CN113610296A - 一种区域内用电负荷峰值预测方法及电网投资规划方法 - Google Patents

一种区域内用电负荷峰值预测方法及电网投资规划方法 Download PDF

Info

Publication number
CN113610296A
CN113610296A CN202110897765.XA CN202110897765A CN113610296A CN 113610296 A CN113610296 A CN 113610296A CN 202110897765 A CN202110897765 A CN 202110897765A CN 113610296 A CN113610296 A CN 113610296A
Authority
CN
China
Prior art keywords
power consumption
year
month
civil
predicted
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
CN202110897765.XA
Other languages
English (en)
Other versions
CN113610296B (zh
Inventor
王莹
高秀云
丛云花
项雯
左峰
姜妍
岳义淼
王思斯
孙然
周鸿博
郎婧
国立文
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 Jiangsu Electric Power Co Ltd
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110897765.XA priority Critical patent/CN113610296B/zh
Publication of CN113610296A publication Critical patent/CN113610296A/zh
Application granted granted Critical
Publication of CN113610296B publication Critical patent/CN113610296B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种区域内用电负荷峰值预测方法及电网投资规划方法，涉及电网投资规划技术领域。本发明是为了解决现有用电负荷峰值预测方法预测准确率低，预测可靠性差的问题。本发明首先将采集的历史用电量数据分类进行压缩归一化，并基于压缩归一化后的值生成灰度图像；然后再将生成的灰度图像分月份分类输入到卷积神经网络，实现对用电量负荷的分类预测；最后对各类的最大用电量负荷求和，得到待预测年份的用电量负荷峰值。相比较于现有方法，本发明方法可以显著提高用电量负荷峰值预测的准确率和可靠性，提高电网基建规模和电网投资规划的有效性。主要用于用电负荷峰值的预测。

Description

一种区域内用电负荷峰值预测方法及电网投资规划方法
技术领域
本发明涉及电力负荷预测方法及电网投资规划方法。属于电网投资规划技术领域。
背景技术
随着经济发展步入新常态和电力体制改革的不断深化，准确预测电网基建规模对电网投资规划具有重要意义。而用电负荷峰值预测是决定电网电力系统基建建设规划的基础，也是保障国民经济需要和电力供应之间相互平衡的重要环节。电厂的供电能力一般与电网基建规模直接相关，而且现有的电网基建规模都是基于前期规划阶段确定的方案进行的，规划则一般又是基于一个装机容量来确定的，而装机容量一般也是直接确定目标或者基于基础调研确定的，并没有考虑实际区域内居民用电量等因素的动态结构变化、供电平衡的影响；为了保证电力的供应，目前规划的电厂基本都是通过为最大输出功率设置一定的预留量来保证电力供应。同时在经济发展步入新常态下，有些地区的人口等因素会发生较大的变化，有的城市会在长时间范围内出现人口的增长，例如南方沿海城市、新一线城市或强二线城市等，有些城市可能出现短时间的增长，例如作为省会城市的二线城市等，而且不同城市及其对应的区域的增长量也有所不同的；而且随着发展居民等用量的增长需求，使得情况更加复杂，因此传统的电厂规划和基建可能存在电厂的装机量不能准确的与实际供应量的平衡，从而存在设计量预估不足或者设计过剩的问题，不仅使得电厂投资规划工作或基建工作难以保证准确性，甚至会导致资源和资金的浪费。
同时，由于一个区域内的用电种类又包括第一产业用电、第二产业用电、第三产业用电以及居民用电，所以不同的区域还存在着诸多差异，而且一个区域范围内，可能会随着时间的发展使得产业结构发生变化，所以使得上述情况更加复杂，更加难以保证电厂投资规划工作或基建工作的准确性。因此，对第一产业用电、第二产业用电、第三产业用电和居民用电进行科学、准确的预测，对电力系统基建建设规划和平衡电力供需具有重要的指导意义，对于电网投资规划至关重要。
现有的用电负荷峰值预测一般是根据过去以及现在的用电负荷峰值情况来推测未来的数值，具有着不确定性、非线性、时间性等特点。目前现有的用电负荷峰值预测方法有灰色理论法，最小二乘法以及系统动力学分析方法等，虽然上述方法都能够实现对用电负荷峰值的预测，但是均存在着预测准确率低，预测可靠性差的不足。利用现有的用电负荷峰值预测来指导电厂的投资规划工作依然难以保证准确性。
发明内容
本发明的目的是为了解决现有用电负荷峰值预测方法预测准确率低，预测可靠性差的问题。进而提出了一种区域内用电负荷峰值预测方法。
基于本发明的一个方面，一种区域内用电负荷峰值预测方法，包括以下步骤：
步骤S1、采集待预测区域的历史用电量数据；
所述历史用电量数据包括民用用电量、第一产业用电量、第二产业用电量以及第三产业用电量，分别用
Figure BDA0003198544320000021
和
Figure BDA0003198544320000022
表示历史第i年第j天第k时的民用用电量、第一产业用电量、第二产业用电量和第三产业用电量，i＝1,2，…,N，N代表共采集历史N年的用电量数据，i＝1,2，…,N，j＝1,2，…,365，k＝1,2，…,24；
步骤S2、分别对采集的民用用电量、第一产业用电量、第二产业用电量以及第三产业用电量数据进行压缩归一化，基于压缩归一化后的数据分别生成历史第i年的民用用电量、第一产业用电量、第二产业用电量以及第三产业用电量图像，i＝1,2，…,N；
步骤S3、将历史各月的民用用电量图像输入卷积神经网络，通过卷积神经网络输出待预测年份每个月的总民用用电量数据；
历史各年的第一产业用电量、第二产业用电量、第三产业用电量图像的处理与历史各年的民用用电量图像的处理过程相同，通过训练分别得到各自对应的卷积神经网络，利用各自对应的神经网络模型得到各自对应的年尺度用电量月增长量，进而得到待预测年份每个月的总第一产业用电量、第二产业用电量和第三产业用电量数据；
步骤S4、根据历史第N年的每个月中民用用电量数据在各天各时刻的分配关系，将预测出的待预测年份在各个月份的总民用用电量数据分配到每个月的各天各时刻，将各天各时刻的民用用电量中的最大值作为待预测年份的最大民用用电量负荷；
同理，得到待预测年份的最大第一产业用电量、最大第二产业用电量和最大第三产业用电量负荷；
步骤S5、将最大民用用电量负荷、最大第一产业用电量、最大第二产业用电量和最大第三产业用电量负荷求和，将求和结果作为待预测年份的用电负荷峰值。
进一步地，步骤S2的具体过程为：
针对采集的历史N年的民用用电量数据，找出
Figure BDA0003198544320000023
中的最大值记为xmax，i＝1,2，…,N，j＝1,2，…,365，k＝1,2，…,24；将最大值xmax压缩归一化为H0，对于其它民用用电量数据，计算数据与最大值xmax的比值后，将比值与H0做乘积，乘积结果即为对应数据的压缩归一化值；
将压缩归一化值作为对应数据的灰度值，以年度为单位，将灰度值按照时间顺序放在365*24的矩阵中，以一个元素对应的灰度值作为一个像素点的灰度值，生成历史各年的民用用电量图像，在历史第i年的民用用电量图像中，第j行第k列的像素的灰度值为
Figure BDA0003198544320000031
对应的压缩归一化值；
同理，
Figure BDA0003198544320000032
和
Figure BDA0003198544320000033
的处理与
Figure BDA0003198544320000034
的处理过程相同，生成历史各年的第一产业用电量、第二产业用电量、第三产业用电量图像。
进一步地，所述卷积神经网络为CNN网络。
进一步地，所述将历史各月的民用用电量图像输入卷积神经网络，通过卷积神经网络输出待预测年份每个月的总民用用电量数据，其具体过程为：
训练阶段：
基于历史第i年的民用用电量图像，获得每个月份对应的民用用电量图像，记为ij′，j′＝1，2，……，12；
基于每年相同月份的对应的民用用电量图像ij′进行训练，例如利用N年中1月份的图象训练1月份的年尺度用电量月增长量神经网络；利用相同的方式获得12个月各自对应的尺度用电量月增长量；在训练过程中将历史第i年第j′个月对应的图像作为输入，将历史第i+1年第j′个月相对第i年第j′个月的民用用电量增长量数据作为标签，训练CNN网络；
预测阶段：
按照1-12月，分别将待预测年度之前的一年对应月份的民用用电量数据作为输入，得到待预测年的年尺度用电量月增长量。
将待预测年某月的年尺度用电量月增长量与待预测年前一年的对应月的民用用电量进行加和，进而得到待预测年的相应月的民用用电量数据。
基于本发明的另一个方面，一种电网投资规划方法，包括以下步骤：
基于待预测年份的用电量负荷峰值，并设置预留量，在用电量负荷峰值的基础上加上预留量，将加和结果作为电网投资规划中电网基建的装机容量。
进一步地，所述预留量的设置方法为：
根据实际采集的用电量数据以及当前年至待预测年的预测用电负荷峰值数据，分别计算出每两个相邻年的用电负荷峰值的差值，再取出其中最大的差值Q后，将待预测年份的用电负荷峰值与待预测年份前一年的用电负荷峰值的差值表示为P，则预留量的取值为Q-P。
有益效果：
本发明首先将采集的历史用电量数据分类进行压缩归一化，并基于压缩归一化后的值生成灰度图像；然后再将生成的灰度图像分月份分类输入到卷积神经网络，实现对用电量负荷的分类预测；最后对各类的最大用电量负荷求和，得到待预测年份的用电量负荷峰值。
相比较于现有方法，本发明方法可以显著提高用电量负荷峰值预测的准确率和可靠性，提高电网基建规模和电网投资规划的有效性。
附图说明
图1为本发明方法的流程图；
图2为预测用电负荷峰值与实际用电负荷峰值的对比图。
具体实施方式
具体实施方式一：参照图1具体说明本实施方式。
本实施方式为一种区域内用电负荷峰值预测方法，包括以下步骤：
步骤S1、采集待预测区域的历史用电量数据；
所述历史用电量数据包括民用用电量、第一产业用电量、第二产业用电量以及第三产业用电量，分别用
Figure BDA0003198544320000041
和
Figure BDA0003198544320000042
表示历史第i年第j天第k时的民用用电量、第一产业用电量、第二产业用电量和第三产业用电量，i＝1,2，…,N，N代表共采集历史N年的用电量数据，i＝1,2，…,N，j＝1，2，…，365，k＝1,2，…,24；
以当前年度为例，过去的第1年是指当前年度之前的第一年，对应表示为历史数据中的第N年，i＝N；过去的第2年是指当前年度之前的第二年，对应表示为历史数据中的第N-1年，i＝N-1；…，过去的第N年是指当前年度之前的第N年，对应表示为历史数据中的第1年，i＝1；
本发明以365天数据进行统计，如果历史用电量数据中遇到闰年，则2月份对应的用电量数据为前28天用电量数据；
步骤S2、分别对采集的民用用电量、第一产业用电量、第二产业用电量以及第三产业用电量数据进行压缩归一化，基于压缩归一化后的数据分别生成历史第i年的民用用电量、第一产业用电量、第二产业用电量以及第三产业用电量图像，i＝1,2，…，N；
步骤S2的具体过程为：
针对采集的历史N年的民用用电量数据，找出
Figure BDA0003198544320000043
中的最大值记为xmax，i＝1,2，…,N，j＝1,2，…,365，k＝1,2，…,24；将最大值xmax压缩归一化为H0，对于其它民用用电量数据，计算数据与最大值xmax的比值后，将比值与H0做乘积，乘积结果即为对应数据的压缩归一化值；
H0的取值在150-200之间，根据实际情况设定。首先H0的取值不应该过小，如果取值过小，将导致数据压缩太过严重，再根据变化趋势时，将导致预测误差较大。其次H0的取值也不应该过大，如果取值过大，且待预测区域的用电量增长速度比较快的话，那么受到图像最大灰度值的限制，预测结果也将不准确。
将压缩归一化值作为对应数据的灰度值，以年度为单位，将灰度值按照时间顺序放在365*24的矩阵中，以一个元素对应的灰度值作为一个像素点的灰度值，生成历史各年的民用用电量图像，在历史第i年的民用用电量图像中，第j行第k列的像素的灰度值为
Figure BDA0003198544320000051
对应的压缩归一化值；
需要注意的是，针对于不同年度的民用用电量数据，最好保证每年中每天的用电量单位相同，例如都用千瓦时或万千瓦时等，具体的用电量单位根据实际情况进行确定。
同理，
Figure BDA0003198544320000052
和
Figure BDA0003198544320000053
的处理与
Figure BDA0003198544320000054
的处理过程相同，生成历史各年的第一产业用电量、第二产业用电量、第三产业用电量图像；
步骤S3、将历史各月的民用用电量图像输入卷积神经网络，通过卷积神经网络输出待预测年份每个月的总民用用电量数据；
所述卷积神经网络为CNN网络。
所述将历史各月的民用用电量图像输入卷积神经网络，通过卷积神经网络输出待预测年份每个月的总民用用电量数据，其具体过程为：
训练阶段：
基于历史第i年的民用用电量图像，获得每个月份对应的民用用电量图像，记为ij′，j′＝1，2，……，12；
基于每年相同月份的对应的民用用电量图像ij′进行训练，例如利用N年中1月份的图象训练1月份的年尺度用电量月增长量神经网络；利用相同的方式获得12个月各自对应的尺度用电量月增长量；在训练过程中将第i年第j′个月对应的图像作为输入，将历史第i+1年第j′个月相对第i年第j′个月的民用用电量增长量(即民用用电量差值)数据作为标签，训练CNN网络。
本发明将电力用电量数据按照上述形式转化为图像的过程中可以充分挖掘到用电量数据在时间上分布和变化的特征，进而在利用相应图像确定用电量增长量的过程中可以充分挖掘用电量数据在时间上分布和变化的特征对于年尺度用电量月增长量影响，这样更加有利于年尺度用电量月增长量的预测，从而提高准确率。
预测阶段：
按照1-12月，分别将待预测年度之前的一年(即过去的1年)对应月份的民用用电量数据作为输入，得到待预测年的年尺度用电量月增长量。
将待预测年某月的年尺度用电量月增长量与待预测年前一年的对应月的民用用电量进行加和，进而得到待预测年的相应月的民用用电量数据。
针对需要预测多年的情况，可以利用上述过程预测得到过去多年中每年的年尺度用电量月增长量的预测，输入数据即为前一年的实际或者基于预测确定的民用用电量数据，进而得到每个待预测年的每月的民用用电量数据。
历史各年的第一产业用电量、第二产业用电量、第三产业用电量图像的处理与历史各年的民用用电量图像的处理过程相同，通过训练分别得到各自对应的卷积神经网络，利用各自对应的神经网络模型得到各自对应的年尺度用电量月增长量，进而得到待预测年份每个月的总第一产业用电量、第二产业用电量和第三产业用电量数据；
通过预测每个月的总民用用电量、第一产业用电量、第二产业用电量和第三产业用电量数据，可以更准确的获取用电量的变化趋势，避免个别数据点导致对应天对应时刻的预测结果存在较大误差。而且，基于采集的历史同一月份的用电量数据进行对应月份的用电量预测，可以避免环境因素，如温度对用电量的影响，减小预测误差。
步骤S4、根据历史第N年的每个月中民用用电量数据在各天各时刻的分配关系，将预测出的待预测年份在各个月份的总民用用电量数据分配到每个月的各天各时刻，将各天各时刻的民用用电量中的最大值作为待预测年份的最大民用用电量负荷；
比如，将预测出的待预测年份在1月份的总民用用电量数据，按照历史第N年的1月中各天各时刻的实际民用用电量数据占比关系，将预测出的待预测年份在1月份的总民用用电量数据分配到待预测年份1月份的各天各时刻中，得到1月份中各天各时刻的民用用电量中的最大值，再求出各月的最大值中的最大值，将最后求出的最大值作为待预测年份的最大民用用电量负荷；
同理，得到待预测年份的最大第一产业用电量、最大第二产业用电量和最大第三产业用电量负荷；
步骤S5、将最大民用用电量负荷、最大第一产业用电量、最大第二产业用电量和最大第三产业用电量负荷求和，将求和结果作为待预测年份的用电负荷峰值。
具体实施方式二：本实施方式为一种电网投资规划方法，所述方法包括以下步骤：
基于待预测年份的用电量负荷峰值，并设置预留量，在用电量负荷峰值的基础上加上预留量，将加和结果作为电网投资规划中电网基建的装机容量。
预留量的设置原则为：根据实际采集的用电量数据以及当前年至待预测年的预测用电量数据，分别计算出每两个相邻年的用电量负荷峰值的差值，再取出其中最大的差值Q后，将待预测年份的用电量负荷峰值与待预测年份前一年的用电量负荷峰值的差值表示为P，则预留量的取值为Q-P。根据待预测年份的用电量负荷峰值指导电网投资规划中的电网基建规划。
实施例
本实施例中，采集的是哈尔滨从2001年至2015年的用电量数据，分别采集了民用用电量、第一产业用电量、第二产业用电量、第三产业用电量以及用电负荷峰值数据，其中，采集的2001年至2015年的用电负荷峰值数据如表1所示：
表1
单位 用电负荷峰值(兆瓦)
2001 1582.8
2002 1732.9
2003 1914.6
2004 2087.3
2005 2205.2
2006 2302.8
2007 2356.2
2008 2409.2
2009 2464.2
2010 2525.8
2011 2598.1
2012 2689.3
2013 2779.2
2014 2868.7
2015 2960.2
利用2001年至2010年的民用用电量、第一产业用电量、第二产业用电量以及第三产业用电量数据，采用本发明的方法对2011年至2015年的用电负荷峰值进行预测，预测结果如表2所示：
表2
Figure BDA0003198544320000071
Figure BDA0003198544320000081
2011年至2015年的用电负荷峰值实际值与预测值的对比图如图2所示，从图2可以看出，采用本发明方法预测出的用电负荷峰值与实际值十分接近，本发明方法的预测准确率非常高。
最后需要注意的是，具体实施方式和实施例仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。

