CN111143774B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111143774B
CN111143774B CN201911353425.XA CN201911353425A CN111143774B CN 111143774 B CN111143774 B CN 111143774B CN 201911353425 A CN201911353425 A CN 201911353425A CN 111143774 B CN111143774 B CN 111143774B
Authority
CN
China
Prior art keywords
year
load
future
state
maximum
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.)
Active
Application number
CN201911353425.XA
Other languages
English (en)
Other versions
CN111143774A (zh
Inventor
齐彩娟
唐巍
田星
王蕾
张坤
张倩
高春成
史述红
董晓晶
党东升
袁明珠
吕经纬
习培玉
胡婉莉
任大江
冯雪
宫建锋
亢楠
王清波
方印
吕文涛
董武军
葛鹏江
车彬
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.)
Beijing Kedong Electric Power Control System Co Ltd
Economic and Technological Research Institute of State Grid Ningxia Electric Power Co Ltd
Original Assignee
Beijing Kedong Electric Power Control System Co Ltd
Economic and Technological Research Institute of State Grid Ningxia 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 Beijing Kedong Electric Power Control System Co Ltd, Economic and Technological Research Institute of State Grid Ningxia Electric Power Co Ltd filed Critical Beijing Kedong Electric Power Control System Co Ltd
Priority to CN201911353425.XA priority Critical patent/CN111143774B/zh
Publication of CN111143774A publication Critical patent/CN111143774A/zh
Application granted granted Critical
Publication of CN111143774B publication Critical patent/CN111143774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Water Supply & Treatment (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了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，通过区域历史电力数据，提取区域最大电力负荷关键影响因素；根据通过关键影响因素构建的未来第t年区域最大负荷的多状态模型获得未来第t年区域最大负荷的期望值和/或获得未来第t年区域最大负荷的高中低三种预测值和/或获得高于或低于某一负荷水平的累计概率；所述未来第t年区域最大负荷的多状态模型构建过程为：确定区域最大电力负荷与关键影响因素的关系函数；建立未来第t年关键影响因素的多状态模型；根据未来第t年关键影响因素的多状态模型建立未来第t年区域最大负荷的多状态模型。本发明有助于电力系统运行风险预警。

Description

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
技术领域
本发明涉及电气工程技术领域，具体涉及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。
