CN111210058A - 一种基于网格化的配电网自上而下负荷预测信息方法 - Google Patents
一种基于网格化的配电网自上而下负荷预测信息方法 Download PDFInfo
- Publication number
- CN111210058A CN111210058A CN201911369614.6A CN201911369614A CN111210058A CN 111210058 A CN111210058 A CN 111210058A CN 201911369614 A CN201911369614 A CN 201911369614A CN 111210058 A CN111210058 A CN 111210058A
- Authority
- CN
- China
- Prior art keywords
- load
- grid
- prediction
- load prediction
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000011161 development Methods 0.000 claims abstract description 24
- 238000006467 substitution reaction Methods 0.000 claims description 19
- 230000004888 barrier function Effects 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Development Economics (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于网格化的配电网自上而下负荷预测信息方法，包括以下步骤：划分L1、L2规划网格、建立L2网格负荷预测公式、建立L1网格负荷预测公式、建立变量计量经济方程、构建场景模型、预测变量、未来用电负荷的预测值、年最大负荷预测曲线和查询网格负荷预测值；本发明以L1、L2规划网格划分方式，并以L1、L2网格区域进行负荷预测，各区域分开预测，预测结果更清楚，且通过场景模型的方式带入各种变量的赋值，使负荷预测考虑到区域发展数据等各项因素，论证了预测结果的可信程度及准确性，使负荷预测信息更加合理，对未来电网发展规划具有积极的意义。
Description
技术领域
本发明涉及电力行业信息化技术领域，尤其涉及一种基于网格化的配电网自上而下负荷预测信息方法。
背景技术
国家经济高速发展，城市规模不断扩大，这些年国家大量投资用于电源点的建设，却忽略了城市配电网方面建设，使得一些城市建设超前于电网建设，城市规划优先于配电网规划，严重制约了城市配网的发展；
在电力系统中，负荷预测是电网规划中的基础工作，是制定电力发展规划的重要依据，其精度的高低直接影响着电网规划质量的优劣，负荷预测工作要求具有很强的科学性，需要大量反应客观规律的科学数据，采用适应发展规律的科学方案，选用符合实际的科学参数，预测未来水平；它既是保证电力系统安全经济运行和实现电网科学管理及调度的重要方面，又是能量管理系统的组成部分，也是今后进行电网商业化运营所必需的基本内容，因此，本发明提出一种基于网格化的配电网自上而下负荷预测信息方法以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明的目的在于提出一种基于网格化的配电网自上而下负荷预测信息方法，该基于网格化的配电网自上而下负荷预测信息方法有利于计划用电管理，有利于减少能耗和降低发电成本，有利于合理安排电网运行方式和建立设备检修计划，有利于提高电力系统的经济效益和社会效益。
为实现本发明的目的，本发明通过以下技术方案实现：一种基于网格化的配电网自上而下负荷预测信息方法，包括以下步骤：
步骤一：划分L1、L2规划网格
在城市电网网站查询和实地考察，记录城市中的源变电站位置和数量、主杆道路和自然屏障位置和数量、馈线组数量和位置、街区的位置和数量，将城市划分为L1网格区域和L2网格区域，其中，L2网格是由2-3组馈线组标准接线供电，满足用户负荷，由2-3个街区组成的网格，L1网格是满足L2网格的接线要求，由3-5个源变电站形成，由2-3条主干道路和自然屏障合围成的区域网格。
步骤二：建立L2网格负荷预测公式
以L2区域网格为单位，收集L2区域网格内上一年最高日负荷实际值，以及近2-3年内年负荷的自然增长率，然后收集区域发展及人民生活变量作为补充：选取人口、社会固定资产投资额、人均收入、人均消费支出、居民消费水平、居民消费价格指数(CPI)、表征区域投资及消费因素，从而确定区域网格内新增大用户、高消费用户对用电负荷的影响，然后根据上述数据建立L2网格负荷预测公式：
