CN110334739A - 一种两段式分量负荷预测方法及装置 - Google Patents
一种两段式分量负荷预测方法及装置 Download PDFInfo
- Publication number
- CN110334739A CN110334739A CN201910485313.3A CN201910485313A CN110334739A CN 110334739 A CN110334739 A CN 110334739A CN 201910485313 A CN201910485313 A CN 201910485313A CN 110334739 A CN110334739 A CN 110334739A
- Authority
- CN
- China
- Prior art keywords
- day
- load
- prediction
- curve
- cluster
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 17
- 230000005611 electricity Effects 0.000 claims abstract description 20
- 239000000284 extract Substances 0.000 claims abstract description 12
- 230000003542 behavioural effect Effects 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 5
- 240000002853 Nelumbo nucifera Species 0.000 description 9
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 9
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000004744 fore-foot Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供提供一种两段式分量负荷预测方法及装置,其中,预测方法包括:步骤S1,利用从目标企业用户提取的用电行为特征,对所述目标企业用户的日负荷曲线进行分类,获得工作日负荷曲线聚类和休息日负荷曲线聚类;步骤S2,以预测日的前日为基准日,以一周为周期,从工作日负荷曲线聚类或休息日负荷曲线聚类中提取设定周期的同类型日的负荷曲线并标幺化,获得预测日标幺曲线;步骤S3,从工作日负荷曲线聚类或休息日负荷曲线聚类中提取设定周期的日负荷曲线并均值化,通过负荷水平比拟合得到预测日的负荷基值;步骤S4,根据预测日标幺曲线和预测日的负荷基值计算得到目标企业用户的预测日负荷预测结果。本发明通过提升了负荷预测精度。
Description
技术领域
本发明涉及综合能源服务技术领域,尤其涉及一种综合用能行为评估方法及装置。
背景技术
随着互联网信息技术、可再生能源技术的快速发展以及电力改革进程的加快,我国能源消费供给、能源结构转型、能源系统形态呈现新的发展趋势。提升能源效率、降低用能成本已成为企业发展关注的焦点,购售电、节能、代运代维等众多综合能源服务正在广泛的被大众接受与应用。
负荷预测是综合能源服务重要的技术支撑,负荷预测的准确率,将直接影响综合能源的收益。负荷预测算法也一直是各大机构研究的重点,市场上也有众多的相关算法。目前区域性宏观的负荷预测方法已逐渐成熟,但是单体工商企业的负荷预测结果一直不太理想。
发明内容
本发明所要解决的技术问题在于,提供一种两段式分量负荷预测方法及装置,以精准地对单体工商企业的负荷进行预测,为综合能源服务的精准营销与精准定位提供支撑。
为了解决上述技术问题,本发明提供一种两段式分量负荷预测方法,包括:
步骤S1,利用从目标企业用户提取的用电行为特征,对所述目标企业用户的日负荷曲线进行分类,获得工作日负荷曲线聚类和休息日负荷曲线聚类;
步骤S2,以预测日的前日为基准日,以一周为周期,从所述工作日负荷曲线聚类或休息日负荷曲线聚类中提取设定周期的同类型日的负荷曲线并标幺化,获得预测日标幺曲线;
步骤S3,从所述工作日负荷曲线聚类或休息日负荷曲线聚类中提取设定周期的日负荷曲线并均值化,通过负荷水平比拟合得到预测日的负荷基值;
步骤S4,根据所述预测日标幺曲线和所述预测日的负荷基值计算得到目标企业用户的预测日负荷预测结果。
其中,所述步骤S1具体包括:
利用Filter算法提取所述目标企业用户在用电行为上的特征;
利用提取的特征对所述目标企业用户的日负荷曲线使用支持向量机SVM进行分类;
使用k-means聚类算法,将k取为2,将负荷曲线进行聚类,获得工作日负荷曲线聚类和休息日负荷曲线聚类。
其中,所述使用支持向量机SVM进行分类具体包括:
对数据打上工作日、休息日两类标签;
计算当前日与前14日、前30日的比值、最大值、均值;
将上述计算值作为参数,使用支持向量机SVM以所述参数对标签进行学习,得到分类模型。
其中,所述步骤S2提取基准日的前6个周期的6条同类型日负荷曲线进行标幺化,并按照下述公式进行计算,得到整条预测日标幺曲线:
Pc+1,t=aPc-6,t+a(1-a)1Pc-13,t...+a(1-a)6PC-41,t
上式中,Pc,t表示基准日在t时刻的负荷大小,Pc+1,t则表示预测日t时刻的负荷大小;Pc-6,t、Pc-13,t、……、Pc-41,t分别表示预测日的6个同类型日t时刻的负荷大小;ɑ为平滑系数。
其中,如果预测日为工作日,则所述步骤S2将从工作日负荷曲线聚类中提取设定周期的同类型日的负荷曲线并标幺化;如果预测日为休息日,则所述步骤S2将从休息日负荷曲线聚类中提取设定周期的同类型日的负荷曲线并标幺化。
其中,所述步骤S3具体包括:
提取所述前6个周期的负荷曲线,进行曲线的均值化,得到周期整体负荷;
将同类型日负荷与所述周期整体负荷相比,得到负荷水平比,再由所述负荷水平比拟合得到预测日的负荷基值。
其中,所述步骤S4具体包括:
分别将预测日标幺曲线上每一点乘以负荷基值,得到负荷预测结果。
本发明还提供一种两段式分量负荷预测装置,包括:
聚类单元,用于利用从目标企业用户提取的用电行为特征,对所述目标企业用户的日负荷曲线进行分类,获得工作日负荷曲线聚类和休息日负荷曲线聚类;
第一预测单元,用于以预测日的前日为基准日,以一周为周期,从所述工作日负荷曲线聚类或休息日负荷曲线聚类中提取设定周期的同类型日的负荷曲线并标幺化,获得预测日标幺曲线;
第二预测单元,用于从所述工作日负荷曲线聚类或休息日负荷曲线聚类中提取设定周期的日负荷曲线并均值化,通过负荷水平比拟合得到预测日的负荷基值;
第三预测单元,用于根据所述预测日标幺曲线和所述预测日的负荷基值计算得到目标企业用户的预测日负荷预测结果。
其中,所述聚类单元具体用于利用Filter算法提取所述目标企业用户在用电行为上的特征;然后利用提取的特征对所述目标企业用户的日负荷曲线使用支持向量机SVM进行分类;再使用k-means聚类算法,将k取为2,将负荷曲线进行聚类,获得工作日负荷曲线聚类和休息日负荷曲线聚类。
其中,所述第一预测单元具体用于提取基准日的前6个周期的6条同类型日负荷曲线进行标幺化,并按照下述公式进行计算,得到整条预测日标幺曲线:
Pc+1,t=aPc-6,t+a(1-a)1Pc-18,t…+a(1-a)6PC-41,t
上式中,Pc,t表示基准日在t时刻的负荷大小,Pc+1,t则表示预测日t时刻的负荷大小;Pc-6,t、Pc-13,t、……、Pc-41,t分别表示预测日的6个同类型日t时刻的负荷大小;ɑ为平滑系数。
本发明实施例的有益效果在于:本发明在传统倍比平滑法上有所创新,预测精度有所提高;而且所使用的历史数据为前几周期的同类型日数据,所处理的数据量小,拥有更快的计算速度,且不需要经过模型训练,直接利用历史数据的基本特征,能够保证模型的稳定性。本发明通过提升负荷预测精度,在一定程度上提升了购售电、节能改造、光储充等综合能源服务的收益。
附图说明
为了更清楚地说明本发明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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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为本发明实施例一一种两段式分量负荷预测方法的流程示意图。
图2为本发明实施例一中负荷聚类示意图。
具体实施方式
以下各实施例的说明是参考附图,用以示例本发明可以用以实施的特定实施例。
请参照图1所示,本发明实施例一提供一种两段式分量负荷预测方法,包括:
步骤S1,利用从目标企业用户提取的用电行为特征,对所述目标企业用户的日负荷曲线进行分类,获得工作日负荷曲线聚类和休息日负荷曲线聚类;
步骤S2,以预测日的前日为基准日,以一周为周期,从所述工作日负荷曲线聚类或休息日负荷曲线聚类中提取设定周期的同类型日的负荷曲线并标幺化,获得预测日标幺曲线;
步骤S3,从所述工作日负荷曲线聚类或休息日负荷曲线聚类中提取设定周期的日负荷曲线并均值化,通过负荷水平比拟合得到预测日的负荷基值;
步骤S4,根据所述预测日标幺曲线和所述预测日的负荷基值计算得到目标企业用户的预测日负荷预测结果。
具体地,本发明通过成分分析、模式识别、特征提取等数据分析和挖掘技术,从“时间维度”和“空间维度”以及国民经济发展、气象、产业结构变化、电网状况等多个维度抽取企业用户用电的时空行为特征,主要表现为不同用户(地理位置不同)在长时间维度(时间维度不同)的负荷数据,挖掘外部因素变化对企业负荷的影响水平、提供电力指标随各种因素变化规律的量化分析结果,建立企业用户用电行为分析体系,重点关注企业用户用电负荷的以下几个特点:
1)企业用户量大面广:企业用户覆盖各行各业,数量级别数以万计。
2)负荷特性千差万别:不同用户的负荷特性差异十分之大,负荷曲线存在多种不同模式,受用户所属行业,及其上下游差异、生产计划的差异影响。
3)近大远小特征显著:历史日的时间与预测日越近,历史日负荷与预测日负荷的相关性就越强。而如果历史日与预测日时间间隔稍稍变得长一些,历史日负荷与预测日负荷就可能变得完全不相关甚至负相关。
4)负荷稳定性差:企业用户负荷曲线具有较强的不确定性,受到气象、节假日、订单、生产线安排等多方面因素的影响。
5)周期规律不明显:系统负荷通常会在周末期间变低,而大用户负荷却可能在此期间抬升,也就是说,大用户负荷基本不存在显著的周期特性。
进行上述历史数据准备后,如果历史数据存在缺失情况,还需进行数据修补,即基于单一相同用户负荷数据所具有的规律性、相邻时段负荷的粘性、相似日的相同负荷模式等特征对缺失数据进行补全,对于严重缺失数据(负荷数据连片缺失)使用同类型日的负荷数据进行替换。需要说明的是,本实施例中,如果以一周为周期,则每个周期的对应日的负荷曲线的形状、负荷大小相似,称之为同类型日。
由于企业用户量大面广、负荷特性差异大,所以很难找到一种通用的适用于所有企业用户的负荷预测方法,需要根据用户的负荷特性设计个性化的预测方案。由于企业用户负荷预测近大远小特征显著、负荷稳定性差,所以需要充分利用企业用户负荷最近的信息。由于企业用户负荷稳定性差、周期规律不明显,所以需要深入挖掘用户用电固有模式,利用先进数据挖掘技术找到潜在的用电规律。
本发明针对用户日负荷数据曲线分别从两个时间周期(日、周)进行切分,从两个时间周期上对用户负荷曲线进行降维处理,用户在每日周期负荷形状上具有相似性,在每周负荷曲线上具有相似性。步骤S1利用Filter算法提取该目标企业用户在用电行为上的特征,为负荷曲线簇的聚类和负荷预测提供参考依据。然后利用提取的特征对该目标企业用户负荷曲线使用k-means聚类算法,将k取为2,将负荷曲线进行聚类,其中一类负荷较高,则为工作日负荷,其中一类负荷较低,则为休息日负荷,从而得到用户“工作日”和“休息日”两类负荷,如图2所示,图中“日负荷聚类1”为工作日负荷曲线聚类,“日负荷聚类2”为休息日负荷曲线聚类。具体而言,分类时人工先对部分数据打上工作日、休息日两类标签,计算当前日与前14日、前30日的比值、最大值、均值作为参数,用支持向量机SVM(Support VectorMachine,SVM)以上述参数对标签进行学习,得到分类模型。
步骤S2进行标幺曲线预测,具体地,以预测日的前日(即基准日)为起点,以一周为周期,往前提取设定周期的同类型日的负荷曲线,进行倍比拟合。例如,假设预测日为5月7日,其前日即基准日为5月6日,则5月6日~4月30日为一个周期。在负荷曲线中,每个周期的对应日的负荷曲线的形状、负荷大小相似,因此每周期中必有一个与预测日相同类型的负荷日,即“同类型日”。本实施例中,提取前6个周期的同类型日负荷曲线,共6条进行标幺化。同类型日负荷曲线标幺化后具有高度相似的特征,然后通过点对点平滑法,对比得到预测日负荷曲线。
具体地,6条同类型日负荷曲线进行标幺化时,按照下述公式进行计算,得到整条预测日标幺曲线:
Pc+1,t=aPc-6,t+a(1-a)1Pc-13,t…+a(1-a)6PC-41,t
Pc,t表示基准日在t时刻的负荷大小,Pc+1,t则表示预测日t时刻的负荷大小;Pc-6,t、Pc-13,t、……、Pc-41,t分别表示预测日的6个同类型日t时刻的负荷大小;ɑ为平滑系数。
需要说明的是,如果预测日为工作日,则步骤S2将从工作日负荷曲线聚类中提取设定周期的同类型日的负荷曲线并标幺化;如果预测日为休息日,则步骤S2将从休息日负荷曲线聚类中提取设定周期的同类型日的负荷曲线并标幺化。
步骤S3将进行基值曲线预测。由于日负荷与周负荷整体水平之比具有一定的线性关系,即负荷水平比=同类型日负荷/周期整体负荷,故基值可由负荷水平比拟合得到,提取前述前6个周期的负荷曲线,进行曲线的均值化,得到周期整体负荷,然后将同类型日负荷与周期整体负荷相比,得到负荷水平比,再由负荷水平比拟合得到预测日的负荷基值。
步骤S4将进行负荷结果拟合,具体地,分别将预测日标幺曲线上每一点乘以负荷基值,得到负荷预测结果。
本发明基于同类型日的倍比平滑法相比传统倍比平滑法有所创新,传统的倍比平滑法用预测日前几日的负荷曲线进行倍比平滑,而本发明则使用预测日的前几周期的同类型日负荷曲线进行倍比,得到预测日负荷曲线形状。同时,传统的倍比平滑法将上一周期的负荷基值作为预测日的负荷基值,而本发明将前几周期的负荷基值进行拟合,得到合理的负荷基值大小,能够反映用户用电行为的变化,使得基值预测精度提高。
相应于本发明实施例一一种两段式分量负荷预测方法,本发明实施例二提供一种两段式分量负荷预测装置,包括:
聚类单元,用于利用从目标企业用户提取的用电行为特征,对所述目标企业用户的日负荷曲线进行分类,获得工作日负荷曲线聚类和休息日负荷曲线聚类;
第一预测单元,用于以预测日的前日为基准日,以一周为周期,从所述工作日负荷曲线聚类或休息日负荷曲线聚类中提取设定周期的同类型日的负荷曲线并标幺化,获得预测日标幺曲线;
第二预测单元,用于从所述工作日负荷曲线聚类或休息日负荷曲线聚类中提取设定周期的日负荷曲线并均值化,通过负荷水平比拟合得到预测日的负荷基值;
第三预测单元,用于根据所述预测日标幺曲线和所述预测日的负荷基值计算得到目标企业用户的预测日负荷预测结果。
其中,所述聚类单元具体用于利用Filter算法提取所述目标企业用户在用电行为上的特征;然后利用提取的特征对所述目标企业用户的日负荷曲线使用支持向量机SVM进行分类;再使用k-means聚类算法,将k取为2,将负荷曲线进行聚类,获得工作日负荷曲线聚类和休息日负荷曲线聚类。
其中,所述第一预测单元具体用于提取基准日的前6个周期的6条同类型日负荷曲线进行标幺化,并按照下述公式进行计算,得到整条预测日标幺曲线:
Pc+1,t=aPc-6,t+a-(1-a)1PC-13,t…+a(1-a)6PC-41,t
上式中,Pc,t表示基准日在t时刻的负荷大小,Pc+1,t则表示预测日t时刻的负荷大小;Pc-6,t、Pc-13,t、……、Pc-41,t分别表示预测日的6个同类型日t时刻的负荷大小;ɑ为平滑系数。
本发明的预测范围包括中长期预测(年度、月度、周)、短期预测(日、未来多日)、超短期预测(未来几个小时)。
以随机对广东某企业负荷的预测为例,预测结果为:
随机选取某日的负荷进行预测,其预测平均误差为0.64%;
随机选取某月的负荷进行预测,31日的平均预测误差为2.52%,均小于采用传统倍比平滑法的平均预测误差。
通过上述说明可知,本发明实施例的有益效果在于,本发明在传统倍比平滑法上有所创新,预测精度有所提高;而且所使用的历史数据为前几周期的同类型日数据,所处理的数据量小,拥有更快的计算速度,且不需要经过模型训练,直接利用历史数据的基本特征,能够保证模型的稳定性。本发明通过提升负荷预测精度,在一定程度上提升了购售电、节能改造、光储充等综合能源服务的收益。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种两段式分量负荷预测方法,其特征在于,包括:
步骤S1,利用从目标企业用户提取的用电行为特征,对所述目标企业用户的日负荷曲线进行分类,获得工作日负荷曲线聚类和休息日负荷曲线聚类;
步骤S2,以预测日的前日为基准日,以一周为周期,从所述工作日负荷曲线聚类或休息日负荷曲线聚类中提取设定周期的同类型日的负荷曲线并标幺化,获得预测日标幺曲线;
步骤S3,从所述工作日负荷曲线聚类或休息日负荷曲线聚类中提取设定周期的日负荷曲线并均值化,通过负荷水平比拟合得到预测日的负荷基值;
步骤S4,根据所述预测日标幺曲线和所述预测日的负荷基值计算得到目标企业用户的预测日负荷预测结果。
2.根据权利要求1所述的两段式分量负荷预测方法,其特征在于,所述步骤S1具体包括:
利用Filter算法提取所述目标企业用户在用电行为上的特征;
利用提取的特征对所述目标企业用户的日负荷曲线使用支持向量机SVM进行分类;
使用k-means聚类算法,将k取为2,将负荷曲线进行聚类,获得工作日负荷曲线聚类和休息日负荷曲线聚类。
3.根据权利要求2所述的两段式分量负荷预测方法,其特征在于,所述使用支持向量机SVM进行分类具体包括:
对数据打上工作日、休息日两类标签;
计算当前日与前14日、前30日的比值、最大值、均值;
将上述计算值作为参数,使用支持向量机SVM以所述参数对标签进行学习,得到分类模型。
4.根据权利要求1所述的两段式分量负荷预测方法,其特征在于,所述步骤S2提取基准日的前6个周期的6条同类型日负荷曲线进行标幺化,并按照下述公式进行计算,得到整条预测日标幺曲线:
Pc+1,t=aPC-6,t+a(1-a)1PC-1a,t…+a(1-a)6PC-41,t
上式中,Pc,t表示基准日在t时刻的负荷大小,Pc+1,t则表示预测日t时刻的负荷大小;Pc-6,t、Pc-13,t、……、Pc-41,t分别表示预测日的6个同类型日t时刻的负荷大小;ɑ为平滑系数。
5.根据权利要求1所述的两段式分量负荷预测方法,其特征在于,如果预测日为工作日,则所述步骤S2将从工作日负荷曲线聚类中提取设定周期的同类型日的负荷曲线并标幺化;如果预测日为休息日,则所述步骤S2将从休息日负荷曲线聚类中提取设定周期的同类型日的负荷曲线并标幺化。
6.根据权利要求1所述的两段式分量负荷预测方法,其特征在于,所述步骤S3具体包括:
提取所述前6个周期的负荷曲线,进行曲线的均值化,得到周期整体负荷;
将同类型日负荷与所述周期整体负荷相比,得到负荷水平比,再由所述负荷水平比拟合得到预测日的负荷基值。
7.根据权利要求6所述的两段式分量负荷预测方法,其特征在于,所述步骤S4具体包括:
分别将预测日标幺曲线上每一点乘以负荷基值,得到负荷预测结果。
8.一种两段式分量负荷预测装置,其特征在于,包括:
聚类单元,用于利用从目标企业用户提取的用电行为特征,对所述目标企业用户的日负荷曲线进行分类,获得工作日负荷曲线聚类和休息日负荷曲线聚类;
第一预测单元,用于以预测日的前日为基准日,以一周为周期,从所述工作日负荷曲线聚类或休息日负荷曲线聚类中提取设定周期的同类型日的负荷曲线并标幺化,获得预测日标幺曲线;
第二预测单元,用于从所述工作日负荷曲线聚类或休息日负荷曲线聚类中提取设定周期的日负荷曲线并均值化,通过负荷水平比拟合得到预测日的负荷基值;
第三预测单元,用于根据所述预测日标幺曲线和所述预测日的负荷基值计算得到目标企业用户的预测日负荷预测结果。
9.根据权利要求8所述的两段式分量负荷预测装置,其特征在于,所述聚类单元具体用于利用Filter算法提取所述目标企业用户在用电行为上的特征;然后利用提取的特征对所述目标企业用户的日负荷曲线使用支持向量机SVM进行分类;再使用k-means聚类算法,将k取为2,将负荷曲线进行聚类,获得工作日负荷曲线聚类和休息日负荷曲线聚类。
10.根据权利要求8所述的两段式分量负荷预测装置,其特征在于,所述第一预测单元具体用于提取基准日的前6个周期的6条同类型日负荷曲线进行标幺化,并按照下述公式进行计算,得到整条预测日标幺曲线:
Pc+1,t=aPC-6,t+a(1-a)1PC-1a,t…+a(1-a)6PC-41,t
上式中,Pc,t表示基准日在t时刻的负荷大小,Pc+1,t则表示预测日t时刻的负荷大小;Pc-6,t、Pc-13,t、……、Pc-41,t分别表示预测日的6个同类型日t时刻的负荷大小;ɑ为平滑系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910485313.3A CN110334739A (zh) | 2019-06-05 | 2019-06-05 | 一种两段式分量负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910485313.3A CN110334739A (zh) | 2019-06-05 | 2019-06-05 | 一种两段式分量负荷预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110334739A true CN110334739A (zh) | 2019-10-15 |
Family
ID=68140246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910485313.3A Pending CN110334739A (zh) | 2019-06-05 | 2019-06-05 | 一种两段式分量负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334739A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091223A (zh) * | 2019-10-30 | 2020-05-01 | 华电电力科学研究院有限公司 | 一种基于物联网智能感知技术的配变短期负荷预测方法 |
CN112052983A (zh) * | 2019-11-20 | 2020-12-08 | 沈阳工业大学 | 一种基于信息物理融合的分布式电储热装置负荷预测方法 |
CN113452030A (zh) * | 2021-07-23 | 2021-09-28 | 南方电网电力科技股份有限公司 | 线路的调压方法、装置、电子设备及存储介质 |
CN113780862A (zh) * | 2021-09-18 | 2021-12-10 | 深圳供电局有限公司 | 一种电力负荷综合变化率评估方法、系统及计算机设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012175847A (ja) * | 2011-02-23 | 2012-09-10 | Hitachi Ltd | 工業団地の電力負荷予測装置、システム及び方法 |
CN102682219A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种支持向量机短期负荷预测方法 |
CN104318322A (zh) * | 2014-10-11 | 2015-01-28 | 中国南方电网有限责任公司 | 基于农历日期的节假日负荷预测方法 |
CN105528660A (zh) * | 2016-03-09 | 2016-04-27 | 湖南大学 | 一种基于日负荷曲线的变电站负荷模型参数预测方法 |
