CN113626763A - 一种短期全网最大用电负荷预测方法及系统 - Google Patents

一种短期全网最大用电负荷预测方法及系统 Download PDF

Info

Publication number
CN113626763A
CN113626763A CN202110827357.7A CN202110827357A CN113626763A CN 113626763 A CN113626763 A CN 113626763A CN 202110827357 A CN202110827357 A CN 202110827357A CN 113626763 A CN113626763 A CN 113626763A
Authority
CN
China
Prior art keywords
data
load
power grid
target time
maximum
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
Application number
CN202110827357.7A
Other languages
English (en)
Inventor
周良松
姚占东
陈宁锋
吕伟
郑明杰
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.)
Wuhan Huafei Intelligent Technology Co ltd
Original Assignee
Wuhan Huafei Intelligent Technology 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 Wuhan Huafei Intelligent Technology Co ltd filed Critical Wuhan Huafei Intelligent Technology Co ltd
Priority to CN202110827357.7A priority Critical patent/CN113626763A/zh
Publication of CN113626763A publication Critical patent/CN113626763A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • 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

Abstract

本发明涉及一种短期全网最大用电负荷预测方法及系统，获取过往年度中目标时间段的用电负荷数据作为历史样本数据；对所述历史样本数据进行预处理，消除异常数据；基于回归分析法，利用历史样本数据对预测模型进行训练与优化；将当前年度目标时间段的电网负荷的影响因素数据作为预测模型输入，预测当前年度目标时间段的全网最大用电负荷。通过本发明可以对节假日负荷进行预测，能掌握节假日前后的负荷水平和负荷变化规律，可以为调度人员制定发电计划提供有价值的参考数据，保证电网运行的安全稳定,保障人民群众的可靠用电，提高经济效益和社会效益。

