CN112583008A - 一种基于历史年度天气规律的用电负荷预测方法 - Google Patents
一种基于历史年度天气规律的用电负荷预测方法 Download PDFInfo
- Publication number
- CN112583008A CN112583008A CN202011448970.XA CN202011448970A CN112583008A CN 112583008 A CN112583008 A CN 112583008A CN 202011448970 A CN202011448970 A CN 202011448970A CN 112583008 A CN112583008 A CN 112583008A
- Authority
- CN
- China
- Prior art keywords
- load
- months
- weather
- power
- historical
- 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
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及一种基于历史年度天气规律的用电负荷预测方法,属于电力系统技术领域。该方法包括:S1.确定用电负荷的区域范围,并根据实际情况划分子负荷单位或子供电区域,制定地理位置关系网络拓扑结构图;S2:按网络拓扑结构;S3.输入当前月份的历史12个月的用电负荷月累计数据;S4.确定负荷性质的加权子因子;S5:得到当前的历史12个月按月度的负荷预测标幺值;S6:采用多元非线性拟合方法得到优化当前的历史12个月的负荷变化曲线和拟合关系;S7:得到以含当前月的未来三个月或六个月或12个月的用电负荷;S8:检验和修正用电负荷变化曲线,修改下一个月的负荷预测结果。逐渐达到最大限度接近未来实际用电负荷的目的。
Description
技术领域
本发明属于电力系统技术领域,涉及一种基于历史年度天气规律的用电负荷预测方法。
背景技术
用电负荷预测是电网规划和满足用户用电需要,提高电网可靠服务意识的基本保证,对于促进地区和国家经济发展和保障人们生产生活正常进行具有重要的社会意义和经济价值。长期以来,电网开展了大量的负荷预测研究,提出了很多用电负荷预测的方法,但至今为止仍然没有一个可靠准确的方法。
因此,亟需提出一种精准而简单的用电负荷预测方法,促进电网规划和用电规划的发展。
发明内容
有鉴于此,本发明的目的在于提供一种基于历史年度天气规律的用电负荷预测方法。
为达到上述目的,本发明提供如下技术方案:
一种基于历史年度天气规律的用电负荷预测方法,该方法包括以下步骤:
S1:指定用电负荷区域范围及其子供电区域,制定地理位置网络拓扑;
S2:基于子供电区域输入前12个月按日均值天气条件,形成拓扑网络结构天气数据库;
S3:基于子供电区域输入前12个月月累计用电负荷,形成拓扑网络历史负荷数据库;
S4:以非线性多元拟合和BP神经网络方法,综合确定天气及其子因素影响用电负荷的加权子因子;
S5:以加权因子分解前12个月的用电负荷,以天气因子值乘以其加权因子,得到月度负荷预测特征因子;
S6:根据月度负荷预测特征因子,采用多元非线性拟合方法得到负荷变化曲线与关系;
S7:根据用电负荷曲线,给出未来短期、中期和长期的用电负荷;
S8:用当前实际用电负荷和天气条件检验和修正用电负荷变化曲线和预测结果。
可选的,所述S2中,以子负荷单位为区间,建立输入当前月份之前的历史12个月按日均值的天气条件天气数据库指标;根据权利要求S3所述按拓扑结构图,以子负荷单位为区间,建立输入当前月份的历史12个月的用累计负荷数据库指标;
设子供电区域分别为M1、M2、…、Ms,相对湿度为Rh%,日降雨量为P,风速v,温度为t,得到矩阵Mi(j*k),i为子供电区域数,i∈{1,2,…,s},j为月天数,j=28或29或30或31,k为天气变量数,k=10。
可选的,所述S5中,以加权因子分解当前的历史12个月的用电负荷,并以天气因子值标幺值乘以其加权因子,得到当前的历史12个月按月度的负荷预测标幺值。
可选的,所述S7中,短期为1个月,中期为3~6个月,长期为12个月。
本发明的有益效果在于:本发明能够充分利用历史天气,地理位置信息,与历史负荷数据结合,对负荷进行联合预测,有效提高负荷预测精度,使供电系统有计划、有规划的调配和设置供电设施以及配置电源,保证供电负荷区域性用电的要求,促进地区经济发展,保障人们的正常生产能和生活。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明的流程图;
图2为数据处理流程图;
图3为以某区域电网为例的负荷预测模型。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图3,本发明提供的一种基于历史年度天气规律的用电负荷预测方法,包括如下步骤:
S1:确定用电负荷的区域范围,并根据实际情况划分子负荷单位或子供电区域,制定地理位置关系网络拓扑结构图;
S2:按网络拓扑结构,以子负荷单位为区间,输入当前月份之前的历史12个月按日均值的天气条件,如日湿度(最低、最高与平均)、降雨量、风速、温度(最低、最高与平均)等基本参数,形成拓扑网络结构的天气数据库;
S3:按拓扑结构图,以子负荷单位为区间,输入当前月份的历史12个月的用电负荷月累计数据,包括用电负荷的性质,形成拓扑网络的历史负荷数据库;
S4:以非线性多元拟合和BP神经网络方法,综合确定天气及其子因素影响用电负荷的加权子因素,确定负荷性质的加权子因子;
S5:以加权因子分解当前的历史12个月的用电负荷,并以天气因子值标幺值乘以其加权因子,得到当前的历史12个月按月度的负荷预测标幺值;
S6:根据12个月的历史用电负荷标幺值,采用多元非线性拟合方法得到优化当前的历史12个月的负荷变化曲线和拟合关系;
S7:根据用电负荷变化曲线,得到以含当前月的未来三个月或六个月或12个月的用电负荷;
