CN112561207A - 一种考虑气象因素的电网负荷预测方法、装置和电力系统 - Google Patents

一种考虑气象因素的电网负荷预测方法、装置和电力系统 Download PDF

Info

Publication number
CN112561207A
CN112561207A CN202011564891.5A CN202011564891A CN112561207A CN 112561207 A CN112561207 A CN 112561207A CN 202011564891 A CN202011564891 A CN 202011564891A CN 112561207 A CN112561207 A CN 112561207A
Authority
CN
China
Prior art keywords
load
day
predicted
deviation
days
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
Application number
CN202011564891.5A
Other languages
English (en)
Inventor
郁丹
唐人
郭雨涵
翁华
朱维骏
何勇玲
吴君
蔡优悠
何佳
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.)
Zhejiang Huayun Electric Power Engineering Design Consulting Co
Original Assignee
Zhejiang Huayun Electric Power Engineering Design Consulting Co
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 Zhejiang Huayun Electric Power Engineering Design Consulting Co filed Critical Zhejiang Huayun Electric Power Engineering Design Consulting Co
Priority to CN202011564891.5A priority Critical patent/CN112561207A/zh
Publication of CN112561207A publication Critical patent/CN112561207A/zh
Pending legal-status Critical Current

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
    • G06F18/21—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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种考虑气象因素的电网负荷预测方法、装置和电力系统，所述电网负荷预测方法包括：根据待预测日和历史日的相关因素特征，确定待预测日的负荷初步预测结果；确定待预测日和相似日的负荷偏差预测结果；将所述负荷初步预测结果与所述负荷偏差预测结果进行叠加，计算得到待预测日的负荷最终预测结果。本发明通过采用该方法能够对短期电网负荷进行精准预测，且预测精度不易受气象等相关因素影响，该预测方法能够为电网规划和电力设计提供有效的技术支持。

