CN111368257B - 煤改电负荷特性的分析预测方法及装置 - Google Patents

煤改电负荷特性的分析预测方法及装置 Download PDF

Info

Publication number
CN111368257B
CN111368257B CN202010082765.XA CN202010082765A CN111368257B CN 111368257 B CN111368257 B CN 111368257B CN 202010082765 A CN202010082765 A CN 202010082765A CN 111368257 B CN111368257 B CN 111368257B
Authority
CN
China
Prior art keywords
load
data
coal
electricity
load data
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
CN202010082765.XA
Other languages
English (en)
Other versions
CN111368257A (zh
Inventor
马国真
魏孟举
邵华
刘雪飞
胡珀
庞凝
张泽亚
王云佳
胡梦锦
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.)
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Hebei 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 State Grid Corp of China SGCC, Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010082765.XA priority Critical patent/CN111368257B/zh
Publication of CN111368257A publication Critical patent/CN111368257A/zh
Application granted granted Critical
Publication of CN111368257B publication Critical patent/CN111368257B/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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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

本发明适用于电力数据分析领域，特别涉及一种煤改电负荷特性的分析预测方法及装置。本煤改电负荷特性的分析预测方法包括：获取多个煤改电配变的负荷数据；对所述多个煤改电配变的负荷数据进行预处理；根据聚类算法对预处理后的多个煤改电配变的负荷数据进行聚类，得到预设种类的负荷特性。本方法可以提升分析煤改电配变的负荷特性的准确性。

