CN107633316A - 自适应局部非线性回归偏差补偿的电网短期负荷预测方法 - Google Patents
自适应局部非线性回归偏差补偿的电网短期负荷预测方法 Download PDFInfo
- Publication number
- CN107633316A CN107633316A CN201710206481.5A CN201710206481A CN107633316A CN 107633316 A CN107633316 A CN 107633316A CN 201710206481 A CN201710206481 A CN 201710206481A CN 107633316 A CN107633316 A CN 107633316A
- Authority
- CN
- China
- Prior art keywords
- deviation
- value
- predicted
- curve
- prediction
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种自适应局部非线性回归偏差补偿的电网短期负荷预测方法,属于电力系统负荷预测技术领域。包括:采用指数平滑预测方法根据历史负荷数据预测负荷;采用指数平滑预测方法根据历史相关因素向量预测相关因素向量;计算历史负荷与预测负荷的偏差以及历史相关因素向量与预测相关因素向量偏差;对负荷偏差和相关因素向量偏差进行线性回归;对模型进行F检验,若未通过F检验,则采用支持向量机方法进行拟合;若通过F检验,则直接采用线性回归方法进行预测;得到最终负荷预测结果;短期负荷预测过程完成。本方法具有适应性强、预测精度高等特点,可用于电力系统短期负荷预测,具有重要的现实意义和良好的应用前景。
Description
技术领域
本发明涉及一种自适应局部非线性回归偏差补偿的电网短期负荷预测方法,属于电力系统负荷预测技术领域。
背景技术
短期负荷预测指的是对未来几小时、一天甚至几天电力系统负荷的预测,短期负荷预测的精度直接影响到检修计划、机组组合、经济调度等的编排,进而对电力系统安全、经济运行产生影响。
短期负荷预测一直是国内外学者的研究重点,过去几十年来他们提出了很多种预测方法。这些预测方法主要分为三大类:第一类是以时间序列法、回归预测法等为代表的传统方法;第二类是以专家系统预测法、支持向量机法、人工神经网络法等为代表的智能预测方法;第三类方法是将传统方法与智能预测方法结合,应用于短期负荷预测。已有研究(Tomonobu Senjyu,Paras Mandal,Katsumi Uezato,Toshihisa Funabashi,“Next DayLoad Curve Forecasting Using Hybrid Correction Method,”IEEE Trans.PowerSyst.)将短期负荷预测分为三个阶段,第一阶段提出了负荷校正方法,以获取更加合适的历史负荷数据;第二阶段,考虑到相关因素的影响,采用人工神经网络算法对第一阶段所获取的历史负荷进行处理;第三阶段,采用模糊逻辑的方法对天气的季节性变化进行处理。尽管以该方法为代表的现有文献提出的一些方法极大提高了短期负荷预测的精度,但可能不一定适合中国的实际情况。发明“基于智能偏差补偿的短期负荷预测方法”将短期负荷预测分为两个阶段:将负荷分为趋势成分和偏差成分,第一阶段采用时间序列法等传统方法预测趋势成分;第二阶段采用支持向量机方法根据历史负荷、温度、湿度等数据预测未来时段负荷的偏差成分;最后将未来时段负荷的趋势成分与偏差成分相加得到最终的预测负荷。然而,实际算例测试表明,在第二阶段中,若不分析数据特征,盲目的选择专家系统预测法、支持向量机法、人工神经网络法等智能预测方法,预测的精度和效率将会有相当大的损失。因此,很有必要首先对数据特征进行分析,然后根据数据的不同特征,选择不同的智能预测方法。
发明内容
本发明的目的是提出一种自适应局部非线性回归偏差补偿的电网短期负荷预测方法,以克服已有技术的不足之处,结合不同预测模型的具体特征,选择不同的预测方法,使电网短期负荷预测具有适应性强、预测精度高等特点。
本发明提出的自适应局部非线性回归偏差补偿的电网短期负荷预测方法,包括以下步骤:
