CN112418516A - 基于大数据的标幺值法电力负荷预测方法及系统 - Google Patents

基于大数据的标幺值法电力负荷预测方法及系统 Download PDF

Info

Publication number
CN112418516A
CN112418516A CN202011309538.2A CN202011309538A CN112418516A CN 112418516 A CN112418516 A CN 112418516A CN 202011309538 A CN202011309538 A CN 202011309538A CN 112418516 A CN112418516 A CN 112418516A
Authority
CN
China
Prior art keywords
industry
load
maximum load
year
annual
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
Application number
CN202011309538.2A
Other languages
English (en)
Other versions
CN112418516B (zh
Inventor
段海
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.)
Tianjin Haichuan Energy Technology Co ltd
Original Assignee
Tianjin Haichuan Energy Technology 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 Tianjin Haichuan Energy Technology Co ltd filed Critical Tianjin Haichuan Energy Technology Co ltd
Priority to CN202011309538.2A priority Critical patent/CN112418516B/zh
Publication of CN112418516A publication Critical patent/CN112418516A/zh
Application granted granted Critical
Publication of CN112418516B publication Critical patent/CN112418516B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于大数据的标幺值法电力负荷预测方法及系统，对预测区域内的行业负荷进行分类，采集各行业全年用电量及具体用户供电配变供电数据，校核并合成行业用户典型台区日负荷特性曲线，计算行业负荷标幺值及最大负荷利用小时数；计算现状年各行业最大负荷，合成现状年日负荷曲线，并计算各行业最大负荷所占权重及行业负荷间同时率；计算规划年各行业最大负荷，合成规划年日负荷曲线；将所有行业规划年日负荷曲线进行拟合叠加，得到规划年负荷预测值。本发明采用分类和聚类方法，充分体现预测区域用电行业特点及负荷特性，负荷预测结果的适应性和精准度比传统负荷预测方法要高，能够为区域电网投资策略和规划项目库的编制提供有效依据。

Description

基于大数据的标幺值法电力负荷预测方法及系统
技术领域
本发明属于电力负荷预测领域，特别是涉及到一种基于大数据的标幺值法电力负荷预测方法及系统。
背景技术
为积极应对气候变化，保证能源可持续发展，满足经济社会快速发展的用电需求，促进节能减排、发展低碳经济，电网向智能化方向发展已成为必然趋势。智能电网技术应用于发电、输电、变电、配电、用电、调度和通信信息平台各环节，并具有“信息化、自动化、互动化”特征，旨在提高电网的资源配置能力和电力系统的运行效率，以保障电力的安全、优质、可靠供应。
在发、变、输、配、用、调这一链条中，同发电、变电和输电环节相比，配电环节作为电力系统到用户的最后环节，与用户的联系最为紧密，对系统的整体性能效率和用户供电质量的影响也最为直接。但是长期以来，受“重发轻输不管用”思想的影响，配电网结构不合理、供电可靠性不高、运行损耗大、设备利用率低等问题普遍存在。随着经济社会的快速发展和用户对供电质量的要求不断提高，配电网的建设发展已日益受到关注。
配电网项目前期工作中规划是“龙头”，起引领作用，配电网规划环节中电力负荷预测结果是规划项目入库最顶层约束条件，负荷预测结果准确程度直接影响规划项目落地布局及电网运行水平，进而影响配电网投资有效性，因此负荷预测是配电网规划中极其重要的一部分。
目前传统负荷预测方法宏观性强，主要侧重于区域整体负荷增长，对于分行业负荷及其负荷特性、权重分析则比较粗糙，负荷预测结果的适应性和精准度不高，本发明提出基于大数据的标幺值法电力负荷预测方法及系统以解决现有技术问题。
发明内容
针对背景技术中存在问题，本发明提出一种基于大数据的标幺值法电力负荷预测方法及系统，采用分类和聚类方法，充分体现预测区域用电行业特点及负荷特性，有利于提高负荷预测结果的适应性和精准度，为区域电网投资策略和规划项目库的编制提供数据依据。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于大数据的标幺值法电力负荷预测方法，包括：
S1、对预测区域内的行业负荷进行分类，采集各行业全年用电量及具体用户供电配变供电数据并进行基础数据校核；
S2、合成行业用户典型台区日负荷特性曲线，并计算行业负荷标幺值及最大负荷利用小时数；
S3、计算现状年各行业最大负荷，合成行业现状年日负荷曲线，并计算各行业最大负荷所占权重及行业负荷间同时率；
S4、计算规划年各行业最大负荷，并合成规划年日负荷曲线；
S5、拟合叠加所有行业规划年日负荷曲线，得到规划年电力系统日负荷曲线，最大值即规划年负荷预测值。
进一步的，步骤S1所述方法具体为：
S101、负荷分类基于区域社会行业发展特点，在第一产业、第二产业、第三产业和居民用电基础上，细分行业负荷；
S102、各行业全年用电量及具体用户供电配变供电数据采集，从营销应用、PMS、调度系统采集区域全社会用电量、最大负荷、各行业全年用电量、具体用户供电配变容量、全年供电量及典型日24时整点负荷值，对规模数据进行校核；所述典型日为区域全年最大负荷日。
进一步的，步骤S2所述方法具体为：
S201、典型台区日负荷特性曲线合成，选取有代表性典型台区数据合成日负荷曲线；代表性台区为全年无计划停电、用电量较大、采集数据无异常用户；
S202、标幺值计算，即每点负荷除以最大负荷，
Figure BDA0002789311670000021
P*为负荷标幺值，j为某行业，Pn为某整点负荷，Pmax为24时整点负荷最大值；
S203、最大负荷利用小时数计算，即配变全年供电量除以最大负荷，
Figure BDA0002789311670000031
hj为某行业最大负荷利用小数，q为配变全年供电量，Pmax为最大负荷。
进一步的，步骤S3所述方法具体为：
S301、各行业现状年最大负荷计算，即行业全年用电量除以最大负荷利用小时数，
Figure BDA0002789311670000032
Pj为某行业最大负荷，Qj为某行业全年用电量，hj为某行业最大负荷利用小数；
S302、各行业现状年日负荷曲线合成，先计算各行业典型日24时整点负荷值，即行业最大负荷乘以标幺值，
Figure BDA0002789311670000033
Pj.n为某行业某时负荷(n＝1，2，…，24)，Pj为行业最大负荷；再按时间顺序以某行业整时负荷绘制典型日负荷曲线；
S303、各行业最大负荷权重及行业负荷间同时率计算，行业最大负荷权重等于某行业最大负荷除以各行业最大负荷之和，即
Figure BDA0002789311670000034
μj为某行业最大负荷权重，∑Pj为各行业最大负荷之和；行业负荷间同时率为区域最大负荷除以各行业最大负荷之和，即
Figure BDA0002789311670000035
ε为各行业负荷间同时率，P为区域最大负荷。
进一步的，步骤S4所述方法具体为：
S401、历史年各行业最大负荷年均增长率计算，先计算历史年各行业最大负荷值，计算方法同步骤S301中所述现状年各行业最大负荷计算方法，然后得到历史年各行业最大负荷年均增长率；
S402、规划年各行业最大负荷年均增长率确定，规划年各行业最大负荷增长既与历史发展基础相关，同时也受区域社会经济预期发展目标影响，二者影响因子其权值各赋予50％；规划年各行业最大负荷年均增长率等于历史年行业最大负荷年均增长率乘以50％+政府GDP年均增长率目标乘以50％，即Kj＝RjⅩ50％+VⅩ50％，Kj为规划年某行业最大负荷年均增长率，Rj为历史年某行业最大负荷年均增长率，V为政府GDP年均增长率目标；
S403、规划年各行业最大负荷计算，规划各行业最大负荷等于现状年最大负荷乘以规划年年均增长率，即PN.j＝PⅩ(1+Kj)r，PN.j为规划年某行业最大负荷，R为规划年与现状年年份差值(r＝1,2,…)；
S404、各行业规划年日负荷曲线合成，先计算规划年各行业典型日24时整点负荷值，方法同步骤302所述现状年各行业典型日24时整点负荷值计算方法；再按时间顺序以某行业整时负荷绘制规划年典型日负荷曲线。
本发明另一方面还提出了一种基于大数据的标幺值法电力负荷预测系统，包括：
分类及数据采集模块，用于对预测区域内的行业负荷进行分类，采集各行业全年用电量及具体用户供电配变供电数据并进行基础数据校核；
标幺值模块，用于合成行业用户典型台区日负荷特性曲线，并计算行业负荷标幺值及最大负荷利用小时数；
现状年计算模块，用于计算现状年各行业最大负荷，合成行业现状年日负荷曲线，并计算各行业最大负荷所占权重及行业负荷间同时率；
规划年计算模块，用于计算规划年各行业最大负荷，并合成规划年日负荷曲线；
拟合叠加模块，用于拟合叠加所有行业规划年日负荷曲线，得到规划年电力系统日负荷曲线，最大值即规划年负荷预测值。
进一步的，分类及数据采集模块包括：
行业负荷分类单元，基于区域社会行业发展特点进行负荷分类，在第一产业、第二产业、第三产业和居民用电基础上，细分行业负荷；
数据采集校核单元，用于各行业全年用电量及具体用户供电配变供电数据采集，从营销应用、PMS、调度系统采集区域全社会用电量、最大负荷、各行业全年用电量、具体用户供电配变容量、全年供电量及典型日24时整点负荷值，对规模数据进行校核；所述典型日为区域全年最大负荷日。
进一步的，标幺值模块包括：
典型台区日负荷曲线合成单元，用于典型台区日负荷特性曲线合成，选取有代表性典型台区数据合成日负荷曲线；代表性台区为全年无计划停电、用电量较大、采集数据无异常用户；
标幺值计算单元，进行标幺值计算，即每点负荷除以最大负荷，
Figure BDA0002789311670000041
P*为负荷标幺值，j为某行业，Pn为某整点负荷，Pmax为24时整点负荷最大值；
小时数计算单元，用于最大负荷利用小时数计算，即配变全年供电量除以最大负荷，
Figure BDA0002789311670000051
hj为某行业最大负荷利用小数，q为配变全年供电量，Pmax为最大负荷。
进一步的，现状年计算模块包括：
现状年最大负荷计算单元，用于各行业现状年最大负荷计算，即行业全年用电量除以最大负荷利用小时数，
Figure BDA0002789311670000052
Pj为某行业最大负荷，Qj为某行业全年用电量，hj为某行业最大负荷利用小数；
现状年日负荷曲线合成单元，用于各行业现状年日负荷曲线合成，先计算各行业典型日24时整点负荷值，即行业最大负荷乘以标幺值，
Figure BDA0002789311670000053
Pj.n为某行业某时负荷(n＝1，2，…，24)，Pj为行业最大负荷；再按时间顺序以某行业整时负荷绘制典型日负荷曲线；
权重及同时率计算单元，用于各行业最大负荷权重及行业负荷间同时率计算，行业最大负荷权重等于某行业最大负荷除以各行业最大负荷之和，即
Figure BDA0002789311670000054
μj为某行业最大负荷权重，∑Pj为各行业最大负荷之和；行业负荷间同时率为区域最大负荷除以各行业最大负荷之和，即
Figure BDA0002789311670000055
ε为各行业负荷间同时率，P为区域最大负荷。
进一步的，规划年计算模块包括：
历史年最大负荷计算单元，用于历史年各行业最大负荷年均增长率计算，先计算历史年各行业最大负荷值，计算方法与现状年最大负荷计算单元中所述现状年各行业最大负荷计算方法相同，然后得到历史年各行业最大负荷年均增长率；
规划年最大负荷年均增长率计算单元，用于规划年各行业最大负荷年均增长率确定，规划年各行业最大负荷增长既与历史发展基础相关，同时也受区域社会经济预期发展目标影响，二者影响因子其权值各赋予50％；规划年各行业最大负荷年均增长率等于历史年行业最大负荷年均增长率乘以50％+政府GDP年均增长率目标乘以50％，即Kj＝RjⅩ50％+VⅩ50％，Kj为规划年某行业最大负荷年均增长率，Rj为历史年某行业最大负荷年均增长率，V为政府GDP年均增长率目标；
规划年最大负荷计算单元，用于规划年各行业最大负荷计算，规划各行业最大负荷等于现状年最大负荷乘以规划年年均增长率，即PN.j＝PⅩ(1+Kj)r，PN.j为规划年某行业最大负荷，R为规划年与现状年年份差值(r＝1,2,…)；
规划年日负荷曲线合成单元，用于各行业规划年日负荷曲线合成，先计算规划年各行业典型日24时整点负荷值，方法与现状年日负荷曲线合成单元所述现状年各行业典型日24时整点负荷值计算方法相同；再按时间顺序以某行业整时负荷绘制规划年典型日负荷曲线。
与现有技术相比，本发明具有如下的有益效果：
1、本发明采用对区域行业负荷进行分类再进行聚类计算的方法，对预测区域历年总电量、总负荷及分产业电量进行统计分析，充分体现预测区域用电行业特点及负荷特性；
2、本发明计算行业负荷标幺值，从而进行各行业的负荷预测，有利于提高负荷预测结果的适应性和精准度；
3、本发明方法简洁，易于操作，为区域电网投资策略和规划项目库的编制提供数据依据。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，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不当限定。在附图中：
图1为本发明的计算流程示意图。
图2为历史年全社会用电量及各行业全年用电量变化趋势图。
图3为现状年典型台区日负荷曲线图。
图4为行业负荷标幺值曲线图。
图5为现状年行业日负荷曲线图。
图6为规划年行业日负荷曲线预测结果图。
图7为规划年电力系统日负荷曲线预测结果图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
以云南某A旅游古镇负荷预测为例对本发明做进一步说明。
一、区域行业负荷分类，历史用电数据采集及校核
1、区域行业负荷分类，A旅游古镇用电负荷以居民用电及季节性变化的商业负荷为主，主要分为居民、餐饮、客栈3类典型行业负荷；
2、历史用电数据采集及校核，从供电公司营销应用、PMS、调度系统采集区域全社会用电量、最大负荷、以上3类行业全年用电量、具体用户供电配变容量、全年供电量及典型日24时整点负荷值，对规模数据进行校核。典型日为区域全年最大负荷日。
基础数据量相当庞大，对于海量基础数据，按营销、运检、调度、发策等业务部门横向分类，同时按用户行业纵向分类，依据各类数据之间逻辑关系和数量关系，纵横交叉相互校核并进行必要修正，得到准备、客观的基础用电数据。
(1)3类负荷全年用电量
序号 行业用电量(万kWh) 2016年 2017年 2018年 2019年 年均增长率(％)
1 居民 1208.4 1340.5 1353 1482.7 7.06
2 餐饮 1762.3 1982.8 2117.8 2333.6 9.81
3 客栈 2064.5 2262.1 2412 2630.1 8.41
4 全社会 5035.2 5585.4 5882.8 6446.4 8.58
历史年全社会用电量及3类行业全年用电量变化趋势如图2所示。
(2)全社会最大负荷
年份 2016年 2017年 2018年 2019年 年均增长率(％)
全社会最大负荷(MW) 19.6 21.4 23.4 25.3 8.88
(3)收集A旅游古镇2019年(现状年)3类行业全年用电量、具体用户供电配变容量、全年供电量及典型日24时整点负荷值。典型日为2019年2月8日(正月初四)。
二、计算分行业负荷标幺值
1、典型台区日负荷特性曲线合成，选取有代表性典型台区数据合成日负荷曲线；
经对现状数据对比分析，3类行业负荷典型台区选取分别为：居民——小邑庄台区，餐饮——玉洱台区，客栈——绿玉台区。现状年典型台区日负荷曲线如图3所示。
2、标幺值计算，即每点负荷除以最大负荷，
Figure BDA0002789311670000071
P*为负荷标幺值，j为某行业，Pn为某整点负荷，Pmax为24时整点负荷最大值。居民、餐饮、客栈行业负荷标幺值计算结果如下：
标幺值 OO:OO O1:OO O2:OO O3:OO O4:OO O5:OO O6:OO O7:OO O8:OO O9:OO 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00
居民 0.601 0.474 0.365 0.283 0.235 0.201 0.249 0.362 0.809 1 0.539 0.399 0.584 0.321 0.276 0.324 0.317 0.498 0.785 0.741 0.689 0.706 0.642 0.577
餐饮 0.65 0.507 0.464 0.401 0.424 0.41 0.37 0.418 0.461 0.596 0.774 0.88 0.688 0.825 0.874 0.871 0.822 0.877 0.825 0.977 0.968 1 0.977 0.931
客栈 0.532 0.423 0.389 0.397 0.304 0.287 0.321 0.363 0.521 0.592 0.594 0.617 0.82 0.755 0.828 0.699 0.792 0.932 0.777 0.811 0.938 0.989 1 0.896
3类行业负荷标幺值曲线如图4所示。
3、最大负荷利用小时数计算，即配变全年供电量除以最大负荷，
Figure BDA0002789311670000081
hj为某行业最大负荷利用小数，q为配变全年供电量，Pmax为最大负荷。居民、餐饮、客栈行业最大负荷利用小时数如下：
序号 典型台区 2019年供电量(万kWh) 配变年最大负荷(kW) 最大负荷利用小时数(h)
1 居民(小邑庄) 45.27 293 1545
2 餐饮(玉洱) 79.36 349 2274
3 客栈(绿玉) 89.35 355 2517
三、计算现状年分行业最大负荷
1、各行业现状年最大负荷计算，即行业全年用电量除以最大负荷利用小时数，
Figure BDA0002789311670000082
Pj为某行业最大负荷，Qj为某行业全年用电量，hj为某行业最大负荷利用小数。2019年居民、餐饮、客栈行业最大负荷计算结果如下：
序号 分行业 2019年行业用电量(万kWh) 行业最大负荷利用小时数(h) 2019年最大负荷(MW)
1 居民 1482.7 1545 9.6
2 餐饮 2333.6 2274 10.3
3 客栈 2630.1 2517 10.4
2、各行业现状年日负荷曲线合成，先计算各行业典型日24时整点负荷值，即行业最大负荷乘以标幺值，
Figure BDA0002789311670000083
Pj.n为某行业某时负荷(n＝1，2，…，24)，Pj为行业最大负荷；再按时间顺序以某行业整时负荷绘制典型日负荷曲线。2019年居民、餐饮、客栈行业日负荷曲线图如图5所示。
3、各行业最大负荷权重及行业负荷间同时率计算，行业最大负荷权重等于某行业最大负荷除以各行业最大负荷之和，即
Figure BDA0002789311670000084
μj为某行业最大负荷权重，∑Pj为各行业最大负荷之和；行业负荷间同时率为区域最大负荷除以各行业最大负荷之和，即
Figure BDA0002789311670000085
ε为各行业负荷间同时率，P为区域最大负荷。A旅游古镇3类行业最大负荷权重及行业负荷间同时率计算结果如下：
Figure BDA0002789311670000091
四、计算规划年分行业最大负荷，合成典型日日负荷曲线
1、历史年各行业最大负荷年均增长率计算，先计算历史近五年各行业最大负荷值，方法原理同现状年各行业最大负荷，得到历史年各行业最大负荷年均增长率。A旅游古镇3类行业历史年最大负荷年均增长率计算结果如下：
序号 历史年行业最大负荷(MW) 2016年 2017年 2018年 2019年 年均增长率(％)
1 居民 7.8 8.7 8.8 9.6 7.17
2 餐饮 7.7 8.7 9.3 10.3 10.18
3 客栈 8.2 9 9.6 10.4 8.24
2、规划年各行业最大负荷年均增长率确定，规划年各行业最大负荷增长既与历史发展基础相关，同时也受区域社会经济预期发展目标影响，二者影响因子其权值各赋予50％；规划年各行业最大负荷年均增长率等于历史年行业最大负荷年均增长率乘以50％+政府GDP增长率目标乘以50％，即Kj＝RjⅩ50％+VⅩ50％，Kj为规划年某行业最大负荷年均增长率，Rj为历史年某行业最大负荷年均增长率，V为政府GDP增长率目标。
经走访调研A旅游古镇政府相关部门，得到A旅游古镇未来几年GDP年均增长率目标值为8％，计算规划年3类行业最大负荷年均增长率结果如下：
Figure BDA0002789311670000092
3、规划年各行业最大负荷计算，规划各行业最大负荷等于现状年最大负荷乘以规划年年均增长率，即PN.j＝PⅩ(1+Kj)r，PN.j为规划年某行业最大负荷，R为规划年与现状年年份差值(r＝1,2,…)。计算规划年3类行业最大负荷结果如下：
序号 规划年负荷预测(MW) 2019年(现状) 2020年 2021年 2022年 2023年 2024年
1 居民 9.6 10.3 11.1 11.9 12.8 13.8
2 餐饮 10.3 11.2 12.2 13.3 14.5 15.8
3 客栈 10.4 11.2 12.1 13.1 14.2 15.4
4、各行业规划年日负荷曲线合成，先计算规划年各行业典型日24时整点负荷值，方法同理现状年日负荷曲线；再按时间顺序以某行业整时负荷绘制规划年典型日负荷曲线。规划年3类行业日负荷曲线预测结果如图6所示。
同理可预测2021-2024年各行业日负荷曲线图。
五、拟合叠加规划年各行业日负荷曲线，得到规划年电力系统日负荷曲线
将所有行业规划年日负荷曲线进行拟合叠加，得到规划年电力系统日负荷曲线，最大值即规划年负荷预测值。A旅游古镇规划年电力系统日负荷曲线预测结果如图7所示。
2020年A旅游古镇最大负荷预测值为29.6MW
同理可预测2021-2024年电力系统日负荷曲线，并得到2021-2024年最大负荷预测值。
A旅游古镇规划年电力系统最大负荷预测结果如下：
Figure BDA0002789311670000101
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于大数据的标幺值法电力负荷预测方法，其特征在于，包括：
S1、对预测区域内的行业负荷进行分类，采集各行业全年用电量及具体用户供电配变供电数据并进行基础数据校核；
S2、合成行业用户典型台区日负荷特性曲线，并计算行业负荷标幺值及最大负荷利用小时数；
S3、计算现状年各行业最大负荷，合成行业现状年日负荷曲线，并计算各行业最大负荷所占权重及行业负荷间同时率；
S4、计算规划年各行业最大负荷，并合成规划年日负荷曲线；
S5、拟合叠加所有行业规划年日负荷曲线，得到规划年电力系统日负荷曲线，最大值即规划年负荷预测值。
2.根据权利要求1所述的一种基于大数据的标幺值法电力负荷预测方法，其特征在于，步骤S1所述：
S101、负荷分类基于区域社会行业发展特点，在第一产业、第二产业、第三产业和居民用电基础上，细分行业负荷；
S102、各行业全年用电量及具体用户供电配变供电数据采集，从营销应用、PMS、调度系统采集区域全社会用电量、最大负荷、各行业全年用电量、具体用户供电配变容量、全年供电量及典型日24时整点负荷值，对规模数据进行校核；所述典型日为区域全年最大负荷日。
3.根据权利要求1所述的一种基于大数据的标幺值法电力负荷预测方法，其特征在于，步骤S2所述：
S201、典型台区日负荷特性曲线合成，选取有代表性典型台区数据合成日负荷曲线；代表性台区为全年无计划停电、用电量较大、采集数据无异常用户；
S202、标幺值计算，即每点负荷除以最大负荷，
Figure FDA0002789311660000011
P*为负荷标幺值，j为某行业，Pn为某整点负荷，Pmax为24时整点负荷最大值；
S203、最大负荷利用小时数计算，即配变全年供电量除以最大负荷，
Figure FDA0002789311660000012
hj为某行业最大负荷利用小数，q为配变全年供电量，Pmax为最大负荷。
4.根据权利要求1所述的一种基于大数据的标幺值法电力负荷预测方法，其特征在于，步骤S3所述：
S301、各行业现状年最大负荷计算，即行业全年用电量除以最大负荷利用小时数，
Figure FDA0002789311660000021
Pj为某行业最大负荷，Qj为某行业全年用电量，hj为某行业最大负荷利用小数；
S302、各行业现状年日负荷曲线合成，先计算各行业典型日24时整点负荷值，即行业最大负荷乘以标幺值，
Figure FDA0002789311660000022
Pj.n为某行业某时负荷(n＝1，2，…，24)，Pj为行业最大负荷；再按时间顺序以某行业整时负荷绘制典型日负荷曲线；
S303、各行业最大负荷权重及行业负荷间同时率计算，行业最大负荷权重等于某行业最大负荷除以各行业最大负荷之和，即
Figure FDA0002789311660000023
μj为某行业最大负荷权重，∑Pj为各行业最大负荷之和；行业负荷间同时率为区域最大负荷除以各行业最大负荷之和，即
Figure FDA0002789311660000024
ε为各行业负荷间同时率，P为区域最大负荷。
5.根据权利要求1所述的一种基于大数据的标幺值法电力负荷预测方法，其特征在于，步骤S4所述：
S401、历史年各行业最大负荷年均增长率计算，先计算历史年各行业最大负荷值，计算方法同步骤S301中所述现状年各行业最大负荷计算方法，然后得到历史年各行业最大负荷年均增长率；
S402、规划年各行业最大负荷年均增长率确定，规划年各行业最大负荷增长既与历史发展基础相关，同时也受区域社会经济预期发展目标影响，二者影响因子其权值各赋予50％；规划年各行业最大负荷年均增长率等于历史年行业最大负荷年均增长率乘以50％+政府GDP年均增长率目标乘以50％，即Kj＝RjⅩ50％+VⅩ50％，Kj为规划年某行业最大负荷年均增长率，Rj为历史年某行业最大负荷年均增长率，V为政府GDP年均增长率目标；
S403、规划年各行业最大负荷计算，规划各行业最大负荷等于现状年最大负荷乘以规划年年均增长率，即PN.j＝PⅩ(1+Kj)r，PN.j为规划年某行业最大负荷，R为规划年与现状年年份差值(r＝1,2,…)；
S404、各行业规划年日负荷曲线合成，先计算规划年各行业典型日24时整点负荷值，方法同步骤302所述现状年各行业典型日24时整点负荷值计算方法；再按时间顺序以某行业整时负荷绘制规划年典型日负荷曲线。
6.一种基于大数据的标幺值法电力负荷预测系统，其特征在于，包括：
分类及数据采集模块，用于对预测区域内的行业负荷进行分类，采集各行业全年用电量及具体用户供电配变供电数据并进行基础数据校核；
标幺值模块，用于合成行业用户典型台区日负荷特性曲线，并计算行业负荷标幺值及最大负荷利用小时数；
现状年计算模块，用于计算现状年各行业最大负荷，合成行业现状年日负荷曲线，并计算各行业最大负荷所占权重及行业负荷间同时率；
规划年计算模块，用于计算规划年各行业最大负荷，并合成规划年日负荷曲线；
拟合叠加模块，用于拟合叠加所有行业规划年日负荷曲线，得到规划年电力系统日负荷曲线，最大值即规划年负荷预测值。
7.根据权利要求6所述的一种基于大数据的标幺值法电力负荷预测系统，其特征在于，分类及数据采集模块包括：
行业负荷分类单元，基于区域社会行业发展特点进行负荷分类，在第一产业、第二产业、第三产业和居民用电基础上，细分行业负荷；
数据采集校核单元，用于各行业全年用电量及具体用户供电配变供电数据采集，从营销应用、PMS、调度系统采集区域全社会用电量、最大负荷、各行业全年用电量、具体用户供电配变容量、全年供电量及典型日24时整点负荷值，对规模数据进行校核；所述典型日为区域全年最大负荷日。
8.根据权利要求6所述的一种基于大数据的标幺值法电力负荷预测系统，其特征在于，标幺值模块包括：
典型台区日负荷曲线合成单元，用于典型台区日负荷特性曲线合成，选取有代表性典型台区数据合成日负荷曲线；代表性台区为全年无计划停电、用电量较大、采集数据无异常用户；
标幺值计算单元，进行标幺值计算，即每点负荷除以最大负荷，
Figure FDA0002789311660000041
P*为负荷标幺值，j为某行业，Pn为某整点负荷，Pmax为24时整点负荷最大值；
小时数计算单元，用于最大负荷利用小时数计算，即配变全年供电量除以最大负荷，
Figure FDA0002789311660000042
hj为某行业最大负荷利用小数，q为配变全年供电量，Pmax为最大负荷。
9.根据权利要求6所述的一种基于大数据的标幺值法电力负荷预测系统，其特征在于，现状年计算模块包括：
现状年最大负荷计算单元，用于各行业现状年最大负荷计算，即行业全年用电量除以最大负荷利用小时数，
Figure FDA0002789311660000043
Pj为某行业最大负荷，Qj为某行业全年用电量，hj为某行业最大负荷利用小数；
现状年日负荷曲线合成单元，用于各行业现状年日负荷曲线合成，先计算各行业典型日24时整点负荷值，即行业最大负荷乘以标幺值，
Figure FDA0002789311660000044
Pj.n为某行业某时负荷(n＝1，2，…，24)，Pj为行业最大负荷；再按时间顺序以某行业整时负荷绘制典型日负荷曲线；
权重及同时率计算单元，用于各行业最大负荷权重及行业负荷间同时率计算，行业最大负荷权重等于某行业最大负荷除以各行业最大负荷之和，即
Figure FDA0002789311660000045
μj为某行业最大负荷权重，∑Pj为各行业最大负荷之和；行业负荷间同时率为区域最大负荷除以各行业最大负荷之和，即
Figure FDA0002789311660000046
ε为各行业负荷间同时率，P为区域最大负荷。
10.根据权利要求6所述的一种基于大数据的标幺值法电力负荷预测系统，其特征在于，规划年计算模块包括：
历史年最大负荷计算单元，用于历史年各行业最大负荷年均增长率计算，先计算历史年各行业最大负荷值，计算方法与现状年最大负荷计算单元中所述现状年各行业最大负荷计算方法相同，然后得到历史年各行业最大负荷年均增长率；
规划年最大负荷年均增长率计算单元，用于规划年各行业最大负荷年均增长率确定，规划年各行业最大负荷增长既与历史发展基础相关，同时也受区域社会经济预期发展目标影响，二者影响因子其权值各赋予50％；规划年各行业最大负荷年均增长率等于历史年行业最大负荷年均增长率乘以50％+政府GDP年均增长率目标乘以50％，即Kj＝RjⅩ50％+VⅩ50％，Kj为规划年某行业最大负荷年均增长率，Rj为历史年某行业最大负荷年均增长率，V为政府GDP年均增长率目标；
规划年最大负荷计算单元，用于规划年各行业最大负荷计算，规划各行业最大负荷等于现状年最大负荷乘以规划年年均增长率，即PN.j＝PⅩ(1+Kj)r，PN.j为规划年某行业最大负荷，R为规划年与现状年年份差值(r＝1,2,…)；
规划年日负荷曲线合成单元，用于各行业规划年日负荷曲线合成，先计算规划年各行业典型日24时整点负荷值，方法与现状年日负荷曲线合成单元所述现状年各行业典型日24时整点负荷值计算方法相同；再按时间顺序以某行业整时负荷绘制规划年典型日负荷曲线。
CN202011309538.2A 2020-11-20 2020-11-20 基于大数据的标幺值法电力负荷预测方法及系统 Active CN112418516B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011309538.2A CN112418516B (zh) 2020-11-20 2020-11-20 基于大数据的标幺值法电力负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011309538.2A CN112418516B (zh) 2020-11-20 2020-11-20 基于大数据的标幺值法电力负荷预测方法及系统

Publications (2)

Publication Number Publication Date
CN112418516A true CN112418516A (zh) 2021-02-26
CN112418516B CN112418516B (zh) 2022-03-25

Family

ID=74774825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011309538.2A Active CN112418516B (zh) 2020-11-20 2020-11-20 基于大数据的标幺值法电力负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN112418516B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883588A (zh) * 2021-03-18 2021-06-01 国网福建省电力有限公司经济技术研究院 分产业负荷曲线模拟方法、系统及装置
CN113094647A (zh) * 2021-04-02 2021-07-09 新疆大学 一种台区最大负荷辨识方法
CN113962505A (zh) * 2021-08-17 2022-01-21 北京国电通网络技术有限公司 基于时间轴的电网资源差异化分配方法及相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528660A (zh) * 2016-03-09 2016-04-27 湖南大学 一种基于日负荷曲线的变电站负荷模型参数预测方法
CN109272205A (zh) * 2018-08-24 2019-01-25 国网河南省电力公司电力科学研究院 广义负荷特性分析方法及装置
CN109858728A (zh) * 2018-12-03 2019-06-07 国网浙江省电力有限公司台州供电公司 基于分行业用电特性分析的负荷预测方法
CN110109971A (zh) * 2019-04-19 2019-08-09 国网天津市电力公司电力科学研究院 一种低压台区用户用电负荷特性分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528660A (zh) * 2016-03-09 2016-04-27 湖南大学 一种基于日负荷曲线的变电站负荷模型参数预测方法
CN109272205A (zh) * 2018-08-24 2019-01-25 国网河南省电力公司电力科学研究院 广义负荷特性分析方法及装置
CN109858728A (zh) * 2018-12-03 2019-06-07 国网浙江省电力有限公司台州供电公司 基于分行业用电特性分析的负荷预测方法
CN110109971A (zh) * 2019-04-19 2019-08-09 国网天津市电力公司电力科学研究院 一种低压台区用户用电负荷特性分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
夏博: "大数据平台下的电力负荷预测系统设计与实现", 《自动化仪表》 *
张筱慧: "标么值加权平均组合变量生成法用于电力负预测", 《中国高等学校电力系统及其自动化专业第二十四届学术年会论文集》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883588A (zh) * 2021-03-18 2021-06-01 国网福建省电力有限公司经济技术研究院 分产业负荷曲线模拟方法、系统及装置
CN112883588B (zh) * 2021-03-18 2023-04-07 国网福建省电力有限公司经济技术研究院 分产业负荷曲线模拟方法、系统及装置
CN113094647A (zh) * 2021-04-02 2021-07-09 新疆大学 一种台区最大负荷辨识方法
CN113962505A (zh) * 2021-08-17 2022-01-21 北京国电通网络技术有限公司 基于时间轴的电网资源差异化分配方法及相关设备

Also Published As

Publication number Publication date
CN112418516B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN112418516B (zh) 基于大数据的标幺值法电力负荷预测方法及系统
Xu et al. Greenhouse gas emissions of electric vehicles in Europe considering different charging strategies
Guandalini et al. Long-term power-to-gas potential from wind and solar power: A country analysis for Italy
Jovanović et al. Sustainable development of the Belgrade energy system
Szabo et al. Energy solutions in rural Africa: mapping electrification costs of distributed solar and diesel generation versus grid extension
Conlon et al. Assessing new transmission and energy storage in achieving increasing renewable generation targets in a regional grid
Georgiou et al. The effect of islands’ interconnection to the mainland system on the development of renewable energy sources in the Greek power sector
León-Vargas et al. Pre-feasibility of wind and solar systems for residential self-sufficiency in four urban locations of Colombia: Implication of new incentives included in Law 1715
McLarty et al. Economic analysis of fuel cell installations at commercial buildings including regional pricing and complementary technologies
Robert et al. The critical role of anchor customers in rural microgrids: Impact of load factor on energy cost
CN105046368A (zh) 一种变电站主变容量和最优站址选取的方法
Hartvigsson et al. A large-scale high-resolution geographic analysis of impacts of electric vehicle charging on low-voltage grids
Shakouri et al. PACPIM: New decision-support model of optimized portfolio analysis for community-based photovoltaic investment
Rao et al. A novel grading scheme for loads to optimize load shedding using genetic algorithm in a smart grid environment
Asamoah et al. Comparative assessment of a stand-alone and a grid-connected hybrid system for a community water supply system: A case study of Nankese community in the eastern region of Ghana
Stadler Integrated building energy systems design considering storage technologies
Teske et al. Technical Scenario for 100% Renewable Energy in Nepal by 2050: Possible Transition Pathways for NDC & LTS Implementation; prepared for World Future Council, WWF and Brot für die Welt by the University of Technology Sydney
Wu et al. Advancing minigrid clusters in Ethiopia: A Multi-Tier Framework for optimal planning and sizing
MacMackin et al. Investigating distribution systems impacts with clustered technology penetration and customer load patterns
Shankar et al. Decentralization to decarbonize the Indian economy
Elsland et al. Are current regionalisation approaches sufficient to decompose electricity demand?-A German case study
Rosenberg et al. Future energy demand-a Norwegian overview
Patil The status of rural energy access in India: A Synthesis
Colonel-Bertrand Modelling of the Hong Kong Power System by 2030
Nathan India’s Energy Security at the Macro and Micro Levels: A Novel Assessment, Dilemma Between Renewable and Non-renewable, and Possible Trade-Offs

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