CN109390938A - 一种智能园区需求侧短期负荷预测方法及其装置 - Google Patents

Abstract

本发明涉及一种智能园区需求侧短期负荷预测方法及其装置，该方法包括以下步骤：采集园区一天24小时的用电负荷数据；使用时间序列模型拟合园区一天24小时的用电负荷，得到用电负荷拟合值及训练好的时间序列模型；将用电负荷拟合值与实际值对比，计算平均相对误差并根据平均相对误差验证训练好的时间序列模型；用训练好的时间序列模型预测一天之后的用电负荷情况。本发明在已采集到的历史负荷数据的基础上，全面分析影响负荷波动的时间因素，采用时间序列模型对其建模分析预测智能园区短期负荷走势，从而为园区电网调度制定发、供电计划提供参考依据，对系统实现资源调控、保证电能供求平衡、保证电能质量有重要的作用。

Description

一种智能园区需求侧短期负荷预测方法及其装置

技术领域

本发明属于智能电网技术领域，尤其是一种智能园区需求侧短期负荷预测方法及其装置。

背景技术

园区的用电负荷预测是电力系统规划中的重要环节，而电力负荷预测需要解决的是由电能无法大规模存储带来的电能供求平衡问题，进而保证供电质量。随着电力能量管理系统(EMS)的发展，短期负荷预测已经成为EMS的必要环节之一，为保障电力系统的安全经济运行提供支持，其主要用于优化机组启停、水电计划、水火电协调和交换功率计划。通过对短期电力负荷的精确预测，可以为电网调度制定发、供电计划提供参考依据，并保障电网中的电能供需平衡，对估计电能的生产、输送、分配和销售都能提供数据支持，使电力系统能制定更经济、合理的发、用电方案，实现能源管控，节能减排的目标。如何对园区需求侧短期负荷预测进行精确预测是目前迫切需要解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理且预测准确的智能园区需求侧短期负荷预测方法及其装置。

本发明解决其技术问题是采取以下技术方案实现的：

一种智能园区需求侧短期负荷预测方法，包括以下步骤：

步骤1：采集园区一天24小时的用电负荷数据；

步骤2：使用时间序列模型拟合园区一天24小时的用电负荷，得到用电负荷拟合值及训练好的时间序列模型；

步骤3：将步骤2得到的用电负荷拟合值与实际值对比，计算平均相对误差并根据平均相对误差验证训练好的时间序列模型；

步骤4：利用步骤2训练好的时间序列模型预测一天之后的用电负荷情况。

进一步，所述步骤2使用时间序列模型拟合园区一天24小时的用电负荷。

进一步，所述步骤2使用的时间序列模型为：

式中，分别为一次指数平滑、二次指数平滑以及三次指数平滑t时刻的用电负荷拟合值，α为平滑系数，分别为一次指数平滑、二次指数平滑以及三次指数平滑t-1时刻的用电负荷拟合值。

进一步，所述平滑系数α的取值为0.1～0.3。

进一步，所述步骤3中的平均相对误差按照如下公式计算：

式中，为三次指数平滑t时刻的用电负荷拟合值，y_t为t时刻的用电负荷实际值。

进一步，所述步骤4的预测方法按照如下公式计算：

式中，y_t为t时刻的用电负荷实际值，T表示预测超前周期，a_t、b_t、c_t为三次指数平滑预测模型的相关系数；分别为一次指数平滑、二次指数平滑以及三次指数平滑t时刻的用电负荷拟合值，α为平滑系数。

一种实现智能园区需求侧短期负荷预测方法的装置，包括如下模块：

用电负荷数据采集模块：采集园区一天24小时的用电负荷数据；

用电负荷数据拟合模块：拟合园区一天24小时的用电负荷，得到用电负荷拟合值及训练好的时间序列模型；

平均相对误差计算模块：将用电负荷拟合值与实际值对比，计算平均相对误差并根据平均相对误差验证训练好的时间序列模型；

用电负荷预测模块：使用训练好的时间序列模型预测一天之后的用电负荷情况。

进一步，所述用电负荷数据拟合模块采用如下时间序列模型：

式中，分别为一次指数平滑、二次指数平滑以及三次指数平滑t时刻的用电负荷拟合值，α为平滑系数，分别为一次指数平滑、二次指数平滑以及三次指数平滑t-1时刻的用电负荷拟合值。

进一步，所述平均相对误差计算模块采用如下计算模型：

式中，为三次指数平滑t时刻的用电负荷拟合值，y_t为t时刻的用电负荷实际值。

进一步，所述用电负荷预测模块采用如下预测模型：

式中，y_t为t时刻的用电负荷实际值，T表示预测超前周期，a_t、b_t、c_t为三次指数平滑预测模型的相关系数；分别为一次指数平滑、二次指数平滑以及三次指数平滑t时刻的用电负荷拟合值，α为平滑系数。

