CN109816139A - 基于负荷细分的差异化用户基线负荷预测方法、装置及系统 - Google Patents
基于负荷细分的差异化用户基线负荷预测方法、装置及系统 Download PDFInfo
- Publication number
- CN109816139A CN109816139A CN201811414056.6A CN201811414056A CN109816139A CN 109816139 A CN109816139 A CN 109816139A CN 201811414056 A CN201811414056 A CN 201811414056A CN 109816139 A CN109816139 A CN 109816139A
- Authority
- CN
- China
- Prior art keywords
- load
- power mode
- user
- baseline
- festivals
- 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
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于负荷细分的差异化用户基线负荷预测方法、装置及系统,包括获取用户用电负荷,并对所述用户用电负荷进行数据挖掘分析,筛选出迎峰型负荷;计算所述迎峰型负荷的气象敏感度和时间敏感度;根据迎峰型负荷的气象敏感度和时间敏感度,判定出对应的用电模式,所述用电模式为气象敏感型用电模式、时间敏感型用电模式或气象及时间均不敏感型用电模式;分别预测不同用电模式下的用户基线负荷,完成基于负荷细分的差异化用户基线负荷预测。本发明的基于负荷细分的差异化用户基线负荷预测方法、装置及系统,基于负荷细分,考虑多维用电行为及其影响因素,精细化用户用电行为特征,以进一步提高用户基线负荷预测精度。
Description
技术领域
本发明属于电力需求响应分析技术领域,具体涉及一种基于负荷细分的差异化用户基 线负荷预测方法。
背景技术
随着能源转型的不断发展,电力需求响应被认为是消纳新能源、解决弃风弃光问题的 有效措施。在电力需求响应项目效果评价中,用户基线负荷(customer baselineload,CBL) 预测能够为评价电力需求响应对用户负荷调整程度提供定量的依据。
常用基线负荷预测方法包括一次指数平滑法(Exponential Moving Average,EMA)、 “High X of Y”平均值法、“Middle X of Y”平均值法、线性回归法等。现有的研究方法从 不同角度研究用户基线负荷的预测,如考虑用户次日保电计划和检修计划的相似日负荷平 均值法、基于负荷特性聚类分析的基线负荷预测方法。但是,由于用户用电行为的多样化, 现有方法缺乏对用户用电行为及其影响因素的差异化考虑。而且,迎峰型负荷是当前国内 需求响应的重点,其基线负荷预测精度也是关注的难点。因此,如何筛选迎峰型负荷,精 细化该类型负荷的用电行为分析,深入挖掘其差异化用电模式,提高用户基线负荷预测精 度对于能源转型下需求响应的应用发展有着重要的意义。
发明内容
针对上述问题,本发明提出一种基于负荷细分的差异化用户基线负荷预测方法,基于 负荷细分,考虑多维用电行为及其影响因素,精细化用户用电行为特征,以进一步提高用 户基线负荷预测精度。
实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
第一方面,本发明提供了一种基于负荷细分的差异化用户基线负荷预测方法,包括:
获取用户用电负荷,并对所述用户用电负荷进行数据挖掘分析,筛选出迎峰型负荷;
计算所述迎峰型负荷的气象敏感度和时间敏感度;
根据迎峰型负荷的气象敏感度和时间敏感度,判定出对应的用电模式,所述用电模式 为气象敏感型用电模式、时间敏感型用电模式或气象及时间均不敏感型用电模式;
分别预测不同用电模式下的用户基线负荷,完成基于负荷细分的差异化用户基线负荷 预测。
优选地,所述对用户用电负荷进行数据挖掘分析,筛选出迎峰型负荷,具体为:
采用Ward-FCM二次聚类法结合负荷特性指标筛选出迎峰型负荷。
优选地,所述采用Ward-FCM二次聚类法结合负荷特性指标筛选出迎峰型负荷, 具体包括以下子步骤:
采用基于离差平方和法的系统聚类法对负荷特性进行一次聚类,得到初始聚类中心;
以该初始聚类中心作为FCM聚类的初始值进行二次聚类,进而得到二次聚类中心;
计算日负荷率与日峰谷差率,如果日负荷率与日峰谷差率相差小于设定阈值,则对二 次聚类中心进行再次聚类,得到最终聚类中心,反之,该二次聚类中心即为最终聚类中心, 根据最终聚类中心,筛选出迎峰型负荷;
所述日负荷率的计算公式为:
所述日峰谷差率的计算公式为:
式中:α表示日负荷率;Pav表示当日平均负荷;Pmax表示日最高负荷;β表示日峰谷差率;Pmin表示日最低负荷。
优选地,所述一次聚类中采用的聚类公式为:
式中:WK表示类内离差平方和;GK表示类,包含m个元素,用列向量xi(i=1,2,…,m)来表示;表示平均值。
优选地,所述计算所述迎峰型负荷的气象敏感度和时间敏感度,具体为:
计算所述迎峰型负荷的气温敏感度,气温敏感度的计算公式为:
式中:ρ表示气温敏感度,n为一年中日最高气温大于30℃时的总天数,Pi为 每天的日最大负荷,Ti为每天的日最高气温;若气温敏感度大于1,则认为该迎峰 型负荷为高温敏感负荷;
计算所述迎峰型负荷的节假日敏感度,所述节假日敏感度的计算公式为:
式中:λ表示节假日敏感度,Ds为对用户一年365日负荷曲线样本进行聚类分 析后得到的迎峰型负荷所含的样本个数,Dh为Ds中属于节假日的样本个数,若节假 日敏感度大于e,则认为该迎峰型负荷为节假日敏感负荷。
优选地,所述根据迎峰型负荷的气象敏感度和时间敏感度,判定出对应的用电模式, 所述用电模式为气象敏感型用电模式、时间敏感型用电模式或气象及时间均不敏感型用电 模式,具体为:
当判定迎峰型负荷属于高温敏感负荷,则认为用电模式为气温敏感型用电模式;
当判定迎峰型负荷属于节假日敏感负荷,则认为用电模式为节假日敏感型用电模式;
当判定迎峰型负荷既不属于高温敏感负荷,又不属于节假日敏感负荷,则认为用电模式为气温和节假日均不敏感型用电模式。
优选地,所述分别计算不同用电模式下的用户基线负荷,具体为:
对于气温敏感型用电模式,在计算初次用户基线负荷后,根据需求响应当天的 实际负荷与温度,采用线性回归法对初次用户基线负荷进行调整;
对于节假日敏感型用电模式,若需求响应当天是工作日,则选择历史数据时只 选择工作日;反之,若需求响应当天为节假日,则选择只有节假日的历史数据;
对于气温和节假日均不敏感型用电模式,则采用传统的一次指数平滑法、High Xof Y或者Middle X of Y中的任一种进行用户基线负荷的计算。
优选地,所述分别预测不同用电模式下的用户基线负荷步骤之后还包括:采用综合评 估方法分析各用电模式下的用户基线负荷预测精度,具体为:
将各用电模式下的用户基线负荷结果输入到综合评估模型中,进行预测精度分析, 其中,所述综合评估模型的计算公式为:
OPI=γ|RRMSE|+(1-γ)|ARE|
式中,RRMSE为相对均方根误差,反映了基线负荷和实际负荷的偏差程度;ARE 为平均相对误差,表示预测负荷偏离实际负荷的趋势;γ为权重系数。
第二方面,本发明提供了一种基于负荷细分的差异化用户基线负荷预测装置,包括:
获取及筛选模块,用于获取用户用电负荷,并对所述用户用电负荷进行数据挖掘分析, 筛选出迎峰型负荷;
计算模块,用于计算所述迎峰型负荷的气象敏感度和时间敏感度;
分类模块,根据迎峰型负荷的气象敏感度和时间敏感度,判定用电模式为气象敏感型、 时间敏感型和气象及时间均不敏感型三种中的其中一种;
预测模块,分别计算不同用电模式下的用户基线负荷,完成基于负荷细分的差异化用 户基线负荷预测。
第三方面,本发明提供了一种基于负荷细分的差异化用户基线负荷预测系统,包括:
处理器,适于实现各指令;以及
存储设备,适于存储多条指令,所述指令适于由处理器加载并执行第一方面中任一项 所述的步骤。
与现有技术相比,本发明的有益效果:
本发明所提的基于负荷细分的差异化用户基线负荷预测方法,能够有效筛选出迎峰型 负荷用户;将迎峰型负荷进一步精细化为气象敏感型、时间敏感型和气象及时间均不敏感 型3种差异化用电模式,在此基础上提出不同用电模式的差异化用户基线负荷预测方法, 能够有效提高用户基线负荷的预测精度。
进一步地,由于未来在综合能源系统下,用户用能形式将更加多样化、复杂化,因此, 本发明所提方法能够精细化分析综合能源下的用能行为特征,提高综合能源系统的用户基 线负荷预测精度,为综合能源系统的需求响应评估提供一定的参考和借鉴意义。
附图说明
图1为本发明一种实施例的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进 行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限 定本发明。
下面结合附图对本发明的应用原理作详细的描述。
为了解决现有技术中无法实现筛选迎峰型负荷,精细化该类型负荷的用电行为分析, 深入挖掘其差异化用电模式,提高用户基线负荷预测精度的问题,本发明提出了一种基于 负荷细分的差异化用户基线负荷预测方法、装置及系统,能够有效筛选出迎峰型负荷用户; 将迎峰型负荷进一步精细化为气象敏感型、时间敏感型和气象及时间均不敏感型三种差异 化用电模式,在此基础上提出不同用电模式的差异化用户基线负荷预测方法,能够有效提 高用户基线负荷的预测精度。
实施例1
如图1所示,本发明实施例提供了一种基于负荷细分的差异化用户基线负荷预测方法, 包括以下步骤:
步骤(1):获取用户用电负荷,并对用户用电负荷进行数据挖掘分析,筛选出 迎峰型负荷,在本发明实施例的一种具体实施方式中,具体为:采用Ward-FCM二 次聚类法结合负荷特性指标筛选出迎峰型负荷;
所述Ward-FCM二次聚类法采用基于离差平方和法(Ward法)的系统聚类法进行一次聚类,如式(1)所示,得到初始聚类中心,并以该初始聚类中心作为FCM聚类的初始 值进行二次聚类,进而得到二次聚类中心。在本发明的实际操作中,一次聚类采用系统聚 类法对负荷特性进行分类;二次聚类采用模糊C均值法,聚类中心由初次系统聚类结果提 供。这样,既可避免模糊C均值法对初始参数的敏感性,又能取得分类准确客观的聚类效 果;
式中:WK表示类内离差平方和;GK表示类,包含m个元素,用列向量xi(i=1,2,…,m)来表示;表示平均值;表示对求转置。
为进一步提高用户负荷曲线聚类结果的有效性,本发明考虑日负荷率、日峰谷差率等 负荷特性指标,如式(2)、(3)所示,对二次聚类的结果做进一步聚类处理,以优化聚类中心,具体过程为:
计算日负荷率与日峰谷差率,如果日负荷率与日峰谷差率相差小于设定阈值,则对二 次聚类中心进行再次聚类,得到最终聚类中心,所述聚类过程采用的是现有技术,因此本 实施例中不做过多的赘述,反之,则二次聚类中心即为最终聚类中心,根据最终聚类中心, 筛选出迎峰型负荷,该过程采用的是现有技术,因此不做过多的赘述;
所述日负荷率的计算公式为:
所述日峰谷差率的计算公式为:
式中:α表示日负荷率;Pav表示当日平均负荷;Pmax表示日最高负荷;β表示日峰谷差率;Pmin表示日最低负荷。
步骤(2):计算所述迎峰型负荷的气象敏感度和时间敏感度,在本发明实施例的一种具体实施方式中,具体为:
从气象维度和时间维度分别建立差异化分析模型,以实现精细化用电模式分 析,将迎峰型负荷用户用电行为划分为气象敏感型、时间敏感型和气象及时间均不 敏感型三种差异化用电模式。其中,气象维度主要是分析用户负荷对气温及温湿效 应、气温累积效应等城市微气象的敏感程度;时间维度主要是分析用户负荷对节假 日的敏感程度。下面分别从气象维度和时间维度进行详细描述。
(2.1)气象维度
选取日最高气温大于T℃时用户典型负荷中的日最大负荷和日最高气温作为研究对象,采用最小二乘法进行线性回归,定义回归系数为气温灵敏度,建立考虑气 温维度的用电行为差异化模型如式(4)所示,若灵敏度大于1,则认为该迎峰型 负荷为高温敏感负荷。
式中:ρ表示气温灵敏度,n为一年中日最高气温大于30℃时的总天数,Pi为 每天的日最大负荷,Ti为每天的日最高气温。
(2.2)时间维度
为了分析是否存在节假日的影响,建立考虑节假日维度的用电行为差异化模型如式(5)所示,其中,定义节假日大于e的用户为节假日敏感负荷;
式中:λ表示节假日占比,Ds为对用户一年365日负荷曲线样本进行聚类分析 后得到的每类负荷所含的样本个数,Dh为Ds中属于节假日的样本个数。
(3)根据迎峰型负荷的气象敏感度和时间敏感度,判定出对应的用电模式,所述用电模式为气象敏感型用电模式、时间敏感型用电模式或气象及时间均不敏感型用电模式;具体为:
当判定迎峰型负荷属于高温敏感负荷,则认为用电模式为气温敏感型用电模式;
当判定迎峰型负荷属于节假日敏感负荷,则认为用电模式为节假日敏感型用电模式;
当判定迎峰型负荷既不属于高温敏感负荷,又不属于节假日敏感负荷,则认为用电模式为气温和节假日均不敏感型用电模式
步骤(4)分别预测不同用电模式下的用户基线负荷,用户基线负荷的预测过 程一般分为数据选择、基线计算和调整计算三个步骤,在本实施例的一种具体实施 方式中,具体包括:
(4.1)气温敏感型用电模式
该类用户对应的用电模式为仅温度敏感,在数据选择环节,不用考虑节假日的 影响,在基线计算环节,采用一次指数平滑法;在调整计算环节,在计算初次基线 负荷后,根据需求响应当天的实际负荷与温度,采用线性回归法对初次基线负荷进 行调整。其中,线性归回调整采用用户在需求响应日前m天的平均负荷和平均温度 做线性回归拟合,得到拟合系数。随后,将需求响应当天平均温度和前m天平均温 度之差作为温度调整量,该温度调整量乘以拟合系数后便得到基线负荷调整量。该 调整量和初次基线负荷相叠加后便得到调整后的基线负荷。
(4.2)节假日敏感型用电模式
该类用户对应的用电模式为仅节假日敏感,在数据选择环节,需要考虑节假日 的影响。例如:若需求响应当天是工作日,则选择历史数据时只选择工作日,反之, 若需求响应当天为节假日,则需选择只有节假日的历史数据。在基线计算环节,采 用一次指数平滑法;在调整计算环节,不同于气温敏感型用电模式,由于该用电模 式仅为节假日敏感,在数据选择上已经考虑节假日的影响,因此不做调整计算。
(4.3)气温和节假日均不敏感型用电模式
在该模式下,基线负荷是不需要考虑两者对基线负荷预测的影响。具体表现为:在数据选择环节,直接向前选取历史数据计算窗口,不需要考虑计算窗口是否为节 假日;;在基线计算环节,可以采用一次指数平滑法、“High X of Y”或者“Middle X of Y”方法;在调整计算环节,不需要考虑计及温度的调整计算。故针对该类型 用户,只需要进行基线负荷简单计算即可,进而简化了传统基线负荷计算过程。
其中,所述一次指数平滑法对过去5个工作日的负荷求平均值,并参考需求响 应当天的负荷值,采用权重法叠加后得到基线负荷。所述“High X of Y”平均值 法同样以过去10个工作日为时间挑选窗口,去除日用电量(kW)最大值和最小值的 两天,再对剩下的8天求平均值,剔除实施了需求响应项目的那些天。
步骤(5)采用综合评估方法分析各用电模式下的用户基线负荷预测精度;在本发明实施例的一种具体实施方式中,具体为:
综合考虑基线负荷和实际负荷的偏差程度以及偏差趋势,采用权重系数法,建 立综合评估(Overal l Performance Index,OPI)模型,如式(6)所示,将各用电 模式下的用户基线负荷结果输入到所述综合评估模型中,进行预测精度分析;
OPI=γ|RRMSE|+(1-γ)|ARE| (6)
其中,RRMSE为相对均方根误差,反映了基线负荷和实际负荷的偏差程度;ARE 为平均相对误差,表示预测负荷偏离实际负荷的趋势;γ为权重系数。
实施例2
基于与实施例1相同的发明构思,本发明实施例中提供了一种基于负荷细分的差异化 用户基线负荷预测装置,包括:
获取及筛选模块,用于获取用户用电负荷,并对所述用户用电负荷进行数据挖掘分析, 筛选出迎峰型负荷;
计算模块,用于计算所述迎峰型负荷的气象敏感度和时间敏感度;
分类模块,根据迎峰型负荷的气象敏感度和时间敏感度,判定用电模式为气象敏感型、 时间敏感型和气象及时间均不敏感型三种中的其中一种;
预测模块,分别计算不同用电模式下的用户基线负荷,完成基于负荷细分的差异化用 户基线负荷预测。
进一步地,所述基于负荷细分的差异化用户基线负荷预测装置,还包括分析模块,所 述分析模块用于采用综合评估方法分析各用电模式下的用户基线负荷预测精度,
其余部分均与实施例1相同。
实施例3
基于与实施例1相同的发明构思,本发明实施例中提供了一种基于负荷细分的差异化 用户基线负荷预测系统,包括:
处理器,适于实现各指令;以及
存储设备,适于存储多条指令,所述指令适于由处理器加载并执行第一方面中任一项 所述的步骤。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员 应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明 的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化 和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等 效物界定。
Claims (10)
1.一种基于负荷细分的差异化用户基线负荷预测方法,其特征在于,包括:
获取用户用电负荷,并对所述用户用电负荷进行数据挖掘分析,筛选出迎峰型负荷;
计算所述迎峰型负荷的气象敏感度和时间敏感度;
根据迎峰型负荷的气象敏感度和时间敏感度,判定出对应的用电模式,所述用电模式为气象敏感型用电模式、时间敏感型用电模式或气象及时间均不敏感型用电模式;
分别预测不同用电模式下的用户基线负荷,完成基于负荷细分的差异化用户基线负荷预测。
2.根据权利要求1所述的一种基于负荷细分的差异化用户基线负荷预测方法,其特征在于:所述对用户用电负荷进行数据挖掘分析,筛选出迎峰型负荷,具体为:
采用Ward-FCM二次聚类法结合负荷特性指标筛选出迎峰型负荷。
3.根据权利要求2所述的一种基于负荷细分的差异化用户基线负荷预测方法,其特征在于:所述采用Ward-FCM二次聚类法结合负荷特性指标筛选出迎峰型负荷,具体包括以下子步骤:
采用基于离差平方和法的系统聚类法对负荷特性进行一次聚类,得到初始聚类中心;
以该初始聚类中心作为FCM聚类的初始值进行二次聚类,进而得到二次聚类中心;
计算日负荷率与日峰谷差率,如果日负荷率与日峰谷差率相差小于设定阈值,则对二次聚类中心进行再次聚类,得到最终聚类中心,反之,该二次聚类中心即为最终聚类中心,根据最终聚类中心,筛选出迎峰型负荷;
所述日负荷率的计算公式为:
所述日峰谷差率的计算公式为:
式中:α表示日负荷率;Pav表示当日平均负荷;Pmax表示日最高负荷;β表示日峰谷差率;Pmin表示日最低负荷。
4.根据权利要求3所述的一种基于负荷细分的差异化用户基线负荷预测方法,其特征在于:所述一次聚类中采用的聚类公式为:
式中:WK表示类内离差平方和;GK表示类,包含m个元素,用列向量xi(i=1,2,…,m)来表示;表示平均值。
5.根据权利要求1所述的一种基于负荷细分的差异化用户基线负荷预测方法,其特征在于:所述计算所述迎峰型负荷的气象敏感度和时间敏感度,具体为:
计算所述迎峰型负荷的气温敏感度,气温敏感度的计算公式为:
式中:ρ表示气温敏感度,n为一年中日最高气温大于30℃时的总天数,Pi为每天的日最大负荷,Ti为每天的日最高气温;若气温敏感度大于1,则认为该迎峰型负荷为高温敏感负荷;
计算所述迎峰型负荷的节假日敏感度,所述节假日敏感度的计算公式为:
式中:λ表示节假日敏感度,Ds为对用户一年365日负荷曲线样本进行聚类分析后得到的迎峰型负荷所含的样本个数,Dh为Ds中属于节假日的样本个数,若节假日敏感度大于e,则认为该迎峰型负荷为节假日敏感负荷。
6.根据权利要求5所述的一种基于负荷细分的差异化用户基线负荷预测方法,其特征在于:所述根据迎峰型负荷的气象敏感度和时间敏感度,判定出对应的用电模式,所述用电模式为气象敏感型用电模式、时间敏感型用电模式或气象及时间均不敏感型用电模式,具体为:
当判定迎峰型负荷属于高温敏感负荷,则认为用电模式为气温敏感型用电模式;
当判定迎峰型负荷属于节假日敏感负荷,则认为用电模式为节假日敏感型用电模式;
当判定迎峰型负荷既不属于高温敏感负荷,又不属于节假日敏感负荷,则认为用电模式为气温和节假日均不敏感型用电模式。
7.根据权利要求5所述的一种基于负荷细分的差异化用户基线负荷预测方法,其特征在于:所述分别计算不同用电模式下的用户基线负荷,具体为:
对于气温敏感型用电模式,在计算初次用户基线负荷后,根据需求响应当天的实际负荷与温度,采用线性回归法对初次用户基线负荷进行调整;
对于节假日敏感型用电模式,若需求响应当天是工作日,则选择历史数据时只选择工作日;反之,若需求响应当天为节假日,则选择只有节假日的历史数据;
对于气温和节假日均不敏感型用电模式,则采用传统的一次指数平滑法、High X of Y或者Middle X of Y中的任一种进行用户基线负荷的计算。
8.根据权利要求1所述的一种基于负荷细分的差异化用户基线负荷预测方法,其特征在于:所述分别预测不同用电模式下的用户基线负荷步骤后还包括:采用综合评估方法分析各用电模式下的用户基线负荷预测精度,具体为:
将各用电模式下的用户基线负荷结果输入到综合评估模型中,进行预测精度分析,其中,所述综合评估模型的计算公式为:
OPI=γ|RRMSE|+(1-γ)|ARE|
式中,RRMSE为相对均方根误差,反映了基线负荷和实际负荷的偏差程度;ARE为平均相对误差,表示预测负荷偏离实际负荷的趋势;γ为权重系数。
9.一种基于负荷细分的差异化用户基线负荷预测装置,其特征在于,包括:
获取及筛选模块,用于获取用户用电负荷,并对所述用户用电负荷进行数据挖掘分析,筛选出迎峰型负荷;
计算模块,用于计算所述迎峰型负荷的气象敏感度和时间敏感度;
分类模块,根据迎峰型负荷的气象敏感度和时间敏感度,判定用电模式为气象敏感型、时间敏感型和气象及时间均不敏感型三种中的其中一种;
预测模块,分别预测不同用电模式下的用户基线负荷,完成基于负荷细分的差异化用户基线负荷预测。
10.一种基于负荷细分的差异化用户基线负荷预测系统,其特征在于,包括:
处理器,适于实现各指令;以及
存储设备,适于存储多条指令,所述指令适于由处理器加载并执行权利要求1~8中任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811414056.6A CN109816139B (zh) | 2018-11-26 | 2018-11-26 | 基于负荷细分的差异化用户基线负荷预测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811414056.6A CN109816139B (zh) | 2018-11-26 | 2018-11-26 | 基于负荷细分的差异化用户基线负荷预测方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109816139A true CN109816139A (zh) | 2019-05-28 |
CN109816139B CN109816139B (zh) | 2022-08-23 |
Family
ID=66602861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811414056.6A Active CN109816139B (zh) | 2018-11-26 | 2018-11-26 | 基于负荷细分的差异化用户基线负荷预测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816139B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592528A (zh) * | 2021-06-22 | 2021-11-02 | 国网河北省电力有限公司营销服务中心 | 基线负荷估计方法、装置及终端设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933630A (zh) * | 2015-05-21 | 2015-09-23 | 国家电网公司 | 一种负荷特性分析方法和系统 |
CN105608333A (zh) * | 2016-01-26 | 2016-05-25 | 广东电网有限责任公司电力科学研究院 | 一种考虑多区域差异的气象敏感电量挖掘方法 |
CN106650979A (zh) * | 2015-10-29 | 2017-05-10 | 中国电力科学研究院 | 一种馈线基线负荷预测方法 |
-
2018
- 2018-11-26 CN CN201811414056.6A patent/CN109816139B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933630A (zh) * | 2015-05-21 | 2015-09-23 | 国家电网公司 | 一种负荷特性分析方法和系统 |
CN106650979A (zh) * | 2015-10-29 | 2017-05-10 | 中国电力科学研究院 | 一种馈线基线负荷预测方法 |
CN105608333A (zh) * | 2016-01-26 | 2016-05-25 | 广东电网有限责任公司电力科学研究院 | 一种考虑多区域差异的气象敏感电量挖掘方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592528A (zh) * | 2021-06-22 | 2021-11-02 | 国网河北省电力有限公司营销服务中心 | 基线负荷估计方法、装置及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109816139B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | Predicting the energy consumption of residential buildings for regional electricity supply-side and demand-side management | |
Si et al. | Electric load clustering in smart grid: Methodologies, applications, and future trends | |
Pai et al. | Support vector machines with simulated annealing algorithms in electricity load forecasting | |
CN106940833A (zh) | 一种基于模糊三角数和改进层次分析法的电网企业售电侧风险评估方法 | |
CN105117810A (zh) | 一种阶梯电价机制下居民用电中期负载预测方法 | |
CN106408008A (zh) | 一种基于负荷曲线距离和形状的负荷分类方法 | |
CN111028100A (zh) | 考虑气象因素的精细化短期负荷预测方法、装置及介质 | |
CN109934386A (zh) | 热电联供系统热负荷预测方法 | |
CN108509385A (zh) | 一种设备制造供应商评价方法 | |
CN106410781A (zh) | 一种电力用户需求响应潜力确定方法 | |
CN110489783B (zh) | 一种基于qrnn的低压台区线损率合理范围估计方法 | |
CN109636146A (zh) | 一种用户需求响应潜力画像方法 | |
Chogumaira et al. | Short-term electricity price forecasting using a combination of neural networks and fuzzy inference | |
Handoyo et al. | The developing of fuzzy system for multiple time series forecasting with generated rule bases and optimized consequence part | |
CN113393028A (zh) | 一种基于数据挖掘技术的负荷预测方法 | |
CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
Sahu et al. | Fuzziness: a mathematical tool | |
Justo et al. | Behavioral similarity of residential customers using a neural network based on adaptive resonance theory | |
CN107527131A (zh) | 一种集群电机系统能耗水平评价方法及装置 | |
Azadeh et al. | An integrated fuzzy regression-data envelopment analysis algorithm for optimum oil consumption estimation with ambiguous data | |
Wu et al. | A structure with density-weighted active learning-based model selection strategy and meteorological analysis for wind speed vector deterministic and probabilistic forecasting | |
CN109389517B (zh) | 一种量化线路损耗影响因素的分析方法及装置 | |
Khanali et al. | An improved approach to fuzzy clustering based on FCM algorithm and extended VIKOR method | |
CN109816139A (zh) | 基于负荷细分的差异化用户基线负荷预测方法、装置及系统 | |
CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |