CN111612276A - 电力负荷特性指标预测方法及装置 - Google Patents
电力负荷特性指标预测方法及装置 Download PDFInfo
- Publication number
- CN111612276A CN111612276A CN202010472968.XA CN202010472968A CN111612276A CN 111612276 A CN111612276 A CN 111612276A CN 202010472968 A CN202010472968 A CN 202010472968A CN 111612276 A CN111612276 A CN 111612276A
- Authority
- CN
- China
- Prior art keywords
- model
- effect
- characteristic index
- load characteristic
- hypothesis
- 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 43
- 230000000694 effects Effects 0.000 claims abstract description 196
- 239000013598 vector Substances 0.000 claims abstract description 82
- 238000013499 data model Methods 0.000 claims abstract description 70
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000001174 Hausman test Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/04—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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供的一种电力负荷特性指标预测方法及装置,该方法中,获取历史规模效应和历史结构效应的表征序列,建立电力负荷负荷特性指标预测的面板数据模型,检验所述面板模型,根据检验结果确定所述三种模型中最优模型,计算所述最优模型中所述规模效应和结构效应向量的系数,获取目标地区未来规模效应和未来结构效应的预测值,根据规模效应和未来结构效应的预测值,计算目标地区未来负荷特性指标。将规模效应和结构效应通过面板数据模型与电力负荷特性指标建立定量关系,采用分位数回归确定面板数据模型系数,得到电力负荷特性指标在不同分位数下的预测值,清晰的反映电力负荷特性指标随规模效应和结构效应调整的变化情况。
Description
技术领域
本申请涉及电力系统规划领域,尤其涉及一种电力负荷特性指标预测方法及装置。
背景技术
电力系统运行总的目标是在安全、可靠、经济的前提下,为各类用户不间断地提供优质电能,满足各类电力负荷的要求。各类用户构成各式各样的电力负荷,各种电力负荷又呈现不同的大小和特性,并且电能的生产和消费同时进行,不能储存,所以准确地预测电力负荷是制定电力规划的重要基础性工作,也是保持国民经济健康可持续发展的需要。准确地预测电力负荷需要对负荷特性进行分析。负荷特性分析主要分析负荷率和峰谷差率,负荷率和峰谷差率称为负荷特性指标,影响负荷特性指标的因素主要分为两种,一种是规模效应,另一种是结构效应。规模效应主要为GDP,结构效应主要为第二产业和第三产业的占比。
目前,电力负荷预测多采用基于时间序列的统计分析回归模型的负荷预测方法,即时间序列模型法。时间序列模型法是根据历史时间序列的规律进行外推,适合进行近期预测,如果加于人工干预,采用递推式预测,也可以进行中远期预测。时间序列模型法是一种依据电力负荷历史统计数据,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。按照处理方法不同,时间序列模型法分为确定时间序列分析法和随机时间序列分析法。常用的确定时间序列分析法有指数平滑法和Census-H分解法。常用的随机时间序列分析法有Box-Jenkins法、状态空间法、Markov法等。
然而,时间序列模型法有个基本假设,即负荷过去的变化规律会持续到将来,所以当研究对象在所选时间序列内有特殊变化段,无适应性规律可言时该预测方法不成立。如我国电力工业发展历程中的“十五”时期不同于以往发展规律,其中GDP、第二产业和第三产业的占比发生巨大变化,所以GDP、第二产业和第三产业的占比纳入历史数据,用时间序列模型法对未来电力负荷变化进行预测会降低预测的准确性。
发明内容
本申请提供一种电力负荷特性指标预测方法及装置,以解决GDP、第二产业和第三产业的占比的变化,影响电力负荷特性指标预测的问题。
在本申请的第一方面,公开了一种电力负荷特性指标预测方法,包括:
获取历史规模效应和历史结构效应的表征序列;
建立电力负荷负荷特性指标预测的面板数据模型,所述面板数据模型包括变系数模型、变截距模型以及混合模型三种模型;
确定所述三种模型中最优模型;
计算所述最优模型中所述规模效应和结构效应向量的系数;
获取目标地区未来规模效应和未来结构效应的预测值;
根据规模效应和未来结构效应的预测值,计算目标地区未来负荷特性指标。
可选的,建立电力负荷负荷特性指标预测的面板数据模型,包括:
根据以下公式,建立电力负荷负荷特性指标预测的面板数据模型:
yit=xitβi+αi+εit;
其中,yit为电力负荷特性指标预测值,xit为规模效应和结构效应向量,i为不同地区的负荷样本个体,t为时间点,αi为不同负荷样本随机效应向量,βi为规模效应和结构效应向量的系数,εit为随机误差项。
可选的,确定所述三种模型中最优模型包括:
判断个体对所述面板数据模型是否具有影响,提出假设H1:
H1:α1=α2=…=αN;β1=β2=…=βN;
若个体对所述面板数据模型具有影响,提出假设H2:
H2:β1=β2=…=βN;
根据以下公式,检验假设H1:
其中,F1为算假设H1的F统计量的值,S1为混合模型的残差平方和,S3为变系数模型的残差平方和,N为不同地区的负荷样本个体个数,T为时间序列长度,k为解释变量的个数;
给定显著性水平下F统计量的临界值为FP,判断F1是否小于临界值FP;
如果是,则接受假设H1,确定所述面板数据模型为混合模型;
如果不是,则拒绝假设H1,根据以下公式,检验假设H2:
其中,F2为算假设H2的F统计量的值,S2为变截距模型的残差平方和,S3为变系数模型的残差平方和,N为不同地区的负荷样本个体个数,T为时间序列长度,k为解释变量的个数;
判断F2是否小于临界值FP;
如果是,则接受假设H2,确定所述面板数据模型为变截距模型;
如果不是,则拒绝假设H2,确定所述面板数据模型为变系数模型。
可选的,在确定所述面板数据模型为变截距模型之后,还包括:
采用Hausman检验,检验原假设G0与备择假设G1:
G0:个体效应与解释变量不相关;
G1:个体效应与解释变量相关;
若接受原假设G0,所述变截距模型为随机效应模型;
若拒绝原假设G0,所述变截距模型则为固定效应模型。
可选的,计算所述最优模型中所述规模效应和结构效应向量的系数,包括:
根据以下公式,计算所述最优模型中所述规模效应和结构效应向量的系数:
其中,为βi的估计值,αi为不同负荷样本随机效应向量,βi为规模效应和结构效应向量的系数,N为不同地区的负荷样本个体个数,T为时间序列长度,i为不同地区的负荷样本个体,t为时间点,τ为分位数,其中0<τ<1,ρτ为分位数损失函数,yit为电力负荷特性指标预测值,xit为规模效应和结构效应向量。
在本申请的第二方面,公开了一种电力负荷特性指标预测装置,包括:
第一获取模块,用于获取历史规模效应和历史结构效应的表征序列;
模型建立模块,用于建立电力负荷负荷特性指标预测的面板数据模型,所述面板数据模型包括变系数模型、变截距模型以及混合模型三种模型;
模型确定模块,用于确定所述三种模型中最优模型;
第一计算模块,用于计算所述最优模型中所述规模效应和结构效应向量的系数;
第二获取模块,用于获取目标地区未来规模效应和未来结构效应的预测值;
第二计算模块,用于根据规模效应和未来结构效应的预测值,计算目标地区未来负荷特性指标。
可选的,所述模型建立模块包括:
模型建立单元,用于根据以下公式,建立电力负荷负荷特性指标预测的面板数据模型:
yit=xitβi+αi+εit;
其中,yit为电力负荷特性指标预测值,xit为规模效应和结构效应向量,i为不同地区的负荷样本个体,t为时间点,αi为不同负荷样本随机效应向量,βi为规模效应和结构效应向量的系数,εit为随机误差项。
可选的,所述模型确定模块包括:
第一判断单元,用于判断个体对所述面板数据模型是否具有影响,提出假设H1:
H1:α1=α2=…=αN;β1=β2=…=βN;
