CN109767037A - 一种夏季日最大负荷的预测方法 - Google Patents
一种夏季日最大负荷的预测方法 Download PDFInfo
- Publication number
- CN109767037A CN109767037A CN201811621836.8A CN201811621836A CN109767037A CN 109767037 A CN109767037 A CN 109767037A CN 201811621836 A CN201811621836 A CN 201811621836A CN 109767037 A CN109767037 A CN 109767037A
- Authority
- CN
- China
- Prior art keywords
- treatment cost
- daily treatment
- history
- vector machine
- sample set
- 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
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种夏季日最大负荷的预测方法,涉及电力系统短期负荷预测研究领域,要解决的是没有考虑气象因素导致的预测结果不理想的问题。本发明具体步骤如下:得到原始样本集;将原始样本集进行非线性变换、指数加权变换、主成分分析和最小二乘支持向量机预测,得到每天最大负荷的预测值。本发明提出了一种基于非线性变换、指数加权变换、主成分分析和最小二乘支持向量机的预测模型,考虑了温度、湿度、风速对负荷的单独影响和综合影响,考虑实时影响和累积影响,能够有效提高气象敏感地区的夏季日最大负荷预测准确率,具有积极的社会效益和广阔的使用前景。
Description
技术领域
本发明涉及电力系统短期负荷预测研究领域,具体是一种夏季日最大负荷的预测方法。
背景技术
电力具有发电和用电实时平衡的特点。为了满足社会用电需求,同时保证电网安全和稳定运行,调度部门需要进行短期负荷预测制定日前发电计划。在三产和居民占比较大的地区,夏季用电负荷中通常包含大量的降温负荷,使日最大负荷具有很强的气象敏感性,当温度、湿度等发生变化时,往往会引起日最大负荷的明显波动,导致负荷的预测难度高于其他季节。为了降低因负荷预测偏差大造成的限电问题和运行效率低的问题,需要尽可能对夏季负荷进行准确预测。
目前,夏季负荷分析预测方法包括皮尔逊相关分析、回归分析等传统的预测方法和人工智能类方法。
皮尔逊相关分析和回归分析是根据各气象因素和负荷之间的相关系数,筛选相关系数大的用来拟合建模,进而对负荷进行分析预测,方法简便直观,但处理数据效率低,处理多个气象与负荷之间的非线性关系能力有限,难以适应未来发展及预测精度需求。基于人工智能的预测方法在数据处理和分析方面具有快速高效的特点,但目前大部分研究仅仅根据负荷序列数据进行方法的套用,对气象因素的考虑不足,难以得到理想的预测结果。
发明内容
本发明的目的在于提供一种夏季日最大负荷的预测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种夏季日最大负荷的预测方法,具体步骤如下:
步骤一,采集原始样本,得到原始样本集W0;
步骤二,将原始样本集进行非线性变换,得到第一样本集W1;
步骤三,将第一样本集W1进行指数加权变换,得到第二样本集W2;
步骤四,将第二样本集W2和对应时间的历史负荷数据组成第三样本集,进行主成分分析(PCA),得到第四样本集W1;
步骤五,将第四样本集W1与对应时间的历史负荷数据组成最小二乘支持向量机(LSSVM)的训练集X1;
步骤六,将气象预测数据和历史气象数据的变换做最小二乘支持向量机预测条件集Wp;
步骤七,将最小二乘支持向量机的训练集X1和最小二乘支持向量机预测条件集Wp进行最小二乘支持向量机预测,得到每天最大负荷的预测值P。
作为本发明进一步的方案:原始样本集W0=[T(t),H(t),S(t)],(t=1,2,……,N),T(t)为历史N天的温度,H(t)为历史N天的湿度,S(t)为历史N天的风速。
作为本发明进一步的方案:第一样本集T(t)为历史N天的温度,H(t)为历史N天的湿度,S(t)为历史N天的风速。
作为本发明进一步的方案:主成分分析步骤如下:
第一,对数据进行中心化:
第二,求取样本协方差矩阵:
第三,求协方差矩阵C的特征值和特征向量:C·αi=λi·αi,(i=1,2,……,n);
第四,特征值和特征向量按从降序排列,得到特征向量矩和特征值矩阵:A=[α1,α2,L,αn]
第五,指定一个降维主成分比重阈值t,满足:按上式提取n’个主成分,为:W'=W2·[α1,L,αn']。
作为本发明进一步的方案:
第二样本集W2=φ(W1)=w·[W1(1~n);W1(2~n+1);……;W1(N-(n+1)~N)],(N>n),n为考虑累积效应的天数,
