CN108446795B - 电力系统负荷波动分析方法、装置及可读存储介质 - Google Patents
电力系统负荷波动分析方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN108446795B CN108446795B CN201810164750.0A CN201810164750A CN108446795B CN 108446795 B CN108446795 B CN 108446795B CN 201810164750 A CN201810164750 A CN 201810164750A CN 108446795 B CN108446795 B CN 108446795B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- power system
- historical
- day
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000001556 precipitation Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000000491 multivariate analysis Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 101150073877 egg-1 gene Proteins 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
本发明公开了一种电力系统负荷波动分析方法、装置及可读存储介质,其中,公开的所述方法,首先通过根据电力系统的历史负荷数据及多个相关因素的历史数据来建立所述电力系统的负荷预测模型;接着通过控制变量法,依次确定多个相关因素在两个选定日期中的相应数据,并输入到所述负荷预测模型中,以得到电力系统的与每个相关因素对应的预测负荷数据;然后根据每个预测负荷数据相对于得到的实际负荷数据的差值,得到与每个相关因素对应的负荷预测变化量;最后对得到的全部所述负荷预测变化量进行负荷波动分析,以得到每个相关因素对所述电力系统的负荷波动的影响量。本发明能够对电力系统的负荷波动的原因进行准确分析。
Description
技术领域
本发明涉及电力系统负荷分析技术领域,尤其涉及一种电力系统负荷波动分析方法、装置及可读存储介质。
背景技术
精确的电力系统负荷预测是电力系统合理安排电能发、输、配、用的重要前提,电力系统的负荷预测技术被直接用于安排电力调度计划和进行电网安全校核等场景,预测的精准度直接影响电力系统的安全性和经济性。因此提高电力系统的负荷预测精度,是实现电力系统经济调度精细化管理的基础。
全面掌握电力系统的负荷变化规律可以提高电力系统的负荷预测精度,而通过对电力系统的在两个不同日期内的负荷波动的原因进行分析(即通过将某一个日期的电力系统负荷与另一个日期的电力系统负荷进行比较,以分析出两者的负荷波动情况及原因),有助于了解电力系统的负荷变化规律。其中,电力系统在两个日期之间的负荷波动受多种相关因素的综合影响,例如,电力系统的负荷会受工作日和周末等日历因素的影响,还会受气象变化的影响,此外节假日、社会活动等人为外部因素也会对负荷的短期变化造成影响。
目前,在对电力系统的两个特定日期互相之间的负荷波动进行分析时,往往只会考虑一种相关因素对电力系统的负荷波动造成的影响,这样难以对电力系统的负荷波动的原因进行准确分析,从而难以全面掌握电力系统的负荷变化规律。
发明内容
本发明实施例提供了一种电力系统负荷波动分析方法、装置及可读存储介质,能有效解决现有技术中难以对电力系统的负荷波动的原因进行准确分析的问题。
本发明一实施例提供一种一种电力系统负荷波动分析方法,包括以下步骤:
获取电力系统的历史负荷数据及多个相关因素的历史数据;
对所述历史负荷数据及所述多个相关因素的历史数据进行数据训练及多元分析,以建立所述电力系统的负荷预测模型;
获取所述多个相关因素在待分析日的待分析数据及在与待分析日对应的历史日的历史数据;
通过控制变量法,依次确定所述多个相关因素中数据发生改变的相关因素的待分析数据及其余相关因素的在该历史日的历史数据,并输入到所述负荷预测模型中,以得到所述电力系统的与每个相关因素对应的预测负荷数据;
在获取到所述电力系统在该历史日的实际负荷数据后,根据每个所述预测负荷数据相对于所述实际负荷数据的差值,得到与每个相关因素对应的负荷预测变化量;
对得到的全部所述负荷预测变化量进行负荷波动分析,以得到每个相关因素对所述电力系统的负荷波动的影响量。
