CN111754029A - 一种社区负荷预测系统 - Google Patents
一种社区负荷预测系统 Download PDFInfo
- Publication number
- CN111754029A CN111754029A CN202010513612.6A CN202010513612A CN111754029A CN 111754029 A CN111754029 A CN 111754029A CN 202010513612 A CN202010513612 A CN 202010513612A CN 111754029 A CN111754029 A CN 111754029A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- temperature
- module
- load prediction
- 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
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 19
- 230000008901 benefit Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种社区负荷预测系统,包括,数据预处理模块,用以数据预处理,修正异常数据点并去除高尺度噪声部分,提取其特征向量进行样本空间到特征空间的映射;输入向量处理模块,用以处理来自数据预处理模块的低维非线性特征向量,将低维特征空间中的非线性输入量转化为高维特征空间中的线性量;负荷预测核心模块,用以接收来自输入向量处理模块的高维线性特征向量,计算负荷预测值,向评估反馈模块输出最终的全天用电负荷预测值;评估反馈模块,用以计算负荷预测误差,对负荷预测结果进行评估反馈,根据评估结果调整预测模型中的参数设置。本发明对温度、湿度、日类型等用电细节数据的负荷预测准确,综合各种因素预测逻辑合理。
Description
技术领域
本发明涉及电力系统技术领域,特别是涉及一种社区负荷预测系统。
背景技术
近年来,我国经济快速发展,各行各业对于电力的需求持续增长,电网调度层对实现电力负荷精准预测的需求愈发强烈。然而,气候的不断变化使得极端负荷出现的频率大幅升高,这也给电力负荷预测造成了较大困难。因此,在充分考虑温度、湿度等用电细节数据的情况下,对我国社会用电数据进行高准确性的预测,可以为配网侧有效实现源荷资源的调控提供有力支持,满足电力系统安全、经济运行的需求,同时进一步挖掘用户侧需求响应的潜力,实现能源的充分利用。
负荷预测是从己知的用电需求出发,考虑政治、经济、气候等相关因素,对未来的用电需求做出的预测。它是电力系统调度、实时控制、运行计划和发展规划的前提,是一个电网调度部门和规划部门所必须具有的基本信息。当前,负荷预测的主要方法有经典回归法、时间序列法,以及最近新兴的智能计算方法如专家系统法、神经网络法、灰色预测法、小波分析法、变权组合法等。经典的负荷预测方法无法利用输出修正输入,学习能力较差,准确性无法得到保证。时间序列法对输入数据的要求极高,同时对环境气象等因子的影响不敏感,无法准确预测负荷随之产生的波动。智能计算方法性能相对较好,能满足基本的负荷预测要求,但也存在对数据离散程度要求高、只适应短期或长期预测等问题。
近年来,随着感知终端设备的不断更新,电网可以获得越来越多的用户侧细节数据,如温度、湿度等。在这种情况下,基于用电细节数据对负荷数据进行前期分类与处理,建立合适的负荷预测模型,综合细节数据进行负荷预测,提高负荷预测的精准度,可以方便配网侧进行用电计划管理,并合理安排电网运行计划与源荷资源调控方案,有利于提高电力系统整体的经济效益,从而促进最终社会效益的提升。因此,基于用电细节数据进行负荷预测具有重要的理论意义和实用价值。
发明内容
本发明实施例所解决的技术问题是对温度、湿度、日类型等用电细节数据的负荷预测不准确,不合理的问题。
本发明的一方面,提供一种社区负荷预测系统,包括:
数据预处理模块,用以数据预处理,修正异常数据点并去除高尺度噪声部分,提取其特征向量进行样本空间到特征空间的映射;
输入向量处理模块,用以处理来自数据预处理模块的低维非线性特征向量,将低维特征空间中的非线性输入量转化为高维特征空间中的线性量;
负荷预测核心模块,用以接收来自输入向量处理模块的高维线性特征向量,计算负荷预测值,向评估反馈模块输出最终的全天用电负荷预测值;
评估反馈模块,用以计算负荷预测误差,对负荷预测结果进行评估反馈,根据评估结果调整预测模型中的参数设置;
其中,所述数据预处理模块、所述输入向量处理模块、所述负荷预测核心模块、所述评估反馈模块分别通过数字端口与数据交互平台实现双向传输。
进一步,该系统还包括,
总控制单元,用以控制各模块的正常运转与数据处理启停;
电源单元,用以对总控制单元以及各模块提供电能;
