CN111160617B - 一种电力日负荷预测方法及装置 - Google Patents
一种电力日负荷预测方法及装置 Download PDFInfo
- Publication number
- CN111160617B CN111160617B CN201911238310.6A CN201911238310A CN111160617B CN 111160617 B CN111160617 B CN 111160617B CN 201911238310 A CN201911238310 A CN 201911238310A CN 111160617 B CN111160617 B CN 111160617B
- Authority
- CN
- China
- Prior art keywords
- daily load
- load data
- dynamic time
- time warping
- cluster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract 1
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力日负荷预测方法及装置,其中,所述方法包括采集多份历史日负荷数据;使用以动态时间规整作为距离度量对所述历史日负荷数据进行聚类;将聚类后的所述历史日负荷数据输入马尔科夫链原始模型,对所述马尔科夫链原始模型进行训练,获得马尔科夫链预测模型;将当前的日负荷数据输入所述马尔科夫链预测模型中,以预测下一日的日负荷数据。本发明中,使用以动态时间规整作为距离对历史日负荷数据进行聚类,度量用户每日用电的相似性,将聚类后的所述历史日负荷数据输入马尔科夫链原始模型,训练获得马尔科夫链预测模型,通过马尔科夫链预测模型对下一日的日负荷数据,有效提升了用户每日负荷预测的精度。
Description
技术领域
本发明涉及智能用电技术领域,具体的说是一种电力日负荷预测方法及装置。
背景技术
单个用户用电负荷的精准预测对智能用电业务的开展有着重要意义,可以帮助供电企业了解未来一段时间电力负荷的高峰时期,为供电控制提供依据,另外,可以帮助营销部门提供精确的定制化服务,提高用户黏性,精准的单个用户预测可以让营销部门提供准确的需求响应费率方案,提升电网稳定性,帮助用户节约能源成本。
目前,用户的用电负荷的行为相似性采用负荷曲线间的欧式距离来度量,即计算两个曲线在同一个时间点的负荷值之差的平方作为距离。
但是发明人发现,这种方法存在较大的局限性,准确性不高,例如,一个用户晚上回家后拥有稳定的电器使用习惯,但是因为早或晚回家一个小时就会使得两条曲线间的距离变得极大,若此时认为两个曲线间的用电行为有很大差距,就会产生错判。
发明内容
有鉴于此,本发明的目的在于提出一种电力日负荷预测方法及装置,能够有效提高用电负荷预测的准确性。
基于上述目的本发明提供的一种电力日负荷预测方法,包括
采集多份历史日负荷数据;
使用以动态时间规整作为距离度量对所述历史日负荷数据进行聚类;
将聚类后的所述历史日负荷数据输入马尔科夫链原始模型,对所述马尔科夫链原始模型进行训练,获得马尔科夫链预测模型;
将当前的日负荷数据输入所述马尔科夫链预测模型中,以预测下一日的日负荷数据。
作为一种可选的实施方式,所述使用以动态时间规整作为距离度量对所述历史日负荷数据进行聚类,包括:
使用以动态时间规整作为距离度量的K-means算法聚类所述历史日负荷数据。
作为一种可选的实施方式,所述使用以动态时间规整作为距离度量的K-means算法聚类所述历史日负荷数据,包括
使用以动态时间规整作为距离度量的K-means算法将所述历史日负荷数据聚类成c个簇,作为第一候选聚类簇,计算第一候选聚类簇的簇内簇间动态时间规整距离比,所述c为正整数;
使用以动态时间规整作为距离度量的K-means算法将所述历史日负荷数据聚类成c+1个簇,作为第二候选聚类簇,计算第二候选聚类簇的簇内簇间动态时间规整距离比;
计算所述第一候选聚类簇和所述第二候选聚类簇的簇内簇间动态时间规整距离比的差值,若所述差值低于阈值,则将所述第一候选聚类簇作为所述历史日负荷数据聚类后的目标聚类簇,若所述差值高于阈值,则将c更新为c+1,返回执行对历史日负荷数据聚类成c个簇的步骤。
