CN117808325A - 基于用户供需大数据的电力负荷预测方法 - Google Patents
基于用户供需大数据的电力负荷预测方法 Download PDFInfo
- Publication number
- CN117808325A CN117808325A CN202410224905.0A CN202410224905A CN117808325A CN 117808325 A CN117808325 A CN 117808325A CN 202410224905 A CN202410224905 A CN 202410224905A CN 117808325 A CN117808325 A CN 117808325A
- Authority
- CN
- China
- Prior art keywords
- data segment
- power data
- current data
- power
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000000737 periodic effect Effects 0.000 claims abstract description 55
- 230000007613 environmental effect Effects 0.000 claims abstract description 46
- 238000010606 normalization Methods 0.000 claims description 11
- 230000003203 everyday effect Effects 0.000 claims description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000002596 correlated effect Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于用户供需大数据的电力负荷预测方法,包括:采集基于用户供需大数据的历史电流数据序列;根据历史电流数据序列中不同时间范围内电流数据的周期变化情况,得到每个初始电力数据段的电力周期趋势程度;根据电力周期趋势程度,从多个初始电力数据段中划分出预测关联电力数据段;根据预测关联电力数据段中电流数据受外界环境影响的数值变化趋势情况,得到预测关联电力数据段的环境负荷差分阶数;根据环境负荷差分阶数对历史电流数据序列进行预测。本发明提高了预测结果的准确性,提高了电力负荷的预测效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于用户供需大数据的电力负荷预测方法。
背景技术
在用户供需大数据的基础上对电力负荷的预测,对于电力系统的规划和运行起着重要的作用。现有方法通常利用ARIMA(AutoRegressive Integrated Moving Average)自回归积分移动平均算法,人为预设差分阶数,从而获取预测值;随着时间变化,用户的用电需求会因外界气温、光照等环境因素反复变化而产生不同程度地变化,从而使整体的电流数据存在较大的周期变化性,而传统的ARIMA自回归积分移动平均算法经人为预设的差分阶数所获取的预测值,会丢失原本电流数据的周期变化性特征,使获取的预测结果的准确性降低,从而降低电力负荷的预测效率。
发明内容
本发明提供基于用户供需大数据的电力负荷预测方法,以解决现有的问题:用户整体的电流数据因外界气温、光照等环境因素反复变化使其存在较大的周期变化性,而传统的ARIMA自回归积分移动平均算法经人为预设的差分阶数所获取的预测值,会丢失原本电流数据的周期变化性特征。
本发明的基于用户供需大数据的电力负荷预测方法采用如下技术方案:
包括以下步骤:
采集基于用户供需大数据的历史电流数据序列,所述历史电流数据序列包含每天记录的多个电流数据;
将历史电流数据序列中每天内记录的所有电流数据构成的数据段记为初始电力数据段;根据历史电流数据序列中不同时间范围内电流数据的周期变化情况,得到每个初始电力数据段的电力周期趋势程度;根据电力周期趋势程度,从多个初始电力数据段中划分出预测关联电力数据段;
根据预测关联电力数据段中电流数据受外界环境影响的数值变化趋势情况,得到预测关联电力数据段的环境负荷差分阶数;
根据环境负荷差分阶数对历史电流数据序列进行预测。
优选的,所述根据历史电流数据序列中不同时间范围内电流数据的周期变化情况,得到每个初始电力数据段的电力周期趋势程度,包括的具体方法为:
获取所有初始电力数据段的中心电流数据;
对于任意一个初始电力数据段,根据初始电力数据段的中心电流数据与其他电流数据之间的分布差异,得到初始电力数据段的电力趋势显著因子;
根据电力趋势显著因子以及初始电力数据段中电流数据的周期变化情况,得到初始电力数据段的周期趋势因子;
将所有的周期趋势因子进行线性归一化,将归一化后的周期趋势因子记为电力周期趋势程度。
优选的,所述获取所有初始电力数据段的中心电流数据,包括的具体方法为:
对于任意一个初始电力数据段,若初始电力数据段中所有电流数据的数量为奇数,将初始电力数据段中序号为中位数的电流数据记为初始电力数据段的中心电流数据;若初始电力数据段中所有电流数据的数量为偶数,将初始电力数据段中所有序号的中位数记为第一中位数;在初始电力数据段中,将与第一中位数左侧距离最小的序号记为第一序号,将与第一中位数右侧距离最小的序号记为第二序号,将第一序号与第二序号之间对应电流数据的均值记为初始电力数据段的中心电流数据。
优选的,所述根据初始电力数据段的中心电流数据与其他电流数据之间的分布差异,得到初始电力数据段的电力趋势显著因子,包括的具体方法为:
将初始电力数据段的中心电流数据与初始电力数据段中最后一个电流数据的差值的绝对值记为第一绝对值;将初始电力数据段的中心电流数据与初始电力数据段中第一个电流数据的差值的绝对值记为第二绝对值;将第一绝对值与第二绝对值的比值记为初始电力数据段的电力趋势显著因子。
优选的,所述根据电力趋势显著因子以及初始电力数据段中电流数据的周期变化情况,得到初始电力数据段的周期趋势因子,包括的具体方法为:
将初始电力数据段中任意一个电流数据记为目标电流数据,将目标电流数据后第一个电流数据与目标电流数据的差值的绝对值记为第三绝对值,将目标电流数据后第三个电流数据与目标电流数据后第二个电流数据的差值的绝对值记为第四绝对值,将第四绝对值与第三绝对值的比值记为目标电流数据的第一比值;获取初始电力数据段中所有电流数据的第一比值;
将初始电力数据段中所有电流数据的第一比值的均值与初始电力数据段的电力趋势显著因子的乘积,记为初始电力数据段的周期趋势因子。
优选的,所述根据电力周期趋势程度,从多个初始电力数据段中划分出预测关联电力数据段,包括的具体方法为:
预设一个周期趋势程度阈值以及一个扩充次数/>;将最后一个初始电力数据段记为目标初始电力数据段,若目标初始电力数据段的周期趋势因子大于/>,将目标初始电力数据段记为预测关联电力数据段;
若目标初始电力数据段的周期趋势因子小于或等于,将目标初始电力数据段向左侧扩充两个电流数据,将扩充后的目标初始电力数据段记为第一目标电力数据段;若第一目标电力数据段的周期趋势因子小于/>,将第一目标电力数据段向左侧扩充两个电流数据,将扩充后的第一目标电力数据段记为第二目标电力数据段;以此类推,直至最新扩充后的目标电力数据段的周期趋势因子大于/>或者目标电力数据段共扩充/>次为止,获取最新扩充后的目标电力数据段,并将最新扩充后的目标电力数据段记为预测关联电力数据段。
优选的,所述根据预测关联电力数据段中电流数据受外界环境影响的数值变化趋势情况,得到预测关联电力数据段的环境负荷差分阶数,包括的具体方法为:
根据预测关联电力数据段内不同电流数据之间的关联情况,得到预测关联电力数据段的环境交界因子;
将预测关联电力数据段左侧的第一个初始电力数据段,记为预测关联电力数据段的邻域关联电力数据段;根据邻域关联电力数据段与预测关联电力数据段之间周期趋势程度的占比情况,得到预测关联电力数据段的电力负荷权重;
将预测关联电力数据段的环境交界因子与预测关联电力数据段的电力负荷权重的乘积的反比例归一化值记为第一归一化值;预设一个初始的差分阶数,将第一归一化值与/>的乘积的向上取整结果记为预测关联电力数据段的环境负荷差分阶数。
优选的,所述根据预测关联电力数据段内不同电流数据之间的关联情况,得到预测关联电力数据段的环境交界因子,包括的具体方法为:
对于预测关联电力数据段中相邻的任意两个电流数据,将第一个电流数据与第二个电流数据的差值记为第一差值,将第一个电流数据与第二个电流数据的皮尔逊相关系数记为第一相关系数,将第一差值与第一相关系数的比值记为这两个电流数据的第二比值;获取预测关联电力数据段中所有相邻电流数据的第二比值;
将预测关联电力数据段中所有相邻电流数据的第二比值的累加和记为预测关联电力数据段的环境交界因子。
优选的,所述根据邻域关联电力数据段与预测关联电力数据段之间周期趋势程度的占比情况,得到预测关联电力数据段的电力负荷权重,包括的具体方法为:
将预测关联电力数据段的邻域关联电力数据段的周期趋势程度与预测关联电力数据段的周期趋势程度,记为第一周期趋势程度;将预测关联电力数据段的周期趋势程度与第一周期趋势程度的比值的反比例归一化值,记为预测关联电力数据段的电力负荷权重。
优选的,所述根据环境负荷差分阶数对历史电流数据序列进行预测,包括的具体方法为:
将预测关联电力数据段的环境负荷差分阶数作为差分阶数,根据差分阶数,利用ARIMA自回归积分移动平均算法对历史电流数据序列进行预测,得到预测的电流数据序列。
本发明的技术方案的有益效果是:本发明分析不同时间范围内电流数据与外界环境因素的变化关系,自适应调整差分阶数,以获取准确的预测值,从而降低原本电流数据的周期变化性特征丢失的程度;其中首先根据历史电流数据序列中不同时间范围内电流数据的周期变化情况,得到初始电力数据段的电力周期趋势程度,用于反映初始电力数据段中的电流数据属于同一环境变化周期内的程度,提高了获取同一环境变化周期内电流数据的精度;然后根据电力周期趋势程度,从多个初始电力数据段中划分出预测关联电力数据段,用于反映获取自适应差分阶数最佳的初始电力数据段,降低了电力负荷预测的时间延迟;之后根据预测关联电力数据段中电流数据受外界环境影响的数值变化趋势情况,得到预测关联电力数据段的环境负荷差分阶数,用于反映预测关联电力数据段对应外界环境因素所表征的周期性特征的明显程度,提高了预测结果的准确性;本发明通过结合外界环境因素对电流数据的变化情况关系,自适应调整差分阶数,降低了原本电流数据的周期变化性特征丢失的程度,提高了预测结果的准确性,提高了电力负荷的预测效率。
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为本发明基于用户供需大数据的电力负荷预测方法的步骤流程图;
图2为本发明基于用户供需大数据的电力负荷预测方法的特征关系流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于用户供需大数据的电力负荷预测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于用户供需大数据的电力负荷预测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于用户供需大数据的电力负荷预测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集基于用户供需大数据的历史电流数据序列。
需要说明的是,现有方法通常利用ARIMA(AutoRegressive Integrated MovingAverage)自回归积分移动平均算法,人为预设差分阶数,从而获取预测值;随着时间变化,用户的用电需求会因外界气温、光照等环境因素反复变化而产生不同程度地变化,从而使整体的电流数据存在较大的周期变化性,而传统的ARIMA自回归积分移动平均算法经人为预设的差分阶数所获取的预测值,会丢失原本电流数据的周期变化性特征,使获取的预测结果的准确性降低,从而降低电力负荷的预测效率。请参阅图2,其示出了特征关系流程图。
具体的,首先需要采集历史电流数据序列,具体过程为:获取发电厂的电流数据库中近三个月的电流数据,将所有电流数据按照记录时间从小到大的顺序进行排列,将排列后的序列记为历史电流数据序列。其中电流数据库中记录电流数据的采样间隔为5分钟。另外需要说明的是,本实施例不对获取的电流数据的时间周期以及采样间隔进行限定,其中电流数据的时间周期以及采样间隔可根据具体实施情况而定。
至此,通过上述方法得到历史电流数据序列。
步骤S002:获取若干初始电力数据段;根据历史电流数据序列中不同时间范围内电流数据的周期变化情况,得到每个初始电力数据段的电力周期趋势程度;根据电力周期趋势程度,从多个初始电力数据段中划分出预测关联电力数据段。
需要说明的是,不同的外界环境因素影响着整体用户的用电需求,例如:在夏季时期,由于天气炎热,整体用户对于空调、风扇等可降温电器的需求较高,整体而言,夏季时期整体用户的用电需求较高;而在秋季时期,由于天气凉爽,整体用户对于空调、风扇等可降温电器的需求较低,整体而言,秋季时期整体用户的用电需求较低。因此,随着外界环境因素在不同时间范围内存在不同的变化趋势,导致对应生成的电流数据在不同时间范围内也存在不同的数据变化趋势;而由于外界环境因素的变化在时间上具有较大的连续性,所以对应生成的电流数据也存在较大的连续性,因此在预测未来一段时间内的电流数据时,距离未来预测时间范围最接近的一段时间范围内的外界环境变化因素,对未来电力负荷的预测结果影响最大。为了提高电力负荷预测结果的准确性,本实施例通过分析不同时间范围内电流数据的变化趋势情况,得到预测关联电力数据段,以便后续分析处理。
具体的,将历史电流数据序列中每天内记录的所有电流数据构成的数据段记为初始电力数据段;以任意一个初始电力数据段为例,若该初始电力数据段中所有电流数据的数量为奇数,将该初始电力数据段中序号为中位数的电流数据记为该初始电力数据段的中心电流数据;若该初始电力数据段中所有电流数据的数量为偶数,将该初始电力数据段中所有序号的中位数记为第一中位数;在该初始电力数据段中,将与第一中位数左侧距离最小的序号记为第一序号,将与第一中位数右侧距离最小的序号记为第二序号,将第一序号与第二序号之间对应电流数据的均值记为该初始电力数据段的中心电流数据;获取所有初始电力数据段的中心电流数据。
进一步的,以任意一个初始电力数据段为例,根据该初始电力数据段的中心电流数据与其他电流数据之间的分布差异,得到该初始电力数据段的电力趋势显著因子。作为一种示例,可通过如下公式计算该初始电力数据段的电力趋势显著因子:
式中,表示该初始电力数据段的电力趋势显著因子;/>表示该初始电力数据段中第一个电流数据;/>表示该初始电力数据段的中心电流数据;/>表示该初始电力数据段中最后一个电流数据;/>表示预设的超参数,本实施例预设/>,用于防止分母为0;/>表示取绝对值。其中该初始电力数据段的电力趋势显著因子越小,说明该初始电力数据段中的电流数据变化相对越平稳,反映该初始电力数据段对应的时间范围内环境因素改变的程度越小。
进一步的,根据电力趋势显著因子以及该初始电力数据段中电流数据的周期变化情况,得到该初始电力数据段的周期趋势因子。作为一种示例,可通过如下公式计算该初始电力数据段的周期趋势因子:
式中,表示该初始电力数据段的周期趋势因子;/>表示该初始电力数据段的电力趋势显著因子;/>表示该初始电力数据段中所有电流数据的数量;/>表示该初始电力数据段中的第/>个电流数据;/>表示该初始电力数据段中的第/>个电流数据;/>表示该初始电力数据段中的第/>个电流数据;/>表示预设的超参数,本实施例预设/>,用于防止分母为0;/>表示取绝对值;/>表示该初始电力数据段的电力综合趋势因子。其中若该初始电力数据段的周期趋势因子越小,说明该初始电力数据段对应的时间范围内用户的用电需求受环境影响而变化的程度越小,反映了该初始电力数据段中的电流数据越属于同一环境变化周期内的特征。获取所有初始电力数据段的周期趋势因子,将所有的周期趋势因子进行线性归一化,将归一化后的每个周期趋势因子记为电力周期趋势程度。
进一步的,预设一个周期趋势程度阈值以及一个扩充次数/>,其中本实施例以为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定;将最后一个初始电力数据段记为目标初始电力数据段,若目标初始电力数据段的周期趋势因子大于/>,将目标初始电力数据段记为预测关联电力数据段。
进一步的,若目标初始电力数据段的周期趋势因子小于或等于,将目标初始电力数据段向左侧扩充两个电流数据,将扩充后的目标初始电力数据段记为第一目标电力数据段;若第一目标电力数据段的周期趋势因子小于/>,将第一目标电力数据段向左侧扩充两个电流数据,将扩充后的第一目标电力数据段记为第二目标电力数据段;若第二目标电力数据段的周期趋势因子小于/>,将第二目标电力数据段向左侧扩充两个电流数据,将扩充后的第二目标电力数据段记为第三目标电力数据段;以此类推,直至最新扩充后的目标电力数据段的周期趋势因子大于/>或者目标电力数据段共扩充/>次为止,获取最新扩充后的目标电力数据段,并将最新扩充后的目标电力数据段记为预测关联电力数据段。
至此,通过上述方法得到预测关联电力数据段。
步骤S003:根据预测关联电力数据段中电流数据受外界环境影响的数值变化趋势情况,得到预测关联电力数据段的环境负荷差分阶数。
需要说明的是,传统的ARIMA自回归积分移动平均算法经人为预设的差分阶数所获取的预测值,会丢失原本电流数据的周期变化性特征,使获取的预测结果的准确性降低,从而降低电力负荷的预测效率;而经步骤S002获取的预测关联电力数据段,延续了其前置历史记录中电流数据的变化周期性,保留了整体外界环境因素的变化趋势,若预测关联电力数据段中的电流数据变化越剧烈,说明此时的外界环境因素越有可能处于两种差异较大的外界环境种类的交界处;若预测关联电力数据段中的电流数据变化越平缓,说明此时的外界环境因素越有不可能处于两种差异较大的外界环境种类的交界处;为了提高电力负荷预测结果的准确性,本实施例通过分析预测关联电力数据段中电流数据的周期变化情况以及不同电流数据之间的关联情况,自适应调整差分阶数,得到预测关联电力数据段的环境负荷差分阶数,从而使差分阶数与外界环境因素产生较大的关联性,以便后续进行电力负荷的预测。
具体的,根据预测关联电力数据段内不同电流数据之间的关联情况,得到预测关联电力数据段的环境交界因子。作为一种示例,可通过如下公式计算预测关联电力数据段的环境交界因子:
式中,表示预测关联电力数据段的环境交界因子;/>表示预测关联电力数据段中所有电流数据的数量;/>表示第/>个电流数据与第/>个电流数据的皮尔逊相关系数;表示第/>个电流数据与第/>个电流数据的差值;/>表示预设的超参数,本实施例预设/>,用于防止分母为0。其中若预测关联电力数据段的环境交界因子越大,说明预测关联电力数据段对应的外界环境因素越有可能处于两种差异较大的外界环境种类的交界处。其中皮尔逊相关系数的获取是公知技术,本实施例不再赘述。
进一步的,将预测关联电力数据段左侧的第一个初始电力数据段,记为预测关联电力数据段的邻域关联电力数据段;根据邻域关联电力数据段与预测关联电力数据段之间周期趋势程度的占比情况,得到预测关联电力数据段的电力负荷权重。作为一种示例,可通过如下公式计算预测关联电力数据段的电力负荷权重:
式中,表示预测关联电力数据段的电力负荷权重;/>表示预测关联电力数据段的周期趋势程度;/>表示预测关联电力数据段的邻域关联电力数据段的周期趋势程度;/>表示以自然常数为底的指数函数,实施例采用/>模型来呈现反比例关系及归一化处理,/>为模型的输入,实施者可根据实际情况选择反比例函数及归一化函数。其中若预测关联电力数据段的电力负荷权重越大,说明预测关联电力数据段对于预测结果的影响越大。
进一步的,根据预测关联电力数据段的电力负荷权重与环境交界因子,得到预测关联电力数据段的环境负荷差分阶数。作为一种示例,可通过如下公式计算预测关联电力数据段的环境负荷差分阶数:
式中,表示预测关联电力数据段的环境负荷差分阶数;/>表示预设的超参数,本实施例预设/>,用于表示初始预设的差分阶数;/>表示预测关联电力数据段的环境交界因子;/>表示预测关联电力数据段的电力负荷权重;/>表示以自然常数为底的指数函数,实施例采用/>模型来呈现反比例关系及归一化处理,/>为模型的输入,实施者可根据实际情况选择反比例函数及归一化函数;/>表示向上取整。其中若预测关联电力数据段的环境负荷差分阶数越大,说明预测关联电力数据段对应外界环境因素所表征的周期性特征越明显。
至此,通过上述方法得到预测关联电力数据段的环境负荷差分阶数。
步骤S004:根据环境负荷差分阶数对历史电流数据序列进行预测。
具体的,将预测关联电力数据段的环境负荷差分阶数作为差分阶数,根据差分阶数,对历史电流数据序列进行预测,得到预测的电流数据序列;将预测的电流数据序列存储在预测数据库中,完成对电力负荷的预测。其中根据差分阶数与数据序列获取预测的数据序列的过程是ARIMA自回归积分移动平均算法的公知内容,本实施例不再赘述。
至此,本实施例完成。
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 (10)
1.基于用户供需大数据的电力负荷预测方法,其特征在于,该方法包括以下步骤:
采集基于用户供需大数据的历史电流数据序列,所述历史电流数据序列包含每天记录的多个电流数据;
将历史电流数据序列中每天内记录的所有电流数据构成的数据段记为初始电力数据段;根据历史电流数据序列中不同时间范围内电流数据的周期变化情况,得到每个初始电力数据段的电力周期趋势程度;根据电力周期趋势程度,从多个初始电力数据段中划分出预测关联电力数据段;
根据预测关联电力数据段中电流数据受外界环境影响的数值变化趋势情况,得到预测关联电力数据段的环境负荷差分阶数;
根据环境负荷差分阶数对历史电流数据序列进行预测。
2.根据权利要求1所述基于用户供需大数据的电力负荷预测方法,其特征在于,所述根据历史电流数据序列中不同时间范围内电流数据的周期变化情况,得到每个初始电力数据段的电力周期趋势程度,包括的具体方法为:
获取所有初始电力数据段的中心电流数据;
对于任意一个初始电力数据段,根据初始电力数据段的中心电流数据与其他电流数据之间的分布差异,得到初始电力数据段的电力趋势显著因子;
根据电力趋势显著因子以及初始电力数据段中电流数据的周期变化情况,得到初始电力数据段的周期趋势因子;
将所有的周期趋势因子进行线性归一化,将归一化后的周期趋势因子记为电力周期趋势程度。
3.根据权利要求2所述基于用户供需大数据的电力负荷预测方法,其特征在于,所述获取所有初始电力数据段的中心电流数据,包括的具体方法为:
对于任意一个初始电力数据段,若初始电力数据段中所有电流数据的数量为奇数,将初始电力数据段中序号为中位数的电流数据记为初始电力数据段的中心电流数据;若初始电力数据段中所有电流数据的数量为偶数,将初始电力数据段中所有序号的中位数记为第一中位数;在初始电力数据段中,将与第一中位数左侧距离最小的序号记为第一序号,将与第一中位数右侧距离最小的序号记为第二序号,将第一序号与第二序号之间对应电流数据的均值记为初始电力数据段的中心电流数据。
4.根据权利要求2所述基于用户供需大数据的电力负荷预测方法,其特征在于,所述根据初始电力数据段的中心电流数据与其他电流数据之间的分布差异,得到初始电力数据段的电力趋势显著因子,包括的具体方法为:
将初始电力数据段的中心电流数据与初始电力数据段中最后一个电流数据的差值的绝对值记为第一绝对值;将初始电力数据段的中心电流数据与初始电力数据段中第一个电流数据的差值的绝对值记为第二绝对值;将第一绝对值与第二绝对值的比值记为初始电力数据段的电力趋势显著因子。
5.根据权利要求2所述基于用户供需大数据的电力负荷预测方法,其特征在于,所述根据电力趋势显著因子以及初始电力数据段中电流数据的周期变化情况,得到初始电力数据段的周期趋势因子,包括的具体方法为:
将初始电力数据段中任意一个电流数据记为目标电流数据,将目标电流数据后第一个电流数据与目标电流数据的差值的绝对值记为第三绝对值,将目标电流数据后第三个电流数据与目标电流数据后第二个电流数据的差值的绝对值记为第四绝对值,将第四绝对值与第三绝对值的比值记为目标电流数据的第一比值;获取初始电力数据段中所有电流数据的第一比值;
将初始电力数据段中所有电流数据的第一比值的均值与初始电力数据段的电力趋势显著因子的乘积,记为初始电力数据段的周期趋势因子。
6.根据权利要求1所述基于用户供需大数据的电力负荷预测方法,其特征在于,所述根据电力周期趋势程度,从多个初始电力数据段中划分出预测关联电力数据段,包括的具体方法为:
预设一个周期趋势程度阈值以及一个扩充次数/>;将最后一个初始电力数据段记为目标初始电力数据段,若目标初始电力数据段的周期趋势因子大于/>,将目标初始电力数据段记为预测关联电力数据段;
若目标初始电力数据段的周期趋势因子小于或等于,将目标初始电力数据段向左侧扩充两个电流数据,将扩充后的目标初始电力数据段记为第一目标电力数据段;若第一目标电力数据段的周期趋势因子小于/>,将第一目标电力数据段向左侧扩充两个电流数据,将扩充后的第一目标电力数据段记为第二目标电力数据段;以此类推,直至最新扩充后的目标电力数据段的周期趋势因子大于/>或者目标电力数据段共扩充/>次为止,获取最新扩充后的目标电力数据段,并将最新扩充后的目标电力数据段记为预测关联电力数据段。
7.根据权利要求1所述基于用户供需大数据的电力负荷预测方法,其特征在于,所述根据预测关联电力数据段中电流数据受外界环境影响的数值变化趋势情况,得到预测关联电力数据段的环境负荷差分阶数,包括的具体方法为:
根据预测关联电力数据段内不同电流数据之间的关联情况,得到预测关联电力数据段的环境交界因子;
将预测关联电力数据段左侧的第一个初始电力数据段,记为预测关联电力数据段的邻域关联电力数据段;根据邻域关联电力数据段与预测关联电力数据段之间周期趋势程度的占比情况,得到预测关联电力数据段的电力负荷权重;
将预测关联电力数据段的环境交界因子与预测关联电力数据段的电力负荷权重的乘积的反比例归一化值记为第一归一化值;预设一个初始的差分阶数,将第一归一化值与/>的乘积的向上取整结果记为预测关联电力数据段的环境负荷差分阶数。
8.根据权利要求7所述基于用户供需大数据的电力负荷预测方法,其特征在于,所述根据预测关联电力数据段内不同电流数据之间的关联情况,得到预测关联电力数据段的环境交界因子,包括的具体方法为:
对于预测关联电力数据段中相邻的任意两个电流数据,将第一个电流数据与第二个电流数据的差值记为第一差值,将第一个电流数据与第二个电流数据的皮尔逊相关系数记为第一相关系数,将第一差值与第一相关系数的比值记为这两个电流数据的第二比值;获取预测关联电力数据段中所有相邻电流数据的第二比值;
将预测关联电力数据段中所有相邻电流数据的第二比值的累加和记为预测关联电力数据段的环境交界因子。
9.根据权利要求7所述基于用户供需大数据的电力负荷预测方法,其特征在于,所述根据邻域关联电力数据段与预测关联电力数据段之间周期趋势程度的占比情况,得到预测关联电力数据段的电力负荷权重,包括的具体方法为:
将预测关联电力数据段的邻域关联电力数据段的周期趋势程度与预测关联电力数据段的周期趋势程度,记为第一周期趋势程度;将预测关联电力数据段的周期趋势程度与第一周期趋势程度的比值的反比例归一化值,记为预测关联电力数据段的电力负荷权重。
10.根据权利要求1所述基于用户供需大数据的电力负荷预测方法,其特征在于,所述根据环境负荷差分阶数对历史电流数据序列进行预测,包括的具体方法为:
将预测关联电力数据段的环境负荷差分阶数作为差分阶数,根据差分阶数,利用ARIMA自回归积分移动平均算法对历史电流数据序列进行预测,得到预测的电流数据序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410224905.0A CN117808325B (zh) | 2024-02-29 | 2024-02-29 | 基于用户供需大数据的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410224905.0A CN117808325B (zh) | 2024-02-29 | 2024-02-29 | 基于用户供需大数据的电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117808325A true CN117808325A (zh) | 2024-04-02 |
CN117808325B CN117808325B (zh) | 2024-05-14 |
Family
ID=90422183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410224905.0A Active CN117808325B (zh) | 2024-02-29 | 2024-02-29 | 基于用户供需大数据的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808325B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005084884A (ja) * | 2003-09-08 | 2005-03-31 | Fujitsu Ltd | 環境負荷評価プログラム |
CN108960520A (zh) * | 2018-07-12 | 2018-12-07 | 南方电网科学研究院有限责任公司 | 一种电力负荷预测方法、系统、计算机设备、介质 |
CN111008727A (zh) * | 2019-10-28 | 2020-04-14 | 许昌许继软件技术有限公司 | 一种配电台区负荷预测方法及装置 |
CN111985361A (zh) * | 2020-08-05 | 2020-11-24 | 武汉大学 | 小波降噪和emd-arima的电力系统负荷预测方法及系统 |
WO2021204176A1 (zh) * | 2020-04-09 | 2021-10-14 | 京东方科技集团股份有限公司 | 业务数据预测方法、装置、电子设备及计算机可读存储介质 |
CN115800245A (zh) * | 2022-11-03 | 2023-03-14 | 三峡大学 | 基于sarima-随机森林组合模型的短期负荷预测方法 |
CN115796937A (zh) * | 2023-01-10 | 2023-03-14 | 佰聆数据股份有限公司 | 一种大数据复杂关联性的电力供需趋势分析方法和装置 |
US20230344225A1 (en) * | 2022-04-25 | 2023-10-26 | Eaton Intelligent Power Limited | Adaptive persistence forecasting for control of distributed energy resources |
CN117239722A (zh) * | 2023-08-31 | 2023-12-15 | 国网上海市电力公司 | 一种考虑多元负荷影响的系统风荷短期预测方法 |
-
2024
- 2024-02-29 CN CN202410224905.0A patent/CN117808325B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005084884A (ja) * | 2003-09-08 | 2005-03-31 | Fujitsu Ltd | 環境負荷評価プログラム |
CN108960520A (zh) * | 2018-07-12 | 2018-12-07 | 南方电网科学研究院有限责任公司 | 一种电力负荷预测方法、系统、计算机设备、介质 |
CN111008727A (zh) * | 2019-10-28 | 2020-04-14 | 许昌许继软件技术有限公司 | 一种配电台区负荷预测方法及装置 |
WO2021204176A1 (zh) * | 2020-04-09 | 2021-10-14 | 京东方科技集团股份有限公司 | 业务数据预测方法、装置、电子设备及计算机可读存储介质 |
CN111985361A (zh) * | 2020-08-05 | 2020-11-24 | 武汉大学 | 小波降噪和emd-arima的电力系统负荷预测方法及系统 |
US20230344225A1 (en) * | 2022-04-25 | 2023-10-26 | Eaton Intelligent Power Limited | Adaptive persistence forecasting for control of distributed energy resources |
CN115800245A (zh) * | 2022-11-03 | 2023-03-14 | 三峡大学 | 基于sarima-随机森林组合模型的短期负荷预测方法 |
CN115796937A (zh) * | 2023-01-10 | 2023-03-14 | 佰聆数据股份有限公司 | 一种大数据复杂关联性的电力供需趋势分析方法和装置 |
CN117239722A (zh) * | 2023-08-31 | 2023-12-15 | 国网上海市电力公司 | 一种考虑多元负荷影响的系统风荷短期预测方法 |
Non-Patent Citations (2)
Title |
---|
刘升;: "基于时间序列的台区配电负荷峰值预测", 电力科学与工程, no. 07, 28 July 2018 (2018-07-28) * |
李健;王琛;林韶生;杜佩仁;: "基于大数据平台的点负荷近中期负荷预测及行业负荷增长特征分析", 电力大数据, no. 02, 21 February 2020 (2020-02-21) * |
Also Published As
Publication number | Publication date |
---|---|
CN117808325B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730031B (zh) | 一种超短期高峰负荷预测方法及其系统 | |
CN109376772B (zh) | 一种基于神经网络模型的电力负荷组合预测方法 | |
CN109472404A (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
CN110796307B (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN104598985B (zh) | 电力负荷预测方法 | |
CN111079989A (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN111539844B (zh) | 一种基于k-l信息量和arima误差修正的月度电量预测方法 | |
CN112232575A (zh) | 一种基于多元负荷预测的综合能源系统调控方法和装置 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN113283674A (zh) | 一种基于用户用电特征的基线负荷预测修正方法 | |
CN115719106A (zh) | 基于多气象要素的电力负荷预测方法 | |
Smajla et al. | Influence of smart meters on the accuracy of methods for forecasting natural gas consumption | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN106875058B (zh) | 一种电力业扩可开放容量智能判断方法 | |
CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
CN117407681B (zh) | 一种基于向量聚类的时序数据预测模型建立方法 | |
CN115689146A (zh) | 一种多能源智能楼宇负荷调度方法及系统 | |
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 | |
CN117808325B (zh) | 基于用户供需大数据的电力负荷预测方法 | |
CN115829418A (zh) | 适用于负荷管理的电力用户负荷特性画像构建方法和系统 | |
CN114266423B (zh) | 基于多模型的电力能源需求预测方法、装置及存储介质 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
CN114091782B (zh) | 中长期电力负荷预测方法 |
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 |