CN109325622A - 一种电力系统负荷预测的方法 - Google Patents
一种电力系统负荷预测的方法 Download PDFInfo
- Publication number
- CN109325622A CN109325622A CN201811120801.6A CN201811120801A CN109325622A CN 109325622 A CN109325622 A CN 109325622A CN 201811120801 A CN201811120801 A CN 201811120801A CN 109325622 A CN109325622 A CN 109325622A
- Authority
- CN
- China
- Prior art keywords
- model
- load
- day
- daily
- prediction
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种电力系统负荷预测的方法,包括以下步骤:通过获取历史数据,所述历史数据包括负荷历史数据以及对应的历史天气参数数据;通过负荷历史数据建立日最高负荷量模型、日最低负荷量模型、日峰谷差模型、日平均负荷量模型以及日负荷率模型;构建多元线性回归模型,利用SPSS软件对日最高负荷、日最低负荷、日平均负荷与各气象因素进行回归分析,对多元线性方程做回归误差分析,将不重要的气象因素剔除减小误差;构建ARIMA预测模型,对数据进行预处理;通过自相关方面的分析,确定模型ARIMA(p,q),利用SPSS软件可得出所需的预测结果;使得电力系统负荷预测结果可靠性高,为电力系统经济、安全与可靠运行提供了决策支持。
Description
技术领域
本发明具体涉及一种电力系统负荷预测的方法。
背景技术
电力系统由五个基本环节组成:发电、传输、转换、分配和功耗。其运行需要保证供电可靠性、运行的经济性和良好的电能质量。但是电能很难大量储存,这就需要电能在消费和生产之间保持动态的供需平衡,避免供电不足和电能的生产浪费等问题。因此,我们需要依靠预测理论来掌握电力负荷变化规律,解决电力供需平衡问题。
发明内容
针对上述不足,本发明提供了一种电力系统负荷预测的方法,预测结果可靠性高。
本发明解决其技术问题采取的技术方案是:一种电力系统负荷预测的方法,它包括以下步骤:
步骤一:获取历史数据,所述历史数据包括负荷历史数据以及对应的历史天气参数数据;
步骤二:通过负荷历史数据建立日最高负荷量模型、日最低负荷量模型、日峰谷差模型、日平均负荷量模型以及日负荷率模型;
步骤三:构建多元线性回归模型,利用SPSS软件对日最高负荷、日最低负荷、日平均负荷与各气象因素进行回归分析,对多元线性方程做回归误差分析,将不重要的气象因素剔除,减小误差;
步骤四:构建ARIMA预测模型,对数据进行预处理,取每年固定季节时间段的负荷量作为参照数据,从而消除了季节成分的影响;通过自相关方面的分析,确定模型ARIMA(p,q),利用SPSS软件可得出所需的预测结果。
进一步,所述步骤一中的历史天气参数数据包括有最高温度、最低温度、平均温度、相对湿度以及降雨量。
进一步,所述步骤二中设Xijk为i地区第j天第k个时刻所测量的负荷数据,可建立日最高负荷量的数学模型:
aij=max{Xijk}(k=0000,0015,0030,…,2345)
该模型中aij表示i地区第j天的日最高负荷量;
建立最日低负荷量的数学模型:
bij=min{Xijk}(k=0000,0015,0030,…,2345)
该模型中bij表示i地区第j天的日最低负荷量;
建立日峰谷差数学模型:
cij=max{Xijk}-min{Xijk}(k=0000,0015,0030,…,2345)
该模型中cij表示i地区第j天的日峰谷差;
日负荷率为日平均负荷与日最大负荷的比值,建立如下数学模型:
其中dij为i地区第j天的日平均负荷,eij表示i地区第j天的日负荷率。
进一步,所述步骤三中有,变量Y和变量X1,X2,X3,X4,X5的关系:
Y=f(X1,X2,X3,X4,X5)+ε
其中X1,X2,X3,X4,X5分别代表最高温度、最低温度、平均温度、相对湿度以及降雨量,Y代表日最高负荷、日最低负荷、日平均负荷中的一种变量;ε为均值为0的随机变量;f的函数为线性的,即整个线性模型为:
Y=β0+β1X1+β2X2+β3X3+β4X4+β5X5+ε。
进一步,所述步骤四中,ARIMA模型的识别主要是通过序列的自相关函数和偏自相关函数进行的;序列yt的自相关函数度量了yt与yt-k之间的线性相关程度,用βk表示,定义如下:
式中:rk=cov(yt,yt-k);r0=cov(yt,yt)表示序列的方差,
偏自相关函数可由下面的递推公式得到:
AIC准则既考虑拟合模型对数据底接近程度,也考虑模型中所含待定参数的个数;
关于ARIM(p,q),对其定义AIC函数如下:
其中是拟合ARIM(p,q)模型时残差的方差,它是(p,q)的函数。如果模型中含有常数项,则p+q被p+q+1代替。AIC定阶的方法就是选择ARIM(p,q)最小的(p,q)作为相应的模型阶数。
本发明的有益效果:通过获取历史数据,所述历史数据包括负荷历史数据以及对应的历史天气参数数据;通过负荷历史数据建立日最高负荷量模型、日最低负荷量模型、日峰谷差模型、日平均负荷量模型以及日负荷率模型;构建多元线性回归模型,利用SPSS软件对日最高负荷、日最低负荷、日平均负荷与各气象因素进行回归分析,对多元线性方程做回归误差分析,将不重要的气象因素剔除减小误差;构建ARIMA预测模型,对数据进行预处理,取每年固定季节时间段的负荷量作为参照数据,从而消除了季节成分的影响;通过自相关方面的分析,确定模型ARIMA(p,q),利用SPSS软件可得出所需的预测结果,使得电力系统负荷预测结果可靠性高,为电力系统经济、安全与可靠运行提供了决策支持。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,对本发明进行详细阐述。
为适应新型下配电网负荷预测的需要,本发明提供一种电力系统负荷预测的方法,包括以下步骤:
步骤一:获取历史数据,所述历史数据包括负荷历史数据以及对应的历史天气参数数据;该历史天气参数数据包括有最高温度、最低温度、平均温度、相对湿度以及降雨量。其中负荷历史数据为每日固定间隔时长监测的数据,本实施例中为每15min一个采样点,每日96点。
步骤二:通过负荷历史数据建立日最高负荷量模型、日最低负荷量模型、日峰谷差模型、日平均负荷量模型以及日负荷率模型;设Xijk为i地区第j天第k个时刻所测量的负荷数据,可建立日最高负荷量的数学模型:
aij=max{Xijk}(k=0000,0015,0030,…,2345)
该模型中aij表示i地区第j天的日最高负荷量;
建立最日低负荷量的数学模型:
bij=min{Xijk}(k=0000,0015,0030,…,2345)
该模型中bij表示i地区第j天的日最低负荷量;
建立日峰谷差数学模型:
cij=max{Xijk}-min{Xijk}(k=0000,0015,0030,…,2345)
该模型中cij表示i地区第j天的日峰谷差;
日负荷率为日平均负荷与日最大负荷的比值,建立如下数学模型:
其中dij为i地区第j天的日平均负荷,eij表示i地区第j天的日负荷率。依据上述模型可利用Excel软件求出相应的结果数据,再通过利用Matlab软件,
将数据导入后可获得负荷持续曲线图,可直观的观测该地区负荷持续波动程度。
步骤三:构建多元线性回归模型,利用SPSS软件对日最高负荷、日最低负荷、日平均负荷与各气象因素进行回归分析,对多元线性方程做回归误差分析,将不重要的气象因素剔除减小误差;所述步骤三中有,变量Y和变量X1,X2,X3,X4,X5的关系:
Y=f(X1,X2,X3,X4,X5)+ε
其中X1,X2,X3,X4,X5分别代表最高温度、最低温度、平均温度、相对湿度以及降雨量,Y代表日最高负荷、日最低负荷、日平均负荷中的一种变量;ε为均值为0的随机变量;f的函数为线性的,即整个线性模型为:
Y=β0+β1X1+β2X2+β3X3+β4X4+β5X5+ε。
为了得到回归参数的估计值,就要对变量进行观测,对变量的n=1096次独立观测数据为:{(yi,xi1,xi2,…,xim),i=1,…,n},则这些观测数据应满足式,即有
其中E(εi)=0,Cov(εi,εj)=δijσ2,(i,j=1,…,n),
若记Y=(y1,y2,…,yn)T,β=(b0,b1,…,bm)T,ε=(ε1,ε2,…,εn)T,
则多元线性回归的数学模型式(4-6)可以写成矩阵形式
Y=Xβ+ε
其中E(ε)=0,Var(ε)=σ2In。
为了获得参β的估计,我们采用最小二乘法,即选择β,使
达到最小。
将Q(β)对β求导数并令其为零,得
即XTXβ=XTY。记L=XTX,则
Lβ=XTY
上述方程称为正规方程,其中X为n×(m+1)阶矩阵,一般假定rank(X)=m+1,由线性代数理论可知,L=XTX为满秩矩阵,它的秩rank(L)=m+1,则正规方程有唯一解,记作
证明上式中为参数向量β的最小二乘法估计量,现用矩阵形式来叙述其证明步骤。对任意的β有Q=(Y-Xβ)T(Y-Xβ)则有
上述证明过程中应用了如下结果:
至此,在|L|≠0时,证明了正规方程中的是β的最小二乘法估计量。结合日最高负荷、日最低负荷、日平均负荷,根据多元线性回归模型,利用SPSS软件,可对日最高负荷、日最低负荷、日平均负荷与各气象因素的关系进行回归分析。将数据导入软件后,设置回归分析方法为进入法,分别将日最高负荷、日最低负荷、日平均负荷作为因变量,进行回归分析,可确定气象因素对负荷有影响;选取日平均负荷作为实例进行误差分析,比较各气象因素与负荷的相关性,相关系数越低则对负荷影响较弱,如果将相对系数低的气象因素强行作为自变量的话,就会加大误差。因此如果将相对系数低的气象因素从自变量中排除,可减小回归误差。
