CN114372360A - 用于电力负荷预测的方法、终端及存储介质 - Google Patents
用于电力负荷预测的方法、终端及存储介质 Download PDFInfo
- Publication number
- CN114372360A CN114372360A CN202111678007.5A CN202111678007A CN114372360A CN 114372360 A CN114372360 A CN 114372360A CN 202111678007 A CN202111678007 A CN 202111678007A CN 114372360 A CN114372360 A CN 114372360A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- prediction
- data
- load
- electricity
- 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 59
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000005611 electricity Effects 0.000 claims abstract description 144
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 20
- 238000009825 accumulation Methods 0.000 claims description 18
- 238000005316 response function Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012843 least square support vector machine Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000255588 Tephritidae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 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
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种用于电力负荷预测的方法、终端及存储介质。该方法包括:获取用户的历史用电数据和用电环境信息;其中,所述历史用电数据包括用电时段、用电设备和各用电设备的用电量;所述用电环境信息包括:指定日的气候信息和/或指定日的日期类型;对所述历史用电数据和所述用电环境信息进行预处理,并进行分类得到预测数据;根据所述预测数据建立两个或两个以上电力负荷灰色预测模型,以用于电力负荷预测;其中,所述电力负荷灰色预测模型包括总耗电量预测模型、各类设备耗电量预测模型和各项耗电量预测模型。本发明能够提高电力负荷预测的精确度。
Description
技术领域
本发明涉及能源管理技术领域,尤其涉及一种用于电力负荷预测的方法、终端及存储介质。
背景技术
电力工业是国家在能源领域的重大基础行业,电力是国民经济的命脉,对于我国经济建设、国家安全、社会稳定、生活质量具有至关重要的作用。提高负荷控制管理的服务水平,不仅可以为用户节省用电费用,还可以指导用户合理用电。因此,建设系统应通过对用户用电的动态进行实时监测,根据用户的用电需求有效地预测用电负荷。
电力负荷受到很多如温度、历史负荷、用电日期等因素的影响,存在较强的不确定性和非线性特征,增加了负荷预测的难度,造成短期负荷预测结果精度偏低。目前短期负荷预测方法主要有回归分析法、时间序列法、人工神经网络法等,这些传统的预测方法优点在于技术成熟算法简单,但是,存在预测精度不高的问题。
发明内容
本发明实施例提供了一种用于电力负荷预测的方法、终端及存储介质,以解决现有电力负荷预测方案精度不高的问题。
第一方面,本发明实施例提供了一种用于电力负荷预测的方法,包括:
获取用户的历史用电数据和用电环境信息;其中,所述历史用电数据包括用电时段、用电设备类型和各用电设备的用电量;所述用电环境信息包括:指定日的气候信息和/或指定日的日期类型;
对所述历史用电数据和所述用电环境信息进行预处理,并进行分类得到预测数据;
根据所述预测数据建立两个或两个以上电力负荷灰色预测模型,以用于电力负荷预测;其中,所述电力负荷灰色预测模型包括总耗电量预测模型、各类设备耗电量预测模型和各项耗电量预测模型。
在一种可能的实现方式中,所述进行分类得到预测数据,包括:
按照所述用电环境信息对所述历史用电数据进行分类,确定初始分类用电数据;
按照所述用电时段,或者,所述用电数段和用电设备对各初始分类用电数据中各用电设备的用电量进行分类,确定预测数据。
