CN109583629A - 基于偏差自校正的改进相似日短期负荷预测方法及装置 - Google Patents

基于偏差自校正的改进相似日短期负荷预测方法及装置 Download PDF

Info

Publication number
CN109583629A
CN109583629A CN201811337891.4A CN201811337891A CN109583629A CN 109583629 A CN109583629 A CN 109583629A CN 201811337891 A CN201811337891 A CN 201811337891A CN 109583629 A CN109583629 A CN 109583629A
Authority
CN
China
Prior art keywords
day
deviation
load
correlative factor
predicted
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
CN201811337891.4A
Other languages
English (en)
Inventor
蔡秋娜
张乔榆
刘思捷
闫斌杰
苏炳洪
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.)
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Electric Power Dispatch Control Center 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 Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority to CN201811337891.4A priority Critical patent/CN109583629A/zh
Publication of CN109583629A publication Critical patent/CN109583629A/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—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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于偏差自校正的改进相似日短期负荷预测方法及装置，方法包括：获取预定历史日期的相关因素的特征向量以及待预测日的相关因素的特征向量；其中，所述相关因素包括对应日期的日类型以及气象信息；根据特征向量之间的距离获取与所述待预测日具有最高相关系数的历史日期，以得到最相似日；根据所述最相似日与所述待预测日的相关因素偏差、预先训练生成的负荷偏差与相关因素偏差的关联模型，生成与所述待预测日对应的负荷偏差；以及根据与所述待预测日对应的负荷偏差对所述最相似日的负荷曲线进行校正，以获得待预测日的负荷曲线。本发明能够提高短期负荷的预测准确度。

Description

基于偏差自校正的改进相似日短期负荷预测方法及装置
技术领域
本发明涉及电力技术领域，尤其涉及一种基于偏差自校正的改进相似日短期负荷预测方法及装置。
背景技术
负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据。负荷预测根据目的的不同可以分为超短期、短期、中期和长期。超短期负荷预测是指未来1h以内的负荷预测，在安全监视状态下，需要5～10s或1～5min的预测值，预防性控制和紧急状态处理需要10min至1h的预测值。短期负荷预测是指日负荷预测和周负荷预测，分别用于安排日调度计划和周调度计划，包括确定机组起停、水火电协调、联络线交换功率、负荷经济分配、水库调度和设备检修等。中期负荷预测是指月至年的负荷预测，主要是确定机组运行方式和设备大修计划等。长期负荷预测是指未来3～5年甚至更长时间段内的负荷预测，主要是电网规划部门根据国民经济的发展和对电力负荷的需求，所作的电网改造和扩建工作的远景规划。对中、长期负荷预测，要特别研究国民经济发展、国家政策等的影响。
短期负荷预测是电力系统安全经济运行的基础，随着新一轮电改以及我国电力市场的不断完善和发展，短期负荷预测发挥的作用日趋重要。目前，国内外专家学者在短期负荷预测方面开展了大量研究，并提出了一系列预测方法。这些预测方法大致可分为传统方法和新型智能方法两类，传统方法主要有回归分析法、时间序列法、相似日法、指数平滑法、灰色预测法等；新型方法主要有人工神经网络法、支持向量机法、小波分析法、模糊预测法、随机森林法等。在预测效果方面，传统方法和新型方法均有其可取之处，孰优孰劣难以一概而论。因此在实际应用中，为了提高预测精度，往往采取两者结合、优势互补的策略。
发明内容
有鉴于此，本发明的目的在于提供一种基于偏差自校正的改进相似日短期负荷预测方法及装置，通过对传统方法和新型智能方法进行有效结合，得到准确率更高的待预测日的负荷曲线。
本发明实施例提供了一种基于偏差自校正的改进相似日短期负荷预测方法，包括：
获取预定历史日期的相关因素的特征向量以及待预测日的相关因素的特征向量；其中，所述相关因素包括对应日期的日类型以及气象信息；
根据特征向量之间的距离获取与所述待预测日具有最高相关系数的历史日期，以得到最相似日；
根据所述最相似日与所述待预测日的相关因素偏差、预先训练生成的负荷偏差与相关因素偏差的关联模型，生成与所述待预测日对应的负荷偏差；以及
根据与所述待预测日对应的负荷偏差对所述最相似日的负荷曲线进行校正，以获得待预测日的负荷曲线。
优选地，所述气象信息至少包括以下其中之一：最高温度、最低温度、平均温度、平均湿度、累计降雨、平均风速。
优选地，在进行相关系数的计算过程中，定义若两个日期的日类型相同，则相似度为1；若两个日期同为工作日或者同为周末但日类型不同，则相似度为0.7；否则两个日期的相似度为0.4。
优选地，训练生成负荷偏差与相关因素偏差的关联模型的步骤具体为：
获取第n日在t时刻的实际负荷Pn,t；
获取与第n日对应的最相似日在t时刻的实际负荷则定义为负荷偏差；
定义第n日在t时刻要考虑的相关因素Xn,t，最相似日在t时刻的相关因素为则定义为相关因素偏差；
根据在不同时刻的负荷偏差以及对应的多个相关因素偏差进行训练，生成负荷偏差与多个相关因素偏差的关联模型：ΔPn,t＝f((Δxn,t)1,(Δxn,t)2,…,(Δxn,t)m)＝f(ΔXn,t)，其中，m为相关因素的数目。
优选地，在训练时采用智能学习算法；其中，所述智能学习算法包括：支持向量机法、神经网络模型法、深度学习法、机器学习法。
本发明实施例还提供了一种基于偏差自校正的改进相似日短期负荷预测装置，包括：
特征向量获取单元，用于获取预定历史日期的相关因素的特征向量以及待预测日的相关因素的特征向量；其中，所述相关因素包括对应日期的日类型以及气象信息；
最相似日计算单元，用于根据特征向量之间的距离获取与所述待预测日具有最高相关系数的历史日期，以得到最相似日；
负荷偏差生成单元，用于根据所述最相似日与所述待预测日的相关因素偏差、预先训练生成的负荷偏差与相关因素偏差的关联模型，生成与所述待预测日对应的负荷偏差；以及
校正单元，用于根据与所述待预测日对应的负荷偏差对所述最相似日的负荷曲线进行校正，以获得待预测日的负荷曲线。
优选地，所述气象信息至少包括以下其中之一：最高温度、最低温度、平均温度、平均湿度、累计降雨、平均风速。
优选地，在进行相关系数的计算过程中，定义若两个日期的日类型相同，则相似度为1；若两个日期同为工作日或者同为周末但日类型不同，则相似度为0.7；否则两个日期的相似度为0.4。
优选地，训练生成负荷偏差与相关因素偏差的关联模型的步骤具体为：
获取第n日在t时刻的实际负荷Pn,t；
获取与第n日对应的最相似日在t时刻的实际负荷则定义为负荷偏差；
定义第n日在t时刻要考虑的相关因素Xn,t，最相似日在t时刻的相关因素为则定义为相关因素偏差；
根据在不同时刻的负荷偏差以及对应的多个相关因素偏差进行训练，生成负荷偏差与多个相关因素偏差的关联模型：ΔPn,t＝f((Δxn,t)1,(Δxn,t)2,…,(Δxn,t)m)＝f(ΔXn,t)，其中，m为相关因素的数目。
优选地，在训练时采用智能学习算法；其中，所述智能学习算法包括：支持向量机法、神经网络模型法、深度学习法、机器学习法。
本发明实施例中，通过选取相关系数最高的日期为待预测日的最相似日，将该最相似日的负荷曲线作为待预测日的基准负荷曲线，并采用智能学习建立相关因素偏差与负荷偏差之间的关联模型，使用历史数据训练该关联模型，进而对基准负荷曲线进行二次修正，得到准确率更高的待预测日的负荷曲线。
附图说明
图1是本发明提供的基于偏差自校正的改进相似日短期负荷预测方法的一个实施例的流程示意图；
图2是本发明提供的基于偏差自校正的改进相似日短期负荷预测方法的另一个实施例的流程示意图；
图3是本发明提供的基于偏差自校正的改进相似日短期负荷预测装置的一个实施例的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，本发明实施例提供了一种基于偏差自校正的改进相似日短期负荷预测方法，其至少包括如下步骤：
S101，获取预定历史日期的相关因素的特征向量以及待预测日的相关因素的特征向量；其中，所述相关因素包括对应日期的日类型以及气象信息。
在本实施例中，可以通过每日的相关因素来构建特征向量，其中，相关因素包括日类型、最高温度、最低温度、平均温度、平均湿度、累计降雨、平均风速等气象信息。在获得相应的相关因素后，对各个指标进行归一化处理，即可以形成能够描述地区详细相关因素的特征向量。其中，考虑到样本的复杂性以及所研究问题的目标，为有效反映各种相关因素对负荷带来的影响，在构建特征向量时对原始数据进行了如下处理：
1)日类型：若两个日期的日类型相同，相似度为1；若两个日期的日类型同为工作日或者同为周末但日类型不同，则相似度为0.7；否则为0.4。
上述定义可通过如下函数来表示即：定义F(d1,d2)，若d1＝d2，则F＝1；若d1≠d2，但同为工作日或周末，F＝0.7；若d1和d2其中一个为工作日一个为周末，则F＝0.4。
当然，需要说明的是，在本发明的其他实施例中，可根据实际的需要调节各个情况下的相似度，这些方案也在本发明的保护范围之内。
2)每日最高温度：Max Tempi(i＝1,2,…,96)；
3)每日最低温度：Min Tempi(i＝1,2,…,96)；
4)每日平均温度：
5)平均湿度：
6)累计降雨量：
7)平均风速：
需要说明的是，上述实施例中，采用了每隔15分组取一次温度、湿度或者风速等，但应当理解的是，在本发明的其他实施例中，也可以每隔10分钟、5分钟或者20分钟取一次参数值，这可根据实际的需要进行设置，本发明不做具体限定。
需要说明的是，考虑到在不同的发展时期的负荷情况可能会有比较大的区别，因此上述实施例中的历史时期不因取得过于久远，例如，应当限制在过去的半年或一年内，以保证预测的准确度。
S102，根据特征向量之间的距离获取与所述待预测日具有最高相关系数的历史日期，以得到最相似日。
在本实施例中，在构建了上述特征向量的基础上，通过计算特征向量之间的距离即可以判断不同日期的相关因素之间的相似程度。在本发明实施例中，可以采用已有相似日选取常用的相关系数(Correlation Coefficient)来计算特征矩阵的相关关系。
相关系数是著名统计学家卡尔·皮尔逊设计的统计指标，以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度。根据定义，对于n个样本数据，……，样本之间的相关系数可用如下公式计算：
在本实施例中，通过依次计算待预测日的特征向量与每个历史日期的特征向量的相关系数，并选取相关系数r最高的日期为与所述待预测日对应的最相似日。
需要说明的是，在本发明的其他实施例中，也可以通过其他算法来计算两个特征向量之间的相关度或者相似度，本发明在此不做赘述。
S103，根据所述最相似日与所述待预测日的相关因素偏差、预先训练生成的负荷偏差与相关因素偏差的关联模型，生成与所述待预测日对应的负荷偏差。
在本实施例中，负荷的变化主要取决于人们生产和生活的规律性，同时受到一些相关因素(诸如日类型、温度、湿度)的影响，当气象等相关因素发生变化时，必然造成负荷曲线的差异。因此，相关因素的变化量和相似日间的负荷偏差应该是强相关关系，为此，通过找到相关因素的变化量和相似日间的负荷偏差之间的关系即可以对待预测日的负荷曲线进行进一步的校正，从而提高预测的准确程度。
在本实施例中，首先需要先通过训练获得负荷偏差与相关因素偏差的关联模型。具体地，包括：
S1031，获取第n日在t时刻的实际负荷Pn,t。
其中，这里的第n日是已经发生过的日期。
S1032，获取与第n日对应的最相似日在t时刻的实际负荷并定义为在t时刻的负荷偏差。
S1033，定义第n日在t时刻要考虑的相关因素Xn,t，最相似日在t时刻的相关因素为则定义为在t时刻的相关因素偏差。
S1034，根据在不同时刻的负荷偏差以及对应的多个相关因素偏差进行训练，生成负荷偏差与多个相关因素偏差的关联模型：ΔPn,t＝f((Δxn,t)1,(Δxn,t)2,…,(Δxn,t)m)＝f(ΔXn,t)，其中，m为相关因素的数目。
在本实施例中，例如可以采用支持向量机法、神经网络模型法、深度学习法、机器学习法来进行训练。在训练时，首先构建相关的模型，然后将多个相关因素偏差作为模型的输入，将负荷偏差作为模型的输出进行训练，以不断更新模型的相关参数或者判断阈值，就可以训练得到所述关联模型。应当知道的是，训练数据越多，则相关模型的效果越好。
在本实施例中，在训练得到所述关联模型后，通过将所述最相似日与所述待预测日的相关因素偏差作为输入数据输入到关联模型中，则所述关联模型即可以输出相应的负荷偏差。
S104，根据与所述待预测日对应的负荷偏差对所述最相似日的负荷曲线进行校正，以获得待预测日的负荷曲线。
在本实施例中，将所述负荷曲线与所述负荷偏差进行叠加，即可以得到校正后的待预测日的负荷曲线。
其中，在获得预测的负荷曲线后，可以根据实际的情况与预测的负荷曲线进行对比来获得预测效果，并根据预测效果来评价预测的优劣，从而及时调整相关因素或者关联模型的相关参数。
综上所述，本发明实施例提供的基于偏差自校正的改进相似日短期负荷预测方法，通过选取相关系数最高的日期为待预测日的最相似日，将该最相似日的负荷曲线作为待预测日的基准负荷曲线，并采用智能学习建立相关因素偏差与负荷偏差之间的关联模型，使用历史数据训练该关联模型，进而对基准负荷曲线进行二次修正，得到准确率更高的待预测日的负荷曲线。
请参阅图2，本发明第二实施例还提供了一种基于偏差自校正的改进相似日短期负荷预测装置，包括：
特征向量获取单元10，用于获取预定历史日期的相关因素的特征向量以及待预测日的相关因素的特征向量；其中，所述相关因素包括对应日期的日类型以及气象信息；
最相似日计算单元20，用于根据特征向量之间的距离获取与所述待预测日具有最高相关系数的历史日期，以得到最相似日；
负荷偏差生成单元30，用于根据所述最相似日与所述待预测日的相关因素偏差、预先训练生成的负荷偏差与相关因素偏差的关联模型，生成与所述待预测日对应的负荷偏差；以及
校正单元40，用于根据与所述待预测日对应的负荷偏差对所述最相似日的负荷曲线进行校正，以获得待预测日的负荷曲线。
优选地，所述气象信息至少包括以下其中之一：最高温度、最低温度、平均温度、平均湿度、累计降雨、平均风速。
优选地，在进行相关系数的计算过程中，定义若两个日期的日类型相同，则相似度为1；若两个日期同为工作日或者同为周末但日类型不同，则相似度为0.7；否则两个日期的相似度为0.4。
优选地，训练生成负荷偏差与相关因素偏差的关联模型的步骤具体为：
获取第n日在t时刻的实际负荷Pn,t；
获取与第n日对应的最相似日在t时刻的实际负荷则定义为负荷偏差；
定义第n日在t时刻要考虑的相关因素Xn,t，最相似日在t时刻的相关因素为则定义为相关因素偏差；
根据在不同时刻的负荷偏差以及对应的多个相关因素偏差进行训练，生成负荷偏差与多个相关因素偏差的关联模型：ΔPn,t＝f((Δxn,t)1,(Δxn,t)2,…,(Δxn,t)m)＝f(ΔXn,t)，其中，m为相关因素的数目。
优选地，在训练时采用智能学习算法；其中，所述智能学习算法包括：支持向量机法、神经网络模型法、深度学习法、机器学习法。
本发明实施例中，通过选取相关系数最高的日期为待预测日的最相似日，将该最相似日的负荷曲线作为待预测日的基准负荷曲线，并采用智能学习建立相关因素偏差与负荷偏差之间的关联模型，使用历史数据训练该关联模型，进而对基准负荷曲线进行二次修正，得到准确率更高的待预测日的负荷曲线。
本发明实施例还提供了一种基于偏差自校正的改进相似日短期负荷预测设备。该实施例的基于偏差自校正的改进相似日短期负荷预测设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如基于双系统的笔迹显示程序。所述处理器执行所述计算机程序时实现上述各个基于偏差自校正的改进相似日短期负荷预测方法实施例中的步骤或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于偏差自校正的改进相似日短期负荷预测设备中的执行过程。
所述基于偏差自校正的改进相似日短期负荷预测设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于偏差自校正的改进相似日短期负荷预测设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述部件仅仅是基于偏差自校正的改进相似日短期负荷预测设备的示例，并不构成对基于偏差自校正的改进相似日短期负荷预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于偏差自校正的改进相似日短期负荷预测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于偏差自校正的改进相似日短期负荷预测设备的控制中心，利用各种接口和线路连接整个基于偏差自校正的改进相似日短期负荷预测设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于偏差自校正的改进相似日短期负荷预测设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述基于偏差自校正的改进相似日短期负荷预测设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于偏差自校正的改进相似日短期负荷预测方法，其特征在于，包括：
获取预定历史日期的相关因素的特征向量以及待预测日的相关因素的特征向量；其中，所述相关因素包括对应日期的日类型以及气象信息；
根据特征向量之间的距离获取与所述待预测日具有最高相关系数的历史日期，以得到最相似日；
根据所述最相似日与所述待预测日的相关因素偏差、预先训练生成的负荷偏差与相关因素偏差的关联模型，生成与所述待预测日对应的负荷偏差；以及
根据与所述待预测日对应的负荷偏差对所述最相似日的负荷曲线进行校正，以获得待预测日的负荷曲线。
2.根据权利要求1所述的基于偏差自校正的改进相似日短期负荷预测方法，其特征在于，所述气象信息至少包括以下其中之一：最高温度、最低温度、平均温度、平均湿度、累计降雨、平均风速。
3.根据权利要求2所述的基于偏差自校正的改进相似日短期负荷预测方法，其特征在于，在进行相关系数的计算过程中，定义若两个日期的日类型相同，则相似度为1；若两个日期同为工作日或者同为周末但日类型不同，则相似度为0.7；否则两个日期的相似度为0.4。
4.根据权利要求1所述的基于偏差自校正的改进相似日短期负荷预测方法，其特征在于，训练生成负荷偏差与相关因素偏差的关联模型的步骤具体为：
获取第n日在t时刻的实际负荷Pn,t；
获取与第n日对应的最相似日在t时刻的实际负荷并定义为负荷偏差；
定义第n日在t时刻要考虑的相关因素Xn,t，最相似日在t时刻的相关因素为则定义为在t时刻的相关因素偏差；
根据在不同时刻的负荷偏差以及对应的多个相关因素偏差进行训练，生成负荷偏差与多个相关因素偏差的关联模型：ΔPn,t＝f((Δxn,t)1,(Δxn,t)2,…,(Δxn,t)m)＝f(ΔXn,t)，其中，m为相关因素的数目。
5.根据权利要求4所述的基于偏差自校正的改进相似日短期负荷预测方法，其特征在于，在训练关联模型时采用智能学习算法；其中，所述智能学习算法包括：支持向量机法、神经网络模型法、深度学习法、机器学习法。
6.一种基于偏差自校正的改进相似日短期负荷预测装置，其特征在于，包括：
特征向量获取单元，用于获取预定历史日期的相关因素的特征向量以及待预测日的相关因素的特征向量；其中，所述相关因素包括对应日期的日类型以及气象信息；
最相似日计算单元，用于根据特征向量之间的距离获取与所述待预测日具有最高相关系数的历史日期，以得到最相似日；
负荷偏差生成单元，用于根据所述最相似日与所述待预测日的相关因素偏差、预先训练生成的负荷偏差与相关因素偏差的关联模型，生成与所述待预测日对应的负荷偏差；以及
校正单元，用于根据与所述待预测日对应的负荷偏差对所述最相似日的负荷曲线进行校正，以获得待预测日的负荷曲线。
7.根据权利要求6所述的基于偏差自校正的改进相似日短期负荷预测装置，其特征在于，所述气象信息至少包括以下其中之一：最高温度、最低温度、平均温度、平均湿度、累计降雨、平均风速。
8.根据权利要求7所述的基于偏差自校正的改进相似日短期负荷预测装置，其特征在于，在进行相关系数的计算过程中，定义若两个日期的日类型相同，则相似度为1；若两个日期同为工作日或者同为周末但日类型不同，则相似度为0.7；否则两个日期的相似度为0.4。
9.根据权利要求6所述的基于偏差自校正的改进相似日短期负荷预测装置，其特征在于，训练生成负荷偏差与相关因素偏差的关联模型的步骤具体为：
获取第n日在t时刻的实际负荷Pn,t；
获取与第n日对应的最相似日在t时刻的实际负荷则定义为负荷偏差；
定义第n日在t时刻要考虑的相关因素Xn,t，最相似日在t时刻的相关因素为则定义为相关因素偏差；
根据在不同时刻的负荷偏差以及对应的多个相关因素偏差进行训练，生成负荷偏差与多个相关因素偏差的关联模型：ΔPn,t＝f((Δxn,t)1,(Δxn,t)2,…,(Δxn,t)m)＝f(ΔXn,t)，其中，m为相关因素的数目。
10.根据权利要求9所述的基于偏差自校正的改进相似日短期负荷预测方法，其特征在于，在训练时采用智能学习算法；其中，所述智能学习算法包括：支持向量机法、神经网络模型法、深度学习法、机器学习法。
CN201811337891.4A 2018-11-09 2018-11-09 基于偏差自校正的改进相似日短期负荷预测方法及装置 Pending CN109583629A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811337891.4A CN109583629A (zh) 2018-11-09 2018-11-09 基于偏差自校正的改进相似日短期负荷预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811337891.4A CN109583629A (zh) 2018-11-09 2018-11-09 基于偏差自校正的改进相似日短期负荷预测方法及装置

Publications (1)

Publication Number Publication Date
CN109583629A true CN109583629A (zh) 2019-04-05

Family

ID=65922083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811337891.4A Pending CN109583629A (zh) 2018-11-09 2018-11-09 基于偏差自校正的改进相似日短期负荷预测方法及装置

Country Status (1)

Country Link
CN (1) CN109583629A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110033134A (zh) * 2019-04-09 2019-07-19 国网安徽省电力有限公司 一种考虑气象因素的逐日分段短期负荷预测算法
CN110297145A (zh) * 2019-07-29 2019-10-01 广东电网有限责任公司 一种基于多用户电能量数据深度分析的电压暂降检测方法
CN111080011A (zh) * 2019-12-16 2020-04-28 清华四川能源互联网研究院 负荷电量偏差预测方法及装置
CN111598303A (zh) * 2020-04-20 2020-08-28 广东电网有限责任公司电力调度控制中心 一种基于气象成分分解的夏季短期负荷预测方法
CN112257742A (zh) * 2020-09-07 2021-01-22 中国南方电网有限责任公司超高压输电公司广州局 一种换流阀入水温度预测修正方法及运维系统
CN112782584A (zh) * 2019-11-05 2021-05-11 奥动新能源汽车科技有限公司 电池电量的剩余使用额度的预测方法、系统、介质及设备
CN113743673A (zh) * 2021-09-09 2021-12-03 中国南方电网有限责任公司 一种台风期间的电力负荷预测方法
CN113902195A (zh) * 2021-10-12 2022-01-07 杭州博钊科技有限公司 电力销售金额预测方法和系统
CN115275976A (zh) * 2022-06-24 2022-11-01 河北邯峰发电有限责任公司 一种基于既有负荷完成率偏差的煤耗修正算法
CN115994679A (zh) * 2023-03-24 2023-04-21 国网山东省电力公司青岛供电公司 一种基于负荷预测修正的区域电网主动规划方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934505A (zh) * 2017-03-31 2017-07-07 北京清能互联科技有限公司 一种基于偏差补偿的两阶段短期电网负荷的预测方法
CN107945046A (zh) * 2016-10-12 2018-04-20 中国电力科学研究院 一种新能源电站出力数据修复方法及装置
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107945046A (zh) * 2016-10-12 2018-04-20 中国电力科学研究院 一种新能源电站出力数据修复方法及装置
CN106934505A (zh) * 2017-03-31 2017-07-07 北京清能互联科技有限公司 一种基于偏差补偿的两阶段短期电网负荷的预测方法
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭辉,等: "基于综合相似日和功率相关性的光伏电站预测功率修正", 《电网与清洁能源》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110033134A (zh) * 2019-04-09 2019-07-19 国网安徽省电力有限公司 一种考虑气象因素的逐日分段短期负荷预测算法
CN110297145B (zh) * 2019-07-29 2021-03-02 广东电网有限责任公司 一种基于多用户电能量数据深度分析的电压暂降检测方法
CN110297145A (zh) * 2019-07-29 2019-10-01 广东电网有限责任公司 一种基于多用户电能量数据深度分析的电压暂降检测方法
CN112782584A (zh) * 2019-11-05 2021-05-11 奥动新能源汽车科技有限公司 电池电量的剩余使用额度的预测方法、系统、介质及设备
CN111080011A (zh) * 2019-12-16 2020-04-28 清华四川能源互联网研究院 负荷电量偏差预测方法及装置
CN111598303A (zh) * 2020-04-20 2020-08-28 广东电网有限责任公司电力调度控制中心 一种基于气象成分分解的夏季短期负荷预测方法
CN112257742A (zh) * 2020-09-07 2021-01-22 中国南方电网有限责任公司超高压输电公司广州局 一种换流阀入水温度预测修正方法及运维系统
CN113743673A (zh) * 2021-09-09 2021-12-03 中国南方电网有限责任公司 一种台风期间的电力负荷预测方法
CN113743673B (zh) * 2021-09-09 2023-12-22 中国南方电网有限责任公司 一种台风期间的电力负荷预测方法
CN113902195A (zh) * 2021-10-12 2022-01-07 杭州博钊科技有限公司 电力销售金额预测方法和系统
CN115275976A (zh) * 2022-06-24 2022-11-01 河北邯峰发电有限责任公司 一种基于既有负荷完成率偏差的煤耗修正算法
CN115275976B (zh) * 2022-06-24 2024-07-02 河北邯峰发电有限责任公司 一种基于既有负荷完成率偏差的煤耗修正算法
CN115994679A (zh) * 2023-03-24 2023-04-21 国网山东省电力公司青岛供电公司 一种基于负荷预测修正的区域电网主动规划方法及系统

Similar Documents

Publication Publication Date Title
CN109583629A (zh) 基于偏差自校正的改进相似日短期负荷预测方法及装置
Zhang et al. Chance-constrained two-stage unit commitment under uncertain load and wind power output using bilinear benders decomposition
Wang et al. Combined modeling for electric load forecasting with adaptive particle swarm optimization
Senjyu et al. Next day load curve forecasting using hybrid correction method
Uzlu et al. Estimates of hydroelectric generation using neural networks with the artificial bee colony algorithm for Turkey
CN103093288B (zh) 基于气象信息的分区电网母线负荷预测系统
Catalão et al. Hydro energy systems management in Portugal: profit-based evaluation of a mixed-integer nonlinear approach
CN103310286A (zh) 一种具有时间序列特性的产品订单预测方法及装置
CN108563739A (zh) 天气数据获取方法及装置、计算机装置及可读存储介质
CN105205297A (zh) 一种时间序列预测方法及系统
Acakpovi et al. Time Series Prediction of Electricity Demand Using Adaptive Neuro‐Fuzzy Inference Systems
CN109118012A (zh) 一种工业动态多维度能耗成本预测方法、系统、存储介质和终端
CN110335083A (zh) 一种基于云平台的物价大数据分析系统及其方法
Uguz et al. A new algorithm based on artificial bee colony algorithm for energy demand forecasting in Turkey
CN116822997A (zh) 一种考虑绿色电力的实时碳排放核算方法及装置
El-Hawary Advances in Electric Power and Energy Systems: Load and Price Forecasting
Dhillon et al. Peak electricity load forecasting using online support vector regression
Wang et al. An electricity load forecasting model based on multilayer dilated LSTM network and attention mechanism
Wang et al. Applying LS-SVM to predict primary energy consumption
Ming-guang et al. Short-term load combined forecasting method based on BPNN and LS-SVM
Sarada et al. Comparison of day-ahead price forecasting in energy market using Neural Network and Genetic Algorithm
CN107203545A (zh) 一种数据处理方法及装置
CN113723717B (zh) 系统日前短期负荷预测方法、装置、设备和可读存储介质
CN105321001A (zh) 售电数据处理方法和装置
Shukur et al. Electricity load forecasting using hybrid of multiplicative double seasonal exponential smoothing model with artificial neural 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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190405

RJ01 Rejection of invention patent application after publication