Description

煤改电负荷特性的分析预测方法及装置
技术领域
本发明适用于电力数据分析领域，特别涉及一种煤改电负荷特性的分析预测方法及装置。
背景技术
随着时间的发展，从长远看，电能作为新能源的主要转化对象，通过再电气化进程，在低碳、环保方面较其他化石能源具有先天优势，煤改电是低碳与保护生态环境战略的唯一选择。但从短期看，煤改电带来的经济负担较重，同时受产业发展水平限制，采暖效果差，电力供应不足，煤改电仍面临诸多问题。
对用户的采暖用电数据进行挖掘、整理、分析和预测，对于解决煤改电进程中的矛盾与问题有着重要的意义，可以用来规划后续用户的电网建设方案，进而指导电网的建设过程。目前，尚无对于煤改电配变的负荷特性的统计研究，且现有技术在对一般负荷特性进行分析时，通常是对所有负荷进行统一处理，然而由于煤改电供暖设备种类较多，若应用现有的负荷特性分析方法对煤改电配变的负荷特性进行研究，会存在无法准确的分析煤改电配变的负荷特性的问题，进而导致在煤改电进程中，无法对全网电力负荷的波动进行精确的预测和评估。
发明内容
有鉴于此，本发明实施例提供了一种煤改电负荷特性的分析预测方法及装置，以解决现有技术中存在的无法准确的分析煤改电配变的负荷特性的问题。
本发明实施例的第一方面提供了一种煤改电负荷特性的分析预测方法，包括：
获取多个煤改电配变的负荷数据；
对所述多个煤改电配变的负荷数据进行预处理；
根据聚类算法对预处理后的多个煤改电配变的负荷数据进行聚类，得到预设种类的负荷特性。
本发明实施例的第二方面提供了一种煤改电负荷特性的分析预测装置，包括：
获取模块，用于获取多个煤改电配变的负荷数据；
预处理模块，用于对多个煤改电配变的负荷数据进行预处理；
聚类模块，用于根据聚类算法对预处理后的多个煤改电配变的负荷数据进行聚类，得到预设种类的负荷特性。
本发明获取多个煤改电配变的负荷数据；通过对所述多个煤改电配变的负荷数据进行预处理，可以提升后续对负荷特性分析的准确性；通过聚类算法对预处理后的多个煤改电配变的负荷数据进行聚类，可以保全原始数据的价值，使原始数据得到充分和准确的利用，从而可以区分不同采暖设备对应的配变，得到多个种类的负荷特性曲线，使得到的负荷特性曲线更贴合实际，提升了分析煤改电配变的负荷特性的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的煤改电负荷特性的分析预测方法的流程示意图；
图2为本发明实施例提供的根据聚类算法对预处理后的多个煤改电配变的负荷数据进行聚类的流程示意图；
图3为本发明实施例提供的聚类中心负荷曲线图；
图4为本发明实施例提供的配变负荷特性特征图表；
图5为本发明实施例提供的预测全网负荷的流程示意图；
图6是本发明实施例提供的采暖负荷与温度的线性回归方程的示意图；
图7是本发明实施例提供的煤改电后负荷预测图；
图8是本发明实施例提供的煤改电后每年2月负荷预测图；
图9是本发明实施例提供的煤改电后每年8月负荷预测图；
图10是本发明实施例提供的煤改电负荷特性的分析预测装置的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及其他任何变形，是指“包括但不限于”，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1是本发明实施例提供的煤改电负荷特性的分析预测方法的流程示意图，参见图1，该煤改电负荷特性的分析预测方法可以包括：
步骤S101，获取多个煤改电配变的负荷数据。
本发明实施例中，所述多个煤改电配变为经过煤改电专项工程改造的配电变压器。其负荷数据可以是一定时间段内的月均数据，周均数据或日均24点运行数据等。
步骤S102，对所述多个煤改电配变的负荷数据进行预处理。
本发明实施例中，由于获取的数据量较大，可能存在部分数据不准确或者某一时刻的数据缺失的情况，故需要对负荷数据进行预处理，以提升后续对负荷特性分析的准确性，具体的，可以对不准确的数据进行剔除或替换，对缺失的数据进行填补。
步骤S103，根据聚类算法对预处理后的多个煤改电配变的负荷数据进行聚类，得到预设种类的负荷特性。
本发明实施例中，由于不同采暖对应的煤改电配变的负荷特性也不同，此时若统一地对所有煤改电配变的负荷特性进行分析，会忽略不同类型的采暖设施对应的煤改电配变具有不同的负荷特性这一特征，使原始数据不能得到充分、准确的利用，浪费原始数据的价值，并且分析得出的负荷特性无法贴合实际的描述出煤改电配变的真实负荷特性。因此，通过聚类算法来区分不同采暖设备对应的配变，即将具有相似负荷特性的配变聚为一类，以提升分析煤改电配变的负荷特性的准确性。其中预设种类的数量可以根据采暖设备的大体种类进行设定，用于将煤改电配变分为预设数量的类别。