在一种可能的实现方式中,所述按照所述用电环境信息对所述历史用电数据进行分类,确定初始分类用电数据,包括:
当用电环境信息包括:指定日的气候信息和指定日的日期类型时,按照所述指定日的日期类型对所述历史用电数据进行分类,确定基础分类用电数据;
根据所述指定日的气候信息对所述基础分类用电数据进行分类,确定初始分类数据。
在一种可能的实现方式中,所述根据所述预测数据建立两个或两个以上电力负荷灰色预测模型包括:
确定目标电力负荷灰色预测模型的原始负荷序列;
对所述原始负荷序列进行累加生成累加生成序列;
以所述原始负荷序列作为GM(1,1)建模序列,并用1-AGO生成一阶累加生成序列;
根据所述一阶累加生成序列及最小二乘法得到未知参数A的最小二乘近似解,并得到GM(1,1)模型的时间响应函数模型;
根据所述时间响应函数模型进行累减还原,确定所述目标电力负荷灰色预测模型;其中,所述目标电力负荷灰色预测模型包括总耗电量预测模型、各类设备耗电量预测模型和各项耗电量预测模型中一项或多项。
在一种可能的实现方式中,在所述确定所述目标电力负荷灰色预测模型之后,还包括:
根据所述原始负荷序列中的用电量与对应的预测值进行后验差检验。
在一种可能的实现方式中,所述确定目标电力负荷灰色预测模型的原始负荷序列,包括:
确定用电设备的总用电量为总耗电量预测模型的原始负荷序列;
确定各用电设备的用电量为对应的各项耗电量预测模型的原始负荷序列;
根据用电设备的用途对所述用电设备类型进行聚类,并基于各类中设备的总用电量为对应的各类设备耗电量预测模型的原始负荷序列。
在一种可能的实现方式中,所述对所述历史用电数据和所述用电环境信息进行预处理,包括:
计算各用电设备的用电量与对应的平均值之间的第一偏差值;
在所述偏差值的绝对值大于设定阈值时用对应的平均值代替。
在一种可能的实现方式中,所述对所述历史用电数据和所述用电环境信息进行预处理,包括:
计算用电设备的总用电量与对应的平均值之间的第一偏差值;
在所述偏差值的绝对值大于设定阈值时用对应的平均值代替。
在一种可能的实现方式中,所述获取用户的历史用电数据和用电环境信息,包括:
按照预设时间间隔获取各用电设备的用电量作为历史用电数据。
第二方面,本发明实施例提供了一种用于电力负荷预测的装置,包括:
获取模块,用于获取用户的历史用电数据和用电环境信息;其中,所述历史用电数据包括用电时段、用电设备类型和各用电设备的用电量;所述用电环境信息包括:指定日的气候信息和/或指定日的日期类型;
数据处理模块,用于对所述历史用电数据和所述用电环境信息进行预处理,并进行分类得到预测数据;
模型建立模块,用于根据所述预测数据建立两个或两个以上电力负荷灰色预测模型,以用于电力负荷预测;其中,所述电力负荷灰色预测模型包括总耗电量预测模型、各类设备耗电量预测模型和各项耗电量预测模型。
第三方面,本发明实施例提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种用于电力负荷预测的方法、终端及存储介质,通过获取用户的历史用电数据和用电环境信息,对历史用电数据和用电环境信息进行预处理,并进行分类得到预测数据。为建立多种电力负荷灰色预测模型提供数据基础。其中,历史用电数据包括用电时段、用电设备类型和各用电设备的用电量。用电环境信息包括:指定日的气候信息和/或指定日的日期类型。根据预测数据建立两个或两个以上电力负荷灰色预测模型,以用于电力负荷预测。综合考虑了在不同用电环境信息下用电设备用电量存在差异,基于用电环境信息建立针对性的预测模型,提高预测精确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的用于电力负荷预测的方法的流程示意图;
图2是本发明另一实施例提供的建立电力负荷灰色预测模型的流程示意图;
图3是本发明一实施例提供的用于电力负荷预测的装置的结构示意图;
图4是本发明一实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
电力负荷预测技术是能效管理的重要基础与保障。电力负荷预测结果的精度直接影响电力系统运行的安全性、稳定性和经济性,电力负荷预测可以为电网供电容量进行预安排,通过了解负荷时段的负荷量,从而对电网内部的发电机检修还有维护工作安排顺序,还有依据负荷预测所安排的电网建设计划,增加新的设备机组,来满足逐年增加的用电量。因此选择恰当的电力负荷预测方法尤其重要。通常,负荷预测可以分为城市民用负荷、商业负荷、农村负荷、工业负荷及其他负荷的负荷预测。按预测符合表示的不同特性又可分为最低负荷、最高负荷、平均负荷、负荷峰谷差、高峰负荷平均、低谷负荷平均、平峰负荷平均预测。按负荷预测时间分类可以分为长期、中期、短期和超短期负荷预测。
