CN110135635A - 一种区域电力饱和负荷预测方法及系统 - Google Patents
一种区域电力饱和负荷预测方法及系统 Download PDFInfo
- Publication number
- CN110135635A CN110135635A CN201910365738.0A CN201910365738A CN110135635A CN 110135635 A CN110135635 A CN 110135635A CN 201910365738 A CN201910365738 A CN 201910365738A CN 110135635 A CN110135635 A CN 110135635A
- Authority
- CN
- China
- Prior art keywords
- loading effects
- load
- region
- factor
- saturation
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 238000011068 loading method Methods 0.000 claims abstract description 144
- 230000000694 effects Effects 0.000 claims abstract description 136
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000005611 electricity Effects 0.000 claims abstract description 30
- 238000010219 correlation analysis Methods 0.000 claims abstract description 20
- 238000007477 logistic regression Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 240000002853 Nelumbo nucifera Species 0.000 claims description 5
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 5
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 2
- 230000006870 function Effects 0.000 description 20
- 238000011161 development Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241001206881 Myrmeleon inconspicuus Species 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种区域电力饱和负荷预测方法及系统,该方法包括:对影响电力负荷的所有负荷影响因素和电力负荷之间进行相关性分析,确定可作为预测模型输入变量的负荷影响因素,根据历史数据,利用Logistic回归模型,对这些负荷影响因素进行Logistic曲线拟合,确定其预测值,根据该预测值,利用LSSVM模型进行区域饱和负荷预测,获取用电量预测值以及最大负荷预测值;根据用电量预测值和最大负荷预测值,确定当前区域的电力饱和时期以及饱和规模。该系统包括相关性分析模块、负荷影响因素预测值确定模块、饱和负荷预测模块以及预测结果获取模块。通过本申请,能够提高负荷预测的准确性,降低负荷预测的复杂度,有利于推广使用。
Description
技术领域
本申请涉及电力负荷预测与分析技术领域,特别是涉及一种区域电力饱和负荷预测方法及系统。
背景技术
在电力行业,一方面,当社会发展到一定阶段,受人口、经济、资源以及环境等条件的限制,区域电量和负荷增势会减缓,直至趋于饱和状态。另一方面,随着城市建设和改造力度的加大,电网建设的压力逐渐增加,从而导致电网规划的复杂性和迫切性之间的矛盾日益突出。因此,对区域电力饱和负荷进行预测和分析,确定电网的最佳规模,从而确保电力系统安全和经济地运行,对于促进电网建设和城市协调发展,具有重要意义。
目前对区域电力饱和负荷进行预测的方法,通常包括三类:第一种是以弹性系数法、人家用电量指标换算法以及负荷密度法为主的经典预测方法;第二种是以回归分析法、趋势外推法为主的传统预测方法;第三种是以灰色预测法、小波分析法以及神经网络法为主的新型预测方法。
