CN111832785A - 一种电能替代潜力的预测方法和系统 - Google Patents
一种电能替代潜力的预测方法和系统 Download PDFInfo
- Publication number
- CN111832785A CN111832785A CN201910325967.XA CN201910325967A CN111832785A CN 111832785 A CN111832785 A CN 111832785A CN 201910325967 A CN201910325967 A CN 201910325967A CN 111832785 A CN111832785 A CN 111832785A
- Authority
- CN
- China
- Prior art keywords
- prediction
- electric energy
- prediction method
- weight
- predicted
- 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 211
- 238000006467 substitution reaction Methods 0.000 title claims abstract description 113
- 238000005265 energy consumption Methods 0.000 claims abstract description 62
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 7
- 230000007547 defect Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种电能替代潜力的预测方法和系统，包括：获取被预测区域影响电能替代潜力因素、能源消耗总量及电能消耗量的历史数据和实时数据；将历史数据带入预先建立的组合预测模型中得到多种预测方法的在各时刻的权重；基于各因素、能源消耗总量及电能消耗量的实时数据和多预测方法在各时刻的权重，对被预测区域的电能替代潜力进行预测；其中组合预测模型包括多种预测方法以及各时刻各种预测方法的权重。该方法和系统既有效的改善了单一预测方法的局限性，又弥补了传统组合预测仅仅是赋予不同的预测指标各自的权重，忽略时间点对预测精度的影响的不足。
Description
技术领域
本发明属于电力负荷预测技术领域，具体涉及一种电能替代潜力的预测方法和系统。
背景技术
电力负荷预测是指根据过去某时间段内某区域电力需求进行研究分析，结合该区域内的气候、经济和人口等外部因素,研究出一套系统可行的数学方法，来确定未来某时间段内该地区的电力负荷的特性。电力产业作为国民工业系统中重要的产业，近年来随着电力市场的激烈竞争和智能电网建设的不断升级，电力负荷预测精度成为电网企业可持续发展的决定性因素，使得电力负荷预测在电力系统设计、电网规划和安全运行等方面越来越受到重视。更加准确的电力负荷预测，对于合理地安排启、停并网发的电机组,为电网的安全稳定运行、实时进行电网负荷的调度提供了重要依据。特别是在经济方面,精确的电力负荷预测可以优化发电、用电电网调度计划,合理调度和分配资源,保证电力稳定供应，从而起到使社会效益、经济效益最大化的作用。然而未来负荷预测工作研究的是不肯定事件,负荷预测这个不确定事件具有条件性、不准确性、时间性、多方案性等特点。恰当的负荷预测技术才能准确呈现负荷的发展趋势。一直以来，人们都在致力于提高电力负荷预测精度方法的研究。目前，电力负荷预测方法和手段比较多，按照模型的结构可以分为单一预测方法和组合预测方法。其中，单一预测方法有时间序列法、线性回归法、灰色预测法、支持向量机SVM、反向传播BP神经网络模型等等，但任何单一预测方法在实际应用中由于自身存在的缺陷会导致预测精度的不足，很难准确地预测区域未来的用电水平。然而传统的组合预测模型虽然可以综合的利用各种方法提供的信息，给予不同的预测方法分别赋予不同的权重，对提高预测精度具有一定的有效性，但是同一单向预测方法在其样本的各个时间点指标的权重是恒定不变的。这就会导致不同时间带预测的精度不同，在一个时间点预测更为准确，而在另一个时间点，误差可能仍旧很大。
另外目前大部分预测方法主要把经济、人口因素作为负荷需求的主要影响因素，但是我们知道，影响负荷需求的因素不仅仅局限于经济和人口，还可能受到当地的政策、技术发展水平、环保约束等方面的因素影响，如果仅仅片面的考虑经济和人口对区域电能替代潜力的影响，会影响电网公司对区域未来中长期电能替代发展趋势的把控，无法保证电力规划的系统性和科学高效性，从而无法实现电能替代战略所带来的最大经济效益。
发明内容
为克服上述现有技术的不足，本发明提出一种电能替代潜力的预测方法和系统。该方法和系统基于诱导有序加权调和平均IOWHA算子组合预测模型,从经济、人口、政策、能源价格、技术、环保约束的角度综合考虑区域电能替代潜力的影响因素，为电力企业的电力调度和经营决策提供依据。
实现上述目的所采用的解决方案为：
一种电能替代潜力的预测法方法，其改进之处在于，包括：
获取被预测区域影响电能替代潜力因素、能源消耗总量及电能消耗量的历史数据和实时数据；
将所述历史数据带入预先建立的组合预测模型中得到多种预测方法的在各时刻的权重；
基于所述各因素、能源消耗总量及电能消耗量的实时数据和所述多预测方法在各时刻的权重，对被预测区域的电能替代潜力进行预测；
所述组合预测模型包括多种预测方法以及各时刻各种预测方法的权重。
本发明提供的第一优选技术方案，其改进之处在于，所述组合预测模型的构建包括：
基于所述影响因素的历史数据，分别采用多种预测方法、在多个时刻对电能替代量进行预测；
以电能替代量在各时刻各种预测方法的预测值与实际值间的加权调和平均倒数误差平方和最小化为目标函数，以各时刻权重均作为约束条件；
所述预测方法包括：灰色预测方法、多元线性回归预测方法和粒子群-反向传播神经网络预测方法。
本发明提供的第二优选技术方案，其改进之处在于，所述目标函数，如下式所示：
所述约束条件如下：
式中，s2表示电能替代量在各时刻各种预测方法的预测值与实际值间的加权调和平均倒数误差平方和；t表示时刻，t＝1,2…,m，m表示t的最大值；i表示预测方法，i＝1,2…,n，n表示预测方法总个数；ωit表示按照精度排序后，第i种预测方法在t时刻对应的权重；
其中xt表示t时刻电能替代量的实际值，xv-index(it)表示按照精度排序后第i种预测方法在t时刻预测的电能替代量。
本发明提供的第三优选技术方案，其改进之处在于，所述基于所述各因素、能源消耗总量及电能消耗量的实时数据和所述多预测方法在各时刻的权重，对被预测区域的电能替代潜力进行预测；
分别对比各时刻电能替代量的实际值与每一种预测方法得到的电能替代量的预测值，得到每一种预测方法在各时刻的预测精度，并将所有预测方法在各时刻的预测精度进行对比；
根据预测精度的大小，将多预测方法在各时刻的权重分配至各种预测方法，并将每种预测方法在各时刻的权重的均值，作为所述预测方法的未来权重；
分别采用各种预测方法，基于所述各因素、能源消耗总量及电能消耗量的实时数据，对被预测区域的电能替代量进行预测；
基于所述各预测方法的未来权重和预测的电能替代量，采用加权调和平均计算方法计算被预测区域的电能替代潜力。
本发明提供的第四优选技术方案，其改进之处在于，所述预测精度如下式计算：
式中，下标i表示预测方法，下标t表示时刻；vit表示第i种预测方法在t时刻的预测精度，xt表示t时刻电能替代量的实际值，xit表示第i种预测方法在t时刻预测的电能替代量，n表示预测方法总个数。
本发明提供的第五优选技术方案，其改进之处在于，所述基于所述各预测方法的未来权重和预测的电能替代量，计算被预测区域的电能替代潜力，如下式所示：
式中，De表示被预测区域的电能替代潜力，x1,x2…xn分别表示n个预测方法预测的电能替代潜力，ωi表示xi对应的权重，
本发明提供的第六优选技术方案，其改进之处在于，所述将所述历史数据带入预先建立的组合预测模型中得到多种预测方法的在历史时刻的权重，包括：
将所述历史数据带入预先建立的组合预测模型，在约束条件约束下，求解目标函数得到各时刻多种预测方法的权重。
本发明提供的第七优选技术方案，其改进之处在于，所述电能替代量如下式计算：
式中，Det表示第t年的电能替代量，Yet表示第t年的电能消耗量，Yt表示第t年的能源消耗总量，YB表示基准年能源消耗总量，YBe表示基准年电能消耗量。
一种电能替代潜力的预测系统，其改进之处在于，包括：数据采集模块、权重计算模块和预测模块；
所述数据采集模块，用于获取被预测区域影响电能替代潜力因素、能源消耗总量及电能消耗量的历史数据和实时数据；
所述权重计算模块，用于将所述历史数据带入预先建立的组合预测模型中得到多种预测方法的在各时刻的权重；
所述预测模块，用于基于所述各因素、能源消耗总量及电能消耗量的实时数据和所述多预测方法在各时刻的权重，对被预测区域的电能替代潜力进行预测；
所述组合预测模型包括多种预测方法以及各时刻各种预测方法的权重。
本发明提供的第八优选技术方案，其改进之处在于，还包括用于建立组合预测模型的建模模块，所述建模模块包括：多方法预测单元以及目标和约束单元；
所述多方法预测单元，用于基于所述影响因素的历史数据，分别采用多种预测方法、在多个时刻对电能替代量进行预测；
所述目标和约束单元，用于以电能替代量在各时刻各种预测方法的预测值与实际值间的加权调和平均倒数误差平方和最小化为目标函数，以各时刻权重作为约束条件；
所述预测方法包括：灰色预测方法、多元线性回归预测方法和粒子群-反向传播神经网络预测方法。
与最接近的现有技术相比，本发明具有的有益效果如下：
本发明获取被预测区域影响电能替代潜力因素、能源消耗总量及电能消耗量的历史数据和实时数据；将历史数据带入预先建立的组合预测模型中得到多种预测方法的在各时刻的权重；基于各因素、能源消耗总量及电能消耗量的实时数据和多预测方法在各时刻的权重，对被预测区域的电能替代潜力进行预测；其中组合预测模型包括多种预测方法以及各时刻各种预测方法的权重。既有效的改善了单一预测方法的局限性，又弥补了传统组合预测仅仅是赋予不同的预测指标各自的权重，忽略时间点对预测精度的影响的不足。
本发明进一步既考虑了经济和人口因素对电能替代潜力的影响，又考虑了电能替代相关政策、技术水平对电能替代的促进作用，为电力企业科学规划电能替代发展战略，提高决策的可靠性和准确性，具有重大的现实意义。
附图说明
图1为本发明提供的一种电能替代潜力的预测方法流程示意图；
图2为本发明提供的一个电能替代潜力的预测方法实施例的流程示意图；
图3为本发明提供的一种电能替代潜力的预测系统基本结构示意图；
图4为本发明提供的一种电能替代潜力的预测系统详细结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1：
本发明提供的一种电能替代潜力的预测方法流程示意图如图1所示，包括：
步骤1：获取被预测区域影响电能替代潜力因素、能源消耗总量及电能消耗量的历史数据和实时数据；
步骤2：将历史数据带入预先建立的组合预测模型中得到多种预测方法的在各时刻的权重；
步骤3：基于各因素、能源消耗总量及电能消耗量的实时数据和多预测方法在各时刻的权重，对被预测区域的电能替代潜力进行预测；
组合预测模型包括多种预测方法以及各时刻各种预测方法的权重。
具体的，电能替代潜力的预测方法包括：
步骤S1：选取区域电能替代潜力影响因素。
因为当地的经济发展水平、人口情况、当地用电政策、电能替代技术发展水平、环保约束等因素都会影响区域未来电能替代潜力，所以选择人均GDP作为经济指标、人口数作为人口情况指标、电力固定资产投资占能源固定资产投资的比例作为政策指标、单位GDP能耗作为技术发展水平指标、二氧化碳排放量作为环保约束指标。
步骤S2：对电能替代量进行定义，构建电能替代潜力量化计算模型。
步骤S2中，对电能替代量进行定义就是为了分析电能替代政策对区域负荷的影响，对电能替代潜力进行量化处理，设定基准年实际能源消耗总量YB，基准年电能消耗量YBe,Yt为第t年的实际能源消耗总量，Yet为第t年的电能消耗量，Det为第t年的电能替代量，那么第t年终端电能替代量为：
公式(1)也即电能替代潜力量化计算模型。
公式(1)的含义是：假设不发生电能替代时，各年内电能消耗量和能源消耗总量的比例保持不变；用Yt为第t年的实际能源消耗总量乘以基准年内电能消耗量和能源消耗总量的比例，得到不发生电能替代时的电能消耗量，第t年的电能实际消耗量与假设不发生电能替代时计算的电能消耗量间的差值，即为电能替代量。
步骤S3：基于各影响因素的历史数据，分别采用多种方法，预测区域电能替代潜力。
本实施例中，通过构建灰色预测、多元线性回归和粒子群-反向传播神经网络算法模型，预测区域电能替代潜力，即基于各影响因素的历史数据，采用灰色预测方法、多元线性回归预测方法和粒子群-反向传播神经网络PSO-BP预测方法，预测区域电能替代潜力。
步骤S4：将每一个预测方法的预测值与原始数据即电能替代量的实际值进行对比，求解每一个预测方法在t时刻的预测精度，并将三种方法在t时刻的预测精度进行对比，按照从大到小的排序处理。
其中，每种预测方法的精度即预测精度计算式如下：
式(2)中，vit表示第i种预测方法在历史时刻t的精度，xt表示t时刻的观测值即电能替代量的实际值，xit表示第i种预测方法在历史时刻t预测的电能替代量。
步骤S5：根据精度值的大小，建立诱导有序加权调和平均IOWHA算子组合预测模型，利用倒数误差平方和最小原理求解最优权重K1、K2和K3。
IOWHA模型，定义如下：
设有n个二维组合，分别为(v1，u1)，(v2，u2)，…(vn，un)，其中vi是ui的诱导值，且ui>0，i＝1，2，…，n，令
式中，函数fw是基于v1,v2…vn序列产生的n维诱导有序加权调和评价算子，简记为IOWHA算子。uv-index(i)是经过v1,v2…vn序列按照大小排列之后的第i个数据，函数的加权向量为W＝(ω1，ω2，…，ωn)，且满足
ωi表示权重。因此，v1,v2…vn按照从大到小排列后所对应的u1,u2…un中的数据进行有序加权调和评价，加权向量ωi和uv-index(i)的比值与ui的大小和位置无关，但与其诱导值vi的大小和位置有关。
例如：(3，1)，(2，5)，(4，9)，(5，4)为4个二维数组，IOWHA的加权向量为W＝(0.3，0.2，0.4，0.1)，则
在IOWHA算子概念的基础上，进行电能替代量的预测。该预测方法就是依据每个单项预测方法在各个时点的预测精度高低按顺序赋权。
本申请中，第i种预测方法在历史时刻t的精度vit和预测的电能替代量xit构成二维向量，vit是诱导值，xit是vit对应的数值。
假设W＝(ω1，ω2，…，ωn)作为n种预测方法的加权变量即权重向量，将n种预测方法第t时刻预测精度序列v1t，v2t，…vnt按从大到小的顺序排列，设v-index(it)是第i个预测精度的下标，根据公式(3)，再考虑到不同时刻预测各方法精度可能不同，其权重也可能不同，以各预测方法对应的权重ωi进一步用ωit表示t时刻第i种预测方法的权重。令
其中，i＝1,2,…，n，t＝1,2,…，m，t表示预测的第t时刻，m为t的最大值，xv-index(it)表示将v1t,v2t…vnt按照大小排序之后的第i个精度对应预测方法预测的t时刻的电能替代量。
式(4)称为由预测精度v1t，v2t，…vnt产生的第t时刻基于IOWHA的组合预测值。
令
那么m期总的基于IOWHA的组合预测倒数误差平方和s2达到极小值为：
因此，基于IOWHA的组合预测模型也可以表示为：
通过式(6)，可以计算出各时刻最优权重ωit。
本实施例中，得到了历史时段中各时刻的最优权重K1、K2和K3。
步骤S6：依据每种预测方法的预测精度大小，分别赋予最优权重，即精度越高赋予较高的权重。
步骤S7：基于各种预测方法历史时段中各时刻的权重以及步骤S1中选择的影响因素，采用多种预测方法，预测区域电能替代潜力，得出基于IOWHA的组合预测结果即最优化的被预测区域内的电能替代潜力。
步骤S7中，电能替代潜力，如下式计算：
式中，De表示被预测区域的电能替代潜力，x1,x2…xn分别表示n个预测方法预测的电能替代潜力，ωi表示xi对应的未来权重，
ωi根据各种预测方法历史时段中各时刻的权重计算得到。
步骤S8：根据组合预测结果，制定电网调度计划并根据该计划进行电网调度，保证电力稳定供应。
步骤S8中根据组合预测结果制定电网调度计划并进行调度，仅是电能替代潜力预测在实际运用中的一个示例。实际上，通过分析原始数据和拟合数据的误差可知，预测总误差平均值低于4％，预测精度相对现有预测方法更高，大大提升了政府和电网公司对未来电网建设的决策准确性。利用上述模型的预测方法对区域未来电能替代量进行预测，一方面，可以根据地区未来电能替代的发展潜力，电网公司能够因地制宜的发展和推广电能替代技术手段，例如：电采暖、电动汽车、电锅炉、电热水器等技术，减少化石燃料的直接燃烧，提升电能消费占比，解决城市雾霾问题；另一方面，从电能需求量出发，有助于政府根据未来电能替代的发展趋势，制定未来电能替代发展目标，完善地方的电价政策、补贴政策和环保政策，合理规划未来新能源和一次能源的发电比例和发电基础设施建设，加快能源消费结构转型升级，实现多能高效互补，提升电力能源投资效益和能源利用效率，降低发电成本和用户用电成本，从而综合提高地区的经济效益和环境效益。
本实施例中，各时刻的最优权重K1、K2和K3，按照精度高权重高的原则，分别分配至灰色预测、多元线性回归和PSO-BP预测，从而就可以计算出基于IOWHA的灰色预测、多元线性回归和PSO-BP多预测方法的最优预测值，从而来预测区域未来长期电能替代潜力趋势及潜力，改善了现有组合预测方法仅仅是赋予不同的预测指标各自的权重，忽略时间点对预测精度的影响，导致在预测的过程中一个时间点预测的结果比较准确，而在另一个时间点预测误差却反而很大的问题。
需要注意的是，由于无法得到未来的真实值，故无法计算出未来的预测精度，从而无法以预测精度为诱导值计算出最优权重，所以本实施例中采取了将每一种预测方法的样本数据的平均权重赋权给该预测方法，即分别采用历史时段内各时刻权重的平均值作为各种预测方法在预测时段内的未来权重，从而基于IOWHA方法对未来的电能替代量进行预测。
本发明计算思路较为简单，计算过程可以通过软件实现，操作方便；通过对影响电能替代潜力因素全面分析，能有效保证预测结果的可靠性。
实施例2：
下面给出一个电能替代潜力的预测方法的实施例用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的限定。
如图2所示，电能替代潜力的预测方法包括：
步骤S101是选取区域电能替代潜力影响因素；
步骤S201是量化区域电能替代潜力，构建电能替代量化潜力模型；
步骤S301是分别构建灰色预测、多元线性回归、PSO-BP模型；
步骤S401是灰色模型预测值X1，步骤S402是多元线性回归预测值X2，步骤S403是PSO-BP算法预测值X3；
步骤S501是计算每一种方法在t时刻的预测精度，并将预测精度从大到小排列；
步骤S601是利用倒数误差平方和最小的组合预测模型，计算多种预测方法的最优权重K1、K2和K3；
步骤S701是根据每种预测方法的精度值，分别赋予每种方法最优权重，即精度越高权重越大从而计算出基于IOWHA算法模型的预测值；
步骤S801是输出最优加权组合预测模型的预测值X，即将每一种预测方法在不同时刻的预测值所赋予的权重求平均值作为未来每一种预测方法的权重，再采用调和平均计算方法，计算多种方法预测的电能替代量的均值，从而得到未来电能替代量。
实施例3：
基于同一发明构思，本发明还提供了一种电能替代潜力的预测系统，由于这些设备解决技术问题的原理与电能替代潜力的预测方法相似，重复之处不再赘述。
该系统基本结构如图3所示，包括：
数据采集模块、权重计算模块和预测模块；
其中，数据采集模块，用于获取被预测区域影响电能替代潜力因素、能源消耗总量及电能消耗量的历史数据和实时数据；
权重计算模块，用于将历史数据带入预先建立的组合预测模型中得到多种预测方法的在各时刻的权重；
预测模块，用于基于各因素、能源消耗总量及电能消耗量的实时数据和多预测方法在各时刻的权重，对被预测区域的电能替代潜力进行预测；
组合预测模型包括多种预测方法以及各时刻各种预测方法的权重。
电能替代潜力的预测系统详细结构如图4所示。
该系统还包括用于建立组合预测模型的建模模块，建模模块包括：多方法预测单元以及目标和约束单元；
多方法预测单元，用于基于影响因素的历史数据，分别采用多种预测方法、在多个时刻对电能替代量进行预测；
目标和约束单元，用于以电能替代量在各时刻各种预测方法的预测值与实际值间的加权调和平均倒数误差平方和最小化为目标函数，以各时刻权重作为约束条件；
预测方法包括：灰色预测方法、多元线性回归预测方法和粒子群-反向传播神经网络预测方法。
其中，预测模块包括：预测精度单元、未来权重单元、预测单元和均值单元；
预测精度单元，用于分别对比各时刻电能替代量的实际值与每一种预测方法得到的电能替代量的预测值，得到每一种预测方法在各时刻的预测精度，并将所有预测方法在各时刻的预测精度进行对比；
未来权重单元，用于根据预测精度的大小，将多预测方法在各时刻的权重分配至各种预测方法，并将每种预测方法在各时刻的权重的均值，作为预测方法的未来权重；
预测单元，用于分别采用各种预测方法，基于各因素、能源消耗总量及电能消耗量的实时数据，对被预测区域的电能替代量进行预测；
均值单元，用于基于各预测方法的未来权重和预测的电能替代量，采用加权调和平均计算方法计算被预测区域的电能替代潜力。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。
Claims (10)
1.一种电能替代潜力的预测方法，其特征在于，包括：
获取被预测区域影响电能替代潜力因素、能源消耗总量及电能消耗量的历史数据和实时数据；
将所述历史数据带入预先建立的组合预测模型中得到多种预测方法的在各时刻的权重；
基于所述各因素、能源消耗总量及电能消耗量的实时数据和所述多预测方法在各时刻的权重，对被预测区域的电能替代潜力进行预测；
所述组合预测模型包括多种预测方法以及各时刻各种预测方法的权重。
2.如权利要求1所述的方法，其特征在于，所述组合预测模型的构建包括：
基于所述影响因素的历史数据，分别采用多种预测方法、在多个时刻对电能替代量进行预测；
以电能替代量在各时刻各种预测方法的预测值与实际值间的加权调和平均倒数误差平方和最小化为目标函数，以各时刻权重作为约束条件；
所述预测方法包括：灰色预测方法、多元线性回归预测方法和粒子群-反向传播神经网络预测方法。
3.如权利要求2所述的方法，其特征在于，所述目标函数，如下式所示：
所述约束条件如下：
式中，s2表示电能替代量在各时刻各种预测方法的预测值与实际值间的加权调和平均倒数误差平方和；t表示时刻，t＝1,2…,m，m表示t的最大值；i表示预测方法，i＝1,2…,n，n表示预测方法总个数；ωit表示按照精度排序后，第i种预测方法在t时刻对应的权重；
其中xt表示t时刻电能替代量的实际值，xv-index(it)表示按照精度排序后第i种预测方法在t时刻预测的电能替代量。
4.如权利要求1所述的方法，其特征在于，所述基于所述各因素、能源消耗总量及电能消耗量的实时数据和所述多预测方法在各时刻的权重，对被预测区域的电能替代潜力进行预测；
分别对比各时刻电能替代量的实际值与每一种预测方法得到的电能替代量的预测值，得到每一种预测方法在各时刻的预测精度，并将所有预测方法在各时刻的预测精度进行对比；
根据预测精度的大小，将多预测方法在各时刻的权重分配至各种预测方法，并将每种预测方法在各时刻的权重的均值，作为所述预测方法的未来权重；
分别采用各种预测方法，基于所述各因素、能源消耗总量及电能消耗量的实时数据，对被预测区域的电能替代量进行预测；
基于所述各预测方法的未来权重和预测的电能替代量，采用加权调和平均计算方法计算被预测区域的电能替代潜力。
5.如权利要求4所述的方法，其特征在于，所述预测精度如下式计算：
式中，下标i表示预测方法，下标t表示时刻；vit表示第i种预测方法在t时刻的预测精度，xt表示t时刻电能替代量的实际值，xit表示第i种预测方法在t时刻预测的电能替代量，n表示预测方法总个数。
6.如权利要求4所述的方法，其特征在于，所述基于所述各预测方法的未来权重和预测的电能替代量，计算被预测区域的电能替代潜力，如下式所示：
式中，De表示被预测区域的电能替代潜力，x1,x2…xn分别表示n个预测方法预测的电能替代潜力，ωi表示xi对应的未来权重，
7.如权利要求2所述的方法，其特征在于，所述将所述历史数据带入预先建立的组合预测模型中得到多种预测方法的在历史时刻的权重，包括：
将所述历史数据带入预先建立的组合预测模型，基于约束条件，求解目标函数得到各时刻多种预测方法的权重。
8.如权利要求1所述的方法，其特征在于，所述电能替代量如下式计算：
式中，Det表示第t年的电能替代量，Yet表示第t年的电能消耗量，Yt表示第t年的能源消耗总量，YB表示基准年能源消耗总量，YBe表示基准年电能消耗量。
9.一种电能替代潜力的预测系统，其特征在于，包括：数据采集模块、权重计算模块和预测模块；
所述数据采集模块，用于获取被预测区域影响电能替代潜力因素、能源消耗总量及电能消耗量的历史数据和实时数据；
所述权重计算模块，用于将所述历史数据带入预先建立的组合预测模型中得到多种预测方法的在各时刻的权重；
所述预测模块，用于基于所述各因素、能源消耗总量及电能消耗量的实时数据和所述多预测方法在各时刻的权重，对被预测区域的电能替代潜力进行预测；
所述组合预测模型包括多种预测方法以及各时刻各种预测方法的权重。
10.如权利要求9所述的系统，其特征在于，还包括用于建立组合预测模型的建模模块，所述建模模块包括：多方法预测单元以及目标和约束单元；
所述多方法预测单元，用于基于所述影响因素的历史数据，分别采用多种预测方法、在多个时刻对电能替代量进行预测；
所述目标和约束单元，用于以电能替代量在各时刻各种预测方法的预测值与实际值间的加权调和平均倒数误差平方和最小化为目标函数，以各时刻权重作为约束条件；
所述预测方法包括：灰色预测方法、多元线性回归预测方法和粒子群-反向传播神经网络预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910325967.XA CN111832785A (zh) | 2019-04-23 | 2019-04-23 | 一种电能替代潜力的预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910325967.XA CN111832785A (zh) | 2019-04-23 | 2019-04-23 | 一种电能替代潜力的预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111832785A true CN111832785A (zh) | 2020-10-27 |
Family
ID=72911822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910325967.XA Pending CN111832785A (zh) | 2019-04-23 | 2019-04-23 | 一种电能替代潜力的预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111832785A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113313326A (zh) * | 2021-06-23 | 2021-08-27 | 云南电网有限责任公司电力科学研究院 | 一种电能替代潜力预测方法及系统 |
| CN113935517A (zh) * | 2021-09-14 | 2022-01-14 | 广西电网有限责任公司电力科学研究院 | 一种基于粒子群和滚动修正的电能替代潜力灰色分析方法 |
| CN114372691A (zh) * | 2021-12-29 | 2022-04-19 | 国网天津市电力公司 | 一种基于全息感知的电能替代潜力估算方法 |
| CN118469635A (zh) * | 2024-07-12 | 2024-08-09 | 国网上海市电力公司 | 计及区域产业和误差修正的电能替代潜力预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292508A (zh) * | 2017-06-16 | 2017-10-24 | 北京中电普华信息技术有限公司 | 一种电能替代潜力的分析预测方法及系统 |
| CN108062598A (zh) * | 2017-12-11 | 2018-05-22 | 天津天大求实电力新技术股份有限公司 | 一种多情景下的新态势负荷潜力预测方法 |