Claims (6)

1.一种区域内用电负荷峰值预测方法，其特征在于，包括以下步骤：
步骤S1、采集待预测区域的历史用电量数据；
所述历史用电量数据包括民用用电量、第一产业用电量、第二产业用电量以及第三产业用电量，分别用
Figure FDA0003198544310000011
和
Figure FDA0003198544310000012
表示历史第i年第j天第k时的民用用电量、第一产业用电量、第二产业用电量和第三产业用电量，i＝1,2，…，N，N代表共采集历史N年的用电量数据，i＝1,2，…，N，j＝1，2，…，365，k＝1,2，…,24；
步骤S2、分别对采集的民用用电量、第一产业用电量、第二产业用电量以及第三产业用电量数据进行压缩归一化，基于压缩归一化后的数据分别生成历史第i年的民用用电量、第一产业用电量、第二产业用电量以及第三产业用电量图像，i＝1,2，…,N；
步骤S3、将历史各月的民用用电量图像输入卷积神经网络，通过卷积神经网络输出待预测年份每个月的总民用用电量数据；
历史各年的第一产业用电量、第二产业用电量、第三产业用电量图像的处理与历史各年的民用用电量图像的处理过程相同，通过训练分别得到各自对应的卷积神经网络，利用各自对应的神经网络模型得到各自对应的年尺度用电量月增长量，进而得到待预测年份每个月的总第一产业用电量、第二产业用电量和第三产业用电量数据；
步骤S4、根据历史第N年的每个月中民用用电量数据在各天各时刻的分配关系，将预测出的待预测年份在各个月份的总民用用电量数据分配到每个月的各天各时刻，将各天各时刻的民用用电量中的最大值作为待预测年份的最大民用用电量负荷；
同理，得到待预测年份的最大第一产业用电量、最大第二产业用电量和最大第三产业用电量负荷；
步骤S5、将最大民用用电量负荷、最大第一产业用电量、最大第二产业用电量和最大第三产业用电量负荷求和，将求和结果作为待预测年份的用电负荷峰值。
2.根据权利要求1所述的一种区域内用电负荷峰值预测方法，其特征在于，所述步骤S2的具体过程为：
针对采集的历史N年的民用用电量数据，找出
Figure FDA0003198544310000013
中的最大值记为xmax，i＝1,2，…，N，j＝1，2，…,365，k＝1，2，…,24；将最大值xmax压缩归一化为H0，对于其它民用用电量数据，计算数据与最大值xmax的比值后，将比值与H0做乘积，乘积结果即为对应数据的压缩归一化值；
将压缩归一化值作为对应数据的灰度值，以年度为单位，将灰度值按照时间顺序放在365*24的矩阵中，以一个元素对应的灰度值作为一个像素点的灰度值，生成历史各年的民用用电量图像，在历史第i年的民用用电量图像中，第j行第k列的像素的灰度值为
Figure FDA0003198544310000021
对应的压缩归一化值；
同理，
Figure FDA0003198544310000022
和
Figure FDA0003198544310000023
的处理与
Figure FDA0003198544310000024
的处理过程相同，生成历史各年的第一产业用电量、第二产业用电量、第三产业用电量图像。
3.根据权利要求2所述的一种区域内用电负荷峰值预测方法，其特征在于，所述卷积神经网络为CNN网络。
4.根据权利要求3所述的一种区域内用电负荷峰值预测方法，其特征在于，所述将历史各月的民用用电量图像输入卷积神经网络，通过卷积神经网络输出待预测年份每个月的总民用用电量数据，其具体过程为：
训练阶段：
基于历史第i年的民用用电量图像，获得每个月份对应的民用用电量图像，记为ij′，j′＝1，2，……，12；
基于每年相同月份的对应的民用用电量图像ij′进行训练，例如利用N年中1月份的图象训练1月份的年尺度用电量月增长量神经网络；利用相同的方式获得12个月各自对应的尺度用电量月增长量；在训练过程中将历史第i年第j′个月对应的图像作为输入，将历史第i+1年第j′个月相对第i年第j′个月的民用用电量增长量数据作为标签，训练CNN网络；
预测阶段：
按照1-12月，分别将待预测年度之前的一年对应月份的民用用电量数据作为输入，得到待预测年的年尺度用电量月增长量。
将待预测年某月的年尺度用电量月增长量与待预测年前一年的对应月的民用用电量进行加和，进而得到待预测年的相应月的民用用电量数据。
5.基于权利要求1所述的一种区域内用电负荷峰值预测方法的电网投资规划方法，其特征在于，所述方法包括以下步骤：
基于待预测年份的用电量负荷峰值，并设置预留量，在用电量负荷峰值的基础上加上预留量，将加和结果作为电网投资规划中电网基建的装机容量。
6.根据权利要求5所述的一种区域内用电负荷峰值预测方法的电网投资规划方法，其特征在于，所述预留量的设置方法为：
根据实际采集的用电量数据以及当前年至待预测年的预测用电负荷峰值数据，分别计算出每两个相邻年的用电负荷峰值的差值，再取出其中最大的差值Q后，将待预测年份的用电负荷峰值与待预测年份前一年的用电负荷峰值的差值表示为P，则预留量的取值为Q-P。
CN202110897765.XA 2021-08-05 2021-08-05 一种区域内用电负荷峰值预测方法及电网投资规划方法 Active CN113610296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110897765.XA CN113610296B (zh) 2021-08-05 2021-08-05 一种区域内用电负荷峰值预测方法及电网投资规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110897765.XA CN113610296B (zh) 2021-08-05 2021-08-05 一种区域内用电负荷峰值预测方法及电网投资规划方法

