一种工业园区工厂用电负荷的超短期预测方法技术

一种工业园区工厂用电负荷的超短期预测方法，该方法先获取工业园区工厂用电负荷的

【技术实现步骤摘要】
一种工业园区工厂用电负荷的超短期预测方法
本专利技术属于配电网负荷预测
，具体涉及一种基于灰色斜率关联度分析及OPTICS聚类联合算法的工业园区工厂用电负荷的超短期预测方法。
技术介绍
目前用电负荷预测主要包含两种方法，一种是基于数据驱动的用电负荷预测方法，其首先对用电历史数据进行聚类分析，然后借助于各种先进的机器学习算法实现待预测日的用电负荷预测。另一种方法是基于模型驱动的用电负荷预测方法，其一般是根据设备用电固有规律构建用电负荷机理模型，然后基于待预测日的预测参数直接求解用电负荷。对于用电负荷的超短期预测而言，目前主要采用的是基于数据驱动的方法。现有方法用于工业园区工厂用电负荷的超短期预测时，预测精度往往达不到要求。经分析发现，虽然工业园区工厂用电负荷存在较强的规律性，但受工业产能及电动机实时启停影响，用电负荷波动性大。传统的聚类方法主要集中在用电峰谷差等参数方面进行分析，不能适应工厂用电负荷这一特性。在预测算法上，多采用人工智能的方法，通过大量历史数据的训练来优化神经网络，达到预测目的。由于工厂用电负荷受影响因素众多，这一预本文档来自技高网...

【技术保护点】
1.一种工业园区工厂用电负荷的超短期预测方法，其特征在于：/n所述预测方法依次包括以下步骤：/n步骤A、先获取工业园区工厂用电负荷h

【技术特征摘要】
1.一种工业园区工厂用电负荷的超短期预测方法，其特征在于：
所述预测方法依次包括以下步骤：
步骤A、先获取工业园区工厂用电负荷h1的D日历史用电数据，然后对这些历史用电数据进行聚类分析，得到NCh1类负荷用电数据；
步骤B、基于待预测日前now个时段的已有用电数据，先计算其与步骤A得到的各类负荷的典型用电曲线相同时段的总关联度，然后根据总关联度计算结果确定待预测日接下来npre个时段的用电负荷预测基础值；
步骤C、采用各类负荷的历史日用电数据预测同类型日用电数据的误差期望值对步骤B得到的用电负荷预测基础值进行修正，得到待预测日接下来npre个时段的用电负荷预测结果。


2.根据权利要求1所述的一种工业园区工厂用电负荷的超短期预测方法，其特征在于：
所述步骤B采用灰色斜率关联度分析计算待预测日的已有数据与步骤A得到的各类负荷的典型用电曲线相同时段的总关联度：


















Sp＝[Ph1,tp,1，Ph1,tp,2，Ph1,tp,3，……，Ph1,tp,96]



上式中，ρh1，pre，p为待预测日的已有数据与第p类负荷的典型用电曲线相同时段的总关联度，为待预测日的已有数据与第p类负荷的典型用电曲线在第m个时段的关联度，为待预测日的已有数据与第p类负荷的典型用电曲线在第k个时段的斜率之间的方向关系，方向相反为-1，反之则为1，Ph1,pre,k+1、Ph1,pre,k分别为待预测日用电负荷在第k+1、k个时段的用电功率，Ph1,p,k+1、Ph1,p,k分别为第p类负荷的典型用电曲线在第k+1、k个时段的用电功率，分别为待预测日、第p类负荷的典型用电曲线在前now个时段的平均用电功率，Sp为第p类负荷的典型用电曲线，Ph1,i,k为第p类负荷第i日第k个时段的用电功率，NCp为第p类负荷包含的用电功率数据总天数。


3.根据权利要求2所述的一种工业园区工厂用电负荷的超短期预测方法，其特征在于：
所述步骤B采用以下公式计算得到待预测日接下来npre个时段的用电负荷预测基础值：



上式中，Ph1，pre，t为待预测日第t个时段的用电负荷预测基础值，Ph1,tp,t为第p类负荷的典型用电曲线在第t个时段的用电功率，ρh1，pre，kk为待预测日的已有数据与第kk类负荷的典型用电曲线相同时段的总关联度。


4.根据权利要求3所述的一种工业园区工厂用电负荷的超短期预测方法，其特征在于：
步骤C中，所述误差期望值为基于各类负荷用电数据中与待预测日最接近的xD天数据、计算得到的其与该类负荷的典型用电曲线在第now时段之后至now+npre个时段差值的期望值：



上式中，Ep，t为第p类负荷的用电数据与其典型用电曲线在第t个时段差值的期望值。


5.根据权利要求4所述的一种工业园区工厂用电负荷的超短期预测方法，其特征在于：<...

【专利技术属性】
技术研发人员：侯婷婷，方仍存，杨东俊，张维，唐金锐，阮博，迟赫天，
申请(专利权)人：国家电网有限公司，国网湖北省电力有限公司经济技术研究院，
类型：发明
国别省市：北京;11