CN111476397A - 应用于中长期电量安全校核的母线负荷预测方法及系统 - Google Patents

应用于中长期电量安全校核的母线负荷预测方法及系统 Download PDF

Info

Publication number
CN111476397A
CN111476397A CN202010147922.0A CN202010147922A CN111476397A CN 111476397 A CN111476397 A CN 111476397A CN 202010147922 A CN202010147922 A CN 202010147922A CN 111476397 A CN111476397 A CN 111476397A
Authority
CN
China
Prior art keywords
load
data
bus
bus load
medium
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
Application number
CN202010147922.0A
Other languages
English (en)
Other versions
CN111476397B (zh
Inventor
杨鹏程
李利利
昌力
涂孟夫
吴炳祥
彭虎
赵浚婧
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.)
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Original Assignee
Nari Technology Co Ltd
NARI Nanjing Control System 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 Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN202010147922.0A priority Critical patent/CN111476397B/zh
Publication of CN111476397A publication Critical patent/CN111476397A/zh
Application granted granted Critical
Publication of CN111476397B publication Critical patent/CN111476397B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/23—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
    • G06Q10/06—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
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开应用于中长期电量安全校核的母线负荷预测方法及系统，该预测方法包括：筛选变压器等级，录入负荷数据表；对母线负荷数据进行聚类分析；获取系统负荷修正系数；获取母线负荷分配系数；获取系统负荷预测数据；计算获取母线负荷预测数据。本发明在实际电网模型下进行的中长期母线负荷数据预测方法研究，主要充分利用了历史数据的特性，对数据进行聚类分析，筛选了大量无效的数据，利用算法将历史数据与计划日数据相联系，同时还对应区分处节假日等特点，进行母线负荷数据预测。本发明能够有效解决目前中长期母线负荷数据缺乏的问题，并且有效的将历史数据与计划日的预测数据联系起来，具有广泛的推广前景。

Description

应用于中长期电量安全校核的母线负荷预测方法及系统
技术领域
本发明涉及一种安全校核领域基础出数据母线负荷预测的方法，特别是应用于中长期电量安全校核的母线负荷预测方法及系统，属于电力系统调度自动化技术领域。
背景技术
电力系统部门在安排调度计划时，首先需要保证电力系统稳定安全运行。随着电力市场的不断发展，母线负荷预测成为一项重要的工作。准确的预测母线负荷数据，可以更好的安排调度计划工作，更合理的安排电网运行方式。
