CN110210679A - 一种应用于县级配电网规划的负荷预测系统 - Google Patents
一种应用于县级配电网规划的负荷预测系统 Download PDFInfo
- Publication number
- CN110210679A CN110210679A CN201910497322.4A CN201910497322A CN110210679A CN 110210679 A CN110210679 A CN 110210679A CN 201910497322 A CN201910497322 A CN 201910497322A CN 110210679 A CN110210679 A CN 110210679A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- prediction
- module
- load prediction
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 25
- 238000013439 planning Methods 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000013480 data collection Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 238000005065 mining Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 35
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 8
- 238000013475 authorization Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000013213 extrapolation Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000005684 electric field Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000000465 moulding Methods 0.000 claims 1
- 230000005611 electricity Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 21
- 230000006872 improvement Effects 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 240000002853 Nelumbo nucifera Species 0.000 description 6
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 6
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000013277 forecasting method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用于县级配电网规划的负荷预测系统，包括服务端和客户端两部分，服务端包括数据服务器、实时数据采集模块、预测数据收集模块和数据分析挖掘模块；客户端包括实时负荷监视模块、预测负荷填报模块、预测准确率考核模块、权限控制模块和参数控制模块。本发明系统依据区域电量符合，采用典型负荷预测模型进行负荷预测，并具有人工干预接口，使用曲线和表格两种方式对预测结果进行浏览、修改。预测出的数据经与实际负荷数据进行比较计算出预测准确率，进而可以在后续的预测中调整负荷预测相关因子，以期达到更准确的预测效果。对预测数据和历史数据运用数据挖掘的思想进行各种分析和统计，能够为调度人员提供灵活的各种报告。
Description
技术领域
本发明涉及电网规划技术领域，具体涉及一种应用于县级配电网 规划的负荷预测系统。
背景技术
近年来社会及电力企业自身对供电的可靠性、安全性、电能质量、 供电能力等的要求越来越高，这与县级配电网长期不受重视造成电网 薄弱及改造资金不足形成的矛盾，减小这个矛盾的较有效方法之一是 做好县级配网规划，避免重复建设及因规划与设计原因造成的浪费。
负荷预测是根据系统的运行特性、增容决策、自然条件与社会影 响等诸多因数，在满足一定精度要求的条件下，确定未来某特定时刻 的负荷数据，其中负荷是指电力需求量(功率)或用电量。负荷预测 是电力系统经济调度中的一项重要内容，是能量管理系统(EMS)的一 个重要模块。由于负荷预测是根据电力负荷的过去和现在推测它的未 来数值，所以，负荷预测工作所研究的对象是不肯定事件。只有不肯 定事件、随机事件，才需要人们采用适当的预测技术，推知负荷的发 展趋势和可能达到的状况。负荷预测的方法主要分为经典预测方法和 现代预测方法。电力负荷预测是电力部门的重要工作之一，准确的负 荷预测，可以经济合理地安排电网内部发电机组的启停，保持电网运 行的安全稳定性，减少不必要的旋转储备容量，合理安排机组检修计 划，保障社会的正常生产和生活，有效地降低发电成本，提高经济效 益和社会效益。
县级配电网用电负荷预测的精确度是配电网能够科学并合理规 划的重要因素，现有的负荷预测方法计算过程复杂，人工计算容易产 生偏差，而且随着城镇化的进行，现有的负荷预测方法已经不能适应 县城的快速发展，用户数量和负荷的日益增加，配电网不断延伸和扩 展，配电变压器越换越大，导线截面显得愈来愈小。
如果负荷不能进行精确预测，常常发生电源点偏离负荷中心的问 题，严重地影响了公用配电网的经济运行和供电质量。对负荷逐年增 长的预测方法落后，不能及时根据负荷的变化调整电网规划，满足经 济发展用电需要。
发明内容
针对现有技术的不足，本发明提供一种应用于县级配电网规划的 负荷预测系统，通过对电能数据进行统计挖掘的基础上进行综合分 析，提高负荷预测的快速获取和实时分析，为配电网规划建设及调整 提供决策依据。
为了实现上述目的，本发明采取的技术方案如下：
一种应用于县级配电网规划的负荷预测系统，包括服务端和客户 端两部分，所述服务端包括数据服务器、实时数据采集模块、预测数 据收集模块和数据分析挖掘模块；所述实时数据采集模块、预测数据 收集模块和数据分析挖掘模块分别与数据服务器通信连接；
所述客户端包括实时负荷监视模块、预测负荷填报模块、预测准 确率考核模块、权限控制模块和参数控制模块；
所述实时负荷监视模块的数据输出端连接所述实时数据采集模 块的数据输入端，所述预测数据收集模块的数据输出端连接所述预测 数据收集模块的数据输入端，所述预测准确率考核模块、权限控制模 块和参数控制模块的数据输出端分别连接所述数据分析挖掘模块的 数据输入端。
作为本发明的进一步改进，所述实时负荷监视模块从SCADA系统 中采集实时数据，进行计算后通过曲线的形式显示各县、乡镇、大用 户及小电场的实际负荷，并从界面上直接看出各自的越限情况，即实 时负荷高于计划负荷；上述曲线展示到客户端的监视界面。
作为本发明的进一步改进，所述预测负荷填报模块采用典型负荷 预测方法模型对各县或乡镇供电支公司网供用电负荷预测曲线按96 点进行编制，在负荷预测时，首先根据三条历史参考曲线，按每条曲 线的权重自动计算出负荷预测曲线，然后在此基础上结合该区域用电 负荷特性对预测曲线进行调整，给出最终的预测数据，负荷预测数据 通过网络从客户端发送到数据服务器进行保存。
作为本发明的进一步改进，在每日24点后，所述预测准确率考 核模块根据各县或乡镇的预测值与实际值进行比较，依据预测准确率 考核公式计算出准确率；
预测准确率考核公式如下：
式中：PA——考核点预测负荷；
PB——考核点实际负荷；
D——考核点用电负荷预测偏差率；
式中：E——平均日用电负荷预测准确率；
F——考核点负荷预测偏差率；
G——日负荷曲线考核点数据；
式中：E——月(年)平均日用电负荷预测准确率；
H——日负荷预测偏差率；
I——月(年)日历天数；
通过负荷预测准确率计算，为参与负荷预测的单位提供按日查看 准确率及排名情况的功能，并支持将任一历史时间段的准确率进行统 计计算，给出排名情况。
作为本发明的进一步改进，所述权限控制模块的权限控制采用市 公司、县公司和调度专责人员三级授权控制方式，保证数据的可靠性 和安全性，确保查看和修改权限分离。
作为本发明的进一步改进，所述参数控制模块控制典型负荷预测 方法模型的负荷预测相关因子，以符合预测区域特性。
作为本发明的进一步改进，所述数据实时采集模块作为系统对外 的接口模块负责接收SCADA服务器发来的数据文件，并分析筛选出有 用的数据信息，提取并生成格式数据，保存到数据表中。
作为本发明的进一步改进，所述数据分析挖掘模块进行计算工 作，为了不影响服务器运行，保证白天对用户操作的及时响应，计算 工作在每天凌晨进行；
所述计算工作包括符合预测数据的汇总、负荷预测数据的分析、 每个符合预测点的偏差率计算、日准确率计算和历史数据的清理。
作为本发明的进一步改进，所述典型负荷预测方法为趋势外推 法、时间序列法、回归分析法、灰色数学理论或模糊负荷预测。
