CN109919370B - 一种电力负荷预测方法及预测装置 - Google Patents
一种电力负荷预测方法及预测装置 Download PDFInfo
- Publication number
- CN109919370B CN109919370B CN201910143397.2A CN201910143397A CN109919370B CN 109919370 B CN109919370 B CN 109919370B CN 201910143397 A CN201910143397 A CN 201910143397A CN 109919370 B CN109919370 B CN 109919370B
- Authority
- CN
- China
- Prior art keywords
- power load
- data
- phase
- public
- area
- 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.)
- Active
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电力负荷预测方法及预测装置,能够提高电力负荷结果预测的时效性和准确性。所述方法包括:获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型;对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类,将电力负荷曲线特性相似的公变台区聚为一簇;构建LSTM‑Attention神经网络模型;获取待预测的公变台区,确定所述待预测的公变台区所属的簇;根据构建的LSTM‑Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,采用迭代预测的方式,对待预测的公变台区的每相电力负荷进行预测。本发明涉及电力技术领域。
Description
技术领域
本发明涉及电力技术领域,特别是指一种电力负荷预测方法及预测装置。
背景技术
随着电网信息化进程的快速发展,智能电网建设的深入,各种智能设备和传感器的大量部署与更新。在电力***中,存在着种种不平衡因素,可以归结为事故性和正常性两大类;其中,事故性不平衡是由于***故障引起的,这种运行工况在***中是不允许的,要通过保护装置切除故障元件,经处理后再恢复***运行;正常性不平衡是由于三相元件、线路参数或负荷不对称引起的,如电气化铁道中的牵引负荷、冶炼***中的电弧炉等。***三相不平衡度如果超过一定范围,将会影响***的安全运行,因此,深入分析电力负荷三相不平衡的问题,为安全优质供电提供新保障,显得越来越重要。
现有技术中,一般通过人工监控预测电力负荷或者使用人工指定特征进行逻辑回归预测电力负荷;其中,人工监控预测浪费人力成本;人工指定特征进行逻辑回归预测,不能像深度学习那样进行深层次的特征抽象,信息挖掘不充分,逻辑回归作为预测模型结构简单,对于复杂数据集,预测效果差,算法简单,无法满足海量多类型异构数据的计算需求。
发明内容
本发明要解决的技术问题是提供一种电力负荷预测方法及预测装置,以解决现有技术所存在的人工监控预测浪费人力成本及逻辑回归预测对于复杂数据集,预测效果差的问题。
为解决上述技术问题,本发明实施例提供一种电力负荷预测方法,包括:
获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型;
对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类,将电力负荷曲线特性相似的公变台区聚为一簇;
构建LSTM-Attention神经网络模型,其中,LSTM表示长短期记忆网络,Attention表示注意力机制;
获取待预测的公变台区,确定所述待预测的公变台区所属的簇;
根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,采用迭代预测的方式,对待预测的公变台区的每相电力负荷进行预测。
进一步地,每相电力负荷数据包括:区县单位、负荷值、日期、台区唯一标识、供电单位、台区名称、台区容量、电流互感器变比、电压互感器变比、行业类型、公专变标志、线路编号、线路名称。
进一步地,所述气象数据包括:台站编号、日期、温度、气压、湿度、风速。
进一步地,所述获取多个公变台区的三相电力负荷数据及其对应的气象数据包括:
获取多个公变台区的三相电力负荷数据和气象数据;
确定第一公变台区内的公共变压器的台站编号信息,将所述台站编号信息对应的气象数据作为影响第一公变台区的每相电力负荷的区域气象数据,其中,第一公变台区为任一公变台区;
将日期相同的第一公变台区的每相电力负荷数据与所述区域气象数据进行合并,得到第一公变台区的三相电力负荷数据及其对应的气象数据。
进一步地,在确定第一公变台区内的公共变压器的台站编号信息,将所述台站编号信息对应的气象数据作为影响第一公变台区的每相电力负荷的区域气象数据之前,所述方法还包括:
对获取的多个公变台区的三相电力负荷数据和气象数据进行数据清洗,其中,所述数据清洗包括:缺失数据处理、异常数据处理和重复数据处理;
对数据清洗过的三相电力负荷数据和气象数据进行质量检查,若不符合预设的要求,则按照数据清洗中的异常数据处理方式进行数据处理,直到满足预设的要求。
进一步地,在获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型之后,所述方法还包括:
通过Hadoop分布式文件***对获取的多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型进行分布式存储。
进一步地,所述对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类,将电力负荷曲线特性相似的公变台区聚为一簇包括:
提取每个公变台区每相电力负荷值,确定每个公变台区每相的年平均电力负荷值作为该公变台区该相的聚类样本;
统计所有的公变台区的同一相的聚类样本作为聚类数据集;
