CN109636063A - 一种短期负荷预测的方法 - Google Patents
一种短期负荷预测的方法 Download PDFInfo
- Publication number
- CN109636063A CN109636063A CN201811602017.9A CN201811602017A CN109636063A CN 109636063 A CN109636063 A CN 109636063A CN 201811602017 A CN201811602017 A CN 201811602017A CN 109636063 A CN109636063 A CN 109636063A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- day
- date
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012800 visualization Methods 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
本发明公开了一种短期负荷预测的方法，包括：收集待测地区的电力数据以及气象数据，并存储负荷数据；对收集的数据进行数据预处理；通过corrcoef函数获取影响负荷水平的因素与负荷水平对应的相关系数；选取气象数据和负荷水平与待测日相靠近的日期作为相似日；依据所述相似日，利用待预测时间点前n个时间点负荷实际值获取预测值。本发明大幅提高了负荷预测的精度和实时性，进而对经济优化地制定发电计划、制定经济合理的电力调配计划、避免重大事故发生、保障生产和生活用电等。
Description
技术领域
本发明属于电网技术领域，具体涉及到一种短期负荷预测方法。
背景技术
电力工业是我国国民经济的基础产业，为工业和国民经济其他部门提供了基本动力。近年来，随着智能电网的持续快速发展和电力体制改革的不断深化，短期负荷预测的理论研究也显得愈发重要，预测精度的提高对经济优化地制定发电计划、制定经济合理的电力调配计划、避免重大事故发生、保障生产和生活用电等方面具有重要意义。
发明内容：
为了克服上述背景技术的缺陷，本发明提供一种短期负荷预测的方法，。
为了解决上述技术问题本发明的所采用的技术方案为：
一种短期负荷预测的方法，包括：
步骤S1，收集待测地区的电力数据以及气象数据，并存储负荷数据；
步骤S2，对步骤S1中收集的数据进行数据预处理；
步骤S3，通过corrcoef函数获取影响负荷水平的因素与负荷水平对应的相关系数；
步骤S4，选取气象数据和负荷水平与待测日相靠近的日期作为相似日；
步骤S5，依据相似日，利用待预测时间点前n个时间点负荷实际值获取预测值。
较佳地，将电力数据以及气象数据分表存储，包括日期类型表、负荷数据表和天气数据表。
较佳地，负荷数据表存储的数据包括日期和每日所取时间点的负荷数据；日期类型表中的存储日期为主键，剩余字段为星期、农历和节假日；天气数据表中的日期为主键，剩余字段为天气、温度和降雨量。
较佳地，步骤S2进行数据预处理包括剔除步骤1数据中的异常值，并对剔除异常值之后的数据进行归一化处理。
较佳地，步骤S2进行数据预处理提取步骤1数据中的异常值的方法包括：
根据拟合的负荷曲线y和真实负荷曲线x利用改进的拉依达准则得到残差νi：
νi＝yi-xi(i＝1,2,...,n)
其中，yi是对应时间点i的拟合负荷曲线负荷值，xi是真实负荷值，n为采样点数；
依据残差νi利用boost自举法获取该负荷点的一系列服从正态分布数据集，计算该数据集的标准差，从而可以通过3倍标准差的辅助线就可以直接得到超出辅助线外的异常值。
较佳地，步骤S2归一化处理的方法包括：
将不同单位维度的数据用以下公式按行归一化到[0,1]之间：
其中，Xi数据转换前的值，Xnew为数据转换后的值，Xmax为样本数据中的最大值、Xmin为样本数据中的最小值。
较佳地，步骤S3中影响负荷水平的因素包括设置标题、坐标、图例以及曲线的颜色、粗细和形状；利用corrcoef函数计算各个影响负荷水平的因素与负荷水平的相关系数。
较佳地，步骤S4选取与待测日有相似条件的相似日的具体方法包括：
步骤S41，将单日的数据为矩阵的一列，选取预测日和历史日的天气类型、日最高温、日最低温、日期类型、日期差距作为特性指标等数据分别建立相似矩阵；
步骤S42，通过计算欧氏距离
分析得出步骤S41中两个相似矩阵的相似度；