背景技术
电力负荷预测是电力系统规划基础和前提，直接关系到电力系统运行的安全性和经济性。电力负荷预测是根据经济、社会、气象等的历史数据，探索电力负荷的变化规律，寻求电力负荷与各种相关因素之间的内在联系，从而对未来的电力负荷进行科学的预测。电力负荷预测精度的高低受到地区经济发展水平、产业结构、政策因素、人民生活水平和消费观念、电力市场化程度以及气候气温变化等诸多因素的影响。如何做好电力负荷预测是国内外专家一直以来非常关注、并不断研究探索的问题。
电力负荷预测有传统预测技术、现代预测技术两大类。1)传统预测技术主要有回归分析法和时间序列法。回归分析法是对实际调查的定量资料进行分析，找出事物发展的内部因素，确定自变量与因变量以及它们之间的相互关系，得到一个回归方程，然后利用回归方程进行预测。时间序列法是根据过去电力负荷统计数据，找到其随时间变化的规律，建立时序模型，以推断未来电力负荷数值的方法。2)现代预测技术主要包括人工神经网络法、模糊预测法、灰色预测法及组合预测法。人工神经网络是由大量人工神经元密集连接而成的网络，利用神经网络可以任意逼进非线性系统的特性，对历史的负荷曲线进行拟合，具有大规模分布式并行处理、非线性、自组织、自学习、联想记忆等优良特性。模糊负荷预测模型是在原有模型的基础上结合模糊理论形成新的预测模型，如模糊线性回归模型、模糊时间序列模型等，能够很好的处理带有模糊性的变量，解决了在负荷预测中存在大量的模糊信息的难题，提高了电力系统负荷预测的精度。灰色系统把负荷数据当作灰数，通过数据生成(累加、累减、均值和级比生成)得到新的数据列，从而减少数据的随机性，用此数据建立灰色模型进行预测，最后将预测值还原得到最终的负荷预测值，具有样本少、计算简单、实用性好的特点。组合预测综合利用了各种预测方法的预测结果，用适当的权系数加权平均进行预测，通过组合预测来提高预测精度，该类方法的实质是各预测模型权重的优化确定。
影响区域电力负荷的影响因素，包括地区经济发展水平、产业结构、政策因素、人民生活水平和消费观念、电力市场化程度以及气候气温变化等，具有较大的不确定性，直接影响了电力负荷的预测准确性。因此，需要进一步研究考虑电力负荷影响因素的不确定性的区域电力系统预测方法。
现有技术有2点不足：
1)基于现有电力负荷与影响因素的线性回归模型，只能获得唯一的电力负荷预测结果，不能考虑影响因素的多种变化可能性；
2)目前大多数电力系统负荷预测方法均为确定性预测方法，采用某一种方法难以同时获得电力负荷的高、中、低方案；针对某一高度关注的负荷水平值，不能给出累积(即高于、或低于某一负荷值)发生概率。
发明内容
为解决现有技术中的不足，本发明提供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，解决了目前电力系统负荷预测方法不能考虑影响因素的多种变化可能性，难以同时获得电力负荷的高、中、低方案，不能给出累积发生概率的问题。
为了实现上述目标，本发明采用如下技术方案：一种基于影响因素多状态模型的电力负荷预测方法，
通过区域历史电力数据，提取区域最大电力负荷关键影响因素；
根据通过关键影响因素构建的未来第t年区域最大负荷的多状态模型获得未来第t年区域最大负荷的期望值和/或获得未来第t年区域最大负荷的高中低三种预测值和/或获得高于或低于某一负荷水平的累计概率；
所述未来第t年区域最大负荷的多状态模型构建过程为：
确定区域最大电力负荷与关键影响因素的关系函数；
建立未来第t年关键影响因素的多状态模型；
根据未来第t年关键影响因素的多状态模型建立未来第t年区域最大负荷的多状态模型。
进一步的，所述通过区域历史电力数据，提取区域最大电力负荷关键影响因素，方法包括：
对每个影响因素分别计算区域最大电力负荷与影响因素之间的相关系数r：
式中，n为可获得的历史数据年份数；x′i为第i年某个影响因素值,i＝1,2,…,n；yi为第i年的区域最大负荷值，为n年影响因素x′i的均值；/>为n年最大负荷值yi的均值；
将相关系数r大于给定相关系数的阈值β的影响因素作为区域电力负荷关键影响因素。
进一步的，所述确定区域最大电力负荷与关键影响因素的关系函数，过程为：
通过对n年的区域最大电力负荷、关键影响因素的历史数据进行最小二乘拟合，建立两者的线性回归方程，根据n年的历史数据，得：
式中：yi为第i年的区域最大负荷值；xi,j为第i年第j个关键影响因素的值，i＝1,2,…,n；bj为第j个关键影响因素的回归参数，j＝1,2,…,p,p为关键影响因素的总数；
求得回归参数的估计值，则区域最大电力负荷、关键影响因素之间的线性回归方程为：
其中，为第j个关键影响因素的回归参数的估计值。
进一步的，所述未来第t年关键影响因素的多状态模型为：