CN105590174A (zh) * | 2015-12-29 | 2016-05-18 | 南京因泰莱电器股份有限公司 | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 |
CN105989544A (zh) * | 2015-03-04 | 2016-10-05 | 国家电网公司 | 一种配电台区自适应短期负荷预测方法 |
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 |
CN109727066A (zh) * | 2018-12-27 | 2019-05-07 | 浙江华云信息科技有限公司 | 一种基于XGBoost算法的大工业用电用户负荷预测方法 |
-
2019
- 2019-06-05 CN CN201910485313.3A patent/CN110334739A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012175847A (ja) * | 2011-02-23 | 2012-09-10 | Hitachi Ltd | 工業団地の電力負荷予測装置、システム及び方法 |
CN102682219A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种支持向量机短期负荷预测方法 |
CN104318322A (zh) * | 2014-10-11 | 2015-01-28 | 中国南方电网有限责任公司 | 基于农历日期的节假日负荷预测方法 |
CN105989544A (zh) * | 2015-03-04 | 2016-10-05 | 国家电网公司 | 一种配电台区自适应短期负荷预测方法 |
CN105590174A (zh) * | 2015-12-29 | 2016-05-18 | 南京因泰莱电器股份有限公司 | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 |
CN105528660A (zh) * | 2016-03-09 | 2016-04-27 | 湖南大学 | 一种基于日负荷曲线的变电站负荷模型参数预测方法 |
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 |
CN109727066A (zh) * | 2018-12-27 | 2019-05-07 | 浙江华云信息科技有限公司 | 一种基于XGBoost算法的大工业用电用户负荷预测方法 |
Non-Patent Citations (7)
Title |
---|
康重庆 等: "《电力系统负荷预测 第1版》", 31 July 2007, pages: 170 - 172 * |
李元诚 等: "短期负荷预测的支持向量机方法研究", 中国电机工程学报, vol. 23, no. 6, pages 142 - 150 * |
沈沉 等: "基于小波聚类的配变短期负荷预测方法研究", 《电网技术》 * |
沈沉 等: "基于小波聚类的配变短期负荷预测方法研究", 《电网技术》, vol. 40, no. 2, 29 February 2016 (2016-02-29), pages 521 - 526 * |
第302-305页: "短期负荷预测的简化LS-SVM模型及实现", 计算机仿真, vol. 28, no. 1, pages 302 - 305 * |
贾玉健 等: "基于大数据分析的配电网故障监测方法", 《山东电力技术》 * |
贾玉健 等: "基于大数据分析的配电网故障监测方法", 《山东电力技术》, vol. 44, no. 10, 25 October 2017 (2017-10-25), pages 3 - 4 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091223A (zh) * | 2019-10-30 | 2020-05-01 | 华电电力科学研究院有限公司 | 一种基于物联网智能感知技术的配变短期负荷预测方法 |
CN111091223B (zh) * | 2019-10-30 | 2023-08-04 | 华电电力科学研究院有限公司 | 一种基于物联网智能感知技术的配变短期负荷预测方法 |
CN112052983A (zh) * | 2019-11-20 | 2020-12-08 | 沈阳工业大学 | 一种基于信息物理融合的分布式电储热装置负荷预测方法 |
CN113452030A (zh) * | 2021-07-23 | 2021-09-28 | 南方电网电力科技股份有限公司 | 线路的调压方法、装置、电子设备及存储介质 |