若个体对所述面板数据模型具有影响,提出假设H2:
H2:β1=β2=…=βN;
第一检验单元,用于根据以下公式,检验假设H1:
其中,F1为算假设H1的F统计量的值,S1为混合模型的残差平方和,S3为变系数模型的残差平方和,N为不同地区的负荷样本个体个数,T为时间序列长度,k为解释变量的个数;
第二判断单元,用于给定显著性水平下F统计量的临界值为FP,判断F1是否小于临界值FP;
如果是,则接受假设H1,确定所述面板数据模型为混合模型;
如果不是,则拒绝假设H1,检验假设H2;
第二检验单元,用于根据以下公式,检验假设H2:
其中,F2为算假设H2的F统计量的值,S2为变截距模型的残差平方和,S3为变系数模型的残差平方和,N为不同地区的负荷样本个体个数,T为时间序列长度,k为解释变量的个数;
第三判断单元,用于判断F2是否小于临界值FP;
如果是,则接受假设H2,确定所述面板数据模型为变截距模型;
如果不是,则拒绝假设H2,确定所述面板数据模型为变系数模型。
可选的,所述模型确定模块还包括:
第三检验单元,用于采用Hausman检验,检验原假设G0与备择假设G1:
G0:个体效应与解释变量不相关;
G1:个体效应与解释变量相关;
若接受原假设G0,所述变截距模型为随机效应模型;
若拒绝原假设G0,所述变截距模型则为固定效应模型。
可选的,所述第一计算模块包括:
第一计算单元,用于根据以下公式,计算所述最优模型中所述规模效应和结构效应向量的系数:
其中,为βi的估计值,αi为不同负荷样本随机效应向量,βi为规模效应和结构效应向量的系数,N为不同地区的负荷样本个体个数,T为时间序列长度,i为不同地区的负荷样本个体,t为时间点,τ为分位数,其中0<τ<1,ρτ为分位数损失函数,yit为电力负荷特性指标预测值,xit为规模效应和结构效应向量。
本申请提供的一种电力负荷特性指标预测方法及装置,该方法中,获取历史规模效应和历史结构效应的表征序列,建立电力负荷负荷特性指标预测的面板数据模型,其中,面板数据模型包括变系数模型、变截距模型以及混合模型三种模型,检验所述面板模型,根据检验结果确定所述三种模型中最优模型,计算所述最优模型中所述规模效应和结构效应向量的系数,获取目标地区未来规模效应和未来结构效应的预测值,根据规模效应和未来结构效应的预测值,计算目标地区未来负荷特性指标。将规模效应和结构效应通过面板数据模型与电力负荷特性指标建立定量关系,采用分位数回归确定面板数据模型系数,得到电力负荷特性指标在不同分位数下的预测值,清晰的反映电力负荷特性指标随规模效应和结构效应调整的变化情况。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种电力负荷特性指标预测方法的工作流程示意图;
图2为本申请实施例公开的一种电力负荷特性指标预测方法中面板数据模型类型选择流程图;
图3为本申请实施例公开的一种电力负荷特性指标预测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请提供了一种电力负荷特性指标预测方法,参见图1所示的工作流程示意图,所述方法包括:
步骤S101,获取历史规模效应和历史结构效应的表征序列。
本步骤中,通过引入索罗模型得到历史规模效应和结构效应,具体为:
Y=Aγ·F(Sc)·G(St);
其中,Y为电力负荷指标,A为技术进步效应向量,Sc为规模效应向量,包含m个规模影响因素,记作Sc=[Sc1,Sc2...Scm];St为结构效应向量,包含n个规模影响因素,记作St=[St1,St2...Stn];γ表示模型系数。
因为技术进步效应没有统一认可的指标以及数据收集的局限性,所以假定技术进步效应对电力负荷特性指标的影响程度远小于规模效应及结构效应。
步骤S102,建立电力负荷负荷特性指标预测的面板数据模型,所述面板数据模型包括变系数模型、变截距模型以及混合模型三种模型。
面板数据数据模型截距向量α和参数向量β的不同表现形式,具体表示为:
混合模型:
yit=xitβ+α+εit;
其中,yit为电力负荷特性指标预测值,xit为解释变量向量,i为研究对象,t为时间点,α为截距向量,β为参数向量,εit为随机误差项。
变系数模型:
yit=xitβi+αi+εit;
其中,yit为电力负荷特性指标预测值,xit为解释变量向量,i为研究对象,t为时间点,αi为截距向量,βi为参数向量,εit为随机误差项。
变截距模型:
yit=xitβ+αi+εit;