作为一种可选的实施方式,所述使用以动态时间规整作为距离度量的K-means算法将所述历史日负荷数据聚类成c个簇,包括
选择c份历史日负荷数据作为c个簇的初始中心点;每次从未被聚类的历史日负荷数据中选取一份历史日负荷数据,计算该历史日负荷数据与c个中心点的动态时间规整距离,将该历史日负荷数据加入最短的动态时间规整距离所对应的簇中,重新计算加入该历史日负荷数据后的簇的中心点,直至全部的历史日负荷数据均被聚类。
作为一种可选的实施方式,所述计算簇内簇间动态时间规整距离比,包括
计算簇内任意两份历史日负荷数据的动态时间规整距离,将动态时间规整距离平均,得到簇内动态时间规整平均距离;
计算簇间任意两个中心点的动态时间规整距离,将动态时间规整距离平均,得到簇间动态时间规整平均距离;
根据簇内动态时间规整平均距离和簇间动态时间规整平均距离,得到簇内簇间动态时间规整距离比。
作为一种可选的实施方式,所述采集历史日负荷数据之后,还包括对所述历史日负荷数据进行以下任意一种方式的预处理:排除异常数据、删除冗余数据以及填充缺失数据。
作为本发明的第二个方面,提供了一种电力日负荷预测装置,包括
采集模块,用于采集多份历史日负荷数据;
聚类模块,用于使用以动态时间规整作为距离度量对所述历史日负荷数据进行聚类;
训练模块,用于将聚类后的所述历史日负荷数据输入马尔科夫链原始模型,对所述马尔科夫链原始模型进行训练,获得马尔科夫链预测模型;
预测模块,用于将当前的日负荷数据输入所述马尔科夫链预测模型中,以预测下一日的日负荷数据。
作为一种可选的实施方式,所述聚类模块,用于使用以动态时间规整作为距离度量的K-means算法聚类所述历史日负荷数据。
从上面所述可以看出,本发明提供的一种电力日负荷预测方法及装置,对采集到的历史日负荷数据,使用以动态时间规整作为距离对历史日负荷数据进行聚类,度量用户每日用电的相似性,将聚类后的所述历史日负荷数据输入马尔科夫链原始模型,训练获得马尔科夫链预测模型,通过马尔科夫链预测模型对下一日的日负荷数据,有效提升了用户每日负荷预测的精度。
附图说明
图1为本发明实施例的电力日负荷预测方法的逻辑示意图;
图2为本发明实施例的电力日负荷预测方法的聚类所述历史日负荷数据的逻辑示意图;
图3为本发明实施例的电力日负荷预测装置的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
下面通过对实施例的描述,本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
为达到上述目的,本发明实施例提供了一种电力日负荷预测方法及装置,该方法及装置可以应用于供电站,或者与供电站相连的服务器等,具体不做限定。下面首先对本发明实施例提供的资源分配方法进行详细说明。
图1为本发明实施例提供的一种电力负荷预测方法的流程示意图,包括:
S100:采集多份历史日负荷数据;
一份历史日负荷数据是指一个电力采集终端(电表)一天所采集的电力负荷数据。
S200:使用以动态时间规整作为距离度量对所述历史日负荷数据进行聚类;
动态时间规整是指:将两份原始时间序列进行拉伸到相同时间长度,进而比较两份时间序列的相似性,越相似的序列之间就拥有越小的动态时间规整距离。
max(|X|,|Y|)≤l≤|X|+|Y|
D(i,j)=Dist(i,j)+min{D(i-1,j),D(i,j-1),D(i-1,j-1)}
其中,Dist(i,j)表示曲线X的第i个点和曲线Y的第j个点之间的规整路径距离,最终的规整路径距离为D(|X|,|Y|)。D(|X|,|Y|)越小,两个原始时间序列的相似性越大。
S300:将聚类后的所述历史日负荷数据输入马尔科夫链原始模型,对所述马尔科夫链原始模型进行训练,获得马尔科夫链预测模型;
马尔可夫链是一组具有马尔可夫性质的离散随机变量的集合。具体地,对概率空间内以一维可数集为指数集的随机变量集合X={Xn:n>0},若随机变量的取值都在可数集内,且且随机变量的条件概率满足如下关系:p(Xt+1|Xt,...,x1)=p(Xt+1|Xt),则X被称为马尔可夫链。
S400:将当前的日负荷数据输入所述马尔科夫链预测模型中,以预测下一日的日负荷数据。
本发明提供的一种电力日负荷预测方法,对采集到的历史日负荷数据,使用以动态时间规整作为距离对历史日负荷数据进行聚类,度量用户每日用电的相似性,将聚类后的所述历史日负荷数据输入马尔科夫链原始模型,训练获得马尔科夫链预测模型,通过马尔科夫链预测模型对下一日的日负荷数据,有效提升了用户每日负荷预测的精度。
作为一种可选的实施方式,所述使用以动态时间规整作为距离度量对所述历史日负荷数据进行聚类的方法可以有多种,包括:使用以动态时间规整作为距离度量的K-means算法聚类所述历史日负荷数据,也可以使用其他聚类方法以动态时间规整作为距离度量对所述历史日负荷数据进行聚类,此处不再赘述,仅以K-means算法为例进行详细的说明。
作为一种可选的实施方式,如图2所示,所述使用以动态时间规整作为距离度量的K-means算法聚类所述历史日负荷数据,包括
S201:使用以动态时间规整作为距离度量的K-means算法将所述历史日负荷数据聚类成c个簇,作为第一候选聚类簇,计算第一候选聚类簇的簇内簇间动态时间规整距离比,所述c为正整数;
S202:使用以动态时间规整作为距离度量的K-means算法将所述历史日负荷数据聚类成c+1个簇,作为第二候选聚类簇,计算第二候选聚类簇的簇内簇间动态时间规整距离比;
S203:计算所述第一候选聚类簇和所述第二候选聚类簇的簇内簇间动态时间规整距离比的差值,若所述差值低于阈值,则将所述第一候选聚类簇作为所述历史日负荷数据聚类后的目标聚类簇,若所述差值高于阈值,则将c更新为c+1,返回执行对历史日负荷数据聚类成c个簇的步骤。
作为一种可选的实施方式,所述使用以动态时间规整作为距离度量的K-means算法将所述历史日负荷数据聚类成c个簇,包括
选择c份历史日负荷数据作为c个簇的初始中心点;每次从未被聚类的历史日负荷数据中选取一份历史日负荷数据,计算该历史日负荷数据与c个中心点的动态时间规整距离,将该历史日负荷数据加入最短的动态时间规整距离所对应的簇中,重新计算加入该历史日负荷数据后的簇的中心点,直至全部的历史日负荷数据均被聚类。
作为一种可选的实施方式,所述计算簇内簇间动态时间规整距离比,包括
计算簇内任意两份历史日负荷数据的动态时间规整距离,将动态时间规整距离平均,得到簇内动态时间规整平均距离;
计算簇间任意两个中心点的动态时间规整距离,将动态时间规整距离平均,得到簇间动态时间规整平均距离;
根据簇内动态时间规整平均距离和簇间动态时间规整平均距离,得到簇内簇间动态时间规整距离比。
作为一种可选的实施方式,所述采集历史日负荷数据之后,还包括对所述历史日负荷数据进行以下任意一种方式的预处理:排除异常数据、删除冗余数据以及填充缺失数据。
下面介绍一种具体的实施方式:
采集某地区30日内1000个电力用户的电表数据,每小时采集一次,获得30000份历史日负荷数据,每份历史日负荷数据包括24个数据值。
针对每个用户,计算该用户720个数据值的平均负荷值,再求取平均负荷值对应的方差和标准差,定义超过均值加3倍标准差为异常值,同时定义负的负荷值为异常值,将所有异常值替换为对应时刻的平均值;一日超过24个采集点数据的情况,只保留前面24个值;对缺失数据,用其他日对应时刻的均值填充。
本实施例首先选择簇的数量为16,然后从30000份历史日负荷数据选择了16个日负荷数据作为16个簇的初始中心点,并将这16个日负荷曲线标记为已被聚类;从未被聚类的日负荷数据中选择一份,并计算其与c个中心点的动态时间规整距离,并将其加入距离最近的簇中,再将其标记为已被聚类,重新计算加入了新曲线的簇的中心点,然后再从未被聚类的日负荷数据中选择一份,重复上述计算过程,直至全部未被聚类的日负荷数据均被聚类完成,计算簇内动态时间规整平均距离以及簇间动态时间规整平均距离,并将簇内动态时间规整平均距离除以簇间动态时间规整平均距离,获得簇数为16时的簇内簇间动态时间规整距离比;
然后选择簇的数量为17,重复上述计算过程,获得簇数为17时的簇内簇间动态时间规整距离比;
计算簇数为16时的簇内簇间动态时间规整距离比与簇数为17时的簇内簇间动态时间规整距离比的差值,若所述差值小于阈值,则说明最优的簇数为16,将30000份历史日负荷数据聚类为16个簇;若所述差值不小于阈值,则选择簇的数量为18,重复上述过程,计算簇数为17时的簇内簇间动态时间规整距离比与簇数为18时的簇内簇间动态时间规整距离比的差值,并判断差值与阈值的关系,重复差值小于阈值,小于阈值的差值所对应的簇数即为最优的簇数。本实施例中,最优的簇数为25,即将30000份历史日负荷数据聚类为25个簇。
将聚类生成的簇编上从1到25不同的号码,并为每个簇内的每份历史日负荷数据标记上簇编号;每个用户每日负荷曲线的簇编号形成一个编号序列,将编号序列输入马尔可夫链原始模型进行训练;
为每个用户建立一个马尔可夫链原始模型,输入编号序列并训练模型,生成转移概率矩阵,转移概率矩阵的大小为25×25,获得马尔科夫链预测模型,使用训练好的马尔可夫链预测模型预测下一日的日负荷曲线。
对预测的精度进行检验,本实施例对1000个用户的最后5天的日负荷曲线编号进行了预测,并使用预测出的编号对应的簇中心点的值作为被预测的日负荷曲线。度量被预测的日负荷曲线与实际的日负荷曲线之间的动态时间规整距离,共得到5000个距离值。将这5000个距离值平均,得到平均的动态时间规整误差。相比传统的基于欧式距离的K-means聚类算法,本实施例的平均的动态时间规整误差降低了34.93%,显著的提升了单个用户下一日负荷曲线的预测精度。
与上述方法实施例相对应,本发明实施例还提供了一种电力日负荷预测装置,如图3所示,包括:
采集模块100,用于采集多份历史日负荷数据;
聚类模块200,用于使用以动态时间规整作为距离度量对所述历史日负荷数据进行聚类;
训练模块300,用于将聚类后的所述历史日负荷数据输入马尔科夫链原始模型,对所述马尔科夫链原始模型进行训练,获得马尔科夫链预测模型;
预测模块400,用于将当前的日负荷数据输入所述马尔科夫链预测模型中,以预测下一日的日负荷数据。
作为一种可选的实施方式,所述聚类模块,用于使用以动态时间规整作为距离度量的K-means算法聚类所述历史日负荷数据。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种电力日负荷预测方法,其特征在于,包括
采集多份历史日负荷数据;
使用以动态时间规整作为距离度量对所述历史日负荷数据进行聚类,所述使用以动态时间规整作为距离度量对所述历史日负荷数据进行聚类,包括:
使用以动态时间规整作为距离度量的K-means算法聚类所述历史日负荷数据,所述使用以动态时间规整作为距离度量的K-means算法聚类所述历史日负荷数据,包括
使用以动态时间规整作为距离度量的K-means算法将所述历史日负荷数据聚类成c个簇,作为第一候选聚类簇,计算第一候选聚类簇的簇内簇间动态时间规整距离比,所述c为正整数;
使用以动态时间规整作为距离度量的K-means算法将所述历史日负荷数据聚类成c+1个簇,作为第二候选聚类簇,计算第二候选聚类簇的簇内簇间动态时间规整距离比;
计算所述第一候选聚类簇和所述第二候选聚类簇的簇内簇间动态时间规整距离比的差值,若所述差值低于阈值,则将所述第一候选聚类簇作为所述历史日负荷数据聚类后的目标聚类簇,若所述差值高于阈值,则将c更新为c+1,返回执行对历史日负荷数据聚类成c个簇的步骤,所述计算簇内簇间动态时间规整距离比,包括:
计算簇内任意两份历史日负荷数据的动态时间规整距离,将动态时间规整距离平均,得到簇内动态时间规整平均距离;
计算簇间任意两个中心点的动态时间规整距离,将动态时间规整距离平均,得到簇间动态时间规整平均距离;
根据簇内动态时间规整平均距离和簇间动态时间规整平均距离,得到簇内簇间动态时间规整距离比;
所述使用以动态时间规整作为距离度量的K-means算法将所述历史日负荷数据聚类成c个簇,包括
选择c份历史日负荷数据作为c个簇的初始中心点;每次从未被聚类的历史日负荷数据中选取一份历史日负荷数据,计算该历史日负荷数据与c个中心点的动态时间规整距离,将该历史日负荷数据加入最短的动态时间规整距离所对应的簇中,并对所述加入最短的动态时间规整距离所对应的簇中的历史日负荷数据进行已聚类标记,重新计算加入该历史日负荷数据后的簇的中心点,直至全部的历史日负荷数据均被聚类;
将聚类后的所述历史日负荷数据输入马尔科夫链原始模型,对所述马尔科夫链原始模型进行训练,获得马尔科夫链预测模型;
将当前的日负荷数据输入所述马尔科夫链预测模型中,以预测下一日的日负荷数据。
