CN115239007A - 一种电网净负荷的预测方法、装置、电子设备和存储介质 - Google Patents
一种电网净负荷的预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115239007A CN115239007A CN202210916683.XA CN202210916683A CN115239007A CN 115239007 A CN115239007 A CN 115239007A CN 202210916683 A CN202210916683 A CN 202210916683A CN 115239007 A CN115239007 A CN 115239007A
- Authority
- CN
- China
- Prior art keywords
- clustering
- historical data
- prediction
- net load
- power grid
- 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
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000005611 electricity Effects 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种电网净负荷的预测方法、装置、电子设备和存储介质,该方法和装置应用于电子设备,具体为获取电网历史数据,并对其进行筛选,得到有效历史数据;基于有效历史数据生成多个典型场景;根据有效历史数据进行灰度预测,得到将来时间的净负荷年增长率和将来时间内每一预测年的最大净负荷,并根据多个典型场景对最大净负荷进行处理,得到各预测年的用电量。本方案用典型场景刻画分布式新能源的不确定性,通过灰色预测算法间接地预测净负荷年增长率刻画净负荷随时间变化的增长性,从而实现对净负荷的准确预测。能够避免在进行电网规划时所规划的容量配置出现过度冗余或不足。
Description
技术领域
本申请涉及电网建设技术领域,更具体地说,涉及一种电网净负荷的预测方法、装置、电子设备和存储介质。
背景技术
全国年均新增并网装机将达到1亿千瓦以上,到2030年前后新能源总装机容量有望突破12亿千瓦,成为电力系统的主体电源。高比例新能源的接入将对配电网稳定性、电能质量以及配电网的规划与运行造成巨大影响。
其中,对于配电网规划与运行中的负荷预测环节,由于配电网中所接入的高比例分布式新能源在一定程度上削减了配电网负荷,负荷预测的目标将从传统的负荷预测转变为对负荷需求减去新能源出力后的净负荷进行预测,其等价于本级电网与上级电网之间的交换负荷。
由于预测的时间跨度差异较大,净负荷预测通常按照电网调度和电网规划两种方式分别进行分类。其中前者的时间跨度根据目的的不同从1h到1月不等;后者的预测则是以年为单位,需要对数年至数十年的负荷值进行预测。现有的净负荷预测研究大多为几天至十几天的短期负荷预测,如基于深度神经网络和小波变换对短期净负荷进行确定性的点预测,以及基于反向传播神经网络或高斯过程回归对短期净负荷进行非确定性的概率预测,均取得了较好的效果。但是基于电网规划的中长期负荷的预测效果很差,这可能会造成所规划的电网的容量配置过度冗余或不足,从而导致资源浪费或电网事故的发生。
发明内容
有鉴于此,本申请提供一种电网净负荷的预测方法、装置、电子设备和存储介质,用于对电网的中长期的净负荷进行预测,以避免在进行电网规划时所规划的容量配置出现过度冗余或不足。
为了实现上述目的,现提出的方案如下:
一种电网净负荷的预测方法,应用于电子设备,所述预测方法包括步骤:
获取电网历史数据;
对所述电网历史数据进行筛选,得到有效历史数据;
基于所述有效历史数据生成多个典型场景;
根据所述有效历史数据进行灰度预测,得到将来时间的净负荷年增长率和所述将来时间内每一预测年的最大净负荷,并根据所述多个典型场景对所述最大净负荷进行处理,得到各所述预测年的用电量。
可选的,所述对所述电网历史数据进行筛选,包括步骤:
采用拉以达准则算法将所述电网历史数据中的异常数据予以筛除,得到所述有效历史数据。
