CN111860977A - 短期负荷的概率预测方法和概率预测装置 - Google Patents

短期负荷的概率预测方法和概率预测装置 Download PDF

Info

Publication number
CN111860977A
CN111860977A CN202010614204.XA CN202010614204A CN111860977A CN 111860977 A CN111860977 A CN 111860977A CN 202010614204 A CN202010614204 A CN 202010614204A CN 111860977 A CN111860977 A CN 111860977A
Authority
CN
China
Prior art keywords
load
predicted
probability
prediction model
user
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.)
Granted
Application number
CN202010614204.XA
Other languages
English (en)
Other versions
CN111860977B (zh
Inventor
陈启鑫
郑可迪
王毅
顾宇轩
郭鸿业
康重庆
夏清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202010614204.XA priority Critical patent/CN111860977B/zh
Publication of CN111860977A publication Critical patent/CN111860977A/zh
Application granted granted Critical
Publication of CN111860977B publication Critical patent/CN111860977B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)

Abstract

本发明公开了一种短期负荷的概率预测方法和概率预测装置，该方法包括：将待预测区域内所有用户智能电表记录的历史负荷数据划分为训练集、集成集和待预测集；针对训练集中的历史负荷数据进行相关的计算得到用户在多个不同聚类数量下的划分结果；根据划分结果对聚类后的每一用户群体进行相关的训练，以分别得到待预测区域整体负荷的多个概率预测结果的预测模型；根据集成集中的历史负荷数据、每个预测模型和真实的整体负荷值，得到集成后的待预测区域负荷概率预测模型；根据待预测区域负荷概率预测模型对待预测集中的负荷进行概率预测。本发明的概率预测方法，能够精细化地利用用户智能电表的历史负荷数据，提升待预测区域负荷概率预测的准确率。