变换向量
作为本发明进一步的方案:最小二乘支持向量机预测条件集Wp=w·Φ(Wp0)·An',其中,Tp、Hp、Sp为气象预测数据,T1~n、H1~n、S1~n为历史气象数据。
作为本发明进一步的方案:最小二乘支持向量机预测的问题及约束条件为:
s.t.其中i=1,2,…N;w为权值,b为偏置值,ei为拟合误差,C为正规化参数,用来调节拟合误差惩罚程度。
与现有技术相比,本发明的有益效果是:
本发明提出了一种基于非线性变换、指数加权变换、主成分分析(PCA)和最小二乘支持向量机(LSSVM)的预测模型,考虑了温度、湿度、风速对负荷的单独影响和综合影响,考虑实时影响和累积影响,能够有效提高气象敏感地区的夏季日最大负荷预测准确率,具有积极的社会效益和广阔的使用前景。
附图说明
图1为夏季日最大负荷的预测方法的流程图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
一种夏季日最大负荷的预测方法,具体的预测方法介绍如下:
1.以历史N天的温度T(t)、湿度H(t)、风速S(t)作为原始样本集W0=[T(t),H(t),S(t)],(t=1,2,……,N)。
2.将原始样本集进行非线性变换
W1=Φ(W0)=[T(t),H(t),S(t),T(t)*H(t),T(t)*S(t),H(t)*S(t),T2(t),H2(t),S2(t)]
(t=0,1,……,N)
3.将上一步得到的W1进行指数加权变换
W2=φ(W1)=w·[W1(1~n);W1(2~n+1);……;W1(N-(n+1)~N)],(N>n)
其中,n为考虑累积效应的天数。
变换向量
4.将W2和对应时间的历史负荷数据组成样本集X0=[W2,P],进行主成分分析(PCA)。
主成分分析(PCA)是一种分析、简化数据集的技术,它通过线性变换将数据集变换到一个新的坐标系中,在保持数据集中的对方差贡献最大的特征基础上,降低数据集维数。
PCA分析步骤为:
(1)对数据进行中心化:
(2)求取样本协方差矩阵:
(3)求协方差矩阵C的特征值和特征向量:
C·αi=λi·αi,(i=1,2,……,n)
(4)特征值和特征向量按从降序排列,得到特征向量矩和特征值矩阵:
A=[α1,α2,L,αn]
(5)指定一个降维主成分比重阈值t,满足:
按上式提取n’个主成分,为:
W'=W2·[α1,L,αn']
5.以X1=[W',P]做LSSVM的训练集
6.以气象预测数据和历史气象数据的变换做LSSVM预测条件集:
Wp=w·Φ(Wp0)·An'其中,Tp、Hp、Sp为气象预测数据,T1~n、H1~n、S1~n为历史气象数据。
LSSVM是标准SVM的改进,它采用了最小二乘线性系统作为损失函数,代替了标准支持向量机所采用的二次规划方法,用等式约束代替了标准SVM的不等式约束,因此简化了计算的复杂程度,提高了算法的运算速度。
LSSVM通过一个非线性映射将数据集合x映射到高维特征空间,然后在高维特征空间构造最优决策函数,为:
式中,w为权值,b为偏置值。LSSVM遵循结构风险最小化原则,优化问题及约束条件为:
其中i=1,2,…N;ei为拟合误差,C为正规化参数,用来调节拟合误差惩罚程度。
经Lagrange乘数法求解,最后回归模型为:
其中为定义的核函数,核函数可以在满足Mercer条件的情况下选取。本例选取线性核函数,表达式为:
K(x,xi)=xTxi+c
式中,c为核函数参数。
7.经LSSVM预测得到日最大负荷的预测值P。
利用本发明的方法和LSSVM预测方法对某地区2017年7月工作日的日最大负荷进行预测,每天的预测准确率见表1。
表1 2017年7月工作日,LSSVM和本方法的预测准确率对比
从表1中可以看出,与LSSVM预测方法相比,本发明方法的平均准确率提高了2.44%。说明本发明的方法具有较好的预测效果。
本发明模型是基于非线性变换、指数加权变换、主成分分析(PCA)和最小二乘支持向量机(LSSVM)的混合预测模型。非线性变换用来将历史温度数据、湿度数据、风速数据生成具有独立及耦合作用的气象因素变量集合,以考虑气象因素对负荷的独立及综合影响。指数加权变换用来将气象因素变量生成具有时间特性的集合,以考虑气象因素的累积效应,指数加权变换另一方面具有降低历史数据波动干扰的作用。将经过非线性变换和指数加权变换的数据集合和历史日最大负荷数据组成样本集,进行主成分分析(PCA),得到降维样本集,提取主成分,将得到的主成分和历史负荷作为最小二乘支持向量机的(LSSVM)的训练集。预报的温度、湿度、风速数据、历史n天温度、历史n天湿度、历史n天风速数据经过非线性变换、指数加权变换,提取主成分,作为用最小二乘支持向量机(LSSVM)预测未来负荷的输入数据,得到的日最大负荷预测数据。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种夏季日最大负荷的预测方法,其特征在于,具体步骤如下:
