CN109871997A - 一种适应复杂环境的降温负荷组合测算系统 - Google Patents
一种适应复杂环境的降温负荷组合测算系统 Download PDFInfo
- Publication number
- CN109871997A CN109871997A CN201910114498.7A CN201910114498A CN109871997A CN 109871997 A CN109871997 A CN 109871997A CN 201910114498 A CN201910114498 A CN 201910114498A CN 109871997 A CN109871997 A CN 109871997A
- Authority
- CN
- China
- Prior art keywords
- temperature
- load
- lowering
- curve
- calculating
- 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.)
- Withdrawn
Links
Abstract
本发明公开了一种适应复杂环境的降温负荷组合测算系统,包括以下步骤:运用基于SVR‑Winters的变尺度基本负荷测算模型完成对降温负荷的一次降温负荷测算;运用基于EMD‑Kmeans的分解再聚合模型进行对非气象性随机因素的剔除,完成降温负荷的二次降温负荷测算;所述一次降温负荷测算即根据基本负荷在月度时间尺度上的变化与相关影响因素运用支持向量回归模型做回归。本发明所述的一种适应复杂环境的降温负荷组合测算系统,该适应复杂环境的降温负荷组合测算系统通过对降温负荷的一、二次降温负荷测算解决了基本负荷月间差异大以及日内波动较大等问题,具有较高测算精度及良好适应性,能够有效提高负荷预测精度以及电网运行优化速度,带来更好的使用前景。
Description
技术领域
本发明涉及搜索管理方法领域,特别涉及一种适应复杂环境的降温负荷组合测算系统。
背景技术
随着负荷预测相关技术的发展,目前对于各时间尺度的负荷预测已形成了较为完备和成熟的方法体系,但其中对于降温负荷的研究较少,且模型精度较低,近年来随着居民生活水平的提高,空调等降温设备使用量增多,降温负荷迅速增长,在负荷结构中占比逐年增大,已经成为夏季最大负荷屡创新高的重要原因。受极端天气影响,降温负荷波动性增加,对电网运行造成了一定的负面影响,其测算及预测工作已成为电网规划运行的重要环节之一,随着降温负荷在负荷结构中占比逐年增大,测算降温负荷对中短期负荷预测工作意义重大。受经济新常态、去产能等政策影响,基本负荷在月间出现较大差异,传统降温负荷测算方法对该类情况有局限性。
现有的适应复杂环境的降温负荷组合测算系统在使用时存在一定的弊端,现有的适应复杂环境的降温负荷组合测算系统因基本负荷月间差异以及日内波动较大,导致测算的结果不精确,为此,我们提出一种适应复杂环境的降温负荷组合测算系统。
发明内容
本发明的主要目的在于提供一种适应复杂环境的降温负荷组合测算系统,可以有效解决背景技术中的问题。
为实现上述目的,本发明采取的技术方案为:
一种适应复杂环境的降温负荷组合测算系统,包括以下步骤:
(1)、运用基于SVR-Winters的变尺度基本负荷测算模型完成对降温负荷的一次降温负荷测算;
(2)、运用基于EMD-Kmeans的分解再聚合模型进行对非气象性随机因素的剔除,完成降温负荷的二次降温负荷测算。
优选的,所述一次降温负荷测算即根据基本负荷在月度时间尺度上的变化与相关影响因素运用支持向量回归模型做回归,在此基础上获得不含温度变化的降温季基本负荷变化趋势,将这种趋势引入到Holt-Winters模型中,依据非降温季负荷变化以及基本负荷包括工作日非工作日差异在内的时序分布特征,完成对降温季基本负荷的测算,在此基础上,根据降温季总负荷曲线完成对降温负荷的一次降温负荷测算。
优选的,所述相关影响因素包括但不局限于主要工业产品价格、主要行业开工率、平均气温、最高气温和最低气温。
优选的,所述步骤(1)中一次降温负荷测算的具体步骤为:
①、求取月平均负荷曲线,运用支持向量回归模型及相关月度经济数据及温度数据建立预测模型,并用月平均负荷曲线、月经济数据、温度数据进行模型训练,而后去掉降温季的月平均温度变化量即假设降温季的月度温度数据与非降温季相同,预测此时的降温季月平均负荷曲线;
②、利用时序分析法中的Winters模型,以去除温度变化的降温季月平均负荷曲线及非降温季的负荷信息为基础进行预测,在预测时以一周为一个周期,通过对历史数据的拟合,将本地区工作日及非工作日基本负荷差异计入模型,再分别外推预测预测日一天24点的基本负荷水平;
③、比较降温季日基本负荷曲线和实际负荷曲线获得一次降温负荷测算后的日降温负荷曲线。
优选的,所述步骤①中,相关月度经济数据包括但不局限于主要用电产业开工率、产业产品产量和各产业月产值,温度数据包括但不局限于月最高温度、月最低温度和月平均温度。
优选的,所述二次降温负荷测算即运用EMD分解模型将一次降温负荷测算获得的降温负荷曲线分解成一系列本征模函数,同时将本地区降温季对应月份的典型温度曲线,或是对应日的温度曲线分解成一系列本征模函数,将降温负荷曲线与温度曲线分解出来的本征模函数用K均值算法进行聚合,对降温负荷曲线中与温度变化明显无关的分量进行剔除,最后获得二次降温负荷测算后的降温负荷曲线。
优选的,所述步骤(1)中二次降温负荷测算的具体步骤为:
Ⅰ、将降温季各月相关温度曲线通过乘以适当系数达到与该月一次降温负荷测算后的降温负荷曲线处于同一数量级;
Ⅱ、利用经验模态分解模型对线性变换后的降温季日温度曲线进行分解,获得其本征模函数,对同月各日一次降温负荷测算后的降温负荷曲线进行经验模态分解,获得本征模函数;
Ⅲ、对月内相关温度曲线的本征模函数及各日一次降温负荷曲线的本征模函数及其线性组合进行K-means聚类,剔除与温度信息明显无关的随机扰动;
Ⅳ、将降温季各日温度曲线剔除随机扰动之后剩下的本征模函数重新聚合成各日降温负荷曲线,完成二次降温负荷测算。
优选的,所述步骤Ⅰ中,相关温度曲线包括但不局限于平均温度曲线和受极端天气影响的日温度曲线。
与现有技术相比,本发明具有如下有益效果:
该适应复杂环境的降温负荷组合测算系统通过对降温负荷的一、二次降温负荷测算解决了基本负荷月间差异大以及日内波动较大等问题,具有较高测算精度及良好适应性,能够有效提高负荷预测精度以及电网运行优化速度。
附图说明
图1为本发明一种适应复杂环境的降温负荷组合测算系统的整体结构流程图;
图2为本发明一种适应复杂环境的降温负荷组合测算系统中一次降温负荷测算的整体结构流程图;
图3为本发明一种适应复杂环境的降温负荷组合测算系统中二次降温负荷测算的整体结构流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
实施例
(1)、运用基于SVR-Winters的变尺度基本负荷测算模型完成对降温负荷的一次降温负荷测算;
(2)、运用基于EMD-Kmeans的分解再聚合模型进行对非气象性随机因素的剔除,完成降温负荷的二次降温负荷测算。
一次降温负荷测算即根据基本负荷在月度时间尺度上的变化与相关影响因素运用支持向量回归模型做回归,在此基础上获得不含温度变化的降温季基本负荷变化趋势,将这种趋势引入到Holt-Winters模型中,依据非降温季负荷变化以及基本负荷包括工作日非工作日差异在内的时序分布特征,完成对降温季基本负荷的测算,在此基础上,根据降温季总负荷曲线完成对降温负荷的一次降温负荷测算。
相关影响因素包括但不局限于主要工业产品价格、主要行业开工率、平均气温、最高气温和最低气温。
步骤(1)中一次降温负荷测算的具体步骤为:
①、求取月平均负荷曲线,运用支持向量回归模型及相关月度经济数据及温度数据建立预测模型,并用月平均负荷曲线、月经济数据、温度数据进行模型训练,而后去掉降温季的月平均温度变化量即假设降温季的月度温度数据与非降温季相同,预测此时的降温季月平均负荷曲线,相关月度经济数据包括但不局限于主要用电产业开工率、产业产品产量和各产业月产值,温度数据包括但不局限于月最高温度、月最低温度和月平均温度;
支持向量回归模型是基于VC维理论和结构风险最小原理,根据有限的样本信息在模型的对特定训练样本的学习精度和无错误地识别任意样本的能力之间寻求最佳折中,以求获得最好的推广能力,SVR(支持向量回归模型的一种)基于通过构造损失函数,基于结构风险最小化思想获得回归函数。
②、利用时序分析法中的Winters模型,以去除温度变化的降温季月平均负荷曲线及非降温季的负荷信息为基础进行预测,在预测时以一周为一个周期,通过对历史数据的拟合,将本地区工作日及非工作日基本负荷差异计入模型,再分别外推预测预测日一天24点的基本负荷水平;
Winters模型即Holt-Winters模型,该模型是一种典型的时间序列分析方法,通过将时间序列进行分解,获得其趋势分量、循环分量、季节性变化量和随机性变化量,然后分别对时间序列的趋势分量、季节性波动等做出估计,建立预测模型,外推预测时间序列,该模型包含无季节模型、加法模型、乘法模型三种。
③、比较降温季日基本负荷曲线和实际负荷曲线获得一次降温负荷测算后的日降温负荷曲线。
二次降温负荷测算即运用EMD分解模型(即经验模态分解)将一次降温负荷测算获得的降温负荷曲线分解成一系列本征模函数,同时将本地区降温季对应月份的典型温度曲线,或是对应日的温度曲线分解成一系列本征模函数,将降温负荷曲线与温度曲线分解出来的本征模函数用K均值算法进行聚合,对降温负荷曲线中与温度变化明显无关的分量进行剔除,最后获得二次降温负荷测算后的降温负荷曲线。
步骤(1)中二次降温负荷测算的具体步骤为:
Ⅰ、将降温季各月相关温度曲线通过乘以适当系数达到与该月一次降温负荷测算后的降温负荷曲线处于同一数量级,相关温度曲线包括但不局限于平均温度曲线和受极端天气影响的日温度曲线;
