[發明專利]基于體感溫度的短期負荷預測方法

有效

• 申請號: 201710224770.8
• 申請日: 2017-04-07
• 公開（公告）號: CN107423836B
• 公開（公告）日: 2020-04-28
• 發明（設計）人: 李常剛;陳凱
• 申請（專利權）人: 山東大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李圣梅

1.基于體感溫度的短期負荷預測方法，其特征是，基于體感溫度的短期負荷預測方法，所述方法針對夏冬季的負荷進行預測，包括以下步驟：

歷史數據的讀取：獲取歷史日氣象數據及電力負荷數據；

歷史數據的量化：將影響電力負荷變化的不同因素根據其影響的程度量化，包括日類型的量化和氣象信息的量化；

體感溫度計算：根據量化后的歷史數據以及體感溫度計算公式計算歷史每天的體感溫度；

待預測日信息采集：將待預測日的氣象信息及電力負荷信息進行采集；

日最大負荷預測：將采集的待預測日信息輸入至日最大負荷預測模型進行日最大負荷預測；

負荷趨勢曲線選擇：通過相似日法選擇和待預測日最接近的歷史日，以該日的負荷曲線線型為待預測日負荷曲線線型；

日負荷預測：選出趨勢相似日最高、最低負荷值，將負荷數據均減去最低負荷值，再除以最高負荷與最低負荷之差，然后將歸一化的數據乘以預測出的最高負荷和最低負荷之差，再加上預測最低負荷值即可得出全天負荷預測值；

針對歷史電力負荷數據，首先需要對電力負荷進行分類，分為基礎負荷、主變負荷和波動負荷；

基礎負荷指負荷中短時間內基本不變或變化很小的那部分負荷；主變負荷指負荷變化幅度較大的那部分負荷；波動負荷指負荷變化幅度不大的那部分負荷，指因節假日或突發事件而產生的小幅負荷波動；

其中，主變負荷的預測值為

L_f2＝k*T_A

其中，T_A：最大體感溫度，T：最大影響溫度，夏季為最高溫度，冬季為最低溫度，RH：相對濕度，V：風速，k為比例系數；

基礎負荷L_f3和主變負荷預測中用到的k系數以及β在短時間內具有一致性，因此采用拉丁超立方抽樣按月份對歷史數據進行分析，得到適應于歷史數據的最優L_f3、k和β：

L_fmax＝(L_f1+L_f2+L_f3)*(1-β)+L_f0max*β

其中，L_fmax為待預測日的最大負荷預測值，L_f0max為前一日最大負荷，L_f1、L_f2和L_f3分別為波動負荷、主變負荷和基礎負荷，β為自適應系數；

第i個點的負荷預測值為：

L_f(i)＝(L_fs(i)-L_fsmin)/(L_fsmax-L_fsmin)*(L_fmax-L_f0min)+L_f0min

其中，i＝1～96，L_f(i)為待預測日第i個點的負荷預測值，L_fs(i)為趨勢相似日第i個點的負荷值、L_fsmin為趨勢相似日的最小負荷值、L_fsmax為趨勢相似日的最大負荷值，L_fmax為待預測日的最大負荷預測值，L_f0min為前一日的最小負荷值。

2.如權利要求1所述的基于體感溫度的短期負荷預測方法，其特征是，所述日類型的量化，日類型共分為：工作日、包含周末的普通節假日及特殊節假日，量化后的日類型數值也代表日類型對負荷預測的影響程度，所有節假日及其前后數日的具體數值由趨勢分析法分析歷史電力負荷數據確定。

3.如權利要求1所述的基于體感溫度的短期負荷預測方法，其特征是，所述氣象信息的量化包括晴雨狀況的量化及氣溫的量化，氣溫的量化具體包括：首先將氣溫加上一階濾波環節，充分考慮溫度的累積與時間延遲效應；其次是將低溫折算成對應高溫。

4.如權利要求1所述的基于體感溫度的短期負荷預測方法，其特征是，通過相似日法選取待預測日負荷曲線的趨勢相似日：具體為確定天氣狀況、日類型的相似度并考慮日期間距，最后選出相似度最高的歷史日為趨勢相似日，以該日的負荷曲線線型為待預測日負荷曲線線型。

5.如權利要求1所述的基于體感溫度的短期負荷預測方法，其特征是，由于全年內最小負荷變動較小，在相鄰數日內可忽略不計，因此以待預測日前一日最小負荷作為待預測日最小負荷。