步骤一,采集原始样本,得到原始样本集W0;
步骤二,将原始样本集进行非线性变换,得到第一样本集W1;
步骤三,将第一样本集W1进行指数加权变换,得到第二样本集W2;
步骤四,将第二样本集W2和对应时间的历史负荷数据组成第三样本集,进行主成分分析,得到第四样本集W1;
步骤五,将第四样本集W1与对应时间的历史负荷数据组成最小二乘支持向量机的训练集X1;
步骤六,将气象预测数据和历史气象数据的变换做最小二乘支持向量机预测条件集Wp;
步骤七,将最小二乘支持向量机的训练集X1和最小二乘支持向量机预测条件集Wp进行最小二乘支持向量机预测,得到每天最大负荷的预测值P。
2.根据权利要求1所述的夏季日最大负荷的预测方法,其特征在于,所述原始样本集W0=[T(t),H(t),S(t)],(t=1,2,……,N),T(t)为历史N天的温度,H(t)为历史N天的湿度,S(t)为历史N天的风速。
3.根据权利要求1所述的夏季日最大负荷的预测方法,其特征在于,所述第一样本集
T(t)为历史N天的温度,H(t)为历史N天的湿度,S(t)为历史N天的风速。
4.根据权利要求1或2所述的夏季日最大负荷的预测方法,其特征在于,所述主成分分析步骤如下:
第一,对数据进行中心化:
第二,求取样本协方差矩阵:
第三,求协方差矩阵C的特征值和特征向量:C·αi=λi·αi,(i=1,2,……,n);
第四,特征值和特征向量按从降序排列,得到特征向量矩和特征值矩阵:A=[α1,α2,L,αn]
第五,指定一个降维主成分比重阈值t,满足:按上式提取n’个主成分,为:W'=W2·[α1,L,αn']。
5.根据权利要求3所述的夏季日最大负荷的预测方法,其特征在于,所述第二样本集W2=φ(W1)=w·[W1(1~n);W1(2~n+1);……;W1(N-(n+1)~N)],(N>n),n为考虑累积效应的天数。
6.根据权利要求1所述的夏季日最大负荷的预测方法,其特征在于,所述最小二乘支持向量机预测条件集Wp=w·Φ(Wp0)·An',其中,Tp、Hp、Sp为气象预测数据,T1~n、H1~n、S1~n为历史气象数据。
7.根据权利要求1所述的夏季日最大负荷的预测方法,其特征在于,所述最小二乘支持向量机预测的问题及约束条件为:
其中i=1,2,…N;w为权值,b为偏置值,ei为拟合误差,C为正规化参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811621836.8A CN109767037A (zh) | 2018-12-28 | 2018-12-28 | 一种夏季日最大负荷的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811621836.8A CN109767037A (zh) | 2018-12-28 | 2018-12-28 | 一种夏季日最大负荷的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109767037A true CN109767037A (zh) | 2019-05-17 |
Family
ID=66451710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811621836.8A Pending CN109767037A (zh) | 2018-12-28 | 2018-12-28 | 一种夏季日最大负荷的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109767037A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516867A (zh) * | 2019-08-21 | 2019-11-29 | 广东电网有限责任公司 | 一种基于主成分分析的集成学习负荷预测方法 |
CN111915082A (zh) * | 2020-08-03 | 2020-11-10 | 深圳集智数字科技有限公司 | 一种预测方法、装置、存储介质及设备 |
-
2018
- 2018-12-28 CN CN201811621836.8A patent/CN109767037A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516867A (zh) * | 2019-08-21 | 2019-11-29 | 广东电网有限责任公司 | 一种基于主成分分析的集成学习负荷预测方法 |
CN110516867B (zh) * | 2019-08-21 | 2022-02-11 | 广东电网有限责任公司 | 一种基于主成分分析的集成学习负荷预测方法 |
CN111915082A (zh) * | 2020-08-03 | 2020-11-10 | 深圳集智数字科技有限公司 | 一种预测方法、装置、存储介质及设备 |
