CN114266375A - 一种基于多新息算法的地区短期电力负荷峰值预测方法 - Google Patents
一种基于多新息算法的地区短期电力负荷峰值预测方法 Download PDFInfo
- Publication number
- CN114266375A CN114266375A CN202110947131.0A CN202110947131A CN114266375A CN 114266375 A CN114266375 A CN 114266375A CN 202110947131 A CN202110947131 A CN 202110947131A CN 114266375 A CN114266375 A CN 114266375A
- Authority
- CN
- China
- Prior art keywords
- load
- peak value
- day
- formula
- 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 38
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims 1
- 230000002354 daily effect Effects 0.000 description 27
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于多新息算法的地区短期电力负荷峰值预测方法。首先,收集预测日之前的历史日电力负荷峰值;其次,收集历史日对应的日最高气温、最低气温;然后,根据历史日负荷峰值、气温,利用多新息算法计算短期负荷关联因子;最后,结合历史日负荷、预测日的预计气温、短期负荷关联因子,计算预测日的负荷峰值。本发明方法原理简单,计算量小,准确度较高,能够快速实现地区短期电力负荷峰值预测。
Description
技术领域
本发明属于电力系统领域,涉及电力负荷峰值短期预测,具体涉及一种基于多新息算法的地区短期电力负荷峰值预测方法。
背景技术
电力系统负荷具有波动性,即每日每一时刻负荷均在发生变化,但其变化具有一定的规律。随着气温的上升或下降,电力负荷发生变化特征较为明显。夏季气温升高,空调等电器的大量使用,会导致电力负荷的大量上升。冬季气温骤降,取暖设备投入使用,也会导致电力负荷的大量上升。根据这一规律,电力系统常用气温相关因子进行电力负荷预测。其预测结果作为电力系统运行人员开展电网运行方式调整、负荷调整、设备维护等工作的依据,保障电力系统正常运行和用户正常供电。可见,电力系统负荷预测具有十分重要的意义。
在重要节假日(如春节、国庆等),电力系统负荷预测一般需要提前开展,将负荷峰值预测结果上报至能源管理部门,作为电力调度依据。当日内的负荷预测被称为超短期负荷预测,一般参考前一日的负荷结果,适当修正即可得到较为准确的结果。而短期负荷预测一般提前2天以上,仅参考前2日的数据,结果准确度不高,因此,需要考虑其他预测方法。常用的方法有线性法、近似平均法、神经网络法、人体舒适度方法、灰色理论方法等,线性法、近似平均法计算简单,但忽略了负荷随气温等因素变化,精度往往不高;神经网络法、人体舒适度方法、灰色理论方法精度较高,但计算复杂。本发明提出一种基于多新息算法的地区短期电力负荷峰值预测方法,利用多新息理论,并考虑气温对负荷峰值的影响,计算量小,结果精度较高,能够满足电力系统需求。
发明内容
为了克服现有电力系统短期负荷峰值预测方法存在的不足,本发明的目的是提供一种基于多新息算法的地区短期电力负荷峰值预测方法,仅利用已知日气温、负荷峰值,实现预测未知的日负荷,且精度较高。
为了达到上述目的,本发明采用的技术方案是:
一种基于多新息算法的地区短期电力负荷峰值预测方法,其特征在于,包括以下步骤:
步骤3:根据历史日负荷峰值、气温,利用多新息算法计算短期负荷关联因子。具体算法如下:
当有n+3天已知气温、负荷数据时,式(1)可表示为n维矩阵形式:
则式(1)可表示为:
求解式(3),则
本发明和现有区段定位方法相比较,具有如下优点:
本发明提出的一种基于多新息算法的地区短期电力负荷峰值预测方法,专门针对电力系统短期负荷峰值预测,只需要收集预测日3天之前的已知日负荷峰值、最高气温、最低气温,利用多新息方法实现关联因子的精准计算,结果精度高,计算方法简单,再结合预测日的天气预报气温和3天之前的负荷情况,即可快速得到预测日负荷。
附图说明
图1是本发明方法流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
对该地区一个月内连续24天负荷峰值、最高气温、最低气温数据,利用本发明提出的多新息算法,计算关联因子参数,结合25日至30日气温预报,计算日负荷峰值。
表1是某地区一个月内连续24日电力负荷峰值、最高气温、最低气温情况。
表1
日期 | 最高气温(℃) | 最低气温(℃) | 负荷(兆瓦) |
1 | 8.8 | 5.8 | 204.65 |
2 | 8.7 | 5.9 | 210.93 |