在当前电力市场发展的进程中，中长期电量安全交易校核业务也逐步开展，中长期电量安全交易校核业务主要是针对月度电量交易进行安全校核工作，其对于调度部门安排计划时的难点在于，在中长期时间尺度下，校核中长期电量合理的合理性，考虑各种约束条件下中长期机组组合以及发电计划，即求解出满足各类约束条件下的开停机以及机组出力计划方案。为了使中长期电量安全校核业务在调度部门安排计划时更具指导意义，首先需要提高基础数据的准确性，其中母线负荷预测数据也是其中重要的数据之一。而当前母线负荷预测技术主要应用于短期的调度计划安排，其预测的时间尺度为日前计划与实时计划，当前缺乏时间尺度为中长期的母线负荷预测方法。
因此，如果能够更加准确的预测中长期尺度的母线负荷数据，在确保优化模型最优的前提下，其他基础数据准确度可信的情况下，中长期电量安全校核业务求解的结果对于调度部门安排计划将更具准确的指导意义。
发明内容
现有技术的缺点在于：由于电力系统安全稳定运行的重要性，中长期电量安全校核的准确性要求也更高。但是目前中长期电量安全校核业务开展时，由于缺乏中长期母线负荷数据预测的技术，当前直接采用的方法是取历史同期的母线负荷数据应用当中长期业务中。在对中长期电量安全校核结果准确度要求越来越高的情况下，直接采用历史同期数据的方法无法考虑计划日期与历史日期的关联特征，以及节假日等因素，直接导致了数据的准确度的可靠性较差。
本发明的目的在于，从保证中长期电量安全校核结果对调度部门安全计划更具指导意义的角度，通过数据聚类方法首先将历史数据进行聚类筛选，再通过系统匹配以及智能算法，将筛选出来的历史数据与计划日的系统负荷预测数据进行互联，从而保证能够更加准确运用历史数据联系系统负荷预测数据进行预测未来母线数据预测，而数据聚类以及智能匹配能够更好的区分节假日，从而提高了中长期母线负荷预测数据的准确性，以至于提高中长期电量安全校核结果的可信度。
本发明提出一种应用于中长期电量安全校核的母线负荷预测方法及系统，首先是建立中长期电量安全校核业务需要的母线负荷对象，确定中长期母线负荷预测对象信息；然后对上述母线负荷对象的历史数据进行聚类分析，以便获得更为有效的历史数据，减少数据冗余性；通过算法对历史母线负荷数据进行修正，扣除网损、厂用电、未建模母线等数据，在通过算法建立历史各个母线负荷数据占母线负荷数据总加之和的比例，最后在系统中设置或自动匹配与计划日最为接近的相似日数据，利用计划日的系统负荷预测数据进行母线负荷预测数据生成，最终实现为中长期电量安全校核业务的母线负荷预测功能。
为解决上述技术问题，本发明提供应用于中长期电量安全校核的母线负荷预测方法，其特征在于，包括：筛选变压器等级，录入负荷数据表；对母线负荷数据进行聚类分析；获取系统负荷修正系数；获取母线负荷分配系数；获取系统负荷预测数据；计算获取母线负荷预测数据。
作为一种较佳的实施例，所述筛选变压器等级，录入负荷数据表具体包括：获取电网已经CIM模型中建模的负荷数据信息，根据需要将变压器的电压等级为220KV且厂站类型属于变电站的设备设置为终端变量，同时将变压器的电压等级为22KV且厂站类型属于变电站的设备也设置为终端变量。
作为一种较佳的实施例，所述筛选变压器等级，录入负荷数据表具体还包括：在进行母线负荷对象建模时，首先将CIM模型中负荷数据写入母线负荷建模的数据表中，然后自动筛选变电站的电压等级根据实际需要进行设置其为负荷；根据生成的母线负荷对象模型，生成负荷数据表；所述负荷数据表包括历史母线负荷数据、电网运行方式、各类气象因素、220KV以上设备的历史检修信息。
作为一种较佳的实施例，所述对母线负荷数据进行聚类分析具体包括：根据不同的电网方式对母线负荷数据进行第一次聚类分析，以电网方式为第一次聚类特征；根据气象因素进行第二次聚类，对母线负荷数据进行第二次聚类分析，生成不同的数据模型。
目前K均值聚类是一种比较常用的数据划分聚类的方法，使用N个向量、K个聚类以及一系列迭代使N个向量划分为K个聚类，目的是使同一个类中的对象相似最相近，不同类之间的差别尽可能大，由于K均值聚类随机选择K个类的初始聚类中心，该方法对聚类结果影响较大，本文通过层次聚类方法得到K个划分，将这K个划分的中心作为各自的初始聚类中心，再将相似日的各个时段(此处考虑的是24个时段，其中选取1小时内的是4个时段的采样数据求均值法)的输出功率进行K均值聚类，得到相似日的备用数据。
作为一种较佳的实施例，所述根据不同的电网方式对母线负荷数据进行第一次聚类分析包括：不用电网运行方式负荷矩阵如下：
M＝[M1,M2,.......Mn]T；
Mi＝[Mi1,Mi2,.......Min]T；
其中，M为不同电网运行方式下细分的n个时刻的负荷数据矩阵，Min为一种电网运行方式下第i个负荷每日n时刻下的母线负荷数据值。
