CN114186733A - 一种短期负荷预测方法和装置 - Google Patents

一种短期负荷预测方法和装置 Download PDF

Info

Publication number
CN114186733A
CN114186733A CN202111502682.2A CN202111502682A CN114186733A CN 114186733 A CN114186733 A CN 114186733A CN 202111502682 A CN202111502682 A CN 202111502682A CN 114186733 A CN114186733 A CN 114186733A
Authority
CN
China
Prior art keywords
load
data
historical
prediction model
line
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
CN202111502682.2A
Other languages
English (en)
Inventor
路轶
张弛
杨小磊
孙毅
杜成锐
邓扶摇
刘巍
过夏明
陈静
高成
孙永超
蔡隽
张国芳
张大伟
冯智博
胡佳佳
吴刚
廖晔
温亚坤
李祖钢
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 Sichuan Electric Power Co Ltd
Original Assignee
Beijing Tsintergy Technology Co ltd
State Grid Sichuan Electric Power Co Ltd
Electric Power Research Institute of State Grid Sichuan Electric Power 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 Beijing Tsintergy Technology Co ltd, State Grid Sichuan Electric Power Co Ltd, Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Beijing Tsintergy Technology Co ltd
Priority to CN202111502682.2A priority Critical patent/CN114186733A/zh
Publication of CN114186733A publication Critical patent/CN114186733A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (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)

Abstract

本发明属于负荷预测技术领域，具体涉及一种短期负荷预测方法和装置，该方法包括：获取网供负荷中各负荷成分的负荷预测模型；利用各负荷成分的负荷预测模型，获取各负荷成分的预测值；获取网供负荷预测模型；以各负荷成分的预测值为网供负荷预测模型的输入，获取网供负荷的预测值。本申请提供的技术方案，不仅可以对各负荷成分进行特征分析与预测，提升了预测精细化程度；还实现了网供负荷中各负荷成分的有效分解，有利于调度人员了解网供负荷的组成成分及其变化规律，提升网供负荷预测的准确度。