(1)从电网负荷预测系统获取电网负荷预测所需的基础数据,包括预测日之前设定时段N天内每天的电网有功功率负荷曲线Pi,t、该设定时段待负荷预测的电网所在地区的温度曲线Ti,t、待负荷预测的电网所在地区的湿度曲线Hi,t、待预测日该负荷预测电网所在地区的温度曲线Tf,t和湿度曲线Hf,t,其中,i是预测日之前设定时段N天内任意一天,取值1,2,…N,t为预测时刻,t的取值为1,2,…96,f为待预测日,Pi,t、Ti,t和Hi,t均为矩阵,Tf,t和Hf,t为向量;
(2)将上述步骤(1)中的有功功率负荷Pi,t分为趋势成分和偏差成分ΔPi,t,根据上述步骤(1)中预测日之前N天中NS天的有功功率负荷曲线,进行模拟测试,采用指数平滑预测方法,利用下式,计算历史趋势成分
上式中,n为指数平滑预测的天数,j与k分别为n天中的任意一天,j与k的取值分别为1,2,…n,α为指数平滑预测参数,取值范围为0<α<1;
将待预测日的有功功率负荷曲线分为趋势成分和偏差成分采用指数平滑预测方法,利用下式,计算待预测日趋势成分
上式中,n为指数平滑预测的天数,j与k分别为n天中的任意一天,j与k的取值分别为1,2,…n,α为指数平滑预测参数,取值范围为0<α<1;
(3)根据上述步骤(1)中的温度曲线和湿度曲线Ti,t、和采用指数平滑预测方法,利用下式,计算气象影响因素的平滑值和
其中,X指气象影响因素温度T和湿度H,n为指数平滑预测的天数,j与k指n天中的任意一天,取值1,2,…n,α为指数平滑预测参数,取值范围为0<α<1;
(4)根据上述步骤(2)得到的历史趋势成分与上述步骤(1)得到的电网有功功率负荷曲线Pi,t,利用下式,计算得到预测日之前设定时段N天内每天的电网有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t:
根据上述步骤(1)得到的历史温度曲线Ti,t、历史湿度曲线Hi,t、待预测日温度曲线Tf,t和待预测日湿度曲线Hf,t和步骤(3)得到的气象影响因素的平滑值和利用下式,得到气象影响因素实际值与平滑值的偏差值ΔTi,t、ΔHi,t、ΔTf,t和ΔHf,t:
其中,X为气象影响因素温度T和湿度H.
(5)对上述步骤(4)得到的有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t和气象影响因素实际值与平滑值的偏差值(ΔTi,t,ΔHi,t),利用最小二乘法进行多元线性拟合,得到负荷偏差值与气象影响因素偏差值的多元线性回归方程ΔPt=a1tΔTt+a2tΔHt+bt中的系数a1t、a2t和bt,回归方程中各项均为长度为96的向量,其中,ΔPt为有功功率负荷曲线偏差成分,ΔTt为温度曲线偏差成分,a1t为ΔTt的系数,ΔHt为湿度曲线偏差成分,a2t为ΔHt的系数,bt为常数项系数;
(6)利用下式,计算上述步骤(5)得到的多元线性回归方程ΔPt=a1tΔTt+a2tΔHt+bt的显著性检验统计量F:
其中,SSR为回归平方和,其中ΔPi,t为上述步骤(4)得到的有功功率负荷曲线Pi,t的预测偏差成分,为有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t的平均值,SSE为残差平方和,其中为将上述步骤(4)得到的气象影响因素实际值与平滑值的偏差值(ΔTi,t,ΔHi,t)代入上述步骤(5)得到的多元线性回归方程ΔPt=a1tΔTt+a2tΔHt+bt得到的有功功率负荷曲线预测偏差成分的拟合值,p为上述步骤(5)的多元线性回归方程中的自变量个数,N为预测日之前设定的时段的天数;
设定一个显著性水平 是F分布的水平上侧分位数,若则判定步骤(5)得到的多元线性回归模型在的置信度内线性不显著,进行步骤(7),若则判定步骤(5)得到的多元线性回归模型在的置信度内是线性显著的,并进行步骤(9);
(7)采用支持向量机回归方法,对上述步骤(4)得到的有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t和气象影响因素实际值与平滑值的偏差值(ΔTi,t,ΔHi,t)进行多元非线性回归,得到多元非线性回归模型ΔPt=ft(ΔTt,ΔHt),其中,ΔPt为有功功率负荷曲线偏差成分,ΔTt为温度曲线偏差成分,ΔHt为湿度曲线偏差成分;
