CN107909213A - 一种基于需求侧群组的新能源负荷预测方法及系统 - Google Patents

一种基于需求侧群组的新能源负荷预测方法及系统 Download PDF

Info

Publication number
CN107909213A
CN107909213A CN201711203144.7A CN201711203144A CN107909213A CN 107909213 A CN107909213 A CN 107909213A CN 201711203144 A CN201711203144 A CN 201711203144A CN 107909213 A CN107909213 A CN 107909213A
Authority
CN
China
Prior art keywords
load
transformer
prediction
day
data
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
Application number
CN201711203144.7A
Other languages
English (en)
Inventor
张琦
胡牧
孟庆强
孙立华
郑浩泉
刘铭
白恺
宋鹏
杨伟新
卞晓东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Jibei Electric Power Co Ltd
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
NARI Group Corp
Nari Information and Communication Technology Co
Original Assignee
State Grid Corp of China SGCC
State Grid Jibei Electric Power Co Ltd
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
NARI Group Corp
Nari Information and Communication Technology Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Jibei Electric Power Co Ltd, Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd, NARI Group Corp, Nari Information and Communication Technology Co filed Critical State Grid Corp of China SGCC
Priority to CN201711203144.7A priority Critical patent/CN107909213A/zh
Publication of CN107909213A publication Critical patent/CN107909213A/zh
Pending legal-status Critical Current

Links

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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于需求侧群组的新能源负荷预测方法，包括获取变压器历史负荷运行数据；根据历史负荷运行数据构建负荷特征向量进行聚类分析，将用电特性相似的变压器划分到同一个群组；获取历史外部数据；将同一群组对应时刻点的负荷运行数据与外部数据整合，构建训练集特征向量，相同群组的训练集特征向量组成一训练集；选择合适的训练模型，为每个群组训练预测模型；对某一变压器预测时，获取预测日的外部数据，根据预测日的外部数据构建预测特征向量，将预测特征向量输入该变压器所属群组的预测模型，预测出变压器负荷值。同时公开该对应的测试系统。本发明有效地降低了模型数量，提高了生产系统效率。