Description

一种短期负荷预测方法和装置
技术领域
本发明属于负荷预测技术领域，具体涉及一种短期负荷预测方法和装置。
背景技术
电力系统短期负荷预测是发电计划编制及电网安全校核分析的基础，其预测水平会直接影响电力系统运行的经济性、稳定性及安全性。近年来随着我国产业结构不断升级调整、分布式电源及柔性负荷占比的不断提高，加之区域气象差异化的原因，部分地区的负荷特性发生明显的变化。尤其在节假日期间或天气发生突变时负荷波动较大，且各地市气象差异化较大，不同类型用户负荷在如节假日或天气突变等场景时又呈现不同的负荷特性，因此现有负荷预测面临较大的困难和挑战。
仅采用系统总负荷作为预测目标历史样本进行预测模型训练的方式难以全面体现各电力用户群体负荷信息，对于一些负荷异常波动情况难以更细化地进行定位分析，预测准确率提升有限，难以满足精细化的预测要求。
采用传统行业分类方法进行用户侧负荷分类的方式，虽然对系统级负荷进行了有效的细化，但是由于各行业内均包含不同用电特性用户，因此对不同行业总负荷变化规律的挖掘也存在较大难度，加之行业负荷基数相对系统负荷大大缩小，因此沿用系统负荷预测的方法预测效果有限，采用分行业进行预测再汇总得到系统级负荷预测的方法由于各行业预测误差分布的随机性，其可行性一定程度上受限。
从总体上看，现有技术多采用间接解释的方式进行负荷预测，无法直接从物理层面对负荷变化的原因进行直接的解释。即通过获取相关的数据，借助人工智能中相关的预测模型对负荷预测结果进行预测，该方式下难以对负荷变化的机理进行较好的解释。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种短期负荷预测方法和装置，以解决现有技术无法对网供负荷进行精准预测的问题。
根据本申请实施例的第一方面，提供一种短期负荷预测方法，所述方法包括：
获取网供负荷中各负荷成分的负荷预测模型；
利用所述各负荷成分的负荷预测模型，获取所述各负荷成分的预测值；
获取网供负荷预测模型；
以所述各负荷成分的预测值为所述网供负荷预测模型的输入，获取网供负荷的预测值。
优选的，所述各负荷成分包括：35kV及以上的电力大用户负荷数据、地方电厂出力负荷数据和10kV公专线负荷数据。
优选的，所述获取网供负荷中各负荷成分的负荷预测模型，包括：建立第一负荷预测模型；
所述建立第一负荷预测模型，包括：当所述负荷成分为35kV及以上的电力大用户负荷时，采集历史时间段内35kV及以上的电力大用户的历史负荷数据和历史的负荷影响因素数据；
以历史的负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以历史时间段内35kV及以上的电力大用户的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取第一负荷预测模型。
优选的，所述获取网供负荷中各负荷成分的负荷预测模型，包括：建立第二负荷预测模型；
所述建立第二负荷预测模型，包括：当所述负荷成分为地方电厂出力负荷时，采集历史时间段内地方电厂出力的历史负荷数据和历史的负荷影响因素数据；
以历史的负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以历史时间段内地方电厂出力的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取第二负荷预测模型。
优选的，所述获取网供负荷中各负荷成分的负荷预测模型，包括：建立第三负荷预测模型；
所述建立第三负荷预测模型，包括：
步骤1：当所述负荷成分为10kV公专线负荷时，采集历史时间段内10kV公专线中各线路的历史负荷数据和历史负荷影响因素数据；
步骤2：令所述历史时间段内10kV公专线中各线路的历史负荷数据为基础数据，并利用所述基础数据获取所述10kV公专线各线路的典型负荷曲线；
步骤3：令簇类中心K＝1；
步骤4：利用K-means聚类算法对所述10kV公专线各线路的典型负荷曲线进行聚类，得到聚类结果；
步骤5：判断簇类中心K是否大于等于M，若K大于等于M，则执行步骤6；若K小于M，则令K＝K+1，并返回步骤4；其中，M为预设值，且M为正整数；
步骤6：利用手肘法获取最优簇类中心，并以最优簇类中心对应的聚类结果为最终聚类结果；
步骤7：利用相关性方法，计算最优聚类结果中各个簇类对应的10kV公专线的历史负荷数据和历史负荷影响因素数据中各类影响因素数据之间的相关性结果，并对所有相关性结果进行排序，令排名前三的相关性结果对应的某类影响因素即为该簇类的主要影响因素；
步骤8：以所述聚类结果中各个簇类对应的历史负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以所述聚类结果中各个簇类对应的10kV公专线的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取各类影响因素的第三负荷预测模型，即各个簇类的第三负荷预测模型。
优选的，所述采集历史时间段内10kV公专线中各线路的历史负荷数据，包括：
对历史时间段内10kV公专线中存在转供关系的线路的历史负荷数据进行组合，得到组合数据；
历史时间段内10kV公专线中不存在转供关系的线路的历史负荷数据与所述组合数据，构成所述历史时间段内10kV公专线中各线路的历史负荷数据。
优选的，所述步骤2中利用所述基础数据获取所述10kV公专线各线路的典型负荷曲线，包括：
步骤21：当所述基础数据中的某条数据存在某个时刻点的负荷值为0时，去掉该条数据，得到预处理后的基础数据；
其中，历史时间段内10kV公专线中各个线路每天的历史负荷数据为一条数据；
步骤22：利用所述预处理后的基础数据，计算10kV公专线中各个线路的各个时刻点的平均负荷，并所述10kV公专线中各个线路的各个时刻点的平均负荷生成各个线路的初始负荷曲线；
步骤23：利用所述预处理后的基础数据，生成历史时间段内10kV公专线中各个线路每天的日负荷曲线；
步骤24：计算所述历史时间段内10kV公专线中各个线路每天的日负荷曲线中各个时刻点与所述初始负荷曲线中各个时刻点的偏差率；
当存在日负荷曲线中各个时刻点与所述初始负荷曲线中各个时刻点的偏差率大于预设的各个时刻点的偏差率阈值时，剔除该日负荷曲线，得到所述10kV公专线各线路的典型负荷曲线。
优选的，所述利用所述各负荷成分的负荷预测模型，获取所述各负荷成分的预测值，包括：
以待预测的未来时间的负荷影响因素数据为所述各负荷成分的负荷预测模型的输入，获取所述各负荷成分的预测值。
优选的，所述获取网供负荷预测模型，包括：
采集历史时间段内各负荷成分的历史负荷数据和所述网供负荷的历史负荷数据；