2.根据权利要求1所述的电力日负荷预测方法,其特征在于,所述采集历史日负荷数据之后,还包括对所述历史日负荷数据进行以下任意一种方式的预处理:排除异常数据、删除冗余数据以及填充缺失数据。
3.一种电力日负荷预测装置,其特征在于,包括
采集模块,用于采集多份历史日负荷数据;
聚类模块,用于使用以动态时间规整作为距离度量对所述历史日负荷数据进行聚类,所述使用以动态时间规整作为距离度量对所述历史日负荷数据进行聚类,包括:
使用以动态时间规整作为距离度量的K-means算法聚类所述历史日负荷数据,所述使用以动态时间规整作为距离度量的K-means算法聚类所述历史日负荷数据,包括
使用以动态时间规整作为距离度量的K-means算法将所述历史日负荷数据聚类成c个簇,作为第一候选聚类簇,计算第一候选聚类簇的簇内簇间动态时间规整距离比,所述c为正整数;
使用以动态时间规整作为距离度量的K-means算法将所述历史日负荷数据聚类成c+1个簇,作为第二候选聚类簇,计算第二候选聚类簇的簇内簇间动态时间规整距离比;
计算所述第一候选聚类簇和所述第二候选聚类簇的簇内簇间动态时间规整距离比的差值,若所述差值低于阈值,则将所述第一候选聚类簇作为所述历史日负荷数据聚类后的目标聚类簇,若所述差值高于阈值,则将c更新为c+1,返回执行对历史日负荷数据聚类成c个簇的步骤,所述计算簇内簇间动态时间规整距离比,包括:
计算簇内任意两份历史日负荷数据的动态时间规整距离,将动态时间规整距离平均,得到簇内动态时间规整平均距离;
计算簇间任意两个中心点的动态时间规整距离,将动态时间规整距离平均,得到簇间动态时间规整平均距离;
根据簇内动态时间规整平均距离和簇间动态时间规整平均距离,得到簇内簇间动态时间规整距离比;
所述使用以动态时间规整作为距离度量的K-means算法将所述历史日负荷数据聚类成c个簇,包括
选择c份历史日负荷数据作为c个簇的初始中心点;每次从未被聚类的历史日负荷数据中选取一份历史日负荷数据,计算该历史日负荷数据与c个中心点的动态时间规整距离,将该历史日负荷数据加入最短的动态时间规整距离所对应的簇中,并对所述加入最短的动态时间规整距离所对应的簇中的历史日负荷数据进行已聚类标记,重新计算加入该历史日负荷数据后的簇的中心点,直至全部的历史日负荷数据均被聚类;
训练模块,用于将聚类后的所述历史日负荷数据输入马尔科夫链原始模型,对所述马尔科夫链原始模型进行训练,获得马尔科夫链预测模型;
预测模块,用于将当前的日负荷数据输入所述马尔科夫链预测模型中,以预测下一日的日负荷数据。
4.根据权利要求3所述的电力日负荷预测装置,其特征在于,所述聚类模块,用于使用以动态时间规整作为距离度量的K-means算法聚类所述历史日负荷数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911238310.6A CN111160617B (zh) | 2019-12-06 | 2019-12-06 | 一种电力日负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911238310.6A CN111160617B (zh) | 2019-12-06 | 2019-12-06 | 一种电力日负荷预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160617A CN111160617A (zh) | 2020-05-15 |
CN111160617B true CN111160617B (zh) | 2022-11-18 |
Family
ID=70556437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911238310.6A Active CN111160617B (zh) | 2019-12-06 | 2019-12-06 | 一种电力日负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160617B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112421608B (zh) * | 2020-10-10 | 2023-06-20 | 华南理工大学 | 一种基于马尔科夫自下而上的家庭负荷预测方法 |
