CN109214458B - 一种基于历史数据的城市负荷量化方法 - Google Patents
一种基于历史数据的城市负荷量化方法 Download PDFInfo
- Publication number
- CN109214458B CN109214458B CN201811094614.5A CN201811094614A CN109214458B CN 109214458 B CN109214458 B CN 109214458B CN 201811094614 A CN201811094614 A CN 201811094614A CN 109214458 B CN109214458 B CN 109214458B
- Authority
- CN
- China
- Prior art keywords
- fkh
- class
- load
- temperature
- clustering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000011002 quantification Methods 0.000 title claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 65
- 238000001556 precipitation Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 66
- 239000006185 dispersion Substances 0.000 claims description 42
- 239000010754 BS 2869 Class F Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 239000011541 reaction mixture Substances 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 238000007621 cluster analysis Methods 0.000 abstract description 5
- 238000009825 accumulation Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000003064 k means clustering Methods 0.000 abstract description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
Abstract
发明公开了一种基于改进的分层K均值聚类算法的城市负荷量化方法,包括:包括:1采集原始数据,对原始温度数据进行处理,消除温度累积效应对负荷预测的影响;2应用分层聚类算法,根据日平均气温、节假日属性、日降水量以及各节点负荷与温度的相关系数属性进行聚类分析;3分别在每一聚类类别中一天内各采样时刻选取最接近分类中心的节点作为对应采样时刻的典型负荷;4应用二次多项式回归模型拟合各聚类类别下一天内各采样时刻城市负荷与温度的函数关系。本发明能量化温度对城市负荷的影响,并预测城市负荷,从而能准确地反映温度与城市负荷之间的关系,并避免其余气象因素的影响。
Description
技术领域
本发明涉及电力系统用电负荷预测技术领域,尤其涉及一种基于负荷历史数据的量化温度对城市负荷影响的方法。
背景技术
电力负荷预测为合理有序的用电方案的制定与实施提供了重要依据,预测的水平直接关系到电力系统运行的经济效益和社会效益。准确的负荷预测,可以帮助制定合理的用电方案,优化电力资源配置。随着社会经济的发展,大功率用电器的使用逐渐增多,降温取暖电器的功率在用电总负荷中的占比不断增大,温度等气象因素对城市负荷的影响更加明显。
城市负荷受到多种因素影响:受季节变化的周期性影响,负荷表现出以年为周期变化的规律;节假日与工作日的差异对人们工作、生活起到了一定的影响,使得城市负荷出现变化;雨雪天气等气象条件的不同也会导致城市负荷,尤其是短期负荷造成影响。
目前,传统的负荷预测方式主要是通过建立包含多种气象因素与电力系统之间的相关性模型,再根据气象因素与负荷之间的变化趋势对预测结果进行修正。这种负荷预测方式需要引入不同影响因素的权重,但不同地区的负荷与气象因素之间的关系可能存在差异,影响预测精度。
发明内容
本发明为克服现有技术的不足之处,提出一种基于历史数据的城市负荷量化方法,以期能量化温度对城市负荷的影响,并预测城市负荷,从而能准确地反映温度与城市负荷之间的关系,并避免其余气象因素的影响。
本发明为解决技术问题采用如下技术方案:
本发明一种基于历史数据的城市负荷量化方法,应用于包含N个负荷节点的城市电力系统中,将所述负荷节点记为{L1,L2,…,Li,…,LN},Li表示第i个负荷节点,i=1,2,…,N,其特点在于,所述城市负荷量化方法是按如下步骤进行:
步骤1:以时间t为采样周期,采集第i个负荷节点Li在历史第a日第b个采样时刻tb的负荷数据Pi_a_b、温度数据Ti_a_b以及降水量数据Ri_a_b,从而得到所有负荷节点在历史A日所有采样时刻的负荷数据、温度数据以及降水量数据;a=1,2,…,A,b=1,2,…,B,A表示总采样天数,B表示一天内总采样时刻;
步骤2:利用分层聚类算法根据日平均气温数据、每日的节假日属性、日降水量数据以及负荷与温度的相关系数对负荷节点进行聚类分析,得到分层聚类结果;
步骤3:基于所述分层聚类结果,在每个聚类类别中选取最接近分类中心的节点作为对应采样时刻的典型负荷节点;应用最小二乘法,计算各采样时刻下各典型负荷在城市总负荷中的占比;
步骤4:基于各聚类类别中典型负荷节点的历史数据,应用二次回归拟合算法拟合各采样时刻下各典型负荷与温度的函数关系;考虑其在城市负荷中的占比,量化城市总负荷受温度的影响。
本发明所述的城市负荷量化方法的特点也在于,
所述步骤2包括如下步骤:
步骤2-1:计算第i个负荷节点Li历史第a日的日平均气温,从而得到第i个负荷节点Li在历史A日的日平均气温并进行降序排序,得到排序后的第i个负荷节点Li在历史A日的日平均气温,记为表示排序后的第i个负荷节点Li在历史第a日的日平均气温;
步骤2-2:确定第一层聚类类别数为F;