作为上述方案的改进,所述对得到的全部所述负荷预测变化量进行负荷波动分析,以得到每个相关因素对所述电力系统的负荷波动的影响量,具体为:
根据每个负荷预测变化量及对每个负荷预测变化量加总得到的负荷预测变化总量,对应得到每个相关因素对所述电力系统的负荷波动的影响因子;
根据每个相关因素的所述影响因子与该历史日及该待分析日两者的实际负荷数据的差值的乘积,对应得到每个相关因素对所述电力系统的负荷波动的影响量。
作为上述方案的改进,所述对所述历史负荷数据及所述多个相关因素的历史数据进行数据训练及多元分析,以建立所述电力系统的负荷预测模型,具体为:
根据支持向量机算法对所述历史负荷数据及所述多个相关因素的历史数据进行数据训练,以分析每个相关因素与所述历史负荷数据之间的关系,并以此建立所述电力系统的负荷预测模型。
作为上述方案的改进,所述多个相关因素的所述待分析数据及在所述历史日的历史数据,均为预设时刻的数据。
作为上述方案的改进,所述多个相关因素包括:日温度、日湿度、日风速、日降水、该日的星期类型、该日的节假日类型、该日的社会活动类型及该日的月初月末类型;
所述多个相关因素的历史数据和待分析数据均包括:日温度曲线数据、日湿度曲线数据、日风速曲线数据、日降水曲线数据、该日的星期类型数据、该日的节假日类型数据、该日的社会活动类型数据及该日的月初月末类型数据。
本发明另一实施例对应提供了一种电力系统负荷波动分析装置,其包括:
第一获取模块,用于获取电力系统的历史负荷数据及多个相关因素的历史数据;
预测模型建立模块,用于对所述历史负荷数据及所述多个相关因素的历史数据进行数据训练及多元分析,以建立所述电力系统的负荷预测模型;
第二获取模块,用于获取所述多个相关因素在待分析日的待分析数据及在与待分析日对应的历史日的历史数据;
预测模块,用于通过控制变量法,依次确定所述多个相关因素中数据发生改变的相关因素的待分析数据及其余相关因素的在该历史日的历史数据,并输入到所述负荷预测模型中,以得到所述电力系统的与每个相关因素对应的预测负荷数据;
第一分析模块,用于在获取到所述电力系统在该历史日的实际负荷数据后,根据每个所述预测负荷数据相对于所述实际负荷数据的差值,得到与每个相关因素对应的负荷预测变化量;
第二分析模块,用于对得到的全部所述负荷预测变化量进行负荷波动分析,以得到每个相关因素对所述电力系统的负荷波动的影响量。
作为上述方案的改进,所述第二分析模块包括:
第一分析单元,用于根据每个负荷预测变化量及对每个负荷预测变化量加总得到的负荷预测变化总量,对应得到每个相关因素对所述电力系统的负荷波动的影响因子;
第二分析单元,用于根据每个相关因素的所述影响因子与该历史日及该待分析日两者的实际负荷数据的差值的乘积,对应得到每个相关因素对所述电力系统的负荷波动的影响量。
作为上述方案的改进,所述预测模型建立模块包括:
预测模型建立单元,用于根据支持向量机算法对所述历史负荷数据及所述多个相关因素的历史数据进行数据训练,以分析每个相关因素与所述历史负荷数据之间的关系,并以此建立所述电力系统的负荷预测模型。
本发明另一实施例提供了一种存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的电力系统负荷波动分析方法。
本发明另一实施例提供了一种电力系统负荷波动分析装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述发明实施例所述的电力系统负荷波动分析方法。
本发明实施例提供的所述电力系统负荷波动分析方法及所述装置,通过建立所述负荷预测模型,这样可以使得所述负荷预测模型可以准确体现出每个相关因素与电力系统的负荷之间的关系,并可以准确预测出电力系统的负荷;在建立所述负荷预测模型后,通过控制变量法,来依次确定所述多个相关因素在选定的两个日期中的相应数据,并输入到所述负荷预测模型中,以定量化地得到各个相关因素单独对电力系统造成影响后的所述预测负荷数据;然后通过根据所述实际负荷数据及与每个相关因素对应的所述预测负荷数据,来得出与各个相关因素相对应的所述负荷预测变化量,从而定量化地得出各个相关因素单独对电力系统的负荷预测造成的影响量;最后对得到的全部所述负荷预测变化量进行负荷波动分析,以得到每个相关因素对所述电力系统的负荷波动的影响量,从而定量化地得出各个相关因素在这两个日期之间单独对电力系统的负荷波动的影响程度,这样就可以全面对电力系统在这两个日期之间的负荷波动的影响原因进行准确分析,有利于全面掌握电力系统的负荷变化规律,从而有利于提高电力系统的的负荷预测精度。
附图说明
图1是本发明一实施例提供的一种电力系统负荷波动分析方法的流程示意图;