3 | 7.9 | 5.2 | 217.03 |
4 | 9.3 | 2.1 | 217.13 |
5 | 11 | 1.9 | 214.33 |
6 | 9.4 | 1.6 | 218.08 |
7 | 8.6 | 6.1 | 218.17 |
8 | 9.1 | 6.1 | 216.52 |
9 | 9.7 | 8.1 | 221.58 |
10 | 11.8 | 7.6 | 217.55 |
11 | 13.9 | 5.2 | 220.47 |
12 | 11.4 | 3.3 | 214.28 |
13 | 3.6 | 0.5 | 222.13 |
14 | 5.4 | 0.4 | 231.29 |
15 | 6.9 | -1.6 | 237.9 |
16 | 7.4 | 0.1 | 242.52 |
17 | 7.9 | 2.7 | 238.81 |
18 | 8.2 | 4.2 | 235.55 |
19 | 9.7 | 0.8 | 235.35 |
20 | 10.7 | -0.8 | 233.27 |
21 | 12.8 | -2 | 233.39 |
22 | 11.7 | -1.8 | 229.9 |
23 | 13.5 | 3.7 | 227.3 |
24 | 14.2 | 1.3 | 218.08 |
表2
日期 | 预计最高气温(℃) | 预计最低气温(℃) |
25 | 11.3 | 0.6 |
26 | 14.8 | 4.4 |
27 | 17.7 | 5.8 |
28 | 9.7 | 4.5 |
29 | 2.1 | 0.2 |
30 | 3.5 | -3.5 |
表3是25日至30日电力负荷预测结果与实际负荷对比情况。
表3
日期 | 预测负荷峰值(兆瓦) | 实际负荷峰值(兆瓦) | 误差(百分数) |
25 | 239.02 | 220.84 | 8.23% |
26 | 227.74 | 222.1 | 2.54% |
27 | 218.68 | 218.66 | 0.01% |
28 | 228.08 | 212.61 | 7.28% |
29 | 241.26 | 227.8 | 5.91% |
30 | 241.42 | 246.57 | 2.09% |
利用本发明提供的方法可以实现短期内电力日负荷峰值预测。如图1所示,包括如下步骤:
步骤3:根据历史日负荷峰值、气温,利用多新息算法计算短期负荷关联因子。具体算法如下:
其中,为最高气温关联因子,为最低气温关联因子,为平均负荷关联因子,为最近日负荷关联因子。即为该日之前第3天的负荷峰值,为该日之前第3天、4天、5天负荷峰值的平均值。例如,在预测第4日负荷时,为第1天、2天、3天负荷的平均值,即为第3天的日负荷,以此类推。
当有n+3天已知气温、负荷数据时,式(1)可表示为n维矩阵形式(本实例中,n=21):
则式(1)可表示为:
求解式(3),则
根据本发明方法,本实例计算得到4个未知参数分别为-2.1198、-0.2491、0.6059、0.5199。计算得到25-30日预测负荷与实际负荷对比的误差分别为8.23%、2.54%、0.01%、7.28%、5.91%、2.09%,误差较小,满足负荷预测要求,证明本发明可行。
以上所述为本发明较佳实施例,对于本领域的普通技术人员而言,根据本发明的教导,在不脱离本发明的原理与精神的情况下,对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。
Claims (2)
1.一种基于多新息算法的地区短期电力负荷峰值预测方法,其特征在于,包括以下步骤:
步骤3:根据历史日负荷峰值、气温,利用多新息算法计算短期负荷关联因子,具体算法如下:
当有n+3天已知气温、负荷数据时,式(1)可表示为n维矩阵形式:
则式(1)可表示为:
求解式(3),则
2.根据权利要求书1所述的一种基于多新息算法的地区短期电力负荷峰值预测方法,其特征在于:步骤3所述的多新息计算方法,数组组数n大于10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110947131.0A CN114266375A (zh) | 2021-08-18 | 2021-08-18 | 一种基于多新息算法的地区短期电力负荷峰值预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110947131.0A CN114266375A (zh) | 2021-08-18 | 2021-08-18 | 一种基于多新息算法的地区短期电力负荷峰值预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114266375A true CN114266375A (zh) | 2022-04-01 |
Family
