[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110175705B - 一种负荷预测方法及包含该方法的存储器、系统 - Google Patents

一种负荷预测方法及包含该方法的存储器、系统 Download PDF

Info

Publication number
CN110175705B
CN110175705B CN201910373982.1A CN201910373982A CN110175705B CN 110175705 B CN110175705 B CN 110175705B CN 201910373982 A CN201910373982 A CN 201910373982A CN 110175705 B CN110175705 B CN 110175705B
Authority
CN
China
Prior art keywords
historical
classification
data
cluster
historical 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.)
Active
Application number
CN201910373982.1A
Other languages
English (en)
Other versions
CN110175705A (zh
Inventor
孙立明
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.)
Guangzhou Shuimu Qinghua Technology Co ltd
Original Assignee
Guangzhou Shuimu Qinghua Technology 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 Guangzhou Shuimu Qinghua Technology Co ltd filed Critical Guangzhou Shuimu Qinghua Technology Co ltd
Priority to CN201910373982.1A priority Critical patent/CN110175705B/zh
Publication of CN110175705A publication Critical patent/CN110175705A/zh
Application granted granted Critical
Publication of CN110175705B publication Critical patent/CN110175705B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电力负荷预测方法，该方法根据是否节假日对数据进行初步划分，根据温度、湿度、风速对初步划分的结果聚类进行二次划分，得到多个小分类；然后，对各个小分类进行多项式拟合得到多个拟合函数；最后根据每个分类整合成最终的预测函数。本发明有效地将多项式拟合算法进行了改进，可在保证预测算法的简单可操作情况下，提高算法的准确性。

Description

一种负荷预测方法及包含该方法的存储器、系统
技术领域
本发明涉及智能电网中的电力负荷预测领域，尤其涉及一种负荷预测方法及包含该方法的存储器、系统。
背景技术
电力负荷预测作为电力系统运行的基础，可指导电力设备的配置和电力的供应。预测的准确度直接关系着整个电力系统的效应，如果预测结果比实际值低，电力需求无法被满足，将出现规模性的停电，严重时甚至导致系统瘫痪；如果预测结果比实际值高，配置的电力设备将被闲置，从而造成资源浪费。
传统对中长期电力负荷的预测采用经验方法，“自上而下分猪肉”或者是“自下而上拼盘子”，理论性较弱，分配的结果全凭经验决定。而在智能电力领域中，主要应用了神经网络算法，采用历史数据训练神经网络以寻找与历史数据相接近的情况，从而对具有相同气象因素的日期电力负荷进行预测，但是预测模型未能重视节假日电力与工作日电力的区别，而关注到节假日与工作日用电区别的又常常赋予主观的权值，致使预测的可信度降低。同时，现有的智能算法还面临了模型复杂的问题，致使运算量较大，需要多种智能算法配合，才能提高算法的收敛速度，因此无法避免存储资源使用较大，计算时间长的问题，致使电力负荷预测方法迟迟得不到广泛的推广应用。
发明内容
为了克服现有技术中经验方法的盲目性，智能预测算法的主观性、系统复杂性、效率性的问题，本发明提供了一种负荷预测方法，以解决上述问题。
本发明的目的采用以下技术方案实现：
一种负荷预测方法，其特征在于包括以下步骤：
S1：采集历史日期的历史数据，所述历史数据包括历史负荷数据以及与所述历史负荷数据对应的历史气象数据，所述历史气象数据包括温度、湿度、风速；
S2：将属于工作日的所述历史日期的所述历史数据归为第一分类，将属于非工作日的所述历史日期的所述历史数据归为第二分类；
S3:获得所述第一分类的历史数据的p个聚类集合，所述第二分类的历史数据的q个聚类集合；
S4:拟合所述聚类集合，获得与所述第一分类相关的函数
Figure BDA0002051011900000021
获得与所述第二分类相关的函数
Figure BDA0002051011900000022
S5:根据聚类集合在时期内出现的次数与第一分类或第二分类历史数据数量比，计算所述聚类集合的贡献概率
Figure BDA0002051011900000023
及
Figure BDA0002051011900000024
获得第一输出函数
Figure BDA0002051011900000025
获得第二输出函数
Figure BDA0002051011900000026
S6：输入预测日期，将所述预测日期映射至所述历史日期T；
S7：将所述历史日期T输入所述第一输出函数或所述第二输出函数，获得预测负荷。
进一步地，在步骤S1中，采集时先对所述历史数据进行清洗。
进一步地，在步骤S3中，采用欧式距离计算法获得所述聚类集合。
进一步地，所述欧式距离计算法包含以下步骤：
S31：于所述第一分类或所述第二分类中，取p个或q个初始点Zi(xi,yi,zi)，其中i≤n或m，i为正整数，xi为温度，yi为湿度，zi为风速；将所述点Zi(xi,yi,zi)设为初始聚类中心；
S32：依次计算第一分类或第二分类中任一个点Pf(xf,yf,zf)到所述聚类中心的最短距离，根据最短距离原则获得p个或q个聚类；
S33：计算每个聚类的聚类中心，新的聚类中心就是类中数据对象距离的平均值，新的聚类中心记为Zi(xi,yi,zi)；
S34：若达到终止条件，则停止计算，否则返回S32步骤。
进一步地，步骤S34的所述终止条件是已经达到设定的最大迭代次数或步骤S33计算的所述新的聚类中心，相对于步骤S32中的所述的聚类中心不再更改。
进一步地，所述相关的函数为多项式函数。
进一步地，采用智能算法求解所述多项式函数的系数。
进一步地，采用求偏导数的方法求解所述多项式函数的系数。
进一步地，还包括将历史数据输入所述第一输出函数和所述第二输出函数，计算均方误差值、相对误差最大值、相对误差最小值；对拟合结果进行评价。
本发明还包括了一种负荷预测系统，其方案如下：
一种负荷预测系统，包括数据预处理模块，多项式拟合模块，预测日期输入模块，负荷预测输出模块；
数据预处理模块，用于采集历史日期的历史数据，所述历史数据包括历史负荷数据以及与所述历史负荷数据对应的历史气象数据，所述历史气象数据包括温度、湿度、风速；
聚类模块，用于处理所述数据预处理模块输出的历史数据，将属于工作日的所述历史日期的所述历史数据归为第一分类，将属于非工作日的所述历史日期的所述历史数据归为第二分类；获得所述第一分类的历史数据的p个聚类集合，所述第二分类的历史数据的q个聚类集合；
多项式拟合模块，用于拟合所述聚类集合，获得与所述第一分类相关的函数
Figure BDA0002051011900000041
获得与所述第二分类相关的函数
Figure BDA0002051011900000042
根据聚类集合在时期内出现的次数与第一分类或第二分类历史数据数量比，计算所述聚类集合的贡献概率
Figure BDA0002051011900000043
及
Figure BDA0002051011900000044
获得第一输出函数
Figure BDA0002051011900000045
获得第二输出函数
Figure BDA0002051011900000046
预测日期输入模块，用于输入预测日期，将所述预测日期映射至所述历史日期T；
负荷预测输出模块，用于存储第一输出函数
Figure BDA0002051011900000047
及第二输出函数
Figure BDA0002051011900000048
将所述历史日期T输入所述第一输出函数或所述第二输出函数，获得预测负荷。
本发明还包括了一种存储器，存储器中存储有负荷预测方法。
相比现有技术，本发明的有益效果在于：
(1)本发明根据影响电力负荷的多个因子，即是否节假日、温度、湿度、风速，对数据进行聚类，聚类相对简单直观，可根据经验选择初始聚类中心及聚类个数，聚类的效果可直接检验。
(2)本发明最终的预测函数，考虑了每个预测函数出现的概率，即考虑了每个聚类对预测时间电力负荷量的贡献率，结果更为准确、可靠。
附图说明
图1：为本发明的负荷预测方法；
图2：为图1所示的数据预处理模块；
图3：为图1所示的聚类模块；
图4：为图1的多项式拟合模块；
图5：为图1的校验模块。
具体实施方式
本发明提供一种负荷预测方法。将影响电力负荷的几大因素提取出来，并以此作为聚类的依据，再针对各个聚类结果进行多项式拟合得到多个函数，最后根据聚类的贡献率整合成最终的预测函数。本发明有效地将多项式拟合算法进行了改进，在保证预测算法的简单可操作情况下，提高了算法的准确性。下面，结合附图以及具体实施方式，对本发明做进一步描述：
本发明通过主成分分析法对数据进行分析，得到了温度、湿度、风速是影响电力负荷的重要因素，并且在同一气候当中，工作日与非工作日的电力负荷具有显著的区别。因此，采集了一段历史日期的历史数据作为预测函数训练的基础，历史数据包括历史负荷数据以及与历史负荷数据对应的历史气象数据，历史气象数据包括温度、湿度、风速。历史数据的采集时间要接近预测日期，并且需尽量获取较长时间的历史数据。且预测函数需要定时更新，预测前可根据情况选择是否对模型进行修正，如预测2030年5月1日的用电量，选择2010-2019年的4、5月份的数据作为历史数据，这显然是不合适的，一旦2019-2029年气候有明显变化，模型的预测效果就会很不准确。
参见附图2，历史数据采集后，历史数据中可能出现数据残缺，如缺少温度、湿度、风速中的一项或多项，也可能出现在连续的历史日期中出现了一个异常高或异常低的电力负荷，在获取历史数据时，需要对以上异常数据进行剔除，即对历史数据进行清洗，获得具有参考价值的历史数据。历史数据的清洗方法包括但不限于以下方法：值缺失检测法、错误值检测法、重复记录检测法、不一致性检测法。由于工作日与非工作日的主要用电主体、设备均不一致，因此需要对工作日与非工作日的负荷预测加以区别。将属于工作日的所述历史日期的所述历史数据归为第一分类，将属于非工作日的所述历史日期的所述历史数据归为第二分类。
参见附图3，采用聚类算法获得所述第一分类的历史数据的p个聚类集合，所述第二分类的历史数据的q个聚类集合。所述的聚类算法包括但不限于K-Means聚类法、均值漂移聚类、基于密度的聚类方法、用高斯混合模型的最大期望聚类、凝聚层次聚类、图团体检测聚类法。
本发明充分利用了传统经验，选择气候迥异点作为聚类的初始点可以有效地提高计算效率，并且使得计算结果符合客观规律。所述的经验法可以是中国二十四节气也可以是根据历史时间、地域特点统计的天气改变关键节点。并采用欧式距离计算法计算聚类。
即在所述第一分类或所述第二分类中，取p个或q个初始点Zi(xi,yi,zi)，其中i≤n或m，i为正整数，xi为温度，yi为湿度，zi为风速；将所述点Zi(xi,yi,zi)设为初始聚类中心。
启动聚类算法，第一分类或第二分类中任一个点Pf(xf,yf,zf)到所述聚类中心的最短距离：
Figure BDA0002051011900000071
根据该最短距离的计算，即可获得该任意点距离哪一个聚类中心的距离最短，从而将该任意点与其最短距离的聚类中心归为一类。将所有的历史数据点均按照以上方法计算，即可在第一分类中获得p个聚类；在第二分类中获得q个聚类。
重新计算每个聚类的聚类中心，新的聚类中心就是类中数据对象距离的平均值，新的聚类中心记为Zi(xi,yi,zi)：
Figure BDA0002051011900000072
其中n表示在该聚类中的历史数据的个数。
将获得的新的聚类中心代入聚类算法，重新启动所述聚类算法进行计算，当已经达到设定的最大迭代次数或聚类中心不再更改则停止计算，输出聚类结果。
参见附图4，启动拟合算法获得对上述聚类的曲线拟合，拟合算法包括但不限于以下方法：拉格朗日插值法、牛顿插值法、牛顿迭代法、区间二分法、弦截法、雅克比迭代法和牛顿科特斯数值积分法。
本发明采用多项式拟合对每个聚类的电力负荷进行预测，在拟合前，由于已经对数据进行了聚类处理，预测过程可以不再考虑温度、湿度、风速的影响，在保证预测准确度的同时，简化了预测模型的复杂度：
Figure BDA0002051011900000081
(第一分类相关函数)
Figure BDA0002051011900000082
(第二分类相关函数)
其中max是一个精度指标，其取值可以自定义，但是并不是越高越好，一般说来，选择次数越高样本数据的结果更好，但是测试数据的结果反而会下降。在本发明中max的取值范围为10至100，优选为25。
所述第一分类相关函数及第二分类相关函数的系数求解可以采用遗传算法、粒子群法或模拟退火算法等。
在本发明中由于数据样本充分采用效率高的偏导法，即构造距离公式求最小值：
令
Figure BDA0002051011900000083
当
Figure BDA0002051011900000084
最小时，同样是距离最小，由于最小值即偏导数为零处，即：
Figure BDA0002051011900000085
可获得max个偏导方程，需要获得至少max个历史数据即能获得相关函数的系数，从而获得第一分类相关的函数
Figure BDA0002051011900000086
获得与所述第二分类相关的函数
Figure BDA0002051011900000087
然而每一个聚类在一定的时期内对负荷预测的影响是不一致的，因此要计算出每一个聚类的贡献概率。每一聚类的贡献概率可以采用在一段时期内，该聚类在该段时间出现的次数与总时间比获得。具体而言贡献概率为任一聚类中的历史数据个数与第一分类或第二分类中的所述历史数据个数的比值：
Figure BDA0002051011900000091
当为第一分类时o＝n，当为第二分类时o＝m。从而获得所述聚类集合的贡献概率
Figure BDA0002051011900000092
及
Figure BDA0002051011900000093
获得第一输出函数
Figure BDA0002051011900000094
获得第二输出函数
Figure BDA0002051011900000095
由于在同一年度，某一聚类对负荷的影响也是不尽一致的，因此还需要在计算比值上加入影响因子ai，即：
Figure BDA0002051011900000096
Figure BDA0002051011900000097
获得第一输出函数
Figure BDA0002051011900000098
获得第二输出函数
Figure BDA0002051011900000099
在预测过程中，用户输入预测日期，将所述预测日期映射至所述历史日期T；所述映射包含但不限于以下方法:同属于年度的某一日期或属于农历的某一日期。
将所述历史日期T输入所述第一输出函数或所述第二输出函数，获得预测负荷。
参见附图5，还包括将历史数据输入所述第一输出函数和所述第二输出函数，计算均方误差值、相对误差最大值、最小值；对拟合结果进行评价。通过评价方法，可以获得第一输出函数和第二输出函数的准确度。以便适时进行调整。
进一步地，所述的第一输出函数及第二输出函数应当定时更新，即在执行若干年后或气候产生了变化时，重新采集历史数据调整第一输出函数及第二输出函数，以便其能长期满足预测要求。
本发明包含了一种存储器，存储器可以将负荷预测方法存储其中。
本发明的方案还包括一种负荷预测系统，参见附图1，包括数据预处理模块，聚类模块，多项式拟合模块，预测日期输入模块，负荷预测输出模块。
参见附图2，数据预处理模块，用于采集历史日期的历史数据，所述历史数据包括历史负荷数据以及与所述历史负荷数据对应的历史气象数据，所述历史气象数据包括温度、湿度、风速。
参见附图3，聚类模块，用于处理所述数据预处理模块输出的历史数据，将属于工作日的所述历史日期的所述历史数据归为第一分类，将属于非工作日的所述历史日期的所述历史数据归为第二分类；获得所述第一分类的历史数据的p个聚类集合，所述第二分类的历史数据的q个聚类集合；
参见附图4，多项式拟合模块，用于拟合所述聚类集合，获得与所述第一分类相关的函数
Figure BDA0002051011900000101
获得与所述第二分类相关的函数
Figure BDA0002051011900000102
根据聚类集合在时期内出现的次数与第一分类或第二分类历史数据数量比，计算所述聚类集合的贡献概率
Figure BDA0002051011900000103
及
Figure BDA0002051011900000104
获得第一输出函数
Figure BDA0002051011900000105
获得第二输出函数
Figure BDA0002051011900000106
预测日期输入模块，用于输入预测日期，将所述预测日期映射至所述历史日期T。
负荷预测输出模块，用于存储第一输出函数
Figure BDA0002051011900000111
及第二输出函数
Figure BDA0002051011900000112
将所述历史日期T输入所述第一输出函数或所述第二输出函数，获得预测负荷。
在数据预处理模块中，采集的历史数据需要经过清洗，清洗方法可参见本发明负荷预测方法。
在聚类模块中，采用欧式距离计算法获得所述聚类集合，所述欧式距离计算法包含以下步骤：于所述第一分类或所述第二分类中，取p个或q个初始点Zi(xi,yi,zi)，其中i≤n或m，i为正整数，xi为温度，yi为湿度，zi为风速；将所述点Zi(xi,yi,zi)设为初始聚类中心；依次计算第一分类或第二分类中任一个点Pf(xf,yf,zf)到所述聚类中心的最短距离，根据最短距离原则获得p个或q个聚类；计算每个聚类的聚类中心，新的聚类中心就是类中数据对象距离的平均值，新的聚类中心记为zi(xi,yi,zi)；若达到终止条件，则停止计算，否则将聚类中心zi(xi,yi,zi)返回，重新计算聚类。所述终止条件是已经达到设定的最大迭代次数或步骤S33计算的所述新的聚类中心，相对于步骤S32中的所述的聚类中心不再更改。欧式距离计算法可参见本发明负荷预测方法。
在多项式拟合模块，所述相关的函数为多项式函数，采用智能算法求解所述多项式函数的系数或采用求偏导数的方法求解所述多项式函数的系数。所述多项式函数求解方法可见本发明的负荷预测方法。
参见附图5，负荷预测系统还包括校验模块，用于将历史数据输入所述第一输出函数和所述第二输出函数，计算均方误差值、相对误差最大值、最小值；对拟合结果进行评价。通过评价方法，可以获得第一输出函数和第二输出函数的准确度。以便适时进行调整。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (11)

1.一种负荷预测方法，其特征在于包括以下步骤：
S1：采集历史日期的历史数据，所述历史数据包括历史负荷数据以及与所述历史负荷数据对应的历史气象数据，所述历史气象数据包括温度、湿度、风速；
S2：将属于工作日的所述历史日期的所述历史数据归为第一分类，将属于非工作日的所述历史日期的所述历史数据归为第二分类；
S3:获得所述第一分类的历史数据的p个聚类集合，所述第二分类的历史数据的q个聚类集合；
S4:拟合所述聚类集合，获得与所述第一分类相关的函数
Figure FDA0003194311270000011
获得与所述第二分类相关的函数
Figure FDA0003194311270000012
S5:根据聚类集合在时期内出现的次数与第一分类或第二分类历史数据数量比，计算所述聚类集合的贡献概率
Figure FDA0003194311270000013
及
Figure FDA0003194311270000014
获得第一输出函数
Figure FDA0003194311270000015
获得第二输出函数
Figure FDA0003194311270000016
S6：输入预测日期，将所述预测日期映射至所述历史日期T；
S7：将所述历史日期T输入所述第一输出函数或所述第二输出函数，获得预测负荷。
2.根据权利要求1所述的负荷预测方法，其特征在于：在步骤S1中，采集时先对所述历史数据进行清洗。
3.根据权利要求1所述的负荷预测方法，其特征在于：在步骤S3中，采用欧式距离计算法获得所述聚类集合。
4.根据权利要求3所述的负荷预测方法，其特征在于：所述欧式距离计算法包含以下步骤：
S31：于所述第一分类或所述第二分类中，取p个或q个初始点Zi(xi，yi，zi)，其中i≤n或m，i为正整数，xi为温度，yi为湿度，zi为风速；n为第一分类中历史数据个数，m为第二分类中历史数据个数，将所述点Zi(xi，yi，zi)设为初始聚类中心；
S32：依次计算第一分类或第二分类中任一个点Pf(xf，yf，zf)到所述聚类中心的最短距离，根据最短距离原则获得p个或q个聚类；
S33：计算每个聚类的聚类中心，新的聚类中心就是类中数据对象距离的平均值，新的聚类中心记为Zi(xi，yi，zi)；
S34：若达到终止条件，则停止计算，否则返回S32步骤。
5.根据权利要求4所述的负荷预测方法，其特征在于：步骤S34的所述终止条件是已经达到设定的最大迭代次数或步骤S33计算的所述新的聚类中心，相对于步骤S32中的所述的聚类中心不再更改。
6.根据权利要求1或2所述的负荷预测方法，其特征在于：所述相关的函数为多项式函数，采用求偏导数的方法求解所述多项式函数的系数。
7.根据权利要求1或2所述的负荷预测方法，其特征在于：还包括将历史数据输入所述第一输出函数和所述第二输出函数，计算均方误差值、相对误差最大值、相对误差最小值；对拟合结果进行评价。
8.根据权利要求1-5任意一项所述的负荷预测方法，其特征在于：S5中，根据聚类集合在时期内出现的次数与第一分类或第二分类历史数据数量比及影响因子，计算所述聚类集合的贡献概率
Figure FDA0003194311270000021
及
Figure FDA0003194311270000022
所述第一输出函数具体是
Figure FDA0003194311270000023
所述第二输出函数具体是
Figure FDA0003194311270000031
其中
Figure FDA0003194311270000032
与
Figure FDA0003194311270000033
为影响因子。
9.一种负荷预测系统，包括数据预处理模块，多项式拟合模块，预测日期输入模块，负荷预测输出模块，其特征在于：
数据预处理模块，用于采集历史日期的历史数据，所述历史数据包括历史负荷数据以及与所述历史负荷数据对应的历史气象数据，所述历史气象数据包括温度、湿度、风速；
聚类模块，用于处理所述数据预处理模块输出的历史数据，将属于工作日的所述历史日期的所述历史数据归为第一分类，将属于非工作日的所述历史日期的所述历史数据归为第二分类；获得所述第一分类的历史数据的p个聚类集合，所述第二分类的历史数据的q个聚类集合；
多项式拟合模块，用于拟合所述聚类集合，获得与所述第一分类相关的函数
Figure FDA0003194311270000034
获得与所述第二分类相关的函数
Figure FDA0003194311270000035
根据聚类集合在时期内出现的次数与第一分类或第二分类历史数据数量比，计算所述聚类集合的贡献概率
Figure FDA0003194311270000036
及
Figure FDA0003194311270000037
获得第一输出函数
Figure FDA0003194311270000038
获得第二输出函数
Figure FDA0003194311270000039
预测日期输入模块，用于输入预测日期，将所述预测日期映射至所述历史日期T；
负荷预测输出模块，用于存储第一输出函数
Figure FDA00031943112700000310
及第二输出函数
Figure FDA00031943112700000311
将所述历史日期T输入所述第一输出函数或所述第二输出函数，获得预测负荷。
10.根据权利要求9所述的负荷预测系统，其特征在于：多项式拟合模块中，根据聚类集合在时期内出现的次数与第一分类或第二分类历史数据数量比及影响因子，计算所述聚类集合的贡献概率
Figure FDA0003194311270000041
及
Figure FDA0003194311270000042
所述第一输出函数具体是
Figure FDA0003194311270000043
所述第二输出函数具体是
Figure FDA0003194311270000044
其中
Figure FDA0003194311270000045
与
Figure FDA0003194311270000046
为影响因子。
11.一种存储器，其特征在于：存储器中存储有权利要求1至8任意一项所述的负荷预测方法。
CN201910373982.1A 2019-05-07 2019-05-07 一种负荷预测方法及包含该方法的存储器、系统 Active CN110175705B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910373982.1A CN110175705B (zh) 2019-05-07 2019-05-07 一种负荷预测方法及包含该方法的存储器、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910373982.1A CN110175705B (zh) 2019-05-07 2019-05-07 一种负荷预测方法及包含该方法的存储器、系统

Publications (2)

Publication Number Publication Date
CN110175705A CN110175705A (zh) 2019-08-27
CN110175705B true CN110175705B (zh) 2021-11-09

Family

ID=67691361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910373982.1A Active CN110175705B (zh) 2019-05-07 2019-05-07 一种负荷预测方法及包含该方法的存储器、系统

Country Status (1)

Country Link
CN (1) CN110175705B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219144A (zh) * 2021-12-13 2022-03-22 广西电网有限责任公司北海供电局 一种主变负荷预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722642A (zh) * 2012-05-25 2012-10-10 重庆市电力公司长寿供电局 大波动电网负荷短期预测方法
CN103123665A (zh) * 2012-07-31 2013-05-29 上海交通大学 基于模糊聚类相似日的短期电力负荷预测方法
WO2015077754A1 (en) * 2013-11-25 2015-05-28 Siemens Corporation A statistical approach to modeling and forecast of cchp energy and cooling demand and optimization cchp control setpoints
CN109242189A (zh) * 2018-09-12 2019-01-18 国网安徽省电力有限公司合肥供电公司 一种基于气象因素的电力负荷短期预测方法
CN109583503A (zh) * 2018-12-03 2019-04-05 国网江苏省电力有限公司扬州供电分公司 一种可中断负荷预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722642A (zh) * 2012-05-25 2012-10-10 重庆市电力公司长寿供电局 大波动电网负荷短期预测方法
CN103123665A (zh) * 2012-07-31 2013-05-29 上海交通大学 基于模糊聚类相似日的短期电力负荷预测方法
WO2015077754A1 (en) * 2013-11-25 2015-05-28 Siemens Corporation A statistical approach to modeling and forecast of cchp energy and cooling demand and optimization cchp control setpoints
CN109242189A (zh) * 2018-09-12 2019-01-18 国网安徽省电力有限公司合肥供电公司 一种基于气象因素的电力负荷短期预测方法
CN109583503A (zh) * 2018-12-03 2019-04-05 国网江苏省电力有限公司扬州供电分公司 一种可中断负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于族群进化计算的多项式回归电力负荷预测;陈皓等;《软件》;20110909;第34-37页 *

Also Published As

Publication number Publication date
CN110175705A (zh) 2019-08-27

Similar Documents

Publication Publication Date Title
CN110503256B (zh) 基于大数据技术的短期负荷预测方法及系统
CN106779223B (zh) 一种光伏系统发电功率实时预测方法及装置
CN111369070B (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
CN108846527A (zh) 一种光伏发电功率预测方法
CN105117810A (zh) 一种阶梯电价机制下居民用电中期负载预测方法
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
CN109670676A (zh) 基于支持向量数据描述的配网台区风险预警方法及系统
CN111488896B (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN107730031A (zh) 一种超短期高峰负荷预测方法及其系统
CN106682763B (zh) 一种用于大量样本数据的电力负荷优化预测方法
CN110264107B (zh) 一种基于大数据技术的台区线损率异常诊断方法
CN110503570A (zh) 一种异常用电数据检测方法、系统、设备、存储介质
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN111915083B (zh) 一种基于时间分层组合的风电功率预测方法及预测系统
CN113515512A (zh) 一种工业互联网平台数据的质量治理及提升方法
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和系统
CN110909958A (zh) 一种计及光伏并网功率的短期负荷预测方法
CN104850612B (zh) 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法
CN115860797A (zh) 一种适应新电价改革形势的电量需求预测方法
CN116454875A (zh) 基于集群划分的区域风电场中期功率概率预测方法及系统
CN112949207A (zh) 一种基于改进最小二乘支持向量机的短期负荷预测方法
CN118095704A (zh) 基于大数据的乡村典型能源供需平衡方法及系统
CN109523077A (zh) 一种风电功率预测方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN110175705B (zh) 一种负荷预测方法及包含该方法的存储器、系统

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
CB02 Change of applicant information

Address after: Room 509, building D, 39 Ruihe Road, Huangpu District, Guangzhou City, Guangdong Province

Applicant after: Guangzhou Shuimu Qinghua Technology Co.,Ltd.

Address before: Room 936, Room 333 Jiufojian Road, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province

Applicant before: Guangzhou Shuimu Qinghua Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
CP02 Change in the address of a patent holder

Address after: Room 604, Building 2, No. 5 Yunkai Road, Huangpu District, Guangzhou City, Guangdong Province, 510535

Patentee after: Guangzhou Shuimu Qinghua Technology Co.,Ltd.

Address before: 510700 room 509, building D, 39 Ruihe Road, Huangpu District, Guangzhou City, Guangdong Province

Patentee before: Guangzhou Shuimu Qinghua Technology Co.,Ltd.

CP02 Change in the address of a patent holder