CN106951990A - 电力负荷智能预测方法及装置 - Google Patents
电力负荷智能预测方法及装置 Download PDFInfo
- Publication number
- CN106951990A CN106951990A CN201710164431.5A CN201710164431A CN106951990A CN 106951990 A CN106951990 A CN 106951990A CN 201710164431 A CN201710164431 A CN 201710164431A CN 106951990 A CN106951990 A CN 106951990A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- prediction
- algorithm
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 152
- 238000000034 method Methods 0.000 claims abstract description 29
- AGVAZMGAQJOSFJ-WZHZPDAFSA-M cobalt(2+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+2].N#[C-].[N-]([C@@H]1[C@H](CC(N)=O)[C@@]2(C)CCC(=O)NC[C@@H](C)OP(O)(=O)O[C@H]3[C@H]([C@H](O[C@@H]3CO)N3C4=CC(C)=C(C)C=C4N=C3)O)\C2=C(C)/C([C@H](C\2(C)C)CCC(N)=O)=N/C/2=C\C([C@H]([C@@]/2(CC(N)=O)C)CCC(N)=O)=N\C\2=C(C)/C2=N[C@]1(C)[C@@](C)(CC(N)=O)[C@@H]2CCC(N)=O AGVAZMGAQJOSFJ-WZHZPDAFSA-M 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 22
- 240000002853 Nelumbo nucifera Species 0.000 claims description 10
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 10
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 238000013481 data capture Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种电力负荷智能预测方法及装置，该方法包括：获取基础负荷数据，所述基础负荷数据包括：地区、时间段、行业及负荷值；查询历史负荷预测档案库中是否存在与所述基础负荷数据属性相似的历史负荷预测数据；如果是，获取历史负荷预测数据对应的预测算法的准确率，并判断所述准确率是否大于预设的阈值；如果是，利用所述历史负荷预测数据对应的预测算法及所述基础负荷数据进行负荷预测；如果否，利用所述基础负荷数据对应的多个可用预测算法中优先级最高的算法及所述基础负荷数据进行负荷预测。本发明结合实际数据和评价体系，可以根据对应属性的数据快速推荐最优算法，还可以有效避免负荷预测算法的数学化及模式化。
Description
技术领域
本发明涉及电力负荷预测技术领域，特别涉及一种电力负荷智能预测方法及装置。
背景技术
现阶段，电力负荷预测的理论和方法已经比较多，但由于预测方法的局限性和负荷结构的复杂性，负荷预测法的应用受到了一定的限制。主要原因在于：
在实际应用中普遍存在预测精度不高、算法逐渐“数学化”的现象，复杂的算法多数停留在理论研究阶段，很难在工程实践中灵活应用。
另外，现有负荷预测还停留在高度人工预测的阶段，不仅需要业务人员非常熟悉业务，而且需要对不同地区负荷特性有深度了解，同时还需要业务人员对算法有很高的见解，才能达到负荷预测的精准性。随着负荷预测的应用的深入，传统的地区负荷预测和模糊负荷预测已经无法满足越来越大的市场需求，高精度及细划分的负荷预测成为必要，传统的负荷预测方式仍难以应对如此量级和精度的负荷预测，需要更加简单高效的方式来完成这项工作。
发明内容
本发明实施例提供了一种电力负荷智能预测方法及装置，可以根据对应属性的数据快速推荐最优算法，有效避免负荷预测算法的数学化及模式化。
为了实现上述目的，本发明实施例还提供了一种电力负荷智能预测方法，该电力负荷智能预测方法包括：
获取基础负荷数据，所述基础负荷数据包括：地区、时间段、行业及负荷值；
查询历史负荷预测档案库中是否存在与所述基础负荷数据属性相似的历史负荷预测数据；
如果是，获取历史负荷预测数据对应的预测算法的准确率，并判断所述准确率是否大于预设的阈值；
如果是，利用所述历史负荷预测数据对应的预测算法及所述基础负荷数据进行负荷预测；
如果历史负荷预测档案库中不存在与所述基础负荷数据属性相似的历史负荷预测数据，或者所述准确率小于预设的阈值，利用所述基础负荷数据对应的多个可用预测算法中优先级最高的算法及所述基础负荷数据进行负荷预测。
一实施例中，该电力负荷智能预测方法包括：
选定历史负荷测试数据，利用对应的可用预测算法及所述历史负荷测试数据进行负荷模拟预测，生成预测结果；所述历史负荷测试数据包括：地区、历史时间段、行业及负荷值；所述预测结果为所述历史时间段之后的某一时间段的负荷预测值；
将所述预测结果与对应的真实负荷值进行比对，生成所述可用预测算法的准确率；
根据所述准确率得到各可用预测算法的优先级。
一实施例中，该电力负荷智能预测方法还包括：
确定所述基础负荷数据所属的预测类型；
根据所述预测类型为所述基础负荷数据分配至少一可用预测算法。
一实施例中，该电力负荷智能预测方法还包括：
获取外部因子，所述外部因子包括温度、天气、事故、国家政策因子中的至少一个；
根据所述外部因子、所述历史负荷预测数据对应的预测算法及所述基础负荷数据进行负荷预测。
一实施例中，该电力负荷智能预测方法还包括：
获取外部因子；
根据所述外部因子、所述基础负荷数据对应的多个可用预测算法中优先级最高的算法及所述基础负荷数据进行负荷预测。
一实施例中，该电力负荷智能预测方法还包括：
计算本次预测的准确率，并存储所述基础负荷数据、基础负荷数据对应的预测算法及该准确率至档案库。
一实施例中，获取历史负荷预测数据对应的预测算法的准确率，并判断所述准确率是否大于预设的阈值，包括：
如果历史负荷预测档案库中存在与所述基础负荷数据属性相似的多个历史负荷预测数据，并且多个历史负荷预测数据对应不同的预测算法，从多个不同的预测算法选择准确率最高的预测算法的准确率，并判断最高的准确率是否大于预设的阈值。
一实施例中，获取历史负荷预测数据对应的预测算法的准确率，并判断所述准确率是否大于预设的阈值，包括：
如果历史负荷预测档案库中存在与所述基础负荷数据属性相似的多个历史负荷预测数据，并且多个历史负荷预测数据对应相同的预测算法，获取多个历史负荷预测数据对应的准确率的平均值，并判断所述平均值是否大于预设的阈值。
一实施例中，所述获取基础负荷数据，包括：通过数据接口获取所述基础负荷数据，或获取用户输入的所述基础负荷数据。
为了实现上述目的，本发明实施例还提供了一种电力负荷智能预测装置，该电力负荷智能预测装置包括：
数据获取单元，用于获取基础负荷数据，所述基础负荷数据包括：地区、时间段、行业及负荷值；
查询单元，用于查询历史负荷预测档案库中是否存在与所述基础负荷数据属性相似的历史负荷预测数据；
判断单元，用于获取历史负荷预测数据对应的预测算法的准确率，并判断所述准确率是否大于预设的阈值；
第一预测单元，用于利用所述历史负荷预测数据对应的预测算法及所述基础负荷数据进行负荷预测；
第二预测单元，用于利用所述基础负荷数据对应的多个可用预测算法中优先级最高的算法及所述基础负荷数据进行负荷预测。
一实施例中，该电力负荷智能预测装置还包括：
模拟预测单元，用于选定历史负荷测试数据，利用对应的可用预测算法及所述历史负荷测试数据进行负荷模拟预测，生成预测结果；所述历史负荷测试数据包括：地区、历史时间段、行业及负荷值；所述预测结果为所述历史时间段之后的某一时间段的负荷预测值；
比对单元，用于将所述预测结果与对应的真实负荷值进行比对，生成所述可用预测算法的准确率；
优先级确定单元，用于根据所述准确率得到各可用预测算法的优先级。
一实施例中，该电力负荷智能预测装置还包括：
类型确定单元，用于确定所述基础负荷数据所属的预测类型；
算法分配单元，用于根据所述预测类型为所述基础负荷数据分配至少一可用预测算法。
一实施例中，该电力负荷智能预测装置还包括：
因子获取单元，用于获取外部因子，所述外部因子包括温度、天气、事故、国家政策因子中的至少一个；
所述第一预测单元根据所述外部因子、所述历史负荷预测数据对应的预测算法及所述基础负荷数据进行负荷预测。
一实施例中，该电力负荷智能预测装置还包括：
因子获取单元，获取外部因子；
所述第二预测单元根据所述外部因子、所述基础负荷数据对应的多个可用预测算法中优先级最高的算法及所述基础负荷数据进行负荷预测。
一实施例中，该电力负荷智能预测装置还包括：
归档单元，用于计算本次预测的准确率，并存储所述基础负荷数据、基础负荷数据对应的预测算法及该准确率至档案库。
一实施例中，如果历史负荷预测档案库中存在与所述基础负荷数据属性相似的多个历史负荷预测数据，并且多个历史负荷预测数据对应不同的预测算法，所述判断单元具体用于：从多个不同的预测算法选择准确率最高的预测算法的准确率，并判断最高的准确率是否大于预设的阈值。
一实施例中，如果历史负荷预测档案库中存在与所述基础负荷数据属性相似的多个历史负荷预测数据，并且多个历史负荷预测数据对应相同的预测算法，所述判断单元具体用于：获取多个历史负荷预测数据对应的准确率的平均值，并判断所述平均值是否大于预设的阈值。
一实施例中，所述数据获取单元具体用于：通过数据接口获取所述基础负荷数据，或获取用户输入的所述基础负荷数据。
本发明结合实际数据和评价体系，可以根据对应属性的数据快速推荐最优算法，还可以有效避免负荷预测算法的数学化及模式化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。
图1为本发明实施例的电力负荷智能预测方法流程图；
图2为本发明实施例的框架示意图；
图3为本发明实施例的两种数据接入方式示意图；
图4为本发明实施例的电力负荷智能预测装置的结构示意图一；
图5为本发明实施例的电力负荷智能预测装置的结构示意图二；
图6为本发明实施例的电力负荷智能预测装置的结构示意图三；
图7为本发明实施例的电力负荷智能预测装置的结构示意图四；
图8为本发明实施例的电力负荷智能预测装置的结构示意图五。
具体实施方式
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，所描述的实施例仅仅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做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。
现有负荷预测停留在人工阶段，投入人力大，而且难以完成到对于不同地区，不同行业，甚至不同工业客户的高精度预测。针对这些缺点，本发明实施例提供了一种电力负荷智能预测技术。
图1为本发明实施例的电力负荷智能预测方法流程图，如图1所示，该电力负荷智能预测方法包括：
S101：获取基础负荷数据，所述基础负荷数据包括：地区、时间段、行业及负荷值；
S102：查询历史负荷预测档案库中是否存在与所述基础负荷数据属性相似的历史负荷预测数据；
S103：如果是，获取历史负荷预测数据对应的预测算法的准确率，并判断所述准确率是否大于预设的阈值；
S104：如果是，利用所述历史负荷预测数据对应的预测算法及所述基础负荷数据进行负荷预测；
S105：如果历史负荷预测档案库中不存在与所述基础负荷数据属性相似的历史负荷预测数据，或者所述准确率小于预设的阈值，利用所述基础负荷数据对应的多个可用预测算法中优先级最高的算法及所述基础负荷数据进行负荷预测。
图1所示的执行主体可以为PC、膝上笔记本或移动终端等，本发明以PC为例进行说明。PC中安装有智能负荷预测软件，图2为该软件的框架示意图。如图2所示，最底层为数据层，主要包括内部数据查询接入和外部数据录入。中间层(智能算法)为核心部分，该部分通过模拟训练和智能学习，完成最优算法推荐。最上层为数据展示界面，通过直观的三条曲线(历史曲线、预测曲线及实时曲线)进行历史数据，预测数据和实际数据的展示。
图2中的数据层可以作为基础负荷数据获取接口，本实施例中，基础负荷数据的接入方式可以至少包括：通过数据接口获取所述基础负荷数据及获取用户输入的所述基础负荷数据两种方式，图3为本发明实施例的两种数据接入方式示意图。针对于数据接口输入，PC通过提供不同的条件选择如地区选择，时间选择，行业选择，预测模式选择(又称为预测类型，可以分为短期，中期，长期等)等，完成数据的输入。地区、时间、行业等为数据的属性，基于这些属性，可确保智能学习。同时针对于手工输入的数据也需要强制使用者指定数据属性，如时间，地区，行业等。
图2中的智能算法的第一层为预测模型库，包括：算法库，因子库和档案库；第二层为数据挖掘和搜索引擎；第三层为机器学习和半监督学习模块。第一层为基础，为机器学习和半监督学习提供数据和案例，第二层为通道，通过搜索引擎和挖掘引擎为机器学习和半监督学习提供快速数据接入通道，第三层为核心，通过机器学习和监督学习完成高精度负荷预测。
算法库记录了负荷预测常用的算法，包括经典预测算法及现代负荷预测算法。经典预测算法包括趋势外推法，时间序列法和回归分析法等；现代负荷预测算法包括：灰色数学理论，专家***方法，神经网络理论和模糊预测方法等。因子库保留了用户自主输入的外部因子(包括温度、天气、事故、国家政策因子等)对于不同属性的记录的影响权重，如极端天气，政治事件，活动事件等。档案库则记录软件使用者每次预测的记录(包括完成负荷预测的预测准确率及对应的基础负荷数据)，每当对重复属性的数据进行预测的时候，即可直接调用档案完成预测。
下面介绍常用的负荷预测算法其内容如下：
经典预测算法：
(1)趋势外推算法
趋势外推算法是根据负荷的变化趋势对未来负荷情况作出预测。电力负荷虽然具有随机性和不确定性，但在一定条件下，仍存在着明显的变化趋势，例如农业用电，在气候条件变化较小的冬季，日用电量相对稳定，表现为较平稳的变化趋势。这种变化趋势可为线性或非线性，周期性或非周期性等等。
(2)时间序列法
时间序列算法是一种最为常见的短期负荷预测算法，它是针对整个观测序列呈现出的某种随机过程的特性，建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。该算法利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。
时间序列预测算法可分为确定型和随机型两类，确定型时间序列作为模型残差用于估计预测区间的大小。随机型时间序列预测模型可以看作一个线性滤波器。根据线性滤波器的特性，时间序列可划为自回归(AR)、动平均(MA)、自回归-动平均(ARMA)、累计式自回归-动平均(ARIMA)、传递函数(TF)几类模型，其负荷预测过程一般分为模型识别、模型参数估计、模型检验、负荷预测、精度检验预测值修正5个阶段。
(3)回归分析算法
回归分析算法就是根据负荷过去的历史资料，建立可以分析的数学模型，对未来的负荷进行预测。利用数理统计中的回归分析方法，通过对变量的观测数据进行分析，确定变量之间的相互关系，从而实现预测。
现代负荷预测算法：
(1)灰色数学理论
灰色数学理论是把负荷序列看作一真实的***输出，其是众多影响因子的综合作用结果。众多因子的未知性和不确定性，成为***的灰色特性。灰色***理论把负荷序列通过生成变换，使其变化为有规律的生成数列再建模，用于负荷预测。
(2)专家***算法
专家***算法是对于数据库里存放的过去几年的负荷数据和天气数据等进行细致的分析，汇集有经验的负荷预测人员的知识，提取有关规则。借助专家***，负荷预测人员能识别预测日所属的类型，考虑天气因素对负荷预测的影响，按照一定的推理进行负荷预测。
(3)神经网络理论
神经网络理论是利用神经网络的学习功能，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。该方法具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，其缺点是学习收敛速度慢，可能收敛到局部最小点；并且知识表达困难，难以充分利用调度人员经验中存在的模糊知识。
(4)模糊负荷预测
模糊负荷预测是近几年比较热门的研究方向。模糊控制是在所采用的控制方法上应用了模糊数学理论，使其进行确定性的工作，对一些无法构造数学模型的被控过程进行有效控制。从输入输出的角度讲，模型***是一个非线性函数。模糊***对于任意一个非线性连续函数，就是找出一类隶属函数，一种推理规则，一个解模糊方法，使得设计出的模糊***能够任意逼近这个非线性函数。
基础负荷数据的不同预测类型不同，适用的上述预测算法可能，例如预测类型为短期，预测算法可以采用时间序列等。基于此，本发明基于基础负荷数据确定所属的预测类型，然后根据预测类型为基础负荷数据分配至少一可用预测算法，实现预测算法的初步筛选。
本发明中，经常需要根据预测算法的优先级现在最终的预测算法，因此，本发明需要实现进行算法的优先级排序。具体实施时，可以首先选定历史负荷测试数据，利用对应的可用预测算法及所述历史负荷测试数据进行负荷模拟预测，生成预测结果(负荷预测值)。然后，将所述预测结果与对应的真实负荷值进行比对，生成所述可用预测算法的准确率。最后，根据所述准确率得到各可用预测算法的优先级。其中，历史负荷测试数据包括：地区、历史时间段、行业及负荷值；所述预测结果为所述历史时间段之后的某一时间段的负荷预测值。距离说明，假设选定的历史负荷测试数据为<唐山><钢铁><2015年6月15日-2015年7月7日>的数据，用该历史负荷测试数据预测时间段在<2015年7月8日-2015年7月20日>的负荷值，时间段在<2015年7月8日-2015年7月20日>为历史时间，其负荷真实值已经存在了。将负荷预测值与负荷真实值进行比对，可以计算出预测算法的准确率。通过该方法，可以算出所有预测算法的准确率，得到预测算法的优先级。
S103中，历史负荷预测档案库中可能存在与基础负荷数据属性相似的多个历史负荷预测数据，多个历史负荷预测数据可能对应相同或不同的预测算法，需要分别进行不同的处理，下面详细说明。
一实施例中，如果历史负荷预测档案库中存在与所述基础负荷数据属性相似的多个历史负荷预测数据，并且多个历史负荷预测数据对应不同的预测算法，从多个不同的预测算法选择准确率最高的预测算法的准确率，并判断最高的准确率是否大于预设的阈值。
另一实施例中，如果历史负荷预测档案库中存在与所述基础负荷数据属性相似的多个历史负荷预测数据，并且多个历史负荷预测数据对应相同的预测算法，获取多个历史负荷预测数据对应的准确率的平均值，并判断所述平均值是否大于预设的阈值。
由于负荷预测受外部因素干扰较大，用户可以选择外部因子参与负荷的预测，外部因子包括温度、天气、事故、国家政策因子中的至少一个。例如可以将降温，降雨，高温等因子与基础负荷数据一起进行负荷的预测。
S104在考虑外部因子时，需要根据所述外部因子、所述历史负荷预测数据对应的预测算法及所述基础负荷数据进行负荷预测。
S105在考虑外部因子时，根据所述外部因子、所述基础负荷数据对应的多个可用预测算法中优先级最高的算法及所述基础负荷数据进行负荷预测。
一实施例中，在完成预测得到预测值后，可以将基础负荷数据、基础负荷数据对应的预测算法存储至历史负荷预测档案库(档案库)，当得到该预测值对应的真实值之后，可以根据该真实值及预测值计算本次预测的准确率，并存储该准确率至历史负荷预测档案库，实现历史负荷预测档案库的更新，作为后续预测的依据。
得到预测值及实际负荷值(真实值)之后，可以分别通过曲线展示给用户，通过历史曲线、预测曲线及实时曲线，可以直观观察预测算法的准确率。
本发明将算法融入软件，通过庞大的历史负荷数据库样本，完成算法模拟训练，并在使用的过程中，通过记录使用数据档案库，对于预测的算法和外部因子智能添加，以求达到最优算法最优化。本发明逻辑简单，智能化程度高，无需很高的算法基础即可完成高精度负荷预测。
本发明基于机器学习和模拟训练，同时添加了人工干预，一方面可以减少由于人为因素导致的负荷预测误差。另外，本发明提供了个性化定制，以人工智能来辅助机器学习，可以完成高精度，细划分的负荷预测。通过结合实际数据和评价体系，可以有效避免负荷预测算法的数学化，模式化。而且通过机器学习和模拟训练，每当客户选择出对应属性的数据，软件可以快速推介最优算法。随着软件使用数量的增加，所积累的档案库也会越来越强大，不仅准确率会不断提高，软件推介算法的速度也会有速度的极大提升，极大提升工作效率。
基于与上述电力负荷智能预测方法相同的发明构思，本申请提供一种电力负荷智能预测装置，如下面实施例所述。由于该电力负荷智能预测装置解决问题的原理与电力负荷智能预测方法相似，因此该电力负荷智能预测装置的实施可以参见电力负荷智能预测方法的实施，重复之处不再赘述。
图4为本发明实施例的电力负荷智能预测装置的结构示意图，如图4所示，该电力负荷智能预测装置包括：
数据获取单元401，用于获取基础负荷数据，所述基础负荷数据包括：地区、时间段、行业及负荷值；
查询单元402，用于查询历史负荷预测档案库中是否存在与所述基础负荷数据属性相似的历史负荷预测数据；
判断单元403，用于获取历史负荷预测数据对应的预测算法的准确率，并判断所述准确率是否大于预设的阈值；
第一预测单元404，用于利用所述历史负荷预测数据对应的预测算法及所述基础负荷数据进行负荷预测；
第二预测单元405，用于利用所述基础负荷数据对应的多个可用预测算法中优先级最高的算法及所述基础负荷数据进行负荷预测。
一实施例中，如图5所示，该电力负荷智能预测装置包括：
模拟预测单元501，用于选定历史负荷测试数据，利用对应的可用预测算法及所述历史负荷测试数据进行负荷模拟预测，生成预测结果；所述历史负荷测试数据包括：地区、历史时间段、行业及负荷值；所述预测结果为所述历史时间段之后的某一时间段的负荷预测值；
比对单元502，用于将所述预测结果与对应的真实负荷值进行比对，生成所述可用预测算法的准确率；
优先级确定单元503，用于根据所述准确率得到各可用预测算法的优先级。
一实施例中，如图6所示，该电力负荷智能预测装置包括：
类型确定单元601，用于确定所述基础负荷数据所属的预测类型；
算法分配单元602，用于根据所述预测类型为所述基础负荷数据分配至少一可用预测算法。
一实施例中，如图7所示，该电力负荷智能预测装置包括：
因子获取单元701，用于获取外部因子，所述外部因子包括温度、天气、事故、国家政策因子中的至少一个；
第一预测单元404根据所述外部因子、所述历史负荷预测数据对应的预测算法及所述基础负荷数据进行负荷预测，或者根据所述外部因子、所述基础负荷数据对应的多个可用预测算法中优先级最高的算法及所述基础负荷数据进行负荷预测。
一实施例中，如图8所示，该电力负荷智能预测装置包括：
归档单元801，用于计算本次预测的准确率，并存储所述基础负荷数据、基础负荷数据对应的预测算法及该准确率至档案库。
一实施例中，如果历史负荷预测档案库中存在与所述基础负荷数据属性相似的多个历史负荷预测数据，并且多个历史负荷预测数据对应不同的预测算法，所述判断单元具体403用于：从多个不同的预测算法选择准确率最高的预测算法的准确率，并判断最高的准确率是否大于预设的阈值。
一实施例中，如果历史负荷预测档案库中存在与所述基础负荷数据属性相似的多个历史负荷预测数据，并且多个历史负荷预测数据对应相同的预测算法，所述判断单元403具体用于：获取多个历史负荷预测数据对应的准确率的平均值，并判断所述平均值是否大于预设的阈值。
一实施例中，数据获取单元401具体用于：通过数据接口获取所述基础负荷数据，或获取用户输入的所述基础负荷数据。
本发明结合实际数据和评价体系，可以根据对应属性的数据快速推荐最优算法，还可以有效避免负荷预测算法的数学化及模式化。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (18)
1.一种电力负荷智能预测方法，其特征在于，包括：
获取基础负荷数据，所述基础负荷数据包括：地区、时间段、行业及负荷值；
查询历史负荷预测档案库中是否存在与所述基础负荷数据属性相似的历史负荷预测数据；
如果是，获取历史负荷预测数据对应的预测算法的准确率，并判断所述准确率是否大于预设的阈值；
如果是，利用所述历史负荷预测数据对应的预测算法及所述基础负荷数据进行负荷预测；
如果历史负荷预测档案库中不存在与所述基础负荷数据属性相似的历史负荷预测数据，或者所述准确率小于预设的阈值，利用所述基础负荷数据对应的多个可用预测算法中优先级最高的算法及所述基础负荷数据进行负荷预测。
2.根据权利要求1所述的电力负荷智能预测方法，其特征在于，还包括：
选定历史负荷测试数据，利用对应的可用预测算法及所述历史负荷测试数据进行负荷模拟预测，生成预测结果；所述历史负荷测试数据包括：地区、历史时间段、行业及负荷值；所述预测结果为所述历史时间段之后的某一时间段的负荷预测值；
将所述预测结果与对应的真实负荷值进行比对，生成所述可用预测算法的准确率；
根据所述准确率得到各可用预测算法的优先级。
3.根据权利要求1或2所述的电力负荷智能预测方法，其特征在于，还包括：
确定所述基础负荷数据所属的预测类型；
根据所述预测类型为所述基础负荷数据分配至少一可用预测算法。
4.根据权利要求1所述的电力负荷智能预测方法，其特征在于，还包括：
获取外部因子，所述外部因子包括温度、天气、事故、国家政策因子中的至少一个；
根据所述外部因子、所述历史负荷预测数据对应的预测算法及所述基础负荷数据进行负荷预测。
5.根据权利要求1所述的电力负荷智能预测方法，其特征在于，还包括：
获取外部因子；
根据所述外部因子、所述基础负荷数据对应的多个可用预测算法中优先级最高的算法及所述基础负荷数据进行负荷预测。
6.根据权利要求1所述的电力负荷智能预测方法，其特征在于，还包括：
计算本次预测的准确率，并存储所述基础负荷数据、基础负荷数据对应的预测算法及该准确率至档案库。
7.根据权利要求1所述的电力负荷智能预测方法，其特征在于，获取历史负荷预测数据对应的预测算法的准确率，并判断所述准确率是否大于预设的阈值，包括：
如果历史负荷预测档案库中存在与所述基础负荷数据属性相似的多个历史负荷预测数据，并且多个历史负荷预测数据对应不同的预测算法，从多个不同的预测算法选择准确率最高的预测算法的准确率，并判断最高的准确率是否大于预设的阈值。
8.根据权利要求1所述的电力负荷智能预测方法，其特征在于，获取历史负荷预测数据对应的预测算法的准确率，并判断所述准确率是否大于预设的阈值，包括：
如果历史负荷预测档案库中存在与所述基础负荷数据属性相似的多个历史负荷预测数据，并且多个历史负荷预测数据对应相同的预测算法，获取多个历史负荷预测数据对应的准确率的平均值，并判断所述平均值是否大于预设的阈值。
9.根据权利要求1所述的电力负荷智能预测方法，其特征在于，所述获取基础负荷数据，包括：通过数据接口获取所述基础负荷数据，或获取用户输入的所述基础负荷数据。
10.一种电力负荷智能预测装置，其特征在于，包括：
数据获取单元，用于获取基础负荷数据，所述基础负荷数据包括：地区、时间段、行业及负荷值；
查询单元，用于查询历史负荷预测档案库中是否存在与所述基础负荷数据属性相似的历史负荷预测数据；
判断单元，用于获取历史负荷预测数据对应的预测算法的准确率，并判断所述准确率是否大于预设的阈值；
第一预测单元，用于利用所述历史负荷预测数据对应的预测算法及所述基础负荷数据进行负荷预测；
第二预测单元，用于利用所述基础负荷数据对应的多个可用预测算法中优先级最高的算法及所述基础负荷数据进行负荷预测。
11.根据权利要求10所述的电力负荷智能预测装置，其特征在于，还包括：
模拟预测单元，用于选定历史负荷测试数据，利用对应的可用预测算法及所述历史负荷测试数据进行负荷模拟预测，生成预测结果；所述历史负荷测试数据包括：地区、历史时间段、行业及负荷值；所述预测结果为所述历史时间段之后的某一时间段的负荷预测值；
比对单元，用于将所述预测结果与对应的真实负荷值进行比对，生成所述可用预测算法的准确率；
优先级确定单元，用于根据所述准确率得到各可用预测算法的优先级。
12.根据权利要求10或11所述的电力负荷智能预测装置，其特征在于，还包括：
类型确定单元，用于确定所述基础负荷数据所属的预测类型；
算法分配单元，用于根据所述预测类型为所述基础负荷数据分配至少一可用预测算法。
13.根据权利要求10所述的电力负荷智能预测装置，其特征在于，还包括：
因子获取单元，用于获取外部因子，所述外部因子包括温度、天气、事故、国家政策因子中的至少一个；
所述第一预测单元根据所述外部因子、所述历史负荷预测数据对应的预测算法及所述基础负荷数据进行负荷预测。
14.根据权利要求10所述的电力负荷智能预测装置，其特征在于，还包括：
因子获取单元，获取外部因子；
所述第二预测单元根据所述外部因子、所述基础负荷数据对应的多个可用预测算法中优先级最高的算法及所述基础负荷数据进行负荷预测。
15.根据权利要求10所述的电力负荷智能预测装置，其特征在于，还包括：
归档单元，用于计算本次预测的准确率，并存储所述基础负荷数据、基础负荷数据对应的预测算法及该准确率至档案库。
16.根据权利要求10所述的电力负荷智能预测装置，其特征在于，如果历史负荷预测档案库中存在与所述基础负荷数据属性相似的多个历史负荷预测数据，并且多个历史负荷预测数据对应不同的预测算法，所述判断单元具体用于：从多个不同的预测算法选择准确率最高的预测算法的准确率，并判断最高的准确率是否大于预设的阈值。
17.根据权利要求10所述的电力负荷智能预测装置，其特征在于，如果历史负荷预测档案库中存在与所述基础负荷数据属性相似的多个历史负荷预测数据，并且多个历史负荷预测数据对应相同的预测算法，所述判断单元具体用于：获取多个历史负荷预测数据对应的准确率的平均值，并判断所述平均值是否大于预设的阈值。
18.根据权利要求10所述的电力负荷智能预测装置，其特征在于，所述数据获取单元具体用于：通过数据接口获取所述基础负荷数据，或获取用户输入的所述基础负荷数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710164431.5A CN106951990A (zh) | 2017-03-20 | 2017-03-20 | 电力负荷智能预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710164431.5A CN106951990A (zh) | 2017-03-20 | 2017-03-20 | 电力负荷智能预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106951990A true CN106951990A (zh) | 2017-07-14 |
Family
ID=59472162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710164431.5A Pending CN106951990A (zh) | 2017-03-20 | 2017-03-20 | 电力负荷智能预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106951990A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480435A (zh) * | 2017-07-31 | 2017-12-15 | 广东精点数据科技股份有限公司 | 一种应用于临床数据的自动搜索机器学习***及方法 |
| CN107797006A (zh) * | 2017-10-19 | 2018-03-13 | 国家电网公司 | 变压器负荷预测方法及装置 |
| CN107818678A (zh) * | 2017-10-27 | 2018-03-20 | 武汉大学 | 用于用电信息采集***的实时在线修正方法及装置 |
| CN108053056A (zh) * | 2017-11-25 | 2018-05-18 | 国网辽宁省电力有限公司经济技术研究院 | 一种能够提高预测精度的电力行业负荷预测方法 |
| CN109472407A (zh) * | 2018-11-02 | 2019-03-15 | 国网河北省电力有限公司雄安新区供电公司 | 能源设备的调度方法及终端设备 |
| CN110210679A (zh) * | 2019-06-10 | 2019-09-06 | 国家电网有限公司 | 一种应用于县级配电网规划的负荷预测*** |
| CN110376457A (zh) * | 2019-06-28 | 2019-10-25 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
| CN110968628A (zh) * | 2019-11-18 | 2020-04-07 | 广东卓维网络有限公司 | 一种用于给移动终端提供电量数据的后台管理*** |
| CN111461448A (zh) * | 2020-04-09 | 2020-07-28 | 云南电网有限责任公司大理供电局 | 一种基于SageMath的负荷预测模型配置方法及计算机程序产品 |
| CN112508261A (zh) * | 2020-12-03 | 2021-03-16 | 广东电网有限责任公司 | 一种基于神经网络的配电变压器负荷分层预测方法及装置 |
| CN115719998A (zh) * | 2022-11-17 | 2023-02-28 | 宁波天仑电气股份有限公司 | 一种智能开关柜的监管方法、***以及存储介质 |
| CN115860797A (zh) * | 2022-12-08 | 2023-03-28 | 国网江苏省电力有限公司南通供电分公司 | 一种适应新电价改革形势的电量需求预测方法 |
-
2017
- 2017-03-20 CN CN201710164431.5A patent/CN106951990A/zh active Pending
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480435A (zh) * | 2017-07-31 | 2017-12-15 | 广东精点数据科技股份有限公司 | 一种应用于临床数据的自动搜索机器学习***及方法 |
| CN107480435B (zh) * | 2017-07-31 | 2020-12-08 | 广东精点数据科技股份有限公司 | 一种应用于临床数据的自动搜索机器学习***及方法 |
| CN107797006B (zh) * | 2017-10-19 | 2020-06-12 | 国家电网公司 | 变压器负荷预测方法及装置 |
| CN107797006A (zh) * | 2017-10-19 | 2018-03-13 | 国家电网公司 | 变压器负荷预测方法及装置 |
| CN107818678A (zh) * | 2017-10-27 | 2018-03-20 | 武汉大学 | 用于用电信息采集***的实时在线修正方法及装置 |
| CN107818678B (zh) * | 2017-10-27 | 2019-10-11 | 武汉大学 | 用于用电信息采集***的实时在线修正方法及装置 |
| CN108053056A (zh) * | 2017-11-25 | 2018-05-18 | 国网辽宁省电力有限公司经济技术研究院 | 一种能够提高预测精度的电力行业负荷预测方法 |
| CN109472407A (zh) * | 2018-11-02 | 2019-03-15 | 国网河北省电力有限公司雄安新区供电公司 | 能源设备的调度方法及终端设备 |
| CN110210679A (zh) * | 2019-06-10 | 2019-09-06 | 国家电网有限公司 | 一种应用于县级配电网规划的负荷预测*** |
| CN110376457A (zh) * | 2019-06-28 | 2019-10-25 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
| CN110376457B (zh) * | 2019-06-28 | 2020-10-02 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
| CN110968628A (zh) * | 2019-11-18 | 2020-04-07 | 广东卓维网络有限公司 | 一种用于给移动终端提供电量数据的后台管理*** |
| CN111461448A (zh) * | 2020-04-09 | 2020-07-28 | 云南电网有限责任公司大理供电局 | 一种基于SageMath的负荷预测模型配置方法及计算机程序产品 |
| CN112508261A (zh) * | 2020-12-03 | 2021-03-16 | 广东电网有限责任公司 | 一种基于神经网络的配电变压器负荷分层预测方法及装置 |
| CN112508261B (zh) * | 2020-12-03 | 2021-09-03 | 广东电网有限责任公司 | 一种基于神经网络的配电变压器负荷分层预测方法及装置 |
| CN115719998A (zh) * | 2022-11-17 | 2023-02-28 | 宁波天仑电气股份有限公司 | 一种智能开关柜的监管方法、***以及存储介质 |
| CN115860797A (zh) * | 2022-12-08 | 2023-03-28 | 国网江苏省电力有限公司南通供电分公司 | 一种适应新电价改革形势的电量需求预测方法 |
| CN115860797B (zh) * | 2022-12-08 | 2023-07-18 | 国网江苏省电力有限公司南通供电分公司 | 一种适应新电价改革形势的电量需求预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106951990A (zh) | 电力负荷智能预测方法及装置 | |
| Du et al. | Intelligent multi-microgrid energy management based on deep neural network and model-free reinforcement learning | |
| CN108491969B (zh) | 基于大数据的空间负荷预测模型构建方法 | |
| Kuznetsova et al. | Reinforcement learning for microgrid energy management | |
| CN110992113A (zh) | 基于神经网络智能算法的基建变电站项目造价预测方法 | |
| CN108830745A (zh) | 基于监控信息的电网连锁故障诊断、预警、评估*** | |
| CN104252652A (zh) | 电力***中空间负荷预测方法 | |
| CN102063550A (zh) | 机器智能参与设计决策的冷挤压件智能设计*** | |
| CN113222403B (zh) | 基于大数据的电力调节方法、装置、存储介质及电子设备 | |
| CN105631528A (zh) | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 | |
| Liu et al. | Edge sensing data-imaging conversion scheme of load forecasting in smart grid | |
| CN109086930A (zh) | 一种基于电力k线图及深度网络的用户用电行为分析方法 | |
| CN110334879A (zh) | 电网母线无功负荷预测方法及装置 | |
| CN111680841A (zh) | 基于主成分分析的短期负荷预测方法、***及终端设备 | |
| Chen et al. | A BP neural network-based hierarchical investment risk evaluation method considering the uncertainty and coupling for the power grid | |
| Lao et al. | The optimized multivariate grey prediction model based on dynamic background value and its application | |
| CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
| CN104993966A (zh) | 一种电力综合业务网流量预测方法 | |
| CN107679666A (zh) | 一种基于Shapley值及经济发展的用电预测方法 | |
| Nutkiewicz et al. | Exploring the integration of simulation and deep learning models for urban building energy modeling and retrofit analysis | |
| Gu et al. | A Digital Load Forecasting Method Based on Digital Twin and Improved GRU | |
| Li et al. | Implicit stochastic optimization with data mining for reservoir system operation | |
| CN115293649A (zh) | 一种区配电网智能精细化降损方法 | |
| Shen et al. | An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed | |
| Kondaiah et al. | Short-term load forecasting with deep learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170714 |
|
| RJ01 | Rejection of invention patent application after publication |