CN111382906B - 一种电力负荷预测方法、***、设备和计算机可读存储介质 - Google Patents
一种电力负荷预测方法、***、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111382906B CN111382906B CN202010155061.0A CN202010155061A CN111382906B CN 111382906 B CN111382906 B CN 111382906B CN 202010155061 A CN202010155061 A CN 202010155061A CN 111382906 B CN111382906 B CN 111382906B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- meteorological
- time
- meteorological data
- 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 43
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000728173 Sarima Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力负荷预测方法、***、设备和计算机可读存储介质，方法包括如下步骤：采集电力负荷数据以及与负荷有关的气象数据；对气象因素与负荷、时间进行关联度分析，保留与负荷关联度较高的气象因素；将保留的气象数据分为时序性和非时序性气象数据；利用经验模态分解算法对非时序性气象数据进行分解；利用时间卷积网络模型对时序性气象数据进行降维，得到负荷的最优估计值；将分解后的气象数据、负荷的最优估计值和负荷数据代入GRNN模型进行训练，利用训练好的模型进行预测，得到预测结果。本发明的方法可以有效的去除噪声、提高负荷预测精度、降低建模任务量，从而验证了所提模型的可行性。
Description
技术领域
本发明属于电力负荷预测技术领域，特别涉及一种电力负荷预测方法、***、设备和计算机可读存储介质。
背景技术
负荷预测是维持电网可靠、经济运行的重要工具。电力负荷预测是一个非线性的时间序列预测问题。影响电力负荷的因素繁复，主要有历史负荷数据、温度等，因此，负荷预测的准确性与影响因素密切相关。现有的短期电力负荷预测方法大多采用传统的预测方法，而随着人工智能技术的发展，人们对这些技术在负荷预测问题上的应用进行了研究，人工智能在负荷预测中的表现优于传统方法。
公布号为CN110570023A的专利文献中公开了一种基于SARIMA-GRNN-SVM的短期商业电力负荷预测方法，包括如下步骤：通过对负荷曲线的分析得出商业电力负荷波动的影响因素；对商业电力负荷时间序列预测与多因素回归预测构建单一预测模型；构建SVM模型，并利用训练样本对SVM模型进行参数优化与训练，通过网格搜索与交叉验证法进行SVM模型的参数优化；将SARIMA模型、GRNN模型得出的预测日的预测值输入到训练后的SVM模型中，即得到预测日的商业电力负荷预测值。本发明克服了单一预测模型无法综合考虑商业负荷的周期性变化与影响因素导致预测结果易发生较大误差的问题，提升了预测精确度与鲁棒性。
发明内容
发明目的：针对现有技术中存在的问题，本发明公开了一种新的电力负荷预测方法、***、设备和计算机可读存储介质，其方法基于负荷数据和气象数据，依次对数据进行关联度分析、分解、降维处理，最后利用GRNN模型进行预测，大大增强了预测的准确性。
技术方案：本发明采用如下技术方案：一种电力负荷预测方法，其特征在于，包括如下步骤：
步骤A、采集电力负荷数据以及与负荷有关的气象数据；
步骤B、对气象因素与负荷、时间进行关联度分析，剔除与负荷关联度较低的气象因素，保留与负荷关联度较高的气象因素；
步骤C、将保留的气象数据分为时序性和非时序性气象数据；
步骤D、利用经验模态分解算法对非时序性气象数据进行分解；
步骤E、利用时间卷积网络模型对时序性气象数据进行降维，得到负荷的最优估计值；
步骤F、以步骤D中分解后的气象数据和步骤E中负荷的最优估计值为输入，负荷数据为输出，代入GRNN模型进行训练，利用训练好的模型进行预测，得到预测结果。
优选的，所述步骤A中，采集的气象数据为温度数据和降雨量数据，温度数据包括最高气温、平均气温和最低气温。
优选的，所述步骤B中，关联度分析过程如下：
步骤B1、确定反映***行为特征的参考数列和影响***行为的比较数列，其中，参考数列为负荷数据，比较数列为任意两种气象数据；
步骤B2、利用均值化处理，将比较数列中每种类型的气象数据进行无量纲化；
步骤B3、计算关联度的三个指标，即支持度、置信度和提升度，得出任意两种气象因素中与负荷关联度较高的因素。
优选的，所述步骤D中，利用经验模态分解算法对非时序性气象数据进行分解过程如下：
步骤D1、将初始数据中所有的局部极大值点用三次样条函数连接作为上包络线，所有局部极小值点用三次样条函数连接作为下包络线；
步骤D2、求解上、下包络线的均值以及初始数据与均值之间的差值h1(t)；
步骤D3、判断初始数据与均值之间的差值h1(t)是否满足IMF分量序列的条件，若不满足，令当前差值作为筛选后新的初始数据，重复步骤D1、D2和D3；若满足，当前差值为最高频率IMF分量，令初始数据减去当前差值后的余项作为筛选后新的初始数据，重复步骤D1、D2和D3，直到余项变成具有单调性的函数或者常数；
步骤D4、若余项变成具有单调性的函数或者常数时，在之前的迭代过程中已生成若干最高频率IMF分量，则初始数据被分解为若干最高频率IMF分量和最终的余项之和。
优选的，所述步骤D3中，当前差值成为最高频率IMF分量的条件为：
其中，h1(k-1)(t)和h1k(t)分别是在对数据进行第k-1和第k次筛选后得到的数据子集，Dk为0.2～0.3。
优选的，所述步骤E中，时间卷积网络模型以时序性气象数据为输入、负荷数据为输出，以损失函数值最小为目标按照阶梯下降最快的方向不断的迭代训练，最终训练得到负荷数据与输入的时序性气象数据之间的非线性隐含关系，进而得到负荷的最优估计值。
一种实现所述的电力负荷预测方法的***，其特征在于，所述***包括采集模块、关联度模块、时序分解模块、分解模块、降维模块和预测模块，其中，
采集模块用于采集负荷数据和气象数据；
关联度模块用于对气象数据与负荷数据、时间进行关联度分析；
时序分解模块用于将保留的气象数据分为时序性和非时序性气象数据；
分解模块用于利用经验模态分解算法对非时序性气象数据进行分解；
降维模块用于利用时间卷积网络模型对时序性气象数据进行降维，得到负荷的最优估计值；
预测模块用于以分解后的气象数据和负荷的最优估计值为输入，负荷数据为输出，代入GRNN模型进行训练，利用训练好的模型进行预测，获得预测结果。
一种电力负荷预测设备，其特征在于，所述设备包括处理器和存储器，其中，
所述存储器用于存储程序，并将所述程序传输给所述处理器执行；
所述处理器用于根据所述程序中的指令执行所述的电力负荷预测方法。
一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序，所述程序用于执行所述的电力负荷预测方法。
有益效果：本发明具有以下有益效果：
(1)、本发明采用了经验模态分解算法，在处理非平稳及非线性数据上，具有明显的优势，适合处理多变的非线性数据；时间卷积网络模型，可以有效避免未来数据的泄漏，扩大了感受野，训练时间短且收敛速度快；GRNN模型，能在稀疏和噪声数据中准确地逼近函数，训练速度快；
(2)、本发明基于负荷数据、气温数据和降雨量数据，依次对数据进行关联度分析、经验模态分解算法分解、时间卷积网络模型降维，最后利用GRNN模型进行预测，可以有效的去除噪声、大大增强了负荷预测精度的准确性、降低建模任务量，从而验证了所提模型的可行性。
附图说明
图1为本发明的流程图；
图2为时间卷积网络的结构图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
经验模态分解算法(EMD)在处理非平稳及非线性数据上，具有明显的优势，且无需预先设定基函数，适合处理多变的非线性数据；时间卷积网络模型(TCN)本质是一维CNN针对时间序列问题的优化和改造，是目前较为先进的方法，可以有效避免未来数据的泄漏，扩大了感受野，具有训练时间短、收敛速度快的优点；GRNN模型的优势在于它能在稀疏和噪声数据中准确地逼近函数，且无需基函数和权重，训练速度快。
基于上述算法与模型，本发明公开了一种电力负荷预测方法，如图1所示，包括如下步骤：
步骤A、通过国家电力局和气象局分别采集电力负荷数据以及同时刻与负荷有关的气象数据，其中，采集的气象数据为温度数据和降雨量数据，温度数据包括最高气温、平均气温和最低气温。
步骤B、对采集到的四个气象数据与负荷、时间进行关联度分析，剔除与负荷关联度较低的气象因素，保留与负荷关联度较高的气象因素。
对于两个***之间的因素，其随时间或者不同对象而变化的关联性大小的量度，称为关联度。在***发展过程中，若两个因素变化的趋势有一致性，即同步变化程度较高，即意为关联度较高。根据关联规则，利用三个指标来挖掘数据之间的关联性。
具体步骤如下：
确定反映***行为特征的参考数列和影响***行为的比较数列，参考数列为负荷指标，记为Y＝Y(k)，k＝1，2，3...n；比较数列为任意两个气象数据，记为Xi＝Xi(k)，k＝1，2...n，i＝1，2；
将比较数列中每种类型的气象数据无量纲化，由于***中各因素列中的数据可能量纲不同，不便于比较，利用均值化处理：其中k对应时间，i对应比较数列中的一行(即一个气象因素)；
计算关联度的三个指标，即支持度(Support)、置信度(Confidence)和提升度(Lift)，得出该两种气象因素中与负荷关联度较高的因素，其中，
支持度表示X1和X2同时影响Y概率，公式为：
Support(X1→X2)＝P(X1，X2)/P(Y)＝P(X1∩X2)/P(Y)＝num(X1∩X2)/num(Y)
置信度表示X1作用时，X2会不会影响X1的概率，公式为：