(8)将上述步骤(4)得到的待预测日的气象影响因素实际值与平滑值的偏差值ΔTf,t和ΔHf,t代入上述步骤(7)得到的多元非线性回归模型ΔPt=ft(ΔTt,ΔHt)中,得到待预测日有功功率负荷曲线偏差成分:进行步骤(10);
(9)将上述步骤(4)得到的待预测日的气象影响因素与平滑值的偏差ΔTf,t和ΔHf,t代入上述步骤(5)的负荷偏差值与气象影响因素偏差值的多元线性回归方程ΔPt=a1tΔTt+a2tΔHt+bt中,得到待预测日有功功率负荷曲线偏差成分:进行步骤(10);
(10)将上述步骤(2)得到的待预测日有功功率负荷曲线趋势成分与步骤(8)或步骤(9)得到的待预测日有功功率负荷曲线偏差成分相加,得到待预测日的有功功率负荷预测值:
本发明提出的自适应局部非线性回归偏差补偿的电网短期负荷预测方法,其优点是:
本发明电网短期负荷预测方法,根据模型的线性化程度,选择不同的拟合方法,提升了拟合的精度。为了分析模型线性化特点,本发明采用F检验方法和调整后的复相关系数方法。一般来说,F检验方法通常用于检验模型是否为线性模型;而调整后的复相关系数通常用于测试线性模型的线性化程度。比如,若一模型不仅通过F检验,且大于0.8,则可以认为该模型具有较好的线性化特点。因此,本发明通过对模型进行F检验,判断模型是否具有线性化特点;通过对调整后的复相关系数的计算分析,判断线性化模型的线性化强度。然后,根据模型的不同特点,选择不同的预测方法。基于省级电网实际数据的算例分析表明,本发明所提出的基于自适应局部非线性回归的智能偏差补偿短期负荷预测方法相比于传统的短期负荷预测方法,提升了预测精度。综上,本发明提供了基于自适应局部非线性回归的智能偏差补偿短期负荷预测方法,具有适应性强、预测精度高等特点。
具体实施方式
本发明提出的自适应局部非线性回归偏差补偿的电网短期负荷预测方法,包括以下步骤:
(1)从电网负荷预测系统获取电网负荷预测所需的基础数据,包括预测日之前设定时段N天内每天的电网有功功率负荷曲线Pi,t、该设定时段待负荷预测的电网所在地区的温度曲线Ti,t、待负荷预测的电网所在地区的湿度曲线Hi,t、待预测日该负荷预测电网所在地区的温度曲线Tf,t和湿度曲线Hf,t,其中,i是预测日之前设定时段N天内任意一天,取值1,2,…N,t为预测时刻,t的取值为1,2,…96,f为待预测日,Pi,t、Ti,t和Hi,t均为矩阵,Tf,t和Hf,t为向量;
(2)将上述步骤(1)中的有功功率负荷Pi,t分为趋势成分和偏差成分ΔPi,t,根据上述步骤(1)中预测日之前N天中NS天的有功功率负荷曲线,进行模拟测试,由于趋势成分通常变化平稳,且具有一定的周期性,采用指数平滑预测方法,利用下式,计算历史趋势成分
上式中,n为指数平滑预测的天数,j与k分别为n天中的任意一天,j与k的取值分别为1,2,…n,α为指数平滑预测参数,取值范围为0<α<1,本发明的一个实施例中,取值为0.6;
将待预测日的有功功率负荷曲线分为趋势成分和偏差成分采用指数平滑预测方法,利用下式,计算待预测日趋势成分
上式中,n为指数平滑预测的天数,j与k分别为n天中的任意一天,j与k的取值分别为1,2,…n,α为指数平滑预测参数,取值范围为0<α<1,本发明的一个实施例中,取值为0.6;
(3)根据上述步骤(1)中的温度曲线和湿度曲线Ti,t、和采用指数平滑预测方法,利用下式,计算气象影响因素的平滑值和
其中,X指气象影响因素温度T和湿度H,n为指数平滑预测的天数,j与k指n天中的任意一天,取值1,2,…n,α为指数平滑预测参数,取值范围为0<α<1,本发明的一个实施例中,取值为0.6;
(4)根据上述步骤(2)得到的历史趋势成分与上述步骤(1)得到的电网有功功率负荷曲线Pi,t,利用下式,计算得到预测日之前设定时段N天内每天的电网有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t:
根据上述步骤(1)得到的历史温度曲线Ti,t、历史湿度曲线Hi,t、待预测日温度曲线Tf,t和待预测日湿度曲线Hf,t和步骤(3)得到的气象影响因素的平滑值和利用下式,得到气象影响因素实际值与平滑值的偏差值ΔTi,t、ΔHi,t、ΔTf,t和ΔHf,t:
其中,X为气象影响因素温度T和湿度H.
