CN109685271B - 一种统调负荷曲线分解方法 - Google Patents
一种统调负荷曲线分解方法 Download PDFInfo
- Publication number
- CN109685271B CN109685271B CN201811596289.2A CN201811596289A CN109685271B CN 109685271 B CN109685271 B CN 109685271B CN 201811596289 A CN201811596289 A CN 201811596289A CN 109685271 B CN109685271 B CN 109685271B
- Authority
- CN
- China
- Prior art keywords
- load
- matrix
- data
- decomposition
- day
- 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.)
- Active
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 96
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
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
本发明实施例公开了一种统调负荷曲线分解方法,包括获取n个节点历史日96点运行数据,得到节点历史日96点运行数据矩阵loadhis,和节点负荷比例矩阵An_96,并根据历史日统计负荷数据得到星期日类型负荷比例矩阵B1_7;所述节点的负荷分布遵循正态分布,通过正态分布获取随机数形成正态分布因子矩阵Cn_96;将所述loadhis乘以分解日在所述B1_7中对应的比例,再与所述Cn_96做哈达玛积运算,得到分解日负荷数据预测矩阵Dn_96和分解日负荷总出力数据预测矩阵E1_96;获取分解日前96点统调负荷数据F1_96,将F1_96与E1_96相减,得到M1_96,将An_96中的aij与M1_96中的mj相乘得到偏差校正数据矩阵Gn_96;将所述Gn_96与Dn_96相加得到分解日96点负荷数据矩阵。采用本发明,可以得到较为精确的预测分解日数据。
Description
技术领域
本发明涉及电力系统中负荷预测领域,特别是涉及一种统调负荷曲线分解方法。
背景技术
目前,各行各业的发展都离不开电力行业的支持。电能的生产和消费具有同时性,且消耗是一个随机过程,电网存储成本高,准确且合理的电能配送才能满足各类用户的不同需求,使发电机组以及输电线路以最长寿命安全运行。电力现货市场在解决发用电分布不均衡及最大化的调整电力资源配置过程中发展了重要作用。我国在新一轮电力改革过程中也出现了“现货”的概念,这对于提升电力资源的优化配置及交易过程中的风险控制提供了新的路径。电力系统统调负荷曲线预测是电力市场分析预测的重要工作之一,是保证电力系统安全经济运行和电网科学管理的重要方面,根据《广东电力市场信息披露实施细则(征求意见稿)》,现阶段公布信息中只公布了日前统调负荷曲线,并无母线负荷预测的具体预测数据。母线负荷预测曲线作为仿真出清算法的边界条件,所以统调负荷预测曲线分解的准确性与节点价格仿真出清算法的输出结果有着强相关的关系目前,相关算法几乎没有被开发,此算法正好填补了这方面的空缺,对节点价格预测结果的准确性有着深远的意义。
发明内容
本发明为了解决上述问题,提供了一种统调负荷曲线分解方法, 可以基于历史负荷数据做数学统计预测出来较为准确的分解日数据。
为了解决上述技术问题,本发明提供了一种统调负荷曲线分解方法,所述方法包括:
获取n个节点历史日96点运行数据,分别得到节点历史日96点运行数据矩阵loadhis和节点负荷比例矩阵An_96,并根据历史日统计负荷数据得到星期日类型负荷比例矩阵B1_7,其中,n为正整数;
所述节点的负荷分布遵循正态分布,通过正态分布获取随机数形成正态分布因子矩阵Cn_96;
将所述loadhis乘以分解日在所述B1_7中对应的比例,再与所述 Cn_96做哈达玛积运算,得到分解日负荷数据预测矩阵Dn_96和分解日负荷总出力数据预测矩阵E1_96;
获取分解日前96点统调负荷数据矩阵F1_96,将F1_96与E1_96相减,得到M1_96,将An_96中的aij分别与M1_96中的mj相乘得到偏差校正数据矩阵Gn_96;
将所述Gn_96与Dn_96相加得到分解日96点负荷数据矩阵。
其中,所述哈达玛积运算即同阶矩阵之间均位于第i行第j列的数据相乘后置于得到的矩阵的第i行第j列。
其中,所述节点历史日96点运行数据矩阵loadhis中的数据,第i 行代表了第i个节点,第j列代表了第j点的负荷数据,其中,i为不大于n的正整数,j为不大于96的正整数。
其中,将所述节点历史日96点运行数据矩阵loadhis中的每列数据求和形成的1行96列的矩阵得到统调负荷总出力数据矩阵 Sum1_96。
其中,所述节点负荷比例矩阵是将所述节点历史日96点运行数据矩阵loadhis的第j列数据分别除以所述统调负荷总出力数据矩阵 Sum1_96的第j列数据。
其中,所述根据历史数据统计星期日类型负荷分解比例,即通过历史数据统计得到星期一到星期七负荷所占比例,设定星期X的比例为基础数据,所述星期一到星期七负荷所占比例均除以所述基础数据得到所述星期日类型负荷比例矩阵B1_7,其中X为一到七任意数字。
其中,所述正态分布因子矩阵包括由期望为1,标准差为0.05的正态分布抽取随机数形成的矩阵。
本发明能够实现快速预测得到统调负荷分解日96点负荷数据,并且对预测得到的数据进行校正,使分解结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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他的附图。
图1是本发明实施例提供的一种统调负荷曲线分解方法的流程图;
图2是本发明实施例提供的一种统调负荷曲线分解方法的示意图。
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。
在可选实施例中,请参考图1,所述统调负荷曲线分解方法包括:
S101、获取n个节点历史日96点运行数据,分别得到节点历史日96点运行数据矩阵loadhis和节点负荷比例矩阵An_96,并根据历史日统计负荷数据得到星期日类型负荷比例矩阵B1_7。
所述96点运行数据,即一天中各时点(15min/点)的运行数据。
获取n个节点历史日96点运行数据,可以根据所述n个节点历史日96点运行数据形成如下式所示的矩阵:
其中,n为正整数,loadij为第i个节点在第j点的运行数据,其中,i为不大于n的正整数,j为不大于96的正整数。
将所述节点历史日96点运行矩阵loadhis中的每列数据求和形成的1行96列的矩阵得到统调负荷总出力数据矩阵Sum1_96,即:
…
所述统调负荷总出力数据矩阵Sum1_96可以表示为如下式所示:
所述节点负荷比例矩阵An_96是将所述节点历史日96点运行矩阵loadhis的第j列数据除以所述统调负荷总出力数据矩阵Sum1_96的 Sumj,即:
所述根据历史数据统计星期日类型负荷分解比例,即通过历史数据统计得到星期一到星期七负荷所占比例,设定星期X的比例为基础数据,所述星期一到星期七负荷所占比例均除以所述基础数据得到所述星期日类型负荷比例矩阵B1_7,其中X为一到七任意数字。举例来讲:
所述历史数据包括星期一到星期日七天数据的整数倍,将属于同一星期日类型的数据相加再除以历史数据之和便统计得到了星期一到星期七负荷所占比例。
Scare=[Mon Tus Wen Thu Fri Sat Sun]
设定星期一的负荷所占比例为基础数据即1,除星期一之外的其他星期日类型负荷比例均除以星期一的负荷所占比例就得到星期日类型负荷比例。
所述星期日类型负荷分解比例可以表示为如下式所示:
B1_7=[1 Tus Wen Thu Fri Sat Sun]
S102、所述节点的负荷分布遵循正态分布,通过正态分布获取随机数形成正态分布因子矩阵Cn_96。
从期望为1,标准差为0.05的正态分布中抽取随机数组成n行 96列的期望矩阵,记为Cn_96。
S103、将所述loadhis乘以分解日在所述B1_7中对应的比例,再与所述Cn_96做哈达玛积运算,得到分解日负荷数据预测矩阵Dn_96和分解日负荷总出力数据预测矩阵E1_96。
所述loadhis乘以分解日在所述B1_7中对应的比例即所述loadhis中的每个数据均乘以分解日在所述B1_7中对应的比例。
哈达玛积(Hadamard product)是矩阵的一类运算,所述哈达玛积运算即同阶矩阵之间均位于第i行第j列的数据相乘后置于得到的矩阵的第i行第j列。也就是说,若A=(aij)和B=(bij)是两个同阶矩阵,若 cij=aij×bij,则称矩阵C=(cij)为A和B的哈达玛积,或称基本积。
其中,所述分解日负荷数据预测矩阵Dn_96可以表示为如下式所示:
所述Dn_96还可以表示为:
所述分解日负荷总出力数据预测矩阵E1_96就是将所述分解日负荷数据预测矩阵Dn_96的列数据相加得到的,即:
…
S104、获取分解日前96点统调负荷数据矩阵F1_96,将F1_96与 E1_96相减,得到M1_96,将A1_96中的aij分别与M1_96中的mj相乘得到偏差校正数据矩阵Gn_96。
其中,所述分解日前96点统调负荷数据矩阵F1_96可以表示为:
所述F1_96与E1_96相减后可以得到M1_96:
所述节点负荷比例矩阵An_96中的aij分别与M1_96中的mj相乘得到偏差校正数据矩阵Gn_96。
S105、将所述Gn_96与Dn_96相加得到分解日96点负荷数据矩阵。
所述分解日96点负荷数据矩阵可以表示为如下式所示:
本实施例在获取分解日负荷数据预测矩阵后,运用偏差校正数据矩阵对其进行校正,使分解结果更加准确。
在可选实施例中,请参考图2,所述方法包括:
获取n个节点历史日96点运行数据201。
根据所述n个节点历史日96点运行数据201,得到节点历史日 96点运行数据矩阵loadhis,将所述节点历史日96点运行矩阵loadhis中的每列数据求和形成的1行96列的矩阵得到统调负荷总出力数据矩阵Sum1_96。将所述节点历史日96点运行数据矩阵loadhis的第j列数据分别除以所述统调负荷总出力数据矩阵Sum1_96的第j列数据得到所述节点负荷比例矩阵202。
通过历史日统计负荷数据得到星期一到星期七负荷所占比例,设定星期X的比例为基础数据,其中X为一到七任意数字,所述星期一到星期七负荷所占比例均除以所述基础数据得到所述星期日类型负荷比例矩阵B1_7203。
所述节点的负荷分布遵循正态分布,通过正态分布获取随机数形成正态分布因子矩阵Cn_96204。
将所述loadhis乘以分解日在所述B1_7中对应的比例,再与所述 Cn_96做哈达玛积运算,得到分解日负荷数据预测矩阵Dn_96205。
所述分解日负荷数据预测矩阵Dn__96中的每列数据求和形成1行 96列的分解日负荷总出力数据预测矩阵E1_96206。
获取分解日前96点统调负荷数据矩阵F1_96207。
