终台风期间96点负荷预测曲线；
七、实时更新修正台风相关信息和气象数据，实时修正96点负荷预测曲线。
实施例2
为证明本发明提出的考虑台风路径跟踪和灾情风险评判的台风日短期负荷预测方法能有效、准确的预测未来电网受到台风影响时负荷变化情况，结合历年受到台风影响的相关台风性质、气象、负荷数据，选取我国南方某电网2016年的一般性台风妮妲台风和2014年的超强台风威马逊台风进行实验验证。
一、通过通讯网络，采集台风登陆的时间、地点、强度以及中心移动的方向和速度等相关数据，确定台风影响的城市及其全网地区气象情况。台风相关信息如表1所示。
表1台风相关信息
二、根据台风实时路径跟踪和主信息，通过计算地级市中心和地级市中心经纬点到台风移动路径最短距离的切点的经纬度的两点的近似距离，来评估台风对地级市电网是否造成影响。
通过对历史负荷数据集进行整理分析，夏季负荷曲线通常会出现3个峰值，时间点大致为11:00-11:30、17:15-17:45、19:45-20:30。由表1可以看出：妮妲台风进入地区境内时间为8/2下午5点，台风带来的强降雨和大风会使得负荷曲线在影响时间节点后呈现下降的趋势，该天日最大负荷并未受到台风影响。结合台风停止编号时间和其在全网境内的性质，取8/3为台风日。威马逊台风的强台风性质，在停止编号后仍对地区电网造成一定的影响，故取7/19-7/20为台风日。
三、对地区电网各地级市的基础负荷建模。对受到台风影响城市进行多气象策略函数的信息粒还原，拟当作无台风属性建模。未受到台风影响城市当作普通降温降雨处理。
则多气象策略函数为：
Yj＝min{|yB-yj|}j∈[j,j-n]；
式中：yB为月气象数据水平基准值；j为气象信息满足基准值选取准则的天数；yj为基准值区间的气象值；n为受到台风影响的天数；Yj为与基准值气象信息最为接近，且台风到来之前的连续平缓的气象数据；
根据一般工作日数据建模得到的基础负荷预测模型计算未受台风影响城市的基础预测负荷值Lweek.x。
各市电网的基础负荷预测模型为:
Lweek.x＝L0+ΔPT；
式中：ΔPT为温差对应的负荷变化量，L0为基准日负荷值，△T为预测日温度Tr与基准日温度T0的温度差，基准日取待预测日前2天；为单位温差的负荷变化量；
四、通过采集到的台风相关数据，构建电网灾情风险评估模型对台风灾情强度定级。通过评判结果选择台风负荷预测模型。
(一)若受到一般性台风，寻求受台风影响城市的台风属性环境建立二次模型计算负荷的变化量。即根据台风登陆前后负荷的整体变化情况，分时段分别建立负荷预测模型。根据风速、降雨量、以及台风主要影响城市的负荷量建立多元非线性拟合回归。得到二次模型中相关系数，如表2所示。
表2受到台风影响城市模型相关系数
(二)若受到破坏性台风，当台风的风力值达到阈值，则还应考虑由于电网构架结构遭到破坏而导致的损失性负荷。利用风速、负荷下降比例值因子建立台风影响城市的负荷变化比例系数模型；由此可以建立受到台风影响城市在台风期间的负荷变化比例系数模型。
计算受到台风影响的城市电网在台风期间与基准日相比下降的负荷比例值，求解公式为：
式中：PB为各市月负荷水平基准值，r为最高温度在设定区间内的天数，Pi为基准值区间的负荷值，P0为受到台风影响城市电网的负荷水平值，k为受到台风影响城市电网在台风期间与基准日相比下降的负荷比例值；
建立受台风影响城市负荷变化比例系数模型为：
城市1：
城市2：
城市3：
城市4：
式中：K1、K2、K3、K4分别为城市1、城市2、城市3、城市4在台风期间的与基准日负荷相比下降的比例值；V1、V2、V3、V4分别为各级地市在台风期间的最大风速。
五、综合地区电网各地级市的负荷预测结果，并对预测结果进行校正和修正得到最终妮妲台风、威马逊台风期间96点负荷预测曲线。预测结果和评价指标如表3所示。为了能更直观的看到妮妲台风和威马逊台风在台风期间96点负荷预测曲线跟踪真实负荷曲线的情况，本发明选择了妮妲台风和威马逊台风各一天列出其96点负荷预测曲线结果，如表4所示，并分析两个台风日最大负荷各预测值的对比情况，如图2、图3所示。画出曲线图对比情况，如图4、图5所示。
由表3可以看出：2016年一般性台风妮妲台风，其影响期间统调负荷的平均预测误差率为0.01069。2014年正面袭击电网，且对电力网架造成破坏的威马逊台风，其影响期间南方某电网统调负荷的平均预测误差率为0.02151。由图2-图5也说明台风期间负荷的预测值能较好的跟踪实际负荷值，本发明提出的考虑台风路径跟踪和灾情风险评判的台风日短期负荷预测方法预测结果的误差整体上达到电网对负荷预测的精度要求，能满足电网的运行需求，同时也可证明本发明方法的有效性和优越性。
表3妮妲台风和威马逊台风日最大负荷预测效果(负荷单位：MW)
表4妮妲台风和威马逊台风日96点负荷预测情况(负荷单位：MW)
本发明依据气象的三段式变化，台风负荷呈现正“V”的变化规律。通过跟踪台风路径，评估台风对地级市电网的影响范围和程度，并通过构建台风灾情风险评估模型对台风灾情的强度进行定级。通过对台风期间负荷特性深入研究，探求其与气象变化所蕴含的信息，建立适用于台风特殊场景的负荷预测方法。针对台风影响的不同城市，分时段建立台风影响城市的负荷预测模型，求出台风期间损失的负荷量；选取台风过境前基准日，利用多气象策略函数对气象信息粒还原，将还原后的气象数据代入基础预测模型。本发明依据的核心在于台风日负荷的变化量与各地级市电网受到的灾情强度的级别有较大的关联度，而未受台风影响的地级市电网在预测模型中拟当作普通降温降雨来处理。
