CN109636010A - 基于相关因素矩阵的省级电网短期负荷预测方法及系统 - Google Patents
基于相关因素矩阵的省级电网短期负荷预测方法及系统 Download PDFInfo
- Publication number
- CN109636010A CN109636010A CN201811406861.4A CN201811406861A CN109636010A CN 109636010 A CN109636010 A CN 109636010A CN 201811406861 A CN201811406861 A CN 201811406861A CN 109636010 A CN109636010 A CN 109636010A
- Authority
- CN
- China
- Prior art keywords
- correlative factor
- matrix
- day
- similarity
- factor matrix
- 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.)
- Granted
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
Abstract
本发明公开了一种基于相关因素矩阵的省级电网短期负荷预测方法及系统,方法包括:构建历史样本日期以及待预测日相应的相关因素矩阵;其中,所述相关因素矩阵的行指标为相关地市,列指标为相关因素;所述相关因素至少包括:日类型、温度、湿度、降雨、风速;应用主成分分析法对所述相关因素矩阵进行降维,得到优化后的特征矩阵;计算与所述待预测日相应的特征矩阵与每个历史样本日期的特征矩阵的相似度;对相似度进行排序,并获取相似度最高的前N个历史样本日期的负荷曲线;根据这N个历史样本日期的相似度以及负荷曲线进行加权平均,预测所述待预测日的负荷曲线。本发明能够提高短期负荷的相似日的预测精度。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种基于相关因素矩阵的省级电网短期负荷预测方法及系统。
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,预测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。基于相似日的短期负荷预测方法能够降低输入数据维度,利用较少的训练数据达到较高的预测精度,因此在短期负荷预测中备受青睐。在此种方法中,相似日的选取是关键,其准确程度将直接影响到短期负荷预测算法的精度。对此,相关学者进行了大量的研究工作。其中,李啸骢等人提出了一种基于动态权值优化的相似日选取算法和灰色GRNN串联组合模型的短期负荷预测方法; SenjyuT等人采用人工神经网络选择相似日,并通过大量训练数据获取相似日;孙谦等人利用改进的聚类分析方法得到历史标幺曲线的形状相似集与特征曲线,取两者的交集作为相似日选择结果。诸如此类针对相似日选择算法的研究还有很多,也都取得了一定的效果。
目前已有的基于相似日的短期负荷预测方法研究大多数都是从单一地区气象因素(例如温度、湿度、风速等)入手,此类方法在预测小区域时,由于区域覆盖面积小,气象差异度不大,可以保持较好的准确率,但在应用到大区域甚至省级电网时,由于区域面积大,则需充分考虑不同地市的气象特征偏差。因此,如何综合考虑各地市相关因素,精确识别相似日,是当前迫切需要解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于相关因素矩阵的省级电网短期负荷预测方法及系统,综合考虑地理位置、气象条件等负荷敏感因素,通过构建各地市相关因素特征矩阵,提出了基于省级的智能相似日的识别方法。
本发明实施例提供了一种基于相关因素矩阵的省级电网短期负荷预测方法,包括:
构建历史样本日期以及待预测日相应的相关因素矩阵;其中,所述相关因素矩阵的行指标为相关地市,列指标为相关因素;所述相关因素包括:日类型、温度、湿度、降雨、风速;
应用主成分分析法对所述相关因素矩阵进行降维,得到优化后的特征矩阵;
计算待预测日相应的特征矩阵与每个历史样本日期的特征矩阵的相似度;
对相似度进行排序,并获取相似度最高的前N个历史样本日期的负荷曲线;
根据这N个历史样本日期的相似度以及负荷曲线进行加权平均,预测待预测日的负荷曲线。
优选地,还包括:
对各列指标的相关因素进行归一化处理。
优选地,还包括:
对相关因素进行预处理;其中,
对于日类型:若日类型相同,则定义相似度为1;若同为工作日或同为周末但日类型不同,则定义相似度为0.7;否则定义相似度为0.4;
对于温度:选取每日温度最大值、温度最小值以及温度平均值;
对于湿度:选取每日的平均湿度;
对于降雨:选取每日的累计降雨量;
对于风速:选取每日的平均风速。
优选地,所述应用主成分分析法对所述相关因素矩阵进行降维,得到优化后的特征矩阵,具体包括:
计算所述相关因素矩阵中的每个自变量的协方差矩阵或相关系数矩阵;
求出协方差矩阵或相关系数矩阵的特征值及对应的特征向量;
将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵aa;
根据公式Y=aT*XaT*X获得降维到k维后的特征矩阵;其中,Y为k*1维;
计算出每个样本的主成分得分,并根据每个样本的主成分得分画散点图及聚类。
优选地,采用相关系数计算待预测日相应的特征矩阵与每个历史样本日期的特征矩阵的相似度。
本发明实施例还提供了一种基于相关因素矩阵的省级电网短期负荷预测系统,包括:
相关因素矩阵构建单元,用于构建历史样本日期以及待预测日相应的相关因素矩阵;其中,所述相关因素矩阵的行指标为相关地市,列指标为相关因素;所述相关因素包括:日类型、温度、湿度、降雨、风速;
降维单元,用于应用主成分分析法对所述相关因素矩阵进行降维,得到优化后的特征矩阵;
相似度计算单元,用于计算待预测日相应的特征矩阵与每个历史样本日期的特征矩阵的相似度;
排序单元,用于对相似度进行排序,并获取相似度最高的前N个历史样本日期的负荷曲线;
预测单元,用于根据这N个历史样本日期的相似度以及负荷曲线进行加权平均,预测所述待预测日的负荷曲线。
优选地,还包括:
归一化单元,用于对各列指标的相关因素进行归一化处理。
优选地,还包括:
预处理单元,用于对相关因素进行预处理;其中,
对于日类型:若日类型相同,则定义相似度为1;若同为工作日或同为周末但日类型不同,则定义相似度为0.7;否则定义相似度为0.4;
对于温度:选取每日温度最大值、温度最小值以及温度平均值;
对于湿度:选取每日的平均湿度;
对于降雨:选取每日的累计降雨量;
对于风速:选取每日的平均风速。
优选地,所述降维单元,具体用于:
计算所述相关因素矩阵中的每个自变量的协方差矩阵或相关系数矩阵;
求出协方差矩阵或相关系数矩阵的特征值及对应的特征向量;
将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵aa;
根据公式Y=aT*XaT*X获得降维到k维后的特征矩阵;其中,Y为k*1维;
计算出每个样本的主成分得分,并根据每个样本的主成分得分画散点图及聚类。
优选地,所述相似度计算单元具体用于:
采用相关系数计算待预测日相应的特征矩阵与每个历史样本日期的特征矩阵的相似度。
本发明提供的基于相关因素矩阵的省级电网短期负荷预测方法,通过综合考虑地理位置、气象条件等负荷敏感因素,构建各地市相关因素矩阵,并基于降维技术对相关因素特征矩阵进行降维与优化;再基于优化得到的特征矩阵的距离度量学习算法识别相似日,并基于相似日进行负荷预测。本实施例充分考虑不同地市的气象特征偏差,因此能实现精确识别相似日。
附图说明
图1是本发明第一实施例提供的基于相关因素矩阵的省级电网短期负荷预测方法的一种流程示意图;
图2是本发明第一实施例提供的基于相关因素矩阵的省级电网短期负荷预测方法的另一种流程示意图;
图3是本发明第二实施例提供的基于相关因素矩阵的省级电网短期负荷预测系统的的结构示意图。
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。
请参阅图1,本发明第一实施例提供了一种基于相关因素矩阵的省级电网短期负荷预测方法,包括:
S101,构建历史样本日期以及待预测日相应的相关因素矩阵;其中,所述相关因素矩阵的行指标为相关地市,列指标为相关因素;所述相关因素包括:日类型、温度、湿度、降雨、风速。
在本实施例中,根据每个历史样本日期的相关因素,如日类型、气象信息等,可以构建得到省级电网的短期负荷的相关因素矩阵。其中,相关因素矩阵的行指标为相关地市,列指标为相关因素(包括日类型、温度、湿度、降雨、风速等),对各列指标进行归一化处理,就能够形成描述全省某天各地市详细相关因素分布的矩阵。
在本实施例中,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,在构建相关因素矩阵时需对原始的相关因素进行了如下处理:
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,为了保证气象数据与负荷数据时间上的一致性,也是每15分钟一个点,实际应用可根据负荷数据的采样方式进行设置,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,应用主成分分析法对所述相关因素矩阵进行降维,得到优化后的特征矩阵。
在本实施例中,当相关因素矩阵的数据维度比较高时,可以应用主成分分析法(Principal Component Analysis,PCA)来减少矩阵的维度,从而加快模型训练速度。其中,基于PCA,对上述构建的相关因素矩阵进行降维优化,能够挖掘其主要成分,缩小阵规模,以提高信息密度。
具体地,对于m个样本,进行PCA处理的主要步骤为:
S1021,求出自变量(即每个相关因素)的协方差矩阵或相关系数矩阵;
S1022,求出协方差矩阵或相关系数矩阵的特征值及对应的特征向量;
S1023,将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵aa(为k*p维);
S1024,根据公式Y=aT*XaT*X获得降维到k维后的特征矩阵;
S1025,计算出每个样本的主成分得分,并根据每个样本的主成分得分画散点图及聚类。
此外,也可将主成分得分看成新的因变量,对其做线性回归等。
S103,计算与所述待预测日相应的特征矩阵与每个历史样本日期的特征矩阵的相似度。
在本实施例中,在构建了上述特征矩阵的基础上,根据特征矩阵之间的距离判断不同日期之间的相似程度。本实施例中,可以采用相关系数(Correlation Coefficient)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(x1,y1),(x2,y2)……(xn,yn),样本之间的相关系数可用如下公式计算:
根据r的模的大小一般可划分为三级:|r|<0.4为低度线性相关;0.4≤|r|<0.7为显著性相关;0.7≤|r|<1为高度线性相关。
在本实施例中,通过依次计算待预测日与每个历史样本日期的特征向量的相关系数,就可以获得待预测日与每个历史样本日期的相似度。
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矩阵之间的相关系统或者相似度,本发明不做具体限定。
S104,对相似度进行排序,并获取相似度最高的前N个历史样本日期的负荷曲线。
S105,根据这N个历史样本日期的相似度以及负荷曲线进行加权平均,预测所述待预测日的负荷曲线。
在本实施例中,例如,假设N为3,则将相似度最高的3个历史样本日期的负荷曲线采用加权平均的方法,得到待预测日的预测的负荷曲线。
其中,Pt为待预测日在t时刻点的负荷,r1为相似度最高的历史样本日期的相似度,P1t为相似度最高的历史样本日期在t时刻的负荷,r2为相似度第二高的历史样本日期的相似度,P2t为相似度第二高的历史样本日期在t时刻的负荷,r3为相似度第三高的历史样本日期的相似度,P3t为相似度第三高的历史样本日期在t时刻的负荷。
当前,需要说明的是,在本发明的其他实施例中,N也可选取为其他数值,如选取为4,5等,这些方案均在本发明的保护范围之内。
综上所述,本实施例提供的基于相关因素矩阵的省级电网短期负荷预测方法,通过综合考虑地理位置、气象条件等负荷敏感因素,构建各地市相关因素矩阵,并基于降维技术对相关因素特征矩阵进行降维与优化;再基于优化得到的特征矩阵的距离度量学习算法识别相似日,并基于相似日进行负荷预测。本实施例充分考虑不同地市的气象特征偏差,因此能实现精确识别相似日。
请参阅图2,本发明第二实施例还提供了一种基于相关因素矩阵的省级电网短期负荷预测系统,包括:
相关因素矩阵构建单元10,用于构建历史样本日期以及待预测日相应的相关因素矩阵;其中,所述相关因素矩阵的行指标为相关地市,列指标为相关因素;所述相关因素包括:日类型、温度、湿度、降雨、风速;
降维单元20,用于应用主成分分析法对所述相关因素矩阵进行降维,得到优化后的特征矩阵;
相似度计算单元30,用于计算待预测日相应的特征矩阵与每个历史样本日期的特征矩阵的相似度;
排序单元40,用于对相似度进行排序,并获取相似度最高的前N个历史样本日期的负荷曲线;
预测单元50,用于根据这N个历史样本日期的相似度以及负荷曲线进行加权平均,预测所述待预测日的负荷曲线。
优选地,还包括:
归一化单元,用于对各列指标的相关因素进行归一化处理。
优选地,还包括:
预处理单元,用于对相关因素进行预处理;其中,
对于日类型:若日类型相同,则定义相似度为1;若同为工作日或同为周末但日类型不同,则定义相似度为0.7;否则定义相似度为0.4;
对于温度:选取每日温度最大值、温度最小值以及温度平均值;
对于湿度:选取每日的平均湿度;
对于降雨:选取每日的累计降雨量;
对于风速:选取每日的平均风速。
优选地,所述降维单元,具体用于:
计算所述相关因素矩阵中的每个自变量的协方差矩阵或相关系数矩阵;
求出协方差矩阵或相关系数矩阵的特征值及对应的特征向量;
将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵aa;
根据公式Y=aT*XaT*X获得降维到k维后的特征矩阵;其中,Y为k*1维;
计算出每个样本的主成分得分,并根据每个样本的主成分得分画散点图及聚类。
优选地,所述相似度计算单元具体用于:
采用相关系数计算待预测日相应的特征矩阵与每个历史样本日期的特征矩阵的相似度。
本发明第三实施例还提供了一种基于相关因素矩阵的省级电网短期负荷预测设备。该实施例的基于相关因素矩阵的省级电网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相关因素矩阵的省级电网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相关因素矩阵的省级电网短期负荷预测设备中的执行过程。
所述基于相关因素矩阵的省级电网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。所述基于相关因素矩阵的省级电网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相关因素矩阵的省级电网短期负荷预测设备的示例,并不构成对基于相关因素矩阵的省级电网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,例如所述基于相关因素矩阵的省级电网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相关因素矩阵的省级电网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相关因素矩阵的省级电网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,实现所述基于相关因素矩阵的省级电网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,所述基于相关因素矩阵的省级电网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)
1.一种基于相关因素矩阵的省级电网短期负荷预测方法,其特征在于,包括:
构建历史样本日期以及待预测日相应的相关因素矩阵;其中,所述相关因素矩阵的行指标为相关地市,列指标为相关因素;所述相关因素包括:日类型、温度、湿度、降雨、风速;
应用主成分分析法对所述相关因素矩阵进行降维,得到优化后的特征矩阵;
计算与所述待预测日相应的特征矩阵与每个历史样本日期的特征矩阵的相似度;
对相似度进行排序,并获取相似度最高的前N个历史样本日期的负荷曲线;
根据这N个历史样本日期的相似度以及负荷曲线进行加权平均,预测所述待预测日的负荷曲线。
2.根据权利要求1所述的基于相关因素矩阵的省级电网短期负荷预测方法,其特征在于,还包括:
对各列指标的相关因素进行归一化处理。
3.根据权利要求1所述的基于相关因素矩阵的省级电网短期负荷预测方法,其特征在于,还包括:
对相关因素进行预处理;其中,
对于日类型:若日类型相同,则定义相似度为1;若同为工作日或同为周末但日类型不同,则定义相似度为0.7;否则定义相似度为0.4;
对于温度:选取每日温度最大值、温度最小值以及温度平均值;
对于湿度:选取每日的平均湿度;
对于降雨:选取每日的累计降雨量;
对于风速:选取每日的平均风速。
4.根据权利要求1所述的基于相关因素矩阵的省级电网短期负荷预测方法,其特征在于,所述应用主成分分析法对所述相关因素矩阵进行降维,得到优化后的特征矩阵,具体包括:
计算所述相关因素矩阵中的每个自变量的协方差矩阵或相关系数矩阵;
求出协方差矩阵或相关系数矩阵的特征值及对应的特征向量;
将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵aa;
根据公式Y=aT*XaT*X获得降维到k维后的特征矩阵;其中,Y为k*1维;
计算出每个样本的主成分得分,并根据每个样本的主成分得分画散点图及聚类。
5.根据权利要求1所述的基于相关因素矩阵的省级电网短期负荷预测方法,其特征在于,
采用相关系数计算待预测日相应的特征矩阵与每个历史样本日期的特征矩阵的相似度。
6.一种基于相关因素矩阵的省级电网短期负荷预测系统,其特征在于,包括:
相关因素矩阵构建单元,用于构建历史样本日期以及待预测日相应的相关因素矩阵;其中,所述相关因素矩阵的行指标为相关地市,列指标为相关因素;所述相关因素包括:日类型、温度、湿度、降雨、风速;
降维单元,用于应用主成分分析法对所述相关因素矩阵进行降维,得到优化后的特征矩阵;
相似度计算单元,用于计算与所述待预测日相应的特征矩阵与每个历史样本日期的特征矩阵的相似度;
排序单元,用于对相似度进行排序,并获取相似度最高的前N个历史样本日期的负荷曲线;
预测单元,用于根据这N个历史样本日期的相似度以及负荷曲线进行加权平均,预测所述待预测日的负荷曲线。
7.根据权利要求6所述的基于相关因素矩阵的省级电网短期负荷预测系统,其特征在于,还包括:
归一化单元,用于对各列指标的相关因素进行归一化处理。
8.根据权利要求6所述的基于相关因素矩阵的省级电网短期负荷预测系统,其特征在于,还包括:
预处理单元,用于对相关因素进行预处理;其中,
对于日类型:若日类型相同,则定义相似度为1;若同为工作日或同为周末但日类型不同,则定义相似度为0.7;否则定义相似度为0.4;
对于温度:选取每日温度最大值、温度最小值以及温度平均值;
对于湿度:选取每日的平均湿度;
对于降雨:选取每日的累计降雨量;
对于风速:选取每日的平均风速。
9.根据权利要求6所述的基于相关因素矩阵的省级电网短期负荷预测系统,其特征在于,所述降维单元,具体用于:
计算所述相关因素矩阵中的每个自变量的协方差矩阵或相关系数矩阵;
求出协方差矩阵或相关系数矩阵的特征值及对应的特征向量;
将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵aa;
根据公式Y=aT*XaT*X获得降维到k维后的特征矩阵;其中,Y为k*1维;
计算出每个样本的主成分得分,并根据每个样本的主成分得分画散点图及聚类。
10.根据权利要求1所述的基于相关因素矩阵的省级电网短期负荷预测系统,其特征在于,所述相似度计算单元具体用于:
采用相关系数计算待预测日相应的特征矩阵与每个历史样本日期的特征矩阵的相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811406861.4A CN109636010B (zh) | 2018-11-23 | 2018-11-23 | 基于相关因素矩阵的省级电网短期负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811406861.4A CN109636010B (zh) | 2018-11-23 | 2018-11-23 | 基于相关因素矩阵的省级电网短期负荷预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109636010A true CN109636010A (zh) | 2019-04-16 |
CN109636010B CN109636010B (zh) | 2022-12-02 |
Family
ID=66069300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811406861.4A Active CN109636010B (zh) | 2018-11-23 | 2018-11-23 | 基于相关因素矩阵的省级电网短期负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636010B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222727A (zh) * | 2019-05-15 | 2019-09-10 | 广东电网有限责任公司电力调度控制中心 | 一种基于深度神经网络的短期负荷预测方法及装置 |
CN110728401A (zh) * | 2019-10-10 | 2020-01-24 | 郑州轻工业学院 | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 |
CN111091223A (zh) * | 2019-10-30 | 2020-05-01 | 华电电力科学研究院有限公司 | 一种基于物联网智能感知技术的配变短期负荷预测方法 |
CN111582632A (zh) * | 2020-03-26 | 2020-08-25 | 西南交通大学 | 一种地下大空间施工全过程多因素安全阶段性预测方法 |
CN112686770A (zh) * | 2019-10-17 | 2021-04-20 | 中国农业大学 | 一种基于需求价格弹性修正的负荷预测方法及装置 |
CN112700043A (zh) * | 2020-12-31 | 2021-04-23 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
CN113516275A (zh) * | 2021-04-08 | 2021-10-19 | 国网河北省电力有限公司经济技术研究院 | 一种配电网超短期负荷预测方法、装置及终端设备 |
CN113536568A (zh) * | 2021-07-15 | 2021-10-22 | 国网湖南省电力有限公司 | 基于南北方输电线路舞动关键影响因素敏感性分析的舞动预测方法及系统 |
CN116050677A (zh) * | 2023-04-03 | 2023-05-02 | 国网智慧车联网技术有限公司 | 一种电动汽车充电负荷可调容量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
WO2018045642A1 (zh) * | 2016-09-09 | 2018-03-15 | 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 |
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 |
CN108537683A (zh) * | 2018-04-13 | 2018-09-14 | 贵州电网有限责任公司 | 一种基于相似日选取及随机森林算法的负荷预测方法 |
-
2018
- 2018-11-23 CN CN201811406861.4A patent/CN109636010B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
WO2018045642A1 (zh) * | 2016-09-09 | 2018-03-15 | 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 |
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 |
CN108537683A (zh) * | 2018-04-13 | 2018-09-14 | 贵州电网有限责任公司 | 一种基于相似日选取及随机森林算法的负荷预测方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222727A (zh) * | 2019-05-15 | 2019-09-10 | 广东电网有限责任公司电力调度控制中心 | 一种基于深度神经网络的短期负荷预测方法及装置 |
CN110728401A (zh) * | 2019-10-10 | 2020-01-24 | 郑州轻工业学院 | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 |
CN112686770A (zh) * | 2019-10-17 | 2021-04-20 | 中国农业大学 | 一种基于需求价格弹性修正的负荷预测方法及装置 |
CN111091223A (zh) * | 2019-10-30 | 2020-05-01 | 华电电力科学研究院有限公司 | 一种基于物联网智能感知技术的配变短期负荷预测方法 |
CN111091223B (zh) * | 2019-10-30 | 2023-08-04 | 华电电力科学研究院有限公司 | 一种基于物联网智能感知技术的配变短期负荷预测方法 |
CN111582632A (zh) * | 2020-03-26 | 2020-08-25 | 西南交通大学 | 一种地下大空间施工全过程多因素安全阶段性预测方法 |
CN112700043A (zh) * | 2020-12-31 | 2021-04-23 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
CN112700043B (zh) * | 2020-12-31 | 2024-03-08 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
