CN113131476A - 一种用电负荷预测方法 - Google Patents
一种用电负荷预测方法 Download PDFInfo
- Publication number
- CN113131476A CN113131476A CN202110467969.XA CN202110467969A CN113131476A CN 113131476 A CN113131476 A CN 113131476A CN 202110467969 A CN202110467969 A CN 202110467969A CN 113131476 A CN113131476 A CN 113131476A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- time
- 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
- 238000000034 method Methods 0.000 title claims description 50
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000012937 correction Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 230000001174 ascending effect Effects 0.000 claims abstract description 8
- 230000004044 response Effects 0.000 claims description 22
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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—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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用电负荷预测方法，包括：获取配电站设备用电负荷历史数据，所述用电负荷历史数据中的每一条数据包括时间和与所述时间对应的实际采集到的用电负荷；对所述用电负荷历史数据进行第一修正处理，得到经过第一修正处理后用电负荷历史数据；以所述时间作为排序的依据，对所述经过第一修正处理后的用电负荷历史数据中的每一条数据进行升序排序，得到排序后的用电负荷历史数据；对排序后的用电负荷历史数据进行第二修正处理，得到经过第二修正处理后的用电负荷历史数据；根据经过第二修正处理后的用电负荷历史数据，采用HoltWinters机器学习算法或ARIMAX机器学习算法对待预测时间进行用电负荷预测。本发明实施例能够提高用电负荷预测结果的精确度。
Description
技术领域
本发明涉及用电力负荷预测技术领域，尤其涉及一种用电负荷预测方法。
背景技术
目前电力系统在人们的日常生活和各种生产环境中发挥着重要的作用，多年来，电力系统如何有效规划，对电力系统负荷如何合理调度，来保证人们获得安全、优质的电能越来越受到大众的关注。电力负荷值是电力系统性能的一个非常关键的指标，对电力负荷值进行预测可以为电力系统的自身优化提供行之有效的方案，使得电力系统对自身的优质管理可以更加容易实现。
发明内容
本发明实施例的目的在于提供一种用电负荷预测方法，以提高预测结果的精度，使得电网可以运行在更加安全的环境下，并节省电网运行的监督和维护成本。
本发明实施例提供一种用电负荷预测方法，包括：
获取配电站设备用电负荷历史数据，所述用电负荷历史数据中的每一条数据包括时间和与所述时间对应的实际采集到的用电负荷；
对所述用电负荷历史数据进行第一修正处理，得到经过第一修正处理后用电负荷历史数据；
以所述时间作为排序的依据，对所述经过第一修正处理后的用电负荷历史数据中的每一条数据进行升序排序，得到排序后的用电负荷历史数据；
对排序后的用电负荷历史数据进行第二修正处理，得到经过第二修正处理后的用电负荷历史数据；
根据经过第二修正处理后的用电负荷历史数据，采用HoltWinters机器学习算法对待预测时间进行用电负荷预测。
进一步地，所述用电负荷历史数据还包括配电站设备ID，则所述用电负荷历史数据中的每一条数据包括配电站设备ID、时间和与所述时间对应的实际采集到的用电负荷。
进一步地，所述对排序后的用电负荷历史数据进行第二修正处理，得到经过第二修正处理后的用电负荷历史数据，具体包括：
判断排序后相邻两条数据中的时间之差是否等于预设的值；
若等于，则保留所述相邻两条数据；
若不等于，则将所述两条数据中排序在后的数据删除，并根据所述两条数据中排序在前的数据中的时间和所述预设的值计算新的时刻进行填补，并采用linear方法获得所述新的时刻对应的用电负荷。
进一步地，所述对所述用电负荷历史数据进行第一修正处理，得到经过第一修正处理后用电负荷历史数据，具体包括：
分别判断每一所述用电负荷是否小于0；
若小于0，则采用0替代对应的用电负荷；
若不小于0，则保留对应的用电负荷。
进一步地，在判断每一所述用电负荷是否小于0之前，还包括：
若所述时间的数据类型为文本类型，所述用电负荷的数据类型为字符串类型，则将所述时间的数据类型转换为日期时间数据类型，将所述用电负荷的数据类型转换为小数数据类型。
进一步地，在根据经过第二修正处理后的用电负荷历史数据，采用HoltWinters机器学习算法对待预测时间进行用电负荷预测之后，还包括：
采用第一标识对历史时间对应的数据条进行标识，采用第二标识对未来时间对应的数据条进行标识，得到能够区分历史时间对应的数据条和未来时间对应的数据条的文本数据。
进一步地，所述的用电负荷预测方法还包括：
获取区域文本数据和配电站设备文本数据；其中，所述区域文本数据包括的数据列有区域编号、区域名称、区域类型、区域级别和区域状态；所述配电站设备文本数据包括配电站设备ID、配电站设备名称、配电站设备的排序索引，配电站设备类型、配电站设备状态、配电站设备所对应的区域编号；
以所述区域编号为共有列将所述区域文本数据和所述配电站设备文本数据进行关联合并，得到第一合并后的文本数据；
从所述第一合并后的文本数据中提取区域编号、配电站设备ID和配电站设备名称所在的列的所有数据，形成提取到的文本数据；
以设备编号为共有列将所述能够区域历史时间对应的数据条和未来时间对应的数据条的文本数据和所述提取到的文本数据进行合并，得到第二合并后的文本数据；
在所述第二合并后的文本数据中添加响应电力负荷数据列和误差数据列，形成第二新的文本数据；其中，所述响应电力负荷表示用户实际需求负荷,所述误差为预测得到的用电负荷和实际采集到的用电负荷的差值。
进一步地，所述响应电力负荷数据列下的每一响应电力负荷根据如下公式计算得到：
其中，HQ表示响应电力负荷、PQ表示预测得到的用电负荷、b为标识，b＝0表示历史时间对应的数据条，b＝1表示未来时间对应的数据条。
进一步地，在形成第二新的本文数据之后，还包括：
以所述时间作为排序的依据，对所述第二新的文本数据中的所有数据进行升序排序；
将排好序后的文本数据的做成表格，其中，所述表格中的数据列有：配电站设备ID、区域编号、配电站设备名称、时间、实际采集到的用电负荷、预测得到的用电负荷、标识、响应电力负荷、误差。
进一步地，所述的用电负荷预测方法,还包括：根据所述第二标识从所述表格中筛选出预测时间对应的实际采集到的用电负荷、预测得到用电负荷和误差；
以时间为X轴，所述实际采集到的用电负荷、所述预测得到用电负荷和所述误差作为Y轴构建折线图；
将所述折线图输出到显示设备进行显示。通过如此设计，能够提高用电负荷预测结果的精度。
本发明实施例通过在预测用电负荷之前，对获取得到用电负荷历史数据进行一系列的处理，包括：第一修正处理、排序处理和第二修正处理，这样，排除了噪声数据，然后再采用HoltWinters机器学习算法对待预测时间进行用电负荷预测，这样，预测出的用电负荷的精度会更高，从而使得电网可以运行在更加安全的环境下，还可以节省电网运行的监督和维护成本。
附图说明
图1是本发明一实施例提供的一种用电负荷预测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供一种用电负荷预测方法，包括：
S1、获取配电站设备用电负荷历史数据，所述用电负荷历史数据中的每一条数据包括时间和与所述时间对应的实际采集到的用电负荷。
在本发明实施例中，需要说明的是，获取到的用电负荷历史数据条数越多越好，因为，数据越多，越有利于提高预测结果的精确度。另外，每条数据之间的间隔时间，即采集配电站设备用电负荷的间隔时间根据实际的需求进行限定，本发明在此不作限制，但，优选采用每一条数据之间的间隔是5分钟,因为，这样，有利于提高预测结果的精确度。
S2、对所述用电负荷历史数据进行第一修正处理，得到经过第一修正处理后用电负荷历史数据。
在本发明实施例中，需要说明的是，由于获取到的用电负荷数据的数据类型可能不符合后续的处理要求所需的数据类型，也有可能获取到的数据出现了错误，如，用电负荷小于0(实际中用电负荷不可能小于0)，这样，就需要对这些数据进行处理，否则，会降低预测结果的准确度或甚至导致无法执行后续的步骤。
S3、以所述时间作为排序的依据，对所述经过第一修正处理后的用电负荷历史数据中的每一条数据进行升序排序，得到排序后的用电负荷历史数据。
在本发明实施例中，需要说明的是，由于本发明实施例所采集的算法是HoltWinters机器学习算法，而HoltWinters机器学习算法和ARIMAX机器学习算法要求在已经排好序的基础上进行操作的，因此，在采用HoltWinters机器学习算法对待预测时间进行用电负荷预测之前，需要对每一条数据以时间为排序的依据进行升序排序。
S4、对排序后的用电负荷历史数据进行第二修正处理，得到经过第二修正处理后的用电负荷历史数据。
在本发明实施例中，需要说明的是，本步骤是在采用HoltWinters机器学习算法对待预测时间进行用电负荷预之前最为关键的步骤，由于HoltWinters(霍尔特-温特)机器学习算法是一种时间序列分析和预报方法，该方法对含有线性趋势和周期波动的非平稳序列适用，因此，两条数据之间的间隔时间相同是非常重要的，因此，由于获取到的用电负荷数据可能存在不符合规范的数据，即相邻两条数据之间的间隔并不相同，因此，需要对这样不符合规范的数据进行修正处理。优选地，两条数据之间的间隔根据实际情况限定，本发明在此不作限定。优选地，两条数据之间的间隔时间为5分钟。
S5、根据经过第二修正处理后的用电负荷历史数据，采用HoltWinters机器学习算法对待预测时间进行用电负荷预测。
在本发明实施例中，需要说明的是，为保证预测的准确性，具体采用HoltWinters算法的乘法模型Multiplicative对待预测时间进行用电负荷预测，所采用的显著性水平为0.05，它的意义在于预测到的数据与原来采集的实际数据之间的误差不能超过5％，只有在误差在5％以内的情况下，预测的数据才是可以接受的。
本发明实施例通过在预测用电负荷之前，对获取得到用电负荷历史数据进行一系列的处理，包括：第一修正处理、排序处理和第二修正处理，这样，排除了噪声数据，然后再采用HoltWinters机器学习算法对待预测时间进行用电负荷预测，这样，预测出的用电负荷的精度会更高，从而使得电网可以运行在更加安全的环境下，还可以节省电网运行的监督和维护成本。
作为本发明实施例的一种举例，所述用电负荷历史数据还包括配电站设备ID，则所述用电负荷历史数据中的每一条数据包括配电站设备ID、时间和与所述时间对应的实际采集到的用电负荷。
为进一步提高用电负荷预测结果的精确度，作为本发明实施例的一种举例，所述对所述用电负荷历史数据进行第一修正处理，得到经过第一修正处理后用电负荷历史数据，具体包括：
分别判断每一所述用电负荷是否小于0；
若小于0，则采用0替代对应的用电负荷；
若不小于0，则保留对应的用电负荷。
为进一步提高用电负荷预测结果的精确度，作为本发明实施例的一种举例，在判断每一所述用电负荷是否小于0之前，还包括：
若所述时间的数据类型为文本类型，所述用电负荷的数据类型为字符串类型，则将所述时间的数据类型转换为日期时间数据类型，将所述用电负荷的数据类型转换为小数数据类型。
为进一步提高用电负荷预测结果的精确度，作为本发明实施例的一种举例，所述对排序后的用电负荷历史数据进行第二修正处理，得到经过第二修正处理后的用电负荷历史数据，具体包括：
判断排序后相邻两条数据中的时间之差是否等于预设的值；
若等于，则保留所述相邻两条数据；
若不等于，则将所述两条数据中排序在后的数据删除，并根据所述两条数据中排序在前的数据中的时间和所述预设的值计算新的时刻进行填补，并采用linear方法获得所述新的时刻对应的用电负荷。
作为本发明实施例的一种举例，在根据经过第二修正处理后的用电负荷历史数据，采用HoltWinters机器学习算法对待预测时间进行用电负荷预测之后，还包括：
采用第一标识对历史时间对应的数据条进行标识，采用第二标识对未来时间对应的数据条进行标识，得到能够区分历史时间对应的数据条和未来时间对应的数据条的文本数据。
在本发明实施例中，需要说明的是，由于HoltWinters机器学习算法自身的算法机制，预测未来时间的用电负荷的过程中，同时会对历史时间对应的用电负荷进行预测，这样，历史时间对应的用电负荷包括实际用电负荷和预测得到的用电负荷，未来时间对应的用电负荷仅包括预测得到的用电负荷，若不对历史时间和未来时间加以区分，则计算机本身难以筛选出未来时间对应的预测得到的用电负荷，因此，需要采用标识对历史时间对应的数据条和未来时间对应的数据条进行区分，这样，便可以根据标识筛选出哪些是未来时间对应的数据条，从而能够获取未来时间对应的预测得到的用电负荷。优选地，采用1或0，false或true进行标识。
另外，还需说明的是，为了便于判断预测结果的准确性，还需要等未来时间到达是，获取其对应的实际采集到的用电负荷，这样，便可以根据实际采集到的用电负荷数据和预测得到的用电负荷判断预测结果的准确性。
作为本发明实施例的一种举例，所述的用电负荷预测方法还包括：
获取区域文本数据和配电站设备文本数据；其中，所述区域文本数据包括的数据列有区域编号、区域名称、区域类型、区域级别和区域状态；所述配电站设备文本数据包括配电站设备ID、配电站设备名称、配电站设备的排序索引，配电站设备类型、配电站设备状态、配电站设备所对应的区域编号；
以所述区域编号为共有列将所述区域文本数据和所述配电站设备文本数据进行关联合并，得到第一合并后的文本数据；
从所述第一合并后的文本数据中提取区域编号、配电站设备ID和配电站设备名称所在的列的所有数据，形成提取到的文本数据；
以设备编号为共有列将所述能够区域历史时间对应的数据条和未来时间对应的数据条的文本数据和所述提取到的文本数据进行合并，得到第二合并后的文本数据；
在所述第二合并后的文本数据中添加响应电力负荷数据列和误差数据列，形成第二新的文本数据；其中，所述响应电力负荷表示用户实际需求负荷,所述误差为预测得到的用电负荷和实际采集到的用电负荷的差值。
由于本发明实施例并未将所有列下的数据采集到一个单独的文本文件中，而是在后续的操作步骤中在适当的步骤里将需要的数据列下的数据以合并数据的方式合并到数据集，这样在一定程度上提高了运行效率。
作为本发明实施例的一种举例，所述响应电力负荷数据列下的每一响应电力负荷根据如下公式计算得到：
其中，HQ表示响应电力负荷、PQ表示预测得到的用电负荷、b为标识，b＝0表示历史时间对应的数据条，b＝1表示未来时间对应的数据条。
在本发明实施例中，需要说明的是，由于电力在传输过程中是存在损耗的，当配电站设备电力传输到用户侧时，电力损耗大约25％，因此，用户实际需求负荷为预测得到的配电站用电负荷的0.75倍。另外，还需要说明的时，由于未来时间对应的响应电力负荷才具有参考价值，因此，仅记录未来时间对应的响应电力负荷。
作为本发明实施例的一种举例，在形成第二新的本文数据之后，还包括：
以所述时间作为排序的依据，对所述第二新的文本数据中的所有数据进行升序排序；
将排好序后的文本数据的做成表格，其中，所述表格中的数据列有：配电站设备ID、区域编号、配电站设备名称、时间、实际采集到的用电负荷、预测得到的用电负荷、标识、响应电力负荷、误差。
作为本发明实施例的一种举例，所述的用电负荷预测方法,还包括：根据所述第二标识从所述表格中筛选出预测时间对应的实际采集到的用电负荷、预测得到用电负荷、误差、响应电力负荷；
以时间为X轴，所述实际采集到的用电负荷、所述预测得到用电负荷和所述误差作为Y轴构建折线图；
将所述折线图输出到显示设备进行显示。
本发明实施例通过以折线图的方式显示未来时间对应的实际采集到的用电负荷、预测得到用电负荷、误差和响应电力负荷，这样更加直观，能够给电力负荷的决策者更加清晰明确的指导方案。
作为本发明实施例的一种举例，将所述HoltWinters机器学习算法替换为ARIMAX机器学习算法。
需要说明的是，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要进一步说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种用电负荷预测方法，其特征在于，包括：
获取配电站设备用电负荷历史数据，所述用电负荷历史数据中的每一条数据包括时间和与所述时间对应的实际采集到的用电负荷；
对所述用电负荷历史数据进行第一修正处理，得到经过第一修正处理后用电负荷历史数据；
以所述时间作为排序的依据，对所述经过第一修正处理后的用电负荷历史数据中的每一条数据进行升序排序，得到排序后的用电负荷历史数据；
对排序后的用电负荷历史数据进行第二修正处理，得到经过第二修正处理后的用电负荷历史数据；
根据经过第二修正处理后的用电负荷历史数据，采用HoltWinters机器学习算法对待预测时间进行用电负荷预测。
2.根据权利1所述的用电负荷预测方法，其特征在于，所述用电负荷历史数据还包括配电站设备ID，则所述用电负荷历史数据中的每一条数据包括配电站设备ID、时间和与所述时间对应的实际采集到的用电负荷。
3.根据权利要求2所述的用电负荷预测方法，其特征在于，所述对排序后的用电负荷历史数据进行第二修正处理，得到经过第二修正处理后的用电负荷历史数据，具体包括：
判断排序后相邻两条数据中的时间之差是否等于预设的值；
若等于，则保留所述相邻两条数据；
若不等于，则将所述两条数据中排序在后的数据删除，并根据所述两条数据中排序在前的数据中的时间和所述预设的值计算新的时刻进行填补，并采用linear方法获得所述新的时刻对应的用电负荷。
4.根据权利要求3所述的用电负荷预测方法，其特征在于，所述对所述用电负荷历史数据进行第一修正处理，得到经过第一修正处理后用电负荷历史数据，具体包括：
分别判断每一所述用电负荷是否小于0；
若小于0，则采用0替代对应的用电负荷；
若不小于0，则保留对应的用电负荷。
5.根据权利要求4所述的用电负荷预测方法，其特征在于，在判断每一所述用电负荷是否小于0之前，还包括：
若所述时间的数据类型为文本类型，所述用电负荷的数据类型为字符串类型，则将所述时间的数据类型转换为日期时间数据类型，将所述用电负荷的数据类型转换为小数数据类型。
6.根据权利要求1-5任一项所述的用电负荷预测方法，其特征在于，在根据经过第二修正处理后的用电负荷历史数据，采用HoltWinters机器学习算法对待预测时间进行用电负荷预测之后，还包括：
采用第一标识对历史时间对应的数据条进行标识，采用第二标识对未来时间对应的数据条进行标识，得到能够区分历史时间对应的数据条和未来时间对应的数据条的文本数据。
7.根据权利6所述的用电负荷预测方法，其特征在于，所述的用电负荷预测方法还包括：
获取区域文本数据和配电站设备文本数据；其中，所述区域文本数据包括的数据列有区域编号、区域名称、区域类型、区域级别和区域状态；所述配电站设备文本数据包括配电站设备ID、配电站设备名称、配电站设备的排序索引，配电站设备类型、配电站设备状态、配电站设备所对应的区域编号；
以所述区域编号为共有列将所述区域文本数据和所述配电站设备文本数据进行关联合并，得到第一合并后的文本数据；
从所述第一合并后的文本数据中提取区域编号、配电站设备ID和配电站设备名称所在的列的所有数据，形成提取到的文本数据；
以设备编号为共有列将所述能够区域历史时间对应的数据条和未来时间对应的数据条的文本数据和所述提取到的文本数据进行合并，得到第二合并后的文本数据；
在所述第二合并后的文本数据中添加响应电力负荷数据列和误差数据列，形成第二新的文本数据；其中，所述响应电力负荷表示用户实际需求负荷,所述误差为预测得到的用电负荷和实际采集到的用电负荷的差值。
8.根据权利要求7所述的用电负荷预测方法，其特征在于，所述响应电力负荷数据列下的每一响应电力负荷根据如下公式计算得到：
其中，HQ表示响应电力负荷、PQ表示预测得到的用电负荷、b为标识，b＝0表示历史时间对应的数据条，b＝1表示未来时间对应的数据条。
9.根据权利要求8所述的用电负荷预测方法,其特征在于，在形成第二新的本文数据之后，还包括：
以所述时间作为排序的依据，对所述第二新的文本数据中的所有数据进行升序排序；
将排好序后的文本数据的做成表格，其中，所述表格中的数据列有：配电站设备ID、区域编号、配电站设备名称、时间、实际采集到的用电负荷、预测得到的用电负荷、标识、响应电力负荷、误差。
10.根据权利要求9所述的用电负荷预测方法,其特征在于，还包括：根据所述第二标识从所述表格中筛选出预测时间对应的实际采集到的用电负荷、预测得到用电负荷和误差；
以时间为X轴，所述实际采集到的用电负荷、所述预测得到用电负荷和所述误差作为Y轴构建折线图；
将所述折线图输出到显示设备进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110467969.XA CN113131476B (zh) | 2021-04-28 | 2021-04-28 | 一种用电负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110467969.XA CN113131476B (zh) | 2021-04-28 | 2021-04-28 | 一种用电负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113131476A true CN113131476A (zh) | 2021-07-16 |
| CN113131476B CN113131476B (zh) | 2022-06-14 |
Family
ID=76781032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110467969.XA Active CN113131476B (zh) | 2021-04-28 | 2021-04-28 | 一种用电负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113131476B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113949071A (zh) * | 2021-12-20 | 2022-01-18 | 广东电力交易中心有限责任公司 | 一种配网侧的负荷资源调控方法、装置及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101888087A (zh) * | 2010-05-21 | 2010-11-17 | 深圳市科陆电子科技股份有限公司 | 一种在配网终端中实现分布式超短期区域负荷预测的方法 |
| CN106203741A (zh) * | 2016-08-10 | 2016-12-07 | 国家电网公司 | 用于电网负荷预测的多元异质数据清洗方法 |
| CN108197773A (zh) * | 2017-12-08 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力负荷预测方法、电力负荷预测装置及终端设备 |
| CN108320063A (zh) * | 2018-03-26 | 2018-07-24 | 上海积成能源科技有限公司 | 一种电力负荷预测中对异常数据剔除和去噪处理的方法 |
| US20180212428A1 (en) * | 2017-01-25 | 2018-07-26 | Landis+Gyr Innovations, Inc. | Techniques for managing resource consumption for demand-based metering |
| CN110705763A (zh) * | 2019-09-23 | 2020-01-17 | 山东大学 | 一种包含误差修正的超短期负荷预测方法及系统 |
| CN111191811A (zh) * | 2018-11-14 | 2020-05-22 | 中兴通讯股份有限公司 | 集群负荷预测方法、装置及存储介质 |
| CN111199318A (zh) * | 2020-01-03 | 2020-05-26 | 深圳供电局有限公司 | 短期负荷预测方法、系统以及存储介质 |
| CN111932015A (zh) * | 2020-08-12 | 2020-11-13 | 武汉中电节能有限公司 | 一种区域供冷供热冷热量负荷的预测方法及系统 |
| CN112488396A (zh) * | 2020-12-01 | 2021-03-12 | 国网福建省电力有限公司 | 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法 |
| CN112508299A (zh) * | 2020-12-18 | 2021-03-16 | 南方电网科学研究院有限责任公司 | 一种电力负荷预测方法、装置、终端设备及存储介质 |
-
2021
- 2021-04-28 CN CN202110467969.XA patent/CN113131476B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101888087A (zh) * | 2010-05-21 | 2010-11-17 | 深圳市科陆电子科技股份有限公司 | 一种在配网终端中实现分布式超短期区域负荷预测的方法 |
| CN106203741A (zh) * | 2016-08-10 | 2016-12-07 | 国家电网公司 | 用于电网负荷预测的多元异质数据清洗方法 |
| US20180212428A1 (en) * | 2017-01-25 | 2018-07-26 | Landis+Gyr Innovations, Inc. | Techniques for managing resource consumption for demand-based metering |
| CN108197773A (zh) * | 2017-12-08 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力负荷预测方法、电力负荷预测装置及终端设备 |
| CN108320063A (zh) * | 2018-03-26 | 2018-07-24 | 上海积成能源科技有限公司 | 一种电力负荷预测中对异常数据剔除和去噪处理的方法 |
| CN111191811A (zh) * | 2018-11-14 | 2020-05-22 | 中兴通讯股份有限公司 | 集群负荷预测方法、装置及存储介质 |
| CN110705763A (zh) * | 2019-09-23 | 2020-01-17 | 山东大学 | 一种包含误差修正的超短期负荷预测方法及系统 |
