CN109034504A - 一种短期负荷预测模型建立方法及装置 - Google Patents
一种短期负荷预测模型建立方法及装置 Download PDFInfo
- Publication number
- CN109034504A CN109034504A CN201811071236.9A CN201811071236A CN109034504A CN 109034504 A CN109034504 A CN 109034504A CN 201811071236 A CN201811071236 A CN 201811071236A CN 109034504 A CN109034504 A CN 109034504A
- Authority
- CN
- China
- Prior art keywords
- load
- power system
- forecasting model
- timing node
- load 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003064 k means clustering Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 3
- 108010001267 Protein Subunits Proteins 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 238000010219 correlation analysis Methods 0.000 description 5
- 238000012888 cubic function Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012887 quadratic function Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000009987 spinning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
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
本申请提供一种短期负荷预测模型建立方法及装置，其中，所述方法包括：获取历史电力负荷数据，以及与所述历史电力负荷数据对应的历史时刻的温度；建立所述历史电力负荷数据与所述历史温度之间的关系式，其中，所述关系式为第一负荷预测模型；获取与所述历史电力负荷数据对应的日期因素；将所述日期因素与所述第一负荷预测模型融合，获得第二负荷预测模型，其中，所述第二负荷预测模型为短期负荷预测模型。本申请所述的方法中，第二负荷预测模型除考虑气象因素外，还考虑日期因素，因此，相对于现有技术来说，利用第二负荷预测模型进行电力负荷估计的精确度增加。
Description
技术领域
本申请涉及电力负荷预测技术领域，具体涉及一种短期负荷预测模型建立方法及装置。
背景技术
电力负荷，又称“用电负荷”，是指用电设备在某一时间段向电力系统取用的电功率的总和。为了合理地安排机组启停和检修计划等，通常情况下需要进行短期负荷预测。短期负荷预测是指对未来几小时至几天的电力负荷进行估计，获取估计结果，以便电力系统根据估计结果安排机组启停、旋转备用容量以及检修计划等，从而达到合理并高效调配资源的效果。
短期负荷预测通常依靠短期负荷预测模型进行，因此，首先需要建立短期负荷预测模型。现有短期负荷预测模型主要考虑气象因素，所述气象因素包括：温度、气压、相对湿度、露点以及风冷指数，利用各个气象因素与电力负荷的相关性，确定与电力负荷相关性较强的气象因素，并将所述与电力负荷相关性较强的各个气象因素作为目标气象因素，根据以下公式建立目标气象因素与预测电力负荷之间的关系式，所述关系式即为短期预测模型：
E(y)＝ζ0+ζ1x1+ζ2x2+…+ζp-1xp-1
其中，y为电力负荷的预测值，E(y)为电力负荷预测值y的期望值，x1为第一个目标气象因素，x2为第二个目标气象因素，xp-1为第p-1个目标气象因素，ζ0，ζ1，ζ2，…，ζp-1为回归系数，回归系数可由线性回归的方法求出。
但是，发明人在本申请的研究过程中发现，由于现有短期负荷预测模型仅考虑气象因素，导致利用现有短期负荷预测模型进行电力负荷的估计时容易出现较大误差，若电力系统根据误差较大的预测电力负荷安排机组启停、旋转备用容量以及检修计划等，难以达到合理并高效调配资源的效果。
发明内容
本申请提供一种短期负荷预测模型建立方法及装置，以解决现有负荷预测模型进行电力负荷估计时误差较大的问题。
本申请的第一方面，提供一种短期负荷预测模型建立方法，包括：
获取历史电力负荷数据，以及与所述历史电力负荷数据对应的历史时刻的温度，其中，所述历史电力负荷数据对应的历史时刻的温度为历史温度；
建立所述历史电力负荷数据与所述历史温度之间的关系式，其中，所述关系式为第一负荷预测模型；
获取与所述历史电力负荷数据对应的日期因素，所述日期因素包括月份、星期和小时；
将所述日期因素与所述第一负荷预测模型融合，获得第二负荷预测模型，其中，所述第二负荷预测模型为短期负荷预测模型。
可选的，所述建立所述历史电力负荷数据与所述历史温度之间的关系式，其中，所述关系式为第一负荷预测模型，包括：
根据历史电力负荷数据与历史温度之间的对应关系，确定所述第一负荷预测模型为：
yi＝α1+α2t+α3t2+α4t3
其中，i为时间节点，yi为时间节点i的电力负荷预测值，α1，α2，α3，α4为回归系数，t为时间节点i对应的温度。
可选的，将所述日期因素与所述第一负荷预测模型融合，获得第二负荷预测模型，包括：
根据所述历史电力负荷数据与各个所述日期因素之间的对应关系，确定第三负荷预测模型为：
其中，i为时间节点，yi为时间节点i的电力负荷预测值，β1，β2，…，β9为回归系数，t为时间节点i对应的温度，Mi为时间节点i对应的月份，Wi为时间节点i对应的星期，Hi为时间节点i对应的小时；
利用K-means聚类分析方法，根据历史电力负荷数据与日期因素中的小时之间的关系，将所述电力负荷数据对应的历史时刻划分为各个日期类型；
建立所述日期类型与所述历史电力负荷数据的对应关系，并将所述日期类型与所述历史电力负荷数据的对应关系添加至所述第三负荷预测模型，得到第二负荷预测模型。
可选的，所述第二负荷预测模型为：
其中，i为时间节点，yi为时间节点i的电力负荷预测值，ψ1，ψ2，…，ψ10为回归系数，t为时间节点i对应的温度，Mi为时间节点i对应的月份，Wi为时间节点i对应的星期，Hi为时间节点i对应的小时，Di为时间节点i对应的日期类型。