综上所述，本发明提出的一种考虑台风路径跟踪和灾情风险评判的台风日短期负荷预测方法，通过跟踪台风的路径，分析台风影响地区电网的范围以及影响相对应地级市电网的程度，并通过灾情风险评估模型选择一般性台风模型或破坏性台风模型，预测未来电网台风期间的负荷情况。首先，通过通讯网络，采集台风日短期负荷预测所需的数据，数据包括台风实时信息、调度区域内各市的历史负荷数据级气象数据；再次，根据台风实时路径跟踪和主信息，评估台风对地级市电网的影响程度，构建电网台风灾情风险评估模型，对台风灾情强度定级；然后，针对不同风险情况构建相关的台风负荷预测模型；最后，综合地区电网各地级市的负荷预测结果，对预测结果进行校正和修正得到最终台风期间96点负荷预测曲线，并实时更新修正台风相关信息和气象数据，时时修正96点负荷预测曲线。本发明通过着重研究受到台风影响城市的负荷损失量，提高台风负荷预测的准确率，为台风影响期间电网的调度安排提供较为准确数据支持。
Claims (3)
1.考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法，其特征在于，包括如下步骤：
一、通过通讯网络采集台风日短期负荷预测所需的台风实时信息和调度区域内各市的历史负荷数据及气象数据；
二、判断城市电网是否受到台风影响；
计算各城市中心点到台风移动路径之间的最短距离，若台风中心的风圈半径大于城市中心到台风移动路径之间的最短距离，则认定该市电网受到台风影响，转至执行步骤三；若台风中心的风圈半径小于或等于地级市中心到台风移动路径之间的最短距离，则认定该市电网没有受到台风影响，转至执行步骤四；
三、构建台风灾情风险评估模型对台风灾情强度进行定级，通过定级结果选择台风负荷预测模型；
(1)构建台风灾情风险评估模型对台风灾情强度进行定级；
受台风影响n天，气象的标幺特征向量有m个气象因子；
第i天气象的标幺特征向量为：
ωi＝[ωi1,ωi2,…,ωim]；
式中：ωi1,ωi2,…,ωim分别为受台风影响第i天的第1,2…,m个气象因子的标幺值，i＝1,2,…,n；
选取基准日，基准日的选取原则为：天气状况相对平稳，且为一般工作日；
基准日的气象因子的标幺特征向量为：
ω0＝[ω01,ω02,…,ω0m]；
式中：ω01,ω02,…,ω0m分别为基准日的第1,2…,m个气象因子的标幺值；
台风影响期间气象因子与基准日气象因子的余弦相似度为：
<mrow>
<msub>
<mi>cos&theta;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<msup>
<msub>
<mi>&Sigma;&omega;</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>&times;</mo>
<msqrt>
<mrow>
<msup>
<msub>
<mi>&Sigma;&omega;</mi>
<mn>0</mn>
</msub>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
取台风影响n天内，与基准日相比气象状况变化最明显的一天来评判台风灾情风险级数，即利用最大余弦相似度cosθ来评判：
cosθ＝max(cosθi)；
若0≤cosθ＜0.3，则台风灾情强度为1级；
若0.3≤cosθ＜0.8，则台风灾情强度为2级；
若0.8≤cosθ≤1，则台风灾情强度为3级；
(2)根据台风灾情强度级数的评判结果，构建如下台风负荷预测模型：
①若台风灾情强度为1级，则认定为破坏性台风；
计算受到台风影响的城市电网在台风期间与基准日相比下降的负荷比例值，求解公式为：
<mrow>
<msub>
<mi>P</mi>
<mi>B</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>r</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>;</mo>
</mrow>
1
<mrow>
<mi>k</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<msub>
<mi>P</mi>
<mi>B</mi>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
式中：PB为各市月负荷水平基准值，r为最高温度在设定区间内的天数，Pi为基准值区间的负荷值，P0为受到台风影响城市电网的负荷水平值，k为受到台风影响城市电网在台风期间与基准日相比下降的负荷比例值；
建立受到台风影响城市电网负荷变化比例系数模型：
K＝x1V2+x2V+x3；
式中：V为城市在台风期间的最大风速；x1、x2、x3为比例系数模型中二次回归系数；
②若台风灾情强度为2级和3级，则认定为一般性台风；
建立受到台风影响城市负荷损失量预测模型：
f(V,rain,P0)；
