CN108921322A - 一种基于实时电价的超短期节点负荷预测方法及系统 - Google Patents
一种基于实时电价的超短期节点负荷预测方法及系统 Download PDFInfo
- Publication number
- CN108921322A CN108921322A CN201810522117.4A CN201810522117A CN108921322A CN 108921322 A CN108921322 A CN 108921322A CN 201810522117 A CN201810522117 A CN 201810522117A CN 108921322 A CN108921322 A CN 108921322A
- Authority
- CN
- China
- Prior art keywords
- node
- load
- few days
- historical data
- days ago
- 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 44
- 230000005611 electricity Effects 0.000 claims abstract description 192
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000010801 machine learning Methods 0.000 claims abstract description 51
- 238000010606 normalization Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 28
- 238000012706 support-vector machine Methods 0.000 claims description 20
- 230000003203 everyday effect Effects 0.000 claims description 11
- 240000002853 Nelumbo nucifera Species 0.000 claims description 5
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 5
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 5
- 230000008901 benefit Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000005314 correlation function Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000611 regression analysis 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
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
本发明提供了一种基于实时电价的超短期节点负荷预测方法，包括步骤：获取预测日前N天的节点日前出清电价、节点日前成交负荷、节点实时电价、节点实际负荷的历史数据；计算节点日前出清电价与节点实时电价的电价差值△P，并计算节点日前成交负荷与节点实际负荷的负荷差值△L；根据电价差值△P和负荷差值△L，得到训练样本以及训练集；根据预测日前N天数据训练集和机器学习算法，获得电价偏差与负荷波动的函数关系；根据电价偏差与负荷波动的函数关系，得到超短期节点负荷预测模型。本发明在考虑实时电价影响的基础上进行电力系统负荷预测，从而有效地提高负荷预测的精确度，为电力交易、电网调度运行等提供高质量、高精度的基础数据。
Description
技术领域
本发明涉及电力系统技术领域，尤其是涉及一种基于实时电价的超短期节点负荷预测方法及系统。
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，负荷预测技术被直接用于安排电力调度计划、进行电网安全校核，其精准度直接影响电力系统的安全性和经济性。因此，掌握影响负荷变化的规律，提高其预测精确度是实现电力系统经济调度精细化管理的基础。
目前，短期负荷预测方法主要分为传统预测方法和智能预测方法，传统预测方法主要包括时间序列法、回归分析法等，智能方法主要包括神经网络、决策树、小波分析法、随机森林、支持向量机、云计算等。在短期负荷预测中考虑的相关因素主要为气象因素、日类型等，其中气象相关因素以数值天气预报数据作为输入，通过建立负荷与气象因素的关系模型进行预测，但是现有技术尚未考虑结合电力市场交易带来的负荷波动因素。
随着我国新一轮电力体制改革稳步推进，我国电力交易正在由中长期电量交易走向时间周期更短的电力现货交易。当前，已有广东等8个地区作为第一批电力试点开启了电力现货市场的建设探索，并初步以节点作为电能量的交割点。在电力市场改革的大背景下，电力将逐渐回归商品属性，电价也将实时波动，即电价的波动会影响负荷的大小，而负荷的波动也会影响电价的大小，两者在相互影响的过程中达到平衡。
然而，由于短期负荷影响因素众多，具有高度非线性、随机性等特征，若采用时间序列，将其看做时间的单变量，很难找到合适的函数对其进行拟合，预测精度较低，且由于没有其他影响因素的矫正，对于一些突变也无法正确处理；若将其做主要影响因素的回归分析，由于影响因素众多且相互耦合，无法全部考虑，同样也会面临其相关函数难以拟合的问题。因此，传统的短期负荷预测方法已不能满足当前市场环境下的预测需求精度。
综上可知，在电力系统负荷预测中，不仅要考虑天气、日类型等影响因素，还应考虑现货市场上实时电价的影响。
发明内容
本发明提供了一种基于实时电价的超短期节点负荷预测方法，以解决现有的电力系统负荷预测并未考虑实时电价的影响，导致负荷预测精确度不高的技术问题，从而在考虑实时电价影响的基础上进行电力系统负荷预测，进而有效地提高负荷预测的精确度，为电力交易、电网调度运行、电网安全校核等提供高质量、高精度的基础数据。
为了解决上述技术问题，本发明提供了一种基于实时电价的超短期节点负荷预测方法，包括步骤：
获取预测日前N天的第一历史数据，所述第一历史数据包括节点日前出清电价、节点日前成交负荷；
获取预测日前N天的第二历史数据，所述第二历史数据包括节点实时电价、节点实际负荷；
将所述第一历史数据、所述第二历史数据进行数据归一化处理；
计算所述节点日前出清电价与所述节点实时电价的电价差值△P，并计算所述节点日前成交负荷与所述节点实际负荷的负荷差值△L；
