CN115545333A - 一种多负荷日类型配电网负荷曲线预测方法 - Google Patents

一种多负荷日类型配电网负荷曲线预测方法 Download PDF

Info

Publication number
CN115545333A
CN115545333A CN202211305439.6A CN202211305439A CN115545333A CN 115545333 A CN115545333 A CN 115545333A CN 202211305439 A CN202211305439 A CN 202211305439A CN 115545333 A CN115545333 A CN 115545333A
Authority
CN
China
Prior art keywords
load
day
load curve
curve
holiday
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
CN202211305439.6A
Other languages
English (en)
Inventor
石方迪
江峰青
祝瑞金
苏卫华
罗凤章
徐建锋
李轶立
陶佩军
吴正骅
卢婧婧
祝燕萍
李亦农
王骏
顾辰方
蔡佳铭
丘校宇
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.)
Tianjin University
State Grid Shanghai Electric Power Co Ltd
Original Assignee
Tianjin University
State Grid Shanghai 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 Tianjin University, State Grid Shanghai Electric Power Co Ltd filed Critical Tianjin University
Priority to CN202211305439.6A priority Critical patent/CN115545333A/zh
Publication of CN115545333A publication Critical patent/CN115545333A/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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • 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

本发明提供一种多负荷日类型配电网负荷曲线预测方法，用于区分不同负荷日类型预测配电网的负荷曲线，包括步骤：S1、输入待预测配电网的负荷曲线历史数据、气象因素历史数据和社会因素历史数据；S2、对负荷曲线历史数据和气象因素历史数据进行数据预处理；S3、进行影响因素关联规律分析，选取出与负荷曲线强相关气象因素；S4、基于待预测日的负荷日类型，进行节假日负荷曲线预测或/和非节假日负荷曲线预测，输出待预测日负荷曲线。本发明实现了对负荷数据潜在规律的提取，大大减少了负荷预测的运算量，提升了负荷曲线的预测精度，能够为配电网规划运行提供一定支撑。