即各市电网受台风影响所造成的负荷变化值为：
ΔLmax.x＝f(V,rain,P0)；
建立二次模型，求解二次模型相应系数：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&Delta;L</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>.</mo>
<mi>x</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>c</mi>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<msup>
<mi>V</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
<msup>
<mi>rain</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>3</mn>
</msub>
<msup>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>4</mn>
</msub>
<mo>&times;</mo>
<mi>V</mi>
<mo>&times;</mo>
<mi>r</mi>
<mi>a</mi>
<mi>i</mi>
<mi>n</mi>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>5</mn>
</msub>
<mo>&times;</mo>
<mi>V</mi>
<mo>&times;</mo>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>6</mn>
</msub>
<mo>&times;</mo>
<mi>r</mi>
<mi>a</mi>
<mi>i</mi>
<mi>n</mi>
<mo>&times;</mo>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>7</mn>
</msub>
<mi>V</mi>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>8</mn>
</msub>
<mi>r</mi>
<mi>a</mi>
<mi>i</mi>
<mi>n</mi>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>9</mn>
</msub>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
式中：c、a1～a9为二次模型中未知参数相对应系数，△Lmax.x为各市电网受台风影响所造成的负荷变化值，rain为降雨量，P0为台风预测城市电网的负荷水平；
四、构建各市电网的基础负荷预测模型；
(1)对受到台风影响城市利用多气象策略函数进行信息粒还原，当做无台风属性建模；对未受到台风影响的城市当做普通降温降雨处理；
对受到台风影响的各市电网的每一个台风都选取一个基准日，基准日的选取原则为：天气状况相对平稳，且为一般工作日；
则多气象策略函数为：
<mrow>
<msub>
<mi>y</mi>
<mi>B</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>j</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>j</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>;</mo>
</mrow>
Yj＝min{|yB-yj|}j∈[j,j-n]；
式中：yB为月气象数据水平基准值；j为气象信息满足基准值选取准则的天数；yj为基准值区间的气象值；n为受到台风影响的天数；Yj为与基准值气象信息最为接近，且台风到来之前的连续平缓的气象数据；
(2)根据一般工作日数据构建各市电网的基础负荷预测模型，并计算未受台风影响城市电网的基础预测负荷值Lweek.x；
各市电网的基础负荷预测模型为:
Lweek.x＝L0+ΔPT；
<mrow>
<msub>
<mi>&Delta;P</mi>
<mi>T</mi>
</msub>
<mo>=</mo>
<mi>&Delta;</mi>
<mi>T</mi>
<mo>&times;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>&Delta;</mi>
<mi>T</mi>
</mrow>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
式中：ΔPT为温差对应的负荷变化量，L0为基准日负荷值，△T为预测日温度Tr与基准日温度T0的温度差，基准日取待预测日前2天；为单位温差的负荷变化量；
五、根据步骤三和步骤四的预测结果，计算台风期间最终负荷预测结果；
(1)当城市受到破坏性台风影响，则台风期间最终负荷预测结果L为：
<mrow>
<mi>L</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>g</mi>
</munderover>
<msub>
<mi>L</mi>
<mrow>
<mi>w</mi>
<mi>e</mi>
<mi>e</mi>
<mi>k</mi>
<mo>.</mo>
<mi>x</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>e</mi>
</munderover>
<msub>
<mi>&Delta;P</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>g</mi>
</munderover>
<msub>
<mi>L</mi>
<mrow>
<mi>w</mi>
<mi>e</mi>
<mi>e</mi>
<mi>k</mi>
<mo>.</mo>
<mi>x</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>e</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mn>0</mn>
<mi>p</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>p</mi>
</msub>
<msub>
<mi>P</mi>
<mrow>
<mn>1</mn>
<mi>p</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
式中：Lweek.xp为第p个城市电网的基础预测负荷值；ΔPp为受台风影响第p个城市电网的负荷损失值；P0p为受台风影响第p个市城电网的负荷水平，即负荷的基准值，kp为受台风影响第p个城市电网在台风期间与基准日相比下降的负荷比例值，P1p为受台风影响第p个城市电网的负荷预测值，g为地区电网总的城市数量，e为受到台风影响的城市数量；
(2)当城市受到一般性台风影响，则台风期间最终负荷预测结果L为：
<mrow>
<mi>L</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>g</mi>
</munderover>
<msub>
<mi>L</mi>
<mrow>
<mi>w</mi>
<mi>e</mi>
<mi>e</mi>
<mi>k</mi>
<mo>.</mo>
<mi>x</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>e</mi>
</munderover>
<msub>
<mi>&Delta;L</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>.</mo>
<mi>x</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>;</mo>
</mrow>
式中：ΔLmax.xp为第p个城市电网受台风影响所造成的负荷变化值；
六、综合地区电网各市的台风期间最终负荷预测结果，进行校正和修正得到最终台风期间96点负荷预测曲线；
七、实时更新修正台风相关信息和气象数据，实时修正96点负荷预测曲线。
2.根据权利要求1所述的台风日短期负荷预测方法，其特征在于：步骤二中所述计算各城市中心点到台风移动路径之间的最短距离的方法包括如下步骤：
将经纬度由弧度转化为度：
a°b′d″＝[a+(b/60)+(d/3600)]°；
式中，a、b、c分别为经纬度的度、分、秒；
计算城市中心点到台风移动路径之间的最短距离Δ，其计算公式为：
式中，为城市中心点的纬度，λ1为城市中心点的经度，为城市中心到台风移动路径最短距离的切点的纬度，λ2为城市中心到台风移动路径最短距离的切点的经度。
3.根据权利要求1所述的台风日短期负荷预测方法，其特征在于：步骤一中所述台风实时信息包括台风基本信息和台风中心实时主信息；其中，台风基本信息包括：台风强度等级、中心路径的移动趋向和速度、台风登陆的时间和经纬度；台风中心实时主信息包括：中心位置经纬度、中心气压、最大风速、海平面气压和降雨量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710606687.7A CN107292537B (zh) | 2017-07-24 | 2017-07-24 | 考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710606687.7A CN107292537B (zh) | 2017-07-24 | 2017-07-24 | 考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107292537A true CN107292537A (zh) | 2017-10-24 |
| CN107292537B CN107292537B (zh) | 2020-05-12 |
Family