Confidence(X1→X2)＝P(X2|X1)＝P(X1，X2)/P(X1)＝P(X1∩X2)/P(X1)
提升度表示在X1作用时，单看X2作用的概率，公式为：
Lift(X1→X2)＝P(X2|X1)/P(X2)
步骤C、将保留的气象数据分为时序性和非时序性气象数据。
步骤D、利用经验模态分解(EMD)算法对非时序性气象数据进行分解。
利用EMD算法将原始信号分解成一系列简单的互相独立不相关的固有的模式函数(IMF)，具体过程如下：
假设原始信号是x(t)，找到所有局部极大值和局部极小值，并将所有的局部极大值点用三次样条函数连接作为上包络线emax(t)，用三次样条函数连接所有局部极小值点得到下包络线emin(t)；
计算上、下包络线的均值m1(t)，其中
x(t)-m1(t)＝h1(t)
原始信号与均值之间的差值h1(t)是初始数据的首个疑似IMF子分量，由于数据的本身具有波动性的特点，所以需要对其进行反复筛选，令当前差值作为筛选后新的原始信号，一直筛选到第k次直到h1k(t)符合了IMF分量序列的要求，由此得到具有最高频率IMF分量c1(t)，c1(t)即为原始数据的第一个IMF分量，代表x(t)最大频率的分量：
h1(k-1)(t)-m1k(t)＝h1k(t)
c1(t)＝h1k(t)
c1(t)成为IMF的标准如下：
式中，h1(k-1)(t)和h1k(t)分别是在对数据进行第k-1和第k次筛选后得到的数据子集，Dk大小根据经验值设置为0.2至0.3，在这个区间进行计算最好。
r1(t)＝x(t)-c1(t)
通过去掉高频部分c1(t)后将剩下的负荷信号余项r1(t)作为预处理数据，在进行反复迭代直至第n次便得到n个lMF分量，即：
直到rn(t)变成具有单调性的函数或者常数时再终止迭代，此时原始信号x(t)被分解成：
步骤E、利用时间卷积网络模型(TCN)对时序性气象数据进行降维，得到负荷的最优估计值。
如图2所示，具体步骤为：
设短期负荷预测可以表示为：
式中：Xi为经过关联性分析及预处理过的时序性气象数据；和/>为权重参数和偏向参数的最优估计值。TCN以时序性气象数据为输入、负荷数据为输出，以损失函数值最小为目标按照阶梯下降最快的方向不断的迭代学习，最终学习得到短期负荷值与输入的时序性数据之间的非线性隐含关系g，进而得到短期负荷的最优估计值/>
TCN利用因果空洞卷积，通过调节卷积核、卷积层数、扩张系数等参数实现对指定长度序列数据的整体感知，做到每个隐藏层的信息长度都与输入序列相同，具体公式为：
式中：x为输入的时间序列；*为卷积运算；k为卷积核的大小；d为扩张系数，与网络层数成指数关系。
通过权值规范化将权值参数W改写为模m和方向V共同表示，如式：以此简化参数的计算量，加快算法的收敛。
利用残差连接使得输入的时序性数据可以跨层直接输入，经过1×1的卷积处理至指定维度后，作为最终的输出数据，实现时间卷积网络的降维。
步骤F、以步骤D中分解后的气象数据和步骤E中负荷的最优估计值为输入，负荷数据为输出，代入GRNN模型进行训练，利用训练好的模型进行预测，得到预测结果。
上述方法基于负荷数据、气温数据和降雨量数据，依次对数据进行关联度分析、分解、降维处理，最后利用GRNN模型进行预测，大大增强了预测的准确性。经上述优选配置，与现有的技术中的其他预测算法的预测结果作比较，结果如下表1：
表1
通过该比较结果，本发明的预测方法所得结果的均方差误差，均小于现有的三种预测方法。也就是说，在预测结果的准确度、稳定性上，均明显优于现有的算法。
一种实现电力负荷预测方法的***，包括采集模块、关联度模块、时序分解模块、分解模块、降维模块和预测模块，其中，
采集模块用于采集负荷数据和气象数据；
关联度模块用于对气象数据与负荷数据、时间进行关联度分析；
时序分解模块用于将保留的气象数据分为时序性和非时序性气象数据；
分解模块用于利用经验模态分解算法对非时序性气象数据进行分解；
降维模块用于利用时间卷积网络模型对时序性气象数据进行降维，得到负荷的最优估计值；
预测模块用于以分解后的气象数据和负荷的最优估计值为输入，负荷数据为输出，代入GRNN模型进行训练，利用训练好的模型进行预测，获得预测结果。
一种电力负荷预测设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行电力负荷预测方法的指令。
一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行电力负荷预测方法。
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。
以上所述仅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 (7)
1.一种电力负荷预测方法，其特征在于，包括如下步骤：
步骤A、采集电力负荷数据以及与负荷有关的气象数据；
步骤B、对气象因素与负荷、时间进行关联度分析，剔除与负荷关联度较低的气象因素，保留与负荷关联度较高的气象因素；
步骤C、将保留的气象数据分为时序性和非时序性气象数据；
步骤D、利用经验模态分解算法对非时序性气象数据进行分解；
步骤E、利用时间卷积网络模型对时序性气象数据进行降维，得到负荷的最优估计值；
步骤F、以步骤D中分解后的气象数据和步骤E中负荷的最优估计值为输入，负荷数据为输出，代入GRNN模型进行训练，利用训练好的模型进行预测，得到预测结果；
所述步骤D中，利用经验模态分解算法对非时序性气象数据进行分解过程如下：
步骤D1、将初始数据中所有的局部极大值点用三次样条函数连接作为上包络线，所有局部极小值点用三次样条函数连接作为下包络线；
步骤D2、求解上、下包络线的均值以及初始数据与均值之间的差值h1(t)；
步骤D3、判断初始数据与均值之间的差值h1(t)是否满足IMF分量序列的条件，若不满足，令当前差值作为筛选后新的初始数据，重复步骤D1、D2和D3；若满足，当前差值为最高频率IMF分量，令初始数据减去当前差值后的余项作为筛选后新的初始数据，重复步骤D1、D2和D3，直到余项变成具有单调性的函数或者常数；
步骤D4、若余项变成具有单调性的函数或者常数时，在之前的迭代过程中已生成若干最高频率IMF分量，则初始数据被分解为若干最高频率IMF分量和最终的余项之和；
所述步骤E中，时间卷积网络模型以时序性气象数据为输入、负荷数据为输出，以损失函数值最小为目标按照阶梯下降最快的方向不断的迭代训练，最终训练得到负荷数据与输入的时序性气象数据之间的非线性隐含关系，进而得到负荷的最优估计值。
2.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述步骤A中，采集的气象数据为温度数据和降雨量数据，温度数据包括最高气温、平均气温和最低气温。
3.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述步骤B中，关联度分析过程如下：
步骤B1、确定反映***行为特征的参考数列和影响***行为的比较数列，其中，参考数列为负荷数据，比较数列为任意两种气象数据；
步骤B2、利用均值化处理，将比较数列中每种类型的气象数据进行无量纲化；
步骤B3、计算关联度的三个指标，即支持度、置信度和提升度，得出任意两种气象因素中与负荷关联度较高的因素。
4.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述步骤D3中，当前差值成为最高频率IMF分量的条件为：
其中，h1(k-1)(t)和h1k(t)分别是在对数据进行第k-1和第k次筛选后得到的数据子集，Dk为0.2～0.3，T为数据长度，t＝1,2,...,T。
5.一种实现权利要求1至4任一所述的电力负荷预测方法的***，其特征在于，所述***包括采集模块、关联度模块、时序分解模块、分解模块、降维模块和预测模块，其中，
采集模块用于采集负荷数据和气象数据；
关联度模块用于对气象数据与负荷数据、时间进行关联度分析；
时序分解模块用于将保留的气象数据分为时序性和非时序性气象数据；
分解模块用于利用经验模态分解算法对非时序性气象数据进行分解；
降维模块用于利用时间卷积网络模型对时序性气象数据进行降维，得到负荷的最优估计值；
预测模块用于以分解后的气象数据和负荷的最优估计值为输入，负荷数据为输出，代入GRNN模型进行训练，利用训练好的模型进行预测，获得预测结果。
6.一种电力负荷预测设备，其特征在于，所述设备包括处理器和存储器，其中，
所述存储器用于存储程序，并将所述程序传输给所述处理器执行；
所述处理器用于根据所述程序中的指令执行权利要求1至4任一所述的电力负荷预测方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序，所述程序被处理器执行时实现权利要求1至4任一所述的电力负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010155061.0A CN111382906B (zh) | 2020-03-06 | 2020-03-06 | 一种电力负荷预测方法、***、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010155061.0A CN111382906B (zh) | 2020-03-06 | 2020-03-06 | 一种电力负荷预测方法、***、设备和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111382906A CN111382906A (zh) | 2020-07-07 |
| CN111382906B true CN111382906B (zh) | 2024-02-27 |
Family
ID=71219915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010155061.0A Active CN111382906B (zh) | 2020-03-06 | 2020-03-06 | 一种电力负荷预测方法、***、设备和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111382906B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882128B (zh) * | 2020-07-28 | 2021-09-28 | 中原工学院 | 基于tcn的汛期气候趋势预测方法 |