Description

一种多负荷日类型配电网负荷曲线预测方法
技术领域
本发明涉及配电网负荷曲线预测领域，特别是涉及一种多负荷日类型配电网负荷曲线预测方法。
背景技术
配电网负荷预测是电网安全运行、调度控制中重要的环节，对电网规划具有重要意义。准确的配电网负荷预测有利于决策者合理调度电网的资源，并在维持电网的稳定和经济运行中具有重要作用。
近些年来，在不可再生的化石能源逐渐短缺的严峻形势下，能源和环境的可持续发展已经成为世界关注的焦点，世界多地已逐步开始构建以新能源为主体的新型配电系统。相较于传统配电系统，新型配电系统中的新能源发电占比大幅提升，柔性负荷、大规模储能、电动汽车等灵活设备规模化并网，电力系统运行特性发生显著变化。这些变化使得配电网与用户侧不再是稳定的供与需的关系，进而对于配电网负荷预测的精细程度提出了更高的要求。传统的配电网负荷预测方法，如单耗法、弹性系数法、比例系数法等，多为点预测，精细化程度不高，且很难反映气象、社会等影响因素对于负荷的影响。
发明内容
本发明的目的在于提供一种精细化程度更高，且能够考虑气象、社会等影响因素的基于数据驱动的多负荷日类型配电网负荷曲线预测方法。
为实现上述目的，本发明通过以下技术方案实现：
一种多负荷日类型配电网负荷曲线预测方法，用于区分不同负荷日类型预测配电网的负荷曲线，包括步骤：
S1、输入所述待预测配电网的负荷曲线历史数据、气象因素历史数据和社会因素历史数据；
S2、对所述负荷曲线历史数据和气象因素历史数据进行数据预处理；
S3、基于数据预处理后的所述负荷曲线历史数据和气象因素历史数据，进行影响因素关联规律分析，选取出与负荷曲线强相关气象因素；
S4、基于待预测日的负荷日类型，进行节假日负荷曲线预测或/和非节假日负荷曲线预测；
S7、输出待预测日负荷曲线。
优选地，所述节假日负荷曲线预测包括步骤：
S51、区分待预测日的负荷日类型的各个节假日，对经过数据预处理后的所述负荷曲线历史数据中的历年同一节假日的负荷曲线分别进行解耦处理，获得各个节假日的历年平均负荷数据与负荷标幺曲线；
S52、将步骤S51获取的各个节假日的所述历年平均负荷数据输入离散灰色模型，获得待预测日中的各个节假日的平均负荷；
S53、基于各个节假日的所述负荷标幺曲线获得待预测日中的各个节假日的负荷标幺曲线；再将待预测日中的各个节假日的所述平均负荷与各个节假日的负荷标幺曲线进行组合，生成待预测日负荷曲线。
优选地，所述非节假日负荷曲线预测包括步骤：
S61、采用K均值聚类算法，分别对经过数据预处理后的所述负荷曲线历史数据中的负荷日类型为工作日的全部的负荷曲线和负荷日类型为休息日的全部的负荷曲线分别进行聚类分析，获得若干负荷值与变化规律相似的负荷曲线类别；
S62、将步骤S61获取的所述负荷曲线类别与步骤S3获取的所述强相关气象因素输入CART分类树，进而生成决策树；
S63、输入待预测日的强相关气象因素的气象预报数据，并根据步骤S62中的所述决策树获得待预测日负荷曲线的所属类别；
S64、将与待预测日同类别的负荷曲线及其所述强相关气象因素的数据输入最小二乘支持向量机，对LSSVM进行训练，进而生成待预测日负荷曲线。
优选地，步骤S53中，获得待预测日中的各个节假日的负荷标幺曲线是通过对步骤S51获取的各个节假日的所述负荷标幺曲线根据“近大远小”原则进行加权处理获得的。
优选地，步骤S3包括：
S31、对经过数据预处理的气象因素历史数据进行总体分布检验，获取各气象因素的总体分布检验结果；
S32、基于各气象因素的所述总体分布检验结果，分析各气象因素与负荷曲线的相关性，选出与负荷曲线强相关的气象因素。
优选地，步骤S4包括：
判断待预测日的负荷日类型：
若待预测日的所述负荷日类型中只包括节假日，则仅进行节假日负荷曲线预测；
若待预测日的所述负荷日类型中只包括非节假日，则仅进行非节假日负荷曲线预测；
如果待预测日的所述负荷日类型中既包括节假日、又包括非节假日，则分别进行节假日负荷曲线预测和非节假日负荷曲线预测。
优选地，步骤S32中，对服从正态分布的所述气象因素使用皮尔逊相关系数分析其与负荷曲线的相关性。
优选地，步骤S32中，对不服从正态分布的所述气象因素使用斯皮尔曼相关系数分析其与负荷曲线的相关性。
优选地，步骤S2中，所述数据预处理为依次进行缺失值填充、离群值检测及替换、归一化处理。
优选地，所述社会因素历史数据至少包含负荷日类型。
综上所述，与现有技术相比，本发明提供的多负荷日类型配电网负荷曲线预测方法，具有如下有益效果：
