一种馈线基线负荷预测方法技术

本发明专利技术提供一种馈线基线负荷预测方法，该方法包括：导入历史气象数据、馈线上所有用户历史负荷数据和预测时段气象数据；上年度历史负荷数据修正；气象相似历史日选择；RBF径向基人工神经网络法馈线所有用户基线负荷预测；运用调整因子对馈线所有用户基线负荷预测值进行调整；馈线所有用户基线负荷预测结果求和。本发明专利技术在负荷相似历史日的选择中既考虑了气象因素对负荷的影响，又进行了节假日、需求响应事件日、预定削减日、负荷低于阈值日的剔除，保证了相似历史日选择的合理性。馈线基线负荷的计算方法选择径向基人工神经网络，径向基人工神经网络较电力系统负荷预测常用的BP神经网络具有收敛速度快、易寻到全局最小值等优点。

A baseline load forecasting method for feeder

The present invention provides a prediction method for feeder baseline load, the method comprises the following steps: importing historical meteorological data, the feeder for all users on the historical load data and meteorological data on the annual forecast period; historical load data correction; Meteorological History similar day selection; RBF RBF artificial neural network method for all users of the baseline feeder load forecasting; using adjustment factor the values were adjusted to predict all user baseline load feeder; feeder all baseline load forecasting results for users. The present invention in similar historical load selection which considers the effects of meteorological factors on the load, and the holidays, demand response events, scheduled day, cutting load is lower than threshold culling is on duty, to ensure the reasonable selection of similar historical day. The calculation method of feeder baseline load selection of RBF artificial neural network, RBF neural network is the power system load forecasting the BP neural network has the advantages of fast convergence speed, easy to find the global minimum.