(5)对上述步骤(4)得到的有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t和气象影响因素实际值与平滑值的偏差值(ΔTi,t,ΔHi,t),利用最小二乘法进行多元线性拟合,得到负荷偏差值与气象影响因素偏差值的多元线性回归方程ΔPt=a1tΔTt+a2tΔHt+bt中的系数a1t、a2t和bt,回归方程中各项均为长度为96的向量,其中,ΔPt为有功功率负荷曲线偏差成分,ΔTt为温度曲线偏差成分,a1t为ΔTt的系数,ΔHt为湿度曲线偏差成分,a2t为ΔHt的系数,bt为常数项系数;
(6)利用下式,计算上述步骤(5)得到的多元线性回归方程ΔPt=a1tΔTt+a2tΔHt+bt的显著性检验统计量F:
其中,SSR为回归平方和,其中ΔPi,t为上述步骤(4)得到的有功功率负荷曲线Pi,t的预测偏差成分,为有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t的平均值,SSE为残差平方和,其中为将上述步骤(4)得到的气象影响因素实际值与平滑值的偏差值(ΔTi,t,ΔHi,t)代入上述步骤(5)得到的多元线性回归方程ΔPt=a1tΔTt+a2tΔHt+bt得到的有功功率负荷曲线预测偏差成分的拟合值,p为上述步骤(5)的多元线性回归方程中的自变量个数,N为预测日之前设定的时段的天数;
设定一个显著性水平 是F分布的水平上侧分位数,若则判定步骤(5)得到的多元线性回归模型在的置信度内线性不显著,进行步骤(7),若则判定步骤(5)得到的多元线性回归模型在的置信度内是线性显著的,并进行步骤(9);
(7)采用支持向量机(SVM)回归方法(该方法可参见文献Novianti P W,Jong VL.Support Vector Machine[J].),对上述步骤(4)得到的有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t和气象影响因素实际值与平滑值的偏差值(ΔTi,t,ΔHi,t)进行多元非线性回归,得到多元非线性回归模型ΔPt=ft(ΔTt,ΔHt),其中,ΔPt为有功功率负荷曲线偏差成分,ΔTt为温度曲线偏差成分,ΔHt为湿度曲线偏差成分;
(8)将上述步骤(4)得到的待预测日的气象影响因素实际值与平滑值的偏差值ΔTf,t和ΔHf,t代入上述步骤(7)得到的多元非线性回归模型ΔPt=ft(ΔTt,ΔHt)中,得到待预测日有功功率负荷曲线偏差成分:进行步骤(10);
(9)将上述步骤(4)得到的待预测日的气象影响因素与平滑值的偏差ΔTf,t和ΔHf,t代入上述步骤(5)的负荷偏差值与气象影响因素偏差值的多元线性回归方程ΔPt=a1tΔTt+a2tΔHt+bt中,得到待预测日有功功率负荷曲线偏差成分:进行步骤(10);
(10)将上述步骤(2)得到的待预测日有功功率负荷曲线趋势成分与步骤(8)或步骤(9)得到的待预测日有功功率负荷曲线偏差成分相加,得到待预测日的有功功率负荷预测值:
Claims (1)
1.一种自适应局部非线性回归偏差补偿的电网短期负荷预测方法,其特征在于,包括以下步骤:
(1)从电网负荷预测系统获取电网负荷预测所需的基础数据,包括预测日之前设定时段N天内每天的电网有功功率负荷曲线Pi,t、该设定时段待负荷预测的电网所在地区的温度曲线Ti,t、待负荷预测的电网所在地区的湿度曲线Hi,t、待预测日该负荷预测电网所在地区的温度曲线Tf,t和湿度曲线Hf,t,其中,i是预测日之前设定时段N天内任意一天,取值1,2,…N,t为预测时刻,t的取值为1,2,…96,f为待预测日,Pi,t、Ti,t和Hi,t均为矩阵,Tf,t和Hf,t为向量;
(2)将上述步骤(1)中的有功功率负荷Pi,t分为趋势成分和偏差成分ΔPi,t,根据上述步骤(1)中预测日之前N天中NS天的有功功率负荷曲线,进行模拟测试,采用指数平滑预测方法,利用下式,计算历史趋势成分
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<msup>
<mi>&alpha;</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mi>&alpha;</mi>
<mi>k</mi>
</msup>
</mrow>
</mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
上式中,n为指数平滑预测的天数,j与k分别为n天中的任意一天,j与k的取值分别为1,2,…n,α为指数平滑预测参数,取值范围为0<α<1;
将待预测日的有功功率负荷曲线分为趋势成分和偏差成分采用指数平滑预测方法,利用下式,计算待预测日趋势成分
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<msup>
<mi>&alpha;</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mi>&alpha;</mi>
<mi>k</mi>
</msup>
</mrow>
</mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
上式中,n为指数平滑预测的天数,j与k分别为n天中的任意一天,j与k的取值分别为1,2,…n,α为指数平滑预测参数,取值范围为0<α<1;
(3)根据上述步骤(1)中的温度曲线和湿度曲线Ti,t、和采用指数平滑预测方法,利用下式,计算气象影响因素的平滑值和
<mrow>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<msup>
<mi>&alpha;</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mi>&alpha;</mi>
<mi>k</mi>
</msup>