作为本发明的进一步改进，所述数据服务器和客户端均采用Windows操作系统，所述数据服务器连接有储存历史数据的数据库， 所述数据库采用SQL Server关系数据库。
与现有技术相比，本发明所取得的有益效果如下：
本发明系统依据区域电量符合，采用典型负荷预测模型进行负荷 预测，并具有人工干预接口，使用曲线和表格两种方式对预测结果进 行浏览、修改。预测出的数据经与实际负荷数据进行比较计算出预测 准确率，进而可以在后续的预测中调整负荷预测相关因子，以期达到 更准确的预测效果。对预测数据和历史数据运用数据挖掘的思想进行 各种分析和统计，能够为调度人员提供灵活的各种报告。
软件采用模块化系统协调设计，各子系统功能有机结合，公共部 分统一设计开发；运用总体框架与模块实现分离的设计理念，减少各 模块之间的耦合；对外接口上尽量减少与周边系统的交互环节，特别 是不对数据采集与监视控制系统，即实时数据采集系统SCADA(Supervisory Controland Data Acqui—sition)造成影响。
系统功能设计上紧密结合业务，提供强大的业务管理功能，能够 让各县(支)公司独立预测，也能够让地(分)公司进行总体预测。或者 分公司的预测值由各支公司预测值自动汇总产生。系统把预测负荷数 据与实际负荷数据进行比较，给出两条负荷曲线的对比显示图形，计 算出每天的预测准确率。分公司既可以对支公司的预测准确率进行考 核，按天、周、月、季度、年等时间段进行准确率统计，进而横向排 名考核，也可以对某个支公司的历史预测准确率进行纵向比较分析， 帮助其改进工作。
对不可预知和突发性事件造成的预测数据大幅度偏离实际数据 的结果，地调专责人员还可以进行时间段免考核或者临时调整预测值 来灵活处理，保证系统的平稳运行。系统的权限控制采用支公司、分 公司、调度专责人员三级授权控制的思想，保证数据的可靠性和安全 性，确保查看和修改权限完全分离。采用软件进化思想，允分考虑到 参与的负荷预测单位可能从支公司扩展到大用户、小电厂的情况，只 要做简单的配置就可以完成新单位的添加；充分考虑到电力负荷的逐 年增加情况，可以通过数据设置灵活调整各单位的控制负荷和实际负 荷的最大值，方便精确查看负荷曲线。
人性化设计，充分理解调度人员的平台环境，提供统一免考核、 恢复考核、重新计算1段时间或几天的预测准确率，预测数据导入导 出等适用功能，大大节省了工作人员的宝贵时间。
具体实施方式
下面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。 以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作 为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本 领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他 实施例，都属于本申请保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式， 而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除 非上下文另外明确指出，否则单数形式也意图包括复数形式，此外， 还应当理解的是，当在本说明书中使用术语“包含”和/或“包括” 时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相 对布置、数字表达式和数值不限制本申请的范围。在这里示出和讨论 的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为 限制。因此，示例性实施例的其它示例可以具有不同的值。
一种应用于县级配电网规划的负荷预测系统，包括服务端和客户 端两部分，所述服务端包括数据服务器、实时数据采集模块、预测数 据收集模块和数据分析挖掘模块；所述实时数据采集模块、预测数据 收集模块和数据分析挖掘模块分别与数据服务器通信连接；
所述客户端包括实时负荷监视模块、预测负荷填报模块、预测准 确率考核模块、权限控制模块和参数控制模块；
所述实时负荷监视模块的数据输出端连接所述实时数据采集模 块的数据输入端，所述预测数据收集模块的数据输出端连接所述预测 数据收集模块的数据输入端，所述预测准确率考核模块、权限控制模 块和参数控制模块的数据输出端分别连接所述数据分析挖掘模块的 数据输入端。
