CN112990597A - 一种工业园区工厂用电负荷的超短期预测方法 - Google Patents

一种工业园区工厂用电负荷的超短期预测方法 Download PDF

Info

Publication number
CN112990597A
CN112990597A CN202110348623.8A CN202110348623A CN112990597A CN 112990597 A CN112990597 A CN 112990597A CN 202110348623 A CN202110348623 A CN 202110348623A CN 112990597 A CN112990597 A CN 112990597A
Authority
CN
China
Prior art keywords
load
day
data
predicted
power
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
CN202110348623.8A
Other languages
English (en)
Other versions
CN112990597B (zh
Inventor
侯婷婷
方仍存
杨东俊
张维
唐金锐
阮博
迟赫天
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.)
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Hubei Electric Power 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 State Grid Corp of China SGCC, Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110348623.8A priority Critical patent/CN112990597B/zh
Publication of CN112990597A publication Critical patent/CN112990597A/zh
Application granted granted Critical
Publication of CN112990597B publication Critical patent/CN112990597B/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
    • 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)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种工业园区工厂用电负荷的超短期预测方法，该方法先获取工业园区工厂用电负荷的D日历史用电数据，并对这些历史用电数据进行聚类分析，得到NCh1类负荷用电数据，再基于待预测日前now个时段的已有用电数据，计算其与得到的各类负荷的典型用电曲线相同时段的总关联度，然后根据总关联度计算结果确定待预测日接下来npre个时段的用电负荷预测基础值，最后采用各类负荷的历史日用电数据预测同类型日用电数据的误差期望值对得到的用电负荷预测基础值进行修正，即可得到待预测日接下来npre个时段的用电负荷预测结果。本设计有效提高了工厂用电负荷超短期预测的精度。