预测某年的负荷值＝上一年最高日负荷实际值(MW)×(1+年负荷自然增长率(％))+新增大用户负荷(MV)；
步骤三：建立L1网格负荷预测公式
根据步骤二得出的L2网格区域负荷预测公式，建立L1网格负荷预测公式：
预测某年的负荷值＝ΣL2网格负荷预测值×L2网格负荷同时系数；
步骤四：建立变量计量经济方程
收集L1、L2各区域网格的2-3年内的GDP、各产业结构及人口、城市化率、新能源及可再生能源消费比重以及电能替代量，将这些变量与电力负荷变量进行分析得到电力需求变量的计量经济方程，然后对3-5年历史年份的电力负荷变量的预测值与实际值之间的误差，来判断方程的可信度，计量经济方程验证参数取绝对百分比误差与平均绝对百分比误差，计算公式如下
式(12)中APEi表示各区域总负荷预测第i年的绝对百分比误差，用百分数表示；yi1为总负荷第i年的预测值，单位亿千瓦时；yi0为总负荷第i年的实际值，单位为亿千瓦时；
步骤五：构建场景模型
建立BIM数据库，将步骤一数据导入，借助ArcGIS和Revit软件将2D平面图中的参数进行拉伸立体化，构建3D可视化模型，然后采用ContextCapture将L2和L1的GIS数据进行处理并基于影像自动化进行三维模型构建，软件建模对象为静态个体，得到的GIS空间模型和源变电站、主杆道路、自然屏障位置、馈线组和街区对应的三维模型相结合，输入相应数据，对整体模型进行精修重建，使地物要素完整，再按照L2、L1划分对总体模型进行划分切割，从而对内部各要素实现单体化，构建完整的场景模型；
步骤六：预测变量
将步骤二中收集的变量数据：选取人口、社会固定资产投资额、人均收入、人均消费支出、居民消费水平、居民消费价格指数(CPI)、表征区域投资及消费因素对步骤五中场景模型的单元赋值，同时，将步骤四中收集的变量数据：GDP、各产业结构及人口、城市化率、新能源及可再生能源消费比重以及电能替代量，并结合计量经济方程对步骤五中场景模型的单元赋值，从而基于L1和L2网格划分的区域，对各解释变量进行预测；
步骤七：未来用电负荷的预测值
基于逐步回归得到的计量经济方程对各区域总电量负荷进行置信区间预测，将置信区间上限与下限作为两个独立的时间序列，通过年增长率确定各区域未来负荷值的范围，通过总电量负荷置信区间上下限确定电力负荷弹性系数以及人均用电负荷的范围，以此确定预测结果的可信度，然后采用logistic模型与冈珀茨模型分别对各区域负荷历史数据进行拟合并得到未来用电负荷的预测值，通过对比分析验证置信区间预测的准确率；
步骤八：年最大负荷预测曲线
将步骤七中各区域未来负荷值分为年最大负荷、年最大峰谷差、年负荷率、季不均衡系数四个参数以及年最大负荷曲线，年最大负荷曲线预测通过对历史各区域3-5年负荷数据进行分析，按照季不均衡系数的预测值进行标幺值曲线的选取，随后通过年最大负荷的预测值条件化，得到未来负荷值的年最大负荷预测曲线；
步骤九：查询网格负荷预测值
将步骤八中得到的各区域未来负荷值的年最大负荷预测曲线分别作为条件输入到场景模型中以L1、L2网格划分的所在区域，并以不同的负荷值来条件可视化各区域，将场景模型输入到网络服务器，以L1、L2各网格区域为条件即可查询统计网格负荷预测值。
进一步改进在于：所述步骤二中，选取人口、社会固定资产投资额、人均收入、人均消费支出、居民消费水平、居民消费价格指数(CPI)、表征区域投资及消费因素均为区域发展数据。
进一步改进在于：所述步骤四中，GDP、各产业结构及人口为区域发展规划目标，通过Gompertz模型实现远景与中间年份数据的填充。
进一步改进在于：所述步骤四中，城市化率依据区域规划目标，选取预测结论与近年实际情况或规划目标较为吻合的研究，直接取其预测作为研究的数据来源，并通过Gompertz模型进行数据填充。
进一步改进在于：所述步骤四中，新能源及可再生能源消费比重的确定依据为区域能源发展规划，并通过Gompertz模型对缺失数据进行填充。
进一步改进在于：所述步骤四中，电能替代量确定依据主要为地方电网为近景年的电能替代潜力预测，远景发展趋势则参考电能替代潜力领域已有研究成果，同时依据地方电网近年电能替代具体数据进行确定，并应用在未来预测值中。
进一步改进在于：所述步骤五中，对整体模型进行精修重建的步骤包括三维重建模型、补充影像采集、局部分离编辑、精细化修编重建和更新合并。
进一步改进在于：所述步骤七中，置信区间预测的方法为：设因变量y与解释变量xj(j＝1,2,3,…,n)之间的关系为
其中yi为因变量序列，n为解释变量个数，xji(j＝1,2,3,…,n)为解释变量序列，ε为随机误差，服从正态分布N(0,σ2)。
进一步改进在于：所述步骤七中，logistic模型，其函数如下所示：
冈珀茨模型如下形式：
进一步改进在于：所述步骤九中，将各区域未来负荷值的年最大负荷预测曲线分别作为条件输入到场景模型中以L1、L2网格划分的所在区域后，再将步骤二和步骤三得出的网格负荷预测公式输入场景模型，与负荷预测曲线进行对比验证。
本发明的有益效果为：本发明以L1、L2规划网格划分方式，并以L1、L2网格区域进行负荷预测，各区域分开预测，预测结果更清楚，且通过场景模型的方式带入各种变量的赋值，使负荷预测考虑到区域发展数据等各项因素，论证了预测结果的可信程度及准确性，使负荷预测信息更加合理，对未来电网发展规划具有积极的意义，同时，将场景模型输入到网络服务器，以L1、L2各网格区域为条件即可查询统计网格负荷预测值，使用更加方便，综上，优化负荷预测水平有利于计划用电管理，有利于减少能耗和降低发电成本，有利于合理安排电网运行方式和建立设备检修计划，有利于提高电力系统的经济效益和社会效益。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
本实施例提供了一种基于网格化的配电网自上而下负荷预测信息方法，包括以下步骤：
步骤一：划分L1、L2规划网格
在城市电网网站查询和实地考察，记录城市中的源变电站位置和数量、主杆道路和自然屏障位置和数量、馈线组数量和位置、街区的位置和数量，将城市划分为L1网格区域和L2网格区域，其中，L2网格是由2-3组馈线组标准接线供电，满足用户负荷，由2-3个街区组成的网格，L1网格是满足L2网格的接线要求，由3-5个源变电站形成，由2-3条主干道路和自然屏障合围成的区域网格。
步骤二：建立L2网格负荷预测公式
以L2区域网格为单位，收集L2区域网格内上一年最高日负荷实际值，以及近2-3年内年负荷的自然增长率，然后收集区域发展及人民生活变量作为补充：包括区域发展数据：选取人口、社会固定资产投资额、人均收入、人均消费支出、居民消费水平、居民消费价格指数(CPI)、表征区域投资及消费因素，从而确定区域网格内新增大用户、高消费用户对用电负荷的影响，然后根据上述数据建立L2网格负荷预测公式：
预测某年的负荷值＝上一年最高日负荷实际值(MW)×(1+年负荷自然增长率(％))+新增大用户负荷(MV)；
步骤三：建立L1网格负荷预测公式
根据步骤二得出的L2网格区域负荷预测公式，建立L1网格负荷预测公式：
预测某年的负荷值＝ΣL2网格负荷预测值×L2网格负荷同时系数；
步骤四：建立变量计量经济方程
收集L1、L2各区域网格的2-3年内的GDP、各产业结构及人口、城市化率、新能源及可再生能源消费比重以及电能替代量，其中，GDP、各产业结构及人口为区域发展规划目标，通过Gompertz模型实现远景与中间年份数据的填充，城市化率依据区域规划目标，选取预测结论与近年实际情况或规划目标较为吻合的研究，直接取其预测作为研究的数据来源，并通过Gompertz模型进行数据填充，新能源及可再生能源消费比重的确定依据为区域能源发展规划，并通过Gompertz模型对缺失数据进行填充，电能替代量确定依据主要为地方电网为近景年的电能替代潜力预测，远景发展趋势则参考电能替代潜力领域已有研究成果，同时依据地方电网近年电能替代具体数据进行确定，并应用在未来预测值中，将上述变量与电力负荷变量进行分析得到电力需求变量的计量经济方程，然后对3-5年历史年份的电力负荷变量的预测值与实际值之间的误差，来判断方程的可信度，计量经济方程验证参数取绝对百分比误差与平均绝对百分比误差，计算公式如下
式(12)中APEi表示各区域总负荷预测第i年的绝对百分比误差，用百分数表示；yi1为总负荷第i年的预测值，单位亿千瓦时；yi0为总负荷第i年的实际值，单位为亿千瓦时；
步骤五：构建场景模型
建立BIM数据库，将步骤一数据导入，借助ArcGIS和Revit软件将2D平面图中的参数进行拉伸立体化，构建3D可视化模型，然后采用ContextCapture将L2和L1的GIS数据进行处理并基于影像自动化进行三维模型构建，软件建模对象为静态个体，得到的GIS空间模型和源变电站、主杆道路、自然屏障位置、馈线组和街区对应的三维模型相结合，输入相应数据，对整体模型进行精修重建，步骤包括三维重建模型、补充影像采集、局部分离编辑、精细化修编重建和更新合并，使地物要素完整，再按照L2、L1划分对总体模型进行划分切割，从而对内部各要素实现单体化，构建完整的场景模型；
步骤六：预测变量
将步骤二中收集的变量数据：选取人口、社会固定资产投资额、人均收入、人均消费支出、居民消费水平、居民消费价格指数(CPI)、表征区域投资及消费因素对步骤五中场景模型的单元赋值，同时，将步骤四中收集的变量数据：GDP、各产业结构及人口、城市化率、新能源及可再生能源消费比重以及电能替代量，并结合计量经济方程对步骤五中场景模型的单元赋值，从而基于L1和L2网格划分的区域，对各解释变量进行预测；
步骤七：未来用电负荷的预测值
基于逐步回归得到的计量经济方程对各区域总电量负荷进行置信区间预测，置信区间预测的方法为：设因变量y与解释变量xj(j＝1,2,3,…,n)之间的关系为
其中yi为因变量序列，n为解释变量个数，xji(j＝1,2,3,…,n)为解释变量序列，ε为随机误差，服从正态分布N(0,σ2)，将置信区间上限与下限作为两个独立的时间序列，通过年增长率确定各区域未来负荷值的范围，通过总电量负荷置信区间上下限确定电力负荷弹性系数以及人均用电负荷的范围，以此确定预测结果的可信度，然后采用logistic模型与冈珀茨模型分别对各区域负荷历史数据进行拟合并得到未来用电负荷的预测值，logistic模型，其函数如下所示：
冈珀茨模型如下形式：
通过对比分析验证置信区间预测的准确率；
步骤八：年最大负荷预测曲线
然后将步骤七中各区域未来负荷值分为年最大负荷、年最大峰谷差、年负荷率、季不均衡系数四个参数以及年最大负荷曲线，年最大负荷曲线预测通过对历史各区域3-5年负荷数据进行分析，按照季不均衡系数的预测值进行标幺值曲线的选取，随后通过年最大负荷的预测值条件化，得到未来负荷值的年最大负荷预测曲线；
步骤九：查询网格负荷预测值
将步骤八中得到的各区域未来负荷值的年最大负荷预测曲线分别作为条件输入到场景模型中以L1、L2网格划分的所在区域，再将步骤二和步骤三得出的网格负荷预测公式输入场景模型，与负荷预测曲线进行对比验证，并以不同的负荷值来条件可视化各区域，将场景模型输入到网络服务器，以L1、L2各网格区域为条件即可查询统计网格负荷预测值。
该基于网格化的配电网自上而下负荷预测信息方法以L1、L2规划网格划分方式，并以L1、L2网格区域进行负荷预测，各区域分开预测，预测结果更清楚，且通过场景模型的方式带入各种变量的赋值，使负荷预测考虑到区域发展数据等各项因素，论证了预测结果的可信程度及准确性，使负荷预测信息更加合理，对未来电网发展规划具有积极的意义，同时，将场景模型输入到网络服务器，以L1、L2各网格区域为条件即可查询统计网格负荷预测值，使用更加方便，综上，优化负荷预测水平有利于计划用电管理，有利于减少能耗和降低发电成本，有利于合理安排电网运行方式和建立设备检修计划，有利于提高电力系统的经济效益和社会效益。
验证例：2018年某L2网格的供电线路最高日负荷实际值为27.09MW，2019年负荷自然增长率为3％，2019年新增大用户负荷为0.5MW，2019年该L2网格负荷预测值＝27.09×(1+3％)+0.5＝28.4027MW。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于网格化的配电网自上而下负荷预测信息方法，其特征在于：包括以下步骤：
步骤一：划分L1、L2规划网格
在城市电网网站查询和实地考察，记录城市中的源变电站位置和数量、主杆道路和自然屏障位置和数量、馈线组数量和位置、街区的位置和数量，将城市划分为L1网格区域和L2网格区域，其中，L2网格是由2-3组馈线组标准接线供电，满足用户负荷，由2-3个街区组成的网格，L1网格是满足L2网格的接线要求，由3-5个源变电站形成，由2-3条主干道路和自然屏障合围成的区域网格。
步骤二：建立L2网格负荷预测公式
以L2区域网格为单位，收集L2区域网格内上一年最高日负荷实际值，以及近2-3年内年负荷的自然增长率，然后收集区域发展及人民生活变量作为补充：选取人口、社会固定资产投资额、人均收入、人均消费支出、居民消费水平、居民消费价格指数(CPI)、表征区域投资及消费因素，从而确定区域网格内新增大用户、高消费用户对用电负荷的影响，然后根据上述数据建立L2网格负荷预测公式：
预测某年的负荷值＝上一年最高日负荷实际值(MW)×(1+年负荷自然增长率(％))+新增大用户负荷(MV)；
步骤三：建立L1网格负荷预测公式
根据步骤二得出的L2网格区域负荷预测公式，建立L1网格负荷预测公式：
预测某年的负荷值＝ΣL2网格负荷预测值×L2网格负荷同时系数；
步骤四：建立变量计量经济方程
收集L1、L2各区域网格的2-3年内的GDP、各产业结构及人口、城市化率、新能源及可再生能源消费比重以及电能替代量，将这些变量与电力负荷变量进行分析得到电力需求变量的计量经济方程，然后对3-5年历史年份的电力负荷变量的预测值与实际值之间的误差，来判断方程的可信度，计量经济方程验证参数取绝对百分比误差与平均绝对百分比误差，计算公式如下
式(12)中APEi表示各区域总负荷预测第i年的绝对百分比误差，用百分数表示；yi1为总负荷第i年的预测值，单位为亿千瓦时；yi0为总负荷第i年的实际值，单位为亿千瓦时；
步骤五：构建场景模型