根据所述电价差值△P和所述负荷差值△L，得到训练样本(△P，△L)以及作为支持向量机学习算法的预测日前N天数据训练集；
根据所述预测日前N天数据训练集和机器学习算法，获得电价偏差与负荷波动的函数关系；
根据所述电价偏差与负荷波动的函数关系，得到超短期节点负荷预测模型。
作为优选方案，
所述第一历史数据为剔除了节假日历史数据后的N天所有时段的节点日前出清电价、节点日前成交负荷的历史数据；
所述第二历史数据为剔除了节假日历史数据后的N天所有时段的节点实时电价、节点实际负荷的历史数据。
作为优选方案，所述预测日前N天为预测日前7天，所述方法还包括：
在所述步骤：将所述第一历史数据、所述第二历史数据进行数据归一化处理之前，
检测所述第一历史数据和所述第二历史数据中是否含有节假日历史数据，若是，则剔除所述节假日历史数据，以使
所述第一历史数据为剔除了节假日历史数据后的连续7天所有时段的节点日前出清电价、节点日前成交负荷的历史数据；
所述第二历史数据为剔除了节假日历史数据后的连续7天所有时段的节点实时电价、节点实际负荷的历史数据。
作为优选方案，所述步骤：将所述第一历史数据、所述第二历史数据进行数据归一化处理，具体为：
将所述节点日前出清电价、所述节点日前成交负荷、所述节点实时电价、所述节点实际负荷通过归一化公式进行数据归一化处理；
所述归一化公式为：
其中，x′为归一化后的输入变量，max(x)和min(x)分别为待归一化变量的最大和最小值。
作为优选方案，所述步骤：根据所述预测日前N天数据训练集和机器学习算法，获得电价偏差与负荷波动的函数关系，具体为：
所述机器学习算法采用支持向量回归算法(∈-SVR)进行训练，所述机器学习算法的训练模型如下：
目标函数：
约束条件：
其中，ω和b表示需要求解的参数；C表示罚因子，是预设的经验参数，用于控制目标函数中两项之间的权重；ξi和ξi *表示松弛变量；ε表示预设的常量，且ε>0，xi表示输入变量，对应所述电价差值△P；yi表示标签量，对应所述负荷差值△L；
将高斯核作为所述机器学习算法的核函数，公式具体如下：
作为优选方案，
所述节点日前出清电价包括该节点在第二天24个时段中每个时段的成交电价；
所述节点日前成交负荷包括该节点在第二天24个时段中每个时段的成交负荷；
所述节点实时电价包括该节点在当天24个时段中每个时段的实际电价；
所述节点实际负荷包括该节点在当天24个时段中每个时段的实际负荷。
作为优选方案，所述步骤：计算所述节点日前出清电价与所述节点实时电价的电价差值△P，并计算所述节点日前成交负荷与所述节点实际负荷的负荷差值△L，具体为：
计算在N天内每一天24个时段的节点日前出清电价与节点实时电价之间的差值，得到N*24个电价差值△P；
计算在N天内每一天24个时段的节点日前成交负荷与节点实际负荷之间的差值，得到N*24个负荷差值△L。
作为优选方案，所述步骤：根据所述电价差值△P和所述负荷差值△L，得到训练样本(△P，△L)以及作为支持向量机学习算法的预测日前N天数据训练集，具体为：
根据所述N*24个电价差值△P以及所述N*24个负荷差值△L，得到同一个节点同一天同一时刻的训练样本(△P，△L)以及作为支持向量机学习算法的N*24个预测日前N天数据训练集。
为了解决相同的技术问题，本发明还提供了一种基于实时电价的超短期节点负荷预测系统，包括：
第一数据获取模块，用于获取预测日前N天的第一历史数据，所述第一历史数据包括节点日前出清电价、节点日前成交负荷；
第二数据获取模块，用于获取预测日前N天的第二历史数据，所述第二历史数据包括节点实时电价、节点实际负荷；
归一化处理模块，用于将所述第一历史数据、所述第二历史数据进行数据归一化处理；
计算模块，用于计算所述节点日前出清电价与所述节点实时电价的电价差值△P，并计算所述节点日前成交负荷与所述节点实际负荷的负荷差值△L；
训练数据处理模块，用于根据所述电价差值△P和所述负荷差值△L，得到训练样本(△P，△L)以及作为支持向量机学习算法的预测日前N天数据训练集；
机器学习模块，用于根据所述预测日前N天数据训练集和机器学习算法，获得电价偏差与负荷波动的函数关系；
负荷预测模块，用于根据所述电价偏差与负荷波动的函数关系，得到超短期节点负荷预测模型。
作为优选方案，所述第一历史数据为剔除了节假日历史数据后的N天所有时段的节点日前出清电价、节点日前成交负荷的历史数据；
所述第二历史数据为剔除了节假日历史数据后的N天所有时段的节点实时电价、节点实际负荷的历史数据。
作为优选方案，所述基于实时电价的超短期节点负荷预测系统还包括：
节假日检测剔除模块，用于检测所述第一历史数据和所述第二历史数据中是否含有节假日历史数据，若是，则剔除所述节假日历史数据，以使
所述第一历史数据为剔除了节假日历史数据后的连续7天所有时段的节点日前出清电价、节点日前成交负荷的历史数据；
所述第二历史数据为剔除了节假日历史数据后的连续7天所有时段的节点实时电价、节点实际负荷的历史数据。
作为优选方案，所述归一化处理模块包括：
第一归一化单元，用于将所述节点日前出清电价、所述节点日前成交负荷、所述节点实时电价、所述节点实际负荷通过归一化公式进行数据归一化处理；
所述归一化公式为：
其中，x′为归一化后的输入变量，max(x)和min(x)分别为待归一化变量的最大和最小值。
作为优选方案，所述训练数据处理模块包括：
第一训练数据处理单元，用于所述机器学习算法采用支持向量回归算法(∈-SVR)进行训练，所述机器学习算法的训练模型如下：
目标函数：
约束条件：
其中，ω和b表示需要求解的参数；C表示罚因子，是预设的经验参数，用于控制目标函数中两项之间的权重；ξi和ξi *表示松弛变量；ε表示预设的常量，且ε>0，xi表示输入变量，对应所述电价差值△P；yi表示标签量，对应所述负荷差值△L；
第二训练数据处理单元，用于将高斯核作为所述机器学习算法的核函数，公式具体如下：
作为优选方案，
所述节点日前出清电价包括该节点在第二天24个时段中每个时段的成交电价；
所述节点日前成交负荷包括该节点在第二天24个时段中每个时段的成交负荷；
所述节点实时电价包括该节点在当天24个时段中每个时段的实际电价；
所述节点实际负荷包括该节点在当天24个时段中每个时段的实际负荷。
作为优选方案，所述计算模块包括：
第一计算单元，用于计算在N天内每一天24个时段的节点日前出清电价与节点实时电价之间的差值，得到N*24个电价差值△P；
第二计算单元，用于计算在N天内每一天24个时段的节点日前成交负荷与节点实际负荷之间的差值，得到N*24个负荷差值△L。
作为优选方案，所述机器学习模块包括：
机器学习单元，用于根据所述N*24个电价差值△P以及所述N*24个负荷差值△L，得到多个同一节点、同一天、同一时刻的训练样本(△P，△L)以及作为支持向量机学习算法的N*24个预测日前N天数据训练集。
