CN112906931A - 一种电力现货市场下售电公司短期负荷的预测方法及系统 - Google Patents
一种电力现货市场下售电公司短期负荷的预测方法及系统 Download PDFInfo
- Publication number
- CN112906931A CN112906931A CN201911226994.8A CN201911226994A CN112906931A CN 112906931 A CN112906931 A CN 112906931A CN 201911226994 A CN201911226994 A CN 201911226994A CN 112906931 A CN112906931 A CN 112906931A
- Authority
- CN
- China
- Prior art keywords
- load
- prediction
- selling company
- spot market
- predicting
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000005611 electricity Effects 0.000 claims abstract description 38
- 230000008859 change Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 description 14
- 238000012549 training Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 239000010410 layer Substances 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (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
本发明公开一种电力现货市场下售电公司短期负荷的预测方法,包括:提取售电公司所代理用户的历史负荷;根据负荷曲线特性进行用户分类;对处于不同分类的用户,选择不同的预测方法进行负荷预测;汇总各类用户负荷预测结果。本发明还提供一种电力现货市场下售电公司短期负荷的预测系统。本发明能够准确预测代理用户的负荷需求,明确售电公司需要的购电量,降低偏差考核损失风险。
Description
技术领域
本发明属于电力负荷预测领域,具体为一种电力现货市场下售电公司短期负荷的预测方法及系统。
背景技术
随着电力市场建设的推进,我国电力现货市场建设不断完善,随之而来,代理用户购电的售电公司参与电力交易的时间周期更短、更加频繁。由于售电公司面临偏差考核,且电力现货市场中供需和价格实时变化,售电公司参与交易的风险更大,承担偏差考核的压力更大。因此,售电公司需要更加清楚地把握其代理用户的负荷需求。
短期(两周以内)负荷预测在整个电力调度、售电公司参与现货市场的工作中起关键作用,它为基本发电计划、计算机在线电网控制、系统安全分析、日前市场报价、日内(实时)市场交易等提供基础数据,从而使得电力调度工作更贴合实际,发电效率更高,使得售电公司减小自己上报电量与真实用电量的偏差。
综上所述,售电公司亟需一种对其所代理用户负荷的短期预测方法,这将使售电公司更加明确其需要的购电量,完成购电目标,降低偏差考核损失风险。
现有技术中,公开号CN110322062A的中国专利公开了一种短期电力负荷预测方法,该方法主要包括:第一,从历史数据中获取短期电力负荷样本数据;第二,针对短期电力负荷样本数据利用主成分分析技术进行分析,得到短期电力负荷的主成分分量数据;第三,构建支持向量机模型,并根据主成分分量数据构建训练集;第四,运用训练集对支持向量机模型进行训练,得到短期电力负荷预测模型;第五,利用所述短期电力负荷预测模型对未来短期的电力负荷进行预测。该方法运用主成分分析法和支持向量机模型对短期负荷进行预测,没有具体考虑用户历史负荷的特性。
公开号CN108197773A的中国专利公开了一种电力负荷预测方法、电力负荷预测装置及终端设备,其电力负荷预测方法主要包括:第一,获取历史数据;第二,对获取的所述历史数据进行拟合处理,得到训练数据;第三,创建神经网络模型;第四,所述训练数据作为所述神经网络模型的数据训练集,对所述神经网络模型进行训练,形成预测训练模型;第五,基于所述预测训练模型进行电力负荷预测。该方法基于神经网络预测模型,进行负荷预测,同样缺乏对用户历史负荷的考虑。