可选的，利用K-means聚类分析方法，根据历史电力负荷数据与日期因素中的小时之间的关系，将所述电力负荷数据对应的历史时刻划分为各个日期类型，包括：
建立第一日负荷曲线，所述第一日负荷曲线以所述历史电力负荷数据为纵坐标，以所述日期因素中的小时为横坐标；
按照以下公式将所述历史电力负荷数据归一化：
其中，x*为归一化后的历史电力负荷数据，x为历史电力负荷数据，max为历史电力负荷数据中的最大值，min为历史电力负荷数据中的最小值；
建立第二日负荷曲线，所述第二日负荷曲线以所述归一化后的历史电力负荷数据为纵坐标，以所述日期因素中的小时为横坐标；
根据拟合优度确定最佳聚类数K；
随机选取K条第二日负荷曲线作为聚类中心；
按照欧式距离将其余第二日负荷曲线归类到所述聚类中心所在簇，并计算新的聚类中心；
判断新的聚类中心与原有的聚类中心之间的欧式距离是否小于预设的阈值；
若所述新的聚类中心与原有的聚类中心之间的欧式距离小于预设的阈值，则确定所述新的聚类中心所在簇对应的第二日负荷曲线为同类第二日负荷曲线；
将所述同类第二日负荷曲线对应的历史时刻作为一个日期类型。
可选的，在建立所述日期类型与所述历史电力负荷数据的对应关系，并将所述日期类型与所述历史电力负荷数据的对应关系添加至所述第三负荷预测模型，得到第二负荷预测模型之后，还包括：
计算所述时间节点对应的趋势变量，所述趋势变量为预先设定的初始值与时间间隔的和，所述时间间隔为所述历史负荷电力负荷数据的时间起点与所述时间节点之间的间隔，所述时间间隔以小时为基本单位；
将所述趋势变量与所述历史电力负荷数据的关系添加至所述第二负荷预测模型，获取调整后的第二负荷预测模型，以便将所述调整后的第二负荷预测模型作为短期负荷预测模型，所述调整后的第二负荷预测模型为：
其中，i为时间节点，yi为时间节点i的电力负荷预测值，θ0，θ2，…，θ10为回归系数，t为时间节点i对应的温度，Mi为时间节点i对应的月份，Wi为时间节点i对应的星期，Hi为时间节点i对应的小时，Di为时间节点i对应的日期类型，Trendi为时间节点i对应的趋势变量。
本申请的第二方面，提供一种短期负荷预测模型建立装置，包括：
第一获取模块，用于获取历史电力负荷数据，以及与所述历史电力负荷数据对应的历史时刻的温度，其中，所述历史电力负荷数据对应的历史时刻的温度为历史温度；
建立模块，用于建立所述历史电力负荷数据与所述历史温度之间的关系式，其中，所述关系式为第一负荷预测模型；
第二获取模块，用于获取与所述历史电力负荷数据对应的日期因素，所述日期因素包括月份、星期和小时；
第三获取模块，用于将所述日期因素与所述第一负荷预测模型融合，获得第二负荷预测模型，其中，所述第二负荷预测模型为短期负荷预测模型。
可选的，所述第三获取模块包括：
确定单元，用于根据所述历史电力负荷数据与各个所述日期因素之间的对应关系，确定第三负荷预测模型为：
其中，i为时间节点，yi为时间节点i的电力负荷预测值，β1，β2，…，β9为回归系数，t为时间节点i对应的温度，Mi为时间节点i对应的月份，Wi为时间节点i对应的星期，Hi为时间节点i对应的小时；
分类单元，用于利用K-means聚类分析方法，根据历史电力负荷数据与日期因素中的小时之间的关系，将所述电力负荷数据对应的历史时刻划分为各个日期类型；
第一获取单元，用于建立所述日期类型与所述历史电力负荷数据的对应关系，并将所述日期类型与所述历史电力负荷数据的对应关系添加至所述第三负荷预测模型，得到第二负荷预测模型。
可选的，所述分类单元包括：
第一建立子单元，用于建立第一日负荷曲线，所述第一日负荷曲线以所述历史电力负荷数据为纵坐标，以所述日期因素中的小时为横坐标；
归一化子单元，用于按照以下公式将所述历史电力负荷数据归一化：
其中，x*为归一化后的历史电力负荷数据，x为历史电力负荷数据，max为历史电力负荷数据中的最大值，min为历史电力负荷数据中的最小值；
第二建立子单元，用于建立第二日负荷曲线，所述第二日负荷曲线以所述归一化后的历史电力负荷数据为纵坐标，以所述日期因素中的小时为横坐标；
第一确定子单元，用于根据拟合优度确定最佳聚类数K；
选取子单元，用于随机选取K条第二日负荷曲线作为聚类中心；
计算子单元，用于按照欧式距离将其余第二日负荷曲线归类到所述聚类中心所在簇，并计算新的聚类中心；
判断子单元，用于判断新的聚类中心与原有的聚类中心之间的欧式距离是否小于预设的阈值；
第二确定子单元，用于若所述新的聚类中心与原有的聚类中心之间的欧式距离小于预设的阈值，则确定所述新的聚类中心所在簇对应的第二日负荷曲线为同类第二日负荷曲线；
第三确定子单元，用于将所述同类第二日负荷曲线对应的历史时刻作为一个日期类型。
可选的，所述装置还包括：
计算单元，用于在所述第一获取单元获得第二负荷预测模型之后，计算所述时间节点对应的趋势变量，所述趋势变量为预先设定的初始值与时间间隔的和，所述时间间隔为所述历史负荷电力负荷数据的时间起点与所述时间节点之间的间隔，所述时间间隔以小时为基本单位；
第二获取单元，用于将所述趋势变量与所述历史电力负荷数据的关系添加至所述第二负荷预测模型，获取调整后的第二负荷预测模型，以便将所述调整后的第二负荷预测模型作为短期负荷预测模型，所述调整后的第二负荷预测模型为：
其中，i为时间节点，yi为时间节点i的电力负荷预测值，θ0，θ2，…，θ10为回归系数，t为时间节点i对应的温度，Mi为时间节点i对应的月份，Wi为时间节点i对应的星期，Hi为时间节点i对应的小时，Di为时间节点i对应的日期类型，Trendi为时间节点i对应的趋势变量。
本申请提供一种短期负荷预测模型建立方法及装置，其中，所述方法包括：获取历史电力负荷数据，以及与所述历史电力负荷数据对应的历史时刻的温度；建立所述历史电力负荷数据与所述历史温度之间的关系式，其中，所述关系式为第一负荷预测模型；获取与所述历史电力负荷数据对应的日期因素；将所述日期因素与所述第一负荷预测模型融合，获得第二负荷预测模型，其中，所述第二负荷预测模型为短期负荷预测模型。本申请所述的方法中，第二负荷预测模型除考虑气象因素外，还考虑日期因素，因此，相对于现有技术来说，利用第二负荷预测模型进行电力负荷估计的精确度增加。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种短期负荷预测模型建立方法的工作流程图；
图2为本申请实施例提供的历史电力负荷数据随时间变化的趋势图；
图3为本申请实施例提供的历史电力负荷数据与历史温度之间的散点图；
图4为本申请实施例提供的正常工作周负荷曲线；
图5为本申请实施例提供的工作周负荷曲线对比图；
图6为本申请实施例提供的不同聚类数所得到的R2及CCC值变化趋势图；
图7为本申请实施例提供的聚类中心日负荷曲线图；
图8为本申请实施例提供的一种短期负荷预测模型建立装置的结构示意图。
具体实施方式