Description

一种工业园区工厂用电负荷的超短期预测方法
技术领域
本发明属于配电网负荷预测技术领域，具体涉及一种基于灰色斜率关联度分析及OPTICS聚类联合算法的工业园区工厂用电负荷的超短期预测方法。
背景技术
目前用电负荷预测主要包含两种方法，一种是基于数据驱动的用电负荷预测方法，其首先对用电历史数据进行聚类分析，然后借助于各种先进的机器学习算法实现待预测日的用电负荷预测。另一种方法是基于模型驱动的用电负荷预测方法，其一般是根据设备用电固有规律构建用电负荷机理模型，然后基于待预测日的预测参数直接求解用电负荷。
对于用电负荷的超短期预测而言，目前主要采用的是基于数据驱动的方法。现有方法用于工业园区工厂用电负荷的超短期预测时，预测精度往往达不到要求。经分析发现，虽然工业园区工厂用电负荷存在较强的规律性，但受工业产能及电动机实时启停影响，用电负荷波动性大。传统的聚类方法主要集中在用电峰谷差等参数方面进行分析，不能适应工厂用电负荷这一特性。在预测算法上，多采用人工智能的方法，通过大量历史数据的训练来优化神经网络，达到预测目的。由于工厂用电负荷受影响因素众多，这一预测方法的有效性大打折扣。
发明内容
本发明的目的是针对现有技术存在的上述问题，提供一种能够有效提高负荷预测精度的工业园区工厂用电负荷的超短期预测方法。
为实现以上目的，本发明的技术方案如下：
一种工业园区工厂用电负荷的超短期预测方法，依次包括以下步骤：
步骤A、先获取工业园区工厂用电负荷h1的D日历史用电数据，然后对这些历史用电数据进行聚类分析，得到NCh1类负荷用电数据；
步骤B、基于待预测日前now个时段的已有用电数据，先计算其与步骤A得到的各类负荷的典型用电曲线相同时段的总关联度，然后根据总关联度计算结果确定待预测日接下来npre个时段的用电负荷预测基础值；
步骤C、采用各类负荷的历史日用电数据预测同类型日用电数据的误差期望值对步骤B得到的用电负荷预测基础值进行修正，得到待预测日接下来npre个时段的用电负荷预测结果。
所述步骤B采用灰色斜率关联度分析计算待预测日的已有数据与步骤A得到的各类负荷的典型用电曲线相同时段的总关联度：
Figure BDA0003001698620000021
Figure BDA0003001698620000022
Figure BDA0003001698620000023
Figure BDA0003001698620000024
Figure BDA0003001698620000025
Figure BDA0003001698620000026
Sp＝[Ph1,tp,1，Ph1,tp,2，Ph1,tp,3，……，Ph1,tp,96]
Figure BDA0003001698620000027
上式中，ρh1，pre，p为待预测日的已有数据与第p类负荷的典型用电曲线相同时段的总关联度，
Figure BDA0003001698620000028
为待预测日的已有数据与第p类负荷的典型用电曲线在第m个时段的关联度，
Figure BDA0003001698620000029
为待预测日的已有数据与第p类负荷的典型用电曲线在第k个时段的斜率之间的方向关系，方向相反为-1，反之则为1，Ph1,pre,k+1、Ph1,pre,k分别为待预测日用电负荷在第k+1、k个时段的用电功率，Ph1,p,k+1、Ph1,p,k分别为第p类负荷的典型用电曲线在第k+1、k个时段的用电功率，
Figure BDA00030016986200000210
分别为待预测日、第p类负荷的典型用电曲线在前now个时段的平均用电功率，Sp为第p类负荷的典型用电曲线，Ph1,i,k为第p类负荷第i日第k个时段的用电功率，NCp为第p类负荷包含的用电功率数据总天数。
所述步骤B采用以下公式计算得到待预测日接下来npre个时段的用电负荷预测基础值：
Figure BDA0003001698620000031
上式中，Ph1，pre，t为待预测日第t个时段的用电负荷预测基础值，Ph1,tp,t为第p类负荷的典型用电曲线在第t个时段的用电功率，ρh1，pre，kk为待预测日的已有数据与第kk类负荷的典型用电曲线相同时段的总关联度。
步骤C中，所述误差期望值为基于各类负荷用电数据中与待预测日最接近的xD天数据、计算得到的其与该类负荷的典型用电曲线在第now时段之后至now+npre个时段差值的期望值：
Figure BDA0003001698620000032
上式中，Ep，t为第p类负荷的用电数据与其典型用电曲线在第t个时段差值的期望值。
步骤C中，所述待预测日接下来npre个时段的用电负荷预测结果由以下公式计算得到：
Figure BDA0003001698620000033
上式中，
Figure BDA0003001698620000034
为待预测日第t个时段的用电负荷预测结果。
步骤A中，所述对这些历史用电数据进行聚类依次包括以下步骤：
A1、利用灰色斜率关联度分析对历史用电数据进行相似度计算，得到第i日与第j日各时段用电数据的相似度；
A2、利用OPTICS聚类算法分析步骤A1得到的相似度结果，得到NCh1类负荷用电数据。
步骤A1中，所述第i日与第j日的各时段用电数据的相似度ρh1，i，j采用下列公式计算得到：
Figure BDA0003001698620000041
Figure BDA0003001698620000042
Figure BDA0003001698620000043
Figure BDA0003001698620000044
Figure BDA0003001698620000045
Figure BDA0003001698620000046
上式中，M为每日的总时段数，
Figure BDA0003001698620000047
为第i日和第j日的历史用电数据在第k个时段的关联度，
Figure BDA0003001698620000048
为第i日和第j日的历史用电数据在第k个时段的斜率之间的方向关系，方向相反为-1，反之则为1，Ph1,i,k+1、Ph1,i,k分别为用电负荷在第i日第k+1、k个时段的用电功率，Ph1,j,k+1、Ph1,j,k分别为用电负荷在第j日第k+1、k个时段的用电功率，
Figure BDA0003001698620000049
分别为第i日、第j日各时段的平均用电功率。
所述步骤A2依次包括以下步骤：
步骤A2-1、设定最小领域点数MinPts＝0.1×D，对于第i日的历史用电数据，若满足j∈D,ρh1,i,j≥ρset的天数大于等于MinPts，则将第i日设为核心对象，遍历所有D日历史用电数据，形成含有N个元素的核心对象集Ω，其中，ρset为设定的相似度值；
步骤A2-2、按顺序挑选对象集Ω的第k个元素o，将o加入结果队列M，k＝1,2,…,N；
步骤A2-3、先计算元素o的核心距离cd(o)，即将其它元素与o的相似度按从小到大排序排列得到的第MinPts个相似度值，然后计算满足j∈D,ρh1,o,j≥0.8的元素j与元素o的可达距离rd(j,o)：
Figure BDA0003001698620000051
上式中，inf表示未定义，ρh1，j，o为元素j与元素o的相似度；
步骤A2-4、将可达距离最小的元素q加入结果队列M中，如果q∈Ω，则跳转至步骤A2-3；如果
Figure BDA0003001698620000052
则跳转至步骤A2-2；
步骤A2-5、循环重复步骤A2-2至步骤A2-4，直至完成对象集Ω中所有元素的分析，得到结果队列M；
步骤A2-6、从结果队列M中取出某点，如果该点的可达距离不大于ρset，则该点属于当前聚类，否则进入步骤A2-7；
步骤A2-7、如果该点的核心距离大于ρset，则该点为噪声，可以忽略；否则该点属于新聚类，跳转至步骤A2-6；
步骤A2-8、循环执行步骤A2-6至步骤A2-7，完成结果队列M的遍历，最终将历史用电数据分为NCh1类。
与现有技术相比，本发明的有益效果为：
1、本发明一种工业园区工厂用电负荷的超短期预测方法先获取工业园区工厂用电负荷h1的D日历史用电数据，并对这些历史用电数据进行聚类分析，得到NCh1类负荷用电数据，再基于待预测日前now个时段的已有用电数据，计算其与得到的各类负荷的典型用电曲线相同时段的总关联度，然后根据总关联度计算结果确定待预测日接下来npre个时段的用电负荷预测基础值，最后采用各类负荷的历史日用电数据预测同类型日用电数据的误差期望值对得到的用电负荷预测基础值进行修正，即可得到待预测日接下来npre个时段的用电负荷预测结果，该设计通过对待预测日与各类历史用电负荷之间的关联度进行分析，并利用与待预测日最接近的历史日用电负荷特征对待预测日的负荷预测结果进行修正，有效避免了产能扩张等复杂因素给工厂用电负荷预测带来的难题，提高了工厂用电负荷超短期预测的精度。因此，本发明有效提高了工厂用电负荷超短期预测的精度。
2、本发明一种工业园区工厂用电负荷的超短期预测方法中对历史用电数据的聚类具体采用了：先利用灰色斜率关联度分析对历史用电数据进行相似度计算，得到第i日与第j日各时段用电数据的相似度，然后利用OPTICS聚类算法分析得到的相似度结果，得到NCh1类负荷用电数据，本设计采用色斜率关联度分析根据全天24小时用电曲线的波动进行关联度计算，可以充分利用曲线波动规律来提取工厂的用电特征，OPTICS聚类算法基于关联度分析结果的分布密度完成聚类，改进了传统密度聚类算法对核心点距离输入参数过于敏感的缺点，两者联合可有效刻画高波动性工厂用电负荷的曲线特征，避免了传统方法仅利用峰谷差等个别参数带来的聚类效果不理想的问题，从而获得更佳的聚类效果。因此，本发明提升了对历史用电数据的聚类效果。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合具体实施方式以及附图对本发明作进一步详细的说明。
参见图1，一种工业园区工厂用电负荷的超短期预测方法，依次包括以下步骤：
步骤A、先获取工业园区工厂用电负荷h1的D日历史用电数据，然后对这些历史用电数据进行聚类分析，得到NCh1类负荷用电数据；
步骤B、基于待预测日前now个时段的已有用电数据，先计算其与步骤A得到的各类负荷的典型用电曲线相同时段的总关联度，然后根据总关联度计算结果确定待预测日接下来npre个时段的用电负荷预测基础值；
步骤C、采用各类负荷的历史日用电数据预测同类型日用电数据的误差期望值对步骤B得到的用电负荷预测基础值进行修正，得到待预测日接下来npre个时段的用电负荷预测结果。
所述步骤B采用灰色斜率关联度分析计算待预测日的已有数据与步骤A得到的各类负荷的典型用电曲线相同时段的总关联度：
Figure BDA0003001698620000061
Figure BDA0003001698620000062
Figure BDA0003001698620000071
Figure BDA0003001698620000072
Figure BDA0003001698620000073
Figure BDA0003001698620000074
Sp＝[Ph1,tp,1，Ph1,tp,2，Ph1,tp,3，……，Ph1,tp,96]
Figure BDA0003001698620000075
上式中，ρh1，pre，p为待预测日的已有数据与第p类负荷的典型用电曲线相同时段的总关联度，
Figure BDA0003001698620000076
为待预测日的已有数据与第p类负荷的典型用电曲线在第m个时段的关联度，
Figure BDA0003001698620000077