上述两种现有方案都运用机器学习算法,进行了短期负荷预测,但研究对象不为售电公司,预测过程中也缺乏对用户用电曲线特性的分析归类。
发明内容
本发明的目的是针对现有技术存在的问题,提供一种电力现货市场下售电公司短期负荷的预测方法及系统,能够准确预测代理用户的负荷需求,明确售电公司需要的购电量,降低偏差考核损失风险。
为实现上述目的,本发明采用的技术方案是:
一种电力现货市场下售电公司短期负荷的预测方法,包括:
提取售电公司所代理用户的历史负荷;
根据负荷曲线特性进行用户分类;
对处于不同分类的用户,选择不同的预测方法进行负荷预测;
汇总各类用户负荷预测结果。
优选地,所述方法进一步包括:提取售电公司所代理用户的历史负荷数据,并提取与负荷时间段对应的气温气象数据。
优选地,所述方法进一步包括:基于提取的代理用户近两周的日负荷数据,利用k-means聚类算法进行聚类。
优选地,所述方法进一步包括:根据聚类结果,若用户的近两周负荷曲线存在相近的波动趋势及变化趋势,则选用一次指数平滑法进行该类用户的负荷预测。
优选地,所述方法进一步包括:根据聚类结果,若用户的近两周负荷曲线呈现不规则变动,则选用BP神经网络进行该类用户的负荷预测。
优选地,所述方法进一步包括:在进行负荷预测前,对负荷预测数据进行预处理,将影响负荷预测的因素进行分类和赋值,其中,影响负荷预测的因素包括日期类型、气象条件和同类型日负荷。
一种电力现货市场下售电公司短期负荷的预测系统,包括:
获取模块,用于获取售电公司所代理用户的历史负荷;
分类模块,用于根据负荷曲线特性进行用户分类;
预测模块,用于对不同分类的用户,选择不同的预测方法进行负荷预测;
输出模块,用于汇总各类用户负荷预测结果,输出售电公司的预测结果。
优选地,所述系统还包括:预处理模块,用于在进行负荷预测前,对负荷预测数据进行预处理,将影响负荷预测的因素进行分类和赋值,其中,影响负荷预测的因素包括日期类型、气象条件和同类型日负荷。
与现有技术相比,本发明的有益效果是:
(1)本发明提供了一种针对售电公司短期负荷的预测方法,首先提取售电公司所代理用户的历史负荷数据,对所代理的用户按照负荷曲线特性进行分类,然后根据不同分类结果选择不同的短期预测方法进行负荷预测,最后汇总各用户的预测结果,得到售电公司的负荷预测结果。本发明方法适应于电力现货市场下的售电公司短期负荷预测,精确度高、灵活性强,能够准确预测代理用户的负荷需求,明确售电公司需要的购电量,降低偏差考核损失风险。
(2)本发明提供了一种电力现货市场下售电公司短期负荷的预测系统,通过获取模块获取售电公司所代理用户的历史负荷数据,通过分类模块对不同的用户进行分类,通过预测模块对不同分类的用户根据不同的预测方法进行负荷预测,通过输出模块汇总所有代理用户的预测结果,输出售电公司的预测结果。本发明系统适应于电力现货市场下的售电公司短期负荷预测,精确度高、灵活性强,能够准确预测代理用户的负荷需求,明确售电公司需要的购电量,降低偏差考核损失风险。
(3)本发明以售电公司为负荷预测对象,在负荷预测过程中,考虑到用户的用电曲线特性;售电公司基于本发明可以知道所代理用户的用电负荷情况,进行更精细化的预测与调整,适用于售电公司更好地参与电力现货市场下的交易。
附图说明
图1为根据本发明实施例的预测方法的流程图;
图2为根据本发明实施例的BP神经网络模型示意图;
图3为根据本发明实施例的预测系统的示意图。
具体实施方式
下面将结合本发明中的附图,对本发明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条件下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供一种电力现货市场下售电公司短期负荷的预测方法,首先对售电公司所代理的用户按照负荷曲线特性进行分类,然后根据不同分类选择负荷预测方法进行预测,最后汇总所有预测结果,即可得到售电公司的负荷预测结果。
作为一种实施方式,如图1所示,该方法包括以下步骤:
步骤1、提取售电公司代理的用户的历史负荷数据(96点),并提取与负荷时间段对应的日最低温、日最高温、气象情况(阴、晴、雨)。
从用电信息采集系统中获得代理用户的历史96点负荷数据。从气象统计局获得日最低温、日最高温、气象情况,将气象情况归类为阴、晴、雨三类。
步骤2,基于提取的各代理用户近两周的日负荷数据,利用k-means聚类技术进行聚类。
步骤2.1,输入确定的聚类中心数目,利用k-means聚类算法进行聚类。
