CN112085256B - 考虑负荷跃变的全周期负荷预测方法 - Google Patents
考虑负荷跃变的全周期负荷预测方法 Download PDFInfo
- Publication number
- CN112085256B CN112085256B CN202010814311.7A CN202010814311A CN112085256B CN 112085256 B CN112085256 B CN 112085256B CN 202010814311 A CN202010814311 A CN 202010814311A CN 112085256 B CN112085256 B CN 112085256B
- Authority
- CN
- China
- Prior art keywords
- load
- data
- value
- prediction
- user
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000007704 transition Effects 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000011161 development Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 17
- 230000009191 jumping Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 11
- 230000000630 rising effect Effects 0.000 claims description 7
- 238000011426 transformation method Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 230000035800 maturation Effects 0.000 abstract description 10
- 238000011160 research Methods 0.000 abstract description 10
- 238000013075 data extraction Methods 0.000 abstract description 3
- 230000001419 dependent effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000036316 preload Effects 0.000 description 5
- 150000001875 compounds Chemical class 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000010198 maturation time Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑负荷跃变的全周期负荷预测方法,首先获取用户历史年度日极值负荷数据,并根据用户的运行时间构建负荷预测模型,然后根据设置预测年每一天的外部因素数值,得出预测年每一天的负荷理论预测值,最后通过设定的负荷成熟判定阈值对负荷理论预测值进行分析,最终生成负荷预测结果;本发明在现有对配电网负荷数据研究的基础上,根据在配电网考虑负荷跃变的全周期负荷预测流程方法进行具体应用研究,提升在线实时负荷数据的质量,从海量时序样本中快速排除干扰点,提高数据抽取和采集的精确度。
Description
技术领域:
本发明涉及电力行业负荷预测分析咨询规划技术领域,特别是涉及一种考虑负荷跃变的全周期负荷预测方法。
背景技术:
负荷预测是配电网规划的重要组成部分,也是配电网规划的前提和基础,它能给电压等级的选择、变电站位置和网架结构的确立提供有利的信息指导。负荷预测的准确性直接决定着规划方案的优劣,若负荷预测过高,将导致配网建设过度投资,一些设备不能充分利用,引起资源浪费,这与当前我国建设节约型社会是背道而驰的;若负荷预测不足,将导致配网建设规模不够,使得规划区最大用户负荷高峰时段负载率偏高、满载或过载,甚至电能卡脖子输送不出,从而无法满足用户正常用电需求。所以负荷预测的准确性是保证配网系统可靠供电与经济运行的前提,直接影响到投资、网络布局和运行的合理性。
电力负荷预测按照其研究对象的不同,可分为区域总负荷预测和空间负荷预测:
负荷总量预测是根据预测区域的历史电量或负荷、影响因素来预测规划区域的未来电力需求量或电网的供电容量。它是以整个规划地区的电量或负荷总量作为预测对象,属于战略预测,对高压配电网规划和电源规划能提供很有力的指导作用。
空间负荷预测又称小区负荷预测,它是在划分预测区域为小区的基础上,依据小区的相关负荷影响因素,对小区的未来负荷的进行空间分布预测,它不仅要求在时间上预测未来负荷的量,而且还要求在空间上预测负荷增长的位置。空间负荷预测的准确性直接关系着城市电网规划方案的可操作性和适用性,它是对高压变电站位置和容量、中压主干线的型号及路径,开关设备的装设以及它们的投入时间等决策变量进行规划的基础。
在研究电力用户用电负荷的整个发展周期时,全周期负荷预测,可实现电力用户含盖近期、中期和远期的用电水平预测,提高负荷预测的准确度和精细度。期间需考虑电力用户因自身因素信息改变而引起的负荷发展趋势变化。电力用户的因素变化主要由用户追加产能或消减产能、用户被拆分、计量装置数量发生变化、用户销户、负荷成熟度等原因引起的,期间也有出现负荷发生跃变的情况,会造成各种不确定性因素。
目前采用的各种负荷预测方法的准确度还不能完全满足系统全周期的要求。电力负荷预测的研究多数只是对某个已有预测方法的改进和对新数学方法应用的探讨,对负荷的实际特性的影响考虑不够,尤其缺少历史负荷的可用性对人工智能方法、负荷预测方法的影响分析,因此对预测精度的改进有限。
当前对配电网负荷数据研究着重于算法的具体应用场景和目标,缺少在配电网考虑负荷跃变的全周期负荷预测流程方法进行具体应用的研究。
现有负荷预测模型,一方面,传统负荷预测模型由于模型单一、固定,而又无法充分考虑越来越多的不确定性因素的影响,如经济政策、气象环境等,已不能满足对负荷预测方法灵活性的要求。另一方面,随着人工智能、数据挖掘、知识发现、统计分类等学科的发展,各种跨学科和多学科交叉技术在现有负荷预测中应用很少,降低了现有负荷预测的精度。
发明内容:
本发明所要解决的技术问题是:克服现有技术的不足,在现有对配电网负荷数据研究的基础上,根据在配电网考虑负荷跃变的全周期负荷预测流程方法进行具体应用研究,提升在线实时负荷数据的质量,从海量时序样本中快速排除干扰点,提高数据抽取和采集精确度的考虑负荷跃变的全周期负荷预测方法。
本发明的技术方案是:一种考虑负荷跃变的全周期负荷预测方法,首先获取用户历史年度日极值负荷数据,并根据用户的运行时间构建负荷预测模型,然后根据设置预测年每一天的外部因素数值,得出预测年每一天的负荷理论预测值,最后通过设定的负荷成熟判定阈值对负荷理论预测值进行分析,最终生成负荷预测结果,其具体步骤是:
S1:从用电信息采集系统、营销系统、统计局、气象网站等平台获取负荷数据、用户属性数据和外部相关因素数据,对数据进行预处理,形成以“日”为单位的样本数据;
S2:剔除用户投运时刻之后连续4个月的负荷数据,然后判断用户运行时间是否满N年,若是,执行第三步S3;若否,跳转执行第六步S6;
S3:设定相关系数阈值,采用相关性分析方法确定各用户的强相关因素,执行第四步S4;若无强相关因素,跳转执行第七步S7;
S4:综合采用基于动态规划算法的线性回归方法、判定系数法、平均值同期比较法、动态特征的起始值与末端值比较方法判别用户负荷在历史年中是否发生跃变,标记负荷跃变时间点;采用比例缩放和坐标变换方法对跃变时间点之前的负荷进行前复权操作;
S5:采用分段非线性回归方法,对用户历史负荷数据进行拟合,计算各变量系数,形成负荷预测模型,跳转执行第八步S8;
S6:综合采用KNN算法和基于赋权的组合方法,利用投运时间满N年的负荷数据,构建负荷预测模型,跳转执行第八步S8;
S7:采用时间序列法,形成负荷预测模型;
S8:设置预测年每一天的外部因素数值,根据负荷预测模型,生成预测年每一天的负荷理论预测值;
S9:根据用户的负荷成熟度特征,采用随机森林算法判定用户在规划年的负荷理论预测过饱和的状态,以“年”为单位,对负荷理论预测值进行后复权,并输出复权结果,作为负荷预测结果。
进一步的,所述S1中,以“日”为数据的最小分析单位。对于统计单位为“小时”及以下的指标数据,采用日最大值数据;对于统计单位为“月”及以上的指标数据,根据数据统计周期,采用日平均值数据。
进一步的,所述S2中,首先需剔除用户投运时刻之后连续4个月的负荷数据,然后以用户剩余的运行时间是否超过一定期限,作为历史样本数据知否充足的条件;N的取值不小于3年。
进一步的,所述S4中,综合采用基于动态规划算法的线性回归方法、判定系数法、平均值同期比较法、动态特征的起始值与末端值比较方法判别用户负荷在历史年中是否发生跃变,并标记负荷跃变时间点;采用综合采用比例缩放和坐标变换的方法对负荷跃变时间点之前的负荷数据进行前复权操作,通过数据变换,消除历史年度未知因素变化对负荷发展趋势的影响,提升数据可用性;负荷跃变的类型包括增长转成熟、增长趋势中跃升、增长趋势中跃降、平稳状态跃升、平稳状态跃降、负荷归零等类型。
进一步的,所述S6中,以电力用户的属性信息为分析对象,采用KNN算法对用户进行分类,并计算与待预测用户最临近且运行时间满N年的m个用户,采用基于赋权的组合方法对该m个用户的负荷理论预测结果进行组合计算,作为运行时间不满N年用户的负荷预测方法;电力用户的属性信息包括:行业类型、报装时间、电压等级、装见容量、产能规模、用户数、建筑面积、占地面积、供电类型、交通便利性等。
进一步的,所述S9中,根据预测年的负荷理论预测值的最大值,计算负荷成熟度指标,采用随机森林算法判断用户在规划年的负荷状态的过饱和的状态;针对过饱和状态,以负荷成熟度指标的取值范围为约束,以各负荷成熟度指标阈值所表征的最大负荷值为预测年度的负荷预测最大值为基准,综合采用比例缩放和坐标变换的方法对负荷理论预测值进行后复权操作,以使预测年度的负荷最大值为各负荷成熟度指标阈值所表征的最大负荷值;负荷成熟度指标包括配变负载率、运行时间、建筑面积负荷密度、占地面积负荷密度、户均综合用电量、户均生活用电量、户均综合用电负荷、户均生活用电负荷、入住率、产能利用率、产值单耗。
本发明的有益效果是:
1、本发明在现有对配电网负荷数据研究的基础上,根据在配电网考虑负荷跃变的全周期负荷预测流程方法进行具体应用研究,提升在线实时负荷数据的质量,从海量时序样本中快速排除干扰点,提高数据抽取和采集的精确度。
2、本发明对负荷的实际特性的影响进行考虑,并结合历史负荷的可用性对人工智能方法、负荷预测方法的影响分析,提高对预测精度的改进。
3、本发明对跃变时间点之前的负荷进行前复权操作,或对跃变时间点之后的负荷进行后复权操作,提高负荷发生跃变时刻之前数据的可用性,保证用电负荷预测数据的一致性、精确性、完整性、时效性和同一性。
附图说明:
图1全周期负荷预测流程图
图2增长中的负荷曲线示意图;
图3增长转成熟的负荷前复权曲线示意图;
图4增长趋势中跃升的负荷前复权曲线示意图;
图5增长趋势中跃降的负荷前复权曲线示意图;
图6平稳状态跃升的负荷前复权曲线示意图;
图7平稳状态跃降的负荷前复权曲线示意图;
图8销户的负荷前复权曲线示意图;
图9负荷成熟时刻之后的后复权曲线示意图;
具体实施方式:
实施例:参见图1,图2,图3,图4,图5,图6,图7,图8和图9。
一种考虑负荷跃变的全周期负荷预测方法,首先获取用户历史年度日极值负荷数据;对于运行时间较短(或无强相关因素)的用户,采用KNN算法和基于赋权的组合方法(时间序列法)构建负荷预测模型;对于用户运行时间较长且有强相关因素的用户,对历史负荷数据进行负荷跃变识别,如发生跃变,则对跃变时间点之前的数据进行前复权操作,采用非线性回归方法构建负荷预测模型;然后设置预测年每一天的外部因素数值,计算预测年每一天的负荷理论预测值;最后通过设定的负荷成熟判定阈值对负荷理论预测值进行分析,对于超出成熟判定阈值的负荷,根据负荷成熟特征进行后复权操作,最终生成负荷预测结果。
下面结合附图和实施例对本申请进行详细描述。
步骤一、参考图1中S1所示:获取用户历史年度日极值负荷数据,电力规划初期收资,从用电信息采集系统、营销系统、统计局、气象网站等平台获取负荷数据、用户属性数据和外部相关因素数据,对数据进行预处理,形成以“日”为单位的样本数据;以“日”为数据的最小分析单位,对于统计单位为“小时”及以下的指标数据,采用日最大值数据;对于统计单位为“月”及以上的指标数据,根据数据统计周期,采用日平均值数据。
步骤二、参考图1中S2所示:剔除用户投运时刻之后连续4个月的负荷数据,然后判断用户运行时间是否满N年,若是,执行第三步S3;若否,跳转执行第六步S6;以用户剩余的运行时间是否超过一定期限,作为历史样本数据知否充足的条件,N的取值不小于3年。
步骤三、参考图1中S3所示:设定相关系数阈值,采用相关性分析方法确定各用户的强相关因素,执行第四步S4;若无强相关因素,跳转执行第七步S7;
例如对于住宅和商业建筑能源消耗的最大部分是用于取暖和制冷,而其消耗的情况与气候和建筑设计能效强烈相关,最后会演变成气候是可以预测的。在电力负荷预测中,很多因素不同程度地影响着电力负荷的预测值。有些因素因自然而变化,比如气象;有些应按地区条件产生差异,如工农业发展速度;有些因素是无估计的重大事件,如严重灾害等,并且各个因素对负荷的响可能是不一样的,而且同一因素的不同水平对负荷的影也是不同的,均为有强相关因素,需执行第四步S4。
步骤四、参考图1中S4所示:综合采用动态规划算法的线性回归方法、判定系数法、平均值同期比较法、动态特征的起始值与末端值比较方法判别用户负荷在历史年中是否发生跃变,并标记负荷跃变时间点。采用综合采用比例缩放和坐标变换的方法对负荷跃变时间点之前的负荷数据进行前复权操作,通过数据变换,消除历史年度未知因素变化对负荷发展趋势的影响,提升数据可用性。负荷跃变的类型包括增长转成熟、增长趋势中跃升、增长趋势中跃降、平稳状态跃升、平稳状态跃降、负荷归零等类型。
复权操作要对历史负荷进行相应比例的折减或增加,需考虑电力用户因自身因素信息改变而引起的负荷发展趋势变化。期间也有出现负荷发生跃变的情况,会造成各种不确定性因素。为提高负荷发生跃变时刻之前数据的可用性,需对跃变时间点之前的负荷进行前复权操作,达到在研究电力用户用电负荷的整个发展周期时数据的可用性。因此需对各类负荷跃变对象进行特性分析,并基于全周期负荷预测特性分析结果,需制定全周期负荷预测流程方法。
在研究电力用户用电负荷的整个发展周期时,需考虑电力用户因自身因素信息改变而引起的负荷发展趋势变化。电力用户的属性变化主要由用户追加产能或消减产能、用户被拆分、计量装置数量发生变化、用户销户、负荷成熟度发生变化等原因引起的。具体主要包括以下7种负荷跃变类型。根据不同的负荷跃变状况,提出相应的应对方案,为本专利一种基于负荷跃变的历史负荷复权方法。电力大数据的运用,进一步保证数据的可用性,指导性,即包括一致性、精确性、完整性、时效性和同一性。
如下为负荷跃变的判定:
判定系数法
y=a+kx (4-1)
注:x为时间自变量,y为负荷因变量,a为常数,k是斜率为判定系数;当k为常数时,说明该类用户负荷增长趋势稳定,负荷无跃变。
2).平均值同期比较法
y=(x1+x2+…+xn)/n (4-2)
注:x1,x2为时间自变量,y为负荷因变量,n为常数;
当y负荷值超过预值范围,说明该类用户负荷增长趋势不稳定,负荷有跃变。
3)动态特征的起始值与末端值比较
y=k1x1-k2x2 (4-3)
注:x1、x2为时间自变量,k1、k2是斜率,y为负荷因变量;
设定比较的阈值负荷y值,以负荷跃变时刻为分切点,对负荷跃变前和跃变后的负荷发展特性曲线进行分析。然后,求取负荷跃变后的属性变化,确定负荷跃变特征指标,进一步确定跃变后的特征指标取值为k1、x1。最后,将负荷跃变前的曲线模型中代表成熟特征指标变量的数值设置为第二步所求取的特征指标数值为k2、x2,对跃变前的负荷发展趋势进行比较阈值,超过阈值为负荷有跃变。
根据以上负荷跃变的判定,则采用比例缩放和坐标变换方法对一定发展趋势变化的负荷进行如下前复权操作:
增长中的负荷曲线
参考图2所示:电力用户属性未发生变化,自投产之日起,负荷正处于持续增长中。该类用户负荷增长趋势稳定,负荷曲线无需处理。
2)增长转成熟的负荷前复权曲线
参考图3所示:电力用户成熟度发生变化,由增长阶段过渡为成熟阶段。该类用户的负荷发展特性发生显著变化。对于该类负荷,首先,以负荷成熟时刻为分切点,对负荷成熟前和成熟后的负荷发展特性曲线进行分析。然后,求取负荷成熟后的特征指标变化,确定负荷成熟特征指标,进一步确定成熟后的负荷数据的取值。最后,将负荷成熟前的曲线模型中代表成熟特征指标的变量的数值设置为第二步所求取的特征指标数值,对成熟前的负荷发展趋势进行前复权,如图3所示的前复权曲线为虚线。
3)增长趋势中跃升的负荷前复权曲线
参考图4所示:对于该类用户负荷,首先确认负荷发生跃变的时刻,基于跃变前后的负荷增加幅度,对跃变前的负荷数据进行相应数值的相加,进而实现负荷发展趋势的稳定性。对增长趋势中跃升的负荷复权,如图4所示的前复权曲线为虚线。
4)增长趋势中跃降的负荷复权曲线
参考图5所示:对于该类用户负荷,首先确认负荷发生跃变的时刻,基于跃变前后的负荷消减幅度,对跃变前的负荷数据进行相应数值的扣减。对增长趋势中跃降的负荷复权,如图5所示的前复权曲线为虚线。
平稳状态跃升的负荷前复权曲线
参考图6所示:对于该类用户负荷,首先确认负荷发生跃变的时刻,基于跃变前后的负荷提升幅度,对跃变前的负荷数据进行相应数值的增加。为平稳状态跃升的负荷复权,如图6所示的前复权曲线为虚线。
平稳状态跃降的负荷复权曲线
参考图7所示:对于该类用户负荷,首先确认负荷发生跃变的时刻,基于跃变前后的负荷消减幅度,对跃变前的负荷数据进行相应数值的扣减。为平稳状态跃降的负荷复权,如图7所示的前复权曲线为虚线。
7)销户的负荷复权曲线
参考图8所示:对于该类用户负荷,对历史数据进行清零。为销户的负荷复权,如图8所示的前复权曲线为虚线。
步骤五、参考图1中S5所示:采用分段非线性回归方法,对用户历史负荷数据进行拟合,计算各变量系数,形成负荷预测模型,跳转执行第八步S8;
通常负荷预测数据特征的非线性回归有多种形式,包括双曲线、二次曲线、三次曲线、幂函数曲线、指数函数曲线、S形曲线、对数曲线、指数曲线等。根据实际的,具体的非线性回归分析的关键是确定函数的具体形式,基于非线性回归的负荷预测快速建模方法,采用实际用能系数描述不同时刻的负荷特性,建立了负荷预测模型,在提高预测建模速度的同时很大程度上避免了由于训练样本不完备而导致的预测精度波动。需利用具体负荷的实测数据进行预测,得到相应负荷与其影响因素之间的非线性拟合方程。得到各种因素对负荷的影响规律,负荷预测模型方法具有有效性和可行性。
在实际负荷预测中,回归函数往往是较复杂的非线性函数。非线性函数的求解一般可分为将非线性变换成线性函数。转换方法主要为直接转换法、函数变换法、级数展开法。直接置换法为引入中间变量,采用中间变量替换模型中的非线性变量,从而将非线性模型转换为线性模型。即从而将非线性函数转变为线性函数。
常见的有非线性数学模型线性化方法,例如指数模型、对数模型、幂指数模型等。
1)指数模型
y=aebx (5-1)
2)对数模型
y=a+blnx (5-2)
3)幂指数模型
y=axb (5-3)
注:x为自变量,y为因变量,a,b为常数。
步骤六、参考图1中S6所示:综合采用KNN算法和基于赋权的组合方法,利用投运时间满N年的负荷数据,构建负荷预测模型,跳转执行第八步S8;以电力用户的属性信息为分析对象,采用KNN算法对用户进行分类,并计算与待预测用户最临近且运行时间满N年的m个用户,采用基于赋权的组合方法对该m个用户的负荷理论预测结果进行组合计算,作为运行时间不满N年用户的负荷预测方法。电力用户的属性信息包括:行业类型、报装时间、电压等级、装见容量、产能规模、用户数、建筑面积、占地面积、供电类型、交通便利性等。
1)综合采用KNN算法
KNN算法存在一个样本数据集合,也为训练样本集,并且样本集中每个数据都存在标签,即样本集中每一数据与所属分类对应的关系。输入没有标签的数据后,将新数据中的每个特征与样本集中数据对应的特征进行比较,提取出样本集中特征最相似数据(最近邻)的分类标签。选择样本数据集中前k个最相似的数据,是k近邻算法中k的出处,通常k是不大于20的整数。最后选择k个最相似数据中出现次数最多的分类作为新数据的分类。
为提高电力负荷预测精度,应对海量、高维数据带来的单机计算资源不足的问题,采用基于均衡KNN算法的短期电力负荷并行预测方法。针对电力负荷数据特征,采用K均值聚类算法进行电力负荷场景划分;为提高场景划分精度,采用反熵权法量化负荷特征的权重系数;针对不均衡的负荷场景,提出均衡KNN算法对待预测负荷进行精确的场景归类;采用BP神经网络算法对海量历史数据进行负荷预测模型的分场景训练与预测;采用ApacheSpark架构对提出的模型进行并行化编程,提高其处理海量、高维数据的能力。基于该模型的负荷预测精度与执行时间均优于传统预测算法,且该算法具有优异的并行性能。
2)基于赋权的组合预测模型
基于权重方法的组合预测模型为参与组合的每个模型分配相应的权重,并将相应模型的预测值与权重的乘积和用作最终预测结果。
该模型分为三个部分,即训练数据、验证数据和测试数据。首先,训练数据用于每个子模型的训练,并将每个子模型的预测值与期望值进行比较;然后根据不同的权重计算方法计算权重,用验证数据进行验证。最后使用测试数据作为组合模型的测试,形成每个子模型的预测值和权重的线性组合。组合预测模型的表达式如下:
上式中,N为单一预测模型的数量,Ft为t时刻的组合预测值,fi,t为第i个单一预测模型在t时刻的预测值,wi为该单一模型对应的权重。
步骤七、参考图1中S7所示:采用时间序列法,形成负荷预测模型;
对电力系统的负荷可用各种方法进行预测。时间序列的分析方法,即把负荷随着时间的变化看成一个时间序列,同时又把这时间序列分成确定的和平稳随机的两部分。在以负荷历史资料的基础上,前者为确定的时间函数方程,后者为自回归滑动平均方程。由数学模型进行负荷预测。数学模型可选择三种,即线性趋势,指数趋势,抛物线趋势。根据事物的发展趋势进行预测,其中以线性趋势配合的方法准确度较高,若有一组历史统计数据,在坐标纸上轨迹接近于一条直线,则为线性趋势;若有一组历史统计数据,在坐标纸上轨迹接近于指数曲线,则为指数趋势;若有一组历史统计数据,在坐标纸上轨迹接近于抛物线曲线,则为抛物线趋势,
1)线性趋势
y=a+bt (7-1)
注:t为时间自变量,y为负荷因变量,a为常数,b是斜率;
适用于逐单位时间增减量大致相同。
2)指数趋势
y=abt (7-2)
注:t为时间自变量,y为负荷因变量,a,b为常数;
适用于每单位时间的增减率(即增减百分数)大致相同。这说明每单位时间以接近的发展速度增减变化。
3)抛物线趋势
y=at2+bt+c (7-3)
注:t为时间自变量,a、b、c是常数,y为负荷因变量;
适用于每年增减量之间相差数大致相同。
步骤八、参考图1中S8所示:设置预测年每一天的外部因素数值,根据负荷预测模型,生成预测年每一天的负荷理论预测值;
步骤九、参考图1中S9所示:根据用户的负荷成熟度特征,采用随机森林算法判定用户在规划年的负荷理论预测过饱和的状态。以“年”为单位,对负荷理论预测值进行后复权,并输出复权结果,作为负荷预测结果;即根据预测年的负荷理论预测值的最大值,计算负荷成熟度指标,采用随机森林算法判断用户在规划年的负荷状态的过饱和的状态。针对过饱和状态,以负荷成熟度指标的取值范围为约束,以各负荷成熟度指标阈值所表征的最大负荷值为预测年度的负荷预测最大值为基准,综合采用比例缩放和坐标变换的方法对负荷理论预测值进行后复权操作,以使预测年度的负荷最大值为各负荷成熟度指标阈值所表征的最大负荷值。负荷成熟度指标包括配变负载率、运行时间、建筑面积负荷密度、占地面积负荷密度、户均综合用电量、户均生活用电量、户均综合用电负荷、户均生活用电负荷、入住率、产能利用率、产值单耗等。
参考图9所示:对于超出成熟范围的用户负荷,判断其是否超过负荷成熟度判定阈值,如果为“是”,则认为负荷过饱和,将超过阈值的部分,强制向下调整至阈值以内,并记录负荷成熟的时刻,超过负荷成熟度后的负荷消减幅度,对负荷成熟度阈值后的负荷数据进行相应数值的扣减。即为对增长趋势的负荷进行后复权,如图9所示的后复权曲线为虚线。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种考虑负荷跃变的全周期负荷预测方法,首先获取用户历史年度日极值负荷数据,并根据用户的运行时间构建负荷预测模型,然后根据设置预测年每一天的外部因素数值,得出预测年每一天的负荷理论预测值,最后通过设定的负荷成熟判定阈值对负荷理论预测值进行分析,最终生成负荷预测结果,其具体步骤是:
S1:从用电信息采集系统和营销系统和统计局和气象网站平台获取负荷数据和用户属性数据和外部相关因素数据,对数据进行预处理,形成以“日”为单位的样本数据;
S2:剔除用户投运时刻之后连续4个月的负荷数据,然后判断用户运行时间是否满N年,N的取值不小于3年;若是,执行第三步S3;若否,跳转执行第六步S6;
S3:设定相关系数阈值,采用相关性分析方法确定各用户的强相关因素,执行第四步S4;若无强相关因素,跳转执行第七步S7;
S4:综合采用基于动态规划算法的线性回归方法、判定系数法、平均值同期比较法、动态特征的起始值与末端值比较方法判别用户负荷在历史年中是否发生跃变,标记负荷跃变时间点;采用比例缩放和坐标变换方法对跃变时间点之前的负荷进行前复权操作;
S5:采用分段非线性回归方法,对用户历史负荷数据进行拟合,计算各变量系数,形成负荷预测模型,跳转执行第八步S8;
S6:综合采用KNN算法和基于赋权的组合方法,利用投运时间满N年的负荷数据,构建负荷预测模型,跳转执行第八步S8;
S7:采用时间序列法,形成负荷预测模型;
S8:设置预测年每一天的外部因素数值,根据负荷预测模型,生成预测年每一天的负荷理论预测值;
S9:根据用户的负荷成熟度特征,采用随机森林算法判定用户在规划年的负荷理论预测过饱和的状态,以“年”为单位,对负荷理论预测值进行后复权,并输出复权结果,作为负荷预测结果。
2.根据权利要求1所述的考虑负荷跃变的全周期负荷预测方法,其特征是:所述S1中,以“日”为数据的最小分析单位,对于统计单位为“小时”及以下的指标数据,采用日最大值数据;对于统计单位为“月”及以上的指标数据,根据数据统计周期,采用日平均值数据。
3.根据权利要求1所述的考虑负荷跃变的全周期负荷预测方法,其特征是:所述S2中,首先需剔除用户投运时刻之后连续4个月的负荷数据,然后以用户剩余的运行时间是否超过一定期限,作为历史样本数据知否充足的条件。
4.根据权利要求1所述的考虑负荷跃变的全周期负荷预测方法,其特征是:所述S4中,综合采用基于动态规划算法的线性回归方法、判定系数法、平均值同期比较法、动态特征的起始值与末端值比较方法判别用户负荷在历史年中是否发生跃变,并标记负荷跃变时间点;综合采用比例缩放和坐标变换的方法对负荷跃变时间点之前的负荷数据进行前复权操作,通过数据变换,消除历史年度未知因素变化对负荷发展趋势的影响,提升数据可用性;负荷跃变的类型包括增长转成熟和增长趋势中跃升和增长趋势中跃降和平稳状态跃升和平稳状态跃降和负荷归零类型。
5.根据权利要求1所述的考虑负荷跃变的全周期负荷预测方法,其特征是:所述S6中,以电力用户的属性信息为分析对象,采用KNN算法对用户进行分类,并计算与待预测用户最临近且运行时间满N年的m个用户,采用基于赋权的组合方法对该m个用户的负荷理论预测结果进行组合计算,作为运行时间不满N年用户的负荷预测方法;电力用户的属性信息包括:行业类型和报装时间和电压等级和装机容量和产能规模和用户数和建筑面积和占地面积和供电类型和交通便利性。
6.根据权利要求1所述的考虑负荷跃变的全周期负荷预测方法,其特征是:所述S9中,根据预测年的负荷理论预测值的最大值,计算负荷成熟度指标,采用随机森林算法判断用户在规划年的负荷状态的过饱和的状态;针对过饱和状态,以负荷成熟度指标的取值范围为约束,以各负荷成熟度指标阈值所表征的最大负荷值为预测年度的负荷预测最大值为基准,综合采用比例缩放和坐标变换的方法对负荷理论预测值进行后复权操作,以使预测年度的负荷最大值为各负荷成熟度指标阈值所表征的最大负荷值;负荷成熟度指标包括配变负载率和运行时间和建筑面积负荷密度和占地面积负荷密度和户均综合用电量和户均生活用电量和户均综合用电负荷和户均生活用电负荷和入住率和产能利用率和产值单耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010814311.7A CN112085256B (zh) | 2020-08-13 | 2020-08-13 | 考虑负荷跃变的全周期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010814311.7A CN112085256B (zh) | 2020-08-13 | 2020-08-13 | 考虑负荷跃变的全周期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085256A CN112085256A (zh) | 2020-12-15 |
CN112085256B true CN112085256B (zh) | 2023-05-30 |
Family
ID=73728281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010814311.7A Active CN112085256B (zh) | 2020-08-13 | 2020-08-13 | 考虑负荷跃变的全周期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085256B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705076B (zh) * | 2021-07-07 | 2024-04-19 | 国家能源集团新能源技术研究院有限公司 | 基于偏最小二乘法的风电机组齿轮箱状态监测方法及控制装置 |
CN115081902B (zh) * | 2022-06-30 | 2024-04-09 | 国网北京市电力公司 | 基于源网荷储协同的综合规划方法、装置、设备及介质 |
CN116070530B (zh) * | 2023-03-07 | 2023-06-27 | 国网天津市电力公司城西供电分公司 | 一种基于数据驱动的电网建模实时仿真方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3168529B2 (ja) * | 1994-08-31 | 2001-05-21 | 株式会社山武 | 負荷予測方法 |
CN108229742B (zh) * | 2018-01-04 | 2021-10-22 | 国网浙江省电力公司电力科学研究院 | 一种基于气象数据以及数据趋势的负荷预测方法 |
CN108491969B (zh) * | 2018-03-16 | 2021-12-24 | 国家电网公司 | 基于大数据的空间负荷预测模型构建方法 |
-
2020
- 2020-08-13 CN CN202010814311.7A patent/CN112085256B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112085256A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085256B (zh) | 考虑负荷跃变的全周期负荷预测方法 | |
Feng et al. | Solution sensitivity-based scenario reduction for stochastic unit commitment | |
Huang et al. | A clustering based grouping method of nearly zero energy buildings for performance improvements | |
CN108921358B (zh) | 一种电力负荷特征的预测方法、预测系统及相关装置 | |
CN112446534B (zh) | 一种输变电工程的建设工期预测方法和装置 | |
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 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
Guo et al. | Electricity wholesale market equilibrium analysis integrating individual risk-averse features of generation companies | |
Porteiro et al. | Short term load forecasting of industrial electricity using machine learning | |
Wang et al. | Big data analytics for price forecasting in smart grids | |
CN115907511A (zh) | 可调节负荷资源价值评估模型的构建方法及装置 | |
Zhang et al. | Application of decision trees to the determination of the year-end level of a carryover storage reservoir based on the iterative dichotomizer 3 | |
Zheng et al. | Short-term energy consumption prediction of electric vehicle charging station using attentional feature engineering and multi-sequence stacked Gated Recurrent Unit | |
CN117494906A (zh) | 一种基于多元时间序列的天然气日负荷预测方法 | |
CN115622056B (zh) | 一种基于线性加权和选解法的储能优化配置方法及系统 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
Miletić et al. | Day-ahead electricity price forecasting using LSTM networks | |
CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
CN111797924B (zh) | 一种基于聚类算法的三维度园区画像方法及系统 | |
Zhao et al. | Internet-of-thing based real-time electrical market monitoring system design | |
CN112801415A (zh) | 基于马尔科夫链分布模型的超短期负荷预测方法及系统 | |
Ludwig | Data-Driven Methods for Demand-Side Flexibility in Energy Systems | |
CN112633762A (zh) | 楼宇能效获取方法及设备 | |
Gajowniczek et al. | Seasonal peak demand classification with machine learning techniques |
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 |