其中，xn,j为当前年第j个关键影响因素的值；和/>分别为未来第t年第j个关键影响因素第k个状态的表征值、状态概率；/>分别为第j个关键影响因素第k种状态的表征值及发生概率，k＝1,2,…,mj，mj表示第j个关键影响因素年增长率的可能状态数。
进一步的，所述未来第t年区域最大负荷的多状态模型为：
yn+t的第l种状态的表征值yn+t (l)为：
式中：h(l,j)是未来第t年区域最大电力负荷yn+t为第l种状态时第j个关键影响因素对应的状态编号；为未来第t年状态编号为h(l,i)时第j个关键影响因素的表征值；
yn+t的第l种状态发生概率PY(l)为：
式中：是未来第t年第j个关键影响因素的状态编号为h(l,j)时发生的概率；
约束条件为：
NY表示未来第t年最大负荷yn+t的状态总数。
进一步的，所述未来第t年区域最大负荷的期望值为yED：
进一步的，所述未来第t年区域最大负荷的高中低三种预测值为：
式中：max、mid、min含义分别为取cer(c)的最大、中间、最小值；YH、YM、YL为负荷的高、中、低水平预测值；
将未来第t年最大负荷yn+t的多状态表征值l＝1,2,…,NY构成NY个原始数据，采用聚类法将NY个原始数据/>聚成3类；cer(c)为聚类中心，c＝1，2，3，c为聚类中心序号；
未来第t年最大负荷yn+t处于高水平YH、中水平YM、低水平YL的概率为：
由负荷高、中、低水平值及其概率形成电力负荷高、中、低水平预测方案，高方案为(YH,PRH)，中方案为(YM,PRM)，低方案为(YL,PRL)。
进一步的，获得高于或低于某一负荷水平的累计概率，过程为：
将未来第t年最大负荷yn+t的NY个状态表征值排序形成表征值序列及其对应的发生概率序列，给定负荷水平即可求得高于或低于某一负荷水平的累计概率。
进一步的，将未来第t年最大负荷yn+t的NY个状态表征值按照从大到小排列形成降序序列{ys(q)，q＝1,2,…,NY},PSY(q),q＝1,2,...,NY为ys(q)的发生概率，ys(q)为降序排列后的yn+t的第q个状态表征值；
给定负荷水平ys(q)，未来最大负荷高于或等于ys(q)的累积概率为未来最大负荷低于ys(q)的累积概率为/>u为状态表征值的序号。
一种基于影响因素多状态模型的电力负荷预测装置，其特征在于：包括：
关键影响因素提取模块，用于通过区域历史电力数据，提取区域最大电力负荷关键影响因素；
预测模块，用于根据通过关键影响因素构建的未来第t年区域最大负荷的多状态模型获得未来第t年区域最大负荷的期望值和/或获得未来第t年区域最大负荷的高中低三种预测值和/或获得高于或低于某一负荷水平的累计概率；
所述未来第t年区域最大负荷的多状态模型构建过程为：
确定区域最大电力负荷与关键影响因素的关系函数；
建立未来第t年关键影响因素的多状态模型；
根据未来第t年关键影响因素的多状态模型建立未来第t年区域最大负荷的多状态模型。
本发明所达到的有益效果：本发明基于区域电力系统负荷与影响因素的线性回归关系，可以获得区域电力系统未来最大负荷的各种可能状态值及其发生概率；基于区域电力系统未来最大负荷多状态模型进行深度预测，可以获得最大负荷期望值、高中低预测方案、某一负荷水平累计概率，有助于电力系统运行风险预警。
附图说明
图1是本发明具体实施方式中的一种电力负荷预测方法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1：如图1所示，一种基于影响因素多状态模型的电力负荷预测方法，包括步骤：
步骤1，通过区域历史电力数据，提取区域最大电力负荷关键影响因素；
根据区域最大电力负荷与各影响因素的相关系数，确定关键影响因素。
区域最大电力负荷的影响因素包括新能源装机容量、新能源年发电量、电能替代容量、电能替代年用电量、年最高气温、年最低气温、年最高气温持续时间、年最低气温持续时间等。
假设已知当前n年区域电力负荷、某一影响因素的n年的历史数据，可以根据式(1)计算区域最大电力负荷与其影响因素之间的相关系数r：
式中：r为Pearson相关系数；n为可获得的历史数据年份数；x′i为第i年某个影响因素值,i＝1,2,…,n；yi为第i年的区域最大负荷值，为n年影响因素x′i的均值；/>为n年最大负荷值yi的均值。
对于每个影响因素，按式(1)分别计算其与最大负荷的相关系数。
给定相关系数的阈值β，若影响因素x′i与区域最大电力负荷的相关系数r大于β，则认为影响因素x′i与区域最大电力负荷相关性强；若影响因素x′i与区域最大电力负荷的相关系数r小于β，则认为影响因素x′i与区域最大电力负荷的相关性弱。将相关系数r大于β的影响因素作为区域电力负荷关键影响因素。
步骤2，确定区域最大电力负荷与关键影响因素的关系函数；