K-means聚类算法的主要思想是以用户的负荷时间序列为数据样本,通过聚类把所有的用户划分到多个不同的类中,通过逐次迭代从而使得目标函数最小,使得最终生成的各个类别中的对象尽可能地相似而与其它类中的对象又尽可能地相异。
作为一种实施方式,K-Means算法中,输入:样本集D;确定:簇的数目k(由用户自行设定);输出:簇划分(k个簇,使平方误差最小);则K-Means算法具体步骤如下:
步骤2.11,为每个聚类选择一个初始聚类质心,即在数据集中随机选取k个作为初始聚类质心;
步骤2.12,将样本集按照最小距离原则分配到最邻近聚类,即,计算剩余样本点到聚类质心的距离,并将其分配到距离最近的簇内;
步骤2.13,每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算;
步骤2.14,这个过程将不断重复直到满足某个终止条件,如果样本所属的簇未改变,则算法结束,输出簇划分结果。
步骤2.2,计算聚类效果评价指标--轮廓系数。
通过计算聚类的有效性S(x)指标,可以确定最终聚类个数。
设a(x)为聚类Cj中的样本x与类内所有其他样本的平均距离,表征类内的紧密程度;d(x,Ci)为样本x到另一个类Ci的所有样本的平均距离;b(x)为样本x到所有非同类样本的最小平均距离,用于表征类间的离散程度,b(x)=min{d(x,Ci)},i=1,2,…,k,i≠j。每个样本x的S(x)指标计算公式如式(1)所示。
样本x的指标值S(x)在[-1,1]范围内变动。a(x)越小,b(x)越大,此时,S(x)越接近1,样本i所属类j的类内紧密性和类间分离性越好,聚类质量越好。当a(x)>b(x),此时S(x)<0,样本x距非同类样本的距离小于类内样本的距离,聚类失效。因此,S(x)指标越大,表示聚类质量越好,其最大值对应的类数为最优的聚类个数。
步骤2.3,重复步骤2.1及2.2,直至聚类效果实现最优,即选取S(x)接近于1且最大时对应的聚类。
步骤3,根据聚类结果,选择短期负荷预测方法进行预测。
步骤3.1,负荷预测数据准备及预处理
①日期类型
根据分组映射的方法将日期数据映射到[0,1]区间内,将日期类型分为3类:第一类是周一—周五为正常工作日时,对应数值为1;第二类是周六、周日,为介于节假日与工作日之间的日期类型,对应数值为0.5;第三类是小长假、黄金周、春节假期等,对应数值为0.3。
②气象条件
选取当日负荷所在区域的温度,并将天气类型(阴、晴、雨)映射至[0,1]内;晴对应数值为1,阴对应数值为0.5,雨对应数值为0.3。
③近期同类型日负荷
由于相似日算法遵循“近大远小”的规则,且负荷曲线的形态及客户用电特性在没有较大干扰事件的影响下具有较强的延续性,即近期同类型日(如同为工作日或周末)的相同时刻负荷具有一定的相似性,因此近期同类型日的日平均负荷曲线为预测时需要参照的基准曲线。
L(d-1):以当前日为基准前推一天的对应时刻历史负载;
L(d-2):以当前日为基准前推两天的对应时刻历史负载;
L(d-7):以当前日为基准前推一周的对应时刻历史负载。
步骤3.2,选择负荷预测方法。
(1)用户分类后的结果中,若近期负荷曲线存在相近的波动趋势及变化趋势,则选用一次指数平滑法。
指数平滑法是一种常用的时间序列预测方法。其特点是:第一,指数平滑法进一步加强了观察期近期观察值对预测值的作用,对不同时间的观察值所赋予的权数不等,从而加大了近期观察值的权数,使预测值能够迅速反映市场实际的变化。第二,指数平滑法对于观察值所赋予的权数有伸缩性,可以取不同的α值以改变权数的变化速率,一般来说,如果数据波动较大,α值应取大一些,可以增加近期数据对预测结果的影响。如果数据波动平稳,α值应取小一些。具体如下:
①当时间序列呈现较稳定的水平趋势时,应选较小的α值,一般在0.05~0.2之间取值;
②当时间序列有波动,但长期趋势变化不大时,可选稍大的α值,常在0.1~0.4之间取值;
③当时间序列波动很大,长期趋势变化幅度较大,呈现明显且迅速的上升或下降趋势时,宜选择较大的α值,可在0.6~1间选值,以使预测模型灵敏度高些,能迅速跟上数据的变化;
④当时间序列数据是稳定上升(或下降)且变化幅度相对平稳的发展趋势类型,α应取在0.4~0.6之间。
因此,运用指数平滑法,可以选择不同的α值来调节时间序列观察值的均匀程度(即趋势变化的平稳程度)。
设时间序列的观察值为y1,y2,...,yt,S1 1S2 1...St 1为时间t的观察值的指数平滑值,则一次指数平滑公式为:
St 1=αyt+α(1-α)yt-1+α(1-α)2yt-2+...+α(1-α)jyt-j (2)
式中,α为平滑系数,且0<α<1,0<j<t。
由此可知,St (1)实际上是yt,yt-1,...,yt-j,...的加权平均。加权系数分别为α,α(1-α),α(1-α)2,Λ,α(1-α)j是按几何级数衰减的,愈近的数据,权数愈大,愈远的数据,权数愈小,且权数之和等于1,即因为加权系数符合指数规律,且又具有平滑数据的功能,所以称为指数平滑。
用上述平滑值进行预测,就是一次指数平滑法。其预测模型为:
即以第t周期的一次指数平滑值作为第t+1期的预测值。
(1)选取L(d-1)、L(d-2)、L(d-7)作为输入的yt、yt-1、yt-2,对预测日对应时刻负荷St进行预测。
(2)基于负荷时间序列趋势确定α值。
(3)输出预测结果St。
(2)用户分类后的结果中,若近期负荷曲线呈现不规则变动,则选用BP神经网络进行预测。
神经网络作为一种人工智能方法已经在很多领域取得了成功应用,通过神经网络的训练和学习可以得到输出变量关于输入变量的数值函数关系及层间神经元间的连接权值。
一般而言,用来进行预测的神经网络是一个三层的前向网络。神经网络模型如图3所示。
神经元的传输函数为非线性函数,最常用的是logsig和tansig函数,其输出为:
a=logsig(Wp+b) (4)
如果网络的输出层采用S形传输函数(如logsig),其输出值将会限制在一个较小的范围内(0,1);而采用线性传输函数则可以取任意值。
网络通过输入和输出样本集进行训练,亦即对阈值和权值进行学习和修正,以使网络实现给定的输入输出映射关系。网络的学习过程分为两个阶段:
第一阶段是输入已知学习样本,通过设置的网络结构和前一次迭代的权值和阈值,从网络的第一层向后计算个神经元的输出。
第二个阶段是对权值和阈值进行修改,从最后一层向前计算各权值和阈值对总误差的影响(梯度),据此对各权值和阈值进行修改。以上二个过程反复交替,直到达到收敛为止。
具体地,利用BP神经网络进行短期负荷预测包括:
(1)初始化。将影响因素作为BP神经网络的输入变量,预测日对应时刻的历史负载作为输出变量。
模型参数设置如下:网络输入层神经元个数为7、隐含层神经元个数为5、输出层神经元个数为1、最大迭代次数1000;期望误差最小值为1e-7;对负荷进行学习和仿真。
(2)数据预处理。对数据进行归一化处理,对输入变量及输出变量收集的样本数据进行归一化处理,消除数据间不同量纲造成的差异,使数据更适应BP神经网络预测模型,数据归一化的方法包括标准化处理法、阈值法、极值处理法以及归一化处理法等,根据实际需求选取恰当的方法。
根据数据特点及预测模型要求,选取极值法作为无量纲方法,极值法数据处理的公式如下:
x'=(x-xmin)/(xmax-xmin) (5)
(3)样本数据的训练和仿真。将无量纲化处理后的输入变量及输出变量数据输入BP神经网络模型,通过BP网络的训练来调节权值和阈值,当满足网络的性能指标均方误差(MSE)小于预先设定的误差要求或最大迭代次数时,则停止迭代,输出结果,否则就继续迭代直至算法收敛。
(4)基于训练好的神经网络模型进行负荷预测,得到用户负荷St。
步骤4,叠加所有代理用户的预测结果,得到售电公司的负荷预测结果。
将售电公司所代理全部用户的负荷预测结果汇总,即可得到售电公司短期负荷预测结果。
ST=St1+St2+St3+...+Stn (6)
其中,ST为售电公司t时刻预测的总负荷;Stn为第n个用户t时刻预测的负荷。
针对电力现货市场下售电公司的短期负荷预测问题,本发明提出了一种电力现货市场下售电公司短期负荷预测的方法。首先对售电公司所代理的用户按照负荷曲线特性进行分类,然后根据不同分类选择负荷预测方法进行预测,最后汇总所有预测结果,即可得到售电公司的负荷预测结果。本发明的优点在于以售电公司为负荷预测对象,在负荷预测过程中,考虑到用户的用电曲线特性。售电公司基于此方法可以知道所代理用户的用电负荷情况,进行更精细化的预测与调整,适用于售电公司更好地参与电力现货市场下的交易。
另一方面,本发明还提供一种电力现货市场下售电公司短期负荷的预测系统,包括:获取模块,用于获取售电公司所代理用户的历史负荷;分类模块,用于根据负荷曲线特性进行用户分类;预测模块,用于对不同分类的用户,选择不同的预测方法进行负荷预测;输出模块,用于汇总各类用户负荷预测结果,输出售电公司的预测结果。本发明系统通过获取模块获取售电公司所代理用户的历史负荷数据,通过分类模块对不同的用户进行分类,通过预测模块对不同分类的用户根据不同的预测方法进行负荷预测,通过输出模块汇总所有代理用户的预测结果,输出售电公司的预测结果。本发明系统适应于电力现货市场下的售电公司短期负荷预测,精确度高、灵活性强,能够准确预测代理用户的负荷需求,明确售电公司需要的购电量,降低偏差考核损失风险。
作为一种实施方式,所述系统还包括:预处理模块,用于在进行负荷预测前,对负荷预测数据进行预处理,将影响负荷预测的因素进行分类和赋值,其中,影响负荷预测的因素包括日期类型、气象条件和同类型日负荷。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种电力现货市场下售电公司短期负荷的预测方法,其特征在于,包括:
提取售电公司所代理用户的历史负荷;
根据负荷曲线特性进行用户分类;
对处于不同分类的用户,选择不同的预测方法进行负荷预测;
汇总各类用户负荷预测结果。
2.根据权利要求1所述的电力现货市场下售电公司短期负荷的预测方法,其特征在于,所述方法进一步包括:提取售电公司所代理用户的历史负荷数据,并提取与负荷时间段对应的气温气象数据。
3.根据权利要求2所述的电力现货市场下售电公司短期负荷的预测方法,其特征在于,所述方法进一步包括:基于提取的代理用户近两周的日负荷数据,利用k-means聚类算法进行聚类。
4.根据权利要求3所述的电力现货市场下售电公司短期负荷的预测方法,其特征在于,所述方法进一步包括:根据聚类结果,若用户的近两周负荷曲线存在相近的波动趋势及变化趋势,则选用一次指数平滑法进行该类用户的负荷预测。
5.根据权利要求3所述的电力现货市场下售电公司短期负荷的预测方法,其特征在于,所述方法进一步包括:根据聚类结果,若用户的近两周负荷曲线呈现不规则变动,则选用BP神经网络进行该类用户的负荷预测。
6.根据权利要求4或5中任一项所述的电力现货市场下售电公司短期负荷的预测方法,其特征在于,所述方法进一步包括:在进行负荷预测前,对负荷预测数据进行预处理,将影响负荷预测的因素进行分类和赋值,其中,影响负荷预测的因素包括日期类型、气象条件和同类型日负荷。
7.一种电力现货市场下售电公司短期负荷的预测系统,其特征在于,包括:
获取模块,用于获取售电公司所代理用户的历史负荷;
分类模块,用于根据负荷曲线特性进行用户分类;
预测模块,用于对不同分类的用户,选择不同的预测方法进行负荷预测;
输出模块,用于汇总各类用户负荷预测结果,输出售电公司的预测结果。
8.根据权利要求7所述的电力现货市场下售电公司短期负荷的预测系统,其特征在于,所述系统还包括:预处理模块,用于在进行负荷预测前,对负荷预测数据进行预处理,将影响负荷预测的因素进行分类和赋值,其中,影响负荷预测的因素包括日期类型、气象条件和同类型日负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911226994.8A CN112906931A (zh) | 2019-12-04 | 2019-12-04 | 一种电力现货市场下售电公司短期负荷的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911226994.8A CN112906931A (zh) | 2019-12-04 | 2019-12-04 | 一种电力现货市场下售电公司短期负荷的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906931A true CN112906931A (zh) | 2021-06-04 |
Family
ID=76104537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911226994.8A Withdrawn CN112906931A (zh) | 2019-12-04 | 2019-12-04 | 一种电力现货市场下售电公司短期负荷的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906931A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706336A (zh) * | 2021-09-01 | 2021-11-26 | 知能汇融(北京)咨询有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694478A (zh) * | 2018-07-09 | 2018-10-23 | 广西电网有限责任公司电力科学研究院 | 一种考虑电量预测偏差的售电风险指标计算方法 |