传感器设备,用以采集电压、电流、功率、温度、湿度以及日期时间的用电细节数据;
其中,所述总控制单元的输出端分别连接所述据预处理模块、所述输入向量处理模块、所述负荷预测核心模块、所述评估反馈模块;所述电源单元的输出端连接所述总控制单元。
进一步,所述数据预处理模块进行数据预处理具体包括:
根据以下公式求解用电负荷样本的均值,得到比较基值:
其中,L(p,Q)为负荷序列数据组;其中,p=1,2,...,288,Q=1,2,...,N;p为按五分钟取样间隔得到的一天中的288个时刻;Q为取样天数;L(p,q)为电负荷样本;
根据以下公式求解一天内各时刻对应的方差:
其中,L(p,q)为电负荷样本;L(p,Q)为负荷序列数据组;
根据以下公式判断该数据点为坏数据点:
其中,L(p,q)为电负荷样本;L(p,Q)为负荷序列数据组;p为按五分钟取样间隔得到的一天中的288个时刻;
当待检测数据点使公式成立,则判定该数据点为坏数据点,当待检测数据点使公式不成立,则判定该数据点为正常数据点;
根据以下公式去除坏数据点内高尺度噪声部分:
其中,ψ(t)为基小波;a为基小波中的伸缩因子;b为基小波中的平移因子。
进一步,所述输入向量处理模块将低维特征空间中的非线性输入量转化为高维特征空间中的线性量之前,需计算负荷的温度相关系数,根据系数将用户设备分为温度敏感型与温度不敏感型,分别叠加得到温度敏感、温度不敏感负荷的数值;对不同类别的特征量分别进行规格化处理。
进一步,所述计算负荷的温度相关系数具体为,根据以下公式计算用户负荷的温度相关系数ρ:
对温度相关系数ρ进行判断,是否满足ρ≥0.4,若满足则判定为温度敏感型用能设备,若不满足则判定为温度不敏感型用能设备。
进一步,所述对特征量进行规格化处理具体为,根据以下公式对温度不敏感型负荷进行对数处理:
P'ij=lg(Pij),i=1,2,...,n;j=1,2,...,m
其中,Pij为原负荷数据,P'ij为对数化后的负荷数据,i为用户序号,j为一天内数据采集的时段序号数;
根据以下公式对温度敏感型负荷进行归一化处理:
P'ij=(Pij-Pjmin)/(Pjmax-Pjmin),
i=1,2,...,n;j=1,2,...,m
其中,Pij为原始功率数据,Pjmax为P1j到Pnj中的最大值、Pjmin为P1j到Pnj中的最小值,P'ij为归一化后的功率系数;
根据以下公式对温度数据进行归一化处理:
Tij′=(Tij-Tjmin)/(Tjmax-Tjmin),
i=1,2,...,n;j=1,2,...,m (2-4)
其中,Tij为原始温度值,Tjmin,Tjmax分别为T1j,T2j,K,Tnj中的最小值、最大值,T′ij为规格化后的温度系数。
进一步,所述负荷预测核心模块将样本数据分为训练集与验证集;利用验证集数据进行参数修正,将参数调整到预测误差进入允许范围内;根据负荷预测模型对样本数据进行预测。
进一步,所述负荷预测模型具体为以下公式:
进一步,所述评估反馈模块根据预测结果的相对误差、平均相对误差、绝对误差及平均绝对误差,对负荷预测结果进行评估反馈,及时调整预测模型中的参数设置。
进一步,所述传感器设备包含电压传感器、电流传感器、温度传感器、湿度传感器与日期记录时间单元,用以安装于各个电力用户位置。综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的社区负荷预测系统,对不同类型的数据采用具有针对性的归一化方法,使所有数据的特征量值都统一为没有量纲、尺度接近的数值,以此消除后续预测过程中不同类型数据量纲和数量级的影响;充分考虑了不同因子对负荷波动的影响,大大提高了对原始采集数据的利用率,有利于削减外界影响因子对负荷预测精度的消极影响,同时显著提高电力系统中网络运行状态的可视化程度,有助于电网更好地进行调控与监管。
将用户设备重新划分为温度敏感、温度不敏感型,针对不同类型的特点进行不同的后续处理,以此尽可能保留不同设备用能变化的特性,提高用电预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明提供的社区负荷预测系统的结构示意图。
图2为本发明提供的社区负荷预测系统的数据预处理模块运算示意图。
图3为本发明提供的社区负荷预测系统的输入向量处理模块运算示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明提供的一种社区负荷预测系统的一个实施例的示意图。在该实施例中,所述系统包括:
数据预处理模块,用以数据预处理,修正异常数据点并去除高尺度噪声部分,提取其特征向量进行样本空间到特征空间的映射;
具体一个实施例中,如图2所示,数据预处理模块利用纵向比较法对负荷用电细节数据进行预处理,修正异常数据点并去除高尺度噪声部分,提取其特征向量,实现样本空间到特征空间的映射,将同一用户在相邻日期固定时段的负荷值作为基准数据,求其均值并设置阈值,如果待检测负荷点的数值与均值之间的差值超过了阈值则将此点判定为异常数据点。
