CN110942195A - 一种用电负荷预测方法及装置 - Google Patents
一种用电负荷预测方法及装置 Download PDFInfo
- Publication number
- CN110942195A CN110942195A CN201911178565.8A CN201911178565A CN110942195A CN 110942195 A CN110942195 A CN 110942195A CN 201911178565 A CN201911178565 A CN 201911178565A CN 110942195 A CN110942195 A CN 110942195A
- Authority
- CN
- China
- Prior art keywords
- data
- type
- power
- prediction
- external factors
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000001364 causal effect Effects 0.000 claims abstract description 49
- 238000012795 verification Methods 0.000 claims abstract description 27
- 230000005611 electricity Effects 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000002195 synergetic effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 10
- 238000001556 precipitation Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种用电负荷预测方法及装置。在该方法中，针对每种用电类型，获取预设时段内该类型的用电数据和外部因素数据，并对其进行因果校验，确定其中的N种外部因素与该用电类型存在因果关系，采用包裹式特征选择方式从N种外部因素中选择出M种外部因素，根据该M种外部因素数据和该用电类型的用电数据训练预测模型，根据预测模型对该类型的用电负荷进行预测，并输出预测结果；还可以根据每种用电类型的预测结果，对总用电负荷进行预测。通过上述方法，有助于提高用电负荷的准确率。
Description
技术领域
本申请涉及电力技术领域，尤其涉及一种用电负荷预测方法及装置。
背景技术
负荷预测是电网调度运行的重要基础，准确的负荷预测对改进电网运行方式安排，提高电力***运行效益具有重要作用。特别是近年来随着我国电力市场改革的不断深入，市场成员决策分析对高精度负荷预测的需求更加迫切。
传统模式下，相关因素分析法是负荷预测研究的主要方法。该方法主要是通过分析降水、日照等相关因素数据序列与用电负荷之间的相互关系，基于上述相关因素的预测数据来实现负荷预测。相关因素与用电负荷相互关系的分析方法，从一次/二次函数拟合逐步向神经网络等方法演变。然而面对经济发展新常态下用电负荷特性转变和电力市场改革下我国负荷预测准确率要求的不断提高，传统的相关因素分析法存在面临如下挑战：
然而另一方面，我国经济发展进入新常态，经济增长速度、经济发展结构、经济驱动方式等均发生显著变化，将导致用电负荷的内在规律随之改变，传统的用电负荷预测方法已无法满足当前对用电负荷预测准确性的要求。
发明内容
本申请实施例提供一种用电负荷预测方法及设备，用于实现对用电负荷进行较为精准的预测。
第一方面，本申请实施例提供的用电负荷预测方法，包括：
获取预设时段内的目标用电类型的用电负荷数据和所述预设时段内多种外部因素数据；
对所述目标用电类型的用电负荷数据和所述多种外部因素数据进行因果校验，确定所述多种外部因素中的N种外部因素与所述目标用电类型的用电负荷存在因果关系；
采用包裹式特征选择方式从所述N种外部因素中选择出M种外部因素，根据所述M种外部因素的数据和所述目标用电类型的用电负荷数据训练预测模型；
根据所述预测模型，对所述目标用电类型的用电负荷进行预测，并输出预测结果。
在一种可能的实现方式中，采用包裹式特征选择方式从所述N种外部因素中选择出M中外部因素，根据所述M种外部因素的数据和所述目标用电类型的用电负荷数据训练预测模型，包括：
根据校验结果对所述N种外部因素进行排序，排序越靠前表示该外部因素与所述目标用电类型的用电负荷相关度越高；
选择前X种外部因素，根据所述X种外部因素数据和所述目标用电类型的用电负荷数据训练第一预测模型，并估计所述第一预测模型的准确率，其中，X为预设常数；
根据前M种外部因素数据和所述目标用电类型的用电负荷数据训练第二预测模型，并估计所述第二预测模型的准确率，其中M＝X+1；若所述第二预测模型的准确率减去所述第一预测模型的准确率的值符合预设条件，则将所述第二预测模型作为第一预测模型，令M＝M+1，重复执行所述训练第二模型的步骤，直至第二预测模型的准确率减去第一预测模型的准确率的值不符合预设条件，或者，直至M+1>N；
所述第一预测模型为用于对目标用电类型进行预测的预测模型。
在一种可能的实现方式中，所述对所述目标用电类型的用电负荷数据和所述多种外部因素数据进行因果校验，包括：
根据所述目标用电类型的用电负荷数据和所述多种外部因素数据进行协整校验；
对满足协整关系的外部因素的数据和所述目标用电类型的用电负荷数据，进行因果校验。
在一种可能的实现方式中，所述协整校验为约翰森协整校验；和/或，所述因果校验为格兰杰因果校验。
在一种可能的实现方式中，所述根据所述目标用电类型的用电负荷数据和所述外部因素中的每种外部因素数据进行约翰森协整校验，包括：
针对每种外部因素，执行下述步骤：
基于所述用电负荷数据和所述外部因素数据，根据下述公式构建修正模型：
其中，ΔYt为目标序列差分项，ΔYt-i为目标序列i阶滞后差分项，Γi为i阶滞后项差分值系数矩阵，Πp为p阶滞后项系数矩阵，Ut为残差；
根据所述Πp的秩确定所述外部因素与所述目标用电类型的用电负荷是否满足协整关系。
在一种可能的实现方式中，所述对满足协整关系的外部因素的数据和所述目标用电类型的用电负荷数据进行格兰杰因果校验，包括：
针对每种满足协整关系的外部因素，执行下述步骤：
基于所述目标类型的用电负荷数据和所述外部因素数据构建时间序列向量自回归模型；
对待评估时间序列Y1t和所述外部因素时间序列Y2t通过最小二乘估计计算残差平方和
对待评估时间序列Y1t，通过最小二乘估计计算残差平方和
根据下述公式计算统计量F：
其中，r为零约束个数，T为样本容量，p为向量自回归模型的滞后期数；
基于χ2(r)分布模型计算rF与χ2(r)的临界值，若rF≥χ2(r)，则所述外部因素与所述目标用电类型存在因果关系。
第二方面，本申请实施例提供一种用电负荷预测方法，包括：
针对每种用电类型，根据第一方面所述的用电负荷预测方法进行用电负荷预测；
根据每种用电类型的用电负荷预测结果，对总用电负荷进行预测，并输出预测结果。
第三方面，本申请实施例提供一种用电负荷预测装置，包括：
输入模块，用于获取预设时段内的目标用电类型的用电负荷数据和所述预设时段内多种外部因素数据；
预测模块，用于对所述目标用电类型的用电负荷数据和所述多种外部因素数据进行因果校验，确定所述多种外部因素中的N种外部因素与所述目标用电类型的用电负荷存在因果关系；采用包裹式特征选择方式从所述N种外部因素中选择出M种外部因素，根据所述M种外部因素的数据和所述目标用电类型的用电负荷数据训练预测模型；根据所述预测模型，对所述目标用电类型的用电负荷进行预测；
输出模块，用于输出预测结果。
第四方面，本申请实施例提供一种用电负荷预测装置，包括：
输入模块，用于获取预设时段内的每种用电类型的用电负荷数据和所述预设时段内多种外部因素数据；
预测模块，用于针对每种用电类型，根据第一方面所述的用电负荷预测方法进行用电负荷预测；根据每种用电类型的用电负荷预测结果，对总用电负荷进行预测；
输出模块，用于输出预测结果。
第五方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，当所述指令在计算机上运行时，使得计算机执行如第一方面或第二方面中任一实现方式所述方法的功能。
在传统的用电负荷预测过程中，没有考虑不同用电类型的差异，也没有考虑同一外部因素对不同用电类型的影响差异，仅仅根据多种外部因素对用电总负荷进行预测；然而，不同用电类型的相关因素不尽相同，且不同相关因素之间还可能具有覆盖、抵消等特性，并非选择多种与用电负荷相关度较高的因素进行预测的准确率就高。而应用本申请上述实施例后，针对不同用电类型进行分别预测，预测时仅考虑与该类型的用电负荷相关的外部因素，且通过包裹式特征选择方式选择外部因素，有助于避免由于不同因素之间的覆盖、抵消等特性导致的重复计算、降低准确性等问题，有助于获得更为精准的目标用电类型用电负荷的预测结果。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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为本申请实施例提供的用电负荷预测方法的流程示意图之一；
图2为本申请实施例提供的用电负荷预测方法的流程示意图之二；
图3为本申请实施例提供的用电负荷预测方法的流程示意图之三；
图4为本申请实施例提供的用电负荷预测装置的结构示意图之一；
图5为本申请实施例提供的用电负荷预测装置的结构示意图之二。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
随着我国经济发展结构调整，不同行业用电负荷也将发生结构转变。而传统模式下往往将用电负荷视为一个整体，没有考虑不同行业的用电特性，也没有考虑到相关因素的不同组合方式对预测精度的影响，故其预测结果、预测准确性自然难以满足实际需求。
本申请实施例提供了一种用电负荷预测方法，用于实现较高精度的用电预测，有助于对电力产能进行优化。
参见图1，为本申请实施例提供的用电负荷预测方法的流程示意图，如图所示，该方法可以包括以下步骤：
步骤101、获取预设时段内的目标用电类型的用电负荷数据和该预设时段内的多种外部因素数据。
为了获得较为精准的预测结果，本申请实施例针对不同用电类型进行分别预测。例如，可以将电负荷分为农业用电负荷、工业用电负荷、居民用电负荷等，针对每种类型的电负荷进行预测时，获取相应类型的用电负荷数据即可。应当理解，上述对用电类型的划分仅为举例，可以根据实际需求进行不同角度、不同粒度的类型划分，本申请实施例对此不作限定。
上述外部因素可以包含多种与用电负荷可能存在关联的因素，如，气温、日照强度、降水量、风速、用电价格、相关政策等。例如，对于居民用电来说，气温过高时，空调、风扇使用率增大，可能导致居民用电负荷增加；在有较大降水时，农业作业活动减少，可能导致农业用电负荷减少。
获取的用电负荷数据和外部因素数据为时间上相对应的数据。例如，分别获取昨天、前天、大前天每天8点至18点间的用电负荷、气温、降水量、日照强度、风速等数据。
在一个具体实施例中，获取到的用电负荷数据和每种外部因素均为时间序列，不同序列中的相同位置上的数据分别表示同一时间的用电负荷或外部因素数据。例如，获取的用电负荷数据为[P1,P2,P3,…]，获取的外部因素-气温的数据为[T1,T2,T3,…]，获取的外部因素-日照强度[S1,S2,S3,…]，获取的外部因素-降水量的数据为[M1,M2,M3,…]，其中，P1、T1、S1、M1分别表示T1时段内的用电负荷、气温、日照强度、降水量，P2、T2、S2、M2分别表示T2时段内的用电负荷、气温、日照强度、降水量，P3、T3、S3、M3分别表示T3时段内的用电负荷、气温、日照强度、降水量。
步骤102、对目标用电类型的用电负荷数据和多种外部因素进行因果校验，确定该多种外部因素中的N种外部因素与目标用电类型的用电负荷存在因果关系。
上述步骤101中涉及的外部因素可以是被认为与用电负荷可能相关的因素的数据，例如，在传统模式中被认为与用电负荷相关的因素，或者随着用电结构转变而被认为可能与用电负荷存在关联的因素等。然而，步骤101中涉及的外部因素未必全部与目标用电类型的用电负荷存在关联，因此，可以通过因果校验判断每种外部因素是否与目标用电类型的用电负荷是否存在因果关系。
在一种可能的实现方式中，可以根据目标用电类型的用电负荷数据和多种外部因素数据进行协整校验；针对满足协整关系的外部因素，进一步根据该外部因素数据和目标用电类型的用电负荷数据进行因果校验，从而确定出步骤101中涉及的多种外部因素中，哪些外部因素与目标用电负荷存在因果关系。
可选的，在进行协整校验时，可以采用约翰森协整校验方法。而在进行因果校验时，可以采用格兰杰因果校验方法。
具体地，采用约翰森协整校验时，可以针对每种待校验的外部因素，分别执行下述步骤：
1)基于目标用电类型的用电负荷数据和该待校验的外部因素数据，根据公式(1)构建修正模型。
其中，Yt为目标序列，即用电负荷时间序列，ΔYt为目标序列差分项，ΔYt-i为目标序列i阶滞后差分项，Γi为根据外部因素构建的i阶滞后项差分值系数矩阵，Πp为p阶滞后项系数矩阵，Ut为残差。
2)根据Πp的秩确定所述外部因素与所述目标用电类型的用电负荷是否满足协整关系。
协整关系是指非平稳时间序列之间具有稳定的均衡关系，协整校验的目的是判断一组非平稳时间序列之间是否具有稳定的均衡关系。由于电负荷数据和外部因素数据往往为非平稳时间序列，而非平稳序列很可能出现伪回归，因此，可以通过协整校验判断其回归方程所描述的因果关系是否是伪回归，即判断用电负荷与外部因素之间是否存在稳定的关系。
上述系数矩阵Πp的秩可用于表征对应序列与目标序列是否具有协整关系，具体的，r阶系数矩阵Πp对应的序列Yt-1、Yt-2、…、Yt-r与目标序列Yt具有协整关系，即序列Yt-1、Yt-2、…、Yt-r对应的外部因素与目标类型的用电负荷具有协整关系。特别的，若系数矩阵Πp满秩，则表示采用的外部因素均与目标类型的用电负荷具有协整关系；若系数矩阵Πp的秩为0，则表示采用的外部因素与目标类型的用电负荷均不存在协整关系。
在确定出外部因素与目标类型的用电负荷是否具有协整关系后，对满足协整关系的外部因素的数据和目标类型用电负荷的数据进行格兰杰因果校验。
具体地，采用格兰杰因果校验时，可以针对每种待校验的外部因素，分别执行下述步骤：
1)基于目标类型的用电负荷数据和待校验的外部因素数据构建n个时间序列向量自回归模型。其中，n表示待校验的外部因素的数量，即，满足协整关系的外部因素的数量。
2)对用电负荷序列Y1t和外部因素时间序列Y2t通过最小二乘估计计算残差平方和
3)对待评估时间序列Y1t，通过最小二乘估计计算残差平方和
4)根据公式(2)计算统计量F：
其中，r为零约束个数；T为样本容量；p为向量自回归模型的滞后期数，可以通过LR校验、赤池信息量准则(akaike information criterion，AIC)等方法计算获得。
5)基于χ2(r)分布模型计算rF与χ2(r)的临界值，若rF≥χ2(r)，则所述外部因素与所述目标用电类型存在因果关系。
经过格兰杰因果校验后，即可确定出哪些外部因素与目标用电类型的用电负荷存在因果关系。与目标用电类型的用电负荷存在因果关系的外部因素可以用于对目标用电类型的用电负荷进行预测，而不具有因果关系的外部因素，在预测时则不予考虑。
步骤103、采用包裹式特征选择方式从上述N种外部因素中选择出M种外部因素，根据该M种外部因素的数据和目标用电类型的用电负荷数据训练预测模型。
假设在步骤102中确定出有N种外部因素与目标用电类型的用电负荷之间存在因果关系，但在对目标用电类型的用电负荷进行预测时，未必需要对该N种外部因素都予以考虑，可以从N种外部因素中选出M种外部因素，并根据该M种外部因素对目标用电类型的用电负荷进行预测。例如，可以仅采用与目标用电类型的用电负荷相关度较高的外部因素进行预测；又例如，有时采用更多种类的外部因素对目标用电类型的用电负荷进行预测，并不会使得预测准确率显著提升，为了简化预测过程，可以仅采用部分外部因素对目标用电类型的用电负荷进行预测。
在一种可能的实现方式中，可以按照如下步骤选择M种外部因素并训练预测模型：
1)对与目标用电类型的用电负荷存在因果关系的N种外部因素进行排序，排序越靠前表示该外部因素与目标用电类型的用电负荷相关度越高。
如前所述，可以通过约翰森协整校验、格兰杰因果校验方式对多种外部因素进行因果校验，而经过格兰杰因果校验后，可以依据rF与χ2(r)的差值判断外部因素与目标用电类型的用电负荷的相关度，即，rF与χ2(r)的差值越大，可以认为外部因素与目标用电类型的用电负荷的相关度越高，故可以根据rF与χ2(r)的差值对N种外部因素进行排序。
若采用了其他校验方式，则可以根据其他校验方式的特性对N种外部因素进行排序；或者，还可以根据已有经验进行排序。
2)选择排序在前的X种外部因素，根据该X种外部因素的数据和目标用电类型的用电负荷的数据训练第一预测模型，并估计第一预测模型的准确率。
其中，X为预设常数。例如，可以设置先选择3中排序靠前的外部因素用于训练第一预测模型。
在训练第一预测模型时，可以根据神经网络、支持向量机等人工智能算法进行预测，本申请实施例对训练预测模型的算法不作限定。
在训练出第一预测模型后，可以根据验证样本数据对第一预测模型的准确率进行估计。具体的，在步骤101中获取到的数据可以包括训练样本数据和验证样本数据；或者，获取到的数据并没有对训练样本和验证样本进行区分，在获取到数据后可以根据预设比例对获取的数据进行划分，从而得到训练样本数据和验证样本数据。
在一种可能的实现方式中，可以根据公式(3)对第一预测模型的准确率进行估计。
其中，ymape为平均绝对百分百误差预测指标；n为验证样本数据的数量，Xact(i)和Xpred(i)分别表示第i个预测点的实际用电负荷和预测用电负荷。
3)根据排序在前的M种外部因素的数据和目标用电类型的用电负荷数据训练第二预测模型，并估计第二预测模型的准确率，其中，M＝X+1。
训练第二预测模型的方式与训练第一模型的方式一致，估计第二预测模型准确率的方式与估计第一预测模型准确率的方式一致，其区别仅是增加了一种外部因素的数据。
4)若第二预测模型的准确率减去第一预测模型的准确率的值符合预设条件，则将第二预测模型作为第一预测模型，令M＝M+1；重复执行步骤3)和步骤4)，直至第二预测模型的准确率减去第一预测模型的准确率的值不符合预设条件，或者，直至M+1>N。
例如，可以预设一个阈值，若第二预测模型的准确率与第一预测模型的准确率的差值大于等于预设阈值，则可以认为增加一种外部因素后对目标用电类型的用电负荷的预测准确性得到了有效提升。若其差值小于预设阈值，可认为当前第一预测模型的准确率已收敛，即，增加一种外部因素没有使得准确率显著提升；而由于每增加一种外部因素将导致运算量增加或使得运算过程更为复杂，因此，当准确率已收敛时，可不必再增加外部因素的种类。
当停止重复执行上述步骤3)和步骤4)时，此时的第一预测模型即为用于对目标用电类型进行预测的预测模型。
步骤104、根据预测模型，对目标用电类型的用电负荷进行预测，并输出预测结果。
在确定出预测模型后，可以根据训练预测模型所使用的M种外部因素的数据，对目标用电类型的用电负荷进行预测，从而获得较为精准的预测结果。
在输出预测结果时，可以通过显示设备将预测结果显示给用户，或者，也可以将该预测结果输出至其他设备，以使其他设备根据该预测结果进行后续操作，例如对各种预测结果进行汇总，又例如根据该预测结果对电力产能进行优化调整等。
在传统的用电负荷预测过程中，没有考虑不同用电类型的差异，也没有考虑同一外部因素对不同用电类型的影响差异，仅仅根据多种外部因素对用电总负荷进行预测；然而，不同用电类型的相关因素不尽相同，且不同相关因素之间还可能具有覆盖、抵消等特性，并非选择多种与用电负荷相关度较高的因素进行预测的准确率就高。而在本申请上述实施例中，针对不同用电类型进行分别预测，预测时仅考虑与该类型的用电负荷相关的外部因素，且通过包裹式特征选择方式选择外部因素，有助于避免由于不同因素之间的覆盖、抵消等特性导致的重复计算、降低准确性等问题，有助于获得更为精准的目标用电类型用电负荷的预测结果。
