CN111784028A - 一种社区负荷预测方法 - Google Patents

一种社区负荷预测方法 Download PDF

Info

Publication number
CN111784028A
CN111784028A CN202010516904.5A CN202010516904A CN111784028A CN 111784028 A CN111784028 A CN 111784028A CN 202010516904 A CN202010516904 A CN 202010516904A CN 111784028 A CN111784028 A CN 111784028A
Authority
CN
China
Prior art keywords
data
load
temperature
day
value
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
Application number
CN202010516904.5A
Other languages
English (en)
Inventor
许泽宁
杨远俊
李伟华
张之涵
杨祥勇
刘俊
罗仙鹏
李超
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.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau 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 Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202010516904.5A priority Critical patent/CN111784028A/zh
Publication of CN111784028A publication Critical patent/CN111784028A/zh
Pending legal-status Critical Current

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
    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种社区负荷预测方法，包括，步骤S1，采集负荷用电细节数据辨别异常数据点，去除其内的高尺度噪声部分并提取特征向量，进行样本空间到特征空间的映射；步骤S2，处理输入向量，将特征空间中的非线性输入量转变为线性量；步骤S3，对全天用电数据进行预测，得到负荷预测值，对负荷预测值进行叠加得到全天的预测数据；步骤S4，对负荷预测结果进行评估反馈。本发明提高了对原始采集数据的利用率，提高用电预测的准确性，提高用电数据预测精度。