Description

短期负荷的概率预测方法和概率预测装置
技术领域
本发明涉及电力负荷预测技术领域，特别涉及一种短期负荷的概率预测方法和概率预测装置。
背景技术
近年来，智能电表在用户侧的普及率逐渐上升，电网公司在进行区域负荷预测时，可以依靠智能电表数据获得高频度、高分辨率的用户负荷数据。一般而言，一个区域的负荷通常由成百上千个用户负荷集聚而成，智能电表所记录的用户负荷将有助于提升区域整体负荷预测的精度。传统意义上的负荷预测主要是通过记录区域整体负荷的变化，随后构建相应的输入特征训练单一模型。考虑到利用智能电表数据来精细化预测区域整体负荷，产生了自下而上的分层负荷预测方法，即对单一用户的负荷分别构建预测模型，再将区域中所有用户的预测模型加总，得到整体预测模型。
目前，基于历史负荷数据进行负荷预测的技术已比较成熟，并在国内外大多数电网公司中投入了实用。波兰琴斯托霍瓦工业大学的学者提出了基于模式回归的电力预测模型(Dudek G.Pattern-based local linear regression models for short-term loadforecasting[J].Electric Power Systems Research,2016,130:139-147)，并应用于波兰电网的实际负荷数据集中。澳大利亚新南威尔士大学的研究者们提出了基于长短期记忆人工神经网络(LSTM)的短期居民用户负荷预测模型(Kong W,Dong Z Y,Jia Y,et al.Short-term residential load forecasting based on LSTM recurrent neural network[J].IEEE Transactions on Smart Grid,2019,10(1):841-851.)，并在澳大利亚政府公开的智能电网智能城市(Smart Grid Smart City,SGSC)提供的智能电表数据集上测试了预测精度。英国斯特拉思克莱德大学的学者们采用了自下而上的分层预测方法(Stephen B,Tang X,Harvey P R,et al.Incorporating practice theory in sub-profile modelsfor short term aggregated residential load forecasting[J].IEEE Transactionson Smart Grid,2017,8(4):1591-1598.)，首先对居民用户负荷进行单独预测，随后将预测的结果累加，得到整体预测结果，并将方法应用于英国真实智能电表数据集。总的来说，即使有研究采用了分层预测的方法来提升预测精度，多数方法均基于单一模型的结果，预测准确率仍有提升空间。集成学习的方法则可用于弥补单一预测模型的缺点。新加坡南阳理工大学的学者们使用集成学习将多个基于小波变换的预测方法集成(Li S,Goel L,WangP.An ensemble approach for short-term load forecasting by extreme learningmachine[J].Applied Energy,2016,170:22-29.)以提升预测精度。
进入能源互联网时代，由于分布式电源和电动汽车等的接入，用户侧负荷的波动比以往更剧烈，传统的负荷预测只关注未来某时刻的负荷大小，而在实际应用中，电网公司往往更关注未来负荷的概率分布情况，以更精确地实现对随机因素的刻画，即实现概率预测。近年来分层预测和集成预测的方法往往侧重于点预测，而忽略了概率预测的重要性。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。
为此，本发明的一个目的在于提出一种短期负荷的概率预测方法，能够精细化地利用用户智能电表的历史负荷数据，提升待预测区域负荷概率预测的准确率，有利于电网发电运行调度的提前计划。
本发明的第二个目的在于提出一种短期负荷的概率预测装置。
本发明的第三个目的在于提出一种电子设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
为达到上述目的，本发明第一方面实施例提出了一种短期负荷的概率预测方法，包括：步骤S1，获得待预测区域内所有用户智能电表记录的历史负荷数据，并根据预设比例，将所述历史负荷数据划分为训练集、集成集和待预测集；步骤S2，针对所述训练集中的历史负荷数据，计算每个用户的周平均负荷曲线，并基于余弦相似度计算不同用户之间周平均负荷曲线的相似度矩阵，以及根据基于k-均值聚类的谱聚类方法和所述相似度矩阵，计算用户在多个不同聚类数量下的划分结果，其中，所述周平均负荷曲线上任一点为所述训练集中同一用户在各周相同时刻的负荷平均值；步骤S3，根据所述划分结果对聚类后的每一用户群体，分别训练分位数回归神经网络的概率预测模型，并将所述概率预测模型的输出概率分布结果通过卷积累加，以分别得到待预测区域整体负荷的多个概率预测结果的预测模型；步骤S4，根据所述集成集中的历史负荷数据，计算最小化集成集的弹球损失函数，并根据每个预测模型和真实的整体负荷值，以所述最小化集成集的弹球损失函数为目标函数，以每个预测模型的集成权重为优化变量，构建线性规划问题并求解最优集成权重，以所述最优集成权重对每个预测模型进行累加，得到集成后的待预测区域负荷概率预测模型；步骤S5，根据所述待预测区域负荷概率预测模型对所述待预测集中的负荷进行概率预测。
根据本发明实施例的短期负荷的概率预测方法，首先获得待预测区域内所有用户智能电表记录的历史负荷数据，并根据预设比例，将历史负荷数据划分为训练集、集成集和待预测集。然后针对训练集中的历史负荷数据，计算每个用户的周平均负荷曲线，并基于余弦相似度计算不同用户之间周平均负荷曲线的相似度矩阵，以及根据基于k-均值聚类的谱聚类方法和相似度矩阵，计算用户在多个不同聚类数量下的划分结果，并根据划分结果对聚类后的每一用户群体，分别训练分位数回归神经网络的概率预测模型，并将概率预测模型的输出概率分布结果通过卷积累加，以分别得到待预测区域整体负荷的多个概率预测结果的预测模型。再然后根据集成集中的历史负荷数据，计算最小化集成集的弹球损失函数，并根据每个预测模型和真实的整体负荷值，以最小化集成集的弹球损失函数为目标函数，以每个预测模型的集成权重为优化变量，构建线性规划问题并求解最优集成权重，以最优集成权重对每个预测模型进行累加，得到集成后的待预测区域负荷概率预测模型。最后根据待预测区域负荷概率预测模型对待预测集中的负荷进行概率预测。由此，能够精细化地利用用户智能电表的历史负荷数据，提升待预测区域负荷概率预测的准确率，有利于电网发电运行调度的提前计划。
另外，根据本发明上述实施例提出的短期负荷的概率预测方法还可以具有如下附加的技术特征：
