CN116436002A - 一种楼宇用电预测方法 - Google Patents

一种楼宇用电预测方法 Download PDF

Info

Publication number
CN116436002A
CN116436002A CN202310691926.9A CN202310691926A CN116436002A CN 116436002 A CN116436002 A CN 116436002A CN 202310691926 A CN202310691926 A CN 202310691926A CN 116436002 A CN116436002 A CN 116436002A
Authority
CN
China
Prior art keywords
electricity
past
value
month
daily
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.)
Granted
Application number
CN202310691926.9A
Other languages
English (en)
Other versions
CN116436002B (zh
Inventor
羊梅
杨琦
任凤娟
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.)
Chengdu Aeronautic Polytechnic
Original Assignee
Chengdu Aeronautic Polytechnic
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 Chengdu Aeronautic Polytechnic filed Critical Chengdu Aeronautic Polytechnic
Priority to CN202310691926.9A priority Critical patent/CN116436002B/zh
Publication of CN116436002A publication Critical patent/CN116436002A/zh
Application granted granted Critical
Publication of CN116436002B publication Critical patent/CN116436002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • 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
    • G06Q50/08—Construction
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Educational Administration (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种楼宇用电预测方法，涉及电力系统负荷预测技术领域，本发明将楼宇电表心跳包传输数据分为过往月用电数据分集和过往日用电数据子集，通过过往日用电特征值表征一天用电的整体水平，通过过往日用电峰值表征一天的最大用电负荷，通过过往月用电特征值表征一月用电的整体水平，通过过往月用电峰值表征一月的最大用电负荷，根据历史用电的发展情况，衡量未来日或月的用电负荷，本发明中历史用电负荷的变化情况为各种因素造成，最终体现在用电负荷数据变化上，因此，本发明从整体用电负荷数据变化上出发进行用电预测，从而解决了现有用电预测方法考虑因素单一的问题，提高了用电预测精度。

Description

一种楼宇用电预测方法
技术领域
本发明涉及电力系统负荷预测技术领域，具体涉及一种楼宇用电预测方法。
背景技术
随着智能家居的普及，楼宇对电能的需求逐年增大，但现有用电预测方法均是根据未来季节情况和温度情况对用电负荷进行预测。现有用电预测方法仅能通过当前季节和温度对未来短期内的季节和温度情况进行预测，根据未来短期内的季节和温度情况，确定家电的耗电量，达到用电预测的目的，预测用电的精度取决于季节和温度变化的情况。因此，现有用电预测方法考虑因素单一，存在用电预测精度不高的问题。
发明内容
针对现有技术中的上述不足，本发明提供的一种楼宇用电预测方法解决了现有用电预测方法存在用电预测精度不高的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种楼宇用电预测方法，包括以下步骤：
S1、将多年历史楼宇电表心跳包传输数据归集为过往月用电数据分集和过往日用电数据子集；
S2、对每个过往日用电数据子集计算过往日用电特征值；
S3、根据过往日用电特征值，计算过往月用电特征值；
S4、根据过往日用电峰值、过往日用电特征值、过往月用电特征值和过往月用电数据分集中过往月用电峰值，预测未来用电负荷。
进一步地，所述S2具体为：将每个过往日用电数据子集的平均值和中位数和的一半作为过往日用电特征值；
所述S3具体为：根据1个月中的过往日用电特征值的平均值和中位数和的一半作为过往月用电特征值。
上述进一步地方案的有益效果为：本发明通过每个过往日中用电数据的平均值和中位数来综合表征一天用电负荷的整体水平，提高对过往日用电情况的衡量精度。本发明通过过往月中过往日的用电特征值的平均值和往日用电特征值的中位数来表征一月用电负荷的整体水平，提高对过往月用电情况的衡量精度。
进一步地，所述S4包括以下分步骤：
S41、根据过往日用电峰值，预测未来日用电峰值；
S42、根据过往日用电特征值，预测未来日用电特征值；
S43、根据过往月用电峰值，预测未来月用电峰值；
S44、根据过往月用电特征值，预测未来月用电特征值，其中，未来用电负荷包括：未来日用电峰值、未来日用电特征值、未来月用电峰值和未来月用电特征值。
上述进一步地方案的有益效果为：本发明中预测了未来用电四方面的特征数据，用电特征值可以表征未来用电的整体水平，用电峰值可以表征未来用电的最大值。
进一步地，所述步骤S41、S42、S43和S44均通过以下步骤实现：
A1、根据历史多年的同一时间段的过往用电情况值，计算用电情况变化系数；
A2、根据用电情况变化系数，计算未来用电负荷；
其中，过往用电情况值包括：过往日用电峰值、过往日用电特征值、过往月用电峰值和过往月用电特征值，用电情况变化系数包括：日峰值变化系数、日用电特征变化系数、月峰值变化系数和月用电特征变化系数。
进一步地，所述A1包括以下分步骤：
A11、根据历史多年的同一时间段的过往用电情况值，计算历史多年的平均用电情况变化系数；
A12、将历史多年按时间先后分成两部分，得到前半部分历史年和后半部分历史年；
A13、将前半部分历史年与后半部分历史年的平均用电情况变化系数的比值作为修正系数；
A14、将历史多年的平均用电情况变化系数与修正系数相乘，得到用电情况变化系数。
上述进一步地方案的有益效果为：通过历史多年的同一时间段的过往用电情况值，计算出历史多年的平均用电情况变化系数，通过评估出这些年中平均用电的变化情况，但是这种计算平均的方法并不够准确，因此，将历史年分成两部分，比较较新年份与较老年份变化情况的比值，从而看出新的年份是处于增长趋势还是处于下降趋势，将这种趋势用修正系数表达，通过修正系数对历史多年的平均用电情况变化系数进行修正，提高预测的准确性。
进一步地，所述A2包括以下步骤：
A21、将预测年数作为用电情况变化系数的指数，预测未来年的用电情况增长比例系数；
A22、将用电参考值与预测未来年的用电情况增长比例系数相乘，得到未来用电负荷，其中，未来用电负荷包括：未来日用电峰值、未来日用电特征值、未来月用电峰值和未来月用电特征值。
进一步地，所述A22中的用电参考值包括：过往日用电峰值参考值、过往日用电特征值参考值、过往月用电峰值参考值和过往月用电特征值参考值。
进一步地，所述过往日用电峰值参考值为：临近历史年的过往日用电峰值的均值；
所述过往日用电特征值参考值为：临近历史年的过往日用电特征值的均值；
所述过往月用电峰值参考值为：对历史年中最新年份的过往月用电峰值的均值和历史年中以往年的过往月用电峰值的均值加权处理，得到的加权值；
所述过往月用电特征值参考值为：对历史年中最新年份的过往月用电特征值的均值和历史年中以往年的过往月用电特征值的均值加权处理，得到的加权值。
综上，本发明的有益效果为：本发明将楼宇电表心跳包传输数据分为过往月用电数据分集和过往日用电数据子集，通过过往日用电特征值表征一天用电的整体水平，通过过往日用电峰值表征一天的最大用电负荷，通过过往月用电特征值表征一月用电的整体水平，通过过往月用电峰值表征一月的最大用电负荷，根据历史用电的发展情况，衡量未来日或月的用电负荷，本发明中历史用电负荷的变化情况为各种因素造成，最终体现在用电负荷数据变化上，因此，本发明从整体用电负荷数据变化上出发进行用电预测，从而解决了现有用电预测方法考虑因素单一的问题，且根据多年用电数据的变化趋势，预测未来用电数据，提高用电预测精度。
附图说明
图1为一种楼宇用电预测方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1：
如图1所示，一种楼宇用电预测方法，包括以下步骤：
S1、将多年历史楼宇电表心跳包传输数据归集为过往月用电数据分集和过往日用电数据子集；
S2、对每个过往日用电数据子集计算过往日用电特征值；
所述S2具体为：将每个过往日用电数据子集的平均值和中位数和的一半作为过往日用电特征值；
S3、根据过往日用电特征值，计算过往月用电特征值；
所述S3具体为：根据1个月中的过往日用电特征值的平均值和中位数和的一半作为过往月用电特征值。
S4、根据过往日用电峰值、过往日用电特征值、过往月用电特征值和过往月用电数据分集中过往月用电峰值，预测未来用电负荷。
所述S4包括以下分步骤：
S41、根据过往日用电峰值，预测未来日用电峰值；
S42、根据过往日用电特征值，预测未来日用电特征值；
S43、根据过往月用电峰值，预测未来月用电峰值；
S44、根据过往月用电特征值，预测未来月用电特征值，其中，未来用电负荷包括：未来日用电峰值、未来日用电特征值、未来月用电峰值和未来月用电特征值。
所述步骤S41、S42、S43和S44均通过以下步骤实现：
A1、根据历史多年的同一时间段的过往用电情况值，计算用电情况变化系数；
所述A1包括以下分步骤：
A11、根据历史多年的同一时间段的过往用电情况值，计算历史多年的平均用电情况变化系数；
A12、将历史多年按时间先后分成两部分，得到前半部分历史年和后半部分历史年；
A13、将前半部分历史年与后半部分历史年的平均用电情况变化系数的比值作为修正系数；
A14、将历史多年的平均用电情况变化系数与修正系数相乘，得到用电情况变化系数。
A2、根据用电情况变化系数，计算未来用电负荷；
其中，过往用电情况值包括：过往日用电峰值、过往日用电特征值、过往月用电峰值和过往月用电特征值，用电情况变化系数包括：日峰值变化系数、日用电特征变化系数、月峰值变化系数和月用电特征变化系数。
所述A2包括以下步骤：
A21、将预测年数作为用电情况变化系数的指数，预测未来年的用电情况增长比例系数；
A22、将用电参考值与预测未来年的用电情况增长比例系数相乘，得到未来用电负荷，其中，未来用电负荷包括：未来日用电峰值、未来日用电特征值、未来月用电峰值和未来月用电特征值。
所述A22中的用电参考值包括：过往日用电峰值参考值、过往日用电特征值参考值、过往月用电峰值参考值和过往月用电特征值参考值。
所述过往日用电峰值参考值为：临近历史年的过往日用电峰值的均值；
所述过往日用电特征值参考值为：临近历史年的过往日用电特征值的均值；
所述过往月用电峰值参考值为：对历史年中最新年份的过往月用电峰值的均值和历史年中以往年的过往月用电峰值的均值加权处理，得到的加权值；
所述过往月用电特征值参考值为：对历史年中最新年份的过往月用电特征值的均值和历史年中以往年的过往月用电特征值的均值加权处理，得到的加权值。
在A11中，平均用电情况变化系数包括：平均日峰值变化系数、平均日用电特征变化系数、平均月峰值变化系数和平均月用电特征变化系数；
平均日峰值变化系数的计算公式为：
Figure SMS_1
，
其中，
Figure SMS_2
为平均日峰值变化系数，/>
Figure SMS_5
为历史年的数量，/>
Figure SMS_12
为根据未来日所在时间段，找到的历史年中对应同一时间段的前后过往日数量，/>
Figure SMS_4
为第/>
Figure SMS_7
个历史年中第
Figure SMS_9
个月中第/>
Figure SMS_11
个过往日用电峰值，/>
Figure SMS_3
为第/>
Figure SMS_6
个历史年中第/>
Figure SMS_8
个月中第/>
Figure SMS_10
个过往日用电峰值。
平均日用电特征变化系数的计算公式为：
Figure SMS_13
，
其中，
Figure SMS_15
为平均日用电特征变化系数，/>
Figure SMS_18
为历史年的数量，/>
Figure SMS_22
为第/>
Figure SMS_16
个历史年中第/>
Figure SMS_17
个月中第/>
Figure SMS_20
个过往日用电特征值，/>
Figure SMS_24
为第/>
Figure SMS_14
个历史年中第/>
Figure SMS_19
个月中第/>
Figure SMS_21
个过往日用电特征值，/>
Figure SMS_23
为根据未来日所在时间段，找到的历史年中对应同一时间段的前后过往日数量。
平均月峰值变化系数的计算公式为：
Figure SMS_25
，
其中，
Figure SMS_27
为平均月峰值变化系数，/>
Figure SMS_30
为历史年的数量，/>
Figure SMS_32
为第/>
Figure SMS_26
个历史年中第/>
Figure SMS_31
个过往月用电峰值，/>
Figure SMS_33
为第/>
Figure SMS_34
个历史年中第/>
Figure SMS_28
个过往月用电峰值，/>
Figure SMS_29
为根据未来月所在时间段，找到对应历史年中的同一时间段前后月数量。
平均月用电特征变化系数的计算公式为：
Figure SMS_35
，
其中，
Figure SMS_37
为平均月用电特征变化系数，/>
Figure SMS_39
为历史年的数量，/>
Figure SMS_42
为第/>
Figure SMS_36
个历史年中第/>
Figure SMS_40
个过往月用电特征值，/>
Figure SMS_43
为第/>
Figure SMS_44
个历史年中第/>
Figure SMS_38
个过往月用电特征值，/>
Figure SMS_41
为根据未来月所在时间段，找到对应历史年中的同一时间段前后月数量。
在A13中，平均日峰值变化系数的修正系数为第一修正系数，第一修正系数的计算公式为：
Figure SMS_45
，
其中，
Figure SMS_48
为第一修正系数，/>
Figure SMS_50
为第/>
Figure SMS_58
个历史年中第/>
Figure SMS_49
个月中第/>
Figure SMS_53
个过往日用电峰值，/>
Figure SMS_54
为第/>
Figure SMS_56
个历史年中第/>
Figure SMS_46
个月中第/>
Figure SMS_51
个过往日用电峰值，/>
Figure SMS_55
为根据未来日所在时间段，找到的历史年中对应同一时间段的前后过往日数量，/>
Figure SMS_57
为历史年的数量，/>
Figure SMS_47
为对/>
Figure SMS_52
取整。
平均日用电特征变化系数的修正系数为第二修正系数，第二修正系数的计算公式为：
Figure SMS_59
，
其中，
Figure SMS_63
为第二修正系数，/>
Figure SMS_65
为第/>
Figure SMS_68
个历史年中第/>
Figure SMS_62
个月中第/>
Figure SMS_64
个过往日用电特征值，/>
Figure SMS_69
为第/>
Figure SMS_71
个历史年中第/>
Figure SMS_60
个月中第/>
Figure SMS_67
个过往日用电特征值，/>
Figure SMS_70
为根据未来日所在时间段，找到的历史年中对应同一时间段的前后过往日数量，/>
Figure SMS_72
为历史年的数量，/>
Figure SMS_61
为对/>
Figure SMS_66
取整。
平均月用电特征变化系数的修正系数为第三修正系数，第三修正系数的计算公式为：
Figure SMS_73
，
其中，
Figure SMS_74
为第三修正系数，/>
Figure SMS_81
为第/>
Figure SMS_84
个历史年中第/>
Figure SMS_76
个过往月用电特征值，
Figure SMS_79
为第/>
Figure SMS_80
个历史年中第/>
Figure SMS_82
个过往月用电特征值，/>
Figure SMS_75
为根据未来月所在时间段，找到对应历史年中的同一时间段前后月数量，/>
Figure SMS_78
为历史年的数量，/>
Figure SMS_83
为对/>
Figure SMS_85
取整，/>
Figure SMS_77
为预测年数。
平均月峰值变化系数的修正系数为第四修正系数，第四修正系数的计算公式为：
Figure SMS_86
，
其中，
Figure SMS_90
为第四修正系数，/>
Figure SMS_92
为第/>
Figure SMS_97
个历史年中第/>
Figure SMS_87
个过往月用电峰值，
Figure SMS_93
为第/>
Figure SMS_95
个历史年中第/>
Figure SMS_99
个过往月用电峰值，/>
Figure SMS_88
为第/>
Figure SMS_94
个历史年中第/>
Figure SMS_98
个过往月用电峰值，/>
Figure SMS_100
为历史年的数量，/>
Figure SMS_89
为/>
Figure SMS_91
取整，/>
Figure SMS_96
为根据未来月所在时间段，找到对应历史年中的同一时间段前后月数量。
实施例2，实施例2为实施例1的详细实现过程：
一种楼宇用电预测方法，包括以下步骤：
X1、将多年历史楼宇电表心跳包传输数据归集为过往月用电数据分集和过往日用电数据子集；
在步骤X1中，过往日用电数据子集中包含每日用电数据，过往月用电数据分集中包含每月用电数据。
X2、对每个过往日用电数据子集计算过往日用电特征值；
所述X2中过往日用电特征值的计算公式为：
Figure SMS_101
，
其中，
Figure SMS_103
为第/>
Figure SMS_105
个过往日用电数据子集的过往日用电特征值，/>
Figure SMS_108
为第/>
Figure SMS_104
个过往日用电数据子集中第/>
Figure SMS_106
个用电数据，/>
Figure SMS_107
为过往日用电数据子集中用电数据的数量，/>
Figure SMS_109
为第/>
Figure SMS_102
个过往日用电数据子集中用电数据中位数。
本发明通过每个过往日中用电数据的平均值和中位数来综合表征一天用电负荷的整体水平，提高对过往日用电情况的衡量精度。
X3、根据过往日用电特征值，计算过往月用电特征值；
所述X3中计算过往月用电特征值的公式为：
Figure SMS_110
，
其中，
Figure SMS_111
为过往月用电特征值，/>
Figure SMS_112
为第/>
Figure SMS_113
个过往日用电数据子集的过往日用电特征值，/>
Figure SMS_114
为过往月包含的天数，/>
Figure SMS_115
为过往月中过往日用电特征值的中位数。
本发明通过过往月中过往日的用电特征值的平均值和往日用电特征值的中位数来表征一月用电负荷的整体水平，提高对过往月用电情况的衡量精度。
X4、根据过往日用电峰值和过往日用电特征值，预测未来日用电负荷；
所述X4包括以下分步骤：
X41、根据过往日用电峰值，预测未来日用电峰值；
所述X41包括以下分步骤：
X411、根据未来日所在时间段，找到处于对应时间段的过往日用电数据子集；
X412、从过往日用电数据子集中选出最大的用电数据，作为过往日用电峰值；
X413、根据历史多年的同一时间段的过往日用电峰值，计算日峰值变化系数；
X414、根据日峰值变化系数，计算未来日用电峰值。
根据未来日所在时间段，找到历史中的对应时间段的过往日用电数据子集，例如，未来日是2023年6月8日，则应当取在2022年6月8日、2021年6月8日、2020年6月8日等时间前后的过往日用电数据子集，根据历史多年在同一时段上的过往日用电峰值，计算日峰值变化系数，日峰值变化系数表征数据发展趋势，根据数据发展趋势，对未来日的用电峰值进行预测。
所述X413中计算日峰值变化系数的公式为：
Figure SMS_116
，
Figure SMS_117
，
Figure SMS_118
，
其中，
Figure SMS_119
为日峰值变化系数，/>
Figure SMS_123
为平均日峰值变化系数，/>
Figure SMS_127
为第一修正系数，/>
Figure SMS_120
为第/>
Figure SMS_126
个历史年中第/>
Figure SMS_129
个月中第/>
Figure SMS_132
个过往日用电峰值，/>
Figure SMS_121
为第
Figure SMS_124
个历史年中第/>
Figure SMS_130
个月中第/>
Figure SMS_133
个过往日用电峰值，/>
Figure SMS_122
为根据未来日所在时间段，找到的历史年中对应同一时间段的前后过往日数量，/>
Figure SMS_125
为历史年的数量，/>
Figure SMS_128
为对/>
Figure SMS_131
取整。
本发明取2个维度的过往日用电峰值，从日维度上：例如，未来日是2023年6月8日，则应当取历史年中6月6日、6月7日、6月8日、6月9日、6月10日等与未来日处于同一时间段的日期，若取历史年中6月6日、6月7日、6月8日、6月9日、6月10日的数据，则
Figure SMS_135
。从年维度上：未来日是2023年6月8日，应当取2022年、2021年、2020年、2019年、2018年等中与未来日处于同一时间段的日期，则/>
Figure SMS_139
，/>
Figure SMS_142
越大，年份越新，本发明从日维度上考虑多个过往日的用电峰值，通过/>
Figure SMS_134
算出两个邻近年的用电峰值变化情况，将多年的用电峰值变化情况累加，得到多年用电峰值变化综合情况/>
Figure SMS_137
。本发明又将历史年分为两部分，/>
Figure SMS_141
至/>
Figure SMS_143
为较近年份，/>
Figure SMS_136
至/>
Figure SMS_138
为老年份，通过较近年份和较老年份的数据比较，得到修正系数，通过修正系数对/>
Figure SMS_140
进行校准，提高日峰值变化系数的准确率，准确衡量历史多年峰值数据变化趋势。
所述X414中计算未来日用电峰值的公式为：
Figure SMS_144
，
其中，
Figure SMS_146
为未来日用电峰值，/>
Figure SMS_148
为临近历史年的数量，/>
Figure SMS_152
为第/>
Figure SMS_147
个历史年中第/>
Figure SMS_150
个月中第/>
Figure SMS_151
个过往日用电峰值，/>
Figure SMS_153
为根据未来日所在时间段，找到的历史年中对应同一时间段的前后过往日数量，/>
Figure SMS_145
为日峰值变化系数，/>
Figure SMS_149
为预测年数。
其中，
Figure SMS_154
为过往日用电峰值参考值。
本发明选取临近年，提高计算准确度，预测未来一年时，
Figure SMS_155
，预测未来两年时，/>
Figure SMS_156
，依照临近年的过往日用电峰值，并基于历史数据变化趋势/>
Figure SMS_157
可预测未来日的用电峰值。
X42、根据过往日用电特征值，预测未来日用电特征值，其中，未来日用电负荷包括：未来日用电峰值和未来日用电特征值。
所述X42包括以下分步骤：
X421、根据未来日所在时间段，找到处于对应时间段的过往日用电特征值；
X422、根据历史多年的同一时间段的过往日用电特征值，计算日用电特征变化系数；
X423、根据日用电特征变化系数，计算未来日用电特征值。
例如，未来日是2023年6月8日，则对于2022年来说，对应时间段为2022年6月6日、2022年6月7日、2022年6月8日、2022年6月9日、2022年6月10日等，即以6月8日为中心，其邻域范围内包括其自身的历史时间，根据历史多年的同一时间段的过往日用电特征值，计算日用电特征变化系数，日用电特征变化系数表征数据发展趋势，根据数据发展趋势，对未来日用电特征值进行预测。
所述X422中计算日用电特征变化系数的公式为：
Figure SMS_158
，
Figure SMS_159
，
Figure SMS_160
，
其中，
Figure SMS_164
为日用电特征变化系数，/>
Figure SMS_167
为平均日用电特征变化系数，/>
Figure SMS_170
为第二修正系数，/>
Figure SMS_163
为第/>
Figure SMS_165
个历史年中第/>
Figure SMS_172
个月中第/>
Figure SMS_175
个过往日用电特征值，/>
Figure SMS_161
为第/>
Figure SMS_168
个历史年中第/>
Figure SMS_171
个月中第/>
Figure SMS_174
个过往日用电特征值，/>
Figure SMS_162
为根据未来日所在时间段，找到的历史年中对应同一时间段的前后过往日数量，/>
Figure SMS_166
为历史年的数量，/>
Figure SMS_169
为对/>
Figure SMS_173
取整。
本发明取2个维度的过往日用电特征值，从日维度上：例如，未来日是2023年6月8日，则应当取历史年中6月6日、6月7日、6月8日、6月9日、6月10日等与未来日处于同一时间段的日期，若取历史年中6月6日、6月7日、6月8日、6月9日、6月10日的数据，则
Figure SMS_178
，从年维度上：未来日是2023年6月8日，应当取2022年、2021年、2020年、2019年、2018年等中与未来日处于同一时间段的日期，则/>
Figure SMS_179
，/>
Figure SMS_184
越大，年份越新，本发明从日维度上考虑多个过往日的用电特征值，通过/>
Figure SMS_176
算出两个邻近年的用电特征值变化情况，将多年的用电特征值变化情况累加，得到多年用电特征值变化综合情况/>
Figure SMS_181
。本发明又将历史年分为两部分，/>
Figure SMS_183
至/>
Figure SMS_185
为较近年份，/>
Figure SMS_177
至/>
Figure SMS_180
为老年份，通过较近年份和较老年份的数据比较，得到修正系数，通过修正系数对/>
Figure SMS_182
进行校准，提高日用电特征变化系数的准确率，准确衡量历史多年用电数据变化趋势。
所述X423中计算未来日用电特征值的公式为：
Figure SMS_186
，
其中，
Figure SMS_189
为未来日用电特征值，/>
Figure SMS_191
为临近历史年的数量，/>
Figure SMS_194
为第/>
Figure SMS_188
个历史年中第/>
Figure SMS_192
个月中第/>
Figure SMS_193
个过往日用电特征值，/>
Figure SMS_195
为根据未来日所在时间段，找到的历史年中对应同一时间段的前后过往日数量，/>
Figure SMS_187
为日用电特征变化系数，/>
Figure SMS_190
为预测年数。
其中，
Figure SMS_196
为过往日用电特征值参考值。/>
本发明选取临近年，提高计算准确度，预测未来一年时，
Figure SMS_197
，预测未来两年时，/>
Figure SMS_198
，依照临近年的过往日用电特征值，并基于历史数据变化趋势/>
Figure SMS_199
可预测未来日的用电特征值。
X5、根据过往月用电特征值和过往月用电数据分集中过往月用电峰值，预测未来月用电负荷。
所述X5包括以下分步骤：
X51、根据过往月用电特征值，计算未来月用电特征值：
Figure SMS_200
，
Figure SMS_201
，
Figure SMS_202
，
，
其中，
Figure SMS_216
为未来月用电特征值，/>
Figure SMS_206
为第/>
Figure SMS_210
个历史年中第/>
Figure SMS_219
个过往月用电特征值，
Figure SMS_220
为第/>
Figure SMS_221
个历史年中第/>
Figure SMS_223
个过往月用电特征值，/>
Figure SMS_215
为权重参数，/>
Figure SMS_217
的取值范围为（0.5，1），/>
Figure SMS_205
为第/>
Figure SMS_212
个历史年中第/>
Figure SMS_207
个过往月用电特征值，/>
Figure SMS_209
为月用电特征变化系数，
Figure SMS_211
为平均月用电特征变化系数，/>
Figure SMS_213
为第三修正系数，/>
Figure SMS_208
为根据未来月所在时间段，找到对应历史年中的同一时间段前后月数量，/>
Figure SMS_214
为历史年的数量，/>
Figure SMS_218
为对/>
Figure SMS_222
取整，/>
Figure SMS_204
为预测年数；
其中，
Figure SMS_224
为过往月用电特征值参考值。
X52、根据过往月用电数据分集中找到过往月用电峰值，计算未来月用电峰值：
Figure SMS_225
，
Figure SMS_226
，/>
Figure SMS_227
，
Figure SMS_228
，
其中，
Figure SMS_240
为未来月用电峰值，/>
Figure SMS_230
为权重参数，/>
Figure SMS_233
的取值范围为（0.5，1），
Figure SMS_234
为第/>
Figure SMS_238
个历史年中第/>
Figure SMS_242
个过往月用电峰值，/>
Figure SMS_247
为第/>
Figure SMS_237
个历史年中第/>
Figure SMS_241
个过往月用电峰值，/>
Figure SMS_231
为第/>
Figure SMS_235
个历史年中第/>
Figure SMS_243
个过往月用电峰值，/>
Figure SMS_244
为月峰值变化系数，/>
Figure SMS_245
为平均月峰值变化系数，/>
Figure SMS_248
为第四修正系数，/>
Figure SMS_232
为历史年的数量，/>
Figure SMS_236
为/>
Figure SMS_239
取整，/>
Figure SMS_246
为预测年数，/>
Figure SMS_229
为根据未来月所在时间段，找到对应历史年中的同一时间段前后月数量，未来月用电负荷包括：未来月用电特征值和未来月用电峰值。
其中，
Figure SMS_249
为过往月用电峰值参考值。
在本实施例中，
Figure SMS_250
包括自身月份所占数量，以未来月为2023年6月为例，则对应历史2022年中的同一时间段前后月应当为：5月、6月和7月等，则/>
Figure SMS_251
。
在本发明中
Figure SMS_252
越大，年份越新，因此，/>
Figure SMS_253
在取/>
Figure SMS_254
时为最新年份的数据，本发明以最新年份的过往月用电特征值为主要参考标准，以过往年其他的过往月用电特征值为次要参考标准，将较近年份和较老年份的数据比较，得到修正系数，用于表征较新年份与较老年份在数据上的变化情况，并基于数据的发展趋势，预测未来月用电特征值。计算未来月用电峰值效果同理。
综上，本发明实施例的有益效果为：本发明将楼宇电表心跳包传输数据分为过往月用电数据分集和过往日用电数据子集，通过过往日用电特征值表征一天用电的整体水平，通过过往日用电峰值表征一天的最大用电负荷，通过过往月用电特征值表征一月用电的整体水平，通过过往月用电峰值表征一月的最大用电负荷，根据历史用电的发展情况，衡量未来日或月的用电负荷，本发明中历史用电负荷的变化情况为各种因素造成，最终体现在用电负荷数据变化上，因此，本发明从整体用电负荷数据变化上出发进行用电预测，从而解决了现有用电预测方法考虑因素单一的问题，且根据多年用电数据的变化趋势，预测未来用电数据，提高用电预测精度。