Description

一种短期全网最大用电负荷预测方法及系统
技术领域
本发明涉及电力系统负荷预测技术领域，具体涉及一种短期全网最大用电负荷预测方法及系统。
背景技术
随着经济的迅猛发展，从垄断经营模式走向竞争关系的电力行业，尤其是智能电网的不断发展、电力市场的建立与完善，对电网的管理提出了更高的要求。只有对负荷预测相关的数据进行全面详细的研究，制定高效、经济的发电计划，合理安排机组出力，才能为用户持续提供安全、可靠的电能，满足各用户的需求，保证电力系统安全稳定运行，并可以减少发电成本，提高经济效益。
电力系统负荷预测就是要考虑电力系统的运行特性、系统规模、国家宏观调控、自然条件等因素的影响，研究历史负荷数据的变化规律，找出负荷与各影响因素之间的关系，以此来预测未来负荷。
短期电力负荷预测是调度部门安排发电计划的重要依据。对于正常日，其负荷具有按工作日和休息日呈周期性变化的规律，数据相对较为充足，预测准确度一般较高。
节假日是指国家法定的重大节日或假日，我国法定节假日主要包括农历节假日(春节、端午节、中秋节)和公历节假日(国庆、元旦、五一、十一)等，其中春节和国庆节假期一般有7天，其余假期为3天。节假日期间，由于社会生产和人们生活习惯不大不同，随着人们生活水平的提高，人们对节假日的生活及工作观念发生了较大的变化，因此节假日的负荷与正常工休日相比呈现出明显不同独特的变化规律。一般要求提前对节假日多日负荷进行预测，预测样本数据缺少使得预测难度加大；另外节假日后，工厂企业逐步恢复生产，逐步增加的负荷也是负荷预测的难点。鉴于以上原因，目前系统的节假日短期负荷预测精度往往不太理想。
发明内容
本发明针对现有技术中存在的技术问题，提供一种短期全网最大用电负荷预测方法及系统，实现了节假日负荷预测，并验证了系统的可行性。通过应用这套系统，调度人员可以观测到多种预测方法的结果，并能根据综合分析，选取多种预测方法相结合，更为准确地对电力负荷进行预测。
本发明解决上述技术问题的技术方案如下：
一方面，本发明提供一种短期全网最大用电负荷预测方法，包括以下步骤：
S1，获取过往年度中目标时间段的用电负荷数据作为历史样本数据；
S2，对所述历史样本数据进行预处理，消除异常数据；
S3，基于回归分析法，利用历史样本数据对预测模型进行训练与优化；
S4，将当前年度目标时间段的电网负荷的影响因素数据作为预测模型输入，预测当前年度目标时间段的全网最大用电负荷。
进一步的，所述的过往年度中目标时间段的用电负荷数据包括各地市电网负荷数据、各省电网负荷数据以及全网负荷数据，所述各地市电网负荷数据、各省电网负荷数据以及全网负荷数据中包含电网负荷值以及电网负荷的影响因素数据。
进一步的，所述步骤S3包括：
基于分别利用各地市电网负荷数据、各省电网负荷数据以及全网负荷数据对预测模型进行训练与优化，得到各地市电网负荷预测模型、各省电网负荷预测模型以及全网负荷预测模型。
进一步的，所述步骤S4包括：
利用当前年度目标时间段的电网负荷的影响因素数据作为各地市电网负荷预测模型、各省电网负荷预测模型以及全网负荷预测模型的输入，分别预测当前年度目标时间段的全网最大用电负荷，并根据历史年度目标时间段三种预测方法预测的准确程度和适用性，分配对应的预测值权重系数，综合采纳系统推荐值作为全网最大用电负荷预测值。
进一步的，对于各地市电网负荷数据，将所述各地市电网负荷数据拆分成训练数据和测试数据，并对所述训练数据和测试数据进行归一化处理；
采用回归分析法利用所述训练数据以及测试数据对预测模型进行训练优化，得到优化后的预测模型；
以目标时间段电网负荷影响因素数据作为模型输入得到各地市目标时间段每日的日最大负荷数据，并取其中的最大值作为目标时间段的最大用电负荷；
根据电网同时率对各地市目标时间段的最大用电负荷进行汇总，进而得到各省目标时间段的最大用电负荷以及全网目标时间段的最大用电负荷。
进一步的，对于各省电网负荷数据，将所述各省电网负荷数据拆分成训练数据和测试数据，并对所述训练数据和测试数据进行归一化处理；
采用回归分析法利用所述训练数据以及测试数据对预测模型进行训练优化，得到优化后的预测模型；
以目标时间段电网负荷影响因素数据作为模型输入得到各省目标时间段每日的日最大负荷数据，并取其中的最大值作为目标时间段的最大用电负荷；
根据电网同时率对各省目标时间段的最大用电负荷进行汇总，进而得到全网目标时间段的最大用电负荷。
进一步的，对于全网负荷数据，将所述全网负荷数据拆分成训练数据和测试数据，并对所述训练数据和测试数据进行归一化处理；
采用回归分析法利用所述训练数据以及测试数据对预测模型进行训练优化，得到优化后的预测模型；
以目标时间段电网负荷影响因素数据作为模型输入得到全网目标时间段每日的日最大负荷数据，并取其中的最大值作为目标时间段的全网最大用电负荷。
进一步的，所述的对历史样本数据进行预处理，消除异常数据，包括采用水平处理或垂直处理方法对历史样本数据进行平稳化和确实数据的补遗；
所述的水平处理包括：在分析数据时，将前后两个日期的负荷数据作为基准，设定待处理数据的最大变动范围，当待处理的数据超过这个范围，就视为不良数据，采用平均值的方法平稳其变化；