在本发明的一个实施例中，设M为待预测区域内的用户数量，T为获取历史负荷的时段数，T0为智能电表每日记录负荷的频次，其中M、T和T0均为正整数，所述步骤S1，具体包括：步骤S11，根据预设转换算法将所述历史负荷数据转换为历史负荷矩阵LM×T，并设Lt为t时刻待预测区域的总负荷，以及设Lm,t为第m个用户在t时刻的负荷，其中，t为小于等于T的正整数，m为小于等于M的正整数；步骤S12，将所述历史负荷矩阵LM×T按照时间的先后划分为训练集Ltr、集成集Len和待预测集，并设训练集Ltr的时间长度为Ttr，集成集Len的时间长度为Ten。
在本发明的一个实施例中，所述步骤S2，具体包括：步骤S21，对所述训练集Ltr中的负荷，按照每周取平均值，得到每个用户的周特征负荷
Figure BDA0002563201800000031
其中，t'为小于等于7T0的正整数，并构成周特征负荷矩阵
Figure BDA0002563201800000032
所述周特征负荷矩阵第m行的向量
Figure BDA0002563201800000033
为第m个用户的周平均用电负荷；步骤S22，根据所述周特征负荷矩阵，基于余弦相似度计算不同用户之间的相似度矩阵SM×M，所述相似度矩阵SM×M的第m行第n列的元素Sm,n为第m个用户和第n个用户之间的用电相似度：
Figure BDA00025632018000000410
步骤S23，根据基于k-均值聚类的谱聚类方法和所述相似度矩阵SM×M将M个用户划分为k个群体，得到聚类后的用户群体划分结果；
步骤S24，取k为以下N＝[log2M]+1个值，[·]为向下取整函数：
kj＝min{2j-1,M}
其中，N为正整数，j为小于等于N的正整数；
步骤S25，重复执行步骤S23，以得到N组不同的划分结果
Figure BDA00025632018000000411
在本发明的一个实施例中，所述步骤S3，具体包括：步骤S31，针对聚类数量为kj时的划分结果Mj，将隶属于第1到kj个用户群体的用户负荷分别加总，以得到kj组用户群体的历史用电负荷向量；步骤S32，针对所述kj组用户群体的历史用电负荷向量，定义其中第a组用户群体的总用电负荷为
Figure BDA0002563201800000041
a＝1,2,…,kj，分别以t时段各用户群体用电总负荷
Figure BDA0002563201800000042
为输出，以t时段对应的星期独热编码、小时编号、昨天同一时段负荷、昨天上一时段负荷、前天同一时段负荷、三天前同一时段负荷、四三天前同一时段负荷构成输入特征
Figure BDA0002563201800000043
使用训练集Ltr对应的Ttr个时段中的特征和相应的输出
Figure BDA0002563201800000044
t＝1,2,…,Ttr，训练kj个分位数回归神经网络，分别记作
Figure BDA0002563201800000045
其中第a组所对应的神经网络的输入向量
Figure BDA0002563201800000046
的长度与
Figure BDA0002563201800000047
的长度相同；步骤S33，在集成集Len对应的Ten个时段中，对时刻t(t＝Ttr+1,Ttr+2,…,Ttr+Ten)，将输入特征
Figure BDA0002563201800000048
分别作为分位数回归神经网络
Figure BDA0002563201800000049
的输入，得到kj个用户群体的负荷概率分布；步骤S34，根据预设的离散卷积运算对kj个负荷概率分布进行累加，得到待预测区域整体负荷的多个概率预测结果的预测模型，设fj,q(Xj,t)为聚类数量为kj时所得到的对总负荷的q分位数的预测结果，fj,q为各群体经过卷积累加后的预测模型，Xj,t为模型在t时刻的输入特征，q可取(0,1]中的任何实数，并满足以下公式：
Pr(Lt<fj,q(Xj,t))＝q。
在本发明的一个实施例中，步骤S4，具体包括：步骤S41，对kj在N种取值下获得的N种总负荷的概率分布结果进行集成，设集成的系数为wj，q分位数下的弹球损失函数
Figure BDA0002563201800000051
如下：
Figure BDA0002563201800000052
其中
Figure BDA0002563201800000053
为概率预测模型给出的q分位数预测结果，y为真实的整体负荷值，其中，通过以下公式构建优化问题：
Figure BDA0002563201800000054
Figure BDA0002563201800000055
Figure BDA0002563201800000056
其中，
Figure BDA0002563201800000057
为概率预测的分位数集合，
Figure BDA0002563201800000058
为集成集Len的时段集合，其中，
Figure BDA0002563201800000059
为问题目标函数，所述问题目标函数为凸函数，约束条件均为线性，基于凸优化问题求解技术，求解后得到最优集成权重
Figure BDA00025632018000000510
步骤S42，将不同聚类数量下的各预测模型按照步骤S41中所得的最优集成权重
Figure BDA00025632018000000511
累加，得到集成后的待预测区域负荷概率预测模型：
Figure BDA00025632018000000512
其中，fen,q表示集成后的概率预测模型，Xt＝[X1,t,X2,t,…,XN,t]表示集成后模型在t时刻的输入特征。
为达到上述目的，本发明第二方面实施例提出了一种短期负荷的概率预测装置，包括：划分模块，用于获得待预测区域内所有用户智能电表记录的历史负荷数据，并根据预设比例，将所述历史负荷数据划分为训练集、集成集和待预测集；第一计算模块，用于针对所述训练集中的历史负荷数据，计算每个用户的周平均负荷曲线，并基于余弦相似度计算不同用户之间周平均负荷曲线的相似度矩阵，以及根据基于k-均值聚类的谱聚类方法和所述相似度矩阵，计算用户在多个不同聚类数量下的划分结果，其中，所述周平均负荷曲线上任一点为所述训练集中同一用户在各周相同时刻的负荷平均值；第二计算模块，用于根据所述划分结果对聚类后的每一用户群体，分别训练分位数回归神经网络的概率预测模型，并将所述概率预测模型的输出概率分布结果通过卷积累加，以分别得到待预测区域整体负荷的多个概率预测结果的预测模型；第三计算模块，用于根据所述集成集中的历史负荷数据，计算最小化集成集的弹球损失函数，并根据每个预测模型和真实的整体负荷值，以所述最小化集成集的弹球损失函数为目标函数，以每个预测模型的集成权重为优化变量，构建线性规划问题并求解最优集成权重，以所述最优集成权重对每个预测模型进行累加，得到集成后的待预测区域负荷概率预测模型；预测模块，用于根据所述待预测区域负荷概率预测模型对所述待预测集中的负荷进行概率预测。