可选的,所述基于所述有效历史数据生成典型场景,包括步骤:
基于k-means聚类算法对所述有效历史数据进行处理,得到所述典型场景。
可选的,所述基于k-means聚类算法对所述有效历史数据进行处理,得到所述典型场景,包括步骤:
对所述有效历史数据进行归一化处理,得到多个样本;
从所述多个样本中随机选取K个样本作为初始聚类中心;
根据每个所述样本与所述初始聚类中心的欧式距离进行聚类,得到K个类;
针对每个所述类重新计算聚类中心,并基于所述聚类中心重新聚类,如果聚类结果与所述K个类不同,则返回到根据每个所述样本与所述初始聚类中心的欧式距离进行聚类步骤;
如果聚类结果与所述K个类相同,则计算所有所述样本与最近的所述聚类中心的距离的均值,并增加所述聚类结果中类的数量,如果所述聚类结果中类的数量小于或等于预设阈值,则返回到所述从所述多个样本中随机选取K 个样本作为初始聚类中心步骤;
如果所述聚类结果中类的数量大于所述预设阈值,则根据肘方法判断出合适的分类数,并输出对应的聚类结果;
将所述聚类结果按最近一年的所述电网历史数据进行归一化还原处理,得到所述多个典型场景。
一种电网净负荷的预测装置,应用于电子设备,所述预测装置包括:
数据获取模块,被配置为获取电网历史数据;
数据筛选模块,被配置为对所述电网历史数据进行筛选,得到有效历史数据;
场景生成模块,被配置为基于所述有效历史数据生成多个典型场景;
预测执行模块,被配置为根据所述有效历史数据进行灰度预测,得到将来时间的净负荷年增长率和所述将来时间内每一预测年的最大净负荷,并根据所述多个典型场景对所述最大净负荷进行处理,得到各所述预测年的用电量。
可选的,所述数据筛选模块被配置为采用拉以达准则算法将所述电网历史数据中的异常数据予以筛除,得到所述有效历史数据。
可选的,所述场景生成模块被配置为基于k-means聚类算法对所述有效历史数据进行处理,得到所述典型场景。
可选的,所述场景生成模块包括:
归一化处理单元,被配置为对所述有效历史数据进行归一化处理,得到多个样本;
中心选取单元,被配置为从所述多个样本中随机选取K个样本作为初始聚类中心;
第一聚类单元,被配置为根据每个所述样本与所述初始聚类中心的欧式距离进行聚类,得到K个类;
第二聚类单元,被配置诶针对每个所述类重新计算聚类中心,并基于所述聚类中心重新聚类,如果聚类结果与所述K个类不同,则控制所述第一聚类中心根据每个所述样本与所述初始聚类中心的欧式距离进行再次聚类;
均值计算单元,被配置为如果聚类结果与所述K个类相同,则计算所有所述样本与最近的所述聚类中心的距离的均值,并增加所述聚类结果中类的数量,如果所述聚类结果中类的数量小于或等于预设阈值,则控制所述中心选取单元从所述多个样本中再次随机选取K个样本作为初始聚类中心;
聚类确定单元,被配置为如果所述聚类结果中类的数量大于所述预设阈值,则根据肘方法判断出合适的分类数,并输出对应的聚类结果;
生成执行单元,被配置为将所述聚类结果按最近一年的所述电网历史数据进行归一化还原处理,得到所述多个典型场景。
一种电子设备,包括至少一个处理器和与所述处理器连接的存储器,其中:
所述存储器用于存储计算机程序或指令;
所述处理器用于执行所述计算机程序或指令,以使所述电子设备实现如上所述的电网净负荷的预测方法。
一种存储介质,应用于电子设备,其特征在于,所述存储介质承载有一个或多个计算机程序,所述一个或多个计算机程序能够被所述电子设备执行,当所述电子设备执行所述一个或多个计算机程序时,能够实现如上所述的电网净负荷的预测方法。
从上述的技术方案可以看出,本申请公开了一种电网净负荷的预测方法、装置、电子设备和存储介质,该方法和装置应用于电子设备,具体为获取电网历史数据,并对其进行筛选,得到有效历史数据;基于有效历史数据生成多个典型场景;根据有效历史数据进行灰度预测,得到将来时间的净负荷年增长率和将来时间内每一预测年的最大净负荷,并根据多个典型场景对最大净负荷进行处理,得到各预测年的用电量。本方案用典型场景刻画分布式新能源的不确定性,通过灰色预测算法间接地预测净负荷年增长率刻画净负荷随时间变化的增长性,从而实现对净负荷的准确预测。能够避免在进行电网规划时所规划的容量配置出现过度冗余或不足。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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为本申请实施例的一种电网净负荷的预测方法的流程图;
