CN115860258A - 一种区域用电量预测方法 - Google Patents
一种区域用电量预测方法 Download PDFInfo
- Publication number
- CN115860258A CN115860258A CN202211672243.0A CN202211672243A CN115860258A CN 115860258 A CN115860258 A CN 115860258A CN 202211672243 A CN202211672243 A CN 202211672243A CN 115860258 A CN115860258 A CN 115860258A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- power consumption
- period
- classification
- 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 50
- 230000000737 periodic effect Effects 0.000 claims abstract description 23
- 230000005611 electricity Effects 0.000 claims description 25
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000001154 acute effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 14
- 238000012545 processing Methods 0.000 abstract description 9
- 230000008859 change Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电网数据处理技术领域,且公开了一种区域用电量预测方法;本区域用电量预测方法包括以下步骤:S1:第一周期数据采集;S2:周期特征分类确定;S3:特征分类预测确定;S4:第二周期数据采集;S5:周期特征分类更新;S6:特征分类预测更新,本发明通过对该区域内短期内用电量的数据采集,并根据此初步采集进行特征分类,在分类完毕后完成预测,由此可进行初步的电量预测以及后续的电量运维管理,并在后续的用电过程中,按照一定周期再次对用电量数据进行采集,特征更新以及预测更新,由此可不断根据该区域内用电量的实时变化进行运维策略的调整,从而保证运维策略的实时性,以此为该区域的供电带来更低的运行成本。
Description
技术领域
本发明属于电网数据处理技术领域,具体为一种区域用电量预测方法。
背景技术
电量预测是指在满足一定精度要求下,充分考虑一些重要的自然条件与社会影响、系统运于特性与增容决策等方面,研究或利用一种能够处理过去与未来电量的关系的数学方法,确定未来某特定时刻的电量数值。
现有的电量预测一般为基于区域过往某段时间内的电量数值进行预测,并根据此预测数据进行相应的运维,而此方法实时性较差,区域内用电存在变化,若不能及时根据变化进行预测运维,则可能导致电网运行成本的增加;因此,针对目前的状况,现需对其进行改进。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供一种区域用电量预测方法,有效的解决了现有的电量预测一般为基于区域过往某段时间内的电量数值进行预测,并根据此预测数据进行相应的运维,而此方法实时性较差,区域内用电存在变化,若不能及时根据变化进行预测运维,则可能导致电网运行成本的增加的问题。
为实现上述目的,本发明提供如下技术方案:一种区域用电量预测方法,包括以下步骤:
S1:第一周期数据采集:首先对于需要进行用电预测的区域进行定期的用电数量采集,并对采集到的数据进行传输,其中,定期时间为5-7d,且在进行用电数量采集时,采用智能电表进行数据采集,并通过集中器进行数据的集中传输;
S2:周期特征分类确定:在上述步骤S1的基础上,对采集到的用电数据进行综合整理,并根据用电量对其进行初步的周期特征分类,得到不同的周期特征组,在进行周期特征分类时,具体按照用电量阈值的对应区域范围进行特征分类,而用电量阈值的对应区域范围则通过该区域的人员进行初步划定;
S3:特征分类预测确定:在上述步骤S2的基础上,根据已经完成的周期特征分类,将不同的周期分类数据分别依次代入预测模型,并分别析出结果,其中,该预测模型的建立基础为:通过对该区域过去用电量的数据收集,并将其作为训练数据进行模型训练,得到预测模型;
S4:第二周期数据采集:在上述步骤S2以及S3的基础上,在初步预测完毕后,再次通过智能电表对该区域中周期特征组进行第二周期的数据采集,且进行第二周期的数据采集时,周期时间为28-30d;
S5:周期特征分类更新:在上述步骤S4的基础上,将已经收集到的第二周期数据再次进行二次的周期特征分类,在进行二次周期特征分类时,具体按照用电量阈值以及用电量高峰期以及低峰期进行特征分类,得到二次周期特征组,且在完成特征分类后,将其结合步骤S2中的周期特征组,进行周期特征分类的更新;
S6:特征分类预测更新:在上述步骤S5的基础上,将更新后的周期特征组依次代入预测模型,并分别析出结果,得到区域用电量的周期预测,而在后续用电期间,按照28-30d为周期不断对该区域的用电量进行特征分类更新以及预测更新,由此完成区域用电量的不断更新预测。