本发明实施例的短期负荷的概率预测装置，通过划分模块获得待预测区域内所有用户智能电表记录的历史负荷数据，并根据预设比例，将历史负荷数据划分为训练集、集成集和待预测集。通过第一计算模块针对训练集中的历史负荷数据，计算每个用户的周平均负荷曲线，并基于余弦相似度计算不同用户之间周平均负荷曲线的相似度矩阵，以及根据基于k-均值聚类的谱聚类方法和相似度矩阵，计算用户在多个不同聚类数量下的划分结果。通过第二计算模块根据划分结果对聚类后的每一用户群体，分别训练分位数回归神经网络的概率预测模型，并将概率预测模型的输出概率分布结果通过卷积累加，以分别得到待预测区域整体负荷的多个概率预测结果的预测模型。通过第三计算模块根据集成集中的历史负荷数据，计算最小化集成集的弹球损失函数，并根据每个预测模型和真实的整体负荷值，以最小化集成集的弹球损失函数为目标函数，以每个预测模型的集成权重为优化变量，构建线性规划问题并求解最优集成权重，以最优集成权重对每个预测模型进行累加，得到集成后的待预测区域负荷概率预测模型。通过预测模块根据待预测区域负荷概率预测模型对待预测集中的负荷进行概率预测。由此，能够精细化地利用用户智能电表的历史负荷数据，提升待预测区域负荷概率预测的准确率，有利于电网发电运行调度的提前计划。
为达到上述目的，本发明第三方面实施例提出了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如本发明第一方面实施例所述的短期负荷的概率预测方法。
本发明实施例的电子设备，通过处理器执行存储在存储器上的计算机程序，能够精细化地利用用户智能电表的历史负荷数据，提升待预测区域负荷概率预测的准确率，有利于电网发电运行调度的提前计划。
为达上述目的，本发明第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以实现如本发明第一方面实施例所述的短期负荷的概率预测方法。
本发明实施例的非临时性计算机可读存储介质，通过执行其存储的计算机程序，能够精细化地利用用户智能电表的历史负荷数据，提升待预测区域负荷概率预测的准确率，有利于电网发电运行调度的提前计划。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一个实施例的短期负荷的概率预测方法的流程图；以及
图2是根据本发明一个实施例的短期负荷的概率预测装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面结合附图来描述本发明实施例的短期负荷的概率预测方法和短期负荷的概率预测装置、电子设备和非临时性计算机可读存储介质。
图1是根据本发明一个实施例的短期负荷的概率预测方法的流程图。在本发明的实施例中，本发明的短期负荷的概率预测方法适用于电网公司、配电公司和电力交易中心的实际应用。
如图1所示，本发明实施例的短期负荷的概率预测方法，可包括以下步骤：
S1，获得待预测区域内所有用户智能电表记录的历史负荷数据，并根据预设比例，将历史负荷数据划分为训练集、集成集和待预集。其中，历史负荷数据可包括智能电表计量信息，预设比例可根据实际情况进行标定。
为了更好地描述本发明，可设M为待预测区域内的用户数量，T为获取历史负荷的时段数，T0为智能电表每日记录负荷的频次，其中M、T和T0均为正整数。
具体地，根据预设转换算法将历史负荷数据转换为历史负荷矩阵LM×T，并设Lt为t时刻待预测区域的总负荷，以及设Lm,t为第m个用户在t时刻的负荷，其中，t为小于等于T的正整数，m为小于等于M的正整数；步骤S12，将历史负荷矩阵LM×T按照时间的先后划分为训练集Ltr、集成集Len和待预测集，并设训练集Ltr的时间长度为Ttr，集成集Len的时间长度为Ten。其中，预设转换算法可根据实际情况进行标定。应说明的是，该实施例中所描述的训练集Ltr和集成集Len在时间长度上可保持一定的比例，如4比1。
S2，针对训练集中的历史负荷数据，计算每个用户的周平均负荷曲线，并基于余弦相似度计算不同用户之间周平均负荷曲线的相似度矩阵，以及根据基于k-均值聚类的谱聚类方法和相似度矩阵，计算用户在多个不同聚类数量下的划分结果，其中，周平均负荷曲线上任一点为训练集中同一用户在各周相同时刻的负荷平均值。
需要说明的是，该实施例中所描述的k-均值聚类的谱聚类方法，为一种基于相似度矩阵的聚类方法，考虑将M个主体按照相似程度划分为k个群体，使得群体内部相似度较高，群体之间的相似度较低，其中，M和k均为正整数。该划分通过以下步骤实现：
首先获得主体的相似度矩阵S，该矩阵对称正定，且所有元素均非负。根据线性代数的理论，可以对S进行如下的谱分解(特征值分解)：
S＝QΛQT
其中Λ为对角阵，对角元素为S的特征值，按由小到大的顺序排列；Q为正交矩阵，其列向量为特征值对应的特征向量。
取Q的前k列，构成主体的谱特征矩阵VM×k，对VM×k使用k-均值聚类，得到聚类后的用户群体划分结果。基于k-均值聚类的谱聚类技术的理论和应用详见(Ng A Y,Jordan MI,Weiss Y.On spectral clustering:Analysis and an algorithm[C]//Advances inNeural Information Processing Systems.2002:849-856)。
在本发明的一个实施例中，步骤S2，具体可包括：
步骤S21，对训练集Ltr中的负荷，按照每周取平均值，得到每个用户的周特征负荷
Figure BDA0002563201800000081
其中，t'为小于等于7T0的正整数，并构成周特征负荷矩阵
Figure BDA0002563201800000082
周特征负荷矩阵第m行的向量
Figure BDA0002563201800000083
为第m个用户的周平均用电负荷。
步骤S22，根据周特征负荷矩阵，基于余弦相似度计算不同用户之间的相似度矩阵SM×M，相似度矩阵SM×M的第m行第n列的元素Sm,n为第m个用户和第n个用户之间的用电相似度。
Figure BDA0002563201800000091
步骤S23，根据基于k-均值聚类的谱聚类方法和相似度矩阵SM×M将M个用户划分为k个群体，得到聚类后的用户群体划分结果。
步骤S24，取k为以下N＝[log2M]+1个值，[·]为向下取整函数：
kj＝min{2j-1,M}
其中，N为正整数，j为小于等于N的正整数。
步骤S25，重复执行上述的步骤S23，以得到N组不同的划分结果
Figure BDA0002563201800000092
即得到用户在多个不同聚类数量下的划分结果。
S3，根据划分结果对聚类后的每一用户群体，分别训练分位数回归神经网络的概率预测模型，并将概率预测模型的输出概率分布结果通过卷积累加，以分别得到待预测区域整体负荷的多个概率预测结果的预测模型。
