CN110991748A - 一种城市电网短期负荷预测方法 - Google Patents

一种城市电网短期负荷预测方法 Download PDF

Info

Publication number
CN110991748A
CN110991748A CN201911237149.0A CN201911237149A CN110991748A CN 110991748 A CN110991748 A CN 110991748A CN 201911237149 A CN201911237149 A CN 201911237149A CN 110991748 A CN110991748 A CN 110991748A
Authority
CN
China
Prior art keywords
load
data
power grid
short
urban power
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Withdrawn
Application number
CN201911237149.0A
Other languages
English (en)
Inventor
胡广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nantong Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Nantong Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN201911237149.0A priority Critical patent/CN110991748A/zh
Publication of CN110991748A publication Critical patent/CN110991748A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种城市电网短期负荷预测方法，包括如下步骤：(1)、调取城市电网的历史负荷数据，根据历史负荷数据变化情况及变化时刻的外部影响情况，确定城市电网电力负荷的关键影响因素；(2)、根据步骤(1)中确定的城市电网电力负荷的关键影响因素构建短期电力负荷预测模型；(3)、从城市电网的历史电力负荷数据库中选取训练数据；(4)、对选取的负荷序列进行初步数据清洗，包括序列噪声抑制、缺失数据修补以及异常数据修正；(5)、对数据进行约束化处理，对电力负荷预测模型的参数进行设置，根据训练数据对模型进行训练；(6)、根据模型训练后得到的负荷预测方程，对城市电网的电力负荷进行短期预测。

Description

一种城市电网短期负荷预测方法
技术领域
本发明属于电力负荷预测技术领域，特别涉及一种城市电网短期负荷预测方法。
背景技术
电力负荷预测在现代电力系统中具有非常重要的意义，是影响电力系统安全性、经济性的重要因素。电力负荷是指一个地区单位时间内消耗的电能。在一个区域内，只要是联网的用电设备都会消耗电能，消耗的总能量即为该地区的总负荷。现代经济社会的发展不仅对电力的需求量越来越高，同时也对电能的质量提出了更高的要求。影响电能总量需求主要是各类工业、农业和居民用电需求，这种需求不仅受时间的影响，还受天气、节假日因素的影响，具有非常复杂的变化规律。影响电能质量的因素是各发电厂的上网电能的波动，这种波动性虽然受发电设备的影响较大，但影响波动性的关键因素是用电户的用电习惯。
随着社会经济的进步发展，城市电网负荷逐年增长，城市电网面临越来越多的问题和挑战，从而引起针对城市电网负荷预测的研宄愈加全面。只有科学的预测才能做出科学的决策，城市电网负荷预测是城市电网的规划、设计、营销、市场交易、调度等部门的重要依据。
发明内容
本发明提供一种城市电网短期负荷预测方法，能够结合气温、湿度、天气类型、季节类型、日期信息、政策信息、上一时刻的负荷值、前一天同一时刻的负荷值等数据信息对城市电网短期内的负荷进行准确预测。
本发明具体为一种城市电网短期负荷预测方法，包括如下步骤：
步骤(1)、调取城市电网的历史负荷数据，根据历史负荷数据变化情况及变化时刻的外部影响情况，确定城市电网电力负荷的关键影响因素；
步骤(2)、根据步骤(1)中确定的城市电网电力负荷的关键影响因素构建短期电力负荷预测模型；
步骤(3)、从城市电网的历史电力负荷数据库中选取训练数据；
步骤(4)、对选取的负荷序列进行初步数据清洗，包括序列噪声抑制、缺失数据修补以及异常数据修正；
步骤(5)、对数据进行约束化处理，对电力负荷预测模型的参数进行设置，根据训练数据对模型进行训练；
步骤(6)、根据模型训练后得到的负荷预测方程，对城市电网的电力负荷进行短期预测。
所述步骤(1)中的城市电网电力负荷的关键影响因素包括气温、湿度、天气类型、季节类型、日期信息、政策信息、上一时刻的负荷值、前一天同一时刻的负荷值。
所述步骤(2)中的短期电力负荷预测模型基于最小二乘支持向量机回归模型和径向基核函数确定：y＝(q,φ(X))+b，目标函数为
Figure BDA0002305188340000021
其中q为要寻求的最优权值，b为线性函数阈值，X＝[x1,x2,…,x8]为一个8维向量，表示输入量；y为输出数据，单位为MW；ei为允许误差，F为惩罚因子；x1为预测时刻的预测气温；x2为预测时刻的预测湿度；x3为预测当天的天气类型，分别用数字量0-5表示晴天、多云、阴天、雨天、雪天、台风；x4为预测时刻的季节，分别用数字量0-3表示春天、夏天、秋天、冬天；x5为预测当天的日期信息，表示当天是否为周末或节假日，分别用数字量0、1表示工作日、休息日；x6为预测当天的政策信息，表示当天是否有重大事件，分别用数字量0、1表示没有重大事件和有重大事件；x7为预测时刻上一时刻的负荷值；x8为预测前一天同一时刻的负荷值。
所述步骤(4)中的序列噪声抑制采用模态分解方式，最先分解得到的模态具有最小的时间尺度，由于电力负荷序列呈现随机分布特性，将第一模态认定为噪声将其去除。
所述步骤(4)中的缺失数据修补从相似日方面和时间序列方面两个方面进行修补，对于相似日预测，将连续一段时间的数据按一天进行划分，则负荷序列从一个行向量转变为矩阵形式：
Figure BDA0002305188340000022
每一列表示相似日序列；假设
Figure BDA0002305188340000023
和
Figure BDA0002305188340000024
分别表示缺失数据xt在垂直和水平两个方向的修正结果，则最终修正结果为
Figure BDA0002305188340000025
对于非连续缺失数据的修补，仅从相似日方面进行修补。
所述步骤(4)中的异常数据修正具体包括明显异常数据剔除和缺失数据修补，对于明显异常的数据将其剔除出序列，并采用缺失数据修补的方式重新给出新的数据来代替异常数据。
所述步骤(5)中对数据进行约束化处理，其约束条件为|＜q,xi＞+b-yi|≤ε,i＝1,…,l及
Figure BDA0002305188340000031
i＝1,…,l，其中，ε为精度。
附图说明
图1为本发明一种城市电网短期负荷预测方法的流程图。
具体实施方式
下面对结合附图本发明一种城市电网短期负荷预测方法的具体实施方式做详细阐述。
如图1所示，本发明的预测方法包括以下步骤：步骤(1)、调取城市电网的历史负荷数据，根据历史负荷数据变化情况及变化时刻的外部影响情况，确定城市电网电力负荷的关键影响因素；步骤(2)、根据步骤(1)中确定的城市电网电力负荷的关键影响因素构建短期电力负荷预测模型；步骤(3)、从城市电网的历史电力负荷数据库中选取训练数据；步骤(4)、对选取的负荷序列进行初步数据清洗，包括序列噪声抑制、缺失数据修补以及异常数据修正；步骤(5)、对数据进行约束化处理，对电力负荷预测模型的参数进行设置，根据训练数据对模型进行训练；步骤(6)、根据模型训练后得到的负荷预测方程，对城市电网的电力负荷进行短期预测。
城市电网电力负荷的关键影响因素包括气温、湿度、天气类型、季节类型、日期信息、政策信息、上一时刻的负荷值、前一天同一时刻的负荷值。用一个8维向量X＝[x1,x2,…,x8]来表示输入量，x1为预测时刻的预测气温；x2为预测时刻的预测湿度；x3为预测当天的天气类型，分别用数字量0-5表示晴天、多云、阴天、雨天、雪天、台风；x4为预测时刻的季节，分别用数字量0-3表示春天、夏天、秋天、冬天；x5为预测当天的日期信息，表示当天是否为周末或节假日，分别用数字量0、1表示工作日、休息日；x6为预测当天的政策信息，表示当天是否有重大事件，分别用数字量0、1表示没有重大事件和有重大事件；x7为预测时刻上一时刻的负荷值；x8为预测前一天同一时刻的负荷值。
支持向量回归理论中，假设xi∈Rn为输入，yi∈R为相应的输出，回归问题就是寻找从输入到输出的映射f:Rn→R，使得f(x)＝y。简单的线性回归问题为y＝f(x)＝q·x+b，其目的就是寻找最优的权值q，使得拟合曲线尽可能反应数据集的变化规律，对于优化问题，就是以精度ε可拟合所有训练样本。回归问题转化为优化问题为：
Figure BDA0002305188340000041
约束条件为|＜q,xi＞+b-yi|≤ε,i＝1,…,l。
本发明中的短期电力负荷预测模型基于最小二乘支持向量机回归模型和径向基核函数确定：y＝(q,φ(X))+b，目标函数为
Figure BDA0002305188340000042
其中q为要寻求的最优权值，b为线性函数阈值，X＝[x1,x2,…,x8]为一个8维向量，表示输入量；y为输出数据，单位为MW；ei为允许误差，F为惩罚因子。约束条件为|＜q,xi＞+b-yi|≤ε,i＝1,…,l及
Figure BDA0002305188340000043
i＝1,…,l，其中，ε为精度。
序列噪声抑制采用模态分解方式，最先分解得到的模态具有最小的时间尺度，由于电力负荷序列呈现随机分布特性，将第一模态认定为噪声将其去除。缺失数据修补从相似日方面和时间序列方面两个方面进行修补，对于相似日预测，将连续一段时间的数据按一天进行划分，则负荷序列从一个行向量转变为矩阵形式：
Figure BDA0002305188340000044
每一列表示相似日序列；假设
Figure BDA0002305188340000045
和
Figure BDA0002305188340000046
分别表示缺失数据xt在垂直和水平两个方向的修正结果，则最终修正结果为
Figure BDA0002305188340000047
对于非连续缺失数据的修补，仅从相似日方面进行修补。异常数据修正具体包括明显异常数据剔除和缺失数据修补，对于明显异常的数据将其剔除出序列，并采用缺失数据修补的方式重新给出新的数据来代替异常数据。
最后应该说明的是，结合上述实施例仅说明本发明的技术方案而非对其限制。所属领域的普通技术人员应当理解到，本领域技术人员可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均在申请待批的权利要求保护范围之中。

Claims (7)

1.一种城市电网短期负荷预测方法，其特征在于，所述短期负荷预测方法具体包括如下步骤：
步骤(1)、调取城市电网的历史负荷数据，根据历史负荷数据变化情况及变化时刻的外部影响情况，确定城市电网电力负荷的关键影响因素；
步骤(2)、根据步骤(1)中确定的城市电网电力负荷的关键影响因素构建短期电力负荷预测模型；
步骤(3)、从城市电网的历史电力负荷数据库中选取训练数据；
步骤(4)、对选取的负荷序列进行初步数据清洗，包括序列噪声抑制、缺失数据修补以及异常数据修正；
步骤(5)、对数据进行约束化处理，对电力负荷预测模型的参数进行设置，根据训练数据对模型进行训练；
步骤(6)、根据模型训练后得到的负荷预测方程，对城市电网的电力负荷进行短期预测。
2.根据权利要求1所述的一种城市电网短期负荷预测方法，其特征在于，所述步骤(1)中的城市电网电力负荷的关键影响因素包括气温、湿度、天气类型、季节类型、日期信息、政策信息、上一时刻的负荷值、前一天同一时刻的负荷值。
3.根据权利要求2所述的一种城市电网短期负荷预测方法，其特征在于，所述步骤(2)中的短期电力负荷预测模型基于最小二乘支持向量机回归模型和径向基核函数确定：y＝(q,φ(X))+b，目标函数为
Figure FDA0002305188330000011
其中q为要寻求的最优权值，b为线性函数阈值，X＝[x1,x2,…,x8]为一个8维向量，表示输入量；y为输出数据，单位为MW；ei为允许误差，F为惩罚因子；x1为预测时刻的预测气温；x2为预测时刻的预测湿度；x3为预测当天的天气类型，分别用数字量0-5表示晴天、多云、阴天、雨天、雪天、台风；x4为预测时刻的季节，分别用数字量0-3表示春天、夏天、秋天、冬天；x5为预测当天的日期信息，表示当天是否为周末或节假日，分别用数字量0、1表示工作日、休息日；x6为预测当天的政策信息，表示当天是否有重大事件，分别用数字量0、1表示没有重大事件和有重大事件；x7为预测时刻上一时刻的负荷值；x8为预测前一天同一时刻的负荷值。
4.根据权利要求3所述的一种城市电网短期负荷预测方法，其特征在于，所述步骤(4)中的序列噪声抑制采用模态分解方式，最先分解得到的模态具有最小的时间尺度，由于电力负荷序列呈现随机分布特性，将第一模态认定为噪声将其去除。
5.根据权利要求4所述的一种城市电网短期负荷预测方法，其特征在于，所述步骤(4)中的缺失数据修补从相似日方面和时间序列方面两个方面进行修补，对于相似日预测，将连续一段时间的数据按一天进行划分，则负荷序列从一个行向量转变为矩阵形式：
Figure FDA0002305188330000021
每一列表示相似日序列；假设
Figure FDA0002305188330000022
和
Figure FDA0002305188330000023
分别表示缺失数据xt在垂直和水平两个方向的修正结果，则最终修正结果为
Figure FDA0002305188330000024
对于非连续缺失数据的修补，仅从相似日方面进行修补。
6.根据权利要求5所述的一种城市电网短期负荷预测方法，其特征在于，所述步骤(4)中的异常数据修正具体包括明显异常数据剔除和缺失数据修补，对于明显异常的数据将其剔除出序列，并采用缺失数据修补的方式重新给出新的数据来代替异常数据。
7.根据权利要求6所述的一种城市电网短期负荷预测方法，其特征在于，所述步骤(5)中对数据进行约束化处理，其约束条件为|<q,xi>+b-yi|≤ε,i＝1,…,l及
Figure FDA0002305188330000025
其中，ε为精度。
CN201911237149.0A 2019-12-05 2019-12-05 一种城市电网短期负荷预测方法 Withdrawn CN110991748A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911237149.0A CN110991748A (zh) 2019-12-05 2019-12-05 一种城市电网短期负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911237149.0A CN110991748A (zh) 2019-12-05 2019-12-05 一种城市电网短期负荷预测方法