然而,目前的三类预测方法,均为单一预测方法,即:均采用单一的预测方法来进行饱和负荷预测,导致电力负荷预测过程太复杂,且预测结果的准确性不够高。
发明内容
本申请提供了一种区域电力饱和负荷预测方法及系统,以解决现有技术中的电力饱和负荷预测方法单一,以及负荷预测的复杂性高且准确性较低的问题。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
一种区域电力饱和负荷预测方法,所述方法包括:
对影响电力负荷的所有负荷影响因素和电力负荷之间进行相关性分析,确定可作为预测模型输入变量的负荷影响因素;
根据所述可作为预测模型输入变量的负荷影响因素的历史数据,利用Logistic回归模型对所述可作为预测模型输入变量的负荷影响因素进行Logistic曲线拟合,确定所述可作为预测模型输入变量的负荷影响因素的预测值,其中,y表示负荷影响因素的预测值,k表示各负荷影响因素未来的饱和值,t表示时间,e为常数,k,a,b为常数,且k>0,a>0,b>0;
根据所述可作为预测模型输入变量的负荷影响因素的预测值,利用LSSVM模型进行区域饱和负荷预测,获取用电量预测值以及最大负荷预测值;
根据所述用电量预测值和最大负荷预测值,确定当前区域的电力饱和时期以及饱和规模。
可选地,所述对影响电力负荷的所有负荷影响因素进行相关性分析,确定可作为预测模型输入变量的负荷影响因素,包括:
获取与电力负荷相关的所有负荷影响因素,所述所有负荷影响因素包括:区域内的人均GDP、区域内的人均收入、区域内常驻人口数量、产业结构以及气象条件;
分别对所有负荷影响因素中的任一负荷影响因素和电力负荷之间进行相关性分析;
判断所述任一负荷影响因素与电力负荷之间的相关性是否大于等于设定的相关性阈值;
如果是,将所述任一负荷影响因素作为预测模型的输入变量;
如果否,将所述任一负荷影响因素剔除。
可选地,所述相关性阈值为皮尔森相关系数阈值,且所述相关性阈值为0.5。
可选地,根据所述可作为预测模型输入变量的负荷影响因素的预测值,利用LSSVM(Least Square Support Vector Machines,最小二乘支持向量机)模型进行区域饱和负荷预测,获取用电量预测值以及最大负荷预测值的方法,包括:
利用ALO(Ant Lion Optimizer,蚁狮优化算法)算法,对LSSVM模型中的参数C和σ2进行优化,获取优化后的LSSVM模型;
将所述可作为预测模型输入变量的负荷影响因素的预测值作为测试样本,输入所述优化后的LSSVM模型中,获取用电量预测值以及最大负荷预测值。
可选地,所述LSSVM模型的核函数为RBF(Radial Basis Function,径向基)核函数。
一种区域电力饱和负荷预测系统,所述系统包括:
相关性分析模块,用于对影响电力负荷的所有负荷影响因素和电力负荷之间进行相关性分析,确定可作为预测模型输入变量的负荷影响因素;
负荷影响因素预测值确定模块,用于根据所述可作为预测模型输入变量的负荷影响因素的历史数据,利用Logistic回归模型对所述可作为预测模型输入变量的负荷影响因素进行Logistic曲线拟合,确定所述可作为预测模型输入变量的负荷影响因素的预测值,其中,y表示负荷影响因素的预测值,k表示各负荷影响因素未来的饱和值,t表示时间,e为常数,k,a,b为常数,且k>0,a>0,b>0;
饱和负荷预测模块,用于根据所述可作为预测模型输入变量的负荷影响因素的预测值,利用LSSVM模型进行区域饱和负荷预测,获取用电量预测值以及最大负荷预测值;
预测结果获取模块,用于根据所述用电量预测值和最大负荷预测值,确定当前区域的电力饱和时期以及饱和规模。
可选地,所述相关性分析模块,包括:
负荷影响因素获取单元,用于获取与电力负荷相关的所有负荷影响因素,所述所有负荷影响因素包括:区域内的人均GDP、区域内的人均收入、区域内常驻人口数量、产业结构以及气象条件;
分析单元,用于分别对所有负荷影响因素中的任一负荷影响因素和电力负荷之间进行相关性分析;
判断单元,用于判断所述任一负荷影响因素与电力负荷之间的相关性是否大于等于设定的相关性阈值;
处理单元,用于当所述任一负荷影响因素与电力负荷之间的相关性大于等于设定的相关性阈值时,将所述任一负荷影响因素作为预测模型的输入变量,否则,将所述任一负荷影响因素剔除。
可选地,所述饱和负荷预测模块,包括:
参数优化单元,用于利用ALO算法,对LSSVM模型中的参数C和σ2进行优化,获取优化后的LSSVM模型;