需要说明的是，该实施例中所描述的分位数回归神经网络，是一种监督式的神经网络模型，可以给出某一输入特征下，输出的概率分布情况。设输入特征向量为X，输出的随机变量为y，该方法基于传统的全连接神经网络，通过梯度下降等训练方法训练网络中神经元的权重和偏置等参数，以估计随机变量y|X的条件分布。训练后的分位数回归神经网络模型可以用符号fq(X)表示，其中q∈(0,1]表示分位数的大小。分位数的含义为，事件y≤fq(X)|X发生的概率恰好为q，即：
Pr(y≤fq(X)|X)＝q
分位数回归神经网络的理论可详见(Taylor J W.A quantile regressionneural network approach to estimating the conditional density of multiperiodreturns[J].Journal of Forecasting,2000,19(4):299-311)。
在本发明的一个实施例中，步骤S3，具体可包括：
步骤S31，针对聚类数量为kj时的划分结果
Figure BDA0002563201800000093
将隶属于第1到kj个用户群体的用户负荷分别加总，以得到kj组用户群体的历史用电负荷向量。
步骤S32，针对kj组用户群体的历史用电负荷向量，定义其中第a组用户群体的总用电负荷为
Figure BDA0002563201800000101
a＝1,2,…,kj，分别以t时段各用户群体用电总负荷
Figure BDA0002563201800000102
为输出，以t时段对应的星期独热编码、小时编号、昨天同一时段负荷、昨天上一时段负荷、前天同一时段负荷、三天前同一时段负荷、四三天前同一时段负荷构成输入特征
Figure BDA0002563201800000103
使用训练集Ltr对应的Ttr个时段中的特征和相应的输出
Figure BDA0002563201800000104
t＝1,2,…,Ttr，训练kj个分位数回归神经网络，分别记作
Figure BDA0002563201800000105
其中第a组所对应的神经网络的输入向量
Figure BDA0002563201800000106
的长度与
Figure BDA0002563201800000107
的长度相同。
需要说明的是，该实施例中所描述的星期独热编码应用的是独热编码技术，该技术是一种对离散特征的编码技术，又称一位有效编码，其方法是使用N位布尔变量来对N个状态进行编码。例如，假定某一离散特征有3种取值，即1、2和3，那这三种状态的独热编码分别为001、010和100，占用3位布尔变量。
步骤S33，在集成集Len对应的Ten个时段中，对时刻t(t＝Ttr+1,Ttr+2,…,Ttr+Ten)，将输入特征
Figure BDA0002563201800000108
分别作为分位数回归神经网络
Figure BDA0002563201800000109
的输入，得到kj个用户群体的负荷概率分布；。
步骤S34，根据预设的离散卷积运算对kj个负荷概率分布进行累加，得到待预测区域整体负荷的多个概率预测结果的预测模型，设1fj,q(Xj,t)为聚类数量为kj时所得到的对总负荷的q分位数的预测结果，fj,q为各群体经过卷积累加后的预测模型，Xj,t为模型在t时刻的输入特征，q可取(0,1]中的任何实数，并满足以下公式：
Pr(Lt<fj,q(Xj,t))＝q。
S4，根据集成集中的历史负荷数据，计算最小化集成集的弹球损失函数，并根据每个预测模型和真实的整体负荷值，以最小化集成集的弹球损失函数为目标函数，以每个预测模型的集成权重为优化变量，构建线性规划问题并求解最优集成权重，以最优集成权重对每个预测模型进行累加，得到集成后的待预测区域负荷概率预测模型。
具体地，对kj在N种取值下获得的N种总负荷的概率分布结果进行集成，设集成的系数为wj，q分位数下的弹球损失函数
Figure BDA00025632018000001010
如下：
Figure BDA0002563201800000111
其中
Figure BDA0002563201800000112
为概率预测模型给出的q分位数预测结果，y为真实的整体负荷值，其中，通过以下公式构建优化问题：
Figure BDA0002563201800000113
Figure BDA0002563201800000114
Figure BDA0002563201800000115
其中，
Figure BDA0002563201800000116
为概率预测的分位数集合，
Figure BDA0002563201800000117
为集成集Len的时段集合，其中，
Figure BDA0002563201800000118
为问题目标函数，问题目标函数为凸函数，约束条件均为线性，基于凸优化问题求解技术，求解后得到最优集成权重
Figure BDA0002563201800000119
将不同聚类数量下的各预测模型按照步骤S41中所得的最优集成权重
Figure BDA00025632018000001110
累加，得到集成后的待预测区域负荷概率预测模型：
Figure BDA00025632018000001111
其中，fen,q表示集成后的概率预测模型，Xt＝[X1,t,X2,t,…,XN,t]表示集成后模型在t时刻的输入特征。
S5，根据待预测区域负荷概率预测模型对待预测集中的负荷进行概率预测。
在本发明的实施例中，本发明的短期负荷的概率预测方法实现了对智能电表记录的细颗粒度用户负荷的利用，建立了基于用户聚类和集成学习的短期符合的概率预测方法，相比于现有方法，该方法充分利用了智能电表提供的信息，并同时考虑了用户负荷的集群特性，使用聚类对用户进行了划分，实现自下而上的概率负荷预测，能够以高准确率预测区域负荷的概率分布。应用本方法，能更好地估计未来时刻的负荷情况，进而提高***运行调度的安全性和经济性，有利于提高电网公司、配电公司和电力市场的运行组织效益，因此具有重要的现实意义和良好的应用前景。
综上，根据本发明实施例的短期负荷的概率预测方法，首先获得待预测区域内所有用户智能电表记录的历史负荷数据，并根据预设比例，将历史负荷数据划分为训练集、集成集和待预测集。然后针对训练集中的历史负荷数据，计算每个用户的周平均负荷曲线，并基于余弦相似度计算不同用户之间周平均负荷曲线的相似度矩阵，以及根据基于k-均值聚类的谱聚类方法和相似度矩阵，计算用户在多个不同聚类数量下的划分结果，并根据划分结果对聚类后的每一用户群体，分别训练分位数回归神经网络的概率预测模型，并将概率预测模型的输出概率分布结果通过卷积累加，以分别得到待预测区域整体负荷的多个概率预测结果的预测模型。再然后根据集成集中的历史负荷数据，计算最小化集成集的弹球损失函数，并根据每个预测模型和真实的整体负荷值，以最小化集成集的弹球损失函数为目标函数，以每个预测模型的集成权重为优化变量，构建线性规划问题并求解最优集成权重，以最优集成权重对每个预测模型进行累加，得到集成后的待预测区域负荷概率预测模型。最后根据待预测区域负荷概率预测模型对待预测集中的负荷进行概率预测。由此，能够精细化地利用用户智能电表的历史负荷数据，提升待预测区域负荷概率预测的准确率，有利于电网发电运行调度的提前计划。