Claims (8)

1.一种楼宇用电预测方法，其特征在于，包括以下步骤：
S1、将多年历史楼宇电表心跳包传输数据归集为过往月用电数据分集和过往日用电数据子集；
S2、对每个过往日用电数据子集计算过往日用电特征值；
S3、根据过往日用电特征值，计算过往月用电特征值；
S4、根据过往日用电峰值、过往日用电特征值、过往月用电特征值和过往月用电数据分集中过往月用电峰值，预测未来用电负荷。
2.根据权利要求1所述的楼宇用电预测方法，其特征在于，所述S2具体为：将每个过往日用电数据子集的平均值和中位数和的一半作为过往日用电特征值；
所述S3具体为：根据1个月中的过往日用电特征值的平均值和中位数和的一半作为过往月用电特征值。
3.根据权利要求1所述的楼宇用电预测方法，其特征在于，所述S4包括以下分步骤：
S41、根据过往日用电峰值，预测未来日用电峰值；
S42、根据过往日用电特征值，预测未来日用电特征值；
S43、根据过往月用电峰值，预测未来月用电峰值；
S44、根据过往月用电特征值，预测未来月用电特征值，其中，未来用电负荷包括：未来日用电峰值、未来日用电特征值、未来月用电峰值和未来月用电特征值。
4.根据权利要求3所述的楼宇用电预测方法，其特征在于，所述步骤S41、S42、S43和S44均通过以下步骤实现：
A1、根据历史多年的同一时间段的过往用电情况值，计算用电情况变化系数；
A2、根据用电情况变化系数，计算未来用电负荷；
其中，过往用电情况值包括：过往日用电峰值、过往日用电特征值、过往月用电峰值和过往月用电特征值，用电情况变化系数包括：日峰值变化系数、日用电特征变化系数、月峰值变化系数和月用电特征变化系数。
5.根据权利要求4所述的楼宇用电预测方法，其特征在于，所述A1包括以下分步骤：
A11、根据历史多年的同一时间段的过往用电情况值，计算历史多年的平均用电情况变化系数；
A12、将历史多年按时间先后分成两部分，得到前半部分历史年和后半部分历史年；
A13、将前半部分历史年与后半部分历史年的平均用电情况变化系数的比值作为修正系数；
A14、将历史多年的平均用电情况变化系数与修正系数相乘，得到用电情况变化系数。
6.根据权利要求4所述的楼宇用电预测方法，其特征在于，所述A2包括以下步骤：
A21、将预测年数作为用电情况变化系数的指数，预测未来年的用电情况增长比例系数；
A22、将用电参考值与预测未来年的用电情况增长比例系数相乘，得到未来用电负荷，其中，未来用电负荷包括：未来日用电峰值、未来日用电特征值、未来月用电峰值和未来月用电特征值。
7.根据权利要求6所述的楼宇用电预测方法，其特征在于，所述A22中的用电参考值包括：过往日用电峰值参考值、过往日用电特征值参考值、过往月用电峰值参考值和过往月用电特征值参考值。
8.根据权利要求7所述的楼宇用电预测方法，其特征在于，所述过往日用电峰值参考值为：临近历史年的过往日用电峰值的均值；
所述过往日用电特征值参考值为：临近历史年的过往日用电特征值的均值；
所述过往月用电峰值参考值为：对历史年中最新年份的过往月用电峰值的均值和历史年中以往年的过往月用电峰值的均值加权处理，得到的加权值；
所述过往月用电特征值参考值为：对历史年中最新年份的过往月用电特征值的均值和历史年中以往年的过往月用电特征值的均值加权处理，得到的加权值。
CN202310691926.9A 2023-06-13 2023-06-13 一种楼宇用电预测方法 Active CN116436002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310691926.9A CN116436002B (zh) 2023-06-13 2023-06-13 一种楼宇用电预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310691926.9A CN116436002B (zh) 2023-06-13 2023-06-13 一种楼宇用电预测方法

Publications (2)

Publication Number Publication Date
CN116436002A true CN116436002A (zh) 2023-07-14
CN116436002B CN116436002B (zh) 2023-09-05

Family

ID=87087611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310691926.9A Active CN116436002B (zh) 2023-06-13 2023-06-13 一种楼宇用电预测方法

Country Status (1)

Country Link
CN (1) CN116436002B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130232094A1 (en) * 2010-07-16 2013-09-05 Consolidated Edison Company Of New York Machine learning for power grid
CN104598985A (zh) * 2014-12-12 2015-05-06 国家电网公司 电力负荷预测方法
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
CN104809543A (zh) * 2015-01-28 2015-07-29 国电南瑞科技股份有限公司 基于月度输变电设备检修计划的电网运行方式生成方法
CN107038500A (zh) * 2017-04-10 2017-08-11 国网江西省电力公司经济技术研究院 一种中长期日负荷曲线的预测方法
CN110580544A (zh) * 2019-08-12 2019-12-17 浙江工业大学 一种基于周期性依赖的话务量预测方法
CN110689190A (zh) * 2019-09-24 2020-01-14 南方电网科学研究院有限责任公司 一种电网负荷预测方法、装置及相关设备
CN111126703A (zh) * 2019-12-26 2020-05-08 新奥数能科技有限公司 一种企业最大用电需量预测方法和装置
CN111310126A (zh) * 2020-02-14 2020-06-19 天津大学 一种适用于规划阶段区域建筑的空调负荷预测方法
CN112183809A (zh) * 2020-08-12 2021-01-05 国网江西省电力有限公司经济技术研究院 一种基于时空推演法的电力负荷特性指标测算方法
CN112926777A (zh) * 2021-02-25 2021-06-08 山东大学 考虑商业建筑用能行为的日前负荷预测方法及系统
CN113128567A (zh) * 2021-03-25 2021-07-16 云南电网有限责任公司 一种基于用电量数据的异常用电行为识别方法
CN113610296A (zh) * 2021-08-05 2021-11-05 王莹 一种区域内用电负荷峰值预测方法及电网投资规划方法
CN114169434A (zh) * 2021-12-07 2022-03-11 国电南瑞科技股份有限公司 一种负荷预测方法
CN114692672A (zh) * 2022-02-14 2022-07-01 国网浙江省电力有限公司 一种基于用电特征和Mean Shift算法的用户类型分类方法
CN114925929A (zh) * 2022-06-07 2022-08-19 广东电网有限责任公司 一种基于度日数的建筑负荷预测方法及装置
CN115276006A (zh) * 2022-09-26 2022-11-01 江苏永鼎股份有限公司 一种用于电力集成系统的负荷预测的方法及系统
CN115330050A (zh) * 2022-08-11 2022-11-11 河南康派智能技术有限公司 一种基于混合模型的建筑物负荷预测方法
CN115545119A (zh) * 2022-11-24 2022-12-30 国网天津市电力公司城南供电分公司 一种用电数据的识别方法、系统及应用
CN115545503A (zh) * 2022-10-14 2022-12-30 国网江苏省电力有限公司镇江供电分公司 一种基于并联时序卷积神经网络的电力负荷中短期预测方法及系统
CN115759469A (zh) * 2022-12-06 2023-03-07 国网青海省电力公司经济技术研究院 一种针对峰值负荷及其出现时间的预测方法及其装置

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130232094A1 (en) * 2010-07-16 2013-09-05 Consolidated Edison Company Of New York Machine learning for power grid
CN104598985A (zh) * 2014-12-12 2015-05-06 国家电网公司 电力负荷预测方法
CN104809543A (zh) * 2015-01-28 2015-07-29 国电南瑞科技股份有限公司 基于月度输变电设备检修计划的电网运行方式生成方法
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
CN107038500A (zh) * 2017-04-10 2017-08-11 国网江西省电力公司经济技术研究院 一种中长期日负荷曲线的预测方法
CN110580544A (zh) * 2019-08-12 2019-12-17 浙江工业大学 一种基于周期性依赖的话务量预测方法
CN110689190A (zh) * 2019-09-24 2020-01-14 南方电网科学研究院有限责任公司 一种电网负荷预测方法、装置及相关设备
CN111126703A (zh) * 2019-12-26 2020-05-08 新奥数能科技有限公司 一种企业最大用电需量预测方法和装置
CN111310126A (zh) * 2020-02-14 2020-06-19 天津大学 一种适用于规划阶段区域建筑的空调负荷预测方法
CN112183809A (zh) * 2020-08-12 2021-01-05 国网江西省电力有限公司经济技术研究院 一种基于时空推演法的电力负荷特性指标测算方法
CN112926777A (zh) * 2021-02-25 2021-06-08 山东大学 考虑商业建筑用能行为的日前负荷预测方法及系统
CN113128567A (zh) * 2021-03-25 2021-07-16 云南电网有限责任公司 一种基于用电量数据的异常用电行为识别方法
CN113610296A (zh) * 2021-08-05 2021-11-05 王莹 一种区域内用电负荷峰值预测方法及电网投资规划方法
CN114169434A (zh) * 2021-12-07 2022-03-11 国电南瑞科技股份有限公司 一种负荷预测方法
CN114692672A (zh) * 2022-02-14 2022-07-01 国网浙江省电力有限公司 一种基于用电特征和Mean Shift算法的用户类型分类方法
CN114925929A (zh) * 2022-06-07 2022-08-19 广东电网有限责任公司 一种基于度日数的建筑负荷预测方法及装置
CN115330050A (zh) * 2022-08-11 2022-11-11 河南康派智能技术有限公司 一种基于混合模型的建筑物负荷预测方法
CN115276006A (zh) * 2022-09-26 2022-11-01 江苏永鼎股份有限公司 一种用于电力集成系统的负荷预测的方法及系统
CN115545503A (zh) * 2022-10-14 2022-12-30 国网江苏省电力有限公司镇江供电分公司 一种基于并联时序卷积神经网络的电力负荷中短期预测方法及系统
CN115545119A (zh) * 2022-11-24 2022-12-30 国网天津市电力公司城南供电分公司 一种用电数据的识别方法、系统及应用
CN115759469A (zh) * 2022-12-06 2023-03-07 国网青海省电力公司经济技术研究院 一种针对峰值负荷及其出现时间的预测方法及其装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MARCO LAURICELLA等: "Day-Ahead and Intra-Day Building Load Forecast With Uncertainty Bounds Using Small Data Batches", 《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY ( EARLY ACCESS )》, pages 1 - 12 *
张威等: "基于K-means的智能电能表负荷测量估算", 《电测与仪表》, vol. 58, no. 10, pages 185 - 192 *
王登峰等: "基于用电信息大数据的时间序列分析研究", 《电子器件》, vol. 45, no. 1, pages 199 - 204 *

Also Published As

Publication number Publication date
CN116436002B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN106716158B (zh) 电池荷电状态估算方法和装置
JP5466564B2 (ja) 電池劣化推定方法、電池容量推定方法、電池容量均等化方法、および電池劣化推定装置
JP5644774B2 (ja) 電力計測システム、電力計測方法および情報処理装置
CN110930034B (zh) 一种电力现货市场结算计量数据校验方法、装置及介质
CN102918409B (zh) 估算便携式装置的电池的剩余电量的方法
CN111426965B (zh) 一种电池电量的计算方法
JP5537535B2 (ja) 消費電力表示装置及び消費電力表示方法
CN113267699B (zh) 供电线路窃电判断方法及其应用
JP2016045560A (ja) 電気料金プラン選定システム
CN109828215A (zh) 一种提升电池单体soc估算精度的方法和系统
CN112003278A (zh) 一种分布式光伏自用电比例预测的实现方法及系统
CN115792370B (zh) 一种基于智能电表的用能诊断方法、装置和设备
CN101900793B (zh) 电池放电残余时间估测方法
CN104504479A (zh) 两种考虑温度和经济增长因素的月度全社会用电量预测方法
CN113866708B (zh) 一种基于智能断路器的电能表计量误差分析方法
CN116520162A (zh) 一种对磷酸铁锂电池soc的修正方法、系统及存储介质
CN113466728B (zh) 一种两阶段电池模型参数在线辨识的方法与系统
CN116436002B (zh) 一种楼宇用电预测方法
CN109783894B (zh) 一种基于信息再修正的负荷协调预测方法
JP2015082928A (ja) 推定プログラム、推定装置及び推定方法
CN111160601A (zh) 一种针对用户电力消费数据的电器需求响应潜力预测方法
CN115166350A (zh) 电能表需量计算方法和装置
CN114997903A (zh) 一种智能化电费复核及异常诊断系统及方法
CN114142470A (zh) 电力系统新能源电站配套储能合理规模测算方法及系统
CN109149588B (zh) 一种考虑电网总计价风险的计量机制的需求响应方法

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
GR01 Patent grant
GR01 Patent grant