CN109858668B - 一种雷电气候下电力负荷区域协调预测方法 - Google Patents
一种雷电气候下电力负荷区域协调预测方法 Download PDFInfo
- Publication number
- CN109858668B CN109858668B CN201811574439.XA CN201811574439A CN109858668B CN 109858668 B CN109858668 B CN 109858668B CN 201811574439 A CN201811574439 A CN 201811574439A CN 109858668 B CN109858668 B CN 109858668B
- Authority
- CN
- China
- Prior art keywords
- load
- user
- day
- historical
- 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.)
- Active
Links
Images
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
Abstract
一种雷电气候下电力负荷区域协调预测方法,包括对区域用户历史日期中的用电行为进行统计形成历史数据库,决策出待预测日区域用户的用电模式,根据待预测日的用电模式,预测得到待预测日该区域用户的负荷;对每一个区域用户的负荷进行汇总形成系统负荷,并对于系统负荷进行负荷预测;基于每个区域用户的历史负荷数据,得到每个区域用户在协调预测模型中的配比权重对于系统负荷的预测结果和单个区域的用户负荷进行协调修正。本发明能够提高雷电气候下的短期负荷预测精度,从而提升发电计划安排的效率,并促进电力系统安全、稳定、经济地运行。
Description
技术领域
本发明属于电力系统智能用电技术领域,具体涉及一种雷电气候下电力负荷区域协调预测方法。
背景技术
随着国民经济的持续发展和社会能源消费方式的变革,电能已经成为人民生产和生活中不可或缺的重要能源。由于电能不可大规模存储的特性,在电力生产中需要基于实时负荷预测技术来安排实时机组出力,以实现电能供给和需求的动态平衡。就现阶段的研究成果而言,对于不同负荷的自身特性、影响负荷变化的因素、负荷预测模型建立等方面均有系统的分析和研究,并取得了对于电力系统安全稳定经济运行具有指导意义的成果。
雷电是一种常见的自然现象,其对于电力系统的运行有着重要的影响。一方面,雷击可能导致相关电网设备跳闸,从而可能导致负荷损失;另一方面,雷电气候下的气温、降雨量等气象因素与正常日差异加大,对于生产生活行为影响较大,进而对于人们的用电行为也会造成一定的影响。因而,建立雷电气候下的负荷预测方法,提升雷电气候下的负荷预测精度,对于电力系统安全稳定经济运行具有重要的意义。
但是,传统的基于历史信息的负荷预测方法,例如时间序列预测、人工神经网络、支持向量机等预测方法,往往需要依赖于较多的历史数据,且预测为单向性,即:在预测模型中,通过气象信息、历史负荷等已知量作为预测模型的输入量,通过预测模型进行预测后就输出结果,对于得出的结果不再进行后续处理。在雷电气候下的负荷预测领域,由于历史数据较少,负荷变化的随机性增大,导致在雷电气候下进行负荷预测时,对于单个用户进行负荷预测的预测结果的总和和系统负荷预测的预测结果之间存在差异。
鉴于此,技术人员希望能够利用同一个雷电气候影响区域内不同片区实时负荷变化量之间的联系,基于有限的历史数据,对于雷电气候下电力系统负荷的预测精度进行有效地提升,并合理利用可获取数据之间的逻辑关系,提高数据的利用价值。
发明内容
本发明的目的是提供一种适用雷电气候的电力系统负荷区域协调预测方法,其能够提高雷电气候下的短期负荷预测精度,从而提升发电计划安排的效率,并促进电力系统安全、稳定、经济地运行。
解决上述技术问题,本发明所采用的技术方案为:
一种雷电气候下电力负荷区域协调预测方法,其特征在于,所述协调预测方法包括以下步骤:
步骤1:对区域用户历史日期中的用电行为进行统计形成历史数据库,决策出待预测日区域用户的用电模式,根据待预测日的用电模式,预测得到待预测日该区域用户的负荷;
步骤2:对步骤1得到的每一个区域用户的负荷进行汇总形成系统负荷,并对于系统负荷进行负荷预测;
步骤3:基于每个区域用户的历史负荷数据,得到每个区域用户的配比权重,对系统负荷的预测结果和单个区域的用户负荷进行协调修正。
本发明进一步包括以下优选方案:
在步骤1中,所述历史数据库包括每一区域用户的所有历史负荷曲线、对应的气温、雷电、降雨量、以及节假日信息。
在步骤1中,具体包括以下内容:
1.1通过层次聚类法获得该区域用户的典型用电模式集合;
1.2对于该区域用户的某一个待预测日r0,生成该用户的用电模式状态转移向量M;
1.3计算该区域用户在待预测日转移概率最大的用电模式φ;
1.4对历史日中同属于1.3中转移概率最大用电模式φ的负荷曲线加权求和计算待预测日该区域用户的负荷。
在1.1中,对于某一区域用户,在历史数据库中统计该区域用户的所有历史负荷曲线、对应的气温、雷电、降雨量、以及节假日信息,以该区域用户的历史负荷曲线和气温、雷电、降雨量、及节假日信息作为层次聚类法的输入量,对该区域用户的所有历史日期进行聚类,将聚类得到的所有类别记为集合A={Φ1,Φ2,...,ΦN},称为该区域用户的典型用电模式集合;其中,Φ1……ΦN表示该区域用户的第1至第N种用电模式,每一个历史日期的用电行为都可以归属到其中一种用电模式。
在1.2中,对于该区域用户某一个待预测日r0,根据所得到的该区域用户历史期间所有用电模式,将该日的气温、雷电、降雨量、节假日信息作为输入量,通过层次聚类法,得到生成该用户的用电模式状态转移向量M;其中,用电模式状态转移向量中的第j个元素Mj的含义为:该区域用户在待预测日的用电行为属于用电模式Φj的概率。
在1.3中,依据该用户的用电模式状态转移向量M,根据下式决策出该区域用户在待预测日转移概率最大的用电模式φ,亦即该区域用户在待预测日的用电行为最可能属于的用电模式:
Mφ=max(M1,M2,…,MN);
其中,MΦ表示用电模式状态转移向量M中的第φ个元素,即该区域用户属于用电模式φ的概率。
从历史日中筛选出所有用电模式为φ的历史日{r1,r2,…,rn},其下标越小,表示离待预测日r0越近,r1最近,rn最远;
按照历史日负荷与待预测日r0的远近通过指数平滑的方法计算权重,距离待预测日越近的历史日权重越大;编号为rl的历史日期的权重wl如下:
其中,α表示编号为rl的历史日期距离待预测日的日期间隔。
在步骤2中,将地区电网中所有区域用户加总形成系统负荷;
在步骤2中,对于系统负荷,将历史负荷曲线、对应的气温、雷电、降雨量、以及节假日信息作为输入量,对照采用步骤1中所述的方法进行预测,最终得到系统负荷在待预测日的负荷预测结果z0。
其中,i为各地区的编号,是各区域用户负荷预测结果的协调值,配比权重ωi(i=0,1,…,n) 是各区域用户负荷预测结果的可信度,z0为系统负荷的预测量;zi(i=1,2,…,n)为区域用户负荷预测量。
所述各区域用户负荷预测结果的可信度即配比权重ωi(i=0,1,…,n)按照下式计算:
其中,i是各地区的编号,ωi(i=0,1,…,n)是编号为i的区域区域用户负荷预测结果的可信度,rl是编号为i的区域的历史日期的编号,Ki是编号为i的区域的历史日期的总数,是编号为i的区域在历史日期rl的负荷,是编号为i的区域负荷预测结果。
本发明相对于现有技术具有以下有益的技术效果:
(1)考虑了雷电气候下负荷预测的特殊性,将气温、雷电、降雨量等信息纳入到预测模型的考虑范围中;
(2)通过系统负荷预测结果与区域用户负荷预测结果之间的协调修正,消除了对于系统负荷预测结果和区域用户负荷预测结果总和之间的差异。
附图说明
下面结合附图和具体实施例对本发明作进一步的详细说明:
图1为本发明的雷电气候下电力负荷区域协调预测方法的流程示意图。
具体实施方式
下面结合说明书附图和具体实施例对本发明的技术方案做进一步详细介绍。
如附图1所示的雷电气候下电力负荷区域协调预测方法的流程示意图,本发明针对气象数据、雷电信息、负荷数据,公开了一种雷电气候下电力负荷区域协调预测方法。
具体方案如下:一种雷电气候下电力负荷区域协调预测方法,分为区域用户负荷预测、系统负荷预测、区域用户负荷预测结果和系统负荷预测协调三个步骤。
步骤一:基于模式挖掘的预测方案,对区域用户负荷进行预测。
首先,对区域用户历史日期中的用电行为进行统计,得到其用电模式的状态转移向量,依据该状态转移向量决策出待预测日区域用户的用电模式,再对历史日中同一模式的负荷曲线进行指数平滑处理,预测得到待预测日的负荷。
步骤一具体包括以下内容:
1、对于某一个特定的区域用户而言,收集该区域用户在样本集中的所有历史负荷曲线、对应的气温、雷电、降雨量、以及节假日信息。以该用户的历史负荷曲线和气温、雷电、降雨量、及节假日信息作为层次聚类法的输入量,对该区域用户的所有历史日期进行聚类,将聚类得到的所有类别记为集合A={Φ1,Φ2,...,ΦN},并将该集合称为该用户的典型用电模式集合。其中,每一个元素(例如Φ1)表示由层次聚类法聚类得到的一种用电模式,该用户历史日期中包含的用电模式一共有N种,且每一个历史日期的用电行为都可以归属到其中一种用电模式的聚类类别中。
2、对于该区域用户某一个特定的待预测日r0,根据上一步中层次聚类法得到的该区域用户历史期间所有用电模式,将该日的气温、雷电、降雨量、节假日信息作为输入量,通过层次聚类法,得到生成该用户的用电模式状态转移向量M。具体而言,该向量中的第j个元素Mj的含义为:该区域用户在待预测日的用电行为属于用电模式Φj的概率。依据该用户的用电模式状态转移向量M,根据下式可以决策出该区域用户在待预测日转移概率最大的用电模式φ,亦即该区域用户在待预测日的用电行为最可能属于的用电模式:
Mφ=max(M1,M2,…,MN)
3、在确定该区域用于在待预测日的用电行为最可能属于的用电模式为φ后,从历史日中筛选出所有用电模式为φ的历史日{r1,r2,…,rn},其下标越小,表示离待预测日r0越近,r1最近, rn最远。
4、按照历史日负荷与待预测日r0的远近按照指数平滑的方法计算权重,距离待预测日越近的历史日权重越大。编号为rl的历史日期的权重wl如下:
其中,α表示编号为rl的历史日期距离待预测日的日期间隔。
其中zrl为该区域用户在历史日rl的负荷曲线。
上述步骤是对于每一个具体的区域用户进行负荷预测,得到的该区域用户在待预测日的负荷预测结果对于所有的待预测区域用户,均采用上述预测方法进行预测,最终得到所有n个区域用户在待预测日的负荷预测结果zi(i=1,2,…,n)。
步骤二:步骤一的负荷预测方法针对区域用户层,由于单个区域用户负荷的波动性较大,在步骤二,对于所有区域用户进行汇总形成系统负荷,并对于系统负荷进行负荷预测。
将该地区所有区域用户加总形成系统负荷;
对于系统负荷,将历史负荷曲线、对应的气温、雷电、降雨量、以及节假日信息作为输入量,对照采用步骤一中所述的方法进行预测。最终得到系统负荷在待预测日的负荷预测结果z0。
步骤三:结合前两步骤的预测结果,在本步骤中,基于每个区域用户的历史负荷数据,得到每个区域用户在协调预测模型中的配比权重,并结合系统负荷的预测结果,对于系统负荷的预测结果和单个区域的用户负荷进行协调修正。系统负荷水平更高,负荷随机性更小,可预测性更强。根据“系统负荷—区域用户负荷”协调模型,对系统负荷预测结果和每个区域用户负荷预测结果进行协调,从而得到修正后的每个区域用户负荷和系统负荷的预测修正值。
在步骤三中,具体包括以下内容:
设系统负荷的预测量为z0,区域用户负荷预测量为zi(i=1,2,…,n),对于具有“直接加和”特性的物理量,理想情况下应有
即系统预测负荷和区域用户预测负荷的总和可以完全匹配。
但实际上由于预测误差的存在,上式一般情况下并不成立,即存在一个不平衡量:
同时,对于每一个区域用户负荷,其预测结果的相对调整量表示如下:
负荷预测协调的目标是计算各区域用户负荷实际值xi(i=0,1,2,…,n)的最优估计值。考虑到各区域用户负荷预测精度的不同,相对调整量加权平方和达到最小的估计值即为区域用户负荷预测的最优协调值,其数学模型为:
数学模型中的配比权重ωi(i=0,1,…,n)是各区域用户负荷预测结果的可信度。其可以采用各区域用户和待预测日相同的用电模式下的历史日期中的各负荷与待预测日的预测负荷之间的差异计算得出,具体表示如下:
其中,i是各地区的编号,ωi(i=0,1,…,n)是编号为i的区域区域用户负荷预测结果的可信度,rl是编号为i的区域的历史日期的编号,Ki是编号为i的区域的历史日期的总数,是编号为i的区域在历史日期rl的负荷,是编号为i的区域负荷预测结果。显然,若第i个区域用户的负荷预测的同一用电模式下历史用电行为更接近,则其在协调模型中的配比权重也越大。
对上式中各变量求偏导,得:
由式(7)得:
由式(8)得:
所以,
由式(11)和式(12)得:
解得:
将式(14)代入式(11)得到各个区域用户负荷预测结果的协调值:
将式(14)代入式(10)得到系统负荷预测结果的协调值,
本发明对于电力系统安全经济稳定运行的意义在于:(1)通过气温、降雨量、雷电条件等自然因素,合理实现雷电气候下不同区域负荷和系统负荷的协调预测,可以经济合理地安排机组发电计划和电力系统的运行方式;(2)合理安排机组和电网设备的检修计划,保证了电力生产的有序进行;(3)增强电力系统极端天气情况下运行方式的可预测性,提高电网应对风险和危机的能力。
科学高效的雷电气候下的电力系统负荷预测是在相应气候条件下合理安排机组发电计划和电力系统运行方式的基础,是电网安全、稳定、经济运行的重要保证。提升雷电气候下的电力系统负荷预测精度,进而实现合理有效的极端天气情况下的应对预案,对于生产生活、社会稳定具有重要的意义。
Claims (9)
1.一种雷电气候下电力负荷区域协调预测方法,其特征在于,所述协调预测方法包括以下步骤:
步骤1:对区域用户历史日期中的用电行为进行统计形成历史数据库,决策出待预测日区域用户的用电模式,根据待预测日的用电模式,预测得到待预测日该区域用户的负荷;
步骤2:对步骤1得到的每一个区域用户的负荷进行汇总形成系统负荷,并对于系统负荷进行负荷预测:将历史负荷曲线、对应的气温、雷电、降雨量、以及节假日信息作为输入量,对照采用步骤1中所述的方法进行预测,最终得到系统负荷在待预测日的负荷预测结果z0;
2.根据权利要求1所述的雷电气候下电力负荷区域协调预测方法,其特征在于:
在步骤1中,所述历史数据库包括每一区域用户的所有历史负荷曲线、对应的气温、雷电、降雨量、以及节假日信息。
3.根据权利要求1或2所述的雷电气候下电力负荷区域协调预测方法,其特征在于:
在步骤1中,具体包括以下内容:
1.1通过层次聚类法获得该区域用户的典型用电模式集合;
1.2对于该区域用户的某一个待预测日r0,生成该用户的用电模式状态转移向量M;
1.3计算该区域用户在待预测日转移概率最大的用电模式φ;
1.4对历史日中同属于1.3中转移概率最大用电模式φ的负荷曲线加权求和计算待预测日该区域用户的负荷。
4.根据权利要求3所述的雷电气候下电力负荷区域协调预测方法,其特征在于:
在1.1中,对于某一区域用户,在历史数据库中统计该区域用户的所有历史负荷曲线、对应的气温、雷电、降雨量、以及节假日信息,以该区域用户的历史负荷曲线和气温、雷电、降雨量、及节假日信息作为层次聚类法的输入量,对该区域用户的所有历史日期进行聚类,将聚类得到的所有类别记为集合A={Φ1,Φ2,...,ΦN},称为该区域用户的典型用电模式集合;其中,Φ1……ΦN表示该区域用户的第1至第N种用电模式,每一个历史日期的用电行为都可以归属到其中一种用电模式。
5.根据权利要求4所述的雷电气候下电力负荷区域协调预测方法,其特征在于:
在1.2中,对于该区域用户某一个待预测日r0,根据所得到的该区域用户历史期间所有用电模式,将该日的气温、雷电、降雨量、节假日信息作为输入量,通过层次聚类法,得到生成该用户的用电模式状态转移向量M;其中,用电模式状态转移向量中的第j个元素Mj的含义为:该区域用户在待预测日的用电行为属于用电模式Φj的概率。
6.根据权利要求5所述的雷电气候下电力负荷区域协调预测方法,其特征在于:
在1.3中,依据该用户的用电模式状态转移向量M,根据下式决策出该区域用户在待预测日转移概率最大的用电模式φ,亦即该区域用户在待预测日的用电行为最可能属于的用电模式:
Mφ=max(M1,M2,…,MN);
其中,MΦ表示用电模式状态转移向量M中的第φ个元素,即该区域用户属于用电模式φ的概率。
9.根据权利要求1所述的雷电气候下电力负荷区域协调预测方法,其特征在于:
在步骤2中,将地区电网中所有区域用户加总形成系统负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811574439.XA CN109858668B (zh) | 2018-12-21 | 2018-12-21 | 一种雷电气候下电力负荷区域协调预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811574439.XA CN109858668B (zh) | 2018-12-21 | 2018-12-21 | 一种雷电气候下电力负荷区域协调预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109858668A CN109858668A (zh) | 2019-06-07 |
CN109858668B true CN109858668B (zh) | 2021-06-08 |
Family
ID=66891988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811574439.XA Active CN109858668B (zh) | 2018-12-21 | 2018-12-21 | 一种雷电气候下电力负荷区域协调预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858668B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598154A (zh) * | 2020-11-23 | 2021-04-02 | 国网浙江海宁市供电有限公司 | 一种预测空间负荷转移的方法 |
CN112801428B (zh) * | 2021-04-08 | 2021-07-13 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于概率预警的落雷损失预防控制方法 |
CN113572179B (zh) * | 2021-09-23 | 2022-01-25 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于雷击概率的储能与负荷功率协调控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184402A (zh) * | 2015-08-31 | 2015-12-23 | 国家电网公司 | 一种基于决策树的个性化用户短期负荷预测算法 |
CN108009938A (zh) * | 2016-11-02 | 2018-05-08 | 中国电力科学研究院 | 一种基于形状的系统负荷聚类及负荷周期的模式识别方法 |
-
2018
- 2018-12-21 CN CN201811574439.XA patent/CN109858668B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184402A (zh) * | 2015-08-31 | 2015-12-23 | 国家电网公司 | 一种基于决策树的个性化用户短期负荷预测算法 |
CN108009938A (zh) * | 2016-11-02 | 2018-05-08 | 中国电力科学研究院 | 一种基于形状的系统负荷聚类及负荷周期的模式识别方法 |
Non-Patent Citations (1)
Title |
---|
电力系统多级负荷预测及其协调问题(二)基本协调模型;牟涛 等;《电力系统自动化》;20080425;第32卷(第8期);第14-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109858668A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mahmoud et al. | An advanced approach for optimal wind power generation prediction intervals by using self-adaptive evolutionary extreme learning machine | |
Dong et al. | Wind power day-ahead prediction with cluster analysis of NWP | |
Methaprayoon et al. | Multistage artificial neural network short-term load forecasting engine with front-end weather forecast | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN106651200A (zh) | 一种工业企业聚合用户电力负荷管理方法和系统 | |
CN109858668B (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
CN105373857A (zh) | 一种光伏电站辐照度预测方法 | |
CN103093288A (zh) | 基于气象信息的分区电网母线负荷预测系统 | |
CN109376950A (zh) | 一种基于bp神经网络的多元电网负荷预测方法 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
Alam et al. | A new subtractive clustering based ANFIS system for residential load forecasting | |
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 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
Shah et al. | A novel prediction error-based power forecasting scheme for real pv system using pvusa model: A grey box-based neural network approach | |
CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
CN115811135A (zh) | 一种基于电网调峰调频的充换电设备智能监测调控系统 | |
CN115935667A (zh) | 一种区域地表水资源预测模拟及其优化配置方法 | |
CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
Ceccon et al. | Intelligent electric power management system for economic maximization in a residential prosumer unit | |
CN107769268A (zh) | 一种含小水电的地调范围日前预测省供负荷方法 | |
CN114186733A (zh) | 一种短期负荷预测方法和装置 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 |
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 |