作为一种较佳的实施例，所述根据气象因素进行第二次聚类，对母线负荷数据进行第二次聚类分析包括：所选定的影响因子包含气象因素、分时电价、历史母线负荷数据等，其中历史母线负荷数据、气象因素需要进行相应的标准处理，除去历史数据中极端天气的同时，将各类数据按照供电负荷特性进行聚类，形成标准化数据，消除每个母线负荷因极端天气导致的异常数据及其他无效数据，具体方法如下：
Figure BDA0002401412230000031
其中，Nij表示第i负荷在第j时刻的平均值；Mij.sum表示多天同一时刻的母线数据之和；n表示抛去异常数据时刻之后的总数；再将每个时刻数据与平均负荷数据进行数值比较，差值在允许范围内的数据视为正常数据建立新的负荷矩阵如下：
M'i＝[M'i1,M'i2........M'in]T；
选定聚类中心特征值，用给定的母线负荷数据集M′i，选取欧式距离作为相似度指标对数据进行聚类处理，期目标函数为：
Figure BDA0002401412230000041
其中，xj为每一个样本点数据；μi为聚类中心；Si为样本数量。
作为一种较佳的实施例，所述获取系统负荷修正系数具体包括：使用系统负荷修正系数αt对系统负荷数据进行修正，包含网损、厂用电、未建模母线以及发电的扣除；假设在相似日同一时刻各母线负荷、网损、厂用电、未建模部分机组出力及负荷占系统负荷比例基本保持不变，根据相似日的已建模部分母线负荷总和与系统负荷的比值计算系统负荷修正系数，其具体公式如下：
Figure BDA0002401412230000042
其中，Φ为待生成负荷日对应的历史相似日集合；D为中Φ相似日天数；T为每日时段数，项目中取24；M为目标区域已建模母线数；PB,i,d,t、PS,d,t分别表示第d日t时段的母线i负荷及系统负荷；L为省略号。
作为一种较佳的实施例，所述获取母线负荷分配系数具体包括：
所有母线负荷之和的结果应该等于系统负荷修正系数αt修正后的系统负荷，而具体母线负荷i的分配系数公式如下：
Figure BDA0002401412230000043
其中，
Figure BDA0002401412230000044
为第d日t时段母线负荷总加结果；Φ为待生成负荷日对应的历史相似日集合；D为中Φ相似日天数；T为每日时段数，项目中取24；M为目标区域已建模母线数；PB,i,d,t表示第d日t时段的母线i负荷；L为省略号。
作为一种较佳的实施例，所述计算获取母线负荷预测数据具体包括：未来日t时段母线i的负荷PB,i,f,t，根据系统负荷修正系数αt、母线负荷分配系数βi,t以及目标区域系统负荷预测值PS,f,t计算得到：
PB,i,f,t＝αtβi,tPS,f,t (3)。
本发明还提出应用于中长期电量安全校核的母线负荷预测系统，其特征在于，包括负荷表录入模块、聚类分析模块、预测数据计算模块，所述负荷表录入模块与所述聚类分析模块相连接，所述聚类分析模块与所述预测数据计算模块相连接；所述负荷表录入模块，用于筛选变压器等级，录入负荷数据表；所述聚类分析模块，用于对母线负荷数据进行聚类分析；所述预测数据计算模块，用于获取系统负荷修正系数，获取母线负荷分配系数，获取系统负荷预测数据，计算获取母线负荷预测数据。
本发明所达到的有益效果：1)，本发明提出应用于中长期电量安全校核的母线负荷预测方法及系统，首先对电网CIM模型中的母线负荷对象信息进行过滤，针对中长期电量安全校核系统中，若直接使用CIM模型提供的母线负荷对象，数据量过于庞大而不利于中长期电量安全校核的计算效率及计算结果的准确性的技术需求，因此先对母线负荷对象信息进行筛选，同时在对变压站的电压等级进行筛选设置终端变量作为负荷；2)本发明针对传统的中长期电量安全校核业务的母线负荷数据直接取历史同期的母线负荷数据应用计划日的母线负荷数据，这样的处理方式导致母线负荷数据的准确性低下，最终导致中长期电量安全校核的计算结果的可信度低的技术缺陷，存在需要对大量的历史数据进行聚类分析，抛去历史数据中的无用数据、极端数据等不可靠数据的技术需求，通过采用K均值聚类分析方法，对历史数据进行聚类分析；3)本发明通过算法对聚类分之后的数据进一步处理，获取其中系统负荷矫正系数及母线负荷矫正系数，在系统设置或自动匹配计划日的相似日之后，算法获取相似日的矫正系数以及计划日的系统负荷预测数据，进一步计算得到中长期母线负荷预测数据，提高了中长期母线负荷预测的准确性，有助于提高中长期电量安全校核结果的可靠性。
附图说明
图1是本发明的负荷表录入模块的拓扑原理图。