用电量和最大负荷预测单元,用于将所述可作为预测模型输入变量的负荷影响因素的预测值作为测试样本,输入所述优化后的LSSVM模型中,获取用电量预测值以及最大负荷预测值。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请提供一种区域电力饱和负荷预测方法,该方法首先对影响电力负荷的影响因素与电力负荷之间进行相关性分析,确定可作为预测模型输入变量的负荷影响因素;然后根据这些负荷影响因素的历史数据,利用Logistic回归模型,对这些负荷影响因素进行Logistic曲线拟合,确定这些负荷影响因素的预测值;根据这些负荷影响因素的预测值,利用LSSVM模型进行区域饱和负荷预测,获取用电量预测值以及最大负荷预测值,根据这些预测结果来判断当前区域最终的饱和时期以及饱和规模,从而实现区域电力饱和负荷预测。本实施例通过相关性分析,能够在电力负荷影响因素的筛选中剔除掉影响程度较小的因素,仅保留影响程度较大的因素,并对这些影响因素较大的因素利用Logistic回归获取其未来的发展趋势,有利于提高负荷预测的准确性。而且本实施例将传统的Logistic预测方法与智能算法LSSVM模型相结合,LSSVM模型简化、求解快速且稳定性好,能够避免传统的Logistic曲线模型直接预测导致饱和负荷收敛性较差,以及预测精度不够高的问题,有利于提高预测结果的准确性。另外,本实施例中利用ALO算法对LSSVM模型中的参数C和σ2进行优化,从而使LSSVM模型的参数达到最优值,有利于进一步提高负荷预测的精度和准确性。
本申请还提供一种区域电力饱和负荷预测系统,该系统主要包括:相关性分析模块、负荷影响因素预测值确定模块、饱和负荷预测模块以及预测结果获取模块四部分。通过相关性分析模块,能够确定可作为预测模型输入变量的负荷影响因素,从而在电力负荷影响因素的筛选中剔除掉影响程度较小的因素,仅保留影响程度较大的因素;通过负荷影响因素预测值确定模块,能够对相关性分析模块所获取的负荷影响因素进行Logistic曲线拟合,从而确定这些负荷影响因素的预测值,获取其未来的发展趋势,有利于提高负荷预测的准确性。然后通过饱和负荷预测模块,利用LSSVM模型进行区域饱和负荷预测,获取用电量预测值以及最大负荷预测值,由于LSSVM模型简化、求解快速、稳定性好且精度高,有利于提高预测结果的准确性。最后通过预测结果获取模块,能够确定当前区域的电力饱和时期以及饱和规模。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种区域电力饱和负荷预测方法的流程示意图;
图2为本实施例中的Logistic曲线示意图;
图3为本申请实施例所提供的一种区域电力饱和负荷预测系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
为了更好地理解本申请,下面结合附图来详细解释本申请的实施方式。
实施例一
参见图1,图1为本申请实施例所提供的一种区域电力饱和负荷预测方法的流程示意图。由图1可知,本实施例中区域电力饱和负荷预测方法,主要包括如下过程:
S1:对影响电力负荷的所有负荷影响因素和电力负荷之间进行相关性分析,确定可作为预测模型输入变量的负荷影响因素。
具体地,步骤S1又包括如下过程:
S11:获取与电力负荷相关的所有负荷影响因素。
本实施中所有负荷影响因素包括:区域内的人均GDP、区域内的人均收入、区域内常驻人口数量、产业结构以及气象条件等。
S12:分别对所有负荷影响因素中的任一负荷影响因素和电力负荷之间进行相关性分析。
由于一个区域的电力负荷受经济、社会以及人口等多种条件的制约,在进行饱和负荷预测时,为保证所选取的负荷影响因素可以更好地反映该负荷影响因素与电力负荷之间的关联性,首先需要分别对任一负荷影响因素和电力负荷之间进行相关性分析,然后根据相关性分析结果进行保留或剔除。本实施例中相关性分析,可以采用SPSS软件进行,即:将任一负荷影响因素和电力负荷输入SPSS软件中,通过查看软件运行结果确定其相关性。
S13:判断任一负荷影响因素与电力负荷之间的相关性是否大于等于设定的相关性阈值。
本实施例中相关性阈值为皮尔森相关系数的阈值,可以用λ表示。所述皮尔森相关系数是指两个变量之间的协方差和标准差的商,通常用r表示,当|r|≥λ时,表示变量相关,否则表示变量不相关。本实施例中相关性阈值λ的值,可以利用Delphi(德尔菲法)法获取,通常取值为0.5。
如果任一负荷影响因素与电力负荷之间的相关性大于等于设定的相关性阈值,则认为两者之间相关性较强,执行步骤S14:将任一负荷影响因素作为预测模型的输入变量。
本实施例中与电力负荷之间的相关性较强,可作为预测模型输入变量的负荷影响因素包括:区域内的人均GDP、区域内的人均收入以及区域内常驻人口数量。
