CN116914747A - 电力用户侧负荷预测方法及系统 - Google Patents
电力用户侧负荷预测方法及系统 Download PDFInfo
- Publication number
- CN116914747A CN116914747A CN202311141086.5A CN202311141086A CN116914747A CN 116914747 A CN116914747 A CN 116914747A CN 202311141086 A CN202311141086 A CN 202311141086A CN 116914747 A CN116914747 A CN 116914747A
- Authority
- CN
- China
- Prior art keywords
- power
- power supply
- user side
- preset time
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000005611 electricity Effects 0.000 claims abstract description 87
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 72
- 238000010248 power generation Methods 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 51
- 230000005540 biological transmission Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000036561 sun exposure Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力负荷统计的技术领域,特别是涉及一种电力用户侧负荷预测方法及系统,其优化供电决策过程,提高供电可靠性和能源利用效率;方法应用于智能电网自动化控制系统,智能电网自动化控制系统控制辖区内包括若干个供电节点,供电节点用于将电力供应至用户侧,每个供电节点能够为多个用户侧进行送电,方法包括:获取用户侧历史用电数据信息;用户侧历史用电数据信息包括用户侧在预设时间内的天气信息、节假日信息和用户侧用电负荷数据信息;将用户侧历史用电数据信息上传至机器学习平台,构建用户侧负荷预测模型。
Description
技术领域
本发明涉及电力负荷统计的技术领域,特别是涉及一种电力用户侧负荷预测方法及系统。
背景技术
智能电网自动化控制系统利用先进的监测、通信和控制技术,对电网中的各个供电节点进行实时监测和管理。智能电网自动化控制系统可以实现供电节点在电网供电和太阳能发电站供电之间进行自动切换。
由于太阳能发电站产能受环境影响较大,使得发电功率不稳定;现有的智能电网自动化控制系统难以对太阳能发电站的发电功率和供电节点下属的各个用户则用电负荷进行精准预测,为了降低太阳能发电站输出电力不足造成用户侧断电的风险,往往会提前将供电方式切换至电网供电,进而导致太阳能发电站产能的浪费。
发明内容
为解决上述技术问题,本发明提供一种优化供电决策过程,提高供电可靠性和能源利用效率的电力用户侧负荷预测方法。
第一方面,本发明提供了电力用户侧负荷预测方法,所述方法应用于智能电网自动化控制系统,所述智能电网自动化控制系统控制辖区内包括若干个供电节点,所述供电节点用于将电力供应至用户侧,每个供电节点能够为多个用户侧进行送电,所述方法包括:
获取用户侧历史用电数据信息;所述用户侧历史用电数据信息包括用户侧在预设时间内的天气信息、节假日信息和用户侧用电负荷数据信息;
将用户侧历史用电数据信息上传至机器学习平台,构建用户侧负荷预测模型;所述用户侧负荷预测模型的输入为预设时间内的天气信息以及节假日信息,所述用户侧负荷预测模型的输出为预设时间内的用户侧用电负荷数据信息;
利用气象预测平台,获取每个用户侧在未来预设时间内的天气信息,同时获取未来相同预设时间内的节假日信息;
将未来预设时间内的天气信息和节假日信息录入至用户侧负荷预测模型中,获得在未来预设时间内的用户侧用电负荷数据信息;所述用户侧用电负荷数据信息包括用户侧在未来预设时间内每个小时的耗电功率;
根据预测得到的用户侧用电负荷数据信息,计算每个供电节点在未来预设时间内每个小时的送电功率,获得控制辖区内所有供电节点在未来预设时间内的送电功率特征矩阵;
利用预先构建的太阳能发电量预测模型,对未来预设时间内的太阳能发电站的发电量进行预测,获得未来预设时间内太阳能发电站的发电功率特征向量;所述发电功率特征向量包括太阳能发电站在未来预设时间内每个小时的发电功率;
将发电功率特征向量与送电功率特征矩阵进行时间节点对齐;
根据发电功率特征向量,筛选每个时间节点内能够由太阳能发电站进行独立供电的供电节点,获得对应该时间节点内的太阳能供电节点集合;
所述智能电网自动化控制系统根据每个时间节点的太阳能供电节点集合,对供电节点进行按时切换供电方式。
进一步地,所述用户侧负荷预测模型的构建方法,包括:
将用户侧历史用电数据信息进行整理和准备,包括对数据进行清洗,处理缺失值和异常值,并进行特征工程处理;
使用机器学习算法构建用户侧负荷预测模型,所述用户侧负荷预测模型的输入是预设时间内的天气信息和节假日信息,输出是预设时间内的用户侧用电负荷数据信息;
将准备好的用户侧历史用电数据信息划分为训练集和验证集;
使用训练集对用户侧负荷预测模型进行训练,使用验证集对训练好的模型进行评估优化;
将气象预测平台获取未来预设时间内的天气信息和节假日信息输入到训练好的用户侧负荷预测模型中获得未来预设时间内的用户侧用电负荷数据信息。
进一步地,所述特征工程处理包括对天气信息进行编码,将节假日信息转换成二进制标志,对用电负荷数据进行归一化。
进一步地,所述送电功率特征矩阵以供电节点为行,以时间节点为列,矩阵中的每个元素表示对应供电节点在相应时间节点内的送电功率,所述送电功率为对应供电节点在相应时间节点内向用户侧供应的电力总和。
进一步地,所述太阳能发电量预测模型的构建方法,包括:
收集与太阳能发电站发电量相关的历史数据,历史数据包括太阳能发电站的历史发电数据、历史天气信息和历史季节性变化;
从收集到的数据中提取关键特征,关键特征包括时间特征和天气特征;
使用机器学习技术构建太阳能发电量预测模型,所述太阳能发电量预测模型的输入是提取的关键特征,输出是未来每个小时的太阳能发电功率的预测值;
使用历史数据对太阳能发电量预测模型进行训练,并使用验证数据对太阳能发电量预测模型进行性能评估和优化;
利用气象预测平台获取未来的天气信息作为输入,输入至训练好的太阳能发电量预测模型中,获得未来每个小时的太阳能发电功率的预测值;
将未来预设时间内每个小时的发电功率预测值按时间序列进行组合,获得发电功率特征向量。
进一步地,将所述发电功率特征向量与所述送电功率特征矩阵进行时间节点对齐的方法,包括:
确保发电功率特征向量和送电功率特征矩阵的时间间隔一致;
将发电功率特征向量和送电功率特征矩阵限定在相同的时间段内;
对于每个时间点,将发电功率特征向量中对应的发电功率值与送电功率特征矩阵中对应的送电功率,通过时间戳进行匹配对齐。
进一步地,所述太阳能供电节点集合的获取方法,包括:
获取发电功率特征向量;
获取供电节点的用电负荷数据信息;
判断供电节点是否能够由太阳能发电站独立供电;对于每个时间节点,比较发电功率特征向量和用电负荷数据信息;如果在某个时间节点内,某一个或多个供电节点的用电总负荷不超过太阳能发电站的发电功率,则认为某一个或多个供电节点能够在该时间节点内由太阳能发电站进行独立供电;
将能够由太阳能发电站独立供电的供电节点进行汇总,构成太阳能供电节点集合,并对太阳能供电节点集合进行时间节点标注。
另一方面,本申请还提供了电力用户侧负荷预测系统,所述系统包括:
历史数据获取模块,用于获取用户侧历史用电数据信息,并发送,所述用户侧历史用电数据信息包括用户侧在预设时间内的天气信息、节假日信息和用户侧用电负荷数据信息;
气象数据获取模块,利用气象预测平台获取每个用户侧所在区域在未来预设时间内的天气信息,同时获取未来相同预设时间内的节假日信息,并发送;
用户侧负荷预测模块,用于接收用户侧历史用电数据信息和未来预设时间内的天气信息与节假日信息;将用户侧历史用电数据信息上传至机器学习平台,用于构建并存储用户侧负荷预测模型;再将未来预设时间内的天气信息和节假日信息输入至用户侧负荷预测模型中,获得未来预设时间内的用户侧用电负荷数据信息,并发送;所述用户侧用电负荷数据信息包括用户侧在未来预设时间内每个小时的耗电功率;
供电功率计算模块,用于接收用户侧用电负荷数据信息,并计算每个供电节点在未来预设时间内每个小时的送电功率,获得控制辖区内所有供电节点在未来预设时间内的送电功率特征矩阵,并发送;
太阳能发电量预测模块,用于存储预先构建的太阳能发电量预测模型,并利用太阳能发电量预测模型对未来预设时间内太阳能发电站的发电量进行预测,获得未来预设时间内太阳能发电站的发电功率特征向量,并发送;所述发电功率特征向量包括太阳能发电站在未来预设时间内每个小时的发电功率;
供电节点选择模块,用于接收发电功率特征向量和送电功率特征矩阵,并将发电功率特征向量与送电功率特征矩阵进行时间节点对齐,根据发电功率特征向量筛选出每个时间节点内能够由太阳能发电站进行独立供电的供电节点,获得对应该时间节点内的太阳能供电节点集合,并发送;
供电方式切换模块,用于接收太阳能供电节点集合,并在每个时间节点,控制智能电网自动化控制系统根据该时间节点的太阳能供电节点集合,对供电节点进行按时切换供电方式。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为:本发明通过使用历史用电数据和相关信息,结合机器学习算法构建用户侧负荷预测模型。该模型能够准确预测用户未来时间内的用电负荷,从而帮助智能电网系统做出更准确的供电决策,降低断电风险。
通过预测太阳能发电站未来时间内的发电功率特征向量,结合供电节点在同一时间节点内的送电功率特征矩阵,实现时间节点对齐和匹配,确定能够由太阳能发电站独立供电的供电节点,从而避免提前切换至电网供电,减少太阳能发电站产能的浪费。智能电网自动化控制系统可以根据每个时间节点的太阳能供电节点集合,进行按时切换供电方式,实现最佳能源利用。
综上所述,本发明借助机器学习和数据分析技术,提高智能电网自动化控制系统对太阳能发电站产能和用户侧用电负荷的预测精度,优化供电决策过程,提高供电可靠性和能源利用效率,并降低运维成本。
附图说明
图1是本发明的流程图;
图2是构建用户侧负荷预测模型的流程图;
图3是获得太阳能供电节点集合的流程图;
图4是电力用户侧负荷预测系统的结构图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图3所示,本发明的电力用户侧负荷预测方法,所述方法应用于智能电网自动化控制系统,所述智能电网自动化控制系统控制辖区内包括若干个供电节点,所述供电节点用于将电力供应至用户侧,每个供电节点能够为多个用户侧进行送电,具体包括以下步骤:
S1、获取用户侧历史用电数据信息;所述用户侧历史用电数据信息包括用户侧在预设时间内的天气信息、节假日信息和用户侧用电负荷数据信息;
步骤S1是获取用户侧历史用电数据信息的过程;上述数据对于建立用户侧负荷预测模型非常重要,以便能够准确预测用户侧未来的用电负荷;获取用户侧历史用电数据信息具体包括以下方法:
S1a、电力计量数据:电力供应商通常会记录每个用户的用电量数据,包括每月、每天或每小时的用电量;这些数据可以作为用户侧历史用电数据的重要来源;
S1b、智能电能表:智能电能表可以提供更详细的用电数据,例如每小时或每分钟的用电负荷;这些数据可以通过智能电网自动化控制系统与用户侧的智能电能表进行通信获取;
S1c、天气数据:天气信息是预测用户侧用电负荷的关键因素之一;可以使用气象站的数据或第三方气象数据提供商的数据,包括温度、湿度、降雨量等信息;
S1d、节假日信息:获取节假日信息可以通过日历或节假日数据源,以确保模型能够准确预测在特定节假日期间用户侧的用电负荷。
以上所述数据来源需要与相关部门或服务提供商合作,以确保数据的准确性和可靠性;在数据采集的过程中,需要确保隐私和数据保护的要求得到妥善处理;
总之,步骤S1的目标是收集并整理用户侧的历史用电数据信息,包括天气信息、节假日信息和用户侧用电负荷数据信息;这些数据将用于构建用户侧负荷预测模型,以实现智能电网自动化控制系统对供电节点的精准预测和管理。
S2、将用户侧历史用电数据信息上传至机器学习平台,构建用户侧负荷预测模型;所述用户侧负荷预测模型的输入为预设时间内的天气信息以及节假日信息,所述用户侧负荷预测模型的输出为预设时间内的用户侧用电负荷数据信息;
在S2步骤中,应用了机器学习技术来构建用户侧负荷预测模型;用户侧负荷预测模型的主要目的是根据预设时间内的天气信息和节假日信息,预测未来时间内的用户侧用电负荷数据信息;所述用户侧负荷预测模型的构建步骤包括:
S21、将步骤S1中收集到的用户侧历史用电数据信息进行整理和准备;包括对数据进行清洗,处理缺失值或异常值,并进行特征工程处理;特征工程可以包括对天气信息进行编码(如温度、湿度等),对节假日信息进行处理(如将节假日转换成二进制标志),以及对用电负荷数据进行平滑或归一化等;
S22、使用机器学习算法构建用户侧负荷预测模型;常见的算法包括回归算法(如线性回归、决策树回归、支持向量回归等)和时间序列预测算法(如ARIMA、LSTM等);模型的输入是预设时间内的天气信息和节假日信息,输出是预设时间内的用户侧用电负荷数据信息;
S23、将准备好的用户侧历史用电数据信息划分为训练集和验证集;训练集用于模型的训练和参数优化,验证集用于评估模型的性能和调整模型的超参数;
S24、使用训练集对用户侧负荷预测模型进行训练;在训练过程中,根据选择的算法和模型类型,通过最小化损失函数来优化模型参数;可以采用交叉验证等技术来选择最佳的模型超参数;使用验证集对训练好的模型进行评估,计算模型的预测误差或准确度指标,如均方根误差、平均绝对误差等;评估结果可以反映模型的预测能力和准确性;
S25、训练好的用户侧负荷预测模型可以用于未来时间内的预测;利用气象预测平台获取未来预设时间内的天气信息和节假日信息,并输入到模型中,即可获得未来预设时间内的用户侧用电负荷数据信息。
在本步骤中,通过使用机器学习算法对用户侧历史用电数据进行建模和训练,可以提高负荷预测的准确性。机器学习模型能够从历史数据中学习到用电负荷与天气信息、节假日信息等因素之间的复杂关系,从而能够更好地预测未来时间内的用户侧用电负荷。应用机器学习技术构建用户侧负荷预测模型能够提供更准确、灵活和自动化的负荷预测能力,为用户侧电力系统的管理和调度提供有力支持。
S3、利用气象预测平台,获取每个用户侧在未来预设时间内的天气信息,同时获取未来相同预设时间内的节假日信息;
在本发明中,S3步骤是获取每个用户侧在未来预设时间内的天气信息和节假日信息;这些信息对于用户侧负荷预测模型的准确性和精度非常重要;具体的获取信息的方法,包括以下内容:
对于天气信息的获取:使用气象预测模型和气象数据源;气象预测模型可以通过计算大气状态、环境变量和模式等因素来预测未来的天气情况;这些模型可以基于统计方法、物理原理、机器学习等进行建模;常见的气象数据源包括气象气候部门、气象卫星数据、雷达数据、气象站观测数据等;通过这些数据源和预测模型,可以获得未来时间段内的气温、降水量、湿度、风速等天气参数;
关于节假日信息的获取:使用日历和假期数据源,例如国家法定假日和节庆日历;这些数据源通常由政府或相关机构发布和更新,提供了未来一段时间内的假日日期信息;此外,还可以考虑特殊事件、地区性假期和行业特定的非工作日等因素来进一步细化节假日信息。
综上所述,在S3步骤中,可以使用气象预测平台结合气象预测模型和气象数据源获取未来预设时间内的天气信息;同时,可以参考日历和假期数据源来获取未来相同预设时间内的节假日信息;这样可以为后续步骤提供准确的天气和节假日数据,帮助智能电网自动化控制系统更精确地预测用户侧负荷,并进行相应的供电方式切换,以优化能源利用和满足电力需求。
S4、将未来预设时间内的天气信息和节假日信息录入至用户侧负荷预测模型中,获得在未来预设时间内的用户侧用电负荷数据信息;所述用户侧用电负荷数据信息包括用户侧在未来预设时间内每个小时的耗电功率;
在步骤S4中,用户侧负荷预测模型已经在步骤S2中构建并训练完成,未来预设时间内的天气信息和节假日信息已经在步骤S3中获取;此步骤的目标是利用这些信息来预测未来预设时间内用户侧的用电负荷数据;具体步骤如下:
S41、根据步骤S3中从气象预测平台获取的未来预设时间的天气信息和节假日信息,为每个用户侧进行相应的记录;
S42、将获取的天气信息和节假日信息输入到已构建好的用户侧负荷预测模型中;
S43、通过用户侧负荷预测模型的输出,得到未来预设时间内每个用户侧的用电负荷数据信息;这些数据包括用户侧在未来预设时间内每个小时的耗电功率;
通过以上步骤,利用已经训练好的用户侧负荷预测模型,结合未来预设时间内的天气和节假日信息,来预测用户侧未来的用电负荷数据;这些数据对于智能电网自动化控制系统的供电节点切换决策具有重要意义,可以帮助系统更好地管理太阳能发电站和用户侧的用电需求,提高电网供电的可靠性和效率。
S5、根据预测得到的用户侧用电负荷数据信息,计算每个供电节点在未来预设时间内每个小时的送电功率,获得控制辖区内所有供电节点在未来预设时间内的送电功率特征矩阵;
S51、计算供电节点的送电功率:对于每个供电节点,根据步骤S4获得的用户侧用电负荷数据信息和节点运行状态,计算未来预设时间内每个小时该供电节点的送电功率;送电功率可以简单地理解为该节点在某个时间段内向用户侧供应的电力总和;
S52、构建送电功率特征矩阵:将所有供电节点在未来预设时间内每个小时的送电功率值整合为一个特征矩阵;所述送电功率特征矩阵以供电节点为行,以时间段(每个小时)为列,矩阵中的每个元素表示对应供电节点在相应时间段内的送电功率。具体的送电功率特征矩阵如下所示:
另一方面,送电功率特征矩阵还可以采用以下方式表达:假设有n个供电节点,则每个供电节点对应着一个供电节点特征向量,该向量包含了该供电节点在未来预设时间内每个小时的送电功率,将这些供电节点特征向量按时间序列排列,就构成了送电功率特征矩阵;这个矩阵的行数是时间序列的长度,列数是供电节点的数量。
在本步骤中,通过计算每个供电节点在每个小时的送电功率,可以更加细致地了解每个节点的电力供应情况;这有助于实现对电力系统的精细化管理,包括负荷调度、供电节点优化等;送电功率特征矩阵可以为整体电力系统的规划和优化提供基础;通过对特征矩阵的分析,可以确定潜在的供电节点改造需求、网络扩容需求等,并针对性地进行规划和优化,提高电力系统的效率和可持续性;
总体而言,步骤S5中计算供电节点的送电功率并构建送电功率特征矩阵可以提供更全面、详细的电力信息,为电力系统管理和决策提供有力支持,从而实现对电力系统的优化和智能化管理。
S6、利用预先构建的太阳能发电量预测模型,对未来预设时间内的太阳能发电站的发电量进行预测,获得未来预设时间内太阳能发电站的发电功率特征向量;所述发电功率特征向量包括太阳能发电站在未来预设时间内每个小时的发电功率;
在所述步骤S6中,太阳能发电量的预测在智能电网自动化控制系统中非常关键,因为太阳能发电受日照等环境因素的影响而产生波动;通过准确预测太阳能发电量,可以帮助系统优化供电方式,避免因发电量不足而导致用户侧断电的风险;所述太阳能发电量预测模型的构建步骤,具体包括:
S61、收集与太阳能发电量相关的数据;包括太阳能发电站的历史发电数据、天气信息、季节性变化等;历史发电数据记录过去一段时间内太阳能发电站每个小时的实际发电功率;
S62、从收集到的数据中提取有用的特征;特征包括:
时间特征:例如小时、日期、月份等,以捕捉季节性变化;
天气特征:例如日照时间、辐射强度、温度等,以反映天气条件对太阳能发电的影响;
S63、使用机器学习或统计建模技术构建太阳能发电量预测模型;根据所选的方法,可以采用回归模型(如线性回归、支持向量回归等)或者时间序列模型(如ARIMA、LSTM等)来进行建模;模型的输入是特征向量,输出是未来每个小时的太阳能发电功率的预测值;
S64、使用历史数据对构建的模型进行训练,并使用验证数据进行模型性能评估;通过比较预测值与实际发电量之间的误差,评估模型的准确性和可靠性;
S65、在未来预设时间内,利用气象预测平台等渠道获取未来的天气信息,包括日照时间、辐射强度等;将这些天气信息作为输入,通过预训练好的太阳能发电量预测模型,可以获得未来每个小时的太阳能发电功率的预测值。
举例说明,假设正在预测未来24小时内某太阳能发电站每个小时的发电功率,并基于历史数据和天气信息构建发电量预测模型;以下是一个示例发电功率特征向量:
时间特征:
小时:0, 1, 2, 3, …, 23;
日期:2022-11-23;
月份:8月份;
天气特征:
日照时间:4.5 小时;
辐射强度:800 W/m²;
温度:28°C;
根据以上特征,可以得到一个发电功率特征向量,其中包括太阳能发电站在未来预设时间内每个小时的发电功率预测值,发电功率特征向量为:[0, 0, 0, 0, 0,220,250, 350, 400, 420, 450,…,0];
这个发电功率特征向量表示在未来预设时间内从0点到23点的每个小时,太阳能发电站的预测发电功率值;例如,第1个值0表示未来第一个小时的预测发电功率是0千瓦,第8个值350表示未来第八个小时的预测发电功率为350千瓦。
在本步骤中,通过使用历史数据训练和验证模型,并通过比较预测值与实际发电量之间的误差来评估模型的性能;这可以帮助确定模型的准确性和可靠性,以及进一步改进模型的需要;在未来预设时间内,通过获取气象预测平台等渠道的天气信息,并将其作为输入,可以实时更新预训练好的太阳能发电量预测模型,获得未来每个小时的太阳能发电功率的预测值;这确保了预测结果的时效性和准确性;准确预测太阳能发电量可以帮助智能电网自动化控制系统优化供电方式;通过了解未来每个小时的发电功率预测值,系统可以合理安排电网的供电计划,确保足够的电力供应,避免因发电量不足而导致用户侧断电的风险;
综上所述,太阳能发电量预测模型的构建和发电功率特征向量的生成可以帮助智能电网系统优化供电方式,减少断电风险,并对太阳能发电波动进行有效管理。
S7、将发电功率特征向量与送电功率特征矩阵进行时间节点对齐;
在步骤S7中,涉及到将太阳能发电站的发电功率特征向量与供电节点的送电功率特征矩阵进行时间节点对齐;这一步骤的目的是将两者的时间表示进行同步和匹配,以便后续进行供电方式的切换决策;
太阳能发电站的发电功率特征向量:该特征向量描述了太阳能发电站在未来预设时间内每个小时的发电功率;这些发电功率数据是根据当前的天气预测以及太阳能发电站的发电性能模型所预测得到的;
供电节点的送电功率特征矩阵:该特征矩阵描述了每个供电节点在未来预设时间内每个小时的送电功率;这些数据通常是通过历史用电数据和用户侧负荷预测模型得到的;
为了将这两者进行时间节点的对齐,需要考虑以下几个方面:
S7a、时间分辨率:确保太阳能发电功率特征向量和送电功率特征矩阵的时间间隔一致,如都以每小时为时间粒度;
S7b、时间段对齐:将太阳能发电功率特征向量和送电功率特征矩阵限定在相同的时间段内,确保数据的对应关系;例如,如果预测的时间段是未来24小时,则太阳能发电功率特征向量和送电功率特征矩阵的时间范围都应该是从当前时间起的未来24小时;
S7c、时间点匹配:对于每个时间点,将太阳能发电功率特征向量中对应的发电功率值与供电节点的送电功率特征矩阵中对应的送电功率进行匹配;这可以通过时间戳或索引进行对应;
S7d、数据处理:如果在时间点上存在缺失的数据,可以使用插值或其他方法进行填充或处理,以确保数据的完整性和一致性;
通过以上的时间节点对齐操作,可以获得一个包含太阳能发电站发电功率特征向量和供电节点送电功率特征矩阵的对应关系;这样,进一步的分析和判断可以基于这些对应关系来进行供电方式的切换决策,以实现智能电网自动化控制系统的目标。
S8、根据发电功率特征向量,筛选每个时间节点内能够由太阳能发电站进行独立供电的供电节点,获得对应该时间节点内的太阳能供电节点集合;
S8步骤旨在根据发电功率特征向量,筛选出每个时间节点内能够由太阳能发电站进行独立供电的供电节点,获得对应该时间节点内的太阳能供电节点集合;具体步骤如下:
S81、获取发电功率特征向量:在S6步骤中,利用预先构建的太阳能发电量预测模型,对未来预设时间内的太阳能发电站的发电量进行预测,得到太阳能发电站在未来预设时间内每个小时的发电功率特征向量;
S82、获取供电节点的用电负荷数据信息:对于每个时间节点,在 S4 步骤中已经通过用户侧负荷预测模型得到了用户侧在未来预设时间内每个小时的用电负荷数据信息;这些数据包括了每个时间节点内每个供电节点所连接的用户侧的用电负荷;
S83、判断供电节点是否能够独立供电:对于每个时间节点,比较太阳能发电站的发电功率特征向量和供电节点的用电负荷数据信息;如果在某个时间节点内,某个或多个供电节点的用电总负荷不超过太阳能发电站的发电功率,则可以认为该供电节点可以由太阳能发电站进行独立供电;
S84、获得太阳能供电节点集合:将能够由太阳能发电站独立供电的供电节点进行汇总,构成太阳能供电节点集合,并对太阳能供电节点集合进行时间节点标注。
在本步骤中,通过比较太阳能发电站的发电功率特征向量和供电节点的用电负荷数据信息,可以准确判断每个时间节点内哪些供电节点可以由太阳能发电站进行独立供电;这样可以避免过度依赖传统电网,提高太阳能供电的独立性和自给自足性;根据发电功率特征向量进行筛选,可以确保选定的太阳能供电节点在太阳能发电充足的时候能够充分利用该资源进行独立供电;这种方法可以最大程度地利用太阳能发电站的潜力,提高能源的利用效率。
S9、所述智能电网自动化控制系统根据每个时间节点的太阳能供电节点集合,对供电节点进行按时切换供电方式;
S9步骤的目的是根据预测的发电功率特征向量和送电功率特征矩阵,确定在每个时间节点内能够由太阳能发电站进行独立供电的供电节点,然后进行相应的供电方式切换;具体步骤如下:
在每个时间节点开始时,控制系统将根据预测得到的太阳能供电节点集合确认需要切换供电方式的供电节点;这些供电节点是那些可以从太阳能发电站获取足够的电力来满足供电需求的节点;
对于需要切换供电方式的供电节点,控制系统将向其发送指令,将其供电方式从电网供电切换至太阳能发电供电;这意味着该节点将通过连接到太阳能发电站的电力接口获得电力供应;
对于未被包含在太阳能供电节点集合中的供电节点,其供电方式将继续保持为电网供电;这些节点无法依靠太阳能发电站获得足够的电力供应,所以继续从电网获取电力;
系统会监测实时的太阳能发电量和供电节点的电力需求,并随时做出调整;如果某个时间节点内的太阳能发电量不足以满足太阳能供电节点集合中的节点需求,该节点的供电方式将被切换回电网供电,以确保其能够正常供电;
总体而言,智能电网自动化控制系统根据每个时间节点内的太阳能供电节点集合,通过向节点发送指令来切换其供电方式,从而实现太阳能发电和电网供电之间的自动切换;这样的机制可以优化供电节点的能源利用,最大限度地利用太阳能发电,同时确保供电的稳定性和可靠性。
实施例二
如图4所示,本发明的电力用户侧负荷预测系统,具体包括以下模块;
历史数据获取模块,用于获取用户侧历史用电数据信息,并发送,所述用户侧历史用电数据信息包括用户侧在预设时间内的天气信息、节假日信息和用户侧用电负荷数据信息;
气象数据获取模块,利用气象预测平台获取每个用户侧所在区域在未来预设时间内的天气信息,同时获取未来相同预设时间内的节假日信息,并发送;
用户侧负荷预测模块,用于接收用户侧历史用电数据信息和未来预设时间内的天气信息与节假日信息;将用户侧历史用电数据信息上传至机器学习平台,用于构建并存储用户侧负荷预测模型;再将未来预设时间内的天气信息和节假日信息输入至用户侧负荷预测模型中,获得未来预设时间内的用户侧用电负荷数据信息,并发送;所述用户侧用电负荷数据信息包括用户侧在未来预设时间内每个小时的耗电功率;
供电功率计算模块,用于接收用户侧用电负荷数据信息,并计算每个供电节点在未来预设时间内每个小时的送电功率,获得控制辖区内所有供电节点在未来预设时间内的送电功率特征矩阵,并发送;
太阳能发电量预测模块,用于存储预先构建的太阳能发电量预测模型,并利用太阳能发电量预测模型对未来预设时间内太阳能发电站的发电量进行预测,获得未来预设时间内太阳能发电站的发电功率特征向量,并发送;所述发电功率特征向量包括太阳能发电站在未来预设时间内每个小时的发电功率;
供电节点选择模块,用于接收发电功率特征向量和送电功率特征矩阵,并将发电功率特征向量与送电功率特征矩阵进行时间节点对齐,根据发电功率特征向量筛选出每个时间节点内能够由太阳能发电站进行独立供电的供电节点,获得对应该时间节点内的太阳能供电节点集合,并发送;
供电方式切换模块,用于接收太阳能供电节点集合,并在每个时间节点,控制智能电网自动化控制系统根据该时间节点的太阳能供电节点集合,对供电节点进行按时切换供电方式。
在本实施例中,通过使用历史数据和气象数据,系统可以构建用户侧负荷预测模型,准确预测未来预设时间内的用户侧用电负荷数据;能够更好地掌握用户需求,减少太阳能发电站产能的浪费,提高其利用率;系统利用机器学习平台构建用户侧负荷预测模型,结合历史用电数据、天气信息和节假日信息进行预测;这可以帮助智能电网自动化控制系统更准确地预测用户侧用电负荷,提供更精确的供电计划;
通过将太阳能发电站的发电功率与供电节点的用电负荷进行对比,系统可以确定每个时间节点内能够由太阳能发电站独立供电的供电节点,从而实现自动切换供电方式;通过准确预测用户侧用电负荷并进行供电方式的切换,系统可以降低太阳能发电站输出电力不足导致的用户侧断电风险;及时切换到电网供电方式,以满足用户侧的电力需求,确保供电的稳定性和可靠性;
综上所述,该电力用户侧负荷预测系统通过准确预测用户侧用电负荷、实时监测和管理供电节点,并根据预测结果进行供电方式切换,能够提高太阳能发电站的利用率,降低断电风险,并提高智能电网的响应速度,从而有效解决上述问题。
前述实施例一中的电力用户侧负荷预测方法的各种变化方式和具体实施例同样适用于本实施例的电力用户侧负荷预测系统,通过前述对电力用户侧负荷预测方法的详细描述,本领域技术人员可以清楚的知道本实施例中电力用户侧负荷预测系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种电力用户侧负荷预测方法,其特征在于,所述方法应用于智能电网自动化控制系统,所述智能电网自动化控制系统控制辖区内包括若干个供电节点,所述供电节点用于将电力供应至用户侧,每个供电节点能够为多个用户侧进行送电,所述方法包括:
获取用户侧历史用电数据信息;所述用户侧历史用电数据信息包括用户侧在预设时间内的天气信息、节假日信息和用户侧用电负荷数据信息;
将用户侧历史用电数据信息上传至机器学习平台,构建用户侧负荷预测模型;所述用户侧负荷预测模型的输入为预设时间内的天气信息以及节假日信息,所述用户侧负荷预测模型的输出为预设时间内的用户侧用电负荷数据信息;
利用气象预测平台,获取每个用户侧在未来预设时间内的天气信息,同时获取未来相同预设时间内的节假日信息;
将未来预设时间内的天气信息和节假日信息录入至用户侧负荷预测模型中,获得在未来预设时间内的用户侧用电负荷数据信息;所述用户侧用电负荷数据信息包括用户侧在未来预设时间内每个小时的耗电功率;
根据预测得到的用户侧用电负荷数据信息,计算每个供电节点在未来预设时间内每个小时的送电功率,获得控制辖区内所有供电节点在未来预设时间内的送电功率特征矩阵;
利用预先构建的太阳能发电量预测模型,对未来预设时间内的太阳能发电站的发电量进行预测,获得未来预设时间内太阳能发电站的发电功率特征向量;所述发电功率特征向量包括太阳能发电站在未来预设时间内每个小时的发电功率;
将发电功率特征向量与送电功率特征矩阵进行时间节点对齐;
根据发电功率特征向量,筛选每个时间节点内能够由太阳能发电站进行独立供电的供电节点,获得对应该时间节点内的太阳能供电节点集合;
所述智能电网自动化控制系统根据每个时间节点的太阳能供电节点集合,对供电节点进行按时切换供电方式。
2.如权利要求1所述的电力用户侧负荷预测方法,其特征在于,所述用户侧负荷预测模型的构建方法,包括:
将用户侧历史用电数据信息进行整理和准备,包括对数据进行清洗,处理缺失值和异常值,并进行特征工程处理;
使用机器学习算法构建用户侧负荷预测模型,所述用户侧负荷预测模型的输入是预设时间内的天气信息和节假日信息,输出是预设时间内的用户侧用电负荷数据信息;
将准备好的用户侧历史用电数据信息划分为训练集和验证集;
使用训练集对用户侧负荷预测模型进行训练,使用验证集对训练好的模型进行评估优化;
将气象预测平台获取未来预设时间内的天气信息和节假日信息输入到训练好的用户侧负荷预测模型中获得未来预设时间内的用户侧用电负荷数据信息。
3.如权利要求2所述的电力用户侧负荷预测方法,其特征在于,所述特征工程处理包括对天气信息进行编码,将节假日信息转换成二进制标志,对用电负荷数据进行归一化。
4.如权利要求1所述的电力用户侧负荷预测方法,其特征在于,所述送电功率特征矩阵以供电节点为行,以时间节点为列,矩阵中的每个元素表示对应供电节点在相应时间节点内的送电功率,所述送电功率为对应供电节点在相应时间节点内向用户侧供应的电力总和。
5.如权利要求1所述的电力用户侧负荷预测方法,其特征在于,所述太阳能发电量预测模型的构建方法,包括:
收集与太阳能发电站发电量相关的历史数据,历史数据包括太阳能发电站的历史发电数据、历史天气信息和历史季节性变化;
从收集到的数据中提取关键特征,关键特征包括时间特征和天气特征;
使用机器学习技术构建太阳能发电量预测模型,所述太阳能发电量预测模型的输入是提取的关键特征,输出是未来每个小时的太阳能发电功率的预测值;
使用历史数据对太阳能发电量预测模型进行训练,并使用验证数据对太阳能发电量预测模型进行性能评估和优化;
利用气象预测平台获取未来的天气信息作为输入,输入至训练好的太阳能发电量预测模型中,获得未来每个小时的太阳能发电功率的预测值;
将未来预设时间内每个小时的发电功率预测值按时间序列进行组合,获得发电功率特征向量。
6.如权利要求1所述的电力用户侧负荷预测方法,其特征在于,将所述发电功率特征向量与所述送电功率特征矩阵进行时间节点对齐的方法,包括:
确保发电功率特征向量和送电功率特征矩阵的时间间隔一致;
将发电功率特征向量和送电功率特征矩阵限定在相同的时间段内;
对于每个时间点,将发电功率特征向量中对应的发电功率值与送电功率特征矩阵中对应的送电功率,通过时间戳进行匹配对齐。
7.如权利要求1所述的电力用户侧负荷预测方法,其特征在于,所述太阳能供电节点集合的获取方法,包括:
获取发电功率特征向量;
获取供电节点的用电负荷数据信息;
判断供电节点是否能够由太阳能发电站独立供电;对于每个时间节点,比较发电功率特征向量和用电负荷数据信息;如果在某个时间节点内,某一个或多个供电节点的用电总负荷不超过太阳能发电站的发电功率,则认为某一个或多个供电节点能够在该时间节点内由太阳能发电站进行独立供电;
将能够由太阳能发电站独立供电的供电节点进行汇总,构成太阳能供电节点集合,并对太阳能供电节点集合进行时间节点标注。
8.一种电力用户侧负荷预测系统,其特征在于,所述系统包括:
历史数据获取模块,用于获取用户侧历史用电数据信息,并发送,所述用户侧历史用电数据信息包括用户侧在预设时间内的天气信息、节假日信息和用户侧用电负荷数据信息;
气象数据获取模块,利用气象预测平台获取每个用户侧所在区域在未来预设时间内的天气信息,同时获取未来相同预设时间内的节假日信息,并发送;
用户侧负荷预测模块,用于接收用户侧历史用电数据信息和未来预设时间内的天气信息与节假日信息;将用户侧历史用电数据信息上传至机器学习平台,用于构建并存储用户侧负荷预测模型;再将未来预设时间内的天气信息和节假日信息输入至用户侧负荷预测模型中,获得未来预设时间内的用户侧用电负荷数据信息,并发送;所述用户侧用电负荷数据信息包括用户侧在未来预设时间内每个小时的耗电功率;
供电功率计算模块,用于接收用户侧用电负荷数据信息,并计算每个供电节点在未来预设时间内每个小时的送电功率,获得控制辖区内所有供电节点在未来预设时间内的送电功率特征矩阵,并发送;
太阳能发电量预测模块,用于存储预先构建的太阳能发电量预测模型,并利用太阳能发电量预测模型对未来预设时间内太阳能发电站的发电量进行预测,获得未来预设时间内太阳能发电站的发电功率特征向量,并发送;所述发电功率特征向量包括太阳能发电站在未来预设时间内每个小时的发电功率;
供电节点选择模块,用于接收发电功率特征向量和送电功率特征矩阵,并将发电功率特征向量与送电功率特征矩阵进行时间节点对齐,根据发电功率特征向量筛选出每个时间节点内能够由太阳能发电站进行独立供电的供电节点,获得对应该时间节点内的太阳能供电节点集合,并发送;
供电方式切换模块,用于接收太阳能供电节点集合,并在每个时间节点,控制智能电网自动化控制系统根据该时间节点的太阳能供电节点集合,对供电节点进行按时切换供电方式。
9.一种电力用户侧负荷预测电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,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1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311141086.5A CN116914747B (zh) | 2023-09-06 | 2023-09-06 | 电力用户侧负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311141086.5A CN116914747B (zh) | 2023-09-06 | 2023-09-06 | 电力用户侧负荷预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116914747A true CN116914747A (zh) | 2023-10-20 |
CN116914747B CN116914747B (zh) | 2024-01-12 |
Family
ID=88358631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311141086.5A Active CN116914747B (zh) | 2023-09-06 | 2023-09-06 | 电力用户侧负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116914747B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113159A (zh) * | 2023-10-23 | 2023-11-24 | 国网山西省电力公司营销服务中心 | 基于深度学习的电力用户侧负荷分类方法及系统 |
CN117689070A (zh) * | 2023-12-13 | 2024-03-12 | 北京朗杰科技有限公司 | 一种基于物联网设备的电表管理系统 |
CN117833361A (zh) * | 2024-01-02 | 2024-04-05 | 中国电力工程顾问集团有限公司 | 基于时间序列分析的燃煤电厂深度调峰预测方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1080062A (ja) * | 1996-09-05 | 1998-03-24 | Fuji Electric Co Ltd | 日負荷曲線予測方法 |
CN104505824A (zh) * | 2014-12-12 | 2015-04-08 | 国家电网公司 | 一种以热定电运行方式下热电厂发电负荷计划制定方法及装置 |
CN115313355A (zh) * | 2022-06-24 | 2022-11-08 | 国网山东省电力公司邹城市供电公司 | 一种智能电网大数据在短期负荷预测中的自动预测方法及系统 |
US20220376499A1 (en) * | 2019-12-27 | 2022-11-24 | Eaton Intelligent Power Limited | System and method for load and source forecasting for increasing electrical grid component longevity |
CN115907128A (zh) * | 2022-11-15 | 2023-04-04 | 中国能源建设集团山西省电力勘测设计院有限公司 | 一种高速公路年尺度用电负荷预测方法及装置 |
CN116090602A (zh) * | 2022-11-30 | 2023-05-09 | 国网内蒙古东部电力有限公司供电服务监管与支持中心 | 一种用电负荷预测方法及系统 |
CN116264388A (zh) * | 2022-12-26 | 2023-06-16 | 国网浙江省电力有限公司桐乡市供电公司 | 基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法 |
CN116581750A (zh) * | 2023-05-24 | 2023-08-11 | 江苏大学扬州(江都)新能源汽车产业研究所 | 一种基于电网负荷水平的智能线路负载充电方法 |
CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
CN116683500A (zh) * | 2023-04-24 | 2023-09-01 | 中广核新能源安徽有限公司固镇分公司 | 一种电化学储能电站有功功率调度方法和系统 |
-
2023
- 2023-09-06 CN CN202311141086.5A patent/CN116914747B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1080062A (ja) * | 1996-09-05 | 1998-03-24 | Fuji Electric Co Ltd | 日負荷曲線予測方法 |
CN104505824A (zh) * | 2014-12-12 | 2015-04-08 | 国家电网公司 | 一种以热定电运行方式下热电厂发电负荷计划制定方法及装置 |
US20220376499A1 (en) * | 2019-12-27 | 2022-11-24 | Eaton Intelligent Power Limited | System and method for load and source forecasting for increasing electrical grid component longevity |
CN115313355A (zh) * | 2022-06-24 | 2022-11-08 | 国网山东省电力公司邹城市供电公司 | 一种智能电网大数据在短期负荷预测中的自动预测方法及系统 |
CN115907128A (zh) * | 2022-11-15 | 2023-04-04 | 中国能源建设集团山西省电力勘测设计院有限公司 | 一种高速公路年尺度用电负荷预测方法及装置 |
CN116090602A (zh) * | 2022-11-30 | 2023-05-09 | 国网内蒙古东部电力有限公司供电服务监管与支持中心 | 一种用电负荷预测方法及系统 |
CN116264388A (zh) * | 2022-12-26 | 2023-06-16 | 国网浙江省电力有限公司桐乡市供电公司 | 基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法 |
CN116683500A (zh) * | 2023-04-24 | 2023-09-01 | 中广核新能源安徽有限公司固镇分公司 | 一种电化学储能电站有功功率调度方法和系统 |
CN116581750A (zh) * | 2023-05-24 | 2023-08-11 | 江苏大学扬州(江都)新能源汽车产业研究所 | 一种基于电网负荷水平的智能线路负载充电方法 |
CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
Non-Patent Citations (2)
Title |
---|
周滢露;余华兴;李霜;: "考虑负荷特性的实用化负荷预测方法", 华东电力, no. 09, pages 1309 - 1312 * |
杨继革 等: "基于智能电表的住宅短期电力负载预测", 《沈阳工业大学学报》, vol. 44, no. 3, pages 255 - 258 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113159A (zh) * | 2023-10-23 | 2023-11-24 | 国网山西省电力公司营销服务中心 | 基于深度学习的电力用户侧负荷分类方法及系统 |
CN117689070A (zh) * | 2023-12-13 | 2024-03-12 | 北京朗杰科技有限公司 | 一种基于物联网设备的电表管理系统 |
CN117833361A (zh) * | 2024-01-02 | 2024-04-05 | 中国电力工程顾问集团有限公司 | 基于时间序列分析的燃煤电厂深度调峰预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116914747B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116914747B (zh) | 电力用户侧负荷预测方法及系统 | |
WO2021238505A1 (zh) | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 | |
Potter et al. | Building a smarter smart grid through better renewable energy information | |
Xiong et al. | Optimal planning of storage in power systems integrated with wind power generation | |
Pinson et al. | Dynamic sizing of energy storage for hedging wind power forecast uncertainty | |
Wang et al. | Reliability value of distributed solar+ storage systems amidst rare weather events | |
JP2023129546A (ja) | エネルギ貯蔵システムを最適に制御するためのシステム及び方法 | |
Madaeni et al. | The impacts of stochastic programming and demand response on wind integration | |
CN110222882A (zh) | 一种电力系统中长期负荷的预测方法和装置 | |
Tang et al. | Efficient scenario generation of multiple renewable power plants considering spatial and temporal correlations | |
Aurangzeb | Short Term Power Load Forecasting using Machine Learning Models for energy management in a smart community | |
Day et al. | Residential power load forecasting | |
Meng et al. | Flexible operational planning framework considering multiple wind energy forecasting service providers | |
Huang et al. | Economic and resilient operation of hydrogen-based microgrids: An improved MPC-based optimal scheduling scheme considering security constraints of hydrogen facilities | |
CN116599151A (zh) | 基于多源数据的源网储荷安全管理方法 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
Novacheck et al. | The evolving role of extreme weather events in the US power system with high levels of variable renewable energy | |
CN117013527A (zh) | 一种分布式光伏发电功率预测方法 | |
Matijašević et al. | A systematic review of machine learning applications in the operation of smart distribution systems | |
Stephen et al. | Non-Gaussian residual based short term load forecast adjustment for distribution feeders | |
Wu et al. | Design of A battery energy management system for capacity charge reduction | |
Abolghasemi et al. | How to predict and optimise with asymmetric error metrics | |
Hjelmeland et al. | Combined SDDP and simulator model for hydropower scheduling with sales of capacity | |
Dzobo et al. | Optimal economic load dispatch in smart grids considering uncertainty | |
Kaneda et al. | Optimal management of storage for offsetting solar power uncertainty using multistage stochastic programming |
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 |