一种基于多元化指标的负荷特性预测方法和系统与流程

1.本发明涉及电力系统负荷预测技术领域，尤其涉及一种基于多元化指标的负荷特性预测方法和系统。


背景技术：

2.电力负荷预测是电力系统规划的重要组成部分，也是电力系统经济运行的基础，其对电力系统规划和运行都极其重要。提高负荷预测技术水平有利于计划用电管理、合理安排电网运行方式和机组检修计划，有利于指定合理的电源建设计划、提高电力系统的经济效益和社会效益。
3.随着社会的发展、智能电网的应用和终端部门电气化水平的不断提高，电力负荷总量快速增长，电力系统的负荷构成和负荷特性呈现多元化和复杂化，简单依靠负荷指标内部进行的负荷特性预测已经不能准确表达当下的复杂场景，负荷特性预测结果无法满足精细化要求，难以为电网的规划和运行管理提供可靠指导。


技术实现要素：

4.本发明提供了一种基于多元化指标的负荷特性预测方法和系统，用于解决现有的电力系统负荷特性预测方式不能准确表达多元化和复杂化的电力系统负荷构成场景下的负荷特性，负荷特性预测结果无法满足精细化要求，难以为电网的规划和运行管理提供可靠指导的技术问题。
5.有鉴于此，本发明第一方面提供了一种基于多元化指标的负荷特性预测方法，包括：
6.获取目标区域的影响负荷特性的关键指标的历史统计数据，其中，影响负荷特性的关键指标包括生产总值gdp、全社会用电量需求、产业用电量需求、年负荷特性、月温度特征、区域典型月负荷特性曲线和各产业典型日负荷特性曲线；
7.对历史统计数据进行数据清洗；
8.根据数据清洗后的关键指标的历史统计数据，采用多元线性回归分析法建立年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型；
9.年最大负荷特性预测模型为：
10.yy＝α
y,1
x
gdp
α
y,2
xe α
y,3
x
e,2
α
y,4
x
e,3
βy11.其中，yy为年最大负荷，x
gdp
为目标区域的生产总值gdp，xe为全社会用电量需求，x
e,2
为第二产业的用电量需求，x
e,3
为第三产业的用电量需求，α
y,1
、α
y,2
、α
y,3
和α
y,4
分别为x
gdp
、xe、x
e,2
和x
e,3
的第一指标系数，βy为第一残差项；
12.月负荷特性曲线预测模型为：
13.ym＝α
m,1
xm α
m,2
x
e,1
α
m,3
x
e,2
α
m,4
x
e,3
∑
pro∈s
α
m,pro
x
pro
βm14.其中，ym为月负荷特性系数，xm为月份序号，m取值为1～12，x
e,1
、x
e,2
和x
e,3
分别为第一产业、第二产业和第三产业的用电量需求，x
pro
为目标区域内的月最高温度，α
m,1
、α
m,2
、
α
m,3
、α
m,4
和α
m,pro
分别为xm、x
e,1
、x
e,2
、x
e,3
和x
pro
的第二指标系数，βm为第二残差项；
15.日负荷特性曲线预测模型为：
[0016][0017]
其中，为第t时段的日负荷特性系数，和分别为第t时段的第一产业、第二产业和第三产业的日负荷特性系数；
[0018]
根据年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型，对目标区域进行年-月-日负荷特性预测。
[0019]
可选地，还包括：
[0020]
根据实时获取到的影响负荷特性的关键指标数据分别对应代入年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型，计算年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型的r方和p值，根据r方和p值评估年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型的负荷特性预测准确度。
[0021]
可选地，获取目标区域的影响负荷特性的关键指标的历史统计数据之前，还包括：
[0022]
获取目标区域的影响负荷特性的所有指标的历史统计数据；
[0023]
根据影响负荷特性的所有指标的历史统计数据，计算指标间相关度；
[0024]
将指标间相关度小于阈值的影响负荷特性的指标数据剔除，得到影响负荷特性的关键指标。
[0025]
可选地，影响负荷特性的所有指标包括生产总值gdp、全社会用电量需求、产业用电量需求、产业用电量结构、年负荷特性、月份特征、月温度特征、区域典型月负荷特性曲线和各产业典型日负荷特性曲线。
[0026]
可选地，指标间相关度的计算公式为：
[0027][0028]
其中，r
xy
为指标x和指标y的相关系数，xi为指标x的第i个样本值，y为指标y的第i个样本值，和分别为指标x的样本平均值和指标y的样本平均值，n为样本容量。
[0029]
本发明第二方面提供了一种基于多元化指标的负荷特性预测系统，包括：
[0030]
关键指标历史数据获取模块，用于获取目标区域的影响负荷特性的关键指标的历史统计数据，其中，影响负荷特性的关键指标包括生产总值gdp、全社会用电量需求、产业用电量需求、年负荷特性、月温度特征、区域典型月负荷特性曲线和各产业典型日负荷特性曲线；
[0031]
数据清洗模块，用于对历史统计数据进行数据清洗；
[0032]
负荷预测模型构建模块，用于根据数据清洗后的关键指标的历史统计数据，采用多元线性回归分析法建立年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型；
[0033]
年最大负荷特性预测模型为：
[0034]yy
＝α
y,1
x
gdp
α
y,2
xe α
y,3
x
e,2
α
y,4
x
e,3
βy[0035]
其中，yy为年最大负荷，x
gdp
为目标区域的生产总值gdp，xe为全社会用电量需求，x
e,2
为第二产业的用电量需求，x
e,3
为第三产业的用电量需求，α
y,1
、α
y,2
、α
y,3
和α
y,4
分别为x
gdp
、xe、x
e,2
和x
e,3
的第一指标系数，βy为第一残差项；
[0036]
月负荷特性曲线预测模型为：
[0037]
ym＝α
m,1
xm α
m,2
x
e,1
α
m,3
x
e,2
α
m,4
x
e,3
∑
pro∈s
α
m,pro
x
pro
βm[0038]
其中，ym为月负荷特性系数，xm为月份序号，m取值为1～12，x
e,1
、x
e,2
和x
e,3
分别为第一产业、第二产业和第三产业的用电量需求，x
pro
为目标区域内的月最高温度，α
m,1
、α
m,2
、α
m,3
、α
m,4
和α
m,pro
分别为xm、x
e,1
、x
e,2
、x
e,3
和x
pro
的第二指标系数，βm为第二残差项；
[0039]
日负荷特性曲线预测模型为：
[0040][0041]
其中，为第t时段的日负荷特性系数，和分别为第t时段的第一产业、第二产业和第三产业的日负荷特性系数；
[0042]
负荷预测模块，用于根据年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型，对目标区域进行年-月-日负荷特性预测。
[0043]
可选地，还包括模型评估模块；
[0044]
模型评估模块用于：
[0045]
根据实时获取到的影响负荷特性的关键指标数据分别对应代入年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型，计算年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型的r方和p值，根据r方和p值评估年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型的负荷特性预测准确度。
[0046]
可选地，还包括关键指标筛选模块；
[0047]
关键指标筛选模块用于：
[0048]
获取目标区域的影响负荷特性的所有指标的历史统计数据；
[0049]
根据影响负荷特性的所有指标的历史统计数据，计算指标间相关度；
[0050]
将指标间相关度小于阈值的影响负荷特性的指标数据剔除，得到影响负荷特性的关键指标。
[0051]
可选地，影响负荷特性的所有指标包括生产总值gdp、全社会用电量需求、产业用电量需求、产业用电量结构、年负荷特性、月份特征、月温度特征、区域典型月负荷特性曲线和各产业典型日负荷特性曲线。
[0052]
可选地，指标间相关度的计算公式为：
[0053][0054]
其中，r
xy
为指标x和指标y的相关系数，xi为指标x的第i个样本值，y为指标y的第i个样本值，和分别为指标x的样本平均值和指标y的样本平均值，n为样本容量。
[0055]
从以上技术方案可以看出，本发明提供的基于多元化指标的负荷特性预测方法和系统具有以下优点：
[0056]
本发明提供的基于多元化指标的负荷特性预测方法，兼顾宏观经济指标、产业电能需求等影响负荷特性的关键指标因素影响，基于多元化指标，采用多元线性回归分析法建立涵盖年-月-日多个时间尺度的负荷特性预测模型，相对于传统单一指标的负荷预测模型，分析角度更全面，能更精准地预测各时间尺度的负荷特性，可为电网的规划和运行管理提供更为详细和可靠的参考，解决了现有的电力系统负荷特性预测方式不能准确表达多元化和复杂化的电力系统负荷构成场景下的负荷特性，负荷特性预测结果无法满足精细化要求，难以为电网的规划和运行管理提供可靠指导的技术问题。
[0057]
本发明提供的基于多元化指标的负荷特性预测系统，用于执行本发明提供的基于多元化指标的负荷特性预测方法，其原理和所达到的技术效果与本发明提供的基于多元化指标的负荷特性预测方法相同，在此不再赘述。
附图说明
[0058]
为了更清楚的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的介绍，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相关的附图。
[0059]
图1为本发明中提供的一种基于多元化指标的负荷特性预测方法的流程示意图；
[0060]
图2为本发明中提供的一种基于多元化指标的负荷特性预测系统的结构示意图。
具体实施方式
[0061]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0062]
为了便于理解，请参阅图1，本发明中提供了一种基于多元化指标的负荷特性预测方法的实施例，包括：
[0063]
步骤101、获取目标区域的影响负荷特性的关键指标的历史统计数据，其中，影响负荷特性的关键指标包括生产总值gdp、全社会用电量需求、产业用电量需求、年负荷特性、月温度特征、区域典型月负荷特性曲线和各产业典型日负荷特性曲线。
[0064]
需要说明的是，目标区域的生产总值gdp、用电量需求、年负荷特性均以年为单位进行统计。月温度特征包括最高气温和最低气温。本发明实施例中，月温度特征只取最高气温数据用于后续建立预测模型。
[0065]
目标区域的影响负荷特性的指标有很多，包括经济指标、产业结构、温度指标、电量需求等，比如生产总值gdp、全社会用电量需求、产业用电量需求、产业用电量结构、年负荷特性、月份特征(日出时间和日落时间)、月温度特征、区域典型月负荷特性曲线和各产业典型日负荷特性曲线等。如果将所有的影响负荷特性的指标都用于后续预测模型建模，在效率上会降低很多，且对于相关性弱的指标，对于预测模型的建模的影响几乎是可以忽略的，因此，可以对影响负荷特性的所有指标的历史统计数据计算指标间相关度，当相关系数＝1时，表示指标间完全线性相关；当相关系数＝-1时，表示指标间完全负相关；当相关系数
＝0时，表示指标间完全不相关，越接近0相关性越弱。然后，将指标间相关度小于阈值的影响负荷特性的指标数据剔除，即得到影响负荷特性的关键指标。在经过计算指标间相关度之后，可以确定强相关指标为生产总值gdp、全社会用电量需求、产业用电量需求、年负荷特性、月温度特征、区域典型月负荷特性曲线和各产业典型日负荷特性曲线。
[0066]
指标间相关度的计算公式为：
[0067][0068]
其中，r
xy
为指标x和指标y的相关系数，xi为指标x的第i个样本值，y为指标y的第i个样本值，和分别为指标x的样本平均值和指标y的样本平均值，n为样本容量。
[0069]
步骤102、对历史统计数据进行数据清洗。
[0070]
需要说明的是，在获取到影响负荷特性的关键指标的历史统计数据后，需要对影响负荷特性的关键指标的历史统计数据进行数据清洗，将明显错漏的数据剔除，避免数据冗余，提高后续建模的准确性以及减少计算量。
[0071]
步骤103、根据数据清洗后的关键指标的历史统计数据，采用多元线性回归分析法建立年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型。
[0072]
需要说明的是，本发明实施例中，目标区域的影响负荷特性的关键指标是多元化的指标，因此，采用多元线性回归分析法建立涵盖年-月-日多个时间尺度的负荷特性预测模型，即年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型。
[0073]
本发明实施例中，以年最大负荷为目标预测对象，以生产总值gdp、全社会用电量需求和产业用电量需求三类指标作为解释变量的多元线性回归方程，建立的年最大负荷特性预测模型为：
[0074]yy
＝α
y,1
x
gdp
α
y,2
xe α
y,3
x
e,2
α
y,4
x
e,3
βy[0075]
其中，yy为年最大负荷，x
gdp
为目标区域的生产总值gdp，xe为全社会用电量需求，x
e,2
为第二产业的用电量需求，x
e,3
为第三产业的用电量需求，α
y,1
、α
y,2
、α
y,3
和α
y,4
分别为x
gdp
、xe、x
e,2
和x
e,3
的第一指标系数，βy为第一残差项。
[0076]
本发明实施例中，以月负荷系数为目标预测对象，以产业用电量需求、月份序号和月份特征三类指标作为解释变量的多元线性回归方程，建立的月负荷特性曲线预测模型为：
[0077]
ym＝α
m,1
xm α
m,2
x
e,1
α
m,3
x
e,2
α
m,4
x
e,3
∑
pro∈s
α
m,pro
x
pro
βm[0078]
其中，ym为月负荷特性系数，xm为月份序号，m取值为1～12，x
e,1
、x
e,2
和x
e,3
分别为第一产业、第二产业和第三产业的用电量需求，x
pro
为目标区域内的月最高温度，α
m,1
、α
m,2
、α
m,3
、α
m,4
和α
m,pro
分别为xm、x
e,1
、x
e,2
、x
e,3
和x
pro
的第二指标系数，βm为第二残差项。
[0079]
本发明实施例中，基于各产业典型日负荷特性曲线历史数据，将各产业典型日负荷曲线按照未来各产业的用电量需求比例进行折算并叠加，得到未来全社会的典型日负荷特性曲线，建立的日负荷特性曲线预测模型为：
[0080][0081]
其中，为第t时段的日负荷特性系数，和分别为第t时段的第一产
业、第二产业和第三产业的日负荷特性系数。
[0082]
在完成年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型的搭建后，可以对以上模型的预测可行性和预测精度进行评估，从而可以根据评估结果对模型进行优化，直至满足要求。具体地，实时获取到影响负荷特性的关键指标数据，分别对应代入年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型，计算年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型的r方和p值，根据r方和p值评估年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型的负荷特性预测准确度。r方表示整体线性回归方程的拟合度，r方越接近1拟合效果越好，当变量增加时r方也会增大，可以通过调整r方来避免这种影响。p值表示各解释变量的解释性强弱，当p值小于0.05时表示该解释变量对目标对象的解释性强。优选地，当p值小于0.05且r方大于0.95时，模型预测效果最好。
[0083]
步骤104、根据年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型，对目标区域进行年-月-日负荷特性预测。
[0084]
需要说明的是，在完成年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型的建模后，利用年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型，获取目标区域相应时间的数据代入年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型即可对目标区域进行年-月-日负荷特性预测。
[0085]
本发明提供的基于多元化指标的负荷特性预测方法，兼顾宏观经济指标、产业电能需求等影响负荷特性的关键指标因素影响，基于多元化指标，采用多元线性回归分析法建立涵盖年-月-日多个时间尺度的负荷特性预测模型，相对于传统单一指标的负荷预测模型，分析角度更全面，能更精准地预测各时间尺度的负荷特性，可为电网的规划和运行管理提供更为详细和可靠的参考，解决了现有的电力系统负荷特性预测方式不能准确表达多元化和复杂化的电力系统负荷构成场景下的负荷特性，负荷特性预测结果无法满足精细化要求，难以为电网的规划和运行管理提供可靠指导的技术问题。
[0086]
为了便于理解，请参阅图2，本发明中提供了一种基于多元化指标的负荷特性预测系统的实施例，包括：
[0087]
关键指标历史数据获取模块，用于获取目标区域的影响负荷特性的关键指标的历史统计数据，其中，影响负荷特性的关键指标包括生产总值gdp、全社会用电量需求、产业用电量需求、年负荷特性、月温度特征、区域典型月负荷特性曲线和各产业典型日负荷特性曲线；
[0088]
数据清洗模块，用于对历史统计数据进行数据清洗；
[0089]
负荷预测模型构建模块，用于根据数据清洗后的关键指标的历史统计数据，采用多元线性回归分析法建立年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型；
[0090]
年最大负荷特性预测模型为：
[0091]yy
＝α
y,1
x
gdp
α
y,2
xe α
y,3
x
e,2
α
y,4
x
e,3
βy[0092]
其中，yy为年最大负荷，x
gdp
为目标区域的生产总值gdp，xe为全社会用电量需求，x
e,2
为第二产业的用电量需求，x
e,3
为第三产业的用电量需求，α
y,1
、α
y,2
、α
y,3
和α
y,4
分别为
x
gdp
、xe、x
e,2
和x
e,3
的第一指标系数，βy为第一残差项；
[0093]
月负荷特性曲线预测模型为：
[0094]
ym＝α
m,1
xm α
m,2
x
e,1
α
m,3
x
e,2
α
m,4
x
e,3
∑
pro∈s
α
m,pro
x
pro
βm[0095]
其中，ym为月负荷特性系数，xm为月份序号，m取值为1～12，x
e,1
、x
e,2
和x
e,3
分别为第一产业、第二产业和第三产业的用电量需求，x
pro
为目标区域内的月最高温度，α
m,1
、α
m,2
、α
m,3
、α
m,4
和α
m,pro
分别为xm、x
e,1
、x
e,2
、x
e,3
和x
pro
的第二指标系数，βm为第二残差项；
[0096]
日负荷特性曲线预测模型为：
[0097][0098]
其中，为第t时段的日负荷特性系数，和分别为第t时段的第一产业、第二产业和第三产业的日负荷特性系数；
[0099]
负荷预测模块，用于根据年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型，对目标区域进行年-月-日负荷特性预测。
[0100]
还包括模型评估模块；
[0101]
模型评估模块用于：
[0102]
根据实时获取到的影响负荷特性的关键指标数据分别对应代入年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型，计算年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型的r方和p值，根据r方和p值评估年最大负荷特性预测模型、月负荷特性曲线预测模型和日负荷特性曲线预测模型的负荷特性预测准确度。
[0103]
还包括关键指标筛选模块；
[0104]
关键指标筛选模块用于：
[0105]
获取目标区域的影响负荷特性的所有指标的历史统计数据；
[0106]
根据影响负荷特性的所有指标的历史统计数据，计算指标间相关度；
[0107]
将指标间相关度小于阈值的影响负荷特性的指标数据剔除，得到影响负荷特性的关键指标。
[0108]
影响负荷特性的所有指标包括生产总值gdp、全社会用电量需求、产业用电量需求、产业用电量结构、年负荷特性、月份特征、月温度特征、区域典型月负荷特性曲线和各产业典型日负荷特性曲线。
[0109]
指标间相关度的计算公式为：
[0110][0111]
其中，r
xy
为指标x和指标y的相关系数，xi为指标x的第i个样本值，y为指标y的第i个样本值，和分别为指标x的样本平均值和指标y的样本平均值，n为样本容量。
[0112]
本发明提供的基于多元化指标的负荷特性预测系统，用于执行本发明提供的基于多元化指标的负荷特性预测方法，其原理和所达到的技术效果与本发明提供的基于多元化指标的负荷特性预测方法相同，在此不再赘述
[0113]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前
述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。