月最大电力负荷预测方法及装置制造方法及图纸

本发明专利技术提供了一种月最大电力负荷预测方法及装置，该月最大电力负荷预测方法包括：从历史数据库中获取各年度实时负荷数据、日最大负荷数据及月最大电力负荷数据；根据所述月最大电力负荷数据建立环比增量预测模型或环比增长率预测模型，进行月最大电力负荷数据预测。利用本发明专利技术，可以提高预测精度，从而降低了发电厂和电网的运营风险；本发明专利技术数据量少，运算速度快，解决了样本量有限的问题。

【技术实现步骤摘要】

本专利技术涉及月最大电力负荷预测技术，特别是关于一种基于月份增量的月最大电力负荷预测方法及装置。
技术介绍
月最大电力负荷预测主要用于电力系统规划和制定发电计划，还可以用于进行系统充裕性评估、发电合同制定、合同电量分配、电价预测、实时调度等，从而提高系统运行的经济性和可靠性。随着我国电力事业的发展，月最大电力负荷预测在电力系统规划和运行方面发挥着越来越重要的作用。月最大电力负荷预测其实质上是对电力市场需求的预测，因此，月最大电力负荷预测问题的研究，已经成为了现代电力系统研究的重要课题之一，近年来电力公司在力求及时准确的把握负荷变化的同时，将月最大电力负荷预测重要性和迫切性提高到前所未有的高度，也对负荷的精度提出了更高的要求。月最大电力负荷预测是根据电力负荷的历史数值，推测它未来的数值，运用一定的技术和模型，合理推测负荷的发展趋势和可能达到的状况。长期以来，国内外学者对月最大电力负荷预测的理论和方法做了大量的研究，提出了各种各样的方法，目前应用较多的短期月最大电力负荷预测的方法主要分为两类：经典预测方法和现代预测方法。经典预测方法包括：回归分析法、时间序列法、灰色模型法等，现代预测方法主要包括：专家系统法、人工神经网络法等。回归分析法是在分析业务数据中的自变量和因变量之间相关关系的基础上，建立变量之间的回归方程，并将回归方程作为预测模型，根据自变量在预测期的数量变化来预测因变量。在预测下一个月的负荷时，通过对影响因子值(比如PMI、气温、国民生产总值、人口等)和用电负荷的往期数据进行统计分析，建立数学模型，并推导出未来负荷量。其优点是速度快，对各类情况都可以较好地处理。回归分析法的缺点是，对数据要求高，尤其在历史数据残缺或有较大误差的情况下，效果不理想，因为只有在用线性法化解非线性公式的情况下能够较好地求解，但是非线性模型中只能加入部分不确定因素(如温度或湿度)，因为不确定因素太多，不能全部考虑，算法也不具有自适应性，所以难以得到准确的结果。时间序列法是根据历史的负荷数据，找到其随时间变化的规律，建立时序模型，以预测未来负荷数值的方法，其基本假定是：过去的负荷变化规律会持续到将来，即未来是过去的延续。在该算法中，因变量负荷和自变量时间均是随机变量，将实际负荷和预测负荷间的差值当作平滑的变化过程处理。在时间序列法中，广泛使用的模型有AR(自回归)模型、MA(动平均)模型、ARMA(自回归移动平均)模型等。该算法对数据库中的数据量依赖性较低，目前研究成果成熟，在实际生产中得到了广泛的应用。但是，时间序列法因需要过去的实际负荷数据，不允许问题数据存在，在电网情况正常、气候等因素变化不大时预测效果良好，但在随机因素变化较大或存在坏数据的情况下，预测结果不太理想。灰色模型简称GM模型，它是把模糊控制的观点和方法延伸到复杂的大系统中，将自动控制与运筹学的数学方法相结合，研究广泛存在于客观世界中具有灰色性的问题。灰色模型的建模过程一般是用历史数据列作生成后建立微分方程模型，它是建立在以下四个基础上的：一是模型的范围和时区是给定的，但是模型中的随机部分、随机过程是变化的；二是在数据序列随机叠加后会生成伴随指数增长的有规律的上升序列；三是可以根据模型中灰数的生成方式、数据的筛选，分别和残差(GM)模型的修正来调整和提高该模型的精度；四是高阶下系统建模的GM模型群是一阶微分方程组成的随指数增长的灰色模型，通常所使用的灰色预测模型为GM(1，1)模型和GM(1，n)模型。灰色模型的优势是要求的数据少，无需对数据有过多的依赖，不考虑分布规律，不考虑变化趋势、运算简便、易于检验。但是，灰色模型由于要求的数据少，随着数据离散程度增大，预测精度也会变差，因此不适合长期预测，而有意义的精度较高的预测值只是最近的几个数据，所以由于数据少而带来的误差较大，在实际生产过程中很少使用。专家系统法是用专家的知识、方法、经验对数据进行预测。该算法相当于将人类的经验抽象为公式或模型应用于实际预测中，是一种独特的算法。该算法的优点集中多位专家过去的预测数据，通过寻找专家预测的规律，将其转化为月最大电力负荷预测的能力，并得出正确的预测结果，可保持和过去预测结果的一致性。但是，专家系统法不具有自适应能力，对不断变化的事件适应性差，因此容易受知识种类和总量的限制。神经网络理论是利用神经网络的学习能力，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。神经网络具有较强的自适应学习能力和非线性处理能力，在月最大电力负荷预测中得到了广泛的应用，通过自适应的学习训练来处理自然界存在的大量非线性组成部分和不精确的规律。人工神经网络法算法有很大的应用市场，但也存在很多不足：如收敛慢，易陷入局部极小的状态；网络结构确定，缺乏有效地指导，主观依赖性强，过于复杂，运算时间长等。
技术实现思路
本专利技术实施例提供一种月最大电力负荷预测方法及装置，以提高预测精度，降低发电厂和电网的运营风险，减少数据量少，提高运算速度。为了实现上述目的，本专利技术实施例提供了一种月最大电力负荷预测方法，该月最大电力负荷预测方法包括：从历史数据库中获取各年度实时负荷数据、日最大负荷数据及月最大电力负荷数据；根据所述月最大电力负荷数据建立环比增量预测模型或环比增长率预测模型，进行月最大电力负荷数据预测。一实施例中，从历史数据库中获取各年度实时负荷数据、日最大负荷数据及月最大电力负荷数据，包括：从所述历史数据库中获取每天中多个计量点的实时负荷数据，得到设定年度范围内每天的计量点实时负荷数据；根据所述计量点实时负荷数据得到设定年度范围内每天的所述日最大负荷数据；根据所述日最大负荷数据计算得到设定年度范围内每月的所述月最大电力负荷数据。一实施例中，在得到所述月最大电力负荷数据之前，该月最大电力负荷预测方法还包括：查找所述日最大负荷数据中是否存在缺失值；采用均值填补法对所述缺失值进行修正。一实施例中，在得到所述月最大电力负荷数据之前，该月最大电力负荷预测方法还包括：查找所述日最大负荷数据中是否存在异常值，对所述异常值进行修正。一实施例中，查找所述日最大负荷数据中是否存在异常值，对所述异常值进行修正，包括：采用横向相似性方法查找所述日最大负荷数据中的异常值；采用均值填补法对所述异常值进行修正。一实施例中，查找所述日最大负荷数据中是否存在异常值，对所述异常值进行修正，包括：从n个所述日最大负荷数据中剔除可疑数据Xi，计算(n-1)个日最大负荷数据的平均值和标准差δ，若则认为Xi为异常值；用所述平均值代替所述可疑数据Xi；其中，K为实际值与标准值的差值。一实施例中，根据所述月最大电力负荷数据建立环比增量预测模型，包括：根据所述月最大电力负荷数据计算各月相对于上月的负荷最大值增量；根据所述负荷最大值增量建立环比增量预测模型。一实施例中，根据所述月最大电力负荷数据建立环比增长率预测模型，包括：根据所述月最大电力负荷数据计算各月相对于上月的环比增长率；根据所述环比增长率建立环比增长率预测模型。一实施例中，该月最大电力负荷预测方法还包括：计算各月与上个月相隔的实际天数；根据所述实际天数对所述环比增量预测模型进行修正。一实施例中，该月最大电力负荷预测方法还包括：设定每个月的预测值范围；将月最大电本文档来自技高网...

【技术保护点】
一种月最大电力负荷预测方法，其特征在于，包括：从历史数据库中获取各年度实时负荷数据、日最大负荷数据及月最大电力负荷数据；根据所述月最大电力负荷数据建立环比增量预测模型或环比增长率预测模型，进行月最大电力负荷数据预测。

【技术特征摘要】
1.一种月最大电力负荷预测方法，其特征在于，包括：从历史数据库中获取各年度实时负荷数据、日最大负荷数据及月最大电力负荷数据；根据所述月最大电力负荷数据建立环比增量预测模型或环比增长率预测模型，进行月最大电力负荷数据预测。2.根据权利要求1所述的月最大电力负荷预测方法，其特征在于，从历史数据库中获取各年度实时负荷数据、日最大负荷数据及月最大电力负荷数据，包括：从所述历史数据库中获取每天中多个计量点的实时负荷数据，得到设定年度范围内每天的计量点实时负荷数据；根据所述计量点实时负荷数据得到设定年度范围内每天的所述日最大负荷数据；根据所述日最大负荷数据计算得到设定年度范围内每月的所述月最大电力负荷数据。3.根据权利要求1所述的月最大电力负荷预测方法，其特征在于，在得到所述月最大电力负荷数据之前，还包括：查找所述日最大负荷数据中是否存在缺失值；采用均值填补法对所述缺失值进行修正。4.根据权利要求1所述的月最大电力负荷预测方法，其特征在于，在得到所述月最大电力负荷数据之前，还包括：查找所述日最大负荷数据中是否存在异常值，对所述异常值进行修正。5.根据权利要求4所述的月最大电力负荷预测方法，其特征在于，查找所述日最大负荷数据中是否存在异常值，对所述异常值进行修正，包括：采用横向相似性方法查找所述日最大负荷数据中的异常值；采用均值填补法对所述异常值进行修正。6.根据权利要求4所述的月最大电力负荷预测方法，其特征在于，查找所述日最大负荷数据中是否存在异常值，对所述异常值进行修正，包括：从n个所述日最大负荷数据中剔除可疑数据Xi，计算(n-1)个日最大负荷数据的平均值和标准差δ，若则认为Xi为异常值；用所述平均值代替所述可疑数据Xi；其中，K为实际值与标准值的差值。7.根据权利要求1所述的月最大电力负荷预测方法，其特征在于，根据所述月最大电力负荷数据建立环比增量预测模型，包括：根据所述月最大电力负荷数据计算各月相对于上月的负荷最大值增量；根据所述负荷最大值增量建立环比增量预测模型。8.根据权利要求1所述的月最大电力负荷预测方法，其特征在于，根据所述月最大电力负荷数据建立环比增长率预测模型，包括：根据所述月最大电力负荷数据计算各月相对于上月的环比增长率；根据所述环比增长率建立环比增长率预测模型。9.根据权利要求8所述的月最大电力负荷预测方法，其特征在于，还包括：计算各月与上个月相隔的实际天数；根据所述实际天数对所述环比增量预测模型进行修正。10.根据权利要求1所述的月最大电力负荷预测方法，其特征在于，还包括：设定每个月的预测值范围；将月最大电力负荷数据预测得到的预测值与所述预测值范围进行比较；如果所述预测值不在所述预测值范围内，用所述预测值范围的最大值或最小值替换所述预测值。11.根据权利要求1所述的月最大电力负荷预测方法，其特征在于，还包括：根据月最大电力负荷实际值及月最大电力负荷预测值计算绝对误差或相对误差；将所述绝对误差或相对误差反馈至环比增量预测模型或环比增长率预测模型进行模型修正。12.一种月最大电力负荷预测装置，其特征在于，包括：数据获取单元，用于从历史...

【专利技术属性】
技术研发人员：傅军，许鑫，朱天博，周辛南，王畅，介志毅，孙志杰，汤佩霖，
申请(专利权)人：国家电网公司，国网冀北电力有限公司电力科学研究院，华北电力科学研究院有限责任公司，
类型：发明
国别省市：北京;11