步骤2-3:指定第项为第一层聚类中第f类分组的初始项,并采用式(1)计算尚未分配的第a项与第f类分组的初始项的距离da_f,从而得到尚未分配的第a项与F类分组的初始项的距离{da_1,da_2,…,da_f,…,da_F};
从尚未分配的第a项与F类分组的初始项的距离{da_1,da_2,…,da_f,…,da_F}获取最小距离,记为da_min,并将所述未分配的第a项划分到与所述最小距离da_min所对应的分类中,从而将尚未分配的A项均划分到与各自最小距离所对应的分类中,进而得到F类分组{Γ1,Γ2,…,Γf,…ΓF},其中,Γf表示第f类分组,并统计第f类分组Γf内的项数,记为mf;
步骤2-4:定义Mi_f为对应第i个负荷节点Li的第f类分组Γf的日平均气温的样本均值,并作为所述第i个负荷节点Li的第f类分组Γf的样本中心,从而得到第f类均值初始向量Mf={M1_f,M2_f,…,Mi_f,…,MN_f};
步骤2-5:采用式(2)计算所有负荷节点历史A天的日平均气温到所述第f类分组Γf的样本中心Mi_f的距离Df:
步骤2-6:以距离Df最小为原则,调整所述历史A日的日平均气温分类,重新计算第i个负荷节点Li的第f类均值向量,记为M′f={M′1_f,M′2_f,…,M′i_f,…,M′N_f},并重新统计第f类区间Γf内的项数m′f,采用式(3)计算第i个负荷节点Li的总均值MTi,从而得到总均值向量MT={MT1,MT2,…,MTi,…,MTN}:
步骤2-7:采用式(4)计算所述F类分组的类内离差矩阵W1的元素w1_ij以及所述F类分组的类间离差矩阵B1的元素b1_ij,从而得到所述F类分组的类内离差矩阵W1以及所述F类分组的类间离差矩阵B1,并根据T1=W1+B1计算总离差矩阵T1;j=1,2,…,N;
步骤2-8:根据所述F类分组的类内离差矩阵W1、类间离差矩阵B1与总离差矩阵T1,对所述F类分组进行χ2检验,得到χ2检验的计算结果;
步骤2-9:拟定置信区间下的χ2临界值,判断χ2检验的计算结果是否大于自由度为n(F-1),如果大于,则认为所述F类分组有效,并将所述F类分组作为第一层聚类分析的聚类结果;再将历史A天中与第f类分组Γf对应的所有日期加入第f个集合Af中,从而得到各类分组对应的集合{A1,A2,…,Af…,AF};否则认为所述F类分组无效,将F+1赋值给F,并返回步骤2-3顺序执行重新分类;
步骤2-10:根据历史A天每日的节假日属性,确定第二层聚类类别数K;
步骤2-11:根据所述第一层聚类分析的聚类结果,根据节假日属性将所述第f个集合Af中的所有日期归类至对应的集合{Af1,Af2,…,Afk,…,AfK},并分别统计各集合内的项数,记为{mf1,mf2,…,mfk,…,mfK},其中,Afk表示第f个集合Af中的第k类日期,mfk表示第f个集合Af中第k类日期所包含的项数,从而完成对所述第f个集合Af的重新分类,进而完成对集合{A1,A2,…,Af…,AF}的重新分类,并将分类结果作为第二层聚类分析的聚类结果,k=1,2,…,K;
步骤2-12:定义第i个负荷节点Li的第a日的日降水量为第i个负荷节点Li的第a日B个采样时刻的降水量数据{Ri_a_1,Ri_a_2,…,Ri_a_b,…,Ri_a_B}之和;
将与集合Afk中对应的各日降水量进行降序排列,得到第i个负荷节点Li与集合Afk中对应的各日期的降水量数据Rfk_i_y表示第i个负荷节点Li与集合Afk中对应的第y个降水量数据,y=1,2,…,mfk;
步骤2-13:根据降水量情况确定第三层聚类类别数H;
步骤2-14:指定第项为对应集合Afk的第三层聚类第h类分组的初始项,并采用式(5)计算尚未分配的第y项与第h类分组的初始项的距离dfk_yh,从而得到尚未分配的第y项与H类分组的初始项的距离{dfk_y1,dfk_y2,…,dfk_yh,…,dfk_yH}
式(5)中,Rfk_i_h表示第i个负荷节点Li与集合Afk中对应的第yfk_h项的日平均气温值,h=1,2,…,H;
从尚未分配的y项与H类分组的初始项的距离{dfk_y1,dfk_y2,…,dfk_yh,…,dfk_yH}获取最小距离记为dfk_y_min,并将所有未分配的第y项划分到与所述最小距离dfk_y_min所对应的分类中,从而将尚未分配的mfk项划分到与各自最小距离所对应的分类中,进而得到H类区间{Γfk_1,Γfk_2,…,Γfk_h,…Γfk_H},其中,Γfk_h表示第h类区间,并统计第h类区间Γfk_h内的项数,记为mfk_h;
步骤2-15:定义Mfk_i_h为集合Afk中第i个负荷节点Li在第h类分组日降水量的样本均值,并作为第i个负荷节点Li的第h类分组的分类中心,从而获得所述第h类分组均值初始向量Mfk_h={Mfk_1_h,Mfk_2_h,…,Mfk_i_h,…,Mfk_N_h};
步骤2-16:根据式(6)计算对应集合Afk的mfk个日降水量数据点到所述第h类分组的分类中心Mfk_i_h的距离Dfk_Rh:
步骤2-17:以Dfk_h最小为原则,调整所述日降水量的分类,重新计算各负荷节点类均值向量Mfk_h并重新统计所述第h类区间Γfk_h的样本点数mfk_h,采用式(7)计算负荷节点Li的总均值Mfk_Ri,进一步得到总均值向量Mfk_R={Mfk_R1,Mfk_R2,…,Mfk_Ri,…,Mfk_RN},i=1,2,…,N;H为聚类类别数;
步骤2-18:根据式(8)计算所述H类类内离差矩阵W2元素w2_ij以及所述H类类间离差矩阵B2元素b2_ij,从而得到所述H类类内离差矩阵W2、所述所述H类类间离差矩阵B2,并根据T2=W2+B2计算总离差矩阵T2:
步骤2-19:根据所述H类类内离差矩阵W2,所述H类类间离差矩阵B2与所述总离差矩阵T2,对分类结果进行χ2检验;
步骤2-20:拟定经验置信区间下的χ2临界值,判断χ2检验结果是否大于自由度为n(H-1),如果是则认为区间分类有效,结束分类,得到第三层聚类分析的聚类结果;否则认为分类无效,将H+1赋值给H,返回步骤2-13重新进行分类;若区间分类有效,构建集合Afkh,将集合Afk中与聚类区间Γfk_h对应的所有日期计入集合Afkh;
式(9)中,D代表方差,Cov代表协方差,E代表均值,并有:
步骤2-22:将所述集合Afkh的负荷与温度的相关系数进行降序排列,得到排序后的对应集合Afkh的负荷与温度的相关系数,记为rfkh_b={rfkh_b_1,…,rfkh_b_z,…,rfkh_b_N},rfkh_b_z表示排序后的第z个负荷与温度的相关系数数据;z=1,2,…,N,