Description

一种社区负荷预测方法
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方法。
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方法，包括：
步骤S1，采集负荷用电细节数据辨别异常数据点，去除其内的高尺度噪声 部分并提取特征向量，进行样本空间到特征空间的映射；
步骤S2，处理输入向量，将特征空间中的非线性输入量转变为线性量；
步骤S3，对全天用电数据进行预测，得到负荷预测值，对负荷预测值进行 叠加得到全天的预测数据；
步骤S4，对负荷预测结果进行评估反馈。
进一步，在步骤S1中，所述辨别异常数据点具体为，根据以下步骤利用纵 向比较法辨别原始数据中的异常数据点：
根据以下公式求解用电负荷样本的均值，得到比较基值：
Figure BDA0002529014130000021
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：
Figure BDA0002529014130000022
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：
Figure BDA0002529014130000031
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。
进一步，在步骤S1中，根据以下公式去除其内高尺度噪声部分：
Figure BDA0002529014130000032
Figure BDA0002529014130000033
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，在步骤S2中，所述将特征空间中的非线性输入量转变为线性量具 体过程为：
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；
多种特征量组成输入特征向量；
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。
进一步，所述计算负荷的温度相关系数具体过程为，
根据以下公式计算用户负荷的温度相关系数ρ：
Figure BDA0002529014130000041
其中，PLD,t为t时刻该用户此项负荷的用能功率数据，
Figure BDA0002529014130000042
为一天内该负 荷的用能平均数据，Tt为该天t时段的温度，
Figure BDA0002529014130000043
为该天的平均温度，t为一天 内数据采样的时段序号数；
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，所述对不同类别的特征量分别进行规格化处理具体包括，
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。
进一步，所述多种特征量至少包括预测数据前日的日最高温度、日最低温 度、日平均温度、湿度、日类型、温度敏感型负荷值及温度不敏感型负荷值。
进一步，所述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具 体为，根据以下公式对参数进行处理，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：
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。
进一步，在步骤S3中，所述对全天用电数据进行预测具体过程为，
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；
根据以下公式对样本数据进行预测：
Figure BDA0002529014130000051
Figure BDA0002529014130000052
Figure BDA0002529014130000053
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，i为用户序号，j为一天内数据采集的时段序号数，b为基小波中的平移因子。
进一步，在步骤S4中，所述对负荷预测结果进行评估反具体为，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，调整参数σ，减 少误差数值。
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方法，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。
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。
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方法的主流程示意图。
图2为本发明提供的社区负荷预测方法的数据预处理的逻辑示意图。
图3为本发明提供的社区负荷预测方法的处理输入向量的逻辑示意图。
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方法的一个实施例的示意 图。在该实施例中，所述方法包括以下步骤：
步骤S1，如图2所示，对采集的负荷用电细节数据进行预处理，辨别并修 正异常数据点，去除其内的高尺度噪声部分并提取特征向量，进行样本空间到 特征空间的映射；
具体一个实施例中，异常数据点主要包括由于采集系统故障产生的坏数据 点和由于特殊情况或重大事件产生的畸变数据点，其中，坏数据点又包含数据 缺失、非正常情况下的极值与负荷毛刺；异常数据点通常随机产生，且以单独 或叠加形式存在，其分布具有不确定性；然而，通常情况下，用户用电行为具 有一定的规律性，很少发生短期突变的情况，即用能负荷曲线在一段时间内具 有良好的平滑性，根据以上性质，可以利用纵向相似性的原理来辨识异常数据 点。
具体的，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；根据以下步骤利用纵向比较法辨别原始数据中的异常数 据点：
根据以下公式求解用电负荷样本的均值，得到比较基值：
Figure BDA0002529014130000071
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：
Figure BDA0002529014130000072
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：
Figure BDA0002529014130000081
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，坏数据点采用电负荷样本的均值进行 修正。
再具体的，利用离散小波分解将样本数据变为离散小波系数，剔除涉及高 频振荡分量的高尺度噪声部分，提取其特征向量，实现原始数据从样本空间到 特征空间的映射，小波分析定义在函数空间L2(R)中，如果ψ(t)∈L2(R)能够满足以 下不等式的“容许”条件，那么可以将ψ(t)称为基小波：
Figure BDA0002529014130000082
对ψ(t)进行傅里叶变换得到ψ(ω)。由基小波经以下公式处理可以生成小波函数：
Figure BDA0002529014130000083
其中，a、b分别是基小波中的伸缩因子和平移因子，通过选择合适的a和 b，可得到不同时频上的小波。
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。
步骤S2，如图3所示，处理输入向量，将低维特征空间中的非线性输入量 转变为高维特征空间中易分析的线性量；
具体一个实施例中，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；
具体实施中，，根据以下公式计算用户负荷的温度相关系数ρ：
Figure BDA0002529014130000091
其中，PLD,t为t时刻该用户此项负荷的用能功率数据，
Figure BDA0002529014130000092
为一天内该负 荷的用能平均数据，Tt为该天t时段的温度，
Figure BDA0002529014130000093
为该天的平均温度，t为一天 内数据采样的时段序号数；
计算得到负荷的温度相关系数后，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，将用户的各项用能设备划分为温度敏感型用能设备与温度不敏感 型用能设备，分别叠加两类设备的用能数据，得到温度敏感型与温度不敏感型 负荷数据；可以针对不同类型负荷选取不同的归一化计算公式，以减小负荷随 温度波动性对预测精确度的消极影响。
对不同类别的特征量分别进行规格化(归一化)处理，特征量包括影响短 期负荷波动的日最高温度、日最低温度、日平均温度、湿度、日类型以及两类 负荷；温度、湿度与日类型为主要影响用能负荷波动的因素，因此选取上述数 据与两类负荷数据一起组成预测样本向量。然而，各类数据的量纲与数量级相 差较大，会影响数据的拟合效果，放大预测误差，因此，分别采用不同的归一 化处理方式将各类数据进行规格化，来实现统一为无量纲、数量级接近的目的。
具体实施中，，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；
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。
多种特征量组成输入特征向量，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。
步骤S3，由于每天同一时段内的负荷特性比较接近，对一天内的24个小时 用电数据进行预测，得到负荷预测值，对负荷预测值进行叠加得到全天的预测 数据；
具体一个实施例中，将前期处理得到的样本数据分为训练集与验证集；
确＝定如下最优解计算式：
Figure BDA0002529014130000121
构建决策函数：
Figure BDA0002529014130000122
带入最优解计算式；
根据公式
Figure BDA0002529014130000123
求解参数b；
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。
步骤S4，对负荷预测结果进行评估反馈；
具体一个实施例中，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，根据计算的误差结果生成评估反馈，调整参数σ，提高模型 的预测精确度，减少误差数值。
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方法，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方法，其特征在于，包括：
步骤S1，采集负荷用电细节数据辨别异常数据点，去除其内的高尺度噪声部分并提取特征向量，进行样本空间到特征空间的映射；
步骤S2，处理输入向量，将特征空间中的非线性输入量转变为线性量；
步骤S3，对全天用电数据进行预测，得到负荷预测值，对负荷预测值进行叠加得到全天的预测数据；
步骤S4，对负荷预测结果进行评估反馈。
2.如权利要求1所述的方法，其特征在于，在步骤S1中，所述辨别异常数据点具体为，根据以下步骤利用纵向比较法辨别原始数据中的异常数据点：
根据以下公式求解用电负荷样本的均值，得到比较基值：
Figure FDA0002529014120000011
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：
Figure FDA0002529014120000012
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：
Figure FDA0002529014120000013
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。
3.如权利要求2所述的方法，其特征在于，在步骤S1中，根据以下公式去除其内高尺度噪声部分：
Figure FDA0002529014120000021
Figure FDA0002529014120000022
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所述的方法，其特征在于，在步骤S2中，所述将特征空间中的非线性输入量转变为线性量具体过程为：
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；
多种特征量组成输入特征向量；
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。
5.如权利要求4所述的方法，其特征在于，所述计算负荷的温度相关系数具体过程为，
根据以下公式计算用户负荷的温度相关系数ρ：
Figure FDA0002529014120000023
其中，PLD,t为t时刻该用户此项负荷的用能功率数据，
Figure FDA0002529014120000031
为一天内该负荷的用能平均数据，Tt为该天t时段的温度，
Figure FDA0002529014120000032
为该天的平均温度，t为一天内数据采样的时段序号数；
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。
6.如权利要求5所述的方法，其特征在于，所述对不同类别的特征量分别进行规格化处理具体包括，
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4所述的方法，其特征在于，所述多种特征量至少包括预测数据前日的日最高温度、日最低温度、日平均温度、湿度、日类型、温度敏感型负荷值及温度不敏感型负荷值。
8.如权利要求4所述的方法，其特征在于，所述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具体为，根据以下公式对参数进行处理，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：
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。
9.如权利要求5-8任一所述的方法，其特征在于，在步骤S3中，所述对全天用电数据进行预测具体过程为，
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；
根据以下公式对样本数据进行预测：
Figure RE-FDA0002645675710000041
Figure RE-FDA0002645675710000051
Figure RE-FDA0002645675710000052
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，i为用户序号，j为一天内数据采集的时段序号数，b为基小波中的平移因子。
10.如权利要求9所述的方法，其特征在于，在步骤S4中，所述对负荷预测结果进行评估反具体为，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，调整参数σ，减少误差数值。
CN202010516904.5A 2020-06-08 2020-06-08 一种社区负荷预测方法 Pending CN111784028A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010516904.5A CN111784028A (zh) 2020-06-08 2020-06-08 一种社区负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010516904.5A CN111784028A (zh) 2020-06-08 2020-06-08 一种社区负荷预测方法

Publications (1)

Publication Number Publication Date
CN111784028A true CN111784028A (zh) 2020-10-16

Family

ID=72753409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010516904.5A Pending CN111784028A (zh) 2020-06-08 2020-06-08 一种社区负荷预测方法

Country Status (1)

Country Link
CN (1) CN111784028A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
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
CN107730031A (zh) * 2017-09-25 2018-02-23 中国电力科学研究院 一种超短期高峰负荷预测方法及其系统
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
CN110263866A (zh) * 2019-06-24 2019-09-20 苏州智睿新能信息科技有限公司 一种基于深度学习的电力用户负荷区间预测方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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
CN107730031A (zh) * 2017-09-25 2018-02-23 中国电力科学研究院 一种超短期高峰负荷预测方法及其系统
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
CN110263866A (zh) * 2019-06-24 2019-09-20 苏州智睿新能信息科技有限公司 一种基于深度学习的电力用户负荷区间预测方法
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

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
Wang et al. Data-driven mode identification and unsupervised fault detection for nonlinear multimode processes
JP6837949B2 (ja) 予測システム及び方法
CN111160626B (zh) 一种基于分解融合的电力负荷时间序列控制方法
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
CN111310789A (zh) 基于核密度估计的风电功率区间预测方法及其实现系统
CN111027775A (zh) 基于长短期记忆网络的梯级水电站发电量预测方法
CN111754029A (zh) 一种社区负荷预测系统
Wang et al. Short-term industrial load forecasting based on ensemble hidden Markov model
CN115169703A (zh) 一种基于长短时记忆网络组合的短期电力负荷预测方法
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
CN112907064B (zh) 基于自适应窗的电量预测方法、装置、存储介质及终端
Junior et al. Optimized hybrid ensemble learning approaches applied to very short-term load forecasting
CN114117852B (zh) 一种基于有限差分工作域划分的区域热负荷滚动预测方法
Jayashankara et al. A novel approach for short-term energy forecasting in smart buildings
CN117113086A (zh) 一种储能机组负荷预测方法、系统、电子设备及介质
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
Stamatescu et al. Reporting interval impact on deep residential energy measurement prediction
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及系统
CN111784028A (zh) 一种社区负荷预测方法
CN116011655A (zh) 基于两阶段智能特征工程的负荷超短期预测方法及系统
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
CN112801388B (zh) 一种基于非线性时间序列算法的电力负荷预测方法及系统
CN113869601A (zh) 一种电力用户负荷预测方法、装置及设备
CN111368257B (zh) 煤改电负荷特性的分析预测方法及装置

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