</mrow>
</mfrac>
<msub>
<mi>X</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
其中,X指气象影响因素温度T和湿度H,n为指数平滑预测的天数,j与k指n天中的任意一天,取值1,2,…n,α为指数平滑预测参数,取值范围为0<α<1;
(4)根据上述步骤(2)得到的历史趋势成分与上述步骤(1)得到的电网有功功率负荷曲线Pi,t,利用下式,计算得到预测日之前设定时段N天内每天的电网有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t:
<mrow>
<msub>
<mi>&Delta;P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>;</mo>
</mrow>
根据上述步骤(1)得到的历史温度曲线Ti,t、历史湿度曲线Hi,t、待预测日温度曲线Tf,t和待预测日湿度曲线Hf,t和步骤(3)得到的气象影响因素的平滑值和利用下式,得到气象影响因素实际值与平滑值的偏差值ΔTi,t、ΔHi,t、ΔTf,t和ΔHf,t:
<mrow>
<msub>
<mi>&Delta;X</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
<mrow>
<msub>
<mi>&Delta;X</mi>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
其中,X为气象影响因素温度T和湿度H.
(5)对上述步骤(4)得到的有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t和气象影响因素实际值与平滑值的偏差值(ΔTi,t,ΔHi,t),利用最小二乘法进行多元线性拟合,得到负荷偏差值与气象影响因素偏差值的多元线性回归方程ΔPt=a1tΔTt+a2tΔHt+bt中的系数a1t、a2t和bt,回归方程中各项均为长度为96的向量,其中,ΔPt为有功功率负荷曲线偏差成分,ΔTt为温度曲线偏差成分,a1t为ΔTt的系数,ΔHt为湿度曲线偏差成分,a2t为ΔHt的系数,bt为常数项系数;
(6)利用下式,计算上述步骤(5)得到的多元线性回归方程ΔPt=a1tΔTt+a2tΔHt+bt的显著性检验统计量F:
<mrow>
<mi>F</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>S</mi>
<mi>S</mi>
<mi>R</mi>
<mo>/</mo>
<mi>p</mi>
</mrow>
<mrow>
<mi>S</mi>
<mi>S</mi>
<mi>E</mi>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mi>p</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,SSR为回归平方和,其中ΔPi,t为上述步骤(4)得到的有功功率负荷曲线Pi,t的预测偏差成分,为有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t的平均值,SSE为残差平方和,其中为将上述步骤(4)得到的气象影响因素实际值与平滑值的偏差值(ΔTi,t,ΔHi,t)代入上述步骤(5)得到的多元线性回归方程ΔPt=a1tΔTt+a2tΔHt+bt得到的有功功率负荷曲线预测偏差成分的拟合值,p为上述步骤(5)的多元线性回归方程中的自变量个数,N为预测日之前设定的时段的天数;
设定一个显著性水平 是F分布的水平上侧分位数,若则判定步骤(5)得到的多元线性回归模型在的置信度内线性不显著,进行步骤(7),若则判定步骤(5)得到的多元线性回归模型在的置信度内是线性显著的,并进行步骤(9);
(7)采用支持向量机回归方法,对上述步骤(4)得到的有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t和气象影响因素实际值与平滑值的偏差值(ΔTi,t,ΔHi,t)进行多元非线性回归,得到多元非线性回归模型ΔPt=ft(ΔTt,ΔHt),其中,ΔPt为有功功率负荷曲线偏差成分,ΔTt为温度曲线偏差成分,ΔHt为湿度曲线偏差成分;
(8)将上述步骤(4)得到的待预测日的气象影响因素实际值与平滑值的偏差值ΔTf,t和ΔHf,t代入上述步骤(7)得到的多元非线性回归模型ΔPt=ft(ΔTt,ΔHt)中,得到待预测日有功功率负荷曲线偏差成分:进行步骤(10);
(9)将上述步骤(4)得到的待预测日的气象影响因素与平滑值的偏差ΔTf,t和ΔHf,t代入上述步骤(5)的负荷偏差值与气象影响因素偏差值的多元线性回归方程ΔPt=a1tΔTt+a2tΔHt+bt中,得到待预测日有功功率负荷曲线偏差成分:进行步骤(10);
(10)将上述步骤(2)得到的待预测日有功功率负荷曲线趋势成分与步骤(8)或步骤(9)得到的待预测日有功功率负荷曲线偏差成分相加,得到待预测日的有功功率负荷预测值:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710206481.5A CN107633316A (zh) | 2017-03-31 | 2017-03-31 | 自适应局部非线性回归偏差补偿的电网短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710206481.5A CN107633316A (zh) | 2017-03-31 | 2017-03-31 | 自适应局部非线性回归偏差补偿的电网短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107633316A true CN107633316A (zh) | 2018-01-26 |