CN111915082B (zh) * | 2020-08-03 | 2024-03-29 | 深圳集智数字科技有限公司 | 一种预测方法、装置、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation | |
Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
Cai et al. | Predicting the energy consumption of residential buildings for regional electricity supply-side and demand-side management | |
Wang et al. | Research on Hybrid Model of Garlic Short-term Price Forecasting based on Big Data. | |
Jawad et al. | Machine learning based cost effective electricity load forecasting model using correlated meteorological parameters | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN102231144A (zh) | 一种基于Boosting算法的配电网理论线损预测方法 | |
Yuan et al. | Conditional style-based generative adversarial networks for renewable scenario generation | |
Wang et al. | Cloud feature extraction and fluctuation pattern recognition based ultrashort-term regional PV power forecasting | |
CN112257928A (zh) | 一种基于cnn和分位数回归的短期电力负荷概率预测方法 | |
Almalaq et al. | Deep learning application: Load forecasting in big data of smart grids | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN108960485A (zh) | 一种源-荷互动电力市场下的在线字典学习概率最优潮流方法 | |
Ribeiro et al. | Customized normalization clustering meth-odology for consumers with heterogeneous characteristics | |
Zeng et al. | Forecasting the total energy consumption in China using a new-structure grey system model | |
Kusiak et al. | Minimization of wind farm operational cost based on data-driven models | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN113112099A (zh) | 电网日电量预测模型训练方法和电网日电量预测方法 | |
CN109767037A (zh) | 一种夏季日最大负荷的预测方法 | |
CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
CN112085256A (zh) | 考虑负荷跃变的全周期负荷预测方法 | |
CN113887833A (zh) | 一种分布式能源用户侧逐时负荷预测方法及系统 | |
Li et al. | Power load forecasting and interpretable models based on GS_XGBoost and SHAP | |
Baesmat et al. | A new hybrid method for electrical load forecasting based on deviation correction and MRMRMS | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 |
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: 20190517 |