以所述历史时间段内各负荷成分的历史负荷数据为PSO-LSSVM模型的输入层训练样本，以所述历史时间段内网供负荷的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取所述网供负荷预测模型。
根据本申请实施例的第二方面，提供一种短期负荷预测装置，所述装置包括：
第一获取模块，用于获取网供负荷中各负荷成分的负荷预测模型；
第二获取模块，用于利用所述各负荷成分的负荷预测模型，获取所述各负荷成分的预测值；
第三获取模块，用于获取网供负荷预测模型；
第四获取模块，用于以所述各负荷成分的预测值为所述网供负荷预测模型的输入，获取网供负荷的预测值。
优选的，所述各负荷成分包括：35kV及以上的电力大用户负荷数据、地方电厂出力负荷数据和10kV公专线负荷数据。
优选的，所述第一获取模块，包括：第一模型建立单元，用于建立第一负荷预测模型；
所述第一模型建立单元，具体用于：
当所述负荷成分为35kV及以上的电力大用户负荷时，采集历史时间段内35kV及以上的电力大用户的历史负荷数据和历史的负荷影响因素数据；
以历史的负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以历史时间段内35kV及以上的电力大用户的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取第一负荷预测模型。
优选的，所述第一获取模块，还包括：第二模型建立单元，用于建立第二负荷预测模型；
所述第二模型建立单元，具体用于：
当所述负荷成分为地方电厂出力负荷时，采集历史时间段内地方电厂出力的历史负荷数据和历史的负荷影响因素数据；
以历史的负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以历史时间段内地方电厂出力的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取第二负荷预测模型。
优选的，所述第一获取模块，还包括：第三模型建立单元，用于建立第三负荷预测模型；
所述第三模型建立单元，包括：
采集子单元，用于当所述负荷成分为10kV公专线负荷时，采集历史时间段内10kV公专线中各线路的历史负荷数据和历史负荷影响因素数据；
第一获取子单元，用于令所述历史时间段内10kV公专线中各线路的历史负荷数据为基础数据，并利用所述基础数据获取所述10kV公专线各线路的典型负荷曲线；
第一确定子单元，用于令簇类中心K＝1；
聚类子单元，用于利用K-means聚类算法对所述10kV公专线各线路的典型负荷曲线进行聚类，得到聚类结果；
判断子单元，用于判断簇类中心K是否大于等于M，若K大于等于M，则执行第二获取子单元；若K小于M，则令K＝K+1，并返回聚类子单元；其中，M为预设值，且M为正整数；
第二获取子单元，用于利用手肘法获取最优簇类中心，并以最优簇类中心对应的聚类结果为最终聚类结果；
第二确定子单元，用于利用相关性方法，计算最优聚类结果中各个簇类对应的10kV公专线的历史负荷数据和历史负荷影响因素数据中各类影响因素数据之间的相关性结果，并对所有相关性结果进行排序，令排名前三的相关性结果对应的某类影响因素即为该簇类的主要影响因素；
训练子单元，用于以所述聚类结果中各个簇类对应的历史负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以所述聚类结果中各个簇类对应的10kV公专线的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取各类影响因素的第三负荷预测模型，即各个簇类的第三负荷预测模型。
优选的，所述采集子单元，具体用于：
对历史时间段内10kV公专线中存在转供关系的线路的历史负荷数据进行组合，得到组合数据；
历史时间段内10kV公专线中不存在转供关系的线路的历史负荷数据与所述组合数据，构成所述历史时间段内10kV公专线中各线路的历史负荷数据。
优选的，所述第一获取子单元，具体用于：
当所述基础数据中的某条数据存在某个时刻点的负荷值为0时，去掉该条数据，得到预处理后的基础数据；其中，历史时间段内10kV公专线中各个线路每天的历史负荷数据为一条数据；
利用所述预处理后的基础数据，计算10kV公专线中各个线路的各个时刻点的平均负荷，并所述10kV公专线中各个线路的各个时刻点的平均负荷生成各个线路的初始负荷曲线；
利用所述预处理后的基础数据，生成历史时间段内10kV公专线中各个线路每天的日负荷曲线；
计算所述历史时间段内10kV公专线中各个线路每天的日负荷曲线中各个时刻点与所述初始负荷曲线中各个时刻点的偏差率；
当存在日负荷曲线中各个时刻点与所述初始负荷曲线中各个时刻点的偏差率大于预设的各个时刻点的偏差率阈值时，剔除该日负荷曲线，得到所述10kV公专线各线路的典型负荷曲线。
优选的，所述第二获取模块，具体用于：
以待预测的未来时间的负荷影响因素数据为所述各负荷成分的负荷预测模型的输入，获取所述各负荷成分的预测值。
优选的，所述第三获取模块，具体用于：
采集历史时间段内各负荷成分的历史负荷数据和所述网供负荷的历史负荷数据；
以所述历史时间段内各负荷成分的历史负荷数据为PSO-LSSVM模型的输入层训练样本，以所述历史时间段内网供负荷的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取所述网供负荷预测模型。
根据本申请实施例的第三方面，提供一种可读存储介质，其上存储有可执行程序，所述可执行程序被处理器执行时实现上述的短期负荷预测方法的步骤。
本发明采用以上技术方案，能够达到的有益效果包括：通过获取网供负荷中各负荷成分的负荷预测模型，利用各负荷成分的负荷预测模型，获取各负荷成分的预测值，通过获取网供负荷预测模型，以各负荷成分的预测值为网供负荷预测模型的输入，获取网供负荷的预测值，不仅可以对各负荷成分进行特征分析与预测，提升了预测精细化程度；还实现了网供负荷中各负荷成分的有效分解，有利于调度人员了解网供负荷的组成成分及其变化规律，提升网供负荷预测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种短期负荷预测方法的流程图；
图2是根据一示例性实施例示出的K-means聚类算法的流程图；
图3是根据一示例性实施例示出的10kV公专线线路的负荷转供关系图；
图4是根据一示例性实施例示出的利用基础数据获取10kV公专线各线路的典型负荷曲线的流程图；
图5是根据一示例性实施例示出的一种短期负荷预测装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
