CN107895211A - 一种基于大数据的中长期电力负荷预测方法和系统 - Google Patents
一种基于大数据的中长期电力负荷预测方法和系统 Download PDFInfo
- Publication number
- CN107895211A CN107895211A CN201711207459.9A CN201711207459A CN107895211A CN 107895211 A CN107895211 A CN 107895211A CN 201711207459 A CN201711207459 A CN 201711207459A CN 107895211 A CN107895211 A CN 107895211A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- model
- attribute
- historical
- 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
- 238000013277 forecasting method Methods 0.000 title abstract description 6
- 230000005611 electricity Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 6
- 240000002853 Nelumbo nucifera Species 0.000 claims description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 3
- 241001123248 Arma Species 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 abstract description 8
- 238000013480 data collection Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012314 multivariate regression analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000013179 statistical model 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的电力负荷中长期预测方法和系统。实现中长期负荷预测分为三个步骤,大数据采集,模型训练,和执行预测。电力负荷中长期预测是电力市场运营中非常重要的内容,无论是对市场的监管者用于电力系统长期规划,同时也对市场的参与者进行购电或售电合同拟定都有重大影响。
Description
技术领域
本发明涉及电力负荷预测技术领域,具体涉及一种基于大数据的中长期电力负荷预测方法和系统。
背景技术
电力负荷中长期预测是电力市场运营中非常重要的内容。无论是对市场的监管者用于电力系统长期规划,同时也对市场的参与者进行购电或售电合同拟定都有重大影响。本发明公开了一种电力负荷中长期预测方法。预测负荷大致分三步, 数据分析, 模型建立, 和预测计算。随着国民经济的发展和人民生活水平的提高,电力作为一种非常重要的能源,已经深入到社会的各个角落,人们对用电稳定性的要求也越来越高,电力负荷预测作为保证用电稳定的一个基本工具,得到了越来越多的关注。
由于电能不能大量存储, 当供需不平衡时, 会威胁到整个电网的稳定, 所以预测技术在电力工业中具有特别重要的地位, 这是电力工业, 以及电力工业先行的特点所决定的。这其中, 中长期负荷预测是电力系统规划和建设的基本依据, 同时也是电力企业在电力市场中运营, 与用电客户签供电协议, 重要参考来源, 进而也是目前深受关注的研究课题。
传统上对于电力负荷预测, 无论是短期, 中期, 或者是长期, 研究的重点都是放在了统计数学模型本身上, 例如:
时间序列法, 它是统计模型中最常用的方法之一,它的优点是计算简单,要求的历史数据少,但因为只是基于时间序列的模型,故预测精度低。由于电力负荷受到多种因素的影响, 所以此方法对于电力负荷的预测也存在着局限性。
回归分析法,它的主要优点在于它能够通过模型来解释各变量之间的关系,它对因果关系处理是十分有效的;它的特点是,一是需要收集较多的观测值,二是它的预测准确度与样本含量有关。
人工神经网络,它具有任意逼近非线性函数的特性,它的优点在于它具有模拟多变量而不需要对输入变量作复杂的相关假定,不要求知道输入输出变量间的函数关系,只用通过对输入输出数据的训练,获得输入输出之间的映射关系,而进行负荷预测,但由于黑盒描述,它有着不能辨析各输入与输出变量之间关系的缺点。
灰色系统理论是研究解决灰色系统分析、建模、预测、决策和控制的理论。在影响电网负荷的诸多因素中,一些因素确定,而另一些因素不确定,故可以把它看作是一个灰色系统,该方法简捷实用,预测精度高,并保证了样本量和计算工作量不随着时间的变化而增加,但模型的确定要经过多种检验才能判定其是否合理,比较繁杂。
目前对于电力系统的负荷预测,国内外进行了大量理论研究,但对于中长期负荷预测的研究,由于其时间跨度大,涉及区域广,受国民经济发展等多方面因素的影响较大,其预测难度也相应地较大,针对它所做的研究也相对不足。
发明内容
本发明提出了一种基于大数据的中长期负荷预测方法,其主要的应用在于,对市场参与者的购电或售电合同拟定提供技术支持与数据参考。整个过程包括了数据处理, 负荷建模模块, 负荷预测,参加图1所示:
整个中中长期预测过程开始于数据处理, 包括采集, 存储并处理历史负荷与负荷相关的多种数据, 这其中包括有时间内数据(季节, 星期, 节假日, 小时等),天气数据(气温,风速,湿度,日照等),以及相对应的历史负荷。根据预测要求,数据的时间单位可变化,如:15分钟,一个小时,一天等等。
第二个阶段是,预测模型训练。对于预测模型,该发明提出了一种结合类似日方法, 多变量回归分析法,以及时间序列法的综合性负荷预测数学模型, 从负荷在类似天气时段中的具体结果, 到分析影响因素与负荷之间的线性和非线性关系, 以及电力负荷在时间轴变化趋势, 三个角度对负荷以及影响因素做出了一个全面分析。
第三个阶段是,预测计算,这也是本发明的关键所在。由于中长期负荷预测其时间跨度大,多方面因素的影响多,其预测难度也相应地较大。本发明主要针对购售电的长期合同拟定,所以提出了一种典型天气预测计算,或者也可称为中位数天气预测计算。
附图说明
图1是本发明实施例中中长期负荷预测方法的示意图。
具体实施方式
步骤一、数据选取和整理:根据负荷周期性分析理论, 相似性分析理论以及影响负荷的因素相关性分析, 选取历史负荷数据, 历史气象数据, 建立月份属性二进制参数,月份小时属性二进制参数, 星期属性二进制参数, 星期小时属性二进制参数。这其中可以根据预测要求, 调整预测时间单位, 小时, 30分钟或15分钟等。也可以根据预测对象的负荷特点, 增加或者减少相应的数据属性参数。
步骤二、根据步骤一中选取的影响负荷的特征值属性进行数据样本预处理, 以及数据训练集,构造形式如:
其中,代表着不同的数据变量, 以及表示着时间单位, 通常以小时为单位, 选取过去十年的相关数据, 可以根据电力市场规则, 选取不同的时间范围为单位,如十五分钟,20分钟等。
步骤三、建立模型, 首先根据已知电力负荷历史数据建立时间序列自回归模型,AR模型。AR模型对于样本电力负荷序列表达式为:
其中, 表示历史负荷, t表示历史负荷时间单位,参数用来选取过去时段的负荷值,可以根据实际运行中,负荷更新频率来设置,为未知的模型参数。
其次,分析影响负荷的因素,根据已知电力负荷历史数据建立多变量非线性回归模型, MNLR模型。MNLR模型表达式为:
其中, 表示历史负荷, t表示历史负荷时间单位,表示影响负荷的因素, 包括历史气象数据,月份属性二进制参数, 月份小时属性二进制参数, 星期属性二进制参数,星期小时属性二进制参数等。为未知的模型参数。
综合, ARMA模型与MNLR模型,表达式为:
。
步骤四、预测模型训练,采用最小二乘法, 以及已知历史数据,对模型进行训练。通过最小化误差的平方进而寻找数据的最佳函数匹配。模型表达式为:
其中和为已知参数,和为需要求解的模型参数。
步骤五、预测计算。同第一步,首先选取的影响负荷的特征值属性进行典型天气选择;
其中上标表达月份, 表示着时间单位,year代表当前年月。我们选取过去十一年的天气数据,用气温为主要参考,选择每个月的中位数天气作为典型天气的代表。
再根据选取出来的典型天气,建立预测计算数据。其中t代表预测时长,year_tmy代表典型天气, 上标表达月份。
Claims (6)
1.步骤一、数据选取和整理:根据负荷周期性分析理论, 相似性分析理论以及影响负荷的因素相关性分析, 选取历史负荷数据, 历史气象数据, 建立月份属性二进制参数,月份小时属性二进制参数, 星期属性二进制参数, 星期小时属性二进制参数,
这其中可以根据预测要求, 调整预测时间单位, 小时, 30分钟或15分钟等,
也可以根据预测对象的负荷特点, 增加或者减少相应的数据属性参数。
2.步骤二、根据步骤一中选取的影响负荷的特征值属性进行数据样本预处理, 以及数据训练集,构造形式如:
其中,代表着不同的数据变量, 以及表示着时间单位, 通常以小时为单位, 选取过去十年的相关数据, 可以根据电力市场规则, 选取不同的时间范围为单位,如十五分钟,20分钟等。
3.步骤三、建立模型, 首先根据已知电力负荷历史数据建立时间序列自回归模型, AR模型,
AR模型对于样本电力负荷序列表达式为:
其中, 表示历史负荷, t表示历史负荷时间单位,参数用来选取过去时段的负荷值,可以根据实际运行中,负荷更新频率来设置,为未知的模型参数,
其次,分析影响负荷的因素,根据已知电力负荷历史数据建立多变量非线性回归模型,MNLR模型。
4.MNLR模型表达式为:
其中, 表示历史负荷, t表示历史负荷时间单位,表示影响负荷的因素, 包括历史气象数据,月份属性二进制参数, 月份小时属性二进制参数, 星期属性二进制参数, 星期小时属性二进制参数等,
为未知的模型参数,
综合, ARMA模型与MNLR模型,表达式为:
。
5.步骤四、预测模型训练,采用最小二乘法, 以及已知历史数据,对模型进行训练,
通过最小化误差的平方进而寻找数据的最佳函数匹配,
模型表达式为:
其中和为已知参数,和为需要求解的模型参数。
6.步骤五、预测计算,
同第一步,首先选取的影响负荷的特征值属性进行典型天气选择,
其中上标表达月份, 表示着时间单位,year代表当前年月,
我们选取过去十一年的天气数据,用气温为主要参考,选择每个月的中位数天气作为典型天气的代表
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711207459.9A CN107895211A (zh) | 2017-11-27 | 2017-11-27 | 一种基于大数据的中长期电力负荷预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711207459.9A CN107895211A (zh) | 2017-11-27 | 2017-11-27 | 一种基于大数据的中长期电力负荷预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107895211A true CN107895211A (zh) | 2018-04-10 |
Family
ID=61806821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711207459.9A Pending CN107895211A (zh) | 2017-11-27 | 2017-11-27 | 一种基于大数据的中长期电力负荷预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107895211A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826641A (zh) * | 2019-11-13 | 2020-02-21 | 上海积成能源科技有限公司 | 一种基于聚类分析归类居民用电情况的系统及方法 |
CN112734096A (zh) * | 2020-12-31 | 2021-04-30 | 国网山东省电力公司青岛供电公司 | 一种城市饱和负荷预测方法及系统 |
CN113947201A (zh) * | 2021-08-02 | 2022-01-18 | 国家电投集团电站运营技术(北京)有限公司 | 电力分解曲线预测模型的训练方法、装置以及存储介质 |
CN113191559B (zh) * | 2021-05-08 | 2024-04-19 | 苏州瑞城电力科技有限公司 | 一种基于自回归选择的改进神经网短期居民负荷预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172329A1 (en) * | 2012-12-17 | 2014-06-19 | Junshan Zhang | System and method for wind generation forecasting |
CN104318332A (zh) * | 2014-10-29 | 2015-01-28 | 国家电网公司 | 一种电力负荷预测方法和装置 |
CN104376367A (zh) * | 2014-05-28 | 2015-02-25 | 江南大学 | 基于气温和非线性自回归时序模型的短期负荷预测方法 |
CN105184388A (zh) * | 2015-08-05 | 2015-12-23 | 三峡大学 | 一种城市电力负荷短期预测的非线性回归方法 |
CN106127303A (zh) * | 2016-06-15 | 2016-11-16 | 国网山东省电力公司菏泽供电公司 | 一种面向多源数据的短期负荷预测方法 |
CN106600055A (zh) * | 2016-12-12 | 2017-04-26 | 华北电力大学(保定) | 一种基于自激励门限自回归模型的风速预测方法 |
CN106682763A (zh) * | 2016-11-25 | 2017-05-17 | 云南电网有限责任公司昆明供电局 | 一种用于大量样本数据的电力负荷优化预测方法 |
-
2017
- 2017-11-27 CN CN201711207459.9A patent/CN107895211A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172329A1 (en) * | 2012-12-17 | 2014-06-19 | Junshan Zhang | System and method for wind generation forecasting |
CN104376367A (zh) * | 2014-05-28 | 2015-02-25 | 江南大学 | 基于气温和非线性自回归时序模型的短期负荷预测方法 |
CN104318332A (zh) * | 2014-10-29 | 2015-01-28 | 国家电网公司 | 一种电力负荷预测方法和装置 |
CN105184388A (zh) * | 2015-08-05 | 2015-12-23 | 三峡大学 | 一种城市电力负荷短期预测的非线性回归方法 |
CN106127303A (zh) * | 2016-06-15 | 2016-11-16 | 国网山东省电力公司菏泽供电公司 | 一种面向多源数据的短期负荷预测方法 |
CN106682763A (zh) * | 2016-11-25 | 2017-05-17 | 云南电网有限责任公司昆明供电局 | 一种用于大量样本数据的电力负荷优化预测方法 |
CN106600055A (zh) * | 2016-12-12 | 2017-04-26 | 华北电力大学(保定) | 一种基于自激励门限自回归模型的风速预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826641A (zh) * | 2019-11-13 | 2020-02-21 | 上海积成能源科技有限公司 | 一种基于聚类分析归类居民用电情况的系统及方法 |
CN110826641B (zh) * | 2019-11-13 | 2023-07-07 | 上海积成能源科技有限公司 | 一种基于聚类分析归类居民用电情况的系统及方法 |
CN112734096A (zh) * | 2020-12-31 | 2021-04-30 | 国网山东省电力公司青岛供电公司 | 一种城市饱和负荷预测方法及系统 |
CN113191559B (zh) * | 2021-05-08 | 2024-04-19 | 苏州瑞城电力科技有限公司 | 一种基于自回归选择的改进神经网短期居民负荷预测方法 |