本发明实施例获取多个煤改电配变的负荷数据，通过对多个煤改电配变的负荷数据进行预处理，提升了数据的准确性，通过根据聚类算法对预处理后的多个煤改电配变的负荷数据进行聚类，将具有相似负荷特性的配变分别聚集在不同的类别，得到多个种类的负荷特性曲线，保全了原始数据的价值，使原始数据得到充分、准确的利用，也使得到的负荷特性曲线更贴合实际，提升了分析煤改电配变的负荷特性的准确性。
一些实施例中，所述对所述多个煤改电配变的负荷数据进行预处理，可以包括：对所述多个煤改电配变的负荷数据进行缺失值填充处理和异常值筛选处理中的至少一种。
本发明实施例中，在对多个煤改电配变的负荷数据进行预处理时，可以对所述多个煤改电配变的负荷数据进行缺失值填充处理，用以保持数据的完整性；也可以对所述多个煤改电配变的负荷数据进行异常值筛选处理，用以识别异常数据提升数据的真实准确性。
一些实施例中，当对所述多个煤改电配变的负荷数据进行缺失值填充处理时，可以包括：通过中位数法对所述多个煤改电配变的负荷数据进行填充处理。
本发明实施例中。若对所述多个煤改电配变的负荷数据进行缺失值填充处理时，可以通过均值、中位数、众数、随机数等方法进行缺失值的插补。本实施例中采用中位数法，中位数法在进行电力数据的插补时相比其他方法更具有准确性。举例说明，若在预处理过程中，发现某台配变日均24点数据存在少量数据的缺失，则将位于中间位置所对应的配变的日均24点数据的负荷数据作为填补负荷数据，填充该配变缺失的日均24点数据。对负荷数据进行缺失值填充处理，可以保持数据的完整性，从而提升负荷特性分析的准确性。
一些实施例中，当对所述煤改电配变的负荷数据进行异常值筛选处理时，可以包括：遍历所述多个煤改电配变的负荷数据；判断当前的煤改电配变的负荷数据、所述多个煤改电配变的负荷数据的平均值、所述多个煤改电配变的负荷数据的标准差是否满足预设条件；当判断满足预设条件时，将当前的煤改电配变的负荷数据作为异常值去除；其中，所述预设条件包括：z小于第一预设数值或大于第二预设数值，z＝(x-μ)/σ；式中，x为当前的煤改电配变的负荷数据，μ为所述多个煤改电配变的负荷数据的平均值，σ为所述多个煤改电配变的负荷数据的标准差。
本发明实施例中，若对所述煤改电配变的负荷数据进行异常值筛选处理时，可以通过预设一个标准化的分数用以识别异常负荷数据。即预设该标准化分数为z，z＝(x-μ)/σ，当小于第一预设数值或大于第二预设数值时，则x(当前的煤改电配变的负荷数据)即为异常负荷数据；式中，μ为所述多个煤改电配变的负荷数据的平均值，σ为所述多个煤改电配变的负荷数据的标准差。第一预设数值和第二预设数值根据实际情况进行设定，本实施例中第一预设数值可以为-3，第二预设数值可以为3，代表当前异常负荷数据与平均值的偏差超过三倍标准差。在上式中，z的量代表着原始分数和母体平均值之间的距离，以标准差为单位计算，z标准化后的数据服从正态分布，因此具有较高的准确性。
一些实施例中，所述根据聚类算法对预处理后的多个煤改电配变的负荷数据进行聚类，可以包括：
步骤S201，对所述预处理后的多个煤改电配变的负荷数据进行无量纲化处理，得到待聚类数据。
本发明实施例中，由于各配变负荷差异较大，为了提高聚类的准确性，需要消除量纲的差异。举例说明，本实施例中采集了158个采样煤改电配变供暖季的负荷数据，并对158个采样煤改电配变供暖季的每时刻负荷取均值，得到158个配变的供暖季日均24点负荷数据，作为多个煤改电配变的负荷数据，为了消除量纲差异，用每台配变的24个点负荷数据除以23点(即夜间11点)的负荷，使得每个时刻的负荷都在1的上下波动，以提高后续聚类步骤的准确性。
步骤S202，随机选取所述待聚类数据中预设数量的数据点作为初始聚类中心。
本发明实施例中，预设数量可以为3，对应供暖设备的大体类别数量。将无量纲化处理后的158个配变的供暖季日均24点负荷数据作为待聚类数据，随机确定3个配变的日均24点负荷数据作为初始聚类中心。
步骤S203，计算所述待聚类数据中每一数据点至各个初始聚类中心的距离。
本发明实施例中，计算每一个配变每个时刻的负荷数据到每个初始聚类中心的欧式距离。