为解决现有负荷预测模型进行电力负荷估计时误差较大的问题，本申请提供一种短期负荷预测模型建立方法及装置。
参照图1所示的工作流程图，提供一种短期负荷预测模型建立方法，包括以下步骤：
步骤101，获取历史电力负荷数据，以及与所述历史电力负荷数据对应的历史时刻的温度，其中，所述历史电力负荷数据对应的历史时刻的温度为历史温度。
本申请实施例中，利用2013-2015年云南省电力负荷数据作为历史电力负荷数据，参照图2所示的历史电力负荷数据随时间变化的趋势图，云南省的电力负荷数据的年周期性比较明显，年度电力负荷数据呈现出“三峰两谷”形态，一月份、六月份、十二月份用电量明显上升，春节期间、八月份负荷水平有所下降。
利用2013年云南省历史电力负荷数据，确定与历史电力负荷数据相关性较强的气象因素，表一所示为不同气象因素与历史电力负荷数据的相关性分析结果。
表一 不同气象因素与历史电力负荷数据的相关性分析结果
| 项目 | Pearson相关系数 | Spearman相关系数 | Hoeffding依赖系数 |
| 温度 | 0.12121 | 0.1295 | 0.00785 |
| 露点 | -0.19638 | -0.22317 | 0.01827 |
| 相对湿度 | -0.34527 | -0.37967 | 0.05161 |
从表一可知，总体来看，对于云南省来说，温度对于负荷的总体影响程度比相对湿度低，为具体分析气象因素对负荷的影响，以月为单位逐一研究上述气象因素与历史电力负荷数据的相关性，以月为单位不同气象因素与历史电力负荷数据的相关性分析结果如表二所示。
表二 以月为单位不同气象因素与历史电力负荷数据的相关性分析结果
| 月份 | 温度 | 相对湿度 | 气压 | 露点 | 风冷指数 |
| 1 | 0.22328 | -0.14728 | 0.01656 | 0.21762 | -0.107 |
| 2 | 0.0929 | 0.02382 | 0.00966 | 0.26672 | 0.08588 |
| 3 | 0.32487 | -0.07723 | 0.05602 | 0.1682 | -0.03289 |
| 4 | 0.457 | -0.18454 | 0.05579 | -0.06757 | -0.06032 |
| 5 | 0.47468 | -0.1306 | 0.01991 | -0.20478 | -0.36452 |
| 6 | 0.51816 | -0.1228 | 0.03002 | -0.14037 | -0.2045 |
| 7 | 0.45032 | -0.119 | 0.04654 | -0.15279 | -0.33247 |
| 8 | 0.50799 | -0.14594 | 0.04654 | -0.15279 | -0.33247 |
| 9 | 0.40951 | -0.25122 | 0.01826 | -0.18379 | -0.37826 |
| 10 | 0.28541 | -0.13498 | 0.04094 | -0.08135 | -0.15634 |
| 11 | 0.22594 | -0.17953 | 0.0658 | 0.10711 | -0.17955 |
| 12 | 0.2527 | -0.16374 | 0.03356 | 0.36963 | -0.02165 |
从表二可以看出，4月至9月温度与历史电力负荷数据的Pearson相关系数在0.4以上，说明了两者存在较明显的相关性；其中，6月、8月相关性系数在0.5以上，说明该时段内温度与历史电力负荷数据的相关性较强。相对湿度与历史电力负荷数据的相关性系数在9月略高于其它时间，这可能与秋季天气干燥有关。气压与历史电力负荷数据的相关性系数在0.1以内，相关性较弱。而风冷指数在5、6、8、9月份与历史电力负荷数据呈现较明显的负相关性，说明了温度较高的月份在比较凉爽的情况下，对应的电力负荷数据有所降低。
基于以上相关性分析，本申请实施例所建立的短期负荷预测模型中需引入温度。
步骤102，建立所述历史电力负荷数据与所述历史温度之间的关系式，其中，所述关系式为第一负荷预测模型。
以历史温度为横坐标，2013年云南省历史电力负荷数据为纵坐标，建立历史电力负荷数据与历史温度之间的散点图，如图3所示。从图3可以看出，散点图呈现“凸”字形，且比较对称，因此可以采用二次函数、三次函数及分段线性函数进行描述。由于云南省地域跨度大，不同地区的分段点不同，因此难以使用分段线性函数来描述历史温度与历史电力负荷关系。另外，三次函数在精度上要优于二次函数，尤其在云南省历史电力负荷数据远低于全国历史电力负荷数据的情况下，使用三次函数能弥补二次函数只能描述对称关系的不足，因此三次函数能够更好的拟合历史温度与历史电力负荷数据之间的关系。
利用三次函数拟合历史电力负荷数据与历史温度之间的关系，由此可以得出历史电力负荷与历史温度之间的对应关系，根据历史电力负荷数据与历史温度之间的对应关系，确定所述第一负荷预测模型为：
yi＝α1+α2t+α3t2+α4t3；
其中，i为时间节点，yi为时间节点i的电力负荷预测值，α1，α2，α3，α4为回归系数，t为时间节点i对应的温度。
步骤103，获取与所述历史电力负荷数据对应的日期因素，所述日期因素包括月份、星期和小时。
本申请实施例中，日期因素为定性变量，为了将非数值化的定性变量转化为数值型的变量，用指示变量来表示定性变量中不同的状态。通常按照下式定义定性变量：
当定性变量中存在c类状态时，则需要c-1个指示变量来表示，例如对于含有7种状态的星期变量，可以用x1,x2,…,x6这6个指示变量来表达，表达式为：
相应的，月份变量可由11个指示变量来表达，小时变量可由23个指示变量来表达。
本步骤中，每个历史电力负荷数据对应的日期因素中包含3个变量，分别为小时变量、星期变量和月份变量。
步骤104，将所述日期因素与所述第一负荷预测模型融合，获得第二负荷预测模型，其中，所述第二负荷预测模型为短期负荷预测模型。
参照图4所示的正常工作周负荷曲线，其中，工作周是指不含节假日的典型正常工作周，图4中的横坐标为负荷值，即历史电力负荷数据，纵坐标为工作周对应的星期，从图4中可以看出，正常工作周中每日负荷曲线呈现规律性变化，且每日的峰和谷对应的历史电力负荷数据相当。参照图5所示的工作周负荷曲线对比图，图5对比了2013-2015年春节、国庆及正常工作周平均周负荷曲线，可以发现：
1)工作日与周末负荷水平相近，没有显现出明显差异，这与云南省工业负荷占比较高有关；
2)节假日负荷水平与非节假日相比有所下降，但是受气象、节假日类型、人民生活方式等因素影响，不同节假日负荷特性差异较大。
由此可见，在建立短期负荷预测模型时，需要考虑日期因素。将日期因素与历史电力负荷之间的对应关系融合至第一负荷预测模型，获得第二负荷预测模型。
