(12)发明专利申请
(10)申请公布号 CN 107292414 A(43)申请公布日 2017.10.24
(21)申请号 201710301541.1(22)申请日 2017.05.02
(71)申请人 国网浙江省电力公司
地址 310000 浙江省杭州市黄龙路8号申请人 国家电网公司 华北电力大学
浙江华云信息科技有限公司(72)发明人 施永益 牛东晓 袁雪枫 王亿
姚多朵 赵永良 王龙 王锋华 张文军 王海潮 陆晓芬 齐冷艳 周子誉 仲立军 高燕铭 怀月容 黄一秀 (74)专利代理机构 杭州华鼎知识产权代理事务
所(普通合伙) 33217
代理人 项军
权利要求书1页 说明书8页 附图2页
(51)Int.Cl.
G06Q 10/04(2012.01)G06Q 30/02(2012.01)G06Q 50/06(2012.01)
CN 107292414 A(54)发明名称
基于峰谷电量预测的居民用户分布式上网最优选择方法(57)摘要
本发明公开了基于峰谷电量预测的居民用户分布式上网最优选择方法，解决了电力需求预测精度不高的技术问题，本发明的居民用户分布式上网最优选择方法，包括：S1获取目标用户过去n年中各个季度的峰电量和谷电量，其中n≥4，n为整数；S2根据步骤S1获取的各个季度的峰电量和谷电量预测该目标用户预测期内第m年四个季度的峰电量和谷电量,其中m≥1，m为整数；S3根据步骤S2预测的第m年四个季度峰谷电量确定该目标用户预测期内第m年的全年总电费和全年总电量，得出该目标用户预测期内第m年的年平均电价；S4将目标用户第m年的年平均电价与当前上网电价进行比较，如果年平均电价大于当前上网电价，选择余量上网，如果年平均电价小于当前上网电价，则选择全部上网。
CN 107292414 A
权 利 要 求 书
1/1页
1.基于峰谷电量预测的居民用户分布式上网最优选择方法，其特征在于，包括如下步骤：
S1获取目标用户过去n年中各个季度的峰电量和谷电量，其中n≥4，n为整数；
S2根据步骤S1获取的各个季度的峰电量和谷电量预测该目标用户预测期内第m年四个季度的峰电量和谷电量,其中m≥1，m为整数；
S3根据步骤S2预测的第m年四个季度峰谷电量确定该目标用户预测期内第m年的全年总电费和全年总电量，得出该目标用户预测期内第m年的年平均电价；
S4将目标用户第m年的年平均电价与当前上网电价进行比较，如果年平均电价大于当前上网电价，选择余量上网，如果年平均电价小于当前上网电价，则选择全部上网。
2.如权利要求1所述基于峰谷电量预测的居民用户分布式上网最优选择方法，其特征在于，所述步骤S2中，通过灰色预测GM(1,1)模型和季节指数调整模型对该目标用户预测期内第m年四个季度的峰谷电量进行预测，所述灰色预测GM(1,1)模型的公式为
其中k>4n时，x(0)
(k+1)为预测值，x(1)为过去n年中第一年第1季度的峰电量或谷电量，a为模型的发展系数，u称为模型的协调系数；
所述季节指数调整模型的公式为3,4，为季节指数，
根据季节指数调整模型得到调整后的目标用户预测期内第m年第j季度的预测峰电量yf(j)和预测谷电量yg(j)。
3.如权利要求2所述基于峰谷电量预测的居民用户分布式上网最优选择方法，其特征在于，所述步骤S3中，根据步骤S2预测的第m年四个季度峰谷电量确定该目标用户预测期内第m年的全年总电费和全年总电量，得出该目标用户预测期内第m年的年平均电价，包括：
确定电度电费Fd，
确定预测的第m年四个季度的峰电量和谷电量之和yt，根据预测的第m年的峰电量和谷电量之和yt，确定阶梯电费Fj，
x(0)(j)为第j季度的预测值，j＝1,2,
根据电度电费Fd和阶梯电费Fj确定预测期内第m年的全年总电费Ft，Ft＝Fd+Fj；根据预测期内第m年的全年总电费Ft和预测的第m年的峰电量和谷电量之和yt确定预测期内第m年的年平均电价pa，pa＝Ft/yt；
其中，pf为峰时电价，pg为谷时电价。
2
CN 107292414 A
说 明 书
1/8页
基于峰谷电量预测的居民用户分布式上网最优选择方法
【技术领域】
[0001]本发明涉及一种基于峰谷电量预测的居民用户分布式上网最优选择方法。【背景技术】
[0002]分布式上网最优选择基于对用电量的预测，世界各地的电力部门都十分重视电力需求预测工作，设置专门的机构，由经济分析、需电量预测、负荷预测等方面的专业人员来从事电力需求预测工作，常用的定量预测方法有回归分析预测、时间序列预测、趋势外推预测等。回归分析预测是通过对影响因子和用电量的资料数据进行统计，确定用电量和影响因子之间的关系，从而实现电力预测，但用电因子的多样性和某些因子的不可测性，使得回归分析在某种情况下受到限制；时间序列预测的主要内容是依据系统有限长度的观测数据，建立能够比较精确反映时间序列中所包含动态依存关系的数学模型，但时间序列预测模型无法引入影响因素，单纯使用时间序列模型进行复核预测精度难以提高；趋势外推是使用某条曲线来拟合获得的数据值，如果数据出现较大波动，那么预测将出现角度大误差。【发明内容】
[0003]本发明所要解决的技术问题在于克服现有技术的不足而提供一种基于峰谷电量预测的居民用户分布式上网最优选择方法，能够提高预测精度，优化上网选择方法。[0004]为解决上述技术问题，本发明采用如下技术方案：
[0005]基于峰谷电量预测的居民用户分布式上网最优选择方法，包括如下步骤：[0006]S1获取目标用户过去n年中各个季度的峰电量和谷电量，其中n≥4，n为整数；[0007]S2根据步骤S1获取的各个季度的峰电量和谷电量预测该目标用户预测期内第m年四个季度的峰电量和谷电量,其中m≥1，m为整数；
[0008]S3根据步骤S2预测的第m年四个季度峰谷电量确定该目标用户预测期内第m年的全年总电费和全年总电量，得出该目标用户预测期内第m年的年平均电价；[0009]S4将目标用户第m年的年平均电价与当前上网电价进行比较，如果年平均电价大于当前上网电价，选择余量上网，如果年平均电价小于当前上网电价，则选择全部上网。[0010]进一步的，所述步骤S2中，通过灰色预测GM(1,1)模型和季节指数调整模型对该目标用户预测期内第m年四个季度的峰谷电量进行预测，所述灰色预测GM(1,1)模型的公式为
其中k>4n时，x(0)
(k+1)为预测值，x(1)为过去n年中第一年第1季度的峰电量或谷电量，a为模型的发展系数，u称为模型的协调系数；
[0011]
所述季节指数调整模型的公式为
x(0)(j)为第j季度的预测值，j
＝1,2,3,4，为季节指数，
[0012]
根据季节指数调整模型得到调整后的目标用户预测期内第m年第j季度的预测峰
3
CN 107292414 A
说 明 书
2/8页
电量yf(j)和预测谷电量yg(j)。[0013]更进一步的，所述步骤S3中，根据步骤S2预测的第m年四个季度峰谷电量确定该目标用户预测期内第m年的全年总电费和全年总电量，得出该目标用户预测期内第m年的年平均电价，包括：
[0014]
确定电度电费Fd，
确定预测的第m年四个季度的峰电量和谷电量之和yt，根据预测的第m年的峰电量和谷电量之和yt，确定阶梯电费Fj，
[0015][0016]
[0017]
根据电度电费Fd和阶梯电费Fj确定预测期内第m年的全年总电费Ft，Ft＝Fd+Fj；[0019]根据预测期内第m年的全年总电费Ft和预测的第m年的峰电量和谷电量之和yt确定预测期内第m年的年平均电价pa，pa＝Ft/yt；[0020]其中，pf为峰时电价，pg为谷时电价。[0021]本发明的有益效果：
[0022]本发明的技术方案是在计算用户购电费用时从用户执行峰谷电价角度进行分析，峰谷分时电价的实行对充分调动电力用户避峰就谷、合理用电积极性和保障电网和发电机组稳定运行具有积极意义，通过灰色预测模型及季节调整指数准确预测下一年各季度用电量，为用户上网方式选择提供有力支持。
[0023]本发明的这些特点和优点将会在下面的具体实施方式、附图中详细的揭露。【附图说明】
[0024]下面结合附图对本发明做进一步的说明：[0025]图1为本发明的流程图；
[0026]图2是本发明谷段实际电量与预测电量对比图；[0027]图3是本发明峰段实际电量与预测电量对比图。
【具体实施方式】
[0028]下面结合本发明实施例的附图对本发明实施例的技术方案进行解释和说明，但下述实施例仅仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其它实施例，都属于本发明的保护范围。[0029]如图1所示，本发明公开了一种基于峰谷电量预测的居民用户分布式上网最优选择方法，包括如下步骤：
[0030]S1获取目标用户过去n年中各个季度的峰电量和谷电量，其中n≥4，n为整数；[0031]S2根据步骤S1获取的各个季度的峰电量和谷电量预测该目标用户预测期内第m年四个季度的峰电量和谷电量,其中m≥1，m为整数；
[0018]
4
CN 107292414 A[0032]
说 明 书
3/8页
S3根据步骤S2预测的第m年四个季度峰谷电量确定该目标用户预测期内第m年的
全年总电费和全年总电量，得出该目标用户预测期内第m年的年平均电价；[0033]S4将目标用户第m年的年平均电价与当前上网电价进行比较，如果年平均电价大于当前上网电价，选择余量上网，如果年平均电价小于当前上网电价，则选择全部上网。[0034]所述步骤S2中，通过灰色预测GM(1,1)模型和季节指数调整模型对该目标用户预测期内第m年四个季度的峰谷电量进行预测，所述灰色预测GM(1,1)模型的公式为
其中k>4n时，x(0)
(k+1)为预测值，x(1)为过去n年中第一年第1季度的峰电量或谷电量，a为模型的发展系数，u称为模型的协调系数；
[0035]
所述季节指数调整模型的公式为
x(0)(j)为第j季度的预测值，j＝
1,2,3,4，为季节指数，
根据季节指数调整模型得到调整后的目标用户预测期内第m年第j季度的预测峰
电量yf(j)和预测谷电量yg(j)。[0037]其中在步骤S2中，先将步骤S1中获取的目标用户过去n年中各个季度的峰电量或谷电量设为原始数据序列x(1),x(2),...,x(4n)，x(1)为时间最早一年，即第一年第一季度的峰电量或谷电量，x(2)为第一年第二季度的峰电量或谷电量，x(3)为第一年第三季度的峰电量或谷电量，x(4)为第一年第四季度的峰电量或谷电量，x(5)为第二年第一季度的峰电量或谷电量，如此按照时间由早及近，季度由小到大的顺序依次采集。[0038]然后，作一次累加生成，(记为1-AGO)，得到x1(1),x1(2),...,x1(4n)，其中
一般地，对非负数列，累加生成次数越多，数列的随机性就弱化
得越多，当累加生成次数足够大时，时间序列便由随机转化为非随机了，在GM模型中，一般只对数列作1-AGO。
[0039][0036]
随后，构造一阶线性微分方程：其中，a称为模型的发展系数，它反
映原始数列x的增长速度，u称为模型的协调系数，反映了数据间的变化关系。
[0040]
通过求解微分方程得利用最小二乘法求解参数a、u，得
式中，将a、u代回微分方程
(*)，得：
[0041]
x(1)(k+1)是累加后数据的拟合值。
,1)模型的公式
最后，根据灰色预测GM(1
5
CN 107292414 A
说 明 书
4/8页
确定x(0)(k+1)，x(1)
为过去n年中第一年第1季度的峰电量或谷电量，当k>4n时，则x(0)(k+1)为预测第m年某个季
度的峰电量或谷电量的预测值，也就是，若原始数据序列是获取的目标用户过去n年中各个季度的峰电量时，则x(0)(k+1)为自现在开始的预测期内第m年某一季度的峰电量的预测值，若原始数据序列是获取的目标用户过去n年中各个季度的谷电量时，则x(0)(k+1)为自现在开始的预测期内第m年某一季度的谷电量的预测值。
[0042]
为了提高预测精度，本发明还通过季节指数修正各季度的预测值，首先定义I
式中，x(i)为获取的原始为季节移动平均值，
(j)为季节表动指数，j＝1,2,3,4，考虑长期趋势条件下数据序列，其中i＝1,2,3,4,......,4n，
其中i＝2,3,4,......,4n，当i＝1时，将不同年份的同一季节的季节变动指数进行平均：其中，I(j,n)表示第n年第j季度的季节表动指数，其中j为1
时，I(j,n)对应的数值为i＝1,5,9,......,4(n-1)+1时所对应的I(i)值；当j为2时，I(j,n)
对应的数值为i＝2,6,10,......,4(n-1)+2时所对应的I(i)值；当j为3时，I(j,n)对应的数值为i＝3,7,11,......,4(n-1)+3时所对应的I(i)值；当j为4时，I(j,n)对应的数值为i＝4,8,12,......,4n时所对应的I(i)值，再进行平均得季节指数：
[0043]
最后，根据季节指数调整模型得到调整后的预测期内第m年第j季度的预测值
其中x(0)(j)为第j季度的预测值，即当j为1时，x(0)(1)为x(0)(k+1)中k+1＝
4n+4(m-1)+1时所对应的预测值，同理，当j为2时，x(0)(2)为x(0)(k+1)中k+1＝4n+4(m-1)+2时所对应的预测值；当j为3时，x(0)(3)为x(0)(k+1)中k+1＝4n+4(m-1)+3时所对应的预测值；当j为4时，x(0)(4)为x(0)(k+1)中k+1＝4n+4m时所对应的预测值。其中确定预测期内第m年四个季度的峰电量yf(j)时，原始数据序列为获取目标用户过去n年中各个季度的峰电量，确定预测期内第m年四个季度的谷电量yg(j)时，原始数据序列为获取目标用户过去n年中各个季度的谷电量。[0044]最后，根据步骤S2预测的第m年四个季度峰谷电量确定该目标用户预测期内第m年的全年总电费和全年总电量，得出该目标用户预测期内第m年的年平均电价，包括：
[0045]
确定电度电费Fd，
确定预测的第m年四个季度的峰电量和谷电量之和yt，
根据预测的第m年的峰电量和谷电量之和yt，确定阶梯电费Fj，阶梯电费Fj指超过
6
[0046][0047]
CN 107292414 A
说 明 书
5/8页
第一档电费后，每度加价后需多支付的金额，
[0048]
根据电度电费Fd和阶梯电费Fj确定预测期内第m年的全年总电费Ft，Ft＝Fd+Fj；[0050]根据预测期内第m年的全年总电费Ft和预测的第m年的峰电量和谷电量之和yt确定预测期内第m年的年平均电价pa，pa＝Ft/yt；[0051]其中，pf为峰时电价，pg为谷时电价。[0052]最后，将目标用户的年平均电价pa，与当前上网电价ps进行比较，如果年平均电价pa大于当前上网电价ps，应选择自发自用，余量上网，这时用户不仅由于自发自用节省了部分用电费用，还因为余量上网获取了收益；，如果年平均电价pa小于当前上网电价ps，则选择全部上网，这时用户可以获取上网收益，综上可知，采用本发明的居民用户分布式上网最优选择方法可对分布式上网的用户做出最优化的选择。
[0053]下面将结合应用实例对本发明的方法做进一步说明。[0054]某分布式光伏发电用户执行峰谷电价，本实施例中n＝4，m＝1，以2016年为界，采集2013-2016过去四年各个季度峰谷电量，并预测2017年各季度的峰谷电量，获取的数据如表1所示：
[0055]表1为目标用户2013年至2016年中各个季度峰谷电量数据表
[0049]
7
CN 107292414 A
说 明 书
6/8页
[0056]
[0057]
通过灰色预测GM(1,1)及季节指数调整模型，对2017年各季度的峰谷电量进行预
测，峰谷实际电量与预测电量的对比图如图2、3所示，峰谷电量的预测值见表2、表3：
表2为目标用户2017年各季度谷电量季节调整系数
计算值x(0)(j)和预测值yg
[0058]
(j)
[0059]
[0060]表3为目标用户2017年各季度峰电量季节调整系数
计算值x(0)(j)和预测值yf
(j)
8
CN 107292414 A[0061]
说 明 书
7/8页
通过上述分析计算得到该用户2017年整体的用电情况，根据峰时电价pf、谷时电
价pg、四个季度的峰电量之和以及四个季度的谷电量之和计算得到电度电费Fd，电度电费Fd为632.42+1563.88＝2196.30，具体情况如表4所示：[0063]表4为目标用户2017年峰谷用电量及电度电费Fd
[0062]
[0064]
根据四个季度的峰谷电量之和yt和电度电费Fd，得出阶梯电费Fj、全年总电费Ft及
年平均电价pa，具体数值如表5所示：
[0066]表5为目标用户2017年总用电量yt及电费情况
[0065][0067]
[0068]
由上表可知，该用户2017的年平均电价pa为0.47元/千瓦时，比当前上网电价
ps0.42元/千瓦时高，因此，该用户的最优选择是自发自用，余量上网，这时用户不仅由于发自用节省了部分用电费用，还因为余量上网获取了收益。[0070]综上可知，本发明的技术方案是在计算用户购电费用时从用户执行峰谷电价角度进行分析，峰谷分时电价的实行对充分调动电力用户避峰就谷、合理用电积极性和保障电网和发电机组稳定运行具有积极意义，通过灰色预测模型及季节调整指数准确预测下一年各季度用电量，为用户上网方式选择提供有力支持。[0071]以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉
[0069]
9
CN 107292414 A
说 明 书
8/8页
该本领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
10
CN 107292414 A
说 明 书 附 图
1/2页
图1
图2
11
CN 107292414 A
说 明 书 附 图
2/2页
图3
12
因篇幅问题不能全部显示，请点此查看更多更全内容