相比于现有技术，本发明具有如下有益效果：
所述基于实时电价的超短期节点负荷预测方法充分考虑了电力交易电价对负荷需求的影响，通过计算获得所述节点日前出清电价与所述节点实时电价的之间的电价差值△P、所述节点日前成交负荷与所述节点实际负荷的负荷差值△L，从而获得节点日前电价偏差与负荷波动的函数关系，以根据电价的动态变化，对负荷的预测结果进行修正，进而高效可靠地提高预测的精确度，为电力交易、电网调度运行、电网安全校核等提供高质量、高精度的基础数据，实现最优的经济效益。
同时，由于电力市场环境下负荷影响因素众多，并具有高度非线性、随机性，很难找到合适的函数对其进行拟合，造成预测精度较低，且影响因素众多且相互耦合，无法全部考虑，同样也面临其相关函数难以拟合的问题，因此本发明基于具有很强的自学习和复杂的非线性函数拟合能力的机器学习算法，根据所述电价差值△P和所述负荷差值△L，得到训练样本(△P，△L)以及作为支持向量机学习算法的预测日前N天数据训练集，从而能够对电价与负荷关系模型进行拟合，进而实现精准的数据拟合。
综上，本发明基于先进机器学习算法并结合我国现货市场的电价机制，提供了基于实时电价的超短期节点负荷预测方法，充分考虑了电力交易电价对负荷需求的影响，利用具有很强的自学习和复杂的非线性函数拟合能力的机器学习算法，能够有效地提升综合因素影响下的负荷预测精度，且具有计算高效准确、精度高的特点，从而为未来电力现货市场环境下高精度的进行超短期节点负荷预测奠定坚实基础，因此具有重大的经济和社会效益。
本发明不仅可为电网公司提供实时发电计划，合理控制和经济调度电网发电资源，同时满足电网安全和潮流优化的实际需求，达到资源优化配置和节能减排的目标，也可为电力交易中心提供交易数据，以及为交易有序的组织和市场健康运营提供了有效保障。
附图说明
图1是本发明实施例一的基于实时电价的超短期节点负荷预测方法的流程图；
图2是本发明实施例一的基于实时电价的超短期节点负荷预测系统的结构图。
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。
请参见图1，本发明优选实施例提供了一种基于实时电价的超短期节点负荷预测方法，包括步骤：
S1，获取预测日前N天的第一历史数据，所述第一历史数据包括节点日前出清电价、节点日前成交负荷；
S2，获取预测日前N天的第二历史数据，所述第二历史数据包括节点实时电价、节点实际负荷；
S3，将所述第一历史数据、所述第二历史数据进行数据归一化处理；
S4，计算所述节点日前出清电价与所述节点实时电价的电价差值△P，并计算所述节点日前成交负荷与所述节点实际负荷的负荷差值△L；
S5，根据所述电价差值△P和所述负荷差值△L，得到训练样本(△P，△L)以及作为支持向量机学习算法的预测日前N天数据训练集；
S6，根据所述预测日前N天数据训练集和机器学习算法，获得电价偏差与负荷波动的函数关系；
S7，根据所述电价偏差与负荷波动的函数关系，得到超短期节点负荷预测模型。
在本发明实施例中，所述基于实时电价的超短期节点负荷预测方法充分考虑了电力交易电价对负荷需求的影响，通过计算获得所述节点日前出清电价与所述节点实时电价的之间的电价差值△P、所述节点日前成交负荷与所述节点实际负荷的负荷差值△L，从而获得节点日前电价偏差与负荷波动的函数关系，以根据电价的动态变化，对负荷的预测结果进行修正，进而高效可靠地提高预测的精确度，为电力交易、电网调度运行、电网安全校核等提供高质量、高精度的基础数据，实现最优的经济效益。
同时，由于电力市场环境下负荷影响因素众多，并具有高度非线性、随机性，很难找到合适的函数对其进行拟合，造成预测精度较低，且影响因素众多且相互耦合，无法全部考虑，同样也面临其相关函数难以拟合的问题，因此本发明基于具有很强的自学习和复杂的非线性函数拟合能力的机器学习算法，根据所述电价差值△P和所述负荷差值△L，得到训练样本(△P，△L)以及作为支持向量机学习算法的预测日前N天数据训练集，从而能够对电价与负荷关系模型进行拟合，进而实现精准的数据拟合。
综上，本发明基于先进机器学习算法并结合我国现货市场的电价机制，提供了基于实时电价的超短期节点负荷预测方法，充分考虑了电力交易电价对负荷需求的影响，利用具有很强的自学习和复杂的非线性函数拟合能力的机器学习算法，能够有效地提升综合因素影响下的负荷预测精度，且具有计算高效准确、精度高的特点，从而为未来电力现货市场环境下高精度的进行超短期节点负荷预测奠定坚实基础，因此具有重大的经济和社会效益。
本发明不仅可为电网公司提供实时发电计划，合理控制和经济调度电网发电资源，同时满足电网安全和潮流优化的实际需求，达到资源优化配置和节能减排的目标，也可为电力交易中心提供交易数据，以及为交易有序的组织和市场健康运营提供了有效保障。
在本发明实施例中，需要说明的是，在获取预测日前N天的节点日前出清电价、节点日前成交负荷的第一历史数据中，日前交易指电力中心在前一天组织了第二天的电力交易，并且会根据机组安全约束机组组合(Security-Constrained Unit Commitment,SCUC)算法出清各个节点在第二天24个时段的电价和电力负荷。
所述节点日前出清电价为该节点在第二天24个时段中每个时段的成交电价；即所述节点日前出清电价一共有第二天24个时段的电价。
所述节点日前成交负荷为该节点在第二天24个时段中每个时段的成交负荷；即所述节点日前成交负荷一共有第二天24个时段的负荷。
而在获取预测日前N天的节点实时电价、节点实际负荷的第二历史数据中，所述节点实时电价为该节点在当天24个时段中每个时段的实际电价；即所述节点实时电价一共有一天24个时段的实际电价。
所述节点实际负荷为该节点在当天24个时段中每个时段的实际负荷，即所述节点实际负荷一共有一天24个时段的负荷。
在本发明实施例中，所述节假日是指国家法定节假日，即元旦节、春节、清明节、劳动节、端午节、中秋节、国庆节。由于节假日的负荷曲线与正常日的负荷曲线有明显不同，因此，本发明提供的所述基于实时电价的超短期节点负荷预测方法剔除节假日的历史数据之后，同时应当向后补充缺失的历史数据，以保证有N天的历史数据供算法训练。
因此，可以理解的，所述第一历史数据为剔除了节假日历史数据后的N天所有时段的节点日前出清电价、节点日前成交负荷的历史数据；
所述第二历史数据为剔除了节假日历史数据后的N天所有时段的节点实时电价、节点实际负荷的历史数据。
在本发明实施例中，所述步骤S3：将所述第一历史数据、所述第二历史数据进行数据归一化处理，具体为：
将所述节点日前出清电价、所述节点日前成交负荷、所述节点实时电价、所述节点实际负荷通过归一化公式进行数据归一化处理；
所述归一化公式为：
其中，x′为归一化后的输入变量，max(x)和min(x)分别为待归一化变量的最大和最小值。
在本发明实施例中，所述步骤S4：计算所述节点日前出清电价与所述节点实时电价的电价差值△P，并计算所述节点日前成交负荷与所述节点实际负荷的负荷差值△L，具体为：
计算在N天内每一天24个时段的节点日前出清电价与节点实时电价之间的差值，得到N*24个电价差值△P；
计算在N天内每一天24个时段的节点日前成交负荷与节点实际负荷之间的差值，得到N*24个负荷差值△L。
在本发明实施例中，所述步骤S5：根据所述电价差值△P和所述负荷差值△L，得到训练样本(△P，△L)以及作为支持向量机学习算法的预测日前N天数据训练集，具体为：
根据所述N*24个电价差值△P以及所述N*24个负荷差值△L，得到同一个节点同一天同一时刻的训练样本(△P，△L)以及作为支持向量机学习算法的N*24个预测日前N天数据训练集。
在本发明实施例中，所述步骤S6：根据所述预测日前N天数据训练集和机器学习算法，获得电价偏差与负荷波动的函数关系，具体为：
所述机器学习算法采用支持向量回归算法(∈-SVR)进行训练，所述机器学习算法的训练模型如下：
目标函数：
约束条件：
其中，ω和b表示需要求解的参数；C表示罚因子，是人为给定的、预设的经验参数，用于控制目标函数中两项之间的权重；ξi和ξi *表示松弛变量；ε表示人为给定的、预设的常量，且ε>0，xi表示输入变量，对应所述电价差值△P；yi表示标签量，对应所述负荷差值△L；
将高斯核作为所述机器学习算法的核函数，公式具体如下：
作为优选地，当所述预测日前N天为预测日前7天时，所述基于实时电价的超短期节点负荷预测方法包括：
检测所述第一历史数据和所述第二历史数据中是否含有节假日历史数据，若是，则剔除所述节假日历史数据，以使
所述第一历史数据为剔除了节假日历史数据后的连续7天所有时段的节点日前出清电价、节点日前成交负荷的历史数据；
所述第二历史数据为剔除了节假日历史数据后的连续7天所有时段的节点实时电价、节点实际负荷的历史数据。
在本实施例中，具体的，当N等于7时，所述基于实时电价的超短期节点负荷预测方法为：
首先，获取预测日前7天的所有时段的节点日前出清电价及节点日前成交负荷的第一历史数据，以及获取预测日前7天所有时段的节点实时电价及节点实际负荷的第二历史数据；
然后，检测这7天的历史数据，若有节假日，则剔除节假日的历史数据；
同时将节点日前出清电价、节点实时电价、节点日前成交负荷以及节点实际负荷进行数据归一化处理；
紧接着，计算节点日前出清电价与节点实时电价的电价差值△P，并计算节点日前成交负荷与节点实际负荷的负荷差值△L；
取电价差值△P和负荷差值△L作为一个训练样本(△P，△L)，并将预测日前7天的历史数据作为支持向量机学习算法的训练集；
最后，结合训练得到的电价偏差与负荷波动的函数关系，得出超短期节点负荷预测模型。
可以理解的，本实施例主要步骤如下：
(1)获取预测日前7天的所有时段(每天24时段)的节点日前出清电价及节点日前成交负荷的第一历史数据；
其中，所述节点日前出清电价则是指该节点的在第二天24个时段每个时段的成交电价，即所述节点日前出清电价一共有第二天24个时段的电价；
所述节点日前成交负荷则是指该节点的在第二天24个时段每个时段的成交负荷，即所述节点日前成交负荷一共有第二天24个时段的负荷。
(2)获取预测日前7天所有时段(每天24时段)的节点实时电价及节点实际负荷的第二历史数据；
其中，所述节点实时电价是指该节点的在这一天24个时段每个时段的实际电价，即所述节点实时电价在一天24个时段的实际电价；
所述节点实际负荷则是指该节点的在这一天24个时段每个时段的实际负荷，所述节点实际负荷一共有一天24个时段的负荷。
(3)检测这7天的历史数据，若有节假日，则剔除节假日的历史数据；
所述节假日是指国家法定节假日，即元旦节、春节、清明节、劳动节、端午节、中秋节、国庆节。
由于节假日的负荷曲线与正常日的负荷曲线有明显不同，本发明方法将剔除节假日的历史数据，同时向后补充缺失的历史数据，以保证有7天的历史数据供算法训练。
(4)将节点日前出清电价、节点实时电价、节点日前成交负荷及节点实际负荷进行数据归一化处理；
数据归一化包括将节点日前出清电价、节点实时电价、节点日前成交负荷及节点实际负荷进行数据处理，由于机器学习的训练，使得其对[-1,1]内的数据敏感。
可以理解的，如果输入的数据为[-1,1]，则会大大加速机器学习的训练速度和训练效果。
同时，为了处理不同电价和负荷数量级和不同量纲的输入量，需要对输入量进行归一化处理，因此，数值量负荷和电价采用下面的归一化公式进行处理：
其中，x′为归一化后的输入变量，max(x)和min(x)分别为待归一化变量的最大和最小值。
(5)计算节点日前出清电价与实时电价的电价差值△P，计算节点日前成交负荷与实时负荷的负荷差值△L；
其中，所述的节点日前出清电价与实时电价的差值是指在7天的历史数据，计算每一天24个时段的节点日前出清电价和实时电价的差值，则有7*24个电价差值△P；
所述的节点日前成交负荷与实时负荷的差值是指在7天的历史数据，计算每一天24个时段的节点日前成交负荷和实时负荷的差值，则有7*24个负荷差值△L。
(6)取电价差值△P和负荷差值△L作为一个训练样本(△P，△L)，将预测日前7天的历史数据作为支持向量机学习算法的训练集；
其中，所述的电价差值△P与负荷差值必须为同一个节点同一天同一时刻的差值△L，以一个(△P，△L)为一个训练样本，则本发明方法的历史数据训练集的数量为7*24个。
其中，在机器学习算法自学习训练中，根据所述预测日前N天数据训练集和机器学习算法，获得电价偏差与负荷波动的函数关系，具体为：
所述机器学习算法采用支持向量回归算法(∈-SVR)进行训练，所述机器学习算法的训练模型如下：
目标函数：
约束条件：
其中，ω和b表示需要求解的参数；C表示罚因子，是预设的经验参数，用于控制目标函数中两项之间的权重；ξi和ξi *表示松弛变量；ε表示预设的常量，且ε>0，xi表示输入变量，对应所述电价差值△P；yi表示标签量，对应所述负荷差值△L；
将高斯核作为所述机器学习算法的核函数，公式具体如下：
(7)结合训练得到的电价偏差与负荷波动的函数关系，得出超短期节点负荷预测模型。
综上所述，本发明提供了一种基于实时电价的超短期节点负荷预测方法，包括步骤：
S1，获取预测日前N天的第一历史数据，所述第一历史数据包括节点日前出清电价、节点日前成交负荷；
S2，获取预测日前N天的第二历史数据，所述第二历史数据包括节点实时电价、节点实际负荷；
S3，将所述第一历史数据、所述第二历史数据进行数据归一化处理；
S4，计算所述节点日前出清电价与所述节点实时电价的电价差值△P，并计算所述节点日前成交负荷与所述节点实际负荷的负荷差值△L；
S5，根据所述电价差值△P和所述负荷差值△L，得到训练样本(△P，△L)以及作为支持向量机学习算法的预测日前N天数据训练集；
S6，根据所述预测日前N天数据训练集和机器学习算法，获得电价偏差与负荷波动的函数关系；
S7，根据所述电价偏差与负荷波动的函数关系，得到超短期节点负荷预测模型。
相比于现有技术，本发明具有如下有益效果：
(1)所述基于实时电价的超短期节点负荷预测方法充分考虑了电力交易电价对负荷需求的影响，通过计算获得所述节点日前出清电价与所述节点实时电价的之间的电价差值△P、所述节点日前成交负荷与所述节点实际负荷的负荷差值△L，从而获得节点日前电价偏差与负荷波动的函数关系，以根据电价的动态变化，对负荷的预测结果进行修正，进而高效可靠地提高预测的精确度，为电力交易、电网调度运行、电网安全校核等提供高质量、高精度的基础数据，实现最优的经济效益。
(2)由于电力市场环境下负荷影响因素众多，并具有高度非线性、随机性，很难找到合适的函数对其进行拟合，造成预测精度较低，且影响因素众多且相互耦合，无法全部考虑，同样也面临其相关函数难以拟合的问题，因此本发明基于具有很强的自学习和复杂的非线性函数拟合能力的机器学习算法，根据所述电价差值△P和所述负荷差值△L，得到训练样本(△P，△L)以及作为支持向量机学习算法的预测日前N天数据训练集，从而能够对电价与负荷关系模型进行拟合，进而实现精准的数据拟合。
(3)本发明基于先进机器学习算法并结合我国现货市场的电价机制，提供了基于实时电价的超短期节点负荷预测方法，充分考虑了电力交易电价对负荷需求的影响，利用具有很强的自学习和复杂的非线性函数拟合能力的机器学习算法，能够有效地提升综合因素影响下的负荷预测精度，且具有计算高效准确、精度高的特点，从而为未来电力现货市场环境下高精度的进行超短期节点负荷预测奠定坚实基础，因此具有重大的经济和社会效益。
(4)本发明的基于实时电价的超短期节点负荷预测方法不仅可为电网公司提供实时发电计划，合理控制和经济调度电网发电资源，同时满足电网安全和潮流优化的实际需求，达到资源优化配置和节能减排的目标，也可为电力交易中心提供交易数据，以及为交易有序的组织和市场健康运营提供了有效保障。
(5)此外，本发明的基于实时电价的超短期节点负荷预测方法能够为电网调度计划专责和调度员提前了解次日电网和实时的运行状态提供了可靠的计算结果，提供电网安全校核的基础数据，提前采取安全预控措施消除风险，极大的提高了电网的安全稳定运行水平和调度管理工作的精益化水平。
说明本发明能够满足电网公司和电力交易中心等机构的实际需要，具有重要的现实意义和良好的应用前景。
此外，本发明所提出的基于实时电价的超短期节点负荷预测方法能够为电网调度计划专责和调度员提前了解次日电网和实时的运行状态提供了可靠的计算结果，从而提供了电网安全校核的基础数据，提前采取安全预控措施消除风险，进而极大的提高了电网的安全稳定运行水平和调度管理工作的精益化水平。
请参见图2，本发明还提供了一种基于实时电价的超短期节点负荷预测系统，包括：
第一数据获取模块1，用于获取预测日前N天的第一历史数据，所述第一历史数据包括节点日前出清电价、节点日前成交负荷；
第二数据获取模块2，用于获取预测日前N天的第二历史数据，所述第二历史数据包括节点实时电价、节点实际负荷；
归一化处理模块3，用于将所述第一历史数据、所述第二历史数据进行数据归一化处理；
计算模块4，用于计算所述节点日前出清电价与所述节点实时电价的电价差值△P，并计算所述节点日前成交负荷与所述节点实际负荷的负荷差值△L；
训练数据处理模块5，用于根据所述电价差值△P和所述负荷差值△L，得到训练样本(△P，△L)以及作为支持向量机学习算法的预测日前N天数据训练集；
机器学习模块6，用于根据所述预测日前N天数据训练集和机器学习算法，获得电价偏差与负荷波动的函数关系；
负荷预测模块7，用于根据所述电价偏差与负荷波动的函数关系，得到超短期节点负荷预测模型。
在本发明实施例中，所述第一历史数据为剔除了节假日历史数据后的N天所有时段的节点日前出清电价、节点日前成交负荷的历史数据；
所述第二历史数据为剔除了节假日历史数据后的N天所有时段的节点实时电价、节点实际负荷的历史数据。
在本发明实施例中，所述基于实时电价的超短期节点负荷预测系统还包括：
节假日检测剔除模块，用于检测所述第一历史数据和所述第二历史数据中是否含有节假日历史数据，若是，则剔除所述节假日历史数据，以使
所述第一历史数据为剔除了节假日历史数据后的连续7天所有时段的节点日前出清电价、节点日前成交负荷的历史数据；
所述第二历史数据为剔除了节假日历史数据后的连续7天所有时段的节点实时电价、节点实际负荷的历史数据。
在本发明实施例中，所述归一化处理模块3包括：
第一归一化单元，用于将所述节点日前出清电价、所述节点日前成交负荷、所述节点实时电价、所述节点实际负荷通过归一化公式进行数据归一化处理；
所述归一化公式为：
其中，x′为归一化后的输入变量，max(x)和min(x)分别为待归一化变量的最大和最小值。
在本发明实施例中，所述训练数据处理模块5包括：
第一训练数据处理单元，用于所述机器学习算法采用支持向量回归算法(∈-SVR)进行训练，所述机器学习算法的训练模型如下：
目标函数：
约束条件：
其中，ω和b表示需要求解的参数；C表示罚因子，是预设的经验参数，用于控制目标函数中两项之间的权重；ξi和ξi *表示松弛变量；ε表示预设的常量，且ε>0，xi表示输入变量，对应所述电价差值△P；yi表示标签量，对应所述负荷差值△L；
第二训练数据处理单元，用于将高斯核作为所述机器学习算法的核函数，公式具体如下：
在本发明实施例中，所述节点日前出清电价为该节点在第二天24个时段中每个时段的成交电价；所述节点日前成交负荷为该节点在第二天24个时段中每个时段的成交负荷；所述节点实时电价为该节点在当天24个时段中每个时段的实际电价；所述节点实际负荷为该节点在当天24个时段中每个时段的实际负荷。
在本发明实施例中，所述计算模块4包括：
第一计算单元，用于计算在N天内每一天24个时段的节点日前出清电价与节点实时电价之间的差值，得到N*24个电价差值△P；
第二计算单元，用于计算在N天内每一天24个时段的节点日前成交负荷与节点实际负荷之间的差值，得到N*24个负荷差值△L。
在本发明实施例中，所述机器学习模块包括：
机器学习单元5，用于根据所述N*24个电价差值△P以及所述N*24个负荷差值△L，得到多个同一节点、同一天、同一时刻的训练样本(△P，△L)以及作为支持向量机学习算法的N*24个预测日前N天数据训练集。
需要说明的是，本发明实施例提供的一种基于实时电价的超短期节点负荷预测系统使用上述基于实时电价的超短期节点负荷预测方法，其工作原理和有益效果一一对应，因而不再赘述。
