CN107591803A - 一种基于需求响应的电力负荷行为预测方法 - Google Patents
一种基于需求响应的电力负荷行为预测方法 Download PDFInfo
- Publication number
- CN107591803A CN107591803A CN201710860514.8A CN201710860514A CN107591803A CN 107591803 A CN107591803 A CN 107591803A CN 201710860514 A CN201710860514 A CN 201710860514A CN 107591803 A CN107591803 A CN 107591803A
- Authority
- CN
- China
- Prior art keywords
- mrow
- load
- electric
- data
- electric load
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于需求响应的电力负荷行为预测方法,包含:S1、采集预测地区的电力数据;S2、采用双向比较法,对采集到的电力数据进行异常数据处理;S3、对电力用户按照不同维度进行分类;S4、对分类后各个维度相同的电力用户进行电力数据的归一化处理;S5、采用聚类算法对各个维度相同的、且完成归一化的电力数据进行聚类处理,并得到聚类中心;S6、根据得到的聚类中心,预测电力负荷的标幺值;S7、对电力负荷标幺值进行反归一化处理,得到预测值。本发明通过聚类算法将电力负荷数据按照其用电趋势进行分类,并且由聚类中心判断和预测电力负荷值,实现对城市能源互联网中每一个小区域的电力负荷进行准确预测。
Description
技术领域
本发明涉及电力负荷行为的预测方法,具体是指一种基于需求响应的电力负荷行为预测方法。
背景技术
现阶段,国家电力负荷的形式复杂,因此对整个国家的电力负荷按照用电性质进行分类,主要包括工业负荷、市政负荷、商饮服务业负荷、农业负荷等。不同行业的电力负荷具有明显的差异,同一行业不同用户的负荷曲线之间也不完全相同。随着负荷数据采集系统的完善,也亟需对海量负荷数据进行处理。因此,对用户的电力负荷数据进行数据挖掘分析是十分必要的。另外,负荷曲线本身存在规律性及连续性,这也为有效的进行负荷形态分析提供了前提条件。
同时负荷形态分析是进一步进行用电特性分析,从而实施有效需求响应策略的基础。对于不同的需求侧用户,其用电曲线既有差别又有共性,这对需求响应策略的实施带来一定的困难。因此,对用户负荷形态进行分析,将具有相似负荷形态的用户进行聚类并提取出典型负荷曲线,为对具有相同的特点的用户负荷曲线实施有针对性的需求响应措施具有很大意义。
聚类分析是多元统计分析的一种,它把一个没有类别标记的样本集按某种准则划分为若干个子集(类),使相似的样本尽可能的归为一类,而将不相似的样本尽量划分到不同的类中。硬聚类把每个待辨识的对象严格的划分到某类中,具有非此即彼的性质。模糊聚类由于能够描述样本类属的中介性质,能够客观的反映现实世界,已逐渐成为聚类分析的主流。模糊聚类是根据样本之间的相似度来进行判断样本的归属,样本之间相似度高的优先归为一类,通过目标函数的控制求解,将不同类之间的样本相似度降到最低。
基于上述,本发明提出一种基于需求响应的电力负荷行为预测方法,采用模糊聚类分析实现,从而解决现有技术中存在的缺点和限制。
发明内容
本发明的目的是提供一种基于需求响应的电力负荷行为预测方法,通过聚类算法将电力负荷数据按照其用电趋势进行分类,并且由聚类中心判断和预测电力负荷值,实现对城市能源互联网中每一个小区域的电力负荷进行准确预测。
为实现上述目的,本发明提供一种基于需求响应的电力负荷行为预测方法,包含以下步骤:
S1、采集预测地区的电力数据;
S2、采用双向比较法,对采集到的电力数据进行异常数据处理;
S3、对电力用户按照不同维度进行分类;
S4、对分类后各个维度相同的电力用户进行电力数据的归一化处理;
S5、采用聚类算法对各个维度相同的、且完成归一化的电力数据进行聚类处理,并得到聚类中心;
S6、根据得到的聚类中心,预测电力负荷的标幺值;
S7、对电力负荷标幺值进行反归一化处理,得到预测值。
所述的S1中,具体包含以下步骤:
S11、分析并选择预测地区中影响电力负荷的变量,作为电力负荷影响因素;
S12、采集预测地区中的历史电力负荷数据。
所述的S2中,具体包含以下步骤:
S21、设定第i天t时刻的电力负荷值为P(i,t),计算t时刻共N天的电力负荷变化量的平均值为:
S22、设定修复后的电力负荷值P'(i,t)需要满足下述约束条件:
|P(i,t)-P(i,t-1)|≥α(t)×k0;
其中,k0为预先设置的判断阈值;
S23、对满足约束条件的修复后的电力负荷值P'(i,t)按照时间进行重新排序,得到修复后的t时刻的正常电力数据。
所述的S4中,具体为:
L(i,t)=(P(i,t)-Pmin)/(Pmax-Pmin);
其中,L(i,t)表示归一化后的数据,Pmax表示电力负荷值在N天中的最大值,Pmin表示电力负荷值在N天中的最小值。
所述的S5中,具体包含以下步骤:
S51、输入确定的聚类参数k,以及电力数据的样本集;
S52、选取k个样本点,作为各个初始聚类中心;
S53、根据距离最小原则,将电力数据样本对应分配到距离最近的聚类中心;