步骤2-23:确定聚类类别数为S;
步骤2-24:根据所述负荷与温度的相关系数rfkh_b_z进行第四层聚类,指定第项为对应集合Afkh的第四层聚类第s类分组的初始项,并采用式(10)计算尚未分配的第z项与第s类分组的初始项的距离dfkh_zs,从而得到尚未分配的第z项与S类分组的初始项的距离{dfkh_z1,dfkh_z2,…,dfkh_zs,…,dfkh_zS}
从得到尚未分配的第z项与第M类分组的初始项的距离{dfkh_z1,dfkh_z2,…,dfkh_zs,…,dfkh_zS}获取最小距离dfkh_z_min,并将所述未分配的第z项划分到与所述最小距离dfkh_z_min所对应的分类中,从而将尚未分配的N项划分到与各自最小距离所对应的分类中,进而得到S类区间{Γfkh_1,Γfkh_2,…,Γfkh_s,…,Γfkh_S},其中,Γfkh_s表示第s类区间,并统计第s类区间Γfkh_s内的项数,记为mfkh_s;s=1,2,…,S代表第四层聚类的聚类类别;
步骤2-25:计算所述s类分组的分类中心Mfkh_b_s,进一步确定第s类均值初始向量Mfkh_s={Mfkh_1_s,…,Mfkh_b_s,…,Mfkh_B_s},第b=1,2,…,B代表一天B个采样时刻;
步骤2-26:根据式(11)计算负荷与温度的相关系数点到所述第s类区间中心的距离Dfkh_s;
步骤2-27:根据所述Dfkh_s最小为原则,调整上述N个负荷与温度的相关系数点的分类,并重新计算所述均值初始向量Mfkh_s以及总均值向量Mfkh_r={Mfkh_r1,…,Mfkh_rb,…,Mfkh_rB};重新统计所述第s类区间Γfkh_s的样本点数mfkh_s;根据式(12)计算Mfkh_rb;b=1,2,…,B代表一天B个采样时刻;
步骤2-28:根据式(13)计算所述S类类内离差矩阵W3元素以及所述M类类间离差矩阵B3元素;i,j=1,2,…,N;
计算所述总离差矩阵T3=W3+B3
步骤2-29:根据所述S类类内离差矩阵W3,所述S类类间离差矩阵B3与所述总离差矩阵T3,对分类结果进行χ2检验;
步骤2-30:拟定经验置信区间下的χ2临界值,判断χ2检验结果是否大于自由度为n(S-1),如果是则认为区间分类有效,结束分类,得到第四层聚类分析的聚类结果;否则认为分类无效,将S+1赋值给S,返回步骤2-22重新进行分类。
所述步骤3包括如下步骤:
步骤3-1:对第四层聚类的各聚类区间Γfkh_s,根据式(14)计算各聚类区间Γfkh_s中各节点的负荷与温度的相关系数点到所属分类中心Mfkh_b_s的距离;
步骤3-2:对所述各聚类区间Γfkh_s,根据Dfkhs_i的大小筛选每类聚类区间Γfkh_s中与负荷中心最近的负荷,并将最近的负荷视作相应聚类区间的典型负荷;
步骤3-3:定义数组Pfkh_b=[Pfkh_b_1,…,Pfkh_b_s,…,Pfkh_b_S],Pfkh_b_s代表第s类典型负荷在一天内第b个采样时刻的负荷数据,应用最小二乘法,求解式(15)中各典型负荷在一天内各采样时刻的系数αfkh_b_s;f=1,2,…,F对应第一层聚类的聚类类别,k=0,1分别对应第二层聚类的节假日与工作日属性,h=1,2,…,H对应第三层分类的聚类类别,s=1,2,…,S代表第四层聚类的聚类类别,b=1,2,…,B代表一天B个采样时刻;
所述步骤4包括如下步骤:
步骤4-2:利用式(17)量化在一天内第b个采样时刻时城市总负荷受温度的影响,从而得到温度变化ΔTfkh_b时,对应的城市总负荷变化量ΔPfkh_b:
利用式(18)得到对应的城市总负荷P′fkh_b:
Pfkh_b′=Pfkh_b+ΔPfkh_b (18)。
与已有技术相比,本发明的有益效果体现在:
1.本发明量化温度对城市负荷的影响,应用分层聚类算法,根据日平均温度、节假日属性以及日降水量逐层聚类分析,使得在得到的每一类聚类结果中负荷处于相似的季节、节假日以及降水条件,减少了各气象因素的相互干扰;在最后一层聚类分析中,根据负荷与温度的相关系数进行聚类,使得最终的聚类结果能更准确地反映负荷与温度的关系,避免了其他因素的干扰;
2.本发明在研究对负荷的影响的过程中,应用了改进的K均值分层聚类算法,避免了各因素之间的相互干扰,并且不需要引入各因素对负荷影响的权重系数,因而具有更好的普适性;
3.本发明在研究温度对负荷的影响的过程中引入了负荷与温度的相关系数,并以此为根据应用聚类算法对负荷节点进行聚类分析,根据聚类算法得出的各典型负荷构建城市总负荷的表达式,并应用二次回归拟合算法构建了各类典型负荷与温度的函数关系表达式,从而量化了城市总负荷受温度变化的影响;
4.本发明在传统K均值聚类算法的基础上改进了初始分组方法;经典的K均值算法是随机选择聚类的初始中心点,本发明根据各负荷节点负荷与温度相关系数大小制定了各类分组的初始项,再根据距离最近的原则分配其余所有未分配的项,有助于减小K均值聚类算法的迭代次数,增加聚类结果准确性。
附图说明
图1为本发明算法流程图;
图2为本发明改进的K均值聚类算法流程图(第一层聚类)。
具体实施方式
本实施例中,一种基于负荷历史数据的量化温度对城市负荷影响的方法应用于包含N个负荷节点的城市电力系统中,将负荷节点记为{L1,L2,…,Li,…,LN},Li表示第i个负荷节点,i=1,2,…,N,如图1所示,该方法步骤包括:1基于城市历史温度数据,考虑温度累积效应对温度数据进行预处理的步骤;2基于分层聚类算法根据季节差异、节假日属性、降雨量和温度因素对城市负荷进行聚类分析,并进行χ2检验验证各层聚类有效性的步骤;3基于分层聚类结果,计算各典型负荷在城市总负荷中的占比的步骤;4应用回归拟合算法,建立各典型负荷表达式的步骤;5量化城市总负荷受温度的影响的步骤,并进行负荷预测的步骤;具体的说,是按以下步骤进行:
步骤1:以时间t为采样周期,每小时采样一次,采集第i个负荷节点Li在历史第a日第b个采样时刻tb的负荷数据Pi_a_b、温度数据Ti_a_b以及降水量数据Ri_a_b,从而得到所有负荷节点在历史A日所有采样时刻的负荷数据、温度数据以及降水量数据;a=1,2,…,A,b=1,2,…,B,A表示总采样天数,B表示一天内总采样时刻;本实施例中,a=1,2,…,365,b=1,2,…,24;