Description

一种基于需求侧群组的新能源负荷预测方法及系统
技术领域
本发明涉及一种基于需求侧群组的新能源负荷预测方法及系统，属于信息技术领域。
背景技术
负荷预测是制定电网运行方式、计算线路输送能力进而做好调度计划安全校核及鉴别电网安全状况的重要依据。同时,作为后续制定考虑安全约束发电调度计划的基础,负荷预测对于实现整个电网调度的安全性、节能性、经济性具有重要意义。同时新能源发电负荷具有季节性和无序性，因此针对新能源的负荷预测也具有非常重要意义。
目前，变压器负荷预测方法，多是基于变压器本身的历史运行数据以及一些外部数据(气象数据、节假日信息等)来构建预测的特征向量，进行模型训练。此类方法带来的问题就是随着电网规模变大，预测模型的数量越来越大，数据量会越来越多，从而给模型训练带来巨大的困难，而且还可以弥补个别新增变压器因样本数据不足，造成训练模型欠拟合的问题。而且目前尚没有通过需求侧分析，针对新能源发电负荷进行预测的方法。
发明内容
为了解决上述技术问题，本发明提供了一种基于需求侧群组的新能源负荷预测方法及系统。
为了达到上述目的，本发明所采用的技术方案是：
一种基于需求侧群组的新能源负荷预测方法，包括，
获取变压器历史负荷运行数据；
根据历史负荷运行数据构建负荷特征向量进行聚类分析，将用电特性相似的变压器划分到同一个群组；
获取历史外部数据；
将同一群组对应时刻点的负荷运行数据与外部数据整合，构建训练集特征向量，相同群组的训练集特征向量组成一训练集；
选择合适的训练模型，为每个群组训练预测模型；
对某一变压器预测时，获取预测日的外部数据，根据预测日的外部数据构建预测特征向量，将预测特征向量输入该变压器所属群组的预测模型，预测出变压器负荷值。
历史负荷运行数据按天进行划分，一天中有N个负荷采集值，则一天负荷特征向量P＝[P1 … Pi … PN]，其中，Pi为第i个负荷采集值，1≤i≤N。
对负荷特征向量进行归一化，然后使用归一化的负荷特征向量进行聚类分析。
归一化公式为，
其中，P′为归一化后的负荷特征向量，P为一天负荷特征向量，Pi为第i个负荷采集值，1≤i≤N，N为一天中负荷采集值个数，min(P)、max(P)分别表示P中的负荷最大值和负荷最小值。
将预测特征向量输入预测模型，预测出的为变压器归一化负荷值，取预测日前一天的负荷最大值和最小值，通过归一化公式还原真实负荷值。
一台变压器一天形成N个m维训练集特征向量，N由采集频率决定，为一天中负荷采集值个数，m由外部数据种类决定。
外部数据包括温度信息、湿度新型、降雨信息、节假日信息、星期信息和月份信息。
一种基于需求侧群组的新能源负荷预测系统，包括数据获取模块、聚类分组模块、训练集构建模块、预测模型训练模块和预测模块；
数据获取模块：获取变压器历史负荷运行数据；获取历史外部数据；获取预测日的外部数据；
聚类分组模块：根据历史负荷运行数据构建负荷特征向量进行聚类分析，将用电特性相似的变压器划分到同一个群组；
训练集构建模块：将同一群组对应时刻点的负荷运行数据与外部数据整合，构建训练集特征向量，相同群组的训练集特征向量组成一训练集；
预测模型训练模块：选择合适的训练模型，为每个群组训练预测模型；
预测模块：根据预测日的外部数据构建预测特征向量，将预测特征向量输入该变压器所属群组的预测模型，预测出变压器负荷值。
本发明所达到的有益效果：本发明通过变压器的历史负荷运行数据进行聚类分析，将用电负荷特性相似的变压器划分到同一个群组，相同群组的训练集训练同一预测模型，同一群组变压器的负荷预测使用同一预测模型，这是一个从特例到一般再到特例的过程，有效地降低了模型数量，提高了生产系统效率。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种基于需求侧群组的新能源负荷预测方法，包括以下步骤：
步骤1，获取变压器历史负荷运行数据，即获取一定时间范围内(最近一两年)各个台区变压器的每天的运行数据。
步骤2，根据历史负荷运行数据构建负荷特征向量，对负荷特征向量进行归一化，然后使用归一化的负荷特征向量进行聚类分析(K-means聚类、AP聚类、CHAMELEON聚类、GMM聚类算法等)，将用电特性相似的变压器划分到同一个群组。
历史负荷运行数据按天进行划分，通常每15分钟采样一次，一天中有96个负荷采集值，则一天负荷特征向量P＝[P1 … Pi … P96]，其中，Pi为第i个负荷采集值，1≤i≤96。
归一化公式为：
其中，P′为归一化后的负荷特征向量，min(P)、max(P)分别表示P中的负荷最大值和负荷最小值。
步骤3，获取历史外部数据；外部数据包括温度信息、湿度新型、降雨信息、节假日信息、星期信息和月份信息。
步骤4，将同一群组对应时刻点的负荷运行数据与外部数据整合，构建训练集特征向量，相同群组的训练集特征向量组成一训练集。
一台变压器一天形成96个m维训练集特征向量，m由外部数据种类决定，即m＝6。
步骤5，选择合适的训练模型(岭回归模型、lasso回归模型、随机森林回归模型，BP神经网络模型等)，将训练集输入训练模型，为每个群组训练预测模型。
步骤6，对某一变压器预测时，获取预测日的外部数据，根据预测日的外部数据构建预测特征向量，将预测特征向量输入该变压器所属群组的预测模型，预测出变压器归一化负荷值，取预测日前一天的负荷最大值和最小值，通过归一化公式还原真实负荷值。
基于上述方法的系统，包括数据获取模块、聚类分组模块、训练集构建模块、预测模型训练模块和预测模块。