本申请所述的方法中，获取与所述历史电力数据对应的日期因素，所述日期因素包括月份、星期和小时；将所述日期因素与第一负荷预测模型融合，获得第二负荷预测模型，也就是说，第二负荷预测模型除考虑气象因素外，还考虑日期因素，因此，相对于现有技术来说，利用第二负荷预测模型进行电力负荷估计的精确度增加。
可选的，将所述日期因素与所述第一负荷预测模型融合，获得第二负荷预测模型，包括以下步骤：
步骤201，根据所述历史电力负荷数据与各个所述日期因素之间的对应关系，确定第三负荷预测模型为：
其中，i为时间节点，yi为时间节点i的电力负荷预测值，β1，β2，…，β9为回归系数，t为时间节点i对应的温度，Mi为时间节点i对应的月份，Wi为时间节点i对应的星期，Hi为时间节点i对应的小时。
步骤202，利用K-means聚类分析方法，根据历史电力负荷数据与日期因素中的小时之间的关系，将所述电力负荷数据对应的历史时刻划分为各个日期类型。
本步骤中，K-means聚类分析方法是一种典型的基于原型的目标函数聚类方法的代表，其中，目标函数以数据点到原型的某种距离作为优化判断标准，并利用函数求极值的方法得到迭代运算的调整规则，调整规则以某种度量指标为准则。
步骤203，建立所述日期类型与所述历史电力负荷数据的对应关系，并将所述日期类型与所述历史电力负荷数据的对应关系添加至所述第三负荷预测模型，得到第二负荷预测模型。
可选的，所述第二负荷预测模型为：
其中，i为时间节点，yi为时间节点i的电力负荷预测值，ψ1，ψ2，…，ψ10为回归系数，t为时间节点i对应的温度，Mi为时间节点i对应的月份，Wi为时间节点i对应的星期，Hi为时间节点i对应的小时，Di为时间节点i对应的日期类型。
可选的，利用K-means聚类分析方法，根据历史电力负荷数据与日期因素中的小时之间的关系，将所述电力负荷数据对应的历史时刻划分为各个日期类型，包括以下步骤：
步骤301，建立第一日负荷曲线，所述第一日负荷曲线以所述历史电力负荷数据为纵坐标，以所述日期因素中的小时为横坐标。
步骤302，按照以下公式将所述历史电力负荷数据归一化：
其中，x*为归一化后的历史电力负荷数据，x为历史电力负荷数据，max为历史电力负荷数据中的最大值，min为历史电力负荷数据中的最小值。
步骤303，建立第二日负荷曲线，所述第二日负荷曲线以所述归一化后的历史电力负荷数据为纵坐标，以所述日期因素中的小时为横坐标。
步骤304，根据拟合优度确定最佳聚类数K。
本步骤中，通过比较拟合优度来确定聚类数，所选取的度量指标为确定系数(R2)与立方聚类准则(Cubic Clustering Criterion，CCC)。R2与CCC值的计算公式如下：
式中，∑Di为K个类的簇内离差平方和；TSS为所有数据点的总离差平方和；p*为比分类数小的最大整数。当R2越接近于1的时候表示簇内离差平方和在总离差平方和中占比越小，因此说明各个类之间差异较大，聚类效果好。以Sarle提出的立方聚类准则作为优化的确定类的个数的准则，可以用于原始假设的检验及总体分类数目的估计，CCC值越大，聚类效果越好。
步骤305，随机选取K条第二日负荷曲线作为聚类中心。
步骤306，按照欧式距离将其余第二日负荷曲线归类到所述聚类中心所在簇，并计算新的聚类中心。
步骤307，判断新的聚类中心与原有的聚类中心之间的欧式距离是否小于预设的阈值。
步骤308，若所述新的聚类中心与原有的聚类中心之间的欧式距离小于预设的阈值，则确定所述新的聚类中心所在簇对应的第二日负荷曲线为同类第二日负荷曲线。
步骤309，将所述同类第二日负荷曲线对应的历史时刻作为一个日期类型。
本申请实施例中，对云南省2013-2015年日负荷进行聚类处理，分类个数取值范围为3-15，参照图6所示的不同聚类数所得到的R2及CCC值变化趋势图。从R2及CCC值的变化趋势可以看出，随着分类个数的上升，R2缓慢上升，CCC值在分类数为5的时候达到一个峰值，随后震荡变化。结合R2与CCC值的变化，选择聚类数目为5比较合适。
选取聚类数目K为5时，各个聚类中心日负荷曲线图如图7所示，各个分类中节假日、工作日、周末数量见表三。
表三 各个分类中节假日、工作日、周末数量
| 类型 | 元旦 | 春节 | 清明 | 五一 | 端午 | 中秋 | 十一 | 调休 | 工作日 | 周末 |
| 1 | 0 | 0 | 2 | 1 | 1 | 6 | 12 | 6 | 172 | 70 |
| 2 | 0 | 21 | 0 | 0 | 0 | 1 | 0 | 3 | 13 | 0 |
| 3 | 2 | 0 | 5 | 5 | 4 | 1 | 7 | 7 | 195 | 77 |
| 4 | 2 | 0 | 2 | 3 | 1 | 0 | 2 | 5 | 202 | 65 |
| 5 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 145 | 50 |
可以看出，利用K-means聚类方法可以将不同类型的日负荷曲线较为清晰地划分出来。其中，类型2主要为春节负荷，从类型2对应的聚类中心曲线可以看出，春节负荷在夜间20时至22时仍保持较高水平，而其他类型的聚类曲线在夜间负荷水平明显下降，显现出了较大区别。从表三可以看出，K-means聚类方法可以将春节负荷与其他日期负荷区分开来，但是由于云南省负荷构成中工业负荷占了很大比例，而工业生产的连续性决定了工业负荷受节假日的影响较小，因而一些短假期比如清明、五一、中秋等与普通周末的负荷特性差别不大。
可选的，在建立所述日期类型与所述历史电力负荷数据的对应关系，并将所述日期类型与所述历史电力负荷数据的对应关系添加至所述第三负荷预测模型，得到第二负荷预测模型之后，还包括以下步骤：
步骤401，计算所述时间节点对应的趋势变量，所述趋势变量为预先设定的初始值与时间间隔的和，所述时间间隔为所述历史负荷电力负荷数据的时间起点与所述时间节点之间的间隔，所述时间间隔以小时为基本单位。
本申请实施例中，由于电力负荷不仅受气象因素、日期因素类型日期类型的影响，也受到社会经济发展与人口增长的影响，通常情况下，受社会经济发展与人口增长的影响，电力负荷数据呈现上升趋势。
为了体现社会经济发展与人口增长对电力负荷数据的影响，在短期负荷预测模型中引入趋势变量来表征这种影响。在一种可能实现的方式中，将初始值设定为1，则2013年1月1日0时的趋势变量为1，2013年1月1日1时的趋势变量为2。
步骤402，将所述趋势变量与所述历史电力负荷数据的关系添加至所述第二负荷预测模型，获取调整后的第二负荷预测模型，以便将所述调整后的第二负荷预测模型作为短期负荷预测模型，所述调整后的第二负荷预测模型为：