| CN111199318A (zh) * | 2020-01-03 | 2020-05-26 | 深圳供电局有限公司 | 短期负荷预测方法、系统以及存储介质 |
| CN111932015A (zh) * | 2020-08-12 | 2020-11-13 | 武汉中电节能有限公司 | 一种区域供冷供热冷热量负荷的预测方法及系统 |
| CN112488396A (zh) * | 2020-12-01 | 2021-03-12 | 国网福建省电力有限公司 | 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法 |
| CN112508299A (zh) * | 2020-12-18 | 2021-03-16 | 南方电网科学研究院有限责任公司 | 一种电力负荷预测方法、装置、终端设备及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113949071A (zh) * | 2021-12-20 | 2022-01-18 | 广东电力交易中心有限责任公司 | 一种配网侧的负荷资源调控方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113131476B (zh) | 2022-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3968040A1 (en) | Abnormal electricity use recognition method and device, and computer readable storage medium | |
| KR101696012B1 (ko) | 벤치마킹 기법에 따른 건물 에너지 성능 진단 시스템 및 방법 | |
| CN108898248B (zh) | 电力负荷影响因素量化分析方法、装置、设备及介质 | |
| CN113592156B (zh) | 电厂煤量调度方法、装置、终端设备及存储介质 | |
| CN103745280A (zh) | 用电量预测方法、装置及处理器 | |
| CN113131476B (zh) | 一种用电负荷预测方法 | |
| CN114076841A (zh) | 基于用电信息数据的窃电行为识别方法及系统 | |
| CN115600824A (zh) | 一种碳排放的预警方法及装置、存储介质、电子设备 | |
| CN113590682B (zh) | 电网停电窗口期生成方法、装置、电子设备和存储介质 | |
| CN116258484A (zh) | 设备的预测性运维方案生成方法、装置、终端设备和介质 | |
| CN111626543A (zh) | 电力相关数据的处理方法及装置 | |
| CN114118624A (zh) | 一种电力需求响应潜力评估方法、装置、设备及存储介质 | |
| CN113962477A (zh) | 一种产业电量关联聚集预测方法、装置、设备及存储介质 | |
| CN114707912B (zh) | 一种电网风险检测方法、装置和设备 | |
| CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
| CN111861587A (zh) | 一种基于隐马尔可夫模型和向前算法的居民用电行为分析的系统及方法 | |
| CN116049765A (zh) | 数据分析处理方法、装置及设备 | |
| CN115796398A (zh) | 基于电力物资的需求智能分析方法、系统、设备及介质 | |
| CN115271277A (zh) | 电力设备画像构建方法、系统、计算机设备及存储介质 | |
| CN114168662A (zh) | 一种基于多数据源的配电网问题梳理分析方法及系统 | |
| CN112256693A (zh) | 一种预测线路故障停电和用户投诉的方法 | |
| CN108182486A (zh) | 空间负荷预测方法及装置 | |
| CN116805176A (zh) | 一种台区的负荷预测方法、装置、设备及存储介质 | |
| CN116862480B (zh) | 一种电力设备故障预测与维修的智能决策支持方法及装置 | |
| CN109615555B (zh) | 基于集成学习算法的用户异常用电行为识别方法及系统 |
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 |