本发明提供的一种基于实时电价的超短期节点负荷预测系统，充分考虑了电力交易电价对负荷需求的影响，通过计算获得所述节点日前出清电价与所述节点实时电价的之间的电价差值△P、所述节点日前成交负荷与所述节点实际负荷的负荷差值△L，从而获得节点日前电价偏差与负荷波动的函数关系，以根据电价的动态变化，对负荷的预测结果进行修正，进而高效可靠地提高预测的精确度，为电力交易、电网调度运行、电网安全校核等提供高质量、高精度的基础数据，实现最优的经济效益。
所述系统基于先进机器学习算法并结合我国现货市场的电价机制，提供了基于实时电价的超短期节点负荷预测方法，充分考虑了电力交易电价对负荷需求的影响，利用具有很强的自学习和复杂的非线性函数拟合能力的机器学习算法，能够有效地提升综合因素影响下的负荷预测精度，且具有计算高效准确、精度高的特点，从而为未来电力现货市场环境下高精度的进行超短期节点负荷预测奠定坚实基础，因此具有重大的经济和社会效益。
此外，所述系统不仅可为电网公司提供实时发电计划，合理控制和经济调度电网发电资源，同时满足电网安全和潮流优化的实际需求，达到资源优化配置和节能减排的目标，也可为电力交易中心提供交易数据，以及为交易有序的组织和市场健康运营提供了有效保障。
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 (10)
1.一种基于实时电价的超短期节点负荷预测方法，其特征在于，包括步骤：
获取预测日前N天的第一历史数据，所述第一历史数据包括节点日前出清电价、节点日前成交负荷；
获取预测日前N天的第二历史数据，所述第二历史数据包括节点实时电价、节点实际负荷；
将所述第一历史数据、所述第二历史数据进行数据归一化处理；
计算所述节点日前出清电价与所述节点实时电价的电价差值△P，并计算所述节点日前成交负荷与所述节点实际负荷的负荷差值△L；
根据所述电价差值△P和所述负荷差值△L，得到训练样本以及作为支持向量机学习算法的预测日前N天数据训练集；
根据所述预测日前N天数据训练集和机器学习算法，获得电价偏差与负荷波动的函数关系；
根据所述电价偏差与负荷波动的函数关系，得到超短期节点负荷预测模型。
2.如权利要求1所述的基于实时电价的超短期节点负荷预测方法，其特征在于，
所述第一历史数据为剔除了节假日历史数据后的N天所有时段的节点日前出清电价、节点日前成交负荷的历史数据；
所述第二历史数据为剔除了节假日历史数据后的N天所有时段的节点实时电价、节点实际负荷的历史数据。
3.如权利要求2所述的基于实时电价的超短期节点负荷预测方法，其特征在于，所述预测日前N天为预测日前7天，所述方法还包括：
在所述步骤：将所述第一历史数据、所述第二历史数据进行数据归一化处理之前，
检测所述第一历史数据和所述第二历史数据中是否含有节假日历史数据，若是，则剔除所述节假日历史数据，以使
所述第一历史数据为剔除了节假日历史数据后的连续7天所有时段的节点日前出清电价、节点日前成交负荷的历史数据；
所述第二历史数据为剔除了节假日历史数据后的连续7天所有时段的节点实时电价、节点实际负荷的历史数据。
4.如权利要求1～3任一项所述的基于实时电价的超短期节点负荷预测方法，其特征在于，所述步骤：将所述第一历史数据、所述第二历史数据进行数据归一化处理，具体为：
将所述节点日前出清电价、所述节点日前成交负荷、所述节点实时电价、所述节点实际负荷通过归一化公式进行数据归一化处理；
所述归一化公式为：
其中，x′为归一化后的输入变量，max(x)和min(x)分别为待归一化变量的最大和最小值。
5.如权利要求1～3任一项所述的基于实时电价的超短期节点负荷预测方法，其特征在于，所述步骤：根据所述预测日前N天数据训练集和机器学习算法，获得电价偏差与负荷波动的函数关系，具体为：
所述机器学习算法采用支持向量回归算法进行训练，所述机器学习算法的训练模型如下：
目标函数：
约束条件：
其中，ω和b表示需要求解的参数；C表示罚因子，是预设的经验参数，用于控制目标函数中两项之间的权重；ξi和表示松弛变量；ε表示预设的常量，且ε>0，xi表示输入变量，对应所述电价差值△P；yi表示标签量，对应所述负荷差值△L；
将高斯核作为所述机器学习算法的核函数，公式具体如下：
6.如权利要求1～3任一项所述的基于实时电价的超短期节点负荷预测方法，其特征在于，
所述节点日前出清电价包括该节点在第二天24个时段中每个时段的成交电价；
所述节点日前成交负荷包括该节点在第二天24个时段中每个时段的成交负荷；
所述节点实时电价包括该节点在当天24个时段中每个时段的实际电价；
所述节点实际负荷包括该节点在当天24个时段中每个时段的实际负荷。
7.如权利要求1～3任一项所述的基于实时电价的超短期节点负荷预测方法，其特征在于，所述步骤：计算所述节点日前出清电价与所述节点实时电价的电价差值△P，并计算所述节点日前成交负荷与所述节点实际负荷的负荷差值△L，具体为：
计算在N天内每一天24个时段的节点日前出清电价与节点实时电价之间的差值，得到N*24个电价差值△P；
计算在N天内每一天24个时段的节点日前成交负荷与节点实际负荷之间的差值，得到N*24个负荷差值△L。
8.如权利要求7所述的基于实时电价的超短期节点负荷预测方法，其特征在于，所述步骤：根据所述电价差值△P和所述负荷差值△L，得到训练样本以及作为支持向量机学习算法的预测日前N天数据训练集，具体为：
根据所述N*24个电价差值△P以及所述N*24个负荷差值△L，得到同一个节点同一天同一时刻的训练样本以及作为支持向量机学习算法的N*24个预测日前N天数据训练集。
9.一种基于实时电价的超短期节点负荷预测系统，其特征在于，包括：
第一数据获取模块，用于获取预测日前N天的第一历史数据，所述第一历史数据包括节点日前出清电价、节点日前成交负荷；
第二数据获取模块，用于获取预测日前N天的第二历史数据，所述第二历史数据包括节点实时电价、节点实际负荷；
归一化处理模块，用于将所述第一历史数据、所述第二历史数据进行数据归一化处理；
计算模块，用于计算所述节点日前出清电价与所述节点实时电价的电价差值△P，并计算所述节点日前成交负荷与所述节点实际负荷的负荷差值△L；
训练数据处理模块，用于根据所述电价差值△P和所述负荷差值△L，得到训练样本以及作为支持向量机学习算法的预测日前N天数据训练集；
机器学习模块，用于根据所述预测日前N天数据训练集和机器学习算法，获得电价偏差与负荷波动的函数关系；
负荷预测模块，用于根据所述电价偏差与负荷波动的函数关系，得到超短期节点负荷预测模型。
10.如权利要求9所述的基于实时电价的超短期节点负荷预测系统，其特征在于，
所述第一历史数据为剔除了节假日历史数据后的N天所有时段的节点日前出清电价、节点日前成交负荷的历史数据；
所述第二历史数据为剔除了节假日历史数据后的N天所有时段的节点实时电价、节点实际负荷的历史数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810522117.4A CN108921322A (zh) | 2018-05-25 | 2018-05-25 | 一种基于实时电价的超短期节点负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810522117.4A CN108921322A (zh) | 2018-05-25 | 2018-05-25 | 一种基于实时电价的超短期节点负荷预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108921322A true CN108921322A (zh) | 2018-11-30 |
Family
ID=64409975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810522117.4A Pending CN108921322A (zh) | 2018-05-25 | 2018-05-25 | 一种基于实时电价的超短期节点负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108921322A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047191A (zh) * | 2019-12-12 | 2020-04-21 | 广东电网有限责任公司 | 一种电力市场的中长期负荷预测方法和装置 |
| CN111291915A (zh) * | 2018-12-07 | 2020-06-16 | 中国电力科学研究院有限公司 | 一种日前市场优化出清结果异常的处理方法及系统 |
| CN111697570A (zh) * | 2020-05-25 | 2020-09-22 | 国网河北省电力有限公司石家庄市藁城区供电分公司 | 一种电网负荷预测方法 |
| CN111753097A (zh) * | 2020-06-22 | 2020-10-09 | 国能日新科技股份有限公司 | 基于深度学习的电力现货交易出清的数据分析方法及装置 |
| CN111967918A (zh) * | 2020-09-01 | 2020-11-20 | 上海积成能源科技有限公司 | 一种基于支持向量回归算法的预测电价的系统模型 |
| CN112100913A (zh) * | 2020-09-08 | 2020-12-18 | 中国电力科学研究院有限公司 | 一种数据驱动的出清电价边界模拟方法、系统及存储介质 |
| CN112862143A (zh) * | 2019-11-28 | 2021-05-28 | 新奥数能科技有限公司 | 一种负荷、价格预测方法 |
| CN113205207A (zh) * | 2021-04-19 | 2021-08-03 | 深圳供电局有限公司 | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 |
| CN113569410A (zh) * | 2021-07-29 | 2021-10-29 | 南方电网数字电网研究院有限公司 | 出清结果计算方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930347A (zh) * | 2012-10-15 | 2013-02-13 | 河海大学 | 一种需求响应下的短期负荷预测方法 |
| US20140095415A1 (en) * | 2012-09-28 | 2014-04-03 | Electronics And Telecommunications Research Institute | Apparatus and method for forecasting energy consumption |
| CN104376384A (zh) * | 2014-11-27 | 2015-02-25 | 广西大学 | 一种基于电力大数据分析的台风日最大日负荷预测系统 |
| CN107423847A (zh) * | 2017-06-16 | 2017-12-01 | 国网山东省电力公司青岛供电公司 | 一种分布式智能配电网的电力负荷预测方法 |
-
2018
- 2018-05-25 CN CN201810522117.4A patent/CN108921322A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140095415A1 (en) * | 2012-09-28 | 2014-04-03 | Electronics And Telecommunications Research Institute | Apparatus and method for forecasting energy consumption |
| CN102930347A (zh) * | 2012-10-15 | 2013-02-13 | 河海大学 | 一种需求响应下的短期负荷预测方法 |
| CN104376384A (zh) * | 2014-11-27 | 2015-02-25 | 广西大学 | 一种基于电力大数据分析的台风日最大日负荷预测系统 |
| CN107423847A (zh) * | 2017-06-16 | 2017-12-01 | 国网山东省电力公司青岛供电公司 | 一种分布式智能配电网的电力负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 何耀耀: "基于实时电价与支持向量分位数回归的", 《中国电机工程学》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111291915A (zh) * | 2018-12-07 | 2020-06-16 | 中国电力科学研究院有限公司 | 一种日前市场优化出清结果异常的处理方法及系统 |
| CN112862143A (zh) * | 2019-11-28 | 2021-05-28 | 新奥数能科技有限公司 | 一种负荷、价格预测方法 |
| CN111047191A (zh) * | 2019-12-12 | 2020-04-21 | 广东电网有限责任公司 | 一种电力市场的中长期负荷预测方法和装置 |
| CN111697570A (zh) * | 2020-05-25 | 2020-09-22 | 国网河北省电力有限公司石家庄市藁城区供电分公司 | 一种电网负荷预测方法 |
| CN111753097A (zh) * | 2020-06-22 | 2020-10-09 | 国能日新科技股份有限公司 | 基于深度学习的电力现货交易出清的数据分析方法及装置 |