图2是本发明另一实施例提供的一种电力系统负荷波动分析装置的结构示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,本发明一实施例提供了一种电力系统负荷波动分析方法,包括步骤S10至步骤S15:
S10,获取电力系统的历史负荷数据及多个相关因素的历史数据。
具体地,首先确定需要获取数据的历史日的日期,然后获取所述电力系统在确定的每个日期中的历史负荷数据,并获取所述多个相关因素在确定的每个日期中的历史数据。
其中,所述多个相关因素包括:日温度、日湿度、日风速、日降水、该日的星期类型、该日的节假日类型、该日的社会活动类型及该日的月初月末类型;相对应地,所述多个相关因素的历史数据包括:日温度曲线数据、日湿度曲线数据、日风速曲线数据、日降水曲线数据、该日的星期类型数据、该日的节假日类型数据、该日的社会活动类型数据及该日的月初月末类型数据。当然,所述多个相关因素还可以为其他情况,例如所述多个相关因素只包括:日温度、日湿度、日风速和日降水。
S11,对所述历史负荷数据及所述多个相关因素的历史数据进行数据训练及多元分析,以建立所述电力系统的负荷预测模型。
具体地,根据支持向量机算法对所述历史负荷数据及所述多个相关因素的历史数据进行数据训练,以分析每个相关因素与所述历史负荷数据之间的关系,并以此建立所述电力系统的负荷预测模型。由于所述负荷预测模型在建立时已全面考虑到每个相关因素与所述历史负荷数据之间的关系,这样可以提高所述电力系统的负荷的预测的准确度,并且在后续对负荷波动的原因进行分析时,也可以提高分析的准确性。
其中,通过支持向量机算法来建立所述负荷预测模型的具体过程可参考步骤S110至步骤S112:
S110,首先构建初始的支持向量机的数学模型,其中,该数学模型的参数待定。
S111,以电力系统在各个历史日的预定时刻t的历史负荷Lt,作为支持向量机的拟合的目标值,并且以所述多个相关因素的在所述预定时刻t的历史数据作为支持向量机的输入向量Xt,通过支持向量机算法对所述历史负荷数据及所述多个相关因素的历史数据的训练,得到所述电力系统的负荷与各个相关因素之间的关系,从而得到所述电力系统的负荷预测模型。
其中,示例性地,输入向量Xt具体包括以下类型:
1)各个历史日的预定时刻的温度Xt,1=Tt;
2)各个历史日的预定时刻的湿度Xt,2=Ht;
3)各个历史日的预定时刻的风速Xt,3=Wt;
4)各个历史日的预定时刻的降水Xt,4=Pt;
5)各个历史日的星期类型向量Xt,5=WD;
6)各个历史日的节假日类型向量Xt,6=HD;
7)各个历史日的社会活动类型向量Xt,7=SA;
8)各个历史日的月初月末信息向量Xt,8=MBE;
这样,所述电力系统的负荷与各个相关因素之间的关系为:
Lt=f(Xt),其中Xt=[Tt,Ht,Wt,Pt,WD,HD,SA,MBE]
其中,星期、节假日、社会活动和月初月末信息的编码方式如以下各表:
星期类型输入编码方式:
星期 | WD<sub>1</sub> | WD<sub>2</sub> | WD<sub>3</sub> | WD<sub>4</sub> | WD<sub>5</sub> | WD<sub>6</sub> | WD<sub>7</sub> |
星期一 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
星期二 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
星期三 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
星期四 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
星期五 | 0 | 0 | 0 | 0 | 1 | 0 | 0 |
星期六 | 0 | 0 | 0 | 0 | 0 | 1 | 0 |
星期日 | 0 | 0 | 0 | 0 | 0 | 0 | 1 |
节假日类型输入编码方式:
节假日 | HD<sub>1</sub> | HD<sub>2</sub> | HD<sub>3</sub> | HD<sub>4</sub> | HD<sub>5</sub> | HD<sub>6</sub> | HD<sub>7</sub> |
非节日 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
元旦 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
春节 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
清明 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
五一 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
端午 | 0 | 0 | 0 | 0 | 1 | 0 | 0 |
中秋 | 0 | 0 | 0 | 0 | 0 | 1 | 0 |
国庆 | 0 | 0 | 0 | 0 | 0 | 0 | 1 |
社会活动类型输入编码方式:
活动 | SA<sub>1</sub> | SA<sub>2</sub> | SA<sub>3</sub> |
无活动 | 0 | 0 | 0 |
重大会议 | 1 | 0 | 0 |
重大赛事 | 0 | 1 | 0 |
环保限产 | 0 | 0 | 1 |
月初、月末信息编码方式:
类型 | MBE<sub>1</sub> | MBE<sub>2</sub> |
非月初月末 | 0 | 0 |
月初 | 1 | 0 |
月末 | 0 | 1 |
S12,获取所述多个相关因素在待分析日的待分析数据及在与待分析日对应的历史日的历史数据。
当建立好所述负荷预测模型后,在需要对两个日期之间的负荷波动的原因进行分析时,分析人员可以选定一个历史日D1及一个待分析日D2(目的是便于在后续将该待分析日D2的电力系统负荷与该历史日D1的电力系统负荷进行比较,以分析出两日的负荷波动情况及原因),然后获取所述多个相关因素在待分析日的待分析数据及在与待分析日对应的历史日的历史数据。其中,所述多个相关因素的待分析数据包括:日温度曲线数据、日湿度曲线数据、日风速曲线数据、日降水曲线数据、该日的星期类型数据、该日的节假日类型数据、该日的社会活动类型数据及该日的月初月末类型数据。
S13,通过控制变量法,依次确定所述多个相关因素中数据发生改变的相关因素的待分析数据及其余相关因素的在该历史日的历史数据,并输入到所述负荷预测模型中,以得到所述电力系统的与每个相关因素对应的预测负荷数据。
具体地,通过控制变量法(即每次只有其中一个相关因素的历史数据会替换改变为所述待分析数据,而其余相关因素的历史数据保持不变),依次确定所述多个相关因素中数据发生改变的相关因素的待分析数据及其余相关因素的在该历史日的历史数据,并输入到所述负荷预测模型中,以对应得到所述电力系统的在该历史日的多个预测负荷数据Lt,i'(多个预测负荷数据Lt,i'与所述多个相关因素一一对应)。
其中,当所述相关因素有上述的八种类型时,定义输入到所述负荷预测模型中的输入向量的公式为:Xt,i 1'=[Xt,1 1,...,Xt,i 2,...,Xt,8 1],其中,Xt,i 1表示的是相关因素在历史日的历史数据,Xt,i 2表示的是相关因素在待分析日的待分析数据。
此外,Lt,i'的计算公式为:Lt,i'=f(Xt,i 1')。
S14,在获取到所述电力系统在该历史日的实际负荷数据Lt 1后,根据每个所述预测负荷数据Lt,i'相对于所述实际负荷数据Lt 1的差值,对应得到与每个相关因素对应的负荷预测变化量ΔLt,i'。
其中,ΔLt,i'=Lt,i'-Lt 1。
S15,对得到的全部所述负荷预测变化量ΔLt,i'进行负荷波动分析,以得到每个相关因素对所述电力系统的负荷波动的影响量ΔLt,i。
具体地,所述步骤S15具体包括步骤S150至步骤S151:
S150,根据每个负荷预测变化量ΔLt,i'及对每个负荷预测变化量ΔLt,i'加总得到的负荷预测变化总量ΔLt,虚拟,对应得到每个相关因素对所述电力系统的负荷波动的影响因子rt,i。
S151,根据每个相关因素的所述影响因子rt,i与该历史日D1及该待分析日D2两日的实际负荷数据的差值ΔLt,实际的乘积,对应得到每个相关因素对所述电力系统的负荷波动的影响量ΔLt,i。
其中,ΔLt,实际=Lt 2-Lt 1,ΔLt,i=rt,i*ΔLt,实际。
在本发明实施例中,优选地,所述方法需要得到的是:所述历史日D1与所述待分析日D2的多个时段中,每一时段的两日负荷波动的影响量ΔLt,i。且所述多个相关因素的所述待分析数据及在所述历史日的历史数据,均为每一时段中的预设时刻的数据(例如6点到10点时段之间的8点30分时刻的数据)。相对应地,所述预测负荷数据Lt,i'、所述负荷预测变化总量ΔLt,虚拟、所述影响因子rt,i、所述ΔLt,实际及所述影响量ΔLt,i均为每一时段中的同一预设时刻的数值。具体地,所述历史日D1与所述待分析日D2两日均等分为八个时段,通过对所述两日的每个时段依次进行上述计算,则可依次得到每个相关因素在所述两日的每一时段所引起的负荷波动的影响量ΔLi:
ΔLi=[ΔL1,i,...,ΔLT,i],T为每日时段总数,i=1,...,8。