步骤S204，根据所述数据点至各个初始聚类中心的距离确定所述数据点所在的聚类簇，并更新所述聚类簇的初始聚类中心。
本发明实施例中，在前述计算某一个配变某个时刻的负荷数据到3个初始聚类中心的距离之后，将此数据点归属于距离其最近的初始聚类中心的所在簇。在将该数据点加入其聚类簇之后，根据该聚类簇中的各个数据点距初始聚类中心的距离值更新初始聚类中心的位置，使得初始聚类中心位于该聚类簇的中心。
步骤S205，检测所述聚类簇是否满足预设聚类条件，若所述聚类簇不满足预设聚类条件，则返回执行根据所述数据点至初始聚类中心的距离确定所述数据点所在的聚类簇，并更新所述聚类簇的初始聚类中心的步骤。
步骤S206，若所述聚类簇满足预设聚类条件，则确定所述待聚类数据聚类完成。
本发明实施例中，若聚类簇不满足预设聚类条件，则会不断进行聚类簇初始聚类中心的更新直至聚类簇满足预设聚类条件，表明待聚类数据聚类完成。
一些实施例中，所述若所述聚类簇满足预设聚类条件，则确定所述待聚类数据聚类完成，可以包括：若所述聚类簇的初始聚类中心不再更新，则确定所述待聚类数据聚类完成，或，若所述聚类簇的初始聚类中心连续两次更新的距离都小于预设距离，则确定所述待聚类数据聚类完成。
本发明实施例中，预设聚类条件即初始聚类中心的位置不再发生变化，或，聚类簇的初始聚类中心连续两次更新的距离小于预设距离，则确定待聚类数据聚类完成。当初始聚类中心的位置不再发生变化时，说明已经遍历所有配变，则确定聚类完成；当在更新初始聚类中心的过程中，连续两次出现前一次的初始聚类中心距当前初始聚类中心的距离小于预设距离，继续更新初始聚类中心的位置只会增加时间成本，则可以确定待处理数据聚类完成。
图3是本发明实施例提供的聚类中心负荷曲线图，如图3所示，在对158个配变进行聚类后，分为了三类，第一类83台，第二类58台，第三类17台。第一类24时刻负荷在“1”附近波动，即该类配变全天负荷波动不大；第二类夜间负荷高，白天负荷低；第三类夜间负荷低，白天负荷高。
图4是基于图3结合天气温度进行相关性分析和统计获得的配变负荷特性特征图表。参示图4，在与天气温度的相关性方面，第三类配变分布较接近于0，第二类配变分布较接近于-1；在用电量增长率方面，第三类配变分布较小，第二类配变分布较大。
可见，聚类后的负荷曲线更能表征实际中配变的负荷特性特征，可以获得更多的信息以供分析。
一些实施例中，该方法还可以包括：
步骤S501，获取第一预设时间段的电力负荷数据和第二预设时间段的采暖负荷数据；其中，所述第一预设时间段的电力负荷数据包括第一预设时间段的月最大负荷、平均日最大负荷、平均日均负荷和平均日最小负荷。
本发明实施例中，所述第一预设时间段的电力负荷数据为一段历史时期内的电力负荷数据，第二预设时间段的采暖负荷数据为一段历史时期内的采暖负荷数据，两者的历史时期可以相同可以不同。本实施例中，电力负荷数据的采集时可以采集月最大负荷、平均日最大负荷、平均日均负荷和平均日最小负荷。
步骤S502，基于所述第一预设时间段的电力负荷数据，预测第一负荷。
本发明实施例中，根据采集的历史月最大负荷、平均日最大负荷、平均日均负荷和平均日最小负荷，可以对未来的电力负荷进行预测。
步骤S503，基于所述第二预设时间段的采暖负荷数据，预测第二负荷。
本发明实施例中，基于采集的历史采暖负荷数据，可以对未来的采暖负荷进行预测；其中，该未来的采暖负荷为由于煤改电推行激发的采暖负荷。
步骤S504，将所述第一负荷和所述第二负荷相加获得全网预测负荷。
本发明实施例中，将预测的电力负荷与预测的采暖负荷相加最终得到全网预测负荷。
一些实施例中，所述基于所述第一预设时间段的电力负荷数据，预测第一负荷，可以包括：基于所述历史负荷数据，构建以年月为维度的时间序列数据，对所述第一负荷进行预测；其中，所述第一负荷包括：未来月份的月极大负荷、平均日最大负荷、平均日均负荷和平均日最小负荷。
本发明实施例中，具体可以在D5000系统中导出的2014年1月-2018年2月约4年的统调全网24时刻负荷数据，提取月极大负荷(月最大负荷)、平均日最大负荷、平均日均负荷和平均日最小负荷，构建以年月为维度的时间序列数据。具体可以采用时间序列预测中的X12模型对未来月份的月极大负荷、平均日最大负荷、平均日均负荷和平均日最小负荷进行预测。其中，由于负荷数据与季节具有很强相关性，尤其是迎峰度夏、采暖季的用电负荷和其他时段有明显的差别，属于周期性的负荷数据；而X12模型基于计算机自动计算的时间序列因素分解模型。采用X12模型可以周期因素的干扰，有利于提高预测的准确性。