| CN111753097B (zh) * | 2020-06-22 | 2023-11-14 | 国能日新科技股份有限公司 | 基于深度学习的电力现货交易出清的数据分析方法及装置 |
| CN111967918A (zh) * | 2020-09-01 | 2020-11-20 | 上海积成能源科技有限公司 | 一种基于支持向量回归算法的预测电价的系统模型 |
| CN112100913A (zh) * | 2020-09-08 | 2020-12-18 | 中国电力科学研究院有限公司 | 一种数据驱动的出清电价边界模拟方法、系统及存储介质 |
| CN113205207A (zh) * | 2021-04-19 | 2021-08-03 | 深圳供电局有限公司 | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 |
| CN113569410A (zh) * | 2021-07-29 | 2021-10-29 | 南方电网数字电网研究院有限公司 | 出清结果计算方法、装置、设备及存储介质 |
| CN113569410B (zh) * | 2021-07-29 | 2024-08-02 | 南方电网数字电网科技(广东)有限公司 | 出清结果计算方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921322A (zh) | 一种基于实时电价的超短期节点负荷预测方法及系统 | |
| CN104408562B (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
| Jin et al. | Impact of cost–benefit analysis on financial benefit evaluation of investment projects under back propagation neural network | |
| CN107506863A (zh) | 一种基于大数据电网实物资产运维检修费用预测方法 | |
| CN110059913A (zh) | 一种计及未来态的停电计划的量化评估方法 | |
| CN108898285A (zh) | 一种基于信息熵的啤酒包装生产线运行效率定量评估方法 | |
| Wu et al. | A comprehensive obstacle analysis framework on dispersed wind power: a case of China | |
| CN114331041A (zh) | 一种基于信息物理系统架构的智慧电厂成熟度评估方法及系统 | |
| Simutis et al. | A flexible neural network for ATM cash demand forecasting | |
| Chen et al. | Post-evaluation on financial support highway traffic project based on BP neural network algorithm | |
| CN103455854A (zh) | 基于全局优化的配电网调度系统目标建模方法 | |
| CN110827134A (zh) | 一种电网企业财务健康诊断方法 | |
| De Kuyffer et al. | Offshore windmill and substation maintenance planning with distance, fuel consumption and tardiness optimisation | |
| Liu et al. | Social implications of cyber-physical systems in electrical load forecasting | |
| Chang | The application of neural network to the allocation of enterprise human resources | |
| CN111738563B (zh) | 一种航天生产现场过程管控能力检测方法 | |
| Yang et al. | Risk prediction of city distribution engineering based on BP | |
| Zhang et al. | Day-ahead electricity price forecasting using artificial intelligence | |
| Wu et al. | Risk Assessment of Low‐Speed Wind Power Projects Based on an Aggregated Cloud Method: A Case in China | |
| Peng et al. | A comprehensive error evaluation method for wind power forecasting and its application | |
| Zeyong et al. | Risk Assessment Model and Experimental Analysis of Electric Power Production Based on Big Data | |
| Guangrui et al. | Effectiveness Evaluation of “Five Chain” Integration of State Grid Corporation of China Based on TOPSIS Method | |
| Liu et al. | Intelligent manufacturing system based on data mining algorithm | |
| Chen et al. | Evaluation on the effect of water environment treatment–A new exploration considering time based on the RCS | |
| Bing et al. | Application of BP neural network in the evaluation of standard implementation |
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: 20181130 |