具体的,根据以下公式求解用电负荷样本的均值,得到比较基值:
其中,L(p,Q)为负荷序列数据组;其中,p=1,2,...,288,Q=1,2,...,N;p为按五分钟取样间隔得到的一天中的288个时刻;Q为取样天数;L(p,q)为电负荷样本;
根据以下公式求解一天内各时刻对应的方差:
其中,L(p,q)为电负荷样本;L(p,Q)为负荷序列数据组;
根据以下公式判断该数据点为坏数据点:
其中,L(p,q)为电负荷样本;L(p,Q)为负荷序列数据组;p为按五分钟取样间隔得到的一天中的288个时刻;
当待检测数据点使公式成立,则判定该数据点为坏数据点,当待检测数据点使公式不成立,则判定该数据点为正常数据点;
检测完毕后,正常数据点保持原值,坏数据点根据以下公式去除坏数据点内高尺度噪声部分,进行修正:
其中,ψ(t)为基小波;a为基小波中的伸缩因子;b为基小波中的平移因子。
利用小波变换可以消除经过纵向比较法处理后数据中依然存在的高频部分噪声数据,进一步提高负荷预测的精度;将纵向比较法辨别修正和小波变换分解之后的用电数据空间称为特征空间;利用离散小波分解,将待预测样本分解为离散小波系数,除去其中涉及高频振荡分量的高尺度噪声部分,并提取其特征向量,实现原始用电数据由样本空间到特征空间的映射。
输入向量处理模块,用以处理来自数据预处理模块的低维非线性特征向量,将低维特征空间中的非线性输入量转化为高维特征空间中的线性量;
具体一个实施例中,如图3所示,所述输入向量处理模块计算负荷的温度相关系数,根据系数将用户设备分为温度敏感型与温度不敏感型,分别叠加得到温度敏感、温度不敏感负荷的数值,具体为:
根据以下公式计算用户负荷的温度相关系数ρ:
对温度相关系数ρ进行判断,是否满足ρ≥0.4,若满足则判定为温度敏感型用能设备,若不满足则判定为温度不敏感型用能设备。
对不同类别的特征量分别进行规格化处理,具体为:
根据以下公式对温度不敏感型负荷进行对数处理:
P'ij=lg(Pij),i=1,2,...,n;j=1,2,...,m
其中,Pij为原负荷数据,P'ij为对数化后的负荷数据,i为用户序号,j为一天内数据采集的时段序号数;
根据以下公式对温度敏感型负荷进行归一化处理:
P'ij=(Pij-Pjmin)/(Pjmax-Pjmin),
i=1,2,...,n;j=1,2,...,m
其中,Pij为原始功率数据,Pjmax为P1j到Pnj中的最大值、Pjmin为P1j到Pnj中的最小值,P'ij为归一化后的功率系数;
根据以下公式对温度数据进行归一化处理:
Tij′=(Tij-Tjmin)/(Tjmax-Tjmin),
i=1,2,...,n;j=1,2,...,m(2-4)
其中,Tij为原始温度值,Tjmin,Tjmax分别为T1j,T2j,K,Tnj中的最小值、最大值,T′ij为规格化后的温度系数;
湿度数据的规格化,仿照温度数据采用的归一化公式,将原始的湿度数据归一化为[0,1]之间的值;
日类型的规格化,日类型对负荷波动影响的最直观表现为周周期特性和日周期特性,此处考虑负荷波动的周周期性,分别用不同的系数表示一周内的不同日类型,即周一到周五取为0.75,周六取为0.5,周日取为0.4。
经过上面的归一化处理,将具有不同波动特性的数据分别进行归一化处理,使所有数据的特征量值都进入区间[0,1]内,统一为没有量纲,尺度接近的数值,以此消除后续预测过程中不同类型数据量纲和数量级的影响;预测后的负荷数据进行反对数化处理,即可得到实际值。
再具体的,将低维的非线性向量转变为高维空间中容易分析的线性量。为了更好地平衡负荷异常波动带来的影响,选择预测数据前两天的日最高温度、日最低温度、日平均温度、湿度、日类型、温度敏感型负荷值、温度不敏感型负荷值,共14个特征量组成输入特征向量,输入到最小二乘支持向量机中;
具体实施中,通过引入核函数,可以将低维度空间中非线性的特征量转变为高维度空间中的线性特征量,设x为低维度的输入特征向量,φ为由x映射到高维空间中后的特征向量,则只要K(xi,xj)满足以下公式,就能实现对应高维空间中的内积:
K(xi,xj)=φ(xi)*φ(xj)
进一步,高斯径向基核函数的优点,如参数少、结构简单、径向对称性好、便于进行理论分析等,实施例中选择高斯径向基核函数:
K(x,xi)=exp(-||x-xi||2/σ2)
其中,x为多维输入向量,xi为与x维数相同的第i个径向基函数的中心,||x-xi||为x与xi之间的距离,σ为高维输入特征空间结构的标准化参数,决定了该函数围绕中心点的宽度,若取值过大容易造成欠学习,取值过小则易造成过学习,因此,需要结合预测结果评估反馈进行适当的调整。
负荷预测核心模块,用以接收来自输入向量处理模块的高维线性特征向量,计算负荷预测值,向评估反馈模块输出最终的全天用电负荷预测值;
具体一个实施例中,所述负荷预测核心模块将前期处理得到的样本数据分为训练集与验证集;
