CN109523057A - 一种考虑经济转型背景的区域电网电力负荷预测方法 - Google Patents
一种考虑经济转型背景的区域电网电力负荷预测方法 Download PDFInfo
- Publication number
- CN109523057A CN109523057A CN201811215418.9A CN201811215418A CN109523057A CN 109523057 A CN109523057 A CN 109523057A CN 201811215418 A CN201811215418 A CN 201811215418A CN 109523057 A CN109523057 A CN 109523057A
- Authority
- CN
- China
- Prior art keywords
- electric load
- economic
- power grid
- regional power
- attribute
- 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 38
- 230000007704 transition Effects 0.000 title claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 230000010354 integration Effects 0.000 claims abstract description 7
- 238000010219 correlation analysis Methods 0.000 claims abstract description 5
- 238000010998 test method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 abstract description 15
- 230000012010 growth Effects 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 9
- 230000005611 electricity Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000012216 screening Methods 0.000 description 7
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 6
- 240000002853 Nelumbo nucifera Species 0.000 description 6
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 6
- 238000013277 forecasting method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- 230000003313 weakening effect Effects 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种考虑经济转型背景的区域电网电力负荷预测方法,包括以下步骤:S1,获取电力负荷变化序列,以及初步选定的经济指标变化序列,通过计算灰色关联度,筛选出与电力负荷相关的经济指标;S2,使用Johansen协整检验法进行长期均衡的相关性分析,对步骤S1的结果进行筛选,剔除与电力负荷不具备长期均衡关系的经济指标;S3,根据步骤S2的结果,采用多个单一预测模型分别对电力负荷进行预测;S4,采用多属性决策理论和二次规划相结合的方法对所述的单一预测模型进行权重的训练和分配,得到电力负荷预测结果。与现有技术相比,本发明将经济转型的影响考虑进区域电网电力负荷的长期预测中去,能更准确地预测经济转型背景下电力负荷的长期变化。
Description
技术领域
本发明涉及一种电力负荷预测方法,尤其是涉及一种考虑经济转型背景的区 域电网电力负荷预测方法。
背景技术
当前我国经济发展表现出速度变化、结构优化、动力转换等重要特点。为实现 我国成为一个发达经济体的目标,经济发展模式需要进行重大改变即转型。为保证 经济平稳转型与发展,能源问题受到更多的关注。电力作为主要的二次能源,在新 的经济形势下,对其进行合理预测研究显得尤为重要。
对于电力负荷的中长期预测,国内外多年来已经有了丰富的研究成果积累。在 目前研究中,文献1“节能减排背景下电力负荷分析预测研究”(朱忠烈,杨宗麟, 程浩忠等.华东电力,2009(05):703-707.)分析节能减排政策下电力负荷变化呈 现出的新特点,结合模糊线性回归和弹性系数法,提出递阶综合预测模型对电力负 荷进行建模预测。文献2“重庆市中长期电力负荷及分布预测”(秦浩庭,刘燕, 肖汉等.电力建设,2015(04):115-122.)通过人均用电量、电力弹性系数和产值 单耗等指标进行中长期负荷预测。文献3“一种基于用电行业分类的中长期电量预 测方法”(李翔,欧阳森,冯天瑞,吴裕生,王克英.现代电力,2015,32(06):86-91.) 提出对用电行业分类再分别预测的思路。