图2a为2015年净负荷分小时的历史数据;
图2b为k-means聚类生成典型场景时,各样本到最近的聚类中心距离的均值L随分类数k变化的图像;
图2c为2015年-2021年年均净负荷的历史数据;
图2d为2022年-2030年年均净负荷的预测值;
图2e为2022年的年持续净负荷曲线图;
图3为本申请实施例的一种电网净负荷的预测装置的框图;
图4为本申请实施例的一种电子设备的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
对于目前的电网来说,实际工程中往往无法获得分布式新能源近几年的历史出力数据,因此许多提出的新型的净负荷预测方法并不具备实现的现实基础。电网公司的规划报告中仍然按照传统的负荷预测方法进行负荷预测,现有的规划研究中的负荷预测往往不考虑分布式新能源的影响,或直接将分布式新能源的平均出力作为新能源机组的预测出力,这可能会造成电网设备容量配置的过度冗余或不足,从而造成资源的浪费或事故的发生。基于以上分析,本申请提出如下技术方案,以便实现对电网负荷进行中长期的预测,具体包括如下实施例。
实施例一
图1为本申请实施例的一种电网净负荷的预测方法的流程图。
如图1所示,本实施例提供的预测方法应用于电子设备,用于对将来时间如5~10年中每个预测年的用电量进行预测,这里的电子设备可以理解为具有数据计算能力和信息处理能力的计算机或服务器。本申请的预测方法包括如下步骤:
S1、获取电网历史数据。
获取待预测电网中待预测区域的多年的电网的历史数据。历史数据是负荷预测的根基,其真实性与准确性将直接影响到预测精度的高低。一次准确的负荷预测是有效可行的预测方法与高质量的历史数据共同作用的结果。
本实施例将浙江省宁波市横街110kV变电站下的净负荷作为算例对象,采用本发明技术方案,根据该变电站下2015年-2021年的净负荷历史数据,对2022年-2030年的年最大净负荷、年持续负荷曲线、年用电量进行预测。
S2、对电网历史数据进行筛选,得到有效历史数据。
针对电网规划的负荷预测中将要用到大量的历史数据,其中很可能夹杂着通信设备故障或人为因素产生的异常数据。因此,如果不对历史数据进行合理性检测,将会对预测精度造成影响。为了提高负荷预测的精度,本申请采用拉以达准则算法(又称3σ准则)进行异常数据的筛选,从而得到不包括异常数据的有效历史数据。假设历史数据中只含有随机误差,对其进行计算处理得到标准偏差,按一定概率确定一个区间,认为凡超过这个区间的误差,就不属于随机误差而是粗大误差,含有该误差的数据即为可疑数据。对可疑数据进行核实后,若确定其为错误数据,再将其舍去。
设n为样本数,则所研究地区的净负荷随时间变化的样本数据可表示为:
x={x(t)}(t=1,2,...,n) (1)
若x的均值为μ,标准差为σ,且x近似服从正态分布,则x中的样本分布在(μ-3σ,μ+3σ)范围中的概率为0.9974。因此认为如果:
|x(t)-μ|≥3σ (2)
则x(t)视为可疑数据,需要对其准确性进行核实后再进行取舍。
根据拉以达准则,对原始数据中满足式(2)的数据进行逐年筛选,未出现可疑数据。
接着,利用Matlab分别将2015年原始数据、μ-3σ、μ+3σ绘制于图2a中。从图2a中可以看出,所有的数据点均在(μ-3σ,μ+3σ)范围内,因此认为 2015年原始数据中无可疑数据,可以全部采用,对于其余年份数据同理。
S3、基于有效历史数据生成多个典型场景。
分布式新能源出力的不确定性给新型配电网中的净负荷预测带来了巨大的困难,因此采用场景分析法来刻画分布式新能源出力的随机性和波动性。根据所研究地区净负荷的历史数据进行初始的场景生成,采用k-means聚类算法进行场景削减,从而生成典型场景。
本申请中对于分类数k值的确定,采用肘方法,计算k值从3到10之间变化时各样本点到最近聚类中心距离的均值,据此判断出合适的分类数kb。设指定分类数为K,其初值为3,对于给定的净负荷历史数据x={x(t)}(t=1,2,...,n),典型场景生成的具体方案如下所示:
S31、对有效历史数据进行归一化处理,得到多个样本。
由于历史年净负荷平均值随年份增长,如果将多年的历史数据直接聚类,聚类结果将会受到净负荷年份差异的影响,无法体现出净负荷在一年中的分布规律,因此要以年为单位对有效历史数据进行归一化处理以消除其影响。归一化处理的公式为:
S32、随机地选择K个样本作为初始聚类中心{C1,C2,...,CK},。
S33、计算每一个样本到每一个初始聚类中心的欧氏距离,如下式所示:
依次比较每一个样本到每一个初始聚类中心的欧式距离,将样本分配到距离最近的初始聚类中心所在的类中,得到K个类{Q1,Q2,...,QK}。
S34、重新计算聚类中心,新的聚类中心的计算公式为:
式中,|Qi|表示第i个类中样本的个数。
若聚类结果与上次聚类结果不同,则返回S33,反之,则进入S35。
S35、计算各样本点到最近聚类中心距离的均值,接着令K=K+1,若K小于等于10,则返回S32;反之,则进入后续的S36。
S36、根据肘方法判断出合适的分类数kb,并将其对应的聚类结果输出。
采用k-means聚类算法进行典型场景生成,利用肘方法确定分类数k。各样本点到最近聚类中心距离的均值L随分类数k变化的图像如图2b所示:
根据图2b,可由肘方法判断最佳分类数为9,此时的聚类结果如表1所示:
表1聚类结果
S4、根据有效历史数据和典型场景做出预测。
根据有效历史数据进行灰度预测,得到将来时间的净负荷年增长率和将来时间内每一预测年的最大净负荷,并根据多个典型场景对最大净负荷进行处理,得到各预测年的用电量。
场景分析法通过生成典型场景刻画了分布式新能源出力的不确定性,与此同时,净负荷也在逐年增长。因此根据年平均净负荷历史数据,采用灰色预测算法,对未来年平均净负荷进行预测,并由预测值计算出净负荷的年增长率,以刻画净负荷随时间变化的增长性。
设历史年平均净负荷数列为:
L(0)={L(0)(t)}(t=1,2,...,N) (6)
一次累加后生成的新数列为:
则白化微分方程为:
式中,a称为发展系数,u称为灰作用量。
解得的预测模型为:
式中:
则预测值累加数列L(1)(t)为:
经累减还原即可得预测值数列L(0)(t)为:
L(0)(t+1)=L(1)(t+1)-L(1) (13)
设预测所得的第i个预测年的平均净负荷为L(i),则第i个预测年的净负荷年增长率αi可表示为:
第i个预测年的年最大净负荷Lm(i)为:
Lm(i)=(1+αi)Lm(i-1),( (15)
式中,Lm(i-1)为第i-1个预测年的年最大净负荷。
由此可求得第i个预测年的年持续净负荷曲线,进而可求得第i个预测年的用电量Wi。对于第i个预测年的某一典型场景C(i) j,其持续小时数t(i) j为:
第i个预测年的用电量为:
2015年至2021年的年均净负荷数据如图2c所示:
根据2015年-2021年的原始数据,利用灰色预测法对2022年-2030年的数据进行预测。预测结果如图2d所示:
从图2d预测结果中可以看出,2022年-2030年的平均净负荷持续稳步增长。由此计算出2022年-2030年的净负荷年增长率,并进一步计算出每一年的最大净负荷,如表2所示:
表2净负荷年增长率与最大净负荷预测值
进一步可根据所生成的典型场景绘制出各预测年的年持续净负荷曲线,并估算出年总用电量。以2022年为例,2022年的年持续净负荷曲线如图2e所示, 2022年-2030年用电量如表3所示:
表3 2022-2030年用电量预测
从上述技术方案可以看出,本实施例提供了一种电网净负荷的预测方法,该方法应用于电子设备,具体为获取电网历史数据,并对其进行筛选,得到有效历史数据;基于有效历史数据生成多个典型场景;根据有效历史数据进行灰度预测,得到将来时间的净负荷年增长率和将来时间内每一预测年的最大净负荷,并根据多个典型场景对最大净负荷进行处理,得到各预测年的用电量。本方案用典型场景刻画分布式新能源的不确定性,通过灰色预测算法间接地预测净负荷年增长率刻画净负荷随时间变化的增长性,从而实现对净负荷的准确预测,能够避免在进行电网规划时所规划的容量配置出现过度冗余或不足。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如C 语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机。
实施例二
图3为本申请实施例的一种电网净负荷的预测装置的框图。
如图3所示,本实施例提供的预测方法应用于电子设备,用于对将来时间如5~10年中每个预测年的用电量进行预测,这里的电子设备可以理解为具有数据计算能力和信息处理能力的计算机或服务器。本申请的预测装置包括数据获取模块10、数据筛选模块20、场景生成模块30和预测执行模块40。
数据获取模块用于获取电网历史数据。
获取待预测电网中待预测区域的多年的电网的历史数据。历史数据是负荷预测的根基,其真实性与准确性将直接影响到预测精度的高低。一次准确的负荷预测是有效可行的预测方法与高质量的历史数据共同作用的结果。
数据筛选模块用于对电网历史数据进行筛选,得到有效历史数据。
针对电网规划的负荷预测中将要用到大量的历史数据,其中很可能夹杂着通信设备故障或人为因素产生的异常数据。因此,如果不对历史数据进行合理性检测,将会对预测精度造成影响。为了提高负荷预测的精度,本申请采用拉以达准则算法(又称3σ准则)进行异常数据的筛选,从而得到不包括异常数据的有效历史数据。假设历史数据中只含有随机误差,对其进行计算处理得到标准偏差,按一定概率确定一个区间,认为凡超过这个区间的误差,就不属于随机误差而是粗大误差,含有该误差的数据即为可疑数据。对可疑数据进行核实后,若确定其为错误数据,再将其舍去。
场景生成模块用于基于有效历史数据生成多个典型场景。
分布式新能源出力的不确定性给新型配电网中的净负荷预测带来了巨大的困难,因此采用场景分析法来刻画分布式新能源出力的随机性和波动性。根据所研究地区净负荷的历史数据进行初始的场景生成,采用k-means聚类算法进行场景削减,从而生成典型场景。
本申请中对于分类数k值的确定,采用肘方法,计算k值从3到10之间变化时各样本点到最近聚类中心距离的均值,据此判断出合适的分类数kb。设指定分类数为K,其初值为3,对于给定的净负荷历史数据x={x(t)}(t=1,2,...,n)。本实施例中的场景生成模块包括归一化处理单元、中心选取单元、第一聚类单元、第二聚类单元、均值计算单元、聚类确定单元和生成执行单元。
归一化处理单元用于对有效历史数据进行归一化处理,得到多个样本。
由于历史年净负荷平均值随年份增长,如果将多年的历史数据直接聚类,聚类结果将会受到净负荷年份差异的影响,无法体现出净负荷在一年中的分布规律,因此要以年为单位对有效历史数据进行归一化处理以消除其影响。归一化处理的公式为:
中心选取单元用于随机地选择K个样本作为初始聚类中心{C1,C2,...,CK}。
第一聚类单元用于计算每一个样本到每一个初始聚类中心的欧氏距离,如下式所示:
依次比较每一个样本到每一个初始聚类中心的欧式距离,将样本分配到距离最近的初始聚类中心所在的类中,得到K个类{Q1,Q2,...,QK}。
第二聚类单元用于重新计算聚类中心,新的聚类中心的计算公式为:
式中,|Qi|表示第i个类中样本的个数。
若聚类结果与上次聚类结果不同,则控制第一聚类单元再次计算上述欧式距离。
均值计算单元则当上面的聚类结果与上次聚类结果相同时,计算各样本点到最近聚类中心距离的均值,接着令K=K+1,若K小于等于10,则控制中心选取单元再次选取初始聚类中心。
聚类确定单元用于根据肘方法判断出合适的分类数kb,并将其对应的聚类结果输出。
预测执行模块用于根据有效历史数据和典型场景做出预测。
根据有效历史数据进行灰度预测,得到将来时间的净负荷年增长率和将来时间内每一预测年的最大净负荷,并根据多个典型场景对最大净负荷进行处理,得到各预测年的用电量。
场景分析法通过生成典型场景刻画了分布式新能源出力的不确定性,与此同时,净负荷也在逐年增长。因此根据年平均净负荷历史数据,采用灰色预测算法,对未来年平均净负荷进行预测,并由预测值计算出净负荷的年增长率,以刻画净负荷随时间变化的增长性。
设历史年平均净负荷数列为:
L(0)={L(0)(t)}(t=1,2,...,N) (6)
一次累加后生成的新数列为:
则白化微分方程为:
式中,a称为发展系数,u称为灰作用量。
解得的预测模型为:
式中:
则预测值累加数列L(1)(t)为:
经累减还原即可得预测值数列L(0)(t)为:
L(0)(t+1)=L(1)(t+1)-L(1) (13)
设预测所得的第i个预测年的平均净负荷为L(i),则第i个预测年的净负荷年增长率αi可表示为:
第i个预测年的年最大净负荷Lm(i)为:
Lm(i)=(1+αi)Lm(i-1),( (15)
式中,Lm(i-1)为第i-1个预测年的年最大净负荷。
由此可求得第i个预测年的年持续净负荷曲线,进而可求得第i个预测年的用电量Wi。对于第i个预测年的某一典型场景C(i) j,其持续小时数t(i) j为:
第i个预测年的用电量为:
从上述技术方案可以看出,本实施例提供了一种电网净负荷的预测装置,该装置应用于电子设备,具体为获取电网历史数据,并对其进行筛选,得到有效历史数据;基于有效历史数据生成多个典型场景;根据有效历史数据进行灰度预测,得到将来时间的净负荷年增长率和将来时间内每一预测年的最大净负荷,并根据多个典型场景对最大净负荷进行处理,得到各预测年的用电量。本方案用典型场景刻画分布式新能源的不确定性,通过灰色预测算法间接地预测净负荷年增长率刻画净负荷随时间变化的增长性,从而实现对净负荷的准确预测,能够避免在进行电网规划时所规划的容量配置出现过度冗余或不足。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
实施例三
本实施例提供了一种电子设备,参考图4所示,其示出了适于用来实现本公开实施例中的电子设备的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。该电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
电子设备可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器ROM中的程序或者从输入装置406加载到随机访问存储器RAM403中的程序而执行各种适当的动作和处理。在RAM中,还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置;以及通信装置409。通信装置409可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
实施例四
本实施例提供了一种计算机可读的存储介质,该存储介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备通过获取电网历史数据,并对其进行筛选,得到有效历史数据;基于有效历史数据生成多个典型场景;根据有效历史数据进行灰度预测,得到将来时间的净负荷年增长率和将来时间内每一预测年的最大净负荷,并根据多个典型场景对最大净负荷进行处理,得到各预测年的用电量。本方案用典型场景刻画分布式新能源的不确定性,通过灰色预测算法间接地预测净负荷年增长率刻画净负荷随时间变化的增长性,从而实现对净负荷的准确预测,能够避免在进行电网规划时所规划的容量配置出现过度冗余或不足。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种电网净负荷的预测方法,应用于电子设备,其特征在于,所述预测方法包括步骤:
获取电网历史数据;
对所述电网历史数据进行筛选,得到有效历史数据;
基于所述有效历史数据生成多个典型场景;
根据所述有效历史数据进行灰度预测,得到将来时间的净负荷年增长率和所述将来时间内每一预测年的最大净负荷,并根据所述多个典型场景对所述最大净负荷进行处理,得到各所述预测年的用电量。
2.如权利要求1所述的预测方法,其特征在于,所述对所述电网历史数据进行筛选,包括步骤:
采用拉以达准则算法将所述电网历史数据中的异常数据予以筛除,得到所述有效历史数据。
3.如权利要求1所述的预测方法,其特征在于,所述基于所述有效历史数据生成典型场景,包括步骤:
基于k-means聚类算法对所述有效历史数据进行处理,得到所述典型场景。
4.如权利要求3所述的预测方法,其特征在于,所述基于k-means聚类算法对所述有效历史数据进行处理,得到所述典型场景,包括步骤:
对所述有效历史数据进行归一化处理,得到多个样本;
从所述多个样本中随机选取K个样本作为初始聚类中心;
根据每个所述样本与所述初始聚类中心的欧式距离进行聚类,得到K个类;
针对每个所述类重新计算聚类中心,并基于所述聚类中心重新聚类,如果聚类结果与所述K个类不同,则返回到根据每个所述样本与所述初始聚类中心的欧式距离进行聚类步骤;
如果聚类结果与所述K个类相同,则计算所有所述样本与最近的所述聚类中心的距离的均值,并增加所述聚类结果中类的数量,如果所述聚类结果中类的数量小于或等于预设阈值,则返回到所述从所述多个样本中随机选取K个样本作为初始聚类中心步骤;
如果所述聚类结果中类的数量大于所述预设阈值,则根据肘方法判断出合适的分类数,并输出对应的聚类结果;
将所述聚类结果按最近一年的所述电网历史数据进行归一化还原处理,得到所述多个典型场景。
5.一种电网净负荷的预测装置,应用于电子设备,其特征在于,所述预测装置包括:
数据获取模块,被配置为获取电网历史数据;
数据筛选模块,被配置为对所述电网历史数据进行筛选,得到有效历史数据;
场景生成模块,被配置为基于所述有效历史数据生成多个典型场景;
预测执行模块,被配置为根据所述有效历史数据进行灰度预测,得到将来时间的净负荷年增长率和所述将来时间内每一预测年的最大净负荷,并根据所述多个典型场景对所述最大净负荷进行处理,得到各所述预测年的用电量。
6.如权利要求5所述的预测装置,其特征在于,所述数据筛选模块被配置为采用拉以达准则算法将所述电网历史数据中的异常数据予以筛除,得到所述有效历史数据。
7.如权利要求5所述的预测装置,其特征在于,所述场景生成模块被配置为基于k-means聚类算法对所述有效历史数据进行处理,得到所述典型场景。
8.如权利要求7所述的预测装置,其特征在于,所述场景生成模块包括:
归一化处理单元,被配置为对所述有效历史数据进行归一化处理,得到多个样本;
中心选取单元,被配置为从所述多个样本中随机选取K个样本作为初始聚类中心;
第一聚类单元,被配置为根据每个所述样本与所述初始聚类中心的欧式距离进行聚类,得到K个类;
第二聚类单元,被配置诶针对每个所述类重新计算聚类中心,并基于所述聚类中心重新聚类,如果聚类结果与所述K个类不同,则控制所述第一聚类中心根据每个所述样本与所述初始聚类中心的欧式距离进行再次聚类;
均值计算单元,被配置为如果聚类结果与所述K个类相同,则计算所有所述样本与最近的所述聚类中心的距离的均值,并增加所述聚类结果中类的数量,如果所述聚类结果中类的数量小于或等于预设阈值,则控制所述中心选取单元从所述多个样本中再次随机选取K个样本作为初始聚类中心;
聚类确定单元,被配置为如果所述聚类结果中类的数量大于所述预设阈值,则根据肘方法判断出合适的分类数,并输出对应的聚类结果;
生成执行单元,被配置为将所述聚类结果按最近一年的所述电网历史数据进行归一化还原处理,得到所述多个典型场景。
9.一种电子设备,其特征在于,包括至少一个处理器和与所述处理器连接的存储器,其中:
所述存储器用于存储计算机程序或指令;
所述处理器用于执行所述计算机程序或指令,以使所述电子设备实现如权利要求1~4任一项所述的电网净负荷的预测方法。
10.一种存储介质,应用于电子设备,其特征在于,所述存储介质承载有一个或多个计算机程序,所述一个或多个计算机程序能够被所述电子设备执行,当所述电子设备执行所述一个或多个计算机程序时,能够实现如权利要求1~4任一项所述的电网净负荷的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210916683.XA CN115239007A (zh) | 2022-08-01 | 2022-08-01 | 一种电网净负荷的预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210916683.XA CN115239007A (zh) | 2022-08-01 | 2022-08-01 | 一种电网净负荷的预测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115239007A true CN115239007A (zh) | 2022-10-25 |
Family
ID=83677116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210916683.XA Pending CN115239007A (zh) | 2022-08-01 | 2022-08-01 | 一种电网净负荷的预测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239007A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116846074A (zh) * | 2023-07-04 | 2023-10-03 | 深圳市利业机电设备有限公司 | 一种基于大数据的智慧电能监管方法及系统 |
-
2022
- 2022-08-01 CN CN202210916683.XA patent/CN115239007A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116846074A (zh) * | 2023-07-04 | 2023-10-03 | 深圳市利业机电设备有限公司 | 一种基于大数据的智慧电能监管方法及系统 |
CN116846074B (zh) * | 2023-07-04 | 2024-03-19 | 深圳市利业机电设备有限公司 | 一种基于大数据的智慧电能监管方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114285728B (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
CN113918884A (zh) | 业务量预测模型构建方法和业务量预测方法 | |
WO2023134188A1 (zh) | 指标确定方法、装置、电子设备和计算机可读介质 | |
CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
CN115085196A (zh) | 电力负荷预测值确定方法、装置、设备和计算机可读介质 | |
CN115239007A (zh) | 一种电网净负荷的预测方法、装置、电子设备和存储介质 | |
CN115599650A (zh) | It系统的健康度评估方法、装置、电子设备及存储介质 | |
CN113743667A (zh) | 一种台区用电量预测方法、装置、设备及存储介质 | |
CN111625436A (zh) | 保险业务容量的管理方法、装置、电子设备及存储介质 | |
CN115329179B (zh) | 数据采集资源量控制方法、装置、设备及存储介质 | |
CN115800256A (zh) | 一种空调负荷的预测方法、装置、电子设备和存储介质 | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN111898061B (zh) | 搜索网络的方法、装置、电子设备和计算机可读介质 | |
JP6142899B2 (ja) | 騒音評価システム、および騒音評価方法 | |
CN111027592B (zh) | 细粒度对象流量分析方法和装置 | |
CN116757443B (zh) | 新型配电网电力线损率预测方法、装置、电子设备和介质 | |
CN113760178A (zh) | 缓存数据处理方法、装置、电子设备和计算机可读介质 | |
CN113361701A (zh) | 神经网络模型的量化方法和装置 | |
CN117235535B (zh) | 异常供应端断电方法、装置、电子设备和介质 | |
CN116862319B (zh) | 电力指标信息生成方法、装置、电子设备和介质 | |
CN113807654B (zh) | 网络运营指标的评估方法、电子设备及存储介质 | |
CN115241500A (zh) | 一种影响度的量化分析方法、装置、电子设备和存储介质 | |
CN116933617A (zh) | 油藏可采储量的预测方法、装置、电子设备及介质 | |
CN116312619A (zh) | 语音活动检测模型生成方法、装置、介质及电子设备 |
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 |