S54、计算各个初始聚类中心簇的中心,得到新的聚类中心;
S55、根据新的聚类中心,返回执行S53和S54,直至满足距离准则。
综上所述,本发明提供的基于需求响应的电力负荷行为预测方法,通过聚类算法很好的将电力负荷数据按照其用电趋势进行分类,并且由聚类中心判断和预测电力负荷值,从而能够对城市能源互联网中每一个小区域的电力负荷进行准确预测。
附图说明
图1为本发明中的基于需求响应的电力负荷行为预测方法的流程图。
具体实施方式
以下结合图1,详细说明本发明的一个优选实施例。
如图1所示,为本发明提供的基于需求响应的电力负荷行为预测方法,包含以下步骤:
S1、采集预测地区的电力数据;
S2、采用双向比较法,对采集到的电力数据进行异常数据处理;
S3、对电力用户按照不同维度进行分类;例如按照用户性质、或用户经营状况、或用户所在区域等进行分类;
S4、对分类后各个维度相同的电力用户进行电力数据的归一化处理;例如对某高档小区的常住居民的电力数据进行归一化处理;
S5、采用聚类算法对各个维度相同的、且完成归一化的电力数据进行聚类处理,并得到聚类中心;
S6、根据得到的聚类中心,预测电力负荷的标幺值;
S7、对电力负荷标幺值进行反归一化处理,得到预测值。
所述的S1中,具体包含以下步骤:
S11、分析预测地区中影响电力负荷的变量,并选择其中合适的变量作为电力负荷影响因素;
S12、采集预测地区中的历史电力负荷数据,包括长期样本和短期样本。
所述的S2中,为使得对电力数据进行批量处理,需要对采集到的电力数据进行异常数据处理;因此采用双向比较法识别出由电力负荷影响因素确认的明显错误,并进行数据修复;具体包含以下步骤:
S21、设定第i天t时刻的电力负荷值为P(i,t),计算t时刻共N天的电力负荷变化量的平均值为:
S22、设定修复后的电力负荷值P'(i,t)需要满足下述约束条件:
|P(i,t)-P(i,t-1)|≥α(t)×k0;
其中,k0为预先设置的判断阈值;
S23、对满足约束条件的修复后的电力负荷值P'(i,t)按照时间进行重新排序,即可得到修复后的t时刻的正常电力数据。
所述的S4中,由于对采集到的电力数据进行负荷聚类计算的主要目的在于区分用电形态,考虑到聚类计算收敛准则是有距离定义的,因此所有的电力数据需要进行归一化处理,具体为:
L(i,t)=(P(i,t)-Pmin)/(Pmax-Pmin);
其中,L(i,t)表示归一化后的数据,Pmax表示电力负荷值在N天中的最大值,Pmin表示电力负荷值在N天中的最小值。
所述的S5中,具体包含以下步骤:
S51、输入确定的聚类参数k,以及电力数据的样本集;
S52、选取k个样本点,作为各个初始聚类中心;
S53、根据距离最小原则,将电力数据样本对应分配到距离最近的聚类中心;所述的距离最小原则表达为:
S54、计算各个初始聚类中心簇的中心,得到新的聚类中心;
S55、根据新的聚类中心,重新进行电力数据的样本分配,并不断重复直至满足距离准则,即反复执行S53和S54;其中,距离准则函数为:
综上所述,本发明提供的基于需求响应的电力负荷行为预测方法,通过聚类算法很好的将电力负荷数据按照其用电趋势进行分类,并且由聚类中心判断和预测电力负荷值,从而能够对城市能源互联网中每一个小区域的电力负荷进行准确预测。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (5)
1.一种基于需求响应的电力负荷行为预测方法,其特征在于,包含以下步骤:
S1、采集预测地区的电力数据;
S2、采用双向比较法,对采集到的电力数据进行异常数据处理;
S3、对电力用户按照不同维度进行分类;
S4、对分类后各个维度相同的电力用户进行电力数据的归一化处理;
S5、采用聚类算法对各个维度相同的、且完成归一化的电力数据进行聚类处理,并得到聚类中心;
S6、根据得到的聚类中心,预测电力负荷的标幺值;
S7、对电力负荷标幺值进行反归一化处理,得到预测值。
2.如权利要求1所述的基于需求响应的电力负荷行为预测方法,其特征在于,所述的S1中,具体包含以下步骤:
S11、分析并选择预测地区中影响电力负荷的变量,作为电力负荷影响因素;
S12、采集预测地区中的历史电力负荷数据。
3.如权利要求2所述的基于需求响应的电力负荷行为预测方法,其特征在于,所述的S2中,具体包含以下步骤:
S21、设定第i天t时刻的电力负荷值为P(i,t),计算t时刻共N天的电力负荷变化量的平均值为:
<mrow>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<mo>|</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mi>N</mi>
</mfrac>
<mo>;</mo>
</mrow>
S22、设定修复后的电力负荷值P'(i,t)需要满足下述约束条件:
|P(i,t)-P(i,t-1)|≥α(t)×k0;
<mrow>
<mo>|</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mi>P</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>|</mo>
<mo>&GreaterEqual;</mo>
<mn>0.05</mn>
<mo>;</mo>
