CN113313312A - 基于短中长时间尺度的春节负荷滚动预测方法 - Google Patents
基于短中长时间尺度的春节负荷滚动预测方法 Download PDFInfo
- Publication number
- CN113313312A CN113313312A CN202110630137.5A CN202110630137A CN113313312A CN 113313312 A CN113313312 A CN 113313312A CN 202110630137 A CN202110630137 A CN 202110630137A CN 113313312 A CN113313312 A CN 113313312A
- Authority
- CN
- China
- Prior art keywords
- day
- spring festival
- load
- predicted
- daily
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000005096 rolling process Methods 0.000 title claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000002354 daily effect Effects 0.000 claims description 110
- 230000000694 effects Effects 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 19
- 230000001186 cumulative effect Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 9
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- 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
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于短中长时间尺度的春节负荷特征滚动预测方法,根据获取的各历史日的累积平均温度数据及该历史日对应的负荷数据,选择长时间尺度预测方法、中时间尺度预测方法或短时间尺度预测方法中的一种以确定待预测目标年春节各日最大负荷;或者选择三种方法中至少两种以分别确定待预测目标年春节各日最大负荷,并对各预测结果进行加权计算,确定最终的待预测目标年春节各日最大负荷。
Description
技术领域
本发明属于负荷预测领域,特别涉及利用历史数据挖掘并基于气象相似周末的春节负荷的一种逐日预测方法。
背景技术
春节负荷预测是根据过去春节的电力需求未来的电力需求。准确的负荷预测,可以经济合理地安排电网内部发电机组的启停,减少不必要的旋转储备容量,合理安排机组检修计划,有效地降低发电成本,提高经济效益和社会效益,保持电网运行的安全稳定性,保障社会正常的生产和生活,这在重大传统节假日中更为关键。通常根据区域负荷的组成、生产生活规律等历史信息进行负荷预测,分为超短期、短期、中期和长期负荷预测,分别用于预测未来分钟至小时、日至周、月至年、若干年的负荷情况,为预防紧急状态、日/周调度计划、运行方式/检修安排、电网改造/扩建规划提供相应的负荷信息。春节负荷预测方法包括回归分析预测法和灰色马尔可夫链算法等在内的传统预测方法,对GM(l,1)模型进行改进,采用灰色预测理论、神经网络等和其它理论相结合的方法,生成组合预测模型,用于春节假日最大负荷的预测;人工神经网络预测法和模糊预测法属于现代预测方法,将模糊预测理论与线性回归相结合,并让其运用于短期负荷预测。目前有学者使用移位修正法,对春节负荷预测及春节效应进行数据修正,在一定程度上减少由于波动性大而带来的误差,但由于模型假定春节效应影响期间用电量保持不变,与实际情况不符合,所以结果并不理想。当进一步验证了春节效应影响时期的设定对于春节效应调整具有较大影响,并给出了最佳影响时期的一种选取原则,但缺少对客观事实的分析,并未对负荷的组成进行分析,难以研究具体调整的作用机理。
发明内容
本发明的目的是为了解决经典预测方法存在模型拟合效果不好和传统的回归分析预测法和灰色马尔可夫链方法等在内的预测误差呈现一定随机性的问题,而人工神经网络预测法和模糊预测法等在内的现代预测方法,需要运用大量历史数据进行分析,适合用于工作日与一般节假日的预测,春节假日过少的样本数量使其预测具有一定难度。
为实现上述技术目的,本发明采用以下技术方案。
本发明提供一种基于短中长时间尺度的春节负荷特征滚动预测方法,包括:基于获取的各历史日的累积平均温度数据及该历史日对应的负荷数据,选择长时间尺度预测方法、中时间尺度预测方法或短时间尺度预测方法中的一种以确定待预测目标年春节各日最大负荷;或者选择三种方法中至少两种以分别确定待预测目标年春节各日最大负荷,并对各预测结果进行加权计算,确定最终的待预测目标年春节各日最大负荷。
进一步地,所述长时间尺度预测方法包括以下步骤:获取待预测目标年春节各日的预测累积平均温度值,分别将其与历史年春节相应日的累积平均温度值比较,确定所有历史年春节的相应日中累积平均温度与待预测目标年春节相应日的累积平均温度差值最小的历史春节日,将该历史春节日的日最大负荷作为待预测目标年相应日的基数,将基数从确定的历史春节日所处的历史年份至待预测目标春节逐年乘以周末基础负荷年增长率获得待预测目标年春节该日最大负荷。其中周末基础负荷年增长率的确定方法为:将历史选定年份的特定月份所有周末的日最大负荷的平均值作为当月的周末基础负荷;根据获得各年的特定月份当月的周末基础负荷确定周末基础负荷年增长率。周末基础负荷为与累积平均温度无关的周末负荷。进一步地,所述中时间尺度预测方法包括以下步骤:将历史选定年份的特定月份所有周末的日最大负荷的平均负荷作为各年特殊月份当月的周末基础负荷;
将某一年份(可选待预测目标春节的前一年)的特定月份当月的周末基础负荷乘以周末基础负荷月增长率得到待预测春节当月的周末基础负荷;
确定待预测目标年春节各日的预测累积平均温度变化范围,确定累积平均温度属于该变化范围内的前N年历史周末作为相似周末,将确定的各相似周末的日最大负荷减去该相似周末所在月的周末日基础负荷得到前N年各相似周末的气象负荷;
通过拟合确定前N年相似周末的累积平均温度和对应的气象负荷的函数关系;
利用函数关系根据待预测目标年春节各日的预测累积平均温度计算得到待预测目标年春节前周末假日的气象负荷;
将得到的待预测春节当月的周末基础负荷和待预测目标年春节前周末假日的气象负荷相加得到待预测目标年春节前周末假日负荷;
确定待预测春节各日的周末-春节效应修正量,将得到的待预测目标年春节前周末假日负荷分别减去所述待预测春节各日的周末-春节效应修正量得到最终的待预测目标年春节各日最大负荷。
其中根据周末基础负荷年增长率确定周末基础负荷月增长率。进一步地,短时间尺度预测方法包括:基于与待预测目标年春节气象相似的节前一个月周末实测负荷对春节各日最大负荷进行预测,将预测获得待预测目标年春节各日最大负荷分别减去待预测春节各日的周末-春节效应修正量得到最终的待预测目标年春节各日最大负荷。
进一步地,待预测春节各日的周末-春节效应修正量的的计算方法如下:从历史各年春节每日中依次选择该年春节各日的气象相似日,将气象相似日的日最大负荷减去对应的该年春节日的日最大负荷,得到各年春节每日最大负荷和其气象相似日的日最大负荷之间的负荷特征差异度;
将大于阈值的负荷特征差异度删除,针对历史春节各日的负荷特征差异度,根据小于等于阈值的负荷特征差异度求得历史春节各日的负荷特征差异度的平均值作为相应的待预测目标年度春节各日的春节效应修正量。
再进一步地,所述气象相似日选择方法如下,定义第i天的日气象特征向量为:
Ti=|Ti,a,Ti,max,Ti,min| (5)
式中,Ti,a为第i天的日累积平均温度;Ti,max为第i天的日最高气温;Ti,min为第i天的日最低温度。为了进一步量化差异寻找气象负荷最接近的相似时段,以第i天的气象条件为基准,根据日气象特征向量定义相似时段内第j天与第i天的气象特征差异度计算公式为:
φij=[ra(Ti,a-Tj,a)+rmax(Ti,max-Tj,max)+rmin(Ti,min-Tj,min)]/(ra+rmax+rmin) (6)
式中,Tj,a为第j天的日累积平均温度,Tj,max为第j天的日最高气温;Tj,min为第j天的日最低温度;ra为相似时段内的日累积平均温度与第i天日最大负荷的相关系数,rmax为相似时段内的日最高气温与第i天日最大负荷的相关系数,rmin为相似时段内的日最高气温与日最低温度与第i天日最大负荷的相关系数;
将历史各年中气象特征差异度最小的历史日作为该年的气象相似日。
进一步地,对各预测结果进行加权计算时,利用长时间尺度预测方法获得的待预测目标年春节各日最大负荷的权值小于中时间尺度预测方法或短时间尺度预测方法获得的待预测目标年春节各日最大负荷的权值,中时间尺度预测方法或短时间尺度预测方法获得的待预测目标年春节各日最大负荷的权值小于利用短期预测方法获得的待预测目标年春节各日最大负荷的权值。
进一步地,还包括日前预测方法,所述日期预测方法包括:
将历史各年春节每日已知的实际累积平均温度代入所述前N年相似周末的累积平均温度和对应的气象负荷的函数关系,得到该年春节各日的气象负荷;
将某历史春节日最大负荷减去该日的气象负荷获得该日的日基础负荷,可以由此得到春节第i日的日基础负荷的逐年变化关系,可由此拟合得到目标年春节各日的日基础负荷;
将某年春节期间后一日的日基础负荷减去前一日的日基础负荷得到该年春节日基础负荷的逐日变化量;
利用待预测春节前选定时间内各日最大负荷预测得到春节第1日的日最大负荷(可选地可采用上述技术方案中短时间尺度预测方法);
根据待预测春节各日的预测累积平均温度,利用所述函数关系确定待预测春节各日的气象负荷;
春节第1日的日最大负荷减去该日的气象负荷得到该日的日基础负荷,计及日基础负荷的逐日变化量,得到春节第2日的日基础负荷,再加上第2日预测得到的气象负荷,得到春节第2日的日最大负荷;根据上述步骤可以递推得春节7天各日的日最大负荷。如有春节的实际负荷信息,可以将其中的预测数据替换为最新的实际数据,按上述方法进行逐日预测。
本发明的技术特点及有益效果:
本发明针对某省级电网春节各日的长、中、短时间尺度、上述三者的加权获得待预测目标年度春节各日的日最大负荷结果。预测误差参见图5,误差随着时间临近逐渐减小。其中基于长时间尺度预测的精度最低,中短时间尺度预测精度较高,高于单独进行中时间尺度和短时间尺度预测结果,日间预测精度最高,说明基于更丰富和准确的信息可以减少预测误差;
本发明在春节负荷预测中由累积平均温度去预测日最大负荷会更为准确;
本发明根据待预测目标年度春节各日的预测累积平均温度,从历史各年春节每日中依次选择该年春节各日的气象相似日,根据气象相似日的日最大负荷预测目标年度春节各日负荷,使预测结果更为符合实际,进一步提高了预测准确率。
本发明还提供了日前预测方法,该方法结果精度较高,可选择用来进行春节各日的日最大负荷预测,也可与前述三种方法的预测结果进行加权求和来确定最终的春节各日最大负荷;也可用来选择对前述方法的预测结果进行校验。
附图说明
图1为本发明实施例的春节平均日最大负荷特征图;
图2为本发明实施例的春节对应日晚高峰负荷的逐年对比图;
图3为本发明实施例方法春节与相似周末负荷对比图;
图4为本发明实施例方法的日基础负荷图;
图5为本发明实施例的误差分析图;
图6为本发明实施例方法的流程图。
具体实施方式
下面对本发明作进一步描述,流程图参见图6。以下实施例能更加清晰地说明本发明的技术方案,但不能以此来限制本发明的保护范围。
分析春节负荷的主要组成及影响因素。工业负荷短期内负荷需求较为平稳,对应随经济增长的基础负荷部分;农业负荷在冬季可以近似忽略,据此排除这个影响因素;商业负荷、居民负荷与其它负荷对应随累积平均温度变化的气象负荷部分。
定义气象指标累积平均温度。连续多天的气温变化对气象负荷具有累积效应,通过对不同天数累积效应的对比,采用前若干天(本实施例中采用前四天)及当天的气温数据进行累积效应分析,即将观察日前若干天每天各自的平均温度乘以每天的加权系数得到观察日的累积平均温度,其中加权系数利用“近大远小”的原则,以此确定累积效应的模型最佳参数。本实施例观察日往前5天的平均温度并利用“近大远小”的原则,设置权重分别为0.55、0.3、0.1、0.04和0.01,计算得到观察日的累积平均温度。选取了谷荷、早高峰负荷、腰荷和晚高峰负荷作为日最大负荷特征,通过对多年春节负荷数据的观察,发现春节期间日最大负荷特征和日累积平均温度满足负相关关系,其中日最大负荷(即晚高峰负荷)与累积平均温度的相关性远大于其它特征量与温度的相关性,本实施例中日最大负荷采用晚高峰负荷。在春节负荷预测中由累积平均温度去预测日最大负荷会更为准确。
以某省级电网为例,春节日最大负荷特征的关系参见图1,以日最大负荷为基准,对当日谷荷、早高峰负荷、腰荷和晚高峰负荷进行标幺:
式中,pi,k为第i日第k个日最大负荷特征Pi,k占当日最大负荷Pi,max的百分比;k为1,2,3,4时,Pi,k对应第i日的谷荷、早高峰负荷、腰荷和晚高峰负荷:
Pi,max=max{Pi,1,Pi,2,Pi,3,Pi,4} (2)
定义n日内的平均日最大负荷特征:
以某省级电网为例,逐年对比春节对应日晚高峰负荷,参见图2,可知:a)日最大负荷逐年稳步增长,考虑是因经济发展引起的负荷增长;b)对于春节期间温度较为均衡(10℃以内)的年份,总体呈现春节后几日的日最大负荷大于前几日,最后一日最大负荷明显大于其它几日的规律,考虑是因假期结束人群返岗所致。因此,说明春节期间各日最大负荷组成会随着人口流动有所变化,无法对春节的日最大负荷进行整体分析,必须逐日具体分析计算。分析节假日属性对负荷特征的影响。负荷组成与人口活动有关,工作日、节假日中人口活动具有各自的规律,应从与第i天具有相同季节和工作/假日属性的一段时期内寻找第i天气象负荷的相似时段。
基于以上分析,提供以下实施例。
实施例1:基于假日最大负荷挖掘的春节负荷特征滚动预测方法,包括以下步骤:根据获取的各历史日的累积平均温度数据及该历史日对应的负荷数据,选择长时间尺度预测方法、中时间尺度预测方法或短时间尺度预测方法中的一种以确定待预测目标年春节各日最大负荷;或者选择三种方法中至少两种以分别确定待预测目标年春节各日最大负荷,并对各预测结果进行加权计算,确定最终的待预测目标年春节各日最大负荷。
其中,a)长时间尺度预测中,在累积平均温度相似的春节对应日认为负荷组成结构相似,历史春节对应日最大负荷增长的原因是基础负荷随着经济增长而产生的逐年增长。基于此思路,已知待预测目标年度春节前历史年的春节负荷数据,利用历史春节负荷数据和目标时段温度预测值(也就是待预测目标年度春节各日的预测温度累积平均温度)来计算目标春节每日的日最大负荷。在预测过程中还需建立不同的累积平均温度区间,根据待预测日的温度寻找所处累积平均温度区间,由该温度区间所在年份根据周末基础负荷年增长率计算得到预测结果。
长时间尺度预测具体方法包括:获取待预测目标年春节各日的预测累积平均温度值,分别将其与历史年春节相应日的累积平均温度值比较,确定累积平均温度与待预测目标年春节相应日的累积平均温度差值最小的历史春节日,将该历史春节日的日最大负荷作为待预测目标年相应日的基数;将基数从确定的历史春节日所处的历史年份至待预测目标春节年份逐年乘以周末基础负荷年增长率获得待预测目标年春节该日最大负荷。
为了减少计算量,提高预测效率,先确定两者差值在预设温度区间之内所对应的历史年春节的相应日,再从中选定累积平均温度与待预测目标年春节相应日的累积平均温度差值最小的历史春节日。
b)中时间尺度预测中,在气象条件相似的情况下,春节前周末与春节期间各日的负荷特征分布相似,且春节前周末与春节期间各日最大负荷的变化具有明显规律,因此可以利用春节前周末日最大负荷去预测待预测目标年春节各日的日最大负荷,包括与经济发展有关的周末基础负荷和与气象有关的气象负荷两部分。根据待预测地区的气象特点,将不需要投入制冷或制热负荷时段内(如4或者5月份)的周末日最大负荷的平均值确定为当月的周末基础负荷。认为周末基础负荷与一个地区的经济发展水平相关,根据历年周末基础负荷数据,计算周末基础负荷年增长率,并进一步得到其月增长率,计算待预测目标年春节当月的周末日基础负荷,将其作为待预测目标年春节各日的日基础负荷。
确定待预测地区春节期间的累积平均温度变化范围,选取温度属于该范围内的历史周末,将其最大负荷减去其周末基础负荷定义为气象负荷。在累积平均温度变化范围内,建立累积平均温度与气象负荷之间的数学模型。根据累积平均温度的预测值计算待预测目标年春节各日的气象负荷。
中时间尺度预测方法包括以下步骤:
将历史选定年份的特定月份所有周末的日最大负荷的平均值作为各年特殊月份当月的周末基础负荷;
将某一年的特定月份当月(可选待预测目标春节前一年4月或者5月)的周末基础负荷乘以周末基础负荷月增长率得到待预测春节当月的周末基础负荷;
确定待预测目标年春节各日的预测累积平均温度变化范围,确定累积平均温度属于该变化范围内的前N年历史周末作为相似周末,将相似周末的日最大负荷减去该相似周末所在月的周末基础负荷作为气象负荷;所述相似周末所在月的周末基础负荷根据当月的周末基础负荷乘以周末基础负荷月增长率获得;
通过拟合确定前N年相似周末的累积平均温度和对应的气象负荷的函数关系;
利用函数关系,根据待预测目标年春节各日的预测累积平均温度计算得到待预测目标年春节前周末假日的气象负荷;
将得到的待预测春节当月的周末基础负荷和待预测目标年春节前周末假日的气象负荷相加得到待预测目标年春节前周末假日负荷;
确定待预测春节各日的周末-春节效应修正量,将得到的待预测目标年春节前周末假日负荷减去所述待预测春节各日的周末-春节效应修正量得到最终的待预测目标年春节各日最大负荷。
周末基础负荷月增长率的计算方法如下:根据获得各年的特定月份当月的周末基础负荷确定周末基础负荷年增长率,根据周末基础负荷年增长率确定周末基础负荷月增长率。
具体实施例中,利用R2表示预测值与对应实际数据之间的拟合度。
c)短时间尺度预测方法包括:基于与待预测目标年春节气象相似的节前一个月周末实测负荷对春节各日最大负荷进行预测,将预测获得节各日最大负荷减去春节效应修正量得到最终的待预测目标年春节各日最大负荷。需要说明的是,基于获取的各历史日的累积平均温度数据及该历史日对应的负荷数据,可采用现有技术确定预测模型,利用所述预测模型,根据与待预测目标年春节气象相似的节前一个月周末实测负荷对春节各日最大负荷进行预测,这些为现有技术,再次不在赘述。
历年的春节各日与邻近的气象相似周末假日的负荷修正量随假日的分布类似。可以用各日历年春节每日的负荷特征差异度的平均值作为春节期间相应地每日的春节效应修正量。其中待预测春节各日的周末-春节效应修正量的计算方法如下:
从历史各年春节每日中依次选择该年春节各日的气象相似日,将气象相似日的日最大负荷减去对应的该年春节日的日最大负荷,得到各年春节每日最大负荷和其气象相似日的日最大负荷之间的负荷特征差异度;
将大于阈值的负荷特征差异度删除,针对历史春节各日的负荷特征差异度,根据小于等于阈值的负荷特征差异度求得历史春节各日的负荷特征差异度的平均值作为相应的待预测目标年度春节各日的春节效应修正量。
气象相似日的确定方法包括:定义第i天的日气象特征向量为:
Ti=|Ti,a,Ti,max,Ti,min| (5)
式中,Ti,a为第i天的日累积平均温度;Ti,max为第i天的日最高气温;Ti,max为第i天的日最低温度。为了进一步量化差异寻找气象负荷最接近的相似时段,以第i天的气象条件为基准,根据日气象特征向量定义相似时段内第j天与第i天的气象特征差异度计算公式为:
φij=[ra(Ti,a-Tj,a)+rmax(Ti,max-Tj,max)+rmin(Ti,min-Tj,min)]/(ra+rmax+rmin) (6)
式中,Tj,a为第j天的日累积平均温度,Tj,max为第j天的日最高气温;Tj,min为第j天的日最低温度;ra,rmax,rmin分别为相似时段内的日累积平均温度、日最高气温、日最低温度与第i天日最大负荷的相关系数。
建立基于历史春节负荷数据的春节各日最大负荷长时间尺度预测、基于春节前周末负荷预测的春节各日最大负荷中时间尺度预测和基于春节前周末实测负荷的春节各日最大负荷短时间尺度预测,并建立兼顾长、中、短时间尺度预测的春节各日最大负荷特征预测方法。在离春节较远的时间,如春节前的春夏秋季时不具备中短期预测的数据条件,所以只能基于长中时间尺度数据做一个粗略的预测。当有了较多春节前冬季的中短时间尺度数据,此时可以仅进行中短时间尺度预测,不计入长时间尺度预测结果的影响,得到更为准确的预测结果。当有了春节前几天的负荷数据,可以基于历史数据挖掘负荷日间规律,根据前一天负荷数据来预测下一天,进一步提高准确率。
为了保证预测模型的可靠性,进一步将分别由长、中、短时间尺度计算得到的春节假日最大负荷,根据“近大远小”的原则加权计算得到最终春节各日最大负荷预测结果,其中加权系数运用历史数据计算得来:
式中,α、β、γ分别为春节假日最大负荷的加权系数;分别为春节第i天的最大负荷的长、中、短时间尺度预测值。由于气象预报存在偏差,需要预测一定温度范围内的负荷数据。基于上述预测方法建立某省春节各日最大负荷预测模型。该模型得到的是春节假日期间每日不同累积平均温度下的最大负荷,来应对预测气象与实际气象情况的偏差。
因特殊事件影响,春节负荷较往年同气象条件春节负荷会略低,并对未来春节负荷的影响依旧存在。由于类似的样本过少,特殊事件的影响可能会引起一定的负荷预测误差。对于可以引起人们生活轨迹巨大变化的重大事件,例如人口流动限制对负荷的影响应具体分析,主要依赖于较多的历史数据及相关的影响机理分析。目前仅是基于整体省级电网历史各日的负荷特征对其春节负荷进行预测,为了提高预测精度,本实施例挖掘辖区内各区域的负荷性质和组成,进行更细致的机理分析。
实施例2:在以上实施例的基础上,所述预测方法还包括:日前预测方法,在日前预测中,将历史各年春节每日已知的实际累积平均温度代入前N年相似周末的累积平均温度和对应的气象负荷的函数关系,得到该年春节各日的气象负荷。
将某历史春节日最大负荷减去该日的气象负荷获得该日的日基础负荷,可以由此得到春节第i日的日基础负荷的逐年变化关系,可由此拟合得到目标年(例如2020年)春节各日的日基础负荷。将某年春节期间后一日的日基础负荷减去前一日的日基础负荷得到该年春节日基础负荷的逐日变化量,如说明书附图4所示。
