CN117236532A - 一种基于负荷数据的用电高峰负荷预测的方法及系统 - Google Patents
一种基于负荷数据的用电高峰负荷预测的方法及系统 Download PDFInfo
- Publication number
- CN117236532A CN117236532A CN202311529163.4A CN202311529163A CN117236532A CN 117236532 A CN117236532 A CN 117236532A CN 202311529163 A CN202311529163 A CN 202311529163A CN 117236532 A CN117236532 A CN 117236532A
- Authority
- CN
- China
- Prior art keywords
- peak
- load
- electricity
- user
- potential
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 230000002354 daily effect Effects 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000003203 everyday effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 9
- 230000000052 comparative effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于负荷数据的用电高峰负荷预测的方法及系统，该方法包括以下步骤：采集用户档案、日用电负荷和电量数据，获取电力负荷数据；对电力负荷数据进行预处理；基于预处理过的电力负荷数据计算削峰潜力；根据削峰潜力结合用户用电水平及谷时段用电水平、峰时段用电水平，得到谷时段用电潜力得分和避峰用电潜力得分；根据谷时段用电潜力得分和避峰用电潜力得分，结合用户的历史负荷数据，采用机器学习方法预测用户高峰时段的用电负荷，并进行填谷用电潜力等级和避峰用电潜力等级的划分。本发明的预测准确度最高，相较于现有技术提升了5%‑8%，具有较高的实用价值和推广应用前景。
Description
技术领域
本发明涉及电网负荷预测领域，具体来说，涉及一种基于负荷数据的用电高峰负荷预测的方法及系统。
背景技术
随着全球经济的发展和生活水平的提高，居民用电量迅速增长，这使得电力负荷峰谷差不断加大，负荷波动愈加明显。为了使电网管理者更好地进行负荷调度和规划，减少能源的浪费，提高电网稳定性，电力负荷预测技术是必不可少的。
负荷数据（Load data）是指用来描述电力系统中电力需求情况的数据。这些数据通常包括一个时间序列，记录了在一定时间段内（如每小时、每分钟等）电力系统的电力需求量，也就是负荷。负荷的大小会随着时间的变化而变化，受到许多因素的影响，如天气条件、节假日、用户行为习惯等。因此，负荷数据是电力系统运行和规划的重要依据。对负荷数据的分析可以帮助电力公司更好地进行电力调度、电网规划和电力市场交易等活动。
准确的高峰负荷预测可以帮助电力公司提前做好电力调度，优化资源配置，保证电力系统的稳定运行。预测方法主要可以分为三类：传统统计学方法、人工智能方法以及混合方法。
1、传统统计学方法：这类方法主要包括回归分析、时间序列分析等。
2、人工智能方法：这类方法主要包括神经网络、支持向量机等。这些方法可以处理非线性、非稳定的复杂模式，而且对数据的质量和数量要求较高。
3、混合方法：这类方法主要是将上述两类方法结合起来，以充分利用每种方法的优点，提高预测的准确性。
但在实际情况下，原始数据往往存在缺失、噪声等问题，这将对预测结果产生不利影响，为了提高预测的准确性，需要对原始数据进行有效的预处理，如填补缺失值、滤除噪声、提取特征等。同时，还需要构建合适的预测模型，考虑多种影响因素之间的非线性关系，如天气、节假日、用户行为习惯等，需要尽可能减少各种随机因素和不确定性对预测结果的影响，使预测更加准确可靠。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种基于负荷数据的用电高峰负荷预测的方法及系统，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供了一种基于负荷数据的用电高峰负荷预测的方法，该方法包括以下步骤：
S1、采集用户档案、日用电负荷和电量数据，获取电力负荷数据；
S2、对电力负荷数据进行预处理；
S3、基于预处理过的电力负荷数据计算削峰潜力；
S4、根据所述削峰潜力结合用户用电水平及谷时段用电水平、峰时段用电水平，得到谷时段用电潜力得分和避峰用电潜力得分；
S5、根据谷时段用电潜力得分和避峰用电潜力得分，结合用户的历史负荷数据，采用机器学习方法预测用户高峰时段的用电负荷，并进行填谷用电潜力等级和避峰用电潜力等级的划分；
其中，所述根据谷时段用电潜力得分和避峰用电潜力得分，结合用户的历史负荷数据，采用机器学习方法预测用户高峰时段的用电负荷，并进行填谷用电潜力等级和避峰用电潜力等级的划分包括以下步骤：
S51、收集用户历史负荷数据、谷时段用电潜力得分和避峰用电潜力得分作为BP神经网络模型输入，收集用户历史高峰时段用电负荷作为BP神经网络模型输出；
S52、将收集到的数据分为训练集、验证集和测试集；
S53、确定BP神经网络模型的架构，所述架构包括输入层节点数、隐藏层的层数和每个隐藏层的节点数；
S54、在训练集中训练BP神经网络模型，在验证集中调整BP神经网络模型的参数；
S55、在测试集上评估模型的预测性能，计算预测误差；
S56、使用优化后的模型对新输入数据进行预测，得到高峰时段用电负荷的预测结果；
S57、将预测结果与用户历史实际用电数据比较，计算误差百分比；
S58、根据误差百分比和标准表，确定填谷和避峰用电潜力等级。
可选地，所述对电力负荷数据进行预处理包括以下步骤：
S21、对电力负荷数据进行去重处理和异常值或缺失值填充，得到处理的电力负荷数据；
S22、根据瞬时功率数据计算处理的电力负荷数据的负荷指标，并将所述负荷指标从表计级别汇总到用户级别；
S23、将建筑名称与电力负荷数据进行匹配，并按照建筑与用户的对应关系进行电力指标的汇总统计。
可选地，所述基于预处理过的电力负荷数据计算削峰潜力包括以下步骤：
S31、基于预处理过的电力负荷数据计算用户负荷特征曲线和峰电量的基准负荷值；
S32、基于预处理过的电力负荷数据初步定义和确认高峰时段；
S33、根据高峰时段的平均负荷和基准负荷值计算各峰时段的电量值；
S34、根据峰时段的电量值计算削峰潜力值。
可选地，所述基于预处理过的电力负荷数据计算得到用户负荷特征曲线和峰电量的基准负荷值包括以下步骤：
S311、对建筑用户近三个月每天96个点的电力负荷数据进行预处理，计算出每个点位在近三个月内的平均日负荷，得到建筑用户的日均负荷曲线；
S312、基于预处理后的日均负荷曲线数据，提取其中位于数据总数65%位置的点位的负荷值，作为该用户峰电量的基准负荷值。
可选地，所述基于预处理过的电力负荷数据初步定义和确认高峰时段包括以下步骤：
S321、将用户负荷特征曲线的各点日均负荷值与峰电量基准负荷值相减，大于零的时段初步定义为用电高峰时段；
S322、将用户负荷特征曲线中日均负荷值大于峰电量基准负荷值的时点进行标记，并标记为P1，P2，...，PK，并按小到大排序；
S323、检查排序后的时点是否连续；
S324、若时点Pk和Pk+1连续，则将其归为同一类；
若Pk和Pk+1不连续，则从Pk+1开始归为新的一类；
S325、直至所有大于基准负荷值的时点都进行了归类，且每一类连续的时点归为一个高峰时段；
其中，k表示日均负荷值大于峰电量基准负荷值的第k个时点，K表示日均负荷值大于峰电量基准负荷值的时点总数。
可选地，所述计算各峰时段的电量值的公式为：
式中，为峰时段里第/>与/>点对应的三个月中每天的日均负荷；
为基准负荷；
为峰时段里的负荷点数。
可选地，所述计算削峰潜力值的公式为：
式中，为各个峰时段的总电量值。
可选地，所述基于预处理过的电力负荷数据计算削峰潜力包括以下步骤：
S41、根据用户的历史用电数据，计算每日峰时段用电水平和谷时段用电水平；
S42、使用箱型图的25%和75%作为阈值，根据每日峰时段用电水平和谷时段用电水平，将用户的用电行为分类为高、中、低三类；
S43、计算各建筑用户近一年的日均负荷，并利用箱型图的10%阈值，判断用户的用电水平标是否低用电水平，得到的低用电水平标签；
S44、根据每日峰时段用电水平、谷时段用电水平和低用电水平标签，计算用户的填谷用电潜力得分和避峰用电潜力得分。
可选地，所述每日峰时段用电水平的计算公式为：
；
所述谷时段用电水平的计算公式为：
。
可选地，所述用户的填谷用电潜力得分的计算公式为：
所述避峰用电潜力得分的计算公式为：
式中，为近一年当日谷时段用电水平天数；
为近一年总天数；
近一年当日峰时段用电水平天数。
根据本发明的另一个方面，还提供了一种基于负荷数据的用电高峰负荷预测的系统，该系统包括：数据采集模块、数据预处理模块、削峰潜力计算模块、得分计算模块及等级划分模块；
所述数据采集模块，用于采集用户档案、日用电负荷和电量数据，获取电力负荷数据；
所述数据预处理模块，用于对电力负荷数据进行预处理；
所述削峰潜力计算模块，用于基于预处理过的电力负荷数据计算削峰潜力；
所述得分计算模块，用于根据所述削峰潜力结合用户用电水平及谷时段用电水平、峰时段用电水平，得到谷时段用电潜力得分和避峰用电潜力得分；
所述等级划分模块，用于根据谷时段用电潜力得分和避峰用电潜力得分，结合用户的历史负荷数据，采用机器学习方法预测用户高峰时段的用电负荷，并进行填谷用电潜力等级和避峰用电潜力等级的划分。
本发明的有益效果为：
1、本发明全面考虑了电力负荷预测的关键步骤，包括数据采集、数据预处理、削峰潜力计算、得分计算和等级划分等，流程清晰；削峰潜力计算考虑了用户的负荷特征曲线和峰电量基准值，可以有效评估用户在高峰期的用电潜力，高峰时段的判断也比较全面，通过多种规则进行时段的粘连和确认，结果更加准确；填谷用电潜力和避峰用电潜力的评分方式简单易用，充分考虑了用户的用电水平以及峰谷时段的用电情况，可以直观地评估用户的用电行为。
2、本发明考虑了用户的多维特征，根据多维特征的综合考量得到更加准确的预测结果，根据实际需求选择方案中的设计，实现用电高峰负荷的精准预测。
3、本发明削峰潜力计算采用用户负荷特征曲线和峰电量基准值等指标，可以准确定位高峰时段，并量化判断用户削峰潜力的大小，这为后续划分用户等级和预测高峰负荷奠定基础，填谷用电潜力和避峰用电潜力的评分方式，充分考虑了用户的历史用电水平和峰谷时段用电情况，可以直观、准确地评估用户参与填谷避峰活动的意愿，为高峰负荷预测提供重要参考。
4、本发明等级划分结果可以将用户划分为不同的类别，为不同类别的用户采取定制化的预测方案，提高预测的准确性，机器学习预测模型也可以根据用户类别选择训练样本，使模型更加贴近不同用户的特征，且本发明的预测准确度最高，相较于现有技术提升了5%-8%，具有较高的实用价值和推广应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于负荷数据的用电高峰负荷预测的方法的流程图。
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，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种基于负荷数据的用电高峰负荷预测的方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明的一个实施例，提供了一种基于负荷数据的用电高峰负荷预测的方法，该方法包括以下步骤：
S1、采集用户档案、日用电负荷和电量数据，获取电力负荷数据。
需要解释说明的是，采集近一年用户档案、96点负荷或日电量数据。
S2、对电力负荷数据进行预处理。
优选地，所述对电力负荷数据进行预处理包括以下步骤：
S21、对电力负荷数据进行去重处理和异常值或缺失值填充，得到处理的电力负荷数据；
S22、根据瞬时功率数据计算处理的电力负荷数据的负荷指标，并将所述负荷指标从表计级别汇总到用户级别；
S23、将建筑名称与电力负荷数据进行匹配，并按照建筑与用户的对应关系进行电力指标的汇总统计。
需要解释说明的是，依据用户的编号，完成建筑名称与用电负荷信息匹配，并进行用电指标汇总统计（建筑-用户的关系，若是一对多，将用电指标汇总到建筑楼宇；若是多对一，用电指标均摊到建筑楼）。
S3、如表1所示，基于预处理过的电力负荷数据计算削峰潜力。
优选地，所述基于预处理过的电力负荷数据计算削峰潜力包括以下步骤：
S31、基于预处理过的电力负荷数据计算用户负荷特征曲线和峰电量的基准负荷值；
所述基于预处理过的电力负荷数据计算得到用户负荷特征曲线和峰电量的基准负荷值包括以下步骤：
S311、对建筑用户近三个月每天96个点的电力负荷数据进行预处理，计算出每个点位在近三个月内的平均日负荷，得到建筑用户的日均负荷曲线；
S312、基于预处理后的日均负荷曲线数据，提取其中位于数据总数65%位置的点位的负荷值，作为该用户峰电量的基准负荷值。
S32、基于预处理过的电力负荷数据初步定义和确认高峰时段；
S33、根据高峰时段的平均负荷和基准负荷值计算各峰时段的电量值；
S34、根据峰时段的电量值计算削峰潜力值；
表1削峰潜力评分计算规则表
削峰潜力评分计算规则如下：
A、削峰潜力值x属于区间（负无穷，0），则评分为0；
B、削峰潜力值x属于区间[0，0.8），则评分为：
；
C、削峰潜力值x属于区间[0.8，1.7），则评分为：
；
D、削峰潜力值x属于区间[1.7，2.2），则评分为：
；
E、削峰潜力值x属于区间[2.2，4.5），则评分为：
；
F、削峰潜力值x属于区间[4.5，+∞），则评分为100；
排名准则：排名越靠前，指标值越大，即削峰潜力越高。
优选地，所述基于预处理过的电力负荷数据初步定义和确认高峰时段包括以下步骤：
S321、将用户负荷特征曲线的各点日均负荷值与峰电量基准负荷值相减，大于零的时段初步定义为用电高峰时段；
S322、将用户负荷特征曲线中日均负荷值大于峰电量基准负荷值的时点进行标记，并标记为P1，P2，...，PK，并按小到大排序；
S323、检查排序后的时点是否连续；
S324、若时点Pk和Pk+1连续，则将其归为同一类；
若Pk和Pk+1不连续，则从Pk+1开始归为新的一类；
S325、直至所有大于基准负荷值的时点都进行了归类，且每一类连续的时点归为一个高峰时段；
其中，k表示日均负荷值大于峰电量基准负荷值的第k个时点，K表示日均负荷值大于峰电量基准负荷值的时点总数。
优选地，S33所述计算各峰时段的电量值的公式为：
式中，为峰时段里第/>与/>点对应的平均负荷；
为基准负荷；
为峰时段里的负荷点数。
优选地，S34所述计算削峰潜力值的公式为：
式中，为各个峰时段的总电量值。
S4、如表2-表3所示，根据所述削峰潜力结合用户用电水平及谷时段用电水平、峰时段用电水平，得到谷时段用电潜力得分和避峰用电潜力得分。
优选地，所述基于预处理过的电力负荷数据计算削峰潜力包括以下步骤：
S41、根据用户的历史用电数据，计算每日峰时段用电水平和谷时段用电水平；
S42、使用箱型图的25%和75%作为阈值，根据每日峰时段用电水平和谷时段用电水平，将用户的用电行为分类为高、中、低三类；
S43、计算各建筑用户近一年的日均负荷，并利用箱型图的10%阈值，判断用户的用电水平标是否低用电水平，得到的低用电水平标签；
S44、根据每日峰时段用电水平、谷时段用电水平和低用电水平标签，计算用户的填谷用电潜力得分和避峰用电潜力得分。
需要解释说明的是，根据用户历史电力负荷数据可以计算峰谷时段平均用电水平，使用箱型图确定阈值，根据峰谷用电水平将用户分为高中低三类，计算用户日均负荷,使用箱型图阈值判断用户是否为低用电用户，同时综合考虑峰谷用电水平分类和低用电判断，计算填谷和避峰用电潜力得分。
优选地，所述每日峰时段用电水平的计算公式为：
；
所述谷时段用电水平的计算公式为：
。
优选地，所述用户的填谷用电潜力得分的计算公式为：
所述避峰用电潜力得分的计算公式为：
式中，为近一年当日谷时段用电水平出现的天数；
为近一年总天数；
近一年当日峰时段用电水平出现的天数。
表2峰时段规则
表3谷时段规则
S5、根据谷时段用电潜力得分和避峰用电潜力得分，结合用户的历史负荷数据（包括历史日负荷曲线、历史周负荷曲线、历史月负荷曲线、节假日负荷曲线、不同季节负荷曲线及用户特征数据），采用机器学习方法预测用户高峰时段的用电负荷，并进行填谷用电潜力等级和避峰用电潜力等级的划分；
其中，所述根据谷时段用电潜力得分和避峰用电潜力得分，结合用户的历史负荷数据，采用机器学习方法预测用户高峰时段的用电负荷，并进行填谷用电潜力等级和避峰用电潜力等级的划分包括以下步骤：
S51、收集用户历史负荷数据、谷时段用电潜力得分和避峰用电潜力得分作为BP神经网络模型输入，收集用户历史高峰时段用电负荷作为BP神经网络模型输出；
S52、将收集到的数据分为训练集、验证集和测试集；
S53、确定BP神经网络模型的架构，所述架构包括输入层节点数、隐藏层的层数和每个隐藏层的节点数；
S54、在训练集中训练BP神经网络模型，在验证集中调整BP神经网络模型的参数；
S55、在测试集上评估模型的预测性能，计算预测误差；
S56、使用优化后的模型对新输入数据进行预测，得到高峰时段用电负荷的预测结果；
S57、将预测结果与用户历史实际用电数据比较，计算误差百分比；
S58、根据误差百分比和标准表，确定填谷和避峰用电潜力等级；
具体的，确定填谷和避峰用电潜力等级的划分可参照如下标准：
高等级：如果预测结果显示用户高峰时段负荷较历史实际负荷降低30%以上，则判定为高填谷/避峰用电潜力等级。这表示用户有较高意愿和潜力参与填谷/避峰活动。
中等级：如果预测结果显示用户高峰时段负荷较历史实际负荷降低20-30%，则判定为中填谷/避峰用电潜力等级。这表示用户有一定意愿和潜力参与填谷/避峰活动。
较低等级：如果预测结果显示用户高峰时段负荷较历史实际负荷降低10-20%，则判定为较低填谷/避峰用电潜力等级。这表示用户参与填谷/避峰活动的意愿和潜力较小。
低等级：如果预测结果显示用户高峰时段负荷较历史实际负荷降低不足10%，则判定为低填谷/避峰用电潜力等级。这表示用户基本没有参与填谷/避峰活动的意愿和潜力。
重复执行S51-S58的步骤，并对所有用户进行预测和等级划分。
对比例一
步骤一：收集历史负荷数据，包括历史日负荷曲线、历史周负荷曲线、历史月负荷曲线、节假日负荷曲线、不同季节负荷曲线及用户特征数据；
步骤二：可视化历史数据，根据电力负荷的趋势和季节性进行初始分析；
步骤三：选择一个或多个解释变量，构建线性回归模型；
步骤四：使用历史数据来训练线性回归模型；
步骤五：验证线性回归模型的预测能力，使用线性回归模型进行用电高峰负荷。
对比例二
收集本地历史电力负荷数据，包括历史日负荷曲线、历史周负荷曲线、历史月负荷曲线、节假日负荷曲线、不同季节负荷曲线及用户特征数据；
步骤二：使用这些数据训练一个人工神经网络模型；
步骤三：使用训练有素的人工神经网络模型进行预测，并对预测结果进行验证，以确保人工神经网络模型的有效性；
步骤四：使用人工神经网络模型进行用电高峰负荷预测。
对比例三
步骤一：收集并处理历史电力负荷数据，包括历史日负荷曲线、历史周负荷曲线、历史月负荷曲线、节假日负荷曲线、不同季节负荷曲线及用户特征数据；
步骤二：选择合适的核函数和参数，构建支持向量机模型；
步骤三：使用历史数据训练支持向量机模型；
步骤四：验证支持向量机模型的预测能力，并在验证效果良好的条件下使用支持向量机模型进行用电高峰负荷预测。
分别选取对比例一、对比例二及对比例三进行预测准确性的实验判断，并观测实验现象并记录实验数据，实验结果如表4；
表4：各对比例与实施例预测准确度对照表
由表4可知，本发明的预测准确度最高，相较于现有技术提升了5%-8%，具有较高的实用价值和推广应用前景。
根据本发明的另一个实施例，还提供了一种基于负荷数据的用电高峰负荷预测的系统，该系统包括：数据采集模块、数据预处理模块、削峰潜力计算模块、得分计算模块及等级划分模块；
所述数据采集模块，用于采集用户档案、日用电负荷和电量数据，获取电力负荷数据；
所述数据预处理模块，用于对电力负荷数据进行预处理；
所述削峰潜力计算模块，用于基于预处理过的电力负荷数据计算削峰潜力；
所述得分计算模块，用于根据所述削峰潜力结合用户用电水平及谷时段用电水平、峰时段用电水平，得到谷时段用电潜力得分和避峰用电潜力得分；
所述等级划分模块，用于根据谷时段用电潜力得分和避峰用电潜力得分，结合用户的历史负荷数据，采用机器学习方法预测用户高峰时段的用电负荷，并进行填谷用电潜力等级和避峰用电潜力等级的划分。
此外，采用的模块化设计，各模块之间的接口简单清晰，易于软硬件的开发与集成，总体实现难度不高
综上所述，借助于本发明的上述技术方案，本发明全面考虑了电力负荷预测的关键步骤，包括数据采集、数据预处理、削峰潜力计算、得分计算和等级划分等，流程清晰；削峰潜力计算考虑了用户的负荷特征曲线和峰电量基准值，可以有效评估用户在高峰期的用电潜力，高峰时段的判断也比较全面，通过多种规则进行时段的粘连和确认，结果更加准确；填谷用电潜力和避峰用电潜力的评分方式简单易用，充分考虑了用户的用电水平以及峰谷时段的用电情况，可以直观地评估用户的用电行为；考虑了用户的多维特征，包括用户档案、用电水平、峰谷时段用电情况等，这些特征的综合考量可以得到更加准确的预测结果；根据实际需求选择方案中的部分或全部步骤与方法，实现灵活应用，削峰潜力计算采用用户负荷特征曲线和峰电量基准值等指标，可以准确定位高峰时段，并量化判断用户削峰潜力的大小，这为后续划分用户等级和预测高峰负荷奠定基础，填谷用电潜力和避峰用电潜力的评分方式，充分考虑了用户的历史用电水平和峰谷时段用电情况，可以直观、准确地评估用户参与填谷避峰活动的意愿，为高峰负荷预测提供重要参考，等级划分结果可以将用户划分为不同的类别，为不同类别的用户采取定制化的预测方案，提高预测的准确性，机器学习预测模型也可以根据用户类别选择训练样本，使模型更加贴近不同用户的特征，本发明的预测准确度最高，相较于现有技术提升了5%-8%，具有较高的实用价值和推广应用前景。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种基于负荷数据的用电高峰负荷预测的方法，其特征在于，该方法包括以下步骤：
采集用户档案、日用电负荷和电量数据，获取电力负荷数据；
对电力负荷数据进行预处理；
基于预处理过的电力负荷数据计算削峰潜力；
根据所述削峰潜力、用户用电水平、谷时段用电水平和峰时段用电水平，得到谷时段用电潜力得分和避峰用电潜力得分；
根据谷时段用电潜力得分和避峰用电潜力得分，结合用户的历史负荷数据，采用机器学习方法预测用户高峰时段的用电负荷，并进行填谷用电潜力等级和避峰用电潜力等级的划分；
其中，所述根据谷时段用电潜力得分和避峰用电潜力得分，结合用户的历史负荷数据，采用机器学习方法预测用户高峰时段的用电负荷，并进行填谷用电潜力等级和避峰用电潜力等级的划分包括以下步骤：
收集用户历史负荷数据、谷时段用电潜力得分和避峰用电潜力得分作为BP神经网络模型输入，收集用户历史高峰时段用电负荷作为BP神经网络模型输出；
将收集到的数据分为训练集、验证集和测试集；
确定BP神经网络模型的架构，所述架构包括输入层节点数、隐藏层的层数和每个隐藏层的节点数；
在训练集中训练BP神经网络模型，在验证集中调整BP神经网络模型的参数；
在测试集上评估模型的预测性能，计算预测误差；
使用优化后的模型对新输入数据进行预测，得到高峰时段用电负荷的预测结果；
将预测结果与用户历史实际用电数据比较，计算误差百分比；
根据误差百分比和标准表，确定填谷和避峰用电潜力等级。
2.根据权利要求1所述的一种基于负荷数据的用电高峰负荷预测的方法，其特征在于，所述对电力负荷数据进行预处理包括以下步骤：
对电力负荷数据进行去重处理，填充异常值或缺失值，得到处理的电力负荷数据；
根据瞬时功率数据计算处理的电力负荷数据的负荷指标，并将所述负荷指标从表计级别汇总到用户级别。
3.根据权利要求1所述的一种基于负荷数据的用电高峰负荷预测的方法，其特征在于，所述基于预处理过的电力负荷数据计算削峰潜力包括以下步骤：
基于预处理过的电力负荷数据计算得到用户负荷特征曲线和峰电量的基准负荷值；
基于预处理过的电力负荷数据初步定义和确认高峰时段；
根据高峰时段的平均负荷和基准负荷值计算各峰时段的电量值；
根据峰时段的电量值计算削峰潜力值。
4.根据权利要求3所述的一种基于负荷数据的用电高峰负荷预测的方法，其特征在于，所述基于预处理过的电力负荷数据计算得到用户负荷特征曲线和峰电量的基准负荷值包括以下步骤：
对建筑用户近三个月每天96个点的电力负荷数据进行预处理，计算出每个点位在近三个月内的平均日负荷，得到建筑用户的日均负荷曲线；
基于预处理后的日均负荷曲线数据，提取其中位于数据总数65%位置的点位的负荷值，作为该用户峰电量的基准负荷值。
5.根据权利要求4所述的一种基于负荷数据的用电高峰负荷预测的方法，其特征在于，所述基于预处理过的电力负荷数据初步定义和确认高峰时段包括以下步骤：
将用户负荷特征曲线的各点日均负荷值与峰电量基准负荷值相减，大于零的时段初步定义为用电高峰时段；
将用户负荷特征曲线中日均负荷值大于峰电量基准负荷值的时点进行标记，并标记为P1，P2，...，PK，并按小到大排序；
检查排序后的时点是否连续；
若时点Pk和Pk+1连续，则将其归为同一类；
若Pk和Pk+1不连续，则从Pk+1开始归为新的一类；
直至所有大于基准负荷值的时点都进行了归类，且每一类连续的时点归为一个高峰时段；
其中，k表示日均负荷值大于峰电量基准负荷值的第k个时点，K表示日均负荷值大于峰电量基准负荷值的时点总数。
6.根据权利要求3所述的一种基于负荷数据的用电高峰负荷预测的方法，其特征在于，根据所述平均负荷和基准负荷值计算各峰时段的电量值，包括：
计算各高峰时段的电量值Efi的公式为：
；式中，/>为峰时段里第/>与/>点对应的三个月中每天的日均负荷；
为基准负荷；
为峰时段里的负荷点数。
7.根据权利要求6所述的一种基于负荷数据的用电高峰负荷预测的方法，其特征在于，所述根据峰时段的电量值计算削峰潜力值，包括：
计算削峰潜力值E总的公式为：
；式中，/>为各个峰时段的总电量值。
8.根据权利要求1所述的一种基于负荷数据的用电高峰负荷预测的方法，其特征在于，所述基于预处理过的电力负荷数据计算削峰潜力包括以下步骤：
根据用户的历史用电数据，计算每日峰时段用电水平和谷时段用电水平；
使用箱型图的25%和75%作为阈值，根据每日峰时段用电水平和谷时段用电水平，将用户的用电行为分类为高、中、低三类；
计算各建筑用户近一年的日均负荷，并利用箱型图的10%阈值，判断用户的用电水平标是否低用电水平，得到的低用电水平标签；
根据每日峰时段用电水平、谷时段用电水平和低用电水平标签，计算用户的填谷用电潜力得分和避峰用电潜力得分。
9.根据权利要求8所述的一种基于负荷数据的用电高峰负荷预测的方法，其特征在于，所述每日峰时段用电水平的计算公式为：
；所述谷时段用电水平的计算公式为：
。
10.根据权利要求8所述的一种基于负荷数据的用电高峰负荷预测的方法，其特征在于，所述用户的填谷用电潜力得分的计算公式为：
；所述避峰用电潜力得分的计算公式为：
；式中，/>为近一年当日谷时段用电水平天数；
为近一年总天数；
近一年当日峰时段用电水平天数。
11.一种基于负荷数据的用电高峰负荷预测的系统，用于实现权利要求1-10中任一项所述的基于负荷数据的用电高峰负荷预测的方法，其特征在于，该系统包括：数据采集模块、数据预处理模块、削峰潜力计算模块、得分计算模块及等级划分模块；
所述数据采集模块，用于采集用户档案、日用电负荷和电量数据，获取电力负荷数据；
所述数据预处理模块，用于对电力负荷数据进行预处理；
所述削峰潜力计算模块，用于基于预处理过的电力负荷数据计算削峰潜力；
所述得分计算模块，用于根据所述削峰潜力结合用户用电水平及谷时段用电水平、峰时段用电水平，得到谷时段用电潜力得分和避峰用电潜力得分；
所述等级划分模块，用于根据谷时段用电潜力得分和避峰用电潜力得分，结合用户的历史负荷数据，采用机器学习方法预测用户高峰时段的用电负荷，并进行填谷用电潜力等级和避峰用电潜力等级的划分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311529163.4A CN117236532B (zh) | 2023-11-16 | 2023-11-16 | 一种基于负荷数据的用电高峰负荷预测的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311529163.4A CN117236532B (zh) | 2023-11-16 | 2023-11-16 | 一种基于负荷数据的用电高峰负荷预测的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117236532A true CN117236532A (zh) | 2023-12-15 |
| CN117236532B CN117236532B (zh) | 2024-04-02 |
Family
ID=89098884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311529163.4A Active CN117236532B (zh) | 2023-11-16 | 2023-11-16 | 一种基于负荷数据的用电高峰负荷预测的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236532B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033953A (zh) * | 2021-02-07 | 2021-06-25 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据的用户侧需求响应决策建议方法 |
| CN113408820A (zh) * | 2021-07-09 | 2021-09-17 | 吉林大学 | 一种蓄热式电锅炉用户可调节潜力挖掘方法、系统及设备 |
| CN114283024A (zh) * | 2021-11-18 | 2022-04-05 | 国网上海市电力公司 | 一种电力系统的需求响应潜力用户与潜力空间的识别方法 |
| CN114707767A (zh) * | 2022-05-18 | 2022-07-05 | 长沙学院 | 一种新能源电力系统低谷时段可调峰功率预测方法 |
| CN114734840A (zh) * | 2022-03-08 | 2022-07-12 | 北京鼎诚鸿安科技发展有限公司 | 一种电动汽车负荷群的需求响应可调潜力预测方法及系统 |
| CN115496627A (zh) * | 2022-11-22 | 2022-12-20 | 国网天津市电力公司电力科学研究院 | 一种可调资源响应潜力的评估方法及系统 |
| CN116307012A (zh) * | 2021-12-23 | 2023-06-23 | 国网天津市电力公司营销服务中心 | 一种用于公共建筑的能效优化方法及系统 |
-
2023
- 2023-11-16 CN CN202311529163.4A patent/CN117236532B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033953A (zh) * | 2021-02-07 | 2021-06-25 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据的用户侧需求响应决策建议方法 |
| CN113408820A (zh) * | 2021-07-09 | 2021-09-17 | 吉林大学 | 一种蓄热式电锅炉用户可调节潜力挖掘方法、系统及设备 |
| CN114283024A (zh) * | 2021-11-18 | 2022-04-05 | 国网上海市电力公司 | 一种电力系统的需求响应潜力用户与潜力空间的识别方法 |
| CN116307012A (zh) * | 2021-12-23 | 2023-06-23 | 国网天津市电力公司营销服务中心 | 一种用于公共建筑的能效优化方法及系统 |
| CN114734840A (zh) * | 2022-03-08 | 2022-07-12 | 北京鼎诚鸿安科技发展有限公司 | 一种电动汽车负荷群的需求响应可调潜力预测方法及系统 |
| CN114707767A (zh) * | 2022-05-18 | 2022-07-05 | 长沙学院 | 一种新能源电力系统低谷时段可调峰功率预测方法 |
| CN115496627A (zh) * | 2022-11-22 | 2022-12-20 | 国网天津市电力公司电力科学研究院 | 一种可调资源响应潜力的评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117236532B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
| Li et al. | Impact factors analysis on the probability characterized effects of time of use demand response tariffs using association rule mining method | |
| 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 | |
| CN112766550A (zh) | 基于随机森林的停电敏感用户预测方法、系统、存储介质及计算机设备 | |
| CN110930198A (zh) | 基于随机森林的电能替代潜力预测方法、系统、存储介质及计算机设备 | |
| CN110555624A (zh) | 一种考虑指标关联的电网调度运行综合评估方法 | |
| Zhou et al. | Smart energy management | |
| CN111062564A (zh) | 一种电力客户诉求敏感值计算方法 | |
| CN109934469A (zh) | 基于异源交叉回归分析的停电敏感度预警方法及装置 | |
| CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
| CN115660225A (zh) | 一种基于电表通信模块的用电负荷预测管理方法及系统 | |
| CN111798333A (zh) | 一种用能评估与用电安全分析方法和系统 | |
| CN111861587A (zh) | 一种基于隐马尔可夫模型和向前算法的居民用电行为分析的系统及方法 | |
| CN110414776B (zh) | 分行业用电特性快速响应分析系统 | |
| CN112258067A (zh) | 基于高斯混合模型聚类算法的低压用户缴费行为分类方法 | |
| CN117236532B (zh) | 一种基于负荷数据的用电高峰负荷预测的方法及系统 | |
| CN114140176B (zh) | 一种负荷聚集平台的可调容量预测方法及装置 | |
| CN116777616A (zh) | 一种基于概率密度分布的现货市场新能源日前交易决策方法 | |
| CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
| CN115994778A (zh) | 多元用户用能行为精细画像方法 | |
| CN114219245A (zh) | 基于大数据的乡村电力指数评价方法、装置及存储介质 | |
| Guan et al. | A novel demand response potential assessment method for industrial users | |
| CN112016631A (zh) | 一种低电压治理相关的改进方案 | |
| Yan et al. | Cross-domain feature extraction-based household characteristics identification approach using smart meter data |
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 |