考虑到温度累积效应对负荷预测的影响,修正所采集的城市温度数据;对于采集的温度数据T′i_a_b,采用式(1)计算修正后的温度数据Ti_a_b,Ti_a_b代表修正后的负荷节点Li第a日第b个采样时刻的温度数据;其中k代表温度修正系数;
步骤2:利用分层聚类算法根据日平均气温数据、每日的节假日属性、日降水量数据以及负荷与温度的相关系数对负荷节点进行聚类分析,得到分层聚类结果;
步骤2-1:计算第i个负荷节点Li历史第a日的日平均气温,从而得到第i个负荷节点Li在历史365日的日平均气温并进行降序排序,得到排序后的第i个负荷节点Li在历史365日的日平均气温,记为表示排序后的第i个负荷节点Li在历史第a日的日平均气温;a=1,2,…,365对应总采样天数;
步骤2-2:确定第一层聚类类别数为F,根据季节特点取F=4;
步骤2-3:指定第项为第一层聚类中第f类分组的初始项,并采用式(2)计算尚未分配的第a项与第f类分组的初始项的距离da_f,从而得到尚未分配的第a项与F类分组的初始项的距离{da_1,da_2,…,da_f,…,da_F};
从尚未分配的第a项与F类分组的初始项的距离{da_1,da_2,…,da_f,…,da_F}获取最小距离,记为da_min,并将未分配的第a项划分到与最小距离da_min所对应的分类中,从而将尚未分配的各项均划分到与各自最小距离所对应的分类中,进而得到F类分组{Γ1,Γ2,…,Γf,…ΓF},其中,Γf表示第f类分组,并统计第f类分组Γf内的项数,记为mf;
步骤2-4:定义Mi_f为对应第i个负荷节点Li的第f类分组Γf的日平均气温的样本均值,并作为第i个负荷节点Li的第f类分组Γf的样本中心,从而得到第f类均值初始向量Mf={M1_f,M2_f,…,Mi_f,…,MN_f};根据式(3)计算负荷节点Li的第f类分组的样本中心Mi_f;
步骤2-5:采用式(4)计算所有负荷节点历史365天的日平均气温到第f类分组Γf的样本中心Mi_f的距离Df:
步骤2-6:以距离Df最小为原则,调整历史365日的日平均气温分类,重新计算第i个负荷节点Li的第f类均值向量,记为M′f={M′1_f,M′2_f,…,M′i_f,…,M′N_f},并重新统计第f类区间Γf内的项数m′f,采用式(5)计算第i个负荷节点Li的总均值MTi,从而得到总均值向量MT={MT1,MT2,…,MTi,…,MTN}:
步骤2-7:采用式(6)计算F类分组的类内离差矩阵W1的元素w1_ij以及F类分组的类间离差矩阵B1的元素b1_ij,从而得到F类分组的类内离差矩阵W1以及F类分组的类间离差矩阵B1,并根据T1=W1+B1计算总离差矩阵T1;j=1,2,…,N;
步骤2-8:基于F类分组的类内离差矩阵W1、类间离差矩阵B1与总离差矩阵T1,根据式(7)对F类分组进行χ2检验,得到χ2检验的计算结果;
步骤2-9:拟定置信区间下的χ2临界值,判断χ2检验的计算结果是否大于自由度为n(F-1),如果大于则认为F类分组有效,并将F类分组作为第一层聚类分析的聚类结果;再将历史365天中与第f类分组Γf对应的所有日期加入第f个集合Af中,从而得到各类分组对应的集合{A1,A2,…,Af…,AF};否则认为F类分组无效,将F+1赋值给F,并返回步骤2-3顺序执行重新分类;步骤2-1至步骤2-9实施流程如图2所示;
步骤2-10:定义历史365天每日的节假日属性,将历史365天中每周的双休日以及国家法定节假日定义为休息日,将其余日期定义为工作日;根据历史365天每日的节假日属性,确定第二层聚类类别数K=2;
步骤2-11:根据第一层聚类分析的聚类结果,根据节假日属性将第f个集合Af中的所有日期归类至对应的集合{Af1,Af2},并分别统计各集合内的项数,记为{mf1,mf2},其中,Af1代表f个集合Af中的休息日,mf1表示f个集合Af中休息日包含的项数,Af2代表f个集合Af中的工作日,mf2表示f个集合Af中工作日包含的项数,从而完成对集合{A1,A2,…,Af…,AF}的重新分类,并将分类结果作为第二层聚类分析的聚类结果,k=1,2;
步骤2-12:每小时采样一次各负荷节点的降雨量数据,定义第i个负荷节点Li的第a日的日降水量为第i个负荷节点Li的第a日24个采样时刻的降水量数据{Ri_a_1,Ri_a_2,…,Ri_a_b,…,Ri_a_24}之和;根据式(8)计算第i个负荷节点Li的第a日的日降水量数据:
将与集合Afk中对应的各日降水量进行降序排列,得到第i个负荷节点Li与集合Afk中对应的各日期的降水量数据Rfk_i_y表示第i个负荷节点Li与集合Afk中对应的第y个降水量数据,y=1,2,…,mfk;
步骤2-13:根据降水量情况确定第三层聚类类别数H,根据降雨量特点取H=4;
步骤2-14:指定第项为对应集合Afk的第三层聚类第h类分组的初始项,并采用式(9)计算尚未分配的第y项与第h类分组的初始项的距离dfk_yh,从而得到尚未分配的第y项与H类分组的初始项的距离{dfk_y1,dfk_y2,…,dfk_yh,…,dfk_yH}
式(5)中,Rfk_i_h表示第i个负荷节点Li与集合Afk中对应的第yfk_h项的日降水量数据,h=1,2,…,H;
从尚未分配的y项与H类分组的初始项的距离{dfk_y1,dfk_y2,…,dfk_yh,…,dfk_yH}获取最小距离记为dfk_y_min,并将所有未分配的第y项划分到与最小距离dfk_y_min所对应的分类中,从而将尚未分配的mfk项划分到与各自最小距离所对应的分类中,进而得到H类区间{Γfk_1,Γfk_2,…,Γfk_h,…Γfk_H},其中,Γfk_h表示第h类区间,并统计第h类区间Γfk_h内的项数,记为mfk_h;
步骤2-15:定义Mfk_i_h为集合Afk中第i个负荷节点Li在第h类分组日降水量的样本均值,并作为第i个负荷节点Li的第h类分组的分类中心,从而获得第h类分组均值初始向量Mfk_h={Mfk_1_h,Mfk_2_h,…,Mfk_i_h,…,Mfk_N_h};根据式(10)计算各负荷节点的第h类分组的样本中心Mfk_i_h;
步骤2-16:根据式(11)计算对应集合Afk的mfk个日降水量数据点到第h类分组的分类中心Mfk_i_h的距离Dfk_h:
步骤2-17:以Dfk_h最小为原则,调整各日降水量的分类,重新计算各负荷节点类均值向量Mfk_h并重新统计第h类区间Γfk_h的样本点数mfk_h,采用式(12)计算负荷节点Li的总均值Mfk_Ri,进一步得到总均值向量Mfk_R={Mfk_R1,Mfk_R2,…,Mfk_Ri,…,Mfk_RN},i=1,2,…,N;H为聚类类别数;
步骤2-18:根据式(13)计算H类类内离差矩阵W2元素w2_ij以及H类类间离差矩阵B2元素b2_ij,从而得到H类类内离差矩阵W2、H类类间离差矩阵B2,并根据T2=W2+B2计算总离差矩阵T2:
步骤2-19:基于H类类内离差矩阵W2,H类类间离差矩阵B2与总离差矩阵T2,根据式(14)对分类结果进行χ2检验;
步骤2-20:拟定经验置信区间下的χ2临界值,判断χ2检验结果是否大于自由度为n(H-1),如果是则认为区间分类有效,结束分类,得到第三层聚类分析的聚类结果;否则认为分类无效,将H+1赋值给H,返回步骤2-13重新进行分类;若区间分类有效,构建集合Afkh,将集合Afk中与聚类区间Γfk_h对应的所有日期计入集合Afkh;
式(9)中,D代表方差,Cov代表协方差,E代表均值,并有:
步骤2-22:将集合Afkh的负荷与温度的相关系数进行降序排列,得到排序后的对应集合Afkh的负荷与温度的相关系数,记为rfkh_b={rfkh_b_1,…,rfkh_b_z,…,rfkh_b_N},rfkh_b_z表示排序后的第z个负荷与温度的相关系数数据;z=1,2,…,N;
步骤2-23:确定聚类类别数为S;
步骤2-24:根据负荷与温度的相关系数rfkh_b_z进行第四层聚类,指定第项为对应集合Afkh的第四层聚类第s类分组的初始项,并采用式(16)计算尚未分配的第z项与第s类分组的初始项的距离dfkh_zs,从而得到尚未分配的第z项与S类分组的初始项的距离{dfkh_z1,dfkh_z2,…,dfkh_zs,…,dfkh_zS}
从得到尚未分配的第z项与第M类分组的初始项的距离{dfkh_z1,dfkh_z2,…,dfkh_zs,…,dfkh_zS}获取最小距离dfkh_z_min,并将未分配的第z项划分到与最小距离dfkh_z_min所对应的分类中,从而将尚未分配的N项划分到与各自最小距离所对应的分类中,进而得到S类区间{Γfkh_1,Γfkh_2,…,Γfkh_s,…,Γfkh_S},其中,Γfkh_s表示第s类区间,并统计第s类区间Γfkh_s内的项数,记为mfkh_s;s=1,2,…,S代表第四层聚类的聚类类别;
步骤2-25:计算s类分组的分类中心Mfkh_b_s,进一步确定第s类均值初始向量Mfkh_s={Mfkh_1_s,…,Mfkh_b_s,…,Mfkh_B_s},第b=1,2,…,B代表一天B个采样时刻;根据式(17)计算第s类分组的分类中心Mfkh_b_s;
步骤2-26:根据式(18)计算负荷与温度的相关系数点到第s类区间中心的距离Dfkh_s;
步骤2-27:根据Dfkh_s最小为原则,调整上述N个负荷与温度的相关系数点的分类,并重新计算均值初始向量Mfkh_s以及总均值向量Mfkh_r={Mfkh_r1,…,Mfkh_rb,…,Mfkh_rB};重新统计第s类区间Γfkh_s的样本点数mfkh_s;根据式(19)计算Mfkh_rb;b=1,2,…,B代表一天B个采样时刻;
步骤2-28:根据式(20)计算S类类内离差矩阵W3元素以及M类类间离差矩阵B3元素;i,j=1,2,…,N;
计算总离差矩阵T3=W3+B3
步骤2-29:基于S类类内离差矩阵W3,S类类间离差矩阵B3与总离差矩阵T3,根据式(21)对分类结果进行χ2检验;
步骤2-30:拟定经验置信区间下的χ2临界值,判断χ2检验结果是否大于自由度为n(S-1),如果是则认为区间分类有效,结束分类,得到第四层聚类分析的聚类结果;否则认为分类无效,将S+1赋值给S,返回步骤2-22重新进行分类;
步骤3:基于分层聚类结果,在每个聚类类别中选取最接近分类中心的节点作为对应采样时刻的典型负荷节点;应用最小二乘法,计算各采样时刻下各典型负荷在城市总负荷中的占比;
步骤3-1:对第四层聚类的各聚类区间Γfkh_s,根据式(22)计算各聚类区间Γfkh_s中各节点的负荷与温度的相关系数点到所属分类中心Mfkh_b_s的距离;
步骤3-2:定义L′fkhs为根据Dfkhs_i的大小筛选每类聚类区间Γfkh_s中与负荷中心最近的负荷节点,将L′fkhs视作聚类区间Γfkh_s的典型负荷节点;
步骤3-3:定义数组Pfkh_b=[Pfkh_b_1,…,Pfkh_b_s,…,Pfkh_b_S],Pfkh_b_s代表聚类区间Γfkh_s的典型负荷节点L′fkhs在一天内第b个采样时刻的负荷数据,应用最小二乘法,求解式(23)中各典型负荷在一天内各采样时刻的系数αfkh_b_s;f=1,2,…,F对应第一层聚类的聚类类别,k=0,1分别对应第二层聚类的节假日与工作日属性,h=1,2,…,H对应第三层分类的聚类类别,s=1,2,…,S代表第四层聚类的聚类类别,b=1,2,…,B代表一天B个采样时刻;
步骤4:基于各聚类类别中典型负荷节点的历史数据,应用二次回归拟合算法拟合各采样时刻下各典型负荷节点的负荷与温度的函数关系;考虑各典型负荷在城市总负荷中的占比,量化城市总负荷受温度的影响;
利用式(26)得到对应的城市总负荷P′fkh_b:
Pfkh_b′=Pfkh_b+ΔPfkh_b (26)。
Claims (3)
1.一种基于历史数据的城市负荷量化方法,应用于包含N个负荷节点的城市电力系统中,将所述负荷节点记为{L1,L2,…,Li,…,LN},Li表示第i个负荷节点,i=1,2,…,N,其特征在于,所述城市负荷量化方法是按如下步骤进行:
步骤1:以时间t为采样周期,采集第i个负荷节点Li在历史第a日第b个采样时刻tb的负荷数据Pi_a_b、温度数据Ti_a_b以及降水量数据Ri_a_b,从而得到所有负荷节点在历史A日所有采样时刻的负荷数据、温度数据以及降水量数据;a=1,2,…,A,b=1,2,…,B,A表示总采样天数,B表示一天内总采样时刻;
步骤2:利用分层聚类算法根据日平均气温数据、每日的节假日属性、日降水量数据以及负荷与温度的相关系数对负荷节点进行聚类分析,得到分层聚类结果;
步骤2-1:计算第i个负荷节点Li历史第a日的日平均气温,从而得到第i个负荷节点Li在历史A日的日平均气温并进行降序排序,得到排序后的第i个负荷节点Li在历史A日的日平均气温,记为 表示排序后的第i个负荷节点Li在历史第a日的日平均气温;
