搜索
(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201910101802.4(22)申请日2019.01.31(71)申请人国电南瑞科技股份有限公司地址210003江苏省南京市江宁区诚信大道19号申请人国家电网有限公司 国家电网公司华北分部 国电南瑞南京控制系统有限公司 南瑞集团有限公司(72)发明人喻乐 张珂珩 张晶 施磊 谢旭 涂孟夫 史佩然 耿琳 宁健 沈茂亚 (74)专利代理机构南京纵横知识产权代理有限公司32224代理人母秋松 董建林(51)Int.Cl.G06Q10/06(2012.01)G06Q50/06(2012.01)(54)发明名称一种考虑体感温度和辐射强度的短期负荷预测方法(57)摘要本发明公开了一种考虑体感温度和辐射强度的短期负荷预测方法，包括如下步骤：1）查询历史负荷和气象等样本数据；2）计算历史体感温度数据和日负荷水平；3）从历史样本数据集中，以待预测日的日类型信息和气象数据为依据，选择最优“模式相似日”，最终计算得到归一化负荷曲线；4）建立考虑体感温度和日照强度的神经网络预测模型，得到待预测日的负荷水平；5）通过归一化曲线和负荷水平计算待预测日的负荷数据。本发明充分考虑影响负荷的体感温度和影响分布式光伏发电的日照强度的影响，充分考虑历史负荷的自身变化规律，将负荷水平和负荷模式分开预测，减少了神经网络输入维度，降低了网络训练负担，提高了计算的效率。权利要求书2页说明书4页附图1页CN109886567A2019.06.14CN109886567A1.一种考虑体感温度和辐射强度的短期负荷预测方法，其特征在于：包括如下步骤：步骤1：查询历史的负荷、气象和日类型信息作为样本数据；步骤2：计算历史体感温度数据和日负荷水平；利用温度、湿度、风速计算相应时间的历史体感温度；对日96点负荷进行统计，分别得到每日的最高负荷和最低负荷；步骤3：建立考虑历史体感温度和日照辐射强度的神经网络(Neural Network)预测模型，得到待预测日的负荷水平；根据近N天的历史日最高负荷值、日最低负荷值、历史体感温度、日照辐射强度建立神经网络的短期负荷水平预测模型，经过参数优化后，通过该预测模型得到待预测日的日最高负荷值、日最低负荷值；步骤4：从历史样本数据集中，通过凝聚层次聚类算法，对近N年的日负荷曲线进行聚类分析；根据待预测日的日类型，选择特定类的实际日，对该类中实际日的气象数据和待预测日的预测气象数据做偏差分析，选择气象数据相近的作为待预测日的“模式相似日”；分别计算实际日归一化负荷系数，然后平均作为待预测日的归一化负荷系数；步骤5：通过待预测日归一化负荷系统和日最高负荷值、日最低负荷值计算待预测日96点负荷数据。2.根据权利要求1所述的一种考虑体感温度和辐射强度的短期负荷预测方法，其特征在于：步骤1中，日24小时气象数据至少包括24小时的温度、湿度、风速、风向和日照辐射强度；日类型指某个日期为工作日还是休息日，若为工作日为，则确定为星期几；若为休息日，则确定普通周末还是特殊节假日，包括：元旦、春节、元宵、五一、端午、十一。3.根据权利要求1所述的一种考虑体感温度和辐射强度的短期负荷预测方法，其特征在于：所述步骤2中，历史体感温度Tg计算公式如下：其中，Ta为常规气温，h为相对湿度，v为风速大小；日最高负荷和日最低负荷的计算公式如下：Lmax＝max(L)Lmin＝min(L)其中，Lmax为日最高负荷，Lmin为日最低负荷，L为日96点负荷值的数组。4.根据权利要求1所述的一种考虑体感温度和辐射强度的短期负荷预测方法，其特征在于：所述步骤3中，考虑体感温度和日照强度的神经网络预测模型包括：输入层：输入变量包括近N天的日24小时体感温度、辐射强度、近N天的日最高负荷值、日最低负荷值；待预测日的日24小时体感温度、辐射强度；输出层：日最高负荷值、日最低负荷值；所述神经网络预测模型，求解器使用随机梯度下降算法，其激活函数采用sigmoid函数，即：g(X)＝1/(1+e-x)式中，x是预测输入向量，g为激活函数输出值。5.根据权利要求1所述的一种考虑体感温度和辐射强度的短期负荷预测方法，其特征在于：所述步骤4中，凝聚层次聚类时，通过计算每个个体样本之间的欧氏距离来达到最终的聚类归并效果；权 利 要 求 书1/2页2CN109886567A2计算任意两个历史负荷之间的欧氏距离方法如下：设n维样本空间S中任意两个数据序列X、Y分别为X＝{x1，x2，......，xn-1，xn},Y＝{y1，y2，......，yn-1，yn}，其欧氏距离d(X，Y)为：设定负荷曲线间距离阈值为d；在样本集S中有N条样本负荷数据序列S＝{L1，L2，……，Ln-1，LN}，任意取出负荷数据Lk(k＝1，2，...，N)，并计算该负荷数据与其他负荷数据序列的欧氏距离；该算法开始时，每一个负荷数据均为一个“簇”，通过上述距离公式，对相近的负荷数据进行“簇”的合并，为同一个“簇”；反复上述合并过程，直到达到预定的分类目标即可停止。分类完成后，根据负荷的自身变化特性，分类包括：工作日、周末、三天的节假日(元旦、五一、端午)、七天的节假日(十一和春节)。6.根据权利要求1所述的一种考虑体感温度和辐射强度的短期负荷预测方法，其特征在于：所述步骤4中，根据待预测日的日期，选择特定的分类；该特定分类集合中实际日气象数据和待预测日的气象数据偏差分析计算公式如下：EW＝∑∝i*|Wr，i-Wf，i|EW为集合类中实际日气象和待预测日预测气象的偏差；∝i为第i项气象因素的系数；Wr，i为实际日第i项气象因素的实际值，Wf，i为待预测日第i项气象因素的预测值；对选择范围内所有实际日的气象偏差EW按升序排序，选择偏差最小的M天作为“模式相似日”，参与归一化负荷系数计算。7.根据权利要求6所述的一种考虑体感温度和辐射强度的短期负荷预测方法，其特征在于：所述M设置为5。8.根据权利要求1所述的一种考虑体感温度和辐射强度的短期负荷预测方法，其特征在于：所述步骤4中，“模式相似日”的归一化负荷系数计算的公式如下：Ln，i＝(Li-Lmin)/(Lmax-Lmin)，i＝1，2，...，96Ln，i为某实际日第i点的归一化负荷系数；Li某实际日第i点的负荷值，Lmax和Lmin分别为该日最高负荷和最低负荷；计算预测日的归一化负荷系数，依次对“模式相似日”中实际日第i(i＝1，2，..，96)点进行如下计算：Ln，i，j为“模式相似日”中第j，j＝1,2,…,M日的第i点的归一化负荷系数，Lfn，i为预测日的第i点的归一化负荷系数。9.根据权利要求1所述的一种考虑体感温度和辐射强度的短期负荷预测方法，其特征在于：所述步骤5中，待预测日96点负荷值计算公式，具体如下：Lfi＝Lmin+Lfn，i*(Lmax-Lmin)，i＝1，2，..，96Lfi待预测日第i点的负荷值；Lfn，i为预测日的第i点的归一化负荷系数，Lmax和Lmin分别为预测日最高负荷值和最低负荷值。权 利 要 求 书2/2页3CN109886567A3一种考虑体感温度和辐射强度的短期负荷预测方法技术领域[0001]本发明涉及一种考虑体感温度和辐射强度的短期负荷预测方法，属于电力系统负荷预测技术领域。背景技术[0002]目前，短期负荷预测是电网公司编制日前发电计划、实时运行控制工作开展的基础，通过准确的负荷预测，可以经济安排发电机组的启停、合理安排发电机组的计划检修，在保证电网稳定、可靠供电的同时，又能有效地降低发电成本、提高社会整体经济效益。[0003]随着居民生活水平和生活质量的不断提高，居民生活用电负荷在电网负荷中所占的比重也越来越大，最明显的是夏季空调负荷和冬季电采暖负荷，也就是气象条件变化导致人体舒适感觉变化引起的用电负荷；另外，近几年随着国家政策影响，分布式光伏装机呈高速增长态势。这两者与电网负荷的相关性非常高，影响了短期负荷预测工作的开展。[0004]长期以来，电网的调度工作者及科研工作者在这一课题上进行了卓有成效的研究。但是，如何综合考虑温度、湿度等气象因素和分布式光伏对短期负荷预测的影响，一直未得到有效地解决。发明内容[0005]目的：为了克服现有技术中存在的不足，本发明提供一种考虑体感温度和辐射强度的短期负荷预测方法。[0006]技术方案：为解决上述技术问题，本发明采用的技术方案为：[0007]本发明公开了一种考虑体感温度和辐射强度的短期负荷预测方法，包括以下步骤：[0008]步骤1：查询历史的负荷、气象和日类型信息作为样本数据。样本数据包括：近5年的日96点负荷数据、日24小时气象数据和日类型信息。[0009]步骤2：计算历史体感温度数据和日负荷水平。利用温度、湿度、风速计算相应时间的历史体感温度；对日96点负荷进行统计，分别得到每日的最高负荷和最低负荷。[0010]步骤3：建立考虑历史体感温度和日照辐射强度的神经网络(Neural Network)预测模型，得到待预测日的负荷水平。根据近N天的历史日最高负荷值、日最低负荷值、历史体感温度、日照辐射强度建立神经网络的短期负荷水平预测模型，经过参数优化后，通过该预测模型得到待预测日的日最高负荷值、日最低负荷值。[0011]步骤4：从历史样本数据集中，通过凝聚层次聚类算法，对近5年的日负荷曲线进行聚类分析；根据待预测日的日类型，选择特定类的实际日，对该类中实际日的气象数据和待预测日的预测气象数据做偏差分析，选择气象数据相近的作为待预测日的“模式相似日”；分别计算实际日归一化负荷系数，然后平均作为待预测日的归一化负荷系数。[0012]步骤5：通过待预测日归一化负荷系统和日最高负荷值、日最低负荷值计算待预测日96点负荷数据。说 明 书1/4页4CN109886567A4[0013]作为优选方案，步骤1中，日24小时气象数据至少包括24小时的温度、湿度、风速、风向和日照辐射强度。日类型指某个日期为工作日还是休息日，若为工作日为，则确定为星期几；若为休息日，则确定普通周末还是特殊节假日，包括：元旦、春节、元宵、五一、端午、十一。[0014]作为优选方案，步骤2中，历史体感温度Tg计算公式如下：[0015][0016]其中，Ta为常规气温，h为相对湿度，v为风速大小。[0017]步骤2中，日最高负荷和日最低负荷的计算公式如下：[0018]Lmax＝max(L)[0019]Lmin＝min(L)[0020]其中，Lmax为日最高负荷，Lmin为日最低负荷，L为日96点负荷值的数组。[0021]作为优选方案，步骤3中，考虑体感温度和日照强度的神经网络(Neural Network)预测模型包括：[0022]输入层：输入变量包括近N天的日24小时体感温度、辐射强度、近N天的日最高负荷值、日最低负荷值；待预测日的日24小时体感温度、辐射强度；[0023]输出层：日最高负荷值、日最低负荷值。[0024]作为优选方案，步骤3中，神经网络模型，求解器使用随机梯度下降(Stochastic Gradient Descent,SGD)算法。其激活函数采用sigmoid函数，即：[0025]g(x)＝1/(1+e-x)[0026]式中，x是预测输入向量，g为激活函数输出值。[0027]作为优选方案，步骤4中，凝聚层次聚类时，通过计算每个个体样本之间的欧氏距离来达到最终的聚类归并效果。[0028]计算任意两个历史负荷之间的欧氏距离方法如下：设n维样本空间S中任意两个数据序列X、Y分别为X＝{x1，x2，......，xn-1，xn},Y＝{y1，y2，......，yn-1，yn}，其欧氏距离d(X，Y)为：[0029][0030]设定负荷曲线间距离阈值为d。在样本集S中有N条样本负荷数据序列S＝{L1，L2，……，Ln-1，LN}，任意取出负荷数据Lk(k＝1，2，...，N)，并计算该负荷数据与其他负荷数据序列的欧氏距离。该算法开始时，每一个负荷数据均为一个“簇”，通过上述距离公式，对相近的负荷数据进行