CN117277312A - 一种基于灰色关联分析的电力负荷影响因素方法及设备 - Google Patents

一种基于灰色关联分析的电力负荷影响因素方法及设备 Download PDF

Info

Publication number
CN117277312A
CN117277312A CN202311437576.XA CN202311437576A CN117277312A CN 117277312 A CN117277312 A CN 117277312A CN 202311437576 A CN202311437576 A CN 202311437576A CN 117277312 A CN117277312 A CN 117277312A
Authority
CN
China
Prior art keywords
power load
correlation analysis
matrix
factors
association
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.)
Pending
Application number
CN202311437576.XA
Other languages
English (en)
Inventor
徐可
熊浩
李芳亚
杨帆
李晶
吴优
蒋晶晶
汤谦平
梁书琴
胡雯
孙思友
乐卫东
张艳
马乐
顾敏
徐箭
廖思阳
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.)
Xiaogan Power Supply Co of State Grid Hubei Electric Power Co Ltd
Original Assignee
Xiaogan Power Supply Co of State Grid Hubei Electric Power 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 Xiaogan Power Supply Co of State Grid Hubei Electric Power Co Ltd filed Critical Xiaogan Power Supply Co of State Grid Hubei Electric Power Co Ltd
Priority to CN202311437576.XA priority Critical patent/CN117277312A/zh
Publication of CN117277312A publication Critical patent/CN117277312A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力系统自动化技术，具体涉及一种基于灰色关联分析的电力负荷影响因素方法，利用灰色关联分析来研究电力负荷预测与其影响因素之间的关联度，评估不同条件变动对电力负荷预测的影响程度，以确定主要影响电力负荷预测的因素。选取季节变化进行分析，并分析它们对电力负荷的电压和频率的影响。该方法选择参考序列和比较序列，进行无量纲化处理，消除单位的影响。计算最小差和最大差，求得关联系数。计算每列关联系数的均值，得出关联度结果。该方法克服了数据模糊性，处理不确定性和随机性，提高了分析的准确性；能够处理不完整的信息，对缺失数据或不完备数据进行建模分析；确定了对电力负荷影响最显著的主要因素，为决策提供重要参考。

Description

一种基于灰色关联分析的电力负荷影响因素方法及设备
技术领域
本发明属于电力系统自动化技术领域，尤其涉及一种基于灰色关联分析的电力负荷影响因素方法及设备。
背景技术
随着电力行业的不断发展，人们用电的需求也在激增。电力对于保证经济的健康发展和社会的正常运行有着极为重要的意义。由于电和人类的生活息息相关，使得供电稳定成为必然，因此，只有精确分析电力负荷的变化规律，才能保证电网的经济稳定运行，即要确保高效、准确、稳定的电力负荷预测。在电力系统的规划建设以及经济运行中，电力负荷预测起到了关键作用，良好的电力负荷预测方法，可以为电力系统规划和运行提供可靠的决策依据。
电力负荷预测是目前各国电力部门十分重要的任务之一。其中电力负荷是指某地区在某一时刻的电力需求量，而预测是指运用一系列数学方法来研究过去一段时间或某些时刻所消耗电力负荷的值，利用这些数值之间的联系来预测未来一段时间的负荷值。寻找电力负荷预测的主要影响因素对于电力负荷的准确预测方面具有重要意义。目前在寻找电力负荷预测的影响因素方法中存在几个问题。首先，数据缺失和质量问题可能会影响模型的准确性和可靠性，因为电力负荷预测需要大量的历史负荷数据和相关影响因素数据。其次，在确定影响因素的选择和权重时，存在挑战，选择过多或不恰当的因素可能导致预测结果的过拟合或欠拟合。另外，一些方法可能缺乏动态性和实时性，无法及时更新和调整预测结果以反映实际的变化和新的影响因素。最后，尽管现有方法可以提高预测准确性，但仍存在预测精度的限制，复杂的系统变化、突发事件和不确定的外部因素可能导致预测误差。因此，改进和完善寻找电力负荷预测的影响因素方法是必要的。
而灰色关联分析算法可以在一个灰色系统中，衡量某个项目受其他的因素影响的相对强弱。灰色关联分析的基本思想是根据序列曲线几何形状的相似程度来判断其联系是否紧密。曲线越接近，相应序列之间的关联度就越大，反之就越小。这样可以明显观察出不同影响因素的关联度。灰色关联分析法的优势在于，它弥补了采用数理统计方法系统分析所导致的缺憾，对样本量的多少和样本有无规律都适用，而且计算量小，十分方便，更不会出现与定性结果不符合的情况。
发明内容
本发明提供一种基于灰色关联分析的电力负荷影响因素方法，利用灰色关联分析来研究电力负荷预测与其影响因素之间的关联度，评估不同条件变动对电力负荷预测的影响程度，以确定主要影响电力负荷预测的因素。一般情况下，电力负荷会按照年、周、日的规律性变化。然而，在实际情况中，电力负荷会受到多种外界因素的影响。负荷功率随负荷点端电压变动而变化的规律，称为负荷的电压特性；负荷功率随电力系统频率改变而变化的规律，称为负荷的频率特性。负荷的电压特性和负荷的频率特性统称为负荷特性。
本发明选取季节变化进行分析，并研究它们对电力负荷的电压和频率的影响。然后，通过分析这些负荷特性，识别对电力负荷预测有影响的因素。为实现基于灰色关联分析算法的电力负荷预测影响因素研究方法，包括以下步骤：
步骤1.获取不同季节电力负荷的原始数据；
步骤2.将获取的原始数据排列成矩阵；
步骤3.选取子序列和母序列；
步骤4.采用初值法对母序列和子序列的每个指标进行无量纲化处理；
步骤5.计算差值矩阵，并求出最小差和最大差；
步骤6.计算子序列中各个指标与母序列的关联系数；
步骤7.通过关联系统求得关系度并进行排序。
根据本发明提供的一种基于灰色关联分析的电力负荷影响因素方法，由于季节变化对电力负荷的电压、频率的影响不同。从每个季节中挑选一个季节中的一天来分析天气因素对电力负荷的影响，其中春季挑选3月20日、夏季挑选6月20日、秋季挑选9月20日、冬季挑选12月20日，利用这四天的数据进行对比分析。
根据本发明提供的一种基于灰色关联分析的电力负荷影响因素方法，在使用灰色关联分析算法前，把原始数据组成的矩阵记为X
X是一个n行，p列的矩阵。其中n指的是不同的场景；p是电力负荷预测其条件。本方法中选取的条件有春季、夏季、秋季、冬季。
根据本发明提供的一种基于灰色关联分析的电力负荷影响因素方法，首先要选择母序列和子序列，母序列(又称参考序列)为能反映系统应为特征的数据序列，其类似于因变量Y，此处记为x0。子序列(又称比较序列)为影响系统行为的因素组成的数据序列，其类似于自变量X，此处记为x1,x2,…,xt。
选取电力负荷预测为母序列，其他条件如春季、夏季、秋季、冬季为子序列。
根据本发明提供的一种基于灰色关联分析的电力负荷影响因素方法，开始无量纲化处理，对变量进行预处理的目的是去除量纲的影响且缩小变量范围简化计算。本方法采用初值法对母序列和子序列的每个指标进行无量纲化处理，就是把这一个序列的数据统一除以最开始的值，由于同一个因素的序列的量级差别不大，所以通过除以初值就能将这些值都整理到1这个量级附近。
设归一化矩阵为Z，Z中元素记为Zij：
得到归一化矩阵Z：
归一化矩阵Z是一个i行，j列的矩阵且i＝n，j＝p。
根据本发明提供的一种基于灰色关联分析的电力负荷影响因素方法，开始计算差值矩阵，并求出最小差和最大差。
先求每个子序列和母序列对应项的差值：
Δx0(k)＝|x0(k)-xt(k)|，t＝1,2,…,p，k＝1,2,…,n
其中Δx0(k)为差值，x0(k)为母序列上的数，xt(k)为对应的子序列上的数。
再根据所有的差值求出最小差和最大差。
其中a为最大差，b为最小差。
根据本发明提供的一种基于灰色关联分析的电力负荷影响因素方法，计算子序列中各个指标与母序列的关联系数，即各指标的关联系数为：
其中y(x0(k)，xt(k))为各指标的关联系数，ρ为分辨系数，是控制系数区分度的一个系数，ρ取值0到1，ρ越小，区分度越大，一般取值0.5较为合适。
根据本发明提供的一种基于灰色关联分析的电力负荷影响因素方法，把每列关联系数取均值得到关联度，从而能够根据关联度排序，比图片更加直观。
其中y(x0，xt)为各个指标与母序列的关联度。
本发明还提供一种电子设备，包括存储器、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，所述处理器执行所述程序时实现如上述任一种所述基于灰色关联分析的电力负荷影响因素方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于灰色关联分析的电力负荷影响因素方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于灰色关联分析的电力负荷影响因素方法。
与现有技术相比，本发明的有益效果是：本发明通过灰色关联分析算法研究了电力负荷预测与对应条件的关联度。首先，选择参考序列和比较序列，对其进行无量纲化处理，消除单位的影响。然后，计算最小差和最大差，进而求得关联系数。最后，计算每列关联系数的均值，得出关联度结果。相较于传统的多因素分析方法，灰色关联分析具有以下优点：克服了数据模糊性，处理不确定性和随机性，提高了分析的准确性；能够处理不完整的信息，对缺失数据或不完备数据进行建模分析；确定了对电力负荷影响最显著的主要因素，为决策提供重要参考；提高了电力负荷预测的精度和可靠性，更准确地预测未来的负荷需求。此外，灰色关联分析对数据要求较低，计算量小，样本容量可较少且适用于无规律数据，避免了量化结果与定性分析结果不符的情况。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述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是本发明实施例提供的基于灰色关联分析的电力负荷影响因素方法流程示意图；
图2是本发明实施例某地区电力负荷调度中心2020年全年的电力负荷数据示意图；
图3是本发明实施例灰色关联分析图；
图4是本发明提供的电子设备的结构示意图；
附图标记：
其中：810-处理器、820-通信接口、830-存储器、840-通信总线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
随着科技的不断进步和电力行业的发展，对电力负荷预测的精确性提出了更高的要求。对短期电力负荷预测模型进行改进不仅可以提高预测效果，还能够确保电力系统的长期稳定运行，保障电网的安全性，同时降低发电成本，提高电网公司的收入。从一个更广泛的角度来看，短期电力负荷预测的准确性还直接影响着一个地区的经济水平。
在实际应用中，准确的短期电力负荷预测可以帮助电力公司避免过剩发电或电力不足，从而有效节省能源资源，降低燃料消耗和环境污染。同时，预测准确的电力负荷还能够为电力系统的规划和运营提供重要依据，支持设备维护和现有电力设施的更新换代，提高电力系统的可靠性和稳定性。这将减少停电和故障的风险，为用户提供更稳定可靠的电力供应。
此外，准确的短期电力负荷预测对于促进可再生能源的集成也至关重要。随着可再生能源如风能和太阳能的增加，电力系统需要更精确的负荷预测来有效整合这些不稳定的能源源，从而平衡供需关系，降低发电成本，减少碳排放，推动可持续发展。
综上所述，改进短期电力负荷预测模型的重要性不言而喻。通过灰色关联分析寻找电力负荷预测的影响因素，准确预测电力负荷对于电力行业的发展具有重要意义，对保障电力供应、降低成本、提高经济水平具有积极的影响。因此，做好短期电力负荷预测这一项工作势在必行。
本实施例是通过以下技术方案来实现的，如图1所示，一种基于灰色关联分析的电力负荷影响因素方法，包括以下步骤：
1)输入所需数据；从每个季节中挑选一个季节中的一天来分析天气因素对电力负荷的影响，其中春季挑选3月20日、夏季挑选6月20日、秋季挑选9月20日、冬季挑选12月20日，利用这四天的数据进行对比分析。
2)将数据组成矩阵；
在使用灰色关联分析算法前，把原始数据组成的矩阵记为X
X是一个n行，p列的矩阵。其中n指的是不同的场景；p是电力负荷预测其条件。本方法中选取的条件有春季、夏季、秋季、冬季。
3)选择母序列和子序列；
首先要选择母序列和子序列，母序列(又称参考序列)为能反映系统应为特征的数据序列，其类似于因变量Y，此处记为x0。子序列(又称比较序列)为影响系统行为的因素组成的数据序列，其类似于自变量X，此处记为x1,x2,…,xt。
本实施例选取电力负荷预测为母序列，其他条件如春季、夏季、秋季、冬季为子序列。
4)进行无量纲化处理；
对变量进行预处理的目的是去除量纲的影响且缩小变量范围简化计算。本方法采用初值法对母序列和子序列的每个指标进行无量纲化处理，就是把这一个序列的数据统一除以最开始的值，由于同一个因素的序列的量级差别不大，所以通过除以初值就能将这些值都整理到1这个量级附近。
设归一化矩阵为Z，Z中元素记为Zij：
得到归一化矩阵Z：
归一化矩阵Z是一个i行，j列的矩阵且i＝n，j＝p。
5)求出差值，找出最大差最小差；
先求每个子序列和母序列对应项的差值：
Δx0(k)＝|x0(k)-xt(k)|，t＝1,2,…,p，k＝1,2,…,n
其中Δx0(k)为差值，x0(k)为母序列上的数，xt(k)为对应的子序列上的数。
再根据所有的差值求出最小差和最大差。
其中a为最大差，b为最小差。
6)计算关联系数；
各指标的关联系数为：
其中y(x0(k)，xt(k))为各指标的关联系数，ρ为分辨系数，是控制系数区分度的一个系数，ρ取值0到1，ρ越小，区分度越大，一般取值0.5较为合适。
7)求出关联度；
把每列关联系数取均值得到关联度，从而能够根据关联度排序，比图片更加直观。
其中y(x0，xt)为各个指标与母序列的关联度。
实施例
电力负荷在一般情况下会保持一定的年、周、日规律性。在实际情况下，电力负荷会受到各种外界因素的影响。本次选取的影响电力负荷预测的数据包括电力负荷预测以及春季、夏季、秋季、冬季。
本实施例采用某地区电力负荷调度中心2020年全年的电力负荷数据。该地区2020年全年的数据中，量测设备每五分钟采集一次负荷数据，每日共采集288次，全年共采集105488个负荷数据点。如图2所示。
S1、首先，选取数据集，把电力负荷预测及其影响因素所需的数据以每隔四小时导出一个数据，电力负荷预测及其影响因素选取的的数据如表1所示。
表1
时间 负荷预测 春 夏 秋 冬
0 4800 2000 4400 3900 2000
4 4300 1600 3800 3500 1400
8 5200 3000 4800 4600 3000
12 5800 3300 5600 4800 4000
16 5000 2800 4500 4500 2700
20 6000 2700 5300 4900 2800
24 5000 2050 4200 4000 1800
S2、把数据组成的矩阵记为X，由此得到的矩阵为：
S3、选取电力负荷预测为母序列，其他条件如春季、夏季、秋季、冬季为子序列。
S4、进行无量纲化处理,对母序列和子序列中的每个指标进行预处理，把这一个序列的数据统一除以最开始的值,得到标准化矩阵：
S5、根据以上步骤首先得出中间的差值矩阵：
根据以上矩阵得出：两级最小差a＝0.0006，两级最大差b＝0.1862。
S6、最后根据关联系数公式，最终计算得出关联系数矩阵：
见表2。
表2
经过灰色关联分析算法，可以得出各影响因素与电力负荷预测的关联度，如图3所示。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于灰色关联分析的电力负荷影响因素方法。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于灰色关联分析的电力负荷影响因素方法。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于灰色关联分析的电力负荷影响因素方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于灰色关联分析的电力负荷影响因素方法，其特征在于，包括以下步骤：
获取不同季节电力负荷的原始数据；
将获取的原始数据组成矩阵；
选取子序列和母序列；
采用初值法对母序列和子序列的每个指标进行无量纲化处理；
计算差值矩阵，并求出最小差和最大差；
计算子序列中各个指标与母序列的关联系数；
通过关联系统求得关系度并进行排序。
2.根据权利要求1所述基于灰色关联分析的电力负荷影响因素方法，其特征在于，获取不同季节电力负荷的数据组成矩阵包括从每个季节中挑选一个季节中的一天来分析天气因素对电力负荷的影响；其中，春季挑选3月20日、夏季挑选6月20日、秋季挑选9月20日、冬季挑选12月20日，利用这四天的数据进行对比分析；
原始数据组成的矩阵为：
X是一个n行，p列的矩阵；其中n指的是不同的场景；p是电力负荷预测其条件；选取的条件是春季、夏季、秋季、冬季。
3.根据权利要求1所述基于灰色关联分析的电力负荷影响因素方法，其特征在于，选取电力负荷预测母序列，记为x0；选取春季、夏季、秋季、冬季为子序列，记为x1,x2,…,xt。
4.根据权利要求1所述基于灰色关联分析的电力负荷影响因素方法，其特征在于，无量纲化处理包括：
设归一化矩阵为Z，Z中元素记为Zij：
得到归一化矩阵Z：
归一化矩阵Z是一个i行，j列的矩阵且i＝n，p＝j。
5.根据权利要求1所述基于灰色关联分析的电力负荷影响因素方法，其特征在于，计算差值矩阵，并求出最小差和最大差包括：
求每个子序列和母序列对应项的差值：
Δx0(k)＝|x0(k)-xt(k)|，t＝1,2,…,p，k＝1,2,…,n
其中x0(k)为母序列上的数，xt(k)为对应的子序列上的数；
根据所有的差值求出最大差和最小差分别为：
其中a为最大差，b为最小差。
6.根据权利要求1所述基于灰色关联分析的电力负荷影响因素方法，其特征在于，计算子序列中各个指标与母序列的关联系数包括：
各指标的关联系数为：
其中y(x0(k)，xt(k))为各指标的关联系数，ρ为分辨系数，是控制系数区分度的一个系数，ρ取值0到1，ρ越小，区分度越大，一般取值0.5较为合适。
7.根据权利要求1所述基于灰色关联分析的电力负荷影响因素方法，其特征在于，关联度为每列关联系数取均值：
其中，y(x0，xt)为各个指标与母序列的关联度。
8.一种电子设备，包括存储器、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，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于灰色关联分析的电力负荷影响因素方法。
9.一种非暂态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至7任一项所述基于灰色关联分析的电力负荷影响因素方法。
10.一种计算机程序产品，包括计算机程序，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至7任一项所述基于灰色关联分析的电力负荷影响因素方法。
CN202311437576.XA 2023-10-30 2023-10-30 一种基于灰色关联分析的电力负荷影响因素方法及设备 Pending CN117277312A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311437576.XA CN117277312A (zh) 2023-10-30 2023-10-30 一种基于灰色关联分析的电力负荷影响因素方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311437576.XA CN117277312A (zh) 2023-10-30 2023-10-30 一种基于灰色关联分析的电力负荷影响因素方法及设备

Publications (1)

Publication Number Publication Date
CN117277312A true CN117277312A (zh) 2023-12-22

Family

ID=89217841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311437576.XA Pending CN117277312A (zh) 2023-10-30 2023-10-30 一种基于灰色关联分析的电力负荷影响因素方法及设备

Country Status (1)

Country Link
CN (1) CN117277312A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117789847A (zh) * 2024-02-26 2024-03-29 中国石油大学(华东) 一种基于化学需氧量的压裂返排液影响因素主次分析方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117789847A (zh) * 2024-02-26 2024-03-29 中国石油大学(华东) 一种基于化学需氧量的压裂返排液影响因素主次分析方法

Similar Documents

Publication Publication Date Title
CN109685277A (zh) 用电量预测方法及装置
CN110503462A (zh) 基于灰色关联度分析的电网投资测算方法、系统及介质
CN112990500B (zh) 基于改进加权灰色关联分析的台区线损分析方法及系统
CN110689195A (zh) 一种电力日负荷预测方法
CN111639783A (zh) 一种基于lstm神经网络的线损预测方法及系统
CN112801388B (zh) 一种基于非线性时间序列算法的电力负荷预测方法及系统
CN117277312A (zh) 一种基于灰色关联分析的电力负荷影响因素方法及设备
CN112365056A (zh) 一种电气负荷联合预测方法、装置、终端及存储介质
CN115907131B (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN116307215A (zh) 一种电力系统的负荷预测方法、装置、设备及存储介质
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和系统
CN110309965A (zh) 一种基于改进支持向量机的电网投资需求预测方法及系统
CN114595861A (zh) 基于mstl和lstm模型的中长期电力负荷预测方法
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及系统
CN114154716B (zh) 一种基于图神经网络的企业能耗预测方法及装置
CN116823008A (zh) 一种园区能源利用效率评估方法、系统、设备和存储介质
CN110837952A (zh) 一种基于博弈论的电网新技术设备选择方法及系统
CN114581141A (zh) 基于特征选择与lssvr的短期负荷预测方法
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN115511230A (zh) 一种电能替代潜力分析预测方法
CN116316542A (zh) 区域分布式光伏功率预测方法、装置、计算机设备及存储介质
CN112581311B (zh) 一种多风电场聚合后出力长期波动特性预测方法及系统
CN114998048A (zh) 电量变化因素分析方法、装置、计算机设备和存储介质
Franco et al. Very short-term bus reactive load forecasting models based on KDD approach
CN118246705B (zh) 一种能源需求预测方法、系统、设备及介质

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