本发明的优点和积极效果是：

1、本发明在已采集到的历史负荷数据的基础上，全面分析影响负荷波动的时间因素，采用时间序列模型对其建模分析预测智能园区短期负荷走势，从而为园区电网调度制定发、供电计划提供参考依据，进而有效地实现资源的优化配置、均衡负荷、提高管理能效，对系统实现资源调控、保证电能供求平衡、保证电能质量有重要的作用。

2、本发明采用的时间序列模型具有很强的稳定性和规则性，其认为最近的过去态势，在某种程度上会持续的影响未来，仅需控制平滑系数α的大小，便可以取得较为良好的拟合和预测效果，对不同时间的数据的非等权处理较符合实际情况，并且预测模型能自动识别数据模式的变化而加以调整，其方法简单且易于实现。

附图说明

图1是园区用电负荷趋势图；

图2是α₁＝0.1时的园区用电负荷实际值与拟合值走势图；

图3是α₁＝0.3时的园区用电负荷实际值与拟合值走势图；

图4是α₁＝0.5时的园区用电负荷实际值与拟合值走势图。

具体实施方式

以下结合附图对本发明实施例做进一步详述。

本发明的智能园区需求侧短期负荷预测方法，包括如下步骤：

步骤1：采集某园区一天24小时的用电负荷数据，并观察其走势情况，采集数据如表1所示。

表1园区24小时的用电负荷数据(×10³kW)

根据表1的园区用电负荷情况，画出其走势图如图1所示。从图1可以看出，园区一天的用电负荷大致呈抛物线趋势，用电高峰期在10:00-14:00之间，用电负荷呈现很强的时间性，这对预测模型的选择起到一定的指导作用。时间序列模型具有很强的稳定性和规则性，其认为最近的过去态势，在某种程度上会持续的影响未来，通过平滑系数α的选择可以达到这一目的。

步骤2：利用时间序列模型拟合园区24小时的用电负荷，得到用电负荷的拟合值及训练好的时间序列模型模型。

在本步骤中，所述时间序列模型是按照如下公式计算：

式中，分别为一次指数平滑、二次指数平滑以及三次指数平滑t时刻的用电负荷拟合值，α为平滑系数，分别为一次指数平滑、二次指数平滑以及三次指数平滑t-1时刻的用电负荷拟合值。

此外，平滑系数α取值区间为[0,1]，选择合适的加权系数α是提高预测精度的关键所在，其中α值愈大，加权系数序列衰减速度愈快，所以实际上α取值大小起着控制参加平均的历史数据的个数的作用，根据“新数据给予较大的权数，旧数据给予较小的权数”原则，在这里分别取α₁＝0.1，α₂＝0.3，α₃＝0.5进行预测，并根据平均相对误差选择合适的平滑系数。

根据三次指数平滑模型依次计算α₁＝0.1、α₂＝0.3和α₃＝0.5时一次、二次、三次指数平滑值，表2给出了α₁＝0.1时的结果，α₂＝0.3和α₃＝0.5的结果同理可以计算。

表2一次、二次、三次指数平滑值

不同平滑系数α下实际值与拟合值及平均相对误差如表3所示，其走势图分别如图2、3、4所示。

表3园区24小时的用电负荷(×10³kW)拟合值及平均相对误差

步骤3：将使用时间序列模型得到的用电负荷拟合值与实际值对比，计算平均相对误差并根据平均相对误差验证训练好的时间序列模型。

在本步骤中，平均相对误差是按照如下公式计算：

ε的大小反映了时间序列模型拟合园区用电负荷的准确度，ε越小，说明时间序列模型的拟合值越能很好的逼近实际值，可以很好的说明模型的可行性。根据表3中园区24小时的用电负荷拟合值结合上述计算公式可以得到不同平滑系数α下的平均相对误差ε的值，如表3所示。从表3可以看到，α＝0.1时，ε＝13％，平均相对误差最小，结合图2、3、4也可以看出α＝0.1时，模型拟合效果最好，因此可以选择α＝0.1的模型进行下一步的预测。

本步骤根据平均相对误差用于判断拟合效果，判断拟合效果是为了验证模型的准确性。由于建立了一个模型，肯定需要一些指标来评判其合理性，而对于本预测模型，通过其预测值与实际值的偏差来判断合理性是最简单直接的有效方式。

步骤4：利用步骤2训练好的时间序列模型预测一天之后的用电负荷情况。

目前周期数为t＝25，将表2中有关数据代入模型中去，计算非线性预测模型的系数a_t、b_t、c_t。

三次指数平滑法的预测模型为：

a₂₅＝3×2.75-3×2.85+2.88＝2.7

建立非线性预测模型：

预测下一时刻园区用电负荷，其预测超前周期为T＝1(T表示预测超前周期，T＝0表示预测值为第二天的0：00，T＝1表示预测值为第二天的1：00，依次类推)，代入预测模型中去，

即求得了下一时刻的用电负荷值。

本发明的实现智能园区需求侧短期负荷预测方法的装置，包括如下模块：

用电负荷数据采集模块：采集园区一天24小时的用电负荷数据；

用电负荷数据拟合模块：拟合园区一天24小时的用电负荷，得到用电负荷拟合值及训练好的时间序列模型；该用电负荷数据拟合模块采用如下时间序列模型：

式中，分别为一次指数平滑、二次指数平滑以及三次指数平滑t时刻的用电负荷拟合值，α为平滑系数，分别为一次指数平滑、二次指数平滑以及三次指数平滑t-1时刻的用电负荷拟合值。

平均相对误差计算模块：将用电负荷拟合值与实际值对比，计算平均相对误差并根据平均相对误差验证训练好的时间序列模型；该平均相对误差计算模块采用如下计算模型：

式中，为三次指数平滑t时刻的用电负荷拟合值，y_t为t时刻的用电负荷实际值。

用电负荷预测模块：使用训练好的时间序列模型预测一天之后的用电负荷情况。该用电负荷预测模块采用如下预测模型：

式中，y_t为t时刻的用电负荷实际值，T表示预测超前周期，a_t、b_t、c_t为三次指数平滑预测模型的相关系数；分别为一次指数平滑、二次指数平滑以及三次指数平滑t时刻的用电负荷拟合值，α为平滑系数。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (10)

1.一种智能园区需求侧短期负荷预测方法，其特征在于包括以下步骤：

步骤1：采集园区一天24小时的用电负荷数据；

步骤2：拟合园区一天24小时的用电负荷，得到用电负荷拟合值及训练好的时间序列模型；

步骤3：将步骤2得到的用电负荷拟合值与实际值对比，计算平均相对误差并根据平均相对误差验证训练好的时间序列模型；

步骤4：利用步骤3训练好的时间序列模型预测一天之后的用电负荷情况。

2.根据权利要求1所述的一种智能园区需求侧短期负荷预测方法，其特征在于：所述步骤2使用时间序列模型拟合园区一天24小时的用电负荷。

3.根据权利要求2所述的一种智能园区需求侧短期负荷预测方法，其特征在于：所述时间序列模型按如下公式计算：

式中，分别为一次指数平滑、二次指数平滑以及三次指数平滑t时刻的用电负荷拟合值，α为平滑系数，分别为一次指数平滑、二次指数平滑以及三次指数平滑t-1时刻的用电负荷拟合值。

4.根据权利要求3所述的一种变电站一次设备故障判断与处理决策系统，其特征在于：所述平滑系数α的取值为0.1～0.3。

5.根据权利要求1所述的一种智能园区需求侧短期负荷预测方法，其特征在于：所述步骤3中的平均相对误差按照如下公式计算：

式中，为三次指数平滑t时刻的用电负荷拟合值，y_t为t时刻的用电负荷实际值。

6.根据权利要求1所述的一种智能园区需求侧短期负荷预测方法，其特征在于：所述步骤4的预测方法按照如下公式计算：

式中，y_t为t时刻的用电负荷实际值，T表示预测超前周期，a_t、b_t、c_t为三次指数平滑预测模型的相关系数；分别为一次指数平滑、二次指数平滑以及三次指数平滑t时刻的用电负荷拟合值，α为平滑系数。

7.一种实现如权利要求1至6任一项所述智能园区需求侧短期负荷预测方法的装置，其特征在于：包括如下模块：

用电负荷数据采集模块：采集园区一天24小时的用电负荷数据；

用电负荷数据拟合模块：拟合园区一天24小时的用电负荷，得到用电负荷拟合值及训练好的时间序列模型；

平均相对误差计算模块：将用电负荷拟合值与实际值对比，计算平均相对误差并根据平均相对误差验证训练好的时间序列模型；

用电负荷预测模块：使用训练好的时间序列模型预测一天之后的用电负荷情况。

8.根据权利要求7所述的一种实现智能园区需求侧短期负荷预测方法的装置，其特征在于：所述用电负荷数据拟合模块采用如下时间序列模型：

式中，分别为一次指数平滑、二次指数平滑以及三次指数平滑t时刻的用电负荷拟合值，α为平滑系数，分别为一次指数平滑、二次指数平滑以及三次指数平滑t-1时刻的用电负荷拟合值。

9.根据权利要求8所述的一种实现智能园区需求侧短期负荷预测方法的装置，其特征在于：所述平均相对误差计算模块采用如下计算模型：

式中，为三次指数平滑t时刻的用电负荷拟合值，y_t为t时刻的用电负荷实际值。

10.根据权利要求7所述的一种实现智能园区需求侧短期负荷预测方法的装置，其特征在于：所述用电负荷预测模块采用如下预测模型：

式中，y_t为t时刻的用电负荷实际值，T表示预测超前周期，a_t、b_t、c_t为三次指数平滑预测模型的相关系数；分别为一次指数平滑、二次指数平滑以及三次指数平滑t时刻的用电负荷拟合值，α为平滑系数。