| CN112016038B (zh) * | 2020-08-03 | 2023-07-28 | 广西大学 | 一种超超临界燃煤锅炉高温再热器炉外壁温预测方法 |
| CN112215442B (zh) * | 2020-11-27 | 2021-03-12 | 中国电力科学研究院有限公司 | 电力***短期负荷预测方法、***、设备及介质 |
| CN112803398A (zh) * | 2021-01-08 | 2021-05-14 | 武汉数澎科技有限公司 | 基于经验模态分解和深度神经网络的负荷预测方法及*** |
| CN114037179B (zh) * | 2021-11-24 | 2023-04-28 | 国网安徽省电力有限公司太湖县供电公司 | 一种基于大数据的电力负荷预测***及方法 |
| CN114611414A (zh) * | 2022-05-10 | 2022-06-10 | 河北工业大学 | 一种结合emd和tcn的太阳能辐射预测方法 |
| CN115907131A (zh) * | 2022-11-16 | 2023-04-04 | 国网宁夏电力有限公司经济技术研究院 | 一种北方地区电采暖负荷预测模型搭建方法和*** |
| CN115882454B (zh) * | 2023-02-09 | 2023-08-15 | 国网浙江省电力有限公司宁波供电公司 | 基于多元信息融合的源荷功率预测方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10117437A (ja) * | 1996-10-09 | 1998-05-06 | Fuji Electric Co Ltd | 日最大電力需要量予測方法 |
| CN106936127A (zh) * | 2017-02-28 | 2017-07-07 | 国家电网公司 | 一种线路负荷回归分析与预测方法及*** |
| CN107239854A (zh) * | 2017-05-22 | 2017-10-10 | 华北电力大学 | 基于emd‑gra‑mpso‑lssvm模型的负荷预测方法 |
| CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
| CN109063902A (zh) * | 2018-07-17 | 2018-12-21 | 广东工业大学 | 一种短期负荷预测方法、装置、设备及存储介质 |
| CN110222887A (zh) * | 2019-05-27 | 2019-09-10 | 国网安徽省电力有限公司 | 基于vmd和dnn的预测方法及在短期负荷预测的应用 |
| CN110570023A (zh) * | 2019-08-16 | 2019-12-13 | 国网天津市电力公司 | 一种基于sarima-grnn-svm的短期商业电力负荷预测方法 |
| CN110826789A (zh) * | 2019-10-30 | 2020-02-21 | 深圳市康必达控制技术有限公司 | 基于电力***的电力负荷预测方法、装置及终端设备 |
| CN110826774A (zh) * | 2019-10-18 | 2020-02-21 | 广州供电局有限公司 | 母线负荷预测方法、装置、计算机设备及存储介质 |
-
2020
- 2020-03-06 CN CN202010155061.0A patent/CN111382906B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10117437A (ja) * | 1996-10-09 | 1998-05-06 | Fuji Electric Co Ltd | 日最大電力需要量予測方法 |
| CN106936127A (zh) * | 2017-02-28 | 2017-07-07 | 国家电网公司 | 一种线路负荷回归分析与预测方法及*** |
| CN107239854A (zh) * | 2017-05-22 | 2017-10-10 | 华北电力大学 | 基于emd‑gra‑mpso‑lssvm模型的负荷预测方法 |
| CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
| CN109063902A (zh) * | 2018-07-17 | 2018-12-21 | 广东工业大学 | 一种短期负荷预测方法、装置、设备及存储介质 |
| CN110222887A (zh) * | 2019-05-27 | 2019-09-10 | 国网安徽省电力有限公司 | 基于vmd和dnn的预测方法及在短期负荷预测的应用 |