利用验证集数据进行参数修正,直到参数调整到预测误差进入允许范围内;用修正后的决策回归方程对待预测数据进行预测,并将结果进行反向变换,得到最终的负荷预测值。
评估反馈模块,用以计算负荷预测误差,对负荷预测结果进行评估反馈,根据评估结果调整预测模型中的参数设置;
具体一个实施例中,所述评估反馈模块根据预测结果的相对误差、平均相对误差、绝对误差及平均绝对误差,对负荷预测结果进行评估反馈,及时调整预测模型中的参数设置,也就是调整参数σ。
总控制单元,用以控制各模块的正常运转与数据处理启停;
电源单元,用以对总控制单元以及各模块提供电能;
传感器设备,安装于各个电力用户位置处,用以采集电压、电流、功率、温度、湿度以及日期时间的用电细节数据,可以完成对电压、电流、功率、温度、湿度、日期时间等用电细节数据的采集工作,其输出数据内容除了输入数据预处理模块外,也输入数据交互平台进行备份;
该系统中,所述数据预处理模块、所述输入向量处理模块、所述负荷预测核心模块、所述评估反馈模块分别通过数字端口与数据交互平台实现双向传输;所述总控制单元的输出端分别连接所述据预处理模块、所述输入向量处理模块、所述负荷预测核心模块、所述评估反馈模块;所述电源单元的输出端连接所述总控制单元;数据交互平台为负荷预测系统中多个数据处理模块提供数据暂时存储的平台,其数字端口可实现双向传输,数据交互平台与各数据处理模块之间进行实时的数据传输与存储,在突然停电或设备故障等造成数据受损的情况下,可以快速还原各个数据处理模块中的数据,保障了该预测系统的安全性与可靠性。
综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的社区负荷预测系统,对不同类型的数据采用具有针对性的归一化方法,使所有数据的特征量值都统一为没有量纲、尺度接近的数值,以此消除后续预测过程中不同类型数据量纲和数量级的影响;充分考虑了不同因子对负荷波动的影响,大大提高了对原始采集数据的利用率,有利于削减外界影响因子对负荷预测精度的消极影响,同时显著提高电力系统中网络运行状态的可视化程度,有助于电网更好地进行调控与监管。
将用户设备重新划分为温度敏感、温度不敏感型,针对不同类型的特点进行不同的后续处理,以此尽可能保留不同设备用能变化的特性,提高用电预测的准确性。
分别建立24个时段的预测模型,根据各时段实际情况动态管理负荷模型参数,不仅可以提高用电数据预测精度,还能在用能行为特性与不同时段之间建立联系,为社会上其他行业提供参考,有效推进能效市场变革,具有提升社会经济效益的良好潜能。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种社区负荷预测系统,其特征在于,包括:
数据预处理模块,用以数据预处理,修正异常数据点并去除高尺度噪声部分,提取其特征向量进行样本空间到特征空间的映射;
输入向量处理模块,用以处理来自数据预处理模块的低维非线性特征向量,将低维特征空间中的非线性输入量转化为高维特征空间中的线性量;
负荷预测核心模块,用以接收来自输入向量处理模块的高维线性特征向量,计算负荷预测值,向评估反馈模块输出最终的全天用电负荷预测值;
评估反馈模块,用以计算负荷预测误差,对负荷预测结果进行评估反馈,根据评估结果调整预测模型中的参数设置;
其中,所述数据预处理模块、所述输入向量处理模块、所述负荷预测核心模块、所述评估反馈模块分别通过数字端口与数据交互平台实现双向传输。
2.如权利要求1所述的系统,其特征在于,该系统还包括,
总控制单元,用以控制各模块的正常运转与数据处理启停;
电源单元,用以对总控制单元以及各模块提供电能;
传感器设备,用以采集电压、电流、功率、温度、湿度以及日期时间的用电细节数据;
其中,所述总控制单元的输出端分别连接所述数据预处理模块、所述输入向量处理模块、所述负荷预测核心模块、所述评估反馈模块;所述电源单元的输出端连接所述总控制单元;所述传感器设备输入端分别连接所述数据预处理模块和数据交互平台。
3.如权利要求2所述的系统,其特征在于,所述数据预处理模块进行数据预处理具体包括:
根据以下公式求解用电负荷样本的均值,得到比较基值:
其中,L(p,Q)为负荷序列数据组;其中,p=1,2,...,288,Q=1,2,...,N;p为按五分钟取样间隔得到的一天中的288个时刻;Q为取样天数;L(p,q)为电负荷样本;
根据以下公式求解一天内各时刻对应的方差:
其中,L(p,q)为电负荷样本;L(p,Q)为负荷序列数据组;
根据以下公式判断该数据点为坏数据点:
其中,L(p,q)为电负荷样本;L(p,Q)为负荷序列数据组;p为按五分钟取样间隔得到的一天中的288个时刻;
当待检测数据点使公式成立,则判定该数据点为坏数据点,当待检测数据点使公式不成立,则判定该数据点为正常数据点;
根据以下公式去除坏数据点内高尺度噪声部分:
其中,ψ(t)为基小波;a为基小波中的伸缩因子;b为基小波中的平移因子。
4.如权利要求3所述的系统,其特征在于,所述输入向量处理模块将低维特征空间中的非线性输入量转化为高维特征空间中的线性量之前,需计算负荷的温度相关系数,根据系数将用户设备分为温度敏感型与温度不敏感型,分别叠加得到温度敏感、温度不敏感负荷的数值;对不同类别的特征量分别进行规格化处理。
6.如权利要求5所述的系统,其特征在于,所述对特征量进行规格化处理具体为,根据以下公式对温度不敏感型负荷进行对数处理:
P'ij=lg(Pij),i=1,2,...,n;j=1,2,...,m
其中,Pij为原负荷数据,P'ij为对数化后的负荷数据,i为用户序号,j为一天内数据采集的时段序号数;
根据以下公式对温度敏感型负荷进行归一化处理:
P'ij=(Pij-Pjmin)/(Pjmax-Pjmin),
i=1,2,...,n;j=1,2,...,m
其中,Pij为原始功率数据,Pjmax为P1j到Pnj中的最大值、Pjmin为P1j到Pnj中的最小值,P'ij为归一化后的功率系数;
根据以下公式对温度数据进行归一化处理:
T′ij=(Tij-Tjmin)/(Tjmax-Tjmin),
i=1,2,...,n;j=1,2,...,m (2-4)
其中,Tij为原始温度值,Tjmin,Tjmax分别为T1j,T2j,K,Tnj中的最小值、最大值,T′ij为规格化后的温度系数。
7.如权利要求6所述的系统,其特征在于,所述负荷预测核心模块将样本数据分为训练集与验证集;利用验证集数据进行参数修正,将参数调整到预测误差进入允许范围内;根据负荷预测模型对样本数据进行预测。
9.如权利要求1所述的系统,其特征在于,所述评估反馈模块根据预测结果的相对误差、平均相对误差、绝对误差及平均绝对误差,对负荷预测结果进行评估反馈,及时调整预测模型中的参数设置。
10.如权利要求2所述的系统,其特征在于,所述传感器设备包含电压传感器、电流传感器、温度传感器、湿度传感器与日期记录时间单元,用以安装于各个电力用户位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010513612.6A CN111754029A (zh) | 2020-06-08 | 2020-06-08 | 一种社区负荷预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010513612.6A CN111754029A (zh) | 2020-06-08 | 2020-06-08 | 一种社区负荷预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111754029A true CN111754029A (zh) | 2020-10-09 |
Family
ID=72675014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010513612.6A Pending CN111754029A (zh) | 2020-06-08 | 2020-06-08 | 一种社区负荷预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754029A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330052A (zh) * | 2020-11-20 | 2021-02-05 | 广西电网有限责任公司电力科学研究院 | 一种配变负荷预测方法 |
CN112465385A (zh) * | 2020-12-09 | 2021-03-09 | 武汉理工大学 | 一种应用智能电表数据的需求响应潜力分析方法 |
CN114113773A (zh) * | 2021-11-11 | 2022-03-01 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于零样本学习的非侵入式负荷监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503851A (zh) * | 2016-10-25 | 2017-03-15 | 国家电网公司 | 一种改进的基于小波分析的短期电力负荷预测方法 |
CN107728018A (zh) * | 2017-09-20 | 2018-02-23 | 国网浙江省电力公司绍兴供电公司 | 一种电力电缆现场局部放电信号的降噪方法 |
CN109214458A (zh) * | 2018-09-19 | 2019-01-15 | 合肥工业大学 | 一种基于历史数据的城市负荷量化方法 |
CN109871977A (zh) * | 2018-12-25 | 2019-06-11 | 广东电网有限责任公司 | 基于离散小波变换和优化最小支持向量机的负荷预测方法 |