为待预测日的已有数据与第p类负荷的典型用电曲线在第k个时段的斜率之间的方向关系，方向相反为-1，反之则为1，Ph1,pre,k+1、Ph1,pre,k分别为待预测日用电负荷在第k+1、k个时段的用电功率，Ph1,p,k+1、Ph1,p,k分别为第p类负荷的典型用电曲线在第k+1、k个时段的用电功率，
Figure BDA0003001698620000078
分别为待预测日、第p类负荷的典型用电曲线在前now个时段的平均用电功率，Sp为第p类负荷的典型用电曲线，Ph1,i,k为第p类负荷第i日第k个时段的用电功率，NCp为第p类负荷包含的用电功率数据总天数。
所述步骤B采用以下公式计算得到待预测日接下来npre个时段的用电负荷预测基础值：
Figure BDA0003001698620000079
上式中，Ph1，pre，t为待预测日第t个时段的用电负荷预测基础值，Ph1,tp,t为第p类负荷的典型用电曲线在第t个时段的用电功率，ρh1，pre，kk为待预测日的已有数据与第kk类负荷的典型用电曲线相同时段的总关联度。
步骤C中，所述误差期望值为基于各类负荷用电数据中与待预测日最接近的xD天数据、计算得到的其与该类负荷的典型用电曲线在第now时段之后至now+npre个时段差值的期望值：
Figure BDA0003001698620000081
上式中，Ep，t为第p类负荷的用电数据与其典型用电曲线在第t个时段差值的期望值。
步骤C中，所述待预测日接下来npre个时段的用电负荷预测结果由以下公式计算得到：
Figure BDA0003001698620000082
上式中，
Figure BDA0003001698620000083
为待预测日第t个时段的用电负荷预测结果。
步骤A中，所述对这些历史用电数据进行聚类依次包括以下步骤：
A1、利用灰色斜率关联度分析对历史用电数据进行相似度计算，得到第i日与第j日各时段用电数据的相似度；
A2、利用OPTICS聚类算法分析步骤A1得到的相似度结果，得到NCh1类负荷用电数据。
步骤A1中，所述第i日与第j日的各时段用电数据的相似度ρh1，i，j采用下列公式计算得到：
Figure BDA0003001698620000084
Figure BDA0003001698620000085
Figure BDA0003001698620000086
Figure BDA0003001698620000091
Figure BDA0003001698620000092
Figure BDA0003001698620000093
上式中，M为每日的总时段数，
Figure BDA0003001698620000094
为第i日和第j日的历史用电数据在第k个时段的关联度，
Figure BDA0003001698620000095
为第i日和第j日的历史用电数据在第k个时段的斜率之间的方向关系，方向相反为-1，反之则为1，Ph1,i,k+1、Ph1,i,k分别为用电负荷在第i日第k+1、k个时段的用电功率，Ph1,j,k+1、Ph1,j,k分别为用电负荷在第j日第k+1、k个时段的用电功率，
Figure BDA0003001698620000096
分别为第i日、第j日各时段的平均用电功率。
所述步骤A2依次包括以下步骤：
步骤A2-1、设定最小领域点数MinPts＝0.1×D，对于第i日的历史用电数据，若满足j∈D,ρh1,i,j≥ρset的天数大于等于MinPts，则将第i日设为核心对象，遍历所有D日历史用电数据，形成含有N个元素的核心对象集Ω，其中，ρset为设定的相似度值；
步骤A2-2、按顺序挑选对象集Ω的第k个元素o，将o加入结果队列M，k＝1,2,…,N；
步骤A2-3、先计算元素o的核心距离cd(o)，即将其它元素与o的相似度按从小到大排序排列得到的第MinPts个相似度值，然后计算满足j∈D,ρh1,o,j≥0.8的元素j与元素o的可达距离rd(j,o)：
Figure BDA0003001698620000097
上式中，inf表示未定义，ρh1，j，o为元素j与元素o的相似度；
步骤A2-4、将可达距离最小的元素q加入结果队列M中，如果q∈Ω，则跳转至步骤A2-3；如果
Figure BDA0003001698620000098
则跳转至步骤A2-2；
步骤A2-5、循环重复步骤A2-2至步骤A2-4，直至完成对象集Ω中所有元素的分析，得到结果队列M；
步骤A2-6、从结果队列M中取出某点，如果该点的可达距离不大于ρset，则该点属于当前聚类，否则进入步骤A2-7；
步骤A2-7、如果该点的核心距离大于ρset，则该点为噪声，可以忽略；否则该点属于新聚类，跳转至步骤A2-6；
步骤A2-8、循环执行步骤A2-6至步骤A2-7，完成结果队列M的遍历，最终将历史用电数据分为NCh1类。
本发明的原理说明如下：
工业园区工厂用电负荷具有波动性大、受影响因素众多等特点，传统基于数据驱动的工厂用电负荷超短期预测精度达不到现场要求。为此，本发明提出一种基于灰色斜率关联度分析及OPTICS聚类算法的工业园区工厂用电负荷的超短期预测方法，该方法首先利用利用灰色斜率关联度对工厂用电负荷的历史用电数据进行相似度分析，然后利用OPTICS算法对相似度结果进行分析，实现对工厂用电负荷历史用电数据的聚类；随后基于待预测日已有的用电数据、利用灰色斜率关联度计算待预测日与所有聚类中各类负荷的典型用电曲线相同时段的关联度，最终利用加权求和及期望值修正的方法，实现了待预测日接下来数个时间段的用电负荷超短期的预测。
实施例1：
参见图1，一种工业园区工厂用电负荷的超短期预测方法，依次按照以下步骤进行：
1、通过智能电表等用电监测设备获取工业园区工厂用电负荷h1的D日历史用电数据，D取90，用电监测设备每15分钟采集一次用电量，每天形成96个时段的用电数据；