CN112529708B (zh) * | 2020-12-25 | 2024-06-04 | 深圳前海微众银行股份有限公司 | 一种客户识别方法及装置、电子设备 |
CN112801410A (zh) * | 2021-02-26 | 2021-05-14 | 国网山东省电力公司 | 基于大数据技术的电费流入预测分析方法 |
CN113313294A (zh) * | 2021-05-19 | 2021-08-27 | 国网山东省电力公司淄博供电公司 | 一种电力***重要节点、重要输电线路预测算法 |
CN113505943B (zh) * | 2021-07-30 | 2023-05-30 | 广东电网有限责任公司 | 一种电网短期负荷的预测方法、***、设备和介质 |
CN114091766B (zh) * | 2021-11-24 | 2024-04-12 | 东北电力大学 | 基于ceemdan-lstm的空间负荷预测方法 |
CN115470418B (zh) * | 2022-09-15 | 2023-07-25 | 安徽大学 | 一种基于无人机航拍的排队点推荐方法及*** |
CN116384568B (zh) * | 2023-03-16 | 2024-01-30 | 南科智慧能源(深圳)有限公司 | 一种电动汽车充电负荷预测方法、***、设备及介质 |
CN117239746B (zh) * | 2023-11-16 | 2024-01-30 | 国网湖北省电力有限公司武汉供电公司 | 一种基于机器学习的电力负荷预测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426674A (zh) * | 2011-10-28 | 2012-04-25 | 山东电力集团公司青岛供电公司 | 一种基于马尔科夫链的电力***负荷预测方法 |
CN109726858A (zh) * | 2018-12-21 | 2019-05-07 | 新奥数能科技有限公司 | 基于动态时间规整的热负荷预测方法及装置 |
CN109934301A (zh) * | 2019-03-22 | 2019-06-25 | 广东电网有限责任公司 | 一种电力负荷聚类分析方法、装置和设备 |
-
2019
- 2019-12-06 CN CN201911238310.6A patent/CN111160617B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426674A (zh) * | 2011-10-28 | 2012-04-25 | 山东电力集团公司青岛供电公司 | 一种基于马尔科夫链的电力***负荷预测方法 |
CN109726858A (zh) * | 2018-12-21 | 2019-05-07 | 新奥数能科技有限公司 | 基于动态时间规整的热负荷预测方法及装置 |
CN109934301A (zh) * | 2019-03-22 | 2019-06-25 | 广东电网有限责任公司 | 一种电力负荷聚类分析方法、装置和设备 |
Non-Patent Citations (5)
Title |
---|
"Load Pattern Recognition and Prediction Based on DTW K-Mediods Clustering and Markov Model";SHEN Kaili 等;《2019 IEEE International Conference on Energy Internet》;20190808;403-408 * |
"Shape Based Approach to Household Electric Load Curve Clustering and Prediction";TEERARATKIL Thanchanok 等;《IEEE TRANSACTIONS ON SMART GRID》;20180930;第9卷(第5期);5196-5206 * |
"大数据技术在电力大用户用电特征分类中的应用";沈建良 等;《浙江电力》;20171225;第36卷(第12期);37-41 * |
SHEN Kaili 等."Load Pattern Recognition and Prediction Based on DTW K-Mediods Clustering and Markov Model".《2019 IEEE International Conference on Energy Internet》.2019,403-408. * |
TEERARATKIL Thanchanok 等."Shape Based Approach to Household Electric Load Curve Clustering and Prediction".《IEEE TRANSACTIONS ON SMART GRID》.2018,第9卷(第5期),5196-5206. * |
Also Published As
Publication number | Publication date |
---|---|
CN111160617A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160617B (zh) | 一种电力日负荷预测方法及装置 | |
CN109697548B (zh) | 用电分析服务器及其用电分析方法 | |
CN108074015B (zh) | 一种风电功率超短期预测方法及*** | |
CN112819299A (zh) | 一种基于中心优化的差分K-means负荷聚类方法 | |
CN112684401A (zh) | 轻载台区电能表运行误差数据的处理方法及*** | |
CN111191814A (zh) | 一种电价预测方法、***和计算机可读存储介质 | |
Bin Othman et al. | Determination of transmission reliability margin using parametric bootstrap technique | |
CN111680851A (zh) | 基于k线图的企业用电趋势评估方法 | |
US20230402846A1 (en) | Data analysis system and method | |
CN114519651A (zh) | 基于电力大数据的智能配电方法 | |
CN116303480A (zh) | 基于云计算的电能表误差校验方法 | |
CN116894687A (zh) | 一种基于机器学习的用电量分析方法及***、电子设备 | |
CN115313522A (zh) | 一种考虑新能源出力预测偏差的备用容量配置方法及*** | |
CN113704407B (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
CN113505943B (zh) | 一种电网短期负荷的预测方法、***、设备和介质 | |
CN115587310A (zh) | 基线负荷估计方法、装置、电子设备及存储介质 | |
CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN114169590A (zh) | 一种基于多情景划分的水库入库径流预报校正方法和*** | |
CN113344073A (zh) | 一种基于融合进化算法的日负荷曲线聚类方法及*** | |
CN112579721A (zh) | 构建人群分布图的方法及***、终端设备、存储介质 | |
CN111178637A (zh) | 一种电网短期负荷预测方法和装置 | |
CN104021045A (zh) | 基于模式融合的cpu负载多步预测方法 | |
CN111222688A (zh) | 一种商业楼宇的日负荷预测方法 | |
CN114742285B (zh) | 一种居民电力消费模式预测模型的构建方法及其应用 | |
CN118157231B (zh) | 基于光伏集群划分的提高光伏集群功率预测精度的方法 |
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 |