图2是本发明的聚类分析模块的拓扑原理图。
图3是本发明的预测数据计算模块的拓扑原理图。
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。
在中长期电量安全校核计算开始前，获取中长期系统负荷预测数据、母线负荷预测数据等基础数据，中长期电量安全校核业务根据优化模型以及约束条件，优化输出机组组合以及机组出力结果，通过校核对优化输出结果进行校核检验查看是否能够满足电网稳定安全运行的要求。为了更好的满足电网稳定安全运行的要求，需要提供准确度更高的边界数据条件。
本发明提供一种应用于中长期电量安全校核的母线负荷预测方法及系统，对中长期电量安全校核业务的中长期母线负荷数据进行预测，充分利用了历史数据，通过聚类分析对大量的历史数据进行数据分析，筛选出大量历史数据中有代表性的数据作为中长期母线负荷预测数据的基础数据，通过算法对数据作进一步的处理，将数据中未建模的对象、网损及厂用电等数据抛去，提高母线负荷预测的准确性。下面通过具体的实例进行详细说明本发明提供的方法。
1)中长期电量安全校核系统目前应用最广泛的是月度，时间粒度为每天1小时，即时间长度通常为720或744，而计算过程中需要基础数据的时间粒度也应该为720或744，即中长期母线负荷预测数据的粒度也是720或744。在进行中长期母线负荷预测时，需要累积大量的历史母线负荷数据，并对其进行相应的聚类分析，获得有效的母线负荷数据。
2)对历史母线负荷数据按照电网运行方式的不同进行第一次聚类分析，以K均值聚类方式，按照负荷特性对母线负荷数据进行第二次分类。不用电网运行方式负荷矩阵如下：
M＝[M1,M2,.......Mn]T
Mi＝[Mi1,Mi2,.......Min]T
其中，M为不同电网运行方式下细分的n个时刻的负荷数据矩阵，Min为一种电网运行方式下第i个负荷每日n时刻下的母线负荷数据值。
对上述进行筛选处理，消除每个母线负荷因极端天气导致的异常数据及其他无效数据，具体方法如下：
Figure BDA0002401412230000071
其中，Nij表示第i负荷在第j时刻的平均值；Mij.sum表示多天同一时刻的母线数据之和；n表示抛去异常数据时刻之后的总数。再将每个时刻数据与平均负荷数据进行数值比较，差值在允许范围内的数据视为正常数据建立新的负荷矩阵如下：
M'i＝[M'i1,M'i2........M'in]T
选定聚类中心特征值，用上述给定的母线负荷数据集M，选取欧式距离作为相似度指标对数据进行聚类处理，期目标函数为：
Figure BDA0002401412230000072
其中，xj为每一个样本点数据；μi为聚类中心；Si为样本数量。
2)考虑到网损、未建模母线负荷及厂用电等因素的存在，因此提出系统负荷矫正系数，即扣除网损、未建模母线负荷及厂用电等。可以根据历史母线负荷数据，计算已建模母线负荷总加数据占系统负荷数据的比例因子，即系统负荷矫正系数，具体的算法如下：
Figure BDA0002401412230000073
根据中长期母线负荷数据的粒度需求，进行计算每个时间粒度的系统负荷矫正系数。对于系统负荷矫正系数有两种方式进行获取，当系统设定或自动匹配完成相似日之后，进行系统负荷矫正系数的计算用于中长期母线负荷预测数据；或者在设定相似日之前，将聚类分析之后的历史数据进行计算得出系统负荷矫正系数并入数据库，系统根据设定相似日进行查询数据并用于母线负荷数据预测相似。
3)在考虑系统负荷矫正系数的前提下，所有已建模的母线负荷对象的数据总加之和应该与经过系统负荷修正之后的系统负荷数据相同。而母线负荷有自己的运行特性，因此对大量的历史母线负荷数据作进一步的处理，得到一个母线负荷分配系数，其具体的计算公式如下：
Figure BDA0002401412230000081
根据粒度需求，将大量的历史母线负荷进行进一步处理，得到相应粒度的母线负荷分配系数，该系数的获取方法与系统负荷矫正系数类似。
4)提供中长期母线负荷数据预测系统，在系统中设定计划日的参考日或者系统自动设定参考日，系统根据选定的参考日获取系统负荷矫正系数、母线负荷分配系数，获取计划日的系统负荷数据，算法获取三类数据之后进行中长期母线负荷数据预测生成，其具体的计算你公式如下：
PB,i,f,t＝αtβi,tPS,f,t。
5)通过上述流程，生成中长期母线负荷数据。
进行多次母线负荷数据预测生成，采用的电网母线负荷对象数据个数有2668个，其每次预测母线负荷数据的粒度为720。分别采用同期历史母线负荷数据与采用上述方法预测的母线负荷数据进行直中长期电量安全校核计算，并进行了两种算法结果的对比，发现本发明方法明显提高了计算的准备性。