图2是根据本发明一个实施例的短期负荷的概率预测装置的方框示意图。
如图2所示，本发明实施例的短期负荷的概率预测装置1000包括：划分模块100、第一计算模块200、第二计算模块300、第三计算模块400和预测模块500。
其中，划分模块100用于获得待预测区域内所有用户智能电表记录的历史负荷数据，并根据预设比例，将历史负荷数据划分为训练集、集成集和待预测集。
第一计算模块200用于针对训练集中的历史负荷数据，计算每个用户的周平均负荷曲线，并基于余弦相似度计算不同用户之间周平均负荷曲线的相似度矩阵，以及根据基于k-均值聚类的谱聚类方法和相似度矩阵，计算用户在多个不同聚类数量下的划分结果，其中，周平均负荷曲线上任一点为训练集中同一用户在各周相同时刻的负荷平均值。
第二计算模块300用于根据划分结果对聚类后的每一用户群体，分别训练分位数回归神经网络的概率预测模型，并将概率预测模型的输出概率分布结果通过卷积累加，以分别得到待预测区域整体负荷的多个概率预测结果的预测模型。
第三计算模块400用于根据集成集中的历史负荷数据，计算最小化集成集的弹球损失函数，并根据每个预测模型和真实的整体负荷值，以最小化集成集的弹球损失函数为目标函数，以每个预测模型的集成权重为优化变量，构建线性规划问题并求解最优集成权重，以最优集成权重对每个预测模型进行累加，得到集成后的待预测区域负荷概率预测模型。
预测模块500用于根据待预测区域负荷概率预测模型对待预测集中的负荷进行概率预测。
需要说明的是，本发明实施例的短期负荷的概率预测装置中未披露的细节，请参照本发明实施例的短期负荷的概率预测方法中所披露的细节，具体这里不再赘述。
综上，本发明实施例的短期负荷的概率预测装置，通过划分模块获得待预测区域内所有用户智能电表记录的历史负荷数据，并根据预设比例，将历史负荷数据划分为训练集、集成集和待预测集。通过第一计算模块针对训练集中的历史负荷数据，计算每个用户的周平均负荷曲线，并基于余弦相似度计算不同用户之间周平均负荷曲线的相似度矩阵，以及根据基于k-均值聚类的谱聚类方法和相似度矩阵，计算用户在多个不同聚类数量下的划分结果。通过第二计算模块根据划分结果对聚类后的每一用户群体，分别训练分位数回归神经网络的概率预测模型，并将概率预测模型的输出概率分布结果通过卷积累加，以分别得到待预测区域整体负荷的多个概率预测结果的预测模型。通过第三计算模块根据集成集中的历史负荷数据，计算最小化集成集的弹球损失函数，并根据每个预测模型和真实的整体负荷值，以最小化集成集的弹球损失函数为目标函数，以每个预测模型的集成权重为优化变量，构建线性规划问题并求解最优集成权重，以最优集成权重对每个预测模型进行累加，得到集成后的待预测区域负荷概率预测模型。通过预测模块根据待预测区域负荷概率预测模型对待预测集中的负荷进行概率预测。由此，能够精细化地利用用户智能电表的历史负荷数据，提升待预测区域负荷概率预测的准确率，有利于电网发电运行调度的提前计划。
为了实现上述实施例，本发明还提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序，以实现前述实施例的短期负荷的概率预测方法。
本发明实施例的电子设备，通过处理器执行存储在存储器上的计算机程序，能够精细化地利用用户智能电表的历史负荷数据，提升待预测区域负荷概率预测的准确率，有利于电网发电运行调度的提前计划。
为了实现上述实施例，本发明还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以实现前述实施例的短期负荷的概率预测方法。
本发明实施例的非临时性计算机可读存储介质，通过执行其存储的计算机程序，能够精细化地利用用户智能电表的历史负荷数据，提升待预测区域负荷概率预测的准确率，有利于电网发电运行调度的提前计划。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种短期负荷的概率预测方法，其特征在于，包括：
步骤S1，获得待预测区域内所有用户智能电表记录的历史负荷数据，并根据预设比例，将所述历史负荷数据划分为训练集、集成集和待预测集；
步骤S2，针对所述训练集中的历史负荷数据，计算每个用户的周平均负荷曲线，并基于余弦相似度计算不同用户之间周平均负荷曲线的相似度矩阵，以及根据基于k-均值聚类的谱聚类方法和所述相似度矩阵，计算用户在多个不同聚类数量下的划分结果，其中，所述周平均负荷曲线上任一点为所述训练集中同一用户在各周相同时刻的负荷平均值；
步骤S3，根据所述划分结果对聚类后的每一用户群体，分别训练分位数回归神经网络的概率预测模型，并将所述概率预测模型的输出概率分布结果通过卷积累加，以分别得到待预测区域整体负荷的多个概率预测结果的预测模型；
步骤S4，根据所述集成集中的历史负荷数据，计算最小化集成集的弹球损失函数，并根据每个预测模型和真实的整体负荷值，以所述最小化集成集的弹球损失函数为目标函数，以每个预测模型的集成权重为优化变量，构建线性规划问题并求解最优集成权重，以所述最优集成权重对每个预测模型进行累加，得到集成后的待预测区域负荷概率预测模型；
步骤S5，根据所述待预测区域负荷概率预测模型对所述待预测集中的负荷进行概率预测。
2.根据权利要求1所述的短期负荷的概率预测方法，其特征在于，设M为待预测区域内的用户数量，T为获取历史负荷的时段数，T0为智能电表每日记录负荷的频次，其中M、T和T0均为正整数，所述步骤S1，具体包括：
步骤S11，根据预设转换算法将所述历史负荷数据转换为历史负荷矩阵LM×T，并设Lt为t时刻待预测区域的总负荷，以及设Lm,t为第m个用户在t时刻的负荷，其中，t为小于等于T的正整数，m为小于等于M的正整数；
步骤S12，将所述历史负荷矩阵LM×T按照时间的先后划分为训练集Ltr、集成集Len和待预测集，并设训练集Ltr的时间长度为Ttr，集成集Len的时间长度为Ten。
3.根据权利要求2所述的短期负荷的概率预测方法，其特征在于，所述步骤S2，具体包括：
步骤S21，对所述训练集Ltr中的负荷，按照每周取平均值，得到每个用户的周特征负荷
Figure FDA0002563201790000021
其中，t'为小于等于7T0的正整数，并构成周特征负荷矩阵
Figure FDA0002563201790000022
所述周特征负荷矩阵第m行的向量
Figure FDA0002563201790000023
为第m个用户的周平均用电负荷；
步骤S22，根据所述周特征负荷矩阵，基于余弦相似度计算不同用户之间的相似度矩阵SM×M，所述相似度矩阵SM×M的第m行第n列的元素Sm,n为第m个用户和第n个用户之间的用电相似度：
