一种非正常日的负荷预测方法及系统与流程

1.本发明属于电力系统分析技术领域，尤其涉及一种非正常日的负荷预测方法及系统。


背景技术：

2.近年来，随着电力市场化改革的深入，对负荷预测工作提出了更高的要求，同时，信息技术领域的新理论、新方法使负荷预测技术得到了迅速的发展。但至今还没有哪一种算法能够完全解决负荷预测中的所有问题，尤其是对负荷预测中最棘手的问题
‑‑
非正常日(节假日、天气突变)的预测，那些在正常日有很好效用的算法也无能为力。
3.非正常日内影响负荷的重要因素发生了突然、显著的变化，负荷必然会与正常日有很大的不同，因此，如果不能事先判别出这种突变并做适当处理。仍旧使用正常日的模型和算法，那么无论哪一种数学模型都无法避免误差的产生误差。
4.在实际中，长期从事负荷预测的人员往往能够比较准确地把握上述非正常日的误差趋势，因此，很多负荷预测软件都不同程度地提供了人工修正功能。人工修正的核心不在于定量地计算误差的大小，而是根据丰富的经验，准确地判断出是否需要修正及负荷增减的趋势。至于确定修正量，则往往采用简易的办法。
5.综上所述，有必要研究非正常日的负荷预测方法，提高非正常日的负荷预测精度。


技术实现要素：

6.本发明提供一种非正常日的负荷预测方法及系统，用于解决非正常日的负荷预测精度低的技术问题。
7.第一方面，本发明提供一种非正常日的负荷预测方法，包括：获取待测日的负荷以及与所述负荷相关联的影响因素，其中，所述待测日包括正常日和非正常日，所述待测日的影响因素包括待测日的降水数据和温度数据；若待测日为非正常日，则获取所述非正常日的历史负荷，根据所述历史负荷对所述非正常日的实际负荷进行预测，得到常规负荷；根据所述非正常日的影响因素与预设筛选条件进行比较，使对所述非正常日进行分类，并将非正常日的实际负荷输入至与分类结果相对应的修正模型中，得到修正负荷量，其中，所述非正常日的类别包括温度异常日以及降水异常日，所述修正模型包括温度修正模型以及降水修正模型；基于所述非正常日的常规负荷以及所述非正常日的修正负荷量计算所述非正常日的目标预测负荷。
8.第二方面，本发明提供一种非正常日的负荷预测系统，包括：获取模块，配置为获取待测日的负荷以及与所述负荷相关联的影响因素，其中，所述待测日包括正常日和非正常日，所述待测日的影响因素包括待测日的降水数据和温度数据；预测模块，配置为若待测日为非正常日，则获取所述非正常日的历史负荷，根据所述历史负荷对所述非正常日的实际负荷进行预测，得到常规负荷；修正模块，根据所述非正常日的影响因素与预设筛选条件进行比较，使对所述非正常日进行分类，并将非正常日的实际负荷输入至与分类结果相对
应的修正模型中，得到修正负荷量，其中，所述非正常日的类别包括温度异常日以及降水异常日，所述修正模型包括温度修正模型以及降水修正模型；计算模块，配置为基于所述非正常日的常规负荷以及所述非正常日的修正负荷量计算所述非正常日的目标预测负荷。
9.本技术的一种非正常日的负荷预测方法及系统，充分考虑非正常日的负荷变化和特性，根据非正常日的影响因素与预设筛选条件进行比较，使对非正常日进行分类，并将非正常日的实际负荷输入至与分类结果相对应的修正模型中，得到修正负荷量，通过修正负荷量与常规负荷综合计算得到目标预测负荷，能够提高非正常日的负荷预测精度。
附图说明
10.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
11.图1为本发明一实施例提供的一种非正常日的负荷预测方法的流程图；
12.图2为本发明一实施例提供的一种非正常日的负荷预测系统的结构框图；
13.图3是本发明一实施例提供的电子设备的结构示意图。图4是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
14.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
15.请参阅图1，其示出了本技术的一种非正常日的负荷预测方法的流程图。
