CN108053055A - 基于支持向量机的大型城市中长期电力负荷组合预测方法 - Google Patents
基于支持向量机的大型城市中长期电力负荷组合预测方法 Download PDFInfo
- Publication number
- CN108053055A CN108053055A CN201711189088.6A CN201711189088A CN108053055A CN 108053055 A CN108053055 A CN 108053055A CN 201711189088 A CN201711189088 A CN 201711189088A CN 108053055 A CN108053055 A CN 108053055A
- Authority
- CN
- China
- Prior art keywords
- load
- large size
- size city
- support vector
- vector machines
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 36
- 238000013277 forecasting method Methods 0.000 claims abstract description 24
- 238000005192 partition Methods 0.000 claims abstract description 14
- 238000013213 extrapolation Methods 0.000 claims abstract description 12
- 238000011161 development Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 8
- 102000000584 Calmodulin Human genes 0.000 claims description 6
- 108010041952 Calmodulin Proteins 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 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
- 230000006870 function Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 8
- 238000010276 construction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于支持向量机的大型城市中长期电力负荷组合预测方法,其技术特点在于:包括以下步骤:步骤1、以大型城市中长期负荷的分区特征值和分区面积作为输入,提出基于负荷密度法的大型城市中长期负荷预测方法;步骤2、以历史年负荷数据作为输入,提出基于趋势外推法的大型城市中长期负荷预测方法;步骤3、以专家经验和年负荷历史数据作为输入,提出基于专家经验的年均增长率法的大型城市中长期负荷预测方法;步骤4:基于步骤1、步骤2和步骤3的负荷预测结果,应用支持向量机法进行拟合,提出基于支持向量机的大型城市中长期负荷组合预测方法。本发明通过对三种负荷预测方法进行二次拟合,获得了大型城市电网中长期的负荷预测值。
Description
技术领域
本发明属于负荷预测技术领域,涉及中长期电力负荷预测方法,尤其是一种基于支持向量机的大型城市中长期电力负荷组合预测方法。
背景技术
电力市场中长期需求预测是电网规划、投资建设的重要依据,随着我国新电改政策的推行,分布式电源、微电网、电动汽车等新兴负荷将喷井式发展,用户的用电用能习惯随着经济发展也发生较大的改变,以往电力市场中长期预测以经济、社会发展因素和历史用电量数据等为主要考虑因素进行预测的方法,已不能适应当前的形式发展,也难以达到准确的预测,因此,非常有必要深入分析新电改条件下,影响中长期电力市场需求预测的关键因素,构建一种具有更强的抗干扰能力和政策适应能力的中长期电力市场需求预测模型,从而实现对电网中长期的用电量和负荷的精确预测。
在电网需求预测方法方面,国际国内的学者进行了一些研究。一些学者将计量经济学和系统动力学结合起来构成组合预测模型,综合了发展因素,但是对计量经济本身的误差没有考虑;也有学者提出了一种变权灰色预测模型,操作简单且精确度较高,但是变权方法相对比较落后,有待改进。
而且,现有研究的城市中长期负荷预测方法,主要以启发式算法、智能算法等单一方法为主,较少涉及大型城市电网中长期负荷多种预测方法的混合预测方法。
发明内容
本发明的目的在于提供一种设计合理、区域划分精细且客观可靠的基于支持向量机的大型城市中长期电力负荷组合预测方法。
本发明解决其现实问题是采取以下技术方案实现的:
一种基于支持向量机的大型城市中长期电力负荷组合预测方法,包括以下步骤:
步骤1、以大型城市中长期负荷的分区特征值和分区面积作为输入,提出基于负荷密度法的大型城市中长期负荷预测方法;
步骤2、以历史年负荷数据作为输入,提出基于趋势外推法的大型城市中长期负荷预测方法;
步骤3、以专家经验和年负荷历史数据作为输入,提出基于专家经验的年均增长率法的大型城市中长期负荷预测方法;
步骤4:基于步骤1、步骤2和步骤3的负荷预测结果,应用支持向量机法进行拟合,提出基于支持向量机的大型城市中长期负荷组合预测方法;
而且,所述步骤1基于负荷密度法的大型城市中长期负荷预测方法,包括以下步骤:
(1)依据城市的行政分区,对大型城市进行区域或功能分区,分析城市电网的负荷特征,依据《城市电力网规划设计导则》的计算原则,计算现状的分区负荷密度W1;
(2)根据地区发展规划和各分区负荷发展的特点,依据《城市电力网规划设计导则》的计算原则和步骤(1)中计算得出的现状的分区负荷密度W1推算出各分区各目标年的负荷密度预测值W2。
(3)针对分区中的少数集中用电的大用户,在预测时单独进行点负荷单独计算,对负荷密度预测值进行修正,得到点负荷的预测值为W3。
W3=(1+θ)W2
其中,θ是负荷密度的修正值,θ的取值范围为[0,0.5]。
而且,所述步骤2的基于趋势外推法的大型城市中长期负荷预测方法为:以历史年负荷数据,按照下式的变化趋势对原负荷数据序列作计算外推和曲线拟合外推,从而求得预测负荷的预测值
y=a+bx+cx2
其中,y是负荷预测值,x是历史年最大负荷数据,a,b,c是常数。
而且,所述步骤3的基于专家经验的年均增长率法大型城市中长期负荷预测方法包括:
(1)通过与电力行业相关专家进行讨论,依据专家的经验,结合区域内历史负荷增长情况,确定负荷的基本数M1;
(2)结合区域内目前经济发展情况和气候变化因素,预测负荷的增长程度,对以上的负荷基本数进行修正,获得预测负荷值为M2;
M2=(1+α)M1
其中:α是负荷密度的修正值,α的取值范围为[0,0.5]。
而且,所述步骤4基于支持向量机的大型城市中长期负荷组合预测方法的具体方法为:
(1)将步骤1、步骤2和步骤3计算得出的三种负荷预测结果作为输入数据,形成训练样本进行机器学习,得到如下所示的三种负荷预测结果的线性模型;
式中:ω是权向量;b是偏置常数;是特征空间的内积;是三种负荷预测的结果值。
(2)以预测数据的实际值作为样本训练的目标值,在将数据缩放到[-1,1]之间后输入支持向量机中进行训练,得到如下所示的含有不同权重的预测模型的新组合预测模型:
其中,为基于支持向量机的大型城市中长期电力负荷预测结果值;fit为各模型的预测结果;wt表示的是各模型的隐含权重,由专家给定权重值。
本发明的优点和有益效果:
1、本发明提出了一种基于支持向量机的大型城市中长期电力负荷组合预测方法,通过支持向量机将趋势外推法、负荷密度法和基于专家经验的年均增长率预测法等预测方法进行二次拟合,获得了大型城市电网中长期的负荷预测值,为电网的规划建设、投资计划提供有力的理论依据。
2、本发明提出一种基于支持向量机的大型城市中长期电力负荷组合预测方法,鉴于负荷密度法区域划分难精细、趋势外推法的历史数据依赖性过高和基于专家经验的年均增长率法的专家主观性过强等缺点,通过支持向量机的二次拟合,有效规避了以上三种预测方法的缺点。
附图说明
图1为本发明处理流程图。
具体实施方式
以下结合附图对本发明实施例作进一步详述:
一种基于支持向量机的大型城市中长期电力负荷组合预测方法,如图1所示,包括以下步骤:
步骤1、以大型城市中长期负荷的分区特征值和分区面积作为输入,提出基于负荷密度法的大型城市中长期负荷预测方法;
所述步骤1基于负荷密度法的大型城市中长期负荷预测方法,包括以下步骤:
(1)依据城市的行政分区,对大型城市进行区域或功能分区,分析城市电网的负荷特征,依据《城市电力网规划设计导则》的计算原则,计算现状的分区负荷密度W1;
在本实施例中,所述现状的分区负荷密度W1是通过查询《城市电力网规划设计导则》的对应表格获得。
(2)根据地区发展规划和各分区负荷发展的特点,依据《城市电力网规划设计导则》的计算原则和步骤(1)中计算得出的现状的分区负荷密度W1推算出各分区各目标年的负荷密度预测值W2;
(3)针对分区中的少数集中用电的大用户,在预测时单独进行点负荷单独计算,对负荷密度预测值进行修正,得到点负荷的预测值为W3。
W3=(1+θ)W2
其中,θ是负荷密度的修正值,θ的取值范围为[0,0.5]。
步骤2、以历史年负荷数据作为输入,提出基于趋势外推法的大型城市中长期负荷预测方法;
所述步骤2的基于趋势外推法的大型城市中长期负荷预测方法为:以历史年负荷数据,按照下式的变化趋势对原负荷数据序列作计算外推和曲线拟合外推,从而求得预测负荷的预测值
y=a+bx+cx2
其中,y是负荷预测值,x是历史年最大负荷数据,a,b,c是常数。
步骤3、以专家经验和年负荷历史数据作为输入,提出基于专家经验的年均增长率法的大型城市中长期负荷预测方法;
所述步骤3的基于专家经验的年均增长率法大型城市中长期负荷预测方法包括:
(1)通过与电力行业相关专家进行讨论,依据专家的经验,结合区域内历史负荷增长情况,确定负荷的基本数M1;
(2)结合区域内目前经济发展情况和气候变化因素,预测负荷的增长程度,对以上的负荷基本数进行修正,获得预测负荷值为M2;
M2=(1+α)M1
其中:α是负荷密度的修正值,α的取值范围为[0,0.5]。
步骤4:基于步骤1、步骤2和步骤3的负荷预测结果,应用支持向量机法进行拟合,提出基于支持向量机的大型城市中长期负荷组合预测方法;
所述步骤4基于支持向量机的大型城市中长期负荷组合预测方法的具体方法为:
(1)将步骤1、步骤2和步骤3计算得出的三种负荷预测结果作为输入数据,形成训练样本进行机器学习,得到如下所示的三种负荷预测结果的线性模型;
式中:ω是权向量;b是偏置常数;是特征空间的内积;是三种负荷预测的结果值。
(2)以预测数据的实际值作为样本训练的目标值,在将数据缩放到[-1,1]之间后输入支持向量机中进行训练,得到如下所示的含有不同权重的预测模型的新组合预测模型:
其中,为基于支持向量机的大型城市中长期电力负荷预测结果值;fit为各模型的预测结果;wt表示的是各模型的隐含权重,由专家给定权重值。
下面以天津滨海新区进行中长期年最大负荷预测为例,对本发明的一种基于支持向量机的大型城市中长期电力负荷组合预测方法进行实施应用,以验证本发明方法的可行性和有益效果。
(1)基础数据
邀请电网企业、高校、政府、大型企业的4位资深电力行业专家,进行预测的经验分享;滨海新区近五年的历史最大负荷值如表1所示。
