一种基于温度敏感性的公变台区负载率预测系统技术方案

本发明专利技术属于电力系统技术领域，且公开了一种基于温度敏感性的公变台区负载率预测系统，包括有异常数据辨识与修正、负荷结构分析、影响因素评估和负荷预测模型。本发明专利技术通过历史气象数据、预测气象数据和用户历史负荷数据、用户实时负荷数据，先通过欧几里得距离法、相关系数分析法方法实现相似日获取，再利用标准差、均值分析、历史平均值分析方法实现短期负荷预测数据计算，最后利用实时负荷数据对短期负荷预测数据进行二次校正，获得更精准的超短期负荷预测数据，从而可以对样本台区进行为期三天的短期负荷预测，并可以根据已发生的台区实际负荷情况，评估了该模型的预测准确率。评估了该模型的预测准确率。评估了该模型的预测准确率。

【技术实现步骤摘要】
一种基于温度敏感性的公变台区负载率预测系统


[0001]本专利技术属于电力系统
，具体为一种基于温度敏感性的公变台区负载率预测系统。

技术介绍

[0002]由于居民台区负荷预测的不确定性很大，受到用户用电行为的影响更为明显，不同台区之间的用电负荷相互参考性较低，表现为弱约束关联，现有技术中，短期负荷预测方法主要包括趋势外推法、回归分析法和统计预测法，对于居民台区的短期负荷预测，可以采用用电类型、用电行为结合气温预测的方式进行，针对不同用户组成结构采用不同的短期负荷预测方法。

技术实现思路

[0003]本专利技术的目的在于提供一种基于温度敏感性的公变台区负载率预测系统，以解决上述
技术介绍
中提出的问题。
[0004]为了实现上述目的，本专利技术提供如下技术方案：一种基于温度敏感性的公变台区负载率预测系统，包括有异常数据辨识与修正、负荷结构分析、影响因素评估和负荷预测模型；
[0005]所述异常数据辨识与修正包括有不良数据识别方法、不良数据批量监测与修正方法和不良批量监测与修正方法；
[0006]所述负荷结构分析包括有分类负荷特征分析和负荷结构构成分析；
[0007]所述影响因素评估包括有工作日/休息日/节假日因素和气象因素；
[0008]所述不良批量监测与修正方法基础数据、获取相似日方法、短期负荷预测数据计算和超短期负荷预测数据；
[0009]所述负荷预测模型包括有基础数据、获取相似日方法、短期负荷预测数据计算和超短期负荷预测数据；
[0010]通过预测基础数据将样本台区预测日前4个月的负荷数据进行了预测模型训练。通过观察4月24日、25日、26日预测数据与实际负荷数据对比图，历史平均模型、线性回归模型和时间序列模型结合温度走势几乎已可以较准确地进行负荷预测，每日的负荷预测结果均有显著的提升。
[0011]优选的，所述基础数据包括有历史气象数据、预测气象数据和用户历史负荷数据、用户实时负荷数据；
[0012]所述获取相似日方法包括有欧几里得距离法和相关系数分析法，通过欧几里得距离法、相关系数分析法方法实现相似日获取；
[0013]所述短期负荷预测数据计算包括有标准差、均值分析法和历史平均值分析法，利用标准差、均值分析、历史平均值分析方法实现短期负荷预测数据计算；
[0014]所述超短期负荷预测数据为实时负荷数据对短期负荷预测数据进行二次校正的
计算结果。
[0015]优选的，所述不良数据识别方法包括有缺失值识别和异常值识别；
[0016]所述不良数据批量监测与修正方法包括有缺失值修正和异常值修正；
[0017]所述不良批量监测与修正方法包括有负荷修正工具。
[0018]优选的，所述缺失值识别中缺失值是指获取的负荷数据集中个别值采集值缺失；
[0019]所述异常值识别中异常值是指获取的负荷数据集中部分点位负荷值显著的不同，如冒大数、负荷值。
[0020]优选的，所述缺失值修正：处理缺失值的方法包含缺失值的观测值、使用平均值或中位数填充缺失值、使用插值方法(如线性插值、多项式插值)来估计缺失值；
[0021]所述异常值修正：处理异常值的方法包含使用之前数个采集点位的平均值或中卫数替换。
[0022]优选的，所述负荷修正工具：将不良数据识别与修正方法进行打包整合，形成独立的异常数据处理工具。
[0023]优选的，所述分类负荷特征分析按用电类别不同可以分为居民和商业两类，从而可以从多个角度分析其季节性特点、峰谷特点、负荷稳定性、负荷率，包括最大负荷、平均负荷、负荷率、峰谷差、典型日负荷曲线在全年不同时段的分布特性；
[0024]所述负荷结构构成分析可以通过分析各台区负荷结构构成情况，分析各台区负荷变化时，各分类负荷与台区总负荷变化的关系，量化评估不同分类负荷对台区总体负荷的影响。
[0025]优选的，所述工作日/休息日/节假日因素具体为不同类型负荷在工作日与休息日的变化特点，包括负荷水平变化与负荷曲线变化；分析节假日对不同类型负荷的影响，确定节前节后影响天数以及调休方式对节假日负荷的不同影响；
[0026]所述气象因素具体为建立综合气象指标模型，分析气象对不同分类负荷的影响程度，辨识各分类负荷主导气象因素，进行气象因素相关性及灵敏度分析。
[0027]本专利技术的有益效果如下：
[0028]1、本专利技术通过历史气象数据、预测气象数据和用户历史负荷数据、用户实时负荷数据，先通过欧几里得距离法、相关系数分析法方法实现相似日获取，再利用标准差、均值分析、历史平均值分析方法实现短期负荷预测数据计算，最后利用实时负荷数据对短期负荷预测数据进行二次校正，获得更精准的超短期负荷预测数据，从而可以对样本台区进行为期三天的短期负荷预测，并可以根据已发生的台区实际负荷情况，评估了该模型的预测准确率。
[0029]2、本专利技术通过采用用电类型、用电行为结合气温预测与的方式进行，针对不同用户组成结构采用不同的短期负荷预测方法，从而可帮助电力公司有效预测台区负荷变化趋势。
[0030]3、本专利技术通过结合气象数据进行台区负荷预测，通过分析气象因素与负荷之间的关系来提高预测的准确性。
附图说明
[0031]图1为本专利技术负荷预测模型流程图；
[0032]图2为本专利技术20230424台区预测图；
[0033]图3为本专利技术20230425台区预测图；
[0034]图4为本专利技术20230426台区预测图。
具体实施方式
[0035]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0036]如图1至图4所示，本专利技术实施例提供了一种基于温度敏感性的公变台区负载率预测系统，包括有异常数据辨识与修正、负荷结构分析、影响因素评估和负荷预测模型；
[0037]异常数据辨识与修正包括有不良数据识别方法、不良数据批量监测与修正方法和不良批量监测与修正方法；
[0038]负荷结构分析包括有分类负荷特征分析和负荷结构构成分析；
[0039]影响因素评估包括有工作日/休息日/节假日因素和气象因素；
[0040]不良批量监测与修正方法基础数据、获取相似日方法、短期负荷预测数据计算和超短期负荷预测数据；
[0041]负荷预测模型包括有基础数据、获取相似日方法、短期负荷预测数据计算和超短期负荷预测数据；
[0042]通过预测基础数据将样本台区预测日前4个月的负荷数据进行了预测模型训练。通过观察4月24日、25日、26日预测数据与实际负荷数据对比图，历史平均模型、线性回归模型和时间序列模型结合温度走势几乎已可以较准确地进行负荷预测，每日的负荷预测结果均有显著的提升；
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于温度敏感性的公变台区负载率预测系统，其特征在于：包括有异常数据辨识与修正、负荷结构分析、影响因素评估和负荷预测模型；所述异常数据辨识与修正包括有不良数据识别方法、不良数据批量监测与修正方法和不良批量监测与修正方法；所述负荷结构分析包括有分类负荷特征分析和负荷结构构成分析；所述影响因素评估包括有工作日、休息日、节假日因素和气象因素；所述不良批量监测与修正方法基础数据、获取相似日方法、短期负荷预测数据计算和超短期负荷预测数据；所述负荷预测模型包括有基础数据、获取相似日方法、短期负荷预测数据计算和超短期负荷预测数据。2.根据权利要求1所述的一种基于温度敏感性的公变台区负载率预测系统，其特征在于：所述基础数据包括有历史气象数据、预测气象数据和用户历史负荷数据、用户实时负荷数据；所述获取相似日方法包括有欧几里得距离法和相关系数分析法，通过欧几里得距离法、相关系数分析法方法实现相似日获取；所述短期负荷预测数据计算包括有标准差、均值分析法和历史平均值分析法，利用标准差、均值分析、历史平均值分析方法实现短期负荷预测数据计算；所述超短期负荷预测数据为实时负荷数据对短期负荷预测数据进行二次校正的计算结果。3.根据权利要求1所述的一种基于温度敏感性的公变台区负载率预测系统，其特征在于：所述不良数据识别方法包括有缺失值识别和异常值识别；所述不良数据批量监测与修正方法包括有缺失值修正和异常值修正；所述不良批量监测与修正方法包括有负荷修正工具。4.根据权利要求1所述的一种基于温度敏感性的公变台区负载率预测系统，其特征在于：所述缺失值识别中缺失值是指获取的负荷数据集中个别值采集值缺失；所...

【专利技术属性】
技术研发人员：邢海秋，宋杰，邓盛旭，曾斌，李龙，
申请(专利权)人：北京恒泰实达科技股份有限公司，
类型：发明
国别省市：