WO2015081660A1 - 一种居民小区短期负荷预测方法 - Google Patents
一种居民小区短期负荷预测方法 Download PDFInfo
- Publication number
- WO2015081660A1 WO2015081660A1 PCT/CN2014/077109 CN2014077109W WO2015081660A1 WO 2015081660 A1 WO2015081660 A1 WO 2015081660A1 CN 2014077109 W CN2014077109 W CN 2014077109W WO 2015081660 A1 WO2015081660 A1 WO 2015081660A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- load
- data
- coefficient
- temperature
- day
- Prior art date
Links
Classifications
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Definitions
- the invention relates to a short-term load forecasting method for residential quarters, and particularly relates to a short-term load forecasting method for residential areas based on influencing factors mining.
- the invention belongs to the technical field of power system load forecasting.
- the power load can be generally divided into industrial load, commercial load, and residential load.
- the industrial and commercial load is relatively high in the power load.
- the power grid enterprises have always paid more attention to the load forecast of this block, and have successively built load control systems and electricity.
- the information collection system completes the data collection and load forecasting of industrial and commercial loads. Due to the scattered distribution and small scale of residential area load, the method of centralized prediction has been adopted.
- the disadvantage of this method is that the accuracy is not high, especially with With the increasing number of household appliances, the popularity of electric bicycles and the gradual promotion of electric vehicles, the residential electricity load shows a steady growth trend and obvious seasonal fluctuations, and the residential electricity load data is relatively small, and the influencing factors are numerous and different.
- the power consumption mode of the cell is different, and the response to different influencing factors is not the same.
- the centralized prediction method is difficult to accurately predict with high precision.
- the typical representative of the intelligent predictive model is the neural network predictive model.
- the neural network is a mathematical method created by learning the process of information processing by the human brain. Due to the good learning ability of neural network and the complex nonlinear relationship between processing load and its influencing factors, it has been highly concerned and widely applied in the research of short-term load forecasting theory and method.
- the existing network prediction method only selects a batch of historical samples for the construction of the prediction model based on the experience.
- the simple sample organization method often introduces many bad samples, which is serious for modeling prediction. Interference has affected the improvement of load prediction accuracy.
- the existing neural network prediction model uses it as an input variable. This method cannot accurately describe the linearity of the factor for load changes. Or a nonlinear relationship, so it is difficult to improve the prediction accuracy.
- the load data of residential area is relatively small and the fluctuation is relatively large.
- the neural network algorithm has good prediction accuracy for the load forecasting sample data with less fluctuation. Therefore, the neural network algorithm for residential area load prediction needs to be further improved.
- an object of the present invention is to provide a short-term load forecasting method for a residential area.
- the present invention adopts the following technical solutions:
- a short-term load forecasting method for a residential area characterized in that it comprises:
- Step 1 reading the historical sample data, the history includes the load, date type, and temperature data of the residential area to be predicted by the electric power department for one year before the date, and performing data screening on the historical sample data;
- Step 2 Perform the influencing factor mining analysis on the data obtained after the processing in step 1, and obtain a corresponding load influencing factor coefficient set;
- Step 3 Construct a training sample set and a prediction sample set for network traffic load prediction
- Step 4 Separating the influencing factors of the training sample set by using the set of load influencing factors formed in step 2, and using the obtained result as the input of the neural network, and obtaining the trained neural network through training;
- Step 5 Separating the influencing factors from the predicted sample set, and using the processed result as the input of the trained neural network to obtain the corresponding output result;
- Step 6 On the basis of step 5, the input factors are added to the output factors to obtain the load forecast data for the next week.
- step 1 includes: - Step 1.1: performing overall deletion on daily load data whose historical daily load data is missing more than 20 points; and 96 of the day
- the load point data is calculated to obtain the daily average load; the calculation formula is as follows: , represents the load value at the ith time in the load of 96 times a day; Z represents the missing in 96 times
- P avdy represents the daily average load value
- Step 1.2 Average the daily minimum temperature and maximum temperature to obtain the daily average temperature
- step 2 includes: - Step 2.1: dividing the load and temperature data obtained after the processing of step 1 into working day data sets and holiday data sets according to different date types ;
- Step 2.2 of the manual According to the three daily average temperature segments of the working day data set and the holiday data set: -4 ⁇ 8°C, 9 ⁇ 25°C, 26 ⁇ 35°C, the daily average load is classified and analyzed. Obtaining the holiday coefficient of the corresponding temperature segment;
- Step 2.3 The daily average load data, temperature data and date data of the working day are merged on a monthly basis to form a corresponding load temperature monthly load factor;
- Step 2.4 For the Spring Festival and National Day holiday, the residential electricity consumption mode is different from the normal rest day. After removing the temperature monthly load factor and the normal holiday coefficient, the corresponding Spring Festival coefficient KSP and National Day coefficient KND are obtained.
- step 2.3 includes - step 2.3.1: searching and classifying the daily average load data according to the daily average temperature and the month;
- Step 2.3.2 Classify the load data with the same month and the same daily average temperature into one category and obtain the average value
- Step 2.3.3 Take the daily average load data at an average daily temperature of 16 ° C and take the average value as the reference value;
- Step 2.3.4 Divide the data obtained in step 2.3.2 by the reference value in step 2.3.3 to form a monthly combined load temperature monthly load factor set KTM;
- Step 2.3.5 Fill and expand the null values in the set of coefficients formed in step 2.3.4 to form a complete set of coefficients.
- step 4 includes:
- Step 4.1 Determine the structure of the neural network:
- the neural network consists of the input layer, the hidden layer and the output layer.
- the input layer consists of the ⁇ ⁇ ⁇ representing the input variables.
- the hidden layer is composed of neurons representing the intermediate variables.
- the output layer is represented by The result of the neuron composition;
- Step 4.2 Divide the load data in the training sample set in step 3 by the corresponding temperature monthly load factor K TM , temperature segment and holiday coefficient K WN . If it is the Spring Festival or National Day, it is divided by the corresponding Chinese New Year coefficient K SP or National Day coefficient K ND , the result obtained as an input to the neural network;
- Step 4.3 Train the corresponding training samples, fit and calculate the parameters in the neural network, and obtain the improved neural network after training.
- step 5 includes:
- Step 5.1 Determine the date type to which the predicted sample load data belongs: If the normal working day is step 5.2, if it is normal holiday, proceed to step 5.3, if it is the Chinese New Year or National Day holiday, proceed to step 5.4;
- Step 5.2 Dividing the load data in the predicted sample set in step 5 by the corresponding temperature_monthly load factor K TM as a neural network input;
- Step 5.3 dividing the load data in the predicted sample set in step 5 by the corresponding temperature monthly load coefficient K TM and the temperature segment holiday coefficient K WN as the neural network input;
- Step 5.4 Divide the load data in the predicted sample set in step 5 by the corresponding temperature_monthly load factor KTM , the temperature segment, the holiday coefficient K WN, and the corresponding Chinese New Year coefficient K SP or the National Day coefficient K ND as the neural network input. .
- the foregoing method for predicting a short-term load of a residential area according to the foregoing description, wherein the step 6 includes:
- Step 6.1 Determine the date type of the forecast date: If step 6.2 is for normal working day, step 6.3 for normal holidays, and step 6.4 for Chinese New Year or National Day holiday;
- Step 6.2 Multiplying the obtained neural network output result in step 5 by the corresponding temperature monthly load coefficient K TM , and the prediction is completed;
- Step 6.3 Multiply the obtained neural network output result in step 5 by the corresponding temperature monthly load coefficient K TM and the temperature segment holiday coefficient K WN , and the prediction is completed;
- Step 6.4 Multiply the output of the neural network obtained in step 5 by the corresponding temperature monthly load coefficient K TM , the temperature segment holiday coefficient K WN and the corresponding Chinese New Year coefficient K SP or National Day coefficient K ND , and the prediction is completed. .
- the short-term prediction method of residential area load proposed by the invention overcomes the difficulty of small residential area load data, large fluctuation, and many influencing factors, improves the accuracy and calculation speed of the residential area load forecasting, and provides practical operation for the residential area load forecasting.
- An effective and feasible method overcomes the difficulty of small residential area load data, large fluctuation, and many influencing factors, improves the accuracy and calculation speed of the residential area load forecasting, and provides practical operation for the residential area load forecasting.
- FIG. 1 is a general flow chart of a short-term load forecasting method of the present invention
- Figure 2 is a flowchart of the influencing factor mining analysis module
- Figure 3 is a flow chart of the algorithm of the network.
- 1 is a general flow chart of a short-term electric load forecasting method of the method. Specifically, the following steps are included:
- Step 1 Reading the historical sample data includes: reading the load, date type, and temperature data of a certain cell to be predicted by the power department for one year before the date, and performing effective data screening;
- Step 2 Perform an influencing factor mining analysis on the data formed in step 1 to obtain a corresponding set of load influencing factors;
- Step 3 construct a training sample set and a prediction sample set for neural network load prediction
- Step 4 using the load influence factor coefficient set formed in step 2 to separate the influencing factors of the training sample set, and obtain the result as a neural network input, and obtain the trained neural network through training;
- Step 5 The influencing factor separation process is also performed on the predicted sample set as the input of the trained neural network, and the corresponding output result is obtained.
- Step 6 Based on step 5, add the influencing factors to the output results to obtain the load forecast data for the next week.
- Step 1 is specifically as follows: Step 1.1: Perform overall deletion on daily load data with historical day load data loss greater than 20 points; and calculate the daily average load by calculating 96 load point data per day;
- z represents the number of missing points and dead points in 96 moments
- P avdy represents the daily average load value.
- Step 1.2 Average the daily minimum and maximum temperatures to obtain the daily average temperature
- FIG. 2 is a flow chart of the influencing factor mining analysis module, which mainly describes the specific process of step 2:
- Step 2.1 Divide the load and temperature data after pre-processing into working day data sets and holidays according to the date type.
- a wdl , A wd2 , A wd3 and 3 respectively represents the sum of the squares of the load values in each temperature zone;
- Pavdy (i) represents the ith average daily load value for each temperature segment.
- N wdl , N wd2 , N wd3 and N wnl , N wn2 , N wn3 (wd represents the working day, wn represents the rest day, 1, 2, 3 represents the temperature segment) respectively represents the non-zero value of the load in each temperature segment number.
- P wd2 , P wd3 and P wn i, P wn2 , P wn3 are analogized by the above formula.
- K WN1 , K WN2 and K WN 3 respectively represent three holiday segments and a holiday coefficient.
- Step 2.3 The daily average load data set, temperature data set and date data of the working day are merged monthly to form the corresponding load temperature monthly load factor; the specific steps are as follows:
- 2.3.5 Fill and expand for the null values in the set of coefficients formed in 2.3.4 to form a complete temperature monthly load factor set KTM .
- Step 2.4 For the Spring Festival and National Day 7-day holiday, the user's electricity consumption mode is different from the normal rest day. After removing the temperature January load factor and the normal holiday coefficient, the corresponding Spring Festival coefficient K SP and National Day coefficient K ND are obtained. .
- FIG. 3 is a flow chart of the neural network algorithm. Mainly explain the specific process of steps 4, 5:
- Step 4.1 Determine the structure of the neural network:
- the neural network consists of the input layer, the hidden layer and the output layer.
- the input layer represents the neurons of the input variables.
- the hidden layer is composed of neurons representing intermediate variables, and the output layer is represented by the output. Composition of neurons;
- Step 4.2 Divide the load data in the training sample data in step 3 by the corresponding temperature_monthly load factor K TM , temperature segment and holiday coefficient K WN , if it is the Spring Festival or National Day, and divide by the corresponding Chinese New Year coefficient K SP Or the National Day coefficient K ND , the result obtained as an input to the neural network.
- Step 4.3 Train the corresponding training samples, and calculate and calculate the parameters in the neural network. Explain the neural network of the book.
- the step 5 is specifically as follows:
- Step 5.1 Determine the date type to which the predicted sample load data belongs: If step 5.2 is for normal working day, step 5.3 is for normal holiday, and step 5.4 for Chinese New Year or National Day holiday;
- Step 5.2 Dividing the predicted sample load data in step 5 by the corresponding temperature one month load factor K TM as a neural network input;
- Step 5.3 dividing the predicted sample load data in step 5 by the corresponding temperature one month load factor K TM and the temperature segment one holiday coefficient K WN as the neural network input;
- Step 5.4 Divide the predicted sample load data in step 5 by the corresponding temperature one month load factor K TM , the temperature segment one holiday coefficient K WN , and the corresponding Chinese New Year coefficient K SP or National Day coefficient K ND as the neural network input.
- step 6 is specifically as follows:
- Step 6.1 Determine the date type of the forecast date: If step 6.2 is for normal working day, step 6.3 for normal holidays, and step 6.4 for Chinese New Year or National Day holiday;
- Step 6.2 Multiply the output result obtained in step 5 by the corresponding temperature monthly load factor K TM , and the prediction is completed;
- Step 6.3 multiplying the output result obtained in step 5 by the corresponding temperature_monthly load coefficient KTM and the temperature segment_holiday coefficient K WN , and the prediction is completed;
- Step 6.4 Multiply the output result obtained in step 5 by the corresponding temperature_monthly load factor K TM , temperature section holiday coefficient K WN and the corresponding Chinese New Year coefficient K SP or National Day coefficient K ND , and the prediction is completed.
- the method for short-term prediction of residential area load proposed by the present invention considers the influence of obvious complex factors such as temperature, common holidays, National Day, and Spring Festival, while other influences of fuzzy influence factors are considered by a neural network algorithm with self-learning ability;
- the obvious influencing factors and fuzzy influencing factors affecting the resident load are improved, and the accuracy of the prediction is improved.
- the invention proposes to separate the load data of the predicted sample data into the influencing factors, so that the result data separated by the influence effect of the obvious influence factors of the load is used as the input of the neural network, thereby ensuring that the fluctuation of the input data of the neural network input is small and reduced.
- the number of trainings speeds up the calculation. Multiplying the output of the neural network by the corresponding coefficient is the effect of adding significant influence factors, which is simple and accurate. That is, the speed of the calculation is increased and the accuracy of the load prediction is improved.
- the short-term prediction method of power system load proposed by the invention overcomes the difficulties of small residential area load data, large fluctuations, and many influencing factors on the basis of combining the above two factors, and improves the accuracy and operation speed of the residential area load prediction. It provides an effective and feasible method for the actual operation of residential area load forecasting.
Abstract
本发明公开了一种居民小区短期负荷预测方法，其特征在于，包括：步骤1：读取历史样本数据，对历史样本数据进行数据筛选；步骤2：得到一个负荷影响因素系数集；步骤3：构建神经网络负荷预测的训练样本集和预测样本集；步骤4：对训练样本集进行影响因素分离处理，得到训练后的神经网络；步骤5：对预测样本集也进行影响因素分离处理，将处理后得到的结果作为训练后的神经网络的输入，得到相应的输出结果；步骤6：对输出结果进行影响因素加入处理，得到未来一周的负荷预测数据。本发明克服了居民小区负荷数据小、波动大、影响因素繁多等难点，提高了居民小区负荷预测的精度和运算速度。
Description
说 明 书
一种居民小区短期负荷预测方法 技术领域
本发明涉及一种居民小区短期负荷预测方法，具体涉及一种基于影响因素挖掘的居民小 区短期负荷预测方法。 本发明属于电力系统负荷预测技术领域。
背景技术
电力负荷一般可以分为工业负荷、 商业负荷、 居民负荷等， 其中工商业负荷在电力负荷 中的比重比较高， 电网企业历来对这块的负荷预测比较重视， 并陆续建成了负荷控制系统和 用电信息采集系统以完成对工商业负荷的数据采集和负荷预测； 居民小区负荷由于分布比较 散、 规模偏小的特点， 一直采取的都是集中预测的方法， 这种方法缺点是精度不高， 尤其随 着居民家用电器的逐年增多、 电动自行车的普及和电动汽车的逐步推广， 居民小区用电负荷 呈现稳步增长的趋势和明显的季节性波动， 而且居民用电负荷数据比较小， 影响因素众多， 不同小区用电模式不同， 并且对不同影响因素的响应也不尽相同， 集中的预测方法很难高精 度的预测准确。
电力系统短期负荷预测的传统方法主要优点是模型简单、预测速度快， 但这些方法多是 线性模型， 很难描述负荷与影响因素之间非线性关系； 而且模型过于僵硬， 缺乏灵活性， 模 型参数难以及时、 准确的估计和调整。 针对居民小区这种负荷数据小、 影响因素多且非线性 的特点， 传统的方法就限制了预测精度的提高。
智能预测模型的典型代表是神经网络预测模型，神经网络是通过借鉴人脑对信息的处理 过程而创立的一种数学方法。 由于神经网络良好的学习能力和便于处理负荷及其影响因素之 间复杂非线性关系的特点， 使得其在短期负荷预测理论与方法的研究中得到了高度关注和广 泛应用。
虽然神经网络方法用于短期负荷预测已经取得了大量研究成果，但是该模型在实际应用 中仍然存在一些缺陷：
已有的祌经网络预测方法仅依据认为的经验非常粗略的选择一批历史样本用于预测模 型的构建， 这种简单的样本组织方法， 经常会引入很多不良样本， 对建模预测造成严重的干 扰， 影响了负荷预测精度的提高。
对于影响负荷变化因素（如温度因素、 节假日因素等） 的处理， 现有神经网络预测模型 都是将其作为一种输入变量， 这种处理方法由于无法准确描述该因素对于负荷变化的某种线 性或者非线性关系， 因此难以提高预测精度。
说 明 书 居民小区负荷数据比较小， 波动比较大； 而神经网络算法对波动较小的负荷预测样本数 据有很好的预测精度， 因此针对居民小区负荷预测神经网络算法还有待进一步改进。
发明内容
为解决现有技术的不足， 本发明的目的在于提供一种居民小区短期负荷预测方法。 为了实现上述目标， 本发明采用如下的技术方案：
一种居民小区短期负荷预测方法， 其特征在于， 包括：
步骤 1 :读取历史样本数据，所述历史包括电力部门提供的居民小区待预测日前 1年的负荷、 日期类型及温度数据， 对所述历史样本数据进行数据筛选；
步骤 2: 对步骤 1处理后得到的数据进行影响因素挖掘分析， 得到一个对应的负荷影响因素 系数集；
步骤 3 : 构建祌经网络负荷预测的训练样本集和预测样本集；
步骤 4: 利用步骤 2中形成的负荷影响因素系数集对训练样本集进行影响因素分离处理， 将 处理后得到的结果作为神经网络的输入， 通过训练得到训练后的神经网络；
步骤 5 : 对预测样本集也进行影响因素分离处理， 将处理后得到的结果作为训练后的神经网 络的输入， 得到相应的输出结果；
步骤 6: 在步骤 5的基础上对输出结果进行影响因素加入处理， 得到未来一周的负荷预测数 据。
前述的一种居民小区短期负荷预测方法， 其特征在于， 所述步骤 1包括- 步骤 1.1 : 对历史日负荷数据缺失量大于 20个点的日负荷数据进行整体删除； 并将一天中的 96个负荷点数据通过计算得到日平均负荷； 计算公式如下： ， 表示一天 96个时刻的负荷中第 i个时刻的负荷值； Z表示 96个时刻中缺失
点和坏点的个数； Pavdy表示日平均负荷值；
步骤 1.2: 对日最低温度和最高温度求取平均值， 得到日平均温度；
步骤 1.3 : 建立区分工作日和节假日的虚拟变量 D， D= (Di , D2， ... ...， Dn)， 当1^=1时， 表示第 i天为工作日，当 Di=0时，表示第 i天为休息日，当 =2时，表示第 i天为春节假日， 当 1 =3时， 表示第 i天为国庆假日， n为天数;
前述的一种居民小区短期负荷预测方法， 其特征在于， 所述步骤 2包括- 步骤 2.1 : 将步骤 1处理后得到的的负荷、温度数据按照日期类型不同分为工作日数据集和节 假日数据集；
说 明 书 步骤 2.2: 再分别对工作日数据集和节假日数据集按照 3个日平均温度段： -4~8°C、 9~25°C、 26~35°C , 对日平均负荷进行分类分析计算得到相应的温度段的节假日系数；
步骤 2.3 : 对工作日的日均负荷数据、 温度数据以及日期数据， 进行按月度归并， 形成相应的 负荷温度一月度负荷系数；
步骤 2.4: 针对春节和国庆假期下， 居民小区用户用电模式有区别于正常的休息日， 在除去温 度一月度负荷系数和正常节假日系数之后得到相应的春节系数 KSP和国庆系数 KND。
前述的一种居民小区短期负荷预测方法， 其特征在于， 所述步骤 2.3包括- 步骤 2.3.1 : 将日均负荷数据按照日平均温度和月份进行査找分类；
步骤 2.3.2: 将月份相同而且日平均温度相同的负荷数据归为一类并求取平均值；
步骤 2.3.3 : 取日平均温度为 16°C下的日均负荷数据求和并取平均值作为基准值；
步骤 2.3.4: 将步骤 2.3.2中所得数据均除以步骤 2.3.3中所的基准值形成一个按月度归并的负 荷温度一月度负荷系数集 KTM;
步骤 2.3.5: 针对步骤 2.3.4中形成的系数集中的空值进行填充和扩展形成完整的系数集。
前述的一种居民小区短期负荷预测方法， 其特征在于， 所述步骤 4包括：
步骤 4.1 : 确定神经网络结构： 神经网络由输入层、 隐含层和输出层组成， 输入层由代表输入 变量的祌经元组成， 隐含层由代表中间变量的神经元组成， 输出层由代表输出结果的神经元 组成；
步骤 4.2: 将步骤 3中的训练样本集中的负荷数据除以对应的温度一月度负荷系数 KTM、温度 段一节假日系数 KWN，如果是春节或者国庆还要除以对应的春节系数 KSP或者国庆系数 KND， 得到的结果作为神经网络的输入；
步骤 4.3 : 对相应的训练样本进行训练， 对神经网络中的各参数拟合计算， 得到训练后改进的 神经网络。
前述的一种居民小区短期负荷预测方法， 其特征在于， 所述步骤 5包括：
步骤 5.1 : 判断预测样本负荷数据所属的日期类型： 若为正常工作日进行步骤 5.2， 若为正常 节假日则进行步骤 5.3， 若为春节或者国庆节假日则进行步骤 5.4;
步骤 5.2: 将步骤 5中的预测样本集中的负荷数据除以相应的温度 _月度负荷系数 KTM，作为 神经网络输入；
步骤 5.3 :将步骤 5中的预测样本集中的负荷数据除以相应的温度一月度负荷系数 KTM和温度 段一节假日系数 KWN， 作为神经网络输入；
步骤 5.4: 将步骤 5中的预测样本集中的负荷数据除以相应的温度 _月度负荷系数 KTM、温度 段一节假日系数 KWN以及相应的春节系数 KSP或者国庆系数 KND， 作为神经网络输入。
说 明 书 前述的一种居民小区短期负荷预测方法， 其特征在于， 所述步骤 6包括：
步骤 6.1 : 判断预测日的日期类型： 若为正常工作日进行步骤 6.2， 若为正常节假日则进行步 骤 6.3， 若为春节或者国庆节假日则进行步骤 6.4;
步骤 6.2: 将步骤 5中的得到的神经网络输出结果， 乘以相应的温度一月度负荷系数 KTM， 预 测完成；
步骤 6.3: 则将步骤 5 中的得到的神经网络输出结果， 乘以相应的温度一月度负荷系数 KTM 和温度段一节假日系数 KWN， 预测完成；
步骤 6.4: 则将步骤 5中的得到的神经网络输出结果， 乘以相应的温度一月度负荷系数 KTM、 温度段一节假日系数 KWN以及相应的春节系数 KSP或者国庆系数 KND， 预测完成。
本发明提出了的居民小区负荷短期预测方法克服了居民小区负荷数据小、波动大、影响 因素繁多等难点， 提高了居民小区负荷预测的精度和运算速度， 对居民小区负荷预测的实际 操作提供了有效可行的方法。
附图说明
图 1为本发明的短期负荷预测方法的总体流程图；
图 2为影响因素挖掘分析模块流程图；
图 3为祌经网络算法流程图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
图 1是本方法的短期电力负荷预测方法的总体流程图。 具体包括如下步骤：
步骤 1 : 读取历史样本数据包括： 读取电力部门提供的某小区待预测日前 1年的负荷、 日期类型及温度数据， 并做有效数据筛选；
步骤 2: 对步骤 1 中形成的数据进行影响因素挖掘分析得到一个对应的负荷影响因素系 数集；
步骤 3 : 构建神经网络负荷预测的训练样本集和预测样本集；
步骤 4: 利用步骤 2中形成的负荷影响因素系数集对训练样本集进行影响因素分离处理 得到的结果作为神经网络的输入， 通过训练得到训练后的神经网络；
步骤 5 : 对预测样本集也进行影响因素分离处理作为训练后的神经网络的输入， 得到相 应的输出结果。
步骤 6: 在步骤 5的基础上对输出结果进行影响因素加入处理得到未来一周的负荷预测 数据。
所述的步骤 1具体为：
步骤 1.1 : 对历史日负荷数据缺失量大于 20个点的日负荷数据进行整体删除； 并将一天 96个负荷点数据通过计算得到日平均负荷； 计算公式如下：
P a.vdy
96-
表示一天 96个时刻的负荷中第 i个时刻的负荷值；
z表示 96个时刻中缺失点和坏点的个数；
Pavdy表示日平均负荷值。
步骤 1.2: 对日最低和最高温度求取平均值得到日平均温度；
步骤 1.3: 建立区分工作日和节假日的虚拟变量 D= (Di, D2 ... ... Dn)， 当 1^=1时， 表示第 i天为工作日 当 D^O时，表示第 i天为休息日 当 D1=2时，表示第 i天为春节假日， 当1^=3时， 表示第 i天为国庆假日， n为天数；
图 2为影响因素挖掘分析模块流程图， 主要阐述步骤 2具体过程：
步骤 2.1 : 将预处理之后的负荷、温度数据按照日期类型不同分为工作日数据集和节假日 步骤 2.2:再分别对工作日数据集和节假日数据集按照 3个日平均温度段: 4-8 °C 9-25 °C 26-35 °C , 将日平均负荷进行分类分析计算得到相应的温度段的节假日系数， 计算过程如下:
Δ - ∑ P2 avdy
其中 Awdl,Awd2,Awd3和 3 (wd表示工作日， wn表示休息日， 1,2,3表示温度 段） 分别表示每个温度段里的负荷值的平方和；
Pavdy (i) 表示每个温度段中第 i个日平均负荷值。
计算各个温度段的负荷的均方根：
其中 Pwdi,Pwd2,Pwd3和 Pwni,Pwn2,Pwn3 (wd表示工作日， wn表示休息日， 1,2,3表示温度段） 分别表示每个温度段的负荷均方根；
Nwdl,Nwd2,Nwd3和 Nwnl,Nwn2,Nwn3 (wd表示工作日， wn表示休息日， 1,2,3表示温度段） 分别表示每个温度段中负荷非零值的个数。
其他 Pwd2,Pwd3和 Pwni,Pwn2,Pwn3以上述公式类推。
计算出温度段对应的节假日系数-
其中 KWN1，KWN2,KWN3分别表示三个温度段一节假日系数。
步骤 2.3 : 对工作日的日均负荷数据集、温度数据集以及日期数据， 进行按月度归并形成 相应的负荷温度一月度负荷系数； 具体步骤如下：
2.3.1： 将日均负荷数据按照日平均温度和月份进行査找分类；
2.3.2： 将月份相同而且日平均温度相同的负荷数据归为一类并求取平均值；
2.3.3： 取日平均温度为 16°C下的日均负荷数据求和并取平均值作为基准值；
2.3.4： 将 2.3.2中所得数据均除以 2.3.3中所的基准值形成一个按月度归并的负荷温度一 月度负荷系数集 KTM;
2.3.5：针对 2.3.4中形成的系数集中的空值进行填充和扩展形成完整的温度一月度负荷系 数集 KTM。
步骤 2.4: 针对春节和国庆 7天假期下， 居民小区用户用电模式有区别于正常的休息日， 在除去温度一月度负荷系数和正常节假日系数之后得到相应的春节系数 KSP和国庆系数 KND。
图 3为神经网络算法流程图。 主要阐述步骤 4、 5的具体过程：
步骤 4.1 : 确定神经网络结构： 神经网络由输入层、 隐含层和输出层组成， 输入层代表输 入变量的神经元组成， 隐含层由代表中间变量的神经元组成， 输出层由代表输出结果的神经 元组成；
步骤 4.2:将步骤 3中的训练样本数据中的负荷数据除以对应的温度 _月度负荷系数 KTM、 温度段一节假日系数 KWN， 如果是春节或者国庆还要除以对应的春节系数 KSP或者国庆系数 KND， 得到的结果作为神经网络的输入。
步骤 4.3 : 对相应的训练样本进行训练， 对神经网络中的各参数拟合计算， 得到训练后改
说 明 书 进的神经网络。
所述的步骤 5具体为：
步骤 5.1 : 判断预测样本负荷数据所属的日期类型： 若为正常工作日进行步骤 5.2， 若为 正常节假日则进行步骤 5.3， 若为春节或者国庆节假日则进行步骤 5.4;
步骤 5.2: 将步骤 5中的预测样本负荷数据除以相应温度一月度负荷系数 KTM，作为神经 网络输入；
步骤 5.3 :将步骤 5中的预测样本负荷数据除以相应温度一月度负荷系数 KTM和温度段一 节假日系数 KWN， 作为神经网络输入；
步骤 5.4: 将步骤 5中的预测样本负荷数据除以相应的温度一月度负荷系数 KTM、温度段 一节假日系数 KWN以及相应的春节系数 KSP或者国庆系数 KND， 作为神经网络输入。
结合图 1， 所述的步骤 6具体为：
步骤 6.1 : 判断预测日的日期类型： 若为正常工作日进行步骤 6.2， 若为正常节假日则进 行步骤 6.3， 若为春节或者国庆节假日则进行步骤 6.4;
步骤 6.2: 将步骤 5中的得到的输出结果， 乘以相应的温度一月度负荷系数 KTM， 预测完 成；
步骤 6.3 :则将步骤 5中的得到的输出结果，乘以相应的温度_月度负荷系数 KTM和温度 段_节假日系数 KWN， 预测完成；
步骤 6.4: 则将步骤 5中的得到的输出结果， 乘以相应的温度_月度负荷系数 KTM、温度 段一节假日系数 KWN以及相应的春节系数 KSP或者国庆系数 KND， 预测完成。
本发明提出了的居民小区负荷短期预测方法考虑了温度、 普通节假日、 国庆、 春节这些 明显复杂因素的影响， 而其他模糊影响因素影响则是通过有自学习能力神经网络算法加以考 虑； 这样综合考虑了影响居民负荷的明显影响因素和模糊影响因素， 提高预测的精度。
本发明提出将预测样本数据的负荷数据做影响因素分离处理， 这样将负荷的明显影响因 素的影响效果分离所得结果数据作为神经网络的输入， 这样保证神经网络输入样本数据波动 较小， 减小了训练次数加快了运算速度。 在神经网络的输出结果中乘以相应的系数， 则是加 入明显影响因素的影响效果， 这样即简单又准确。 即加快了运算速度又提高了负荷预测的精 度。
本发明提出的电力系统负荷短期预测方法， 在综合以上两方面因素的基础上， 克服了居 民小区负荷数据小、 波动大、 影响因素繁多等难点， 提高了居民小区负荷预测的精度和运算 速度， 对居民小区负荷预测的实际操作提供了有效可行的方法。
以上显示和描述了本发明的基本原理、 主要特征和优点。 本行业的技术人员应该了解，
说 明 书 上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案， 均落在本发明的保护范围内。
Claims
1. 一种居民小区短期负荷预测方法， 其特征在于， 包括：
步骤 1 :读取历史样本数据，所述历史包括电力部门提供的居民小区待预测日前 1年的负荷、 日期类型及温度数据， 对所述历史样本数据进行数据筛选；
步骤 2: 对步骤 1处理后得到的数据进行影响因素挖掘分析， 得到一个对应的负荷影响因素 系数集；
步骤 3 : 构建祌经网络负荷预测的训练样本集和预测样本集；
步骤 4: 利用步骤 2中形成的负荷影响因素系数集对训练样本集进行影响因素分离处理， 将 处理后得到的结果作为神经网络的输入， 通过训练得到训练后的神经网络；
步骤 5 : 对预测样本集也进行影响因素分离处理， 将处理后得到的结果作为训练后的神经网 络的输入， 得到相应的输出结果；
步骤 6: 在步骤 5的基础上对输出结果进行影响因素加入处理， 得到未来一周的负荷预测数 据。
2. 根据权利要求 1所述的一种居民小区短期负荷预测方法， 其特征在于， 所述步骤 1包括 : 步骤 1.1 : 对历史日负荷数据缺失量大于 20个点的日负荷数据进行整体删除； 并将一天中的 96个负荷点数据通过计算得到日平均负荷； 计算公式如下：
― ， 表示一天 96个时刻的负荷中第 i个时刻的负荷值； Z表示 96个时刻中缺失
点和坏点的个数； Pavdy表示日平均负荷值；
步骤 1.2: 对日最低温度和最高温度求取平均值， 得到日平均温度；
步骤 1.3 : 建立区分工作日和节假日的虚拟变量 D， D= (Di , D2， ……， Dn)， 当1^=1时， 表示第 i天为工作日，当 Di=0时，表示第 i天为休息日，当 Di=2时，表示第 i天为春节假日， 当 1 =3时， 表示第 i天为国庆假日， n为天数;
3. 根据权利要求 2所述的一种居民小区短期负荷预测方法， 其特征在于， 所述步骤 2包括: 步骤 2.1 : 将步骤 1处理后得到的的负荷、温度数据按照日期类型不同分为工作日数据集和节 假日数据集；
步骤 2.2: 再分别对工作日数据集和节假日数据集按照 3个日平均温度段： -4~8°C、 9-25 °C , 26~35°C， 对日平均负荷进行分类分析计算得到相应的温度段的节假日系数；
步骤 2.3 : 对工作日的日均负荷数据、 温度数据以及日期数据， 进行按月度归并， 形成相应的 负荷温度一月度负荷系数；
权 利 要 求 书
步骤 2.4: 针对春节和国庆假期下， 居民小区用户用电模式有区别于正常的休息日， 在除去温 度一月度负荷系数和正常节假日系数之后得到相应的春节系数 KSP和国庆系数 KND。
4. 根据权利要求 3所述的一种居民小区短期负荷预测方法，其特征在于，所述步骤 2.3包括： 步骤 2.3.1 : 将日均负荷数据按照日平均温度和月份进行査找分类；
步骤 2.3.2: 将月份相同而且日平均温度相同的负荷数据归为一类并求取平均值；
步骤 2.3.3 : 取日平均温度为 16°C下的日均负荷数据求和并取平均值作为基准值；
步骤 2.3.4: 将步骤 2.3.2中所得数据均除以步骤 2.3.3中所的基准值形成一个按月度归并的负 荷温度一月度负荷系数集 KTM;
步骤 2.3.5: 针对步骤 2.3.4中形成的系数集中的空值进行填充和扩展形成完整的系数集。
5. 根据权利要求 4所述的一种居民小区短期负荷预测方法， 其特征在于， 所述步骤 4包括: 步骤 4.1 : 确定神经网络结构： 神经网络由输入层、 隐含层和输出层组成， 输入层由代表输入 变量的神经元组成， 隐含层由代表中间变量的神经元组成， 输出层由代表输出结果的神经元 组成；
步骤 4.2: 将步骤 3中的训练样本集中的负荷数据除以对应的温度一月度负荷系数 KTM、温度 段一节假日系数 KWN，如果是春节或者国庆还要除以对应的春节系数 KSP或者国庆系数 KND， 得到的结果作为神经网络的输入；
步骤 4.3 : 对相应的训练样本进行训练， 对神经网络中的各参数拟合计算， 得到训练后改进的 神经网络。
6. 根据权利要求 5所述的一种居民小区短期负荷预测方法， 其特征在于， 所述步骤 5包括: 步骤 5.1 : 判断预测样本负荷数据所属的日期类型： 若为正常工作日进行步骤 5.2， 若为正常 节假日则进行步骤 5.3， 若为春节或者国庆节假日则进行步骤 5.4;
步骤 5.2: 将步骤 5中的预测样本集中的负荷数据除以相应的温度一月度负荷系数 KTM，作为 神经网络输入；
步骤 5.3 :将步骤 5中的预测样本集中的负荷数据除以相应的温度一月度负荷系数 KTM和温度 段一节假日系数 KWN， 作为神经网络输入；
步骤 5.4: 将步骤 5中的预测样本集中的负荷数据除以相应的温度一月度负荷系数 KTM、温度 段一节假日系数 KWN以及相应的春节系数 KSP或者国庆系数 KND， 作为神经网络输入。
7. 根据权利要求 6所述的一种居民小区短期负荷预测方法， 其特征在于， 所述步骤 6包括: 步骤 6.1 : 判断预测日的日期类型： 若为正常工作日进行步骤 6.2， 若为正常节假日则进行步 骤 6.3， 若为春节或者国庆节假日则进行步骤 6.4;
权 利 要 求 书
步骤 6.2: 将步骤 5中的得到的神经网络输出结果， 乘以相应的温度一月度负荷系数 KTM， 预 测完成；
步骤 6.3: 则将步骤 5 中的得到的神经网络输出结果， 乘以相应的温度一月度负荷系数 KTM 和温度段一节假日系数 KWN， 预测完成；
步骤 6.4: 则将步骤 5中的得到的神经网络输出结果， 乘以相应的温度一月度负荷系数 KTM、 温度段一节假日系数 KWN以及相应的春节系数 KSP或者国庆系数 KND， 预测完成。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013106466316 | 2013-12-06 | ||
| CN201310646631.6A CN103854068B (zh) | 2013-12-06 | 2013-12-06 | 一种居民小区短期负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2015081660A1 true WO2015081660A1 (zh) | 2015-06-11 |
Family
ID=50861698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2014/077109 WO2015081660A1 (zh) | 2013-12-06 | 2014-05-09 | 一种居民小区短期负荷预测方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN103854068B (zh) |
| WO (1) | WO2015081660A1 (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103854068B (zh) * | 2013-12-06 | 2017-02-08 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
| CN104318322B (zh) * | 2014-10-11 | 2017-07-28 | 中国南方电网有限责任公司 | 基于农历日期的节假日负荷预测方法 |
| CN104636822B (zh) * | 2015-01-21 | 2018-08-31 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的居民负荷预测方法 |
| CN106033425A (zh) * | 2015-03-11 | 2016-10-19 | 富士通株式会社 | 数据处理设备和数据处理方法 |
| CN106547481B (zh) * | 2016-09-29 | 2020-04-10 | 浙江宇视科技有限公司 | 一种数据预分配方法和设备 |
| CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测系统 |
| CN106934497B (zh) * | 2017-03-08 | 2021-04-16 | 青岛卓迅电子科技有限公司 | 基于深度学习的智慧小区用电量实时预测方法及装置 |
| CN107423839A (zh) * | 2017-04-17 | 2017-12-01 | 湘潭大学 | 一种基于深度学习的智能楼宇微网负荷预测的方法 |
| CN107103387B (zh) * | 2017-04-25 | 2021-06-25 | 国网江苏省电力公司泰州供电公司 | 一种基于户均设备总功率及入住系数的负荷预测方法 |
| CN107194502B (zh) * | 2017-05-04 | 2020-10-23 | 山东大学 | 一种居民用户电力负荷预测方法 |
| CN108898259A (zh) * | 2018-07-10 | 2018-11-27 | 国网山东省电力公司济宁供电公司 | 基于多因素综合的自适应进化规划电力负荷预测方法及系统 |
| CN109086930B (zh) * | 2018-07-27 | 2021-01-22 | 广东电网有限责任公司 | 一种基于电力k线图及深度网络的用户用电行为分析方法 |
| CN110838018A (zh) * | 2018-08-16 | 2020-02-25 | 中国移动通信集团浙江有限公司 | 节假日期间小区最大用户数预测方法及装置 |
| CN110782094B (zh) * | 2019-10-28 | 2022-06-21 | 国网江苏省电力有限公司苏州供电分公司 | 一种居民用户细粒度用电行为的分项负荷预测方法 |
| CN110852511B (zh) * | 2019-11-13 | 2023-09-22 | 苏文电能科技股份有限公司 | 基于天气温度与k邻近理论的居民短期用电预测方法 |
| CN111091232B (zh) * | 2019-11-25 | 2023-02-03 | 黑龙江电力调度实业有限公司 | 一种考虑用电需求变化趋势的电力负荷预测方法 |
| CN111242393A (zh) * | 2020-03-09 | 2020-06-05 | 南京中电科能技术有限公司 | 一种自适应权重的综合短期用电负荷预测方法 |
| CN117495055A (zh) * | 2023-12-28 | 2024-02-02 | 国网辽宁省电力有限公司 | 基于综合能源集群协调智能配电装置及其方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101288089A (zh) * | 2005-07-28 | 2008-10-15 | 西门子电力输送及配电有限公司 | 基于负荷预测的神经网络的在线和离线训练 |
| CN101383023A (zh) * | 2008-10-22 | 2009-03-11 | 西安交通大学 | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 |
| CN103854068A (zh) * | 2013-12-06 | 2014-06-11 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073922A (zh) * | 2010-12-10 | 2011-05-25 | 沈阳工业大学 | 基于影响因素筛选的短期负荷预测方法 |
| CN202838402U (zh) * | 2012-10-18 | 2013-03-27 | 安徽工程大学 | 一种短期电力负荷预测系统 |
| CN102930354B (zh) * | 2012-11-06 | 2016-08-10 | 北京国电通网络技术有限公司 | 一种小区用电预测方法及装置 |
| CN103093285A (zh) * | 2013-01-22 | 2013-05-08 | 清华大学 | 基于人工神经网络的短期负荷预测方法 |
-
2013
- 2013-12-06 CN CN201310646631.6A patent/CN103854068B/zh active Active
-
2014
- 2014-05-09 WO PCT/CN2014/077109 patent/WO2015081660A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101288089A (zh) * | 2005-07-28 | 2008-10-15 | 西门子电力输送及配电有限公司 | 基于负荷预测的神经网络的在线和离线训练 |
| CN101383023A (zh) * | 2008-10-22 | 2009-03-11 | 西安交通大学 | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 |
| CN103854068A (zh) * | 2013-12-06 | 2014-06-11 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103854068B (zh) | 2017-02-08 |
| CN103854068A (zh) | 2014-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2015081660A1 (zh) | 一种居民小区短期负荷预测方法 | |
| CN107730031B (zh) | 一种超短期高峰负荷预测方法及其系统 | |
| CN105069525B (zh) | 全天候96点日负荷曲线预测及优化修正系统 | |
| CN109858728B (zh) | 基于分行业用电特性分析的负荷预测方法 | |
| WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
| CN106910144B (zh) | 基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法 | |
| CN102999791A (zh) | 一种电力行业中基于客户分群的电力负荷预测方法 | |
| CN103093285A (zh) | 基于人工神经网络的短期负荷预测方法 | |
| Han et al. | Energy saving of buildings for reducing carbon dioxide emissions using novel dendrite net integrated adaptive mean square gradient | |
| CN110503256A (zh) | 基于大数据技术的短期负荷预测方法及系统 | |
| CN106022954A (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
| CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
| CN104537433A (zh) | 基于存量容量与业扩报装特征的售电量预测方法 | |
| CN107423836A (zh) | 基于体感温度的短期负荷预测方法 | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
| CN110570041A (zh) | 一种基于ap聚类的远景年典型日负荷预测方法 | |
| CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
| CN108053066A (zh) | 工业生产用户能源管理系统中可调电力负荷的预测方法 | |
| 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 | |
| CN112307675B (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及系统 | |
| CN110751312A (zh) | 一种基于多因子的系统动力学生活需水预测方法和系统 | |
| CN109993354A (zh) | 一种针对能源消费量预测的方法 | |
| CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
| CN112288187A (zh) | 一种基于大数据的售电量预测方法 | |
| 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 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 14866996 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 14866996 Country of ref document: EP Kind code of ref document: A1 |