Publications (2)

Publication Number Publication Date
CN113610296A true CN113610296A (zh) 2021-11-05
CN113610296B CN113610296B (zh) 2022-03-11

Family

ID=78307198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110897765.XA Active CN113610296B (zh) 2021-08-05 2021-08-05 一种区域内用电负荷峰值预测方法及电网投资规划方法

Country Status (1)

Country Link
CN (1) CN113610296B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115292390A (zh) * 2022-10-08 2022-11-04 北京国电通网络技术有限公司 负荷信息生成方法、装置、电子设备和计算机可读介质
CN116436002A (zh) * 2023-06-13 2023-07-14 成都航空职业技术学院 一种楼宇用电预测方法
CN118278981A (zh) * 2024-03-28 2024-07-02 国网冀北电力有限公司经济技术研究院 一种电网基建项目投资优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106549415A (zh) * 2015-05-14 2017-03-29 南通大学 分布式风光互补发电系统实现有效调度的方法
CN107038502A (zh) * 2017-04-18 2017-08-11 国网安徽省电力公司芜湖供电公司 考虑季节特性的改进小波包用电量预测方法
US20180284745A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for self-organization of collected data using 3rd party data from a data marketplace in an industrial internet of things environment
US20190146473A1 (en) * 2016-05-09 2019-05-16 Strong Force Iot Portfolio 2016, Llc Methods of back-calculation for determining candidate sources of data collection
CN110070229A (zh) * 2019-04-26 2019-07-30 中国计量大学 家庭电力负荷的短期预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106549415A (zh) * 2015-05-14 2017-03-29 南通大学 分布式风光互补发电系统实现有效调度的方法
US20180284745A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for self-organization of collected data using 3rd party data from a data marketplace in an industrial internet of things environment
US20190146473A1 (en) * 2016-05-09 2019-05-16 Strong Force Iot Portfolio 2016, Llc Methods of back-calculation for determining candidate sources of data collection
CN107038502A (zh) * 2017-04-18 2017-08-11 国网安徽省电力公司芜湖供电公司 考虑季节特性的改进小波包用电量预测方法
CN110070229A (zh) * 2019-04-26 2019-07-30 中国计量大学 家庭电力负荷的短期预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115292390A (zh) * 2022-10-08 2022-11-04 北京国电通网络技术有限公司 负荷信息生成方法、装置、电子设备和计算机可读介质
CN115292390B (zh) * 2022-10-08 2022-12-23 北京国电通网络技术有限公司 负荷信息生成方法、装置、电子设备和计算机可读介质
CN116436002A (zh) * 2023-06-13 2023-07-14 成都航空职业技术学院 一种楼宇用电预测方法
CN116436002B (zh) * 2023-06-13 2023-09-05 成都航空职业技术学院 一种楼宇用电预测方法
CN118278981A (zh) * 2024-03-28 2024-07-02 国网冀北电力有限公司经济技术研究院 一种电网基建项目投资优化方法