日前预测中已知了春节第1日前一段时间内周末的日最大负荷和累积平均温度。利用待预测春节前选定时间内各日最大负荷预测得到春节第1日的日最大负荷。可选地,可以利用以上实施例中的短时间尺度预测方法预测得到春节第1日的日最大负荷。
根据待预测春节各日的预测累积平均温度,利用前N年相似周末的累积平均温度和对应的气象负荷的函数关系确定待预测春节各日的气象负荷;
春节第1日的日最大负荷减去该日的气象负荷得到该日的日基础负荷,计及日基础负荷的逐日变化量,得到春节第2日的日基础负荷,再加上第2日预测得到的气象负荷,可得到春节第2日的日最大负荷。根据上述步骤可以递推得春节7天各日的日最大负荷。如有春节的实际负荷信息,可以将其中的预测数据替换为最新的实际数据,按上述方法进行逐日预测。
以某省级电网为例,误差分析结果参见图5。
本实施例提供的日前预测方法,精度较高,可选择用来进行春节各日的日最大负荷预测,也可与前述三种方法的预测结果进行加权求和来确定最终的春节各日最大负荷;也可用来选择对前述方法的预测结果进行校验。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.基于短中长时间尺度的春节负荷特征滚动预测方法,其特征在于,包括:基于获取的各历史日的累积平均温度数据及该历史日对应的负荷数据,选择长时间尺度预测方法、中时间尺度预测方法或短时间尺度预测方法中的一种以确定待预测目标年春节各日最大负荷;或者选择三种方法中至少两种以分别确定待预测目标年春节各日最大负荷,并对各预测结果进行加权计算,确定最终的待预测目标年春节各日最大负荷。
2.根据权利要求1所述的基于短中长时间尺度的春节负荷特征滚动预测方法,其特征在于,所述长时间尺度预测方法包括以下步骤:
获取待预测目标年春节各日的预测累积平均温度值,分别将其与历史年春节相应日的累积平均温度值比较,确定所有历史年春节的相应日中累积平均温度与待预测目标年春节相应日的累积平均温度差值最小的历史春节日,将该历史春节日的日最大负荷作为待预测目标年相应日的基数,将基数从确定的历史春节日所处的历史年份至待预测目标春节年份逐年乘以周末基础负荷年增长率获得待预测目标年春节该日最大负荷。
3.根据权利要求1所述的基于短中长时间尺度的春节负荷特征滚动预测方法,其特征在于,所述累积平均温度的计算方法为:确定观测日往前选定天数的平均温度,对选定的各日平均温度采用“近大远小”的原则分别设置权重,计算选定的各日平均温度的加权和作为观测日的累积平均温度。
4.根据权利要求1所述的基于短中长时间尺度的春节负荷特征滚动预测方法,其特征在于,所述中时间尺度预测方法包括以下步骤:
将历史选定年份的特定月份所有周末的日最大负荷的平均值作为各年特殊月份当月的周末基础负荷;
将某一年的特定月份当月的周末基础负荷乘以周末基础负荷月增长率得到待预测春节当月的周末基础负荷;
确定待预测目标年春节各日的预测累积平均温度变化范围,确定累积平均温度属于该变化范围内的前N年历史周末作为相似周末,将相似周末的日最大负荷减去该相似周末所在月的周末基础负荷作为气象负荷;
通过拟合确定前N年相似周末的累积平均温度和对应的气象负荷的函数关系;
利用函数关系,根据待预测目标年春节各日的预测累积平均温度计算得到待预测目标年春节前周末假日的气象负荷;
将得到的待预测春节当月的周末基础负荷和待预测目标年春节前周末假日的气象负荷相加得到待预测目标年春节前周末假日负荷;
确定待预测春节各日的周末-春节效应修正量,将得到的待预测目标年春节前周末假日负荷分别减去所述待预测春节各日的周末-春节效应修正量得到最终的待预测目标年春节各日最大负荷。
5.根据权利要求4所述的基于短中长时间尺度的春节负荷特征滚动预测方法,其特征在于,所述周末基础负荷月增长率的计算方法如下:根据获得历史各年的特定月份当月的周末基础负荷确定周末基础负荷年增长率,根据周末基础负荷年增长率确定周末基础负荷月增长率。
6.根据权利要求1所述的基于假日最大负荷挖掘的春节负荷特征滚动预测方法,其特征在于,短时间尺度预测方法包括:基于与待预测目标年春节气象相似的节前一个月周末实测负荷对春节各日最大负荷进行预测,将预测获得的待预测目标年春节各日最大负荷减去待预测春节各日的周末-春节效应修正量得到最终的待预测目标年春节各日最大负荷。
7.根据权利要求4或者6任意一项权利要求所述的基于短中长时间尺度的春节负荷特征滚动预测方法,其特征在于,待预测春节各日的周末-春节效应修正量的计算方法如下:
从历史各年周末假日中依次选择该年春节各日的气象相似日,将气象相似日的日最大负荷减去对应的该年春节日的日最大负荷,得到各年春节每日最大负荷和其气象相似日的日最大负荷之间的负荷特征差异度;
将大于阈值的负荷特征差异度删除,针对历史春节各日和其气象相似日的日最大负荷之间的负荷特征差异度,根据小于等于阈值的负荷特征差异度求得历史春节各日的负荷特征差异度的平均值作为相应的待预测目标年度春节各日的周末-春节效应修正量。
8.根据权利要求7所述的基于短中长时间尺度的春节负荷特征滚动预测方法,其特征在于,所述气象相似日选择方法如下,定义第i天的日气象特征向量为:
Ti=|Ti,a,Ti,max,Ti,min| (5)
式中,Ti,a为第i天的日累积平均温度;Ti,max为第i天的日最高气温;Ti,min为第i天的日最低温度;以第i天的气象条件为基准,根据日气象特征向量定义相似时段内第j天与第i天的气象特征差异度计算公式为:
φij=[ra(Ti,a-Tj,a)+rmax(Ti,max-Tj,max)+rmin(Ti,min-Tj,min)]/(ra+rmax+rmin) (6)
式中,Tj,a为第j天的日累积平均温度,Tj,max为第j天的日最高气温;Tj,min为第j天的日最低温度;ra为相似时段内的日累积平均温度与第i天日最大负荷的相关系数,rmax为相似时段内的日最高气温与第i天日最大负荷的相关系数,rmin为相似时段内的日最高气温与日最低温度与第i天日最大负荷的相关系数;将历史各年中气象特征差异度最小的历史日作为该年的气象相似日。
9.根据权利要求1所述的基于短中长时间尺度的春节负荷特征滚动预测方法,其特征在于,对各预测结果进行加权计算时,利用长时间尺度预测方法获得的待预测目标年春节各日最大负荷的权值小于中时间尺度预测方法或短时间尺度预测方法获得的待预测目标年春节各日最大负荷的权值,中时间尺度预测方法或短时间尺度预测方法获得的待预测目标年春节各日最大负荷的权值小于利用短期预测方法获得的待预测目标年春节各日最大负荷的权值。
10.根据权利要求4所述的基于短中长时间尺度的春节负荷特征滚动预测方法,其特征在于,还包括日前预测方法,所述日期预测方法包括:将历史各年春节每日已知的实际累积平均温度代入所述函数关系,得到该年春节各日的气象负荷;
将某历史春节日最大负荷减去该日的气象负荷获得该日的日基础负荷,由此得到春节第i日的日基础负荷的逐年变化关系,根据变化关系拟合得到目标年春节各日的日基础负荷;
将某年春节期间后一日的日基础负荷减去前一日的日基础负荷得到该年春节日基础负荷的逐日变化量;
利用待预测春节前选定时间内各日最大负荷预测得到春节第1日的日最大负荷;
根据待预测春节各日的预测累积平均温度,利用所述函数关系确定待预测春节各日的气象负荷;
春节第1日的日最大负荷减去该日的气象负荷得到该日的日基础负荷,计及日基础负荷的逐日变化量,得到春节第2日的日基础负荷,再加上第2日预测得到的气象负荷,得到春节第2日的日最大负荷;根据上述步骤可以递推得春节7天各日的日最大负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630137.5A CN113313312A (zh) | 2021-06-07 | 2021-06-07 | 基于短中长时间尺度的春节负荷滚动预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630137.5A CN113313312A (zh) | 2021-06-07 | 2021-06-07 | 基于短中长时间尺度的春节负荷滚动预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313312A true CN113313312A (zh) | 2021-08-27 |
Family
ID=77377547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110630137.5A Pending CN113313312A (zh) | 2021-06-07 | 2021-06-07 | 基于短中长时间尺度的春节负荷滚动预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313312A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705932A (zh) * | 2021-09-22 | 2021-11-26 | 华中科技大学 | 一种短期负荷预测方法及装置 |