ID=80824551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110947131.0A Pending CN114266375A (zh) | 2021-08-18 | 2021-08-18 | 一种基于多新息算法的地区短期电力负荷峰值预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266375A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432821A (zh) * | 2023-03-08 | 2023-07-14 | 河北省气象服务中心(河北省气象影视中心) | 基于气象条件的次日用电负荷峰值预测方法 |
CN116865210A (zh) * | 2023-09-05 | 2023-10-10 | 国网湖北省电力有限公司 | 一种防止外部短路冲击的电网降压变压器保护控制方法 |
-
2021
- 2021-08-18 CN CN202110947131.0A patent/CN114266375A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432821A (zh) * | 2023-03-08 | 2023-07-14 | 河北省气象服务中心(河北省气象影视中心) | 基于气象条件的次日用电负荷峰值预测方法 |
CN116432821B (zh) * | 2023-03-08 | 2023-09-26 | 河北省气象服务中心(河北省气象影视中心) | 基于气象条件的次日用电负荷峰值预测方法 |
CN116865210A (zh) * | 2023-09-05 | 2023-10-10 | 国网湖北省电力有限公司 | 一种防止外部短路冲击的电网降压变压器保护控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109681957B (zh) | 一种换热站热负荷预测方法 | |
CN114266375A (zh) | 一种基于多新息算法的地区短期电力负荷峰值预测方法 | |
CN105069536B (zh) | 一种基于气温与经济增长的用电需求预测方法 | |
CN104616079A (zh) | 基于气温变化的电网日用电量预测方法 | |
CN105140967B (zh) | 一种含新能源电力系统调峰需求的评估方法 | |
US20110016070A1 (en) | Method for Predicting Future Environmental Conditions | |
KR101635450B1 (ko) | 기상정보를 활용한 도시에너지관리시스템용 태양광발전량 예측시스템 | |
WO2021082612A1 (zh) | 一种配电台区负荷预测方法及装置 | |
CN105469163A (zh) | 一种用于光伏电站功率预测的相似日的选择方法 | |
CN109299814B (zh) | 一种气象影响电量分解预测方法 | |
CN106468467B (zh) | 一种应用于嵌入式控制系统的空调冷负荷实时预测算法 | |
CN105787271A (zh) | 基于大数据分析技术的供热机组可调出力区间评估方法 | |
CN112241923B (zh) | 一种基于综合能源系统源荷等效外特性的配网电力平衡方法 | |
JP5466596B2 (ja) | 太陽光発電設備の発電出力推定方法 | |
CN113375220A (zh) | 一种基于负荷预测的换热站多模式调控方法 | |
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 | |
CN110598896A (zh) | 基于预测误差校正的光伏功率预测方法 | |
CN112990533B (zh) | 一种稀疏约束和动态权重分配的风电集群功率预测方法 | |
CN114169746A (zh) | 夏季空调降温负荷的确定方法 | |
CN102663517A (zh) | 基于工询业扩和温度还原模型的年最大负荷预测方法 | |
CN114385962A (zh) | 一种基于相似日的日前光伏发电功率预测方法及系统 | |
van der Klauw et al. | Assessing the potential of residential HVAC systems for demand-side management | |
Herzog et al. | Self-adapting building models for model predictive control | |
CN117035173B (zh) | 一种基于六参数模型的换热系统日负荷预测方法及系统 | |
Wang et al. | Integration of grey model and multiple regression model to predict energy consumption |
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 |