根据各类研究成果,已有多种涉及电力负荷长期预测的方法申请专利。如专利 1“基于LEAP模型的电网中长期电力需求分布预测方法”(葛斐,叶彬,王宝, 杨欣,宣宁平,石雪梅.CN104134102A[P].2014.)构建区域中长期终端能源需求 和能源加工转换环节的LEAP模型,并基于此模型得到区域电网中长期电力需求预 测值,按用电部门预测中长期区域全社会用电量在各辖区的分布;专利2“一种基 于温度的电力负荷数据长期预测方法”(董雨,肖坚红,赵永红,李春生,等. CN104794547A[P].2015.)将日均气温作为电力负荷数据的刻画指标,基于获取到 的电力负荷数据和基于回归方法的边际增量模型,预测未来某一日在某日均温度下 的日电力负荷值;专利3“基于机器学习模型的短期和中长期电力负荷预测方法” (苏方晨,许银亮.CN107563539A[P].2018)基于机器学习模型,对数据进行预处 理后分析影响负荷变化的因素,提出了一种将梯度提升回归树作为基分类器的AdaBoost算法,进行负荷预测。
然而,现有的电力负荷的中长期预测方法存在以下不足:
对电力负荷内部的成分进行分析与利用,对外部经济因素考虑较少。事实上, 在经济转型过程中,负荷增长趋势放缓,利用简单的趋势外推无法准确预测负荷增 长,因此有必要考虑转型阶段的电网特性提出负荷预测方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑经济转 型背景的区域电网电力负荷预测方法。
本发明的目的可以通过以下技术方案来实现:
一种考虑经济转型背景的区域电网电力负荷预测方法,包括以下步骤:
S1,获取电力负荷变化序列,以及初步选定的经济指标变化序列,通过计算 灰色关联度,筛选出与电力负荷相关的经济指标;
S2,使用Johansen协整检验法进行长期均衡的相关性分析,对步骤S1的结果 进行筛选,剔除与电力负荷不具备长期均衡关系的经济指标;
S3,根据步骤S2的结果,采用多个单一预测模型分别对电力负荷进行预测;
S4,采用多属性决策理论和二次规划相结合的方法对所述的单一预测模型进 行权重的训练和分配,得到电力负荷预测结果。
所述的步骤S2中,Johansen协整检验法构造特征值轨迹和最大特征值两个统 计量,并进行检验。
所述的步骤S2包括以下流程:
建立电力负荷与经济指标的相关性特征方程;
对特征方程进行估计,得到特征值和协整向量;
对特征值轨迹和最大特征值进行检验。
所述的步骤S3中,单一预测模型包括回归分析模型、Logistic模型、GVM及 SVM。
所述的步骤S4包括以下流程:
采用多属性决策理论计算各预测模型中各属性的权重,以及各方案与最优方案之间的;
引用非线性规划理论,建立二次规划模型,利用拉格朗日法求解各预测模型的 组合权重。
所述的多属性决策理论计算方法包括以下流程:
根据属性和方案建立决策矩阵;
决策矩阵归一化;
对属性进行初始权重分配;
由各项属性的最优值得到最优方案;
计算各方案与最优方案之间的偏差,调整各属性的权重。
与现有技术相比,本发明具有以下优点:
(1)本发明提出了一种结合灰色关联度计算和协整分析的经济指标筛选方法, 将经济转型的影响考虑进区域电网电力负荷的长期预测中去,能更准确地预测经济 转型背景下电力负荷的长期变化。
(2)本发明提出的经济指标筛选方法不仅包含常用的灰色关联度分析计算, 还借助基于长期均衡的相关性分析避免了“伪相关”的出现,保证筛选的指标与电 力负荷的确实相关性。
(3)本发明采用基于多属性决策与二次规划算法相结合的组合预测方法,通 过对五种单一预测模型进行权重的训练和分配,尽可能地提升预测结果的精确性。
附图说明
图1为本发明的技术路线图;
图2为我国H地区2005年到2015年产业结构占比;
图3为H地区2005-2015年电力负荷总量和电力负荷增长率的变化情况;
图4为本实施例组合预测模型与GM(1,1)预测模型的结果对比。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范 围不限于下述的实施例。
实施例
本实施例提供一种基于经济转型背景的区域电网电力负荷预测方法,该专利技术可实现可靠合理的经济转型背景下区域电网电力负荷预测。预测过程实施步骤如 下:
1.通过一种结合灰色关联度计算和协整分析的经济指标筛选方法进行经济指 标筛选。
首先结合能源电力需求和经济转型背景初步挑选可能和电力负荷相关的经济 指标。具体指标如表1所示。
表1初步选定的经济指标
上述指标是能够较好体现“经济转型”这一背景的一部分可能与电力负荷变化 相关的经济指标。