步骤2-2:确定第一层聚类类别数为F;
步骤2-3:指定第项为第一层聚类中第f类分组的初始项,并采用式(1)计算尚未分配的第a项与第f类分组的初始项的距离da_f,从而得到尚未分配的第a项与F类分组的初始项的距离{da_1,da_2,…,da_f,…,da_F};
从尚未分配的第a项与F类分组的初始项的距离{da_1,da_2,…,da_f,…,da_F}获取最小距离,记为da_min,并将所述未分配的第a项划分到与所述最小距离da_min所对应的分类中,从而将尚未分配的A项均划分到与各自最小距离所对应的分类中,进而得到F类分组{Γ1,Γ2,…,Γf,…ΓF},其中,Γf表示第f类分组,并统计第f类分组Γf内的项数,记为mf;
步骤2-4:定义Mi_f为对应第i个负荷节点Li的第f类分组Γf的日平均气温的样本均值,并作为所述第i个负荷节点Li的第f类分组Γf的样本中心,从而得到第f类均值初始向量Mf={M1_f,M2_f,…,Mi_f,…,MN_f};
步骤2-5:采用式(2)计算所有负荷节点历史A天的日平均气温到所述第f类分组Γf的样本中心Mi_f的距离Df:
步骤2-6:以距离Df最小为原则,调整所述历史A日的日平均气温分类,重新计算第i个负荷节点Li的第f类均值向量,记为M′f={M′1_f,M′2_f,…,M′i_f,…,M′N_f},并重新统计第f类区间Γf内的项数m′f,采用式(3)计算第i个负荷节点Li的总均值MTi,从而得到总均值向量MT={MT1,MT2,…,MTi,…,MTN}:
步骤2-7:采用式(4)计算所述F类分组的类内离差矩阵W1的元素w1_ij以及所述F类分组的类间离差矩阵B1的元素b1_ij,从而得到所述F类分组的类内离差矩阵W1以及所述F类分组的类间离差矩阵B1,并根据T1=W1+B1计算总离差矩阵T1;j=1,2,…,N;
步骤2-8:根据所述F类分组的类内离差矩阵W1、类间离差矩阵B1与总离差矩阵T1,对所述F类分组进行χ2检验,得到χ2检验的计算结果;
步骤2-9:拟定置信区间下的χ2临界值,判断χ2检验的计算结果是否大于自由度为n(F-1),如果大于,则认为所述F类分组有效,并将所述F类分组作为第一层聚类分析的聚类结果;再将历史A天中与第f类分组Γf对应的所有日期加入第f个集合Af中,从而得到各类分组对应的集合{A1,A2,…,Af…,AF};否则认为所述F类分组无效,将F+1赋值给F,并返回步骤2-3顺序执行重新分类;
步骤2-10:根据历史A天每日的节假日属性,确定第二层聚类类别数K;
步骤2-11:根据所述第一层聚类分析的聚类结果,根据节假日属性将所述第f个集合Af中的所有日期归类至对应的集合{Af1,Af2,…,Afk,…,AfK},并分别统计各集合内的项数,记为{mf1,mf2,…,mfk,…,mfK},其中,Afk表示第f个集合Af中的第k类日期,mfk表示第f个集合Af中第k类日期所包含的项数,从而完成对所述第f个集合Af的重新分类,进而完成对集合{A1,A2,…,Af…,AF}的重新分类,并将分类结果作为第二层聚类分析的聚类结果,k=1,2,…,K;
步骤2-12:定义第i个负荷节点Li的第a日的日降水量为第i个负荷节点Li的第a日B个采样时刻的降水量数据{Ri_a_1,Ri_a_2,…,Ri_a_b,…,Ri_a_B}之和;
将与集合Afk中对应的各日降水量进行降序排列,得到第i个负荷节点Li与集合Afk中对应的各日期的降水量数据Rfk_i_y表示第i个负荷节点Li与集合Afk中对应的第y个降水量数据,y=1,2,…,mfk;
步骤2-13:根据降水量情况确定第三层聚类类别数H;
步骤2-14:指定第项为对应集合Afk的第三层聚类第h类分组的初始项,并采用式(5)计算尚未分配的第y项与第h类分组的初始项的距离dfk_yh,从而得到尚未分配的第y项与H类分组的初始项的距离{dfk_y1,dfk_y2,…,dfk_yh,…,dfk_yH}
式(5)中,Rfk_i_h表示第i个负荷节点Li与集合Afk中对应的第yfk_h项的日平均气温值,h=1,2,…,H;
从尚未分配的y项与H类分组的初始项的距离{dfk_y1,dfk_y2,…,dfk_yh,…,dfk_yH}获取最小距离记为dfk_y_min,并将所有未分配的第y项划分到与所述最小距离dfk_y_min所对应的分类中,从而将尚未分配的mfk项划分到与各自最小距离所对应的分类中,进而得到H类区间{Γfk_1,Γfk_2,…,Γfk_h,…Γfk_H},其中,Γfk_h表示第h类区间,并统计第h类区间Γfk_h内的项数,记为mfk_h;
步骤2-15:定义Mfk_i_h为集合Afk中第i个负荷节点Li在第h类分组日降水量的样本均值,并作为第i个负荷节点Li的第h类分组的分类中心,从而获得所述第h类分组均值初始向量Mfk_h={Mfk_1_h,Mfk_2_h,…,Mfk_i_h,…,Mfk_N_h};
步骤2-16:根据式(6)计算对应集合Afk的mfk个日降水量数据点到所述第h类分组的分类中心Mfk_i_h的距离Dfk_h:
步骤2-17:以Dfk_h最小为原则,调整所述日降水量的分类,重新计算各负荷节点类均值向量Mfk_h并重新统计所述第h类区间Γfk_h的样本点数mfk_h,采用式(7)计算负荷节点Li的总均值Mfk_Ri,进一步得到总均值向量Mfk_R={Mfk_R1,Mfk_R2,…,Mfk_Ri,…,Mfk_RN},i=1,2,…,N;H为聚类类别数;
步骤2-18:根据式(8)计算H类类内离差矩阵W2元素w2_ij以及H类类间离差矩阵B2元素b2_ij,从而得到所述H类类内离差矩阵W2、所述H类类间离差矩阵B2,并根据T2=W2+B2计算总离差矩阵T2:
步骤2-19:根据所述H类类内离差矩阵W2,所述H类类间离差矩阵B2与所述总离差矩阵T2,对分类结果进行χ2检验;
步骤2-20:拟定经验置信区间下的χ2临界值,判断χ2检验结果是否大于自由度为n(H-1),如果是则认为区间分类有效,结束分类,得到第三层聚类分析的聚类结果;否则认为分类无效,将H+1赋值给H,返回步骤2-13重新进行分类;若区间分类有效,构建集合Afkh,将集合Afk中与聚类区间Γfk_h对应的所有日期计入集合Afkh;
式(9)中,D代表方差,Cov代表协方差,E代表均值,并有:
步骤2-22:将所述集合Afkh的负荷与温度的相关系数进行降序排列,得到排序后的对应集合Afkh的负荷与温度的相关系数,记为rfkh_b={rfkh_b_1,…,rfkh_b_z,…,rfkh_b_N},rfkh_b_z表示排序后的第z个负荷与温度的相关系数数据;z=1,2,…,N,
步骤2-23:确定聚类类别数为S;
步骤2-24:根据所述负荷与温度的相关系数rfkh_b_z进行第四层聚类,指定第项为对应集合Afkh的第四层聚类第s类分组的初始项,并采用式(10)计算尚未分配的第z项与第s类分组的初始项的距离dfkh_zs,从而得到尚未分配的第z项与S类分组的初始项的距离{dfkh_z1,dfkh_z2,…,dfkh_zs,…,dfkh_zS}
从得到尚未分配的第z项与第M类分组的初始项的距离{dfkh_z1,dfkh_z2,…,dfkh_zs,…,dfkh_zS}获取最小距离dfkh_z_min,并将所述未分配的第z项划分到与所述最小距离dfkh_z_min所对应的分类中,从而将尚未分配的N项划分到与各自最小距离所对应的分类中,进而得到S类区间{Γfkh_1,Γfkh_2,…,Γfkh_s,…,Γfkh_S},其中,Γfkh_s表示第s类区间,并统计第s类区间Γfkh_s内的项数,记为mfkh_s;s=1,2,…,S代表第四层聚类的聚类类别;
步骤2-25:计算所述s类分组的分类中心Mfkh_b_s,进一步确定第s类均值初始向量Mfkh_s={Mfkh_1_s,…,Mfkh_b_s,…,Mfkh_B_s},第b=1,2,…,B代表一天B个采样时刻;
步骤2-26:根据式(11)计算负荷与温度的相关系数点到所述第s类区间中心的距离Dfkh_s;
步骤2-27:根据所述Dfkh_s最小为原则,调整上述N个负荷与温度的相关系数点的分类,并重新计算所述均值初始向量Mfkh_s以及总均值向量Mfkh_r={Mfkh_r1,…,Mfkh_rb,…,Mfkh_rB};重新统计所述第s类区间Γfkh_s的样本点数mfkh_s;根据式(12)计算Mfkh_rb;b=1,2,…,B代表一天B个采样时刻;
步骤2-28:根据式(13)计算S类类内离差矩阵W3元素以及S类类间离差矩阵B3元素;i,j=1,2,…,N;
计算所述总离差矩阵T3=W3+B3;
步骤2-29:根据所述S类类内离差矩阵W3,所述S类类间离差矩阵B3与所述总离差矩阵T3,对分类结果进行χ2检验;
步骤2-30:拟定经验置信区间下的χ2临界值,判断χ2检验结果是否大于自由度为n(S-1),如果是则认为区间分类有效,结束分类,得到第四层聚类分析的聚类结果;否则认为分类无效,将S+1赋值给S,返回步骤2-22重新进行分类;
步骤3:基于所述分层聚类结果,在每个聚类类别中选取最接近分类中心的节点作为对应采样时刻的典型负荷节点;应用最小二乘法,计算各采样时刻下各典型负荷在城市总负荷中的占比;
步骤4:基于各聚类类别中典型负荷节点的历史数据,应用二次回归拟合算法拟合各采样时刻下各典型负荷与温度的函数关系;考虑其在城市负荷中的占比,量化城市总负荷受温度的影响。
2.根据权利要求1所述的一种基于历史数据的城市负荷量化方法,其特征在于,所述步骤3包括如下步骤:
步骤3-1:对第四层聚类的各聚类区间Γfkh_s,根据式(14)计算各聚类区间Γfkh_s中各节点的负荷与温度的相关系数点到所属分类中心Mfkh_b_s的距离Dfkhs_i;
步骤3-2:对所述各聚类区间Γfkh_s,根据Dfkhs_i的大小筛选每类聚类区间Γfkh_s中与负荷中心最近的负荷,并将最近的负荷视作相应聚类区间的典型负荷;
步骤3-3:定义数组Pfkh_b=[Pfkh_b_1,…,Pfkh_b_s,…,Pfkh_b_S],Pfkh_b_s代表第s类典型负荷在一天内第b个采样时刻的负荷数据,应用最小二乘法,求解式(15)中各典型负荷在一天内各采样时刻的系数αfkh_b_s;f=1,2,…,F对应第一层聚类的聚类类别,k=0,1分别对应第二层聚类的节假日与工作日属性,h=1,2,…,H对应第三层分类的聚类类别,s=1,2,…,S代表第四层聚类的聚类类别,b=1,2,…,B代表一天B个采样时刻;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811094614.5A CN109214458B (zh) | 2018-09-19 | 2018-09-19 | 一种基于历史数据的城市负荷量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811094614.5A CN109214458B (zh) | 2018-09-19 | 2018-09-19 | 一种基于历史数据的城市负荷量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109214458A CN109214458A (zh) | 2019-01-15 |
CN109214458B true CN109214458B (zh) | 2021-08-13 |
Family
ID=64984704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811094614.5A Active CN109214458B (zh) | 2018-09-19 | 2018-09-19 | 一种基于历史数据的城市负荷量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214458B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582568B (zh) * | 2020-04-28 | 2023-12-19 | 国网湖南省电力有限公司 | 基于电力数据的春节期间企业复工预测方法 |
CN111754029A (zh) * | 2020-06-08 | 2020-10-09 | 深圳供电局有限公司 | 一种社区负荷预测系统 |
CN111784028A (zh) * | 2020-06-08 | 2020-10-16 | 深圳供电局有限公司 | 一种社区负荷预测方法 |
CN112948524B (zh) * | 2021-04-21 | 2024-04-26 | 广东电网有限责任公司计量中心 | 基于环境和地理特征的智能电表运行区域分组方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