CN113780862A (zh) * | 2021-09-18 | 2021-12-10 | 深圳供电局有限公司 | 一种电力负荷综合变化率评估方法、系统及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334739A (zh) | 一种两段式分量负荷预测方法及装置 | |
US11043808B2 (en) | Method for identifying pattern of load cycle | |
Rajabi et al. | A pattern recognition methodology for analyzing residential customers load data and targeting demand response applications | |
CN103390200A (zh) | 基于相似日的光伏电站发电输出功率预测方法 | |
CN103942606A (zh) | 基于果蝇智能优化算法的居民用电客户细分方法 | |
CN106022530A (zh) | 一种电力需求侧柔性负荷有功功率预测方法 | |
CN110378510B (zh) | 一种基于时间序列和层次聚合的配网物资需求预测方法 | |
Zhong et al. | Research on electricity consumption behavior of electric power users based on tag technology and clustering algorithm | |
CN108399553A (zh) | 一种考虑地理和线路从属关系的用户特征标签设定方法 | |
CN104537434A (zh) | 基于业扩报装稳定周期的用电生长曲线提取系统和方法 | |
CN106875058B (zh) | 一种电力业扩可开放容量智能判断方法 | |
Wang et al. | A data-driven load forecasting method for incentive demand response | |
CN114841832B (zh) | 一种基于用电负荷二次聚类的电力用户画像标签建立方法 | |
CN106056477A (zh) | 一种基于用电大数据的行业产能利用率的计算方法 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
Sudta et al. | An approach to prosumer modeling and financial assessment with load clustering algorithm in an active power distribution network | |
Barbour | Segmentation of household smart meter data linked to PV and battery value | |
CN111860634A (zh) | 基于OCHNN-Kmeans算法的负荷聚类方法 | |
He et al. | Residential power user segmentation based on k-means clustering method in the context of big data | |
Grigoras et al. | Knowlegde extraction from Smart Meters for consumer classification | |
Khan et al. | Short Term Load and Price Forecasting using Tuned Parameters for K-Nearest Neighbors | |
Bao et al. | An analysis method for residential electricity consumption behavior based on UMAP-CRITIC feature optimization and SSA-assisted clustering | |
CN108009943A (zh) | 一种对用户实施不同电价策略的聚类方法 | |
Manojlović et al. | Load pattern recognition method for probabilistic short-term load forecasting at low voltage level | |
CN115809406B (zh) | 电力用户细粒度归类方法、装置、设备及存储介质 |
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: 20191015 |
|
RJ01 | Rejection of invention patent application after publication |