如果任一负荷影响因素与电力负荷之间的相关性小于设定的相关性阈值,则认为两者之间相关性较弱,则执行步骤S15:将任一负荷影响因素剔除。
通过对每一个负荷影响因素与电力负荷之间进行相关性分析,从而保留相关性较强的因素,可作为预测模型输入变量的负荷影响因素,并剔除相关性较弱的因素,能够提前有效因素,且避免无效影响因素的干扰,有利于提高负荷预测的准确性。
继续参见图1可知,确定可作为预测模型输入变量的负荷影响因素之后,执行步骤S2:根据可作为预测模型输入变量的负荷影响因素的历史数据,利用Logistic回归模型对可作为预测模型输入变量的负荷影响因素进行Logistic曲线拟合,确定可作为预测模型输入变量的负荷影响因素的预测值。
本实施将人均GDP、人均收入以及区域内常驻人口数量等与电力负荷相关性较强的因素,分别进行Logistic曲线回归,从而得到各负荷影响因素的预测值,获取各影响因素未来的变化趋势。
本实施中Logistic回归模型为:式中,y表示各负荷影响因素的预测值,k,a,b为常数,且k>0,a>0,b>0,k表示各个负荷影响因素未来的饱和值,其单位与待预测因素的单位相同,例如:预测未来人均GDP是以元为单位。a和b两个参数没有量纲,其值的大小决定了Logistic曲线的形状,t表示时间,e为常数。本实施例中Logistic曲线如图2所示,图2中为一Logistic S型曲线,由该S型Logistic曲线可知,饱和值k决定曲线的高度,k越大曲线的纵坐标越大;曲线最低点为k/(1+a),当k值确定时,由a的大小决定曲线下界;曲线以拐点为中心对称,故拐点纵坐标为k/2,横坐标由a、b确定,当a、k值确定,b值较大时,曲线的中间部分越陡,增长速度快,反之,增长缓慢;当b,k值确定,a值越大,曲线增长缓慢,反之,增长迅速。
本实施例中利用Logistic回归模型进行曲线负荷预测时,需要输入可作为预测模型输入变量的负荷影响因素的历史年份及其历史数据,该Logistic回归模型中y、t及e均已知,还需要输入Logistic曲线的饱和值k,从而计算得出a和b的值,进而求解出Logistic曲线方程,最后得到未来各年人均GDP、人均收入等因素的预测值。
获取到可作为预测模型输入变量的负荷影响因素的预测值之后,执行步骤S3:根据可作为预测模型输入变量的负荷影响因素的预测值,利用LSSVM模型进行区域饱和负荷预测,获取用电量预测值以及最大负荷预测值。
本实施例中采用LSSVM模型进行饱和负荷预测,LSSVM模型是支持向量机的一种改进算法,LSSVM模型考虑到在模型权重基础上建立的正则化约束结构风险最小,通过求解线性方程取代了二次规划求解优化问题,具有简化模型简化,、求解快速,、稳定性好且不失精准精确度高的等优点,有利于提高负荷预测的准确性并降低操作复杂性。
LSSVM模型具体理论框架为:
针对训练样本集其中为输入向量,本实施例中为人均GDP、人均收入等饱和负荷影响因素;yi∈R为样本对应的输出值,即电力负荷值,用非线性函数将训练样本映射到高维空间,可构造如下决策函数作为学习机
其中,ω为权向量,b为偏置值。
由于训练样本与输出值之间是非线性关系,学习的过程中会存在一定的错误学习的情况,为表征学习的正确率,以及提高预测的精度,本实施例构造如下的结构风险函数:
其中,||ω||2为控制模型的复杂度,C为正规化参数,Remp为经验风险,且Remp在LSSVM建模过程中可表示为则上述优化问题可表示为:
其中ξ为误差松弛变量,i=1,2,K,l。
由于上述(3)和(4)属于求解最优化问题,可采用建立Lagrange方程的方法实现。运用Lagrange乘子变换与对偶变换将以上问题进行变换,得到如下Lagrange函数
其中αi(i=1,2,L,l)为Lagrange乘子,再由KKT条件
可以得到
为求解公式(7)所表示的正规方程组,可以通过构造核函数的形式对公式(7)进行矩阵形式变换,所构造的函数要满足Mercer定理。
因此,公式(7)可由如下矩阵形式给出
式中,Iv=[1,1,K,1]T包含l个元素;Ωij=K(xi,yi),i,j=1,2,K,l。
为求解公式(9),需要给出核函数的具体形式。常用的核函数有线性核函数、多项式核函数、RBF核函数以及感知器核函数。由于RBF核函数在实际应用中具有预设参数少、线性不可分时、分类效果较好以及适应性较好等优点,本实施例应用RBF核函数作为LSSVM模型的核函数,从而能够提高负荷预测的稳定性和准确性,本实施例中RBF核函数的表达式为