2、利用灰色斜率关联度分析对历史用电数据进行相似度计算，得到第i日与第j日各时段用电数据的相似度ρh1，i，j：
Figure BDA0003001698620000101
Figure BDA0003001698620000102
Figure BDA0003001698620000111
Figure BDA0003001698620000112
Figure BDA0003001698620000113
Figure BDA0003001698620000114
上式中，M为每日的总时段数，
Figure BDA0003001698620000115
为第i日和第j日的历史用电数据在第k个时段的关联度，
Figure BDA0003001698620000116
为第i日和第j日的历史用电数据在第k个时段的斜率之间的方向关系，方向相反为-1，反之则为1，Ph1,i,k+1、Ph1,i,k分别为用电负荷在第i日第k+1、k个时段的用电功率，Ph1,j,k+1、Ph1,j,k分别为用电负荷在第j日第k+1、k个时段的用电功率，
Figure BDA0003001698620000117
分别为第i日、第j日各时段的平均用电功率。
3、利用OPTICS聚类算法分析步骤2得到的相似度结果，实现对工厂用电负荷D日历史用电数据的聚类，得到NCh1类负荷用电数据，具体为：
3-1、设定最小领域点数MinPts＝0.1×D，对于第i日的历史用电数据，若满足j∈D,ρh1,i,j≥ρset的天数大于等于MinPts，则将第i日设为核心对象，遍历所有D日历史用电数据，形成含有N个元素的核心对象集Ω，其中，ρset为设定的相似度值，不失一般性，ρset取0.8；
3-2、按顺序挑选对象集Ω的第k个元素o，将o加入结果队列M，k＝1,2,…,N；
3-3、先计算元素o的核心距离cd(o)，即在任意元素o的邻域内，按与元素o的相似度结果从小到大排序，元素o与其第MinPts近邻点的相似度定义为核心距离，然后计算满足j∈D,ρh1,o,j≥0.8的元素j与元素o的可达距离rd(j,o)：
Figure BDA0003001698620000118
上式中，inf表示未定义，ρh1，j，o为元素j与元素o的相似度；
3-4、将可达距离最小的元素q加入结果队列M中，如果q∈Ω，则跳转至步骤3-3；如果
Figure BDA0003001698620000121
则跳转至步骤3-2；
3-5、循环重复步骤3-2至步骤3-4，直至完成对象集Ω中所有元素的分析，得到结果队列M；
3-6、从结果队列M中取出某点，如果该点的可达距离不大于ρset，则该点属于当前聚类，否则进入步骤3-7；
3-7、如果该点的核心距离大于ρset，则该点为噪声，可以忽略；否则该点属于新聚类，跳转至步骤3-6；
3-8、循环执行步骤3-6至步骤3-7，完成结果队列M的遍历，最终将历史用电数据分为NCh1类，得到NCh1类负荷用电数据；
4、基于待预测日前now个时段的已有用电数据，先采用灰色斜率关联度分析计算待预测日的已有数据与得到的各类负荷的典型用电曲线相同时段的总关联度：
Figure BDA0003001698620000122
Figure BDA0003001698620000123
Figure BDA0003001698620000124
Figure BDA0003001698620000125
Figure BDA0003001698620000126
Figure BDA0003001698620000127
Sp＝[Ph1,tp,1，Ph1,tp,2，Ph1,tp,3，……，Ph1,tp,96]
Figure BDA0003001698620000128
上式中，ρh1，pre，p为待预测日的已有数据与第p类负荷的典型用电曲线相同时段的总关联度，
Figure BDA0003001698620000131
为待预测日的已有数据与第p类负荷的典型用电曲线在第m个时段的关联度，
Figure BDA0003001698620000132
为待预测日的已有数据与第p类负荷的典型用电曲线在第k个时段的斜率之间的方向关系，方向相反为-1，反之则为1，Ph1,pre,k+1、Ph1,pre,k分别为待预测日用电负荷在第k+1、k个时段的用电功率，Ph1,p,k+1、Ph1,p,k分别为第p类负荷的典型用电曲线在第k+1、k个时段的用电功率，
Figure BDA0003001698620000133
分别为待预测日、第p类负荷的典型用电曲线在前now个时段的平均用电功率，Sp为第p类负荷的典型用电曲线，Ph1,i,k为第p类负荷第i日第k个时段的用电功率，NCp为第p类负荷包含的用电功率数据总天数；
5、根据关联度计算结果、采用以下公式确定待预测日接下来npre个时段的用电负荷预测基础值：
Figure BDA0003001698620000134
上式中，Ph1，pre，t为待预测日第t个时段的用电负荷预测基础值，Ph1,tp,t为第p类负荷的典型用电曲线在第t个时段的用电功率，ρh1，pre，kk为待预测日的已有数据与第kk类负荷的典型用电曲线相同时段的总关联度；
6、基于各类负荷用电数据中与待预测日最接近的xD天数据、计算得到的其与该类负荷的典型用电曲线在第now时段之后至now+npre个时段差值的期望值：
Figure BDA0003001698620000135
上式中，Ep，t为第p类负荷的用电数据与其典型用电曲线在第t个时段差值的期望值，xD取3；
7、采用上述期望值对步骤5得到的用电负荷预测基础值进行修正，确定待预测日接下来npre个时段的用电负荷预测结果：
Figure BDA0003001698620000136
上式中，
Figure BDA0003001698620000137
为待预测日第t个时段的用电负荷预测结果。