其中，i为时间节点，yi为时间节点i的电力负荷预测值，θ0，θ2，…，θ10为回归系数，t为时间节点i对应的温度，Mi为时间节点i对应的月份，Wi为时间节点i对应的星期，Hi为时间节点i对应的小时，Di为时间节点i对应的日期类型，Trendi为时间节点i对应的趋势变量。
利用云南省2016年历史电力负荷数据作为验证样本，对本申请实施例得到的调整后的第二负荷预测模型进行验证。采用最大相对百分比误差与平均绝对百分比误差(MeanAbsolute Percentage Error，MAPE)作为预测精度衡量标准，其中，最大相对百分比误差包括全年最大相对百分比误差和春节期间最大相对百分比误差。MAPE计算公式见下式：
式中，n为负荷预测的时间点总数量；Yi、Y′分别为第i时刻负荷的真实值与预测值。
将未考虑日期因素的短期负荷预测模型与2016年历史电力负荷数据相比较，计算最大相对百分比误差与平均绝对百分比误差，将考虑日期因素的短期负荷预测模型与2016年历史电力负荷数据相比较，计算最大相对百分比误差与平均绝对百分比误差，两种短期负荷预测模型的预测精度比较见表四。
表四 两种短期负荷预测模型的预测精度比较
从全年最大相对误差来看，本申请实施例提出的短期负荷预测模型的精度提升了9.6％，从MAPE来看，本申请实施例提出的短期负荷预测模型的精度提升了18.6％，从春节期间最大相对误差来看，负荷预测精度提升明显，本申请实施例提出的短期负荷预测模型的进度提升了27.1％。因此，本申请实施例提供的短期负荷预测模型相对于现有技术来说，电力负荷估计的精确度增加。
参照图8所示的结构示意图，本申请实施例提供一种短期负荷预测模型建立装置，包括：
第一获取模块100，用于获取历史电力负荷数据，以及与所述历史电力负荷数据对应的历史时刻的温度，其中，所述历史电力负荷数据对应的历史时刻的温度为历史温度；
建立模块200，用于建立所述历史电力负荷数据与所述历史温度之间的关系式，其中，所述关系式为第一负荷预测模型；
第二获取模块300，用于获取与所述历史电力负荷数据对应的日期因素，所述日期因素包括月份、星期和小时；
第三获取模块400，用于将所述日期因素与所述第一负荷预测模型融合，获得第二负荷预测模型，其中，所述第二负荷预测模型为短期负荷预测模型。
可选的，所述第三获取模块包括：
确定单元，用于根据所述历史电力负荷数据与各个所述日期因素之间的对应关系，确定第三负荷预测模型为：
其中，i为时间节点，yi为时间节点i的电力负荷预测值，β1，β2，…，β9为回归系数，t为时间节点i对应的温度，Mi为时间节点i对应的月份，Wi为时间节点i对应的星期，Hi为时间节点i对应的小时；
分类单元，用于利用K-means聚类分析方法，根据历史电力负荷数据与日期因素中的小时之间的关系，将所述电力负荷数据对应的历史时刻划分为各个日期类型；
第一获取单元，用于建立所述日期类型与所述历史电力负荷数据的对应关系，并将所述日期类型与所述历史电力负荷数据的对应关系添加至所述第三负荷预测模型，得到第二负荷预测模型。
可选的，所述分类单元包括：
第一建立子单元，用于建立第一日负荷曲线，所述第一日负荷曲线以所述历史电力负荷数据为纵坐标，以所述日期因素中的小时为横坐标；
归一化子单元，用于按照以下公式将所述历史电力负荷数据归一化：
其中，x*为归一化后的历史电力负荷数据，x为历史电力负荷数据，max为历史电力负荷数据中的最大值，min为历史电力负荷数据中的最小值；
第二建立子单元，用于建立第二日负荷曲线，所述第二日负荷曲线以所述归一化后的历史电力负荷数据为纵坐标，以所述日期因素中的小时为横坐标；
第一确定子单元，用于根据拟合优度确定最佳聚类数K；
选取子单元，用于随机选取K条第二日负荷曲线作为聚类中心；
计算子单元，用于按照欧式距离将其余第二日负荷曲线归类到所述聚类中心所在簇，并计算新的聚类中心；
判断子单元，用于判断新的聚类中心与原有的聚类中心之间的欧式距离是否小于预设的阈值；
第二确定子单元，用于若所述新的聚类中心与原有的聚类中心之间的欧式距离小于预设的阈值，则确定所述新的聚类中心所在簇对应的第二日负荷曲线为同类第二日负荷曲线；
第三确定子单元，用于将所述同类第二日负荷曲线对应的历史时刻作为一个日期类型。
可选的，所述装置还包括：
计算单元，用于在所述第一获取单元获得第二负荷预测模型之后，计算所述时间节点对应的趋势变量，所述趋势变量为预先设定的初始值与时间间隔的和，所述时间间隔为所述历史负荷电力负荷数据的时间起点与所述时间节点之间的间隔，所述时间间隔以小时为基本单位；
第二获取单元，用于将所述趋势变量与所述历史电力负荷数据的关系添加至所述第二负荷预测模型，获取调整后的第二负荷预测模型，以便将所述调整后的第二负荷预测模型作为短期负荷预测模型，所述调整后的第二负荷预测模型为：
其中，i为时间节点，yi为时间节点i的电力负荷预测值，θ0，θ2，…，θ10为回归系数，t为时间节点i对应的温度，Mi为时间节点i对应的月份，Wi为时间节点i对应的星期，Hi为时间节点i对应的小时，Di为时间节点i对应的日期类型，Trendi为时间节点i对应的趋势变量。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。
Claims (10)
1.一种短期负荷预测模型建立方法，其特征在于，包括：
获取历史电力负荷数据，以及与所述历史电力负荷数据对应的历史时刻的温度，其中，所述历史电力负荷数据对应的历史时刻的温度为历史温度；
建立所述历史电力负荷数据与所述历史温度之间的关系式，其中，所述关系式为第一负荷预测模型；
获取与所述历史电力负荷数据对应的日期因素，所述日期因素包括月份、星期和小时；
将所述日期因素与所述第一负荷预测模型融合，获得第二负荷预测模型，其中，所述第二负荷预测模型为短期负荷预测模型。
2.根据权利要求1所述的方法，其特征在于，所述建立所述历史电力负荷数据与所述历史温度之间的关系式，其中，所述关系式为第一负荷预测模型，包括：
根据历史电力负荷数据与历史温度之间的对应关系，确定所述第一负荷预测模型为：
yi＝α1+α2t+α3t2+α4t3；
其中，i为时间节点，yi为时间节点i的电力负荷预测值，α1，α2，α3，α4为回归系数，t为时间节点i对应的温度。
3.根据权利要求1所述的方法，其特征在于，将所述日期因素与所述第一负荷预测模型融合，获得第二负荷预测模型，包括：
根据所述历史电力负荷数据与各个所述日期因素之间的对应关系，确定第三负荷预测模型为：
其中，i为时间节点，yi为时间节点i的电力负荷预测值，β1，β2，…，β9为回归系数，t为时间节点i对应的温度，Mi为时间节点i对应的月份，Wi为时间节点i对应的星期，Hi为时间节点i对应的小时；
利用K-means聚类分析方法，根据历史电力负荷数据与日期因素中的小时之间的关系，将所述电力负荷数据对应的历史时刻划分为各个日期类型；