在现有的电力系统短期电力负荷预测方法中,大多数方法只考虑了气象因素、日期因素、历史负荷等单一因素对负荷的因素。本发明在此基础上提出气象综合指数来综合各因素对电力负荷的耦合作用,相比温度、湿度等单一因素对负荷的影响,气象综合指数对电力系统短期负荷的变化有更好的描述效果。其次,为了弥补其它短期预测方法不能区别对待每个样本重要性的缺陷,本发明通过灰色关联分析得到电力系统负荷与负荷特征量之间的关联度来计算特征量权重,并在负荷预测模型中提出了高斯核函数和特征量权重系数结合的加权最小二乘支持向量机,可以有效提高负荷的预测精度。最后,鉴于支持向量机核函数及其参数的选择直接决定了它的学习性能,本发明采用兼具全局性搜索与群智能思想的果蝇优化算法来优化选取模型相关的最优参数组合,然后将训练好的基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型用于负荷预测,进一步提高了模型的学习能力和预测精度。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
图1为本发明实施例提供的用于电力负荷预测的方法的流程示意图。如图1所示,包括如下步骤:
S101,获取用户的历史用电数据和用电环境信息。其中,历史用电数据包括用电时段、用电设备类型和各用电设备的用电量;用电环境信息包括:指定日的气候信息和/或指定日的日期类型。
其中,获取用户的历史用电数据和用电环境信息,旨在考虑用电环境信息对各用电设备的用电量的影响,以基于用电环境信息对历史用电数据进行聚类分析,以提高电力负荷的预测精确度。
可选的,指定日的气候信息包括气象信息和/或室外环境温度信息。可选的,指定日的日期类型包括节假日和工作日。例如:在下雪天或者三伏天室外环境温度过高时,用户会长时间用到空调,增大用电量;在节假日用户居家时间长,同样会增大用电量。因此,在进行电力负荷预测时,综合考虑用电环境信息,能够提高预测精确度。
S102,对历史用电数据和用电环境信息进行预处理,并进行分类得到预测数据。
通过用电环境信息对历史用电数据进行分类,可以对不同用电环境下用电量差异较大的情形针对性建立预测模型。同时,基于用电环境信息即用电时段、用电设备类型和各用电设备的用电量进行分类,并基于分类后的数据建立预测模型,可以满足用户对用电情况信息获取的实际需求,以及实现后续供电过程中的多样性服务,例如:超荷报警服务、协助安全用电检查、改善电能质量、提供电力供需信息、错峰填谷用电、电能利用率分析以及确定用电调整策略,用电调整策略包括:电能量控制、转移系统的负荷和合理安排无功补偿。
S103,根据预测数据建立两个或两个以上电力负荷灰色预测模型,以用于电力负荷预测。其中,电力负荷灰色预测模型包括总耗电量预测模型、各类设备耗电量预测模型和各项耗电量预测模型。
本实施例中,通过获取用户的历史用电数据和用电环境信息,对历史用电数据和用电环境信息进行预处理,并进行分类得到预测数据。为建立多种电力负荷灰色预测模型提供数据基础。其中,历史用电数据包括用电时段、用电设备类型和各用电设备的用电量。用电环境信息包括:指定日的气候信息和/或指定日的日期类型。根据预测数据建立两个或两个以上电力负荷灰色预测模型,以用于电力负荷预测。综合考虑了在不同用电环境信息下用电设备用电量存在差异,基于用电环境信息建立针对性的预测模型,提高预测精确度。
在一种可能的实现方式中,步骤S102中,进行分类得到预测数据,包括:
按照用电环境信息对历史用电数据进行分类,确定初始分类用电数据;
按照用电时段,或者,用电数段和用电设备对各初始分类用电数据中各用电设备的用电量进行分类,确定预测数据。
在不同实施例中,基于用电环境信息的组成不同,对历史用电数据进行分类的方式不同。用电环境信息包括:指定日的气候信息和/或指定日的日期类型。其中,指定日的气候信息包括风、雨、沙尘、雪或室外环境温度中的一些或多项。指定日的日期类型包括工作日和节假日。其中,指定日的气候信息为大风或沙尘时,需要开启空气净化器,指定日的气候信息为雨时,需要开启空调或除湿机等设备进行除湿。
在一种可能的实现方式中,当用电环境信息包括指定日的日期类型时,按照指定日的日期类型对历史用电数据进行分类,确定初始分类数据。
在一种可能的实现方式中,当用电环境信息包括指定日的气候信息时,按照指定日的气候信息对历史用电数据进行分类,确定初始分类数据。
在一种可能的实现方式中,当用电环境信息包括:指定日的气候信息和指定日的日期类型时,按照用电环境信息对历史用电数据进行分类,确定初始分类用电数据,包括:
按照指定日的日期类型对历史用电数据进行分类,确定基础分类用电数据;
根据指定日的气候信息对基础分类用电数据进行分类,确定初始分类数据。
在一种可能的实现方式中,步骤S103中,根据预测数据建立两个或两个以上电力负荷灰色预测模型包括:
确定目标电力负荷灰色预测模型的原始负荷序列;
对原始负荷序列进行累加生成累加生成序列;
以原始负荷序列作为GM(1,1)建模序列,并用1-AGO生成一阶累加生成序列;
根据一阶累加生成序列及最小二乘法得到未知参数A的最小二乘近似解,并得到GM(1,1)模型的时间响应函数模型;
根据时间响应函数模型进行累减还原,确定目标电力负荷灰色预测模型;其中,目标电力负荷灰色预测模型包括总耗电量预测模型、各类设备耗电量预测模型和各项耗电量预测模型中一项或多项。