CN113516275A (zh) * | 2021-04-08 | 2021-10-19 | 国网河北省电力有限公司经济技术研究院 | 一种配电网超短期负荷预测方法、装置及终端设备 |
CN113536568A (zh) * | 2021-07-15 | 2021-10-22 | 国网湖南省电力有限公司 | 基于南北方输电线路舞动关键影响因素敏感性分析的舞动预测方法及系统 |
CN113536568B (zh) * | 2021-07-15 | 2022-06-24 | 国网湖南省电力有限公司 | 基于输电线路舞动关键影响因素的舞动预测方法及系统 |
CN116050677A (zh) * | 2023-04-03 | 2023-05-02 | 国网智慧车联网技术有限公司 | 一种电动汽车充电负荷可调容量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109636010B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636010A (zh) | 基于相关因素矩阵的省级电网短期负荷预测方法及系统 | |
Chang et al. | An improved neural network-based approach for short-term wind speed and power forecast | |
Feng et al. | Solution sensitivity-based scenario reduction for stochastic unit commitment | |
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 | |
CN103093288B (zh) | 基于气象信息的分区电网母线负荷预测系统 | |
Li et al. | Toward cost-oriented forecasting of wind power generation | |
CN107506868A (zh) | 一种短时电力负荷预测的方法及装置 | |
Toubeau et al. | Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
Halužan et al. | Performance of alternative electricity price forecasting methods: Findings from the Greek and Hungarian power exchanges | |
CN111680841A (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
US9536021B1 (en) | System and method for providing a renewable energy network optimization tool | |
Bai et al. | Improved Markov‐chain‐based ultra‐short‐term PV forecasting method for enhancing power system resilience | |
De Caro et al. | Robust assessment of short-term wind power forecasting models on multiple time horizons | |
Omar et al. | Seasonal clustering forecasting technique for intelligent hourly solar irradiance systems | |
CN104036330A (zh) | 一种基于MapReduce的降雨量分类预测方法 | |
Bellagarda et al. | Effectiveness of neural networks and transfer learning to forecast photovoltaic power production | |
JP5957725B2 (ja) | 予測装置、予測方法、および、予測プログラム | |
CN115577996B (zh) | 一种电网停电计划的风险评估方法、系统、设备和介质 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
Jiang et al. | An optimized forecasting approach based on grey theory and Cuckoo search algorithm: a case study for electricity consumption in New South Wales | |
CN113537607B (zh) | 停电预测方法 | |
CN115577903A (zh) | 新能源对电网调峰影响的评估方法、装置、设备及介质 | |
CN114926046A (zh) | 一种备用资源跨区共享的计算方法及其相关装置 | |
Yuan et al. | A joint smart generation scheduling approach for wind thermal pumped storage systems |
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 |