</mrow>
其中,k0为预先设置的判断阈值;
S23、对满足约束条件的修复后的电力负荷值P'(i,t)按照时间进行重新排序,得到修复后的t时刻的正常电力数据。
4.如权利要求3所述的基于需求响应的电力负荷行为预测方法,其特征在于,所述的S4中,具体为:
L(i,t)=(P(i,t)-Pmin)/(Pmax-Pmin);
其中,L(i,t)表示归一化后的数据,Pmax表示电力负荷值在N天中的最大值,Pmin表示电力负荷值在N天中的最小值。
5.如权利要求4所述的基于需求响应的电力负荷行为预测方法,其特征在于,所述的S5中,具体包含以下步骤:
S51、输入确定的聚类参数k,以及电力数据的样本集;
S52、选取k个样本点,作为各个初始聚类中心;
S53、根据距离最小原则,将电力数据样本对应分配到距离最近的聚类中心;
S54、计算各个初始聚类中心簇的中心,得到新的聚类中心;
S55、根据新的聚类中心,返回执行S53和S54,直至满足距离准则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710860514.8A CN107591803A (zh) | 2017-09-21 | 2017-09-21 | 一种基于需求响应的电力负荷行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710860514.8A CN107591803A (zh) | 2017-09-21 | 2017-09-21 | 一种基于需求响应的电力负荷行为预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107591803A true CN107591803A (zh) | 2018-01-16 |
Family
ID=61048534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710860514.8A Pending CN107591803A (zh) | 2017-09-21 | 2017-09-21 | 一种基于需求响应的电力负荷行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107591803A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985326A (zh) * | 2018-06-05 | 2018-12-11 | 南京大学 | 一种基于聚类的电力系统需求响应用户标记方法 |
CN109409570A (zh) * | 2018-09-20 | 2019-03-01 | 平安科技(深圳)有限公司 | 电子装置、基于聚类算法的建筑物日用电负荷预测方法及存储介质 |
CN110674999A (zh) * | 2019-10-08 | 2020-01-10 | 国网河南省电力公司电力科学研究院 | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 |
CN113159180A (zh) * | 2021-04-22 | 2021-07-23 | 北京交通大学 | 基于城市能源大数据的负荷及其可调潜力协同聚类方法 |
CN113361776A (zh) * | 2021-06-08 | 2021-09-07 | 国网上海市电力公司 | 一种基于用户用电行为聚类的电力负荷概率预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354646A (zh) * | 2015-12-04 | 2016-02-24 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
-
2017
- 2017-09-21 CN CN201710860514.8A patent/CN107591803A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354646A (zh) * | 2015-12-04 | 2016-02-24 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
刘轲: ""电力系统短期负荷预测的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
廖礼: "一种新的基于密度的聚类算法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985326A (zh) * | 2018-06-05 | 2018-12-11 | 南京大学 | 一种基于聚类的电力系统需求响应用户标记方法 |
CN109409570A (zh) * | 2018-09-20 | 2019-03-01 | 平安科技(深圳)有限公司 | 电子装置、基于聚类算法的建筑物日用电负荷预测方法及存储介质 |
CN110674999A (zh) * | 2019-10-08 | 2020-01-10 | 国网河南省电力公司电力科学研究院 | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 |
CN113159180A (zh) * | 2021-04-22 | 2021-07-23 | 北京交通大学 | 基于城市能源大数据的负荷及其可调潜力协同聚类方法 |
CN113159180B (zh) * | 2021-04-22 | 2023-09-19 | 北京交通大学 | 基于城市能源大数据的负荷及其可调潜力协同聚类方法 |
CN113361776A (zh) * | 2021-06-08 | 2021-09-07 | 国网上海市电力公司 | 一种基于用户用电行为聚类的电力负荷概率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107591803A (zh) | 一种基于需求响应的电力负荷行为预测方法 | |
Yu et al. | A PSO–GA optimal model to estimate primary energy demand of China | |
Goh et al. | Incorporating the rough sets theory into travel demand analysis | |
Wu et al. | A Novel hybrid genetic algorithm for kernel function and parameter optimization in support vector regression | |
Wahid et al. | A prediction approach for demand analysis of energy consumption using k-nearest neighbor in residential buildings | |
CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
CN105303263A (zh) | 一种区域电网的负荷预测系统及其方法 | |
CN107133652A (zh) | 基于K‑means聚类算法的用电客户价值评估方法及系统 | |
CN107748944B (zh) | 一种售电侧放开环境下用户侧需求响应方法 | |
Yuan | Parameters optimization using genetic algorithms in support vector regression for sales volume forecasting | |
CN105160416A (zh) | 一种结合主元分析与神经网络的台区合理线损预测方法 | |
de Barros Franco et al. | Clustering of solar energy facilities using a hybrid fuzzy c-means algorithm initialized by metaheuristics | |
CN111160401A (zh) | 一种基于均值漂移和XGBoost的异常用电判别方法 | |
Nie et al. | Optimization of electric power systems with cost minimization and environmental-impact mitigation under multiple uncertainties | |
Gajowniczek et al. | Electricity peak demand classification with artificial neural networks | |
CN108122057B (zh) | 一种智能园区能源利用方案综合评价方法及装置 | |
Chang et al. | Feature extraction of non-intrusive load-monitoring system using genetic algorithm in smart meters | |
Tang et al. | Residential battery sizing model using net meter energy data clustering | |
Kaboli et al. | An expression-driven approach for long-term electric power consumption forecasting | |
CN111582548A (zh) | 一种基于多元用户行为画像的用电负荷预测方法 | |
CN111428766B (zh) | 一种高维海量量测数据的用电模式分类方法 | |
Wang et al. | Improving economic values of day‐ahead load forecasts to real‐time power system operations | |
CN112396301A (zh) | 基于能源大数据驱动的电力用户需求响应特性控制方法 | |
CN110991716A (zh) | 一种用于电力大用户业扩报装的负荷预测方法 | |
CN117035837B (zh) | 一种电力用户购电需求预测及零售合同定制方法 |
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: 20180116 |