所述的垂直处理包括：在负荷数据预处理时考虑其24h的小周期，认为不同日期的同一时刻的负荷应具有相似性，同时刻的负荷值应维持在一定的范围内，对于超出范围的不良数据修正为待处理数据的最近几天该时刻的平均值。
另一方面，本发明提供一种短期全网最大用电负荷预测系统，包括：
历史数据获取模块，获取过往年度中目标时间段的用电负荷数据作为历史样本数据；
预处理模块，对所述历史样本数据进行预处理，消除异常数据；
模型训练模块，基于回归分析法，利用历史样本数据对预测模型进行训练与优化；
预测模块，将当前年度目标时间段的电网负荷的影响因素数据作为预测模型输入，预测当前年度目标时间段的全网最大用电负荷。
进一步的，所述预处理模块采用水平处理或垂直处理方法对历史样本数据进行平稳化和确实数据的补遗；
所述的水平处理包括：在分析数据时，将前后两个日期的负荷数据作为基准，设定待处理数据的最大变动范围，当待处理的数据超过这个范围，就视为不良数据，采用平均值的方法平稳其变化；
所述的垂直处理包括：在负荷数据预处理时考虑其24h的小周期，认为不同日期的同一时刻的负荷应具有相似性，同时刻的负荷值应维持在一定的范围内，对于超出范围的不良数据修正为待处理数据的最近几天该时刻的平均值。
本发明的有益效果是：通过本发明对节假日负荷进行预测，能掌握节假日前后的负荷水平和负荷变化规律，可以为调度人员制定发电计划提供有价值的参考数据，保证电网运行的安全稳定，保障人民群众的可靠用电，提高经济效益和社会效益。
附图说明
图1为本发明实施例提供的一种短期全网最大用电负荷预测方法流程图；
图2为本发明实施例提供的历史数据预处理流程图；
图3为本发明实施例提供的一种短期全网最大用电负荷预测系统结构图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，本发明实施例提供一种短期全网最大用电负荷预测方法，包括以下步骤：
S1，获取过往年度中目标时间段的用电负荷数据作为历史样本数据；
具体的，本发明实施例采集的过往年度中目标时间段的用电负荷数据包括各地市电网负荷数据、各省电网负荷数据以及全网负荷数据，所述各地市电网负荷数据、各省电网负荷数据以及全网负荷数据中包含电网负荷值以及电网负荷的影响因素数据。
这里所述的电网负荷影响因素数据包括目标时间段内工作日因素数据、气象环境因素数据，例如日最高气温、日最低气温、湿度、雨量等等。
S2，对所述历史样本数据进行预处理，消除异常数据；
对历史资料中的平稳化以及缺失数据的补遗，针对异常数据，主要采用水平处理、垂直处理方法。数据的水平处理：是在分析数据时，将前后两个时间的负荷数据作为基准，设定待处理数据的最大变动范围，当待处理的数据超过这个范围，就视为不良数据，采用平均值的方法平稳其变化；数据的垂直处理：在负荷数据预处理时考虑其24h的小周期，认为不同日期的同一时刻的负荷应具有相似性，同时刻的负荷值应维持在一定的范围内，对于超出范围的不良数据修正为待处理数据的最近几天该时刻的平均值。具体处理过程如图2所示。
设水平历史数据中第t天的负荷数据
Figure BDA0003174222370000061
ΔLsp.max为水平数据的最大变动范围；当判断出第t天的负荷数据异常时，则采取前后几天的负荷控制平均后代替；
设垂直历史数据中第t天的负荷数据
Figure BDA0003174222370000062
为同时刻的负荷最小值，最大值；当判断出第t天的负荷数据异常时，则采取前后几天的负荷控制平均后代替。
S3，基于回归分析法，利用历史样本数据对预测模型进行训练与优化；
本发明实施例中回归分析法可以采用一元线性回归分析、多元线性回归分析、一元非线性回归分析，多元非线性回归分析等等。
S4，将当前年度目标时间段的电网负荷的影响因素数据作为预测模型输入，预测当前年度目标时间段的全网最大用电负荷。
具体的，对于各地市电网负荷数据，将所述各地市电网负荷数据拆分成训练数据和测试数据，并对所述训练数据和测试数据进行归一化处理；
采用回归分析法利用所述训练数据以及测试数据对预测模型进行训练优化，得到优化后的预测模型；
以目标时间段电网负荷影响因素数据作为模型输入得到各地市目标时间段每日的日最大负荷数据，并取其中的最大值作为目标时间段的最大用电负荷；
根据电网同时率对各地市目标时间段的最大用电负荷进行汇总，进而得到各省目标时间段的最大用电负荷以及全网目标时间段的最大用电负荷。
对于各省电网负荷数据，将所述各省电网负荷数据拆分成训练数据和测试数据，并对所述训练数据和测试数据进行归一化处理；
采用回归分析法利用所述训练数据以及测试数据对预测模型进行训练优化，得到优化后的预测模型；
以目标时间段电网负荷影响因素数据作为模型输入得到各省目标时间段每日的日最大负荷数据，并取其中的最大值作为目标时间段的最大用电负荷；
根据电网同时率对各省目标时间段的最大用电负荷进行汇总，进而得到全网目标时间段的最大用电负荷。
对于全网负荷数据，将所述全网负荷数据拆分成训练数据和测试数据，并对所述训练数据和测试数据进行归一化处理；
采用回归分析法利用所述训练数据以及测试数据对预测模型进行训练优化，得到优化后的预测模型；
以目标时间段电网负荷影响因素数据作为模型输入得到全网目标时间段每日的日最大负荷数据，并取其中的最大值作为目标时间段的全网最大用电负荷。
在利用当前年度目标时间段的电网负荷的影响因素数据作为各地市电网负荷预测模型、各省电网负荷预测模型以及全网负荷预测模型的输入，分别预测当前年度目标时间段的全网最大用电负荷后，根据历史年度目标时间段三种预测方法预测的准确程度和适用性，分配对应的预测值权重系数，综合采纳系统推荐值作为全网最大用电负荷预测值。
本实施例以预测2018年1月的月度全网最大负荷为例，对上述方法进行说明。
1、以地市历史数据为基础进行预测全网
先预测各个地市的月度最大负荷数据，再根据地市月度最大负荷的预测值，综合考虑负荷同时率，从而得到各省、以及全网的月度最高负荷。
1)以2015年1月、2016年1月、2017年1月每天的数据作为输入。
2)将数据拆分为训练数据及测试数据:本例中将2015年1月、2016年1月的数据作为训练数据，2017年1月作为测试数据。
3)对训练数据和测试数据行归一化处理。
4)确定训练模型，对数据采用采用线性回归进行训练，得到优化的模型。
5)运用测试数据对模型进行检验。
6)预测2018年01月每天的最大负荷数据，准备预测的输入数据：2018年01月每天的日最高气温、日最低气温、湿度、雨量、工作日因素作为预测的输入进行预测，得到每天的日最大负荷数据。
7)最后将每天的预测的日最大负荷求取最大值，得到2018年01月的月度最大负荷。
8)根据电网同时率对预测得到的各地市2018年01月的最大用电负荷进行汇总，进而得到各省目标时间段的最大用电负荷以及全网目标时间段的最大用电负荷。
2、以各省历史数据为基础进行预测全网
直接采纳各个省分最大负荷预测上报值，通过汇总各省最大负荷预测值和近三年同时率均值预测出全网的最大用电负荷。
1)分别选取各省近5年月度最大用电负荷发生日期前后的历史数据，寻找各省最大用电负荷发生的时间特征、气象情况等规律，确定一组最大负荷发生的关键气象信息指标及数据值。按照与最大负荷的相关性大小对这些关键气象信息赋权，写入算法；
2)分别以各省以预测对象，选取最大负荷、用电量历史数据采用采用线性回归进行训练，得到优化的模型。模型预测得到最大负荷、用电量预测值；
3)采纳系统预测值，汇总系统推荐的四省最大负荷预测值和近三年同时率均值预测出全网的最大用电负荷；加总系统预测的四省用电量数据得到全网的用电量。
3、以全网历史数据为基础进行预测全网
以2015年1月、2016年1月、2017年1月全网每天的数据作为输入；按照四省负荷在全网最大负荷的占比，将四省气象信息指标转化为全网气象信息数据；
分别选取全网近5年月度最大用电负荷发生日期前后的历史数据，寻找全网最大用电负荷发生的时间特征、气象情况等规律，确定一组最大负荷发生的关键气象信息指标及数据值。按照与最大负荷的相关性大小对这些关键气象信息赋权，并按区间划分温度，找出最大用电负荷、用电量在温升温降时的变化规律，赋予每个指标对应的影响系数。
采用线性回归进行训练，得到优化的模型。预测得到最大负荷预测值；
根据历史月各种线性回归模型预测的准确程度和适用性，分配对应的预测值权重系数，综合采纳系统推荐值作为最大负荷预测值。
在上述实施例的基础上，本发明实施例还提供一种短期全网最大用电负荷预测系统，如图3所示，包括：
历史数据获取模块，获取过往年度中目标时间段的用电负荷数据作为历史样本数据；
预处理模块，对所述历史样本数据进行预处理，消除异常数据；
模型训练模块，基于回归分析法，利用历史样本数据对预测模型进行训练与优化；
预测模块，将当前年度目标时间段的电网负荷的影响因素数据作为预测模型输入，预测当前年度目标时间段的全网最大用电负荷。
进一步的，所述预处理模块采用水平处理或垂直处理方法对历史样本数据进行平稳化和确实数据的补遗；
所述的水平处理包括：在分析数据时，将前后两个日期的负荷数据作为基准，设定待处理数据的最大变动范围，当待处理的数据超过这个范围，就视为不良数据，采用平均值的方法平稳其变化；
所述的垂直处理包括：在负荷数据预处理时考虑其24h的小周期，认为不同日期的同一时刻的负荷应具有相似性，同时刻的负荷值应维持在一定的范围内，对于超出范围的不良数据修正为待处理数据的最近几天该时刻的平均值。
本发明的有益效果是：对节假日负荷进行预测，能掌握节假日前后的负荷水平和负荷变化规律，可以为调度人员制定发电计划提供有价值的参考数据，保证电网运行的安全稳定，保障人民群众的可靠用电，提高经济效益和社会效益。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种短期全网最大用电负荷预测方法，其特征在于，包括以下步骤：
S1，获取过往年度中目标时间段的用电负荷数据作为历史样本数据；
S2，对所述历史样本数据进行预处理，消除异常数据；
S3，基于回归分析法，利用历史样本数据对预测模型进行训练与优化；
S4，将当前年度目标时间段的电网负荷的影响因素数据作为预测模型输入，预测当前年度目标时间段的全网最大用电负荷。
