CN107730097A - 一种母线负荷预测方法、装置及计算设备 - Google Patents
一种母线负荷预测方法、装置及计算设备 Download PDFInfo
- Publication number
- CN107730097A CN107730097A CN201710916232.5A CN201710916232A CN107730097A CN 107730097 A CN107730097 A CN 107730097A CN 201710916232 A CN201710916232 A CN 201710916232A CN 107730097 A CN107730097 A CN 107730097A
- Authority
- CN
- China
- Prior art keywords
- load
- day
- bus
- classed
- history
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 240000002853 Nelumbo nucifera Species 0.000 claims description 10
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 10
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/0637—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种母线负荷预测方法、装置及计算设备,该方法包括:获取待测母线在每一历史日的历史日母线负荷数据和母线负荷中各分类负荷的标幺化典型日分类负荷数据,以及待测母线所属区域在每一历史日的历史气象数据和在待预测日的预测气象数据;根据历史日母线负荷数据和标幺化典型日分类负荷数据,计算母线负荷中各分类负荷在每一历史日的历史日分类负荷数据;根据历史日分类负荷数据,以及历史气象数据和预测气象数据,对待测母线在待预测日的母线负荷进行预测。本发明充分考虑母线负荷中的不同分类负荷受气象因素影响的方式和程度的差异,全面细致地反映母线负荷中不同的分类负荷受气象影响的特性,有利于提升母线负荷预测的精度。
Description
技术领域
本发明涉及电力系统负荷预测技术领域,具体涉及一种母线负荷预测方法、装置及计算设备。
背景技术
精确的母线负荷预测是合理安排生产调度计划、实施节能发电调度的保障,母线负荷预测作为日前安全校核的前提,提高其预测精度是实现调度精细化管理的基础。
母线负荷预测方法主要分为两类,一类是基于母线负荷自身规律的预测方法,第二类是考虑相关因素的预测方法。由于母线的负荷基数远小于系统负荷,且受气象等相关因素影响较为强烈,考虑相关因素的预测方法是母线负荷预测的发展方向。
在母线负荷预测中考虑的相关因素主要为气象因素,目前考虑气象因素的母线负荷预测方法多以数值天气预报数据作为输入,通过建立母线负荷与气象因素的关系模型进行预测。然而构成母线负荷的各类成分受气象因素影响的方式和程度有所不同,如工业类负荷由于有生产计划因而受气象因素影响较小,而商业负荷、居民负荷有室温调节的需求,因而受气象因素影响较大,但影响的时段又有所不同。因此,母线整体负荷与气象因素的关系模型难以细致反映母线中不同的负荷成分受气象影响的特性,从而使其预测精度不高。
发明内容
本发明提供一种母线负荷预测方法和装置,以解决现有技术中母线整体负荷与气象因素的关系模型难以细致反映母线中不同的负荷成分受气象影响的特性,从而使其预测精度不高的问题。
第一方面,本发明实施例提供一种母线负荷预测方法,包括:
获取待测母线在每一历史日的历史日母线负荷数据和所述母线负荷中各分类负荷的标幺化典型日分类负荷数据,以及所述待测母线所属区域在每一历史日的历史气象数据和在待预测日的预测气象数据;
根据所述历史日母线负荷数据和所述标幺化典型日分类负荷数据,计算所述母线负荷中各分类负荷在每一历史日的历史日分类负荷数据;
根据所述历史日分类负荷数据,以及所述历史气象数据和所述预测气象数据,对所述待测母线在待预测日的母线负荷进行预测。
作为本发明第一方面的优选方式,所述获取所述母线负荷中各分类负荷的标幺化典型日分类负荷数据包括:
选取所述母线负荷中各分类负荷中的代表性分类用户,并获取所述代表性分类用户的典型日分类负荷曲线;
对所述典型日分类负荷曲线进行标幺化处理及聚类分析处理,得到所述母线负荷中各分类负荷的标幺化典型日分类负荷数据。
作为本发明第一方面的优选方式,所述根据所述历史日母线负荷数据和所述标幺化典型日分类负荷数据,计算所述母线负荷中各分类负荷在每一历史日的历史日分类负荷数据包括:
根据所述历史日母线负荷数据和所述标幺化典型日分类负荷数据建立模型,并通过驻点条件求解所述模型以获取所述母线负荷中各分类负荷在每一历史日的标幺化历史日分类负荷基值;
根据所述标幺化历史日分类负荷基值,得到所述母线负荷中各分类负荷在每一历史日的历史日分类负荷数据。
作为本发明第一方面的优选方式,所述根据所述历史日分类负荷数据,以及所述历史气象数据和所述预测气象数据,对所述待测母线在待预测日的母线负荷进行预测包括:
根据所述历史日分类负荷数据,以及所述历史气象数据和所述预测气象数据,通过支持向量机预测算法逐时刻获取所述母线负荷中各分类负荷在待预测日的预测日分类负荷数据;
将所述预测日分类负荷数据进行加和运算,得到所述待测母线在待预测日的母线负荷。
作为本发明第一方面的优选方式,所述母线负荷分为工业类负荷、商业类负荷、居民类负荷和其他类负荷。
第二方面,本发明实施例提供一种母线负荷预测装置,包括:
获取单元,用于获取待测母线在每一历史日的历史日母线负荷数据,和所述母线负荷中各分类负荷的标幺化典型日分类负荷数据,以及所述待测母线所属区域在每一历史日的历史气象数据和在待预测日的预测气象数据;
计算单元,用于根据所述历史日母线负荷数据和所述标幺化典型日分类负荷数据,计算所述母线负荷中各分类负荷在每一历史日的历史日分类负荷数据;
预测单元,用于根据所述历史日分类负荷数据,以及所述历史气象数据和所述预测气象数据,对所述待测母线在待预测日的母线负荷进行预测。
作为本发明第二方面的优选方式,所述计算单元具体用于:
根据所述历史日母线负荷数据和所述标幺化典型日分类负荷数据建立模型,并通过驻点条件求解所述模型以获取所述母线负荷中各分类负荷在每一历史日的标幺化历史日分类负荷基值;
根据所述标幺化历史日分类负荷基值,得到所述母线负荷中各分类负荷在每一历史日的历史日分类负荷数据。
作为本发明第二方面的优选方式,所述预测单元具体用于:
根据所述历史日分类负荷数据,以及所述历史气象数据和所述预测气象数据,通过支持向量机预测算法获取所述母线负荷中各分类负荷在待预测日的预测日分类负荷数据;
将所述预测日分类负荷数据进行加和运算,得到所述待测母线在待预测日的母线负荷。
第三方面,本发明实施例还提供一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明实施例第一方面任一项所述方法的步骤。
本发明提供的母线负荷预测方法、装置及计算设备,结合母线负荷的特点,充分考虑母线负荷中的不同分类负荷受气象因素影响的方式和程度的差异,对组成母线负荷的不同分类负荷分别进行计算后,再分别进行预测,可以全面细致地反映母线负荷中不同的分类负荷受气象影响的特性,有利于提升母线负荷预测的精度。
此外,在对各分类负荷进行计算时,利用整体的母线负荷与各分类负荷之间的加和关系,建立优化问题,并利用驻点条件求解此问题从而计算得到各分类负荷在历史日的负荷值,为后续的对各分类负荷做出预测时作为训练数据使用;在对各分类负荷进行预测时,同时考虑各分类负荷的时间序列特性和受气象影响特性,采用支持向量机算法,将历史负荷数据与历史气象数据作为训练特征,从而对各分类负荷做出预测。
这样可以细致地反映母线负荷中不同的分类负荷受气象影响的特性,从而提高了母线负荷预测的精度,具有重要的现实意义和良好的应用前景。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的母线负荷预测方法的流程图;
图2为图1所示实施例中步骤101的一种实现方式的流程图;
图3为图1所示实施例中步骤102的一种实现方式的流程图;
图4为图1所示实施例中步骤103的一种实现方式的流程图;
图5为本发明实施例提供的母线负荷预测装置的结构示意图;
图6为本发明实施例提供的用于实现母线负荷预测方法的计算设备的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
本发明实施例提供一种母线负荷预测方法,参照图1所示,该方法包括:
101、获取待测母线在每一历史日的历史日母线负荷数据和母线负荷中各分类负荷的标幺化典型日分类负荷数据,以及待测母线所属区域在每一历史日的历史气象数据和在待预测日的预测气象数据。
本发明实施例中,选取待预测日之前的一段时间为历史日,并获取待测母线在每一历史日的历史母线负荷数据。本领域中,通常会选取距离待预测日最近的一段时间为历史日,以提高预测的准确性。
其中,历史母线负荷数据为该待测母线在该历史日内对应不同时刻的母线负荷值,也即按时间顺序排列的母线负荷值序列。本领域中,通常将一天划分为一定的时段,划分的时段个数一般为24、48、96或者288,并在前后时段相接时采集该时刻的母线负荷值。
构成母线负荷的各分类负荷受气象因素的影响较为强烈,因此在母线负荷的预测中需考虑气象因素。因此,还要获取待测母线所属区域在每一历史日的历史气象数据和在待预测日的预测气象数据。本发明实施例中,待测母线所属区域的历史气象数据和预测气象数据均采用数值天气预报的气象数据,以提高预测的准确性。其中,历史气象数据和预测气象数据均包括当日的温度数据和湿度数据。
另外,构成母线负荷的不同分类负荷受气象因素影响的方式和程度存在较大差异,因此本发明实施例中按照行业的不同,将母线负荷分为工业类负荷、商业类负荷、居民类负荷和其他类负荷。
理论上,任一时刻的母线负荷值就是各分类负荷在该时刻的分类负荷值的叠加。这样,对这些不同分类负荷分别进行计算后再分别进行预测,可以全面细致地反映母线负荷中不同分类负荷受气象影响的特性,有利于提升母线负荷预测的精度。
在实际操作中,采集的是整体的母线负荷数据,本领域中并未将母线负荷按照行业的不同进行分类,因此,各分类负荷在每一历史日的历史日分类负荷数据需要计算得到,本步骤中只获取各分类负荷的标幺化典型日分类负荷数据,通过该标幺化典型日分类负荷数据即可进一步计算得到各分类负荷在每一历史日的历史日分类负荷数据。
在一种可能的方式中,参照图2所示,获取各分类负荷的标幺化典型日分类负荷数据可按照如下步骤进行:
1011、选取母线负荷中各分类负荷中的代表性分类用户,并获取代表性分类用户的典型日分类负荷曲线。
本发明实施例中,母线负荷中的各分类负荷中的代表性分类用户的选取以及典型日数量的选取根据实际情况确定,本发明实施例对母线负荷中的各分类负荷中的代表性分类用户的选取以及典型日数量的选取不做限定。
1012、对典型日分类负荷曲线进行标幺化处理及聚类分析处理,得到母线负荷中各分类负荷的标幺化典型日分类负荷数据。
获取到上述母线负荷中分类负荷的代表性分类用户,在每一典型日的典型日分类负荷曲线,然后做标幺化处理,再将这些曲线作为样本,通过聚类分析获取这些样本的聚类中心,作为母线负荷中各分类负荷的标幺化典型日分类负荷数据。其中,该标幺化典型日分类负荷数据中的数据为标幺值,标幺值是相对单位制的一种,是电力系统分析中常用的数值标记方法,相对于某一基值而言的。本步骤中将获取到的典型日分类负荷数据进行标幺化处理,是为了方便后续的计算。
102、根据历史日母线负荷数据和标幺化典型日分类负荷数据,计算母线负荷中各分类负荷在每一历史日的历史日分类负荷数据。
通过建立模型,利用上述步骤中获取到的待测母线在每一历史日的历史日母线负荷数据,以及母线负荷中各分类负荷的标幺化典型日分类负荷数据,求解各分类负荷所占母线负荷的比例的矩阵方程,最终得到各分类负荷在每一历史日的历史日分类负荷数据。
在一种可能的方式中,参照图3所示,计算母线负荷中各分类负荷在每一历史日的历史日分类负荷数据可按照如下步骤进行:
1021、根据历史日母线负荷数据和标幺化典型日分类负荷数据建立模型,并通过驻点条件求解模型以获取母线负荷中各分类负荷在每一历史日的标幺化历史日分类负荷基值;
1022、根据标幺化历史日分类负荷基值,得到母线负荷中各分类负荷在每一历史日的历史日分类负荷数据。
在一种可能的实现方式中,具体过程如下:
符号体系说明:
k:母线负荷中各分类负荷类别,k=1、2、3、4,分别代表工业类负荷、商业类负荷、居民类负荷和其他类负荷(i=0时表示母线负荷);
N:所有历史日的天数;
T:时段下标,每天划分的时段数,T=24/48/96/288;
Po.i:表示第i个历史日的历史日母线负荷数据;
P0;i(t):表示第i个历史日中第t个时刻的母线负荷值;
Pk *:表示第k类分类负荷的标幺化典型日分类负荷数据;
表示第k类分类负荷在第t个时刻的标幺化分类负荷值。
(1)已知条件:
第i个历史日的历史日母线负荷数据:
P0;i=[P0;i(1),P0;i(2),...,P0;i(T)],(i=1,2,...,N);
各分类负荷的标幺化典型日分类负荷数据:
Pk *=[Pk *(1),Pk *(2),...,Pk *(T)],(k=1,2,3,4);
(2)求解数据:
所有历史日中各分类负荷的标幺化历史日分类负荷基值:(k=1、2、3、4;i=1、2、...、N);
(3)数学分析:
由上述条件可得,母线负荷中各分类负荷在每一历史日的历史日分类负荷数据等于其标幺化历史日分类负荷值乘以标幺化历史日分类负荷基值,见以下关系式:
(4)模型求解:
设:
以第i个历史日中各分类负荷的标幺化历史日分类负荷基值作为自变量,以该历史日的历史日母线负荷数据与各个历史日分类负荷数据加和值之差的模值最小为目标:目标函数为求其最小值时对应的基值,式(2)有解析求解的方法,可用驻点条件求解该问题:
式(2)中f对求偏导数为0的解,则式(3)可转化为:
对式(4)进行整理,将带有的项移到等式左边,其余项移到等式右边,可得:
将式(5)化为矩阵形式:
求解线性方程组(6)即可得到各分类负荷在第i个历史日中的标幺化历史日分类负荷基值,再利用式(1)得到各分类负荷在第i个历史日中每时刻的负荷值;依次对N个历史日进行计算可得各分类负荷在所有历史日的历史日分类负荷数据。
103、根据历史日分类负荷数据,以及待测母线所属区域的历史气象数据和预测气象数据,对待测母线在待预测日的母线负荷进行预测。
在一种可能的方式中,参照图4所示,根据历史日分类负荷数据以及待测母线所属区域的历史气象数据和预测气象数据,对待测母线在待预测日的母线负荷进行预测可按照如下步骤进行:
1031、根据历史日分类负荷数据,以及历史气象数据和预测气象数据,通过支持向量机预测算法逐时刻获取母线负荷中各分类负荷在待预测日的预测日分类负荷数据。
本发明实施例中优选采用支持向量机预测算法进行预测,采用该算法是由于其速度快、需调用的参数少,并且鲁棒性好。该算法做预测的步骤是先根据历史日分类负荷数据和历史气象数据进行模型训练,训练出一个模型,再把待预测日的预测气象数据输入到该模型中,得到预测结果。
根据上述步骤计算出来的各分类负荷在每一历史日的历史日分类负荷数据,结合相对应的每一历史日的历史气象数据,通过支持向量机预测算法预测各分类负荷在待预测日内不同时刻的分类负荷值,这些分类负荷值形成预测日分类负荷数据,也即按时间顺序排列的分类负荷值序列。
进一步地,本发明实施例中支持向量机预测算法的输入变量为:
1)当前时段的温度;
2)当前时段的湿度;
3)前1小时的温度;
4)前1小时的湿度;
5)前2小时的温度;
6)前2小时的湿度。
1032、将预测日分类负荷数据进行加和运算,得到待测母线在待预测日的母线负荷。
根据上述步骤得到的各分类负荷在待预测日的预测日分类负荷数据Pk(t)(k=1、2、3、4),将这些数据进行加和运算,可得到待测母线在待预测日的母线负荷,即
显然,本发明实施例提出的母线负荷预测方法所提出的母线负荷分类进行预测的思路,可根据需要灵活选择和定制,可扩展性强。
本发明实施例还提供一种母线负荷预测装置,参照图5所示,该装置包括:
获取单元51,用于获取待测母线在每一历史日的历史日母线负荷数据,和母线负荷中各分类负荷的标幺化典型日分类负荷数据,以及待测母线所属区域在每一历史日的历史气象数据和在待预测日的预测气象数据;
计算单元52,用于根据历史日母线负荷数据和标幺化典型日分类负荷数据,计算母线负荷中各分类负荷在每一历史日的历史日分类负荷数据;
预测单元53,用于根据历史日分类负荷数据,以及历史气象数据和预测气象数据,对所述待测母线在待预测日的母线负荷进行预测。
进一步地,计算单元52具体用于:
根据历史日母线负荷数据和标幺化典型日分类负荷数据建立模型,并通过驻点条件求解模型以获取母线负荷中各分类负荷在每一历史日的标幺化历史日分类负荷基值;
根据标幺化历史日分类负荷基值,得到母线负荷中各分类负荷在每一历史日的历史日分类负荷数据。
进一步地,预测单元53具体用于:
根据历史日分类负荷数据,以及历史气象数据和预测气象数据,通过支持向量机预测算法获取母线负荷中各分类负荷在待预测日的预测日分类负荷数据;