获取上述经济指标之后,所诉方法先通过灰色关联度计算获取上述指标与电力负荷的相关性,再通过协整分析检验满足相关性要求的指标序列与电力负荷序列是 否具有长期均衡的关系,去除掉“伪相关”的经济指标,得出最终用于负荷预测的 指标序列。具体步骤包括:
(1)灰色关联度计算
①计算关联系数矩阵
通过公式(1)可得出关联系数。其主要反映特征序列与各影响因素序列之间在 不同时间段的关联程度。
其中ρ∈(0,1)为分辨系数,ρ越小分辨力越强,通常取ρ=0.5。Δj=(Δj1,Δj2,…,Δjt)T表示研究因素与特征值之间的差值序列。通过计算得出的关联系数,形成关联系数矩阵如式(2):
②计算关联度
对各个时间段的关联系数加权求和,即可得出影响因素和特征序列之间的关联度,如式(3)所示:
其中Lj为系统特征序列与第j个影响因素的关联度,ω(i)为第i年关联系数权重。
给定阈值θ,当Lj>θ时,即可认为系统特征序列与影响因素j之间存在相关性, 且Lj越大,相关性越强。
(2)基于长期均衡的相关性分析
有时候序列之间的高度相关仅仅是因为其随时间具有相同的变化趋势,但没有真正的联系,即“伪相关(Spurious Relevant)”。为了避免“伪相关”的出现,还需要 进行协整分析来判断各指标序列与目标序列是否是长期均衡关系,在进行协整分析 之前需要保证各指标序列是同阶单整序列,进行协整分析可以使用Johansen检验 法。
Johansen检验构造两个统计量进行检验,即“特征值轨迹检验”和“最大特征 值检验”,分别步骤如下:
①首先建立特征方程为:
|λR11-R10R00 -1R01|=0 (4)
其中R00=T-1S0S'0,R01=T-1S0S1',R10=T-1S1S'0,R11=T-1S1S1',S0为用最小二乘法分别估计 中的每一个方程得到的k×T阶残差矩阵,S1为用最小二乘法分 别估计中的每一个方程得到的k×T阶残差矩阵。
②估计该特征方程得到降序特征值,即1≥λ1≥λ2≥…≥λr≥…≥λk≥0。对应的特征向量为协整向量β。
“特征值轨迹检验”检验轨迹统计量:
当r=0,1,2,…,k-1时的一系列统计量值η(k),η(k-1),…,η(1)的显著性。
当η(k)不显著时,接受原假设H0(r=0),不存在协整向量,否则接受备择假设 H1(r>0)。进一步检验η(k-1)的显著性,直到出现第一个不显著的η(k-r)为止,说明 存在r个协整向量。
经过上述步骤可以从表1中罗列的经济指标中筛选得到与目标序列(即电力负荷)具有长期均衡关系的若干指标。
2.基于多属性决策与二次规划算法相结合的组合预测
本发明基于多属性决策理论和二次规划算法相结合的组合预测模型来对回归 分析(线性回归模型和对数回归模型)、Logistic模型、GVM及SVM等五种具有 经济转型特点的单一预测模型进行权重的训练和分配。
多属性决策理论实用性强,易于理解,可以用算术形式描述方案的优劣。设属 性集和方案集为X=[X1,X2,…,Xm]和U=[U1,U2,…,Un],为方案Ui按属性Xi进行测度 得到的属性值,从而构建决策矩阵为了消除不同物理量纲对决策结果 的影响,决策时可将A做归一化处理,即R=(rij),归一化方法如式(6)所示。
属性的权重向量设为:
λ=[λ1,λ2,…,λm],λi>0
且
其代表各属性在方案排序中的作用。如果属性Xi能使方案属性值产生较大差 异,即在方案决策中起到重大作用,应赋予较大权重,反之越小。若对决策不起作 用,可令其权重为0。
令最佳方案为G=[1,1,..,1],则认为:
Gi=Ui(λ)+εi(λ) (7)
Ui(λ)为第i个样本方案,εi(λ)为该样本方案与最佳方案的偏差,偏差越小说明 该方案越好。其中Ui(λ)的具体表达式为:
引入非线性规划理论,建立二次规划模型:
利用拉格朗日法求解该模型可以得到最优解表达式:
将λ=[λ1,λ2,…,λm]代入式(11)求得偏差εi(λ),εi(λ)值越小,所对应的方案越优。
根据εi(λ)值即可求得各模型的组合权重。实施例中预测电力负荷所用单一模 型为五种,即令模型权重为ω1,ω2,ω3,ω4,ω5。分别取εi(λ)值倒数,再求和得 到γ,如式(11)。
通过上述变换,各模型权重表达式为:
ωi=1/εi(λ)γ (12)
下面结合具体实施方案进一步详细说明本发明。本实施例对我国某实际区域H 的长期电力负荷进行预测。H地区的经济增长已经跳出快速增长阶段,其电力负荷 也随之出现了饱和增长趋势,其中2015年该地区电力负荷总量约占全国的24.4%, 但增长率只有1.62%,主要原因就是经济转型,该地区具有典型的研究意义。对该 地区进行中长期的负荷预测不仅要考虑经济变化带来的影响,还要考虑电力负荷整 体的增长趋势,同时预测精度必须得到保证。本发明所用方法综合考虑了以上因素, 所得预测结果更加符合实际情况。
2005至2010年,H地区GDP总量保持11%的年均增长速度,2011至2015 年GDP总量年均增速降为7.6%。其中2015年GDP总量达到18.6万亿元,GDP 增长率为7.58%。图2为该地区2005年到2015年产业结构占比,由图2可知,在 2014年以后三产占比超越二产占比,并且三产占比不断提升。
