CN116826745A - 一种电力系统背景下的分层分区短期负荷预测方法及系统 - Google Patents

一种电力系统背景下的分层分区短期负荷预测方法及系统 Download PDF

Info

Publication number
CN116826745A
CN116826745A CN202311098885.9A CN202311098885A CN116826745A CN 116826745 A CN116826745 A CN 116826745A CN 202311098885 A CN202311098885 A CN 202311098885A CN 116826745 A CN116826745 A CN 116826745A
Authority
CN
China
Prior art keywords
load
industry
models
prediction
data
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
CN202311098885.9A
Other languages
English (en)
Other versions
CN116826745B (zh
Inventor
代桃桃
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.)
Shandong Hising Power Tech Co ltd
Original Assignee
Shandong Hising Power Tech 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 Shandong Hising Power Tech Co ltd filed Critical Shandong Hising Power Tech Co ltd
Priority to CN202311098885.9A priority Critical patent/CN116826745B/zh
Publication of CN116826745A publication Critical patent/CN116826745A/zh
Application granted granted Critical
Publication of CN116826745B publication Critical patent/CN116826745B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种电力系统背景下的分层分区短期负荷预测方法及系统，属于负荷预测技术领域，解决新型电力系统下电力负荷组成多元化、差异性，难以掌握电力负荷规律以及精准预测的问题，包括：将电力系统负荷按按片区、产业或按照母线进行拆分，建立精细化和差异化的多个预测子模型；将建立的多个预测子模型分别与各子模型对应的气象数据进行相关性分析，分析影响不同预测子模型的因素，并提取特征因子，对所提取的特征因子进行数值化处理；根据建立的多个预测子模型及各子模型对应的特征因子，得到不同预测子模型的负荷预测结果，针对不同预测子模型的负荷预测结果，采用信息量权重计算得到最终负荷预测结果，提高了负荷预测过程的精确性。

Description

一种电力系统背景下的分层分区短期负荷预测方法及系统
技术领域
本发明属于基于负荷分层的短期负荷预测技术领域，尤其涉及一种电力系统背景下的分层分区短期负荷预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
为实现绿色低碳能源转型，需要建立清洁低碳安全高效的能源体系，构建以新能源为主体的新型电力系统。
随着电能替代不断深化与电气化水平不断提高，电力负荷作为新型电力系统的重要组成部分，正在逐渐朝着多元化方向发展。电力负荷预测是电力系统运行工作的基础，随着对电力系统进行精益化管理要求的提出，特别是在电网规划中，多元负荷预测成为重要的研究课题，对负荷在空间及时间上的分布预测提出了更高的要求。
目前，用电形式更加多样化，除了常规负荷外，电动汽车等新兴负荷发展也十分迅猛，传统的负荷预测将负荷作为一个整体进行预测，缺乏对负荷特性的定性分析，而不同区域的负荷、制冷制热负荷占比、节假日、极端天气对负荷预测的准确性也有决定性影响，不能充分的考虑到负荷类型及不同区域的负荷特有规律。
发明内容
为克服上述现有技术的不足，本发明提供了一种电力系统背景下的分层分区短期负荷预测方法，能提高负荷预测过程的精确性。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
第一方面，公开了一种电力系统背景下的分层分区短期负荷预测方法，包括：
考虑区域和产业负荷的特点以及影响因素的不同，将电力系统负荷按按片区、产业或按照母线进行拆分，建立精细化和差异化的多个预测子模型；
将建立的多个预测子模型分别与各子模型对应的气象数据进行相关性分析，分析影响不同预测子模型的因素，并提取特征因子，对所提取的特征因子进行数值化处理；