其中,yit为电力负荷特性指标预测值,xit为解释变量向量,i为研究对象,t为时间点,αi为截距向量,β为参数向量,εit为随机误差项。
步骤S103,确定所述三种模型中最优模型。
步骤S104,计算所述最优模型中所述规模效应和结构效应向量的系数。
步骤S105,获取目标地区未来规模效应和未来结构效应的预测值。
步骤S106,根据规模效应和未来结构效应的预测值,计算目标地区未来负荷特性指标。
采用分位数回归技术对面板数据模型进行求解,求得α和β的值,再采用索罗模型求得规模效应和结构效应向量,即xit的值,具体过程此处不再赘述。εit在误差允许范围内,任意取值,将上述α、β、εit代入面板数据模型中,当得到xit的值后,即可求出电力负荷特性指标预测值yit。
本申请提供的一种电力负荷特性指标预测方法及装置,该方法中,获取历史规模效应和历史结构效应的表征序列,建立电力负荷负荷特性指标预测的面板数据模型,其中,面板数据模型包括变系数模型、变截距模型以及混合模型三种模型,检验所述面板模型,根据检验结果确定所述三种模型中最优模型,计算所述最优模型中所述规模效应和结构效应向量的系数,获取目标地区未来规模效应和未来结构效应的预测值,根据规模效应和未来结构效应的预测值,计算目标地区未来负荷特性指标。将规模效应和结构效应通过面板数据模型与电力负荷特性指标建立定量关系,采用分位数回归确定面板数据模型系数,得到电力负荷特性指标在不同分位数下的预测值,清晰的反映电力负荷特性指标随规模效应和结构效应调整的变化情况。
建立电力负荷负荷特性指标预测的面板数据模型,包括:
根据以下公式,建立电力负荷负荷特性指标预测的面板数据模型:
yit=xitβi+αi+εit;
其中,yit为电力负荷特性指标预测值,xit为规模效应和结构效应向量,i为不同地区的负荷样本个体,t为时间点,αi为不同负荷样本随机效应向量,βi为规模效应和结构效应向量的系数,εit为随机误差项。
参见图2面板数据模型类型选择流程图,确定所述三种模型中最优模型包括:
判断个体对所述面板数据模型是否具有影响,提出假设H1:
H1:α1=α2=…=αN;β1=β2=…=βN;
若个体对所述面板数据模型具有影响,提出假设H2:
H2:β1=β2=…=βN;
根据以下公式,检验假设H1:
其中,F1为算假设H1的F统计量的值,S1为混合模型的残差平方和,S3为变系数模型的残差平方和,N为不同地区的负荷样本个体个数,T为时间序列长度,k为解释变量的个数。
给定显著性水平下F统计量的临界值为FP,判断F1是否小于临界值FP。
如果是,则接受假设H1,确定所述面板数据模型为混合模型。
如果不是,则拒绝假设H1,根据以下公式,检验假设H2:
其中,F2为算假设H2的F统计量的值,S2为变截距模型的残差平方和,S3为变系数模型的残差平方和,N为不同地区的负荷样本个体个数,T为时间序列长度,k为解释变量的个数。
判断F2是否小于临界值FP。
如果是,则接受假设H2,确定所述面板数据模型为变截距模型。
如果不是,则拒绝假设H2,确定所述面板数据模型为变系数模型。
在确定所述面板数据模型为变截距模型之后,还包括:
采用Hausman检验,检验原假设G0与备择假设G1:
G0:个体效应与解释变量不相关。
G1:个体效应与解释变量相关。
若接受原假设G0,所述变截距模型为随机效应模型。
若拒绝原假设G0,所述变截距模型则为固定效应模型。
计算所述最优模型中所述规模效应和结构效应向量的系数,包括:
根据以下公式,计算所述最优模型中所述规模效应和结构效应向量的系数:
其中,为βi的估计值,αi为不同负荷样本随机效应向量,βi为规模效应和结构效应向量的系数,N为不同地区的负荷样本个体个数,T为时间序列长度,i为不同地区的负荷样本个体,t为时间点,τ为分位数,其中0<τ<1,ρτ为分位数损失函数,yit为电力负荷特性指标预测值,xit为规模效应和结构效应向量。
上述内容对本申请的方法实施例进行了介绍,下面通过装置实施例对一种电力负荷特性指标预测装置进行描述。对于装置实施例中未披露的细节,请参见本申请方法实施例。
本申请第二实施例公开了一种电力负荷特性指标预测装置,参见图3所示结构示意图,所述电力负荷特性指标预测装置包括:
第一获取模块10,用于获取历史规模效应和历史结构效应的表征序列。
模型建立模块20,用于建立电力负荷负荷特性指标预测的面板数据模型,所述面板数据模型包括变系数模型、变截距模型以及混合模型三种模型。
模型确定模块30,用于确定所述三种模型中最优模型。
第一计算模块40,用于计算所述最优模型中所述规模效应和结构效应向量的系数。
第二获取模块50,用于获取目标地区未来规模效应和未来结构效应的预测值。
第二计算模块60,用于根据规模效应和未来结构效应的预测值,计算目标地区未来负荷特性指标。
所述模型建立模块包括:
模型建立单元,用于根据以下公式,建立电力负荷负荷特性指标预测的面板数据模型:
yit=xitβi+αi+εit;
其中,yit为电力负荷特性指标预测值,xit为规模效应和结构效应向量,i为不同地区的负荷样本个体,t为时间点,αi为不同负荷样本随机效应向量,βi为规模效应和结构效应向量的系数,εit为随机误差项。
所述模型确定模块包括:
第一判断单元,用于判断个体对所述面板数据模型是否具有影响,提出假设H1:
H1:α1=α2=…=αN;β1=β2=…=βN;
若个体对所述面板数据模型具有影响,提出假设H2:
H2:β1=β2=…=βN;
第一检验单元,用于根据以下公式,检验假设H1:
其中,F1为算假设H1的F统计量的值,S1为混合模型的残差平方和,S3为变系数模型的残差平方和,N为不同地区的负荷样本个体个数,T为时间序列长度,k为解释变量的个数。
第二判断单元,用于给定显著性水平下F统计量的临界值为FP,判断F1是否小于临界值FP。
如果是,则接受假设H1,确定所述面板数据模型为混合模型。
如果不是,则拒绝假设H1,检验假设H2。
第二检验单元,用于根据以下公式,检验假设H2。
其中,F2为算假设H2的F统计量的值,S2为变截距模型的残差平方和,S3为变系数模型的残差平方和,N为不同地区的负荷样本个体个数,T为时间序列长度,k为解释变量的个数。
第三判断单元,用于判断F2是否小于临界值FP。
如果是,则接受假设H2,确定所述面板数据模型为变截距模型。
如果不是,则拒绝假设H2,确定所述面板数据模型为变系数模型。
所述模型确定模块还包括:
第三检验单元,用于采用Hausman检验,检验原假设G0与备择假设G1:
G0:个体效应与解释变量不相关。
G1:个体效应与解释变量相关。
若接受原假设G0,所述变截距模型为随机效应模型。
若拒绝原假设G0,所述变截距模型则为固定效应模型。
所述第一计算模块包括:
第一计算单元,用于根据以下公式,计算所述最优模型中所述规模效应和结构效应向量的系数:
其中,为βi的估计值,αi为不同负荷样本随机效应向量,βi为规模效应和结构效应向量的系数,N为不同地区的负荷样本个体个数,T为时间序列长度,i为不同地区的负荷样本个体,t为时间点,τ为分位数,其中0<τ<1,ρτ为分位数损失函数,yit为电力负荷特性指标预测值,xit为规模效应和结构效应向量。
以上结合具体实施方式和范例性实例对本申请进行了详细说明,不过这些说明并不能理解为对本申请的限制。本领域技术人员理解,在不偏离本申请精神和范围的情况下,可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进,这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。
Claims (10)
1.一种电力负荷特性指标预测方法,其特征在于,包括:
获取历史规模效应和历史结构效应的表征序列;
建立电力负荷负荷特性指标预测的面板数据模型,所述面板数据模型包括变系数模型、变截距模型以及混合模型三种模型;
确定所述三种模型中最优模型;
计算所述最优模型中所述规模效应和结构效应向量的系数;
获取目标地区未来规模效应和未来结构效应的预测值;
根据规模效应和未来结构效应的预测值,计算目标地区未来负荷特性指标。
2.根据权利要求1所述的电力负荷特性指标预测方法,其特征在于,建立电力负荷负荷特性指标预测的面板数据模型,包括:
根据以下公式,建立电力负荷负荷特性指标预测的面板数据模型:
yit=xitβi+αi+εit;
其中,yit为电力负荷特性指标预测值,xit为规模效应和结构效应向量,i为不同地区的负荷样本个体,t为时间点,αi为不同负荷样本随机效应向量,βi为规模效应和结构效应向量的系数,εit为随机误差项。
3.根据权利要求1所述的电力负荷特性指标预测方法,其特征在于,确定所述三种模型中最优模型包括:
判断个体对所述面板数据模型是否具有影响,提出假设H1:
H1:α1=α2=…=αN;β1=β2=…=βN;
若个体对所述面板数据模型具有影响,提出假设H2:
H2:β1=β2=…=βN;
根据以下公式,检验假设H1:
其中,F1为算假设H1的F统计量的值,S1为混合模型的残差平方和,S3为变系数模型的残差平方和,N为不同地区的负荷样本个体个数,T为时间序列长度,k为解释变量的个数;
给定显著性水平下F统计量的临界值为FP,判断F1是否小于临界值FP;
如果是,则接受假设H1,确定所述面板数据模型为混合模型;
如果不是,则拒绝假设H1,根据以下公式,检验假设H2:
其中,F2为算假设H2的F统计量的值,S2为变截距模型的残差平方和,S3为变系数模型的残差平方和,N为不同地区的负荷样本个体个数,T为时间序列长度,k为解释变量的个数;
判断F2是否小于临界值FP;
如果是,则接受假设H2,确定所述面板数据模型为变截距模型;
如果不是,则拒绝假设H2,确定所述面板数据模型为变系数模型。
4.根据权利要求3所述的电力负荷特性指标预测方法,其特征在于,在确定所述面板数据模型为变截距模型之后,还包括:
采用Hausman检验,检验原假设G0与备择假设G1:
G0:个体效应与解释变量不相关;
G1:个体效应与解释变量相关;
若接受原假设G0,所述变截距模型为随机效应模型;
若拒绝原假设G0,所述变截距模型则为固定效应模型。
6.一种电力负荷特性指标预测装置,其特征在于,包括:
第一获取模块,用于获取历史规模效应和历史结构效应的表征序列;
模型建立模块,用于建立电力负荷负荷特性指标预测的面板数据模型,所述面板数据模型包括变系数模型、变截距模型以及混合模型三种模型;
模型确定模块,用于确定所述三种模型中最优模型;
第一计算模块,用于计算所述最优模型中所述规模效应和结构效应向量的系数;
第二获取模块,用于获取目标地区未来规模效应和未来结构效应的预测值;
第二计算模块,用于根据规模效应和未来结构效应的预测值,计算目标地区未来负荷特性指标。
7.根据权利要求6所述的电力负荷特性指标预测装置,其特征在于,所述模型建立模块包括:
模型建立单元,用于根据以下公式,建立电力负荷负荷特性指标预测的面板数据模型:
yit=xitβi+αi+εit;
其中,yit为电力负荷特性指标预测值,xit为规模效应和结构效应向量,i为不同地区的负荷样本个体,t为时间点,αi为不同负荷样本随机效应向量,βi为规模效应和结构效应向量的系数,εit为随机误差项。
8.根据权利要求6所述的电力负荷特性指标预测装置,其特征在于,所述模型确定模块包括:
第一判断单元,用于判断个体对所述面板数据模型是否具有影响,提出假设H1:
H1:α1=α2=…=αN;β1=β2=…=βN;
若个体对所述面板数据模型具有影响,提出假设H2:
H2:β1=β2=…=βN;
第一检验单元,用于根据以下公式,检验假设H1:
其中,F1为算假设H1的F统计量的值,S1为混合模型的残差平方和,S3为变系数模型的残差平方和,N为不同地区的负荷样本个体个数,T为时间序列长度,k为解释变量的个数;
第二判断单元,用于给定显著性水平下F统计量的临界值为FP,判断F1是否小于临界值FP;
如果是,则接受假设H1,确定所述面板数据模型为混合模型;
如果不是,则拒绝假设H1,检验假设H2;
第二检验单元,用于根据以下公式,检验假设H2:
其中,F2为算假设H2的F统计量的值,S2为变截距模型的残差平方和,S3为变系数模型的残差平方和,N为不同地区的负荷样本个体个数,T为时间序列长度,k为解释变量的个数;
第三判断单元,用于判断F2是否小于临界值FP;
如果是,则接受假设H2,确定所述面板数据模型为变截距模型;
如果不是,则拒绝假设H2,确定所述面板数据模型为变系数模型。
9.根据权利要求8所述的电力负荷特性指标预测装置,其特征在于,所述模型确定模块还包括:
第三检验单元,用于采用Hausman检验,检验原假设G0与备择假设G1:
G0:个体效应与解释变量不相关;
G1:个体效应与解释变量相关;
若接受原假设G0,所述变截距模型为随机效应模型;
若拒绝原假设G0,所述变截距模型则为固定效应模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010472968.XA CN111612276A (zh) | 2020-05-29 | 2020-05-29 | 电力负荷特性指标预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010472968.XA CN111612276A (zh) | 2020-05-29 | 2020-05-29 | 电力负荷特性指标预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111612276A true CN111612276A (zh) | 2020-09-01 |
Family
ID=72201829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010472968.XA Pending CN111612276A (zh) | 2020-05-29 | 2020-05-29 | 电力负荷特性指标预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612276A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926801A (zh) * | 2021-03-31 | 2021-06-08 | 云南电网有限责任公司 | 一种基于分位数回归的负荷曲线组合预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996076A (zh) * | 2014-05-15 | 2014-08-20 | 广东电网公司 | 电力需求的变化预警方法和系统 |
CN105069187A (zh) * | 2015-07-15 | 2015-11-18 | 北京航空航天大学 | 一种基于飞参面板数据模型的重着陆预测方法 |
CN107862466A (zh) * | 2017-11-21 | 2018-03-30 | 国网新疆电力有限公司 | 考虑系统双侧随机性的源荷跨时空互补效益评价方法 |
CN109034504A (zh) * | 2018-09-14 | 2018-12-18 | 云南电网有限责任公司 | 一种短期负荷预测模型建立方法及装置 |
CN110738353A (zh) * | 2019-09-16 | 2020-01-31 | 华中科技大学 | 基于人水耦合互馈系统动力学演化模型的预测方法和系统 |
-
2020
- 2020-05-29 CN CN202010472968.XA patent/CN111612276A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996076A (zh) * | 2014-05-15 | 2014-08-20 | 广东电网公司 | 电力需求的变化预警方法和系统 |
CN105069187A (zh) * | 2015-07-15 | 2015-11-18 | 北京航空航天大学 | 一种基于飞参面板数据模型的重着陆预测方法 |
CN107862466A (zh) * | 2017-11-21 | 2018-03-30 | 国网新疆电力有限公司 | 考虑系统双侧随机性的源荷跨时空互补效益评价方法 |
CN109034504A (zh) * | 2018-09-14 | 2018-12-18 | 云南电网有限责任公司 | 一种短期负荷预测模型建立方法及装置 |
CN110738353A (zh) * | 2019-09-16 | 2020-01-31 | 华中科技大学 | 基于人水耦合互馈系统动力学演化模型的预测方法和系统 |
Non-Patent Citations (10)
Title |
---|
刘冬荣,等: "技术进步作用的评价指标体系与分析", 《世界有色金属》 * |
刘冬荣,等: "技术进步作用的评价指标体系与分析", 《世界有色金属》, 31 May 2002 (2002-05-31), pages 18 - 21 * |
唐炜,等: "企业技术创新能力评价理论研究综述", 《科技进步与对策》 * |
唐炜,等: "企业技术创新能力评价理论研究综述", 《科技进步与对策》, 31 December 2007 (2007-12-31), pages 195 - 200 * |
姜明伦,等: "农业科技进步评价指标与评价方法研究综述", 《农村经济与科技》 * |
姜明伦,等: "农业科技进步评价指标与评价方法研究综述", 《农村经济与科技》, 31 December 2008 (2008-12-31), pages 64 - 65 * |
秦康平: "节能减排背景下电力需求预测方法的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 经济与管理科学辑》 * |
秦康平: "节能减排背景下电力需求预测方法的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 经济与管理科学辑》, no. 03, 15 March 2011 (2011-03-15), pages 22 - 60 * |
秦玥,等: "基于分位数回归的电力负荷特性预测面板数据模型", 《电力需求侧管理》 * |
秦玥,等: "基于分位数回归的电力负荷特性预测面板数据模型", 《电力需求侧管理》, vol. 16, no. 3, 31 May 2014 (2014-05-31), pages 7 - 11 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926801A (zh) * | 2021-03-31 | 2021-06-08 | 云南电网有限责任公司 | 一种基于分位数回归的负荷曲线组合预测方法及装置 |
CN112926801B (zh) * | 2021-03-31 | 2022-11-01 | 云南电网有限责任公司 | 一种基于分位数回归的负荷曲线组合预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104021430B (zh) | 一种城市轨道交通站点客流不确定性分析方法 | |
CN110751175A (zh) | 损失函数的优化方法、装置、计算机设备和存储介质 | |
CN112287297B (zh) | 基于随机采样的电能表质量一致性评价方法与介质 | |
CN115407259A (zh) | 考虑嫌疑系数的超差电表在线检测方法、装置及存储介质 | |
CN112149296A (zh) | 一种判定水文时间序列平稳性类型的方法 | |
CN111612276A (zh) | 电力负荷特性指标预测方法及装置 | |
CN117610195A (zh) | 一种带钢宽展的预测方法、装置、介质以及电子设备 | |
CN107871215A (zh) | 一种标准对经济发展影响评估模型及验证方法 | |
CN117035155A (zh) | 一种水质预测方法 | |
CN114819768B (zh) | 一种电容器引出线焊接控制系统 | |
CN115453447A (zh) | 基于嫌疑电表分步补偿剔除的超差电表在线检测方法 | |
CN112377177B (zh) | 油藏采收率预测方法及装置 | |
CN114354667A (zh) | 一种基于x射线荧光光谱的元素定量分析方法和系统 | |
CN115034140A (zh) | 一种基于关键控制因子的地表水水质变化趋势预测方法 | |
CN109858699B (zh) | 水质定量模拟方法、装置、电子设备及存储介质 | |
Chunovkina | Models of measurement uncertainty optimization in decision-making on the basis of measurement results | |
CN110455902B (zh) | 一种环境检测多标样快速校准的方法 | |
Lin et al. | Predictive capability and maturity assessment with bayesian network | |
GonzÁLez et al. | Bayesian acceptance sampling plans following economic criteria: an application to paper pulp manufacturing | |
CN110969340A (zh) | 一种确定智能电能表质量技术基础能力的方法和系统 | |
CN116858818A (zh) | 基于拉曼光谱的硫化锑矿物品位的定量预测分析方法及装置 | |
CN110673470A (zh) | 基于局部加权因子模型的工业非平稳过程软测量建模方法 | |
CN114386525B (zh) | 一种评估标准的自适应调整方法、装置、设备和存储介质 | |
CN116609286A (zh) | 水分仪零位校准方法、装置、电子设备及存储介质 | |
CN114441470B (zh) | 烟草薄片中化学组分的预测调节方法、系统、介质及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |