CN110991815A - 一种台区电力能量调度方法及系统 - Google Patents
一种台区电力能量调度方法及系统 Download PDFInfo
- Publication number
- CN110991815A CN110991815A CN201911101124.8A CN201911101124A CN110991815A CN 110991815 A CN110991815 A CN 110991815A CN 201911101124 A CN201911101124 A CN 201911101124A CN 110991815 A CN110991815 A CN 110991815A
- Authority
- CN
- China
- Prior art keywords
- load
- day
- data
- historical
- predicted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 238000012843 least square support vector machine Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000002354 daily effect Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 15
- 239000002245 particle Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
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
- G06Q10/06—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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (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)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种台区电力能量调度方法及系统，包括以下内容：确定台区电力负荷的影响因素；获取预测日的影响因素数据，以及具有影响因素数据和历史负荷数据的历史样本，以形成样本数据；对筛选出的历史负荷数据进行分解；基于分解得到的负荷分量分别得到预测日负荷分量；根据所述预测日的负荷分量进行台区电力能量调度。本发明能够为台区范围内智慧能源的调度提供参考依据。
Description
技术领域
本发明涉及台区范围内的负荷预测技术，更具体的涉及一种台区电力能量调度方法及系统。
背景技术
电力系统负荷预测是电力调度自动化的重要依据和关键环节，随着电动汽车为代表的新能源设备的广泛接入，台区范围内的能量调度愈加重要，而对台区负荷预测是智慧能源服务系统能量调度的重要参考依据，但是，实践中发现台区电力负荷预测方法存在以下缺陷：
首先，样本选取盲目，缺乏有效的手段选取相似日，且未考虑节假日、日类型、气象因素、经济因素、社会因素、居民用电特点等现实影响因素对样本选取与负荷预测的影响，导致难以采用聚类分析等方法建立负荷预测模型；
其次，目前的负荷预测多集中于地市、省市等大区域内的电力负荷，对台区级别的负荷预测研究较少，事实上以台区为代表的小区域负荷预测存在负荷变化随机性强、影响因素多等特点，而目前的大区域负荷预测方法并不完全适用于台区级负荷预测，导致缺乏有效的手段对具备上述特点的台区负荷进行预测分析；
最后，现有的电力负荷预测机器学习模型，对以支持向量机为代表的核参数、学习参数的初值选取缺乏依据，未考虑电力负荷的统计学特征，导致学习参数初值的选取缺少针对性，增加了算法的迭代次数并易于陷入局部解，使得出的最优解未必是全局解。
发明内容
为了解决上述技术问题，本发明提供了一种台区电力能量调度方法。本发明能够为台区范围内智慧能源的调度提供参考依据。
本发明的技术方案如下。
一种台区电力能量调度方法，包括以下步骤：
基于预先设定的台区电力负荷的影响因素和获取的预测日的影响因素值，从历史数据中筛选出若干个相似日的历史负荷数据；
对筛选出的历史负荷数据进行分解；
基于分解得到的负荷分量分别得到预测日负荷分量；
根据所述预测日的负荷分量进行台区电力能量调度。
优选的，所述台区电力负荷的影响因素包括气象因素和日类型因素。
优选的，所述基于预先设定的台区电力负荷的影响因素和获取的预测日的影响因素值，从历史数据中筛选出若干个相似日的历史负荷数据，包括：
基于预先设定的台区电力负荷的影响因素获取的对应的历史数据形成历史样本数据；
对样本数据进行归一化处理，并对归一化之后的样本数据基于所述预测日的影响因素值进行聚类分析得到相似日；
获取所述相似日对应的历史负荷数据。
优选的，所述对归一化之后的样本数据基于所述预测日的影响因素值进行聚类分析得到相似日，包括：
基于归一化之后的样本数据构建归一化矩阵；
根据归一化矩阵数据建立反映预测日的影响因素值与历史样本的影响因素数据关联程度的相似系数矩阵；
设置阈值对相似系数矩阵进行筛选，得到相似日。
优选的，所述归一化矩阵数据如下式：
式中，XN×M为历史样本归一化矩阵，xij为第i个样本的j个影响因素的取值，M为影响因素数量，N为所选历史日样本数量。
优选的，所述对筛选出的历史负荷数据进行分解，包括：
对筛选出的历史负荷数据经过3级逐层分解依次得到三个低频分量和三个高频分量；
从低频分量中选择一个频率最低的分量，作为基荷部分；
从高频分量中选择频率较低的两个；
将剩余一个最高频分量作为杂波分量进行平滑去燥；
其中，所述最低频分量反应一天的负荷变化趋势；所述选择的两个高频分量描述短的时间尺度下负荷的变化趋势。
优选的，所述对分解得到的负荷分量采用最小二乘支持向量机的方法分别得到预测日负荷分量，包括：
选择出的低频分量和高频分量分别采用最小二乘支持向量机的方法得到所述低频分量和高频分量对应的负荷分量；
基于所述剩余的高频分量对所述负荷分量进行负荷信号重构得到预测日负荷分量。
优选的，所述最小二乘支持向量机模型如下式：
式中，y为一天中某点的预测负荷，w为权重向量，T为转置，x包括两部分数据，为归一化后的预测日对应各时刻各影响因素向量，xi为第i个样本日某时刻的输入向量，
将xi非线性映射到高维空间，b为偏置常数，αi为拉格朗日乘子，n为所选取的相似日样本个数，K(x,xi)为核函数；
其中，
为第i个样本日对应时刻前一天的历史负荷归一化数据，为所述选择出的一个低频分量或两个高频分量中的一个，
为第i日对应时刻M个影响因素的归一化向量；M为影响因素数量；
核函数K(x,xi)的计算式如下：
式中，p为核函数参数。
进一步的，所述台区电力负荷预测方法还包括采用相对误差和绝对误差对预测负荷进行评价。
本发明还提供了一种台区电力能量调度系统，包括筛选模块、分解模块、预测模块、以及调度模块；
所述筛选模块为基于预先设定的台区电力负荷的影响因素和获取的预测日的影响因素值，从历史数据中筛选出若干个相似日的历史负荷数据；
所述分解模块为对筛选出的历史负荷数据进行分解；
所述预测模块为基于分解得到的负荷分量分别得到预测日负荷分量；
所述调度模块为根据所述预测的负荷分量进行台区电力能量调度。
与现有技术相比，本发明具有如下有益效果：
本发明采用一种台区电力能量调度方法，包括：基于预先设定的台区电力负荷的影响因素和获取的预测日的影响因素值，从历史数据中筛选出若干个相似日的历史负荷数据；对筛选出的历史负荷数据进行分解；基于分解得到的负荷分量分别得到预测日负荷分量；根据所述预测日的负荷分量进行台区电力能量调度，解决了台区电力负荷预测技术所面临的台区电力负荷受到的影响因素多、负荷变化随机性强、负荷波动较大的技术难点，为台区范围内智慧能源的调度提供参考依据，是有益、有效的探索，可以广泛应用于台区范围内的负荷预测技术领域。
附图说明
图1是本发明的台区电力负荷预测方法流程图；
图2是本发明基于相似日小波支持向量机的台区电力负荷预测方法其中一个实施例的流程图；
图3是本发明历史负荷数据分解与重构其中一个实施例的示意图；
图4是某台区7个样本日的历史负荷数据基于Db4小波基的3层分解示意图；
图5是采用LSSVM模型各负荷分量的预测结果；
图6是预测日真实负荷与预测负荷对比；
图7是负荷预测相对误差RAR。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
实施例1：
本发明实施例提供一种台区电力能量调度方法，包括如图1所示的内容：
首先，基于预先设定的台区电力负荷的影响因素和获取的预测日的影响因素值，从历史数据中筛选出若干个相似日的历史负荷数据；
然后，对筛选出的历史负荷数据进行分解；
其次，基于分解得到的负荷分量分别得到预测日负荷分量；
再次，根据所述预测日的负荷分量进行台区电力能量调度。
其具体流程如图2所示，
实践中发现，台区电力负荷受到多种因素的影响，例如：气象因素和日类型因素，其中，气象因素包括温度、风力和天气类型，日类型因素包括正常日、节假日和星期类型。
台区电力负荷预测的精度既与上述影响因素密切关联，又与相似日的选取密切相关，本发明实施例中，根据影响因素建立相似日划分模型，鉴于不同影响因素具有不同的物理量纲，故需对样本数据包括历史负荷数据、影响类型数据进行归一化处理。
1.基于预先设定的台区电力负荷的影响因素和获取的预测日的影响因素值，从历史数据中筛选出若干个相似日的历史负荷数据，包括：
获取预测日的影响因素数据和历史影响因素数据形成样本数据；对样本数据进行归一化处理，并对归一化之后的样本数据进行聚类分析得到相似日；获取所述相似日对应的历史负荷数据,其具体包括以下内容：
S11：确定台区电力负荷的影响因素；
本实施例中，确定台区电力负荷的影响因素包括：日每小时温度、日每小时风力、天气类型、日类型；其中，天气类型包括晴、多云、阴天、雨/雪，日类型包括工作日、周末(周六/周日)、节假日；
S12：获取预测日的影响因素数据，以及具有影响因素数据和历史负荷数据的历史样本，以形成样本数据；
本实施例中，初步选取预测日前30天的历史样本和该范围内每日同一时刻(每5分钟的时间单元)近5年的历史样本，每个历史样本数据包含台区每5分钟的历史负荷，并具有S11步确立的M(本发明实施例M取4)个影响因素数据，预测日每5分钟的预测负荷同样具有M(M取4)个影响因素数据，对于预测日某时刻N个历史样本则有N×M影响因素输入矩阵：
式中，XN×M为历史样本矩阵，xij为第i个样本的j个影响因素的取值，M为影响因素数量，N为历史日数量。xi1,xi2,…xiM(M＝4)分别为第i个样本的日每小时温度、日每小时风力、天气类型(晴、多云、阴天、雨/雪)、日类型(工作日、周末(周六/周日)、节假日)；
S13：对S12中影响因素原始数据xij进行标准化和归一化处理；
本实施例中，对影响因素数据xij进行标准化和归一化处理，关于温度、风力指标采用的标准化公式与归一化公式如下所示，其中，
为关于温度、风力指标各自的平均值，Sj为温度、湿度指标各自的标准差，x″iij为温度、风力影响因素的归一化之后的数据，x′ij为温度、风力指标各自标准化之后的数据，x′jmax为N个样本中温度、风力指标各自标准化之后的最大值，x′jmin为温度、风力指标各自标准化之后的最小值：
上述归一化之后的样本数据构成N×M归一化矩阵X″N×M，对于天气类型和日类型归一化形式如下表1所示：
表1
S14：对归一化之后的样本数据进行聚类分析建立相似日选取模型；
本实施例中，取S13中的归一化之后的数据矩阵X″N×M，该矩阵共N个样本，每个样本具有M个特征，如S12中M取4，针对X″ij建立相似系数矩阵Rij＝r(ij)N×N，每个相似系数rij反映样本i与样本j的关联程度：
x″ik为归一化后第i个样本第k个影响因素值，x″jk为归一化后第j个样本第k个影响因素值，sk为归一化后第M个影响因素样本方差，
为归一化后第M的影响因素样本的平均值，设置阈值α，对相似系数矩阵Rij＝r(ij)N×N进行分类，本发明实施例设置阈值为0.8，若α大于0.8则认为样本i与样本j相关为1，否则为0，进一步的本发明实施例中通过预测日的影响因素与历史样本影响因素的关联程度，筛选相似日，选择合适的样本。
2.如图2所示，对步骤1中选取的历史负荷数据进行分解；
本实施例中，S为所选相似日的历史负荷数据，经过逐层分解，由高到低依次得到A1、A2、A3三个低频分量和D1、D2、D3三个高频分量，其中，低频部分中频率最低的分量A3作为实际负荷的低频部分反应一天的负荷变化趋势，作为基荷部分，高频部分中频率较底的D3、D2作为实际负荷的高频部分描述较短的时间尺度下负荷的变化趋势，D1高频分量具有随机性强的特征，作为杂波噪声处理，本发明实施例对A3、D3、D2采取最小二乘支持向量机LSSVM方法得到预测日负荷的对应分量，D1高频分量作为预测日负荷的杂波分量采用均值滤波处理。
3.对步骤2中小波分解得到的实际负荷分量A3、D3、D2采用最小二乘支持向量机的方法分别得到预测日负荷分量；
本实施例中，对于A3、D3、D2中的每个分分别采用以下方法：
对于样本(xi,yi)(i＝1,2,…,n)最小二乘支持向量机LSSVM采用的数学模型如下：
s.t.0≤αi≤C,i＝1,2,…,n (10)
式中，y为一天中某点的预测负荷，w为权重向量，T为转置，x为归一化后的预测日对应各时刻各影响因素向量，xi为第i个样本日某时刻的输入向量，
将xi非线性映射到高维空间，b为偏置常数，αi为拉格朗日乘子，K(x,xi)为核函数，
满足Mercer条件为核函数，进一步的在本发明实施例中，
为第i个样本日某时刻的输入向量，包括两部分数据，其中
为第i个样本日对应时刻前一天的历史负荷归一化数据，为A3、D3、D2中的一个，和步骤1中S12第i日对应时刻4个影响因素的归一化向量
yi为第i个样本日对应时刻的历史负荷，通过输入预测日前一天对应时刻的历史负荷归一化数据x0和预测日当天对应时刻4个影响因素的归一化向量构成的输入向量x＝(x0,x1,…,x4)，根据上述决策函数分别得到预测日一天288个时段的预测负荷，所选用的核函数采用如下径向基函数：
本实施例中，预测误差评价指标，采用相对误差RAR和绝对误差AE作为预测结果的评价指标，如下：
上式中，
为5分钟的预测负荷，Pt为对应5分钟的实际负荷，预测时段为预测日0至24小时共288个时间单元。
本发明实施例中，步骤3中最小二乘支持向量机的负荷预测模型核参数p、学习参数C依据电力负荷的正态分布特性，结合粒子群算法进行确定，回归系数α与b采用满足支持向量对偶型约束的SMO算法进行确定，SMO算法具体如下：
S31：确立SMO算法的优化目标和约束条件，对于步骤3中的最小二乘支持向量机模型，若核函数满足
则求解下面的对偶问题：
y为一天中某点的预测负荷，αi为拉格朗日乘子，对于确定的xi，yi，核函数K(xi,xj)，必然存在最优解
同时可求出：
S32：对于公式(12)的核参数p，鉴于台区电力负荷一般服从正态分布的特点，可以通过样本标准差确定初值：
p＝3σ (21)
本发明确定核参数p与样本标准差б的比值为3，学习参数C的初值为10；
S33：采用粒子群算法优化核参数p与学习参数C，以最小相对误差RAR和最小绝对误差AE作为粒子的搜索方向，选定粒子数为20；
S34：迭代求解p，C的最优值，对每个分量的负荷预测值进行重构，以低于相对误差7％作为迭代求解的终止条件，否则继续执行步骤S31、S32、S33、S34。
4.根据所述预测日负荷分量进行台区电力能量调度。
本发明采用聚类分析的方法建立了相似日选取模型，充分考虑了气象、日类型等现实影响因素，采用相似系数矩阵选取相似日，可以有效的选取相似日，保障所选样本的合理性、有效性。
本发明针对台区负荷，采用Db4小波基对原始负荷进行3层分解，通过对高频和低频分量的提取，有效分析了台区电力负荷特征。
实施例2
为了清楚说明本发明实施例提供的一种基于相似日小波支持向量机的台区电力负荷预测方法，以下结合某台区电力的电力负荷，进行详细说明：
如图3～4所示，选定某台区的预测日是2018年12月13日，完成以每5min为时间单元，共288个时段的电力负荷预测目标。
第一步，输入样本数据，对样本数据进行归一化处理，建立相似日划分模型选取典型日：
本发明实施例日负荷的采样点共288个，每5min作为台区电力负荷的样本数据单元，以预测日第100个时段的负荷信息为例，收集2018年11月13日至2018年12月12日，每天第100个时段的样本信息，收集该时间范围内每日第100个时段前五年的样本信息，这样针对预测日第100时段预测负荷，共收集180个历史样本信息。每个历史样本信息涵盖该时段的负荷、温度、风力、天气类型、日类型，预测日的样本信息包括温度、风力、天气类型、日类型，其中上述的天气类型包括晴、多云、阴天、雨/雪，日类型包括工作日、周末(周六/周日)、节假日。
对影响因素数据、负荷数据进行归一化处理，形成归一化之后的影响因素输入矩阵，其中日类型和天气情况归一化数据如下表2所示：
表2
本发明中2018年12月13预测日第100个时段的影响因素有温度7℃、风力1级、天气类型是多云、日类型为正常工作日(周四)，影响因素归一化后的输入向量是(0.81，0.56，0.3，0.2)。
针对选取的180个样本归一化之后的负荷影响因素输入矩阵X″180×180，建立相似系数矩阵Rij＝r(ij)180×180，每个相似系数rij反映样本i与样本j的关联程度：
设置阈值α，对相似系数矩阵进行分类，本发明设置阈值为0.8，若α大于0.8则认为样本i与样本j相关为1，否则为0，进一步的本发明通过预测日的影响因素与历史样本影响因素的关联程度，筛选相似日，最终选取七个相似日作为样本日，如表3所示：
表3
第二步，对第一步中所选取7个相似日的历史负荷数据采用Db4小波基进行3级分解，S为7个样本日的原始负荷数据，经过逐层分解依次得到A1、A2、A3三个低频分量和D1、D2、D3三个高频分量，其中A3作为实际负荷的低频部分反映一天的负荷变化趋势，作为基荷部分，D2、D3作为实际负荷的高频部分描述较短的时间尺度下负荷的变化趋势，D1高频分量具有随机性强的特征，作为杂波噪声处理，本发明对A3、D3、D2采取最小二乘支持向量机LSSVM方法得到预测日负荷的对应分量，D1高频分量作为预测日负荷的分量采用均值滤波处理，图2为相似日原始负荷S分解得到的高频D1、D2、D3和低频分量A3，从低频分量A3可以看到日负荷一天的变化趋势并在7个样本日中峰谷呈现周期性变化，高频分量D3较好的反映了日负荷变化的高频细节特征，D2较好的反映了负荷变化的高频随机性特征，D3与D2可以表现台区大功率电气设备、能源设备的随机运行情况，而D1显示原始负荷高频杂波特征。
第三步，对第二步中小波分解得到的实际负荷分量A3、D3、D2采用最小二乘支持向量机LSSVM的方法分别得到预测日负荷分量，在本例中对于所选的样本最小二乘支持向量机LSSVM采用的数学模型如下：
s.t.0≤αi≤C,i＝1,2,…,7
进一步的在本例中，
为第i个样本日的输入向量，包括第i个样本日前一天的历史负荷归一化数据
和第二步中第i日的4个影响因素归一化数据
yi为第i个样本日的历史负荷，通过输入预测日前一天的历史负荷归一化数据x0和预测日当天的4个影响因素归一化数据构成的向量x＝(x0,x1,…,x4)，根据上述决策函数得到预测日的预测负荷，所选用的核函数采用如下径向基函数：
采用相对误差RAR和绝对误差AE作为预测结果的评价指标，如下：
第四步，关于第三步最小二乘支持向量机模型核参数p和C的求解步骤如下：
S1：确立SMO算法的优化目标和约束条件，对于步骤3中的最小二乘支持向量机模型求解下面的对偶问题：
F(α)＝min
s.t.
对于确定的xi，yi，核函数K(xi,xj)，必然存在最优解
同时可求出：
S2：对于核参数p可以用样本标准差确定初值：
p＝3σ
本发明充分利用电力负荷的正态分布特性，当核函数的核参数p与标准差б的比值为3时可保留90％的负荷信息，确定学习参数C的初值为10。
S3：采用粒子群算法优化核参数p与学习参数C，以最小相对误差RAR和最小绝对误差AE作为粒子的搜索方向，选定粒子数为20，鉴于粒子群算法非常成熟，参照图7，具体细节本例不再敷述。
S4：迭代求解p，C的最优值，对每个分量的负荷预测值进行重构，以低于相对误差7％作为迭代求解的终止条件，否则继续执行步骤S1、S2、S3、S4。
本例中，低频负荷分量A3、高频负荷分量D2、D3最小二乘支持向量机模型学习参数p和C如下表4所示：
表4
| 负荷分量 | p | C |
| a3 | 0.21 | 1.12 |
| d3 | 0.052 | 0.18 |
| d2 | 0.021 | 0.072 |
本实施例中，该台区12月13日288个时段的预测负荷与真实负荷如图5所示，相对误差RAR如图6所示。
本发明采用最小二乘支持向量机的电力负荷预测模型，考虑了电力负荷的正态分布特性，确立核参数p的初始值，可以有效处理非线性问题，一定程度上提高了粒子群算法求解核参数的针对性，有效提高了台区负荷预测的精度。
实施例3：
本发明提供了一种基于相似日小波支持向量机的台区电力能量调度系统，依次包括以下设备及模块：
实时测试电力数据的监测设备、存储电力历史数据的数据库、筛选模块、分解模块、预测模块、以及调度模块；
其中，检测设备用来获取预测日的影响因素数据，以及具有影响因素数据和历史负荷数据的历史样本，以形成存储电力历史数据及影响因素数据的数据库；
筛选模块为基于预先设定的台区电力负荷的影响因素和获取的预测日的影响因素值，确定台区电力负荷的影响因素，从历史数据中筛选出若干个相似日的历史负荷数据；对样本数据进行归一化处理，并对归一化之后的样本数据进行聚类分析建立相似日划分模型；
分解模块为对筛选出的历史负荷数据采用Db4小波基进行3级分解；
预测模块为对分解得到的负荷分量采用最小二乘支持向量机的方法，分别得到预测日负荷分量并重构获取预测负荷；
调度模块为根据预测的负荷趋势进行台区电力能量调度。
显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。
本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.一种台区电力能量调度方法，其特征在于，包括：
基于预先设定的台区电力负荷的影响因素和获取的预测日的影响因素值，从历史数据中筛选出若干个相似日的历史负荷数据；
对筛选出的历史负荷数据进行分解；
基于分解得到的负荷分量分别得到预测日负荷分量；
根据所述预测日的负荷分量进行台区电力能量调度。
2.根据权利要求1所述的方法，其特征在于：所述台区电力负荷的影响因素包括气象因素和日类型因素。
3.根据权利要求1所述的方法，其特征在于：所述基于预先设定的台区电力负荷的影响因素和获取的预测日的影响因素值，从历史数据中筛选出若干个相似日的历史负荷数据，包括：
基于预先设定的台区电力负荷的影响因素获取的对应的历史数据形成历史样本数据；
对样本数据进行归一化处理，并对归一化之后的样本数据基于所述预测日的影响因素值进行聚类分析得到相似日；
获取所述相似日对应的历史负荷数据。
4.根据权利要求3所述的方法，其特征在于：所述对归一化之后的样本数据基于所述预测日的影响因素值进行聚类分析得到相似日，包括：
基于归一化之后的样本数据构建归一化矩阵；
根据归一化矩阵数据建立反映预测日的影响因素值与历史样本的影响因素数据关联程度的相似系数矩阵；
设置阈值对相似系数矩阵进行筛选，得到相似日。
5.根据权利要求3所述的方法，其特征在于：所述归一化矩阵数据如下式：
式中，XN×M为历史样本归一化矩阵，xij为第i个样本的j个影响因素的取值，M为影响因素数量，N为所选历史日样本数量。
6.根据权利要求1所述的方法，其特征在于：所述对筛选出的历史负荷数据进行分解，包括：
对筛选出的历史负荷数据经过3级逐层分解依次得到三个低频分量和三个高频分量；
从低频分量中选择一个频率最低的分量，作为基荷部分；
从高频分量中选择频率较低的两个；
将剩余一个最高频分量作为杂波分量进行平滑去燥；
其中，所述最低频分量反应一天的负荷变化趋势；所述选择的两个高频分量描述短的时间尺度下负荷的变化趋势。
7.根据权利要求6所述的方法，其特征在于：所述基于分解得到的负荷分量分别得到预测日负荷分量，包括：
选择出的低频分量和高频分量分别采用最小二乘支持向量机的方法得到所述低频分量和高频分量对应的负荷分量；
基于所述剩余的高频分量对所述负荷分量进行负荷信号重构得到预测日负荷分量。
8.根据权利要求7述的方法，其特征在于：所述最小二乘支持向量机模型如下式：
式中，y为一天中某点的预测负荷，w为权重向量，T为转置，x为归一化后的预测日对应各时刻各影响因素向量，xi为第i个样本日某时刻的输入向量，
将xi非线性映射到高维空间，b为偏置常数，αi为拉格朗日乘子，n为所选取的相似日样本个数，K(x,xi)为核函数；
其中，
为第i个样本日对应时刻前一天的历史负荷归一化数据，为所述选择出的一个低频分量或两个高频分量中的一个，
为第i日对应时刻M个影响因素的归一化向量；M为影响因素数量；
核函数K(x,xi)的计算式如下：
式中，p为核函数参数。
9.根据权利要求1述的方法，其特征在于：所述台区电力负荷预测方法还包括采用相对误差和绝对误差对预测负荷进行评价。
10.一种台区电力能量调度系统，其特征在于包括筛选模块、分解模块、预测模块、以及调度模块；
所述筛选模块为基于预先设定的台区电力负荷的影响因素和获取的预测日的影响因素值，从历史数据中筛选出若干个相似日的历史负荷数据；
所述分解模块为对筛选出的历史负荷数据进行分解；
所述预测模块为基于分解得到的负荷分量分别得到预测日负荷分量；
所述调度模块为根据所述预测的负荷分量进行台区电力能量调度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911101124.8A CN110991815A (zh) | 2019-11-12 | 2019-11-12 | 一种台区电力能量调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911101124.8A CN110991815A (zh) | 2019-11-12 | 2019-11-12 | 一种台区电力能量调度方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110991815A true CN110991815A (zh) | 2020-04-10 |
Family
ID=70083924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911101124.8A Pending CN110991815A (zh) | 2019-11-12 | 2019-11-12 | 一种台区电力能量调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991815A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070268A (zh) * | 2020-07-31 | 2020-12-11 | 浙江大有实业有限公司杭州科技发展分公司 | 基于酒店需求侧响应的电力负荷预测方法及装置 |
| CN112132351A (zh) * | 2020-09-28 | 2020-12-25 | 华北电力大学 | 电动汽车充电负荷聚类预测方法及装置 |
| CN112700043A (zh) * | 2020-12-31 | 2021-04-23 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
| CN113627724A (zh) * | 2021-07-02 | 2021-11-09 | 江苏能电科技有限公司 | 电量合理分配的方法、装置、存储介质及太阳能路灯设备 |
-
2019
- 2019-11-12 CN CN201911101124.8A patent/CN110991815A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070268A (zh) * | 2020-07-31 | 2020-12-11 | 浙江大有实业有限公司杭州科技发展分公司 | 基于酒店需求侧响应的电力负荷预测方法及装置 |
| CN112070268B (zh) * | 2020-07-31 | 2024-01-12 | 浙江大有实业有限公司杭州科技发展分公司 | 基于酒店需求侧响应的电力负荷预测方法及装置 |
| CN112132351A (zh) * | 2020-09-28 | 2020-12-25 | 华北电力大学 | 电动汽车充电负荷聚类预测方法及装置 |
| CN112700043A (zh) * | 2020-12-31 | 2021-04-23 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
| CN112700043B (zh) * | 2020-12-31 | 2024-03-08 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
| CN113627724A (zh) * | 2021-07-02 | 2021-11-09 | 江苏能电科技有限公司 | 电量合理分配的方法、装置、存储介质及太阳能路灯设备 |
| CN113627724B (zh) * | 2021-07-02 | 2024-04-05 | 江苏能电科技有限公司 | 电量合理分配的方法、装置、存储介质及太阳能路灯设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
| CN109919353B (zh) | 一种基于空间相关性的arima模型的分布式光伏预测方法 | |
| Afrasiabi et al. | Advanced deep learning approach for probabilistic wind speed forecasting | |
| Aprillia et al. | Statistical load forecasting using optimal quantile regression random forest and risk assessment index | |
| Xu et al. | Probabilistic load forecasting for buildings considering weather forecasting uncertainty and uncertain peak load | |
| CN110991815A (zh) | 一种台区电力能量调度方法及系统 | |
| CN111160625B (zh) | 电力负荷预测方法、装置、计算机设备及存储介质 | |
| CN106408223A (zh) | 基于气象相似日及误差校正的短期负荷预测方法 | |
| CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
| CN112862630B (zh) | 基于天气类型指数区间的光伏功率预测方法、终端及介质 | |
| Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
| CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
| CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
| 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 | |
| CN115293326A (zh) | 电力负荷预测模型的训练方法、装置及电力负荷预测方法 | |
| CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
| Mokarram et al. | Net-load forecasting of renewable energy systems using multi-input LSTM fuzzy and discrete wavelet transform | |
| Stephen et al. | Non-Gaussian residual based short term load forecast adjustment for distribution feeders | |
| Buonanno et al. | Comprehensive method for modeling uncertainties of solar irradiance for PV power generation in smart grids | |
| CN108154259B (zh) | 热泵的负荷预测方法及装置、存储介质、处理器 | |
| Zhang et al. | Hybrid model for renewable energy and load forecasting based on data mining and EWT | |
| Bellagarda et al. | Effectiveness of neural networks and transfer learning to forecast photovoltaic power production | |
| CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
| CN111967919A (zh) | 一种基于自回归和自适应提升算法的居民用电行为分析的系统及方法 | |
| CN112183878A (zh) | 一种结合知识图谱与神经网络的电力负荷预测方法 |
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 |