Family
ID=61099252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710206481.5A Pending CN107633316A (zh) | 2017-03-31 | 2017-03-31 | 自适应局部非线性回归偏差补偿的电网短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107633316A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN108846517A (zh) * | 2018-06-12 | 2018-11-20 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
CN109325631A (zh) * | 2018-10-15 | 2019-02-12 | 华中科技大学 | 基于数据挖掘的电动汽车充电负荷预测方法和系统 |
CN109447372A (zh) * | 2018-11-13 | 2019-03-08 | 广东电网有限责任公司 | 一种错峰负荷预测方法及装置 |
CN112287281A (zh) * | 2020-10-14 | 2021-01-29 | 珠海格力电器股份有限公司 | 耗电量确定方法、装置及空调机组 |
-
2017
- 2017-03-31 CN CN201710206481.5A patent/CN107633316A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN108229754B (zh) * | 2018-01-31 | 2021-12-10 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN108846517A (zh) * | 2018-06-12 | 2018-11-20 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
CN108846517B (zh) * | 2018-06-12 | 2021-03-16 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
CN109325631A (zh) * | 2018-10-15 | 2019-02-12 | 华中科技大学 | 基于数据挖掘的电动汽车充电负荷预测方法和系统 |
CN109447372A (zh) * | 2018-11-13 | 2019-03-08 | 广东电网有限责任公司 | 一种错峰负荷预测方法及装置 |
CN112287281A (zh) * | 2020-10-14 | 2021-01-29 | 珠海格力电器股份有限公司 | 耗电量确定方法、装置及空调机组 |
CN112287281B (zh) * | 2020-10-14 | 2023-06-30 | 珠海格力电器股份有限公司 | 耗电量确定方法、装置及空调机组 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633316A (zh) | 自适应局部非线性回归偏差补偿的电网短期负荷预测方法 | |
CN109389238B (zh) | 一种基于岭回归的短期负荷预测方法及装置 | |
CN112365029B (zh) | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 | |
CN106600463B (zh) | 一种局部形相似超短期负荷预测方法及装置 | |
CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
CN104616079A (zh) | 基于气温变化的电网日用电量预测方法 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN106468467B (zh) | 一种应用于嵌入式控制系统的空调冷负荷实时预测算法 | |
CN111797365B (zh) | 一种换流变压器温度异常判断方法及系统 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
CN110533247B (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
CN104463445A (zh) | 一种基于经验日局部校正多点外推算法的负荷预测方法 | |
CN116073436A (zh) | 一种光伏新能源电力系统容量优化控制方法 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN112700050B (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN105488572A (zh) | 一种配电设备健康状态评价方法 | |
CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
CN116388150A (zh) | 基于数字孪生和神经网络技术的配变短期负荷预测方法 | |
CN117595231B (zh) | 一种智能电网配网管理系统及其方法 | |
CN106022542A (zh) | 一种基于工序负荷特性的企业关口负荷预测方法 | |
CN110555220B (zh) | 一种光电转换模型的率定方法及系统 | |
CN105976057A (zh) | 一种基于改进灰色理论的中长期负荷预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180126 |