【技术实现步骤摘要】
一种馈线基线负荷预测方法
本专利技术涉及一种电力系统中的负荷预测方法，具体涉及一种馈线基线负荷预测方法。
技术介绍
馈线基线负荷，即在电力系统紧急情况下未实施需求响应措施时馈线本应达到的负荷量，它是根据历史负荷、气象等因素估算得到的一条负荷曲线，是对未发生情况的一个估计值。一个设计合理的馈线基线负荷预测方法也许是任何一个电力需求响应方案取得成功的最重要的因素，它使得电网调度人员和电力公司能够量化需求响应资源的性能。准确的馈线基线负荷预测可为定量地评估各种电力需求响应方案对重载线路负荷削减程度及其方案的性能提供重要依据，同时也将为线路过载或事故状态下电力公司制定合理的需求响应方案决策提供指导。目前国内外基线负荷预测研究的主体主要是电力用户或建筑个体，主要用于对需求响应方案的性能的评估和对用户奖惩的计算，未见有关于馈线基线负荷预测算法研究的报道。目前国外主要有两大类主流的基线负荷计算方法：基于历史负荷的平均值法和基于气象因子的回归法。平均值法，即采用需求响应事件前几天的每小时负荷值进行线性组合，这类方法主要通过对历史负荷数据进行统计、分析和计算来预测基线负荷。回归法，即根据电力需求与其它变量(通常为天气，如温度、湿度)之间的特殊关系，采用确定的公式来预测负荷，大多数回归模型都使用的是线性模型。国外的这些基线负荷预测方法的主要特点是计算方法简单，易于用户的理解和接受，适用于面向用户的基线负荷预测，但是对于其预测结果的精度离电力公司判定需求响应方案对于负荷的削减效果还是有一定的距离的。国内对于电力需求响应的研究起步得较晚，但是也有一些学者开始尝试进行基线负荷预测的研究，面向的对向主要为电力用户和建筑。文献【办公建筑空调系统用能优化研究】提出了一种基于模糊C均值法相似日选择和基于BP神经网络的公共建筑基线负荷预测方法，该方法在一定的程度上提高了基线负荷预测的精度，但模糊C均值法寻找到相似日的数量具有一定的随机性，有可能会出现相似日数量极少的情况，且FCM算法复杂度高；同时BP神经网络与RBF神经网络相比存在着收敛速度慢和局部极小的局限性。文献【基于信息双向互动的用户基线负荷计算方法】提出了一种用户基线负荷预测方法，该方法类似于平均值法，考虑了气象调整因子、用户的检修计划和保电计划，但要求用户上传次日检修计划和保电计划，适用于面向用户的基线负荷计算，便于客户理解，但不适用于电网层面的基线负荷的计算。文献【基于径向基人工神经网络的用户基线负荷计算方法】提出了一种基于径向基人工神经网络的电力用户的基线负荷预测方法，该方法具有较小的运算量和一定的预测精度，但是在典型日的选取上未考虑气象因素。
技术实现思路
为解决上述现有技术中的不足，本专利技术的目的是提供一种电力系统中馈线基线负荷预测方法。本专利技术的目的是采用下述技术方案实现的：本专利技术提供一种馈线基线负荷预测方法，其改进之处在于，所述方法包括下述步骤：(1)导入历史气象数据、馈线上所有用户历史负荷数据和预测时段气象数据至内存；(2)历史负荷数据修正；(3)气象相似历史日选择，包括：节假日、需求响应事件日、预定削减日和负荷低于阈值日排除以及灰色关联度法气象相似历史日选择；其中，需求响应事件日为曾实施需求响应的日期，预定削减日为实施有序用电的日期；(4)采用RBF径向基人工神经网络对馈线所有用户基线负荷进行预测；(5)运用调整因子调整馈线所有用户基线负荷预测值；(6)馈线所有用户基线负荷预测结果求和。进一步地，所述步骤(1)包括如下步骤：A.历史气象数据导入：导入馈线基线负荷预测日前Y日指定预测时段内的气象数据，每个历史日的气象参数包括温度、湿度和风速；历史数据导入时段不超出夏季高峰月份6-9月，若本年回溯区间不足Y日，用上年度6-9月日期补足；B.历史负荷数据导入：导入待预测馈线所有用户在预测日前Y天指定预测时段内的历史负荷数据；历史数据导入时段不超出夏季高峰月份6-9月，若本年回溯区间不足Y日，用上年度6-9月日期补足；C.预测时段气象数据导入：导入预测时段内的气象数据，包括温度、湿度和风速。进一步地，所述步骤(2)包括：对本年度回溯区间不足Y日的情况进行历史负荷数据修正，通过加权平均系数δ对上年度的历史负荷数据进行调整；加权平均系数δ的计算公式为：式中，n为本年度回溯区间的日期数，Y-n为上年度回溯区间的日期数；Y为年度回溯区间的日期数；δ为加权平均系数；Lk为本年度第k日的历史负荷值，为本年度回溯的n日预测时段历史负荷平均值；为上年度第k1日的历史负荷值，为上年度Y-n日预测时段历史负荷的平均值；k为本年度第k日；k1为上年度第k1日。进一步地，所述步骤(3)包括如下步骤：A.节假日、需求响应事件日和预定削减日排除：从预测日前的Y日中排除节假日、需求响应事件日和预定削减日排除；B.阈值排除：设定一个阈值Z％，将历史日中指定预测时段的历史负荷低于所选样本的平均负荷Z％及以上的日子排除在样本之外；C、灰色关联度法气象相似历史日选择：分别计算排除节假日、需求响应事件日、预定削减日和负荷低于阈值日的剩余历史日指定预测时段内的h个气象因子特征值与预测日的灰色关联系数，再将每个历史日的h个选定的作为特征向量的气象因素与预测日的灰色关联系数相加得到每个历史日与预测日之间的灰色关联度，关联度越大，则气象条件相似程度越高；最终选择灰色关联度最大的M日作为相似历史日。进一步地，灰色关联度法相似历史日选择包括如下步骤：①确定参考数列与比较数列：设X0、Xi(i＝1,2,…N)分别为预测日和经过节假日、需求响应事件日、预定削减日和阈值排除后的剩余历史日的气象因素特征向量，N为剩余历史日天数；预测日气象因素特征向量X0＝(X0(1)，X0(2)，...X0(h))，其中h为选定的作为特征向量的气象因素的个数；第i个剩余历史日的气象因素特征向量表示为Xi＝(Xi(1)，Xi(2)，..Xi(h))；i为第i个剩余历史日；X0(1)，X0(2)，..X0(h)分别表示预测日第1个气象因素特征向量，预测日第2个气象因素特征向量，...以及预测日第h个气象因素特征向量，Xi(1)，Xi(2)，..Xi(h)分别表示第i个剩余历史日的第1个气象因素特征向量，第i个剩余历史日的第2个气象因素特征向量，...以及第i个剩余历史日的第h个气象因素特征向量；②指标差异计算和无纲量化处理：第i个剩余历史日第f个气象因素特征向量与预测日第f个气象因素特征向量之间的差异值为Δi(f)：Δi(f)＝|Xi(f)-X0(f)|采用极差归一法对差异值Δi(f)进行处理，极差归一后的差异值Δ'i(f)为：式中：Xi(f)、X0(f)分别表示第i个剩余历史日第f个气象因素特征向量和预测日第f个气象因素特征向量；分别表示经过节假日、需求响应事件日、预定削减日和阈值排除后的剩余历史日与预测日第f个气象因素特征向量之间的差异值的最小值和最大值；③参考数列与比较数列的灰色关联系数计算：预测日与第i个剩余历史日第f个气象因素特征向量的关联系数ξi(k)的计算公式为：式中，为第一级最小差，即第i个剩余历史日中与预测日差异最小的特征向量；为第二级最小差，即所有历史日中与预测日差异最小的特征向量；第一级最大差，即第i个剩余历史日中本文档来自技高网...

【技术保护点】
一种馈线基线负荷预测方法，其特征在于，所述方法包括下述步骤：(1)导入历史气象数据、馈线上所有用户历史负荷数据和预测时段气象数据至内存；(2)历史负荷数据修正；(3)气象相似历史日选择，包括：节假日、需求响应事件日、预定削减日和负荷低于阈值日排除以及灰色关联度法气象相似历史日选择；其中，需求响应事件日为曾实施需求响应的日期，预定削减日为实施有序用电的日期；(4)采用RBF径向基人工神经网络对馈线所有用户基线负荷进行预测；(5)运用调整因子调整馈线所有用户基线负荷预测值；(6)馈线所有用户基线负荷预测结果求和。

【技术特征摘要】
1.一种馈线基线负荷预测方法，其特征在于，所述方法包括下述步骤：(1)导入历史气象数据、馈线上所有用户历史负荷数据和预测时段气象数据至内存；(2)历史负荷数据修正；(3)气象相似历史日选择，包括：节假日、需求响应事件日、预定削减日和负荷低于阈值日排除以及灰色关联度法气象相似历史日选择；其中，需求响应事件日为曾实施需求响应的日期，预定削减日为实施有序用电的日期；(4)采用RBF径向基人工神经网络对馈线所有用户基线负荷进行预测；(5)运用调整因子调整馈线所有用户基线负荷预测值；(6)馈线所有用户基线负荷预测结果求和。2.如权利要求1所述的馈线基线负荷预测方法，其特征在于，所述步骤(1)包括如下步骤：A.历史气象数据导入：导入馈线基线负荷预测日前Y日指定预测时段内的气象数据，每个历史日的气象参数包括温度、湿度和风速；历史数据导入时段不超出夏季高峰月份6-9月，若本年回溯区间不足Y日，用上年度6-9月日期补足；B.历史负荷数据导入：导入待预测馈线所有用户在预测日前Y天指定预测时段内的历史负荷数据；历史数据导入时段不超出夏季高峰月份6-9月，若本年回溯区间不足Y日，用上年度6-9月日期补足；C.预测时段气象数据导入：导入预测时段内的气象数据，包括温度、湿度和风速。3.如权利要求1所述的馈线基线负荷预测方法，其特征在于，所述步骤(2)包括：对本年度回溯区间不足Y日的情况进行历史负荷数据修正，通过加权平均系数δ对上年度的历史负荷数据进行调整；加权平均系数δ的计算公式为：式中，n为本年度回溯区间的日期数，Y-n为上年度回溯区间的日期数；Y为年度回溯区间的日期数；δ为加权平均系数；Lk为本年度第k日的历史负荷值，为本年度回溯的n日预测时段历史负荷平均值；为上年度第k1日的历史负荷值，为上年度Y-n日预测时段历史负荷的平均值；k为本年度第k日；k1为上年度第k1日。4.如权利要求1所述的馈线基线负荷预测方法，其特征在于，所述步骤(3)包括如下步骤：A.节假日、需求响应事件日和预定削减日排除：从预测日前的Y日中排除节假日、需求响应事件日和预定削减日排除；B.阈值排除：设定一个阈值Z％，将历史日中指定预测时段的历史负荷低于所选样本的平均负荷Z％及以上的日子排除在样本之外；C、灰色关联度法气象相似历史日选择：分别计算排除节假日、需求响应事件日、预定削减日和负荷低于阈值日的剩余历史日指定预测时段内的h个气象因子特征值与预测日的灰色关联系数，再将每个历史日的h个选定的作为特征向量的气象因素与预测日的灰色关联系数相加得到每个历史日与预测日之间的灰色关联度，关联度越大，则气象条件相似程度越高；最终选择灰色关联度最大的M日作为相似历史日。5.如权利要求4所述的馈线基线负荷预测方法，其特征在于，灰色关联度法相似历史日选择包括如下步骤：①确定参考数列与比较数列：设X0、Xi(i＝1,2,…N)分别为预测日和经过节假日、需求响应事件日、预定削减日和阈值排除后的剩余历史日的气象因素特征向量，N为剩余历史日天数；预测日气象因素特征向量X0＝(X0(1)，X0(2)，…X0(h))，其中h为选定的作为特征向量的气象因素的个数；第i个剩余历史日的气象因素特征向量表示为Xi＝(Xi(1)，Xi(2)，…Xi(h))；i为第i个剩余历史日；X0(1)，X0(2)，…X0(h)分别表示预测日第1个气象因素特征向量，预测日第2个气象因素特征向量，...以及预测日第h个气象因素特征向量，Xi(1)，Xi(2)，…Xi(h)分别表示第i个剩余历史日的第1个气象因素特征向量，第i个剩余历史日的第2个气象因素特征向量，...以及第i个剩余历史日的第h个气象因素特征向量；②指标差异计算和无纲量化处理：第i个剩余历史日第f个气象因素特征向量与预测日第f个气象因素特征向量之间的差异值为Δi(f)：Δi(f)＝|Xi(f)-X0(f)|采用极差归一法对差异值Δi(f)进行处理，极差归一后的差异值Δ'i(f)为：式中：Xi(f)、X0(f)分别表示第i个剩余历史日第f个气象因素特征向量和预测日第f个气象因素特征向量；分别表示经过节假日、需求响应事件日、预定削减日和阈值排除后的剩余历史日与预测日第f个气象因素特征向量之间的差异值的最小值和最大值；③参考数列与比较数列的灰色关联系数计算：预测日与第i个剩余历史日第f个气象因素特征向量的关联系数ξi(k)的计算公式为：式中，为第一级最小差，即第i个剩余历史日中与预测日差异最小的特征向量；为第二级最小差，即所有历史日中与预测日差异最小的特征向量；第一级最大差，即第i个剩余历史日中与预测日差异最大的特征向量；为第二级最大差，即所有历史日中与预测日差异最大的特征向量；ρ为分辨系数，在0-1之间；④灰色关联度计算：各个特征值灰色关联系数的平均值即为预测日与第i个剩余历史日的灰色关联度Ri，灰色关联度的计算公式为：式中：h为选定的作为气象因素特征向量的个数；⑤灰色关联度大小排序：每个剩余历史日与预测日的气象因素特征向量差异值越小，关联度系数越大，关联度也...

【专利技术属性】
技术研发人员：严春华，曹阳，张鸿，单茂华，田伟，鄢蜜昉，高志远，曾丹，刘俊，
申请(专利权)人：中国电力科学研究院，国家电网公司，江苏省电力公司，江苏省电力公司南京供电公司，国网辽宁省电力有限公司，
类型：发明
国别省市：北京,11