各模块功能如下：
数据获取模块：获取变压器历史负荷运行数据；获取历史外部数据；获取预测日的外部数据；
聚类分组模块：根据历史负荷运行数据构建负荷特征向量进行聚类分析，将用电特性相似的变压器划分到同一个群组；
训练集构建模块：将同一群组对应时刻点的负荷运行数据与外部数据整合，构建训练集特征向量，相同群组的训练集特征向量组成一训练集；
预测模型训练模块：选择合适的训练模型，为每个群组训练预测模型；
预测模块：根据预测日的外部数据构建预测特征向量，将预测特征向量输入该变压器所属群组的预测模型，预测出变压器负荷值。
本发明通过变压器的历史负荷运行数据进行聚类分析，将用电负荷特性相似的变压器划分到同一个群组，相同群组的训练集训练同一预测模型，同一群组变压器的负荷预测使用同一预测模型，这是一个从特例到一般再到特例的过程，有效地降低了模型数量，提高了生产系统效率。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种基于需求侧群组的新能源负荷预测方法，其特征在于：包括，
获取变压器历史负荷运行数据；
根据历史负荷运行数据构建负荷特征向量进行聚类分析，将用电特性相似的变压器划分到同一个群组；
获取历史外部数据；
将同一群组对应时刻点的负荷运行数据与外部数据整合，构建训练集特征向量，相同群组的训练集特征向量组成一训练集；
选择合适的训练模型，为每个群组训练预测模型；
对某一变压器预测时，获取预测日的外部数据，根据预测日的外部数据构建预测特征向量，将预测特征向量输入该变压器所属群组的预测模型，预测出变压器负荷值。
2.根据权利要求1所述的一种基于需求侧群组的新能源负荷预测方法，其特征在于：历史负荷运行数据按天进行划分，一天中有N个负荷采集值，则一天负荷特征向量P＝[P1 …Pi … PN]，其中，Pi为第i个负荷采集值，1≤i≤N。
3.根据权利要求1所述的一种基于需求侧群组的新能源负荷预测方法，其特征在于：对负荷特征向量进行归一化，然后使用归一化的负荷特征向量进行聚类分析。
4.根据权利要求3所述的一种基于需求侧群组的新能源负荷预测方法，其特征在于：归一化公式为，
<mrow> <msup> <mi>P</mi> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <mfrac> <mrow> <msub> <mi>P</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>P</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <mi>P</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>min</mi> <mrow> <mo>(</mo> <mi>P</mi> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>
其中，P′为归一化后的负荷特征向量，P为一天负荷特征向量，Pi为第i个负荷采集值，1≤i≤N，N为一天中负荷采集值个数，min(P)、max(P)分别表示P中的负荷最大值和负荷最小值。
5.根据权利要求4所述的一种基于需求侧群组的新能源负荷预测方法，其特征在于：将预测特征向量输入预测模型，预测出的为变压器归一化负荷值，取预测日前一天的负荷最大值和最小值，通过归一化公式还原真实负荷值。
6.根据权利要求1所述的一种基于需求侧群组的新能源负荷预测方法，其特征在于：一台变压器一天形成N个m维训练集特征向量，N由采集频率决定，为一天中负荷采集值个数，m由外部数据种类决定。
7.根据权利要求1或6所述的一种基于需求侧群组的新能源负荷预测方法，其特征在于：外部数据包括温度信息、湿度新型、降雨信息、节假日信息、星期信息和月份信息。
8.一种基于需求侧群组的新能源负荷预测系统，其特征在于：包括数据获取模块、聚类分组模块、训练集构建模块、预测模型训练模块和预测模块；
数据获取模块：获取变压器历史负荷运行数据；获取历史外部数据；获取预测日的外部数据；
聚类分组模块：根据历史负荷运行数据构建负荷特征向量进行聚类分析，将用电特性相似的变压器划分到同一个群组；
训练集构建模块：将同一群组对应时刻点的负荷运行数据与外部数据整合，构建训练集特征向量，相同群组的训练集特征向量组成一训练集；
预测模型训练模块：选择合适的训练模型，为每个群组训练预测模型；
预测模块：根据预测日的外部数据构建预测特征向量，将预测特征向量输入该变压器所属群组的预测模型，预测出变压器负荷值。
CN201711203144.7A 2017-11-27 2017-11-27 一种基于需求侧群组的新能源负荷预测方法及系统 Pending CN107909213A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711203144.7A CN107909213A (zh) 2017-11-27 2017-11-27 一种基于需求侧群组的新能源负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711203144.7A CN107909213A (zh) 2017-11-27 2017-11-27 一种基于需求侧群组的新能源负荷预测方法及系统