CN110503256A (zh) * | 2019-08-14 | 2019-11-26 | 北京国网信通埃森哲信息技术有限公司 | 基于大数据技术的短期负荷预测方法及系统 |
-
2019
- 2019-12-04 CN CN201911226994.8A patent/CN112906931A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694478A (zh) * | 2018-07-09 | 2018-10-23 | 广西电网有限责任公司电力科学研究院 | 一种考虑电量预测偏差的售电风险指标计算方法 |
CN110503256A (zh) * | 2019-08-14 | 2019-11-26 | 北京国网信通埃森哲信息技术有限公司 | 基于大数据技术的短期负荷预测方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706336A (zh) * | 2021-09-01 | 2021-11-26 | 知能汇融(北京)咨询有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
CN113706336B (zh) * | 2021-09-01 | 2024-02-02 | 知能汇融(北京)咨询有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110571793B (zh) | 一种柔性负荷需求响应效果多维识别的方法 | |
CN108376262B (zh) | 一种风电出力典型特性的分析模型构建方法 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN110705743A (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN110728401A (zh) | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 | |
CN111260116A (zh) | 一种基于boa-svr和模糊聚类的分时段精细化短期负荷预测方法 | |
CN108846527A (zh) | 一种光伏发电功率预测方法 | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
CN109636146A (zh) | 一种用户需求响应潜力画像方法 | |
CN108416466A (zh) | 复杂特性影响的电力负荷预测方法、计算机信息处理系统 | |
CN113902304A (zh) | 一种基于总负荷曲线相似性的可控负荷筛选方法 | |
CN116468138A (zh) | 空调负荷预测方法、系统、电子设备及计算机存储介质 | |
CN115496627A (zh) | 一种可调资源响应潜力的评估方法及系统 | |
CN113487064A (zh) | 基于主成分分析和改进lstm的光伏功率预测方法及系统 | |
CN104915727B (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN115238948A (zh) | 小水电发电量预测方法及装置 | |
CN113344589B (zh) | 一种基于vaegmm模型的发电企业串谋行为的智能识别方法 | |
CN110570091A (zh) | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 | |
CN112508734B (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 | |
CN112906931A (zh) | 一种电力现货市场下售电公司短期负荷的预测方法及系统 | |
CN113361776A (zh) | 一种基于用户用电行为聚类的电力负荷概率预测方法 | |
CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210604 |
|
WW01 | Invention patent application withdrawn after publication |