其中x和z为自变量,σ2为常数。该函数将训练样本映射到高维空间,使低维空间中线性不可分的情况变为高维空间中的线性可分。通过核函数求解矩阵方程(10),得到最终的决策函数为
式中:y即为未来电力负荷预测值,xi为电力负荷的各个影响因素。
具体地,本实施例中步骤S3包括如下过程:
S31:利用ALO算法,对LSSVM模型中的参数C和σ2进行优化,获取优化后的LSSVM模型。
ALO算法为一种智能算法,主要包括参数设置、初始化蚁狮和蚂蚁的位置、初代精英选择、优化迭代以及选择最优蚁狮等步骤。本实施例中ALO算法采用现有技术中的方法,在此不再赘述。本实施例利用ALO算法对LSSVM模型中的参数C和σ2进行优化,能够获取到参数C和σ2的最优值,从而获取到优化后的LSSVM模型,有利于提高模型预测的精度,从而提高负荷预测的准确性。
S32:将可作为预测模型输入变量的负荷影响因素的预测值作为测试样本,输入优化后的LSSVM模型中,获取用电量预测值以及最大负荷预测值。
S4:根据用电量预测值和最大负荷预测值,确定当前区域的电力饱和时期以及饱和规模。
综上所述,本实施例通过相关性分析,在电力负荷影响因素中进行筛选,剔除掉对电力负荷影响较小的因素,仅保留对电力负荷影响较大的负荷影响因素,并对影响较大的负荷影响因素进行Logistic回归,得到其未来的发展趋势,然后结合LSSVM模型预测未来的电力负荷发展状况,这种负荷预测方法,能够大大提高负荷预测的准确性,避免单一负荷预测方法的复杂性和准确性较低的问题。
实施例二
在图1和图2所示实施例的基础之上参见图3,图3为本申请实施例所提供的一种区域电力饱和负荷预测系统的结构示意图。由图3可知,本实施例中的区域电力饱和负荷预测系统,主要包括:相关性分析模块、负荷影响因素预测值确定模块、饱和负荷预测模块以及预测结果获取模块四部分。
其中,相关性分析模块,用于对影响电力负荷的所有负荷影响因素和电力负荷之间进行相关性分析,确定可作为预测模型输入变量的负荷影响因素。负荷影响因素预测值确定模块,用于根据可作为预测模型输入变量的负荷影响因素的历史数据,利用Logistic回归模型对可作为预测模型输入变量的负荷影响因素进行Logistic曲线拟合,确定可作为预测模型输入变量的负荷影响因素的预测值,其中,y表示负荷影响因素的预测值,k表示各负荷影响因素未来的饱和值,t表示时间,e为常数,k,a,b为常数,且k>0,a>0,b>0。饱和负荷预测模块,用于根据可作为预测模型输入变量的负荷影响因素的预测值,利用LSSVM模型进行区域饱和负荷预测,获取用电量预测值以及最大负荷预测值。预测结果获取模块,用于根据用电量预测值和最大负荷预测值,确定当前区域的电力饱和时期以及饱和规模。
进一步地,本实施例中相关性分析模块又包括:负荷影响因素获取单元、分析单元、判断单元和处理单元。其中,负荷影响因素获取单元,用于获取与电力负荷相关的所有负荷影响因素,所有负荷影响因素包括:区域内的人均GDP、区域内的人均收入、区域内常驻人口数量、产业结构以及气象条件。分析单元用于分别对所有负荷影响因素中的任一负荷影响因素和电力负荷之间进行相关性分析;判断单元用于判断任一负荷影响因素与电力负荷之间的相关性是否大于等于设定的相关性阈值;处理单元用于当任一负荷影响因素与电力负荷之间的相关性大于等于设定的相关性阈值时,将任一负荷影响因素作为预测模型的输入变量,否则,将任一负荷影响因素剔除。
本实施例中饱和负荷预测模块包括参数优化单元和用电量和最大负荷预测单元。其中,参数优化单元用于利用ALO算法,对LSSVM模型中的参数C和σ2进行优化,获取优化后的LSSVM模型;用电量和最大负荷预测单元用于将可作为预测模型输入变量的负荷影响因素的预测值作为测试样本,输入优化后的LSSVM模型中,获取用电量预测值以及最大负荷预测值。
该实施例中区域电力饱和负荷预测系统的工作原理和工作方法,在图1和图2所示的实施例中已经详细阐述,在此不再赘述。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种区域电力饱和负荷预测方法,其特征在于,所述方法包括:
对影响电力负荷的所有负荷影响因素和电力负荷之间进行相关性分析,确定可作为预测模型输入变量的负荷影响因素;
根据所述可作为预测模型输入变量的负荷影响因素的历史数据,利用Logistic回归模型对所述可作为预测模型输入变量的负荷影响因素进行Logistic曲线拟合,确定所述可作为预测模型输入变量的负荷影响因素的预测值,其中,y表示负荷影响因素的预测值,k表示各负荷影响因素未来的饱和值,t表示时间,e为常数,k,a,b为常数,且k>0,a>0,b>0;