Description

一种考虑气象因素的电网负荷预测方法、装置和电力系统
技术领域
本发明涉及电力控制技术领域，具体涉及一种考虑气象因素的电网负荷预 测方法、装置和电力系统。
背景技术
在电力现货市场下，电网负荷预测是配电网规划中的关键环节，是变电站、 电网规划重要计算依据。电网负荷预测方法一般分为短期负荷预测方法和中长 期负荷预测方法。随着数学统计理论和人工智能技术的研究不断深入发展，负 荷预测技术的发展越来越成熟，现有技术中提出了各种各样的预测方法，传统 的负荷预测方法主要是以平滑和回归为主要手段的时间序列方法，该方法如果 不考虑气象等相关因素的变化，则只是历史负荷中规律性成分的外推。当气象 等相关因素发生变化时，必然会造成预测结果的偏差，导致预测精度偏低。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种考虑气象因 素的电网负荷预测方法、装置和电力系统。
为实现以上目的，本发明采用如下技术方案：一种考虑气象因素的电网负 荷预测方法，包括：
根据待预测日和历史日的相关因素特征，确定待预测日的负荷初步预测结 果；
确定待预测日和相似日的负荷偏差预测结果；
将所述负荷初步预测结果与所述负荷偏差预测结果进行叠加，计算得到待 预测日的负荷最终预测结果；
其中，所述相似日是指历史日中与待预测日的负荷最可能相近的一天。
可选的，所述根据待预测日和历史日的相关因素特征，确定待预测日的负 荷初步预测结果，具体包括：
通过比较挖掘待预测日与历史日的相关因素特征，从历史日中找出待预测 日的相似日；
将相似日的负荷曲线作为待预测日的负荷初步预测结果。
可选的，所述通过比较挖掘待预测日与历史日的相关因素特征，从历史日 中找出待预测日的相似日，具体包括：
获取一段时间内多个历史日的负荷和相关因素数据；
对各相关因素的相似度权重进行训练；
选取相似度控制参数；
根据相似度权重和相似度控制参数分别计算出多个历史日与待预测日的相 似度；
根据相似度筛选出所述待预测日的相似日。
可选的，所述相关因素特征包括：日类型、日期距离以及气象因素；所述 气象因素至少包括：温度，和/或，湿度。
可选的，所述确定待预测日和相似日的负荷偏差预测结果，具体包括：
通过机器学习的方法，从历史训练数据中建立负荷偏差与相关因素偏差的 模型；
根据所述负荷偏差与相关因素偏差的模型，对因相关因素偏差引起的负荷 偏差做出预测。
可选的，所述从历史训练数据中建立负荷偏差与相关因素偏差的模型，具 体包括：
从历史训练数据中选取若干天的数据形成训练集；
确定训练集的相似日；
计算训练集与其相似日的负荷偏差和相关因素偏差；
对负荷偏差和相关因素偏差的关系进行拟合，以获得负荷偏差与相关因素 偏差的模型。
可选的，所述对负荷偏差和相关因素偏差的关系进行拟合，以获得负荷偏 差与相关因素偏差的模型，具体包括：
采用SVM方法对负荷偏差和相关因素偏差的关系进行拟合；
进行SVM超参数寻优。
本发明还提供了一种控制器，用于执行前面任一项所述的电网负荷预测方 法。
本发明还提供了一种考虑气象因素的电网负荷预测装置，包括：
初步预测模块，用于根据待预测日和历史日的相关因素特征，确定待预测 日的负荷初步预测结果；
偏差预测模块，用于确定待预测日和相似日的负荷偏差预测结果；
计算模块，用于将所述负荷初步预测结果与所述负荷偏差预测结果进行叠 加，计算得到待预测日的负荷最终预测结果；
其中，所述相似日是指历史日中与待预测日的负荷最可能相近的一天。
此外，本发明还提供了一种电力系统，包括：如前面所述的电网负荷预测 装置。
本发明采用以上技术方案，所述一种考虑气象因素的电网负荷预测方法包 括：根据待预测日和历史日的相关因素特征，确定待预测日的负荷初步预测结 果；确定待预测日和相似日的负荷偏差预测结果；将所述负荷初步预测结果与 所述负荷偏差预测结果进行叠加，计算得到待预测日的负荷最终预测结果。本 发明通过采用该方法能够对短期电网负荷进行精准预测，且预测精度不易受气 象等相关因素影响，该预测方法能够为电网规划和设计提供有效的技术支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一种考虑气象因素的电网负荷预测方法实施例一提供的流程 示意图；
图2是一种考虑气象因素的电网负荷预测方法实现的工作原理示意图；
图3是本发明一种考虑气象因素的电网负荷预测方法实施例二提供的流程 示意图；
图4是本发明一种考虑气象因素的电网负荷预测装置一个实施例提供的结 构示意图。
图中：1、初步预测模块；2、偏差预测模块；3、计算模块。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方 案进行详细的描述。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 造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
图1是本发明一种考虑气象因素的电网负荷预测方法实施例一提供的流程 示意图。
如图1所示，本实施例所述的一种考虑气象因素的电网负荷预测方法，包 括：
S101：根据待预测日和历史日的相关因素特征，确定待预测日的负荷初步 预测结果；
进一步的，所述根据待预测日和历史日的相关因素特征，确定待预测日的 负荷初步预测结果，具体包括：
通过比较挖掘待预测日与历史日的相关因素特征，从历史日中找出待预测 日的相似日；
将相似日的负荷曲线作为待预测日的负荷初步预测结果。
具体的，所述相关因素特征包括：日类型、日期距离以及气象因素；所述 气象因素至少包括：温度，和/或，湿度。
S102：确定待预测日和相似日的负荷偏差预测结果；
进一步的，所述确定待预测日和相似日的负荷偏差预测结果，具体包括：
通过机器学习的方法，从历史训练数据中建立负荷偏差与相关因素偏差的 模型；
根据所述负荷偏差与相关因素偏差的模型，对因相关因素偏差引起的负荷 偏差做出预测。
S103：将所述负荷初步预测结果与所述负荷偏差预测结果进行叠加，计算 得到待预测日的负荷最终预测结果；
其中，所述相似日是指历史日中与待预测日的负荷最可能相近的一天。
传统的负荷预测方法主要是以平滑和回归为主要手段的时间序列方法，称 这类方法为负荷的一次预测方法。一次预测如果不考虑气象等相关因素的变化， 则只是历史负荷中规律性成分的外推。因此，当气象等相关因素发生变化时， 必然造成一次预测结果的偏差，而相关因素的变化量和一次预测偏差应该是强 相关关系。
具体的，如图2所示，如果我们定义第n日t时刻实际负荷为Pn,t；某个一 次预测方法的预测结果为
Figure BDA0002860330710000051
那么
Figure BDA0002860330710000052
为一次预测偏差。设Xn,t为第n 日t时刻要考虑负荷的相关因素向量，用一次预测方法同样可以得到该时刻Xn,t的一次估计值为
Figure BDA0002860330710000061
那么
Figure BDA0002860330710000062
为相关因素一次预测的偏差量。因此， 通过建立ΔPn,t与ΔXn,t之间的相关关系ΔPn,t＝f(ΔXn,t)可以实现对一次预测偏差量 的建模，从而提高整体的预测精度。我们把ΔPn,t＝f(ΔXn,t)定义为负荷的二次预 测过程，如图2所示。
本实施例通过采用该方法能够对短期电网负荷进行精准预测，且预测精度 不易受气象等相关因素影响，该预测方法能够为电网规划和电力设计提供有效 的技术支持。
图3是本发明一种考虑气象因素的电网负荷预测方法实施例二提供的流程 示意图。
如图3所示，本实施例所述的一种考虑气象因素的电网负荷预测方法，包 括：
S301：获取一段时间内多个历史日的负荷和相关因素数据；
比如，获取距离待预测日最近的30个历史日的数据。
S302：对各相关因素的相似度权重进行训练；
S303：选取相似度控制参数；在实际操作中，可以选用Grid Search优选相 似度控制参数。
S304：根据相似度权重和相似度控制参数分别计算出多个历史日与待预测 日的相似度；
S305：根据相似度，从最近的30个历史日中筛选出所述待预测日的相似日；
S306：一次预测完成，保存结果
Figure BDA0002860330710000063
以上过程可以概括为是一次预测过程，即确定待预测日的负荷初步预测结 果的过程，接下来将介绍确定待预测日和相似日的负荷偏差预测结果
Figure BDA0002860330710000064
的过 程，即偏差建模和二次预测。
S307：从历史数据中选取若干天(近30天)的数据形成训练集；
S308：确定训练集的相似日；
S309：计算训练集与其相似日的负荷偏差和相关因素偏差；
S310：采用SVM(支持向量机)方法对负荷偏差和相关因素偏差的关系进 行拟合；
S311：进行SVM超参数寻优，以获得负荷偏差与相关因素偏差的模型 ΔPn,t＝f(ΔXn,t)；
S312：计算待预测日的负荷最终预测结果。
本实施例所述的预测方法适用于对短期负荷的预测。该预测方法包括：1) 一次预测和2)偏差建模和二次预测。
1)一次预测
综合考虑日类型、日期距离以及气象条件作为相似日搜索的相关因素，定 义相似度度量方式，采用学习算法自适应寻找各相关因素的权重，实现相似日 的智能筛选。
影响负荷的相关因素很多，在一次预测中我们重点考虑如下相关因素：
①日类型。用以区别不同日类型负荷特性之间的差异。
②日期距离。用来反映历史负荷对未来负荷的影响规律，应体现“近大远 小”的差异。
③气象因素。一般考虑的是温度和湿度。这里考虑气象的累积效应，即当 日的负荷变化不仅与当日的气象因素有关，还与昨天、前天的相关气象因素有 关。这种累计效应是由人们的用电习惯决定的。
由于各个相关因素的量纲不同，需要进行标么化处理，映射到[0，1]区间， 实现无量纲化。各个相关因素对总体相似度影响的差异度可以由权重系数确定。
2)偏差建模和二次预测
将负荷的一次预测结果作为基础预测值，接下来是偏差建模和二次预测。
从历史数据中选取若干天(如30天)形成训练集，采用与一次预测同样的 方法确定训练集的相似日，训练集与其相似日的负荷偏差记为
Figure RE-GDA0002940181680000081
训练集与其相似日的相关因素偏差记为
Figure RE-GDA0002940181680000082
这里考虑的相关因素包括：
①星期类型。主要是考虑到工作日与周末的负荷变化特性不同，星期标签 采用下表所示的独热编码。
星期 WD<sub>1</sub> WD<sub>2</sub> WD<sub>3</sub> WD<sub>4</sub> WD<sub>5</sub> WD<sub>6</sub> WD<sub>7</sub>
星期一 1 0 0 0 0 0 0
星期二 0 1 0 0 0 0 0
星期三 0 0 1 0 0 0 0
星期四 0 0 0 1 0 0 0
星期五 0 0 0 0 1 0 0
星期六 0 0 0 0 0 1 0
星期日 0 0 0 0 0 0 1
②实时温度。这里考虑温度的累积效应，即当前时刻、前一小时和前两个 小时的温度。
③历史负荷。负荷的变化具有连贯性，相邻日的负荷相似性较强，这里考 虑前两天的同时刻负荷。
因此，二次预测偏差建模过程即为：
ΔPn,t＝f((Δxn,t)1,(Δxn,t)2,...,(Δxn,t)m)＝f(ΔXn,t)
其中m为相关因素数目。
如前所述，负荷因用电类型、自身规律性、气象敏感程度等差异较大，与 相关因素之间的关系是高度非线性的，而负荷本身变化剧烈，日期距离较远的 数据可参考性较低，因而训练集不宜选得过大，综合以上考虑我们选用当前非 线性拟合性能较好的支持向量机(SVM)方法进行拟合。
与传统的人工神经网络(ANN)相比，SVM实现了结构风险最小化，使 得拟合结果具有较好的泛化性能，在训练集较小的情况下可获得比ANN好得 多的结果。此外，SVM具有完备的理论基础，训练过程等价于解决一个线性约 束的二次规划问题，过程相对严谨和透明。
本发明还提供了一种控制器的实施方式，所述控制器用于执行前文任一实 施例所述的电网负荷预测方法。
图4是本发明一种考虑气象因素的电网负荷预测装置一个实施例提供的结 构示意图。
如图4所示，本实施例所述的一种考虑气象因素的电网负荷预测装置，包 括：
初步预测模块1，用于根据待预测日和历史日的相关因素特征，确定待预 测日的负荷初步预测结果；
偏差预测模块2，用于确定待预测日和相似日的负荷偏差预测结果；
计算模块3，用于将所述负荷初步预测结果与所述负荷偏差预测结果进行 叠加，计算得到待预测日的负荷最终预测结果；
其中，所述相似日是指历史日中与待预测日的负荷最可能相近的一天。
本实施例所述一种考虑气象因素的电网负荷预测装置的工作原理与上文任 一实施例所述的考虑气象因素的电网负荷预测方法的工作原理相同，在此不再 赘述。
本实施例通过采用该预测装置能够对短期电网负荷进行精准预测，且预测 精度不易受气象等相关因素影响，该预测装置能够为电网规划和电力设计提供 有效的技术支持。
此外，本发明还提供了一种电力系统的实施方式，该电力系统包括：如图 4所述的电网负荷预测装置。该电力系统能够通过该电网负荷预测装置对短期 电网负荷进行精准预测，以便为电网规划和电力设计提供有效的技术支持。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实 施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描 述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除 非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表 示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码 的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其 中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或 按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员 所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。 在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执 行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方 式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有 用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合 逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA) 等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部 分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计 算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块 中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的 形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品 销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示 例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述 的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。 在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。 而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例 或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例 是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的 范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种考虑气象因素的电网负荷预测方法，其特征在于，包括：
根据待预测日和历史日的相关因素特征，确定待预测日的负荷初步预测结果；
确定待预测日和相似日的负荷偏差预测结果；
将所述负荷初步预测结果与所述负荷偏差预测结果进行叠加，计算得到待预测日的负荷最终预测结果；
其中，所述相似日是指历史日中与待预测日的负荷最可能相近的一天。
2.根据权利要求1所述的方法，其特征在于，所述根据待预测日和历史日的相关因素特征，确定待预测日的负荷初步预测结果，具体包括：
通过比较挖掘待预测日与历史日的相关因素特征，从历史日中找出待预测日的相似日；
将相似日的负荷曲线作为待预测日的负荷初步预测结果。
3.根据权利要求2所述的方法，其特征在于，所述通过比较挖掘待预测日与历史日的相关因素特征，从历史日中找出待预测日的相似日，具体包括：
获取一段时间内多个历史日的负荷和相关因素数据；
对各相关因素的相似度权重进行训练；
选取相似度控制参数；
根据相似度权重和相似度控制参数分别计算出多个历史日与待预测日的相似度；
根据相似度筛选出所述待预测日的相似日。
4.根据权利要求1所述的方法，其特征在于，所述相关因素特征包括：日类型、日期距离以及气象因素；所述气象因素至少包括：温度，和/或，湿度。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述确定待预测日和相似日的负荷偏差预测结果，具体包括：
通过机器学习的方法，从历史训练数据中建立负荷偏差与相关因素偏差的模型；
根据所述负荷偏差与相关因素偏差的模型，对因相关因素偏差引起的负荷偏差做出预测。
6.根据权利要求5所述的方法，其特征在于，所述从历史训练数据中建立负荷偏差与相关因素偏差的模型，具体包括：
从历史训练数据中选取若干天的数据形成训练集；
确定训练集的相似日；
计算训练集与其相似日的负荷偏差和相关因素偏差；
对负荷偏差和相关因素偏差的关系进行拟合，以获得负荷偏差与相关因素偏差的模型。
7.根据权利要求6所述的方法，其特征在于，所述对负荷偏差和相关因素偏差的关系进行拟合，以获得负荷偏差与相关因素偏差的模型，具体包括：
采用SVM方法对负荷偏差和相关因素偏差的关系进行拟合；
进行SVM超参数寻优。
8.一种控制器，其特征在于，用于执行权利要求1-7中任一项所述的电网负荷预测方法。
9.一种考虑气象因素的电网负荷预测装置，其特征在于，包括：
初步预测模块，用于根据待预测日和历史日的相关因素特征，确定待预测日的负荷初步预测结果；
偏差预测模块，用于确定待预测日和相似日的负荷偏差预测结果；
计算模块，用于将所述负荷初步预测结果与所述负荷偏差预测结果进行叠加，计算得到待预测日的负荷最终预测结果；
其中，所述相似日是指历史日中与待预测日的负荷最可能相近的一天。
10.一种电力系统，其特征在于，包括：如权利要求9所述的电网负荷预测装置。
CN202011564891.5A 2020-12-25 2020-12-25 一种考虑气象因素的电网负荷预测方法、装置和电力系统 Pending CN112561207A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011564891.5A CN112561207A (zh) 2020-12-25 2020-12-25 一种考虑气象因素的电网负荷预测方法、装置和电力系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011564891.5A CN112561207A (zh) 2020-12-25 2020-12-25 一种考虑气象因素的电网负荷预测方法、装置和电力系统

Publications (1)

Publication Number Publication Date
CN112561207A true CN112561207A (zh) 2021-03-26

Family

ID=75032508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011564891.5A Pending CN112561207A (zh) 2020-12-25 2020-12-25 一种考虑气象因素的电网负荷预测方法、装置和电力系统

Country Status (1)

Country Link
CN (1) CN112561207A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642676A (zh) * 2021-10-12 2021-11-12 华北电力大学 基于异构气象数据融合的区域电网负荷预测方法和装置
CN113705929A (zh) * 2021-09-15 2021-11-26 中国南方电网有限责任公司 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN113743673A (zh) * 2021-09-09 2021-12-03 中国南方电网有限责任公司 一种台风期间的电力负荷预测方法
CN114742263A (zh) * 2022-03-02 2022-07-12 北京百度网讯科技有限公司 负荷预测方法、装置、电子设备及存储介质
CN115994679A (zh) * 2023-03-24 2023-04-21 国网山东省电力公司青岛供电公司 一种基于负荷预测修正的区域电网主动规划方法及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743673A (zh) * 2021-09-09 2021-12-03 中国南方电网有限责任公司 一种台风期间的电力负荷预测方法
CN113743673B (zh) * 2021-09-09 2023-12-22 中国南方电网有限责任公司 一种台风期间的电力负荷预测方法
CN113705929A (zh) * 2021-09-15 2021-11-26 中国南方电网有限责任公司 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN113705929B (zh) * 2021-09-15 2024-05-07 中国南方电网有限责任公司 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN113642676A (zh) * 2021-10-12 2021-11-12 华北电力大学 基于异构气象数据融合的区域电网负荷预测方法和装置
CN114742263A (zh) * 2022-03-02 2022-07-12 北京百度网讯科技有限公司 负荷预测方法、装置、电子设备及存储介质
CN114742263B (zh) * 2022-03-02 2024-03-01 北京百度网讯科技有限公司 负荷预测方法、装置、电子设备及存储介质
CN115994679A (zh) * 2023-03-24 2023-04-21 国网山东省电力公司青岛供电公司 一种基于负荷预测修正的区域电网主动规划方法及系统

Similar Documents

Publication Publication Date Title
CN112561207A (zh) 一种考虑气象因素的电网负荷预测方法、装置和电力系统
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
Al-Hamadi et al. Short-term electric load forecasting based on Kalman filtering algorithm with moving window weather and load model
Hahn et al. Electric load forecasting methods: Tools for decision making
CN109002937A (zh) 电网负荷预测方法、装置、计算机设备和存储介质
CN112001439A (zh) 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备
WO2013099323A1 (ja) 電力管理システム及び電力管理方法
US10846715B2 (en) Energy operation apparatus, method, and system
CN113255973A (zh) 电力负荷预测方法、装置、计算机设备和存储介质
KR102478684B1 (ko) 앙상블 학습을 이용한 에너지 소비 예측 방법 및 상기 방법을 수행하는 컴퓨팅 장치
CN114219185A (zh) 一种基于不确定集的城市规模工业碳排放量预测方法
CN111008727A (zh) 一种配电台区负荷预测方法及装置
CN112465266A (zh) 一种母线负荷预测准确率分析方法、装置及计算机设备
CN118195098A (zh) 基于分站负荷和热网滞后模型的热负荷预测方法及系统
CN117851908B (zh) 一种改进的在线低压台区电能表失准监测方法及装置
CN118442676A (zh) 冷站温度控制方法、装置、电子设备及可读存储介质
JP3910948B2 (ja) 電源計画についての情報処理方法及びコンピュータ・システム
Vale et al. Green computing: a realistic evaluation of energy consumption for building load forecasting computation
Perez Application of support vector machines and ANFIS to the short-term load forecasting
CN116205360A (zh) 一种暖通空调的能耗预测方法和装置
CN113256016A (zh) 基于虚拟电厂运营的负荷预测方法及系统
Wright et al. Towards developing a decision support system for electricity load forecast
Harb et al. An intelligent mechanism for energy consumption scheduling in smart buildings
KR102712065B1 (ko) 예측 데이터의 정확도에 기반한 물류 센터의 에너지 고효율화를 위한 ai 기반 실시간 에너지 관리 시스템
KR102536500B1 (ko) 특수일의 전력수요예측 장치 및 방법

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

Application publication date: 20210326

RJ01 Rejection of invention patent application after publication