本发明在实际电网模型下进行的中长期母线负荷数据预测方法研究。该方法主要充分利用了历史数据的特性，对数据进行聚类分析，筛选了大量无效的数据，利用算法将历史数据与计划日数据相联系，同时还对应区分处节假日等特点，进行母线负荷数据预测。该方法能够有效解决目前中长期母线负荷数据缺乏的问题，并且有效的将历史数据与计划日的预测数据联系起来，具有广泛的推广前景。
本发明还提出应用于中长期电量安全校核的母线负荷预测系统，其特征在于，包括负荷表录入模块、聚类分析模块、预测数据计算模块，所述负荷表录入模块与所述聚类分析模块相连接，所述聚类分析模块与所述预测数据计算模块相连接；所述负荷表录入模块，用于筛选变压器等级，录入负荷数据表；所述聚类分析模块，用于对母线负荷数据进行聚类分析；所述预测数据计算模块，用于获取系统负荷修正系数，获取母线负荷分配系数，获取系统负荷预测数据，计算获取母线负荷预测数据。
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 (10)

1.应用于中长期电量安全校核的母线负荷预测方法，其特征在于，包括：筛选变压器等级，录入负荷数据表；对母线负荷数据进行聚类分析；获取系统负荷修正系数；获取母线负荷分配系数；获取系统负荷预测数据；计算获取母线负荷预测数据。
2.根据权利要求1所述的应用于中长期电量安全校核的母线负荷预测方法，其特征在于，所述筛选变压器等级，录入负荷数据表具体包括：获取电网已经CIM模型中建模的负荷数据信息，根据需要将变压器的电压等级为220KV且厂站类型属于变电站的设备设置为终端变量，同时将变压器的电压等级为22KV且厂站类型属于变电站的设备也设置为终端变量。
3.根据权利要求1所述的应用于中长期电量安全校核的母线负荷预测方法，其特征在于，所述筛选变压器等级，录入负荷数据表具体还包括：在进行母线负荷对象建模时，首先将CIM模型中负荷数据写入母线负荷建模的数据表中，然后自动筛选变电站的电压等级根据实际需要进行设置其为负荷；根据生成的母线负荷对象模型，生成负荷数据表；所述负荷数据表包括历史母线负荷数据、电网运行方式、各类气象因素、220KV以上设备的历史检修信息。
4.根据权利要求1所述的应用于中长期电量安全校核的母线负荷预测方法，其特征在于，所述对母线负荷数据进行聚类分析具体包括：根据不同的电网方式对母线负荷数据进行第一次聚类分析，以电网方式为第一次聚类特征；根据气象因素进行第二次聚类，对母线负荷数据进行第二次聚类分析，生成不同的数据模型。
5.根据权利要求4所述的应用于中长期电量安全校核的母线负荷预测方法，其特征在于，所述根据不同的电网方式对母线负荷数据进行第一次聚类分析包括：不用电网运行方式负荷矩阵如下：
M＝[M1,M2,.......Mn]T；
Mi＝[Mi1,Mi2,.......Min]T；
其中，M为不同电网运行方式下细分的n个时刻的负荷数据矩阵，Min为一种电网运行方式下第i个负荷每日n时刻下的母线负荷数据值。
6.根据权利要求4所述的应用于中长期电量安全校核的母线负荷预测方法，其特征在于，所述根据气象因素进行第二次聚类，对母线负荷数据进行第二次聚类分析包括：消除每个母线负荷因极端天气导致的异常数据及其他无效数据，具体方法如下：
Figure FDA0002401412220000021
其中，Nij表示第i负荷在第j时刻的平均值；Mij.sum表示多天同一时刻的母线数据之和；n表示抛去异常数据时刻之后的总数；再将每个时刻数据与平均负荷数据进行数值比较，差值在允许范围内的数据视为正常数据建立新的负荷矩阵如下：
M′i＝[M′i1,M′i2........M′in]T；
选定聚类中心特征值，用给定的母线负荷数据集M′i，选取欧式距离作为相似度指标对数据进行聚类处理，期目标函数为：
Figure FDA0002401412220000022
其中，xj为每一个样本点数据；μi为聚类中心；Si为样本数量。
7.根据权利要求1所述的应用于中长期电量安全校核的母线负荷预测方法，其特征在于，所述获取系统负荷修正系数具体包括：使用系统负荷修正系数αt对系统负荷数据进行修正，包含网损、厂用电、未建模母线以及发电的扣除；假设在相似日同一时刻各母线负荷、网损、厂用电、未建模部分机组出力及负荷占系统负荷比例基本保持不变，根据相似日的已建模部分母线负荷总和与系统负荷的比值计算系统负荷修正系数，其具体公式如下：
Figure FDA0002401412220000023
其中，Φ为待生成负荷日对应的历史相似日集合；D为中Φ相似日天数；T为每日时段数，项目中取24；M为目标区域已建模母线数；PB,i,d,t、PS,d,t分别表示第d日t时段的母线i负荷及系统负荷；L为省略号。
8.根据权利要求1所述的应用于中长期电量安全校核的母线负荷预测方法，其特征在于，所述获取母线负荷分配系数具体包括：
所有母线负荷之和的结果应该等于系统负荷修正系数αt修正后的系统负荷，而具体母线负荷i的分配系数公式如下：
Figure FDA0002401412220000031
其中，
Figure FDA0002401412220000032
为第d日t时段母线负荷总加结果；Φ为待生成负荷日对应的历史相似日集合；D为中Φ相似日天数；T为每日时段数，项目中取24；M为目标区域已建模母线数；PB,i,d,t表示第d日t时段的母线i负荷；L为省略号。
9.根据权利要求1所述的应用于中长期电量安全校核的母线负荷预测方法，其特征在于，所述计算获取母线负荷预测数据具体包括：未来日t时段母线i的负荷PB,i,f,t，根据系统负荷修正系数αt、母线负荷分配系数βi,t以及目标区域系统负荷预测值PS,f,t计算得到：
PB,i,f,t＝αtβi,tPS,f,t (3)。
10.基于权利要求1至9任一项所述的应用于中长期电量安全校核的母线负荷预测方法的预测系统，其特征在于，包括负荷表录入模块、聚类分析模块、预测数据计算模块，所述负荷表录入模块与所述聚类分析模块相连接，所述聚类分析模块与所述预测数据计算模块相连接；所述负荷表录入模块，用于筛选变压器等级，录入负荷数据表；所述聚类分析模块，用于对母线负荷数据进行聚类分析；所述预测数据计算模块，用于获取系统负荷修正系数，获取母线负荷分配系数，获取系统负荷预测数据，计算获取母线负荷预测数据。
CN202010147922.0A 2020-03-05 2020-03-05 应用于中长期电量安全校核的母线负荷预测方法及系统 Active CN111476397B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010147922.0A CN111476397B (zh) 2020-03-05 2020-03-05 应用于中长期电量安全校核的母线负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010147922.0A CN111476397B (zh) 2020-03-05 2020-03-05 应用于中长期电量安全校核的母线负荷预测方法及系统

Publications (2)

Publication Number Publication Date
CN111476397A true CN111476397A (zh) 2020-07-31
CN111476397B CN111476397B (zh) 2022-10-25

Family

ID=71747294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010147922.0A Active CN111476397B (zh) 2020-03-05 2020-03-05 应用于中长期电量安全校核的母线负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN111476397B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149882A (zh) * 2020-09-04 2020-12-29 深圳供电局有限公司 一种电网中长期负荷预测管理系统
CN112215374A (zh) * 2020-10-28 2021-01-12 中国电力科学研究院有限公司 电网中长期检修计划的校核方法、系统、设备及介质
CN112465196A (zh) * 2020-11-12 2021-03-09 云南电网有限责任公司 一种系统负荷预测方法、装置、设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485262A (zh) * 2016-09-09 2017-03-08 国网山西省电力公司晋城供电公司 一种母线负荷预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485262A (zh) * 2016-09-09 2017-03-08 国网山西省电力公司晋城供电公司 一种母线负荷预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149882A (zh) * 2020-09-04 2020-12-29 深圳供电局有限公司 一种电网中长期负荷预测管理系统