Also Published As

Publication number Publication date
CN113610296B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN113610296B (zh) 一种区域内用电负荷峰值预测方法及电网投资规划方法
Madhukumar et al. Regression model-based short-term load forecasting for university campus load
Andresen et al. Validation of Danish wind time series from a new global renewable energy atlas for energy system analysis
CN102063563B (zh) 网省地一体化的母线负荷预测方法
CN108388962B (zh) 一种风电功率预测系统及方法
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
CN111210058B (zh) 一种基于网格化的配电网自上而下负荷预测信息方法
CN106529704A (zh) 月最大电力负荷预测方法及装置
CN102945508A (zh) 一种基于模型校正的风电功率预测预报系统及方法
Velasco et al. Next day electric load forecasting using Artificial Neural Networks
Wang et al. Two-stage stochastic optimization for unit commitment considering wind power based on scenario analysis
CN111008727A (zh) 一种配电台区负荷预测方法及装置
CN111222700A (zh) 基于动态网络分位数模型的日前电价概率预测方法
CN106600029A (zh) 一种基于电力数据的宏观经济预测量化修正方法
CN103268526A (zh) 基于区间泰勒模型的电力系统短期负荷预测系统及方法
CN118095704A (zh) 基于大数据的乡村典型能源供需平衡方法及系统
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN117728404A (zh) 一种中长期光伏场站发电量预测方法及系统
Shiwakoti et al. Time Series Analysis of Electricity Demand Forecasting Using Seasonal ARIMA and an Exponential Smoothing Model
CN112365053B (zh) 负荷区域内分布式光伏发电总功率的预测方法、系统与计算机可读介质
CN112288130B (zh) 一种基于两阶段多目标优化的新能源消纳计算方法
CN116050636A (zh) 光伏电站的出力预测方法、装置、设备及介质
Bischoff et al. Economic objectives, uncertainties and decision making in the energy sector
CN104331748A (zh) 一种预测规划目标年风电场群持续功率曲线的方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Ying

Inventor after: Zhou Hongbo

Inventor after: Lang Jing

Inventor after: Guo Liwen

Inventor after: Gao Xiuyun

Inventor after: Cong Yunhua

Inventor after: Xiang Wen

Inventor after: Zuo Feng

Inventor after: Jiang Yan

Inventor after: Yue Yimiao

Inventor after: Wang Sisi

Inventor after: Sun Ran

Inventor before: Wang Ying

Inventor before: Zhou Hongbo

Inventor before: Lang Jing

Inventor before: Guo Liwen

Inventor before: Gao Xiuyun

Inventor before: Cong Yunhua

Inventor before: Xiang Wen

Inventor before: Zuo Feng

Inventor before: Jiang Yan

Inventor before: Yue Yimiao

Inventor before: Wang Sisi

Inventor before: Sun Ran

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220221

Address after: 150090 room 2606, No. 368, Changjiang Road, Nangang concentration area, economic development zone, Harbin, Heilongjiang Province

Applicant after: State Grid Heilongjiang Electric Power Co., Ltd. economic and Technological Research Institute

Applicant after: State Grid Co., Ltd.

Address before: 150090 room 1803, unit 2, building C, 128 Hanshui Road, Xiangfang District, Harbin, Heilongjiang Province

Applicant before: Wang Ying

GR01 Patent grant
GR01 Patent grant