CN111160626A (zh) * | 2019-12-10 | 2020-05-15 | 天津大学 | 一种基于分解融合的电力负荷时间序列控制方法 |
-
2020
- 2020-06-08 CN CN202010513612.6A patent/CN111754029A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503851A (zh) * | 2016-10-25 | 2017-03-15 | 国家电网公司 | 一种改进的基于小波分析的短期电力负荷预测方法 |
CN107728018A (zh) * | 2017-09-20 | 2018-02-23 | 国网浙江省电力公司绍兴供电公司 | 一种电力电缆现场局部放电信号的降噪方法 |
CN109214458A (zh) * | 2018-09-19 | 2019-01-15 | 合肥工业大学 | 一种基于历史数据的城市负荷量化方法 |
CN109871977A (zh) * | 2018-12-25 | 2019-06-11 | 广东电网有限责任公司 | 基于离散小波变换和优化最小支持向量机的负荷预测方法 |
CN111160626A (zh) * | 2019-12-10 | 2020-05-15 | 天津大学 | 一种基于分解融合的电力负荷时间序列控制方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330052A (zh) * | 2020-11-20 | 2021-02-05 | 广西电网有限责任公司电力科学研究院 | 一种配变负荷预测方法 |
CN112465385A (zh) * | 2020-12-09 | 2021-03-09 | 武汉理工大学 | 一种应用智能电表数据的需求响应潜力分析方法 |
CN112465385B (zh) * | 2020-12-09 | 2023-12-01 | 武汉理工大学 | 一种应用智能电表数据的需求响应潜力分析方法 |
CN114113773A (zh) * | 2021-11-11 | 2022-03-01 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于零样本学习的非侵入式负荷监测方法 |
CN114113773B (zh) * | 2021-11-11 | 2024-03-19 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于零样本学习的非侵入式负荷监测方法 |
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 | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
CN111754029A (zh) | 一种社区负荷预测系统 | |
CN112734128B (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN110796307B (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN104598985A (zh) | 电力负荷预测方法 | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN111160626A (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
CN112348287A (zh) | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 | |
CN115115127A (zh) | 一种基于深度学习的低压台区智能调控方法及系统 | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
CN113139698A (zh) | 负荷预测方法、装置及设备 | |
CN111967919A (zh) | 一种基于自回归和自适应提升算法的居民用电行为分析的系统及方法 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
CN111539573B (zh) | 一种风光互补离网系统的功率预测方法及系统 | |
JP7458183B2 (ja) | エネルギー需要変動パターンの分類方法及びシステム | |
CN111784028A (zh) | 一种社区负荷预测方法 | |
CN113850432A (zh) | 一种电力负荷数据的预测方法、系统、设备和介质 |
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 |