首页 >> 电网优化运行 >> 考虑气象因素的负荷预测系统

其网络结构图如图1所示：

图1基于WebService的SailingLfp网络结构图

 

        ♦ 预测精度高

               行超短期负荷预测、日前负荷预测与周负荷预测（每十五分钟一个点）。

               数据的读入智能、稳定、灵活。

               基于B/S结构，应用程序在浏览器上运行，客户端零安装、零维护。 

        ♦ 利用数据挖掘技术，有效考虑气象因素

                可处理海量数据，有效地提高了负荷预测精度

                考虑各种非负荷因素情况，数学模型具有可扩展性、

        ♦ 知识库采用文件格式存放，便于升级和维护

        ♦ 识别坏数据方法准确、可靠

        ♦ 节假日、特殊日经特殊处理，精度大幅提高

        ♦ 数据传输通过WebService进行，不受防火墙约束

        ♦ 2D、3D图形接口，便于人工修改，体现负荷预测人员专家知识

 

♦ 利用数据挖掘技术如图 2所示，建立了可综合考虑各种非负荷因素（主要是各种气象因素）与用电负荷之间关系的数学模型。

图 2利用数据挖掘技术分析数据

♦ 丰富的负荷建模工具。

        该系统可对拥有的数据进行仔细分析，找出用电负荷与各种非负荷因素之间关系（哪种非负荷因素对负荷影响最大？哪些基本没有影响？各种非负荷因素是如何影响负荷的？），并存放到相应的知识库文件中。

在系统运行过程中，非负荷因素对用电负荷影响可能会慢慢发生变化，这时可利用负荷建模软件和新积累下的数据，对知识库文件进行更新，以反映非负荷因素对用电负荷的最新影响。

♦ 完善的负荷预测数据库。

包括各区历史负荷库、各区申报的预测负荷库、系统预测负荷库、负荷预测结果考核数据库、各气象观测点的预测气象数据库与实际气象数据库、用户及权限管理数据库、其他数据库（包括接口库、历史事件库等等）。

♦ 强大的负荷分析功能。

基于Java3D技术，提供对历史负荷和气象因素的多样、灵活、直观的浏览分析功能如图 3 所示，便于用户分析负荷变化趋势，以及用电负荷和其他非负荷因素之间的关系等等。

图 3 3D历史数据分析功能（演示）

 

♦ 计及气象因素的短期负荷预测方法——决策树技术和时间序列相结合的短期负荷预测方法。

决策树技术是数据挖掘中的一个重要分支，可用于解决高维数据的分类问题，具有分类速度快，精度高、生成的模式简单等优点。将决策树技术应用于短期负荷预测中，可以较好计及在各种模式下，各种非负荷因素对用电负荷的影响，并根据这些因素，对负荷预测结果进行修正。

时间序列分析是经典的短期负荷预测技术，可较好的反映负荷的周期性（日周期、周周期）。

将决策树技术与时间序列分析技术相结合，可以有效地计及气象等相关因素对负荷的影响，并且反映了负荷的时间特性，从而得到了一种新的负荷预测方法。

在短期负荷过程中，有各种特殊因素需要考虑，因此，还采用了模糊数学、支持向量机（统计学习理论）、小波分析等技术。

♦ 一体化的短期负荷预测功能。

负荷预测考核功能，可按用户要求，自动形成各种格式的报表。

负荷预测本身依赖于大量的历史数据（如EMS数据库中的历史负荷数据，气象数据库中的历史气象数据及预测气象数据），这些数据来源不一，存储方式差别较大（Oracle、SqlServer、数据文件等）。数据的读入工作应自动进行，且能自动处理数据读入中的常见错误（如网络连接断开、数据部分缺失等），保证整个负荷预测系统的稳定性和易用性。

强安全性。有IP地址校验功能，只有用户名、密码和IP地址都符合的用户才能使用本系统。预测结果便于修改，以体现用户的专家知识。再复杂的算法，也不可能将所有情况全部考虑进去，而调度人员多年的实际运行经验，正好可以弥补这些方面的不足。为此，我们利用JavaApplet技术开发了易用的负荷结果修改界面，吸收了众多实际运行人员对于负荷修改的要求和经验，使得负荷结果修改工作简单高效。

可进行多日连续的负荷预测。在电力系统负荷预测中，有时需要对连续多日负荷进行预测，如周五时需要预测连续三日的数据、五一长假等。此时系统会自动采用已预测的结果作为历史数据，进行下一日的预测。

 

目前已先后应用于内蒙、河南、上海等多家省级电网

广泛应用于各级供电部门