通过对n年区域最大电力负荷、关键影响因素(步骤1确定)的历史数据进行最小二乘拟合，建立两者的线性回归方程。
根据n年的历史数据，可得
式中：yi为第i年的区域最大负荷值；xi,j为第i年第j个关键影响因素的值，i＝1,2,…,n；bj为第j个关键影响因素的回归参数，j＝1,2,…,p,p为关键影响因素的总数。
为了方便处理，将式(2)用矩阵形式表示，记
则式(2)可写为
Y＝XB (3)
可用最小二乘法求回归参数的估计值为：
则区域最大电力负荷、关键影响因素之间的线性回归方程为
为第j个关键影响因素的回归参数的估计值，xi,p为第i年第p个关键影响因素的值；
步骤3，建立未来第t年关键影响因素的多状态模型；
若要根据式(5)预测未来第t年(t>＝1)区域电力系统最大负荷，需要首先预测未来第t年的关键影响因素。为了反应影响因素的不确定性，对其进行多状态建模。
(1)建立关键影响因素xj年增长率多状态模型
假设关键影响因素xj(j＝1,2,…,p)年增长率共有mj个可能状态，第k种状态的表征值及其发生概率为则关键影响因素xj年增长率的多状态模型为且满足所有状态发生概率之和为1，即/>关键影响因素xj年增长率多状态模型如表1所示：
表1关键影响因素年增长率多状态模型
(2)建立未来第t年关键影响因素xj的多状态模型
未来第t年第j个关键影响因素的状态数与其增长率状态数相同，都是mj。根据第j个关键影响因素年增长率第k个状态的表征值状态概率/>可以获得未来第t年第j个关键影响因素xj第k个状态的表征值/>状态概率/>及其约束，如式(6)、(7)、(8)所示：
其中，xn,j为当前年第j个关键影响因素值；
未来第t年关键影响因素xj的多状态模型如表2所示。
表2未来第t年影响因素xj的多状态模型
步骤4，建立未来第t年区域最大负荷的多状态模型；
具体步骤包括：
(1)确定未来第t年区域最大电力负荷的所有可能状态，得到对应的状态编号；
未来第t年区域最大电力负荷yn+t的状态由其所有影响因素的状态组合而成，未来第t年区域最大电力负荷yn+t的状态数为表3给出了NY种状态形成方式。
表3未来第t年区域电力负荷的状态形成方式
例如：假设未来第t年区域最大电力负荷yn+t有3个关键影响因素xn+t,1、xn+t,2及xn+t,3，xn+t,1、xn+t,2及xn+t,3的增长率分别有2、3、4种状态，那么未来第t年xn+t,1、xn+t,2及xn+t,3的状态数也为2、3、4，未来第t年最大负荷yn+t的状态数为NY＝2×3×4＝24，表4给出了此种情形下yn+t的所有NY种状态组合方式。
表4 xn+t,1、xn+t,2及xn+t,3的状态数为2、3、4时yn+t的状态组合
例如，未来第t年最大负荷yn+t的第24种状态，其对应的三个影响因素的状态编号分别为2、3、4；
(2)确定未来第t年区域最大电力负荷多状态表征值及发生概率；
针对未来第t年最大负荷yn+t的第l种状态(l＝1,2,…,NY)，确定与其对应的各关键影响因素xn+t,j的状态编号。将未来第t年关键影响因素xn+t,j的不同状态值带入式(5)，可以获得yn+t的第l种状态的表征值yn+t (l)
式中：h(l,j)是未来第t年区域最大电力负荷yn+t为第l种状态时关键影响因素xn+t,j对应的状态编号；为状态编号为h(l,i)时关键影响因素xn+t,j的表征值。
yn+t的第l种状态发生概率为：
式中：PY(l)是yn+t的第l种状态发生概率；是关键影响因素xn+t,j的状态编号为h(l,j)时发生的概率。
约束条件为：
根据未来第t年最大负荷yn+t的状态数、状态表征值及其发生概率，可以建立其多状态模型如表5所示。
表5未来第t年最大负荷yn+t的多状态模型
步骤5，获得未来第t年区域最大负荷的期望值；
在制定区域电力系统规划方案时，需要提供区域最大电力负荷期望值作为基准负荷水平。
根据未来第t年最大负荷yn+t的多状态模型计算未来第t年最大负荷yn+t的期望值yED
实施例2：
在实施例1中步骤1-4的基础上还可以获得未来第t年区域最大负荷的高中低三种预测值；
在制定区域电力系统规划方案时，电力部门还需要提供区域最大电力负荷的高、中、低三种预测值，用于校验规划方案对不同负荷水平的适应性。常规线性回归方法没有考虑影响因素的多种可能状态，因此不能获得高、中、低三种预测值。利用实施例1中步骤4第t年最大负荷yn+t的多状态模型可以获得高、中、低三种预测值及其发生概率。