图3为H区2005-2015年电力负荷总量和电力负荷增长率的变化情况。H区电 力负荷增长率自2005年达到顶峰,于2010年再次达到14.9%的高峰,之后逐年下 降,总量走势趋于平缓。
对已选的九个经济指标与电力负荷进行关联度计算,结果如表2所示。
表2 2000-2015年经济指标与电力负荷关联度
经济指标 | 关联度 |
GDP总量 | 0.87 |
GDP增长率 | 0.67 |
二产占比 | 0.64 |
二产增加值 | 0.79 |
三产占比 | 0.64 |
三产增加值 | 0.75 |
电力消费弹性系数 | 0.59 |
人均GDP | 0.85 |
城镇化率 | 0.67 |
由表2可知,电力负荷总量与GDP总量具有很大的相关性,与GDP年增长率 的相关性较小。通常电力负荷增长与GDP总量增长有着直接的联系,但GDP增长 率则会滞后于电力负荷增长。人均GDP与电力负荷的关联也很紧密,其主要原因 与GDP类似。从产业结构来看,第二产业对电力负荷量的影响仍然偏高,虽然三 产比重逐年增大,但二产增加值关联度仍高于三产增加值。以关联度大于0.7作为 是否相关的衡量标准,则初步认为GDP总量、人均GDP、二产增加值和三产增加 值为影响电力负荷的主要因素。在经济发展方面,选取关联度最高的GDP总量作 为继续分析的指标之一,而人均GDP与GDP总量相关性较大,取其一即可;产业 结构方面,第三产业快速发展是经济转型阶段重要特点,但由于目前处于转型初期,第二产业与电力负荷的关联度依旧很高,故将第二产业增加值和第三产业增加值纳 入指标体系中;所以选取GDP总量(GDP)、二产增加值(GDPS)和三产增加值(GDPT) 作为影响H地区电力负荷的主要经济候选指标。
对各指标进行协整检验,通过检验之后才可以认为检验指标与目标序列具有长期均衡的关系。协整检验结果如表3所示。存在三个协整关系,说明GDP,GDPS 和GDPT与目标序列(即电力负荷)存在协整关系,即认为影响H地区电力负荷 的主要经济因素为GDP,GDPS和GDPT。
表3无限制协整秩检验(迹检验)
将这三项经济指标和电力负荷作为输入建立回归模型及SVM,与GVM、 Logistic模型进行组合,对长期负荷进行预测。
在组合预测模型求解权重过程中,属性集A选择各模型的四个评价指标,即最 大相对误差(MaxE),最小相对误差(MinE),平均绝对百分比误差(MAPE)和均方根 误差(RMSE)的倒数为属性值。根据属性集求得权重如表4所示。
表4各模型权重值
所得预测结果如表5所示。
表5各模型2011-2015年预测结果对比
单位:1012kW·h
通过MaxE,MinE,MAPE和RMSE四个指标可以对各个模型的预测精度进 行一个客观的评价,如表6所示:
表6各类模型预测结果误差检验
由表6可知,MAPE最大的是GVM,H地区在2011-2015年间处于转型初期, 所以对于适用于饱和负荷预测,具有“S”型曲线特点的GVM来讲,误差相对偏大 则可以解释;Logistic模型表现相对较差,原因与GVM模型相同;回归模型以各经 济指标作为自变量,充分考虑了经济变化对电力负荷量的影响,预测结果表现较好, MAPE均在1.6%左右;基于机器学习的SVM所得预测结果表现一般,MAPE为 2.12%;而组合预测的整体表现优秀,其中MAPE和RMSE均最小。
如表7所示,通过单一模型预测,再由组合预测模型预测得出H地区2020年 电力负荷量将达到1.79万亿千瓦时,2025年将达到2.12万亿千瓦时。
表7 2016及2025年H地区电力负荷量预测值
单位:1012kW·h
为对比考虑经济转型的预测结果,使用平均弱化缓冲算子对目标序列进行预处理,再由GM(1,1)模型外推预测得到2020年及2025年预测值作为未考虑经济转型 的预测数值,对比两种结果如图4所示:
由图4可以看出,两类模型的历史拟合曲线差别较小,约2017年以后两类曲 线开始出现偏差,未考虑经济转型的GM(1,1)预测曲线走势几乎不变,而组合预测 模型的曲线增长开始放缓,随着年份的增长,与GM(1,1)的曲线偏差越来越大。
为进一步验证本发明及预测结果的合理性,将该地区电网某规划报告中电力负荷预测推荐值作为参考,即2020年电力负荷预测区间为(1.78~1.83),2025年预测 区间为(2.11~2.25),单位是万亿千瓦时。GM(1,1)预测2020年H地区电力负荷结果 为1.79万亿千瓦时,趋近规划报告中该年份推荐的高方案数值,组合预测模型所 得2020年预测数值接近该报告的低方案。GM(1,1)预测2025年电力负荷为2.39 万亿千瓦时,高于规划报告推荐的高方案,组合预测模型预测2025年数值则更偏 向规划报告中的低方案。
考虑经济转型影响后,本发明所得预测结果在某规划报告所给范围内,且结果 均偏向于低方案。
Claims (6)
