CN109447372A - 一种错峰负荷预测方法及装置 - Google Patents

一种错峰负荷预测方法及装置 Download PDF

Info

Publication number
CN109447372A
CN109447372A CN201811349773.5A CN201811349773A CN109447372A CN 109447372 A CN109447372 A CN 109447372A CN 201811349773 A CN201811349773 A CN 201811349773A CN 109447372 A CN109447372 A CN 109447372A
Authority
CN
China
Prior art keywords
load
peak hour
difference
time
preset period
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
Application number
CN201811349773.5A
Other languages
English (en)
Inventor
吴裕宙
杨程
麦霭庭
梁永昌
李汉巨
尹玉芬
卢璇君
谭海强
林汉华
黄裕深
黎沛坚
陈裕祥
赵睿
周杰锋
钱惠强
李伟强
叶柱坚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201811349773.5A priority Critical patent/CN109447372A/zh
Publication of CN109447372A publication Critical patent/CN109447372A/zh
Pending legal-status Critical Current

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
    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种错峰负荷预测方法及装置，涉及电网负荷检测领域。该错峰负荷预测方法包括：获取第一预设时段的第一计划错峰负荷、第一预设时段的第一实际错峰负荷和第二预设时段的第二计划错峰负荷，第一预设时段为预设时刻之前的一段时间，第二预设时段为预设时刻之后的一段时间；基于第一计划错峰负荷和第一实际错峰负荷，确定第一计划错峰负荷和第一实际错峰负荷的第一差值；基于高斯过程回归模型，根据第一差值得到第二差值的预测值，第二差值为第二计划错峰负荷和第二实际错峰负荷的差值；基于第二差值的预测值和所述第二计划错峰负荷，得到第二实际错峰负荷的预测值。本发明减小了供电量不足或者供电量过多现象发生的可能性。