表1滨海新区的2013~2017年年发电历史数据
(2)三种不同负荷预测方法的结果
表2三种不同方法的大型城市中长期电力负荷预测值
(3)基于支持向量机的大型城市中长期电力负荷预测结果
表3基于支持向量机的大型城市中长期电力负荷预测值
从表1和表3不难发现:
(1)滨海新区的电力最大负荷值,逐年在增加。三种负荷预测方法和支持向量机的组合预测方法均可以不难发现。
(2)支持向量机的预测方法,合理融合了三种预测方法的优点,数据的增幅相对比较平缓,更加适合滨海地区的实际情况。滨海新区作为国家级开发区,未来负荷的增长空间较大,这也与滨海新区经济将高速发展基本吻合。
需要强调的是,本发明所述实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (5)
1.一种基于支持向量机的大型城市中长期电力负荷组合预测方法,其特征在于:包括以下步骤:
步骤1、以大型城市中长期负荷的分区特征值和分区面积作为输入,提出基于负荷密度法的大型城市中长期负荷预测方法;
步骤2、以历史年负荷数据作为输入,提出基于趋势外推法的大型城市中长期负荷预测方法;
步骤3、以专家经验和年负荷历史数据作为输入,提出基于专家经验的年均增长率法的大型城市中长期负荷预测方法;
步骤4:基于步骤1、步骤2和步骤3的负荷预测结果,应用支持向量机法进行拟合,提出基于支持向量机的大型城市中长期负荷组合预测方法。
2.根据权利要求1所述的一种基于支持向量机的大型城市中长期电力负荷组合预测方法,其特征在于:所述步骤1基于负荷密度法的大型城市中长期负荷预测方法,包括以下步骤:
(1)依据城市的行政分区,对大型城市进行区域或功能分区,分析城市电网的负荷特征,依据《城市电力网规划设计导则》的计算原则,计算现状的分区负荷密度W1;
(2)根据地区发展规划和各分区负荷发展的特点,依据《城市电力网规划设计导则》的计算原则和步骤(1)中计算得出的现状分区负荷密度W1推算出各分区各目标年的负荷密度预测值W2;
(3)针对分区中的少数集中用电的大用户,在预测时单独进行点负荷单独计算,对负荷密度预测值进行修正,得到点负荷的预测值为W3;
W3=(1+θ)W2
其中,θ是负荷密度的修正值,θ的取值范围为[0,0.5]。
3.根据权利要求1或2所述的一种基于支持向量机的大型城市中长期电力负荷组合预测方法,其特征在于:所述步骤2的基于趋势外推法的大型城市中长期负荷预测方法为:以历史年负荷数据,按照下式的变化趋势对原负荷数据序列作计算外推和曲线拟合外推,从而求得预测负荷的预测值
y=a+bx+cx2
其中,y是负荷预测值,x是历史年最大负荷数据,a,b,c是常数。
4.根据权利要求1或2所述的一种基于支持向量机的大型城市中长期电力负荷组合预测方法,其特征在于:所述步骤3的基于专家经验的年均增长率法大型城市中长期负荷预测方法包括:
(1)通过与电力行业相关专家进行讨论,依据专家的经验,结合区域内历史负荷增长情况,确定负荷的基本数M1;
(2)结合区域内目前经济发展情况和气候变化因素,预测负荷的增长程度,对以上的负荷基本数进行修正,获得预测负荷值为M2;
M2=(1+α)M1
其中:α是负荷密度的修正值,α的取值范围为[0,0.5]。
5.根据权利要求1或2所述的一种基于支持向量机的大型城市中长期电力负荷组合预测方法,其特征在于:所述步骤4基于支持向量机的大型城市中长期负荷组合预测方法的具体方法为:
(1)将步骤1、步骤2和步骤3计算得出的三种负荷预测结果作为输入数据,形成训练样本进行机器学习,得到如下所示的三种负荷预测结果的线性模型
式中:ω是权向量;b是偏置常数;是特征空间的内积;是三种负荷预测的结果值;
(2)以预测数据的实际值作为样本训练的目标值,在将数据缩放到[-1,1]之间后输入支持向量机中进行训练,得到如下所示的含有不同权重的预测模型的新组合预测模型:
<mrow>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,为基于支持向量机的大型城市中长期电力负荷预测结果值;fit为各模型的预测结果;wt表示的是各模型的隐含权重,由专家给定权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711189088.6A CN108053055A (zh) | 2017-11-24 | 2017-11-24 | 基于支持向量机的大型城市中长期电力负荷组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711189088.6A CN108053055A (zh) | 2017-11-24 | 2017-11-24 | 基于支持向量机的大型城市中长期电力负荷组合预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108053055A true CN108053055A (zh) | 2018-05-18 |
Family
ID=62119183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711189088.6A Pending CN108053055A (zh) | 2017-11-24 | 2017-11-24 | 基于支持向量机的大型城市中长期电力负荷组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053055A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447332A (zh) * | 2018-10-18 | 2019-03-08 | 国网天津市电力公司电力科学研究院 | 一种适用于s型负荷曲线的中长期电力负荷组合预测方法 |
CN110119837A (zh) * | 2019-04-15 | 2019-08-13 | 天津大学 | 一种基于城市用地性质及开发时间的空间负荷预测方法 |
-
2017
- 2017-11-24 CN CN201711189088.6A patent/CN108053055A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447332A (zh) * | 2018-10-18 | 2019-03-08 | 国网天津市电力公司电力科学研究院 | 一种适用于s型负荷曲线的中长期电力负荷组合预测方法 |
CN110119837A (zh) * | 2019-04-15 | 2019-08-13 | 天津大学 | 一种基于城市用地性质及开发时间的空间负荷预测方法 |
CN110119837B (zh) * | 2019-04-15 | 2023-01-03 | 天津大学 | 一种基于城市用地性质及开发时间的空间负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | The consequences of industrial restructuring, regional balanced development, and market-oriented reform for China's carbon dioxide emissions: A multi-tier meta-frontier DEA-based decomposition analysis | |
Hong et al. | Energy use embodied in China׳ s construction industry: a multi-regional input–output analysis | |
CN109214593B (zh) | 一种主动配电网供电能力多目标评价方法 | |
CN110909912B (zh) | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 | |
Xu et al. | A hybrid procedure for MSW generation forecasting at multiple time scales in Xiamen City, China | |
Zhou et al. | Parameter optimization of nonlinear grey Bernoulli model using particle swarm optimization | |
CN101825622A (zh) | 一种水质预测方法和装置 | |
CN103985000B (zh) | 基于函数型非参数回归的中长期典型日负荷曲线预测方法 | |
CN104376371B (zh) | 一种基于拓扑的配网分层负荷预测方法 | |
CN103593720A (zh) | 基于灰色层次分析法建立的城市电网规划综合评价体系 | |
CN107704962A (zh) | 一种基于不完整时间序列数据集的冶金企业蒸汽流量区间预测方法 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
CN105160437A (zh) | 基于极限学习机的负荷模型预测方法 | |
Zeng et al. | Forecasting the total energy consumption in China using a new-structure grey system model | |
CN108053055A (zh) | 基于支持向量机的大型城市中长期电力负荷组合预测方法 | |
CN111191812A (zh) | 一种光伏出力预测方法及系统 | |
CN108805331A (zh) | 一种用电量预测方法 | |
Fan | Research on deep learning energy consumption prediction based on generating confrontation network | |
Shen et al. | The spatial network and its driving factors for sustainable total-factor ecology efficiency: the case of China | |
CN112348352B (zh) | 基于大数据分析的电力预算建议方案自动生成方法 | |
Pan et al. | Provincial grid investment scale forecasting based on MLR and RBF neural network | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
Liu et al. | Research on the decomposition model for China’s National Renewable Energy total target | |
CN107909477A (zh) | 一种输电网规划项目投资组合优化方法 | |
Yu-zhao et al. | Price forecasting algorithm for coal and electricity based on PSO and RBF neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180518 |