CN114529099A (zh) * | 2022-02-28 | 2022-05-24 | 北京京东振世信息技术有限公司 | 需求数据预测方法及装置、电子设备、存储介质 |
-
2021
- 2021-06-07 CN CN202110630137.5A patent/CN113313312A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705932A (zh) * | 2021-09-22 | 2021-11-26 | 华中科技大学 | 一种短期负荷预测方法及装置 |
CN113705932B (zh) * | 2021-09-22 | 2023-02-14 | 华中科技大学 | 一种短期负荷预测方法及装置 |
CN114529099A (zh) * | 2022-02-28 | 2022-05-24 | 北京京东振世信息技术有限公司 | 需求数据预测方法及装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932402B (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
Phuangpornpitak et al. | A study of load demand forecasting models in electric power system operation and planning | |
CN110033134A (zh) | 一种考虑气象因素的逐日分段短期负荷预测算法 | |
CN113313312A (zh) | 基于短中长时间尺度的春节负荷滚动预测方法 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN102509173A (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
CN105701570A (zh) | 一种基于全过程技术提升的短期电力需求分析方法 | |
CN112865093B (zh) | 一种短时电力负荷组合式预测方法 | |
CN113205252A (zh) | 基于需求侧负荷调峰潜力参数预测的聚合负荷调度方法 | |
CN104252647B (zh) | 基于反距离权重插值法的用电负荷预测方法 | |
CN114186733A (zh) | 一种短期负荷预测方法和装置 | |
CN111415037A (zh) | 基于相似日与人工神经网络的电力系统短期负荷预测方法 | |
CN112288130A (zh) | 一种基于两阶段多目标优化的新能源消纳计算方法 | |
Chen et al. | Neural network based very short term load prediction | |
Lim et al. | Application of expert system to load composition rate estimation algorithm | |
CN116432510A (zh) | 一种基于集成学习-天牛须优化算法的柔性负荷预测方法 | |
CN116187516A (zh) | 一种基于大数据的分析修正方法 | |
CN115392546A (zh) | 基于气象因子的降温电量预测及需求侧管理方法及装置 | |
CN113626763A (zh) | 一种短期全网最大用电负荷预测方法及系统 | |
CN110909916B (zh) | 一种基于熵权法的风力发电月度电量区间预测方法 | |
Zhang et al. | Load characteristics analysis based on improved k-means clustering algorithm | |
Chapagain et al. | Performance analysis of short-term electricity demand forecasting for thailand | |
CN105116723B (zh) | 一种用于需量响应的能耗削减评估算法 | |
CN117291299B (zh) | 一种考虑多种影响因素的月度电量预测方法 | |
CN117578534B (zh) | 光伏储能系统的调度方法、装置、设备及存储介质 |
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 |