| CN110570023A (zh) * | 2019-08-16 | 2019-12-13 | 国网天津市电力公司 | 一种基于sarima-grnn-svm的短期商业电力负荷预测方法 |
| CN110826774A (zh) * | 2019-10-18 | 2020-02-21 | 广州供电局有限公司 | 母线负荷预测方法、装置、计算机设备及存储介质 |
| CN110826789A (zh) * | 2019-10-30 | 2020-02-21 | 深圳市康必达控制技术有限公司 | 基于电力***的电力负荷预测方法、装置及终端设备 |
Non-Patent Citations (2)
| Title |
|---|
| 成小林.《基于经验模态分解的时间序列预测研究》.《中国优秀硕士学位论文全文数据库 (基础科学辑)》.2019,全文. * |
| 赵会茹 等.《基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测》.《中国电力》.2020,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111382906A (zh) | 2020-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111382906B (zh) | 一种电力负荷预测方法、***、设备和计算机可读存储介质 | |
| US11488074B2 (en) | Method for quantile probabilistic short-term power load ensemble forecasting, electronic device and storage medium | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN105391083B (zh) | 基于变分模态分解和相关向量机的风功率区间短期预测方法 | |
| CN110969290B (zh) | 一种基于深度学习的径流概率预测方法及*** | |
| CN112686464A (zh) | 短期风电功率预测方法及装置 | |
| CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
| CN111950805B (zh) | 中长期电力负荷预测方法、装置、计算机设备及存储介质 | |
| CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、***及设备 | |
| CN114399032A (zh) | 一种电能表计量误差预测方法及*** | |
| CN111612262A (zh) | 一种基于分位数回归的风电功率概率预测方法 | |
| CN114707348A (zh) | 偏最小二乘Kriging模型辅助的航空减速器高效全局优化方法 | |
| CN111709585A (zh) | 一种空调负荷预测方法、装置及存储介质 | |
| AU2022235559A1 (en) | Method and apparatus for determining signal sampling quality, electronic device and storage medium | |
| CN115344927A (zh) | 基于工程历史数据的高拱坝施工仿真参数动态更新方法 | |
| CN111563631A (zh) | 基于变分模态分解的风力发电功率预测方法及设备 | |
| AU2021106200A4 (en) | Wind power probability prediction method based on quantile regression | |
| CN111539558B (zh) | 一种采用优化极限学习机的电力负荷预测方法 | |
| CN117743829A (zh) | 一种基于深度学习的短期电力负荷量预测方法 | |
| CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和*** | |
| CN115392567A (zh) | 一种电力负荷预测方法、电子设备、装置及可读存储介质 | |
| CN111126645A (zh) | 一种基于数据挖掘技术和改进支持向量机的风电预测算法 | |
| US20230297837A1 (en) | Method for automated determination of a model compression technique for compression of an artificial intelligence-based model | |
| CN115660038A (zh) | 基于误差因素和改进moea/d-sas的多阶段集成短期负荷预测 |
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 |