S8:用当前月的实际用电负荷和天气条件检验和修正用电负荷变化曲线,并修改下一个月的负荷预测结果。
具体地,本发明构建预测模型使用到的一些算法包括:自适应提升(ADB,AdaptiveBoosting),轻量级梯度提升机(LGBM,Light GBM),随机森林回归(RFR,random forestregression),极端梯度提升(XGB,xgBoosting),多层感知器(MLP,Multi-LayerPerceptron),线性支持向量回归(LSVR,Linear SVR),梯度提升机(GBM,gradientboosting machine),长短期记忆网络(LSTM,Long Short-Term Memory)。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于历史年度天气规律的用电负荷预测方法,其特征在于:该方法包括以下步骤:
S1:指定用电负荷区域范围及其子供电区域,制定地理位置网络拓扑;
S2:基于子供电区域输入前12个月按日均值天气条件,形成拓扑网络结构天气数据库;
S3:基于子供电区域输入前12个月月累计用电负荷,形成拓扑网络历史负荷数据库;
S4:以非线性多元拟合和BP神经网络方法,综合确定天气及其子因素影响用电负荷的加权子因子;
S5:以加权因子分解前12个月的用电负荷,以天气因子值乘以其加权因子,得到月度负荷预测特征因子;
S6:根据月度负荷预测特征因子,采用多元非线性拟合方法得到负荷变化曲线与关系;
S7:根据用电负荷曲线,给出未来短期、中期和长期的用电负荷;
S8:用当前实际用电负荷和天气条件检验和修正用电负荷变化曲线和预测结果。
2.根据权利要求1所述的一种基于历史年度天气规律的用电负荷预测方法,其特征在于:所述S2中,以子负荷单位为区间,建立输入当前月份之前的历史12个月按日均值的天气条件天气数据库指标;根据权利要求S3所述按拓扑结构图,以子负荷单位为区间,建立输入当前月份的历史12个月的用累计负荷数据库指标;
设子供电区域分别为M1、M2、…、Ms,相对湿度为Rh%,日降雨量为P,风速v,温度为t,得到矩阵Mi(j*k),i为子供电区域数,i∈{1,2,…,s},j为月天数,j=28或29或30或31,k为天气变量数,k=10。
3.根据权利要求1所述的一种基于历史年度天气规律的用电负荷预测方法,其特征在于:所述S5中,以加权因子分解当前的历史12个月的用电负荷,并以天气因子值标幺值以其加权因子,得到当前的历史12个月按月度的负荷预测标幺值。
4.根据权利要求1所述的一种基于历史年度天气规律的用电负荷预测方法,其特征在于:所述S7中,短期为1个月,中期为3~6个月,长期为12个月。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011448970.XA CN112583008B (zh) | 2020-12-09 | 2020-12-09 | 一种基于历史年度天气规律的用电负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011448970.XA CN112583008B (zh) | 2020-12-09 | 2020-12-09 | 一种基于历史年度天气规律的用电负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112583008A true CN112583008A (zh) | 2021-03-30 |
CN112583008B CN112583008B (zh) | 2022-06-24 |
Family
ID=75132009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011448970.XA Active CN112583008B (zh) | 2020-12-09 | 2020-12-09 | 一种基于历史年度天气规律的用电负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112583008B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011685A (zh) * | 2023-03-22 | 2023-04-25 | 国网陕西省电力有限公司西咸新区供电公司 | 电量预测方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013005465A (ja) * | 2011-06-10 | 2013-01-07 | Azbil Corp | 負荷量予測装置、負荷量予測方法および負荷量予測プログラム |
CN103606022A (zh) * | 2013-12-05 | 2014-02-26 | 国家电网公司 | 一种短期负荷预测方法 |
CN105069525A (zh) * | 2015-07-30 | 2015-11-18 | 广西大学 | 全天候96点日负荷曲线预测及优化修正系统 |
CN107992975A (zh) * | 2017-12-14 | 2018-05-04 | 北京交通大学 | 一种融合历史数据和实时影响因素的精细化负荷预测方法 |
-
2020
- 2020-12-09 CN CN202011448970.XA patent/CN112583008B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013005465A (ja) * | 2011-06-10 | 2013-01-07 | Azbil Corp | 負荷量予測装置、負荷量予測方法および負荷量予測プログラム |
CN103606022A (zh) * | 2013-12-05 | 2014-02-26 | 国家电网公司 | 一种短期负荷预测方法 |
CN105069525A (zh) * | 2015-07-30 | 2015-11-18 | 广西大学 | 全天候96点日负荷曲线预测及优化修正系统 |
CN107992975A (zh) * | 2017-12-14 | 2018-05-04 | 北京交通大学 | 一种融合历史数据和实时影响因素的精细化负荷预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011685A (zh) * | 2023-03-22 | 2023-04-25 | 国网陕西省电力有限公司西咸新区供电公司 | 电量预测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112583008B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626506B (zh) | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 | |
Singh et al. | Short term load forecasting using artificial neural network | |
US20190228329A1 (en) | Prediction system and prediction method | |
Serrano-Guerrero et al. | A new interval prediction methodology for short-term electric load forecasting based on pattern recognition | |
CN102426674B (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN109858783B (zh) | 风电场电力交易辅助决策支持系统及辅助决策支持方法 | |
CN105989420A (zh) | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 | |
CN115632392A (zh) | 基于机器学习的分层分区精准负荷响应系统 | |
Blázquez-García et al. | Short-term office building elevator energy consumption forecast using SARIMA | |
Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
Vellasco et al. | Electric load forecasting: evaluating the novel hierarchical neuro-fuzzy BSP model | |
CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
Selvi et al. | Investigation of performance of electric load power forecasting in multiple time horizons with new architecture realized in multivariate linear regression and feed-forward neural network techniques | |
Qiuyu et al. | Short-term load forecasting based on load decomposition and numerical weather forecast | |
Tian | A state-of-the-art review on wind power deterministic prediction | |
CN113807589B (zh) | 基于模型预测的运营商储能的滚动优化方法及装置 | |
CN115796393A (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN112583008B (zh) | 一种基于历史年度天气规律的用电负荷预测方法 | |
Yucesan et al. | Forecasting daily natural gas consumption with regression, time series and machine learning based methods | |
Lashgari et al. | Transportation energy demand forecasting in Taiwan based on metaheuristic algorithms | |
Kim et al. | Time-series clustering and forecasting household electricity demand using smart meter data | |
Shaikh et al. | A new approach to seasonal energy consumption forecasting using temporal convolutional networks | |
CN116388174A (zh) | 一种适应层次化调度的分布式光伏集群短期出力预测方法 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
Sengar et al. | An efficient load forecasting in predictive control strategy using hybrid neural network |
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 |