将未来第t年最大负荷yn+t的多状态表征值(l＝1,2,…,NY)构成NY个原始数据，采用C-means聚类法将NY个原始数据/>聚成3类。三类的聚类中心为{cer(c)，c＝1，2，3}，cer(c)为属于第c类的所有原始数据的平均值；以cer(c)为中心的原始数据数目分别为{NS(c),c＝1，2，3}，且NS(1)+NS(2)+NS(3)＝NY；划归至各类的数据为{(y1(l1),PY1(l1)),l1＝1,2,…,NS(1)}，{(y2(l2),PY2(l2)),l2＝1,2,…,NS(2)}，{(y3(l3),PY3(l3)),l3＝1,2,…,NS(3)}；y1(l1)、PY1(l1)分别为属于类别1的第t年区域最大负荷yn+t的第l1种状态的表征值及其发生概率；y2(l2)、PY2(l2)为属于类别2的第t年区域最大负荷yn+t的第l2种状态的表征值及其发生概率；y3(l3)、PY3(l3)为属于类别3的第t年区域最大负荷yn+t的第l3种状态的表征值及其发生概率。
则负荷的高、中、低水平预测值为：
式中：max、mid、min含义分别为取cer(c)的最大、中间、最小值；YH、YM、YL为负荷的高、中、低水平预测值。
根据cer(c)对应的高、中、低负荷水平，将以cer(c)为中心的原始数据相应地划归至高、中、低水平类。假设划归至高、中、低水平类的数据分别为{(yH(iH),PYH(iH)),iH＝1,2,…,NSH}，{(yM(iM),PYM(iM)),iM＝1,2,…,NSM}，{(yL(iL),PYL(iL)),iL＝1,2,…,NSL}，NSH、NSM、NSL分别为属于高、中、低水平的数据数目，iH,iM,iL分别表示高、中、低水平的数据的序号。
则未来第t年最大负荷yn+t处于高水平YH、中水平YM、低水平YL的概率为：
由负荷高、中、低水平值及其概率形成电力负荷高、中、低水平预测方案，高方案为(YH,PRH)，中方案为(YM,PRM)，低方案为(YL,PRL)。
实施例3：
在实施例1中步骤1-4的基础上，还可以计算高于或低于某一负荷水平的累计概率；
利用实施例1中步骤4第t年最大负荷yn+t的多状态模型，还可以获得高于或低于某一负荷水平的累计概率。
将未来第t年最大负荷yn+t的NY个状态表征值按照从大到小排列形成降序序列{ys(q)，q＝1,2,…,NY},PSY(q)(q＝1,2,...,NY)为ys(q)的发生概率，ys(q)为降序排列后的yn+t的第q个状态表征值，状态降序表如表6所示：
表6未来第n+t年最大负荷状态降序表
根据表6，可以计算未来第t年最大负荷yn+t高于、或低于某一负荷水平的概率。假定给定负荷水平(即负荷表征值)ys(q)，则未来最大负荷高于或等于ys(q)的累积概率为未来最大负荷低于ys(q)的累积概率为/>u为状态表征值的序号。
实施例4：
一种基于影响因素多状态模型的电力负荷预测装置，包括：
关键影响因素提取模块，用于通过区域历史电力数据，提取区域最大电力负荷关键影响因素；
预测模块，用于根据通过关键影响因素构建的未来第t年区域最大负荷的多状态模型获得未来第t年区域最大负荷的期望值和/或获得未来第t年区域最大负荷的高中低三种预测值和/或获得高于或低于某一负荷水平的累计概率；
所述未来第t年区域最大负荷的多状态模型构建过程为：
确定区域最大电力负荷与关键影响因素的关系函数；
建立未来第t年关键影响因素的多状态模型；
根据未来第t年关键影响因素的多状态模型建立未来第t年区域最大负荷的多状态模型。
本发明基于区域电力系统负荷与关键影响因素的线性回归模型和影响因素多状态模型，可以获得区域电力系统未来最大负荷的各种可能状态值及其发生概率；基于区域电力系统未来最大负荷多状态模型，提出了获得最大负荷期望值、高中低预测值、以及高于或低于某一负荷水平累计概率的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (2)

1.一种基于影响因素多状态模型的电力负荷预测方法，其特征在于：
通过区域历史电力数据，提取区域最大电力负荷关键影响因素；
根据通过关键影响因素构建的未来第t年区域最大负荷的多状态模型获得未来第t年区域最大负荷的期望值和/或获得未来第t年区域最大负荷的高中低三种预测值和/或获得高于或低于某一负荷水平的累计概率；
所述未来第t年区域最大负荷的多状态模型构建过程为：
确定区域最大电力负荷与关键影响因素的关系函数；
建立未来第t年关键影响因素的多状态模型；
根据未来第t年关键影响因素的多状态模型建立未来第t年区域最大负荷的多状态模型；
所述通过区域历史电力数据，提取区域最大电力负荷关键影响因素，方法包括：
对每个影响因素分别计算区域最大电力负荷与影响因素之间的相关系数r：
式中，n为可获得的历史数据年份数；x′i为第i年某个影响因素值,i＝1,2,…,n；yi为第i年的区域最大负荷值，为n年影响因素x′i的均值；/>为n年最大负荷值yi的均值；