步骤四:构建ARIMA预测模型,对数据进行预处理,取每年固定季节时间段的负荷量作为参照数据,从而消除了季节成分的影响;排除季节性影响,使预测更准确,计算的复杂度也会降低;通过自相关方面的分析,确定模型ARIMA(p,q),利用SPSS软件可得出所需的预测结果。ARIMA模型的识别主要是通过序列的自相关函数和偏自相关函数进行的;序列yt的自相关函数度量了yt与yt-k之间的线性相关程度,用βk表示,定义如下:
式中:rk=cov(yt,yt-k);r0=cov(yt,yt)表示序列的方差,
偏自相关函数可由下面的递推公式得到:
AIC准则既考虑拟合模型对数据底接近程度,也考虑模型中所含待定参数的个数;
关于ARIM(p,q),对其定义AIC函数如下:
其中是拟合ARIM(p,q)模型时残差的方差,它是(p,q)的函数。如果模型中含有常数项,则p+q被p+q+1代替。AIC定阶的方法就是选择ARIM(p,q)最小的(p,q)作为相应的模型阶数。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种电力系统负荷预测的方法,其特征在于:包括以下步骤:
步骤一:获取历史数据,所述历史数据包括负荷历史数据以及对应的历史天气参数数据;
步骤二:通过负荷历史数据建立日最高负荷量模型、日最低负荷量模型日峰谷差模型、日平均负荷量模型以及日负荷率模型;
步骤三:构建多元线性回归模型,利用SPSS软件对日最高负荷、日最低负荷、日平均负荷与各气象因素进行回归分析,对多元线性方程做回归误差分析,将不重要的气象因素剔除,减小误差;
步骤四:构建ARIMA预测模型,对数据进行预处理,取每年固定季节时间段的负荷量作为参照数据,从而消除了季节成分的影响;通过自相关方面的分析,确定模型ARIMA(p,q),利用SPSS软件可得出所需的预测结果。
2.根据权利要求1所述的电力系统负荷预测的方法,其特征在于:所述步骤一中的历史天气参数数据包括有最高温度、最低温度、平均温度、相对湿度以及降雨量。
3.根据权利要求1所述的电力系统负荷预测的方法,其特征在于:所述步骤二中设Xijk为i地区第j天第k个时刻所测量的负荷数据,可建立日最高负荷量的数学模型:
aij=max{Xijk}(k=0000,0015,0030,…,2345)
该模型中aij表示i地区第j天的日最高负荷量;
建立最日低负荷量的数学模型:
bij=min{Xijk}(k=0000,0015,0030,…,2345)
该模型中bij表示i地区第j天的日最低负荷量;
建立日峰谷差数学模型:
cij=max{Xijk}-min{Xijk}(k=0000,0015,0030,…,2345)该模型中cij表示i地区第j天的日峰谷差;
日负荷率为日平均负荷与日最大负荷的比值,建立如下数学模型:
其中dij为i地区第j天的日平均负荷,eij表示i地区第j天的日负荷率。
4.根据权利要求1所述的电力系统负荷预测的方法,其特征在于:所述步骤三中有,变量Y和变量X1,X2,X3,X4,X5的关系:
Y=f(X1,X2,X3,X4,X5)+ε
其中X1,X2,X3,X4,X5分别代表最高温度、最低温度、平均温度、相对湿度以及降雨量,Y代表日最高负荷、日最低负荷、日平均负荷中的一种变量;ε为均值为0的随机变量;f的函数为线性的,即整个线性模型为:
Y=β0+β1X1+β2X2+β3X3+β4X4+β5X5+ε。
5.根据权利要求1所述的电力系统负荷预测的方法,其特征在于:所述步骤四中,ARIMA模型的识别主要是通过序列的自相关函数和偏自相关函数进行的;序列yt的自相关函数度量了yt与yt-k之间的线性相关程度,用βk表示,定义如下:
式中:rk=cov(yt,yt-k);r0=cov(yt,yt)表示序列的方差,
偏自相关函数可由下面的递推公式得到:
AIC准则既考虑拟合模型对数据底接近程度,也考虑模型中所含待定参数的个数;
关于ARIM(p,q),对其定义AIC函数如下:
其中是拟合ARIM(p,q)模型时残差的方差,它是(p,q)的函数。如果模型中含有常数项,则p+q被p+q+1代替。AIC定阶的方法就是选择ARIM(p,q)最小的(p,q)作为相应的模型阶数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811120801.6A CN109325622A (zh) | 2018-09-26 | 2018-09-26 | 一种电力系统负荷预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811120801.6A CN109325622A (zh) | 2018-09-26 | 2018-09-26 | 一种电力系统负荷预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109325622A true CN109325622A (zh) | 2019-02-12 |