基于Spark引擎,采用K-means聚类算法对所述聚类数据集进行K-均值聚类,将电力负荷曲线特性相似的公变台区聚为一簇,得到簇集合。
进一步地,所述构建LSTM-Attention神经网络模型并进行训练包括:
采用单模型多变量方法,构建LSTM-Attention神经网络模型。
进一步地,所述根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,采用迭代预测的方式,对待预测的公变台区的每相电力负荷进行预测包括:
根据所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,以预设天数为一个时间窗口进行循环迭代,对构建的LSTM-Attention神经网络模型进行训练、并预测待预测的公变台区的每相电力负荷数据。
本发明实施例还提供一种电力负荷预测装置,包括:
第一获取模块,用于获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型;
聚类模块,用于对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类,将电力负荷曲线特性相似的公变台区聚为一簇;
构建模块,用于构建LSTM-Attention神经网络模型,其中,LSTM表示长短期记忆网络,Attention表示注意力机制;
第二获取模块,用于获取待预测的公变台区,确定所述待预测的公变台区所属的簇;
预测模块,用于根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,采用迭代预测的方式,对待预测的公变台区的每相电力负荷进行预测。
本发明的上述技术方案的有益效果如下:
上述方案中,获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型;对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类,将电力负荷曲线特性相似的公变台区聚为一簇;构建LSTM-Attention神经网络模型,其中,LSTM表示长短期记忆网络,Attention表示注意力机制;获取待预测的公变台区,确定所述待预测的公变台区所属的簇;根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,采用迭代预测的方式,对待预测的公变台区的每相电力负荷进行预测,这样,运用LSTM-Attention神经网络模型对电力负荷进行预测,能够提高电力负荷结果预测的时效性和准确性,为电力***规划和运行提供可靠的决策依据,从而保证供电的正常。
附图说明
图1为本发明实施例提供的电力负荷预测方法的流程示意图;
图2为本发明实施例提供的多元结构工作原理示意图;
图3为本发明实施例提供的电力负荷预测框架示意图;
图4为本发明实施例提供的电力负荷预测方法的详细流程示意图;
图5为本发明实施例提供的HDFS***架构示意图;
图6为本发明实施例提供的电力负荷值聚类过程示意图;
图7为本发明实施例提供的A相第1类的数据分布示意图;
图8为本发明实施例提供的B相第1类的数据分布示意图;
图9为本发明实施例提供的C相第1类的数据分布示意图;
图10为本发明实施例提供的C相第4类的数据分布示意图;
图11为本发明实施例提供的电力负荷预测装置的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的人工监控预测浪费人力成本及逻辑回归预测对于复杂数据集,预测效果差的问题,提供一种电力负荷预测方法及预测装置。
实施例一
如图1所示,本发明实施例提供的电力负荷预测方法,包括:
S101,获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型;
S102,对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类,将电力负荷曲线特性相似的公变台区聚为一簇;
S103,构建LSTM-Attention神经网络模型,其中,LSTM表示长短期记忆网络,Attention表示注意力机制;
S104,获取待预测的公变台区,确定所述待预测的公变台区所属的簇;
S105,根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,采用迭代预测的方式,对待预测的公变台区的每相电力负荷进行预测。
本发明实施例所述的电力负荷预测方法,获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型;对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类,将电力负荷曲线特性相似的公变台区聚为一簇;构建LSTM-Attention神经网络模型,其中,LSTM表示长短期记忆网络,Attention表示注意力机制;获取待预测的公变台区,确定所述待预测的公变台区所属的簇;根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,采用迭代预测的方式,对待预测的公变台区的每相电力负荷进行预测,这样,运用LSTM-Attention神经网络模型对电力负荷进行预测,能够提高电力负荷结果预测的时效性和准确性,为电力***规划和运行提供可靠的决策依据,从而保证供电的正常。
本实施例中,台区是指(一台)变压器的供电范围或区域。公变台区是指公共变压器的供电范围或区域。
本实施例中,获取的多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型这些参数,是对电力负荷预测模型(即:训练后的LSTM-Attention神经网络模型)有参考价值的特征;电力负荷特征工程的构建是从电力负荷本身的特点和外界相关因素来确定的,具体分为以下几个方面:
一、电力负荷特点
(1)时序性
电力负荷的历史数据是利用传感器按照每天固定时间采集到的,具有时间序列的特性,并且对未来负荷值的预测也有明确的时间轴。
(2)不确定性
在电力***运行过程中,电力***可能受到自身硬件或者外部因素的影响,导致采集到的数据具有一定的不确定性,预测模型的不同也会使预测结果具有一定的差异性,这就使得电力负荷预测结果不能完全准确的反映实际情况。
(3)条件性
电力负荷预测是在一定的前提条件下,根据历史的电力数据及其影响因素数据对未来一段时间电力负荷的值进行推断,只有在特定条件下得到的预测目标值才有利于电力部门的使用。
二、电力负荷种类
电力负荷主要包括:大工业用电、农业生产用电、城镇居民生活用电、乡村居民生活用电、商业用电、普通工业用电以及其它用电(包括市政用电、公用事业、政府办公、交通、军用以及其它)。用电负荷组成的差异性主要体现在负荷的种类和各种负荷成分所占比重两个方面。
三、电力负荷的自身规律
(1)电力负荷的年周期性
年周期性变化主要体现在季节性变化方面。从全年来看,夏冬季节公变台区的三相电力负荷使用量明显高于春秋季节,而春秋的季节的电力负荷变化差别不太明显;
(2)电力负荷的周周期性
以星期为单位的周期性具有两种变化规律:一种是周一到周五的正常工作日类型的电力负荷变化特点,另一种是周六与周日的非工作日类型的电力负荷变化特点;
(3)电力负荷的日周期性
本发明以廊坊市某供电有限公司管辖下的三强黑丝加工厂为例来分析,该台区以日为单位的周期性具有先增后减再增再减的电力负荷变化特点;
四、电力负荷特征设计
电力负荷影响因素大致可以分为以下几类:
(1)经济水平
一个地区的经济发展水平会对该地区电力负荷的使用总量和负荷用电的结构产生直接影响。工业、商业发达的地区,大用户的电力负荷用电将会占据很大比例,对电能的质量也有着更高的要求。经济发展水平与电力负荷的增长呈现正相关的关系。
(2)气象因素
气象因素包括温度、相对湿度、大气压、风速等,这些气象因素将对用户的用电结构有很大影响,其中温度对一个地区的电力负荷影响最大。
(3)日类型
日类型主要包括工作日、双休日、节假日。在工作日时,工业、商业电力负荷使用量将会增大;在节假日时,居民生活用电负荷使用量将大幅增加。所以,日类型的电力负荷曲线将随日类型出现明显的波动。
(4)随机因素
电力负荷波动具有一定的随机性,一个地区的电力负荷使用情况容易受到一些突发事件的影响,如自然灾害、重大活动、政策等因素的影响。
在前述电力负荷预测方法的具体实施方式中,进一步地,每相电力负荷数据包括:区县单位、负荷值、日期、台区唯一标识、供电单位、台区名称、台区容量、CT变比、PT变比、行业类型、公专变标志、线路编号、线路名称。
本实施例中,获取的公变台区的电力负荷数据为内部数据,所述内部数据以冀北公司五地市10Kv线路下的多个公变台区的2017年1月-2017年12月的IA,IB,IC三相每日96点(其中,每相每日数据采集时间间隔为15分钟,则每相每日可以采集96点数据)电力负荷数据为例,对本申请所述的电力负荷预测方法进行详细说明。
本实施例中,每相电力负荷数据包括:区县单位、负荷值、日期、台区唯一标识、供电单位、台区名称、台区容量、电流互感器变比、电压互感器变比、行业类型、公专变标志、线路编号、线路名称等信息。
在前述电力负荷预测方法的具体实施方式中,进一步地,所述气象数据包括:台站编号、日期、温度、气压、湿度、风速。
本实施例中,气象数据为外部数据,所述气象数据包括:台站编号(一个供电范围或区域内的公共变压器编号)、日期、温度、气压、湿度、风速等信息。
在前述电力负荷预测方法的具体实施方式中,进一步地,所述获取多个公变台区的三相电力负荷数据及其对应的气象数据包括:
获取多个公变台区的三相电力负荷数据和气象数据;
确定第一公变台区内的公共变压器的台站编号信息,将所述台站编号信息对应的气象数据作为影响第一公变台区的每相电力负荷的区域气象数据,其中,第一公变台区为任一公变台区;
将日期相同的第一公变台区的每相电力负荷数据与所述区域气象数据进行合并,得到第一公变台区的三相电力负荷数据及其对应的气象数据。
本实施例中,获取的多个公变台区的三相电力负荷数据和气象数据不是同源数据,为了提高查询效率、减少调用时间,如图2所示,采用多元结构设计结构,将10Kv线路下的第一公变台区的各相电力负荷数据的区县单位所属的台站编号信息对应的气象数据作为影响第一公变台区的每相电力负荷的区域气象数据;然后,将日期相同的第一公变台区的每相电力负荷数据与所述区域气象数据进行合并,得到第一公变台区的三相电力负荷数据及其对应的气象数据。
在前述电力负荷预测方法的具体实施方式中,进一步地,如图3和图4所示,在确定第一公变台区内的公共变压器的台站编号信息,将所述台站编号信息对应的气象数据作为影响第一公变台区的每相电力负荷的区域气象数据之前,所述方法还包括:
对获取的多个公变台区的三相电力负荷数据和气象数据进行数据清洗,其中,所述数据清洗包括:缺失数据处理、异常数据处理和重复数据处理;
对数据清洗过的三相电力负荷数据和气象数据进行质量检查,若不符合预设的要求,则按照数据清洗中的异常数据处理方式进行数据处理,直到满足预设的要求。
本实施例中,采用莱特准则作为评价标准,对数据清洗过的三相电力负荷数据和气象数据进行质量检查,其中,莱特准则可以表述为:对于一个序列中的某个样本数据xi,若存在|xi-μ|≤3σ(μ为样本均值,σ为样本方差),则认为符合预设要求,否则按照数据清洗中的异常数据处理方式进行数据处理,直到满足预设的要求。
在前述电力负荷预测方法的具体实施方式中,进一步地,在获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型之后,所述方法还包括:
通过Hadoop分布式文件***对获取的多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型进行分布式存储。
本实施例中,如图5所示,通过Hadoop分布式文件***(Hadoop Distributed FileSystem,HDFS)对获取的多源数据:多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型进行分布式存储,并通过基于映射-规约的大规模数据集并行运算(MapReduce)来实现对分布式并行任务处理的程序进行支持。
本实施例中,数据存储到HDFS后,建立分区表,数据开发或数据分析都通过写hive语句,从表中抽取数据。hive一般在工作站使用,将数据存储和SQL查询语言结合起来,把SQL查询转换为在Hadoop集群上运行的MapReduce作业。
本实施例中,hive是基于Hadoop的一个数据仓库工具,一般在工作站使用,可以将结构化的数据文件映射为一张数据库表,将数据存储和SQL查询语言结合起来,把SQL查询转换为在Hadoop集群上运行的MapReduce作业。
在前述电力负荷预测方法的具体实施方式中,进一步地,所述对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类,将电力负荷曲线特性相似的公变台区聚为一簇包括:
提取每个公变台区每相电力负荷值,确定每个公变台区每相的年平均电力负荷值作为该公变台区该相的聚类样本;
统计所有的公变台区的同一相的聚类样本作为聚类数据集;
基于Spark引擎,采用K-means聚类算法对所述聚类数据集进行K-均值聚类,将电力负荷曲线特性相似的公变台区聚为一簇,得到簇集合。
本实施例中,Spark是专为大规模数据处理而设计的快速通用的计算引擎。
本实施例中,如图6所示,提取每个公变台区每相96点电力负荷值,根据提取的每个公变台区每相电力负荷值,确定每个公变台区每相的年平均电力负荷值作为该公变台区该相的聚类样本;统计所有的公变台区的同一相的聚类样本作为聚类数据集,在Spark平台架构上,采用K-means聚类算法对所述聚类数据集进行K-均值聚类,聚类数为21,实现每相96点电力负荷曲线特性相似的公变台区聚类,形成簇集合,其中,被分到同一个聚类簇下的电力负荷值具有相似的特征。
本实施例中,通过K-means聚类算法将聚类数据集中的数据划分到多个互斥的簇集合中来得到最后的划分结果。例如,将包含N个数据样本的聚类数据集合Data划分为K个簇集合,其中K是不大于数据集合Data样本数的类别数,K-means聚类算法的聚类过程可以包括以下步骤:
(1)从N个数据对象任意选择K个对象作为初始聚类中心;
(2)根据每个聚类对象的均值(中心对象),计算每个对象与这些中心对象的距离,并根据最小距离重新对相应对象进行划分;
(3)重新计算每个(有变化)聚类的均值(中心对象);
(4)循环(2)到(3)直到每个聚类不再发生变化为止。
本实施例中,通过聚类可以处理多种类型的数据,算法简单、执行速度快。当数据分布密集且簇与簇之间区分比较明显时,得到的结果最佳。对于大数据进行处理时算法的时间复杂度及空间复杂度相对较好。
本实施例中,将电力负荷曲线特性相似的聚为一簇,用该簇的数据集代替历史的单一公变台区数据集,本实施例中,给出了4个典型的聚类负荷曲线图,如图7、8、9、10所示。
在前述电力负荷预测方法的具体实施方式中,进一步地,所述构建LSTM-Attention神经网络模型并进行训练包括:
采用单模型多变量方法,构建LSTM-Attention神经网络模型。
本实施例中,神经网络是一种模仿人的神经网络行为特征,进行分布式并行信息处理的算法模型,主要由输入层、隐藏层、输出层构成。神经网络的输入为:三相负荷数据及其对应的同一时间的温度、相对湿度、大气压、风速等气象数据;输出为三相负荷数据。
本实施例中,确定了输入输出量之后,下一步关键工作是确定一个合适的网络结构,本实施例中,使用LSTM_Attention结构,构建LSTM-Attention神经网络模型;其中,LSTM是一种时间递归神经网络,适合处理序列问题;Attention是一种注意力机制算法,指对电力负荷预测显著的特征进行加权。
构建网络模型一般存在以下2中方式:
1)多模型单变量预测:使用96个不同的神经网络预测模型分别对应一天中的24h,此种方法优点是单个网络结构较为小、参数易收敛;缺点是过程冗杂,同时单个网络易过拟合,若需要预测一天负荷值,则需要搭建96个这样的模型。
2)单模型多变量预测:用96个输出节点代表一天的24h,同时预测一天各时间点的负荷值,在传统方法中若采用此种结构的网络,网络的结构将会极为复杂,会有上千个参数需要训练更新,极大地影响网络的运算速度和预测精度。
本实施例中,为了提高网络的运算速度和预测精度,采用单模型多变量方法,构建LSTM-Attention神经网络模型。由于LSTM网络权重共享方式上与传统神经网络的不同,当采用96个输出节点时,LSTM所需要学习的参数相比于传统神经网络大为减少,极大地方便了模型的建立,仅需要一个网络即可完成高精度的负荷预测。
本实施例中,获取待预测的公变台区,确定所述待预测的公变台区所属的簇,具体可以包括以下步骤:
每个簇中的样本查找台区唯一标识,得到簇中每个样本所属的公变台区/对应的台区唯一标识;
所述待预测的公变台区通过台区唯一标识,确定所述待预测的公变台区所属的簇。
在前述电力负荷预测方法的具体实施方式中,进一步地,所述根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,采用迭代预测的方式,对待预测的公变台区的每相电力负荷进行预测包括:
根据所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,以预设天数为一个时间窗口进行循环迭代,对构建的LSTM-Attention神经网络模型进行训练、并预测待预测的公变台区的每相电力负荷数据。。
本实施例中,采用迭代预测的方式,以七天为一个时间窗口,进行循环迭代,如要预测12月25日的24h每相电力负荷值,则以12月1日到12月7日历史的三相电力负荷数据及其对应的同一时间的温度、湿度、气压、风速等气象数据作为输入,如表1所示,12月8日历史的三相电力负荷数据作为标签输出,进行第一次训练,然后以12月2日到12月8日历史的三相负荷数据及其对应的同一时间的温度、湿度、气压、风速等气象数据作为输入,12月9日历史的三相负荷数据作为标签输出进行第二次训练,以这种方式进行迭代预测,直到得到12月25日的每相电力负荷预测值。
表1输入数据
输入数据 | 特征解释 |
三相电力负荷数据 | 公变台区的每日96点历史电力负荷数据 |
温度数据 | 公变台区对应日期的温度数据 |
相对湿度数据 | 公变台区对应日期的相对湿度数据 |
大气压数据 | 公变台区对应日期的大气压数据 |
风速数据 | 公变台区对应日期的对应风速数据 |
星期类型数据 | 公变台区对应日期的星期类型 |
本实施例中,通过调节LSTM-Attention神经网络模型的参数,可以提高整个LSTM-Attention神经网络模型的训练准确度,比如:预测某10Kv线路下的某工厂某公变台区2017年12月25日的参数设置,所述参数主要包括:
1)epoch:1个周期(epoch)等于使用训练集中的全部样本训练一次;
2)batchsize:批大小。在深度学习中,一般采用随机梯度下降(StochasticGradient Descent,SGD)训练,即每次训练在训练集中取batchsize个样本训练;
3)iteration:1个迭代(iteration)等于使用batchsize个样本训练一次;
4)num_layers:LSTM层数;
5)hidden_size:隐藏层中单元数目。
本实施例中,根据所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,,训练LSTM-Attention神经网络模型,通常采用均方根误差(RMSE)和平均绝对百分比误差(MAPE)评价电力负荷预测效果。
本实施例中,电力负荷训练集来源于冀北五地市10Kv线路下公变台区的真实电力负荷数据和对应于每个公变台区的影响因素数据(例如,气象数据、星期类型);
本实施例中,对照组,选用传统模型xgboost和不加注意力机制的LSTM,在特征输入和训练集相同的情况下,测试不同模型的线上表现。
本实施例中,以2017年3月1日—10日的24h电力负荷数据作为测试样本,采用均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为评价指标评价负荷预测效果,即
其中,f(i)和y(i)分别是待预测日i时刻的预测值和实际值,n表示一天的96个时刻。
本实施例中,不同模型对电力负荷预测的精度对比结果如表2所示:
表2不同模型对电力负荷预测的精度对比结果
由表2可知,本实施例使用的LSTM-Attention神经网络模型对不同公变台区的不同相负荷曲线的预测均能表现出较好的预测效果,其预测精度高于传统的机器学习算法Xgboost以及LSTM神经网络算法模型。
本实施例中,所述LSTM-Attention神经网络模型训练好后,可以在服务端搭建平台,部署到线上;所述LSTM-Attention神经网络模型上线之前,数据分析师、数据开发人员、模型开发人员、服务器端研发人员要进行多方联调,确保上线稳定。
本实施例中,还设计了报警功能,如果线上数据有异常,或者存储有问题,或者任何其它跟平时不一样的波动,报警监控都会第一时间通知到负责人。在使用过程中,若发现有问题,则会重新进行评估,并迭代优化LSTM-Attention神经网络模型。
综上,本实施例中,确定了电力负荷的影响因素(三相电力负荷数据及其对应的气象数据、星期类型,其中,三相电力负荷数据及其对应的气象数据、星期类型为多源数据),针对多源数据规模大、数据种类多的特点,基于搭建好的分布式框架(Spark引擎),对冀北五地市的10Kv线路下公变台区进行聚类分析,采用单模型多变量方法构建LSTM-Attention神经网络模型,采用迭代预测的方式,预测待预测的公变台区的每相电力负荷数据,设置对照实验组Xgboost模型、LSTM模型,实验结果表明,本实施例提出的LSTM-Attention神经网络模型的预测精度优于Xgboost模型、LSTM模型两种传统算法,且预测效率也明显有了提高,满足公变台区电力负荷预测及三相不平衡的负荷预测的时效性和准确性,在以后的公变台区电力负荷三相不平衡预测方面有一定的指导意义;同时深度学***台具有重要意义。
实施例二
本发明还提供一种电力负荷预测装置的具体实施方式,由于本发明提供的电力负荷预测装置与前述电力负荷预测方法的具体实施方式相对应,该电力负荷预测装置可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的,因此上述电力负荷预测方法具体实施方式中的解释说明,也适用于本发明提供的电力负荷预测装置的具体实施方式,在本发明以下的具体实施方式中将不再赘述。
如图11所示,本发明实施例还提供一种电力负荷预测装置,包括:
第一获取模块11,用于获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型;
聚类模块12,用于对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类,将电力负荷曲线特性相似的公变台区聚为一簇;
构建模块13,用于构建LSTM-Attention神经网络模型,其中,LSTM表示长短期记忆网络,Attention表示注意力机制;
第二获取模块14,用于获取待预测的公变台区,确定所述待预测的公变台区所属的簇;
预测模块15,用于根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,采用迭代预测的方式,对待预测的公变台区的每相电力负荷进行预测。
本发明实施例所述的电力负荷预测装置,获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型;对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类,将电力负荷曲线特性相似的公变台区聚为一簇;构建LSTM-Attention神经网络模型,其中,LSTM表示长短期记忆网络,Attention表示注意力机制;获取待预测的公变台区,确定所述待预测的公变台区所属的簇;根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,采用迭代预测的方式,对待预测的公变台区的每相电力负荷进行预测,这样,运用LSTM-Attention神经网络模型对电力负荷进行预测,能够提高电力负荷结果预测的时效性和准确性,为电力***规划和运行提供可靠的决策依据,从而保证供电的正常。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种电力负荷预测方法,其特征在于,包括:
获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型;
对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类,将电力负荷曲线特性相似的公变台区聚为一簇;
构建LSTM-Attention神经网络模型,其中,LSTM表示长短期记忆网络,Attention表示注意力机制;
获取待预测的公变台区,确定所述待预测的公变台区所属的簇;
根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,采用迭代预测的方式,对待预测的公变台区的每相电力负荷进行预测;
每相电力负荷数据包括:区县单位、负荷值、日期、台区唯一标识、供电单位、台区名称、台区容量、电流互感器变比、电压互感器变比、行业类型、公专变标志、线路编号、线路名称;
所述气象数据包括:台站编号、日期、温度、气压、湿度、风速;
所述获取多个公变台区的三相电力负荷数据及其对应的气象数据包括:
获取多个公变台区的三相电力负荷数据和气象数据;
确定第一公变台区内的公共变压器的台站编号信息,将所述台站编号信息对应的气象数据作为影响第一公变台区的每相电力负荷的区域气象数据,其中,第一公变台区为任一公变台区;
将日期相同的第一公变台区的每相电力负荷数据与所述区域气象数据进行合并,得到第一公变台区的三相电力负荷数据及其对应的气象数据;
所述根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,采用迭代预测的方式,对待预测的公变台区的每相电力负荷进行预测包括:
根据所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,以预设天数为一个时间窗口进行循环迭代,对构建的LSTM-Attention神经网络模型进行训练、并预测待预测的公变台区的每相电力负荷数据。
2.根据权利要求1所述的电力负荷预测方法,其特征在于,在确定第一公变台区内的公共变压器的台站编号信息,将所述台站编号信息对应的气象数据作为影响第一公变台区的每相电力负荷的区域气象数据之前,所述方法还包括:
对获取的多个公变台区的三相电力负荷数据和气象数据进行数据清洗,其中,所述数据清洗包括:缺失数据处理、异常数据处理和重复数据处理;
对数据清洗过的三相电力负荷数据和气象数据进行质量检查,若不符合预设的要求,则按照数据清洗中的异常数据处理方式进行数据处理,直到满足预设的要求。
3.根据权利要求1所述的电力负荷预测方法,其特征在于,在获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型之后,所述方法还包括:
通过Hadoop分布式文件***对获取的多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型进行分布式存储。
4.根据权利要求1所述的电力负荷预测方法,其特征在于,所述对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类,将电力负荷曲线特性相似的公变台区聚为一簇包括:
提取每个公变台区每相电力负荷值,确定每个公变台区每相的年平均电力负荷值作为该公变台区该相的聚类样本;
统计所有的公变台区的同一相的聚类样本作为聚类数据集;
基于Spark引擎,采用K-means聚类算法对所述聚类数据集进行K-均值聚类,将电力负荷曲线特性相似的公变台区聚为一簇,得到簇集合。
5.根据权利要求1所述的电力负荷预测方法,其特征在于,所述构建LSTM-Attention神经网络模型并进行训练包括:
采用单模型多变量方法,构建LSTM-Attention神经网络模型。
6.一种电力负荷预测装置,其特征在于,包括:
第一获取模块,用于获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型;
聚类模块,用于对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类,将电力负荷曲线特性相似的公变台区聚为一簇;
构建模块,用于构建LSTM-Attention神经网络模型,其中,LSTM表示长短期记忆网络,Attention表示注意力机制;
第二获取模块,用于获取待预测的公变台区,确定所述待预测的公变台区所属的簇;
预测模块,用于根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,采用迭代预测的方式,对待预测的公变台区的每相电力负荷进行预测;
每相电力负荷数据包括:区县单位、负荷值、日期、台区唯一标识、供电单位、台区名称、台区容量、电流互感器变比、电压互感器变比、行业类型、公专变标志、线路编号、线路名称;所述气象数据包括:台站编号、日期、温度、气压、湿度、风速;
所述获取多个公变台区的三相电力负荷数据及其对应的气象数据包括:
获取多个公变台区的三相电力负荷数据和气象数据;确定第一公变台区内的公共变压器的台站编号信息,将所述台站编号信息对应的气象数据作为影响第一公变台区的每相电力负荷的区域气象数据,其中,第一公变台区为任一公变台区;将日期相同的第一公变台区的每相电力负荷数据与所述区域气象数据进行合并,得到第一公变台区的三相电力负荷数据及其对应的气象数据;
所述根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,采用迭代预测的方式,对待预测的公变台区的每相电力负荷进行预测包括:根据所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型,以预设天数为一个时间窗口进行循环迭代,对构建的LSTM-Attention神经网络模型进行训练、并预测待预测的公变台区的每相电力负荷数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910143397.2A CN109919370B (zh) | 2019-02-26 | 2019-02-26 | 一种电力负荷预测方法及预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910143397.2A CN109919370B (zh) | 2019-02-26 | 2019-02-26 | 一种电力负荷预测方法及预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919370A CN109919370A (zh) | 2019-06-21 |
CN109919370B true CN109919370B (zh) | 2021-06-11 |
Family
ID=66962506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910143397.2A Active CN109919370B (zh) | 2019-02-26 | 2019-02-26 | 一种电力负荷预测方法及预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919370B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110535149A (zh) * | 2019-08-19 | 2019-12-03 | 国网冀北电力有限公司运营监测(控)中心 | 一种公变台区电力负荷三相不平衡预测方法 |
CN110516884A (zh) * | 2019-08-30 | 2019-11-29 | 贵州大学 | 一种基于大数据平台的短期负荷预测方法 |
CN110664121A (zh) * | 2019-10-05 | 2020-01-10 | 扬州市君瑞企业管理有限公司 | 一种变电工程静态投资的预测装置 |
CN110991700A (zh) * | 2019-11-08 | 2020-04-10 | 北京博望华科科技有限公司 | 基于深度学习改进的天气与用电相关性预测方法及装置 |
CN110889545A (zh) * | 2019-11-20 | 2020-03-17 | 国网重庆市电力公司电力科学研究院 | 一种电力负荷预测方法、装置及可读存储介质 |
CN111260030B (zh) * | 2020-01-13 | 2021-01-05 | 润联软件***(深圳)有限公司 | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 |
CN111415050B (zh) * | 2020-04-27 | 2023-12-05 | 新奥新智科技有限公司 | 短期负荷预测方法、短期负荷预测模型训练方法及装置 |
CN111680818B (zh) * | 2020-04-27 | 2022-11-01 | 中国电力科学研究院有限公司 | 一种短期无功负荷预测方法和*** |
CN112418496B (zh) * | 2020-11-10 | 2022-04-22 | 国网四川省电力公司经济技术研究院 | 一种基于深度学习的配电台区储能配置方法 |
CN112508275B (zh) * | 2020-12-07 | 2022-05-17 | 国网湖南省电力有限公司 | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 |
CN113742994A (zh) * | 2021-07-28 | 2021-12-03 | 广东电网有限责任公司 | 一种含分布式电源的配电网多目标优化方法 |
CN113837443B (zh) * | 2021-08-26 | 2023-12-05 | 国网河北省电力有限公司邢台供电分公司 | 基于深度BiLSTM的变电站线路负载预测方法 |
CN113837596B (zh) * | 2021-09-22 | 2024-04-02 | 广东电网有限责任公司 | 一种故障确定方法、装置、电子设备及存储介质 |
CN114282444A (zh) * | 2021-12-28 | 2022-04-05 | 宁夏隆基宁光仪表股份有限公司 | 一种基于智能融合终端的分布式负荷预测方法及*** |
CN114091360B (zh) * | 2022-01-21 | 2022-04-22 | 武汉格蓝若智能技术有限公司 | 一种多模型融合的电压互感器误差状态评估方法 |
CN116029457A (zh) * | 2023-02-21 | 2023-04-28 | 南方电网调峰调频发电有限公司鲁布革水力发电厂 | 基于负荷数据分析的电力市场电能协调优化方法及*** |
CN117370770B (zh) * | 2023-12-08 | 2024-02-13 | 江苏米特物联网科技有限公司 | 一种基于Shapelet-XGboost的酒店负荷综合预测方法 |
CN117477581B (zh) * | 2023-12-26 | 2024-03-26 | 佛山市达衍数据科技有限公司 | 一种电力***负荷均衡控制方法及电力*** |
CN118095570A (zh) * | 2024-04-17 | 2024-05-28 | 北京智芯微电子科技有限公司 | 台区智能负荷预测方法、***、电子设备、介质及芯片 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495953A (zh) * | 2011-11-29 | 2012-06-13 | 河北省电力建设调整试验所 | 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法 |
CN102751724A (zh) * | 2012-06-19 | 2012-10-24 | 中国科学院计算技术研究所 | 一种面向需求侧响应基于预测的三相负载调度方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967542B (zh) * | 2017-12-21 | 2021-07-27 | 国网浙江省电力公司丽水供电公司 | 一种基于长短期记忆网络的售电量预测方法 |
CN108510113A (zh) * | 2018-03-21 | 2018-09-07 | 中南大学 | 一种XGBoost在短期负荷预测中的应用 |
CN108846530B (zh) * | 2018-09-28 | 2021-11-26 | 国网上海市电力公司 | 一种基于“聚类-回归”模型的短期负荷预测方法 |
CN109359786A (zh) * | 2018-12-05 | 2019-02-19 | 国网江苏省电力有限公司扬州供电分公司 | 一种电力台区短期负荷预测方法 |
-
2019
- 2019-02-26 CN CN201910143397.2A patent/CN109919370B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495953A (zh) * | 2011-11-29 | 2012-06-13 | 河北省电力建设调整试验所 | 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法 |
CN102751724A (zh) * | 2012-06-19 | 2012-10-24 | 中国科学院计算技术研究所 | 一种面向需求侧响应基于预测的三相负载调度方法及装置 |
Non-Patent Citations (1)
Title |
---|
面向需求侧响应的基于负荷预测三相负载调度算法;沈冬 等;《2013电力行业信息化年会论文集》;20131101;425-432 * |
Also Published As
Publication number | Publication date |
---|---|
CN109919370A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919370B (zh) | 一种电力负荷预测方法及预测装置 | |
Xiao et al. | A combined model based on multiple seasonal patterns and modified firefly algorithm for electrical load forecasting | |
CN113962364A (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN110991700A (zh) | 基于深度学习改进的天气与用电相关性预测方法及装置 | |
CN110222882A (zh) | 一种电力***中长期负荷的预测方法和装置 | |
CN109508835A (zh) | 一种融合环境反馈的智慧电网短期电力负荷预测方法 | |
CN105205563A (zh) | 一种基于大数据的短期负荷预测平台 | |
CN110503256A (zh) | 基于大数据技术的短期负荷预测方法及*** | |
CN108492134A (zh) | 基于多周期回归树集成的大数据用户用电行为分析*** | |
CN112465256A (zh) | 一种基于Stacking模型融合的楼宇用电量预测方法和*** | |
CN112488192A (zh) | 一种区域电网短期负荷预测方法 | |
CN113011680A (zh) | 一种电力负荷预测方法及*** | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析*** | |
CN107895211A (zh) | 一种基于大数据的中长期电力负荷预测方法和*** | |
Zhang et al. | The power big data-based energy analysis for intelligent community in smart grid | |
CN114511135A (zh) | 基于人工智能的短期负荷预测方法、计算机设备及存储介质 | |
CN117669960A (zh) | 一种基于多变量气象因子的新能源功率预测方法 | |
Zheng et al. | Short-term energy consumption prediction of electric vehicle charging station using attentional feature engineering and multi-sequence stacked Gated Recurrent Unit | |
Ghareeb et al. | Data-driven modelling for building energy prediction using regression-based analysis | |
Almeida et al. | Hierarchical time series forecast in electrical grids | |
Shabani et al. | Hourly prediction of building energy consumption: an incremental ANN approach | |
Ma et al. | Residential high-power load prediction based on optimized LSTM network | |
CN110659758A (zh) | 一种基于ai技术的空气质量短期高精度预测模型 | |
Hsu et al. | Short-term load forecasting by machine learning | |
Castellini et al. | Predictive model generation for load forecasting in district heating networks |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |