CN112506982A - 一种线路和配变的最大负载预测的方法 - Google Patents
一种线路和配变的最大负载预测的方法 Download PDFInfo
- Publication number
- CN112506982A CN112506982A CN202010945317.8A CN202010945317A CN112506982A CN 112506982 A CN112506982 A CN 112506982A CN 202010945317 A CN202010945317 A CN 202010945317A CN 112506982 A CN112506982 A CN 112506982A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- distribution
- line
- year
- 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 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000011144 upstream manufacturing Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000004140 cleaning Methods 0.000 abstract description 2
- 238000013499 data model Methods 0.000 abstract description 2
- 230000007774 longterm Effects 0.000 abstract description 2
- 238000009499 grossing Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种线路和配变的最大负载预测的方法，包括以下步骤：步骤1：线路和配变数据处理；步骤2：线路和配变模型训练和报表生成；步骤3：负载预测。通过对各线路和配变历史数据进行加工清洗，生成适用于分析和预测的统一数据模型。选取多元化时间序列预测算法对数据进行预测，通过对模型效果进行对比，自动选择最优模型作为线路和配变的长期负载预测。通过建立线路和配变的预测模型，将负载预测和分析报表写入数据库，通过BI工具界面展示，并支持下游系统使用。这为传统仅依赖人的主观决策的运检设备扩容规划，或者仅依赖单个模型简单预测辅助决策，提供了可量化和自动化选择最优模型进行预测的技术保障。
Description
技术领域
本发明涉及电力负载预测技术领域，特别涉及一种线路和配变的最大负 载预测的方法。
背景技术
近年来，随着中国经济与技术的快速发展，社会总用电量逐年攀升，对于 电能的需求不断增加，针对这种情况国家加大了对电网的建设规模。但随着 电网规模不断扩大和用户需求的多样性，线路和配变的新增和扩容使得人力 成本和建设成本要求很高。电压等级、可靠性、变压器负载率、变电所最佳 容量、一次接线方式和电网允许短路容量等技术指标对配网运行规划和决策 影响很大。经济发展与能源和配置关系变得非常复杂，依赖于人的管理与决 策很难对不断变化的信息数据做出科学有效的响应，而很多关键数据蕴含着丰富的信息，在数字经济时代，依赖于数字资产和数据驱动，对电网历史已 有的海量数据进行充分挖掘，建立科学有效的模型，并对未来负载进行预测， 这对优化线路和配变的建设，投入和使用的精细化和精准化等决策辅助，降 低电网电能损耗、节约能源，提高行业的经济效益等方面意义重大。
发明内容
本发明的目的在于提供一种线路和配变的最大负载预测的方法，本发明 集成了不同的算法模型，通过多模型得到的真实值和预测值以及评估指标数 据，用BI工具进行模型结果对比展示，然后按照评估指标(MAPE)自动化选 择最优模型进行预测，以满足辅助运检做设备新增、扩容规划和决策的需求。 在电网资源投入与配置方面管理不够高效、决策不够科学和配置不够精细等 方面提供保障，可以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种线路和配变的最大负 载预测的方法，包括以下步骤：
步骤1：线路和配变数据处理
a.基于线路和配变统计年份、最大负载、最大负载比、平均负载、平均 负载率最小负载、最小负载率、额定容量和气象数据多个维度，查看各维度 数据分布情况；
b.根据数据分布情况，统计分析数据特征分布与预测目标是否有存在线 性相关性或者周期性，在建模数据中保留有效的数据特征，剔除无关的数据 特征，获得线路和配变以及负载的宽表；
步骤2：线路和配变模型训练和报表生成
c.根据宽表中数据特征和预测目标的关系，确定预测算法的选择；
d.对b中的宽表数据进行数据集划分,第N年以前线路和配变历史数据作 为训练数据集，第N年数据线路和配变的数据作为负载测试集，通过一次滑 动平均、二次滑动平均、三次滑动平均和灰度预测等时间序列算法的多元化 模型对N年以前的历史数据进行训练，生成第N年以及第N+1年的预测数据 并写入到数据库预测结果表中，采用平均绝对百分误差做为评估标准，生成 第N年的评估表；