需要说明的是,所述多个相关因素的所述待分析数据及在所述历史日的历史数据,还可以为预设时段的平均数据或者是该日内的具有代表性的某一时刻数据等,在此不做具体限定。
综上所述,本发明实施例的所述方法,通过建立所述负荷预测模型,这样可以使得所述负荷预测模型可以准确体现出每个相关因素与电力系统的负荷之间的关系,并可以准确预测出电力系统的负荷;在建立所述负荷预测模型后,通过控制变量法,来依次确定所述多个相关因素在选定的两个日期中的相应数据,并输入到所述负荷预测模型中,以定量化地得到各个相关因素单独对电力系统造成影响后的所述预测负荷数据;然后通过根据所述实际负荷数据及与每个相关因素对应的所述预测负荷数据,来得出与各个相关因素相对应的所述负荷预测变化量,从而定量化地得出各个相关因素单独对电力系统的负荷预测造成的影响量;最后对得到的全部所述负荷预测变化量进行负荷波动分析,以得到每个相关因素对所述电力系统的负荷波动的影响量,从而定量化地得出各个相关因素在这两个日期之间单独对电力系统的负荷波动的影响程度,这样就可以全面对电力系统在这两个日期之间的负荷波动的影响原因进行准确分析,有利于全面掌握电力系统的负荷变化规律,从而有利于提高电力系统的的负荷预测精度。
需要说明的是,当得到每个相关因素对所述电力系统的负荷波动的影响量后,可以根据所述影响量来对所述电力系统的负荷管理工作进行控制调节(例如当判断出温度在特定日期会对电力系统的负荷波动产生很大影响时,可以在该特定日期采取相对应地手段来对电力系统的工作进行控制调节,具体的控制调节技术请参考现有技术),从而确保所述电力系统能够正常运行。
参见图2,本发明另一实施例对应提供了一种电力系统负荷波动分析装置,其包括:
第一获取模块10,用于获取电力系统的历史负荷数据及多个相关因素的历史数据;
预测模型建立模块11,用于对所述历史负荷数据及所述多个相关因素的历史数据进行数据训练及多元分析,以建立所述电力系统的负荷预测模型;
第二获取模块12,用于获取所述多个相关因素在待分析日的待分析数据及在与待分析日对应的历史日的历史数据;
预测模块13,用于通过控制变量法,依次确定所述多个相关因素中数据发生改变的相关因素的待分析数据及其余相关因素的在该历史日的历史数据,并输入到所述负荷预测模型中,以得到所述电力系统的与每个相关因素对应的预测负荷数据;
第一分析模块14,用于在获取到所述电力系统在该历史日的实际负荷数据后,根据每个所述预测负荷数据相对于所述实际负荷数据的差值,得到与每个相关因素对应的负荷预测变化量;
第二分析模块15,用于根据每个负荷预测变化量及对每个负荷预测变化量加总得到的负荷预测变化总量,对应得到每个相关因素对所述电力系统的负荷波动的影响因子。
作为上述方案的改进,所述第二分析模块15包括:
第一分析单元,用于根据每个负荷预测变化量及对每个负荷预测变化量加总得到的负荷预测变化总量,对应得到每个相关因素对所述电力系统的负荷波动的影响因子;
第二分析单元,用于根据每个相关因素的所述影响因子与该历史日及该待分析日两者的实际负荷数据的差值的乘积,对应得到每个相关因素对所述电力系统的负荷波动的影响量。
作为上述方案的改进,所述预测模型建立模块11包括:
预测模型建立单元,用于根据支持向量机算法对所述历史负荷数据及所述多个相关因素的历史数据进行数据训练,以分析每个相关因素与所述历史负荷数据之间的关系,并以此建立所述电力系统的负荷预测模型。
本发明另一实施例提供了一种电力系统负荷波动分析装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述发明实施例所述的电力系统负荷波动分析方法。
本发明另一实施例提供了一种电力系统负荷波动分析装置,包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,例如所述电力系统负荷波动分析程序。所述处理器执行所述计算机程序时实现上述各个所述电力系统负荷波动分析方法实施例中的步骤,例如图1所示的步骤S10至S15。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电力系统负荷波动分析装置中的执行过程。