Ⅱ、利用经验模态分解模型对线性变换后的降温季日温度曲线进行分解,获得其本征模函数,对同月各日一次降温负荷测算后的降温负荷曲线进行经验模态分解,获得本征模函数;
经验模态分解是一种自适应信号时频处理方法。
Ⅲ、对月内相关温度曲线的本征模函数及各日一次降温负荷曲线的本征模函数及其线性组合进行K-means聚类,剔除与温度信息明显无关的随机扰动;
K-means算法是一种用于聚类的机器学习算法,该方法以欧式距离作为相似度测度,采用误差平方和准则函数作为聚类准则函数。
Ⅳ、将降温季各日温度曲线剔除随机扰动之后剩下的本征模函数重新聚合成各日降温负荷曲线,完成二次降温负荷测算。
需要说明的是,一种适应复杂环境的降温负荷组合测算系统,支持向量回归模型、Winters模型、经验模态分解和K-means聚类均为现有算法。
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 (8)
1.一种适应复杂环境的降温负荷组合测算系统,包括以下步骤:
(1)、运用基于SVR-Winters的变尺度基本负荷测算模型完成对降温负荷的一次降温负荷测算;
(2)、运用基于EMD-Kmeans的分解再聚合模型进行对非气象性随机因素的剔除,完成降温负荷的二次降温负荷测算。
2.根据权利要求1所述的一种适应复杂环境的降温负荷组合测算系统,其特征在于:所述一次降温负荷测算即根据基本负荷在月度时间尺度上的变化与相关影响因素运用支持向量回归模型做回归,在此基础上获得不含温度变化的降温季基本负荷变化趋势,将这种趋势引入到Holt-Winters模型中,依据非降温季负荷变化以及基本负荷包括工作日非工作日差异在内的时序分布特征,完成对降温季基本负荷的测算,在此基础上,根据降温季总负荷曲线完成对降温负荷的一次降温负荷测算。
3.根据权利要求2所述的一种适应复杂环境的降温负荷组合测算系统,其特征在于:所述相关影响因素包括但不局限于主要工业产品价格、主要行业开工率、平均气温、最高气温和最低气温。
4.根据权利要求1所述的一种适应复杂环境的降温负荷组合测算系统,其特征在于:所述步骤(1)中一次降温负荷测算的具体步骤为:
①、求取月平均负荷曲线,运用支持向量回归模型及相关月度经济数据及温度数据建立预测模型,并用月平均负荷曲线、月经济数据、温度数据进行模型训练,而后去掉降温季的月平均温度变化量即假设降温季的月度温度数据与非降温季相同,预测此时的降温季月平均负荷曲线;
②、利用时序分析法中的Winters模型,以去除温度变化的降温季月平均负荷曲线及非降温季的负荷信息为基础进行预测,在预测时以一周为一个周期,通过对历史数据的拟合,将本地区工作日及非工作日基本负荷差异计入模型,再分别外推预测预测日一天24点的基本负荷水平;
③、比较降温季日基本负荷曲线和实际负荷曲线获得一次降温负荷测算后的日降温负荷曲线。
5.根据权利要求4所述的一种适应复杂环境的降温负荷组合测算系统,其特征在于:所述步骤①中,相关月度经济数据包括但不局限于主要用电产业开工率、产业产品产量和各产业月产值,温度数据包括但不局限于月最高温度、月最低温度和月平均温度。
6.根据权利要求1所述的一种适应复杂环境的降温负荷组合测算系统,其特征在于,所述二次降温负荷测算即运用EMD分解模型将一次降温负荷测算获得的降温负荷曲线分解成一系列本征模函数,同时将本地区降温季对应月份的典型温度曲线,或是对应日的温度曲线分解成一系列本征模函数,将降温负荷曲线与温度曲线分解出来的本征模函数用K均值算法进行聚合,对降温负荷曲线中与温度变化明显无关的分量进行剔除,最后获得二次降温负荷测算后的降温负荷曲线。
7.根据权利要求1所述的一种适应复杂环境的降温负荷组合测算系统,其特征在于,所述步骤(1)中二次降温负荷测算的具体步骤为:
Ⅰ、将降温季各月相关温度曲线通过乘以适当系数达到与该月一次降温负荷测算后的降温负荷曲线处于同一数量级;
Ⅱ、利用经验模态分解模型对线性变换后的降温季日温度曲线进行分解,获得其本征模函数,对同月各日一次降温负荷测算后的降温负荷曲线进行经验模态分解,获得本征模函数;
Ⅲ、对月内相关温度曲线的本征模函数及各日一次降温负荷曲线的本征模函数及其线性组合进行K-means聚类,剔除与温度信息明显无关的随机扰动;
Ⅳ、将降温季各日温度曲线剔除随机扰动之后剩下的本征模函数重新聚合成各日降温负荷曲线,完成二次降温负荷测算。
