CN116090620B - 一种基于气温惯性效应的电量预测方法、终端设备及介质 - Google Patents

一种基于气温惯性效应的电量预测方法、终端设备及介质 Download PDF

Info

Publication number
CN116090620B
CN116090620B CN202211724676.6A CN202211724676A CN116090620B CN 116090620 B CN116090620 B CN 116090620B CN 202211724676 A CN202211724676 A CN 202211724676A CN 116090620 B CN116090620 B CN 116090620B
Authority
CN
China
Prior art keywords
temperature
electric quantity
air temperature
day
predicted
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.)
Active
Application number
CN202211724676.6A
Other languages
English (en)
Other versions
CN116090620A (zh
Inventor
赖杰鹏
郭诗辉
周达
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.)
Xiamen University
Original Assignee
Xiamen University
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 Xiamen University filed Critical Xiamen University
Priority to CN202211724676.6A priority Critical patent/CN116090620B/zh
Publication of CN116090620A publication Critical patent/CN116090620A/zh
Application granted granted Critical
Publication of CN116090620B publication Critical patent/CN116090620B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于气温惯性效应的电量预测方法、终端设备及介质，该方法中包括：采集待预测日前N日内每日的电量和每日的平均气温，同时采集预测得到的待预测日的平均气温；提取高温饱和温度和低温饱和温度；计算待预测日前N日内每日的气温惯性指数和待预测日的气温惯性指数；建立电量预测模型，设定模型的输入为气温惯性指数，模型的输出为预测电量，通过待预测日前N日内每日的气温惯性指数和每日的电量对模型进行训练，使得预测电量与实际电量的差异最小；将待预测日的气温惯性指数输入训练后的电量预测模型，得到待预测日的预测电量。本发明可以提高电量预测的准确性。

Description

一种基于气温惯性效应的电量预测方法、终端设备及介质
技术领域
本发明涉及电量预测领域，尤其涉及一种基于气温惯性效应的电量预测方法、终端设备及介质。
背景技术
现有的电量预测中，由于存在气温惯性效应，往往使得电量预测的结果不够准确。所谓气温惯性效应，即居民、农业、工商业用电等对于气温变化的反应并非即时的，而是存在一定滞后性。例如，持续多日高温后导致用电量高企，在气温刚回落的前几天，居民、农业、工商业用电等并不会马显著下降，而是先缓慢下降、再显著下降。再例如，气温在多日处于舒适温度下、突然一日增长至高温，居民、农业、工商业用电等的用电习惯并不会在升温第一天大幅改变，而是逐渐增长，如果期间气温又回落，则增长相应停止并开始下降。
公开号为CN104616079A的中国发明专利《基于气温变化的电网日用电量预测方法》在电量预测中考虑了气温对电量的量化影响，但其仅简单的认为气温和电量为线性关系，未考虑用电习惯对于气温变化存在迟滞效应，认为气温变化后用电习惯会立即发生变化，且该处理方式无法同时处理高温、低温两种不同场景下对电量的相反影响方式。
公开号为CN114118612A的中国发明专利《一种基于人体舒适度偏差的电力负荷预测方法》在电力负荷预测中考虑了气温的积温效应，但其仅考虑了高温下的持续性影响，未考虑低温的持续影响；积温效应无上限，即随着高温天气的持续，积温效应也持续增长，未考虑该效应存在饱和状态。
于2004年在《电网技术》的第28卷第17期发表的期刊论文《山东省气温与最大负荷和用电量的关联性分析》在考虑气温对电量的影响时，未考虑用电习惯对于气温变化存在迟滞效应，认为气温变化后用电习惯会立即发生变化，与实际存在偏差。
发明内容
为了解决上述问题，本发明提出了一种基于气温惯性效应的电量预测方法、终端设备及介质。
具体方案如下：
一种基于气温惯性效应的电量预测方法，包括以下步骤：
S1：采集待预测日前N日内每日的电量和每日的平均气温，同时采集预测得到的待预测日的平均气温；
S2：基于待预测日前N日内每日的电量和每日的平均气温，提取高温饱和温度和低温饱和温度；
S3：基于高温饱和温度、低温饱和温度和待预测日前N日内每日的平均气温，计算待预测日前N日内每日的气温惯性指数和待预测日的气温惯性指数；
S4：建立电量预测模型，设定模型的输入为气温惯性指数，模型的输出为预测电量，通过待预测日前N日内每日的气温惯性指数和每日的电量对模型进行训练，使得预测电量与实际电量的差异最小；
S5：将待预测日的气温惯性指数输入训练后的电量预测模型，得到待预测日的预测电量。
进一步的，步骤S2中高温饱和温度和低温饱和温度的提取方法为：以待预测日前N日内每日的电量和每日的平均气温为数据样本，通过最小二乘法拟合得到形如以下公式的分段线性连续函数，用以表达平均气温x与电量f(x)之间的数学关系：
其中，TH表示高温饱和温度，TC表示温度分界点，TL表示低温饱和温度，WH、WL、kH、kL、bH、bL均为需要通过最小二乘法拟合得到的常数；
基于拟合结果得到高温饱和温度和低温饱和温度。
进一步的，步骤S3中气温惯性指数的计算公式为：
其中，TD表示第D日的平均气温，表示第D日的气温惯性指数，/>表示第D-1日的气温惯性指数，TH表示高温饱和温度，TL表示低温饱和温度。
进一步的，N≥365。
一种基于气温惯性效应的电量预测终端设备，包括处理器、存储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本发明实施例上述的方法的步骤。
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本发明实施例上述的方法的步骤。
本发明采用如上技术方案，通过提出的气温惯性指数来有效表达气温自然变化对于用电习惯的滞后影响，以及气温对于用电习惯影响的有限性，更加贴近于实际。通过将处理后的气温惯性指数用于电量预测，相比现有方法直接将气温数据带入电量预测模型具有较高的预测准确性。
附图说明
图1所示为本发明实施例一的流程图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
本发明实施例提供了一种基于气温惯性效应的电量预测方法，如图1所示，所述方法包括以下步骤：
S1：采集待预测日前N日内每日的电量和每日的平均气温，同时采集预测得到的待预测日的平均气温。
有了保证后续模型训练的准确性，N应取一较大值，该实施例中设定N≥365。
预测得到的待预测日的平均气温可以采用天气预报预测结果。
S2：基于待预测日前N日内每日的电量和每日的平均气温，提取高温饱和温度TH和低温饱和温度TL。
以平均气温为横坐标、电量为纵坐标构建坐标系，将待预测日前N日内每日的电量和平均气温对应的点标注于坐标系内，可以得到一段能够标示高温饱和温度TH和低温饱和温度TL的折线。因此，该实施例中以待预测日前N日内每日的电量和每日的平均气温为数据样本，通过最小二乘法拟合得到形如以下公式的分段线性连续函数，用以表达平均气温x与电量f(x)之间的数学关系：
式中，TC表示温度分界点，WH、WL、kH、kL、bH、bL均为需要通过最小二乘法拟合得到的常数。该公式的含义为，当平均气温低于低温饱和温度TL时，电量趋于饱和而保持常数WL；当平均气温处于低温饱和温度TL和温度分界点TC之间时，随着气温的降低，电量线性升高；当平均气温处于高温饱和温度TH和温度分界点TC之间时，随着平均气温的升高，电量线性升高；当平均气温高于高温饱和温度时TH，电量趋于饱和而保持常数Wh。
基于拟合结果可以得到高温饱和温度TH和低温饱和温度TL。
如得到上述公式的拟合结果为：
因此，可以得到高温饱和温度TH＝40℃，温度分界点TC＝25℃，低温饱和温度TL＝16℃。
S3：基于高温饱和温度、低温饱和温度和待预测日前N日内每日的平均气温，计算待预测日前N日内每日的气温惯性指数和待预测日的气温惯性指数。
该实施例中气温惯性指数的计算公式为：
其中，TD表示第D日的平均气温，表示第D日的气温惯性指数，/>表示第D-1日(前一日)的气温惯性指数。
通过上述公式，可以基于前一日的气温惯性指数和当前日的平均气温，计算当前日的气温惯性指数，如已知待预测日的平均气温为35℃，待预测日前一日的气温惯性指数为30℃，计算所得待预测日的气温惯性指数为
S4：建立电量预测模型，设定模型的输入为气温惯性指数，模型的输出为预测电量，通过待预测日前N日内每日的气温惯性指数和每日的电量对模型进行训练，使得预测电量与实际电量的差异最小。
S5：将待预测日的气温惯性指数输入训练后的电量预测模型，得到待预测日的预测电量。
如将待预测日气温惯性指数34.06℃输入步骤4训练后的电量预测模型，得到该日预测电量为0.73。
进一步的，如果需要预测连续多日的预测电量，则可以基于预测得到的该连续多日中每日的平均气温得到每日的气温惯性指数，之后输入训练后的电量预测模型，即可得到连续多日的预测电量。
本发明实施例通过提出的气温惯性指数来有效表达气温自然变化对于用电习惯的滞后影响，以及气温对于用电习惯影响的有限性(气温无限升高或降低时，电量并不会无限增长)，更加贴近于实际。通过将处理后的气温惯性指数用于电量预测，相比现有方法直接将气温数据带入电量预测模型(包括直接基于气温数据计算人体舒适度指标等)具有较高的预测准确性。
实施例二：
本发明还提供一种基于气温惯性效应的电量预测终端设备，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本发明实施例一的上述方法实施例中的步骤。
进一步地，作为一个可执行方案，所述基于气温惯性效应的电量预测终端设备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。所述基于气温惯性效应的电量预测终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述基于气温惯性效应的电量预测终端设备的组成结构仅仅是基于气温惯性效应的电量预测终端设备的示例，并不构成对基于气温惯性效应的电量预测终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于气温惯性效应的电量预测终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，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，所述处理器是所述基于气温惯性效应的电量预测终端设备的控制中心，利用各种接口和线路连接整个基于气温惯性效应的电量预测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于气温惯性效应的电量预测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供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本发明实施例上述方法的步骤。
所述基于气温惯性效应的电量预测终端设备集成的模块/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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (4)

1.一种基于气温惯性效应的电量预测方法，其特征在于，包括以下步骤：
S1：采集待预测日前N日内每日的电量和每日的平均气温，同时采集预测得到的待预测日的平均气温；
S2：基于待预测日前N日内每日的电量和每日的平均气温，提取高温饱和温度和低温饱和温度；高温饱和温度和低温饱和温度的提取方法为：以待预测日前N日内每日的电量和每日的平均气温为数据样本，通过最小二乘法拟合得到形如以下公式的分段线性连续函数，用以表达平均气温x与电量f(x)之间的数学关系：
其中，TH表示高温饱和温度，TC表示温度分界点，TL表示低温饱和温度，WH、WL、kH、kL、bH、bL均为需要通过最小二乘法拟合得到的常数；
基于拟合结果得到高温饱和温度和低温饱和温度；
S3：基于高温饱和温度、低温饱和温度和待预测日前N日内每日的平均气温，计算待预测日前N日内每日的气温惯性指数和待预测日的气温惯性指数；气温惯性指数的计算公式为：
其中，TD表示第D日的平均气温，表示第D日的气温惯性指数，/>表示第D-1日的气温惯性指数，TH表示高温饱和温度，TL表示低温饱和温度；
S4：建立电量预测模型，设定模型的输入为气温惯性指数，模型的输出为预测电量，通过待预测日前N日内每日的气温惯性指数和每日的电量对模型进行训练，使得预测电量与实际电量的差异最小；
S5：将待预测日的气温惯性指数输入训练后的电量预测模型，得到待预测日的预测电量。
2.根据权利要求1所述的基于气温惯性效应的电量预测方法，其特征在于：N≥365。
3.一种基于气温惯性效应的电量预测终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并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权利要求1～2中任一所述方法的步骤。
4.一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权利要求1～2中任一所述方法的步骤。
CN202211724676.6A 2022-12-30 2022-12-30 一种基于气温惯性效应的电量预测方法、终端设备及介质 Active CN116090620B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211724676.6A CN116090620B (zh) 2022-12-30 2022-12-30 一种基于气温惯性效应的电量预测方法、终端设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211724676.6A CN116090620B (zh) 2022-12-30 2022-12-30 一种基于气温惯性效应的电量预测方法、终端设备及介质

Publications (2)

Publication Number Publication Date
CN116090620A CN116090620A (zh) 2023-05-09
CN116090620B true CN116090620B (zh) 2023-10-13

Family

ID=86200395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211724676.6A Active CN116090620B (zh) 2022-12-30 2022-12-30 一种基于气温惯性效应的电量预测方法、终端设备及介质

Country Status (1)

Country Link
CN (1) CN116090620B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930356A (zh) * 2012-11-16 2013-02-13 广东电网公司电力调度控制中心 基于气象因素敏感度的短期负荷预测方法
CN104156783A (zh) * 2014-07-29 2014-11-19 广西电网有限责任公司 计及气象累积效应的电力系统最大日负荷预测系统及方法
CN104616079A (zh) * 2015-02-04 2015-05-13 国家电网公司 基于气温变化的电网日用电量预测方法
CN108932557A (zh) * 2018-04-28 2018-12-04 云南电网有限责任公司临沧供电局 一种基于气温累积效应和灰色关联度的短期负荷预测模型

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930356A (zh) * 2012-11-16 2013-02-13 广东电网公司电力调度控制中心 基于气象因素敏感度的短期负荷预测方法
CN104156783A (zh) * 2014-07-29 2014-11-19 广西电网有限责任公司 计及气象累积效应的电力系统最大日负荷预测系统及方法
CN104616079A (zh) * 2015-02-04 2015-05-13 国家电网公司 基于气温变化的电网日用电量预测方法
CN108932557A (zh) * 2018-04-28 2018-12-04 云南电网有限责任公司临沧供电局 一种基于气温累积效应和灰色关联度的短期负荷预测模型

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于气温累积效应和炎热指数的夏季日最大电力负荷预测研究;王丽娟;《气象与环境科学》;第第44卷卷(第第2期期);全文 *

Also Published As

Publication number Publication date
CN116090620A (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
WO2021218314A1 (zh) 基于位置定位的事件识别方法、装置、设备及存储介质
CN110751326B (zh) 一种光伏日前功率预测方法、装置以及存储介质
CN109961198B (zh) 关联信息生成方法和装置
CN111091420A (zh) 一种电力价格的预测方法及装置
CN112347154A (zh) 一种渣皮脱落指数计算方法、终端设备及存储介质
CN112819157A (zh) 神经网络训练的方法及装置、智能行驶控制的方法及装置
CN113342502B (zh) 数据湖的性能诊断方法、装置、计算机设备及存储介质
CN116090620B (zh) 一种基于气温惯性效应的电量预测方法、终端设备及介质
CN113515703A (zh) 信息推荐方法、装置、电子设备及可读存储介质
CN115185606A (zh) 业务配置参数的获得方法、装置、设备及存储介质
CN112034535B (zh) 数值模式降水预报的订正方法、系统及存储介质
CN108921226B (zh) 一种基于低秩表示和流形正则化的零样本图像分类方法
CN113038055A (zh) 图像处理方法、装置及电子设备
CN113139490A (zh) 一种图像特征匹配方法、装置、计算机设备及存储介质
CN112036501A (zh) 基于卷积神经网络的图片的相似度检测方法及其相关设备
CN112200389A (zh) 数据预测方法、装置、设备及存储介质
CN113689108B (zh) 基于生态银行系统的多目标优化方法及装置
CN113487301B (zh) 智能合约处理方法、装置、设备及计算机可读存储介质
CN118468059B (zh) 一种电力系统电站特性确定方法、装置、电子设备及介质
CN113609214B (zh) 一种基于区块链的数据反哺方法及系统
CN114117193B (zh) 更新内容推荐池中内容的控制方法、装置、设备及介质
CN109783712B (zh) 一种基于微博用户的社交网络分析方法及装置
Fazekas et al. The conditional maximum of Poisson random variables
CN116797316A (zh) 一种产品推送方法、装置、计算机设备及存储介质
CN117764746A (zh) 网点成本管控方法、装置、计算机设备及存储介质

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
GR01 Patent grant
GR01 Patent grant