将相关系数r大于给定相关系数的阈值β的影响因素作为区域电力负荷关键影响因素；
所述确定区域最大电力负荷与关键影响因素的关系函数，过程为：
通过对n年的区域最大电力负荷、关键影响因素的历史数据进行最小二乘拟合，建立两者的线性回归方程，根据n年的历史数据，得：
式中：yi为第i年的区域最大负荷值；xi,j为第i年第j个关键影响因素的值，i＝1,2,…,n；bj为第j个关键影响因素的回归参数，j＝1,2,…,p,p为关键影响因素的总数；
求得回归参数的估计值，则区域最大电力负荷、关键影响因素之间的线性回归方程为：
其中，为第j个关键影响因素的回归参数的估计值；
所述未来第t年关键影响因素的多状态模型为：
其中，xn,j为当前年第j个关键影响因素的值；和/>分别为未来第t年第j个关键影响因素第k个状态的表征值、状态概率；/>分别为第j个关键影响因素第k种状态的表征值及发生概率，k＝1,2,…,mj，mj表示第j个关键影响因素年增长率的可能状态数；
所述未来第t年区域最大负荷的多状态模型为：
yn+t的第l种状态的表征值为：
式中：h(l,j)是未来第t年区域最大电力负荷yn+t为第l种状态时第j个关键影响因素对应的状态编号；为未来第t年状态编号为h(l,i)时第j个关键影响因素的表征值；
yn+t的第l种状态发生概率PY(l)为：
式中：是未来第t年第j个关键影响因素的状态编号为h(l,j)时发生的概率；
约束条件为：
NY表示未来第t年最大负荷yn+t的状态总数；
所述未来第t年区域最大负荷的期望值为yED：
所述未来第t年区域最大负荷的高中低三种预测值为：
式中：max、mid、min含义分别为取cer(c)的最大、中间、最小值；YH、YM、YL为负荷的高、中、低水平预测值；
将未来第t年最大负荷yn+t的多状态表征值NY构成NY个原始数据，采用聚类法将NY个原始数据/>聚成3类；cer(c)为聚类中心，c＝1，2，3，c为聚类中心序号；
未来第t年最大负荷yn+t处于高水平YH、中水平YM、低水平YL的概率为：
由负荷高、中、低水平值及其概率形成电力负荷高、中、低水平预测方案，高方案为(YH,PRH)，中方案为(YM,PRM)，低方案为(YL,PRL)；
获得高于或低于某一负荷水平的累计概率，过程为：
将未来第t年最大负荷yn+t的NY个状态表征值排序形成表征值序列及其对应的发生概率序列，给定负荷水平即可求得高于或低于某一负荷水平的累计概率；
将未来第t年最大负荷yn+t的NY个状态表征值按照从大到小排列形成降序序列{ys(q)，q＝1,2,…,NY},PSY(q),q＝1,2,...,NY为ys(q)的发生概率，ys(q)为降序排列后的yn+t的第q个状态表征值；
给定负荷水平ys(q)，未来最大负荷高于或等于ys(q)的累积概率为未来最大负荷低于ys(q)的累积概率为/>u为状态表征值的序号。
2.一种基于影响因素多状态模型的电力负荷预测装置，其特征在于：包括：
关键影响因素提取模块，用于通过区域历史电力数据，提取区域最大电力负荷关键影响因素；
预测模块，用于根据通过关键影响因素构建的未来第t年区域最大负荷的多状态模型获得未来第t年区域最大负荷的期望值和/或获得未来第t年区域最大负荷的高中低三种预测值和/或获得高于或低于某一负荷水平的累计概率；
所述未来第t年区域最大负荷的多状态模型构建过程为：
确定区域最大电力负荷与关键影响因素的关系函数；
建立未来第t年关键影响因素的多状态模型；
根据未来第t年关键影响因素的多状态模型建立未来第t年区域最大负荷的多状态模型；
所述通过区域历史电力数据，提取区域最大电力负荷关键影响因素，方法包括：
对每个影响因素分别计算区域最大电力负荷与影响因素之间的相关系数r：
式中，n为可获得的历史数据年份数；x′i为第i年某个影响因素值,i＝1,2,…,n；yi为第i年的区域最大负荷值，为n年影响因素x′i的均值；/>为n年最大负荷值yi的均值；
将相关系数r大于给定相关系数的阈值β的影响因素作为区域电力负荷关键影响因素；
所述确定区域最大电力负荷与关键影响因素的关系函数，过程为：
通过对n年的区域最大电力负荷、关键影响因素的历史数据进行最小二乘拟合，建立两者的线性回归方程，根据n年的历史数据，得：
式中：yi为第i年的区域最大负荷值；xi,j为第i年第j个关键影响因素的值，i＝1,2,…,n；bj为第j个关键影响因素的回归参数，j＝1,2,…,p,p为关键影响因素的总数；
求得回归参数的估计值，则区域最大电力负荷、关键影响因素之间的线性回归方程为：
其中，为第j个关键影响因素的回归参数的估计值；
所述未来第t年关键影响因素的多状态模型为：