1.一种考虑经济转型背景的区域电网电力负荷预测方法,其特征在于,包括以下步骤:
S1,获取电力负荷变化序列,以及初步选定的经济指标变化序列,通过计算灰色关联度,筛选出与电力负荷相关的经济指标;
S2,使用Johansen协整检验法进行长期均衡的相关性分析,对步骤S1的结果进行筛选,剔除与电力负荷不具备长期均衡关系的经济指标;
S3,根据步骤S2的结果,采用多个单一预测模型分别对电力负荷进行预测;
S4,采用多属性决策理论和二次规划相结合的方法对所述的单一预测模型进行权重的训练和分配,得到电力负荷预测结果。
2.根据权利要求1所述的一种考虑经济转型背景的区域电网电力负荷预测方法,其特征在于,所述的步骤S2中,Johansen协整检验法构造特征值轨迹和最大特征值两个统计量,并进行检验。
3.根据权利要求2所述的一种考虑经济转型背景的区域电网电力负荷预测方法,其特征在于,所述的步骤S2包括以下流程:
建立电力负荷与经济指标的相关性特征方程;
对特征方程进行估计,得到特征值和协整向量;
对特征值轨迹和最大特征值进行检验。
4.根据权利要求1所述的一种考虑经济转型背景的区域电网电力负荷预测方法,其特征在于,所述的步骤S3中,单一预测模型包括回归分析模型、Logistic模型、GVM及SVM。
5.根据权利要求1所述的一种考虑经济转型背景的区域电网电力负荷预测方法,其特征在于,所述的步骤S4包括以下流程:
采用多属性决策理论计算各预测模型中各属性的权重,以及各方案与最优方案之间的;
引用非线性规划理论,建立二次规划模型,利用拉格朗日法求解各预测模型的组合权重。
6.根据权利要求5所述的一种考虑经济转型背景的区域电网电力负荷预测方法,其特征在于,所述的多属性决策理论计算方法包括以下流程:
根据属性和方案建立决策矩阵;
决策矩阵归一化;
对属性进行初始权重分配;
由各项属性的最优值得到最优方案;
计算各方案与最优方案之间的偏差,调整各属性的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811215418.9A CN109523057A (zh) | 2018-10-18 | 2018-10-18 | 一种考虑经济转型背景的区域电网电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811215418.9A CN109523057A (zh) | 2018-10-18 | 2018-10-18 | 一种考虑经济转型背景的区域电网电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109523057A true CN109523057A (zh) | 2019-03-26 |
Family
ID=65770610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811215418.9A Pending CN109523057A (zh) | 2018-10-18 | 2018-10-18 | 一种考虑经济转型背景的区域电网电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523057A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119837A (zh) * | 2019-04-15 | 2019-08-13 | 天津大学 | 一种基于城市用地性质及开发时间的空间负荷预测方法 |
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 |
CN111210093A (zh) * | 2020-03-05 | 2020-05-29 | 重庆森鑫炬科技有限公司 | 基于大数据的日用水量预测方法 |
CN112634077A (zh) * | 2020-12-18 | 2021-04-09 | 四川大汇大数据服务有限公司 | 中长期电力供需形势分析方法 |
CN112801417A (zh) * | 2021-03-16 | 2021-05-14 | 贵州电网有限责任公司 | 一种优化的模型并行的缺陷物资预测方法 |
CN114511058A (zh) * | 2022-01-27 | 2022-05-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种用于电力用户画像的负荷元件构建方法及装置 |
-
2018
- 2018-10-18 CN CN201811215418.9A patent/CN109523057A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119837A (zh) * | 2019-04-15 | 2019-08-13 | 天津大学 | 一种基于城市用地性质及开发时间的空间负荷预测方法 |
