CN108304976A - 一种电力系统精细化负荷预测和分析方法 - Google Patents
一种电力系统精细化负荷预测和分析方法 Download PDFInfo
- Publication number
- CN108304976A CN108304976A CN201810184838.9A CN201810184838A CN108304976A CN 108304976 A CN108304976 A CN 108304976A CN 201810184838 A CN201810184838 A CN 201810184838A CN 108304976 A CN108304976 A CN 108304976A
- Authority
- CN
- China
- Prior art keywords
- prediction
- load
- electric system
- load prediction
- 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
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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供一种电力系统精细化负荷预测和分析方法,由电网调度管理系统OMS向MySQL传送数据,建立java与MySQL的接口,运行时调用相对应的应用程序来实现对数据库相应的操作;可以同时完成地区电网多个负荷节点的负荷预测;采用支持向量机SVM算法,针对城区不同变电站分别建立负荷预测模型,实施负荷预测。本发明提出的算法具有良好的泛化能力,能够适用于电力系统不同节点各具特点的负荷特性,实现电力系统多节点负荷的快速预测。
Description
技术领域
本发明属于电力系统负荷预测领域,具体涉及一种电力系统精细化负荷预测和分析方法。
背景技术
负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数,在满足一定精度要求的条件下,确定未来某特定时刻的负荷数据,其中负荷是指电力需求量(功率)或用电量。随着电力生产和消费日益市场化,对负荷预测的准确性、实时性、可靠性和智能性提出了更高的要求,因此,负荷预测已经成为现代化电力系统运行和管理中的一个重要研究领域。
短期负荷预测技术总体分为传统和现代智能两类方法。传统的短期负荷预测方法有回归分析法,时间序列法和灰色预测法等。回归分析法对历史数据要求较高,采用线性方法描述比较复杂的问题,结构形式过于简单,精度较低;该模型无法详细描述各种影响负荷的因素,模型初始化难度较大,需要丰富的经验和较高的技巧。时间序列方法存在的不足是建模过程比较复杂,需要较高的理论知识;该模型对原始时间序列的平稳性要求较高,只适用于负荷变化比较均匀的短期预测;没有考虑影响负荷变化的因素,对不确定性因素(如天气、节假日等)考虑不足,当天气变化较大或遇到节假日时,该模型预测误差较大。灰色预测法要求负荷变化规律具有指数变化趋势,当数据离散程度越大,即数据灰度越大,预测精度越差。现代智能算法包括专家系统法,人工神经网络法和模糊预测法等。其中专家系统法开发的专家系统都是针对某具体系统的,不能直接应用于其他系统。人工神经网络法的神经网络的层数和神经元个数多依据主观经验确定,难以科学地确定网络结构,学习速度慢并且存在局部极小点。模糊预测法的精度难以满足要求,同时要求提供较多的历史数据,在实际应用中存在困难。因此,统筹考虑电力系统负荷预测中的样本数量的有限和算法的通用性、准确性、复杂性,使两者均符合国民生存的需要是亟待认真考虑的问题。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种电力系统精细化负荷预测和分析方法,能满足运行中各变电站负荷预测的需要。
本发明采用以下技术方案:
本发明提供的一种电力系统精细化负荷预测和分析方法,包括以下步骤:
S1、确定预测对象与预测日期,预测对象为变电站的总有功功率和无功功率,预测日期为某一天内的24小时;
S2、与电网调度管理系统OMS进行通信,收集所述预测对象的历史负荷数据,建立样本数据;
S3、所述电网调度管理系统OMS将步骤S2获得的所述样本数据导入数据库MySQL;
S4、采用支持向量机SVM算法对所述样本数据进行负荷预测;
S5、将步骤S4得到的所述负荷预测结果导入所述数据库MySQL;
S6、将步骤S5中数据库MySQL的所述负荷预测结果数据返回至所述电网调度管理系统OMS;
S7、根据所述变电站的相对预测误差率RER和绝对预测误差AE对预测结果进行修正,预测未来某天的负荷情况。
进一步的,所述步骤S2的样本数据还包括天气数据,所述天气数据包括温度、相对湿度、风速、降雨量和气压。
进一步的,所述步骤S4中支持向量机SVM算法具体包括以下步骤:
S41、对所述样本数据进行数据整理;
S42、对所述样本数据重新缩放进行归一化处理;
S43、分别选取核函数K(x,y)=(φ(x),φ(y))、不敏感损失函数ε>0和惩罚参数c>0,通过模型训练进行负荷预测。
进一步的,所述步骤S41中数据整理格式如下:
[label][index1]:[value1][index2]:[value2]...
其中,label是目标值,index是特征值编号,value是特征值。
进一步的,所述步骤S42中归一化处理后的数据如下所示:
其中,xi为归一化前的数据,xmax为样本数据的最小值,xmin为样本数据的最大值。
进一步的,所述步骤S43中,将每一个样本点用一个非线性函数φ映射到高维特征空间,再对所述高维特征空间进行线性回归,取得在原空间非线性回归的效果,构建函数f如下:
f(x,w)=wφ(x)+b=(w,φ(x))+b
其中,x为输入,w为权值矢量;b为偏差bias;w,φ(x)表示内积。
进一步的,当预测值与实际值之差的绝对值不大于ε时,忽略这部分不计;当差的绝对值大于ε时则令其大小为超出ε的部分,所述不敏感损失函数ε具体为:
其中,y为实际值,f(x)为预测值,ε为不敏感函数。
进一步的,对所述权值矢量w和偏差b进行训练,引入核函数K(x,y)=(φ(x),φ(y)),利用Wolfe对偶转化后得到回归函数如下所示:
其中,x为输入,αi,αi *为Lagrange乘子向量,k(x,xi)为核函数,b为偏差bias。
进一步的,所述步骤S7中,变电站的相对预测误差率RER具体为:
绝对预测误差AE具体为:
其中,Pt为时刻t的有功预测值,Pt0为时刻t的实际有功值,N为预测的时段数,t为24小时。与现有技术相比,本发明至少具有以下有益效果:
1)本发明提出的算法具有良好的泛化能力,能够适用于电力系统不同节点各具特点的负荷特性,实现电力系统多节点负荷的快速预测。
2)进一步的,基于统计学习理论中结构风险最小化原则和VC维理论,具有良好的泛化能力,即由有限的训练样本得到的小的误差能够保证使独立的测试集仍保持小的误差。
3)进一步的,支持向量机的求解问题对应的是一个凸优化问题,因此负荷预测得到的解将是全局最优点。
4)进一步的,支持向量机需要求解的是对偶问题,需求解的对偶问题的规模基本上与输入空间的维数无关,因此其算法复杂度与样本维数无关。
5)进一步的,本发明将电网调度管理系统OMS与系统连接,并且建立了java和MySQL数据库的接口,使负荷预测的完成更加简洁方便。
附图说明
图1为支持向量机SVM算法流程图;
图2为电力系统精细化负荷预测和分析系统流程图。
具体实施方式
参见图1,本发明提供一种电力系统精细化负荷预测和分析方法,涉及电网调度管理系统OMS与系统数据间的传送,java与MySQL数据库间的对接,以及运送支持向量机SVM算法进行预测。最终可以通过变电站的样本数据和所在地区的天气数据预测出未来某天的负荷情况。
S1)确定预测对象与预测日期,预测对象为变电站的总有功功率和无功功率,预测日期为某一天内的24小时。
S2)根据预测对象与预测日期,通过电网调度管理系统OMS组建所需的样本数据;
2.1)收集预测对象的历史负荷数据,以变电站为单位对负荷有功和无功功率进行预测,对原始数据进行处理,计算变电站中低压母线总有功和无功功率;
2.2)收集天气数据,通过数据挖掘,确定了天气数据中的主要影响因素,包括:温度、相对湿度、风速、降雨量和气压。
S3)电网调度管理系统OMS将收集到的历史负荷数据和天气数据导入数据库MySQL。
S4)通过java与MySQL的接口,调用相对应的应用程序,采用支持向量机SVM算法进行负荷预测。
采用支持向量机SVM算法,在有限样本数据的情况下,避免陷入局部最优解的情况,算法复杂度不随样本维数增加,并且可以实现电力系统多节点的负荷预测。如图2所示,具体包括以下步骤:
4.1)整理数据
首先要将收集到的数据整理成所规定的数据格式,检验和训练数据的格式如下:
[label][index1]:[value1][index2]:[value2]...
其中label是目标值,index是特征值编号,value是特征值。所采用的算法专门针对有限样本情况的,其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优解。
4.2)归一化
因为原始数据可能范围过大或过小,并且原始数据是不同类型的数据,包括气压、温度、降水量以及时间等。可以先将数据重新缩放到到适当范围,这样可以使训练与预测速度更快。在这里用到的数据是已经整理好的数据,即算法可以识别的数据。归一化公式如下:
其中xi,x* i分别表示数据归一化前后的值,xmin,xmax分别表示样本数据中的最小值和最大值。
4.3)模型训练和预测
将每一个样本点用一个非线性函数φ映射到高维特征空间,再对所述高维特征空间进行线性回归,取得在原空间非线性回归的效果,构建函数f如下:
f(x,w)=wφ(x)+b=(w,φ(x))+b
其中,x为输入,w为权值矢量;b为偏差bias;w,φ(x)表示内积。
当预测值与实际值之差的绝对值不大于ε时,忽略这部分不计;当差的绝对值大于ε时,则令其大小为超出ε的部分,所述不敏感损失函数ε具体为:
其中,y为实际值,f(x)为预测值,ε为不敏感函数。
对所述权值矢量w和偏差b进行训练,引入核函数K(x,y)=(φ(x),φ(y)),利用Wolfe对偶转化后得到回归函数如下所示:
其中,x为输入,αi,αi *为Lagrange乘子向量,k(x,xi)为核函数,b为偏差bias。
选取适当的核函数K(x,y)以及适当的精度ε>0和惩罚参数c>0求解规划问题:
得解
计算选取位于开区间(0,c)中的的分量或若选到的是则
若选到的是则
从而构造决策函数
其中,K(x,y)是核函数,ε是精度,C是惩罚参数,是解,b为偏差bias。
S5)通过java与MySQL的接口,将支持向量机SVM负荷预测得到的结果导入数据库MySQL。
S6)通过系统,将数据库MySQL的数据返回电网调度管理系统OMS。
S7)根据以往各变电站的相对预测误差率RER和绝对预测误差AE对预测结果进行修正。
其中,Pt表示t时刻的有功预测值,Pt0表示t时刻的实际有功值,N是预测的时段数,本项目中t取为24。
Claims (9)
1.一种电力系统精细化负荷预测和分析方法,其特征在于,包括以下步骤:
S1、确定预测对象与预测日期,预测对象为变电站的总有功功率和无功功率,预测日期为某一天内的24小时;
S2、与电网调度管理系统OMS进行通信,收集所述预测对象的历史负荷数据,建立样本数据;
S3、所述电网调度管理系统OMS将步骤S2获得的所述样本数据导入数据库MySQL;
S4、采用支持向量机SVM算法对所述样本数据进行负荷预测;
S5、将步骤S4得到的所述负荷预测结果导入所述数据库MySQL;
S6、将步骤S5中数据库MySQL的所述负荷预测结果数据返回至所述电网调度管理系统OMS;
S7、根据变电站的相对预测误差率RER和绝对预测误差AE对预测结果进行修正,预测未来某天的负荷情况。
2.根据权利要求1所述的一种电力系统精细化负荷预测和分析方法,其特征在于:步骤S2中,样本数据还包括天气数据,所述天气数据包括温度、相对湿度、风速、降雨量和气压。
3.根据权利要求1所述的一种电力系统精细化负荷预测和分析方法,其特征在于,步骤S4中,支持向量机SVM算法具体包括以下步骤:
S41、对所述样本数据进行数据整理;
S42、对所述样本数据重新缩放进行归一化处理;
S43、分别选取核函数K(x,y)=(φ(x),φ(y))、不敏感损失函数ε>0和惩罚参数c>0,通过模型训练进行负荷预测。
4.根据权利要求3所述的一种电力系统精细化负荷预测和分析方法,其特征在于,所述步骤S41中数据整理格式如下:
[label][index1]:[value1][index2]:[value2]...
其中,label是目标值,index是特征值编号,value是特征值。
5.根据权利要求3所述的一种电力系统精细化负荷预测和分析方法,其特征在于,所述步骤S42中归一化处理后的数据如下:
其中,xi为归一化前的数据,xmax为样本数据的最小值,xmin为样本数据的最大值。
6.根据权利要求3所述的一种电力系统精细化负荷预测和分析方法,其特征在于,所述步骤S43中,将每一个样本点用一个非线性函数φ映射到高维特征空间,再对所述高维特征空间进行线性回归,取得在原空间非线性回归的效果,构建函数f如下:
f(x,w)=wφ(x)+b=(w,φ(x))+b
其中,x为输入,w为权值矢量,b为偏差(bias),w,φ(x)表示内积。
7.根据权利要求6所述的一种电力系统精细化负荷预测和分析方法,其特征在于:当预测值与实际值之差的绝对值不大于ε时,忽略这部分不计;当差的绝对值大于ε时则令其大小为超出ε的部分,所述不敏感损失函数ε具体为:
其中,y为实际值,f(x)为预测值,ε为不敏感函数。
8.根据权利要求7所述的一种电力系统精细化负荷预测和分析方法,其特征在于:对所述权值矢量w和偏差b进行训练,引入核函数K(x,y)=(φ(x),φ(y)),利用Wolfe对偶转化后得到回归函数如下所示:
其中,x为输入,αi,为Lagrange乘子向量,k(x,xi)为核函数,b为偏差bias。
9.根据权利要求1所述的一种电力系统精细化负荷预测和分析方法,其特征在于:所述步骤S7中,变电站的相对预测误差率RER具体为:
绝对预测误差AE具体为:
其中,Pt为时刻t的有功预测值,Pt0为时刻t的实际有功值,N为预测的时段数,t为24小时。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810184838.9A CN108304976A (zh) | 2018-03-06 | 2018-03-06 | 一种电力系统精细化负荷预测和分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810184838.9A CN108304976A (zh) | 2018-03-06 | 2018-03-06 | 一种电力系统精细化负荷预测和分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108304976A true CN108304976A (zh) | 2018-07-20 |
Family
ID=62849244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810184838.9A Pending CN108304976A (zh) | 2018-03-06 | 2018-03-06 | 一种电力系统精细化负荷预测和分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304976A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334879A (zh) * | 2019-07-11 | 2019-10-15 | 华北电力大学 | 电网母线无功负荷预测方法及装置 |
CN111049139A (zh) * | 2019-12-31 | 2020-04-21 | 国网山西省电力公司电力科学研究院 | 无功功率预测方法、系统、设备及存储介质 |
CN111723529A (zh) * | 2020-07-27 | 2020-09-29 | 国网山东省电力公司经济技术研究院 | 基于全局灵敏度分析的负荷模型简化辨识方法 |
CN112327047A (zh) * | 2019-12-05 | 2021-02-05 | 国网辽宁省电力有限公司锦州供电公司 | 在变电站内实现功率同断面数据测量的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682219A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种支持向量机短期负荷预测方法 |
CN103345585A (zh) * | 2013-07-12 | 2013-10-09 | 清华大学 | 基于支持向量机的风功率预测校正方法及系统 |
CN103400203A (zh) * | 2013-07-19 | 2013-11-20 | 西安交通大学 | 一种基于支持向量机的电动汽车充电站负荷预测方法 |
CN107665385A (zh) * | 2017-10-30 | 2018-02-06 | 上海电气集团股份有限公司 | 一种微电网系统用的基于支持向量机的短期负荷预测方法 |
-
2018
- 2018-03-06 CN CN201810184838.9A patent/CN108304976A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682219A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种支持向量机短期负荷预测方法 |
CN103345585A (zh) * | 2013-07-12 | 2013-10-09 | 清华大学 | 基于支持向量机的风功率预测校正方法及系统 |
CN103400203A (zh) * | 2013-07-19 | 2013-11-20 | 西安交通大学 | 一种基于支持向量机的电动汽车充电站负荷预测方法 |
CN107665385A (zh) * | 2017-10-30 | 2018-02-06 | 上海电气集团股份有限公司 | 一种微电网系统用的基于支持向量机的短期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
万强 等: ""基于支持向量机的某地区电网短期电力负荷预测"", 《电网与清洁能源》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334879A (zh) * | 2019-07-11 | 2019-10-15 | 华北电力大学 | 电网母线无功负荷预测方法及装置 |
CN112327047A (zh) * | 2019-12-05 | 2021-02-05 | 国网辽宁省电力有限公司锦州供电公司 | 在变电站内实现功率同断面数据测量的方法 |
CN112327047B (zh) * | 2019-12-05 | 2022-11-15 | 国网辽宁省电力有限公司锦州供电公司 | 在变电站内实现功率同断面数据测量的方法 |
CN111049139A (zh) * | 2019-12-31 | 2020-04-21 | 国网山西省电力公司电力科学研究院 | 无功功率预测方法、系统、设备及存储介质 |
CN111723529A (zh) * | 2020-07-27 | 2020-09-29 | 国网山东省电力公司经济技术研究院 | 基于全局灵敏度分析的负荷模型简化辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xuan et al. | A multi-energy load prediction model based on deep multi-task learning and ensemble approach for regional integrated energy systems | |
CN108304976A (zh) | 一种电力系统精细化负荷预测和分析方法 | |
CN110619420B (zh) | 一种基于Attention-GRU的短期住宅负荷预测方法 | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
CN111880044A (zh) | 一种含分布式电源配电网在线故障定位方法 | |
CN110796307A (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN105160441A (zh) | 基于增量式超限向量回归机集成网络的实时电力负荷预测方法 | |
Yuan et al. | A multi-timescale smart grid energy management system based on adaptive dynamic programming and Multi-NN Fusion prediction method | |
CN115271161A (zh) | 一种多能负荷短期预测方法 | |
Huang et al. | Short-term load forecasting based on a hybrid neural network and phase space reconstruction | |
CN110033126A (zh) | 基于注意力机制与逻辑回归的长短期记忆网络预测方法 | |
CN113609762A (zh) | 一种基于gru-mtl的电冷热负荷联合预测方法及系统 | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
CN112821456B (zh) | 基于迁移学习的分布式源-储-荷匹配方法及装置 | |
Feng et al. | Peak operation optimization of cascade hydropower reservoirs and solar power plants considering output forecasting uncertainty | |
Zhu et al. | Short-term load forecasting model using fuzzy c means based radial basis function network | |
Wang | Application of deep learning model in building energy consumption prediction | |
Gong et al. | Application of CNN-LSTM based hybrid neural network in power load forecasting | |
Sala et al. | Smart multi-model approach based on adaptive Neuro-Fuzzy Inference Systems and Genetic Algorithms | |
Chang et al. | Research of power consumers behavior using fuzzy c-means algorithm | |
Wang | Short-term Power Load Forecasting Based on Machine Learning | |
Han et al. | Multi-terminal Software Implementation of Online Big Data Platform for High-Skilled Personnel Training in Hubei Province from the Perspective of Artificial Intelligence Industry Upgrading |
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: 20180720 |