CN105184402A (zh) * | 2015-08-31 | 2015-12-23 | 国家电网公司 | 一种基于决策树的个性化用户短期负荷预测算法 |
CN107145976A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种预测用户用电负荷的方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706778A (zh) * | 2008-08-27 | 2010-05-12 | 王阳 | 一种电力负荷预测的方法 |
US20140122181A1 (en) * | 2012-09-15 | 2014-05-01 | Honeywell International Inc. | Demand response load forecaster |
US10243359B2 (en) * | 2012-12-07 | 2019-03-26 | Battelle Memorial Institute | Method and system for using demand side resources to provide frequency regulation using a dynamic allocation of energy resources |
CN103218675B (zh) * | 2013-05-06 | 2016-06-01 | 国家电网公司 | 一种基于聚类和滑动窗口的短期负荷预测方法 |
CN105515001B (zh) * | 2016-01-29 | 2018-01-19 | 合肥工业大学 | 一种基于最小输入误差准则的含风电系统的概率潮流计算方法 |
CN106485262B (zh) * | 2016-09-09 | 2020-02-07 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
CN107423769B (zh) * | 2017-08-03 | 2019-10-01 | 四川大学 | 基于形态特征的电力负荷曲线自适应聚类方法 |
-
2018
- 2018-09-19 CN CN201811094614.5A patent/CN109214458B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
CN105184402A (zh) * | 2015-08-31 | 2015-12-23 | 国家电网公司 | 一种基于决策树的个性化用户短期负荷预测算法 |
CN107145976A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种预测用户用电负荷的方法 |
Non-Patent Citations (1)
Title |
---|
基于知识挖掘技术的智能协同电力负荷预测研究;王建军;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20110915;第C042-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109214458A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214458B (zh) | 一种基于历史数据的城市负荷量化方法 | |
WO2020063689A1 (zh) | 一种电力系统热负荷预测的方法和装置 | |
CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN109657844B (zh) | 电力短期负荷预测方法和装置 | |
Roberts et al. | Characterisation of Australian apartment electricity demand and its implications for low-carbon cities | |
JP6837949B2 (ja) | 予測システム及び方法 | |
WO2015081660A1 (zh) | 一种居民小区短期负荷预测方法 | |
CN106372739B (zh) | 一种基于需求响应基线的需求响应效果评估方法 | |
CN117272850B (zh) | 配电网安全运行调度弹性空间分析方法 | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
CN115829235A (zh) | 一种基于大数据分析的用电调度方法 | |
CN103106329B (zh) | 一种用于svr短期负荷预测的训练样本分组构造方法 | |
CN115759393A (zh) | 基于集成学习的累积负荷基线预测方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN107316096A (zh) | 一种轨道交通一票通乘客进站量预测方法 | |
CN112288187A (zh) | 一种基于大数据的售电量预测方法 | |
Suryani et al. | Forecasting Pneumonia Toddler Mortality Using Comparative Model ARIMA and Multilayer Perceptron | |
CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
CN104778516A (zh) | 一种基于区间可拓理论的线损率多重预测方法 | |
CN116108976A (zh) | 一种超短期风速预测方法 | |
CN113469440B (zh) | 一种预测月尺度生活需水量的方法 | |
CN111353797A (zh) | 资源分配方法、装置以及电子设备 | |
CN115392387A (zh) | 一种低压分布式光伏发电出力预测方法 | |
CN107273703A (zh) | 一种路面使用性能分布情况预测方法 |
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 |