步骤S43，判断依据步骤S42所得相似度是否大于设定阈值，若是，则选取为相似日，若否，则舍弃。
较佳地，设定阈值大于等于0.7。
较佳地，步骤S5依据相似日，利用待预测时间点前n个时间点负荷实际值获取预测值的方法包括：
结合步骤S4中得到的相似日的负荷，利用待预测时间点前n个时间点负荷实际值、影响这n个时间点的负荷的因素量化值以及待预测时间点的对应的影响负荷因素量化值来预测待预测时间点的负荷，并依此按时间点不断往后推移，直至得到所需时间段内所有时间点的预测值。
本发明的有益效果在于：本发明收集了待预测区的历史短期负荷数据，并对其进行数据预处理，分析影响短期负荷水平的因素，采用聚类分析得到相似日，利用Matlab对DBN短期负荷预测模型进行了仿真分析和验证。存储负荷以及相关数据的数据库技术采用关系型数据库MySQL，其数据容量以及读写速度符合设计要求，并可以用MySQL Workbench做数据设计与管理工具。相关数据可视化采用MATLAB强大的图形显示以及数据处理能力，并对日期类型、温度和降雨等相关负荷影响因素进行分析。聚类技术对负荷影响因素建立模糊相似矩阵，用欧氏距离法计算预测日数据和历史日数据相似度，选取相似度高的历史日作为相似日。预测模型使用DBN的正向预训练和反向微调的训练过程来初始化整个网络权值，并预测得到短期负荷值。检验方案采用DM检验来证明DBN模型的预测精度相对于其他预测方案更高。本发明大幅提高了负荷预测的精度和实时性，进而对经济优化地制定发电计划、制定经济合理的电力调配计划、避免重大事故发生、保障生产和生活用电等。
附图说明
图1为本发明的方法流程图；
图2为本发明中数据库表结构图；
图3为本发明中模糊聚类的相似日的选取流程；
图4为本发明中自动发电机组设计原理框图；
图5为本发明中AGC控制技术原理图；
图6为预测结果的曲线对比图和误差散点图。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明。
一种短期负荷预测的方法，包括：
步骤S1，收集待测地区的电力数据以及气象数据，并存储负荷数据；将电力数据以及气象数据分表存储，包括日期类型表、负荷数据表和天气数据表。负荷数据表存储的数据包括日期和每日所取时间点的负荷数据；日期类型表中的存储日期为主键，剩余字段为星期、农历和节假日；天气数据表中的日期为主键，剩余字段为天气、温度和降雨量。
收集待测地区的电力数据以及气象等相关数据，使用关系型数据库MySQL存储负荷数据。为了方便数据管理，将数据分表管理，如图1所示，分为日期类型表，负荷数据表，天气数据表。
具体的，其中负荷数据表存储的主要是日期和每日所取时间点的负荷数据，日期为主键，数据类型为DATE，负荷值数据类型为FLOAT。日期类型表中日期作为主键，其余字段为星期、农历和节假日，数据类型分别为TINYINT，VARCHAR(20)和VARCHAR(15)。天气数据表中日期作为主键，其余字段为天气、温度和降雨量，数据类型分别为VARCHAR(20)、TINYINT和DECIMAL(4,1)，其中降雨量整数部分一般不会超过三位数，小数一般保留一位。各表中加粗的字段表示字段不允许为空。
步骤S2，对步骤S1中收集到的电力数据以及气象等相关数据进行数据预处理；进行数据预处理的工作包括提取步骤S1数据中的异常值工作和对剔除异常值数据之后的数据集进行归一化处理的工作，具体包括：
步骤S21，进行数据预处理提取步骤1数据中的异常值的方法包括：
根据拟合的负荷曲线y和真实负荷曲线x利用改进的拉依达准则得到残差νi：
νi＝yi-xi(i＝1,2,...,n)
其中，yi是对应时间点i的拟合负荷曲线负荷值，xi是真实负荷值，n为采样点数；
依据残差νi利用boost自举法获取该负荷点的一系列服从正态分布数据集，计算该数据集的标准差，从而可以通过3倍标准差的辅助线就可以直接得到超出辅助线外的异常值。
步骤S22，进行数据归一化处理的方法包括：
将不同单位维度的数据用以下公式按行归一化到[0,1]之间：
其中，Xi数据转换前的值，Xnew为数据转换后的值，Xmax为样本数据中的最大值、Xmin为样本数据中的最小值。
步骤S3，通过corrcoef函数获取影响负荷水平的因素与负荷水平对应的相关系数；