将预测日分类负荷数据进行加和运算,得到待测母线在待预测日的母线负荷。
需要说明的是,装置部分的发明构思与方法实施例中的相同,其具体实施方式和有益效果在此不再赘述。
本发明实施例还提供一种计算设备,参照图6所示,在一些可能的实施方式中,该计算设备可以包括至少一个存储器61以及至少一个处理器62。该处理器62可以是一个中央处理器,或者是特定集成电路,或者是完成实施本申请的一个或者多个集成电路。其中,所述存储器61存储有计算机程序,当所述计算机程序被所述处理器62执行时,使得所述处理器62执行本说明书上述方法部分中描述的根据本发明各实施例中的母线负荷预测方法中的各种步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种母线负荷预测方法,其特征在于,包括:
获取待测母线在每一历史日的历史日母线负荷数据和所述母线负荷中各分类负荷的标幺化典型日分类负荷数据,以及所述待测母线所属区域在每一历史日的历史气象数据和在待预测日的预测气象数据;
根据所述历史日母线负荷数据和所述标幺化典型日分类负荷数据,计算所述母线负荷中各分类负荷在每一历史日的历史日分类负荷数据;
根据所述历史日分类负荷数据,以及所述历史气象数据和所述预测气象数据,对所述待测母线在待预测日的母线负荷进行预测。
2.根据权利要求1所述的方法,其特征在于,所述获取所述母线负荷中各分类负荷的标幺化典型日分类负荷数据包括:
选取所述母线负荷中各分类负荷中的代表性分类用户,并获取所述代表性分类用户的典型日分类负荷曲线;
对所述典型日分类负荷曲线进行标幺化处理及聚类分析处理,得到所述母线负荷中各分类负荷的标幺化典型日分类负荷数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述历史日母线负荷数据和所述标幺化典型日分类负荷数据,计算所述母线负荷中各分类负荷在每一历史日的历史日分类负荷数据包括:
根据所述历史日母线负荷数据和所述标幺化典型日分类负荷数据建立模型,并通过驻点条件求解所述模型以获取所述母线负荷中各分类负荷在每一历史日的标幺化历史日分类负荷基值;
根据所述标幺化历史日分类负荷基值,得到所述母线负荷中各分类负荷在每一历史日的历史日分类负荷数据。
4.根据权利要求1所述的方法,其特征在于,所述根据所述历史日分类负荷数据,以及所述历史气象数据和所述预测气象数据,对所述待测母线在待预测日的母线负荷进行预测包括:
根据所述历史日分类负荷数据,以及所述历史气象数据和所述预测气象数据,通过支持向量机预测算法逐时刻获取所述母线负荷中各分类负荷在待预测日的预测日分类负荷数据;
将所述预测日分类负荷数据进行加和运算,得到所述待测母线在待预测日的母线负荷。
5.根据权利要求1至4中任一项所述的方法,所述母线负荷分为工业类负荷、商业类负荷、居民类负荷和其他类负荷。
6.一种母线负荷预测装置,其特征在于,包括:
获取单元,用于获取待测母线在每一历史日的历史日母线负荷数据,和所述母线负荷中各分类负荷的标幺化典型日分类负荷数据,以及所述待测母线所属区域在每一历史日的历史气象数据和在待预测日的预测气象数据;
计算单元,用于根据所述历史日母线负荷数据和所述标幺化典型日分类负荷数据,计算所述母线负荷中各分类负荷在每一历史日的历史日分类负荷数据;
预测单元,用于根据所述历史日分类负荷数据,以及所述历史气象数据和所述预测气象数据,对所述待测母线在待预测日的母线负荷进行预测。
7.根据权利要求6所述的装置,其特征在于,所述计算单元具体用于:
根据所述历史日母线负荷数据和所述标幺化典型日分类负荷数据建立模型,并通过驻点条件求解所述模型以获取所述母线负荷中各分类负荷在每一历史日的标幺化历史日分类负荷基值;
根据所述标幺化历史日分类负荷基值,得到所述母线负荷中各分类负荷在每一历史日的历史日分类负荷数据。
8.根据权利要求6所述的装置,其特征在于,所述预测单元具体用于:
根据所述历史日分类负荷数据,以及所述历史气象数据和所述预测气象数据,通过支持向量机预测算法获取所述母线负荷中各分类负荷在待预测日的预测日分类负荷数据;
将所述预测日分类负荷数据进行加和运算,得到所述待测母线在待预测日的母线负荷。
9.一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710916232.5A CN107730097B (zh) | 2017-09-29 | 2017-09-29 | 一种母线负荷预测方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710916232.5A CN107730097B (zh) | 2017-09-29 | 2017-09-29 | 一种母线负荷预测方法、装置及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107730097A true CN107730097A (zh) | 2018-02-23 |
CN107730097B CN107730097B (zh) | 2021-07-02 |
Family
ID=61209496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710916232.5A Active CN107730097B (zh) | 2017-09-29 | 2017-09-29 | 一种母线负荷预测方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730097B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978236A (zh) * | 2019-03-04 | 2019-07-05 | 三峡大学 | 一种基于特征组合的小水电短期功率精细化预测方法 |
CN110518578A (zh) * | 2019-08-08 | 2019-11-29 | 中国南方电网有限责任公司 | 一种母线负荷预测的方法、装置、终端设备及存储介质 |
CN110689162A (zh) * | 2019-08-12 | 2020-01-14 | 国电南瑞科技股份有限公司 | 一种基于用户侧分类的母线负荷预测方法、装置及系统 |
CN110689242A (zh) * | 2019-09-12 | 2020-01-14 | 广东电网有限责任公司电力调度控制中心 | 一种母线负荷成分测算方法、装置及设备 |
CN110738380B (zh) * | 2018-07-18 | 2023-11-07 | 浙江盾安节能科技有限公司 | 热负荷控制方法、装置及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447432A (zh) * | 2016-09-13 | 2017-02-22 | 中国农业大学 | 电力零售市场环境下零售商的售电方法 |
-
2017
- 2017-09-29 CN CN201710916232.5A patent/CN107730097B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447432A (zh) * | 2016-09-13 | 2017-02-22 | 中国农业大学 | 电力零售市场环境下零售商的售电方法 |
Non-Patent Citations (2)
Title |
---|
孙谦: ""母线负荷预测技术及负荷特性对电网影响的研究"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
韩东: ""基于日负荷曲线的综合负荷模型参数在线修正方法及应用"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738380B (zh) * | 2018-07-18 | 2023-11-07 | 浙江盾安节能科技有限公司 | 热负荷控制方法、装置及系统 |
CN109978236A (zh) * | 2019-03-04 | 2019-07-05 | 三峡大学 | 一种基于特征组合的小水电短期功率精细化预测方法 |
CN109978236B (zh) * | 2019-03-04 | 2022-07-15 | 三峡大学 | 一种基于特征组合的小水电短期功率精细化预测方法 |
CN110518578A (zh) * | 2019-08-08 | 2019-11-29 | 中国南方电网有限责任公司 | 一种母线负荷预测的方法、装置、终端设备及存储介质 |