Publications (1)

Publication Number Publication Date
CN110991748A true CN110991748A (zh) 2020-04-10

Family

ID=70090520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911237149.0A Withdrawn CN110991748A (zh) 2019-12-05 2019-12-05 一种城市电网短期负荷预测方法

Country Status (1)

Country Link
CN (1) CN110991748A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860985A (zh) * 2020-07-07 2020-10-30 国网天津市电力公司 基于负荷分解的日前电力负荷预测方法
CN114254838A (zh) * 2022-01-07 2022-03-29 深圳供电局有限公司 一种短期电力负荷预测影响因子的确定方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860985A (zh) * 2020-07-07 2020-10-30 国网天津市电力公司 基于负荷分解的日前电力负荷预测方法
CN111860985B (zh) * 2020-07-07 2022-04-01 国网天津市电力公司 基于负荷分解的日前电力负荷预测方法
CN114254838A (zh) * 2022-01-07 2022-03-29 深圳供电局有限公司 一种短期电力负荷预测影响因子的确定方法

Similar Documents

Publication Publication Date Title
CN110729764B (zh) 一种含光伏发电系统的优化调度方法
CN110880789B (zh) 一种风电、光伏联合发电系统经济调度方法
CN110909958A (zh) 一种计及光伏并网功率的短期负荷预测方法
CN110866658A (zh) 一种城市电网中长期负荷预测方法
CN114004139B (zh) 一种光伏发电功率预测方法
CN109193748B (zh) 一种光伏消纳能力的评价方法及计算设备
CN110097220B (zh) 一种风力发电月度电量预测方法
CN114792156B (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN111525552B (zh) 一种基于特征信息的三阶段短期风电场群功率预测方法
CN114021420A (zh) 一种分布式光伏超短期发电功率预测方法及系统
CN110991747A (zh) 一种计及风电场功率的短期负荷预测方法
CN104598985A (zh) 电力负荷预测方法
CN106845694A (zh) 一种风能、太阳能管理系统
CN115965132A (zh) 基于ga-bp神经网络的分布式光伏数字孪生系统功率预测方法
CN112307672A (zh) 基于布谷鸟算法优化的bp神经网络短期风功率预测方法
Gao Application of improved grey theory prediction model in medium-term load forecasting of distribution network
CN110991748A (zh) 一种城市电网短期负荷预测方法
CN113205228A (zh) 一种短期风力发电输出功率的预测方法
CN115481918A (zh) 一种基于源网荷储的单元状态主动感知及预测分析系统
CN116485443A (zh) 一种电力现货市场价格信息预测优化方法及系统
Meng et al. A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day
CN118412848A (zh) 一种多维度中长期发电量预测方法
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
CN118428754A (zh) 一种新能源发电输入功率预测方法及系统
CN117277312A (zh) 一种基于灰色关联分析的电力负荷影响因素方法及设备

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

Application publication date: 20200410

WW01 Invention patent application withdrawn after publication