在一种可能的实现方式中,在确定目标电力负荷灰色预测模型之后,还包括:
根据原始负荷序列中的用电量与对应的预测值进行后验差检验。
图2为本发明一实施例提供的建立电力负荷灰色预测模型的流程示意图。如图2所示,包括如下步骤:
S201,确定目标电力负荷灰色预测模型的原始负荷序列,对原始负荷序列进行累加生成累加生成序列。
S202,以原始负荷序列作为GM(1,1)建模序列,并用1-AGO生成一阶累加生成序列。
S203,根据一阶累加生成序列及最小二乘法得到未知参数A的最小二乘近似解,并得到GM(1,1)模型的时间响应函数模型。
S204,根据原始负荷序列中的用电量与对应的预测值进行后验差检验。在校验合格的情况下,执行步骤S205,否则,执行步骤S201。
S205,基于建立的GM(1,1)模型的时间响应函数模型进行累减还原,确定目标电力负荷灰色预测模型,并进行指定时间段用电量预测。
在一具体实施例中,目标电力负荷灰色预测模型的建立过程包括:
a.灰色生成:
将原始负荷序列{x(0)}中的数据x(0)(k)按要求作数据处理的过程称为生成。用生成的方法将旧序列变成随机性弱化、规律性强化的新序列,新序列的数据称为随机数。本发明实施例选用累加生成的方式生成灰色系统。
对原始负荷序列作以下处理:维持原始负荷序列中的第一个数据不变,将其作为新序列的第一个数据,将原始负荷序列前两个数据之和作为新序列的第二个数据,原始负荷序列前3个数据的和作为新序列的第三个数据,,依此类推,这样得到的新序列成为累加生成序列,这种数据生成方式成为累加生成。
记x(0)为原始负荷序列
x(0)=[x(0)(k)|k=1,2,…,n]
=[x(0)(1),x(0)(2),…,x(0)(n)]
记x(1)为生成负荷序列
x(1)=[x(1)(k)|k=1,2,…,n]
=[x(1)(1),x(1)(2),…,x(1)(n)]
称{x(1)}为{x(0)}的一次累加生成序列,记为1-AGO(Accumulated GeneratingOperation)。
b.GM(1,1)模型的建立:
GM(1,1)模型是最常用的一种灰色模型,是由一个只包含单变量的一阶微分方程构成的模型,对增长型的负荷预测精度相当高。
设变量为x(0)的原始负荷数据序列为GM(1,1)建模序列:
x(0)=[x(0)(1),x(0)(2),…,x(0)(n)]
用1-AGO生成一阶累加生成序列:
x(1)=[x(1)(1),x(1)(2),…,x(1)(n)]
其中,
x(1)序列满足一阶线性微分方程模型:
由导数定义推导展开上式有:
记为:Yn=BA
用最小二乘法得到未知参数A的最小二乘近似解:
求导可得:
将上式代入微分方程可得:
上式为GM(1,1)模型的时间响应函数模型,即GM(1,1)模型灰色预测的具体计算公式。对上式作累减还原,可以得到原始负荷序列x(0)的灰色预测模型为:
c.后验差检验:
后验差检验是根据模型预测值与实际值之间的统计情况进行检验,以残差(绝对误差)ε为基础,根据各残差绝对值的大小,考察残差较小的点出现的概率,以及与预测方差有关指标的大小。
设变量为x(0)的原始数据序列为:
x(0)=[x(0)(1),x(0)(2),…,x(0)(n)]
设预测值序列为:
记x(0)(k)(k=0,1,2,…)的平均值为:
记残差ε(k)(k=0,1,2,…)的平均值为:
验差检验的两个数据:后验差比值C,小误差概率P:
其中,指标C越小越好,C越小,表示S1越大,而S2越小。S1大表明历史数据方差大,历史数据离散程度大。S2越小,表明残差方差小,残差离散程度小。指标P则越大越好,P越大,表示残差与残差平均值之差小于给定值0.6745S1的点越多。具体的,综合评定预测模型的小误差概率P和后验差比值C对照关系如下:
在一种可能的实现方式中,确定目标电力负荷灰色预测模型的原始负荷序列,包括:
确定用电设备的总用电量为总耗电量预测模型的原始负荷序列;
确定各用电设备的用电量为对应的各项耗电量预测模型的原始负荷序列;
根据用电设备的用途对用电设备类型进行聚类,并基于各类中设备的总用电量为对应的各类设备耗电量预测模型的原始负荷序列。
在一种具体的电负荷管理系统中,综合考虑科学性、完备性、层次性、独立性、可比性、可操作性等原则,构建用电设备能效评估体系,以用于系统能耗特征分析、审计和评估等步骤,为用户提供多元化服务,便于用户获得详细的用能信息或用电调整策略,以改变用电设备运行状态或调节相关参数以达到节能的目的,调整用电设备的运行状态达到满足用户舒适度和节能的效果。可选的,以本申请获取的数据为基础,电负荷管理系统可为用户提供如下功能:
a.超荷报警服务。根据电力负荷灰色预测模型对设定时间段内用电量进行预测,并获取实时用电数据,通过终端为用户提供用电超负荷报警,可以有效地防止由于配电变压器超载运行导致降低设备运行寿命,以及防止烧毁变压器进而影响供电系统安全的情况发生,从而确保用户安全用电和避免用户不安全用电行为对电网的影响。
b.协助安全用电检查。在发现用户存在失压、断相、欠压等安全隐患时,通过终端的提供各类告警信息,提示用户进行必要的安全检查,从而帮助用户及时修复故障,同时减少用户现场运行人员工作量。
c.改善电能质量。通过系统对用户端电能质量进行监测,为用户准确提供电压、电流以及谐波的变化值,以便用户及时采取有效措施改善电能质量,以延长用户用电设备的使用寿命。
d.提供电力供需信息,为用户制定、调整生产计划做好服务。系统可将负荷预测、分时电价等信息通过终端告知用户,以便做好生产安排工作。
e.错峰填谷用电。协助用户合理安排峰平谷时段的用电。通过系统终端为用户提供峰、谷、平时段的电价及各时间段的用电负荷,促进用户合理利用分时电价政策,充分利用低谷电力,降低成本。
f.电能利用率分析。监控终端通过记录电力用户不同产品、时间的用电量,帮助用户进行用电分析,以降低能耗、提高用户终端电能利用率。
由于历史用电数据会存在一些随机的干扰或特殊事件发生,会影响用电量的准确性,从而导致出现不良数据。如果直接以这样的原始历史用电数据进行预测,预测结果不够准确,因此,在进行处理前对数据进行的异常值平稳化处理。
在一种可能的实现方式中,步骤S102中,对历史用电数据和用电环境信息进行预处理,包括:
计算各用电设备的用电量与对应的平均值之间的第一偏差值;
在偏差值的绝对值大于设定阈值时用对应的平均值代替。
其中,对各用电设备的用电量分别进行偏差处理,使得修正后的数据更符合用电设备的实际能耗,能够提高预测精确度。
在一种可能的实现方式中,对历史用电数据和用电环境信息进行预处理,包括:
计算用电设备的总用电量与对应的平均值之间的第一偏差值;
在偏差值的绝对值大于设定阈值时用对应的平均值代替。
其中,对各用电设备的用电量求和,并对总用电量进行偏差处理,减少数据预处理用时,能够提高预测精确度和建立模型的效率。
在一种可能的实现方式中,获取用户的历史用电数据和用电环境信息,包括:
按照预设时间间隔获取各用电设备的用电量作为历史用电数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图3示出了本发明实施例提供的用于电力负荷预测的装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图3所示,用于电力负荷预测的装置包括:获取模块301、数据处理模块302和模型建立模块303。
其中,获取模块301,用于获取用户的历史用电数据和用电环境信息;其中,所述历史用电数据包括用电时段、用电设备类型和各用电设备的用电量;所述用电环境信息包括:指定日的气候信息和/或指定日的日期类型。
数据处理模块302,用于对所述历史用电数据和所述用电环境信息进行预处理,并进行分类得到预测数据。
模型建立模块303,用于根据所述预测数据建立两个或两个以上电力负荷灰色预测模型,以用于电力负荷预测;其中,所述电力负荷灰色预测模型包括总耗电量预测模型、各类设备耗电量预测模型和各项耗电量预测模型。
本实施例中,通过获取用户的历史用电数据和用电环境信息,对历史用电数据和用电环境信息进行预处理,并进行分类得到预测数据。为建立多种电力负荷灰色预测模型提供数据基础。其中,历史用电数据包括用电时段、用电设备类型和各用电设备的用电量。用电环境信息包括:指定日的气候信息和/或指定日的日期类型。根据预测数据建立两个或两个以上电力负荷灰色预测模型,以用于电力负荷预测。综合考虑了在不同用电环境信息下用电设备用电量存在差异,基于用电环境信息建立针对性的预测模型,提高预测精确度。
图4是本发明实施例提供的终端的示意图。如图4所示,该实施例的终端4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个用于电力负荷预测的方法实施例中的步骤。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述终端4中的执行过程。例如,所述计算机程序42可以被分割成图3所示的模块/单元301至303。
所述终端4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是终端4的示例,并不构成对终端4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端4的内部存储单元,例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备,例如所述终端4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个用于电力负荷预测的方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于电力负荷预测的方法,其特征在于,包括:
获取用户的历史用电数据和用电环境信息;其中,所述历史用电数据包括用电时段、用电设备类型和各用电设备的用电量;所述用电环境信息包括:指定日的气候信息和/或指定日的日期类型;
对所述历史用电数据和所述用电环境信息进行预处理,并进行分类得到预测数据;
根据所述预测数据建立两个或两个以上电力负荷灰色预测模型,以用于电力负荷预测;其中,所述电力负荷灰色预测模型包括总耗电量预测模型、各类设备耗电量预测模型和各项耗电量预测模型。
2.根据权利要求1所述的方法,其特征在于,所述进行分类得到预测数据,包括:
按照所述用电环境信息对所述历史用电数据进行分类,确定初始分类用电数据;
按照所述用电时段,或者,所述用电数段和用电设备对各初始分类用电数据中各用电设备的用电量进行分类,确定预测数据。
3.根据权利要求2所述的方法,其特征在于,所述按照所述用电环境信息对所述历史用电数据进行分类,确定初始分类用电数据,包括:
当用电环境信息包括:指定日的气候信息和指定日的日期类型时,按照所述指定日的日期类型对所述历史用电数据进行分类,确定基础分类用电数据;
根据所述指定日的气候信息对所述基础分类用电数据进行分类,确定初始分类数据。
4.根据权利要求1所述的方法,其特征在于,根据所述预测数据建立两个或两个以上电力负荷灰色预测模型包括:
确定目标电力负荷灰色预测模型的原始负荷序列;
对所述原始负荷序列进行累加生成累加生成序列;
以所述原始负荷序列作为GM(1,1)建模序列,并用1-AGO生成一阶累加生成序列;
根据所述一阶累加生成序列及最小二乘法得到未知参数A的最小二乘近似解,并得到GM(1,1)模型的时间响应函数模型;
根据所述时间响应函数模型进行累减还原,确定所述目标电力负荷灰色预测模型;其中,所述目标电力负荷灰色预测模型包括总耗电量预测模型、各类设备耗电量预测模型和各项耗电量预测模型中一项或多项。
5.根据权利要求4所述的方法,其特征在于,在所述确定所述目标电力负荷灰色预测模型之后,还包括:
根据所述原始负荷序列中的用电量与对应的预测值进行后验差检验。
6.根据权利要求4所述的方法,其特征在于,所述确定目标电力负荷灰色预测模型的原始负荷序列,包括:
确定用电设备的总用电量为总耗电量预测模型的原始负荷序列;
确定各用电设备的用电量为对应的各项耗电量预测模型的原始负荷序列;
根据用电设备的用途对所述用电设备类型进行聚类,并基于各类中设备的总用电量为对应的各类设备耗电量预测模型的原始负荷序列。
7.根据权利要求1所述的方法,其特征在于,所述对所述历史用电数据和所述用电环境信息进行预处理,包括:
计算各用电设备的用电量与对应的平均值之间的第一偏差值;
在所述偏差值的绝对值大于设定阈值时用对应的平均值代替。
8.根据权利要求1所述的方法,其特征在于,所述对所述历史用电数据和所述用电环境信息进行预处理,包括:
计算用电设备的总用电量与对应的平均值之间的第一偏差值;
在所述偏差值的绝对值大于设定阈值时用对应的平均值代替。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111678007.5A CN114372360A (zh) | 2021-12-31 | 2021-12-31 | 用于电力负荷预测的方法、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111678007.5A CN114372360A (zh) | 2021-12-31 | 2021-12-31 | 用于电力负荷预测的方法、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114372360A true CN114372360A (zh) | 2022-04-19 |
Family
ID=81142939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111678007.5A Pending CN114372360A (zh) | 2021-12-31 | 2021-12-31 | 用于电力负荷预测的方法、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372360A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034769A (zh) * | 2022-08-11 | 2022-09-09 | 国网信息通信产业集团有限公司 | 电力信息生成方法、装置、电子设备和计算机可读介质 |
CN116720717A (zh) * | 2023-08-09 | 2023-09-08 | 山东历控能源有限公司 | 一种建筑能源管理调节系统及方法 |
CN116843361A (zh) * | 2023-06-30 | 2023-10-03 | 国网信通亿力科技有限责任公司 | 电网审计信息化管理方法及系统 |
CN116845985A (zh) * | 2023-07-06 | 2023-10-03 | 国网安徽省电力有限公司淮北供电公司 | 一种基于数据分析的源网荷储协同调度系统 |