2.根据权利要求1所述的短期全网最大用电负荷预测方法，其特征在于，所述的过往年度中目标时间段的用电负荷数据包括各地市电网负荷数据、各省电网负荷数据以及全网负荷数据，所述各地市电网负荷数据、各省电网负荷数据以及全网负荷数据中包含电网负荷值以及电网负荷的影响因素数据。
3.根据权利要求2所述的短期全网最大用电负荷预测方法，其特征在于，所述步骤S3包括：
基于分别利用各地市电网负荷数据、各省电网负荷数据以及全网负荷数据对预测模型进行训练与优化，得到各地市电网负荷预测模型、各省电网负荷预测模型以及全网负荷预测模型。
4.根据权利要求3所述的短期全网最大用电负荷预测方法，其特征在于，所述步骤S4包括：
利用当前年度目标时间段的电网负荷的影响因素数据作为各地市电网负荷预测模型、各省电网负荷预测模型以及全网负荷预测模型的输入，分别预测当前年度目标时间段的全网最大用电负荷，并根据历史年度目标时间段三种预测方法预测的准确程度和适用性，分配对应的预测值权重系数，综合采纳系统推荐值作为全网最大用电负荷预测值。
5.根据权利要求2所述的短期全网最大用电负荷预测方法，其特征在于，
对于各地市电网负荷数据，将所述各地市电网负荷数据拆分成训练数据和测试数据，并对所述训练数据和测试数据进行归一化处理；
采用回归分析法利用所述训练数据以及测试数据对预测模型进行训练优化，得到优化后的预测模型；
以目标时间段电网负荷影响因素数据作为模型输入得到各地市目标时间段每日的日最大负荷数据，并取其中的最大值作为目标时间段的最大用电负荷；
根据电网同时率对各地市目标时间段的最大用电负荷进行汇总，进而得到各省目标时间段的最大用电负荷以及全网目标时间段的最大用电负荷。
6.根据权利要求2所述的短期全网最大用电负荷预测方法，其特征在于，
对于各省电网负荷数据，将所述各省电网负荷数据拆分成训练数据和测试数据，并对所述训练数据和测试数据进行归一化处理；
采用回归分析法利用所述训练数据以及测试数据对预测模型进行训练优化，得到优化后的预测模型；
以目标时间段电网负荷影响因素数据作为模型输入得到各省目标时间段每日的日最大负荷数据，并取其中的最大值作为目标时间段的最大用电负荷；
根据电网同时率对各省目标时间段的最大用电负荷进行汇总，进而得到全网目标时间段的最大用电负荷。
7.根据权利要求1所述的短期全网最大用电负荷预测方法，其特征在于，
对于全网负荷数据，将所述全网负荷数据拆分成训练数据和测试数据，并对所述训练数据和测试数据进行归一化处理；
采用回归分析法利用所述训练数据以及测试数据对预测模型进行训练优化，得到优化后的预测模型；
以目标时间段电网负荷影响因素数据作为模型输入得到全网目标时间段每日的日最大负荷数据，并取其中的最大值作为目标时间段的全网最大用电负荷。
8.根据权利要求1所述的短期全网最大用电负荷预测方法，其特征在于，所述的对历史样本数据进行预处理，消除异常数据，包括采用水平处理或垂直处理方法对历史样本数据进行平稳化和确实数据的补遗；
所述的水平处理包括：在分析数据时，将前后两个日期的负荷数据作为基准，设定待处理数据的最大变动范围，当待处理的数据超过这个范围，就视为不良数据，采用平均值的方法平稳其变化；
所述的垂直处理包括：在负荷数据预处理时考虑其24h的小周期，认为不同日期的同一时刻的负荷应具有相似性，同时刻的负荷值应维持在一定的范围内，对于超出范围的不良数据修正为待处理数据的最近几天该时刻的平均值。
9.一种短期全网最大用电负荷预测系统，其特征在于，包括：
历史数据获取模块，获取过往年度中目标时间段的用电负荷数据作为历史样本数据；
预处理模块，对所述历史样本数据进行预处理，消除异常数据；
模型训练模块，基于回归分析法，利用历史样本数据对预测模型进行训练与优化；
预测模块，将当前年度目标时间段的电网负荷的影响因素数据作为预测模型输入，预测当前年度目标时间段的全网最大用电负荷。
10.根据权利要求9所述的短期全网最大用电负荷预测系统，其特征在于，所述预处理模块采用水平处理或垂直处理方法对历史样本数据进行平稳化和确实数据的补遗；
所述的水平处理包括：在分析数据时，将前后两个日期的负荷数据作为基准，设定待处理数据的最大变动范围，当待处理的数据超过这个范围，就视为不良数据，采用平均值的方法平稳其变化；
所述的垂直处理包括：在负荷数据预处理时考虑其24h的小周期，认为不同日期的同一时刻的负荷应具有相似性，同时刻的负荷值应维持在一定的范围内，对于超出范围的不良数据修正为待处理数据的最近几天该时刻的平均值。
CN202110827357.7A 2021-07-21 2021-07-21 一种短期全网最大用电负荷预测方法及系统 Pending CN113626763A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110827357.7A CN113626763A (zh) 2021-07-21 2021-07-21 一种短期全网最大用电负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110827357.7A CN113626763A (zh) 2021-07-21 2021-07-21 一种短期全网最大用电负荷预测方法及系统

Publications (1)

Publication Number Publication Date
CN113626763A true CN113626763A (zh) 2021-11-09

Family

ID=78380418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110827357.7A Pending CN113626763A (zh) 2021-07-21 2021-07-21 一种短期全网最大用电负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN113626763A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664365A (zh) * 2023-05-29 2023-08-29 深圳慧锐通智能技术股份有限公司 一种基于物联网的智慧社区数字化管理方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664365A (zh) * 2023-05-29 2023-08-29 深圳慧锐通智能技术股份有限公司 一种基于物联网的智慧社区数字化管理方法及装置
CN116664365B (zh) * 2023-05-29 2024-02-06 深圳慧锐通智能技术股份有限公司 一种基于物联网的智慧社区数字化管理方法及装置

Similar Documents

Publication Publication Date Title
Lebotsa et al. Short term electricity demand forecasting using partially linear additive quantile regression with an application to the unit commitment problem
CN105069525B (zh) 全天候96点日负荷曲线预测及优化修正系统
CN105989420B (zh) 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置
Chikobvu et al. Regression-SARIMA modelling of daily peak electricity demand in South Africa
Wagner Residual demand modeling and application to electricity pricing
CN107423836B (zh) 基于体感温度的短期负荷预测方法
CN102426674A (zh) 一种基于马尔科夫链的电力系统负荷预测方法
JP6445909B2 (ja) 電力需要予測システム
CN105701570A (zh) 一种基于全过程技术提升的短期电力需求分析方法
CN102509173A (zh) 一种基于马尔科夫链的电力系统负荷准确预测方法
Qiuyu et al. Short-term load forecasting based on load decomposition and numerical weather forecast
CN110675275A (zh) 一种虚拟电厂的需求侧响应用电负荷调控方法及系统
CN109492818A (zh) 基于能源发展与Shapley值赋权的用电量预测方法
CN109299814B (zh) 一种气象影响电量分解预测方法
Lau et al. Modelling carbon emissions in electric systems
CN110796314A (zh) 一种考虑温度梯度变化的月度统调用电量预测方法
Bossmann et al. The German load curve in 2050: structural changes through energy efficiency measures and their impacts on the electricity supply side
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
He et al. High frequency short-term demand forecasting model for distribution power grid based on ARIMA
CN113626763A (zh) 一种短期全网最大用电负荷预测方法及系统
CN104252647B (zh) 基于反距离权重插值法的用电负荷预测方法
CN114254838A (zh) 一种短期电力负荷预测影响因子的确定方法
CN106529728A (zh) 一种计及需求响应措施的负荷区间预测方法
JP6679980B2 (ja) 電力需要予測装置、及び電力需要予測方法
Lodetti et al. MAE and RMSE analysis of K-means predictive algorithm for photovoltaic generation

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