Publications (1)

Publication Number Publication Date
CN107909213A true CN107909213A (zh) 2018-04-13

Family

ID=61848847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711203144.7A Pending CN107909213A (zh) 2017-11-27 2017-11-27 一种基于需求侧群组的新能源负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN107909213A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886465A (zh) * 2019-01-20 2019-06-14 东北电力大学 一种基于智能电表用户聚类分析的配电网负荷预测方法
WO2020232716A1 (zh) * 2019-05-23 2020-11-26 西门子股份公司 变压器的健康状态评估方法、装置及存储介质
CN112001035A (zh) * 2020-09-21 2020-11-27 南京航空航天大学 基于特征工程与岭回归机翼结构变形重构方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886465A (zh) * 2019-01-20 2019-06-14 东北电力大学 一种基于智能电表用户聚类分析的配电网负荷预测方法
CN109886465B (zh) * 2019-01-20 2022-03-18 东北电力大学 一种基于智能电表用户聚类分析的配电网负荷预测方法
WO2020232716A1 (zh) * 2019-05-23 2020-11-26 西门子股份公司 变压器的健康状态评估方法、装置及存储介质
CN112001035A (zh) * 2020-09-21 2020-11-27 南京航空航天大学 基于特征工程与岭回归机翼结构变形重构方法
CN112001035B (zh) * 2020-09-21 2024-02-23 南京航空航天大学 基于特征工程与岭回归机翼结构变形重构方法

Similar Documents

Publication Publication Date Title
CN105069525B (zh) 全天候96点日负荷曲线预测及优化修正系统
Dong et al. A short-term power load forecasting method based on k-means and SVM
CN107909213A (zh) 一种基于需求侧群组的新能源负荷预测方法及系统
CN115796393B (zh) 基于多能互动的能源网管理优化方法、系统及存储介质
Song et al. An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings
Ye et al. Short-term power load forecasting based on SVM
CN109685567A (zh) 一种基于卷积神经网络和模糊聚类的用电客户画像新方法
CN115065078A (zh) 微网环境下储能容量配置方法及系统
CN109066819A (zh) 一种基于案件推理的配电网的无功优化方法
CN111177278A (zh) 一种网格用户短期负荷预测实时处理工具
CN107966600A (zh) 一种基于深度学习算法的防窃电系统及其防窃电方法
Wang et al. Improved prediction method of PV output power based on optimised chaotic phase space reconstruction
CN115205068A (zh) 计及净负荷需求分布式的储能最优峰谷时段划分方法
CN107134790B (zh) 一种基于大数据的配电网无功优化控制序列确定方法
CN106410847A (zh) 一种分布式光伏的区域调控互动终端和方法
CN110852628A (zh) 考虑发展模式影响的农村中长期负荷预测方法
CN106340874A (zh) 电力负荷分解的辨识决策方法和系统
Zhang et al. Research on scheduling strategy of heterogeneous flexible load clusters with strong association consider dual-scale similarities
CN110349050A (zh) 一种基于电网参数关键特征抽取的智能窃电判据方法及装置
CN110210677A (zh) 一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置
CN114004393B (zh) 配电网-天然气联合系统双层多时间尺度运行优化方法
Zhang et al. Medium—And Long-Term Load Forecasting Method for Group Objects Based on the Image Representation Learning
CN104463683A (zh) 一种含多源电网中长期负荷预测装置及方法
Dou et al. An overview of short-term load forecasting based on characteristic enterprises
Zhu et al. Resilience-Oriented Extreme Weather Conditional Renewable Scenario Generation Based on Diffusion Models and Few-shot Learning

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: 20180413