Description

一种错峰负荷预测方法及装置
技术领域
本发明涉及电力技术领域，具体而言，涉及一种错峰负荷预测方法及装置。
背景技术
错峰用电就是根据电网负荷特性，通过行政、技术、经济等手段将电网用电高峰时段的部分负荷转移到用电低谷时段，从而减少电网的高峰负荷和低谷负荷的差值，按照“以发定供、以供定用”的原则，最大限度提高发供电设备的利用率，提高电网负荷率，从而提高电网安全性和经济性。
现有技术中，供电局在制定错峰计划进行错峰用电时，通常根据用户的用电情况，采用遗传算法对高峰负荷和低谷负荷进行预测，再根据高峰负荷、低谷负荷、受影响的用户数和受影响的用电时间，确定实施错峰计划后的用户用电负荷。供电局根据实施错峰计划后的用户用电负荷和最大用户用电负荷，得到错峰负荷，错峰负荷为最大用户用电负荷减去实施错峰计划后的用户用电负荷。供电局将上述错峰负荷确定为计划错峰负荷，根据计划错峰负荷制定错峰计划，进而根据错峰计划对用户进行供电。
但是，由于供电局的计划错峰负荷和实施错峰计划后的用户用电负荷存在误差，若按照现有的错峰计划进行供电，容易造成供电量不足或者供电量过多现象的发生。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种错峰负荷预测方法及装置，以减小供电量不足或者供电量过多现象发生的可能性。
为实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种错峰负荷预测方法，所述方法包括：获取第一预设时段的第一计划错峰负荷、第一预设时段的第一实际错峰负荷和第二预设时段的第二计划错峰负荷，第一预设时段为预设时刻之前的一段时间，第二预设时段为预设时刻之后的一段时间；基于第一计划错峰负荷和第一实际错峰负荷，确定第一计划错峰负荷和第一实际错峰负荷的第一差值；基于高斯过程回归模型，根据第一差值得到第二差值的预测值，第二差值为第二计划错峰负荷和第二实际错峰负荷的差值；基于第二差值的预测值和第二计划错峰负荷，得到第二实际错峰负荷的预测值。
优选地，基于高斯过程回归模型，根据第一差值得到第二差值的预测值的步骤，包括：基于第一预设时段和第一差值，获取第一差值与第一预设时段的时序图；基于时序图，确定满足预设要求的协方差函数；基于第一预设时段的天数、第一差值和协方差函数，确定协方差函数的超参数；基于协方差函数、协方差函数的超参数和第一差值确定第二差值的预测值。
优选地，基于时序图，确定满足预设要求的协方差函数的步骤，包括：判断时序图是否满足随机性和周期性，若满足，则基于时序图得到的协方差函数满足预设要求。
优选地，判断时序图是否满足随机性和周期性的步骤之后，方法还包括：判断时序图是否满足随机性和周期性不满足时，则重新确定第一预设时段、以及在第一预设时段内的第一计划错峰负荷和第一实际错峰负荷。
优选地，重新确定的第一预设时段与第二预设时段之间的间隔满足预设阈值。
第二方面，本发明实施例还提供了一种错峰负荷预测装置，所述装置包括：获取模块，用于获取第一预设时段的第一计划错峰负荷、第一预设时段的第一实际错峰负荷和第二预设时段的第二计划错峰负荷，第一预设时段为预设时刻之前的一段时间，第二预设时段为预设时刻之后的一段时间；第一差值模块，用于基于第一计划错峰负荷和第一实际错峰负荷，确定第一计划错峰负荷和第一实际错峰负荷的第一差值；第二差值模块，用于基于高斯过程回归模型，根据第一差值得到第二差值的预测值，第二差值为第二计划错峰负荷和第二实际错峰负荷的差值；预测值模块，用于基于第二差值的预测值和第二计划错峰负荷，得到第二实际错峰负荷的预测值。
优选地，第二差值模块，包括：获取子模块，用于基于第一预设时段和第一差值，获取第一差值与第一预设时段的时序图；协方差函数子模块，用于基于时序图，确定满足预设要求的协方差函数；超参数子模块，用于基于第一预设时段的天数、第一差值和协方差函数，确定协方差函数的超参数；预测值子模块，用于基于协方差函数、协方差函数的超参数和第一差值确定第二差值的预测值。
优选地，协方差函数子模块，还包括：判断模块用于判断时序图是否满足随机性和周期性，若满足，则基于时序图得到的协方差函数满足预设要求。
优选地，协方差函数子模块，还包括：选择模块用于判断时序图是否满足随机性和周期性不满足时，则重新确定第一预设时段、以及在第一预设时段内的第一计划错峰负荷和第一实际错峰负荷。
优选地，重新确定的第一预设时段与第二预设时段之间的间隔满足预设阈值。
本发明的有益效果是：在对预设时刻之后的第二预设时段的第二实际错峰负荷进行预测时，可以获取预设时刻之前的第一预设时段的第一计划错峰负荷和第一实际错峰负荷以及第二预设时段的第二计划错峰负荷，获取得到上述错峰负荷的具体数据之后，由于第二计划错峰负荷和第二实际错峰负荷的第二差值具有与第一计划错峰负荷和第一实际错峰负荷的第一差值相同的随机性和周期性，所以可以基于高斯过程回归模型根据第一差值得到第二差值的预测值。在第二差值的预测值和第二计划错峰负荷已知的条件下，可以通过求第二计划错峰负荷和第二差值的预测值的差值，确定第二实际错峰负荷的预测值。由于计量自动化系统中可以获取得到最大用户用电负荷，再根据最大用户用电负荷和第二实际错峰负荷，可以确定实际的实施错峰计划后的用户用电负荷，该实际的实施错峰计划后的用户用电负荷与真实的用户用电负荷更加接近，供电局根据上述实际的实施错峰计划后的用户用电负荷对用户进行供电，减小了供电量不足或者供电量过多现象发生的可能性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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它相关的附图。
图1为第一计划错峰负荷与第一实际错峰负荷的散点图；
图2为本发明实施例提供的第一种错峰负荷预测方法流程示意图；
图3为本发明实施例提供的第一种错峰负荷预测方法中步骤S203的流程示意图；
图4为本发明实施例提供的第一预设时段与第一差值的时序图；
图5为本发明实施例提供的第一种错峰负荷预测方法中步骤S2032的流程示意图；
图6为本发明实施例提供的第一种错峰负荷预测装置的功能模块示意图；
图7为本发明实施例提供的第一种错峰负荷预测装置中第二差值模块的一种子功能模块示意图；
图8为本发明实施例提供的第一种错峰负荷预测装置中协方差函数子模块的一种子功能模块示意图；
图9为本发明实施例提供的第二种错峰负荷预测装置的功能模块示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
计量自动化系统用于对电量的监控及多维度分析，通过计量自动化系统，可以实现对用户的实时用电情况进行监测。
供电局可以通过计量自动化系统监测得到实时用户用电负荷、最大用户用电负荷、最小用户用电负荷以及可以根据设定计划错峰负荷等。
具体的，供电局可以首先通过计量自动化系统获取预设时刻之前的第一预设时段的第一计划错峰负荷和第一实际错峰负荷以及预设时刻之后的第二预设时段的第二计划错峰负荷，进而得到第一计划错峰负荷和第一实际错峰负荷的第一差值。然后基于高斯过程回归模型，根据第一差值得到预设时刻之后的第二预设时段的第二计划错峰负荷与预设时刻之后的第二预设时段的第二实际错峰负荷的第二差值的预测值。最后根据第二差值的预测值和第二计划错峰负荷，得到第二实际错峰负荷的预测值。
其中，计划错峰负荷为最大用户用电负荷减去供电局确定的实施错峰计划后的用户用电负荷的差值，实际错峰负荷为最大用户用电负荷与实际的实施错峰计划后的用户用电负荷的差值。
需要说明的是，预设时刻可以为当前时刻，第一预设时段可以为预设时刻之前的一段时间，第二预设时段可以为预设时刻之后的一段时间。
比如，在本发明实施例中，预设时刻可以为2018/7/10，第一预设时段可以为2018/4/1到2018/7/15，第二预设时段可以为2018/7/11到2018/7/15，在实际预测过程中，可以获取东莞供电局2018/4/1到2018/7/15时间段内的具体数据，预测2018/7/11到2018/7/15时间段内的第二差值，进一步得到2018/7/11到2018/7/15时间段内的实际错峰负荷。
由于供电局确定的实施错峰计划后的用户用电负荷是由供电局制定的，用户是否执行错峰计划，是用户的自主选择。若用户未执行错峰计划、用户比未执行错峰计划用电更多或者用户执行错峰计划不充分，则实际的实施错峰计划后的用户用电负荷与供电局确定的实施错峰计划后的用户用电负荷不符。
从而实际错峰负荷与计划错峰负荷不符。如图1所示，可以看出，实际错峰负荷和计划错峰负荷的散点图绝大部分数据偏离直线y＝x，实际错峰负荷和计划错峰负荷有较大的偏差。若供电局仍然按照供电局确定的实施错峰计划后的用户用电负荷进行供电，容易造成供电不足或者供电过多现象的发生。
为解决上述问题，本发明提供一种错峰负荷预测方法。
图2为本发明实施例提供的第一种错峰负荷预测方法流程示意图，如图2所示，该方法包括：
步骤S201，获取第一预设时段的第一计划错峰负荷、第一预设时段的第一实际错峰负荷和第二预设时段的第二计划错峰负荷。
供电局可以通过计量自动化系统获取第一计划错峰负荷、第一实际错峰负荷和第二计划错峰负荷，分别对最大用户用电负荷与供电局确定的实施错峰计划后的用户用电负荷和最大用户用电负荷与实际的实施错峰计划后的用户用电负荷进行减法运算得到计划错峰负荷和实际错峰负荷。
其中，预设时刻可以事先确定。为了预测准确，并且为了方便计算，在本发明实施例中，预设时刻可以为当前时刻。从而可以基于当前时刻，通过对当前时刻之前的一段时间的数据进行分析运算，进而预测当前时刻之后的一段时间的数据的性质和特点等。
需要说明的是，在实际应用中，第一预设时段和第二预设时段的时长不做具体限定，可以相同，也可以不同，具体时长可以根据实际情况来定。
比如，在本发明实施例中，第一预设时段2018/4/1到2018/7/15和第二预设时段2018/7/11到2018/7/15的时长不同。
步骤S202，基于第一计划错峰负荷和第一实际错峰负荷，确定第一计划错峰负荷和第一实际错峰负荷的第一差值。
具体的，第一计划错峰负荷和第一实际错峰负荷均可以从计量自动化系统中读取得到其具体数据，通过上述具体数据可以计算得到第一差值。