Family
ID=65265374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811120801.6A Withdrawn CN109325622A (zh) | 2018-09-26 | 2018-09-26 | 一种电力系统负荷预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325622A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109613338A (zh) * | 2019-02-12 | 2019-04-12 | 江苏智臻能源科技有限公司 | 一种基于一元模型的低压用户回路抗阻估计方法 |
CN111852596A (zh) * | 2020-06-29 | 2020-10-30 | 东北电力大学 | 一种锅炉汽轮发电机组运行参数及相对发电煤耗率预测方法 |
CN112330009A (zh) * | 2020-11-02 | 2021-02-05 | 广东电网有限责任公司 | 一种电网负荷预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102736558A (zh) * | 2011-04-07 | 2012-10-17 | 姚晓栋 | 基于时间序列算法的数控机床热误差实时补偿建模方法 |
CN105069535A (zh) * | 2015-08-19 | 2015-11-18 | 中国电力科学研究院 | 一种基于arima模型的配电网运行可靠性的预测方法 |
CN105160588A (zh) * | 2015-05-27 | 2015-12-16 | 南京国云电力有限公司 | 一种用电负荷特征分析的方法 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
CN105701559A (zh) * | 2015-12-31 | 2016-06-22 | 国网上海市电力公司 | 一种基于时间序列的短期负荷预测方法 |
CN106408223A (zh) * | 2016-11-30 | 2017-02-15 | 华北电力大学(保定) | 基于气象相似日及误差校正的短期负荷预测方法 |
CN108229742A (zh) * | 2018-01-04 | 2018-06-29 | 国网浙江省电力公司电力科学研究院 | 一种基于气象数据以及数据趋势的负荷预测方法 |
CN108320053A (zh) * | 2018-01-23 | 2018-07-24 | 国网冀北电力有限公司经济技术研究院 | 一种区域用电量预测方法、装置及系统 |
-
2018
- 2018-09-26 CN CN201811120801.6A patent/CN109325622A/zh not_active Withdrawn
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102736558A (zh) * | 2011-04-07 | 2012-10-17 | 姚晓栋 | 基于时间序列算法的数控机床热误差实时补偿建模方法 |
CN105160588A (zh) * | 2015-05-27 | 2015-12-16 | 南京国云电力有限公司 | 一种用电负荷特征分析的方法 |
CN105069535A (zh) * | 2015-08-19 | 2015-11-18 | 中国电力科学研究院 | 一种基于arima模型的配电网运行可靠性的预测方法 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
CN105701559A (zh) * | 2015-12-31 | 2016-06-22 | 国网上海市电力公司 | 一种基于时间序列的短期负荷预测方法 |
CN106408223A (zh) * | 2016-11-30 | 2017-02-15 | 华北电力大学(保定) | 基于气象相似日及误差校正的短期负荷预测方法 |
CN108229742A (zh) * | 2018-01-04 | 2018-06-29 | 国网浙江省电力公司电力科学研究院 | 一种基于气象数据以及数据趋势的负荷预测方法 |
CN108320053A (zh) * | 2018-01-23 | 2018-07-24 | 国网冀北电力有限公司经济技术研究院 | 一种区域用电量预测方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
刘欢: "基于BP神经网络与时间序列的电力系统短期负荷组合预测", 《内燃机与配件》 * |