影响负荷水平的因素包括设置标题、坐标、图例以及曲线的颜色、粗细和形状；利用corrcoef函数计算各个影响负荷水平的因素与负荷水平的相关系数。分析影响负荷水平的因素。可以利用MATLAB的plot函数画出负荷曲线图观察负荷变化趋势，并按照具体的要求设置标题、坐标、图例以及曲线的颜色、粗细和形状等。在分析不同影响因素对负荷水平的影响时使用自带的corrcoef函数计算对应的相关系数，函数输入是步骤S2中影响因素归一化后数据和日平均负荷值的矩阵，输出的2X2矩阵中，斜对角的值即相关系数。系数绝对值越大，说明该因素对负荷水平的影响越大，而系数的正负则分别表示是正影响还是负影响。
步骤S4，选取与待测日气象数据和负荷水平相近的相似日(图3)，作为负荷预测算法的输入，具体为：
步骤S41，将单日的数据为矩阵的一列，选取预测日和历史日的天气类型、日最高温、日最低温、日期类型、日期差距作为特性指标等数据分别建立相似矩阵；
步骤S42，通过计算欧氏距离分析得出S41中两个相似矩阵的相似度；
步骤S43，预设一个阈值，如果S42所得的相似度大于阈值，则选取为相似日，否则舍弃，通常阈值取0.9及以上，如果取到的相似日样本过少，可以适当调低，但是应当不低于0.7。
步骤S5，依据相似日，利用待预测时间点前n个时间点负荷实际值获取预测值，具体方法包括：结合步骤S4中得到的相似日的负荷，利用待预测时间点前n个时间点负荷实际值、影响这n个时间点的负荷的因素量化值以及待预测时间点的对应的影响负荷因素量化值来预测待预测时间点的负荷，并依此按时间点不断往后推移，直至得到所需时间段内所有时间点的预测值。
用基于DBN算法的模型对待预测日的负荷进行预测并输出。其中DBN是由多个RBM组成的一个神经网络(图4)，前一个RBM的可见层往往和后一个RBM的隐含层重合。在所述的DBN短期电力预测模型中，采用典型的三层DBN网络，即输入层、隐含层和输出层。模型的整个训练过程其如图4所示，可以分为正向预训练和反向微调。预训练的过程整体自底向上，逐层依次单独无监督地训练每一个RBM网络，以确保数据中包含的特征向量在映射到不同的特征空间时，尽可能多的保留原有的数据特征，一直到顶层RBM；微调是一个自顶而下的过程，有监督地训练实体关系分类器。在反向微调的具体过程中，将误差信息自顶向下传播，依次经过每一层RBM时，修正对内部的权值和偏置，微调整个DBN网络，可以解决网络结构参数随机初始化权值和偏置的缺陷。
S51结合S4中得到的相似日的负荷及其相关数据，利用待预测时间点前n个时间点负荷实际值、影响这n个时间点的负荷的因素量化值以及待预测时间点的对应的影响负荷因素量化值来预测待预测时间点的负荷，并依此按时间点不断往后推移(图5)，直至得到所需时间段内所有时间点的预测值。
S52结合S51得到的预测结果，利用Matlab对负荷预测模型进行了仿真分析和验证，DM检验结果表明所研究的模型能够在多种因素影响的前提下得到误差较小的负荷预测，并大幅提高了负荷预测的精度和实时性。具体为：
采用上述DBN模型对2017年6月3日进行短期负荷预测，一共需要预测96个时间点的负荷数据，取待预测时间点前15个时间点负荷实际值和影响这该时间点的负荷的日期类型、温度和降水量的量化值组成的矩阵，作为经过相似日数据集训练的预测模型的输入，模型输出即为负荷预测值，依次按时间点往后类推，将此过程重复96次，即可以得到改日的负荷预测值。根据当天实际负荷值和用BP神经网络方法以及本发明上述实施例的短期负荷预测方法进行的预测结果的曲线对比图和误差散点图(图6)。上述实施例的短期负荷预测方法曲线追踪效果较好，误差集中在较小的范围之内。在实施过程中，选取平均绝对百分误差(mean absolute percent error，MAPE)作为各方法短期负荷预测效果判断的依据，MAPE越小表示预测的精度越高，MAPE的计算如下：
其中，和yt分别为待预测日第t时刻的预测负荷值和实际负荷值。
为了避免样本偶然性的存在，导致预测误差结果出现人工不可预测的差距，本发明对上述预测结果使用DM检验，做以下假设：
(BP预测模型与DBN预测模型预测同样准确)
(BP预测模型与DBN预测模型预测能力有显著差别)
分别在计算在MAE和MSE意义上DM-MAE统计量和DM-MSE统计量，皆大于标准正态分布的临界值。即在MAE和MSE意义上两种预测模型的预测能力有显著差别，拒绝了两种模型预测同样准确的原假设H0。再次验证了DBN模型的预测精度相对于其他预测方案更高。
本发明收集了待预测区的历史短期负荷数据，并对其进行数据预处理，分析影响短期负荷水平的因素，采用聚类分析得到相似日，利用Matlab对DBN短期负荷预测模型进行了仿真分析和验证。存储负荷以及相关数据的数据库技术采用关系型数据库MySQL，其数据容量以及读写速度符合设计要求，并可以用MySQL Workbench做数据设计与管理工具。