Figure FDA0002563201790000024
步骤S23，根据基于k-均值聚类的谱聚类方法和所述相似度矩阵SM×M将M个用户划分为k个群体，得到聚类后的用户群体划分结果；
步骤S24，取k为以下N＝[log2M]+1个值，[·]为向下取整函数：
kj＝min{2j-1,M}
其中，N为正整数，j为小于等于N的正整数；
步骤S25，重复执行步骤S23，以得到N组不同的划分结果
Figure FDA00025632017900000212
4.根据权利要求3所述的短期负荷的概率预测方法，其特征在于，所述步骤S3，具体包括：
步骤S31，针对聚类数量为kj时的划分结果
Figure FDA00025632017900000213
将隶属于第1到kj个用户群体的用户负荷分别加总，以得到kj组用户群体的历史用电负荷向量；
步骤S32，针对所述kj组用户群体的历史用电负荷向量，定义其中第a组用户群体的总用电负荷为
Figure FDA0002563201790000025
分别以t时段各用户群体用电总负荷
Figure FDA0002563201790000026
为输出，以t时段对应的星期独热编码、小时编号、昨天同一时段负荷、昨天上一时段负荷、前天同一时段负荷、三天前同一时段负荷、四三天前同一时段负荷构成输入特征
Figure FDA0002563201790000027
使用训练集Ltr对应的Ttr个时段中的特征和相应的输出
Figure FDA0002563201790000028
训练kj个分位数回归神经网络，分别记作
Figure FDA0002563201790000029
其中第a组所对应的神经网络的输入向量
Figure FDA00025632017900000210
的长度与
Figure FDA00025632017900000211
的长度相同；
步骤S33，在集成集Len对应的Ten个时段中，对时刻t(t＝Ttr+1,Ttr+2,…,Ttr+Ten)，将输入特征
Figure FDA0002563201790000031
分别作为分位数回归神经网络
Figure FDA0002563201790000032
的输入，得到kj个用户群体的负荷概率分布；
步骤S34，根据预设的离散卷积运算对kj个负荷概率分布进行累加，得到待预测区域整体负荷的多个概率预测结果的预测模型，设fj,q(Xj,t)为聚类数量为kj时所得到的对总负荷的q分位数的预测结果，fj,q为各群体经过卷积累加后的预测模型，
Figure FDA0002563201790000033
为该模型在t时刻的输入特征，q可取(0,1]中的任何实数，并满足以下公式：
Pr(Lt<fj,q(Xj,t))＝q。
5.根据权利要求4所述的短期负荷的概率预测方法，其特征在于，步骤S4，具体包括：
步骤S41，对kj在N种取值下获得的N种总负荷的概率分布结果进行集成，设集成的系数为wj，q分位数下的弹球损失函数
Figure FDA0002563201790000034
如下：
Figure FDA0002563201790000035
其中
Figure FDA0002563201790000036
为概率预测模型给出的q分位数预测结果，y为真实的整体负荷值，其中，通过以下公式构建优化问题：
Figure FDA0002563201790000037
Figure FDA0002563201790000038
Figure FDA0002563201790000039
其中，
Figure FDA00025632017900000310
为概率预测的分位数集合，
Figure FDA00025632017900000311
为集成集Len的时段集合，其中，
Figure FDA00025632017900000312
为问题目标函数，所述问题目标函数为凸函数，约束条件均为线性，基于凸优化问题求解技术，求解后得到最优集成权重
Figure FDA0002563201790000041
步骤S42，将不同聚类数量下的各预测模型按照步骤S41中所得的最优集成权重
Figure FDA0002563201790000042
累加，得到集成后的待预测区域负荷概率预测模型：
Figure FDA0002563201790000043
其中，fen,q表示集成后的概率预测模型，Xt＝[X1,t,X2,t,…,XN,t]表示集成后模型在t时刻的输入特征。
6.一种短期负荷的概率预测装置，其特征在于，包括：
划分模块，用于获得待预测区域内所有用户智能电表记录的历史负荷数据，并根据预设比例，将所述历史负荷数据划分为训练集、集成集和待预测集；
第一计算模块，用于针对所述训练集中的历史负荷数据，计算每个用户的周平均负荷曲线，并基于余弦相似度计算不同用户之间周平均负荷曲线的相似度矩阵，以及根据基于k-均值聚类的谱聚类方法和所述相似度矩阵，计算用户在多个不同聚类数量下的划分结果，其中，所述周平均负荷曲线上任一点为所述训练集中同一用户在各周相同时刻的负荷平均值；
第二计算模块，用于根据所述划分结果对聚类后的每一用户群体，分别训练分位数回归神经网络的概率预测模型，并将所述概率预测模型的输出概率分布结果通过卷积累加，以分别得到待预测区域整体负荷的多个概率预测结果的预测模型；
第三计算模块，用于根据所述集成集中的历史负荷数据，计算最小化集成集的弹球损失函数，并根据每个预测模型和真实的整体负荷值，以所述最小化集成集的弹球损失函数为目标函数，以每个预测模型的集成权重为优化变量，构建线性规划问题并求解最优集成权重，以所述最优集成权重对每个预测模型进行累加，得到集成后的待预测区域负荷概率预测模型；
预测模块，用于根据所述待预测区域负荷概率预测模型对所述待预测集中的负荷进行概率预测。
7.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-5中任一所述的短期负荷的概率预测方法。
8.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以实现如权利要求1-5中任一所述的短期负荷的概率预测方法。
CN202010614204.XA 2020-06-30 2020-06-30 短期负荷的概率预测方法和概率预测装置 Active CN111860977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010614204.XA CN111860977B (zh) 2020-06-30 2020-06-30 短期负荷的概率预测方法和概率预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010614204.XA CN111860977B (zh) 2020-06-30 2020-06-30 短期负荷的概率预测方法和概率预测装置