Claims (8)

1.一种工业园区工厂用电负荷的超短期预测方法，其特征在于：
所述预测方法依次包括以下步骤：
步骤A、先获取工业园区工厂用电负荷h1的D日历史用电数据，然后对这些历史用电数据进行聚类分析，得到NCh1类负荷用电数据；
步骤B、基于待预测日前now个时段的已有用电数据，先计算其与步骤A得到的各类负荷的典型用电曲线相同时段的总关联度，然后根据总关联度计算结果确定待预测日接下来npre个时段的用电负荷预测基础值；
步骤C、采用各类负荷的历史日用电数据预测同类型日用电数据的误差期望值对步骤B得到的用电负荷预测基础值进行修正，得到待预测日接下来npre个时段的用电负荷预测结果。
2.根据权利要求1所述的一种工业园区工厂用电负荷的超短期预测方法，其特征在于：
所述步骤B采用灰色斜率关联度分析计算待预测日的已有数据与步骤A得到的各类负荷的典型用电曲线相同时段的总关联度：
Figure FDA0003001698610000011
Figure FDA0003001698610000012
Figure FDA0003001698610000013
Figure FDA0003001698610000014
Figure FDA0003001698610000015
Figure FDA0003001698610000021
Sp＝[Ph1,tp,1，Ph1,tp,2，Ph1,tp,3，……，Ph1,tp,96]
Figure FDA0003001698610000022
上式中，ρh1，pre，p为待预测日的已有数据与第p类负荷的典型用电曲线相同时段的总关联度，
Figure FDA0003001698610000023
为待预测日的已有数据与第p类负荷的典型用电曲线在第m个时段的关联度，
Figure FDA0003001698610000024
为待预测日的已有数据与第p类负荷的典型用电曲线在第k个时段的斜率之间的方向关系，方向相反为-1，反之则为1，Ph1,pre,k+1、Ph1,pre,k分别为待预测日用电负荷在第k+1、k个时段的用电功率，Ph1,p,k+1、Ph1,p,k分别为第p类负荷的典型用电曲线在第k+1、k个时段的用电功率，
Figure FDA0003001698610000025
分别为待预测日、第p类负荷的典型用电曲线在前now个时段的平均用电功率，Sp为第p类负荷的典型用电曲线，Ph1,i,k为第p类负荷第i日第k个时段的用电功率，NCp为第p类负荷包含的用电功率数据总天数。
3.根据权利要求2所述的一种工业园区工厂用电负荷的超短期预测方法，其特征在于：
所述步骤B采用以下公式计算得到待预测日接下来npre个时段的用电负荷预测基础值：
Figure FDA0003001698610000026
上式中，Ph1，pre，t为待预测日第t个时段的用电负荷预测基础值，Ph1,tp,t为第p类负荷的典型用电曲线在第t个时段的用电功率，ρh1，pre，kk为待预测日的已有数据与第kk类负荷的典型用电曲线相同时段的总关联度。
4.根据权利要求3所述的一种工业园区工厂用电负荷的超短期预测方法，其特征在于：
步骤C中，所述误差期望值为基于各类负荷用电数据中与待预测日最接近的xD天数据、计算得到的其与该类负荷的典型用电曲线在第now时段之后至now+npre个时段差值的期望值：
Figure FDA0003001698610000031
上式中，Ep，t为第p类负荷的用电数据与其典型用电曲线在第t个时段差值的期望值。
5.根据权利要求4所述的一种工业园区工厂用电负荷的超短期预测方法，其特征在于：
步骤C中，所述待预测日接下来npre个时段的用电负荷预测结果由以下公式计算得到：
Figure FDA0003001698610000032
上式中，
Figure FDA0003001698610000033
为待预测日第t个时段的用电负荷预测结果。
6.根据权利要求1-5中任一项所述的一种工业园区工厂用电负荷的超短期预测方法，其特征在于：
步骤A中，所述对这些历史用电数据进行聚类依次包括以下步骤：
A1、利用灰色斜率关联度分析对历史用电数据进行相似度计算，得到第i日与第j日各时段用电数据的相似度；
A2、利用OPTICS聚类算法分析步骤A1得到的相似度结果，得到NCh1类负荷用电数据。
7.根据权利要求6所述的一种工业园区工厂用电负荷的超短期预测方法，其特征在于：
步骤A1中，所述第i日与第j日的各时段用电数据的相似度ρh1，i，j采用下列公式计算得到：
Figure FDA0003001698610000034
Figure FDA0003001698610000041
Figure FDA0003001698610000042
Figure FDA0003001698610000043
Figure FDA0003001698610000044
Figure FDA0003001698610000045
上式中，M为每日的总时段数，
Figure FDA0003001698610000046
为第i日和第j日的历史用电数据在第k个时段的关联度，
Figure FDA0003001698610000047
为第i日和第j日的历史用电数据在第k个时段的斜率之间的方向关系，方向相反为-1，反之则为1，Ph1,i,k+1、Ph1,i,k分别为用电负荷在第i日第k+1、k个时段的用电功率，Ph1,j,k+1、Ph1,j,k分别为用电负荷在第j日第k+1、k个时段的用电功率，
Figure FDA0003001698610000048
分别为第i日、第j日各时段的平均用电功率。
8.根据权利要求7所述的一种工业园区工厂用电负荷的超短期预测方法，其特征在于：
所述步骤A2依次包括以下步骤：
步骤A2-1、设定最小领域点数MinPts＝0.1×D，对于第i日的历史用电数据，若满足j∈D,ρh1,i,j≥ρset的天数大于等于MinPts，则将第i日设为核心对象，遍历所有D日历史用电数据，形成含有N个元素的核心对象集Ω，其中，ρset为设定的相似度值；
步骤A2-2、按顺序挑选对象集Ω的第k个元素o，将o加入结果队列M，k＝1,2,…,N；
步骤A2-3、先计算元素o的核心距离cd(o)，即将其它元素与o的相似度按从小到大排序排列得到的第MinPts个相似度值，然后计算满足j∈D,ρh1,o,j≥0.8的元素j与元素o的可达距离rd(j,o)：
Figure FDA0003001698610000051
上式中，inf表示未定义，ρh1，k，o为元素j与元素o的相似度；
步骤A2-4、将可达距离最小的元素q加入结果队列M中，如果q∈Ω，则跳转至步骤A2-3；如果
Figure FDA0003001698610000052
则跳转至步骤A2-2；
步骤A2-5、循环重复步骤A2-2至步骤A2-4，直至完成对象集Ω中所有元素的分析，得到结果队列M；
步骤A2-6、从结果队列M中取出某点，如果该点的可达距离不大于ρset，则该点属于当前聚类，否则进入步骤A2-7；
步骤A2-7、如果该点的核心距离大于ρset，则该点为噪声，可以忽略；否则该点属于新聚类，跳转至步骤A2-6；
步骤A2-8、循环执行步骤A2-6至步骤A2-7，完成结果队列M的遍历，最终将历史用电数据分为NCh1类。
CN202110348623.8A 2021-03-31 2021-03-31 一种工业园区工厂用电负荷的超短期预测方法 Active CN112990597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110348623.8A CN112990597B (zh) 2021-03-31 2021-03-31 一种工业园区工厂用电负荷的超短期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110348623.8A CN112990597B (zh) 2021-03-31 2021-03-31 一种工业园区工厂用电负荷的超短期预测方法