CN110689162A (zh) * | 2019-08-12 | 2020-01-14 | 国电南瑞科技股份有限公司 | 一种基于用户侧分类的母线负荷预测方法、装置及系统 |
CN110689162B (zh) * | 2019-08-12 | 2022-09-30 | 国电南瑞科技股份有限公司 | 一种基于用户侧分类的母线负荷预测方法、装置及系统 |
CN110689242A (zh) * | 2019-09-12 | 2020-01-14 | 广东电网有限责任公司电力调度控制中心 | 一种母线负荷成分测算方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107730097B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730097A (zh) | 一种母线负荷预测方法、装置及计算设备 | |
CN104866692B (zh) | 一种基于自适应代理模型的飞行器多目标优化方法 | |
CN105184424B (zh) | 实现多源异构数据融合的多核函数学习SVM的Mapreduce化短期负荷预测方法 | |
CN106909933B (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
CN103295075B (zh) | 一种超短期电力负荷预测与预警方法 | |
CN107818344A (zh) | 用户行为进行分类和预测的方法和系统 | |
CN103854068A (zh) | 一种居民小区短期负荷预测方法 | |
CN110175690A (zh) | 一种景区客流量预测的方法、装置、服务器和存储介质 | |
CN104504619B (zh) | 两种考虑温度和经济增长因素的月度统调用电量预测方法 | |
CN107451266A (zh) | 用于处理数据方法及其设备 | |
KR20100048738A (ko) | 원격계측 전력 부하패턴의 분류 및 예측 방법 | |
Sun et al. | Charging load forecasting of electric vehicle charging station based on support vector regression | |
CN108197764A (zh) | 预测电力企业综合能耗的方法及其设备 | |
CN107833153A (zh) | 一种基于k‑means聚类的电网负荷缺失数据补全方法 | |
CN106773610A (zh) | 一种铯原子钟和氢钟频差预估方法 | |
CN103226736A (zh) | 基于聚类分析与灰靶理论的中长期电力负荷预测方法 | |
CN113256022A (zh) | 一种台区用电负荷预测方法及系统 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
Islam et al. | Short‐Term Electrical Load Demand Forecasting Based on LSTM and RNN Deep Neural Networks | |
CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
CN109389517B (zh) | 一种量化线路损耗影响因素的分析方法及装置 | |
Zhang et al. | DS-DSE: Domain-specific design space exploration for streaming applications | |
CN114444751A (zh) | 物资需求预测方法、装置、计算机设备以及存储介质 | |
Lei et al. | Forecasting short-term residential electricity consumption using a deep fusion model | |
Yu et al. | Buffer allocation in a flow shop with capacitated batch transports |
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 |