优选的,所述步骤S1中,在进行数据的集中传输时,具体采用单工数据传输、半双工数据传输或全双工数据传输中的一种或几种的组合,且在传输前,对数据进行集中压缩打包。
优选的,所述步骤S2中,对数据进行初步的周期特征分类时,具体采用NBC算法、LR算法、SVM算法、ID3算法、C4.5算法、C5.0算法、KNN算法或ANN算法中的一种或几种的组合。
优选的,所述步骤S3中,预测模型的建立步骤具体包括:①:通过大数据采集技术对该区域内的过去用电量数据进行收集;②:对过去用电量数据进行数据清理、数据集成、数据变换以及数据归约的数据一般预处理;③:将预处理完毕的数据进行特征提取,并将提取完毕的特征数据代入模型学习算法进行学习训练,学习训练完毕后,得到初步预测模型;④:对初步预测模型急性模型验证,若验证结果无误,则得到最终预测模型,若验证结果存在异常,则继续学习训练,直至无误。
优选的,所述学习算法具体包括LASSO回归、Ridge回归、LDA、k近邻、决策树、感知机、神经网络、支持向量机、AdaBoost、GBDT或XGBoost中的一种或几种的组合。
优选的,所述步骤S5中,对于第二周期数据再次进行二次的周期特征分类时,具体采用决策树、贝叶斯、人工神经网络、K-近邻、支持向量机或基于关联规则中的一种或几种的组合。
优选的,所述步骤S1-S6中,所有数据均通过云端进行存储,所述云端具体为移动云、联通云、电信云或自建云中的一种或几种的组合。
与现有技术相比,本发明的有益效果是:1、通过对该区域内短期内用电量的数据采集,并根据此初步采集进行特征分类,在分类完毕后完成预测,由此可进行初步的电量预测以及后续的电量运维管理,并在后续的用电过程中,按照一定周期再次对用电量数据进行采集,特征更新以及预测更新,由此可不断根据该区域内用电量的实时变化进行运维策略的调整,从而保证运维策略的实时性,以此为该区域的供电带来更低的运行成本;
2、通过不断更新的周期特征数据,从而使得预测数据也更加实时性以及准确性,由此可根据预测结果进行相应的供电调整,在保证居民生活和社会正常生产的同时,能够最低成本的保证电网的运行,提高经济效益;
3、该电量预测方法,以对数据进行周期分类的方式,再对已经分类的数据进行预测,可有效减少数据处理量,只需对周期数据及西宁特征提取并预测,从而大大提高了预测效率以及数据处理载荷,对处理系统的要求也大幅降低,从基本上节约了成本。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
在附图中:
图1为本发明一种区域用电量预测方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供一种技术方案:一种区域用电量预测方法,包括以下步骤:
S1:第一周期数据采集:首先对于需要进行用电预测的区域进行定期的用电数量采集,并对采集到的数据进行传输,其中,定期时间为5-7d,且在进行用电数量采集时,采用智能电表进行数据采集,并通过集中器进行数据的集中传输;
S2:周期特征分类确定:在上述步骤S1的基础上,对采集到的用电数据进行综合整理,并根据用电量对其进行初步的周期特征分类,得到不同的周期特征组,在进行周期特征分类时,具体按照用电量阈值的对应区域范围进行特征分类,而用电量阈值的对应区域范围则通过该区域的人员进行初步划定;
S3:特征分类预测确定:在上述步骤S2的基础上,根据已经完成的周期特征分类,将不同的周期分类数据分别依次代入预测模型,并分别析出结果,其中,该预测模型的建立基础为:通过对该区域过去用电量的数据收集,并将其作为训练数据进行模型训练,得到预测模型;
S4:第二周期数据采集:在上述步骤S2以及S3的基础上,在初步预测完毕后,再次通过智能电表对该区域中周期特征组进行第二周期的数据采集,且进行第二周期的数据采集时,周期时间为28-30d;
S5:周期特征分类更新:在上述步骤S4的基础上,将已经收集到的第二周期数据再次进行二次的周期特征分类,在进行二次周期特征分类时,具体按照用电量阈值以及用电量高峰期以及低峰期进行特征分类,得到二次周期特征组,且在完成特征分类后,将其结合步骤S2中的周期特征组,进行周期特征分类的更新;
S6:特征分类预测更新:在上述步骤S5的基础上,将更新后的周期特征组依次代入预测模型,并分别析出结果,得到区域用电量的周期预测,而在后续用电期间,按照28-30d为周期不断对该区域的用电量进行特征分类更新以及预测更新,由此完成区域用电量的不断更新预测。
其中,步骤S1中,在进行数据的集中传输时,具体采用单工数据传输、半双工数据传输或全双工数据传输中的一种或几种的组合,且在传输前,对数据进行集中压缩打包;步骤S2中,对数据进行初步的周期特征分类时,具体采用NBC算法、LR算法、SVM算法、ID3算法、C4.5算法、C5.0算法、KNN算法或ANN算法中的一种或几种的组合;步骤S3中,预测模型的建立步骤具体包括:①:通过大数据采集技术对该区域内的过去用电量数据进行收集;②:对过去用电量数据进行数据清理、数据集成、数据变换以及数据归约的数据一般预处理;③:将预处理完毕的数据进行特征提取,并将提取完毕的特征数据代入模型学习算法进行学习训练,学习训练完毕后,得到初步预测模型;④:对初步预测模型急性模型验证,若验证结果无误,则得到最终预测模型,若验证结果存在异常,则继续学习训练,直至无误;学习算法具体包括LASSO回归、Ridge回归、LDA、k近邻、决策树、感知机、神经网络、支持向量机、AdaBoost、GBDT或XGBoost中的一种或几种的组合;步骤S5中,对于第二周期数据再次进行二次的周期特征分类时,具体采用决策树、贝叶斯、人工神经网络、K-近邻、支持向量机或基于关联规则中的一种或几种的组合;步骤S1-S6中,所有数据均通过云端进行存储,云端具体为移动云、联通云、电信云或自建云中的一种或几种的组合。