步骤3：负载预测
利用上述一次滑动平均、二次滑动平均、三次滑动平均和灰度预测时间 序列算法的多元化预测算法预测得到的预测结果表与第N年的负载测试集数 据，通过BI工具进行界面展示，采用上述平均绝对百分误差得到的不同模型 的评估表同样通过BI工具进行界面展示，由此，得到不同模型的真实值和预 测值以及评估指标的可视化效果，自动根据MAPE评分，选择得分最高的模型 用作第N+1年的预测。
进一步地，还包括数据采集，数据采集模块主动连接上游系统采集数据， 并将结果存放于数据库中，用于后续数据加工。
进一步地，还包括数据预处理，其中数据预处理包括如下步骤：
第一步：对线路和配变历史数据进行总数统计，选取一定时间范围的历 史数据集；
第二步：由于收集数据存在缺失值和异常值等问题，需要对数据进行清 洗，包括对缺失值数据填充，对异常值则剔除负载小于等于0的异常数据， 并按年统计分析，统计连续有负载数据；
第三步：分别计算历史年份的最大负载平均值。
进一步地，还包括负载特性分析，对线路和配变的历史年份的最大负载 平均值进行统计分析，并图表展示，根据历史年最大负载平均值选取合适的 且足够的时间序列数据，用于后面的模型训练和预测。
进一步地，数据采集模块包含线路和配变以及气象多个原始数据。
与现有技术相比，本发明的有益效果是：
本发明负载预测系统从上游系统采集线路、配变、气象、节假日等历史 数据并存储数据库，通过对各线路和配变历史数据进行加工清洗，生成适用 于分析和预测的统一数据模型。选取多元化时间序列预测算法对数据进行预 测，通过对模型效果进行对比，自动选择最优模型作为线路和配变的长期负 载预测。通过建立线路和配变的预测模型，将负载预测和分析报表写入数据 库，通过BI工具界面展示，并支持下游系统使用。这为传统仅依赖人的主观 决策的运检设备扩容规划，或者仅依赖单个模型简单预测辅助决策，提供了可量化和自动化选择最优模型进行预测的技术保障。
附图说明
图1为本发明的线路和配变从数据采集到加工处理和模型训练评估到最 终预测过程图；
图2为本发明对线路和配变的历史年份的最大负载平均值统计分析的线 路历史年最大负载平均值示意图；
图3为本发明对线路和配变的历史年份的最大负载平均值统计分析的配 变历史年最大负载平均值示意图；
图4为本发明滑动平均法对负载的预测示意图；
图5为本发明指数平滑对负载的预测示意图；
图6为本发明灰度预测对负载的预测示意图；
图7为本发明配变的各模型MAPE评估效果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，一种线路和配变的最大负载预测的方法，包括以下步骤：
步骤1：数据采集
数据采集模块主动连接上游系统采集数据，并将结果存放于数据库中， 用于后续数据加工。采集过程中会对线路和配变数据是否到齐进行判断，若 未到齐会对上游进行告警，并进入循环等待过程，数据到齐后则自动采集数 据。并对数据质量进行稽核，如果数据存在质量问题，会产生告警信息，并 在界面上展示，该模块包含线路和配变以及气象等原始数据。
步骤2：数据预处理
第一步：对线路和配变历史数据进行总数统计，选取一定时间范围的历 史数据集；
第二步：由于收集数据存在缺失值和异常值等问题，需要对数据进行清 洗，包括对缺失值数据填充，对异常值则剔除负载小于等于0的异常数据， 并按年统计分析，统计连续有负载数据；
第三步：分别计算历史年份的最大负载平均值。
步骤3：线路和配变数据处理
a.基于线路和配变统计年份、最大负载、最大负载比、平均负载、平均 负载率最小负载、最小负载率、额定容量和气象数据多个维度，查看各维度 数据分布情况；
b.根据数据分布情况，统计分析数据特征分布与预测目标是否有存在线 性相关性或者周期性，在建模数据中保留有效的数据特征，剔除无关的数据 特征，获得线路和配变以及负载的宽表；
步骤4：线路和配变模型训练和报表生成
c.根据宽表中数据特征和预测目标的关系，确定预测算法的选择，比如： 若数据符合线性关系，可以考虑用线性回归算法；若数据具备周期性，可以 考虑用时间序列算法；
d.对b中的宽表数据进行数据集划分,第N年以前线路和配变历史数据作 为训练数据集，第N年数据线路和配变的数据作为负载测试集，通过一次滑 动平均、二次滑动平均、三次滑动平均和灰度预测等时间序列算法的多元化 模型对N年以前的历史数据进行训练，生成第N年以及第N+1年的预测数据 并写入到数据库预测结果表中，采用平均绝对百分误差(MAPE)做为评估标 准，生成第N年的评估表；
步骤5：负载特性分析
对线路和配变的历史年份的最大负载平均值进行统计分析，并图表展示， 见下图2和图3所示。
根据历史年最大负载平均值，选择合适的且足够的时间序列数据(注： 考虑到灰度预测的基本条件，时间序列数据是通过对Step2中连续有负载数 据且时间序列长度≥4的数据筛选得到的)，用于后面的模型训练和预测。
步骤6：负载预测
利用上述一次滑动平均、二次滑动平均、三次滑动平均和灰度预测时间 序列算法的多元化预测算法预测得到的预测结果表与第N年的负载测试集数 据，通过BI工具进行界面展示，采用上述平均绝对百分误差(MAPE)得到的不 同模型的评估表同样通过BI工具进行界面展示，由此，得到不同模型的真实 值和预测值以及评估指标的可视化效果，自动根据MAPE评分，选择得分最高 的模型用作第N+1年的预测。
采用滑动平均、指数平滑和灰度预测对2019年以前的线路和配变历史年 最大负载数据进行拟合。
对2019年线路和配变历史年最大负载进行预测，用2019年真实数据进 行MAPE评估，展示出配变的各模型评估效果。
对不同模型的MAPE占比情况，来确定最优模型。从MAPE对比图，选出 最佳灰度预测模型，用该模型对2020年线路和配变负载进行预测。
采用滑动平均、指数平滑和灰度预测对2019年以前的线路和配变历史年 最大负载数据进行拟合，过程及原理如图4,5,6所示。
1.滑动平均法的简单移动平均法构建
(1)以某一个线路或者配变的样本连续负载数据时间区间≥4的作为一 个时间序列样本为例：如果时间序列数据有N年，要预测第N+1年，这里滑 动的窗口大小为3(窗口内数据为x1代表第N-3年负载，x2，x3对应第N-2 和N-1年的负载；窗口大小支持自定义设置)表示用前N-3,N-2,N-1年的 数据作为历史数据，对第N年的负载数据(Ft)通过对x1,x2,x3的数据进行 平均作为预测值。
(2)然后根据与第N年的真实值做MAPE计算，得到评估指标。
(3)接着窗口往后滑动一格，此时窗口,大小为3(但窗口内数据为 x2,x3,x4,即第N-2,N-1,N年数据),把x2,x3,x4作为新的历史数据，对第5 年负载进行类似预测。
为了突出近期数据对预测值的影响，也可采用加权算术平均法计算移动 平均值来预测。权数按“近大远小”的原则确定，具体地说，就是离预测期 较近的数据给以较大的权数，离预测期较远的数据给以较小的权数，权重支 持自定义设置，然后自动计算第N年真实值与第N年的预测值的MAPE，最后 选择一个让所有数据计算得到的MAPE最小的权重组合，代入下面公式得到第 N+1年的预测值(不难发现，简单移动平均法只是加权移动平均法当权重均为 
时的一种特殊情况)。加权移动平均预测第t期预测值的计算公式为：
Ft＝w1At-1+w2At-2+w3At-3+...+wnAt-n式中
·W1：第t-1期负载的权重；
·W2：第t-2期负载的权重；
·W3：第t-n期负载的权重；
·n：预测的时期数；W1+W2+…+W3＝1
·At-1，At-2和At-n：前期实际值。
·At-2分别表示前两期、前三期直至前n期的实际值。
2.指数平滑法的构建
一次指数平滑:
α为平滑常数(0≤α≤1)；St (1)为第t期的负载一次指数平滑值；Yt为 第t期的实际负载观察值。
例如，已经第N年的负载数据Yt，要预测第N+1年数据
具体步 骤为：
(1)对第N-3，N-2年的历史负载取平均，作为第N-1年负载的一次指数 平滑值St-1 (1)；
(2)通过设置不同的平滑常数α(初始值为0.1，终止值为0.9，步长为 0.1)，得到第N年的预测值
并与第N年的真实值Yt计算得到MAPE 评估指标，找到让整体MAPE最小的α值(0.1,0.2，…，0.9)作为一次指数 平滑法的最终平滑常数；
然后基于该平滑常数下的公式，将上述(2)中的
作为第N年负载 的一次指数平滑值St (1)，然后计算第N+1年的负载。
二次指数平滑：
是指对实际负载观察值计算两次平滑值，在此基础上建立预测模型并进 行预测。
St (1)为第t期的负载一次指数平滑值；St (2)为第t期的负载二次指数平滑 值；α为平滑系数。
二次指数平滑的预测模型为：
其中，
T为预测超前期数。
为第t+T期负载预测值；T为向未来预测的期数； at、bt分别为模型参数。
例如，已经第N年的负载数据Yt，要预测第N+1年数据
具体步 骤为：
(1)对第N-3，N-2的历史负载取平均，作为第N-1年负载的一次指数 平滑值St-1 (1)；
(2)设置某个平滑常数α(初始值设为0.1，以后每次增加0.1，即步 长为0.1进行更新)，通过(1)得到的St-1 (1)与第N年的真实值进行计算得到 第N年的一次指数平滑值St (1)；
(3)将(1)中得到的第N年的一次指数平滑值St-1 (1)作为第N-1年的二 次指数值St-1 (2)，与(2)中第N年的一次平滑值St (1)进行计算得到第N年的二 次指数平滑值St (2)。
(4)根据(2)和(3)通过
计 算得到模型参数at和bt，得到第N的预测值(at)，再与第N年的真实值Yt进行MAPE评估指标计算,代入到公式
(因为预测第N+1 年，因此这里T＝1)中，得到第N+1年的预测值
(5)重复步骤(2)-(4)，得到不同平滑常数α值，找到让整体MAPE 最小的α值(0.1,0.2，…，0.9)作为二次指数平滑法的最终平滑常数；
(6)然后基于该平滑常数下的公式，根据二次指数平滑预测公式
预测第N+1年的负载。
3.灰度预测法的构建
G表示gray(灰色)M表示model(模型)，GM(1,1)模型表示1阶的、1个 变量的微分方程模型，对生成变换后的序列建立微分方程型的模型即GM模 型。新陈代谢GM(1,1)模型的基本思想为越接近的数据，对未来的影响越大。 也就是说，在不断补充新信息的同时，去掉意义不大的老信息，这样的建模 序列更能动态地反映系统最新的特征，进行动态预测。
例如，已知第N年负载，预测第N+1年负载的灰度预测算法步骤：
(1)取第N-k,N-k+1,…，N-3，N-2，N-1的前k年历史数据作为原始负载数 列如X(0)；
(2)第N-k与N-k+1年负载数据进行累加生成，得到生成负载序列X(1)的第1项X(1)(1)；
(3)对上述(2)中的X(1)(1)再与(1)中的第N-k+2年数据进行累 加，得到X(1)的第2项X(1)(2)，…,以此类推，最终得到完整的生成序列 x(1)＝{x(1)(1)，x(1)(2)，…，x(1)(N)}；
(4)根据上述(3)中的生成序列，建立微分方程型的模型即GM模型 并进行求解即可得到第N年的平滑估计值以及第N+1的预测值，用第N年的 平滑估计值与第N年的真实值进行MAPE计算，得到不同数据下的MAPE， 用于与其他模型生成的MAPE做对比。
例如用2014-2018时间范围内数据，对2019年线路和配变历史年最大负 载进行预测，并用2019年真实数据进行评估，评估指标为MAPE，图7展示的 是配变的各模型评估效果。
通过对不同模型的MAPE占比情况，来确定最优模型。从MAPE对比图， 可以看出使用灰度预测效果更好，然后选用灰度预测模型对2020年负载进行 预测。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不 局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根 据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明 的保护范围之内。
Claims (5)
1.一种线路和配变的最大负载预测的方法，其特征在于，包括以下步骤：
步骤1：线路和配变数据处理
a.基于线路和配变统计年份、最大负载、最大负载比、平均负载、平均负载率最小负载、最小负载率、额定容量和气象数据多个维度，查看各维度数据分布情况；
b.根据数据分布情况，统计分析数据特征分布与预测目标是否有存在线性相关性或者周期性，在建模数据中保留有效的数据特征，剔除无关的数据特征，获得线路和配变以及负载的宽表；
步骤2：线路和配变模型训练和报表生成
c.根据宽表中数据特征和预测目标的关系，确定预测算法的选择；
d.对b中的宽表数据进行数据集划分,第N年以前线路和配变历史数据作为训练数据集，第N年数据线路和配变的数据作为负载测试集，通过一次滑动平均、二次滑动平均、三次滑动平均和灰度预测等时间序列算法的多元化模型对N年以前的历史数据进行训练，生成第N年以及第N+1年的预测数据并写入到数据库预测结果表中，采用平均绝对百分误差做为评估标准，生成第N年的评估表；
步骤3：负载预测
利用上述一次滑动平均、二次滑动平均、三次滑动平均和灰度预测时间序列算法的多元化预测算法预测得到的预测结果表与第N年的负载测试集数据，通过BI工具进行界面展示，采用上述平均绝对百分误差得到的不同模型的评估表同样通过BI工具进行界面展示，由此，得到不同模型的真实值和预测值以及评估指标的可视化效果，自动根据MAPE评分，选择得分最高的模型用作第N+1年的预测。
2.如权利要求1所述的线路和配变的最大负载预测的方法，其特征在于，还包括数据采集，数据采集模块主动连接上游系统采集数据，并将结果存放于数据库中，用于后续数据加工。
3.如权利要求1所述的线路和配变的最大负载预测的方法，其特征在于，还包括数据预处理，其中数据预处理包括如下步骤：
第一步：对线路和配变历史数据进行总数统计，选取一定时间范围的历史数据集；
第二步：由于收集数据存在缺失值和异常值等问题，需要对数据进行清洗，包括对缺失值数据填充，对异常值则剔除负载小于等于0的异常数据，并按年统计分析，统计连续有负载数据；
第三步：分别计算历史年份的最大负载平均值。
4.如权利要求1所述的线路和配变的最大负载预测的方法，其特征在于，还包括负载特性分析，对线路和配变的历史年份的最大负载平均值进行统计分析，并图表展示，根据历史年最大负载平均值选取合适的且足够的时间序列数据，用于后面的模型训练和预测。
5.如权利要求2所述的线路和配变的最大负载预测的方法，其特征在于，数据采集模块包含线路和配变以及气象多个原始数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010945317.8A CN112506982A (zh) | 2020-09-10 | 2020-09-10 | 一种线路和配变的最大负载预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010945317.8A CN112506982A (zh) | 2020-09-10 | 2020-09-10 | 一种线路和配变的最大负载预测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112506982A true CN112506982A (zh) | 2021-03-16 |
Family
ID=74953380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010945317.8A Pending CN112506982A (zh) | 2020-09-10 | 2020-09-10 | 一种线路和配变的最大负载预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112506982A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114528773A (zh) * | 2022-04-24 | 2022-05-24 | 国网江西省电力有限公司电力科学研究院 | 基于大数据分析的轨道交通杂散电流波形预测系统及方法 |
| CN115526426A (zh) * | 2022-10-27 | 2022-12-27 | 广东广信通信服务有限公司 | 一种基于时序数据预测rpa机器人任务执行量的方法 |
-
2020
- 2020-09-10 CN CN202010945317.8A patent/CN112506982A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114528773A (zh) * | 2022-04-24 | 2022-05-24 | 国网江西省电力有限公司电力科学研究院 | 基于大数据分析的轨道交通杂散电流波形预测系统及方法 |
| CN114528773B (zh) * | 2022-04-24 | 2022-09-02 | 国网江西省电力有限公司电力科学研究院 | 基于大数据分析的轨道交通杂散电流波形预测系统及方法 |
| CN115526426A (zh) * | 2022-10-27 | 2022-12-27 | 广东广信通信服务有限公司 | 一种基于时序数据预测rpa机器人任务执行量的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105069535B (zh) | 一种基于arima模型的配电网运行可靠性的预测方法 | |
| CN111552923B (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
| CN110909983B (zh) | 一种主动配电网电能质量多维评估方法 | |
| CN109858758A (zh) | 一种配电网电能质量的组合赋权评估方法及系统 | |
| Jang et al. | On the long-term density prediction of peak electricity load with demand side management in buildings | |
| CN111260198A (zh) | 一种台区同期线损合理度评判方法、系统及终端设备 | |
| CN112712203B (zh) | 一种配电网日最高负荷预测方法和系统 | |
| CN107437135B (zh) | 一种新型储能选型方法 | |
| CN108364187A (zh) | 一种基于停电敏感特性的停电敏感用户确定方法和系统 | |
| CN112506982A (zh) | 一种线路和配变的最大负载预测的方法 | |
| CN113627735A (zh) | 工程建设项目安全风险的预警方法及系统 | |
| Nagaraja et al. | A survey on wind energy, load and price forecasting:(Forecasting methods) | |
| CN113627739A (zh) | 工程建设项目安全风险评价指标体系的构建方法 | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| CN114862229A (zh) | 电能质量评估方法、装置、计算机设备和存储介质 | |
| CN109636184B (zh) | 一种品牌的账号资产的评估方法及系统 | |
| CN114564487A (zh) | 预报预测相结合的气象栅格数据更新方法 | |
| CN112101673B (zh) | 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统 | |
| CN111967684B (zh) | 一种基于大数据分析的计量资产主动配送方法 | |
| CN113962504A (zh) | 一种配电网规划方案成本效益比计算方法 | |
| CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
| CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
| Gaboitaolelwe et al. | Electricity load prediction using machine learning | |
| CN114647947A (zh) | 单位造价预测方法、装置、电子设备及计算机可读存储介质 | |
| CN113935523A (zh) | 基于电压变化规律的电压趋势预测方法 |
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 |