Publications (2)

Publication Number Publication Date
CN112990597A true CN112990597A (zh) 2021-06-18
CN112990597B CN112990597B (zh) 2024-02-27

Family

ID=76338715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110348623.8A Active CN112990597B (zh) 2021-03-31 2021-03-31 一种工业园区工厂用电负荷的超短期预测方法

Country Status (1)

Country Link
CN (1) CN112990597B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706213A (zh) * 2021-09-02 2021-11-26 华能(福建)能源开发有限公司 一种应用电力市场公开信息预测变电站负荷的方法
CN113919600A (zh) * 2021-12-08 2022-01-11 国网湖北省电力有限公司经济技术研究院 一种居民负荷超短期预测方法
CN116404755A (zh) * 2023-04-18 2023-07-07 内蒙古铖品科技有限公司 一种基于物联网的大数据处理系统及方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2757648A2 (en) * 2013-01-18 2014-07-23 General Electric Company Methods and systems for restoring power based on forecasted loads
CN105844371A (zh) * 2016-05-19 2016-08-10 北京中电普华信息技术有限公司 一种用电客户短期负荷需求预测方法及装置
CN106022954A (zh) * 2016-05-16 2016-10-12 四川大学 基于灰色关联度的多重bp神经网络负荷预测方法
CN106600463A (zh) * 2016-12-21 2017-04-26 广东电网有限责任公司电力调度控制中心 一种局部形相似超短期负荷预测方法及装置
CN109309382A (zh) * 2018-09-13 2019-02-05 广东工业大学 一种短期电力负荷预测方法
CN109638812A (zh) * 2018-11-15 2019-04-16 珠海许继芝电网自动化有限公司 一种自适应的配电线路超短期负荷预测方法及系统
CN109685265A (zh) * 2018-12-21 2019-04-26 积成电子股份有限公司 一种电力系统短期电力负荷的预测方法
CN109783894A (zh) * 2018-12-27 2019-05-21 国网浙江省电力有限公司台州供电公司 一种基于信息再修正的负荷协调预测方法
CN111815051A (zh) * 2020-07-06 2020-10-23 安徽建筑大学 考虑天气影响因素的grnn光伏发电预测方法
CN111980856A (zh) * 2020-08-17 2020-11-24 燕山大学 基于负荷预测的储能式液压型风力发电机组调频控制方法
CN112070268A (zh) * 2020-07-31 2020-12-11 浙江大有实业有限公司杭州科技发展分公司 基于酒店需求侧响应的电力负荷预测方法及装置
CN112330028A (zh) * 2020-11-08 2021-02-05 国网天津市电力公司 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112561156A (zh) * 2020-12-11 2021-03-26 国网江苏省电力有限公司南通供电分公司 基于用户负荷模式分类的短期电力负荷预测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2757648A2 (en) * 2013-01-18 2014-07-23 General Electric Company Methods and systems for restoring power based on forecasted loads
CN106022954A (zh) * 2016-05-16 2016-10-12 四川大学 基于灰色关联度的多重bp神经网络负荷预测方法
CN105844371A (zh) * 2016-05-19 2016-08-10 北京中电普华信息技术有限公司 一种用电客户短期负荷需求预测方法及装置
CN106600463A (zh) * 2016-12-21 2017-04-26 广东电网有限责任公司电力调度控制中心 一种局部形相似超短期负荷预测方法及装置
CN109309382A (zh) * 2018-09-13 2019-02-05 广东工业大学 一种短期电力负荷预测方法
CN109638812A (zh) * 2018-11-15 2019-04-16 珠海许继芝电网自动化有限公司 一种自适应的配电线路超短期负荷预测方法及系统
CN109685265A (zh) * 2018-12-21 2019-04-26 积成电子股份有限公司 一种电力系统短期电力负荷的预测方法
CN109783894A (zh) * 2018-12-27 2019-05-21 国网浙江省电力有限公司台州供电公司 一种基于信息再修正的负荷协调预测方法
CN111815051A (zh) * 2020-07-06 2020-10-23 安徽建筑大学 考虑天气影响因素的grnn光伏发电预测方法
CN112070268A (zh) * 2020-07-31 2020-12-11 浙江大有实业有限公司杭州科技发展分公司 基于酒店需求侧响应的电力负荷预测方法及装置
CN111980856A (zh) * 2020-08-17 2020-11-24 燕山大学 基于负荷预测的储能式液压型风力发电机组调频控制方法