建立所述日期类型与所述历史电力负荷数据的对应关系，并将所述日期类型与所述历史电力负荷数据的对应关系添加至所述第三负荷预测模型，得到第二负荷预测模型。
4.根据权利要求3所述的方法，其特征在于，所述第二负荷预测模型为：
其中，i为时间节点，yi为时间节点i的电力负荷预测值，ψ1，ψ2，…，ψ10为回归系数，t为时间节点i对应的温度，Mi为时间节点i对应的月份，Wi为时间节点i对应的星期，Hi为时间节点i对应的小时，Di为时间节点i对应的日期类型。
5.根据权利要求3所述的方法，其特征在于，利用K-means聚类分析方法，根据历史电力负荷数据与日期因素中的小时之间的关系，将所述电力负荷数据对应的历史时刻划分为各个日期类型，包括：
建立第一日负荷曲线，所述第一日负荷曲线以所述历史电力负荷数据为纵坐标，以所述日期因素中的小时为横坐标；
按照以下公式将所述历史电力负荷数据归一化：
其中，x*为归一化后的历史电力负荷数据，x为历史电力负荷数据，max为历史电力负荷数据中的最大值，min为历史电力负荷数据中的最小值；
建立第二日负荷曲线，所述第二日负荷曲线以所述归一化后的历史电力负荷数据为纵坐标，以所述日期因素中的小时为横坐标；
根据拟合优度确定最佳聚类数K；
随机选取K条第二日负荷曲线作为聚类中心；
按照欧式距离将其余第二日负荷曲线归类到所述聚类中心所在簇，并计算新的聚类中心；
判断新的聚类中心与原有的聚类中心之间的欧式距离是否小于预设的阈值；
若所述新的聚类中心与原有的聚类中心之间的欧式距离小于预设的阈值，则确定所述新的聚类中心所在簇对应的第二日负荷曲线为同类第二日负荷曲线；
将所述同类第二日负荷曲线对应的历史时刻作为一个日期类型。
6.根据权利要求4所述的方法，其特征在于，在建立所述日期类型与所述历史电力负荷数据的对应关系，并将所述日期类型与所述历史电力负荷数据的对应关系添加至所述第三负荷预测模型，得到第二负荷预测模型之后，还包括：
计算所述时间节点对应的趋势变量，所述趋势变量为预先设定的初始值与时间间隔的和，所述时间间隔为所述历史负荷电力负荷数据的时间起点与所述时间节点之间的间隔，所述时间间隔以小时为基本单位；
将所述趋势变量与所述历史电力负荷数据的关系添加至所述第二负荷预测模型，获取调整后的第二负荷预测模型，以便将所述调整后的第二负荷预测模型作为短期负荷预测模型，所述调整后的第二负荷预测模型为：
其中，i为时间节点，yi为时间节点i的电力负荷预测值，θ0，θ2，…，θ10为回归系数，t为时间节点i对应的温度，Mi为时间节点i对应的月份，Wi为时间节点i对应的星期，Hi为时间节点i对应的小时，Di为时间节点i对应的日期类型，Trendi为时间节点i对应的趋势变量。
7.一种短期负荷预测模型建立装置，其特征在于，包括：
第一获取模块，用于获取历史电力负荷数据，以及与所述历史电力负荷数据对应的历史时刻的温度，其中，所述历史电力负荷数据对应的历史时刻的温度为历史温度；
建立模块，用于建立所述历史电力负荷数据与所述历史温度之间的关系式，其中，所述关系式为第一负荷预测模型；
第二获取模块，用于获取与所述历史电力负荷数据对应的日期因素，所述日期因素包括月份、星期和小时；
第三获取模块，用于将所述日期因素与所述第一负荷预测模型融合，获得第二负荷预测模型，其中，所述第二负荷预测模型为短期负荷预测模型。
8.根据权利要求7所述的装置，其特征在于，所述第三获取模块包括：
确定单元，用于根据所述历史电力负荷数据与各个所述日期因素之间的对应关系，确定第三负荷预测模型为：
其中，i为时间节点，yi为时间节点i的电力负荷预测值，β1，β2，…，β9为回归系数，t为时间节点i对应的温度，Mi为时间节点i对应的月份，Wi为时间节点i对应的星期，Hi为时间节点i对应的小时；
分类单元，用于利用K-means聚类分析方法，根据历史电力负荷数据与日期因素中的小时之间的关系，将所述电力负荷数据对应的历史时刻划分为各个日期类型；
第一获取单元，用于建立所述日期类型与所述历史电力负荷数据的对应关系，并将所述日期类型与所述历史电力负荷数据的对应关系添加至所述第三负荷预测模型，得到第二负荷预测模型。
9.根据权利要求8所述的装置，其特征在于，所述分类单元包括：
第一建立子单元，用于建立第一日负荷曲线，所述第一日负荷曲线以所述历史电力负荷数据为纵坐标，以所述日期因素中的小时为横坐标；
归一化子单元，用于按照以下公式将所述历史电力负荷数据归一化：
其中，x*为归一化后的历史电力负荷数据，x为历史电力负荷数据，max为历史电力负荷数据中的最大值，min为历史电力负荷数据中的最小值；
第二建立子单元，用于建立第二日负荷曲线，所述第二日负荷曲线以所述归一化后的历史电力负荷数据为纵坐标，以所述日期因素中的小时为横坐标；
第一确定子单元，用于根据拟合优度确定最佳聚类数K；
选取子单元，用于随机选取K条第二日负荷曲线作为聚类中心；
计算子单元，用于按照欧式距离将其余第二日负荷曲线归类到所述聚类中心所在簇，并计算新的聚类中心；
判断子单元，用于判断新的聚类中心与原有的聚类中心之间的欧式距离是否小于预设的阈值；
第二确定子单元，用于若所述新的聚类中心与原有的聚类中心之间的欧式距离小于预设的阈值，则确定所述新的聚类中心所在簇对应的第二日负荷曲线为同类第二日负荷曲线；
第三确定子单元，用于将所述同类第二日负荷曲线对应的历史时刻作为一个日期类型。
10.根据权利要求8所述的装置，其特征在于，所述装置还包括：
计算单元，用于在所述第一获取单元获得第二负荷预测模型之后，计算所述时间节点对应的趋势变量，所述趋势变量为预先设定的初始值与时间间隔的和，所述时间间隔为所述历史负荷电力负荷数据的时间起点与所述时间节点之间的间隔，所述时间间隔以小时为基本单位；
第二获取单元，用于将所述趋势变量与所述历史电力负荷数据的关系添加至所述第二负荷预测模型，获取调整后的第二负荷预测模型，以便将所述调整后的第二负荷预测模型作为短期负荷预测模型，所述调整后的第二负荷预测模型为：
其中，i为时间节点，yi为时间节点i的电力负荷预测值，θ0，θ2，…，θ10为回归系数，t为时间节点i对应的温度，Mi为时间节点i对应的月份，Wi为时间节点i对应的星期，Hi为时间节点i对应的小时，Di为时间节点i对应的日期类型，Trendi为时间节点i对应的趋势变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811071236.9A CN109034504B (zh) | 2018-09-14 | 2018-09-14 | 一种短期负荷预测模型建立方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811071236.9A CN109034504B (zh) | 2018-09-14 | 2018-09-14 | 一种短期负荷预测模型建立方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109034504A true CN109034504A (zh) | 2018-12-18 |
| CN109034504B CN109034504B (zh) | 2021-06-25 |
Family
ID=64621543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811071236.9A Active CN109034504B (zh) | 2018-09-14 | 2018-09-14 | 一种短期负荷预测模型建立方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109034504B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816164A (zh) * | 2019-01-16 | 2019-05-28 | 国网信通亿力科技有限责任公司 | 一种电力负荷预测方法 |
| CN109871997A (zh) * | 2019-02-14 | 2019-06-11 | 国网宁夏电力有限公司经济技术研究院 | 一种适应复杂环境的降温负荷组合测算系统 |
| CN110212524A (zh) * | 2019-06-13 | 2019-09-06 | 云南电网有限责任公司电力科学研究院 | 一种区域电力负荷预测方法 |
| CN110298567A (zh) * | 2019-06-18 | 2019-10-01 | 上海电力学院 | 利用综合能源系统能耗大数据确定典型日负荷曲线的方法 |
| CN110334739A (zh) * | 2019-06-05 | 2019-10-15 | 深圳供电局有限公司 | 一种两段式分量负荷预测方法及装置 |
| CN110807546A (zh) * | 2019-10-22 | 2020-02-18 | 恒大智慧科技有限公司 | 社区网格人口变化预警方法及系统 |
| CN110807547A (zh) * | 2019-10-22 | 2020-02-18 | 恒大智慧科技有限公司 | 家庭人口结构的预测方法及系统 |
| CN111612276A (zh) * | 2020-05-29 | 2020-09-01 | 云南电网有限责任公司 | 电力负荷特性指标预测方法及装置 |
| CN112070307A (zh) * | 2020-09-10 | 2020-12-11 | 云南电网有限责任公司电力科学研究院 | 一种区域内能源负荷量的预测方法及装置 |
| CN112232559A (zh) * | 2020-10-12 | 2021-01-15 | 国网江西省电力有限公司信息通信分公司 | 一种电力区域负荷的短期预测方法及装置 |
| CN112308299A (zh) * | 2020-10-19 | 2021-02-02 | 新奥数能科技有限公司 | 用于电力系统负荷预测模型的样本数据提取方法和装置 |
| CN112614006A (zh) * | 2020-11-30 | 2021-04-06 | 国网北京市电力公司 | 负荷预测方法、装置、计算机可读存储介质以及处理器 |
| CN115513951A (zh) * | 2022-11-17 | 2022-12-23 | 山东建筑大学 | 一种基于概念漂移检测的电力负荷预测方法及系统 |
| CN115545853A (zh) * | 2022-12-02 | 2022-12-30 | 云筑信息科技(成都)有限公司 | 一种寻找供应商的搜索方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793887A (zh) * | 2014-02-17 | 2014-05-14 | 华北电力大学 | 基于自适应增强算法的短期电力负荷在线预测方法 |
| CN104036327A (zh) * | 2014-06-20 | 2014-09-10 | 国家电网公司 | 一种用于智能配电网的快速母线负荷预测方法 |
| 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 |
| CN107423836A (zh) * | 2017-04-07 | 2017-12-01 | 山东大学 | 基于体感温度的短期负荷预测方法 |
| US9852483B2 (en) * | 2011-09-20 | 2017-12-26 | Hitachi, Ltd. | Forecast system and method of electric power demand |
-
2018
- 2018-09-14 CN CN201811071236.9A patent/CN109034504B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9852483B2 (en) * | 2011-09-20 | 2017-12-26 | Hitachi, Ltd. | Forecast system and method of electric power demand |
| CN103793887A (zh) * | 2014-02-17 | 2014-05-14 | 华北电力大学 | 基于自适应增强算法的短期电力负荷在线预测方法 |
| CN104036327A (zh) * | 2014-06-20 | 2014-09-10 | 国家电网公司 | 一种用于智能配电网的快速母线负荷预测方法 |
| 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 |
| CN107423836A (zh) * | 2017-04-07 | 2017-12-01 | 山东大学 | 基于体感温度的短期负荷预测方法 |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816164A (zh) * | 2019-01-16 | 2019-05-28 | 国网信通亿力科技有限责任公司 | 一种电力负荷预测方法 |
| CN109871997A (zh) * | 2019-02-14 | 2019-06-11 | 国网宁夏电力有限公司经济技术研究院 | 一种适应复杂环境的降温负荷组合测算系统 |
| CN110334739A (zh) * | 2019-06-05 | 2019-10-15 | 深圳供电局有限公司 | 一种两段式分量负荷预测方法及装置 |
| CN110212524A (zh) * | 2019-06-13 | 2019-09-06 | 云南电网有限责任公司电力科学研究院 | 一种区域电力负荷预测方法 |
| CN110298567A (zh) * | 2019-06-18 | 2019-10-01 | 上海电力学院 | 利用综合能源系统能耗大数据确定典型日负荷曲线的方法 |
| CN110807546A (zh) * | 2019-10-22 | 2020-02-18 | 恒大智慧科技有限公司 | 社区网格人口变化预警方法及系统 |
| CN110807547A (zh) * | 2019-10-22 | 2020-02-18 | 恒大智慧科技有限公司 | 家庭人口结构的预测方法及系统 |
| CN111612276A (zh) * | 2020-05-29 | 2020-09-01 | 云南电网有限责任公司 | 电力负荷特性指标预测方法及装置 |
| CN112070307A (zh) * | 2020-09-10 | 2020-12-11 | 云南电网有限责任公司电力科学研究院 | 一种区域内能源负荷量的预测方法及装置 |
| CN112070307B (zh) * | 2020-09-10 | 2023-01-20 | 云南电网有限责任公司电力科学研究院 | 一种区域内能源负荷量的预测方法及装置 |
| CN112232559A (zh) * | 2020-10-12 | 2021-01-15 | 国网江西省电力有限公司信息通信分公司 | 一种电力区域负荷的短期预测方法及装置 |
| CN112232559B (zh) * | 2020-10-12 | 2023-06-13 | 国网江西省电力有限公司信息通信分公司 | 一种电力区域负荷的短期预测方法及装置 |
| CN112308299A (zh) * | 2020-10-19 | 2021-02-02 | 新奥数能科技有限公司 | 用于电力系统负荷预测模型的样本数据提取方法和装置 |
| CN112308299B (zh) * | 2020-10-19 | 2024-04-19 | 新奥数能科技有限公司 | 用于电力系统负荷预测模型的样本数据提取方法和装置 |
| CN112614006A (zh) * | 2020-11-30 | 2021-04-06 | 国网北京市电力公司 | 负荷预测方法、装置、计算机可读存储介质以及处理器 |
| CN115513951A (zh) * | 2022-11-17 | 2022-12-23 | 山东建筑大学 | 一种基于概念漂移检测的电力负荷预测方法及系统 |
| CN115513951B (zh) * | 2022-11-17 | 2023-04-18 | 山东建筑大学 | 一种基于概念漂移检测的电力负荷预测方法及系统 |
| CN115545853A (zh) * | 2022-12-02 | 2022-12-30 | 云筑信息科技(成都)有限公司 | 一种寻找供应商的搜索方法 |
| CN115545853B (zh) * | 2022-12-02 | 2023-06-23 | 云筑信息科技(成都)有限公司 | 一种寻找供应商的搜索方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109034504B (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109034504A (zh) | 一种短期负荷预测模型建立方法及装置 | |
| US11043808B2 (en) | Method for identifying pattern of load cycle | |
| CN109902953B (zh) | 一种基于自适应粒子群聚类的电力用户分类方法 | |
| CN110503245B (zh) | 一种机场航班大面积延误风险的预测方法 | |
| CN110111113B (zh) | 一种异常交易节点的检测方法及装置 | |
| CN110264107B (zh) | 一种基于大数据技术的台区线损率异常诊断方法 | |
| CN113853528A (zh) | 用电异常识别方法、装置和计算机可读存储介质 | |
| CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
| CN112819299A (zh) | 一种基于中心优化的差分K-means负荷聚类方法 | |
| CN108647843A (zh) | 一种基于灰色关联分析的区域行业用电影响因素判断方法 | |
| CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
| Mutanen et al. | Customer classification and load profiling based on AMR measurements | |
| CN115018200A (zh) | 一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统 | |
| CN112966970A (zh) | 一种基于Canopy-Kmedoids算法的台区线损数据处理方法、装置、介质 | |
| CN112308341A (zh) | 电力数据的处理方法和装置 | |
| CN117113126A (zh) | 一种基于改进聚类算法的行业用电特性分析方法 | |
| US20230402846A1 (en) | Data analysis system and method | |
| CN109389517B (zh) | 一种量化线路损耗影响因素的分析方法及装置 | |
| CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
| CN110489893B (zh) | 一种基于可变权值的母线负荷预测方法及系统 | |
| CN109840536A (zh) | 一种电网供电可靠性水平聚类方法及系统 | |
| CN111915116A (zh) | 一种基于K-means聚类的电力居民用户分类方法 | |
| CN114417972A (zh) | 一种基于主成分分析和密度峰值聚类的用户用电行为分析方法 | |
| CN117762577B (zh) | 基于网格化实现的数字产品区域调度方法及系统 | |
| CN111724007B (zh) | 风险评价方法、评价装置、智能系统及存储装置 |
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 |