基于相同的技术构思，本申请实施例还提供了一种用电负荷预测方法，如图2所示，该方法可以包括以下步骤：
步骤201、获取预设时段内的每种用电类型的用电负荷数据和该预设时段内多种外部因素数据。
具体的，从外部获取到的用电负荷数据，可以是全部用电负荷数据，然后对用电负荷数据进行分类，从而获得每种用电类型的用电负荷数据；或者，也可以从外部获取的数据为已经按照用电类型划分好的用电负荷数据。
步骤202、针对每种用电类型：确定多种外部因素中与该用电类型存在因果关系的外部因素；采用包裹式特征选择方式从存在因果关系的外部因素中选择出M种外部因素，并根据该M种外部因素的数据和该用电类型的用电负荷数据训练预测模型；根据预测模型对该用电类型的用电负荷进行预测。
上述步骤202中针对每种用电类型的用电负荷预测，与前述实施例中的用电负荷预测方法类似，此处不再赘述。
步骤203、根据每种用电类型的用电负荷预测结果，对总用电负荷进行预测，并输出预测结果。
对总用电负荷进行预测时，可以采用累加的方式确定总的用电负荷。例如，可以通过公式(4)确定总用电负荷。
其中，
表示第d天第t时段中总用电负荷的预测值，ECN表示用电类型的数量，
表示第i种用电类型在第d天第t时段中的用电负荷的预测值。
当然，上述对每种用电类型的用电负荷的预测结果进行直接累加从而确定总用电负荷的方法仅为一个具体的实施例，还可以通过其他方式对总用电负荷进行预测，例如，可以根据每种用电类型的预测模型的准确率对该用电类型的预测结果设置相应的权重等。
在一个具体实施例中，对总用电负荷的预测流程可以如图3所示，具体包括：
步骤301、获取用电负荷的数据和多种外部因素数据。
步骤302、对用电负荷数据根据用电类型进行划分，得到每种用电类型的用电负荷数据。
然后针对每种用电类型分别进行预测，即，分别执行步骤303～步骤3011，下面以对用电类型1的用电负荷预测为例进行说明。
步骤303(1)、对用电类型1的用电负荷数据和多种外部数据进行约翰森协整校验。
步骤304(1)、对满足协整关系的外部因素的数据和用电类型1的用电负荷数据进行格兰杰因果校验，从而得到与用电类型1的用电负荷存在因果关系的外部因素集合(以下简称集合)。
步骤305(1)、按照相关度对集合中的外部因素进行排序，相关度越高排序越靠前。
步骤306(1)、根据排序在前三位的外部因素的数据和用电类型1的用电负荷数据训练第一预测模型，并估计第一预测模型的准确率。
步骤307(1)、根据排序增加一种外部因素的数据训练第二预测模型，并估计第二预测模型的准确率。
步骤308(1)、判断准确率是否收敛，即，判断第二预测模型的准确率与第一预测模型的准确率的差值是否大于等于预设阈值。
步骤309(1)、若其差值大于等于预设阈值(准确率未收敛)，则将第二预测模型作为第一预测模型，重复执行步骤307(1)和步骤308(1)。
步骤310(1)、若其差值小于预设阈值(准确率收敛)，则将第一预测模型作为用电类型1的预测模型，确定用于训练该第一预测模型的外部因素集合为用电类型1的特征集合，并执行步骤311(1)。
步骤311(1)、根据用电类型1的特征集合、用电类型1的用电负荷数据以及用电类型1的预测模型对用电类型1的用电负荷进行预测。
针对每种用电类型执行完步骤303～步骤311后，执行步骤312。
步骤312、根据各个用电类型的用电负荷预测结果对总用电负荷进行预测。
基于相同的技术构思，本申请实施例还提供一种用电负荷预测装置，用于实现上述方法实施例。如图所4所述，该装置可以包括：输入模块401、预测模块402和输出模块403。
其中，输入模块401，用于获取预设时段内的目标用电类型的用电负荷数据和该预设时段内多种外部因素数据。
预测模块402，用于对该目标用电类型的用电负荷数据和多种外部因素数据进行因果校验，确定多种外部因素中的N种外部因素与目标用电类型的用电负荷存在因果关系；采用包裹式特征选择方式从上市N种外部因素中选择出M种外部因素，根据该M种外部因素的数据和所述目标用电类型的用电负荷数据训练预测模型；根据预测模型，对该目标用电类型的用电负荷进行预测。
输出模块403，用于输出预测结果。
在一种可能的实现方式中，预测模块402具体用于：
根据校验结果对所述N种外部因素进行排序，排序越靠前表示该外部因素与所述目标用电类型的用电负荷相关度越高；
选择前X种外部因素，根据所述X种外部因素数据和所述目标用电类型的用电负荷数据训练第一预测模型，并估计所述第一预测模型的准确率，其中，X为预设常数；
根据前M种外部因素数据和所述目标用电类型的用电负荷数据训练第二预测模型，并估计所述第二预测模型的准确率，其中M＝X+1；若所述第二预测模型的准确率减去所述第一预测模型的准确率的值符合预设条件，则将所述第二预测模型作为第一预测模型，令M＝M+1，重复执行所述训练第二模型的步骤，直至第二预测模型的准确率减去第一预测模型的准确率的值不符合预设条件，或者，直至M+1>N；
所述第一预测模型为用于对目标用电类型进行预测的预测模型。
在一种可能的实现方式中，预测模块402具体用于：
根据所述目标用电类型的用电负荷数据和所述多种外部因素数据进行协整校验；
对满足协整关系的外部因素的数据和所述目标用电类型的用电负荷数据，进行因果校验。
在一种可能的实现方式中，所述协整校验为约翰森协整校验；和/或，所述因果校验为格兰杰因果校验。
在一种可能的实现方式中，预测模块402具体用于：
针对每种外部因素，执行下述步骤：
基于所述用电负荷数据和所述外部因素数据，根据下述公式构建修正模型：
其中，ΔYt为目标序列差分项，ΔYt-i为目标序列i阶滞后差分项，Γi为i阶滞后项差分值系数矩阵，Πp为p阶滞后项系数矩阵，Ut为残差；
根据所述Πp的秩确定所述外部因素与所述目标用电类型的用电负荷是否满足协整关系。
在一种可能的实现方式中，预测模块402具体用于：
针对每种满足协整关系的外部因素，执行下述步骤：
基于所述目标类型的用电负荷数据和所述外部因素数据构建时间序列向量自回归模型；
对待评估时间序列Y1t和所述外部因素时间序列Y2t通过最小二乘估计计算残差平方和
对待评估时间序列Y1t，通过最小二乘估计计算残差平方和
根据下述公式计算统计量F：
其中，r为零约束个数，T为样本容量，p为向量自回归模型的滞后期数；
基于χ2(r)分布模型计算rF与χ2(r)的临界值，若rF≥χ2(r)，则所述外部因素与所述目标用电类型存在因果关系。
基于相同的技术构思，本申请实施例还提供一种用电负荷预测装置，用于实现上述方法实施例。如图所5所述，该装置可以包括：输入模块501、预测模块502和输出模块503。
其中，输入模块501，用于获取预设时段内的每种用电类型的用电负荷数据和所述预设时段内多种外部因素数据。
预测模块502，用于针对每种用电类型：确定多种外部因素中与该用电类型存在因果关系的外部因素，采用包裹式特征选择方式从存在因果关系的外部因素中选择出M种外部因素，并根据该M种外部因素的数据和该用电类型的用电负荷数据训练预测模型，根据预测模型对该用电类型的用电负荷进行预测；然后根据每种用电类型的用电负荷预测结果，对总用电负荷进行预测。
输出模块503，用于输出总用电负荷预测结果。
具体的，预测模块502针对每种用电类型进行预测时，其预测方式与前述实施例中预测模块502的预测方式一致。
基于相同的技术构思，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，当所述指令在计算机上运行时，使得计算机执行上述电负荷预测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请的方法、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。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种用电负荷预测方法，其特征在于，包括：
获取预设时段内的目标用电类型的用电负荷数据和所述预设时段内多种外部因素数据；
对所述目标用电类型的用电负荷数据和所述多种外部因素数据进行因果校验，确定所述多种外部因素中的N种外部因素与所述目标用电类型的用电负荷存在因果关系；
采用包裹式特征选择方式从所述N种外部因素中选择出M种外部因素，根据所述M种外部因素的数据和所述目标用电类型的用电负荷数据训练预测模型；
根据所述预测模型，对所述目标用电类型的用电负荷进行预测，并输出预测结果。
2.根据权利要求1所述的方法，其特征在于，采用包裹式特征选择方式从所述N种外部因素中选择出M中外部因素，根据所述M种外部因素的数据和所述目标用电类型的用电负荷数据训练预测模型，包括：
根据校验结果对所述N种外部因素进行排序，排序越靠前表示该外部因素与所述目标用电类型的用电负荷相关度越高；
选择前X种外部因素，根据所述X种外部因素数据和所述目标用电类型的用电负荷数据训练第一预测模型，并估计所述第一预测模型的准确率，其中，X为预设常数；
根据前M种外部因素数据和所述目标用电类型的用电负荷数据训练第二预测模型，并估计所述第二预测模型的准确率，其中M＝X+1；若所述第二预测模型的准确率减去所述第一预测模型的准确率的值符合预设条件，则将所述第二预测模型作为第一预测模型，令M＝M+1，重复执行所述训练第二模型的步骤，直至第二预测模型的准确率减去第一预测模型的准确率的值不符合预设条件，或者，直至M+1>N；
所述第一预测模型为用于对目标用电类型进行预测的预测模型。
3.根据权利要求1所述的方法，其特征在于，所述对所述目标用电类型的用电负荷数据和所述多种外部因素数据进行因果校验，包括：
根据所述目标用电类型的用电负荷数据和所述多种外部因素数据进行协整校验；
对满足协整关系的外部因素的数据和所述目标用电类型的用电负荷数据，进行因果校验。
4.根据权利要求3所述的方法，其特征在于，所述协整校验为约翰森协整校验；和/或
所述因果校验为格兰杰因果校验。
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标用电类型的用电负荷数据和所述外部因素中的每种外部因素数据进行约翰森协整校验，包括：
针对每种外部因素，执行下述步骤：
基于所述用电负荷数据和所述外部因素数据，根据下述公式构建修正模型：
其中，ΔYt为目标序列差分项，ΔYt-i为目标序列i阶滞后差分项，Γi为i阶滞后项差分值系数矩阵，∏p为p阶滞后项系数矩阵，Ut为残差；
根据所述∏p的秩确定所述外部因素与所述目标用电类型的用电负荷是否满足协整关系。
6.根据权利要求4所述的方法，其特征在于，所述对满足协整关系的外部因素的数据和所述目标用电类型的用电负荷数据进行格兰杰因果校验，包括：
针对每种满足协整关系的外部因素，执行下述步骤：
基于所述目标类型的用电负荷数据和所述外部因素数据构建时间序列向量自回归模型；
对待评估时间序列Y1t和所述外部因素时间序列Y2t通过最小二乘估计计算残差平方和
对待评估时间序列Y1t，通过最小二乘估计计算残差平方和
根据下述公式计算统计量F：
其中，r为零约束个数，T为样本容量，p为向量自回归模型的滞后期数；
基于χ2(r)分布模型计算rF与χ2(r)的临界值，若rF≥χ2(r)，则所述外部因素与所述目标用电类型存在因果关系。
7.一种用电负荷预测方法，其特征在于，包括：
针对每种用电类型，根据权利要求1-6中任一项所述的用电负荷预测方法进行用电负荷预测；
根据每种用电类型的用电负荷预测结果，对总用电负荷进行预测，并输出预测结果。
8.一种用电负荷预测装置，其特征在于，包括：
输入模块，用于获取预设时段内的目标用电类型的用电负荷数据和所述预设时段内多种外部因素数据；
预测模块，用于对所述目标用电类型的用电负荷数据和所述多种外部因素数据进行因果校验，确定所述多种外部因素中的N种外部因素与所述目标用电类型的用电负荷存在因果关系；采用包裹式特征选择方式从所述N种外部因素中选择出M种外部因素，根据所述M种外部因素的数据和所述目标用电类型的用电负荷数据训练预测模型；根据所述预测模型，对所述目标用电类型的用电负荷进行预测；
输出模块，用于输出预测结果。
9.一种用电负荷预测装置，其特征在于，包括：
输入模块，用于获取预设时段内的每种用电类型的用电负荷数据和所述预设时段内多种外部因素数据；
预测模块，用于针对每种用电类型，根据权利要求1-6中任一项所述的用电负荷预测方法进行用电负荷预测；根据每种用电类型的用电负荷预测结果，对总用电负荷进行预测；
输出模块，用于输出预测结果。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911178565.8A CN110942195A (zh) | 2019-11-27 | 2019-11-27 | 一种用电负荷预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911178565.8A CN110942195A (zh) | 2019-11-27 | 2019-11-27 | 一种用电负荷预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110942195A true CN110942195A (zh) | 2020-03-31 |
Family
ID=69908180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911178565.8A Pending CN110942195A (zh) | 2019-11-27 | 2019-11-27 | 一种用电负荷预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110942195A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834975A (zh) * | 2015-05-13 | 2015-08-12 | 国家电网公司 | 一种基于智能算法优化组合的电网负荷率预测方法 |
| US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
| CN110222877A (zh) * | 2019-05-17 | 2019-09-10 | 华中科技大学 | 一种基于自定义神经网络的负荷预测***及负荷预测方法 |
| CN110503256A (zh) * | 2019-08-14 | 2019-11-26 | 北京国网信通埃森哲信息技术有限公司 | 基于大数据技术的短期负荷预测方法及*** |
-
2019
- 2019-11-27 CN CN201911178565.8A patent/CN110942195A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834975A (zh) * | 2015-05-13 | 2015-08-12 | 国家电网公司 | 一种基于智能算法优化组合的电网负荷率预测方法 |
| US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
| CN110222877A (zh) * | 2019-05-17 | 2019-09-10 | 华中科技大学 | 一种基于自定义神经网络的负荷预测***及负荷预测方法 |
| CN110503256A (zh) * | 2019-08-14 | 2019-11-26 | 北京国网信通埃森哲信息技术有限公司 | 基于大数据技术的短期负荷预测方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 刘俊 等: "基于协整—格兰杰因果检验和季节分解的中期负荷预测", 《电力***自动化》 * |
| 胡忠义: "《基于计算智能技术的电力负荷预测理论及应用》", 31 January 2019, 武汉大学出版社 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
| CN113435923B (zh) * | 2021-06-15 | 2022-09-27 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112734128B (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
| CN112215442B (zh) | 电力***短期负荷预测方法、***、设备及介质 | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、***及终端设备 | |
| CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
| CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
| CN111198799A (zh) | 一种基于lstm的机房功耗预警方法、***、终端及存储介质 | |
| CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
| CN112381315A (zh) | 一种基于pso优化的ls-svm智能台区负荷预测方法及*** | |
| CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及*** | |
| Yan et al. | Short-term load forecasting of smart grid based on load spatial-temporal distribution | |
| CN110942195A (zh) | 一种用电负荷预测方法及装置 | |
| CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
| CN113887809A (zh) | 双碳目标下配电网供需平衡方法、***、介质及计算设备 | |
| CN116823008A (zh) | 一种园区能源利用效率评估方法、***、设备和存储介质 | |
| CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
| CN113962751A (zh) | 电力套餐的零售价格预测方法、装置及存储介质 | |
| CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制***、方法和介质 | |
| CN115375082A (zh) | 电热网协同运行决策处理方法、装置以及电子设备 | |
| CN110222879B (zh) | 一种考虑置信区间的***-母线负荷预测协调方法及装置 | |
| CN113887816A (zh) | 一种家用电器社会保有量的智能预测方法、装置及设备 | |
| CN114330865A (zh) | 电网备用容量预测方法、***、计算机设备及存储介质 | |
| Hameed et al. | Enhanced classification with logistic regression for short term price and load forecasting in smart homes | |
| CN108009686B (zh) | 一种光伏发电功率预测方法、装置及*** | |
| CN111985524A (zh) | 一种改进的低压台区线损计算方法 | |
| CN117408832B (zh) | 应用于环保胶生产控制***的异常分析方法及*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200331 |