1.本发明围绕负荷曲线预测，根据节假日、工作日、休息日等不同负荷日类型的特点，分别建立了相应的数据驱动模型，实现了对负荷数据潜在规律的提取，大大减少了负荷预测的运算量，提升了负荷曲线的预测精度；
2.通过实际算例对所提方法进行了分析与验证，对于节假日负荷曲线而言，在对其进行解耦后，其标幺曲线是相对稳定且具有明显规律的，而平均负荷则具有较大的随机性和不确定性；对于非节假日而言，本方法对于工作日和休息日春夏秋冬四个季节的典型日均取得了不错的预测效果，能够为配电网规划运行提供一定支撑。
附图说明
图1为本发明的多负荷日类型配电网负荷曲线预测方法的流程图；
图2a～2e分别为本发明的最高温度、最低温度、平均温度、相对湿度、降雨量的负荷曲线气象因素的数据分布图；
图3a～3d分别为本发明的春节、清明节、劳动节、中秋节的节假日负荷标幺曲线预测结果；
图4a～4d分别为本发明的春节、清明节、劳动节、中秋节的节假日负荷曲线预测结果；
图5a～5b分别为本发明的工作日、休息日负荷曲线聚类结果；
图6a～6b分别为本发明的工作日、休息日CART分类树示意图；
图7a～7d分别为本发明的冬季、春季、夏季、秋季的典型日的工作日负荷曲线预测结果；
图8a～8d分别为本发明的冬季、春季、夏季、秋季的典型日的休息日负荷曲线预测结果。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种多负荷日类型配电网负荷曲线预测方法作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是，在本发明中，诸如和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、物品或者设备不仅包括明确列出的要素，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、物品或者设备所固有的要素。
结合附图1～8所示，本发明提供一种多负荷日类型配电网负荷曲线预测方法，用于对待预测配电网的负荷曲线区分不同负荷日类型进行预测；如附图1所示，包括步骤：
S1、输入待预测配电网的负荷曲线历史数据、气象因素历史数据和社会因素历史数据；
其中，待预测配电网的负荷曲线历史数据为该配电网的一个时间段的日负荷曲线的集合，社会因素历史数据、气象因素历史数据为与该负荷曲线历史数据相对应的同时期、同地域的社会因素、气象因素的数据集合；社会因素历史数据至少包含负荷日类型，还可以包括负荷日的星期类型等其他社会因素；其中，负荷日类型分为节假日、工作日和休息日(节假日是指由国家法律法规统一规定的用以开展纪念、庆祝活动的时间，例如元旦、春节、清明节、端午节、劳动节、中秋节、国庆节；工作日是指除去节假日之后的周一到周五；休息日是指除去节假日之后的周六和周日)；气象因素历史数据所包含的因素可以根据需要选取，例如可以包含最高温度、最低温度、平均温度、相对湿度和降雨量等。
S2、对负荷曲线历史数据和气象因素历史数据进行数据预处理；
本实施例中，所述数据预处理为对负荷曲线历史数据和气象因素历史数据按照现有技术的方法依次进行缺失值填充、离群值检测及替换、归一化处理；其中，
所述缺失值填充的数学表达式为：
y＝p0+p1(x-x1)+p2(x-x1)2+p3(x-x1)3； (1)
其中，
p0＝y1； (2)
p1＝t1； (3)
Figure BDA0003905758060000061
Figure BDA0003905758060000062
公式(1)～(5)中，(x，y)表示缺失值的估计值，点(x1，y1)与点(x2，y2)分别为正负方向上与缺失值最近的两个数据点，t1和t2为数据拟合曲线在点(x1，y1)和点(x2，y2)处的一阶导数。
进一步，所述离群值检测中对于离群值的定义为在滑动窗口长度内，与局部中位数相差超过三倍局部中位数绝对偏差(Median Absolute Deviation,MAD)的元素。其中，中位数绝对偏差的定义如下：
MAD＝median(|Xi-median(Xj)|)； (6)
其中，median(X)表示样本X的中位数，Xi表示样本中的待检测值，Xj表示滑动窗口范围内的样本。
在完成离群值检测之后，将离群值看作缺失值，再次通过公式(1)～(5)对离群值进行替换填充。
归一化采用的数学表达式为：
Figure BDA0003905758060000063
其中，x'、xi、xmin、xmax分别为归一化值、样本值、样本最小值和样本最大值。
S3、基于数据预处理后的负荷曲线历史数据和气象因素历史数据，进行影响因素关联规律分析，选取出与负荷曲线强相关气象因素；包括步骤：
S31、对经过数据预处理的气象因素历史数据进行总体分布检验，获取各气象因素的总体分布检验结果；
其中，所述的总体分布检验方法是：在总体分布函数F(z)未知的情况下，把数据样本中的观测值从小到大进行排列，得到经验分布函数：
Figure BDA0003905758060000071
其中，Fn(z)表示由样本观测得到的经验分布函数，z表示样本观测值，n表示样本数量；当n≥1000时，Fn(z)是总体分布函数的良好近似。此检验方法的统计指标为：
Figure BDA0003905758060000072
其中，F(zi)表示样本观测值zi在总体分布函数中的取值，Fn(zi)表示样本观测值zi在经验分布函数中的取值，Dn表示总体分布检验的统计指标；在给定显著性水平下，当Dn小于临界值L时，数据样本服从正态分布；反之，数据样本不服从正态分布；临界值L的取值与样本数量n、显著性水平a有关，可通过下表进行查询。
表1、总体分布检验临界值表
Figure BDA0003905758060000073
Figure BDA0003905758060000081
S32、基于各气象因素的总体分布检验结果，分析各气象因素与负荷曲线的相关性，选出与负荷曲线强相关气象因素；
其中，对服从正态分布的气象因素使用皮尔逊相关系数分析其与负荷曲线的相关性，对不服从正态分布的气象因素使用斯皮尔曼相关系数分析其与负荷曲线的相关性；
皮尔逊相关系数r的计算公式为：
Figure BDA0003905758060000082
其中，变量Q表示气象因素，
Figure BDA0003905758060000083
为Q的平均数，变量F表示负荷数值，
Figure BDA0003905758060000084
为F的平均数，n1表示数据样本数，一般取n1≥500。
斯皮尔曼相关系数p的计算公式为：
Figure BDA0003905758060000085
其中，di表示数据间顺序的差值，n2表示数据个数。
相关系数的绝对值与相关强度的关系如表1所示：
表1、相关系数的绝对值与相关强度的关系
Figure BDA0003905758060000091
基于表1，选取出强相关气象因素，即相关系数的绝对值大于0.6的气象因素。
S4、判断待预测日的负荷日类型：
若待预测日的负荷日类型中包括节假日，则转入步骤S5，进行节假日负荷曲线预测；
若待预测日的负荷日类型中包括非节假日，则转入步骤S6，进行非节假日负荷曲线预测。
本步骤中，基于待预测日的不同的负荷日类型，分别采取不同的预测方法；如果待预测日的负荷日类型中仅包括节假日，则仅进入步骤S5；如果待预测日的负荷日类型中仅包括非节假日，则仅进入步骤S6；如果待预测日的负荷日类型中既包括节假日、又包括非节假日，则分别进入步骤S5、S6。
S5、基于社会因素历史数据和经过数据预处理后的负荷曲线历史数据，进行节假日负荷曲线预测；包括步骤：
S51、区分待预测日的负荷日类型的各个节假日，对经过数据预处理后的负荷曲线历史数据中的历年同一节假日的负荷曲线分别进行解耦处理，获得各个节假日的历年平均负荷数据与负荷标幺曲线；
S52、将步骤S51获取的各个节假日的历年平均负荷数据输入离散灰色模型(Discrete Grey Model，DGM)，获得待预测日中的各个节假日的平均负荷；
在步骤G中，离散灰色模型的表达式如下：
x(1)(k+1)＝β1x(1)(k)+β2； (12)
其中，
Figure BDA0003905758060000101
x(0)为原始数据，x(1)为累加生成数据，n3表示原始数据的样本个数。
参数β1和β2可通过联立以下公式求得：
Figure BDA0003905758060000102
Figure BDA0003905758060000103
Figure BDA0003905758060000104
其中，
Figure BDA0003905758060000105
表示参数序列，T表示的是矩阵的转置运算。
S53、对步骤S51获取的各个节假日的负荷标幺曲线根据“近大远小”原则进行加权处理，获得待预测日中的各个节假日的负荷标幺曲线；再将待预测日中的各个节假日的平均负荷与各个节假日的负荷标幺曲线进行组合，生成待预测日负荷曲线；转到步骤S7；
其中，所述“近大远小”加权处理的数学表达式为：
Figure BDA0003905758060000106
公式(17)中，i3表示历史数据与待预测日之间的距离，ai3表示待预测日i3年前的负荷标幺曲线，q表示权重，距离待预测日越远的历史数据所占权重越小。
S6、基于社会因素历史数据、经过数据预处理后的负荷曲线历史数据和强相关气象因素，进行非节假日负荷曲线预测；包括步骤：
S61、采用K均值聚类算法，分别对经过数据预处理后的负荷曲线历史数据中的负荷日类型为工作日的全部的负荷曲线和负荷日类型为休息日的全部的负荷曲线分别进行聚类分析，获得若干负荷值与变化规律相似的负荷曲线类别；
所述K均值聚类算法的流程如下：在初始时根据给定的聚类数随机选择数量相等的聚类中心，每个聚类中心为一类，然后计算其他数据与各个聚类中心的距离，每个数据与距离最近的聚类中心归为一类，之后分别将各类中所有数据的平均向量作为该类新的聚类中心，重复上述过程，直至聚类中心不再发生变化或达到最大迭代次数。
S62、将步骤S61获取的负荷曲线类别与步骤S3获取的强相关气象因素输入CART分类树，进而生成决策树，该决策树的结构将反映步骤S61获取的负荷曲线类别与步骤S3获取的强相关气象因素之间的分类规则(在指明使用CART分类树的前提下，“分类规则”一词的含义是明确的，即CART分类树在输入数据后产生的决策树)；
S63、输入待预测日的强相关气象因素的气象预报数据，并根据步骤S62中的分类规则获得待预测日负荷曲线的所属类别；
S64、将与待预测日同类别的负荷曲线及其强相关气象因素的数据输入最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)，对LSSVM进行训练，进而生成待预测日负荷曲线，转至步骤S7；
其中，所述最小二乘支持向量机的目标函数为：
Figure BDA0003905758060000111
公式(18)中，w表示支持向量与超平面的距离；b表示位移偏量；ek1表示误差，e指误差向量；γ表示正则化参数，作为惩罚项对误差进行控制；
Figure BDA0003905758060000112
表示将样本从原空间映射到高维特征空间F1的非线性映射；yk1表示样本k1的预测值；N表示样本数量，一般取N≥20；T表示的是矩阵的转置运算。
对公式(18)使用拉格朗日乘子法，则该目标函数可转化为拉格朗日函数：
Figure BDA0003905758060000113
其中，L(w,b,e；a)表示目标函数的拉格朗日函数；F1(w,b,e)表示与样本对应的高维特征空间。
公式(19)需满足如下KKT条件(Karush-Kuhn-Tucker，库恩塔克条件)：
Figure BDA0003905758060000121
其中，L表示目标函数的拉格朗日函数；w表示支持向量与超平面的距离；α表示拉格朗日乘子；yk1表示样本k1的预测值；
Figure BDA0003905758060000122
表示将样本从原空间映射到高维特征空间F1的非线性映射；b表示位移偏量；ek1表示误差，e指误差向量；γ表示正则化参数，作为惩罚项对误差进行控制；N表示样本数量，一般取N≥20；T表示的是矩阵的转置运算。
联立公式(19)与(20)，可求解得到该预测模型的表达式：
Figure BDA0003905758060000123
其中，v表示预测值；b表示位置偏量；λi为拉格朗日乘子；K(li,l)表示核函数。
S7、输出待预测日负荷曲线。
进一步，结合附图2～8，本发明提供一个具体实施例，包括下列步骤：
步骤A、获取待测配电网的负荷曲线历史数据，包括最高温度、最低温度、平均温度、相对湿度、降雨量等的气象因素历史数据，包括负荷日类型、负荷日的星期类型等的社会因素历史数据；
在本实施例中，数据选自第九届“中国电机工程学会杯”全国大学生电工数学建模竞赛所提供的标准数据集，该数据集提供了从2009年1月1日至2014年12月31日的日负荷曲线(采样间隔为15分钟)及最高温度、最低温度、平均温度、相对湿度、降雨量等的气象因素历史数据。本实施例选用2009年1月1日至2013年12月31日的数据作为训练样本，选用2014年1月1日至2014年12月31日的数据作为测试样本。
步骤B、对步骤A获取的负荷曲线历史数据和气象因素历史数据依次进行缺失值填充、离群值检测及替换、归一化等数据预处理措施；
步骤C、对步骤B获取的经过数据预处理的气象因素历史数据进行总体分布检验；
在本实施例中，最高温度、最低温度、平均温度、相对湿度、降雨量等影响因素的数据分布图如图2a～2e所示，总体分布检验结果如表1所示。
表1、负荷曲线影响因素总体分布检验结果
Figure BDA0003905758060000131
步骤D、根据步骤C中总体分布检验的结果，对服从正态分布的参数使用皮尔逊相关系数分析其与负荷曲线的相关性，对不服从正态分布的参数使用斯皮尔曼相关系数分析其与负荷曲线的相关性，选出与负荷曲线强相关气象因素；
在本实施例中，根据总体分布检验结果，选用斯皮尔曼相关系数分析负荷曲线与气象因素的相关性，结果如表2所示。
表2、负荷曲线与气象因素的相关性分析结果
Figure BDA0003905758060000132
步骤E、判断待预测日的负荷日类型，若待预测日的负荷日类型中包括节假日，则进入下一步骤；若待预测日的负荷日类型中包括非节假日，则转到步骤I；若既包括节假日又包括非节假日，则先后进入步骤F和I；
步骤F、区分待预测日的负荷日类型的各个节假日，对经过数据预处理后的负荷曲线历史数据中的历年同一节假日的负荷曲线分别进行解耦处理，获得各个节假日的历年平均负荷数据与负荷标幺曲线；
步骤G、将步骤F获取的各个节假日的历年平均负荷数据输入离散灰色模型，获得待预测日中的各个节假日的平均负荷；
在本实施例中，节假日平均负荷预测结果及其平均绝对百分比误差如表3所示。
表3、节假日平均负荷预测结果
Figure BDA0003905758060000141
步骤H、对步骤F获取的各个节假日的负荷标幺曲线根据“近大远小”原则进行加权处理，获得待预测日中的各个节假日的负荷标幺曲线a；再将待预测日中的各个节假日的平均负荷与各个节假日的负荷标幺曲线a进行组合，生成待预测日负荷曲线；转到步骤M；
在本实施例中，根据“近大远小”原则得到的节假日负荷标幺曲线预测结果如图3a～3d所示，预测结果的平均绝对百分比误差如表4所示。
表4、节假日负荷标幺曲线预测结果的平均绝对百分比误差
Figure BDA0003905758060000142
步骤I、采用K均值聚类算法，分别对经过数据预处理后的负荷曲线历史数据中的负荷日类型为工作日的全部的负荷曲线和负荷日类型为休息日的全部的负荷曲线分别进行聚类分析，获得若干负荷值与变化规律相似的负荷曲线类别；
在本实施例中，工作日和休息日负荷曲线的聚类结果如图5a、5b所示。
步骤J、采用CART分类树，构建步骤I获取的负荷曲线类别与步骤D获取的强相关气象因素之间的分类规则；
在本实施例中，工作日和休息日CART分类树的示意图如图6a、6b所示。
步骤K、输入待预测日的强相关气象因素的数据，并根据步骤J中的分类规则获得待预测日负荷曲线的所属类别；
在本实施例中，工作日和休息日的春夏秋冬四个季节典型日的分类结果如表5所示。
表5、典型日分类结果
Figure BDA0003905758060000151
步骤L、将与待预测日同类别的负荷曲线及其强相关气象因素的数据输入最小二乘支持向量机，对LSSVM进行训练，进而生成待预测日负荷曲线，转至步骤M；
步骤M、输出待预测日负荷曲线。
在本实施例中，节假日负荷曲线的预测结果如图4a～4d所示，其平均绝对百分比误差如表6所示，工作日负荷曲线的预测结果如图7a～7d所示，其平均绝对百分比误差如表7所示，休息日负荷曲线的预测结果如图8a～8d所示，其平均绝对百分比误差如表8所示
表6、节假日负荷曲线预测结果的平均绝对百分比误差
Figure BDA0003905758060000152
表7、工作日负荷曲线预测结果的平均绝对百分比误差
Figure BDA0003905758060000153
表8、休息日负荷曲线预测结果的平均绝对百分比误差
Figure BDA0003905758060000161
综上所述，本发明提供的多负荷日类型配电网负荷曲线预测方法，围绕负荷曲线预测，根据节假日、工作日、休息日等不同负荷日类型的特点，分别建立了相应的数据驱动模型，实现了对负荷数据潜在规律的提取，大大减少了负荷预测的运算量，提升了负荷曲线的预测精度；通过实际算例对所提方法进行了分析与验证，对于节假日负荷曲线而言，在对其进行解耦后，其标幺曲线是相对稳定且具有明显规律的，而平均负荷则具有较大的随机性和不确定性；对于非节假日而言，本方法对于工作日和休息日春夏秋冬四个季节的典型日均取得了不错的预测效果，通过本发明得出的负荷预测结果能够为配电网规划运行提供一定支撑。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种多负荷日类型配电网负荷曲线预测方法，用于区分不同负荷日类型预测配电网的负荷曲线，其特征在于，包括步骤：
S1、输入所述待预测配电网的负荷曲线历史数据、气象因素历史数据和社会因素历史数据；
S2、对所述负荷曲线历史数据和气象因素历史数据进行数据预处理；
S3、基于数据预处理后的所述负荷曲线历史数据和气象因素历史数据，进行影响因素关联规律分析，选取出与负荷曲线强相关气象因素；
S4、基于待预测日的负荷日类型，进行节假日负荷曲线预测或/和非节假日负荷曲线预测；
S7、输出待预测日负荷曲线。
2.如权利要求1所述的多负荷日类型配电网负荷曲线预测方法，其特征在于，所述节假日负荷曲线预测包括步骤：
S51、区分待预测日的负荷日类型的各个节假日，对经过数据预处理后的所述负荷曲线历史数据中的历年同一节假日的负荷曲线分别进行解耦处理，获得各个节假日的历年平均负荷数据与负荷标幺曲线；
S52、将步骤S51获取的各个节假日的所述历年平均负荷数据输入离散灰色模型，获得待预测日中的各个节假日的平均负荷；
S53、基于各个节假日的所述负荷标幺曲线获得待预测日中的各个节假日的负荷标幺曲线；再将待预测日中的各个节假日的所述平均负荷与各个节假日的负荷标幺曲线进行组合，生成待预测日负荷曲线。
3.如权利要求1所述的多负荷日类型配电网负荷曲线预测方法，其特征在于，所述非节假日负荷曲线预测包括步骤：
S61、采用K均值聚类算法，分别对经过数据预处理后的所述负荷曲线历史数据中的负荷日类型为工作日的全部的负荷曲线和负荷日类型为休息日的全部的负荷曲线分别进行聚类分析，获得若干负荷值与变化规律相似的负荷曲线类别；
S62、将步骤S61获取的所述负荷曲线类别与步骤S3获取的所述强相关气象因素输入CART分类树，进而生成决策树；
S63、输入待预测日的强相关气象因素的气象预报数据，并根据步骤S62中的所述决策树获得待预测日负荷曲线的所属类别；
S64、将与待预测日同类别的负荷曲线及其所述强相关气象因素的数据输入最小二乘支持向量机，对LSSVM进行训练，进而生成待预测日负荷曲线。
4.如权利要求2所述的多负荷日类型配电网负荷曲线预测方法，其特征在于，
步骤S53中，获得待预测日中的各个节假日的负荷标幺曲线是通过对步骤S51获取的各个节假日的所述负荷标幺曲线根据“近大远小”原则进行加权处理获得的。
5.如权利要求1所述的多负荷日类型配电网负荷曲线预测方法，其特征在于，步骤S3包括：
S31、对经过数据预处理的气象因素历史数据进行总体分布检验，获取各气象因素的总体分布检验结果；
S32、基于各气象因素的所述总体分布检验结果，分析各气象因素与负荷曲线的相关性，选出与负荷曲线强相关的气象因素。
6.如权利要求1所述的多负荷日类型配电网负荷曲线预测方法，其特征在于，步骤S4包括：
判断待预测日的负荷日类型：
若待预测日的所述负荷日类型中只包括节假日，则仅进行节假日负荷曲线预测；
若待预测日的所述负荷日类型中只包括非节假日，则仅进行非节假日负荷曲线预测；
如果待预测日的所述负荷日类型中既包括节假日、又包括非节假日，则分别进行节假日负荷曲线预测和非节假日负荷曲线预测。
7.如权利要求5所述的多负荷日类型配电网负荷曲线预测方法，其特征在于，
步骤S32中，对服从正态分布的所述气象因素使用皮尔逊相关系数分析其与负荷曲线的相关性。
8.如权利要求5所述的多负荷日类型配电网负荷曲线预测方法，其特征在于，
步骤S32中，对不服从正态分布的所述气象因素使用斯皮尔曼相关系数分析其与负荷曲线的相关性。
9.如权利要求1所述的多负荷日类型配电网负荷曲线预测方法，其特征在于，
步骤S2中，所述数据预处理为依次进行缺失值填充、离群值检测及替换、归一化处理。
10.如权利要求1所述的多负荷日类型配电网负荷曲线预测方法，其特征在于，
所述社会因素历史数据至少包含负荷日类型。
CN202211305439.6A 2022-10-24 2022-10-24 一种多负荷日类型配电网负荷曲线预测方法 Pending CN115545333A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211305439.6A CN115545333A (zh) 2022-10-24 2022-10-24 一种多负荷日类型配电网负荷曲线预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211305439.6A CN115545333A (zh) 2022-10-24 2022-10-24 一种多负荷日类型配电网负荷曲线预测方法