16.如图1所示，非正常日的负荷预测方法，具体包括以下步骤：
17.步骤s101，获取待测日的负荷以及与所述负荷相关联的影响因素，其中，所述待测日包括正常日和非正常日，所述待测日的影响因素包括待测日的降水数据和温度数据。
18.在本实施例中，降水数据包括待测日及前n日的降雨量和待测日前15天累计降水量；温度数据包括待测日的温度值、待测日前的温度和待测日及前n-1日的温度变化量。
19.具体地，若待测日为正常日，则获取与所述非正常日的历史负荷，根据所述历史负荷对所述非正常日的实际负荷进行预测，得到常规负荷，即目标预测负荷。
20.步骤s102，若待测日为非正常日，则获取所述非正常日的历史负荷，根据所述历史负荷对所述非正常日的实际负荷进行预测，得到常规负荷。
21.步骤s103，根据所述非正常日的影响因素与预设筛选条件进行比较，使对所述非正常日进行分类，并将非正常日的实际负荷输入至与分类结果相对应的修正模型中，得到修正负荷量，其中，所述非正常日的类别包括温度异常日以及降水异常日，所述修正模型包括温度修正模型以及降水修正模型。
22.在本实施例中，温度修正模型的表达式为：
23.r＝y0(f(n)-1)＝y0((1+i％)
n-1)，
24.式中，r为修正负荷量，y0为常规负荷，i为持续效应系数，n为天数；
25.降水修正模型的表达式为：
26.r＝at+b，
27.式中，t为雨期持续的天数，a，b均为待定常量。
28.需要说明的是，预设筛选条件包括待测日及前n日的降雨量阈值、待测日前15天累计降水量阈值、待测日的温度值阈值、待测日前的温度阈值和待测日及前n-1日的温度变化量阈值。
29.步骤s104，基于所述非正常日的常规负荷以及所述非正常日的修正负荷量计算所述非正常日的目标预测负荷。
30.在本实施例中，计算非正常日的目标预测负荷的表达式为：
31.y＝a
t
r，
32.式中，a＝[a1，a2，...，a
n+1
]
t
为参数向量，可用最小二乘拟合，r＝[f0，r1，...，rn]，f0为常规负荷，rn为第n个修正模型的修正负荷量。
[0033]
综上，本技术的方法，充分考虑非正常日的负荷变化和特性，根据非正常日的影响因素与预设筛选条件进行比较，使对非正常日进行分类，并将非正常日的实际负荷输入至与分类结果相对应的修正模型中，得到修正负荷量，通过修正负荷量与常规负荷综合计算得到目标预测负荷，能够提高非正常日的负荷预测精度。
[0034]
在一个具体实施例中，本发明的具体步骤如下：
[0035]
(1)采集正常日，非正常日的负荷，天气，降水，温度等数据。
[0036]
(2)利用数据挖掘技术构建专家知识库
[0037]
尽管数据挖掘具有从海量数据中发现潜在规律的能力，但它毕竟只是一种知识发现的工具，要想有效地利用这一工具，发掘出对负荷预测工作有实际意义的规律，必须以人的经验进行适当的引导，有的放矢地进行。用数据挖掘技术建立知识库的过程分为以下几个步骤：
[0038]
(2.1)待测集选取
[0039]
a.所谓待测集，是指分析的对象集合.可选做待测集的有待测日各点负荷值和待测日各点负荷变化值。
[0040]
b.属性集选取
[0041]
所谓属性集是指待测集s影响因素的集合，是进行分类的依据，可选做属性集的有待测日的各类(最高、最低、平均、各点)温度值、待测日前、日相应的各类温度值(考虑温度变化趋势)、待测日及前n-1日的各类温度变化量、待测日及前n日的降雨量、待测自前15d累计降水量(判断是否在雨季)、待测日的基本类(工作日、休息日)、待测日的特殊类型(节假日的第n天，n＝-2，-1，1，2，
…
13，以考虑节假日前后的影响)等等。
[0042]
c.数据挖掘计算
[0043]
将定义的属性集和待厕集代人决策树算法模型中，可以进行决策树的归纳和剪枝。
[0044]
d.挖掘结果的分析
[0045]
数据挖掘的结果是生成二系列决策树，每一棵树表达了某一待测集s:关于所有属性集一a的划分ta.
[0046]
e.决策树信息筛选
[0047]
分别选取待测日各点负荷值、待测日各点负荷变化值等作为待测集，可以得到一组决策树，这些决策树构成了知识库的决策基础。决策树中的每一分枝都代表了各类影响因素满足某一条件时的一种情况。其中，一部分分枝代表待测日是正常日时满足的条件，另一部分代表非正常日的条件。比如，上述t0节点的3个分类中，“平均气温》25.08℃”这一类，表明当满足该条件时待测日是非正常日。决策树信息的筛选，也就是决定哪些分枝属于正常日，哪些属于非正常日。可以按一定的规律自动筛选，比如将各节点的分类属性值a(r)排序，数值居中的分枝为正常日，数值偏大或偏小的为非正常日。也可以结合专家的经验人工筛选。
[0048]
f.决策树信息分类
[0049]
在筛选的基础上，按照属性集a(r)的不同，可以对非正常日进行分类。就a(r)的实际意义，这些类别可概括为温度异常、降水异常和节假日异常三大类。对不同类型的非正常日，可以建立不同的修正模型。至此，已经建立起影响因素(属性集)与修正模型的对应关系。
[0050]
综上，决策树提供的知识是基于大量历史数据挖掘的结果，它有客观、全面的特点，但只有经过专家经验的再次提炼，才能获得最有效的决策规则。考虑到决策知识库的重要性及相对稳定的特点，进行一定的人工参与是值得的。
[0051]
(3)修正决策
[0052]
非正常日的负荷，其最鲜明的特征在于这类日子的负荷是突变的，不符合正常日预测模型。因此改进非正常日预测精度的首要任务，是准确地断定待测日是不是非正常日，如果是则属于哪类非正常日。这一任务我们称之为修正决策，其基础是利用数据挖掘及传统谓词表达建立的知识库。决策步骤如下：
[0053]
a.输入气象数据，气象数据的选取与2 3节中介绍的决策树模型“属性集的选取”完全一致。
[0054]
b.利用知识库处理待测日的影响因素数据，判断待测日是否是非正常日、预测结果是否需要修正。
[0055]
c.如果待测日是正常日，则不进行任何修正，将常规预测结果作为最终预测结果；如果待测日是非正常日，进一步将待测日分类，如夏季罕见高温、持续高温、寒潮、暴雨、梅雨，假日前1日，假日第1日等。
[0056]
这一流程的基本思想体现了稳健性原则:
①
对占大多数的正常日不予修正，仍用arma，ann等已被实践证明的方法预、以保证精度；
②
只对有把握的、明显的非正常日按非正常日类型进行修正。
[0057]
(4)构建典型非正常日修正模型
[0058]
上述利用数据挖掘技术建立知识库及利用知识库进行修正决策，是判断待测日是否发生负荷突变。下一步任务是如何进行修正，如何为每一种特殊的异常类型建立特定的模型。需要特别指出的是，以下模型不具有普适性，只有在特定条件下才成立，这有两层含义:
[0059]
①
建模时，选取样本须依据决策树分类的条件；
[0060]
②
使用时，模型适用也须依据决策树的分类，且与建模时样本选取条件相一致。
[0061]
1)温度负荷模型
[0062]
温度影响负荷的基本规律是夏季温度升高引起空调负荷增加，冬季温度降低引起采暖负荷的增加。
[0063]
a.夏季温度大幅变化的特殊处理
[0064]
夏季是中国中部、北部省份雨量最集中的季节，气温变化较大，可参考近期与待测日温度最相近的日负荷，修正待测日。修正模型为：
[0065]
r＝α(f
1-f0)，
[0066]
式中，f1为近期(l0d内)与待测日温度数据最相近的日负荷，f0为待测日的常规预测结果，α＝t
r0
/t
r1
为置信系数，t
r0
和t
r1
分别为待测日与所选日相对于待测日前1日的温度变化量。
[0067]
b.夏季罕见高温的特殊处理
[0068]
夏季常会出现温度很高且持续上升的日子，温度每增高1℃，负荷变化就十分敏感。这种情况无法从近期找到天气相似日来修正，解决办法是建立温度或温度变化与负荷或负荷变化之间的回归模型。预测模型的抽象表达式为:
[0069]
y＝f(s，x)，
[0070]
式中，y为负荷或负荷变化量，s为预测模型的参数向量，x可选最高、最低、平均温度或温度变化值。对负荷温度模型求导，可得出最终修正模型：
[0071][0072]
在实际中，为简便起见，也可选一元二次曲线来拟合。
[0073]
c.夏季持续高温的特殊处理
[0074]
在持续高温的日子里，尽管连续几天温度相差无几或略有起伏，但负荷仍然逐日增长，我们称这一现象为持续效应。考虑持续效应，将连续高温的第n日的基本负荷乘以持续效应系数。
[0075]
f(n)＝(1+i％)n，
[0076]
修正模型为：
[0077]
r＝y0(f(n)-1)＝y0((1+i％)
n-1)。
[0078]
2)降水负荷模型
[0079]
降水也是重要的气象因素，对负荷的影响的根本原因有两方面:
[0080]
①
在夏季高温闷热时，降水尤其是暴雨、大雨将带来气温的大幅下降，缓解酷热，从而降低空调负荷；
[0081]
②
降水将增加地表水径流量，提升水库水位，增大地区小水电的发电量，从而减少地区对主网的负荷需求。因此，我们将降水与负荷的关系分别按有无小水电加以讨论。
[0082]
a.无小水电地区负荷与降水的关系
[0083]
无小水电的地区，降水影响负荷的实质是降水带来了温度的降低。因此，对这类地区，降水将被用做判断待测日是否为非正常日的重要指标，并按照温度与负荷的关系来修正。
[0084]
b.山区小水电地区负荷与降水的关系
[0085]
小水电的发电量主要决定于该地区一定时期内的地表水量和小水库水位，地表水
量的增长来自于一段时间内总降水量的增加。无论日降水量多少，地区负荷值随阴雨天气持续时间的增长而缓慢降低。可选取回归模型:
[0086]
r＝at+b
[0087]
式中，t为雨期持续的天数，a，b均为待定常量。
[0088]
雨期并不一定是指连续降雨，可用一定时期内的累计降水量来判断，如100mm/10dc.