ID=60102954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710606687.7A Active CN107292537B (zh) | 2017-07-24 | 2017-07-24 | 考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107292537B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764482A (zh) * | 2018-05-18 | 2018-11-06 | 淮海工学院 | 基于李雅谱诺夫指数和余弦相似度的Kp指数预报方法 |
| CN111766642A (zh) * | 2020-06-16 | 2020-10-13 | 中国气象科学研究院 | 登陆热带气旋日降水预报系统 |
| CN113743673A (zh) * | 2021-09-09 | 2021-12-03 | 中国南方电网有限责任公司 | 一种台风期间的电力负荷预测方法 |
| CN116667343A (zh) * | 2023-07-31 | 2023-08-29 | 国网浙江省电力有限公司宁波供电公司 | 一种基于单位画像的供电管理方法和供电管理模块 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104376384A (zh) * | 2014-11-27 | 2015-02-25 | 广西大学 | 一种基于电力大数据分析的台风日最大日负荷预测系统 |
| 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 |
| CN104616075A (zh) * | 2015-01-30 | 2015-05-13 | 广西大学 | 一种适合于台风天气下的短期负荷预测方法 |
| CN105678406A (zh) * | 2015-12-31 | 2016-06-15 | 国网湖北省电力公司 | 一种基于云模型的短期负荷预测方法 |
| CN105913175A (zh) * | 2016-04-07 | 2016-08-31 | 哈尔滨理工大学 | 基于改进神经网络算法的智能电网短期负荷预测方法 |
| CN106022610A (zh) * | 2016-05-20 | 2016-10-12 | 温州电力设计有限公司 | 一种电力系统防台抗台监控应急方法 |
-
2017
- 2017-07-24 CN CN201710606687.7A patent/CN107292537B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN104376384A (zh) * | 2014-11-27 | 2015-02-25 | 广西大学 | 一种基于电力大数据分析的台风日最大日负荷预测系统 |
| CN104616075A (zh) * | 2015-01-30 | 2015-05-13 | 广西大学 | 一种适合于台风天气下的短期负荷预测方法 |
| CN105678406A (zh) * | 2015-12-31 | 2016-06-15 | 国网湖北省电力公司 | 一种基于云模型的短期负荷预测方法 |
| CN105913175A (zh) * | 2016-04-07 | 2016-08-31 | 哈尔滨理工大学 | 基于改进神经网络算法的智能电网短期负荷预测方法 |
| CN106022610A (zh) * | 2016-05-20 | 2016-10-12 | 温州电力设计有限公司 | 一种电力系统防台抗台监控应急方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘思捷等: ""台风对广东电力负荷特性的影响"", 《云南电力技术》 * |
| 莫若慧: ""台风天气下电网负荷对气象因素的敏感度分析"", 《南方电网技术》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764482A (zh) * | 2018-05-18 | 2018-11-06 | 淮海工学院 | 基于李雅谱诺夫指数和余弦相似度的Kp指数预报方法 |
| CN108764482B (zh) * | 2018-05-18 | 2021-05-18 | 淮海工学院 | 基于李雅谱诺夫指数和余弦相似度的Kp指数预报方法 |
| CN111766642A (zh) * | 2020-06-16 | 2020-10-13 | 中国气象科学研究院 | 登陆热带气旋日降水预报系统 |
| CN113743673A (zh) * | 2021-09-09 | 2021-12-03 | 中国南方电网有限责任公司 | 一种台风期间的电力负荷预测方法 |
| CN113743673B (zh) * | 2021-09-09 | 2023-12-22 | 中国南方电网有限责任公司 | 一种台风期间的电力负荷预测方法 |
| CN116667343A (zh) * | 2023-07-31 | 2023-08-29 | 国网浙江省电力有限公司宁波供电公司 | 一种基于单位画像的供电管理方法和供电管理模块 |
| CN116667343B (zh) * | 2023-07-31 | 2023-12-15 | 国网浙江省电力有限公司宁波供电公司 | 一种供电管理方法和供电管理模块 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107292537B (zh) | 2020-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lydia et al. | Linear and non-linear autoregressive models for short-term wind speed forecasting | |
| Tascikaraoglu | Evaluation of spatio-temporal forecasting methods in various smart city applications | |
| CN107292537A (zh) | 考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法 | |
| CN105243502B (zh) | 一种基于径流区间预测的水电站调度风险评估方法及系统 | |
| Lyu et al. | Exploring high-penetration electric vehicles impact on urban power grid based on voltage stability analysis | |
| Xu et al. | Ant-based swarm algorithm for charging coordination of electric vehicles | |
| CN106251625A (zh) | 大数据环境下立体城市交通路网全局状态预测方法 | |
| CN104376384B (zh) | 一种基于电力大数据分析的台风日最大日负荷预测系统 | |
| CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
| Sun et al. | Integrating traffic velocity data into predictive energy management of plug-in hybrid electric vehicles | |
| CN103745110B (zh) | 纯电动公交车营运续驶里程估算方法 | |
| Li et al. | Strategic pricing of electric vehicle charging service providers in coupled power-transportation networks | |
| CN106953316A (zh) | 微电网变时间尺度优化调度方法 | |
| CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
| CN108647829A (zh) | 一种基于随机森林的梯级水电站群联合调度规则提取方法 | |
| CN103793795A (zh) | 基于gis技术的水电站水电调度计划生成及仿真方法 | |
| Mazloumi et al. | Exploring the value of traffic flow data in bus travel time prediction | |
| CN105846425A (zh) | 一种基于通用风电预测误差模型的经济调度方法 | |
| CN114696351A (zh) | 一种电池储能系统动态优化方法、装置、电子设备和存储介质 | |
| CN105262167A (zh) | 区域内电动汽车有序充电控制方法 | |
| CN108205713A (zh) | 一种区域风电功率预测误差分布确定方法和装置 | |
| Oosthuizen et al. | Solar electric vehicle energy optimization for the sasol solar challenge 2018 | |
| CN115358541A (zh) | 一种基于改进群智能融合的水电共享资源优化配置方法 | |
| Chen et al. | Routing and scheduling of mobile energy storage system for electricity arbitrage based on two-layer deep reinforcement learning | |
| Hu et al. | Measurement and influencing factors of urban traffic ecological resilience in developing countries: A case study of 31 Chinese cities |
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 |