根据建立的多个预测子模型及各子模型对应的特征因子，得到不同预测子模型的负荷预测结果，针对不同预测子模型的负荷预测结果，采用信息量权重计算得到最终负荷预测结果。
作为进一步的技术方案，建立精细化和差异化的多个预测子模型之前，还包括：构建负荷数据库及构建气象数据库的步骤；
基于负荷数据库及气象数据库获得总负荷历史数据，基于总负荷历史数据，建立多个预测子模型。
作为进一步的技术方案，构建负荷数据库时，包括：
获取负荷历史数据，包括所关联的母线负荷数据、分产业的负荷数据、各个地区的负荷数据；
对获取的负荷历史数据进行数据预处理，数据包括：如果日负荷曲线中连续两点负荷变化超出预设的阈值，则判断为异常点，数据预处理后的负荷历史数据存入负荷数据库。
作为进一步的技术方案，构建气象数据库时，包括：
获取气象数据，对获取的气象数据进行清洗和预处理，并根据气象数据与温度数据的关系矫正气象数据。
气象数据为数值天气数据：温度、体感温度、湿度、风力、短波辐射、降水量；
其中，针对夏季连续高温会对负荷产生的影响，利用温度修正模型得到修正后的温度。
作为进一步的技术方案，考虑区域和产业负荷的特点以及影响因素的不同，将电力系统负荷按按片区、产业或按照母线进行拆分，包括：
定义区域、产业及对应的负荷；
按照产业分层定义进行精细化建模，分为5类；
第一类：按区域分为两层，第一层为总负荷，第二层为各个区域的负荷，且各个区域的负荷之和等于总负荷；
第二类：按产业分为两层，第一层为总负荷，第二层为各个产业负荷，且各个产业负荷之和等于总负荷；
第三类：分为三层，分区域分产业，第一层为总负荷，第二层为各个区域，第三层每个区域的各个产业负荷；
第四类：分为三层，分产业分区域，第一层为总负荷，第二层为各个产业，第三层每个产业的区域负荷；
第五类：按母线进行分类，总负荷=各个母线负荷之和。
作为进一步的技术方案，第三类中：区域1的负荷=区域1中产业1负荷+区域1中产业2负荷+···+区域1中产业n负荷；
区域2的负荷=区域2中产业1负荷+区域2中产业2负荷+···+区域2中产业n负荷；
区域n的负荷=区域n中产业1负荷+区域n中产业2负荷+···+区域n中产业n负荷。
作为进一步的技术方案，第四类中：产业1的负荷=产业1中区域1负荷+产业1中区域2负荷+···+产业1中区域n负荷
产业2的负荷=产业2中区域1负荷+产业2中区域2负荷+···+产业2中区域n负荷
产业m的负荷=产业m中区域1负荷+产业m中区域2负荷+···+产业m中区域n负荷。
作为进一步的技术方案，将建立的多个预测子模型分别与各子模型对应的气象数据进行相关性分析，分析影响不同预测模型的因素，并提取特征因子，具体包括：
以X表示负荷数据，以Y表示气象数据，两个数据中第i个值记录为、/>，两个数据中第j个值记录为Xj、Yj，X变量和 Y 变量对应序号的元素，组成一个元素对 XY，元素对集合包含的元素为（/>，/>），0<i<=N，0<j<=N，N为数据个数，i与j不等；
当集合 XY 中任意元素对（，/>）和（Xj，/>）的排名相同时，/>，/>，，/>，认为（/>，/>）和（Xj，/>）是相关性一致；
若相关性一致，则计算其相关系数；
相关系数在设定范围时，则该相关系数为特征因子。
作为进一步的技术方案，针对不同预测子模型的负荷预测结果，采用信息量权重计算得到最终负荷预测结果，具体包括：
对不同类子模型的预测结果进行综合，提取日负荷预测准确率、日峰谷预测准确率、月平均负荷准确率，根据其3类因素评估出每个模型的权重，最后经过加权获取最终预测结果。
第二方面，公开了一种电力系统背景下的分层分区短期负荷预测系统，包括：
预测模型构建模块，被配置为：考虑区域和产业负荷的特点以及影响因素的不同，将电力系统负荷按按片区、产业或按照母线进行拆分，建立精细化和差异化的多个预测子模型；
特征因子提取模块，被配置为：将建立的多个预测子模型分别与各子模型对应的气象数据进行相关性分析，分析影响不同预测子模型的因素，并提取特征因子，对所提取的特征因子进行数值化处理；
负荷预测模块，被配置为：根据建立的多个预测子模型及各子模型对应的特征因子，得到不同预测子模型的负荷预测结果，针对不同预测子模型的负荷预测结果，采用信息量权重计算得到最终负荷预测结果。
以上一个或多个技术方案存在以下有益效果：
本发明技术方案考虑了不同区域和不同产业负荷的特点以及影响因素的不同，将系统负荷按片区、按产业或按母线进行拆分后建立对应的预测子模型，对子模型分别预测，最后采用综合权重的方法，得到负荷预测结果，提高了负荷预测过程的精确性。
本发明提供的分层分区短期负荷预测技术方案中，考虑了多日高温与日最高负荷的关系，对温度进行了修正，避免了因高温积累产生的与负荷关系不对应的情况。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例方法流程图；
图2为本发明实施例第一类预测子模型示意图；
图3为本发明实施例第二类预测子模型示意图；
图4为本发明实施例第三类预测子模型示意图；
图5为本发明实施例第四类预测子模型示意图；
图6为本发明实施例第五类预测子模型示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种电力系统背景下的分层分区短期负荷预测方法，包括：考虑不同区域和不同产业负荷的特点以及影响因素的不同，将系统负荷按片区、按产业或按母线进行拆分后建立对应的预测子模型，对子模型分别预测，最后进行综合得到负荷预测结果，提高负荷预测过程的精确性。
具体步骤包括：
步骤1：获取负荷历史数据，对获取的负荷数据进行清洗和预处理，构建负荷数据库；在该步骤中，得到能够代表负荷特征的历史数据，避免因为坏数据破坏负荷规律。
步骤2：获取专用和精准的气象数据，对获取的气象数据进行清洗和预处理，并根据气象与温度的关系矫正气象数据，构建气象数据库；在该步骤中，得到精细化能够到县级市的气象数据，同时对数据精细矫正和清洗异常数据，避免坏数据破坏气象影响负荷的规律。
步骤3：考虑不同区域和不同产业负荷的特点以及影响因素的不同，将系统负荷按按片区、按产业或照母线进行拆分，建立精细化和差异化的预测子模型；在该步骤中，将负荷化整零，基于不同产业对气象敏感度不一样实现按产业划分，按区域，能够更好的使用精细化气象。
步骤4：基于负荷数据库及气象数据库，将步骤3中建立的负荷预测子模型分别与对应的气象数据进行相关性分析，分析影响不同负荷预测子模型的因素，并提取特征因子，对所提取的特征因子进行数值化处理；根据不同的负荷与不同影响因素的因子大小，选取所需要的影响因素。
对季节、星期、节假日等时间因素和分时电价等因素的特征因子做同样的分析，具体为与负荷之间的相关性分析。
步骤5：根据步骤3建立的负荷预测子模型及步骤4中的特征因子，采用人工智能AI算法得到不同模型的负荷预测结果，采用信息量权重计算方法，得到负荷预测最终结果。
上述步骤1中，获取负荷历史数据，对获取的负荷历史数据进行清洗和预处理，构建负荷数据库的具体步骤包括：
提取负荷历史数据，包括区域内全网负荷以及该区所关联的母线负荷数据、分产业的负荷数据、各个地区的负荷数据；
在本实施例子中，一个区域内的负荷指全网负荷，全网负荷等于该区域内所有母线负荷之和，关联指与该区全网负荷的母线。
构建数据清洗模型即下文的具体公式，电网中的数据尤其是各类母线负荷，均存在波动大、多毛刺、非线性、有高频波动分量和季节性分量，噪声信号和多波动多毛刺的有用信号相互交叉，对负荷样本数据的质量影响较大，直接影响负荷预测精度。另外，由于自动化系统问题等各种原因，实际的负荷样本数据中总不可避免地包含有数据缺失、数据突变引起的异常数据，这将掩盖历史负荷的真实变化规律，本实施例子采用基于“横向比较，纵向修补”的数据预处理算法。
将提取的负荷历史数据，利用日负荷曲线中连续两点负荷不突变的特性来判别异常点的数据处理方法。如果前后两点的负荷变化超出预设的阈值，则判断为异常点，具体判断流程：
（1）针对缺失的的数据
若缺失1个点，则
若连续缺失2-3个点，则采用插值处理。
若连续缺失3个点及以上，则采用本日期上周同一日期类型统一时刻的负荷数据替补。
（2）针对异常的数据，采用相邻两点的变化率来进行判别。若，
则，
式子中，为第/>天，t时刻的负荷，/>为d天，t-1时刻的负荷，为d天，t+1时刻的负荷，/>、/>为阈值。
（3）若（2）中条件不满足，但存在
或/>
这时候考虑是否存在连续异常值的情形，此时若满足，
则，。
其中，表示d-1天的最后一个采集点数据，/>为阈值，是指前n天内t时刻与t-1时刻负荷变化率的最大值，i表示与当前日期的间隔天数。
上述步骤2中获取专用和精准的气象数据，对获取的气象数据进行清洗和预处理，并根据气象与温度的关系矫正气象数据，构建气象数据库；
负荷数据采集间隔为15min，所采用的电力气象数据中有的非为15min采样间隔的，也需进行相同采样时间的等效。
具体的气象数据为数值天气数据：温度、体感温度、湿度、风力、短波辐射、降水量，采样间隔均为1h。
针对夏季连续高温会对负荷产生的影响，提出温度修正模型，即
其中，为待预测日/>的最高温度；/>为待预测日第/>天的最高温度；/>为高温天数中日最高温度的平均温度，/>为系数，/>为高温天数，只需确定系数/>即可。
选取三年的6-8月份的最高温度和最高负荷，筛选出连续3天超过34摄氏度的天数作为样本集合。
（1）对选出每个连续高温的样本集合进行相邻天数的日最高温差计算。即
式子中，为第/>日最高温差，/>第/>日最高温，/>第/>日最高温。
（2）对选出每个连续高温的样本集合进行相邻天数的日最高负荷增长率计算。即，
式子中，为第/>日最高负荷，/>第/>日最高负荷，/>第/>日最高负荷。
（3）计算系数，，从而得出修正后的温度。
上述步骤3中，建立精细化和差异化的预测模型，考虑不同区域和不同产业负荷的特点以及影响因素的不同，将系统负荷按按片区、按产业或照母线进行拆分。
进一步需要说明的是，步骤根据考虑不同区域和不同产业负荷的特点以及影响因素的不同，将系统负荷按按片区、按产业或照母线进行拆分还包括：
定义区域，产业及对应的负荷；
按照产业分层定义进行精细化建模，分为5类
第一类：按区域分为两层，第一层为总负荷load，第二层为各个区域的负荷load，且load 1+load 2+···+load n=load，模型参见附图2所示；
第二类：按产业分为两层，按区域分为两层，第一层为总负荷load，第二层为各个产业负荷load，且load 1+load 2+···+load n=load，模型参见附图3所示；
第三类：分为三层，分区域分产业，第一层为总负荷load，第二层为各个区域，第三层每个区域的各个产业负荷。
且：区域1的负荷=区域1中产业1负荷+区域1中产业2负荷+···+区域1中产业n负荷
区域2的负荷=区域2中产业1负荷+区域2中产业2负荷+···+区域2中产业n负荷
区域n的负荷=区域n中产业1负荷+区域n中产业2负荷+···+区域n中产业n负荷；模型参见附图4所示；
第四类：分为三层，分产业分区域，第一层为总负荷load，第二层为各个产业，第三层每个产业的区域负荷。
且：产业1的负荷=产业1中区域1负荷+产业1中区域2负荷+···+产业1中区域n负荷；
产业2的负荷=产业2中区域1负荷+产业2中区域2负荷+···+产业2中区域n负荷；
产业m的负荷=产业m中区域1负荷+产业m中区域2负荷+···+产业m中区域n负荷；模型参见附图5所示；
第五类：按母线进行分类，总负荷=各个母线负荷之和，模型参见附图6所示，其中，H代表高压侧，可以为220kV， M代表中压侧，可以为35kV或者10kV，L代表低压侧，可以为380V，PM代表中压侧的所有线路负荷和，PM1为第一条中压线路负荷，PM2为第二条中压线路负荷，PMJ为第J条中压线路负荷，PL1代表第一条低压线路负荷，PL2代表第二条低压线路负荷，PLK代表第K条低压线路负荷，PH=PM+PL。
具体的，上述步骤4中根据步骤3中建立的负荷预测模型分别与对应的气象数据进行相关性分析，分析影响不同负荷预测模型的因素，并提取特征因子，对所提取的特征因子进行数值化处理；对季节、星期、节假日等时间因素和分时电价等因素的特征因子做同样的分析；
进一步需要说明的是，采用肯德尔算法分析影响不同负荷预测模型的因素，并提取特征因子。分别对建立的模型中的每个子模型与影响因素之间的相关性进行计算，以此子模型自己的特征因子，从而对负荷建立精细化的模型。
以X表示负荷数据，以Y表示气象数据，两个数据中第i个（i大于0小于N，N为数据个数）值记录为Xi、Yi，X变量和 Y 变量对应序号的元素，组成一个元素对 XY，元素对集合包含的元素为（,/>）(0<i<=N)。当集合 XY 中任意元素对（/>,/>）和（/>,/>）的排名相同时：
（1）出现，/>
（2）出现，/>
认为（,/>）和（/>,/>）是相关性一致
当集合XY中的任意元素对（,/>）和（/>,/>）的排序相同时，
（1）出现，/>
（2）出现，/>
这两个元素对被认为相关性不一致
当集合XY中的任意元素对（,/>）和（/>,/>）的排序相同时，
（1）
（2）
无相关性
具体的计算算法：
其中，A表示负荷和气象数据两个变量中具有一致性的对数，B表示两个变量中，具有相关性不一致的对数，式中、/>计算方法：
N1表示不变对中，X元素不相关的个数；
N2表示不变对中，Y元素不相关的个数；
N3表示；两两比较的总对数，N为样本量
N1计算方式如下：将变量 X 中值相同的元素，分别组合成多个小集合，把单个小集合视为一个元素，R 表示集合 X 内所包含小集合元素的集合（比如，X随机变量中 1 2 34 3 4 5，R 的值即为 2，因为 X 随机变量元素集合中只有 3、4 有相同的元素），Ui则表示第 i 个小集合里包含的元素数，N2的计算方式与N1类似。
（1）若相关系数为：0.8至1.0为正强相关；若相关系数在0.6至0.8为正相关；0.4至0.6为中等正相关；0.2至0.4为弱相关；0.0至0.2为极弱相关或无相关。
（2）若相关系数为：-0.8至-1.0为负强相关；若相关系数在-0.6至-0.8为负相关；-0.4至-0.6为中等负相关；-0.2至-0.4为弱负相关；-0.0至-0.2为无相关。
若所计算的相关系数绝对值在0.4至1，则采用该特征因子，特征因子指的是影响因素，比如与日最高温度这个因子相关系数在0.8，在后续负荷预测中就把每日最高温度作为输入。
上述步骤5：根据步骤3建立的负荷预测子模型及步骤4中的特征因子，采用人工智能AI算法得到不同模型的负荷预测结果，采用信息量权重计算方法，得到负荷预测最终结果。
采用深度学习AI的智能算法，根据每个子模型的特点进行AI算法参数的设置和调整，建立子模型独立的预测模型，调整的参数有：历史数据窗长度、步长、网络层数、神经元个数，直至找到一个准确率较高的模型。
对5类模型的预测结果进行综合，提取日负荷预测准确率、日峰谷预测准确率、月平均负荷准确率，根据其3类因素评估出每个模型的权重，最后经过加权获取最终预测结果。
（1）日峰谷预测准确率
式中，日最高负荷准确率，%；/>日最高负荷预测值，MW；/>日最高负荷实际值，MW；/>日最低负荷预测值，MW；/>日最低负荷实际值，MW。
（2）日负荷预测准确率
式中，日负荷准确率，%；RMSE为日负荷预测偏差率均方根；/>为时刻i的负荷预测偏差率，%；n为日负荷样本点数。
（3）月平均日负荷预测准确率
式中，月平均日负荷预测准确率，%；/>该月某日平均负荷预测准确率，%。n为天数。
（4）计算权重
1）用1个的子集作为上述5类预测模型的预测指标，该集合有m=4指标特征值，用于描述样本的整体特征，n=5。即
式子为样本j中指标i的特征值，/>；/>。
2）确定相对隶属函数
如果特征值的指标是越大越优，那么可由相对隶属度及其函数的定义，即如果某样本j中指标i的特征值是指标i中的最大特征值/>，那么/>对指标i的相对隶属度为１；如果此样本j 中指标i的某个特征值/>是O，那么/>对指标i的相对隶属度是O。这样就能够求出越大越优特征值的相对隶属度：
特征值的指标越小越优同理。若某个样本j中指标i的特征值是指标i中的最小特征值/>，那么/>对指标i的相对隶属度为１；如果此样本中某个/>的值是/>的数十倍以上，那么/>对指标i的相对隶属度是０。这样就能够求出越小越优特征值的相对隶属度：
隶属度矩阵R可表示为：，样本中的所有指标是通过相对隶属度矩阵R来描述的，这就解决了不同指标间量纲不同的问题，从而使相关特征矩阵进一步规范化，让不同备选位置的同类指标基于同一量纲基准。
3）非结构性决策系统元素权重向量阵
若某个指标特征值矩阵中包含m个指标，则其优越性定性排序标度确定式为：
若比/>优越，取/>
若比/>优越，取/>
若比/>同样优越，/>
得出定性排序标度矩阵Ｅ：
各个指标的权重为：
其中，将指标排序后，能够得到各指标对于优越性非归一化的权重向量，/>非结构性决策系统指标的权重向量阵。
4）非结构性决策系统元素权重向量阵
式子中，为各个指标的客观权重。
5）确定综合指标W
其中，为给定的主观权重，且/>，u为权重系数，自己定义大小，表示综合指标W中对客观和主观权重的侧重。
通过上述计算方法，依次获取五类模型最终预测结果的权重，从而得出最终的预测结果。
实施例二
本实施例的目的是提供一种电力系统背景下的分层分区短期负荷预测系统，包括：
预测模型构建模块，被配置为：考虑区域和产业负荷的特点以及影响因素的不同，将电力系统负荷按按片区、产业或按照母线进行拆分，建立精细化和差异化的多个预测子模型；
特征因子提取模块，被配置为：将建立的多个预测子模型分别与各子模型对应的气象数据进行相关性分析，分析影响不同预测子模型的因素，并提取特征因子，对所提取的特征因子进行数值化处理；
负荷预测模块，被配置为：根据建立的多个预测子模型及各子模型对应的特征因子，得到不同预测子模型的负荷预测结果，针对不同预测子模型的负荷预测结果，采用信息量权重计算得到最终负荷预测结果。
以上实施例的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种电力系统背景下的分层分区短期负荷预测方法，其特征是，包括：
考虑区域和产业负荷的特点以及影响因素的不同，将电力系统负荷按按片区、产业或按照母线进行拆分，建立精细化和差异化的多个预测子模型；
将建立的多个预测子模型分别与各子模型对应的气象数据进行相关性分析，分析影响不同预测子模型的因素，并提取特征因子，对所提取的特征因子进行数值化处理；
根据建立的多个预测子模型及各子模型对应的特征因子，得到不同预测子模型的负荷预测结果，针对不同预测子模型的负荷预测结果，采用信息量权重计算得到最终负荷预测结果。
2.如权利要求1所述的一种电力系统背景下的分层分区短期负荷预测方法，其特征是，建立精细化和差异化的多个预测模型之前，还包括：构建负荷数据库及构建气象数据库的步骤；
基于负荷数据库及气象数据库获得总负荷历史数据，基于总负荷历史数据，建立多个预测子模型。
3.如权利要求2所述的一种电力系统背景下的分层分区短期负荷预测方法，其特征是，构建负荷数据库时，包括：
获取负荷历史数据，包括所关联的母线负荷数据、分产业的负荷数据、各个地区的负荷数据；
对获取的负荷历史数据进行数据预处理，数据包括：如果日负荷曲线中连续两点负荷变化超出预设的阈值，则判断为异常点，数据预处理后的负荷历史数据存入负荷数据库。
4.如权利要求2所述的一种电力系统背景下的分层分区短期负荷预测方法，其特征是，构建气象数据库时，包括：
获取气象数据，对获取的气象数据进行清洗和预处理，并根据气象数据与温度数据的关系矫正气象数据；
气象数据为数值天气数据：温度、体感温度、湿度、风力、短波辐射、降水量；
其中，针对夏季连续高温会对负荷产生的影响，利用温度修正模型得到修正后的温度。
5.如权利要求1所述的一种电力系统背景下的分层分区短期负荷预测方法，其特征是，考虑区域和产业负荷的特点以及影响因素的不同，将电力系统负荷按按片区、产业或按照母线进行拆分，包括：
定义区域、产业及对应的负荷；
按照产业分层定义进行精细化建模，分为5类；
第一类：按区域分为两层，第一层为总负荷，第二层为各个区域的负荷，且各个区域的负荷之和等于总负荷；
第二类：按产业分为两层，第一层为总负荷，第二层为各个产业负荷，且各个产业负荷之和等于总负荷；
第三类：分为三层，分区域分产业，第一层为总负荷，第二层为各个区域，第三层每个区域的各个产业负荷；
第四类：分为三层，分产业分区域，第一层为总负荷，第二层为各个产业，第三层每个产业的区域负荷；
第五类：按母线进行分类，总负荷=各个母线负荷之和。
6.如权利要求5所述的一种电力系统背景下的分层分区短期负荷预测方法，其特征是，第三类中：区域1的负荷=区域1中产业1负荷+区域1中产业2负荷+···+区域1中产业n负荷；
区域2的负荷=区域2中产业1负荷+区域2中产业2负荷+···+区域2中产业n负荷；
区域n的负荷=区域n中产业1负荷+区域n中产业2负荷+···+区域n中产业n负荷。
7.如权利要求5所述的一种电力系统背景下的分层分区短期负荷预测方法，其特征是，第四类中：产业1的负荷=产业1中区域1负荷+产业1中区域2负荷+···+产业1中区域n负荷
产业2的负荷=产业2中区域1负荷+产业2中区域2负荷+···+产业2中区域n负荷
产业m的负荷=产业m中区域1负荷+产业m中区域2负荷+···+产业m中区域n负荷。
8.如权利要求1所述的一种电力系统背景下的分层分区短期负荷预测方法，其特征是，将建立的多个预测子模型分别与各子模型对应的气象数据进行相关性分析，分析影响不同预测模型的因素，并提取特征因子，若相关性一致，则计算其相关系数；
相关系数在设定范围时，则该相关系数为特征因子。
9.如权利要求1所述的一种电力系统背景下的分层分区短期负荷预测方法，其特征是，针对不同预测子模型的负荷预测结果，采用信息量权重计算得到最终负荷预测结果，具体包括：
对不同类子模型的预测结果进行综合，提取日负荷预测准确率、日峰谷预测准确率、月平均负荷准确率，根据其3类因素评估出每个模型的权重，最后经过加权获取最终预测结果。
10.一种电力系统背景下的分层分区短期负荷预测系统，其特征是，包括：
预测模型构建模块，被配置为：考虑区域和产业负荷的特点以及影响因素的不同，将电力系统负荷按按片区、产业或按照母线进行拆分，建立精细化和差异化的多个预测子模型；
特征因子提取模块，被配置为：将建立的多个预测子模型分别与各子模型对应的气象数据进行相关性分析，分析影响不同预测子模型的因素，并提取特征因子，对所提取的特征因子进行数值化处理；
负荷预测模块，被配置为：根据建立的多个预测子模型及各子模型对应的特征因子，得到不同预测子模型的负荷预测结果，针对不同预测子模型的负荷预测结果，采用信息量权重计算得到最终负荷预测结果。
CN202311098885.9A 2023-08-30 2023-08-30 一种电力系统背景下的分层分区短期负荷预测方法及系统 Active CN116826745B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311098885.9A CN116826745B (zh) 2023-08-30 2023-08-30 一种电力系统背景下的分层分区短期负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311098885.9A CN116826745B (zh) 2023-08-30 2023-08-30 一种电力系统背景下的分层分区短期负荷预测方法及系统

Publications (2)

Publication Number Publication Date
CN116826745A true CN116826745A (zh) 2023-09-29
CN116826745B CN116826745B (zh) 2024-02-09

Family

ID=88116998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311098885.9A Active CN116826745B (zh) 2023-08-30 2023-08-30 一种电力系统背景下的分层分区短期负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN116826745B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272121A (zh) * 2023-11-21 2023-12-22 江苏米特物联网科技有限公司 一种基于Deep SHAP的酒店负荷影响因素量化分析方法

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093288A (zh) * 2013-02-21 2013-05-08 江苏省电力公司电力科学研究院 基于气象信息的分区电网母线负荷预测系统
CN103295075A (zh) * 2013-04-01 2013-09-11 沈阳航空航天大学 一种超短期电力负荷预测与预警方法
CN105069525A (zh) * 2015-07-30 2015-11-18 广西大学 全天候96点日负荷曲线预测及优化修正系统
CN105205547A (zh) * 2015-08-25 2015-12-30 广西电网有限责任公司 一种基于多种不确定因素相似度匹配的母线负荷预测算法
CN106127360A (zh) * 2016-06-06 2016-11-16 国网天津市电力公司 一种基于用户特性分析的多模型负荷预测方法
CN106408223A (zh) * 2016-11-30 2017-02-15 华北电力大学（保定） 基于气象相似日及误差校正的短期负荷预测方法
CN106485365A (zh) * 2016-10-25 2017-03-08 广东工业大学 一种电力系统负荷预测方法及装置
CN108122173A (zh) * 2017-12-20 2018-06-05 国家电网公司 一种基于深度信念网络的多行业负荷预测方法
CN110210677A (zh) * 2019-06-06 2019-09-06 国网山东省电力公司莱芜供电公司 一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置
CN110610280A (zh) * 2018-10-31 2019-12-24 山东大学 一种电力负荷短期预测方法、模型、装置及系统
CN110689162A (zh) * 2019-08-12 2020-01-14 国电南瑞科技股份有限公司 一种基于用户侧分类的母线负荷预测方法、装置及系统
CN111428926A (zh) * 2020-03-23 2020-07-17 国网江苏省电力有限公司镇江供电分公司 一种考虑气象因素的区域电力负荷预测方法
CN112288496A (zh) * 2020-11-18 2021-01-29 国网湖南省电力有限公司 电力行业负荷分类计算方法及其跟踪分析方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112488192A (zh) * 2020-11-30 2021-03-12 国家电网有限公司 一种区域电网短期负荷预测方法
CN112613650A (zh) * 2020-12-14 2021-04-06 燕山大学 一种新型三阶段短期电力负荷预测方法
CN114254838A (zh) * 2022-01-07 2022-03-29 深圳供电局有限公司 一种短期电力负荷预测影响因子的确定方法
CN114511135A (zh) * 2021-12-31 2022-05-17 国网浙江省电力有限公司绍兴供电公司 基于人工智能的短期负荷预测方法、计算机设备及存储介质
CN115600717A (zh) * 2022-09-07 2023-01-13 东南大学（Cn） 一种基于联邦学习的分行业电力负荷预测方法、设备和存储介质
CN115632392A (zh) * 2022-09-15 2023-01-20 平湖市通用电气安装有限公司 基于机器学习的分层分区精准负荷响应系统
CN116258269A (zh) * 2023-03-16 2023-06-13 电子科技大学 一种基于负荷特征分解的超短期负荷动态预测方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093288A (zh) * 2013-02-21 2013-05-08 江苏省电力公司电力科学研究院 基于气象信息的分区电网母线负荷预测系统
CN103295075A (zh) * 2013-04-01 2013-09-11 沈阳航空航天大学 一种超短期电力负荷预测与预警方法
CN105069525A (zh) * 2015-07-30 2015-11-18 广西大学 全天候96点日负荷曲线预测及优化修正系统
CN105205547A (zh) * 2015-08-25 2015-12-30 广西电网有限责任公司 一种基于多种不确定因素相似度匹配的母线负荷预测算法
CN106127360A (zh) * 2016-06-06 2016-11-16 国网天津市电力公司 一种基于用户特性分析的多模型负荷预测方法
CN106485365A (zh) * 2016-10-25 2017-03-08 广东工业大学 一种电力系统负荷预测方法及装置
CN106408223A (zh) * 2016-11-30 2017-02-15 华北电力大学（保定） 基于气象相似日及误差校正的短期负荷预测方法
CN108122173A (zh) * 2017-12-20 2018-06-05 国家电网公司 一种基于深度信念网络的多行业负荷预测方法
CN110610280A (zh) * 2018-10-31 2019-12-24 山东大学 一种电力负荷短期预测方法、模型、装置及系统
CN110210677A (zh) * 2019-06-06 2019-09-06 国网山东省电力公司莱芜供电公司 一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置
CN110689162A (zh) * 2019-08-12 2020-01-14 国电南瑞科技股份有限公司 一种基于用户侧分类的母线负荷预测方法、装置及系统
CN111428926A (zh) * 2020-03-23 2020-07-17 国网江苏省电力有限公司镇江供电分公司 一种考虑气象因素的区域电力负荷预测方法
CN112288496A (zh) * 2020-11-18 2021-01-29 国网湖南省电力有限公司 电力行业负荷分类计算方法及其跟踪分析方法
CN112488192A (zh) * 2020-11-30 2021-03-12 国家电网有限公司 一种区域电网短期负荷预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112613650A (zh) * 2020-12-14 2021-04-06 燕山大学 一种新型三阶段短期电力负荷预测方法
CN114511135A (zh) * 2021-12-31 2022-05-17 国网浙江省电力有限公司绍兴供电公司 基于人工智能的短期负荷预测方法、计算机设备及存储介质
CN114254838A (zh) * 2022-01-07 2022-03-29 深圳供电局有限公司 一种短期电力负荷预测影响因子的确定方法
CN115600717A (zh) * 2022-09-07 2023-01-13 东南大学（Cn） 一种基于联邦学习的分行业电力负荷预测方法、设备和存储介质
CN115632392A (zh) * 2022-09-15 2023-01-20 平湖市通用电气安装有限公司 基于机器学习的分层分区精准负荷响应系统
CN116258269A (zh) * 2023-03-16 2023-06-13 电子科技大学 一种基于负荷特征分解的超短期负荷动态预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272121A (zh) * 2023-11-21 2023-12-22 江苏米特物联网科技有限公司 一种基于Deep SHAP的酒店负荷影响因素量化分析方法
CN117272121B (zh) * 2023-11-21 2024-03-12 江苏米特物联网科技有限公司 一种基于Deep SHAP的酒店负荷影响因素量化分析方法

Also Published As

Publication number Publication date
CN116826745B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
Wang et al. A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
López et al. Application of SOM neural networks to short-term load forecasting: The Spanish electricity market case study
CN112001439A (zh) 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备
CN111695731B (zh) 基于多源数据和混合神经网络的负荷预测方法、系统及设备
CN111915092B (zh) 基于长短时记忆神经网络的超短期风电功率预测方法
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
CN110503256A (zh) 基于大数据技术的短期负荷预测方法及系统
CN116826745B (zh) 一种电力系统背景下的分层分区短期负荷预测方法及系统
CN112016755A (zh) 输变电工程施工图通用设计造价标准化技术模块构建方法
CN112365056A (zh) 一种电气负荷联合预测方法、装置、终端及存储介质
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN111815026A (zh) 一种基于特征聚类的多能源系统负荷预测方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN115222106A (zh) 一种自适应模型的用户日前负荷预测方法
CN115470862A (zh) 动态自适应负荷预测模型组合方法
CN113762387A (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
CN115600729A (zh) 一种考虑多属性网格电网负荷预测方法
CN116526473A (zh) 基于粒子群优化lstm的电热负荷预测方法
CN113868938A (zh) 基于分位数回归的短期负荷概率密度预测方法、装置及系统
CN113449919A (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN106600029A (zh) 一种基于电力数据的宏观经济预测量化修正方法
CN114595861A (zh) 基于mstl和lstm模型的中长期电力负荷预测方法
CN113570414A (zh) 基于改进Adam算法优化深度神经网络的电价预测方法
CN114118401A (zh) 基于神经网络的配电网络流量预测方法、系统、装置及存储介质

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