建立BIM数据库，将步骤一数据导入，借助ArcGIS和Revit软件将2D平面图中的参数进行拉伸立体化，构建3D可视化模型，然后采用ContextCapture将L2和L1的GIS数据进行处理并基于影像自动化进行三维模型构建，软件建模对象为静态个体，得到的GIS空间模型和源变电站、主杆道路、自然屏障位置、馈线组和街区对应的三维模型相结合，输入相应数据，对整体模型进行精修重建，使地物要素完整，再按照L2、L1划分对总体模型进行划分切割，从而对内部各要素实现单体化，构建完整的场景模型；
步骤六：预测变量
将步骤二中收集的变量数据：选取人口、社会固定资产投资额、人均收入、人均消费支出、居民消费水平、居民消费价格指数(CPI)、表征区域投资及消费因素对步骤五中场景模型的单元赋值，同时，将步骤四中收集的变量数据：GDP、各产业结构及人口、城市化率、新能源及可再生能源消费比重以及电能替代量，并结合计量经济方程对步骤五中场景模型的单元赋值，从而基于L1和L2网格划分的区域，对各解释变量进行预测；
步骤七：未来用电负荷的预测值
基于逐步回归得到的计量经济方程对各区域总电量负荷进行置信区间预测，将置信区间上限与下限作为两个独立的时间序列，通过年增长率确定各区域未来负荷值的范围，通过总电量负荷置信区间上下限确定电力负荷弹性系数以及人均用电负荷的范围，以此确定预测结果的可信度，然后采用logistic模型与冈珀茨模型分别对各区域负荷历史数据进行拟合并得到未来用电负荷的预测值，通过对比分析验证置信区间预测的准确率；
步骤八：年最大负荷预测曲线
将步骤七中各区域未来负荷值分为年最大负荷、年最大峰谷差、年负荷率、季不均衡系数四个参数以及年最大负荷曲线，年最大负荷曲线预测通过对历史各区域3-5年负荷数据进行分析，按照季不均衡系数的预测值进行标幺值曲线的选取，随后通过年最大负荷的预测值条件化，得到未来负荷值的年最大负荷预测曲线；
步骤九：查询网格负荷预测值
将步骤八中得到的各区域未来负荷值的年最大负荷预测曲线分别作为条件输入到场景模型中以L1、L2网格划分的所在区域，并以不同的负荷值来条件可视化各区域，将场景模型输入到网络服务器，以L1、L2各网格区域为条件即可查询统计网格负荷预测值。
2.根据权利要求1所述的一种基于网格化的配电网自上而下负荷预测信息方法，其特征在于：所述步骤二中，选取人口、社会固定资产投资额、人均收入、人均消费支出、居民消费水平、居民消费价格指数(CPI)、表征区域投资及消费因素均为区域发展数据。
3.根据权利要求1所述的一种基于网格化的配电网自上而下负荷预测信息方法，其特征在于：所述步骤四中，GDP、各产业结构及人口为区域发展规划目标，通过Gompertz模型实现远景与中间年份数据的填充。
4.根据权利要求1所述的一种基于网格化的配电网自上而下负荷预测信息方法，其特征在于：所述步骤四中，城市化率依据区域规划目标，选取预测结论与近年实际情况或规划目标较为吻合的研究，直接取其预测作为研究的数据来源，并通过Gompertz模型进行数据填充。
5.根据权利要求1所述的一种基于网格化的配电网自上而下负荷预测信息方法，其特征在于：所述步骤四中，新能源及可再生能源消费比重的确定依据为区域能源发展规划，并通过Gompertz模型对缺失数据进行填充。
6.根据权利要求1所述的一种基于网格化的配电网自上而下负荷预测信息方法，其特征在于：所述步骤四中，电能替代量确定依据主要为地方电网为近景年的电能替代潜力预测，远景发展趋势则参考电能替代潜力领域已有研究成果，同时依据地方电网近年电能替代具体数据进行确定，并应用在未来预测值中。
7.根据权利要求1所述的一种基于网格化的配电网自上而下负荷预测信息方法，其特征在于：所述步骤五中，对整体模型进行精修重建的步骤包括三维重建模型、补充影像采集、局部分离编辑、精细化修编重建和更新合并。
8.根据权利要求1所述的一种基于网格化的配电网自上而下负荷预测信息方法，其特征在于：所述步骤七中，置信区间预测的方法为：设因变量y与解释变量xj(j＝1,2,3,…,n)之间的关系为
其中yi为因变量序列，n为解释变量个数，xji(j＝1,2,3,…,n)为解释变量序列，ε为随机误差，服从正态分布N(0,σ2)。
9.根据权利要求1所述的一种基于网格化的配电网自上而下负荷预测信息方法，其特征在于：所述步骤七中，logistic模型，其函数如下所示：
冈珀茨模型如下形式：
10.根据权利要求1所述的一种基于网格化的配电网自上而下负荷预测信息方法，其特征在于：所述步骤九中，将各区域未来负荷值的年最大负荷预测曲线分别作为条件输入到场景模型中以L1、L2网格划分的所在区域后，再将步骤二和步骤三得出的网格负荷预测公式输入场景模型，与负荷预测曲线进行对比验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911369614.6A CN111210058B (zh) | 2019-12-26 | 2019-12-26 | 一种基于网格化的配电网自上而下负荷预测信息方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911369614.6A CN111210058B (zh) | 2019-12-26 | 2019-12-26 | 一种基于网格化的配电网自上而下负荷预测信息方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111210058A true CN111210058A (zh) | 2020-05-29 |
| CN111210058B CN111210058B (zh) | 2022-02-08 |
Family
ID=70786525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911369614.6A Active CN111210058B (zh) | 2019-12-26 | 2019-12-26 | 一种基于网格化的配电网自上而下负荷预测信息方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111210058B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329973A (zh) * | 2020-08-20 | 2021-02-05 | 国网湖北省电力有限公司襄阳供电公司 | 一种基于图神经网络和区域网格化的时空负荷预测方法 |
| CN113723719A (zh) * | 2021-11-03 | 2021-11-30 | 国网北京市电力公司 | 一种基于配变的近中期负荷预测方法、装置、设备及介质 |
| CN114021294A (zh) * | 2021-11-01 | 2022-02-08 | 武汉荣方科技有限公司 | 一种能源运行负荷预测及预警方法 |
| CN115186944A (zh) * | 2022-09-15 | 2022-10-14 | 合肥优晟电力科技有限公司 | 一种城市配电网规划方法及系统 |
| CN115829117A (zh) * | 2022-11-29 | 2023-03-21 | 湖北华中电力科技开发有限责任公司 | 基于终端用电信息的任意区域用电量短时预测方法及系统 |
| CN116011685A (zh) * | 2023-03-22 | 2023-04-25 | 国网陕西省电力有限公司西咸新区供电公司 | 电量预测方法、装置、计算机设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160188753A1 (en) * | 2014-12-25 | 2016-06-30 | State Grid Corporation Of China | Power Grid Development Stage Division Method Based on Logistic Model |
| CN109242191A (zh) * | 2018-09-20 | 2019-01-18 | 国网浙江省电力有限公司经济技术研究院 | 一种变电站供区双路径自适应负荷预测方法 |
| CN110119888A (zh) * | 2019-04-24 | 2019-08-13 | 杭州国电电力科技发展有限公司 | 一种基于分布式电源接入的有源网格化规划方法 |
| CN110443402A (zh) * | 2019-06-19 | 2019-11-12 | 国家电网有限公司 | 一种适应高可靠性供电需求的城市电网网格化规划方法 |
-
2019
- 2019-12-26 CN CN201911369614.6A patent/CN111210058B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160188753A1 (en) * | 2014-12-25 | 2016-06-30 | State Grid Corporation Of China | Power Grid Development Stage Division Method Based on Logistic Model |
| CN109242191A (zh) * | 2018-09-20 | 2019-01-18 | 国网浙江省电力有限公司经济技术研究院 | 一种变电站供区双路径自适应负荷预测方法 |
| CN110119888A (zh) * | 2019-04-24 | 2019-08-13 | 杭州国电电力科技发展有限公司 | 一种基于分布式电源接入的有源网格化规划方法 |
| CN110443402A (zh) * | 2019-06-19 | 2019-11-12 | 国家电网有限公司 | 一种适应高可靠性供电需求的城市电网网格化规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨鑫源 等: "网格化配电网规划在湖北城区的应用研究", 《智能建筑与智慧城市》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329973A (zh) * | 2020-08-20 | 2021-02-05 | 国网湖北省电力有限公司襄阳供电公司 | 一种基于图神经网络和区域网格化的时空负荷预测方法 |
| CN114021294A (zh) * | 2021-11-01 | 2022-02-08 | 武汉荣方科技有限公司 | 一种能源运行负荷预测及预警方法 |
| CN113723719A (zh) * | 2021-11-03 | 2021-11-30 | 国网北京市电力公司 | 一种基于配变的近中期负荷预测方法、装置、设备及介质 |
| CN115186944A (zh) * | 2022-09-15 | 2022-10-14 | 合肥优晟电力科技有限公司 | 一种城市配电网规划方法及系统 |
| CN115829117A (zh) * | 2022-11-29 | 2023-03-21 | 湖北华中电力科技开发有限责任公司 | 基于终端用电信息的任意区域用电量短时预测方法及系统 |
| CN115829117B (zh) * | 2022-11-29 | 2023-09-19 | 湖北华中电力科技开发有限责任公司 | 基于终端用电信息的任意区域用电量短时预测方法及系统 |
| CN116011685A (zh) * | 2023-03-22 | 2023-04-25 | 国网陕西省电力有限公司西咸新区供电公司 | 电量预测方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111210058B (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111210058B (zh) | 一种基于网格化的配电网自上而下负荷预测信息方法 | |
| Müller et al. | Modeling framework for planning and operation of multi-modal energy systems in the case of Germany | |
| Bertheau | Supplying not electrified islands with 100% renewable energy based micro grids: A geospatial and techno-economic analysis for the Philippines | |
| CN107123982B (zh) | 一种基于设备异动的配电网可靠性经济效益分析方法 | |
| CN109858758A (zh) | 一种配电网电能质量的组合赋权评估方法及系统 | |
| CN105184455A (zh) | 一种面向城市电力数据分析的高维可视化分析方法 | |
| CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
| CN109492950A (zh) | 一种基于gis技术可满足大区域范围空间饱和负荷预测方法 | |
| CN112541618A (zh) | 基于网格化的主动配电网规划方法及存储介质 | |
| Shayesteh et al. | ATC-based system reduction for planning power systems with correlated wind and loads | |
| KR20140021179A (ko) | 일사량 예측 방법 및 장치 | |
| CN112966925B (zh) | 一种基于遥感时序变化分析的村镇垃圾增量风险分析系统 | |
| CN113723719B (zh) | 一种基于配变的近中期负荷预测方法、装置、设备及介质 | |
| CN117610214B (zh) | 一种基于动态地理特征的配电网接线智能规划方法 | |
| CN113610296B (zh) | 一种区域内用电负荷峰值预测方法及电网投资规划方法 | |
| Syranidou et al. | Development of an open framework for a qualitative and quantitative comparison of power system and electricity grid models for Europe | |
| 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 | |
| CN111832785A (zh) | 一种电能替代潜力的预测方法和系统 | |
| CN116611785A (zh) | 一种基于大数据的输变电工程造价模型构建方法、系统、设备及介质 | |
| CN110210642A (zh) | 一种城市电能替代量预测方法及装置 | |
| Heidary Dahooie | Husseinzadeh Kashan | |
| Corbier et al. | Impacts of decentralized power generation on distribution networks: a statistical typology of European countries | |
| Illing et al. | Market scenarios for integration of distribution system operators within the scheduling system | |
| Quatrosi | Clustering environmental performances, energy efficiency and clean energy patterns: a comparative static approach across EU Countries | |
| CN116488335A (zh) | 一种城区尺度的电力能耗动态监测调配方法、系统及设备 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 518000 electric power dispatching and communication building, 4020 Shennan East Road, Luohu District, Shenzhen, Guangdong Applicant after: Shenzhen Power Supply Co.,Ltd. Applicant after: China Southern Power Grid Shenzhen Digital Power Grid Research Institute Co.,Ltd. Address before: 518000 electric power dispatching and communication building, 4020 Shennan East Road, Luohu District, Shenzhen, Guangdong Applicant before: Shenzhen Power Supply Co.,Ltd. Applicant before: SHENZHEN COMTOP INFORMATION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240402 Address after: 518000 electric power dispatching and communication building, 4020 Shennan East Road, Luohu District, Shenzhen, Guangdong Patentee after: Shenzhen Power Supply Co.,Ltd. Country or region after: China Address before: 518000 electric power dispatching and communication building, 4020 Shennan East Road, Luohu District, Shenzhen, Guangdong Patentee before: Shenzhen Power Supply Co.,Ltd. Country or region before: China Patentee before: China Southern Power Grid Shenzhen Digital Power Grid Research Institute Co.,Ltd. |