在本发明实施例中，用电负荷从长期来看呈现上升趋势，其中包括季节波动温度影响等因素，通过
Y＝Y_T*Y_S*Y_I
去除季节干扰因素并进行预测。式中，Y为月用电负荷数据，Y_T为长期趋势要素，Y_S为季节要素，Y_I为不规则要素。其中，长期趋势要素代表用电负荷时间序列长期的趋势特性；季节要素为负荷数据每年重复出现的循环变动，以12个月或4个季度为周期的周期性影响，由温度、每年的假期等因素引起。季节要素和循环要素的区别在于季节波动是固定间距(如季或月)中的自我循环，而循环要素是从一个周期变动到另一个周期，间距比较长且不固定的一种周期性波动；不规则要素又称随机因子、残余变动或噪声，其变动无规则可循，由影响用电负荷的偶然发生的事件引起。
在对月用电负荷数据长期趋势序列预测时，由于月用电负荷数据长期趋势序列往往随着时间的推移而保持逐步递增。基于其趋势性明显的特征，本发明实施例通过ARIMA模型对其预测。ARIMA模型是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。
月用电负荷数据长期趋势序列往往随着时间的推移而保持逐步递增。基于其趋势性明显的特征，本文选用ARIMA模型对其预测。ARIMA模型是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。
月用电负荷趋势序列Y_T的ARIMA(p，d，q)模型为：
式中，Y_T为月用电负荷数据长期趋势分量，d为差分次数，B为滞后算子，ωt为月售电量趋势分量序列经d次差分后形成的平稳序列，c为常数， 为自回归系数，p为自回归阶数，θ1，θ2，...，θq为移动平均系数，q为移动平均阶数，εt为均值等于0方差等于σ2的白噪声序列。
月用电负荷季节分量一般情况下，受夏季降温、冬季取暖需求，在迎峰度夏、供暖季负荷会由明显的上升趋势，本发明实施例中按“近大远小”的原则对历史季节周期分量同期值赋予一定的权值并求和，用X12模型进行预测，对未来几个月的用电负荷进行季节调整。
在对月用电负荷不规则分量预测时，由于中国的春节、十一等节假日对月度负荷时间序列也会产生影响，春节期间负荷呈正增长，这些都定义为不规则分量。本发明实施例中采用对历史随机分量同期值取平均，其值作为当期月用电负荷的随机分量。
一些实施例中，所述基于所述第二预设时间段的采暖负荷数据，预测第二负荷，可以包括：通过最小二乘法建立所述第二预设时间段的采暖负荷数据和天气温度的线性回归方程；基于所述线性回归方程，对所述第二负荷进行预测；其中，所述第二负荷为采暖预测负荷。
本发明实施例中，根据与电力系统历史负荷相关的日期、天气、采暖季、夏季、节假日等数据构建特征，探索与负荷的关系。对采暖负荷与六地市平均最高气温进行相关性分析，发现负荷与温度相关系数达-0.83，相关性明显，因此用线性回归方法构建采暖负荷与最高气温的线性回归方程为：采暖负荷＝-19.58*最高气温+169.50，如图6所示。基于该线性回归方程，可以预测采暖预测负荷。
将所述第一负荷和所述第二负荷相加获得全网预测负荷后，可以根据不同的时间尺度，获得如图7示出的煤改电后负荷预测图、如图8示出的煤改电后每年2月负荷预测图和如图9示出的煤改电后每年8月负荷预测图。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图10是本发明实施例提供的煤改电负荷特性的分析预测装置的示意图，参见图10，该煤改电负荷特性的分析预测装置90可以包括：
获取模块91，用于获取多个煤改电配变的负荷数据。
预处理模块92，用于对多个煤改电配变的负荷数据进行预处理。
聚类模块93，用于根据聚类算法对预处理后的多个煤改电配变的负荷数据进行聚类，得到预设种类的负荷特性。
一些实施例中，所述预处理模块还可以用于：
对所述多个煤改电配变的负荷数据进行缺失值填充处理和异常值筛选处理中的至少一种。
一些实施例中，所述预处理模块还可以用于：
当对所述多个煤改电配变的负荷数据进行缺失值填充处理时，通过中位数法对所述多个煤改电配变的负荷数据进行填充处理。
一些实施例中，所述预处理模块还可以用于：
当对所述煤改电配变的负荷数据进行异常值筛选处理时，遍历所述多个煤改电配变的负荷数据；判断当前的煤改电配变的负荷数据、所述多个煤改电配变的负荷数据的平均值、所述多个煤改电配变的负荷数据的标准差是否满足预设条件；当判断满足预设条件时，将当前的煤改电配变的负荷数据作为异常值去除；其中，所述预设条件包括：z小于第一预设数值或大于第二预设数值，z＝(x-μ)/σ；式中，x为当前的煤改电配变的负荷数据，μ为所述多个煤改电配变的负荷数据的平均值，σ为所述多个煤改电配变的负荷数据的标准差。
一些实施例中，所述聚类模块还可以用于：
对所述预处理后的多个煤改电配变的负荷数据进行无量纲化处理，得到待聚类数据；随机选取所述待聚类数据中预设数量的数据点作为初始聚类中心；计算所述待聚类数据中每一数据点至各个初始聚类中心的距离；根据所述数据点至各个初始聚类中心的距离确定所述数据点所在的聚类簇，并更新所述聚类簇的初始聚类中心；检测所述聚类簇是否满足预设聚类条件，若所述聚类簇不满足预设聚类条件，则返回执行根据所述数据点至初始聚类中心的距离确定所述数据点所在的聚类簇，并更新所述聚类簇的初始聚类中心的步骤；若所述聚类簇满足预设聚类条件，则确定所述待聚类数据聚类完成。
一些实施例中，所述聚类模块还可以用于：
若所述聚类簇的初始聚类中心不再更新，则确定所述待聚类数据聚类完成，或，若所述聚类簇的初始聚类中心连续两次更新的距离都小于预设距离，则确定所述待聚类数据聚类完成。
一些实施例中，该煤改电负荷特性的分析预测装置还可以包括：
预测模块，用于获取第一预设时间段的电力负荷数据和第二预设时间段的采暖负荷数据；其中，所述第一预设时间段的电力负荷数据包括第一预设时间段的月最大负荷、平均日最大负荷、平均日均负荷和平均日最小负荷；基于所述第一预设时间段的电力负荷数据，预测第一负荷；基于所述第二预设时间段的采暖负荷数据，预测第二负荷；将所述第一负荷和所述第二负荷相加获得全网预测负荷。
一些实施例中，预测模块还可以用于：
基于所述历史负荷数据，构建以年月为维度的时间序列数据，对所述第一负荷进行预测；其中，所述第一负荷包括：未来月份的月极大负荷、平均日最大负荷、平均日均负荷和平均日最小负荷。
一些实施例中，预测模块还可以用于：
通过最小二乘法建立所述第二预设时间段的采暖负荷数据和天气温度的线性回归方程；基于所述线性回归方程，对所述第二负荷进行预测；其中，所述第二负荷为采暖预测负荷。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述煤改电负荷特性的分析预测装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的煤改电负荷特性的分析预测方法及装置，可以通过其它的方式实现。例如，以上所描述的煤改电负荷特性的分析预测装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种煤改电负荷特性的分析预测方法，其特征在于，包括：
获取多个煤改电配变的负荷数据；
对所述多个煤改电配变的负荷数据进行预处理；
根据聚类算法对预处理后的多个煤改电配变的负荷数据进行聚类，得到预设种类的负荷特性；
其中，所述方法还包括：
获取第一预设时间段的电力负荷数据和第二预设时间段的采暖负荷数据；其中，所述第一预设时间段的电力负荷数据包括第一预设时间段的月最大负荷、平均日最大负荷、平均日均负荷和平均日最小负荷；
基于所述第一预设时间段的电力负荷数据，预测第一负荷；
基于所述第二预设时间段的采暖负荷数据，预测第二负荷；
将所述第一负荷和所述第二负荷相加获得全网预测负荷；
所述基于所述第一预设时间段的电力负荷数据，预测第一负荷，包括：基于所述历史负荷数据，构建以年月为维度的时间序列数据，对所述第一负荷进行预测；其中，所述第一负荷包括：未来月份的月极大负荷、平均日最大负荷、平均日均负荷和平均日最小负荷；
所述第一负荷的预测方法采用时间序列预测中的X12模型预测；月用电负荷从长期来看呈现上升趋势，并采用ARIMA模型预测月用电负荷的趋势；
所述月用电负荷计算公式为：
Y＝Y_T×Y_S×Y_I
其中，Y为月用电负荷数据，Y_T为长期趋势要素，Y_S为季节要素，Y_I为不规则要素；
所述基于所述第二预设时间段的采暖负荷数据，预测第二负荷，包括：
通过最小二乘法建立所述第二预设时间段的采暖负荷数据和天气温度的线性回归方程；
基于所述线性回归方程，对所述第二负荷进行预测；其中，所述第二负荷为采暖预测负荷；
所述第二负荷为未来的采暖负荷因煤改电推行激发的采暖负荷。
2.如权利要求1所述的煤改电负荷特性的分析预测方法，其特征在于，所述对所述多个煤改电配变的负荷数据进行预处理，包括：
对所述多个煤改电配变的负荷数据进行缺失值填充处理和异常值筛选处理中的至少一种。
3.如权利要求2所述的煤改电负荷特性的分析预测方法，其特征在于，当对所述多个煤改电配变的负荷数据进行缺失值填充处理时，包括：
通过中位数法对所述多个煤改电配变的负荷数据进行填充处理。
4.如权利要求2所述的煤改电负荷特性的分析预测方法，其特征在于，当对所述煤改电配变的负荷数据进行异常值筛选处理时，包括：
遍历所述多个煤改电配变的负荷数据；
判断当前的煤改电配变的负荷数据、所述多个煤改电配变的负荷数据的平均值、所述多个煤改电配变的负荷数据的标准差是否满足预设条件；
当判断满足预设条件时，将当前的煤改电配变的负荷数据作为异常值去除；
其中，所述预设条件包括：
z小于第一预设数值或大于第二预设数值，z＝(x-μ)/σ；式中，x为当前的煤改电配变的负荷数据，μ为所述多个煤改电配变的负荷数据的平均值，σ为所述多个煤改电配变的负荷数据的标准差。
5.如权利要求1所述的煤改电负荷特性的分析预测方法，其特征在于，所述根据聚类算法对预处理后的多个煤改电配变的负荷数据进行聚类，包括：
对所述预处理后的多个煤改电配变的负荷数据进行无量纲化处理，得到待聚类数据；
随机选取所述待聚类数据中预设数量的数据点作为初始聚类中心；
计算所述待聚类数据中每一数据点至各个初始聚类中心的距离；
根据所述数据点至各个初始聚类中心的距离确定所述数据点所在的聚类簇，并更新所述聚类簇的初始聚类中心；
检测所述聚类簇是否满足预设聚类条件，若所述聚类簇不满足预设聚类条件，则返回执行根据所述数据点至初始聚类中心的距离确定所述数据点所在的聚类簇，并更新所述聚类簇的初始聚类中心的步骤；
若所述聚类簇满足预设聚类条件，则确定所述待聚类数据聚类完成。
6.如权利要求5所述的煤改电负荷特性的分析预测方法，其特征在于，所述若所述聚类簇满足预设聚类条件，则确定所述待聚类数据聚类完成，包括：
若所述聚类簇的初始聚类中心不再更新，则确定所述待聚类数据聚类完成；
或，若所述聚类簇的初始聚类中心连续两次更新的距离都小于预设距离，则确定所述待聚类数据聚类完成。
7.一种煤改电负荷特性的分析预测装置，其特征在于，包括：
获取模块，用于获取多个煤改电配变的负荷数据；
预处理模块，用于对多个煤改电配变的负荷数据进行预处理；
聚类模块，用于根据聚类算法对预处理后的多个煤改电配变的负荷数据进行聚类，得到预设种类的负荷特性；
其中，所述装置还包括：
预测模块，用于获取第一预设时间段的电力负荷数据和第二预设时间段的采暖负荷数据；其中，所述第一预设时间段的电力负荷数据包括第一预设时间段的月最大负荷、平均日最大负荷、平均日均负荷和平均日最小负荷；
基于所述第一预设时间段的电力负荷数据，预测第一负荷；
基于所述第二预设时间段的采暖负荷数据，预测第二负荷；
将所述第一负荷和所述第二负荷相加获得全网预测负荷；
所述基于所述第一预设时间段的电力负荷数据，预测第一负荷，包括：基于所述历史负荷数据，构建以年月为维度的时间序列数据，对所述第一负荷进行预测；其中，所述第一负荷包括：未来月份的月极大负荷、平均日最大负荷、平均日均负荷和平均日最小负荷；
所述第一负荷的预测方法采用时间序列预测中的X12模型预测；月用电负荷从长期来看呈现上升趋势，并采用ARIMA模型预测月用电负荷的趋势；
所述月用电负荷计算公式为：
Y＝Y_T×Y_S×Y_I
其中，Y为月用电负荷数据，Y_T为长期趋势要素，Y_S为季节要素，Y_I为不规则要素；
所述基于所述第二预设时间段的采暖负荷数据，预测第二负荷，包括：
通过最小二乘法建立所述第二预设时间段的采暖负荷数据和天气温度的线性回归方程；
基于所述线性回归方程，对所述第二负荷进行预测；其中，所述第二负荷为采暖预测负荷；
所述第二负荷为未来的采暖负荷因煤改电推行激发的采暖负荷。
CN202010082765.XA 2020-02-07 2020-02-07 煤改电负荷特性的分析预测方法及装置 Active CN111368257B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010082765.XA CN111368257B (zh) 2020-02-07 2020-02-07 煤改电负荷特性的分析预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010082765.XA CN111368257B (zh) 2020-02-07 2020-02-07 煤改电负荷特性的分析预测方法及装置

Publications (2)

Publication Number Publication Date
CN111368257A CN111368257A (zh) 2020-07-03
CN111368257B true CN111368257B (zh) 2023-08-04

Family

ID=71207989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010082765.XA Active CN111368257B (zh) 2020-02-07 2020-02-07 煤改电负荷特性的分析预测方法及装置

Country Status (1)

Country Link
CN (1) CN111368257B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112615374B (zh) * 2020-12-25 2022-07-19 国网北京市电力公司 一种煤改电负荷还原计算方法、系统、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678398A (zh) * 2015-12-24 2016-06-15 国家电网公司 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统
CN108921324A (zh) * 2018-06-05 2018-11-30 国网江苏省电力有限公司南通供电分公司 基于配变聚类的台区短期负荷预测方法
CN110263995A (zh) * 2019-06-18 2019-09-20 广西电网有限责任公司电力科学研究院 考虑负荷增长率与用户用电特性的配变重过载预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678398A (zh) * 2015-12-24 2016-06-15 国家电网公司 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统
CN108921324A (zh) * 2018-06-05 2018-11-30 国网江苏省电力有限公司南通供电分公司 基于配变聚类的台区短期负荷预测方法
CN110263995A (zh) * 2019-06-18 2019-09-20 广西电网有限责任公司电力科学研究院 考虑负荷增长率与用户用电特性的配变重过载预测方法

Also Published As

Publication number Publication date
CN111368257A (zh) 2020-07-03

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
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
Zhang et al. Forecasting residential energy consumption: Single household perspective
US20180351355A1 (en) Method for identifying pattern of load cycle
CN110097297A (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
CN105678398A (zh) 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统
CN107506868B (zh) 一种短时电力负荷预测的方法及装置
CN110889527B (zh) 一种基于lstm神经网络的电动汽车充电负荷预测方法
CN111985701B (zh) 一种基于供电企业大数据模型库的用电预测方法
CN102426674A (zh) 一种基于马尔科夫链的电力系统负荷预测方法
CN114004296A (zh) 一种基于电力负荷特征反向提取监测点的方法及系统
CN111191811A (zh) 集群负荷预测方法、装置及存储介质
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN103002164A (zh) 电力呼叫中心话务量预测方法
CN114372360A (zh) 用于电力负荷预测的方法、终端及存储介质
CN105184388A (zh) 一种城市电力负荷短期预测的非线性回归方法
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN112712203A (zh) 一种配电网日最高负荷预测方法和系统
CN110991815A (zh) 一种台区电力能量调度方法及系统
CN115660225A (zh) 一种基于电表通信模块的用电负荷预测管理方法及系统
JP2006011715A (ja) 資源消費量の推定方法及び装置
CN115375205A (zh) 一种用水用户画像的确定方法、装置及设备
CN112990597A (zh) 一种工业园区工厂用电负荷的超短期预测方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法

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
GR01 Patent grant
GR01 Patent grant