需要说明的是，在实际应用中，用户的用电负荷一般为十万数量级的数据，若使用原始数据进行处理运算，运算量较大，容易造成对人力物力的浪费。所以在从计量自动化系统中读取到具体数据之后，首先对数据进行预处理，比如，可以对每个数据都除以预设数字，然后再进行后续处理分析等。其中，预设数字可以事先确定，比如，预设数字可以为10000、5000或者1000等，具体数字大小可以根据实际情况来定。
由于在供电过程中，计划错峰负荷和实际错峰负荷的差值可能具有随机性和周期性，可以通过得到第一预设时段与第一差值的时序图，看出第一差值具有随机性和周期性。所以，可以通过探索第一差值的随机性和周期性得到第二差值的预测值。
步骤S203，基于高斯过程回归模型，根据第一差值得到第二差值的预测值，第二差值为第二计划错峰负荷和第二实际错峰负荷的差值。
具体的，可以根据第一差值的随机性和周期性，基于高斯过程回归模型，实现对第二差值的预测。
其中，高斯过程是概率论和数理统计中随机过程的一种，是一系列服从正态分布的随机变量在一指数集内的组合。高斯过程中任意随机变量的线性组合都服从正态分布，每个有限集都服从联合正态分布，且其本身在连续指数集上的概率密度函数即是所有随机变量的联合正态分布，因此被视为联合正态分布的无限维广义延伸。高斯过程由其数学期望和协方差函数完全决定。高斯过程回归模型为基于高斯过程对随机变量进行预测的模型。
另外，由于高斯过程回归模型适用于具有随机性和周期性的数据的预测，在本发明实施例中，第一差值与第一预设时段的时序图满足一定的随机性和周期性，所以第一差值在第一预设时段满足一定的随机性和周期性，所以选用高斯过程回归模型对第二差值进行预测。
若选用其他模型，比如长短期记忆神经网络、自回归模型或者灰色理论等模型对具有随机性和周期性的数据进行预测，容易造成预测不准确。
步骤S204，基于第二差值的预测值和第二计划错峰负荷，得到第二实际错峰负荷的预测值。
具体的，由于第二差值为第二计划错峰负荷和第二实际错峰负荷的差值，第二差值的预测值和第二计划错峰负荷已知，通过计算第二计划错峰负荷和第二差值的预测值的差值，得到第二实际错峰负荷的预测值。
本发明实施例中，在对预设时刻之后的第二预设时段的第二实际错峰负荷进行预测时，可以获取预设时刻之前的第一预设时段的第一计划错峰负荷和第一实际错峰负荷以及第二预设时段的第二计划错峰负荷，获取得到上述错峰负荷的具体数据之后，由于第二计划错峰负荷和第二实际错峰负荷的第二差值具有与第一计划错峰负荷和第一实际错峰负荷的第一差值相同的随机性和周期性，所以可以基于高斯过程回归模型根据第一差值得到第二差值的预测值。在第二差值的预测值和第二计划错峰负荷已知的条件下，可以通过求第二计划错峰负荷和第二差值的预测值的差值，确定第二实际错峰负荷的预测值。由于计量自动化系统中可以获取得到最大用户用电负荷，再根据最大用户用电负荷和第二实际错峰负荷的预测值，可以确定实际的实施错峰计划后的用户用电负荷，该实际的实施错峰计划后的用户用电负荷与真实的用户用电负荷更加接近，供电局根据上述实际的实施错峰计划后的用户用电负荷对用户进行供电，减小了供电量不足或者供电量过多现象发生的可能性。
在一种实施方式中，如图3所示，步骤S203可以包括以下步骤：
步骤S2031，基于第一预设时段和第一差值，获取第一差值与第一预设时段的时序图。
具体的，根据时序图反应的第一预设时段内第一差值的变化情况，进一步反应第一差值的随机性和周期性。
其中，时序图为又名序列图、循序图，是一种交互图。它通过描述对象之间发送消息的时间顺序显示多个对象之间的动态协作。
在本发明实施例中，时序图可以表示第一差值与第一预设时段的动态协作。
比如，在本发明实施例中，可以取第一预设时段为2018/4/1到2018/7/15，2018/4/1到2018/7/15时间段内的第一计划错峰负荷和第一实际错峰负荷可以通过计量自动化系统获取，由第一计划错峰负荷和第一实际错峰负荷可以得到第一差值，所以如图4所述，可以得到2018/4/1到2018/7/15时间段内第一差值的时序图。
第一差值随着时间的变化，可能存在一定的随机性和周期性，这种随机性和周期性可以通过第一差值与第一预设时段的时序图来展示。
步骤S2032，基于时序图，确定满足预设要求的协方差函数。
具体的，由于时序图表现出一定的随机性和周期性，而协方差正是一种表现两个变量之间如何相关变化的度量，协方差函数描述一个随机过程或随机场中的空间上的协方差，所以可以根据时序图的随机性和周期性，确定满足上述随机性和周期性的协方差函数。
其中，预设要求可以为时序图的随机性和周期性。
比如，根据上述2018/4/1到2018/7/15时间段内第一差值的时序图，可以确定，满足上述时序图的协方差函数可以为其中，k(x,x′)为新增一对日期和第一差值后的协方差矩阵，均为超参数，x日期，x-x′为两个日期的天数。
若时序图满足一定的随机性和周期性，则可以确定满足上述随机性和周期性的协方差函数，由于第一预设时段内第一差值的随机性和周期性和第二预设时段内第二差值的随机性和周期性保持一致，所以上述协方差函数也适用于第二预设时段内第二差值的随机性和周期性，所以上述协方差函数可以用于通过第一差值预测第二差值。
