CN112330009A - 一种电网负荷预测方法 - Google Patents
一种电网负荷预测方法 Download PDFInfo
- Publication number
- CN112330009A CN112330009A CN202011205938.9A CN202011205938A CN112330009A CN 112330009 A CN112330009 A CN 112330009A CN 202011205938 A CN202011205938 A CN 202011205938A CN 112330009 A CN112330009 A CN 112330009A
- Authority
- CN
- China
- Prior art keywords
- historical
- time period
- load
- predicted
- average load
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003442 weekly effect 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
-
- 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
- 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
本发明公开了一种电网负荷预测方法。所述方法包括:获取历史负荷数据,其中,所述历史负荷数据包括多个历史时间段的负荷数据;每个历史时间段的持续时间均与待预测时间段的持续时间相同,历史时间段为历史日或历史周,且所述多个历史时间段与所述待预测时间段连续;根据所述历史负荷数据以预设方法预测所述待预测时间段的标准化负荷数据;根据所述历史负荷数据分别以第一预测方式及第二预测方式确定所述待预测时间段的第一平均负荷及第二平均负荷;根据所述第一平均负荷及所述第二平均负荷确定所述待预测时间段的加权平均负荷;根据所述加权平均负荷及所述标准化负荷数据确定所述待预测时间段的负荷数据。本发明能够提高电网负荷预测的准确度。
Description
技术领域
本发明实施例涉及电网负荷预测技术,尤其涉及一种电网负荷预测方法。
背景技术
电力负荷预测是电网调度工作的重要组成部分,准确可靠的负荷预测对电力系统安全经济运行有着重大意义。电网负荷预测,如短期负荷预测是指日负荷和周负荷预测,主要用来制定电力生产计划和安排电力系统短期运行方式等,是电力系统运行必不可少的重要环节。
电网的短期预测方法大致可分为传统的和现代的预测方法两类。传统的方法主要包括时间序列法、回归分析法、状态空间法等,而现代的方法主要是应用专家系统理论、模糊理论和神经网络理论等来进行短期负荷预测。现代的负荷预测方法以其具有的自学习能力等特点受到了研究人员的青睐,但由于负荷变化的影响因素多且过程复杂,这些方法也存在缺陷和局限性。传统方法比较成熟,且算法简单,速度快,容易实现,但也存在着误差较大等问题。
由于电力负荷的具有随机性、多样性的特点,能够影响负荷的因素很多、过程复杂,而且在线负荷预测对预测时间提出了更高的要求,因此导致负荷预测存在诸多困难,预测精度较低。
发明内容
本发明提供一种电网负荷预测方法,以提高电网负荷预测的精度。
本发明实施例提供了一种电网负荷预测方法,所述方法包括:获取历史负荷数据,其中,所述历史负荷数据包括多个历史时间段的负荷数据;每个所述历史时间段的持续时间均与待预测时间段的持续时间相同,所述历史时间段为历史日或历史周,且所述多个历史时间段与所述待预测时间段连续;根据所述历史负荷数据以预设方法预测所述待预测时间段的标准化负荷数据;根据所述历史负荷数据分别以第一预测方式及第二预测方式确定所述待预测时间段的第一平均负荷及第二平均负荷;根据所述第一平均负荷及所述第二平均负荷确定所述待预测时间段的加权平均负荷;根据所述加权平均负荷及所述标准化负荷数据确定所述待预测时间段的负荷数据。
可选地,所述根据所述历史负荷数据分别以第一预测方式及第二预测方式确定所述待预测时间段的第一平均负荷及第二平均负荷包括:根据所述历史负荷数据确定每个所述历史时间段的历史平均负荷;根据多个所述历史平均负荷以所述第一预测方式确定所述待预测时间段的第一预测平均负荷;根据所述多个历史平均负荷以所述第二预测方式确定所述待预测时间段的第二预测平均负荷;其中,所述第一预测方式为同期预测法,所述第二预测方式为连续预测法。
可选地,所述同期预测法包括:在连续的所述多个历史时间段中,选取M个样本历史时间段,其中,第i个样本历史时间段与第i+1个样本历史时间段之间间隔的历史时间段的个数为N,第M个样本历史时间段与所述待预测历史时间段之间间隔的历史时间段的个数为N;1≤i≤M-1,M为整数;以所述M个样本历史时间段为样本,以预设模型拟合所述M个样本历史时间段的第一拟合平均负荷曲线;以所述第一拟合平均负荷曲线确定所述第一预测平均负荷。
可选地,所述历史时间段为历史日,N=6。
可选地,所述连续预测法包括:以所述待预测时间段前N个所述历史时间段的N个第二平均负荷为样本,以预设模型拟合所述前N个历史时间段的第二拟合平均负荷曲线;以所述第二拟合平均负荷曲线确定所述第二预测平均负荷。
可选地,以所述第二拟合平均负荷曲线确定所述第二平均负荷之后还包括:在连续的所述多个历史时间段中,选取M个样本历史时间段,其中,第i个样本历史时间段与第i+1个样本历史时间段之间间隔N个历史时间段;第M个样本历史时间段与待预测历史时间段之间间隔N个历史时间段;分别以每个所述样本历史时间段的前N个历史时间段为样本,以所述连续预测法预测对应的所述样本历史时间段的平均预测负荷,并根据第一预设公式及对应的样本历史时间段的历史平均负荷确定所述样本历史时间段对应的修正系数;以得到的M个修正系数为样本,以所述预设模型拟合所述M个修正系数的修正系数曲线,并根据所述修正系数曲线确定所述待预测时间段的修正系数;根据所述待预测时间段的修正系数、所述第二平均负荷及第二预设公式确定修正后的第二平均负荷;所述根据所述第一平均负荷及所述第二平均负荷确定所述待预测时间段的加权平均负荷包括:根据所述第一平均负荷及修正后的第二平均负荷确定所述待预测时间段的加权平均负荷。
可选地,所述第一预设公式为:其中,λ1为修正系数,py1为样本历史时间段对应的平均预测负荷,pz1为对应的样本历史时间段的历史平均负荷;所述第二预设公式为:其中,λ2为待预测时间段的修正系数,py2为第二平均负荷,pz2为修正后的第二平均负荷。
可选地,所述根据所述历史负荷数据确定所述待预测时间段的标准化负荷数据包括:根据所述历史负荷数据确定每个所述历史时间段的历史平均负荷,根据所述历史负荷数据及对应的历史平均负荷确定每个历史时间段的标准化负荷数据;根据每个历史时间段的标准化负荷数据以同期预测法确定所述待预测时间段的标准化负荷数据。
可选地,所述根据所述第一平均负荷及所述第二平均负荷确定所述待预测时间段的加权平均负荷包括:以所述第一平均负荷及所述第二平均负荷的平均值作为所述加权平均负荷。
可选地,所述预设模型为二元线性模型。
本发明实施例的方案,采用的电网负荷预测方法,通过两种不同的预测方式对待预测时间段的平均负荷加以预测,从而得到第一平均负荷和第二平均负荷,再通过对第一平均负荷和第二平均负荷求取加权平均值从而得到加权平均负荷,并以加权平均负荷作为待预测时间段最终的平均负荷,将加权平均负荷与待预测时间段的标准化负荷数据相乘,即可得到待预测时间段的负荷数据,因综合考虑了多种预测方法,加权平均负荷将更加接近待预测日的实际平均负荷,进而使得待预测日的负荷数据预测更为准确,适应能力更强。
附图说明
图1为本发明实施例提供的一种电网负荷预测方法的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的一种电网负荷预测方法的流程图,参考图1,电网负荷预测方法包括:
步骤S101,获取历史负荷数据;其中,历史负荷数据包括多个历史时间段的负荷数据;每个历史时间段的持续时间均与待预测时间段的持续时间相同,历史时间段为历史日或历史周,且多个历史时间段与待预测时间段连续;
具体地,历史时间段例如可以是历史日或历史周,以历史时间段为历史日为例进行说明,历史负荷数据包括每个历史日的历史数据,如包括每个历史日中每个时刻的负荷数据;每个历史时间段的持续时间均与待预测时间段的持续时间相同,也即当待预测时间段为待预测日时,历史时间段对应为历史日,当待预测时间段为历史周时,历史时间段对应为历史周;多个历史时间段与待预测时间段连续,即多个历史时间段与待预测时间段在时间上具有连续性,如待预测时间段为待预测日时,多个历史时间段为待预测日之前且与待预测日连续的多个历史日。
步骤S102,根据历史负荷数据以预设方法预测待预测时间段的标准化负荷数据;
具体地,标准化负荷数据为该时间段所有时刻的负荷除以该时间段所有负荷的平均值,如历史日的所有负荷的平均值为其中,pij为第j天第i点的负荷,为历史日的所有负荷的平均值;则第j天第i点的标准化负荷数据为可根据每个历史日的标准化负荷数据以预设方法预测待预测日各点的标准化负荷数据,如可通过同期预测法对各点的标准化负荷数据进行预测,具体预测过程将在以下进行详细描述。
步骤S103,根据历史负荷数据分别以第一预测方式及第二预测方式确定待预测时间段的第一平均负荷及第二平均负荷;
具体地,待预测时间段的平均负荷预测方式有多种,第一预测方式与第二预测方式不同,本实施例中可通过两种方式对待预测时间段的平均负荷进行预测。
步骤S104,根据第一平均负荷及第二平均负荷确定待预测时间段的加权平均负荷;
具体地,第一平均负荷与第二平均负荷分别由两种预测方式预测得到,每种预测方式综合了不同的因素,可能使得第一平均负荷和第二平均负荷不同,在本实施例中,可将第一平均负荷和第二平均负荷求加权平均值,所得到的加权平均值综合了第一预测方式和第二预测方式的因素,从而使得加权平均值,即加权平均负荷相比于第一平均负荷及第二平均负荷具有更高的准确性,可靠度更高。
步骤S105,根据加权平均负荷及标准化负荷数据确定待预测时间段的负荷数据。
具体地,得到待预测时间段的标准化负荷数据及加权平均数据后,即可将加权平均数据与各个标准化负荷数据相乘,从而得到待预测时间段中各点的负荷数据,从而完成对待预测时间段负荷数据的预测。
本实施例的方案,采用的电网负荷预测方法,通过两种不同的预测方式对待预测时间段的平均负荷加以预测,从而得到第一平均负荷和第二平均负荷,再通过对第一平均负荷和第二平均负荷求取加权平均值从而得到加权平均负荷,并以加权平均负荷作为待预测时间段最终的平均负荷,将加权平均负荷与待预测时间段的标准化负荷数据相乘,即可得到待预测时间段的负荷数据,因综合考虑了多种预测方法,加权平均负荷将更加接近待预测日的实际平均负荷,进而使得待预测日的负荷数据预测更为准确,适应能力更强。
需要说明的是,可对历史负荷数据进行修复,如根据每时刻的负荷数据和网络参数(如电压及电流等)对对应时刻的历史负荷数据进行状态估计计算,将经过计算后的负荷作为所述的历史负荷数据,从而可以剔除错误数据以及修正不良数据,使得待预测时间段的负荷数据预测的更为精确。当预测得到待预测日的负荷数据后,待预测日可作为新的历史日,从而能够预测待预测日以后更多日期的负荷数据。
可选地,根据历史负荷数据分别以第一预测方式及第二预测方式确定待预测时间段的第一平均负荷及第二平均负荷包括:
根据历史负荷数据确定每个历史时间段的历史平均负荷;
根据多个历史平均负荷以第一预测方式确定待预测时间段的第一预测平均负荷;
具体地,待预测时间段的负荷与待预测时间段同期的负荷具有较大的相关性,因此可设置第一预测方式可为同期预测法,具体可包括:在连续的多个历史时间段中,选取M个样本历史时间段,其中,第i个样本历史时间段与第i+1个样本历史时间段之间间隔的时间段的个数为N,第M个样本历史时间段与待预测历史时间段之间间隔的历史时间段的个数为N;1≤i≤M-1,M为整数;以M个样本历史时间段为样本,以预设模型拟合M个样本历史时间段的第一拟合平均负荷曲线;以第一拟合平均负荷曲线确定第一预测平均负荷。以待预测时间段为待预测日为例,将历史日与待预测日按照时间顺序进行排列,并选取M个样本历史日,其中,第i个样本历史日与第i+1个样本历史日之间间隔N个历史日,即间隔N天,且最后一个样本历史日与待预测日之间间隔的历史日个数也为N,获取M个样本数据后,即得到样本随后以二元线性拟合模型Y=a+bX1+cX2拟合第一拟合平均负荷曲线,其中,X的取值例如为(1,2,3,……,M),对应的Y的取值为利用最小二乘法求取系数a、b及c,从而得到第一拟合平均负荷曲线,进而外推(即令X为M+1)求得待预测日的第一预测平均负荷其中,最小二乘法具体可包括:假定已知自变量的取值为 因变量的取值为yt(1≤t≤n),待求量回归系数记为S=[a,b,c]T。根据历史数据,引入以下矩阵与向量:
则残差的平方和为:
Q=(AS-Y)T(AS-Y)
S=(ATA)-1ATY
示例性的,历史时间段可为历史日,N的值可为6,也即每个样本历史日之间间隔六天,且最后一个样本历史日与待预测日之间间隔也为6天,对应的每个样本历史日与待预测日的星期类型均相同,即同类型日(如均为星期一),电网负荷数据中,同类型日的负荷具有相似性,选取N为6,可使得待预测日的负荷预测更为准确,可靠性更高。
可选地,待预测时间段的负荷与待预测时间段前几个历史时间段的负荷也具有较大的相关性,可设置第二预测方式为连续预测法,连续预测法包括:以待预测时间段前N个历史时间段的N个第二平均负荷为样本,以预设模型拟合前N个历史时间段的第二拟合平均负荷曲线;以第二拟合平均负荷曲线确定第二预测平均负荷。
具体地,连续预测法能够反映负荷的变化趋势,可根据待预测日前N天的第二平均负荷进行连续预测,由样本拟合二元线性模型Y=a+bX1+cX2(具体方法如前所述),通过最小二乘法得到其系数值,进而外推求得待预测日的第二平均负荷
当求得第一平均负荷及第二平均负荷之后,即可根据加权平均的方式求得待预测日的加权平均负荷,其中,即为待预测日的加权平均负荷,本实施例中,以第一平均负荷与第二平均负荷权值相等为例进行说明,即以第一平均负荷及第二平均负荷的平均值作为加权平均负荷,使得第一预测方式与第二预测方式对待预测日负荷预测的贡献相等,使得待预测日的负荷数据预测准确度更高。在其它一些实施方式中,也可设置第一平均负荷与第二平均负荷的权值不同。
待预测日的负荷数据具有明显的日周期规律,而且负荷在一定程度上受外部环境因素(如天气变化)的影响,正常日与节假日的负荷差别也较大,连续预测法的预测模型并未考虑正常日与节假日的差别,因此可通过对连续预测法预测的第二平均负荷进行修正,从而减小预测误差,使结果更加接近真实值。
因此,以第二拟合平均负荷曲线确定第二平均负荷之后还包括:在连续的多个历史时间段中,选取M个样本历史时间段,其中,第i个样本历史时间段与第i+1个样本历史时间段之间间隔N个历史时间段;第M个样本历史时间段与待预测历史时间段之间间隔N个历史时间段;分别以每个样本历史时间段的前N个历史时间段为样本,以连续预测法预测对应的样本历史时间段的平均预测负荷,并根据第一预设公式及对应的样本历史时间段的历史平均负荷确定样本历史时间段对应的修正系数;以得到的M个修正系数为样本,以预设模型拟合M个修正系数的修正系数曲线,并根据修正系数曲线确定待预测时间段的修正系数;根据待预测时间段的修正系数、第二平均负荷及第二预设公式确定修正后的第二平均负荷;根据第一平均负荷及第二平均负荷确定待预测时间段的加权平均负荷包括:根据第一平均负荷及修正后的第二平均负荷确定待预测时间段的加权平均负荷。
具体地,在本实施例中,例如先将待预测日及历史日按照时间顺序排列,选取待预测日的M个同类型日作为样本历史日,每个样本历史日与待预测日对应的星期类型均相同,如待预测日为星期一,则样本历史日均为星期一,随后根据每个样本历史日前N天的历史时间段为样本,即以前N天的历史平均负荷为样本,并根据连续预测法对对应的样本历史时间段的平均预测负荷进行预测,再根据第一预设公式确定样本历史日的修正系数,第一预设公式为其中,λ1为修正系数,py1为样本历史时间段(样本历史日)对应的平均预测负荷,pz1为对应的样本历史时间段(样本历史日)的历史平均负荷,也即pz1为样本历史日的平均负荷的实际值,而py1为利用连续预测法预测的预测值,从而利用第一预设公式确定样本历史日的修正系数;按照相同的方法求取M个样本历史日的共M个修正系数,接着以M个修正系数为样本,以预设模型(如二元线性模型)求取修正系数曲线,具体求取过程如前所述,随后根据修正系数曲线确定待预测日的修正系数;待预测日的修正系数与待预测日的第二平均负荷及修正后的第二平均负荷满足第二预设公式,第二预设公式为其中,λ2为待预测时间段的修正系数,为第二平均负荷,为修正后的第二平均负荷,从而得到修正后的第二平均负荷,修正后的第二平均负荷更加接近待预测日的平均负荷,从而使得预测更为准确;将修正后的第二平均负荷与第一平均负荷做加权平均,从而得到加权平均负荷,如 其中,即为加权平均负荷,进而使得预测更加准确。
可选地,根据历史负荷数据确定待预测时间段的标准化负荷数据包括:根据历史负荷数据确定每个历史时间段的历史平均负荷,根据历史负荷数据及对应的历史平均负荷确定每个历史时间段的标准化负荷数据;根据每个历史时间段的标准化负荷数据以同期预测法确定待预测时间段的标准化负荷数据。
具体地,pij为第j天第i点的负荷,为历史日的所有负荷的平均值;则第j天第i点的标准化负荷数据为可根据多个历史日第i点的标准化负荷数据,以同期预测法对待预测日第i点的标准化负荷数据进行预测,从而预测得到待预测日每点的标准化负荷数据,将标准化负荷数据与预测的加权平均负荷数据相乘即可得到待预测日的负荷数据,如其中,pi为待预测日第i点预测的负荷数据,为待预测日第i点的标准化负荷数据。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种电网负荷预测方法,其特征在于,所述方法包括:
获取历史负荷数据,其中,所述历史负荷数据包括多个历史时间段的负荷数据;每个所述历史时间段的持续时间均与待预测时间段的持续时间相同,所述历史时间段为历史日或历史周,且所述多个历史时间段与所述待预测时间段连续;
根据所述历史负荷数据以预设方法预测所述待预测时间段的标准化负荷数据;
根据所述历史负荷数据分别以第一预测方式及第二预测方式确定所述待预测时间段的第一平均负荷及第二平均负荷;
根据所述第一平均负荷及所述第二平均负荷确定所述待预测时间段的加权平均负荷;
根据所述加权平均负荷及所述标准化负荷数据确定所述待预测时间段的负荷数据。
2.根据权利要求1所述的方法,其特征在于,
所述根据所述历史负荷数据分别以第一预测方式及第二预测方式确定所述待预测时间段的第一平均负荷及第二平均负荷包括:
根据所述历史负荷数据确定每个所述历史时间段的历史平均负荷;
根据多个所述历史平均负荷以所述第一预测方式确定所述待预测时间段的第一预测平均负荷;
根据所述多个历史平均负荷以所述第二预测方式确定所述待预测时间段的第二预测平均负荷;
其中,所述第一预测方式为同期预测法,所述第二预测方式为连续预测法。
3.根据权利要求2所述的方法,其特征在于,所述同期预测法包括:
在连续的所述多个历史时间段中,选取M个样本历史时间段,其中,第i个样本历史时间段与第i+1个样本历史时间段之间间隔的历史时间段的个数为N,第M个样本历史时间段与所述待预测历史时间段之间间隔的历史时间段的个数为N;1≤i≤M-1,M为整数;
以所述M个样本历史时间段为样本,以预设模型拟合所述M个样本历史时间段的第一拟合平均负荷曲线;
以所述第一拟合平均负荷曲线确定所述第一预测平均负荷。
4.根据权利要求3所述的方法,其特征在于,所述历史时间段为历史日,N=6。
5.根据权利要求2所述的方法,其特征在于,所述连续预测法包括:
以所述待预测时间段前N个所述历史时间段的N个第二平均负荷为样本,以预设模型拟合所述前N个历史时间段的第二拟合平均负荷曲线;
以所述第二拟合平均负荷曲线确定所述第二预测平均负荷。
6.根据权利要求5所述的方法,其特征在于,以所述第二拟合平均负荷曲线确定所述第二平均负荷之后还包括:
在连续的所述多个历史时间段中,选取M个样本历史时间段,其中,第i个样本历史时间段与第i+1个样本历史时间段之间间隔N个历史时间段;第M个样本历史时间段与待预测历史时间段之间间隔N个历史时间段;
分别以每个所述样本历史时间段的前N个历史时间段为样本,以所述连续预测法预测对应的所述样本历史时间段的平均预测负荷,并根据第一预设公式及对应的样本历史时间段的历史平均负荷确定所述样本历史时间段对应的修正系数;
以得到的M个修正系数为样本,以所述预设模型拟合所述M个修正系数的修正系数曲线,并根据所述修正系数曲线确定所述待预测时间段的修正系数;
根据所述待预测时间段的修正系数、所述第二平均负荷及第二预设公式确定修正后的第二平均负荷;
所述根据所述第一平均负荷及所述第二平均负荷确定所述待预测时间段的加权平均负荷包括:
根据所述第一平均负荷及修正后的第二平均负荷确定所述待预测时间段的加权平均负荷。
8.根据权利要求1所述的方法,其特征在于,
所述根据所述历史负荷数据确定所述待预测时间段的标准化负荷数据包括:
根据所述历史负荷数据确定每个所述历史时间段的历史平均负荷,根据所述历史负荷数据及对应的历史平均负荷确定每个历史时间段的标准化负荷数据;
根据每个历史时间段的标准化负荷数据以同期预测法确定所述待预测时间段的标准化负荷数据。
9.根据权利要求1所述的方法,其特征在于,
所述根据所述第一平均负荷及所述第二平均负荷确定所述待预测时间段的加权平均负荷包括:
以所述第一平均负荷及所述第二平均负荷的平均值作为所述加权平均负荷。
10.根据权利要求3或4所述的方法,其特征在于,所述预设模型为二元线性模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011205938.9A CN112330009B (zh) | 2020-11-02 | 2020-11-02 | 一种电网负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011205938.9A CN112330009B (zh) | 2020-11-02 | 2020-11-02 | 一种电网负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330009A true CN112330009A (zh) | 2021-02-05 |
CN112330009B CN112330009B (zh) | 2023-09-01 |
Family
ID=74324563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011205938.9A Active CN112330009B (zh) | 2020-11-02 | 2020-11-02 | 一种电网负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330009B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023109417A1 (zh) * | 2021-12-16 | 2023-06-22 | 广州城市理工学院 | 一种基于加权分配的小水电频率预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103036231A (zh) * | 2012-12-07 | 2013-04-10 | 温州电力局 | 一种电力负荷预测方法、装置及上位机 |
US20140058572A1 (en) * | 2012-08-27 | 2014-02-27 | Gridium, Inc. | Systems and methods for energy consumption and energy demand management |
CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
CN109002937A (zh) * | 2018-09-07 | 2018-12-14 | 深圳供电局有限公司 | 电网负荷预测方法、装置、计算机设备和存储介质 |
CN109325622A (zh) * | 2018-09-26 | 2019-02-12 | 巢湖学院 | 一种电力系统负荷预测的方法 |
-
2020
- 2020-11-02 CN CN202011205938.9A patent/CN112330009B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140058572A1 (en) * | 2012-08-27 | 2014-02-27 | Gridium, Inc. | Systems and methods for energy consumption and energy demand management |
CN103036231A (zh) * | 2012-12-07 | 2013-04-10 | 温州电力局 | 一种电力负荷预测方法、装置及上位机 |
CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
CN109002937A (zh) * | 2018-09-07 | 2018-12-14 | 深圳供电局有限公司 | 电网负荷预测方法、装置、计算机设备和存储介质 |
CN109325622A (zh) * | 2018-09-26 | 2019-02-12 | 巢湖学院 | 一种电力系统负荷预测的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023109417A1 (zh) * | 2021-12-16 | 2023-06-22 | 广州城市理工学院 | 一种基于加权分配的小水电频率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112330009B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN107944594B (zh) | 一种基于斯皮尔曼等级与rkelm微网短期负荷预测方法 | |
CN103793887B (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
CN113759868A (zh) | 一种基于神经网络的工业以太网故障预测方法 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN115526265A (zh) | 一种基于递进式学习结构的非侵入式负荷分解方法 | |
CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
CN113139605A (zh) | 基于主成分分析和lstm神经网络的电力负荷预测方法 | |
CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
CN112990597A (zh) | 一种工业园区工厂用电负荷的超短期预测方法 | |
CN116073436A (zh) | 一种光伏新能源电力系统容量优化控制方法 | |
CN112330009A (zh) | 一种电网负荷预测方法 | |
CN117331705B (zh) | 一种基于大数据的数据预测分析方法及系统 | |
CN118132948A (zh) | 一种电力电量预测方法 | |
CN116956203B (zh) | 一种变压器分接开关动作特性测量方法及系统 | |
CN113724101A (zh) | 台区的箱表关系识别方法及系统、设备、存储介质 | |
Deng et al. | Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network | |
Viana et al. | Load forecasting benchmark for smart meter data | |
CN111368257A (zh) | 煤改电负荷特性的分析预测方法及装置 | |
CN110942195A (zh) | 一种用电负荷预测方法及装置 | |
CN117873701A (zh) | 一种基于Autoformer的云计算平台弹性伸缩智能伸缩方法 | |
Jianquan et al. | Prediction Method of Line Loss Data Based on Hidden Markov Model | |
MirMohammadAli Roudaki et al. | Power System State Estimation through Optimal PMU Placement and Neural Network using Whale Algorithm |
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 |