所述的数据预处理的工作包括缺失值、噪声值和异常值的发现与处理以及数据归一化，其中异常值的识别采用改进的拉依达准则：主要是利用残差νi生成新的关于相应时间点短期负荷的服从正态分布数据集，从而通过3倍标准差的辅助线就可以发现辅助线外的异常值。
所述的相关数据可视化采用MATLAB强大的图形显示以及数据处理能力，并对日期类型、温度和降雨等相关负荷影响因素进行分析。
所述的聚类技术对负荷影响因素建立模糊相似矩阵，用欧氏距离法计算预测日数据和历史日数据相似度，选取相似度高的历史日作为相似日。
所述的预测模型使用DBN的正向预训练和反向微调的训练过程来初始化整个网络权值，并预测得到短期负荷值。
所述的检验方案采用DM检验来证明DBN模型的预测精度相对于其他预测方案更高。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种短期负荷预测的方法，其特征在于，包括：
步骤S1，收集待测地区的电力数据以及气象数据，并存储负荷数据；
步骤S2，对所述步骤S1中收集的数据进行数据预处理；
步骤S3，通过corrcoef函数获取影响负荷水平的因素与负荷水平对应的相关系数；
步骤S4，选取气象数据和负荷水平与待测日相靠近的日期作为相似日；
步骤S5，依据所述相似日，利用待预测时间点前n个时间点负荷实际值获取预测值。
2.根据权利要求1所述的一种短期负荷预测的方法及系统，其特征在于：将所述电力数据以及气象数据分表存储，包括日期类型表、负荷数据表和天气数据表。
3.根据权利要求2所述的一种短期负荷预测的方法及系统，其特征在于：负荷数据表存储的数据包括日期和每日所取时间点的负荷数据；日期类型表中的存储日期为主键，剩余字段为星期、农历和节假日；天气数据表中的日期为主键，剩余字段为天气、温度和降雨量。
4.根据权利要求1所述的一种短期负荷预测的方法及系统，其特征在于：所述步骤S2进行数据预处理包括剔除所述步骤1数据中的异常值，并对剔除异常值之后的数据进行归一化处理。
5.根据权利要求4所述的一种短期负荷预测的方法及系统，其特征在于，所述步骤S2进行数据预处理提取所述步骤1数据中的异常值的方法包括：
根据拟合的负荷曲线y和真实负荷曲线x利用改进的拉依达准则得到残差νi：
νi＝yi-xi(i＝1,2,...,n)
其中，yi是对应时间点i的拟合负荷曲线负荷值，xi是真实负荷值，n为采样点数；
依据所述残差νi利用boost自举法获取该负荷点的一系列服从正态分布数据集，计算该数据集的标准差，从而可以通过3倍标准差的辅助线就可以直接得到超出辅助线外的异常值。
6.根据权利要求4所述的一种短期负荷预测的方法及系统，其特征在于，所述步骤S2归一化处理的方法包括：
将不同单位维度的数据用以下公式按行归一化到[0,1]之间：
其中，Xi数据转换前的值，Xnew为数据转换后的值，Xmax为样本数据中的最大值、Xmin为样本数据中的最小值。
7.根据权利要求1所述的一种短期负荷预测的方法及系统，其特征在于：所述步骤S3中影响负荷水平的因素包括设置标题、坐标、图例以及曲线的颜色、粗细和形状；利用corrcoef函数计算各个所述影响负荷水平的因素与负荷水平的相关系数。
8.根据权利要求1所述的一种短期负荷预测的方法及系统，其特征在于，所述步骤S4选取气象数据和负荷水平与待测日相靠近的日期作为相似日的具体步骤包括：
步骤S41，将单日的数据为矩阵的一列，选取预测日和历史日的天气类型、日最高温、日最低温、日期类型、日期差距作为特性指标等数据分别建立相似矩阵；
步骤S42，通过计算欧氏距离
分析得出所述步骤S41中两个相似矩阵的相似度；
步骤S43，判断依据所述步骤S42所得相似度是否大于设定阈值，若是，则选取为相似日，若否，则舍弃。
9.根据权利要求1所述的一种短期负荷预测的方法及系统，其特征在于：所述设定阈值大于等于0.7。
10.根据权利要求1所述的一种短期负荷预测的方法及系统，其特征在于，所述步骤S5依据所述相似日，利用待预测时间点前n个时间点负荷实际值获取预测值的方法包括：
结合步骤S4中得到的相似日的负荷，利用待预测时间点前n个时间点负荷实际值、影响这n个时间点的负荷的因素量化值以及待预测时间点的对应的影响负荷因素量化值来预测待预测时间点的负荷，并依此按时间点不断往后推移，直至得到所需时间段内所有时间点的预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811602017.9A CN109636063A (zh) | 2018-12-26 | 2018-12-26 | 一种短期负荷预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811602017.9A CN109636063A (zh) | 2018-12-26 | 2018-12-26 | 一种短期负荷预测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109636063A true CN109636063A (zh) | 2019-04-16 |
Family
ID=66077844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811602017.9A Pending CN109636063A (zh) | 2018-12-26 | 2018-12-26 | 一种短期负荷预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636063A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222871A (zh) * | 2019-05-09 | 2019-09-10 | 新奥数能科技有限公司 | 用于电力负荷预测的相似日的选择方法及装置 |
| CN111144650A (zh) * | 2019-12-26 | 2020-05-12 | 南京工程学院 | 电力负荷预测方法、装置、计算机可读存储介质及设备 |
| CN111815035A (zh) * | 2020-06-22 | 2020-10-23 | 国网上海市电力公司 | 一种融合形态聚类及TCN-Attention的短期负荷预测方法 |
| CN112217208A (zh) * | 2020-10-20 | 2021-01-12 | 华能山东发电有限公司 | 一种基于发电和用电预测的发电控制方法 |
| CN113092935A (zh) * | 2021-04-02 | 2021-07-09 | 北京市腾河智慧能源科技有限公司 | 一种识别小负荷线路拓扑的方法及系统、设备、存储介质 |
| CN113377881A (zh) * | 2021-06-04 | 2021-09-10 | 国网辽宁省电力有限公司 | 一种配电网负荷的纵横混合聚类多维度分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN108491982A (zh) * | 2018-04-09 | 2018-09-04 | 北京中电普华信息技术有限公司 | 一种基于回声状态网络的短期负荷预测方法及系统 |
| CN108549960A (zh) * | 2018-04-20 | 2018-09-18 | 国网重庆市电力公司永川供电分公司 | 一种24小时电力负荷预测方法 |
-
2018
- 2018-12-26 CN CN201811602017.9A patent/CN109636063A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN108491982A (zh) * | 2018-04-09 | 2018-09-04 | 北京中电普华信息技术有限公司 | 一种基于回声状态网络的短期负荷预测方法及系统 |
| CN108549960A (zh) * | 2018-04-20 | 2018-09-18 | 国网重庆市电力公司永川供电分公司 | 一种24小时电力负荷预测方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222871A (zh) * | 2019-05-09 | 2019-09-10 | 新奥数能科技有限公司 | 用于电力负荷预测的相似日的选择方法及装置 |
| CN111144650A (zh) * | 2019-12-26 | 2020-05-12 | 南京工程学院 | 电力负荷预测方法、装置、计算机可读存储介质及设备 |
| CN111815035A (zh) * | 2020-06-22 | 2020-10-23 | 国网上海市电力公司 | 一种融合形态聚类及TCN-Attention的短期负荷预测方法 |
| CN111815035B (zh) * | 2020-06-22 | 2024-01-30 | 国网上海市电力公司 | 一种融合形态聚类及TCN-Attention的短期负荷预测方法 |
| CN112217208A (zh) * | 2020-10-20 | 2021-01-12 | 华能山东发电有限公司 | 一种基于发电和用电预测的发电控制方法 |
| CN112217208B (zh) * | 2020-10-20 | 2022-03-04 | 华能山东发电有限公司 | 一种基于发电和用电预测的发电控制方法 |
| CN113092935A (zh) * | 2021-04-02 | 2021-07-09 | 北京市腾河智慧能源科技有限公司 | 一种识别小负荷线路拓扑的方法及系统、设备、存储介质 |
| CN113092935B (zh) * | 2021-04-02 | 2022-11-29 | 安徽腾河电力技术有限公司 | 一种识别小负荷线路拓扑的方法及系统、设备、存储介质 |
| CN113377881A (zh) * | 2021-06-04 | 2021-09-10 | 国网辽宁省电力有限公司 | 一种配电网负荷的纵横混合聚类多维度分析方法 |
| CN113377881B (zh) * | 2021-06-04 | 2024-06-07 | 国网辽宁省电力有限公司 | 一种配电网负荷的纵横混合聚类多维度分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636063A (zh) | 一种短期负荷预测的方法 | |
| CN105069525B (zh) | 全天候96点日负荷曲线预测及优化修正系统 | |
| WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
| CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
| CN111507412B (zh) | 一种基于历史数据辅助场景分析的电压缺失值填补方法 | |
| CN105117810A (zh) | 一种阶梯电价机制下居民用电中期负载预测方法 | |
| CN110009145B (zh) | 基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法及装置 | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
| CN102509173A (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
| CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
| CN115907822A (zh) | 一种考虑区域及经济影响的负荷特征指标关联性挖掘方法 | |
| CN105678406A (zh) | 一种基于云模型的短期负荷预测方法 | |
| CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
| CN115238948A (zh) | 小水电发电量预测方法及装置 | |
| CN115545473A (zh) | 一种基于lstm的生活垃圾投放趋势智能预测方法 | |
| CN112132334A (zh) | 一种用于城市生活垃圾产量的预测方法 | |
| CN116151464A (zh) | 一种光伏发电功率预测方法、系统及可存储介质 | |
| CN115330130A (zh) | 基于改进ahp-critic的农业园区综合能源系统评估方法 | |
| CN117094754B (zh) | 一种结合宏观微观的中长期电量预测方法 | |
| CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
| CN113191069A (zh) | 基于双分支深度学习模型的空调负荷估算方法与系统 | |
| Liu et al. | SFCL: electricity consumption forecasting of CNN-LSTM based on similar filter |
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: 20190416 |