通过上述步骤,首先通过对该区域内短期内用电量的数据采集,并根据此初步采集进行特征分类,在分类完毕后完成预测,由此可进行初步的电量预测以及后续的电量运维管理,并在后续的用电过程中,按照一定周期再次对用电量数据进行采集,特征更新以及预测更新,由此可不断根据该区域内用电量的实时变化进行运维策略的调整,从而保证运维策略的实时性,以此为该区域的供电带来更低的运行成本;通过不断更新的周期特征数据,从而使得预测数据也更加实时性以及准确性,由此可根据预测结果进行相应的供电调整,在保证居民生活和社会正常生产的同时,能够最低成本的保证电网的运行,提高经济效益;该电量预测方法,以对数据进行周期分类的方式,再对已经分类的数据进行预测,可有效减少数据处理量,只需对周期数据及西宁特征提取并预测,从而大大提高了预测效率以及数据处理载荷,对处理系统的要求也大幅降低,从基本上节约了成本。
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、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种区域用电量预测方法,其特征在于:包括以下步骤:
S1:第一周期数据采集:首先对于需要进行用电预测的区域进行定期的用电数量采集,并对采集到的数据进行传输,其中,定期时间为5-7d,且在进行用电数量采集时,采用智能电表进行数据采集,并通过集中器进行数据的集中传输;
S2:周期特征分类确定:在上述步骤S1的基础上,对采集到的用电数据进行综合整理,并根据用电量对其进行初步的周期特征分类,得到不同的周期特征组,在进行周期特征分类时,具体按照用电量阈值的对应区域范围进行特征分类,而用电量阈值的对应区域范围则通过该区域的人员进行初步划定;
S3:特征分类预测确定:在上述步骤S2的基础上,根据已经完成的周期特征分类,将不同的周期分类数据分别依次代入预测模型,并分别析出结果,其中,该预测模型的建立基础为:通过对该区域过去用电量的数据收集,并将其作为训练数据进行模型训练,得到预测模型;
S4:第二周期数据采集:在上述步骤S2以及S3的基础上,在初步预测完毕后,再次通过智能电表对该区域中周期特征组进行第二周期的数据采集,且进行第二周期的数据采集时,周期时间为28-30d;
S5:周期特征分类更新:在上述步骤S4的基础上,将已经收集到的第二周期数据再次进行二次的周期特征分类,在进行二次周期特征分类时,具体按照用电量阈值以及用电量高峰期以及低峰期进行特征分类,得到二次周期特征组,且在完成特征分类后,将其结合步骤S2中的周期特征组,进行周期特征分类的更新;
S6:特征分类预测更新:在上述步骤S5的基础上,将更新后的周期特征组依次代入预测模型,并分别析出结果,得到区域用电量的周期预测,而在后续用电期间,按照28-30d为周期不断对该区域的用电量进行特征分类更新以及预测更新,由此完成区域用电量的不断更新预测。
2.根据权利要求1所述的一种区域用电量预测方法,其特征在于:所述步骤S1中,在进行数据的集中传输时,具体采用单工数据传输、半双工数据传输或全双工数据传输中的一种或几种的组合,且在传输前,对数据进行集中压缩打包。
3.根据权利要求1所述的一种区域用电量预测方法,其特征在于:所述步骤S2中,对数据进行初步的周期特征分类时,具体采用NBC算法、LR算法、SVM算法、ID3算法、C4.5算法、C5.0算法、KNN算法或ANN算法中的一种或几种的组合。
4.根据权利要求1所述的一种区域用电量预测方法,其特征在于:所述步骤S3中,预测模型的建立步骤具体包括:①:通过大数据采集技术对该区域内的过去用电量数据进行收集;②:对过去用电量数据进行数据清理、数据集成、数据变换以及数据归约的数据一般预处理;③:将预处理完毕的数据进行特征提取,并将提取完毕的特征数据代入模型学习算法进行学习训练,学习训练完毕后,得到初步预测模型;④:对初步预测模型急性模型验证,若验证结果无误,则得到最终预测模型,若验证结果存在异常,则继续学习训练,直至无误。
5.根据权利要求4所述的一种区域用电量预测方法,其特征在于:所述学习算法具体包括LASSO回归、Ridge回归、LDA、k近邻、决策树、感知机、神经网络、支持向量机、AdaBoost、GBDT或XGBoost中的一种或几种的组合。
6.根据权利要求1所述的一种区域用电量预测方法,其特征在于:所述步骤S5中,对于第二周期数据再次进行二次的周期特征分类时,具体采用决策树、贝叶斯、人工神经网络、K-近邻、支持向量机或基于关联规则中的一种或几种的组合。
7.根据权利要求1所述的一种区域用电量预测方法,其特征在于:所述步骤S1-S6中,所有数据均通过云端进行存储,所述云端具体为移动云、联通云、电信云或自建云中的一种或几种的组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211672243.0A CN115860258A (zh) | 2022-12-26 | 2022-12-26 | 一种区域用电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211672243.0A CN115860258A (zh) | 2022-12-26 | 2022-12-26 | 一种区域用电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115860258A true CN115860258A (zh) | 2023-03-28 |