8.根据权利要求7所述的一种适应复杂环境的降温负荷组合测算系统,其特征在于,所述步骤Ⅰ中,相关温度曲线包括但不局限于平均温度曲线和受极端天气影响的日温度曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910114498.7A CN109871997A (zh) | 2019-02-14 | 2019-02-14 | 一种适应复杂环境的降温负荷组合测算系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910114498.7A CN109871997A (zh) | 2019-02-14 | 2019-02-14 | 一种适应复杂环境的降温负荷组合测算系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109871997A true CN109871997A (zh) | 2019-06-11 |
Family
ID=66918748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910114498.7A Withdrawn CN109871997A (zh) | 2019-02-14 | 2019-02-14 | 一种适应复杂环境的降温负荷组合测算系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871997A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283180A (zh) * | 2021-06-28 | 2021-08-20 | 中国石油大学(华东) | 基于K-means与SVR组合的致密油藏水平井压裂产能预测方法与应用 |
CN113420728A (zh) * | 2021-08-23 | 2021-09-21 | 国网江苏省电力有限公司营销服务中心 | 融合多时间尺度信息的非侵入式空调负荷辨识方法及系统 |
CN110826795B (zh) * | 2019-10-31 | 2023-06-09 | 国网辽宁省电力有限公司经济技术研究院 | 极端温度气象日母线日前负荷预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976841A (zh) * | 2010-10-21 | 2011-02-16 | 河北省电力研究院 | 电力系统各级负荷预测指标的均衡匹配方法 |
CN103106329A (zh) * | 2012-11-19 | 2013-05-15 | 华北电力大学 | 一种用于svr短期负荷预测的训练样本分组构造方法 |
CN103646354A (zh) * | 2013-11-28 | 2014-03-19 | 国家电网公司 | 基于有效指标fcm和rbf神经网络的变电站负荷特性分类方法 |
CN105069525A (zh) * | 2015-07-30 | 2015-11-18 | 广西大学 | 全天候96点日负荷曲线预测及优化修正系统 |
CN105761163A (zh) * | 2016-02-22 | 2016-07-13 | 国家电网公司 | 一种基于相关性分析和气象因子聚类的调温负荷定量方法 |
CN108053082A (zh) * | 2018-01-05 | 2018-05-18 | 国网湖南省电力有限公司 | 基于温度区间分解的电网中长期负荷预测方法 |
CN109034504A (zh) * | 2018-09-14 | 2018-12-18 | 云南电网有限责任公司 | 一种短期负荷预测模型建立方法及装置 |
-
2019
- 2019-02-14 CN CN201910114498.7A patent/CN109871997A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976841A (zh) * | 2010-10-21 | 2011-02-16 | 河北省电力研究院 | 电力系统各级负荷预测指标的均衡匹配方法 |
CN103106329A (zh) * | 2012-11-19 | 2013-05-15 | 华北电力大学 | 一种用于svr短期负荷预测的训练样本分组构造方法 |
CN103646354A (zh) * | 2013-11-28 | 2014-03-19 | 国家电网公司 | 基于有效指标fcm和rbf神经网络的变电站负荷特性分类方法 |
CN105069525A (zh) * | 2015-07-30 | 2015-11-18 | 广西大学 | 全天候96点日负荷曲线预测及优化修正系统 |
CN105761163A (zh) * | 2016-02-22 | 2016-07-13 | 国家电网公司 | 一种基于相关性分析和气象因子聚类的调温负荷定量方法 |
CN108053082A (zh) * | 2018-01-05 | 2018-05-18 | 国网湖南省电力有限公司 | 基于温度区间分解的电网中长期负荷预测方法 |
CN109034504A (zh) * | 2018-09-14 | 2018-12-18 | 云南电网有限责任公司 | 一种短期负荷预测模型建立方法及装置 |