Publications (2)

Publication Number Publication Date
CN111860977A true CN111860977A (zh) 2020-10-30
CN111860977B CN111860977B (zh) 2022-07-01

Family

ID=72989113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010614204.XA Active CN111860977B (zh) 2020-06-30 2020-06-30 短期负荷的概率预测方法和概率预测装置

Country Status (1)

Country Link
CN (1) CN111860977B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768023A (zh) * 2020-05-11 2020-10-13 国网冀北电力有限公司电力科学研究院 一种基于智慧城市电能表数据的概率峰值负荷估计方法
CN112270454A (zh) * 2020-11-19 2021-01-26 国网北京市电力公司 极端因素影响下的电力***短期负荷预测方法与预测装置
CN112308337A (zh) * 2020-11-19 2021-02-02 国网北京市电力公司 电力***概率性短期负荷的预测方法、预测装置与处理器
CN112766537A (zh) * 2020-12-24 2021-05-07 沈阳工程学院 一种短期电负荷预测方法
CN112801428A (zh) * 2021-04-08 2021-05-14 国网江苏省电力有限公司苏州供电分公司 一种基于概率预警的落雷损失预防控制方法
CN112926801A (zh) * 2021-03-31 2021-06-08 云南电网有限责任公司 一种基于分位数回归的负荷曲线组合预测方法及装置
CN113592528A (zh) * 2021-06-22 2021-11-02 国网河北省电力有限公司营销服务中心 基线负荷估计方法、装置及终端设备
CN114511058A (zh) * 2022-01-27 2022-05-17 国网江苏省电力有限公司泰州供电分公司 一种用于电力用户画像的负荷元件构建方法及装置
CN116805785A (zh) * 2023-08-17 2023-09-26 国网浙江省电力有限公司金华供电公司 基于随机聚类的电力负荷层次时间序列预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846517A (zh) * 2018-06-12 2018-11-20 清华大学 一种分位数概率性短期电力负荷预测集成方法
CN109978201A (zh) * 2017-12-27 2019-07-05 深圳市景程信息科技有限公司 基于高斯过程分位数回归模型的概率负荷预测***及方法
US20200111174A1 (en) * 2018-10-04 2020-04-09 Yishen Wang Probabilistic Load Forecasting via Point Forecast Feature Integration

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978201A (zh) * 2017-12-27 2019-07-05 深圳市景程信息科技有限公司 基于高斯过程分位数回归模型的概率负荷预测***及方法
CN108846517A (zh) * 2018-06-12 2018-11-20 清华大学 一种分位数概率性短期电力负荷预测集成方法
US20200111174A1 (en) * 2018-10-04 2020-04-09 Yishen Wang Probabilistic Load Forecasting via Point Forecast Feature Integration

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768023A (zh) * 2020-05-11 2020-10-13 国网冀北电力有限公司电力科学研究院 一种基于智慧城市电能表数据的概率峰值负荷估计方法
CN111768023B (zh) * 2020-05-11 2024-04-09 国网冀北电力有限公司电力科学研究院 一种基于智慧城市电能表数据的概率峰值负荷估计方法
CN112270454B (zh) * 2020-11-19 2022-09-02 国网北京市电力公司 极端因素影响下的电力***短期负荷预测方法与预测装置
CN112270454A (zh) * 2020-11-19 2021-01-26 国网北京市电力公司 极端因素影响下的电力***短期负荷预测方法与预测装置
CN112308337A (zh) * 2020-11-19 2021-02-02 国网北京市电力公司 电力***概率性短期负荷的预测方法、预测装置与处理器
CN112766537A (zh) * 2020-12-24 2021-05-07 沈阳工程学院 一种短期电负荷预测方法
CN112766537B (zh) * 2020-12-24 2023-06-06 沈阳工程学院 一种短期电负荷预测方法
CN112926801A (zh) * 2021-03-31 2021-06-08 云南电网有限责任公司 一种基于分位数回归的负荷曲线组合预测方法及装置
CN112926801B (zh) * 2021-03-31 2022-11-01 云南电网有限责任公司 一种基于分位数回归的负荷曲线组合预测方法及装置
CN112801428B (zh) * 2021-04-08 2021-07-13 国网江苏省电力有限公司苏州供电分公司 一种基于概率预警的落雷损失预防控制方法
CN112801428A (zh) * 2021-04-08 2021-05-14 国网江苏省电力有限公司苏州供电分公司 一种基于概率预警的落雷损失预防控制方法
CN113592528A (zh) * 2021-06-22 2021-11-02 国网河北省电力有限公司营销服务中心 基线负荷估计方法、装置及终端设备
CN114511058A (zh) * 2022-01-27 2022-05-17 国网江苏省电力有限公司泰州供电分公司 一种用于电力用户画像的负荷元件构建方法及装置
CN116805785A (zh) * 2023-08-17 2023-09-26 国网浙江省电力有限公司金华供电公司 基于随机聚类的电力负荷层次时间序列预测方法
CN116805785B (zh) * 2023-08-17 2023-11-28 国网浙江省电力有限公司金华供电公司 基于随机聚类的电力负荷层次时间序列预测方法

Also Published As

Publication number Publication date
CN111860977B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN111860977B (zh) 短期负荷的概率预测方法和概率预测装置
CN113126019B (zh) 一种智能电表误差远程估计方法、***、终端和存储介质
CN112834927A (zh) 锂电池剩余寿命预测方法、***、设备及介质
CN109492748A (zh) 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法
CN110895773A (zh) 一种基于广义需求侧资源的dbn电网负荷预测方法及装置
CN108879656B (zh) 一种基于子抽样svr集成的短期电力负荷预测方法
CN112288328A (zh) 一种基于灰色层次分析法的能源互联网风险评估方法
CN117272850B (zh) 配电网安全运行调度弹性空间分析方法
CN115759336A (zh) 一种面向短期电力负荷预测的预测方法及存储介质
CN111291782B (zh) 一种基于信息累积k-Shape聚类算法的累积负荷预测方法
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN115759393A (zh) 基于集成学习的累积负荷基线预测方法
CN111144447A (zh) 一种新能源出力引起的反调峰风险的电网峰谷时段划分方法
CN114154684A (zh) 基于数据挖掘和多核支持向量机的短期光伏功率预测方法
CN111553434A (zh) 一种电力***负荷分类方法及***
CN115566740B (zh) 一种分布式可再生能源集群聚合调控潜力评估方法和装置
CN113989073B (zh) 一种基于大数据挖掘的光伏高占比配网电压时空多维评估方法
CN115577996A (zh) 一种电网停电计划的风险评估方法、***、设备和介质
CN113962440A (zh) 一种融合dpc和gru的光伏预测方法和***
CN113469420A (zh) 一种多元电源***电力能源结构评价优化方法
Gong et al. Integrated multi-horizon power and energy forecast for aggregated electric water heaters
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
Chen et al. Predicting peak energy demand for an office building using artificial intelligence (ai) approaches

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