步骤S2033，基于第一预设时段的天数、第一差值和协方差函数，确定协方差函数的超参数。
具体的，可以基于第一预设时段的天数、第一差值和协方差函数，根据极大拟然估计法，确定协方差函数的超参数。
其中，第一预设时段的天数可以根据第一预设时段的开始和结束的日期确定。
超参数是一个未知常量，具有参数的特性。超参数是一种手工可配置的设置，需要为它根据已有或现有的经验指定“正确”的值，也就是人为给它设定一个值。
超参数可以通过极大拟然估计法来确定。极大拟然估计法具体为，已知某个随机样本满足某种概率分布，但是其中具体的参数不清楚，参数估计就是通过若干次试验，观察其结果，利用结果推出参数的大概值。极大似然估计是建立在这样的思想上：已知某个参数能使这个样本出现的概率最大，我们当然不会再去选择其他小概率的样本，所以干脆就把这个参数作为估计的真实值。
比如，在上述已经确定的协方差函数中，k(x,x′)与第一差值和第一预设时段的天数有关，x-x′与第一预设时段的天数有关，所以在确定超参数时，超参数的值与第一预设时段的天数、第一差值和协方差函数有关，通过确定第一预设时段的天数、第一差值和协方差函数，根据极大拟然估计法，可以分别确定超参数。
具体的，在本发明实施例中，
需要说明的是，一次确定超参数的个数不做具体限定的，可以一次确定一个超参数，也可以一次确定多个超参数，具体个数可以根据实际情况来定。
步骤S2034，基于协方差函数、协方差函数的超参数和第一差值确定第二差值的预测值。
具体的，由于第一差值与第一预设时段和第二差值与第二预设时段的分布均满足高斯随机分布，所以可以根据高斯过程得到第二差值的预测值。在通过高斯过程得到第二差值的预测值的过程中，第二差值的值与上述高斯过程的协方差函数、协方差函数的超参数和第一差值有关，所以可以通过协方差函数、协方差函数的超参数和第一差值确定第二差值的预测值。
具体公式如下：其中y*为第二差值的预测值，K*为新增一对第一预设时段和第一差值后的协方差矩阵，K为协方差矩阵，和I为超参数，y为第一差值。
在基于高斯过程回归模型根据第一差值得到第二差值的预测值的过程中，首先可以获取第一差值与第一预设时段的时序图，该时序图反应了第一差值的随机性和周期性，其次根据上述时序图确定满足时序图的随机性和周期性的协方差函数，再通过第一预设时段的天数、第一差值和协方差函数，确定上述协方差函数的超参数，最后通过协方差函数、协方差函数的超参数和第一差值，确定第二差值的预测值。由于协方差函数满足第一差值与第一预设时段的时序图，并且适用于第二差值与第二预设时段的随机性和周期性，所以可以基于第一差值，通过协方差函数预测第二差值，提高了预测第二差值的准确性，进一步提高了预测第二实际错峰负荷的准确性。再根据最大用户用电负荷和第二实际错峰负荷，可以确定实际的实施错峰计划后的用户用电负荷，该实际的实施错峰计划后的用户用电负荷与真实的用户用电负荷更加接近，供电局根据上述实际的实施错峰计划后的用户用电负荷对用户进行供电，减小了供电量不足或者供电量过多现象发生的可能性。
在另一种实施方式中，步骤S2032可以包括其他步骤，如图5所示，该步骤包括：
步骤S20321，判断时序图是否满足随机性和周期性，若满足，则基于时序图得到的协方差函数满足预设要求。
具体的，若时序图满足随机性和周期性，则基于时序图得到的协方差函数也满足随机性和周期性，该协方差函数也适用于第二差值与第二预设时段的随机性和周期性，那么该协方差函数可以用于得到第二差值的预测值。
其中，随机性和周期性可以用于表现时序图的特性。不同的时序图可以表现出不同的随机性和周期性。
步骤S20322，判断时序图是否满足随机性和周期性，若不满足，则重新确定第一预设时段、以及在第一预设时段内的第一计划错峰负荷和第一实际错峰负荷。
具体的，若时序图不满足随机性和周期性，则基于时序图不能得到对应的协方差函数。相应的，也就不能实现对第二差值的预测。
在时序图不满足随机性和周期性时，可以在预设时刻之前重新确定第一预设时段。在重新确定第一预设时段时，在预设时刻之前的任一段时间内，若该段时间与第一差值的时序图满足随机性和周期性，则将该段时间确定为第一预设时段。
在第一预设时间段确定之后，第一计划错峰负荷和第一实际错峰负荷可以通过计量自动化系统获取。
优选地，为了使协方差函数更加满足时序图的随机性和周期性，并且使超参数更加适用于得到第二差值的预测值，重新确定的第一预设时段与第二预设时段之间的间隔满足预设阈值。
其中，预设阈值可以事先确定，由于第一预设时段越接近第二预设时段，第一差值与第一预设时段的随机性和周期性和第二差值与第二预设时段的随机性和周期性越一致，所以预设阈值越小，则得到的第二差值的预测值与实际的第二差值的匹配度越高。所以，预设阈值可以为零。第一预设时段可以为第二预设时段紧邻之前的一段时间。
在判断所述时序图是否满足随机性和周期性的步骤之后，若满足，则基于所述时序图得到的协方差函数满足所述预设要求；若不满足，则重新确定所述第一预设时段、以及在所述第一预设时段内的第一计划错峰负荷和第一实际错峰负荷。在确定满足预设要求的协方差函数的过程中，增加了确定时序图是否满足随机性和周期性的过程，更加增加了协方差函数的准确性，进一步地使第二差值的预测值更加接近实际的第二差值。