Non-Patent Citations (1)
Title |
---|
王雁凌等: "基于支持向量回归和K均值聚类的降温负荷组合测算模型", 《现代电力》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826795B (zh) * | 2019-10-31 | 2023-06-09 | 国网辽宁省电力有限公司经济技术研究院 | 极端温度气象日母线日前负荷预测方法 |
CN113283180A (zh) * | 2021-06-28 | 2021-08-20 | 中国石油大学(华东) | 基于K-means与SVR组合的致密油藏水平井压裂产能预测方法与应用 |
CN113420728A (zh) * | 2021-08-23 | 2021-09-21 | 国网江苏省电力有限公司营销服务中心 | 融合多时间尺度信息的非侵入式空调负荷辨识方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117810A (zh) | 一种阶梯电价机制下居民用电中期负载预测方法 | |
CN110738435A (zh) | 一种配电网项目投资决策评价方法 | |
CN106408008A (zh) | 一种基于负荷曲线距离和形状的负荷分类方法 | |
CN102999791A (zh) | 一种电力行业中基于客户分群的电力负荷预测方法 | |
CN105404935A (zh) | 一种考虑业扩增量的电力系统月度负荷预测方法 | |
Jiang et al. | Parallel processing of probabilistic models-based power supply unit mid-term load forecasting with apache spark | |
CN103093288A (zh) | 基于气象信息的分区电网母线负荷预测系统 | |
CN107437135B (zh) | 一种新型储能选型方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN107909221A (zh) | 基于组合神经网络的电力系统短期负荷预测方法 | |
CN112103988A (zh) | 一种结合网络重构的集群划分双层模型的建立方法 | |
Akpinar et al. | Forecasting natural gas consumption with hybrid neural networks—Artificial bee colony | |
Ye et al. | Short-term power load forecasting based on SVM | |
Lin et al. | A hybrid economic indices based short-term load forecasting system | |
CN109871997A (zh) | 一种适应复杂环境的降温负荷组合测算系统 | |
Yang et al. | Forecast of freight volume in Xi’an based on gray GM (1, 1) model and Markov forecasting model | |
Li et al. | Development of time-of-use price by clustering techniques | |
Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
Velasco et al. | Day-ahead base, intermediate, and peak load forecasting using k-means and artificial neural networks | |
CN108108874A (zh) | 一种基于正负靶心的灰靶模型的配电网综合评价方法 | |
CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
Haq et al. | Classification of electricity load profile data and the prediction of load demand variability | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
Grigoras et al. | Customer classification and load profiling using data from Smart Meters | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190611 |