根据所述可作为预测模型输入变量的负荷影响因素的预测值,利用LSSVM模型进行区域饱和负荷预测,获取用电量预测值以及最大负荷预测值;
根据所述用电量预测值和最大负荷预测值,确定当前区域的电力饱和时期以及饱和规模。
2.根据权利要求1所述的一种区域电力饱和负荷预测方法,其特征在于,所述对影响电力负荷的所有负荷影响因素进行相关性分析,确定可作为预测模型输入变量的负荷影响因素,包括:
获取与电力负荷相关的所有负荷影响因素,所述所有负荷影响因素包括:区域内的人均GDP、区域内的人均收入、区域内常驻人口数量、产业结构以及气象条件;
分别对所有负荷影响因素中的任一负荷影响因素和电力负荷之间进行相关性分析;
判断所述任一负荷影响因素与电力负荷之间的相关性是否大于等于设定的相关性阈值;
如果是,将所述任一负荷影响因素作为预测模型的输入变量;
如果否,将所述任一负荷影响因素剔除。
3.根据权利要求1所述的一种区域电力饱和负荷预测方法,其特征在于,所述相关性阈值为皮尔森相关系数阈值,且所述相关性阈值为0.5。
4.根据权利要求1所述的一种区域电力饱和负荷预测方法,其特征在于,根据所述可作为预测模型输入变量的负荷影响因素的预测值,利用LSSVM模型进行区域饱和负荷预测,获取用电量预测值以及最大负荷预测值的方法,包括:
利用ALO算法,对LSSVM模型中的参数C和σ2进行优化,获取优化后的LSSVM模型;
将所述可作为预测模型输入变量的负荷影响因素的预测值作为测试样本,输入所述优化后的LSSVM模型中,获取用电量预测值以及最大负荷预测值。
5.根据权利要求1-4中任一所述的一种区域电力饱和负荷预测方法,其特征在于,所述LSSVM模型的核函数为RBF核函数。
6.一种区域电力饱和负荷预测系统,其特征在于,所述系统包括:
相关性分析模块,用于对影响电力负荷的所有负荷影响因素和电力负荷之间进行相关性分析,确定可作为预测模型输入变量的负荷影响因素;
负荷影响因素预测值确定模块,用于根据所述可作为预测模型输入变量的负荷影响因素的历史数据,利用Logistic回归模型对所述可作为预测模型输入变量的负荷影响因素进行Logistic曲线拟合,确定所述可作为预测模型输入变量的负荷影响因素的预测值,其中,y表示负荷影响因素的预测值,k表示各负荷影响因素未来的饱和值,t表示时间,e为常数,k,a,b为常数,且k>0,a>0,b>0;
饱和负荷预测模块,用于根据所述可作为预测模型输入变量的负荷影响因素的预测值,利用LSSVM模型进行区域饱和负荷预测,获取用电量预测值以及最大负荷预测值;
预测结果获取模块,用于根据所述用电量预测值和最大负荷预测值,确定当前区域的电力饱和时期以及饱和规模。
7.根据权利要求6所述的一种区域电力饱和负荷预测系统,其特征在于,所述相关性分析模块,包括:
负荷影响因素获取单元,用于获取与电力负荷相关的所有负荷影响因素,所述所有负荷影响因素包括:区域内的人均GDP、区域内的人均收入、区域内常驻人口数量、产业结构以及气象条件;
分析单元,用于分别对所有负荷影响因素中的任一负荷影响因素和电力负荷之间进行相关性分析;
判断单元,用于判断所述任一负荷影响因素与电力负荷之间的相关性是否大于等于设定的相关性阈值;
处理单元,用于当所述任一负荷影响因素与电力负荷之间的相关性大于等于设定的相关性阈值时,将所述任一负荷影响因素作为预测模型的输入变量,否则,将所述任一负荷影响因素剔除。
8.根据权利要求6所述的一种区域电力饱和负荷预测系统,其特征在于,所述饱和负荷预测模块,包括:
参数优化单元,用于利用ALO算法,对LSSVM模型中的参数C和σ2进行优化,获取优化后的LSSVM模型;
用电量和最大负荷预测单元,用于将所述可作为预测模型输入变量的负荷影响因素的预测值作为测试样本,输入所述优化后的LSSVM模型中,获取用电量预测值以及最大负荷预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910365738.0A CN110135635B (zh) | 2019-04-29 | 2019-04-29 | 一种区域电力饱和负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910365738.0A CN110135635B (zh) | 2019-04-29 | 2019-04-29 | 一种区域电力饱和负荷预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135635A true CN110135635A (zh) | 2019-08-16 |
CN110135635B CN110135635B (zh) | 2023-02-03 |
Family
ID=67576127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910365738.0A Active CN110135635B (zh) | 2019-04-29 | 2019-04-29 | 一种区域电力饱和负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135635B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717692A (zh) * | 2019-10-23 | 2020-01-21 | 上海浦源科技有限公司 | 一种社会工业发展不均衡的饱和电力计算方法 |
CN111144611A (zh) * | 2019-11-22 | 2020-05-12 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于聚类和非线性自回归的空间负荷预测方法 |
CN111143774A (zh) * | 2019-12-25 | 2020-05-12 | 国网宁夏电力有限公司经济技术研究院 | 一种基于影响因素多状态模型的电力负荷预测方法和装置 |
CN111259340A (zh) * | 2020-01-16 | 2020-06-09 | 天津大学 | 一种基于logistic回归的饱和负荷预测方法 |
CN112257958A (zh) * | 2020-11-12 | 2021-01-22 | 国网河北省电力有限公司经济技术研究院 | 一种电力饱和负荷预测方法及装置 |
CN112561206A (zh) * | 2020-12-25 | 2021-03-26 | 浙江华云电力工程设计咨询有限公司 | 一种电网负荷预测方法、装置和电力系统 |
CN112614006A (zh) * | 2020-11-30 | 2021-04-06 | 国网北京市电力公司 | 负荷预测方法、装置、计算机可读存储介质以及处理器 |
CN112686470A (zh) * | 2021-01-18 | 2021-04-20 | 国网河北省电力有限公司经济技术研究院 | 电网饱和负荷预测方法、装置及终端设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563539A (zh) * | 2017-07-24 | 2018-01-09 | 佛山市顺德区中山大学研究院 | 基于机器学习模型的短期和中长期电力负荷预测方法 |
CN109325880A (zh) * | 2018-09-21 | 2019-02-12 | 国网天津市电力公司 | 一种基于Verhulst-SVM的中长期负荷预测方法 |
-
2019
- 2019-04-29 CN CN201910365738.0A patent/CN110135635B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563539A (zh) * | 2017-07-24 | 2018-01-09 | 佛山市顺德区中山大学研究院 | 基于机器学习模型的短期和中长期电力负荷预测方法 |
CN109325880A (zh) * | 2018-09-21 | 2019-02-12 | 国网天津市电力公司 | 一种基于Verhulst-SVM的中长期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
张贲等: "基于实时气象因素和LSSVM的短期负荷预测研究", 《电气时代》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717692A (zh) * | 2019-10-23 | 2020-01-21 | 上海浦源科技有限公司 | 一种社会工业发展不均衡的饱和电力计算方法 |
CN111144611A (zh) * | 2019-11-22 | 2020-05-12 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于聚类和非线性自回归的空间负荷预测方法 |
CN111143774A (zh) * | 2019-12-25 | 2020-05-12 | 国网宁夏电力有限公司经济技术研究院 | 一种基于影响因素多状态模型的电力负荷预测方法和装置 |
CN111143774B (zh) * | 2019-12-25 | 2023-11-17 | 国网宁夏电力有限公司经济技术研究院 | 一种基于影响因素多状态模型的电力负荷预测方法和装置 |
CN111259340A (zh) * | 2020-01-16 | 2020-06-09 | 天津大学 | 一种基于logistic回归的饱和负荷预测方法 |
CN111259340B (zh) * | 2020-01-16 | 2023-04-28 | 天津大学 | 一种基于logistic回归的饱和负荷预测方法 |
CN112257958A (zh) * | 2020-11-12 | 2021-01-22 | 国网河北省电力有限公司经济技术研究院 | 一种电力饱和负荷预测方法及装置 |
CN112614006A (zh) * | 2020-11-30 | 2021-04-06 | 国网北京市电力公司 | 负荷预测方法、装置、计算机可读存储介质以及处理器 |
CN112561206A (zh) * | 2020-12-25 | 2021-03-26 | 浙江华云电力工程设计咨询有限公司 | 一种电网负荷预测方法、装置和电力系统 |
CN112686470A (zh) * | 2021-01-18 | 2021-04-20 | 国网河北省电力有限公司经济技术研究院 | 电网饱和负荷预测方法、装置及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110135635B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135635A (zh) | 一种区域电力饱和负荷预测方法及系统 | |
CN110909912B (zh) | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 | |
CN109685277A (zh) | 用电量预测方法及装置 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN108734355A (zh) | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 | |
CN110334875A (zh) | 计及评估指标冲突的风电功率组合概率预测方法 | |
van der Herten et al. | A fuzzy hybrid sequential design strategy for global surrogate modeling of high-dimensional computer experiments | |
CN108898259A (zh) | 基于多因素综合的自适应进化规划电力负荷预测方法及系统 | |
CN112308298B (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN111008870A (zh) | 一种基于pca-bp神经网络模型的区域物流需求预测方法 | |
CN105139079A (zh) | 一种基于混合模型的税收收入预测方法及装置 | |
CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
CN116307211A (zh) | 一种风电消纳能力预测及优化方法及系统 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
Kıran et al. | Tree-seed programming for modelling of Turkey electricity energy demand | |
CN111222669A (zh) | 一种架空线路造价预测方法及装置 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN106600038A (zh) | 一种基于马尔科夫模型的负荷区间预测方法 | |
Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
CN115759395A (zh) | 光伏检测模型的训练、光伏发电的检测方法及相关装置 | |
CN114330818A (zh) | 一种基于主要驱动因子筛选和深度学习的动态需水预测方法 |
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 |