CN110119837B (zh) * | 2019-04-15 | 2023-01-03 | 天津大学 | 一种基于城市用地性质及开发时间的空间负荷预测方法 |
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 |
CN111210093A (zh) * | 2020-03-05 | 2020-05-29 | 重庆森鑫炬科技有限公司 | 基于大数据的日用水量预测方法 |
CN112634077A (zh) * | 2020-12-18 | 2021-04-09 | 四川大汇大数据服务有限公司 | 中长期电力供需形势分析方法 |
CN112801417A (zh) * | 2021-03-16 | 2021-05-14 | 贵州电网有限责任公司 | 一种优化的模型并行的缺陷物资预测方法 |
CN114511058A (zh) * | 2022-01-27 | 2022-05-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种用于电力用户画像的负荷元件构建方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523057A (zh) | 一种考虑经济转型背景的区域电网电力负荷预测方法 | |
CN103258069B (zh) | 一种钢铁行业电力需求的预测方法 | |
CN104657788B (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
CN111949939B (zh) | 基于改进topsis和聚类分析的智能电表运行状态评价方法 | |
CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
KR20090032486A (ko) | 패턴분석을 이용한 전력 수요정보분석 시스템 및 그 방법 | |
CN110852511B (zh) | 基于天气温度与k邻近理论的居民短期用电预测方法 | |
CN108717585A (zh) | 一种远期电力需求预测方法 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
CN105913366A (zh) | 一种基于工业电力大数据的区域工业景气指数构建方法 | |
CN115759393A (zh) | 基于集成学习的累积负荷基线预测方法 | |
CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
CN112330030B (zh) | 业扩物资需求预测系统及方法 | |
CN112950048A (zh) | 基于模糊综合评价的国家高等教育体系健康评价 | |
CN113962477A (zh) | 一种产业电量关联聚集预测方法、装置、设备及存储介质 | |
Xue et al. | Medium and long term load forecasting of regional power grid in the context of economic transition | |
Chen-xu et al. | Auto regressive moving average (ARMA) prediction method of bank cash flow time series | |
CN110458479A (zh) | 一种新能源领域技术成果转化为技术标准的潜力评估方法 | |
CN104200283B (zh) | 一种基于因子‑主属性模型的中长期电力负荷预测方法 | |
Ding et al. | Urban monthly power load forecasting based on economy-meteorology-gas demand coupling | |
CN110866694A (zh) | 一种电网建设项目财务评价系统及其方法 | |
Zhang et al. | The analysis of manufacturing PMI potential trends of the US, EU, Japan and China | |
Chun et al. | Portfolio model under fractal market based on mean-DCCA | |
CN109615212A (zh) | 一种基于变异系数法的加权关联度系数的计算方法 | |
Shijian et al. | Energy efficiency evaluation system based on ladder-based comprehensive assessment method |
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: 20190326 |