作为本发明的进一步改进，所述实时负荷监视模块从SCADA系统 中采集实时数据，进行计算后通过曲线的形式显示各县、乡镇、大用 户及小电场的实际负荷，并从界面上直接看出各自的越限情况，即实 时负荷高于计划负荷；上述曲线展示到客户端的监视界面。
作为本发明的进一步改进，所述预测负荷填报模块采用典型负荷 预测方法模型对各县或乡镇供电支公司网供用电负荷预测曲线按96 点进行编制，在负荷预测时，首先根据三条历史参考曲线，按每条曲 线的权重自动计算出负荷预测曲线，然后在此基础上结合该区域用电 负荷特性对预测曲线进行调整，给出最终的预测数据，负荷预测数据 通过网络从客户端发送到数据服务器进行保存。
作为本发明的进一步改进，在每日24点后，所述预测准确率考 核模块根据各县或乡镇的预测值与实际值进行比较，依据预测准确率 考核公式计算出准确率；
预测准确率考核公式如下：
式中：PA——考核点预测负荷；
PB——考核点实际负荷；
D——考核点用电负荷预测偏差率；
式中：E——平均日用电负荷预测准确率；
F——考核点负荷预测偏差率；
G——日负荷曲线考核点数据；
式中：E——月(年)平均日用电负荷预测准确率；
H——日负荷预测偏差率；
I——月(年)日历天数；
通过负荷预测准确率计算，为参与负荷预测的单位提供按日查看 准确率及排名情况的功能，并支持将任一历史时间段的准确率进行统 计计算，给出排名情况。
作为本发明的进一步改进，所述权限控制模块的权限控制采用市 公司、县公司和调度专责人员三级授权控制方式，保证数据的可靠性 和安全性，确保查看和修改权限分离。
作为本发明的进一步改进，所述参数控制模块控制典型负荷预测 方法模型的负荷预测相关因子，以符合预测区域特性。
作为本发明的进一步改进，所述数据实时采集模块作为系统对外 的接口模块负责接收SCADA服务器发来的数据文件，并分析筛选出有 用的数据信息，提取并生成格式数据，保存到数据表中。
作为本发明的进一步改进，所述数据分析挖掘模块进行计算工 作，为了不影响服务器运行，保证白天对用户操作的及时响应，计算 工作在每天凌晨进行；
所述计算工作包括符合预测数据的汇总、负荷预测数据的分析、 每个符合预测点的偏差率计算、日准确率计算和历史数据的清理。
作为本发明的进一步改进，所述典型负荷预测方法为趋势外推 法、时间序列法、回归分析法、灰色数学理论或模糊负荷预测。
趋势外推法就是根据负荷的变化趋势对未来负荷情况作出预测。 电力负荷虽然具有随机性和不确定性，但在一定条件下，仍存在着明 显的变化趋势，例如农业用电，在气候条件变化较小的冬季，日用电 量相对稳定，表现为较平稳的变化趋势。这种变化趋势可为线性或非 线性，周期性或非周期性等。
时间序列法是一种最为常见的短期负荷预测方法，它是针对整个 观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列 的随机过程的模型，然后用这些模型去进行预测。它利用了电力负荷 变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析 处理，确定其基本特征和变化规律，预测未来负荷。
时间序列预测方法可分为确定型和随机性两类，确定型时间序列 作为模型残差用于估计预测区间的大小。随机型时间序列预测模型可 以看作一个线性滤波器。根据线性滤波器的特性，时间序列可划为自 回归(AR)、动平均(MA)、自回归-动平均(ARMA)、累计式自回归-动平 均(ARIMA)、传递函数(TF)几类模型，其负荷预测过程一般分为模型 识别、模型参数估计、模型检验、负荷预测、精度检验预测值修正5 个阶段。
回归分析法就是根据负荷过去的历史资料，建立可以分析的数学 模型，对未来的负荷进行预测。利用数理统计中的回归分析方法，通 过对变量的观测数据进行分析，确定变量之间的相互关系，从而实现 预测。
灰色数学理论是把负荷序列看作一真实的系统输出，它是众多影 响因子的综合作用结果。这些众多因子的未知性和不确定性，成为系 统的灰色特性。灰色系统理论把负荷序列通过生成变换，使其变化为 有规律的生成数列再建模，用于负荷预测。
模糊控制是在所采用的控制方法上应用了模糊数学理论，使其进 行确定性的工作，对一些无法构造数学模型的被控过程进行有效控 制。模糊系统不管其是如何进行计算的，从输入输出的角度讲它是一 个非线性函数。模糊系统对于任意一个非线性连续函数，就是找出一 类隶属函数，一种推理规则，一个解模糊方法，使得设计出的模糊系 统能够任意逼近这个非线性函数。
模糊预测的一些基本方法包括：
(1)表格查寻法：
表格法是一种相对简单明了的算法。这个方法的基本思想是从已 知输入--输出数据对中产生模糊规则，形成一个模糊规则库，最终的 模糊逻辑系统将从组合模糊规则库中产生。
这是一种简单易行的易于理解的算法，因为它是个顺序生成过 程，无需反复学习，因此，这个方法同样具有模糊系统优于神经网络 系统的一大优点，即构造起来既简单又快速。
(2)基于神经网络集成的高木-关野模糊预测算法：
它是利用神经网络来求得条件部输入变量的联合隶属函数。结论 部的函数f(X)也可以用神经网络来表示。神经网络均采用前向型的 BP网络。
(3)改进的模糊神经网络模型的算法：
模糊神经网络即全局逼近器。模糊系统与神经网络似乎有着天然 的联系，模糊神经网络在本质上是模糊系统的实现，就是将常规的神 经网络(如前向反馈神经网络，HoPfield神经网络)赋予模糊输入信 号和模糊权。
对于复杂的系统建模，已经有了许多方法，并已取得良好的应用 效果。但主要缺点是模型精度不高，训练时间太长。此种方法的模型 物理意义明显，精度高，收敛快，属于改进型算法。
(4)反向传播学习算法：
模糊逻辑系统应用主要在于它能够作为非线性系统的模型，包括 含有人工操作员的非线性系统的模型。因此，从函数逼近意义上考虑， 研究模糊逻辑系统的非线性映射能力显得非常重要。函数逼近就是模 糊逻辑系统可以在任意精度上，一致逼近任何定义在一个致密集上的 非线性函数，其优势在于它有能够系统而有效地利用语言信息的能 力。万能逼近定理表明一定存在这样一个可以在任意精度逼近任意给 定函数的高斯型模糊逻辑系统。反向传播BP学习算法用来确定高斯 型模糊逻辑系统的参数，经过辨识的模型能够很好的逼近真实系统， 进而达到提高预测精度的目的。
作为本发明的进一步改进，所述数据服务器和客户端均采用 Windows操作系统，所述数据服务器连接有储存历史数据的数据库， 所述数据库采用SQL Server关系数据库。
本发明系统依据电量，采用典型负荷预测模型进行负荷预测，并 具有人工干预接口，使用曲线和表格两种方式对预测结果进行浏览、 修改。预测出的数据经与实际负荷数据进行比较计算出预测准确率， 进而可以在后续的预测中调整负荷预测相关因子，以期达到更准确的 预测效果。对预测数据和历史数据运用数据挖掘的思想进行各种分析 和统计，能够为调度人员提供灵活的各种报告。
软件采用模块化系统协调设计，各子系统功能有机结合，公共部 分统一设计开发；运用总体框架与模块实现分离的设计理念，减少各 模块之间的耦合；对外接口上尽量减少与周边系统的交互环节，特别 是不对数据采集与监视控制系统，即实时数据采集系统SCADA(Supervisory Controland Data Acqui—sition)造成影响。
系统功能设计上紧密结合业务，提供强大的业务管理功能，能够 让各县(支)公司独立预测，也能够让地(分)公司进行总体预测。或者 分公司的预测值由各支公司预测值自动汇总产生。系统把预测负荷数 据与实际负荷数据进行比较，给出两条负荷曲线的对比显示图形，计 算出每天的预测准确率。分公司既可以对支公司的预测准确率进行考 核，按天、周、月、季度、年等时间段进行准确率统计，进而横向排 名考核，也可以对某个支公司的历史预测准确率进行纵向比较分析， 帮助其改进工作。
对不可预知和突发性事件造成的预测数据大幅度偏离实际数据 的结果，地调专责人员还可以进行时间段免考核或者临时调整预测值 来灵活处理，保证系统的平稳运行。系统的权限控制采用支公司、分 公司、调度专责人员三级授权控制的思想，保证数据的可靠性和安全 性，确保查看和修改权限完全分离。采用软件进化思想，允分考虑到 参与的负荷预测单位可能从支公司扩展到大用户、小电厂的情况，只 要做简单的配置就可以完成新单位的添加；充分考虑到电力负荷的逐 年增加情况，可以通过数据设置灵活调整各单位的控制负荷和实际负 荷的最大值，方便精确查看负荷曲线。
人性化设计，充分理解调度人员的平台环境，提供统一免考核、 恢复考核、重新计算1段时间或几天的预测准确率，预测数据导入导 出等适用功能，大大节省了工作人员的宝贵时间。
Claims (10)
1.一种应用于县级配电网规划的负荷预测系统，包括服务端和客户端两部分，其特征在于：所述服务端包括数据服务器、实时数据采集模块、预测数据收集模块和数据分析挖掘模块；所述实时数据采集模块、预测数据收集模块和数据分析挖掘模块分别与数据服务器通信连接；
所述客户端包括实时负荷监视模块、预测负荷填报模块、预测准确率考核模块、权限控制模块和参数控制模块；
所述实时负荷监视模块的数据输出端连接所述实时数据采集模块的数据输入端，所述预测数据收集模块的数据输出端连接所述预测数据收集模块的数据输入端，所述预测准确率考核模块、权限控制模块和参数控制模块的数据输出端分别连接所述数据分析挖掘模块的数据输入端。
2.根据权利要求1所述的一种应用于县级配电网规划的负荷预测系统，其特征在于：所述实时负荷监视模块从SCADA系统中采集实时数据，进行计算后通过曲线的形式显示各县、乡镇、大用户及小电场的实际负荷，并从界面上直接看出各自的越限情况，即实时负荷高于计划负荷；上述曲线展示到客户端的监视界面。
3.根据权利要求1所述的一种应用于县级配电网规划的负荷预测系统，其特征在于：所述预测负荷填报模块采用典型负荷预测方法模型对各县或乡镇供电支公司网供用电负荷预测曲线按96点进行编制，在负荷预测时，首先根据三条历史参考曲线，按每条曲线的权重自动计算出负荷预测曲线，然后在此基础上结合该区域用电负荷特性对预测曲线进行调整，给出最终的预测数据，负荷预测数据通过网络从客户端发送到数据服务器进行保存。
4.根据权利要求1所述的一种应用于县级配电网规划的负荷预测系统，其特征在于：在每日24点后，所述预测准确率考核模块根据各县或乡镇的预测值与实际值进行比较，依据预测准确率考核公式计算出准确率；
预测准确率考核公式如下：
式中:PA——考核点预测负荷；
PB——考核点实际负荷；
D——考核点用电负荷预测偏差率；
式中:E——平均日用电负荷顶测准确率；
F——考核点负荷预测偏差率；
G——日负荷曲线考核点数据；
式中:E——月(年)平均日用电负荷预测准确率；
H——日负荷预测偏差率；
I——月(年)日历天数；
通过负荷预测准确率计算，为参与负荷预测的单位提供按日查看准确率及排名情况的功能，并支持将任一历史时间段的准确率进行统计计算，给出排名情况。
5.根据权利要求1所述的一种应用于县级配电网规划的负荷预测系统，其特征在于：所述权限控制模块的权限控制采用市公司、县公司和调度专责人员三级授权控制方式，保证数据的可靠性和安全性，确保查看和修改权限分离。
6.根据权利要求3所述的一种应用于县级配电网规划的负荷预测系统，其特征在于：所述参数控制模块控制典型负荷预测方法模型的负荷预测相关因子，以符合预测区域特性。
7.根据权利要求1所述的一种应用于县级配电网规划的负荷预测系统，其特征在于：所述数据实时采集模块作为系统对外的接口模块负责接收SCADA服务器发来的数据文件，并分析筛选出有用的数据信息，提取并生成格式数据，保存到数据表中。
8.根据权利要求1所述的一种应用于县级配电网规划的负荷预测系统，其特征在于：所述数据分析挖掘模块进行计算工作，为了不影响服务器运行，保证白天对用户操作的及时响应，计算工作在每天凌晨进行；
所述计算工作包括符合预测数据的汇总、负荷预测数据的分析、每个符合预测点的偏差率计算、日准确率计算和历史数据的清理。
9.根据权利要求3所述的一种应用于县级配电网规划的负荷预测系统，其特征在于：所述典型负荷预测方法为趋势外推法、时间序列法、回归分析法、灰色数学理论或模糊负荷预测。
10.根据权利要求1-9任一项所述的一种应用于县级配电网规划的负荷预测系统，其特征在于：所述数据服务器和客户端均采用Windows操作系统，所述数据服务器连接有储存历史数据的数据库，所述数据库采用SQL Server关系数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910497322.4A CN110210679A (zh) | 2019-06-10 | 2019-06-10 | 一种应用于县级配电网规划的负荷预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910497322.4A CN110210679A (zh) | 2019-06-10 | 2019-06-10 | 一种应用于县级配电网规划的负荷预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110210679A true CN110210679A (zh) | 2019-09-06 |
Family
ID=67791747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910497322.4A Pending CN110210679A (zh) | 2019-06-10 | 2019-06-10 | 一种应用于县级配电网规划的负荷预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110210679A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723942A (zh) * | 2020-06-29 | 2020-09-29 | 南方电网科学研究院有限责任公司 | 一种企业用电负荷预测方法、电网业务子系统及预测系统 |
| CN111881131A (zh) * | 2020-06-18 | 2020-11-03 | 广东电网有限责任公司广州供电局 | 一种应用于电网规划的三维gis平台 |
| CN111985844A (zh) * | 2020-09-01 | 2020-11-24 | 四川大学 | 一种风力及光能综合能源系统日前经济调度方法 |
| CN113449766A (zh) * | 2021-04-15 | 2021-09-28 | 厦门合立道工程设计集团股份有限公司 | 一种短时空调负荷预测方法和装置以及设备 |
| CN113689051A (zh) * | 2021-09-02 | 2021-11-23 | 广东电网有限责任公司东莞供电局 | 一种基于用户报装与地块的配网负荷预测装置及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140095415A1 (en) * | 2012-09-28 | 2014-04-03 | Electronics And Telecommunications Research Institute | Apparatus and method for forecasting energy consumption |
| CN106296464A (zh) * | 2016-08-23 | 2017-01-04 | 国网山东省电力公司菏泽供电公司 | 大数据多点负荷预测方法 |
| CN106951990A (zh) * | 2017-03-20 | 2017-07-14 | 国家电网公司 | 电力负荷智能预测方法及装置 |
| CN108898246A (zh) * | 2018-06-19 | 2018-11-27 | 深圳供电局有限公司 | 一种基于电力系统的负荷预测管理系统 |
-
2019
- 2019-06-10 CN CN201910497322.4A patent/CN110210679A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140095415A1 (en) * | 2012-09-28 | 2014-04-03 | Electronics And Telecommunications Research Institute | Apparatus and method for forecasting energy consumption |
| CN106296464A (zh) * | 2016-08-23 | 2017-01-04 | 国网山东省电力公司菏泽供电公司 | 大数据多点负荷预测方法 |
| CN106951990A (zh) * | 2017-03-20 | 2017-07-14 | 国家电网公司 | 电力负荷智能预测方法及装置 |
| CN108898246A (zh) * | 2018-06-19 | 2018-11-27 | 深圳供电局有限公司 | 一种基于电力系统的负荷预测管理系统 |
Non-Patent Citations (2)
| Title |
|---|
| 周庆雨: "达州电力短期负荷预测系统设计与应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 姬哲 等: "提高短期网供负荷预测准确率的方法", 《万方数据》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881131A (zh) * | 2020-06-18 | 2020-11-03 | 广东电网有限责任公司广州供电局 | 一种应用于电网规划的三维gis平台 |
| CN111723942A (zh) * | 2020-06-29 | 2020-09-29 | 南方电网科学研究院有限责任公司 | 一种企业用电负荷预测方法、电网业务子系统及预测系统 |
| CN111723942B (zh) * | 2020-06-29 | 2024-02-02 | 南方电网科学研究院有限责任公司 | 一种企业用电负荷预测方法、电网业务子系统及预测系统 |
| CN111985844A (zh) * | 2020-09-01 | 2020-11-24 | 四川大学 | 一种风力及光能综合能源系统日前经济调度方法 |
| CN113449766A (zh) * | 2021-04-15 | 2021-09-28 | 厦门合立道工程设计集团股份有限公司 | 一种短时空调负荷预测方法和装置以及设备 |
| CN113689051A (zh) * | 2021-09-02 | 2021-11-23 | 广东电网有限责任公司东莞供电局 | 一种基于用户报装与地块的配网负荷预测装置及方法 |
| CN113689051B (zh) * | 2021-09-02 | 2024-06-25 | 广东电网有限责任公司东莞供电局 | 一种基于用户报装与地块的配网负荷预测装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110210679A (zh) | 一种应用于县级配电网规划的负荷预测系统 | |
| CN111478312A (zh) | 一种提升电网稳定性的综合能源集群协调控制方法 | |
| CN102063563B (zh) | 网省地一体化的母线负荷预测方法 | |
| CN104331844B (zh) | 一种电网基建项目投资决策方法 | |
| CN106384168A (zh) | 针对特性各异电源的多目标协调优化调度模型 | |
| Li et al. | An improved risk-benefit collaborative grey target decision model and its application in the decision making of load adjustment schemes | |
| CN103904695B (zh) | 一种基于mcs-pso的临近海岛多微网动态调度方法 | |
| CN101888087A (zh) | 一种在配网终端中实现分布式超短期区域负荷预测的方法 | |
| CN102289569A (zh) | 一种电力系统突发事件应急处理方法 | |
| CN106682808A (zh) | 在线滚动优化调度模型 | |
| Ji et al. | Inexact stochastic risk-aversion optimal day-ahead dispatch model for electricity system management with wind power under uncertainty | |
| CN103544537B (zh) | 基于预测可信度评估的综合子网累加的短期负荷预测方法 | |
| CN114243709A (zh) | 一种需求侧可调节资源分层分级的调度运行方法 | |
| Zhaoyu et al. | The application of the PSO based BP network in short-term load forecasting | |
| CN105184490A (zh) | 电网调度操作过程风险辅助预控系统 | |
| CN114693122A (zh) | 一种基于数字孪生技术的电网规划方法 | |
| Cai et al. | Gray wolf optimization-based wind power load mid-long term forecasting algorithm | |
| CN105633950A (zh) | 考虑风电注入不确定性的多目标随机模糊动态最优潮流 | |
| Guo et al. | Electrical load forecasting based on LSTM neural networks | |
| Ramirez-Burgueno et al. | Pricing wind power uncertainty in the electricity market | |
| CN115660893A (zh) | 一种基于负荷特性的变电站母线负荷预测方法 | |
| CN115577999A (zh) | 一种基于大数据处理的电网运行安全校核平台 | |
| CN108345996A (zh) | 一种降低风电功率考核电量的系统及方法 | |
| Du et al. | Evaluation of power system reliability based on the maintenance state | |
| Gao et al. | Substation Load Characteristics and Forecasting Model for Large-scale Distributed Generation Integration |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190906 |
|
| RJ01 | Rejection of invention patent application after publication |