另外，重新确定的第一预设时段与第二预设时段之间的间隔满足预设阈值，由于第一预设时段越接近第二预设时段，则基于第一预设时段和第一差值预测得到的第二差值的预测值越准确，越接近实际的第二差值，则预设阈值越小预测得到的第二差值的预测值越准确，越接近实际的第二差值。第二差值的预测值越准确，则根据第二差值和第二计划错峰负荷得到的第二实际错峰负荷的预测值越准确，越接近真实的第二实际错峰负荷。第二实际错峰负荷的预测值越准确，供电局制定的错峰计划就越合理，从而减小了供电不足或者供电过多现象发生的可能性。
本发明实施例还提供了第二种错峰负荷预测方法，该方法包括：
步骤S301，通过计量自动化系统获取东莞供电局2018/4/1到2018/7/15时间段内的最大用户用电负荷、供电局确定的实施错峰计划后的用户用电负荷、实际的实施错峰计划后的用户用电负荷以及2018/7/11到2018/7/15时间段内的最大用户用电负荷和供电局确定的实施错峰计划后的用户用电负荷，通过对上述数据进行减法运算得到第一计划错峰负荷、第一实际错峰负荷和第二计划错峰负荷。其中，第一计划错峰负荷为2018/4/1到2018/7/15时间段内的最大用户用电负荷减去供电局确定的实施错峰计划后的用户用电负荷的差值，第一实际错峰负荷为2018/4/1到2018/7/15时间段内的最大用户用电负荷减去实际的实施错峰计划后的用户用电负荷的差值，第二计划错峰负荷为2018/7/11到2018/7/15时间段内的最大用户用电负荷减去供电局确定的实施错峰计划后的用户用电负荷的差值。
步骤S302，基于第一计划错峰负荷和第一实际错峰负荷，将第一计划错峰负荷减去第一实际错峰负荷的差值确定为第一差值。
步骤S303，对第一计划错峰负荷、第一实际错峰负荷和第一差值分别除以10000进行预处理，绘制2018/4/1到2018/7/15时间段内第一差值的时序图，得到如图4所示的时序图。
步骤S304，根据图4的时序图，可以确定满足该时序图的协方差函数为
步骤S305，根据2018/4/1到2018/7/15时间段的天数、协方差函数和第一差值，通过极大拟然估计法求得该协方差函数的超参数
步骤S306，根据超参数协方差函数和第一差值，根据高斯过程对数据的预测公式可以确定第二差值的预测值为y*。
步骤S307，由于第二计划错峰负荷减去第二实际错峰负荷的差值为第二差值，所以第二计划错峰负荷减去第二差值的差值为第二实际错峰负荷。所以可以根据第二差值的预测值y*和第二计划错峰负荷得到第二实际错峰负荷的预测值。
图6为本发明实施例提供的第一种错峰负荷预测装置的功能模块示意图，如图6所示，该装置具体包括：获取模块401、第一差值模块402、第二差值模块403、预测值模块404。其中，获取模块401，用于获取第一预设时段的第一计划错峰负荷、第一预设时段的第一实际错峰负荷和第二预设时段的第二计划错峰负荷，第一预设时段为预设时刻之前的一段时间，第二预设时段为预设时刻之后的一段时间。
第一差值模块402，用于基于第一计划错峰负荷和第一实际错峰负荷，确定第一计划错峰负荷和第一实际错峰负荷的第一差值。
第二差值模块403，用于基于高斯过程回归模型，根据第一差值得到第二差值的预测值，第二差值为第二计划错峰负荷和第二实际错峰负荷的差值。
预测值模块404，用于基于第二差值的预测值和第二计划错峰负荷，得到第二实际错峰负荷的预测值。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
图7为本发明实施例提供的第一种错峰负荷预测装置中第二差值模块403的一种子功能模块示意图，如图7所示，具体包括：获取子模块4031，用于基于第一预设时段和第一差值，获取第一差值与第一预设时段的时序图。
协方差函数子模块4032，用于基于时序图，确定满足预设要求的协方差函数。
超参数子模块4033，用于基于第一预设时段的天数、第一差值和协方差函数，确定协方差函数的超参数。
预测值子模块4034，用于基于协方差函数和协方差函数的超参数确定第二差值的预测值。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
图8为本发明实施例提供的第一种错峰负荷预测装置中协方差函数子模块的一种子功能模块示意图，如图8所示，协方差函数子模块4032包括：判断模块40321，用于判断时序图是否满足随机性和周期性，若满足，则基于时序图得到的协方差函数满足预设要求。
选择模块40322，用于判断时序图是否满足随机性和周期性不满足时，则重新确定第一预设时段、以及在第一预设时段内的第一计划错峰负荷和第一实际错峰负荷。
优选地，重新确定的第一预设时段与第二预设时段之间的间隔满足预设阈值。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图9为本发明实施例提供的第二种错峰负荷预测装置的功能模块示意图，该装置可以集成于终端设备或者终端设备的芯片，该终端可以是具备图像处理功能的计算设备。