[0089]
降水因素的综合处理负荷预测的对象往往是省级或地级这样较大的区域，既包括有小水电的地区也包括无小水电地区，因此，简单地建立全网负荷与全网降水的关系是不通的。提出以下利用降水因素修正全网负荷的步骤:
[0090]
①
根据降水影响负荷的内在原因，选出典型的地区；
[0091]
②
无小水电地区，按温度与负荷关系修正；
[0092]
③
有小水电地区，根据前述模型，分别计算各地区的负荷修正量；
[0093]
④
将各地区计算结果相加，再考虑网损系数，将结果作为对全网负荷的修正量。
[0094]
d.暴雨时对负荷的特殊处理
[0095]
暴雨天气有3个特点:发生在夏季高温天气；带来温度的短时间急剧下降；持续时间短，雨后第2、第3日温度会很快回升。暴雨天气影响负荷变化的根源不是降水量的多少，而是温度的巨大变化。因此，应将暴雨作为气温大幅变化的信号，并按夏季温度大幅变化的情况对负荷进行修正。
[0096]
(5)负荷综合修正
[0097]
最后，还须将常规负荷预测结果与所选取的各修正模型的计算结果进行综合计算，确定最终预测结果，方法如下:
[0098]
y＝a
tr[0099]
式中，a＝[a1，a2，...，a
n+1
]
t
为参数向量，可用最小二乘拟合，r＝[f0，r1，...，rn]，f0为常规负荷，rn为第n个修正模型的修正负荷量。
[0100]
以某省2000年～2002年电力负荷情况为例。图2展示了统计了某省2000年～2002年的电力负荷曲线，按照前述的具体实施方式，选取的α＝0.05。
[0101]
表1统计了某省2000年～2002年夏季、冬季和节假日等非正常日的负荷预测情况，反映了本文算法的应用效果。表1中：“总天数”表示采集样本的天数；“非正常日”表示负荷实际发生异常变化的天数；“正确判定率”的“判定”是指利用知识库判定待测日是否为异常日,是否应进行修正，该指标反映了知识库分类决策的正确性在85％以上；“非正常日平均预测精度”统计了新方法应用前后,所有非正常日的负荷预测精度比较，表明新方法的应用大大降低了非正常日的预测误差。
[0102]
表1新算法对某地区3年间非正常日的负荷预测效果
[0103][0104]
可以看出，本发明提出的基于专家系统知识库的非正常日负荷预测方法可大幅提高非正常日的预测精度，对优化电网运行有重要意义。
[0105]
请参阅图3，其示出了本技术的一种非正常日的负荷预测系统的结构框图。
[0106]
如图3所示，负荷预测系统200，包括获取模块210、预测模块220、修正模块230以及计算模块240。
[0107]
其中，获取模块210，配置为获取待测日的负荷以及与所述负荷相关联的影响因素，其中，所述待测日包括正常日和非正常日，所述待测日的影响因素包括待测日的降水数据和温度数据；预测模块220，配置为若待测日为非正常日，则获取所述非正常日的历史负荷，根据所述历史负荷对所述非正常日的实际负荷进行预测，得到常规负荷；修正模块230，根据所述非正常日的影响因素与预设筛选条件进行比较，使对所述非正常日进行分类，并将非正常日的实际负荷输入至与分类结果相对应的修正模型中，得到修正负荷量，其中，所述非正常日的类别包括温度异常日以及降水异常日，所述修正模型包括温度修正模型以及降水修正模型；计算模块240，配置为基于所述非正常日的常规负荷以及所述非正常日的修正负荷量计算所述非正常日的目标预测负荷。
[0108]
应当理解，图3中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图3中的诸模块，在此不再赘述。
[0109]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种非正常日的负荷预测方法，其特征在于，包括：获取待测日的负荷以及与所述负荷相关联的影响因素，其中，所述待测日包括正常日和非正常日，所述待测日的影响因素包括待测日的降水数据和温度数据；若待测日为非正常日，则获取所述非正常日的历史负荷，根据所述历史负荷对所述非正常日的实际负荷进行预测，得到常规负荷；根据所述非正常日的影响因素与预设筛选条件进行比较，使对所述非正常日进行分类，并将非正常日的实际负荷输入至与分类结果相对应的修正模型中，得到修正负荷量，其中，所述非正常日的类别包括温度异常日以及降水异常日，所述修正模型包括温度修正模型以及降水修正模型；基于所述非正常日的常规负荷以及所述非正常日的修正负荷量计算所述非正常日的目标预测负荷。2.根据权利要求1所述的一种非正常日的负荷预测方法，其特征在于，在获取待测日的负荷以及与所述负荷相关联的影响因素之后，所述方法还包括：若待测日为正常日，则获取与所述非正常日的历史负荷，根据所述历史负荷对所述非正常日的实际负荷进行预测，得到常规负荷，即目标预测负荷。3.根据权利要求1所述的一种非正常日的负荷预测方法，其特征在于，其中，所述降水数据包括待测日及前n日的降雨量和待测日前15天累计降水量；所述温度数据包括待测日的温度值、待测日前的温度和待测日及前n-1日的温度变化量。4.根据权利要求1所述的一种非正常日的负荷预测方法，其特征在于，其中，所述预设筛选条件包括待测日及前n日的降雨量阈值、待测日前15天累计降水量阈值、待测日的温度值阈值、待测日前的温度阈值和待测日及前n-1日的温度变化量阈值。5.根据权利要求1所述的一种非正常日的负荷预测方法，其特征在于，其中，所述温度修正模型的表达式为：r＝y0(f(n)-1)＝y0((1+i％)
n-1)，式中，r为修正负荷量，y0为常规负荷，i为持续效应系数，n为天数；所述降水修正模型的表达式为：r＝at+b，式中，t为雨期持续的天数，a，b均为待定常量。6.根据权利要求1所述的一种非正常目的负荷预测方法，其特征在于，其中，计算所述非正常日的目标预测负荷的表达式为：y＝a
t
r，式中，a＝[a1，a2，...，a
n+1
]
t
为参数向量，可用最小二乘拟合，r＝[f0，r1，
…
，r
n
]，f0为常规负荷，r
n
为第n个修正模型的修正负荷量。7.一种非正常目的负荷预测系统，其特征在于，包括：获取模块，配置为获取待测目的负荷以及与所述负荷相关联的影响因素，其中，所述待测日包括正常日和非正常日，所述待测目的影响因素包括待测目的降水数据和温度数据；预测模块，配置为若待测日为非正常日，则获取所述非正常日的历史负荷，根据所述历史负荷对所述非正常目的实际负荷进行预测，得到常规负荷；
修正模块，根据所述非正常目的影响因素与预设筛选条件进行比较，使对所述非正常日进行分类，并将非正常日的实际负荷输入至与分类结果相对应的修正模型中，得到修正负荷量，其中，所述非正常目的类别包括温度异常日以及降水异常日，所述修正模型包括温度修正模型以及降水修正模型；计算模块，配置为基于所述非正常日的常规负荷以及所述非正常日的修正负荷量计算所述非正常日的目标预测负荷。

技术总结
本发明公开一种非正常日的负荷预测方法及系统，方法包括：获取待测日的负荷以及与所述负荷相关联的影响因素；若待测日为非正常日，则获取所述非正常日的历史负荷，根据所述历史负荷对所述非正常日的实际负荷进行预测，得到常规负荷；根据所述非正常日的影响因素与预设筛选条件进行比较，使对所述非正常日进行分类，并将非正常日的实际负荷输入至与分类结果相对应的修正模型中，得到修正负荷量；基于所述非正常日的常规负荷以及所述非正常日的修正负荷量计算所述非正常日的目标预测负荷。通过修正负荷量与常规负荷综合计算得到目标预测负荷，能够提高非正常日的负荷预测精度。能够提高非正常日的负荷预测精度。能够提高非正常日的负荷预测精度。


技术研发人员：宫嘉炜 李映雪 戴奇奇 王伟 罗路平 吴浩 熊云 张雪婷
受保护的技术使用者：国家电网有限公司 江西腾达电力设计院有限公司
技术研发日：2023.01.10
技术公布日：2023/9/20