Family
ID=85654624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211672243.0A Pending CN115860258A (zh) | 2022-12-26 | 2022-12-26 | 一种区域用电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860258A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196421A (zh) * | 2023-09-15 | 2023-12-08 | 国能智慧科技发展(江苏)有限公司 | 一种基于电厂能源调度可视化系统及校准方法 |
-
2022
- 2022-12-26 CN CN202211672243.0A patent/CN115860258A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196421A (zh) * | 2023-09-15 | 2023-12-08 | 国能智慧科技发展(江苏)有限公司 | 一种基于电厂能源调度可视化系统及校准方法 |
CN117196421B (zh) * | 2023-09-15 | 2024-05-10 | 大庆市庆翔热电有限公司 | 一种基于电厂能源调度可视化系统及校准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107800140B (zh) | 一种考虑负荷特征的大用户供电接入决策方法 | |
CN111429027A (zh) | 一种基于大数据的地区输电网运行多维度分析方法 | |
CN115065078B (zh) | 微网环境下储能容量配置方法及系统 | |
CN106709607A (zh) | 分布式光伏电站智能监控运维系统 | |
CN115860258A (zh) | 一种区域用电量预测方法 | |
Xie et al. | Short-term power load forecasting model based on fuzzy neural network using improved decision tree | |
CN115589000B (zh) | 一种基于典型负荷归类的地区电压调整优化方法和系统 | |
CN110148971A (zh) | 一种分布式电源优化配置方法 | |
CN116599151A (zh) | 基于多源数据的源网储荷安全管理方法 | |
CN112953007A (zh) | 配电网调度方法、装置及系统、处理器、电子设备 | |
CN102880914A (zh) | 基于人体舒适度指数的配电网短期负荷预测方法 | |
CN111967651B (zh) | 一种复杂场景下基于区块链的能源系统优化方法 | |
CN114204675A (zh) | 一种基于云边协同的配电台区电能数据采集终端 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN116914847A (zh) | 一种虚拟电厂内多台发电机组聚合互补及优化调度方法 | |
CN116154875A (zh) | 基于tcn和误差函数的光伏电站有功功率优化分配方法 | |
CN114936640A (zh) | 一种新能源发电智能预测模型的在线训练方法 | |
CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 | |
CN111680818A (zh) | 一种短期无功负荷预测方法和系统 | |
CN111047465A (zh) | 一种基于电力大数据的电网友好型负荷响应方法 | |
Tong et al. | Improved K-means Algorithm for Construction of Adjustable Potential Resource Pool | |
CN106780139A (zh) | 配电台区无功补偿节能数据处理方法及系统 | |
Zhou et al. | Daily Maximum Load and Its Occurrence Time Forecasting of Distribution Network Based on Hausdorff Distance and ElasticNet | |
CN117879118B (zh) | 一种自适应光储充系统的运行策略方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Zeng Chaolin Inventor after: Huang Jiajian Inventor after: Lin Qiang Inventor after: Shen Shangfeng Inventor after: Sheng Wenxiang Inventor before: Zeng Chaolin Inventor before: Huang Jiajian Inventor before: Lin Qiang Inventor before: Shen Shangfeng Inventor before: Sheng Wenxiang |