该装置包括：存储器901、处理器902；存储器901用于存储程序，处理器902调用存储器901存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
优选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，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)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种错峰负荷预测方法，其特征在于，包括：
获取第一预设时段的第一计划错峰负荷、所述第一预设时段的第一实际错峰负荷和第二预设时段的第二计划错峰负荷，所述第一预设时段为预设时刻之前的一段时间，所述第二预设时段为预设时刻之后的一段时间；
基于所述第一计划错峰负荷和所述第一实际错峰负荷，确定所述第一计划错峰负荷和所述第一实际错峰负荷的第一差值；
基于高斯过程回归模型，根据所述第一差值得到第二差值的预测值，所述第二差值为所述第二计划错峰负荷和第二实际错峰负荷的差值；
基于所述第二差值的预测值和所述第二计划错峰负荷，得到所述第二实际错峰负荷的预测值。
2.如权利要求1所述的错峰负荷预测方法，其特征在于，所述基于高斯过程回归模型，根据所述第一差值得到第二差值的预测值的步骤，包括：
基于所述第一预设时段和所述第一差值，获取所述第一差值与所述第一预设时段的时序图；
基于所述时序图，确定满足预设要求的协方差函数；
基于所述第一预设时段的天数、所述第一差值和所述协方差函数，确定所述协方差函数的超参数；
基于所述协方差函数、所述协方差函数的超参数和所述第一差值确定所述第二差值的预测值。
3.如权利要求2所述的错峰负荷预测方法，其特征在于，所述基于所述时序图，确定满足预设要求的协方差函数的步骤，包括：
判断所述时序图是否满足随机性和周期性，若满足，则基于所述时序图得到的协方差函数满足所述预设要求。
4.如权利要求3所述的错峰负荷预测方法，其特征在于，所述判断所述时序图是否满足随机性和周期性的步骤之后，所述方法还包括：
判断所述时序图是否满足随机性和周期性，若不满足，则重新确定所述第一预设时段、以及在所述第一预设时段内的第一计划错峰负荷和第一实际错峰负荷。
5.如权利要求4所述的错峰负荷预测方法，其特征在于，重新确定的所述第一预设时段与所述第二预设时段之间的间隔满足预设阈值。
6.一种错峰负荷预测装置，其特征在于，所述装置包括：
获取模块，用于获取第一预设时段的第一计划错峰负荷、所述第一预设时段的第一实际错峰负荷和第二预设时段的第二计划错峰负荷，所述第一预设时段为预设时刻之前的一段时间，所述第二预设时段为预设时刻之后的一段时间；
第一差值模块，用于基于所述第一计划错峰负荷和所述第一实际错峰负荷，确定所述第一计划错峰负荷和所述第一实际错峰负荷的第一差值；
第二差值模块，用于基于高斯过程回归模型，根据所述第一差值得到第二差值的预测值，所述第二差值为所述第二计划错峰负荷和第二实际错峰负荷的差值；
预测值模块，用于基于所述第二差值的预测值和所述第二计划错峰负荷，得到所述第二实际错峰负荷的预测值。
7.如权利要求6所述的错峰负荷预测装置，其特征在于，所述第二差值模块，包括：
获取子模块，用于基于所述第一预设时段和所述第一差值，获取所述第一差值与所述第一预设时段的时序图；
协方差函数子模块，用于基于所述时序图，确定满足预设要求的协方差函数；
超参数子模块，用于基于所述第一预设时段的天数、所述第一差值和所述协方差函数，确定所述协方差函数的超参数；
预测值子模块，用于基于所述协方差函数、所述协方差函数的超参数和所述第一差值确定所述第二差值的预测值。
8.如权利要求7所述的错峰负荷预测装置，其特征在于，所述协方差函数子模块，还包括：
判断模块，用于判断所述时序图是否满足随机性和周期性，若满足，则基于所述时序图得到的协方差函数满足所述预设要求。
9.如权利要求8所述的错峰负荷预测装置，其特征在于，所述协方差函数子模块，还包括：
选择模块，用于判断所述时序图是否满足随机性和周期性若不满足，则重新确定所述第一预设时段、以及在所述第一预设时段内的第一计划错峰负荷和第一实际错峰负荷。
10.如权利要求9所述的错峰负荷预测装置，其特征在于，重新确定的所述第一预设时段与所述第二预设时段之间的间隔满足预设阈值。
CN201811349773.5A 2018-11-13 2018-11-13 一种错峰负荷预测方法及装置 Pending CN109447372A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811349773.5A CN109447372A (zh) 2018-11-13 2018-11-13 一种错峰负荷预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811349773.5A CN109447372A (zh) 2018-11-13 2018-11-13 一种错峰负荷预测方法及装置

Publications (1)

Publication Number Publication Date
CN109447372A true CN109447372A (zh) 2019-03-08

Family

ID=65552833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811349773.5A Pending CN109447372A (zh) 2018-11-13 2018-11-13 一种错峰负荷预测方法及装置

Country Status (1)

Country Link
CN (1) CN109447372A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559561A (zh) * 2013-11-13 2014-02-05 上海电气集团股份有限公司 一种光伏电站辐照度的超短期预测方法
CN105205549A (zh) * 2015-09-07 2015-12-30 中国电力科学研究院 一种基于机会约束规划的光储系统跟踪日前计划调度方法
CN106845672A (zh) * 2016-12-14 2017-06-13 国网北京市电力公司 电力系统中负荷的预测方法和装置
CN107633316A (zh) * 2017-03-31 2018-01-26 北京清能互联科技有限公司 自适应局部非线性回归偏差补偿的电网短期负荷预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559561A (zh) * 2013-11-13 2014-02-05 上海电气集团股份有限公司 一种光伏电站辐照度的超短期预测方法
CN105205549A (zh) * 2015-09-07 2015-12-30 中国电力科学研究院 一种基于机会约束规划的光储系统跟踪日前计划调度方法
CN106845672A (zh) * 2016-12-14 2017-06-13 国网北京市电力公司 电力系统中负荷的预测方法和装置
CN107633316A (zh) * 2017-03-31 2018-01-26 北京清能互联科技有限公司 自适应局部非线性回归偏差补偿的电网短期负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何志昆 等: "高斯过程回归方法综述", 《控制与决策》 *

Similar Documents

Publication Publication Date Title
CN107730087A (zh) 预测模型训练方法、数据监控方法、装置、设备及介质
Andrade et al. A methodology for mapping sysml activity diagram to time petri net for requirement validation of embedded real-time systems with energy constraints
CN106549772A (zh) 资源预测方法、系统和容量管理装置
CN110222739A (zh) 模型构建、网点现钞需求量预测方法、装置及存储介质
CN110334879A (zh) 电网母线无功负荷预测方法及装置
CN109741177A (zh) 用户信用的评估方法、装置及智能终端
KR20200128232A (ko) 전력 수요 예측 장치 및 그 방법
CN111415027A (zh) 构建件量预测模型的方法和装置
Cho et al. A Delphi technology forecasting approach using a semi-Markov concept
Zhang et al. Prediction of daily blood sampling room visits based on ARIMA and SES Model
CN109409559A (zh) 油田产量递减率的确定方法及装置
Vallecillo et al. Expressing measurement uncertainty in software models
CN113688542A (zh) 智能优化水资源配置方法、装置、计算机设备及存储介质
CN106154170B (zh) 电池剩余容量的估算方法及系统
RU2326442C1 (ru) Способ оценки эффективности управления и устройство для его осуществления
CN108629625A (zh) 一种月度售电量预测方法、装置及服务器
Dagnino Estimating software-intensive projects in the absence of historical data
CN109447372A (zh) 一种错峰负荷预测方法及装置
Glynn et al. On transience and recurrence in irreducible finite-state stochastic systems
CN108830663B (zh) 电力客户价值评价方法、系统及终端设备
CN116859255A (zh) 一种储能电池健康状态的预测方法、装置、设备及介质
Axelsson Cost Models with Explicit Uncertainties for Electronic Architecture Trade‐off and Risk Analysis
CN109978172A (zh) 一种基于极限学习机的资源池利用率预测方法及装置
CN104978604B (zh) 一种基于业务能力模型的模拟仿真方法和装置
Leemis Simulation input modeling

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: 20190308