CN109861222B - 一种省级电网负荷分区预测方法及系统 - Google Patents
一种省级电网负荷分区预测方法及系统 Download PDFInfo
- Publication number
- CN109861222B CN109861222B CN201910254960.3A CN201910254960A CN109861222B CN 109861222 B CN109861222 B CN 109861222B CN 201910254960 A CN201910254960 A CN 201910254960A CN 109861222 B CN109861222 B CN 109861222B
- Authority
- CN
- China
- Prior art keywords
- power grid
- meteorological
- partition
- grid load
- similar
- 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
- 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
本发明涉及电气工程技术领域,公开了一种省级电网负荷分区预测方法及系统,以解决现有技术中存在的省级电网负荷预测的不精准不可靠的问题;本发明的方法包括:采集待预测省份中各地市的影响电网负荷的历史气象信息,根据所述历史气象信息将待预测省份中各地市进行分区得到至少两个相似气象分区;将各相似气象分区的所述历史气象信息输入神经网络进行训练,建立各相似气象分区的负荷预测模型;分别预测各相似气象分区的实时气象信息,将该实时气象信息输入各相似气象分区对应的负荷预测模型,得到各相似气象分区的电网负荷预测结果;将各相似气象分区的电网负荷预测结果进行叠加得到待预测省份的电网负荷预测结果。
Description
技术领域
本发明涉及电气工程技术领域,尤其涉及一种省级电网负荷分区预测方法及系统。
背景技术
负荷预测是影响电网调度与电量平衡的关键,准确的负荷预测对于优化电力机组安排,减少机组备用容量以及电力市场的交易具有重要意义。目前省级负荷预测多采用全省区域的气象数据,由于大多数省级辖区覆盖地形复杂,如某省东西南三遍环山,北部为湖区和平原,且南部与南岭相接,西部与云贵高原相接,北部与江汉平原相接,导致天气系统特征差异大,该省内的南北地区温度最大差异可达15℃以上,气象条件分布不均的特征十分明显。然而气象条件是影响负荷变化最重要的因素之一。若仅采用全省性气象数据进行负荷预测,由于难以考虑省内南北、东西等各地区的气温、降水、风速、湿度等差异导致的不同的负荷特性,易出现负荷预测偏差较大的情况,特别是在天气过程变化时,气象差条件异更加明显,气温突变时负荷更加难以准确预测,或者预测结果存在较大的偏差,为科学调度增加了难度,甚至影响到电网的安全稳定运行。
发明内容
本发明目的在于提供一种省级电网负荷分区预测方法及系统,以解决现有技术中存在的省级电网负荷预测的不精准不可靠的问题。
为实现上述目的,本发明提供了一种省级电网负荷分区预测方法,包括以下步骤:
S1:采集待预测省份中各地市的影响电网负荷的历史气象信息,根据所述历史气象信息将待预测省份中各地市进行分区得到至少两个相似气象分区;
S2:将各相似气象分区的所述历史气象信息输入神经网络进行训练,建立各相似气象分区的负荷预测模型;
S3:分别预测各相似气象分区的实时气象信息,将该实时气象信息输入各相似气象分区对应的负荷预测模型,得到各相似气象分区的电网负荷预测结果;
S4:将各相似气象分区的电网负荷预测结果进行叠加得到待预测省份的电网负荷预测结果。
优选地,所述历史气象信息包括历史气温,所述S1中根据所述历史气象信息将待预测省份中各地市进行分区得到至少两个气象分区具体包括以下步骤:
根据各地市的历史气温绘制各地市的气温频率分布图,判断各气温频率分布图是否满足同分布,若满足,则采用设定的异质性检测判断标准将各地市级划分为若干个相似气象分区。
优选地,所述同分布为各气温频率分布图的线性离差系数和线性偏态系数一致。
优选地,所述设定的异质性检测判断标准为:若某两个地市的所述气温频率分布图的异质性小于或者等于1,则将该两个气温频率分布图视为相似气象分区。
优选地,所述历史气象信息还包括各地市的湿度、风速、降水、以及各地市对应的电网历史负荷数据序列其中的一种或者任意几种的组合。
优选地,所述S2中,所述神经网络为径向基函数神经网络。
作为一个总的技术构思,本发明还提供一种省级电网负荷分区预测系统,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法的步骤。
本发明具有以下有益效果:
本发明提供一种省级电网负荷分区预测方法及系统,将待预测身份中的各地市级划分为若干个相似气象分区,并采用神经网络建立各相似气象分区的负荷预测模型用以对各地市级的电网负荷进行预测,并累加得到全省的电网负荷预测结果,充分考虑了各地市的差异,能准确地预测出全身的电网负荷,保证了电网的安全稳定运行。
下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例的省级电网负荷分区预测方法流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
参见图1,本实施例提供一种省级电网负荷分区预测方法,包括以下步骤:
S1:采集待预测省份中各地市的影响电网负荷的历史气象信息,根据历史气象信息将待预测省份中各地市进行分区得到至少两个相似气象分区;
S2:将各相似气象分区的历史气象信息输入神经网络进行训练,建立各相似气象分区的负荷预测模型;
S3:分别预测各相似气象分区的实时气象信息,将该实时气象信息输入各相似气象分区对应的负荷预测模型,得到各相似气象分区对应的电网负荷预测结果;
S4:将各相似气象分区的电网负荷预测结果进行叠加得到待预测省份的电网负荷预测结果。
上述的省级电网负荷分区预测方法,充分考虑了各地市的差异,能准确地预测出全身的电网负荷,保证了电网的安全稳定运行。
本实施例中,历史气象信息包括历史气温,上述S1中根据历史气象信息将待预测省份中各地市进行分区得到至少两个气象分区,具体包括以下步骤:
根据各地市的历史气温绘制各地市的气温频率分布图,判断各气温频率分布图是否满足同分布,若满足,则采用设定的异质性检测(本实施例中为Hoshing异质性检测H)判断标准将各地市级划分为若干个相似气象分区。需要说明的是,气温是影响负荷最关键的因素,经过实际计算与实践验证,两者相关系数达到90%。故本实施例中优选将气温作为分区条件,此外,负荷还受其他因素的影响,例如降水和湿度。本实施例中的同分布为各气温频率分布图的线性离差系数和线性偏态系数一致。作为可变换的实施方式,同分布还可以为各个地市的其他类型的统计参数(降水或者温度)一致。本实施例中,设定的异质性检测判断标准为:若某两个气温频率分布图的异质性H小于或者等于1,则将该两个气温频率分布图视为相似气象分区。
其中,异质性检测H的计算公式为:
式中,N为地市个数,μV,σV分别为根据蒙特卡洛模拟计算的V值的均值和方差,ni为第i个市的历史降雨系列长度,t(i)为历史降雨序列的线性矩的离差系数,H1为异质性检验的非一致性度量指标。
优选地,历史气象信息还包括各地市的湿度、风速、降水、以及各地市对应的电网历史负荷数据序列等其中的一种或者任意几种的组合。充分考虑各地市中能影响电网负荷的所有历史气象信息,可以更全面的对影响电网负荷的气象信息进行分析,得到更准确的电网负荷预测结果。
本实施例中,采用径向基函数神经网络训练得到各相似气象分区的负荷预测模型,但本发明并不仅限于此,还可以采用例如长短时记忆神经网络等其他能达到相同训练目的的神经网络。采用神经网络可以快速且准确的预测出各地市的电网负荷,然后对各地市的电网负荷预测结果进行叠加即可得到全省的电网负荷预测结果。可操作性强,提高了电网负荷预测的准确性,对于充分消纳特高压直流输电和风光新能源发电具有重要意义,准确的负荷预测可在保证电网安全的前提下,减少冗余的旋转备用,降低公司运营成本,还可为电力市场的投资和规划提供科学的决策依据,也是未来电力市场预测期货交易的基础。
实施例2
与上述方法实施例相对应的,本实施例提供一种省级电网负荷分区预测系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述方法的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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。
Claims (6)
1.一种省级电网负荷分区预测方法,其特征在于,包括以下步骤:
S1:采集待预测省份中各地市的影响电网负荷的历史气象信息,根据所述历史气象信息将待预测省份中各地市进行分区得到至少两个相似气象分区;
S2:将各相似气象分区的所述历史气象信息输入神经网络进行训练,建立各相似气象分区的负荷预测模型;
S3:分别预测各相似气象分区的实时气象信息,将该实时气象信息输入各相似气象分区对应的负荷预测模型,得到各相似气象分区对应的电网负荷预测结果;
S4:将各相似气象分区的电网负荷预测结果进行叠加得到待预测省份的电网负荷预测结果;
所述历史气象信息包括历史气温,所述S1中根据所述历史气象信息将待预测省份中各地市进行分区得到至少两个气象分区具体包括以下步骤:
根据各地市的历史气温绘制各地市的气温频率分布图,判断各气温频率分布图是否满足同分布,若满足,则采用设定的异质性检测判断标准将各地市级划分为若干个相似气象分区。
2.根据权利要求1所述的省级电网负荷分区预测方法,其特征在于,所述同分布为各气温频率分布图的线性离差系数和线性偏态系数一致。
3.根据权利要求2所述的省级电网负荷分区预测方法,其特征在于,所述设定的异质性检测判断标准为:若某两个地市的所述气温频率分布图的异质性小于或者等于1,则将该两个气温频率分布图视为相似气象分区。
4.根据权利要求1所述的省级电网负荷分区预测方法,其特征在于,所述历史气象信息还包括各地市的湿度、风速、降水、以及各地市对应的电网历史负荷数据序列其中的一种或者任意几种的组合。
5.根据权利要求1所述的省级电网负荷分区预测方法,其特征在于,所述S2中,所述神经网络为径向基函数神经网络。
6.一种省级电网负荷分区预测系统,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910254960.3A CN109861222B (zh) | 2019-03-29 | 2019-03-29 | 一种省级电网负荷分区预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910254960.3A CN109861222B (zh) | 2019-03-29 | 2019-03-29 | 一种省级电网负荷分区预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109861222A CN109861222A (zh) | 2019-06-07 |
CN109861222B true CN109861222B (zh) | 2022-12-06 |
Family
ID=66902669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910254960.3A Active CN109861222B (zh) | 2019-03-29 | 2019-03-29 | 一种省级电网负荷分区预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109861222B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102841140A (zh) * | 2012-08-17 | 2012-12-26 | 天津大学 | 一种基于随机共振的泄流结构损伤监测方法 |
WO2015013249A2 (en) * | 2013-07-22 | 2015-01-29 | Saint Louis University | Apparatus and method for providing environmental predictive indicators to emergency response managers |
CN106408119A (zh) * | 2016-09-09 | 2017-02-15 | 国网安徽省电力公司电力科学研究院 | 基于类气象分区综合评价的大电网负荷预测方法 |
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 |
CN107578169A (zh) * | 2017-09-04 | 2018-01-12 | 广东电网有限责任公司惠州供电局 | 一种台风灾害条件下的电网关键线路识别方法及装置 |
CN108171382A (zh) * | 2017-12-29 | 2018-06-15 | 江苏大学 | 一种基于fisher信息处理的单气象因素短期负荷预测方法 |
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN109142679A (zh) * | 2018-08-13 | 2019-01-04 | 中国科学院东北地理与农业生态研究所 | 基于人工神经网络克里金插值的森林土壤养分的空间预测方法 |
-
2019
- 2019-03-29 CN CN201910254960.3A patent/CN109861222B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102841140A (zh) * | 2012-08-17 | 2012-12-26 | 天津大学 | 一种基于随机共振的泄流结构损伤监测方法 |
WO2015013249A2 (en) * | 2013-07-22 | 2015-01-29 | Saint Louis University | Apparatus and method for providing environmental predictive indicators to emergency response managers |
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 |
CN106408119A (zh) * | 2016-09-09 | 2017-02-15 | 国网安徽省电力公司电力科学研究院 | 基于类气象分区综合评价的大电网负荷预测方法 |
CN107578169A (zh) * | 2017-09-04 | 2018-01-12 | 广东电网有限责任公司惠州供电局 | 一种台风灾害条件下的电网关键线路识别方法及装置 |
CN108171382A (zh) * | 2017-12-29 | 2018-06-15 | 江苏大学 | 一种基于fisher信息处理的单气象因素短期负荷预测方法 |
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN109142679A (zh) * | 2018-08-13 | 2019-01-04 | 中国科学院东北地理与农业生态研究所 | 基于人工神经网络克里金插值的森林土壤养分的空间预测方法 |
Non-Patent Citations (3)
Title |
---|
基于动态时间弯曲和云模型的电能计量动态误差估计;朱承治等;《电网技术》;20151105(第11期);3208-3215 * |
基于皮尔逊相关系数的电网夏季空调负荷预测研究;唐伟斌等;《电力需求侧管理》;20171120(第06期);11-17 * |
纵向岭谷区地表径流对气候变化的敏感性分析:以长江上游龙川江流域为例;朱云梅等;《科学通报》;20060730;73-80 * |
Also Published As
Publication number | Publication date |
---|---|
CN109861222A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qi et al. | Joint planning of energy storage and transmission for wind energy generation | |
US11689154B2 (en) | Systems and methods for distributed-solar power forecasting using parameter regularization | |
CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN110782153A (zh) | 一种企业园区综合能效评估体系建模方法及系统 | |
CN109919514B (zh) | 一种基于线损标杆阈值的台区线损异常检测方法及装置 | |
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 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN104915897A (zh) | 一种电网规划评价业务的计算机实现方法 | |
CN113743673A (zh) | 一种台风期间的电力负荷预测方法 | |
CN114862229A (zh) | 电能质量评估方法、装置、计算机设备和存储介质 | |
CN110535131B (zh) | 基于场景分析和安全约束经济调度的分层消纳预警方法 | |
Molinar et al. | Ampacity forecasting: an approach using Quantile Regression Forests | |
CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
CN112232886B (zh) | 一种电价概率预测方法、系统、计算机设备和存储介质 | |
Hu et al. | Adaptive corrected parameters algorithm applied in cooling load prediction based on black-box model: A case study for subway station | |
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 | |
CN113657610A (zh) | 一种基于随机森林的冰雹气候特征预测方法 | |
CN112257329A (zh) | 一种判定台风对线路影响的方法 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN109861222B (zh) | 一种省级电网负荷分区预测方法及系统 | |
CN112884601A (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
CN113837485B (zh) | 光储微网系统源荷特性预测方法、系统、装置及存储介质 | |
Chang et al. | The use of the peak-clipping method for energy management in households with energy storage equipment |
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 |