基于多负荷模式的短期电力负荷预测方法及系统.pdf

《基于多负荷模式的短期电力负荷预测方法及系统.pdf》由会员分享，可在线阅读，更多相关《基于多负荷模式的短期电力负荷预测方法及系统.pdf（8页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201911174654.5 (22)申请日 2019.11.26 (71)申请人 广东电网有限责任公司 地址 510600 广东省广州市越秀区东风东 路757号 申请人 广东电网有限责任公司河源供电局 (72)发明人 俞晓峰陈丽光何绍洋周焕枝 钟永城张中超肖旋科黄新燕 (74)专利代理机构 广州粤高专利商标代理有限 公司 44102 代理人 林丽明 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(20。

2、12.01) (54)发明名称 基于多负荷模式的短期电力负荷预测方法 及系统 (57)摘要 本发明提供的基于多负荷模式的短期电力 负荷预测方法， 包括： 获取预测区域的负荷历史 数据； 对负荷历史数据进行分类并形成各负荷模 式的负荷曲线； 对负荷曲线进行智能分段； 构建 多种模式的预测模型， 并分别对各种负荷模式的 各分段负荷进行模拟预测； 筛选出各种负荷模式 及其分段负荷曲线对应的负荷预测模型， 对带预 测日的日负荷曲线进行预测， 完成日负荷曲线的 预测。 本发明还提供的应用该方法的预测系统， 充分考虑了工作日、 周末日和重大节假日负荷曲 线的差异， 并对待预测负荷区域进行智能分段， 根据不。

3、同的时段选择相对应的负荷预测模型， 获 得相应的负荷预测值， 最后得到最终的日负荷预 测数值， 大大提高了负荷预测的精确性， 也使得 负荷预测更加合理。 权利要求书2页 说明书4页 附图1页 CN 110929941 A 2020.03.27 CN 110929941 A 1.基于多负荷模式的短期电力负荷预测方法， 其特征在于， 包括以下步骤： S1： 获取预测区域的负荷历史数据； S2： 根据负荷历史数据的负荷模式进行分类并形成各负荷模式的负荷曲线； S3： 根据各负荷模式的负荷曲线进行智能分段， 并将分段结果进行存储； S4： 构建多种模式的预测模型， 并分别对各种负荷模式的各分段负荷进行。

4、模拟预测， 将 预测结果进行存储； S5： 块根据预测结果筛选出各种负荷模式及其分段负荷曲线对应的负荷预测模型， 对 带预测日的日负荷曲线进行预测， 完成日负荷曲线的预测。 2.根据权利要求1所述的基于多负荷模式的短期电力负荷预测方法， 其特征在于， 在所 述步骤S2中， 所述负荷模式包括工作日模式、 周末日模式及重大节假日模式三种。 3.根据权利要求1所述的基于多负荷模式的短期电力负荷预测方法， 其特征在于， 在所 述步骤S3中， 根据各负荷模式的负荷曲线按负荷高峰段、 负荷平峰段和负荷低峰段进行智 能分段。 4.根据权利要求1所述的基于多负荷模式的短期电力负荷预测方法， 其特征在于， 在所。

5、 述步骤S4中， 所述构建的预测模型包括BP神经网络预测模型、 灰色系统理论预测模型和时 间序列模型。 5.根据权利要求1所述的基于多负荷模式的短期电力负荷预测方法， 其特征在于， 在所 述步骤S5中， 从数据库中按照精度标准差筛选出各种负荷模式及其分段负荷曲线对应的负 荷预测模型。 6.基于多负荷模式的短期电力负荷预测系统， 其特征在于： 数据获取模块、 预处理模 块、 智能分段模块、 预测模型方法库、 交互模块、 数据处理模块和数据库； 其中： 所述数据获取模块用于获取预测区域的负荷历史数据； 所述预处理模块根据负荷历史数据的负荷模式进行分类并形成各负荷模式的负荷曲 线； 所述智能分段模块。

6、根据各负荷模式的负荷曲线进行智能分段， 并将分段结果存储于所 述数据库中； 所述预测模型方法库用于构建多种模式的预测模型， 并分别对各种负荷模式的各分段 负荷进行模拟预测， 并将预测结果存储于所述数据库中； 所述交互模块用于输入待预测日期及输出系统的预测结果； 所述数据处理模块从数据库中筛选出各种负荷模式及其分段负荷曲线对应的负荷预 测模型， 根据输入的待预测日期对带预测日的日负荷曲线进行预测， 并将输出结果由所述 交互模块进行输出。 7.根据权利要求6所述的基于多负荷模式的短期电力负荷预测系统， 其特征在于： 所述 负荷模式包括工作日模式、 周末日模式及重大节假日模式三种。 8.根据权利要求。

7、6所述的基于多负荷模式的短期电力负荷预测系统， 其特征在于： 所述 智能分段模块根据各负荷模式的负荷曲线按负荷高峰段、 负荷平峰段和负荷低峰段进行智 能分段。 9.根据权利要求6所述的基于多负荷模式的短期电力负荷预测系统， 其特征在于： 在所 述预测模型方法库中构建的预测模型包括BP神经网络预测模型、 灰色系统理论预测模型和 权利要求书 1/2 页 2 CN 110929941 A 2 时间序列模型。 10.根据权利要求6所述的基于多负荷模式的短期电力负荷预测系统， 其特征在于： 所 述数据处理模块从数据库中按照精度标准差筛选出各种负荷模式及其分段负荷曲线对应 的负荷预测模型。 权利要求书 2。

8、/2 页 3 CN 110929941 A 3 基于多负荷模式的短期电力负荷预测方法及系统 技术领域 0001 本发明涉及电力调度技术领域， 更具体的， 涉及一种基于多负荷模式的短期电力 负荷预测方法及系统。 背景技术 0002 短期电力负荷预测作为电力负荷预测的重要组成部分， 它主要用于预测短时期的 负荷走向， 比如未来几个小时、 一天至几天的电力负荷。 短期电力负荷预测对于调度安排开 停机计划， 机组最优组合、 最优潮流、 电力市场交易有着极其重要的意义。 当电力负荷预测 结果越接近实际负荷值时， 发电设备的利用率会得到显著提高， 电网运行就越经济。 0003 但由于工作日、 周末、 重大。

9、节假日的负荷存在着很大差异， 从而导致一般的负荷预 测方法在不同时期的误差不同， 从而使电网负荷预测的误差较大， 不利于电网的经济运行。 发明内容 0004 本发明为克服现有的短期电力负荷预测方法在不同时期的误差不同， 存在预测误 差大、 不利于电网经济运行的技术缺陷， 提供一种基于多负荷模式的短期电力负荷预测方 法及系统。 0005 为解决上述技术问题， 本发明的技术方案如下： 0006 基于多负荷模式的短期电力负荷预测方法， 包括以下步骤： 0007 S1： 获取预测区域的负荷历史数据； 0008 S2： 根据负荷历史数据的负荷模式进行分类并形成各负荷模式的负荷曲线； 0009 S3： 根。

10、据各负荷模式的负荷曲线进行智能分段， 并将分段结果进行存储； 0010 S4： 构建多种模式的预测模型， 并分别对各种负荷模式的各分段负荷进行模拟预 测， 将预测结果进行存储； 0011 S5： 块根据预测结果筛选出各种负荷模式及其分段负荷曲线对应的负荷预测模 型， 对带预测日的日负荷曲线进行预测， 完成日负荷曲线的预测。 0012 其中， 在所述步骤S2中， 所述负荷模式包括工作日模式、 周末日模式及重大节假日 模式三种。 0013 其中， 在所述步骤S3中， 根据各负荷模式的负荷曲线按负荷高峰段、 负荷平峰段和 负荷低峰段进行智能分段。 0014 其中， 在所述步骤S4中， 所述构建的预测。

11、模型包括BP神经网络预测模型、 灰色系统 理论预测模型和时间序列模型。 0015 其中， 在所述步骤S5中， 从数据库中按照精度标准差筛选出各种负荷模式及其分 段负荷曲线对应的负荷预测模型。 0016 基于多负荷模式的短期电力负荷预测系统， 数据获取模块、 预处理模块、 智能分段 模块、 预测模型方法库、 交互模块、 数据处理模块和数据库； 其中： 0017 所述数据获取模块用于获取预测区域的负荷历史数据； 说明书 1/4 页 4 CN 110929941 A 4 0018 所述预处理模块根据负荷历史数据的负荷模式进行分类并形成各负荷模式的负 荷曲线； 0019 所述智能分段模块根据各负荷模式。

12、的负荷曲线进行智能分段， 并将分段结果存储 于所述数据库中； 0020 所述预测模型方法库用于构建多种模式的预测模型， 并分别对各种负荷模式的各 分段负荷进行模拟预测， 并将预测结果存储于所述数据库中； 0021 所述交互模块用于输入待预测日期及输出系统的预测结果； 0022 所述数据处理模块从数据库中筛选出各种负荷模式及其分段负荷曲线对应的负 荷预测模型， 根据输入的待预测日期对带预测日的日负荷曲线进行预测， 并将输出结果由 所述交互模块进行输出。 0023 其中， 所述负荷模式包括工作日模式、 周末日模式及重大节假日模式三种。 0024 其中， 所述智能分段模块根据各负荷模式的负荷曲线按负。

13、荷高峰段、 负荷平峰段 和负荷低峰段进行智能分段。 0025 其中， 在所述预测模型方法库中构建的预测模型包括BP神经网络预测模型、 灰色 系统理论预测模型和时间序列模型。 0026 其中， 所述数据处理模块从数据库中按照精度标准差筛选出各种负荷模式及其分 段负荷曲线对应的负荷预测模型。 0027 上述方案中， 数据处理模块首先根据精度标准差筛选定负荷预测模型， 并根据获 取的历史数据对每个分段负荷进行预测， 根据各个分段的负荷预测结果， 最终完成对日负 荷曲线的预测。 0028 与现有技术相比， 本发明技术方案的有益效果是： 0029 本发明提供的一种基于多负荷模式的短期电力负荷预测方法及系。

14、统， 充分考虑了 工作日、 周末日和重大节假日负荷曲线的差异， 并对待预测负荷区域进行智能分段， 根据不 同的时段选择相对应的负荷预测模型， 获得相应的负荷预测值， 最后得到最终的日负荷预 测数值， 大大提高了负荷预测的精确性， 也使得负荷预测更加合理。 附图说明 0030 图1为本发明所述方法流程图； 0031 图2为本发明所述系统框图。 具体实施方式 0032 附图仅用于示例性说明， 不能理解为对本专利的限制； 0033 为了更好说明本实施例， 附图某些部件会有省略、 放大或缩小， 并不代表实际产品 的尺寸； 0034 对于本领域技术人员来说， 附图中某些公知结构及其说明可能省略是可以理解。

15、 的。 0035 下面结合附图和实施例对本发明的技术方案做进一步的说明。 0036 实施例1 0037 基于多负荷模式的短期电力负荷预测方法， 如图1所示， 包括以下步骤： 说明书 2/4 页 5 CN 110929941 A 5 0038 S1： 获取预测区域的负荷历史数据； 0039 S2： 根据负荷历史数据的负荷模式进行分类并形成各负荷模式的负荷曲线； 0040 S3： 根据各负荷模式的负荷曲线进行智能分段， 并将分段结果进行存储； 0041 S4： 构建多种模式的预测模型， 并分别对各种负荷模式的各分段负荷进行模拟预 测， 将预测结果进行存储； 0042 S5： 块根据预测结果筛选出各。

16、种负荷模式及其分段负荷曲线对应的负荷预测模 型， 对带预测日的日负荷曲线进行预测， 完成日负荷曲线的预测。 0043 更具体的， 在所述步骤S2中， 所述负荷模式包括工作日模式、 周末日模式及重大节 假日模式三种。 0044 更具体的， 在所述步骤S3中， 根据各负荷模式的负荷曲线按负荷高峰段、 负荷平峰 段和负荷低峰段进行智能分段。 0045 更具体的， 在所述步骤S4中， 所述构建的预测模型包括BP神经网络预测模型、 灰色 系统理论预测模型和时间序列模型。 0046 更具体的， 在所述步骤S5中， 从数据库中按照精度标准差筛选出各种负荷模式及 其分段负荷曲线对应的负荷预测模型。 0047 。

17、在具体的实施过程中， 构建的预测模型及按照精度标准差筛选预测模型具体过程 为： 0048 神经网络预测模型采用BP(Back Propagation)多层前馈网络模型， BP神经网络模 型的输入层和输出层单元个数依据各负荷模式智能分段处理后的各段负荷时点数目而定， 假设为n个， 隐含层采用2n+1个单元， 训练样本采用近两月相同负荷模式的负荷历史数据组 成。 0049 灰色系统理论预测模型则采用GM(1， 1)模型， 加入按x(1)(0)建立的GM(1， 1)模型预 测精度经检验不合格， 则采用残差灰色预测模型进行修正。 0050 时间序列模型采用预测误差较小的二次移动平均法。 0051 在具。

18、体实施过程中， 筛选对应的预测模型以预测精度标准差最小为依据， 预测标 准差计算公式为： 0052 0053 其中， E、 Ei、 Eav和n分别为各段负荷预测标准差、 单点负荷相对预测误差、 各段负荷 预测的平均误差和各段负荷预测的负荷时点数。 0054 实施例2 0055 更具体的， 在实施例1的基础上， 如图2所示， 提供一种基于多负荷模式的短期电力 负荷预测系统， 数据获取模块、 预处理模块、 智能分段模块、 预测模型方法库、 交互模块、 数 据处理模块和数据库； 其中： 0056 所述数据获取模块用于获取预测区域的负荷历史数据； 0057 所述预处理模块根据负荷历史数据的负荷模式进行。

19、分类并形成各负荷模式的负 荷曲线； 0058 所述智能分段模块根据各负荷模式的负荷曲线进行智能分段， 并将分段结果存储 说明书 3/4 页 6 CN 110929941 A 6 于所述数据库中； 0059 所述预测模型方法库用于构建多种模式的预测模型， 并分别对各种负荷模式的各 分段负荷进行模拟预测， 并将预测结果存储于所述数据库中； 0060 所述交互模块用于输入待预测日期及输出系统的预测结果； 0061 所述数据处理模块从数据库中筛选出各种负荷模式及其分段负荷曲线对应的负 荷预测模型， 根据输入的待预测日期对带预测日的日负荷曲线进行预测， 并将输出结果由 所述交互模块进行输出。 0062 。

20、其中， 所述负荷模式包括工作日模式、 周末日模式及重大节假日模式三种。 0063 其中， 所述智能分段模块根据各负荷模式的负荷曲线按负荷高峰段、 负荷平峰段 和负荷低峰段进行智能分段。 0064 其中， 在所述预测模型方法库中构建的预测模型包括BP神经网络预测模型、 灰色 系统理论预测模型和时间序列模型。 0065 其中， 所述数据处理模块从数据库中按照精度标准差筛选出各种负荷模式及其分 段负荷曲线对应的负荷预测模型。 0066 在具体实施过程中， 数据处理模块首先根据精度标准差筛选定负荷预测模型， 并 根据获取的历史数据对每个分段负荷进行预测， 根据各个分段的负荷预测结果， 最终完成 对日负。

21、荷曲线的预测。 0067 在具体实施过程中， 本发明提供的一种基于多负荷模式的短期电力负荷预测方法 及系统， 充分考虑了工作日、 周末日和重大节假日负荷曲线的差异， 并对待预测负荷区域进 行智能分段， 根据不同的时段选择相对应的负荷预测模型， 获得相应的负荷预测值， 最后得 到最终的日负荷预测数值， 大大提高了负荷预测的精确性， 也使得负荷预测更加合理。 0068 显然， 本发明的上述实施例仅仅是为清楚地说明本发明所作的举例， 而并非是对 本发明的实施方式的限定。 对于所属领域的普通技术人员来说， 在上述说明的基础上还可 以做出其它不同形式的变化或变动。 这里无需也无法对所有的实施方式予以穷举。 凡在本 发明的精神和原则之内所作的任何修改、 等同替换和改进等， 均应包含在本发明权利要求 的保护范围之内。 说明书 4/4 页 7 CN 110929941 A 7 图1 图2 说明书附图 1/1 页 8 CN 110929941 A 8 。