CN112330028A (zh) * 2020-11-08 2021-02-05 国网天津市电力公司 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112561156A (zh) * 2020-12-11 2021-03-26 国网江苏省电力有限公司南通供电分公司 基于用户负荷模式分类的短期电力负荷预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BO RUAN; JUNJIE QIAN; DAHAI YOU; TINGTING HOU; XI CHEN; ZHEN MEI: "An Energy Loss Calculating Method for Wind Power System Based on the Shape Factor", 《INTERNATIONAL CONFERENCE ON ELECTRICAL ENGINEERING, CONTROL AND ROBOTICS (EECR 2018)》, no. 160, 5 April 2019 (2019-04-05), pages 1 - 5 *
徐志刚，王超: "基于灰色关联投影法的短期负荷预测相似日选择算法", 《电气开关》, vol. 48, no. 04, 15 August 2010 (2010-08-15), pages 51 - 53 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706213A (zh) * 2021-09-02 2021-11-26 华能(福建)能源开发有限公司 一种应用电力市场公开信息预测变电站负荷的方法
CN113706213B (zh) * 2021-09-02 2023-08-18 华能(福建)能源开发有限公司 一种应用电力市场公开信息预测变电站负荷的方法
CN113919600A (zh) * 2021-12-08 2022-01-11 国网湖北省电力有限公司经济技术研究院 一种居民负荷超短期预测方法
CN113919600B (zh) * 2021-12-08 2022-04-01 国网湖北省电力有限公司经济技术研究院 一种居民负荷超短期预测方法
CN116404755A (zh) * 2023-04-18 2023-07-07 内蒙古铖品科技有限公司 一种基于物联网的大数据处理系统及方法

Also Published As

Publication number Publication date
CN112990597B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN112990597A (zh) 一种工业园区工厂用电负荷的超短期预测方法
Kim et al. LSTM based short-term electricity consumption forecast with daily load profile sequences
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN107944612B (zh) 一种基于arima和相空间重构svr的母线净负荷预测方法
CN103002164A (zh) 电力呼叫中心话务量预测方法
CN111079989A (zh) 一种基于dwt-pca-lstm的供水公司供水量预测装置
CN103985000A (zh) 基于函数型非参数回归的中长期典型日负荷曲线预测方法
CN115660161A (zh) 一种基于时序融合Transformer模型的中期小时级负荷概率预测方法
CN105184388A (zh) 一种城市电力负荷短期预测的非线性回归方法
CN115622047A (zh) 基于Transformer模型的电力变压器负荷预测方法
Nair et al. Optimal operation of residential EVs using DNN and clustering based energy forecast
CN115222106A (zh) 一种自适应模型的用户日前负荷预测方法
CN112288140A (zh) 一种基于Keras的短期电力负荷预测方法、存储介质和设备
CN111985695A (zh) 城市综合体用电量预测方法、装置、电子设备及存储介质
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
CN114091776A (zh) 一种基于K-means的多分支AGCNN短期电力负荷预测方法
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
CN113570414A (zh) 基于改进Adam算法优化深度神经网络的电价预测方法
Hajjaji et al. Evaluation of artificial intelligence algorithms for predicting power consumption in university campus microgrid
Kamel et al. Short term load forecast using Burg autoregressive technique
Yu et al. Probabilistic estimation of the potentials of intervention-based demand side energy management
CN105976057A (zh) 一种基于改进灰色理论的中长期负荷预测方法
CN110659775A (zh) 一种基于lstm改进的电力短时负荷预测算法
Viana et al. Load forecasting benchmark for smart meter data
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
GR01 Patent grant
GR01 Patent grant