Publications (1)

Publication Number Publication Date
CN115545333A true CN115545333A (zh) 2022-12-30

Family

ID=84719535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211305439.6A Pending CN115545333A (zh) 2022-10-24 2022-10-24 一种多负荷日类型配电网负荷曲线预测方法

Country Status (1)

Country Link
CN (1) CN115545333A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117277515A (zh) * 2023-11-21 2023-12-22 广州奥鹏能源科技有限公司 一种户外储能电源的电量控制方法、装置、设备及介质
CN117495055A (zh) * 2023-12-28 2024-02-02 国网辽宁省电力有限公司 基于综合能源集群协调智能配电装置及其方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117277515A (zh) * 2023-11-21 2023-12-22 广州奥鹏能源科技有限公司 一种户外储能电源的电量控制方法、装置、设备及介质
CN117277515B (zh) * 2023-11-21 2024-03-08 广州奥鹏能源科技有限公司 一种户外储能电源的电量控制方法、装置、设备及介质
CN117495055A (zh) * 2023-12-28 2024-02-02 国网辽宁省电力有限公司 基于综合能源集群协调智能配电装置及其方法

Similar Documents

Publication Publication Date Title
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及系统
CN108921339B (zh) 基于分位数回归的遗传支持向量机光伏功率区间预测方法
CN108388962B (zh) 一种风电功率预测系统及方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN113205207A (zh) 一种基于XGBoost算法的用电短期负荷波动预测方法及系统
CN110766200A (zh) 一种基于K-means均值聚类的风电机组发电功率预测方法
CN102426674A (zh) 一种基于马尔科夫链的电力系统负荷预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN110796307A (zh) 一种综合能源系统分布式负荷预测方法及系统
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN114372360A (zh) 用于电力负荷预测的方法、终端及存储介质
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN114595861A (zh) 基于mstl和lstm模型的中长期电力负荷预测方法
CN112990587A (zh) 一种对台区用电进行精准预测的方法及系统、设备、介质
CN114119273A (zh) 一种园区综合能源系统非侵入式负荷分解方法及系统
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和系统
CN112949207A (zh) 一种基于改进最小二乘支持向量机的短期负荷预测方法
CN112365056A (zh) 一种电气负荷联合预测方法、装置、终端及存储介质
CN115099511A (zh) 基于优化copula的光伏功率概率估计方法及系统
CN115358437A (zh) 基于卷积神经网络的供电负荷预测方法
CN108710966B (zh) 一种基于多簇esn神经网络的光伏发电功率预测方法
Alharbi et al. Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks
CN111275238B (zh) 基于每时晴空指数的大规模电站光伏出力序列生成方法
CN104915727A (zh) 多维度同构异质bp神经网络光功率超短期预测方法
CN115907228A (zh) 一种基于pso-lssvm的短期电力负荷预测分析方法

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