吕丰: "基于神经网络的短期电力负荷预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109613338A (zh) * | 2019-02-12 | 2019-04-12 | 江苏智臻能源科技有限公司 | 一种基于一元模型的低压用户回路抗阻估计方法 |
CN109613338B (zh) * | 2019-02-12 | 2021-03-16 | 江苏智臻能源科技有限公司 | 一种基于一元模型的低压用户回路抗阻估计方法 |
CN111852596A (zh) * | 2020-06-29 | 2020-10-30 | 东北电力大学 | 一种锅炉汽轮发电机组运行参数及相对发电煤耗率预测方法 |
CN112330009A (zh) * | 2020-11-02 | 2021-02-05 | 广东电网有限责任公司 | 一种电网负荷预测方法 |
CN112330009B (zh) * | 2020-11-02 | 2023-09-01 | 广东电网有限责任公司 | 一种电网负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416695B (zh) | 基于深度学习的电力负荷概率密度预测方法和系统、介质 | |
Wu et al. | A novel hybrid model for short-term forecasting in PV power generation | |
Bacher et al. | Online short-term solar power forecasting | |
CN108280552B (zh) | 基于深度学习的电力负荷预测方法和系统、存储介质 | |
CN111932402B (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
CN109325622A (zh) | 一种电力系统负荷预测的方法 | |
KR20180060317A (ko) | 심층 신경망 기반 수용가 전력 수요 예측 장치 및 방법 | |
CN105989420A (zh) | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 | |
CN108053082B (zh) | 基于温度区间分解的电网中长期负荷预测方法 | |
CN102999791A (zh) | 一种电力行业中基于客户分群的电力负荷预测方法 | |
KR20140105506A (ko) | 전력 생산 용량의 적응 및 에너지 저장 유닛 사이즈의 결정 | |
Park et al. | A framework for baseline load estimation in demand response: Data mining approach | |
CN108875992A (zh) | 一种考虑需求响应的虚拟电厂日前优化调度方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN109376953A (zh) | 一种中长期电量预测方法及系统 | |
CN102915511A (zh) | 一种电力负荷的混沌相空间神经网络模型安全监测方法 | |
CN112465403B (zh) | 一种区域电力需求侧响应潜力评估方法 | |
Bhamidi et al. | Multi-objective harmony search algorithm for dynamic optimal power flow with demand side management | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
CN114926046A (zh) | 一种备用资源跨区共享的计算方法及其相关装置 | |
CN109886449A (zh) | 一种基于用户用电行为的地区电网负荷预测方法 | |
Bahij et al. | A review on the prediction of energy consumption in the industry sector based on machine learning approaches | |
CN105811414B (zh) | 一种用电网短期功率预测方法及装置 | |
CN115864461A (zh) | 一种电力储能系统的控制方法 | |
Ma et al. | Residential high-power load prediction based on optimized LSTM network |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190212 |