图1是根据一示例性实施例示出的一种短期负荷预测方法的流程图，如图1所示，该方法可以但不限于用于终端中，包括以下步骤：
步骤101：获取网供负荷中各负荷成分的负荷预测模型；
步骤102：利用各负荷成分的负荷预测模型，获取各负荷成分的预测值；
步骤103：获取网供负荷预测模型；
步骤104：以各负荷成分的预测值为网供负荷预测模型的输入，获取网供负荷的预测值。
本发明实施例提供的一种短期负荷预测方法，通过获取网供负荷中各负荷成分的负荷预测模型，利用各负荷成分的负荷预测模型，获取各负荷成分的预测值，通过获取网供负荷预测模型，以各负荷成分的预测值为网供负荷预测模型的输入，获取网供负荷的预测值，不仅可以对各负荷成分进行特征分析与预测，提升了预测精细化程度；还实现了网供负荷中各负荷成分的有效分解，有利于调度人员了解网供负荷的组成成分及其变化规律，提升网供负荷预测的准确度。
进一步的，各负荷成分包括：35kV及以上的电力大用户负荷数据、地方电厂出力负荷数据和10kV公专线负荷数据。
进一步的，步骤101获取网供负荷中各负荷成分的负荷预测模型，包括：建立第一负荷预测模型；
建立第一负荷预测模型，包括：当负荷成分为35kV及以上的电力大用户负荷时，采集历史时间段内35kV及以上的电力大用户的历史负荷数据和历史的负荷影响因素数据；
以历史的负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以历史时间段内35kV及以上的电力大用户的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取第一负荷预测模型。
例如，假设预测2月10日0点的35kV及以上的电力大用户负荷，则利用2月10日0点的负荷影响因素数据输入至第一负荷预测模型，得到预测的2月10日0点的35kV及以上的电力大用户负荷。
进一步的，步骤101获取网供负荷中各负荷成分的负荷预测模型，包括：建立第二负荷预测模型；
建立第二负荷预测模型，包括：当负荷成分为地方电厂出力负荷时，采集历史时间段内地方电厂出力的历史负荷数据和历史的负荷影响因素数据；
以历史的负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以历史时间段内地方电厂出力的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取第二负荷预测模型。
例如，假设预测2月10日0点的地方电厂出力负荷，则利用2月10日0点的负荷影响因素数据输入至第二负荷预测模型，得到预测的2月10日0点的地方电厂出力负荷。
进一步的，步骤101获取网供负荷中各负荷成分的负荷预测模型，包括：建立第三负荷预测模型；
建立第三负荷预测模型，包括：
步骤11：当所述负荷成分为10kV公专线负荷时，采集历史时间段内10kV公专线中各线路的历史负荷数据和历史负荷影响因素数据；
步骤12：令所述历史时间段内10kV公专线中各线路的历史负荷数据为基础数据，并利用所述基础数据获取所述10kV公专线各线路的典型负荷曲线；
步骤13：令簇类中心K＝1；
步骤14：利用K-means聚类算法对所述10kV公专线各线路的典型负荷曲线进行聚类，得到聚类结果；
步骤15：判断簇类中心K是否大于等于M，若K大于等于M，则执行步骤16；若K小于M，则令K＝K+1，并返回步骤14；其中，M为预设值，且M为正整数；
步骤16：利用手肘法获取最优簇类中心，并以最优簇类中心对应的聚类结果为最终聚类结果；
步骤17：利用相关性方法，计算最优聚类结果中各个簇类对应的10kV公专线的历史负荷数据和历史负荷影响因素数据中各类影响因素数据之间的相关性结果，并对所有相关性结果进行排序，令排名前三的相关性结果对应的某类影响因素即为该簇类的主要影响因素；
步骤18：以所述聚类结果中各个簇类对应的历史负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以所述聚类结果中各个簇类对应的10kV公专线的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取各类影响因素的第三负荷预测模型，即各个簇类的第三负荷预测模型。
需要说明的是，本发明实施例对“预设值M”的具体值的不做限定，一些实施例中，可以由本领域技术人员根据实验数据或专家经验等进行设置。
可以理解的是，利用K-means聚类算法对10kV公专线各线路的典型负荷曲线进行聚类，目的是为了是确定影响每个簇类对应的10kV公专线的历史负荷数据的主要影响因素。
一些实施例中，历史负荷影响因素可以但不限于包括：气温、湿度、前两天的出力、气压和降雨等。具体的，可以但不限于从气象局中获取历史负荷影响因素。
例如，假设预测2月10日0点的10kV公专线负荷，则利用2月10日0点的负荷影响因素数据输入至每个簇类对应的第三负荷预测模型，得到各个簇类对应的预测负荷，令所有簇类对应的预测负荷相加后得到的负荷值，即为最终的预测的2月10日0点的10kV公专线负荷。
为了建立起各负荷成分的预测模型，首先，获取各类簇中所有用户的全部历史负荷数据、相关的气象数据、各用户的新息。接着，采用相关性计算确定影响各负荷成分的主要影响因素。然后，基于PSO-LSSVM算法对各簇类的负荷进行预测。最后，对预测结果进行分析与修正，并保存各簇类的负荷预测模型。
一些实施例中，假设以10kV公专线各线路的典型负荷曲线为样本集，对于K-means算法而言，首先随机从样本集中选取K个点，每个点代表每个簇的初始聚类中心，然后计算剩余各个样本到聚类中心的欧式距离，将其归为离它最近的簇，并重新计算每一个簇的平均值，整个过程不断重复，直到平方误差准则函数最小且没有变化为止，平方误差准则定义公式为：
Figure BDA0003402317850000121
其中，K为聚类个数，clusterA为第A类中的样本的个数，aveA为第A类中样本的均值。
K-means聚类算法是典型的基于距离的聚类算法，采用点与点之间的距离作为相似性评价指标，即认为两个对象距离越近，相似度就越大。设电力用户X与用户Y典型用电行为模式包含N个特征，两用户之间欧氏距离计算公式为：
Figure BDA0003402317850000122
K-means聚类算法在每一次迭代过程中都要判断每个样本数据是否正确划分到簇类中，若不正确则重新调整，当全部数据调整完后，再修改簇类中心，进行下一次迭代计算，若某一次迭代过程中每个数据样本都分配到正确的簇类中，则不再调整聚类中心。聚类中心稳定不再变化，标注目标函数收敛，算法结束，最后评价聚类结果，K-means聚类算法流程图如图2所示。
一些实施例中，手肘法主要使用的指标为：误差平方和SSE(Sum of the SquaredErrors)。
Figure BDA0003402317850000131
式中：Ci是第i个簇类，p是Ci的样本点，mi是Ci的质心(即Ci中所有样本的均值)，SSE是所有样本的聚类误差，代表了聚类效果的好坏。
随着聚类数K的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，那么误差平方和SSE自然会逐渐变小。
当K小于真实聚类数时，由于K的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当K到达真实聚类数时，再增加K所得到的聚合程度回报会迅速变小，所以SSE的下降幅度会骤减，然后随着K值的继续增大而趋于平缓，也就是说SSE和K的关系图是一个手肘的形状，而这个肘部对应的K值就是数据的真实聚类数，即最优簇类中心。
进一步的，步骤11中采集历史时间段内10kV公专线中各线路的历史负荷数据，包括：
对历史时间段内10kV公专线中存在转供关系的线路的历史负荷数据进行组合，得到组合数据；
历史时间段内10kV公专线中不存在转供关系的线路的历史负荷数据与组合数据，构成历史时间段内10kV公专线中各线路的历史负荷数据。
一些实施例中，如图3所示，当10kV公专线正常运行时开关1闭合开关2断开，计量关口1对负荷1与负荷2的数据进行计量，计量关口2对负荷3的数据进行计量。当需要对开关1进行检修时，为确保负荷2的正常供电需要闭合开关2，此时计量关口1对负荷1的数据进行计量，计量关口2对负荷2与负荷3的数据进行计量。
对于10kV公专线而言，由于检修等事件的发生，需要改变其原有的运行方式，影响了各10kV关口对负荷数据的计量，进而导致了负荷数据缺乏可预测性。为了避免转供关系对负荷预测的影响，需要依据历史运行方式台账、线路拓扑，对存在转供关系的10kV公专线进行初步的组合，再基于实时的检修计划对10kV公专线的组合进行调整，至此完成对于线路的组合。通过考虑10kV公专线之间的转供关系，将具有转供关系的线路组合为独立用电单元，得到合并数据，从而有效的避免转供对采集到负荷预测数据规律性的影响。因此，就转供关系而言，假设第1～t1条线路为不存在转供关系的线路，第t1+1～t1+k-1条线路为存在转供关系的线路，则按下式确定10kV公专线各个线路在第d个时刻点的负荷
Figure BDA0003402317850000141
Figure BDA0003402317850000142
其中，按下式确定10kV公专线中第t1+1条线路在第d个时刻点的负荷
Figure BDA0003402317850000143
Figure BDA0003402317850000144
按下式确定10kV公专线中第t1+2条线路在第d个时刻点的负荷
Figure BDA0003402317850000145
Figure BDA0003402317850000146
按下式确定10kV公专线中第t1+k-1条线路在第d个时刻点的负荷
Figure BDA0003402317850000147
Figure BDA0003402317850000148
上式中，d∈[1,D]，D为一天的时刻点的总数量；t2为第t1+1条线路中的分线路总数量，
Figure BDA0003402317850000149
为第t1+1条线路中第i2条分线路的负荷；t3为第t1+2条线路中的分线路总数量，
Figure BDA00034023178500001410
为第t1+2条线路中第i3条分线路的负荷；tk为第t1+k-1条线路中的分线路总数量，
Figure BDA00034023178500001411
为第t1+k-1条线路中第ik条分线路的负荷。
进一步的，采用循环平均法计算10kV公专线各线路的典型负荷曲线，如图4所示，步骤12中利用基础数据获取10kV公专线各线路的典型负荷曲线，包括：
步骤121：当基础数据中的某条数据存在某个时刻点的负荷值为0时，去掉该条数据，得到预处理后的基础数据；
其中，历史时间段内10kV公专线中各个线路每天的历史负荷数据为一条数据；
步骤122：利用预处理后的基础数据，计算10kV公专线中各个线路的各个时刻点的平均负荷，并10kV公专线中各个线路的各个时刻点的平均负荷生成各个线路的初始负荷曲线；
步骤123：利用预处理后的基础数据，生成历史时间段内10kV公专线中各个线路每天的日负荷曲线；
步骤124：计算历史时间段内10kV公专线中各个线路每天的日负荷曲线中各个时刻点与初始负荷曲线中各个时刻点的偏差率；
当存在日负荷曲线中各个时刻点与初始负荷曲线中各个时刻点的偏差率大于预设的各个时刻点的偏差率阈值时，剔除该日负荷曲线，得到10kV公专线各线路的典型负荷曲线。
进一步的，步骤102，包括：
以待预测的未来时间的负荷影响因素数据为各负荷成分的负荷预测模型的输入，获取各负荷成分的预测值。
具体的，以待预测的未来时间的负荷影响因素数据为第一负荷预测模型的输入，获取待预测的未来时间的35kV及以上的电力大用户负荷预测值。
具体的，以待预测的未来时间的负荷影响因素数据为第二负荷预测模型的输入，获取待预测的未来时间的地方电厂出力负荷预测值。
具体的，以待预测的未来时间的负荷影响因素数据为所有簇类对应的第三负荷预测模型的输入，得到各个簇类对应的负荷预测值，令所有簇类对应的负荷预测值相加后得到的负荷值，即为待预测的未来时间的10kV公专线负荷预测值。
进一步的，步骤103，包括：
采集历史时间段内各负荷成分的历史负荷数据和网供负荷的历史负荷数据；
以历史时间段内各负荷成分的历史负荷数据为PSO-LSSVM模型的输入层训练样本，以历史时间段内网供负荷的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取网供负荷预测模型。
需要说明的是，本发明实施例对“历史时间段”和“时刻点”不做限定，一些实施例中，可以由本领域技术人员根据实验数据或专家经验的进行设定。例如，历史时间段为3年，且每隔15分钟采集一次，每天采集96点的负荷数据。
还需要说明的是，本发明实施例中涉及的“PSO-LSSVM模型”方式，是本领域技术人员所熟知的，因此，其具体实现方式不做过多描述。
具体的，实际上在计算网供负荷时，需要按下式计算：
Pgrid＝Pline+Plarge+Ploss-Pplant (8)
式中，Pgrid为网供负荷，Pline为10kV公专线负荷，Plarge为35kV及以上的电力大用户负荷，Ploss为网损，Pplant为地方电厂出力；
由于网络损耗主要由线路损耗以及各电气设备的损耗构成，与具体潮流有关，属于不确定的量，所以通过获取网供负荷预测模型，再以10kV公专线负荷、35kV及以上的电力大用户负荷和地方电厂出力的预测值为所述网供负荷预测模型的输入，获取网供负荷的预测值，保证网供负荷预测的准确性。
本发明实施例提供的一种短期负荷预测方法，通过获取网供负荷中各负荷成分的负荷预测模型，利用各负荷成分的负荷预测模型，获取各负荷成分的预测值，通过获取网供负荷预测模型，以各负荷成分的预测值为网供负荷预测模型的输入，获取网供负荷的预测值，实现了网供负荷中各负荷成分的有效分解，有利于调度人员了解网供负荷的组成成分及其变化规律；同时，对各分类总负荷针对性的进行特征分析与预测，提升了预测精细化程度；由于负荷预测过程具体到了网供配电线路，相比于已有直接采用网供预测的方法，能同时结合外部影响因素、配网侧线路结构调整、用户新增等因素，进行更加准确的预测结果修正，从而进一步提升负荷预测的准确度。
本发明实施例还提供一种短期负荷预测装置，如图5所示，该装置包括：
第一获取模块，用于获取网供负荷中各负荷成分的负荷预测模型；
第二获取模块，用于利用各负荷成分的负荷预测模型，获取各负荷成分的预测值；
第三获取模块，用于获取网供负荷预测模型；
第四获取模块，用于以各负荷成分的预测值为网供负荷预测模型的输入，获取网供负荷的预测值。
进一步的，各负荷成分包括：35kV及以上的电力大用户负荷数据、地方电厂出力负荷数据和10kV公专线负荷数据。
进一步的，第一获取模块，包括：第一模型建立单元，用于建立第一负荷预测模型；
所述第一模型建立单元，具体用于：
当负荷成分为35kV及以上的电力大用户负荷时，采集历史时间段内35kV及以上的电力大用户的历史负荷数据和历史的负荷影响因素数据；
以历史的负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以历史时间段内35kV及以上的电力大用户的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取第一负荷预测模型。
进一步的，第一获取模块，还包括：第二模型建立单元，用于建立第二负荷预测模型；
所述第一模型建立单元，具体用于：
当负荷成分为地方电厂出力负荷时，采集历史时间段内地方电厂出力的历史负荷数据和历史的负荷影响因素数据；
以历史的负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以历史时间段内地方电厂出力的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取第二负荷预测模型。
进一步的，第一获取模块，还包括：第三模型建立单元，用于建立第三负荷预测模型；
第三模型建立单元，包括：
采集子单元，用于当负荷成分为10kV公专线负荷时，采集历史时间段内10kV公专线中各线路的历史负荷数据和历史负荷影响因素数据；
第一获取子单元，用于令历史时间段内10kV公专线中各线路的历史负荷数据为基础数据，并利用基础数据获取10kV公专线各线路的典型负荷曲线；
第一确定子单元，用于令簇类中心K＝1；
聚类子单元，用于利用K-means聚类算法对10kV公专线各线路的典型负荷曲线进行聚类，得到聚类结果；
判断子单元，用于判断簇类中心K是否大于等于M，若K大于等于M，则执行第二获取子单元；若K小于M，则令K＝K+1，并返回聚类子单元；其中，M为预设值，且M为正整数；
第二获取子单元，用于利用手肘法获取最优簇类中心，并以最优簇类中心对应的聚类结果为最终聚类结果；
第二确定子单元，用于利用相关性方法，计算最优聚类结果中各个簇类对应的10kV公专线的历史负荷数据和历史负荷影响因素数据中各类影响因素数据之间的相关性结果，并对所有相关性结果进行排序，令排名前三的相关性结果对应的某类影响因素即为该簇类的主要影响因素；
训练子单元，用于以聚类结果中各个簇类对应的历史负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以聚类结果中各个簇类对应的10kV公专线的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取各类影响因素的第三负荷预测模型，即各个簇类的第三负荷预测模型。
进一步的，采集子单元，具体用于：
对历史时间段内10kV公专线中存在转供关系的线路的历史负荷数据进行组合，得到组合数据；
历史时间段内10kV公专线中不存在转供关系的线路的历史负荷数据与组合数据，构成历史时间段内10kV公专线中各线路的历史负荷数据。
进一步的，第一获取子单元，具体用于：
当基础数据中的某条数据存在某个时刻点的负荷值为0时，去掉该条数据，得到预处理后的基础数据；其中，历史时间段内10kV公专线中各个线路每天的历史负荷数据为一条数据；
利用预处理后的基础数据，计算10kV公专线中各个线路的各个时刻点的平均负荷，并10kV公专线中各个线路的各个时刻点的平均负荷生成各个线路的初始负荷曲线；
利用预处理后的基础数据，生成历史时间段内10kV公专线中各个线路每天的日负荷曲线；
计算历史时间段内10kV公专线中各个线路每天的日负荷曲线中各个时刻点与初始负荷曲线中各个时刻点的偏差率；
当存在日负荷曲线中各个时刻点与初始负荷曲线中各个时刻点的偏差率大于预设的各个时刻点的偏差率阈值时，剔除该日负荷曲线，得到10kV公专线各线路的典型负荷曲线。
进一步的，第二获取模块，具体用于：
以待预测的未来时间的负荷影响因素数据为各负荷成分的负荷预测模型的输入，获取各负荷成分的预测值。
进一步的，第三获取模块，具体用于：
采集历史时间段内各负荷成分的历史负荷数据和网供负荷的历史负荷数据；
以历史时间段内各负荷成分的历史负荷数据为PSO-LSSVM模型的输入层训练样本，以历史时间段内网供负荷的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取网供负荷预测模型。
可以理解的是，上述提供的装置实施例与上述的方法实施例对应，相应的具体内容可以相互参考，在此不再赘述。
本发明实施例还提供一种可读存储介质，其上存储有可执行程序，该可执行程序被处理器执行时实现上述实施例中短期负荷预测方法的步骤。
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和光学存储器等)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方法的制造品，该指令方法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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种短期负荷预测方法，其特征在于，所述方法包括：
获取网供负荷中各负荷成分的负荷预测模型；
利用所述各负荷成分的负荷预测模型，获取所述各负荷成分的预测值；
获取网供负荷预测模型；
以所述各负荷成分的预测值为所述网供负荷预测模型的输入，获取网供负荷的预测值。
2.根据权利要求1所述的方法，其特征在于，所述各负荷成分包括：35kV及以上的电力大用户负荷数据、地方电厂出力负荷数据和10kV公专线负荷数据。
3.根据权利要求1所述的方法，其特征在于，所述获取网供负荷中各负荷成分的负荷预测模型，包括：建立第一负荷预测模型；
所述建立第一负荷预测模型，包括：当所述负荷成分为35kV及以上的电力大用户负荷时，采集历史时间段内35kV及以上的电力大用户的历史负荷数据和历史的负荷影响因素数据；
以历史的负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以历史时间段内35kV及以上的电力大用户的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取第一负荷预测模型。
4.根据权利要求1所述的方法，其特征在于，所述获取网供负荷中各负荷成分的负荷预测模型，包括：建立第二负荷预测模型；
所述建立第二负荷预测模型，包括：当所述负荷成分为地方电厂出力负荷时，采集历史时间段内地方电厂出力的历史负荷数据和历史的负荷影响因素数据；
以历史的负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以历史时间段内地方电厂出力的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取第二负荷预测模型。
5.根据权利要求1所述的方法，其特征在于，所述获取网供负荷中各负荷成分的负荷预测模型，包括：建立第三负荷预测模型；
所述建立第三负荷预测模型，包括：
步骤1：当所述负荷成分为10kV公专线负荷时，采集历史时间段内10kV公专线中各线路的历史负荷数据和历史负荷影响因素数据；
步骤2：令所述历史时间段内10kV公专线中各线路的历史负荷数据为基础数据，并利用所述基础数据获取所述10kV公专线各线路的典型负荷曲线；
步骤3：令簇类中心K＝1；
步骤4：利用K-means聚类算法对所述10kV公专线各线路的典型负荷曲线进行聚类，得到聚类结果；
步骤5：判断簇类中心K是否大于等于M，若K大于等于M，则执行步骤6；若K小于M，则令K＝K+1，并返回步骤4；其中，M为预设值，且M为正整数；
步骤6：利用手肘法获取最优簇类中心，并以最优簇类中心对应的聚类结果为最终聚类结果；
步骤7：利用相关性方法，计算最优聚类结果中各个簇类对应的10kV公专线的历史负荷数据和历史负荷影响因素数据中各类影响因素数据之间的相关性结果，并对所有相关性结果进行排序，令排名前三的相关性结果对应的某类影响因素即为该簇类的主要影响因素；
步骤8：以所述聚类结果中各个簇类对应的历史负荷影响因素数据为PSO-LSSVM模型的输入层训练样本，以所述聚类结果中各个簇类对应的10kV公专线的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取各类影响因素的第三负荷预测模型，即各个簇类的第三负荷预测模型。
6.根据权利要求5所述的方法，其特征在于，所述步骤1中采集历史时间段内10kV公专线中各线路的历史负荷数据，包括：
对历史时间段内10kV公专线中存在转供关系的线路的历史负荷数据进行组合，得到组合数据；
历史时间段内10kV公专线中不存在转供关系的线路的历史负荷数据与所述组合数据，构成所述历史时间段内10kV公专线中各线路的历史负荷数据。
7.根据权利要求5所述的方法，其特征在于，所述步骤2中利用所述基础数据获取所述10kV公专线各线路的典型负荷曲线，包括：
步骤21：当所述基础数据中的某条数据存在某个时刻点的负荷值为0时，去掉该条数据，得到预处理后的基础数据；
其中，历史时间段内10kV公专线中各个线路每天的历史负荷数据为一条数据；
步骤22：利用所述预处理后的基础数据，计算10kV公专线中各个线路的各个时刻点的平均负荷，并所述10kV公专线中各个线路的各个时刻点的平均负荷生成各个线路的初始负荷曲线；
步骤23：利用所述预处理后的基础数据，生成历史时间段内10kV公专线中各个线路每天的日负荷曲线；
步骤24：计算所述历史时间段内10kV公专线中各个线路每天的日负荷曲线中各个时刻点与所述初始负荷曲线中各个时刻点的偏差率；
当存在日负荷曲线中各个时刻点与所述初始负荷曲线中各个时刻点的偏差率大于预设的各个时刻点的偏差率阈值时，剔除该日负荷曲线，得到所述10kV公专线各线路的典型负荷曲线。
8.根据权利要求1所述的方法，其特征在于，所述利用所述各负荷成分的负荷预测模型，获取所述各负荷成分的预测值，包括：
以待预测的未来时间的负荷影响因素数据为所述各负荷成分的负荷预测模型的输入，获取所述各负荷成分的预测值。
9.根据权利要求1所述的方法，其特征在于，所述获取网供负荷预测模型，包括：
采集历史时间段内各负荷成分的历史负荷数据和所述网供负荷的历史负荷数据；
以所述历史时间段内各负荷成分的历史负荷数据为PSO-LSSVM模型的输入层训练样本，以所述历史时间段内网供负荷的历史负荷数据为PSO-LSSVM模型的输出层训练样本进行训练，获取所述网供负荷预测模型。
10.一种短期负荷预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取网供负荷中各负荷成分的负荷预测模型；
第二获取模块，用于利用所述各负荷成分的负荷预测模型，获取所述各负荷成分的预测值；
第三获取模块，用于获取网供负荷预测模型；
第四获取模块，用于以所述各负荷成分的预测值为所述网供负荷预测模型的输入，获取网供负荷的预测值。
CN202111502682.2A 2021-12-09 2021-12-09 一种短期负荷预测方法和装置 Pending CN114186733A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111502682.2A CN114186733A (zh) 2021-12-09 2021-12-09 一种短期负荷预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111502682.2A CN114186733A (zh) 2021-12-09 2021-12-09 一种短期负荷预测方法和装置

Publications (1)

Publication Number Publication Date
CN114186733A true CN114186733A (zh) 2022-03-15

Family

ID=80604159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111502682.2A Pending CN114186733A (zh) 2021-12-09 2021-12-09 一种短期负荷预测方法和装置

Country Status (1)

Country Link
CN (1) CN114186733A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116632842A (zh) * 2023-07-26 2023-08-22 国网山东省电力公司信息通信公司 基于聚类特性的台区分布式光伏负荷概率预测方法及系统
CN117335416A (zh) * 2023-11-24 2024-01-02 国网浙江省电力有限公司 一种用电负荷优化的方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116632842A (zh) * 2023-07-26 2023-08-22 国网山东省电力公司信息通信公司 基于聚类特性的台区分布式光伏负荷概率预测方法及系统
CN116632842B (zh) * 2023-07-26 2023-11-10 国网山东省电力公司信息通信公司 基于聚类特性的台区分布式光伏负荷概率预测方法及系统
CN117335416A (zh) * 2023-11-24 2024-01-02 国网浙江省电力有限公司 一种用电负荷优化的方法、装置、设备及存储介质
CN117335416B (zh) * 2023-11-24 2024-03-01 国网浙江省电力有限公司 一种用电负荷优化的方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Dong et al. Wind power day-ahead prediction with cluster analysis of NWP
Yuan et al. Conditional style-based generative adversarial networks for renewable scenario generation
CN114186733A (zh) 一种短期负荷预测方法和装置
CN111612275B (zh) 一种预测区域用户负荷量的方法及装置
CN102426674A (zh) 一种基于马尔科夫链的电力系统负荷预测方法
CN110689190A (zh) 一种电网负荷预测方法、装置及相关设备
Qiuyu et al. Short-term load forecasting based on load decomposition and numerical weather forecast
Kaboli et al. An expression-driven approach for long-term electric power consumption forecasting
Xue et al. Adaptive ultra-short-term wind power prediction based on risk assessment
Cetinkaya Long-term electrical load forecasting based on economic and demographic data for Turkey
Gama et al. Stream-based electricity load forecast
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN115470862A (zh) 动态自适应负荷预测模型组合方法
CN116388150A (zh) 基于数字孪生和神经网络技术的配变短期负荷预测方法
CN109858668B (zh) 一种雷电气候下电力负荷区域协调预测方法
CN114926046A (zh) 一种备用资源跨区共享的计算方法及其相关装置
CN113887809A (zh) 双碳目标下配电网供需平衡方法、系统、介质及计算设备
CN112508254B (zh) 变电站工程项目投资预测数据的确定方法
Gligor et al. Power demand forecast for optimization of the distribution costs
CN112465266A (zh) 一种母线负荷预测准确率分析方法、装置及计算机设备
Bhatia et al. A multi-phase ensemble model for long term hourly load forecasting
CN110909916B (zh) 一种基于熵权法的风力发电月度电量区间预测方法
CN113139698A (zh) 负荷预测方法、装置及设备
Gajowniczek et al. Seasonal peak demand classification with machine learning techniques
Liu et al. Short-term Load Forecasting Approach with SVM and Similar Days Based on United Data Mining Technology

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
TA01 Transfer of patent application right

Effective date of registration: 20231108

Address after: No. 366 Shuxiu West Road, Chengdu High tech Zone, China (Sichuan) Pilot Free Trade Zone, Chengdu City, Sichuan Province, 610213

Applicant after: STATE GRID SICHUAN ELECTRIC POWER Corp.

Address before: 610000 No. 366 Shuxiu West Road, Chengdu City, Sichuan Province

Applicant before: STATE GRID SICHUAN ELECTRIC POWER Corp.

Applicant before: STATE GRID SICHUAN ELECTRIC POWER Research Institute

Applicant before: BEIJING TSINTERGY TECHNOLOGY CO.,LTD.

TA01 Transfer of patent application right