所述电力系统负荷波动分析装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电力系统负荷波动分析装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是所述电力系统负荷波动分析装置的示例,并不构成对所述电力系统负荷波动分析装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电力系统负荷波动分析装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述电力系统负荷波动分析装置的控制中心,利用各种接口和线路连接整个所述电力系统负荷波动分析装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述电力系统负荷波动分析装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述电力系统负荷波动分析装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种电力系统负荷波动分析方法,其特征在于,包括以下步骤:
获取电力系统的历史负荷数据及多个相关因素的历史数据;
对所述历史负荷数据及所述多个相关因素的历史数据进行数据训练及多元分析,以建立所述电力系统的负荷预测模型;
获取所述多个相关因素在待分析日的待分析数据及在与待分析日对应的历史日的历史数据;
通过控制变量法,依次确定所述多个相关因素中数据发生改变的相关因素的待分析数据及其余相关因素的在该历史日的历史数据,并输入到所述负荷预测模型中,以得到所述电力系统的与每个相关因素对应的预测负荷数据;
在获取到所述电力系统在该历史日的实际负荷数据后,根据每个所述预测负荷数据相对于所述实际负荷数据的差值,得到与每个相关因素对应的负荷预测变化量;
对得到的全部所述负荷预测变化量进行负荷波动分析,以得到每个相关因素对所述电力系统的负荷波动的影响量,具体为:
根据每个负荷预测变化量及对每个负荷预测变化量加总得到的负荷预测变化总量,对应得到每个相关因素对所述电力系统的负荷波动的影响因子;
根据每个相关因素的所述影响因子与该历史日及该待分析日两者的实际负荷数据的差值的乘积,对应得到每个相关因素对所述电力系统的负荷波动的影响量。
2.如权利要求1所述的电力系统负荷波动分析方法,其特征在于,所述对所述历史负荷数据及所述多个相关因素的历史数据进行数据训练及多元分析,以建立所述电力系统的负荷预测模型,具体为:
根据支持向量机算法对所述历史负荷数据及所述多个相关因素的历史数据进行数据训练,以分析每个相关因素与所述历史负荷数据之间的关系,并以此建立所述电力系统的负荷预测模型。
3.如权利要求1所述的电力系统负荷波动分析方法,其特征在于,所述多个相关因素的所述待分析数据及在所述历史日的历史数据,均为预设时刻的数据。
4.如权利要求1至3任一项所述的电力系统负荷波动分析方法,其特征在于,所述多个相关因素包括:日温度、日湿度、日风速、日降水、该日的星期类型、该日的节假日类型、该日的社会活动类型及该日的月初月末类型;
所述多个相关因素的历史数据和待分析数据均包括:日温度曲线数据、日湿度曲线数据、日风速曲线数据、日降水曲线数据、该日的星期类型数据、该日的节假日类型数据、该日的社会活动类型数据及该日的月初月末类型数据。
5.一种电力系统负荷波动分析装置,其特征在于,包括:
第一获取模块,用于获取电力系统的历史负荷数据及多个相关因素的历史数据;
预测模型建立模块,用于对所述历史负荷数据及所述多个相关因素的历史数据进行数据训练及多元分析,以建立所述电力系统的负荷预测模型;
第二获取模块,用于获取所述多个相关因素在待分析日的待分析数据及在与待分析日对应的历史日的历史数据;
预测模块,用于通过控制变量法,依次确定所述多个相关因素中数据发生改变的相关因素的待分析数据及其余相关因素的在该历史日的历史数据,并输入到所述负荷预测模型中,以得到所述电力系统的与每个相关因素对应的预测负荷数据;
第一分析模块,用于在获取到所述电力系统在该历史日的实际负荷数据后,根据每个所述预测负荷数据相对于所述实际负荷数据的差值,得到与每个相关因素对应的负荷预测变化量;
第二分析模块,用于对得到的全部所述负荷预测变化量进行负荷波动分析,以得到每个相关因素对所述电力系统的负荷波动的影响量;
所述第二分析模块具体包括:
第一分析单元,用于根据每个负荷预测变化量及对每个负荷预测变化量加总得到的负荷预测变化总量,对应得到每个相关因素对所述电力系统的负荷波动的影响因子;
第二分析单元,用于根据每个相关因素的所述影响因子与该历史日及该待分析日两者的实际负荷数据的差值的乘积,对应得到每个相关因素对所述电力系统的负荷波动的影响量。
6.如权利要求5所述的电力系统负荷波动分析装置,其特征在于,所述预测模型建立模块包括:
预测模型建立单元,用于根据支持向量机算法对所述历史负荷数据及所述多个相关因素的历史数据进行数据训练,以分析每个相关因素与所述历史负荷数据之间的关系,并以此建立所述电力系统的负荷预测模型。
7.一种电力系统负荷波动分析装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的电力系统负荷波动分析方法。
8.一种可读存储介质,其特征在于,所述可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述可读存储介质所在设备执行如权利要求1至4中任意一项所述的电力系统负荷波动分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810164750.0A CN108446795B (zh) | 2018-02-28 | 2018-02-28 | 电力系统负荷波动分析方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810164750.0A CN108446795B (zh) | 2018-02-28 | 2018-02-28 | 电力系统负荷波动分析方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108446795A CN108446795A (zh) | 2018-08-24 |
CN108446795B true CN108446795B (zh) | 2020-11-17 |
Family
ID=63192736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810164750.0A Active CN108446795B (zh) | 2018-02-28 | 2018-02-28 | 电力系统负荷波动分析方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446795B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785155A (zh) * | 2018-12-13 | 2019-05-21 | 平安医疗健康管理股份有限公司 | 基于医保报销模型调整医保策略的方法及相关产品 |
CN110518578B (zh) * | 2019-08-08 | 2023-05-23 | 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 |
CN111181151A (zh) * | 2019-10-18 | 2020-05-19 | 浙江海洋大学 | 一种预估用电负荷并进行控制的智能电网控制方法 |
CN112598181A (zh) * | 2020-12-23 | 2021-04-02 | 国网河北省电力有限公司经济技术研究院 | 负荷预测方法、装置、设备和存储介质 |
CN113253613B (zh) * | 2021-06-21 | 2021-10-08 | 武汉中原电子信息有限公司 | 一种基于rsm预测模型的断路器控制方法及系统 |
CN116070804B (zh) * | 2023-04-06 | 2023-07-14 | 国网冀北电力有限公司 | 基于知识图谱和数据驱动的电力系统负荷预测方法及装置 |
CN116702978B (zh) * | 2023-06-07 | 2024-02-13 | 西安理工大学 | 考虑突发事件特征的电动汽车充电负荷预测方法及装置 |
CN116937569A (zh) * | 2023-07-26 | 2023-10-24 | 广东永光新能源设计咨询有限公司 | 光伏发电智能储能方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014081881A (ja) * | 2012-10-18 | 2014-05-08 | Mirai Ind Co Ltd | 電力量監視装置 |
CN104463683A (zh) * | 2014-07-14 | 2015-03-25 | 国家电网公司 | 一种含多源电网中长期负荷预测装置及方法 |
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
CN105268536A (zh) * | 2015-11-03 | 2016-01-27 | 西安交通大学 | 一种自适应在线校正的火电厂球磨机负荷软测量方法 |
-
2018
- 2018-02-28 CN CN201810164750.0A patent/CN108446795B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014081881A (ja) * | 2012-10-18 | 2014-05-08 | Mirai Ind Co Ltd | 電力量監視装置 |