将F1_96与E1_96相减,得到M1_96208。
将An_96中的aij分别与M1_96中的mj相乘得到偏差校正数据矩阵 Gn_96209。
将所述Gn_96与Dn_96相加得到分解日96点负荷数据矩阵210。
本实施例中较为具体的实施方式可参考上一实施例,在此将不再赘述。
以上所述仅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,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (5)
1.一种统调负荷曲线分解方法,其特征在于,包括:
获取n个节点历史日96点运行数据,将所述节点历史日96点运行矩阵loadhis中的每列数据求和形成的1行96列的矩阵得到统调负荷总出力数据矩阵Sum1_96,将所述节点历史日96点运行矩阵loadhis的第j列数据除以所述统调负荷总出力数据矩阵Sum1_96的Sumj得到节点负荷比例矩阵An_96,并根据历史日统计负荷数据得到星期日类型负荷比例矩阵B1_7,其中,n为正整数;
所述节点的负荷分布遵循正态分布,通过正态分布获取随机数形成正态分布因子矩阵Cn_96;
将所述loadhis乘以分解日在所述B1_7中对应的比例,再与所述Cn_96做哈达玛积运算,得到分解日负荷数据预测矩阵Dn_96和分解日负荷总出力数据预测矩阵E1_96;
获取分解日前96点统调负荷数据矩阵F1_96,将F1_96与E1_96相减,得到M1_96,将An_96中的aij分别与M1_96中的mj相乘得到偏差校正数据矩阵Gn_96;
将所述Gn_96与Dn_96相加得到分解日96点负荷数据矩阵,以对分解日96点负荷数据矩阵进行校正:
2.如权利要求1所述的统调负荷曲线分解方法,其特征在于,所述哈达玛积运算即同阶矩阵之间均位于第i行第j列的数据相乘后置于得到的矩阵的第i行第j列。
3.如权利要求1所述的统调负荷曲线分解方法,其特征在于,所述节点历史日96点运行数据矩阵loadhis中的数据,第i行代表了第i个节点,第j列代表了第j点的负荷数据,其中,i为不大于n的正整数,j为不大于96的正整数。
4.如权利要求1所述的统调负荷曲线分解方法,其特征在于,所述根据历史数据统计星期日类型负荷分解比例,即通过历史数据统计得到星期一到星期七负荷所占比例,设定星期X的比例为基础数据,所述星期一到星期七负荷所占比例均除以所述基础数据得到所述星期日类型负荷比例矩阵B1_7,其中X为一到七任意数字。
5.如权利要求1所述的统调负荷曲线分解方法,其特征在于,所述正态分布因子矩阵包括由期望为1,标准差为0.05的正态分布抽取随机数形成的矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811596289.2A CN109685271B (zh) | 2018-12-25 | 2018-12-25 | 一种统调负荷曲线分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811596289.2A CN109685271B (zh) | 2018-12-25 | 2018-12-25 | 一种统调负荷曲线分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685271A CN109685271A (zh) | 2019-04-26 |
CN109685271B true CN109685271B (zh) | 2020-11-17 |
Family
ID=66188608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811596289.2A Active CN109685271B (zh) | 2018-12-25 | 2018-12-25 | 一种统调负荷曲线分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685271B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490386B (zh) * | 2019-08-26 | 2022-12-06 | 苏州树森信息科技有限公司 | 一种综合能源调度方法和综合能源调度系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514571B (zh) * | 2013-10-22 | 2016-08-17 | 国家电网公司 | 一种基于负荷曲线分解的商业居民负荷类型负荷建模方法 |
CN105989544A (zh) * | 2015-03-04 | 2016-10-05 | 国家电网公司 | 一种配电台区自适应短期负荷预测方法 |
CN104820876B (zh) * | 2015-05-21 | 2019-06-18 | 国家电网公司 | 一种短期负荷预测方法和系统 |
CN105048499B (zh) * | 2015-07-24 | 2017-11-03 | 中国农业大学 | 基于模型预测控制的风电并网实时调度方法及系统 |
CN106202700A (zh) * | 2016-07-07 | 2016-12-07 | 西安美林数据技术股份有限公司 | 一种光伏发电出力预测的数据分析方法 |
-
2018
- 2018-12-25 CN CN201811596289.2A patent/CN109685271B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109685271A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gu et al. | Stochastic look-ahead economic dispatch with variable generation resources | |
Rahmani-Andebili et al. | Cooperative distributed energy scheduling for smart homes applying stochastic model predictive control | |
Kamalinia et al. | Security-constrained expansion planning of fast-response units for wind integration | |
Zhang et al. | Conditional value at risk‐based stochastic unit commitment considering the uncertainty of wind power generation | |
CN110826847B (zh) | 移动应急电源调度方法、装置和计算机设备 | |
Ugranlı et al. | Multi-objective transmission expansion planning considering minimization of curtailed wind energy | |
Rahimiyan et al. | Real‐time energy management of a smart virtual power plant | |
US20220376499A1 (en) | System and method for load and source forecasting for increasing electrical grid component longevity | |
Ke et al. | Coordinative real‐time sub‐transmission volt–var control for reactive power regulation between transmission and distribution systems | |
Niu et al. | Spacial coordination between data centers and power system considering uncertainties of both source and load sides | |
Mahari et al. | A solution to the generation scheduling problem in power systems with large-scale wind farms using MICA | |
CN103810538A (zh) | 售电量分配方法和装置 | |
Kirilenko et al. | A framework for power system operational planning under uncertainty using coherent risk measures | |
Guerrero‐Mestre et al. | Incorporating energy storage into probabilistic security‐constrained unit commitment | |
Chen et al. | Two‐stage chance‐constrained unit commitment based on optimal wind power consumption point considering battery energy storage | |
CN109685271B (zh) | 一种统调负荷曲线分解方法 | |
Du et al. | Distributionally robust two-stage energy management for hybrid energy powered cellular networks | |
CN114899885A (zh) | 电力调度方法、系统和存储介质 | |
CN113870029A (zh) | 跨省区电力现货市场多主体出清方法、系统及计算机设备 | |
CN117595261A (zh) | 光储微电网能量管理策略优化方法、装置及电子设备 | |
CN110048407B (zh) | 分布式能源发电计划可行域优化分析方法 | |
CN109657867B (zh) | 一种a类机组出力曲线分解方法 | |
CN114896794A (zh) | 交直流并联输电通道检修计划和功率分配协同处理方法 | |
Krad et al. | Analysis of operating reserve demand curves in power system operations in the presence of variable generation | |
Jiang et al. | A new method for reference network considering network topology optimization |
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 |