CN112215374A (zh) * 2020-10-28 2021-01-12 中国电力科学研究院有限公司 电网中长期检修计划的校核方法、系统、设备及介质
CN112215374B (zh) * 2020-10-28 2024-03-15 中国电力科学研究院有限公司 电网中长期检修计划的校核方法、系统、设备及介质
CN112465196A (zh) * 2020-11-12 2021-03-09 云南电网有限责任公司 一种系统负荷预测方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN111476397B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN111476397B (zh) 应用于中长期电量安全校核的母线负荷预测方法及系统
CN103955777B (zh) 光伏发电接入配电网方案设计与分析评估辅助系统
CN113267692B (zh) 一种低压台区线损智能诊断分析方法和系统
CN110796307B (zh) 一种综合能源系统分布式负荷预测方法及系统
CN113269468A (zh) 一种基于区块链的电力调度系统及其数据处理方法
CN116526667B (zh) 基于电流物联网反馈机制的二次融合配网馈线终端系统
CN112994092A (zh) 一种基于功率预测的独立风光储微电网系统尺寸规划方法
CN116467648A (zh) 一种基于物联表的非线性台区电力故障的早期监测方法
CN117273284A (zh) 一种面向企业用电平衡的异常数据监测系统
CN105870913B (zh) 考虑供暖约束的时序蒙特卡洛模拟可靠性评估方法及系统
CN108599233B (zh) 一种含分布式电源的配电网接纳容量确定方法和装置
CN114662922B (zh) 考虑光伏不确定性的居民需求响应潜力评估方法及系统
CN115864531A (zh) 一种区域分布式光伏发电碳排放量的监测系统及方法
CN112348235B (zh) 风光母线负荷自适应预测方法、装置、计算机设备
CN114444955A (zh) 综合能源用关键参数数据挖掘及长期配置预测方法及系统
CN111211576B (zh) 考虑储能的区域电网新能源承载能力的测算方法
CN109149644B (zh) 一种基于大数据分析的光储一体在线策略匹配和协同优化方法
CN111833207B (zh) 一种基于多能耦合的综合能源管理系统及方法
Xia et al. Research on short-term load forecasting of power system based on gradient lifting tree
Sai et al. Bus net Load Forecast Considering Photovoltaic Output Correlation
Feng et al. Design of Comprehensive Energy System Considering Anomaly Detection of Multi-Energy Data
Li et al. Optimal Configuration of Microgrids Based on Fuzzy Scenario Clustering
Zhang et al. Risk analysis method for balancing positive and negative backup gaps in distributed new energy grids based on historical load peak and valley values and big data
CN117439057A (zh) 一种短期电负荷预测方法
CN117498403A (zh) 基于分布式新能源特征聚类算法数据处理的能量管理系统

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