其中，xn,j为当前年第j个关键影响因素的值；和/>分别为未来第t年第j个关键影响因素第k个状态的表征值、状态概率；/>分别为第j个关键影响因素第k种状态的表征值及发生概率，k＝1,2,…,mj，mj表示第j个关键影响因素年增长率的可能状态数；
所述未来第t年区域最大负荷的多状态模型为：
yn+t的第l种状态的表征值yn+t (l)为：
式中：h(l,j)是未来第t年区域最大电力负荷yn+t为第l种状态时第j个关键影响因素对应的状态编号；为未来第t年状态编号为h(l,i)时第j个关键影响因素的表征值；
yn+t的第l种状态发生概率PY(l)为：
式中：是未来第t年第j个关键影响因素的状态编号为h(l,j)时发生的概率；
约束条件为：
NY表示未来第t年最大负荷yn+t的状态总数；
所述未来第t年区域最大负荷的期望值为yED：
所述未来第t年区域最大负荷的高中低三种预测值为：
式中：max、mid、min含义分别为取cer(c)的最大、中间、最小值；YH、YM、YL为负荷的高、中、低水平预测值；
将未来第t年最大负荷yn+t的多状态表征值NY构成NY个原始数据，采用聚类法将NY个原始数据/>聚成3类；cer(c)为聚类中心，c＝1，2，3，c为聚类中心序号；
未来第t年最大负荷yn+t处于高水平YH、中水平YM、低水平YL的概率为：
由负荷高、中、低水平值及其概率形成电力负荷高、中、低水平预测方案，高方案为(YH,PRH)，中方案为(YM,PRM)，低方案为(YL,PRL)；
获得高于或低于某一负荷水平的累计概率，过程为：
将未来第t年最大负荷yn+t的NY个状态表征值排序形成表征值序列及其对应的发生概率序列，给定负荷水平即可求得高于或低于某一负荷水平的累计概率；
将未来第t年最大负荷yn+t的NY个状态表征值按照从大到小排列形成降序序列{ys(q)，q＝1,2,…,NY},PSY(q),q＝1,2,...,NY为ys(q)的发生概率，ys(q)为降序排列后的yn+t的第q个状态表征值；
给定负荷水平ys(q)，未来最大负荷高于或等于ys(q)的累积概率为未来最大负荷低于ys(q)的累积概率为/>u为状态表征值的序号。
CN201911353425.XA 2019-12-25 2019-12-25 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 Active CN111143774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911353425.XA CN111143774B (zh) 2019-12-25 2019-12-25 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911353425.XA CN111143774B (zh) 2019-12-25 2019-12-25 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

Publications (2)

Publication Number Publication Date
CN111143774A CN111143774A (zh) 2020-05-12
CN111143774B true CN111143774B (zh) 2023-11-17

Family

ID=70519813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911353425.XA Active CN111143774B (zh) 2019-12-25 2019-12-25 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

Country Status (1)

Country Link
CN (1) CN111143774B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287281B (zh) * 2020-10-14 2023-06-30 珠海格力电器股份有限公司 耗电量确定方法、装置及空调机组

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514491A (zh) * 2013-10-18 2014-01-15 国网四川省电力公司自贡供电公司 一种电力负荷预测方法
CN104200277A (zh) * 2014-08-12 2014-12-10 南方电网科学研究院有限责任公司 一种中长期电力负荷预测模型建立方法
CN107944757A (zh) * 2017-12-14 2018-04-20 上海理工大学 电力互联系统可再生能源消纳能力评估分析方法
