CN112990597B - 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 PDFInfo
- Publication number
- CN112990597B CN112990597B CN202110348623.8A CN202110348623A CN112990597B CN 112990597 B CN112990597 B CN 112990597B CN 202110348623 A CN202110348623 A CN 202110348623A CN 112990597 B CN112990597 B CN 112990597B
- Authority
- CN
- China
- Prior art keywords
- load
- day
- electricity
- data
- period
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005611 electricity Effects 0.000 claims abstract description 145
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (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)
- Supply And Distribution Of Alternating Current (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
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:
Sp=[Ph1,tp,1,Ph1,tp,2,Ph1,tp,3,……,Ph1,tp,96]
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,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,/>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,/>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:
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:
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:
上式中,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:
上式中,M为每日的总时段数,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,/>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,/>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):
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:
Sp=[Ph1,tp,1,Ph1,tp,2,Ph1,tp,3,……,Ph1,tp,96]
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,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,/>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,/>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:
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:
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:
上式中,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:
上式中,M为每日的总时段数,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,/>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,/>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):
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:
上式中,M为每日的总时段数,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,/>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,/>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):
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:
Sp=[Ph1,tp,1,Ph1,tp,2,Ph1,tp,3,……,Ph1,tp,96]
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,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,/>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,/>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:
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:
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:
上式中,为待预测日第t个时段的用电负荷预测结果。/>
Claims (4)
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,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,其中,所述总关联度根据以下公式计算得到:
Sp=[Ph1,tp,1,Ph1,tp,2,Ph1,tp,3,……,Ph1,tp,96]
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,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,/>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,/>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;
所述待预测日接下来npre个时段的用电负荷预测基础值采用以下公式计算得到:
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、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,其中,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:
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;
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:
上式中,为待预测日第t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:
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。
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:
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:
上式中,M为每日的总时段数,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,/>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,/>分别为第i日、第j日各时段的平均用电功率。
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:
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):
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。
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 CN112990597A (zh) | 2021-06-18 |
CN112990597B true 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) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Citations (14)
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 |
-
2021
- 2021-03-31 CN CN202110348623.8A patent/CN112990597B/zh active Active
Patent Citations (14)
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)
Title |
---|
An Energy Loss Calculating Method for Wind Power System Based on the Shape Factor;Bo Ruan; Junjie Qian; Dahai You; Tingting Hou; Xi Chen; Zhen Mei;《International Conference on Electrical Engineering, Control and Robotics (EECR 2018)》;20190405(第160期);1-5 * |
基于灰色关联投影法的短期负荷预测相似日选择算法;徐志刚,王超;《电气开关》;20100815;第48卷(第04期);51-53+55 * |
Also Published As
Publication number | Publication date |
---|---|
CN112990597A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990597B (zh) | 一种工业园区工厂用电负荷的超短期预测方法 | |
CN112508275B (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
US20200161867A1 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
CN107016469A (zh) | 电力负荷预测方法 | |
CN108388956A (zh) | 考虑辐射衰减的光伏功率预测方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN115622047A (zh) | 基于Transformer模型的电力变压器负荷预测方法 | |
CN114022021A (zh) | 一种基于集成学习的在线机组负荷预测方法 | |
Qiuyu et al. | Short-term load forecasting based on load decomposition and numerical weather forecast | |
CN102915511A (zh) | 一种电力负荷的混沌相空间神经网络模型安全监测方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
Zhaoyu et al. | The application of the PSO based BP network in short-term load forecasting | |
Yahya et al. | Short-term electric load forecasting using recurrent neural network (study case of load forecasting in central java and special region of yogyakarta) | |
CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
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 | |
CN114638440A (zh) | 一种基于充电桩使用度的充电负荷超短期预测方法 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
Ghofrani et al. | Hybrid clustering-time series-bayesian neural network short-term load forecasting method | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
CN112348287A (zh) | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 | |
CN113344279B (zh) | 基于lstm-sam模型和池化的居民负荷预测方法 | |
Johannesen et al. | Comparing recurrent neural networks using principal component analysis for electrical load predictions | |
CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
CN116402194A (zh) | 一种基于混合神经网络的多时间尺度负荷预测方法 |
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 |