CN116979531A (zh) * | 2023-09-25 | 2023-10-31 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
-
2021
- 2021-12-31 CN CN202111678007.5A patent/CN114372360A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034769A (zh) * | 2022-08-11 | 2022-09-09 | 国网信息通信产业集团有限公司 | 电力信息生成方法、装置、电子设备和计算机可读介质 |
CN116843361A (zh) * | 2023-06-30 | 2023-10-03 | 国网信通亿力科技有限责任公司 | 电网审计信息化管理方法及系统 |
CN116843361B (zh) * | 2023-06-30 | 2024-02-06 | 国网信通亿力科技有限责任公司 | 电网审计信息化管理方法及系统 |
CN116845985A (zh) * | 2023-07-06 | 2023-10-03 | 国网安徽省电力有限公司淮北供电公司 | 一种基于数据分析的源网荷储协同调度系统 |
CN116845985B (zh) * | 2023-07-06 | 2023-12-19 | 国网安徽省电力有限公司淮北供电公司 | 一种基于数据分析的源网荷储协同调度系统 |
CN116720717A (zh) * | 2023-08-09 | 2023-09-08 | 山东历控能源有限公司 | 一种建筑能源管理调节系统及方法 |
CN116720717B (zh) * | 2023-08-09 | 2023-11-03 | 山东历控能源有限公司 | 一种建筑能源管理调节系统及方法 |
CN116979531A (zh) * | 2023-09-25 | 2023-10-31 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
CN116979531B (zh) * | 2023-09-25 | 2023-12-12 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7482167B2 (ja) | 動的エネルギーストレージシステム制御のためのシステムおよび方法 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
Mansoor et al. | Comparison of echo state network and feed-forward neural networks in electrical load forecasting for demand response programs | |
WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
CN110222882A (zh) | 一种电力系统中长期负荷的预测方法和装置 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN111612275B (zh) | 一种预测区域用户负荷量的方法及装置 | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN114140176B (zh) | 一种负荷聚集平台的可调容量预测方法及装置 | |
CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
CN113112099A (zh) | 电网日电量预测模型训练方法和电网日电量预测方法 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
CN116307076A (zh) | 一种基于物联网的工业园区能效管控方法 | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN114186733A (zh) | 一种短期负荷预测方法和装置 | |
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 | |
CN113869556A (zh) | 一种用电量预测方法、装置及设备 | |
CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
CN110991748A (zh) | 一种城市电网短期负荷预测方法 | |
CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 |
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 |