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
CN110135635A (zh) * 2019-04-29 2019-08-16 国网山东省电力公司经济技术研究院 一种区域电力饱和负荷预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514491A (zh) * 2013-10-18 2014-01-15 国网四川省电力公司自贡供电公司 一种电力负荷预测方法
CN104200277A (zh) * 2014-08-12 2014-12-10 南方电网科学研究院有限责任公司 一种中长期电力负荷预测模型建立方法
CN107944757A (zh) * 2017-12-14 2018-04-20 上海理工大学 电力互联系统可再生能源消纳能力评估分析方法
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
CN110135635A (zh) * 2019-04-29 2019-08-16 国网山东省电力公司经济技术研究院 一种区域电力饱和负荷预测方法及系统

Also Published As

Publication number Publication date
CN111143774A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN110232203B (zh) 知识蒸馏优化rnn短期停电预测方法、存储介质及设备
CN111652425B (zh) 一种基于粗糙集和长短期记忆网络的河流水质预测方法
CN107122832A (zh) 一种质量控制与可靠性分析的制造系统预防性维修方法
CN108761377A (zh) 一种基于长短时记忆模型的电能计量装置异常检测方法
CN112801388B (zh) 一种基于非线性时间序列算法的电力负荷预测方法及系统
CN109523021A (zh) 一种基于长短时记忆网络的动态网络结构预测方法
CN112884008B (zh) 一种电力信息采集系统运行状态的预测评估方法及装置
CN106199174A (zh) 基于迁移学习的挤压机能耗异常预测方法
CN112329990A (zh) 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN114519923B (zh) 一种电厂智能诊断预警方法和系统
CN113780684A (zh) 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法
CN113743538A (zh) 基于ipso-bp神经网络的智能楼宇能耗预测方法、设备和介质
CN109858700A (zh) 基于相似样本筛选的bp神经网络供暖系统能耗预测方法
CN112363896A (zh) 日志异常检测系统
CN114611764B (zh) 一种特定区域内企业工业用水异常监测预警方法
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及系统
CN113449919A (zh) 一种基于特征和趋势感知的用电量预测方法及系统
Lao et al. The optimized multivariate grey prediction model based on dynamic background value and its application
Gao et al. A multifactorial framework for short-term load forecasting system as well as the jinan’s case study
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN111143774B (zh) 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
CN114548494A (zh) 一种可视化造价数据预测智能分析系统
CN114091776A (zh) 一种基于K-means的多分支AGCNN短期电力负荷预测方法
CN117744495A (zh) 一种不同退化阶段下多模型驱动的特大型轴承寿命预测方法
Wang et al. Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises

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