CN113947201A (zh) * | 2021-08-02 | 2022-01-18 | 国家电投集团电站运营技术(北京)有限公司 | 电力分解曲线预测模型的训练方法、装置以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation | |
Wang et al. | Research and application of a hybrid forecasting framework based on multi-objective optimization for electrical power system | |
Tran et al. | Nature-inspired metaheuristic ensemble model for forecasting energy consumption in residential buildings | |
Mansoor et al. | Comparison of echo state network and feed-forward neural networks in electrical load forecasting for demand response programs | |
Mamlook et al. | A fuzzy inference model for short-term load forecasting | |
Pi et al. | A grey prediction approach to forecasting energy demand in China | |
CN107895211A (zh) | 一种基于大数据的中长期电力负荷预测方法和系统 | |
Xuemei et al. | Building cooling load forecasting model based on LS-SVM | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN111178621A (zh) | 一种电采暖负荷预测支持向量回归机模型的参数优化方法 | |
Sheng et al. | Short-term load forecasting based on SARIMAX-LSTM | |
Sathishkumar et al. | An energy consumption prediction model for smart factory using data mining algorithms | |
CN114169669A (zh) | 发电行业碳排放量预测方法、平台、计算设备及介质 | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
Shabani et al. | Predicting building energy consumption using engineering and data driven approaches: A review | |
Lao et al. | The optimized multivariate grey prediction model based on dynamic background value and its application | |
Fang et al. | A novel application of artificial neural network for wind speed estimation | |
Amer et al. | Solar power prediction based on Artificial Neural Network guided by feature selection for Large-scale Solar Photovoltaic Plant | |
Potapov et al. | Short-Term Forecast of Electricity Load for LLC" Omsk Energy Retail Company" Using Neural Network | |
Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
Nguyen et al. | A machine learning-based approach for the prediction of electricity consumption | |
Shabani et al. | Hourly prediction of building energy consumption: an incremental ANN approach | |
Senchilo et al. | Improving the energy efficiency of electricity distribution in the mining industry using distributed generation by forecasting energy consumption using machine learning | |
Borges et al. | On the influence of surrounding load demand to improve primary substation STLF | |
Alomoush et al. | Residential Power Load Prediction in Smart Cities using Machine Learning Approaches |
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 |