| CN108596404A (zh) * | 2018-05-09 | 2018-09-28 | 国网山东省电力公司青岛供电公司 | 一种用于电能替代潜力预测的测算方法 |
| CN109308551A (zh) * | 2018-10-25 | 2019-02-05 | 云南电网有限责任公司 | 一种基于gm灰色预测的某区域电能替代潜力分析方法 |
-
2019
- 2019-04-23 CN CN201910325967.XA patent/CN111832785A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292508A (zh) * | 2017-06-16 | 2017-10-24 | 北京中电普华信息技术有限公司 | 一种电能替代潜力的分析预测方法及系统 |
| CN108062598A (zh) * | 2017-12-11 | 2018-05-22 | 天津天大求实电力新技术股份有限公司 | 一种多情景下的新态势负荷潜力预测方法 |
| CN108596404A (zh) * | 2018-05-09 | 2018-09-28 | 国网山东省电力公司青岛供电公司 | 一种用于电能替代潜力预测的测算方法 |
| CN109308551A (zh) * | 2018-10-25 | 2019-02-05 | 云南电网有限责任公司 | 一种基于gm灰色预测的某区域电能替代潜力分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 夏怀健等: "基于多模型的区域电能替代发展潜力研究", 《科技管理研究》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113313326A (zh) * | 2021-06-23 | 2021-08-27 | 云南电网有限责任公司电力科学研究院 | 一种电能替代潜力预测方法及系统 |
| CN113313326B (zh) * | 2021-06-23 | 2023-01-20 | 云南电网有限责任公司电力科学研究院 | 一种电能替代潜力预测方法及系统 |
| CN113935517A (zh) * | 2021-09-14 | 2022-01-14 | 广西电网有限责任公司电力科学研究院 | 一种基于粒子群和滚动修正的电能替代潜力灰色分析方法 |
| CN113935517B (zh) * | 2021-09-14 | 2024-06-07 | 广西电网有限责任公司电力科学研究院 | 一种基于粒子群和滚动修正的电能替代潜力灰色分析方法 |
| CN114372691A (zh) * | 2021-12-29 | 2022-04-19 | 国网天津市电力公司 | 一种基于全息感知的电能替代潜力估算方法 |
| CN118469635A (zh) * | 2024-07-12 | 2024-08-09 | 国网上海市电力公司 | 计及区域产业和误差修正的电能替代潜力预测方法及系统 |
| CN118469635B (zh) * | 2024-07-12 | 2024-09-27 | 国网上海市电力公司 | 计及区域产业和误差修正的电能替代潜力预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lebotsa et al. | Short term electricity demand forecasting using partially linear additive quantile regression with an application to the unit commitment problem | |
| CN111832785A (zh) | 一种电能替代潜力的预测方法和系统 | |
| Senchilo et al. | Method for determining the optimal capacity of energy storage systems with a long-term forecast of power consumption | |
| JPWO2020075771A1 (ja) | 計画装置、計画方法、および計画プログラム | |
| CN114742353A (zh) | 基于电税数据联合的碳排放量动态监控及用能优化方法 | |
| Jochem et al. | An efficient two-stage algorithm for decentralized scheduling of micro-CHP units | |
| Hashemizadeh et al. | Optimizing renewable energy portfolios with a human development approach by fuzzy interval goal programming | |
| Filippov et al. | Long-term energy demand forecasting based on a systems analysis | |
| Bollinger et al. | Multi-agent reinforcement learning for optimizing technology deployment in distributed multi-energy systems | |
| CN117611190A (zh) | 一种区域电力系统碳排放测算方法、装置及介质 | |
| Tian et al. | Multi-objective evolutionary algorithm with machine learning and local search for an energy-efficient disassembly line balancing problem in remanufacturing | |
| Zhang et al. | GPNBI inspired MOSDE for electric power dispatch considering wind energy penetration | |
| Wang et al. | A study on natural gas consumption forecasting in China using the LMDI-PSO-LSTM model: Factor decomposition and scenario analysis | |
| CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
| Rizqi et al. | Green energy mix modeling under supply uncertainty: Hybrid system dynamics and adaptive PSO approach | |
| Feng et al. | A review of uncertain factors and analytic methods in long-term energy system optimization models | |
| CN105117859A (zh) | 基于iowa算子的电力发展水平通用评价方法 | |
| CN111126716A (zh) | 一种基于极端梯度提升算法预测电价的系统模型 | |
| Soares et al. | Day-ahead distributed energy resource scheduling using differential search algorithm | |
| Guo et al. | Research on distributed flexible job shop scheduling problem for large equipment manufacturing enterprises considering energy consumption | |
| Hsieh et al. | Forecasting patenting areas with academic paper & patent data: A wind power energy case | |
| Babaei et al. | Two parameter-tuned metaheuristic algorithms for the multi-level lot sizing and scheduling problem | |
| Lei et al. | Research on forecasting the market demand of Sci-tech Service Industry based on improved GMDH algorithm | |
| Ganesan et al. | Review on recent implementations of multiobjective and multilevel optimization in sustainable energy economics | |
| KUMAR et al. | RESEARCH OF FAULT DETECTION FOR THREE TYPES OF WIND TURBINES SUBSYSTEM USING MACHINE LEARINING |
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: 20201027 |