CN104463683A (zh) * | 2014-07-14 | 2015-03-25 | 国家电网公司 | 一种含多源电网中长期负荷预测装置及方法 |
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
CN105268536A (zh) * | 2015-11-03 | 2016-01-27 | 西安交通大学 | 一种自适应在线校正的火电厂球磨机负荷软测量方法 |
Non-Patent Citations (2)
Title |
---|
基于支持向量机的电力系统短期负荷预测研究;张红梅;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20060615(第6期);参见第7页第3-4段、第20页第1段、第24-26页、第32页最后一段、第37页第4.2.1节 * |
基于混合法和控制变量法的发输电系统可靠性评估研究;杨博;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20140215(第2期);参见第4页最后一段最后一句、第10页第5段、第68页第2段、第69页第5.4.2节第一句 * |
Also Published As
Publication number | Publication date |
---|---|
CN108446795A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446795B (zh) | 电力系统负荷波动分析方法、装置及可读存储介质 | |
CN109298998B (zh) | 工作量评估及模型训练方法、电子设备及存储介质 | |
CN112907062B (zh) | 融合温度特征的电网电量预测方法、装置、介质及终端 | |
CN111352794B (zh) | 异常检测方法、装置、计算机装置及存储介质 | |
CN113344282B (zh) | 容量数据处理、调配的方法、系统和计算机可读介质 | |
CN112308414A (zh) | 收入异常检测的方法、装置、电子设备及存储介质 | |
CN111198799A (zh) | 一种基于lstm的机房功耗预警方法、系统、终端及存储介质 | |
CN109583729B (zh) | 用于平台在线模型的数据处理方法和装置 | |
CN110764902A (zh) | 基于ai的虚拟资源分配方法、装置、计算机设备及存储介质 | |
Kacar et al. | A comparison of multiple linear regression approaches for fitting clearing functions to empirical data | |
CN113743673A (zh) | 一种台风期间的电力负荷预测方法 | |
CN111274531A (zh) | 商品销售额预测方法、装置、计算机设备和存储介质 | |
CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
CN114066089A (zh) | 批量作业运行耗时区间确定方法及装置 | |
CN113313463A (zh) | 应用于大数据云办公的数据分析方法及数据分析服务器 | |
CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN112561732B (zh) | 一种电力系统有功调度优化的方法、装置和可读存储介质 | |
CN113343577B (zh) | 一种基于机器学习的参数优化方法、装置、设备及介质 | |
CN115202890A (zh) | 数据元件生产资源空间分配方法、系统及设备 | |
CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 | |
CN114092275A (zh) | 企业经营异常监测方法、装置、计算机设备和存储介质 | |
CN112905909B (zh) | 数据预测方法、装置、计算机可读存储介质及电子设备 | |
CN113536668A (zh) | 燃气系统供气负荷预测方法、装置、终端设备及存储介质 | |
CN116596231B (zh) | 一种铁水调度计划修正方法、装置、设备及存储介质 | |
CN111339156B (zh) | 业务数据的长期确定方法、装置和计算机可读存储介质 |
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 |