CN112308337A - 电力***概率性短期负荷的预测方法、预测装置与处理器 - Google Patents
电力***概率性短期负荷的预测方法、预测装置与处理器 Download PDFInfo
- Publication number
- CN112308337A CN112308337A CN202011308426.5A CN202011308426A CN112308337A CN 112308337 A CN112308337 A CN 112308337A CN 202011308426 A CN202011308426 A CN 202011308426A CN 112308337 A CN112308337 A CN 112308337A
- Authority
- CN
- China
- Prior art keywords
- probabilistic
- quantile
- power system
- prediction
- load
- 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 76
- 238000003860 storage Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012935 Averaging Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000002131 composite material Substances 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
- 230000003287 optical effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis 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
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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种电力***概率性短期负荷的预测方法、预测装置与处理器。该方法包括基于电力***构建多个概率性负荷预测模型,各概率性负荷预测模型对应于多个分位数;确定各分位数的权重;根据各分位数的权重和各概率性负荷预测模型,得到综合预测模型;根据综合预测模型对电力***的短期负荷进行预测。该综合预测模型可以实现对对电力***的短期负荷的精确预测,该综合预测模型不仅适用于极端因素影响下的电力***,同样适用于非极端因素影响下的电力***。解决了负荷预测方法的适用范围较小,预测精度较低的问题。
Description
技术领域
本申请涉及电力负荷预测领域,具体而言,涉及一种电力***概率性短期负荷的预测方法、预测装置、计算机可读存储介质与处理器。
背景技术
目前气候突变导致气象预测的准确性下降,进而影响电网负荷预测准确率,快速增长的分布式光伏出力、煤改电等负荷所导致的难以预见的电网负荷特性变化,影响日前负荷预测准确率的各方面干扰因素叠加,导致传统的“回归/外推”和“神经网络”等负荷预测方法越来越难适用于现有的日前负荷预测工作。
国内来看,目前负荷预测研究工作,主要集中于预测方法,其中包括灰色预测法、回归分析法、时间序列法、人工智能法等。但是,现有的负荷预测方法的适用范围较小,预测精度较低。
发明内容
本申请的主要目的在于提供一种电力***概率性短期负荷的预测方法、预测装置、计算机可读存储介质与处理器,以解决现有技术中现有的负荷预测方法的适用范围较小,预测精度较低的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种电力***概率性短期负荷的预测方法,包括:基于电力***构建多个概率性负荷预测模型,各所述概率性负荷预测模型对应于多个分位数;确定各所述分位数的权重;根据各所述分位数的所述权重和各所述概率性负荷预测模型,得到综合预测模型;根据所述综合预测模型对电力***的短期负荷进行预测。
进一步地,在每个单一的所述概率性负荷预测模型对于所有的所述分位数的权重相同的情况下,分位数q的所述综合预测模型表示为:
其中,fn,q表示针对分位数q的第n个所述概率性负荷预测模型,Xn,t表示t时刻回归模型的输入,包括历史负荷数据、工作日变量和天气条件,Wn,q表示分位数q的第n个回归模型的参数,ωn表示第n个所述概率性负荷预测模型的权重。
进一步地,在每个单一的所述概率性负荷预测模型对于所有的所述分位数的权重不相同的情况下,分位数q的所述综合预测模型表示为:
其中,fn,q表示针对分位数q的第n个所述概率性负荷预测模型,Xn,t表示t时刻回归模型的输入,包括历史负荷数据、工作日变量和天气条件,Wn,q表示分位数q的第n个回归模型的参数,ωn,q表示第n个所述概率性负荷预测模型分位数q的权重。
进一步地,对ωn的估算方法用公式一表示,所述公式一为:
进一步地,对ωn,q的估算方法用公式二表示,所述公式二为:
进一步地,对所述公式一进行优化得到公式三,所述公式三表示为:
进一步地,对所述公式三进行优化得到公式四,所述公式四表示为:
根据本申请的另一个方面,提供了一种电力***概率性短期负荷的预测装置,包括:构建单元,用于基于电力***构建多个概率性负荷预测模型,各所述概率性负荷预测模型对应于多个分位数;确定单元,用于确定各所述分位数的权重;处理单元,用于根据各所述分位数的所述权重和各所述概率性负荷预测模型,得到综合预测模型;预测单元,用于根据所述综合预测模型对电力***的短期负荷进行预测。
根据本申请的又一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的电力***概率性短期负荷的预测方法。
根据本申请的又一个方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任意一种所述的电力***概率性短期负荷的预测方法。
应用本申请的技术方案,通过基于电力***构建多个概率性负荷预测模型,根据各概率性负荷预测模型对应于多个分位数,以及各分位数的权重,确定综合预测模型,该综合预测模型可以实现对对电力***的短期负荷的精确预测,该综合预测模型不仅适用于极端因素影响下的电力***,同样适用于非极端因素影响下的电力***。解决了负荷预测方法的适用范围较小,预测精度较低的问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了根据本申请的实施例的电力***概率性短期负荷的预测方法流程图;
图2示出了根据本申请的实施例的电力***概率性短期负荷的预测装置示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
应该理解的是,当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时,该元件可直接在该另一元件上,或者也可存在中间元件。而且,在说明书以及权利要求书中,当描述有元件“连接”至另一元件时,该元件可“直接连接”至该另一元件,或者通过第三元件“连接”至该另一元件。
正如背景技术所介绍的,现有技术中的负荷预测方法的适用范围较小,预测精度较低,为了解决负荷预测方法的适用范围较小,预测精度较低,本申请提出了一种电力***概率性短期负荷的预测方法、预测装置、计算机可读存储介质与处理器。
根据本申请的实施例,提供了一种电力***概率性短期负荷的预测方法。
图1是根据本申请实施例的电力***概率性短期负荷的预测方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,基于电力***构建多个概率性负荷预测模型,各上述概率性负荷预测模型对应于多个分位数;
步骤S102,确定各上述分位数的权重;
步骤S103,根据各上述分位数的上述权重和各上述概率性负荷预测模型,得到综合预测模型;
步骤S104,根据上述综合预测模型对电力***的短期负荷进行预测。
具体地,采用本方案的多个概率性负荷预测模型综合得到的综合预测模型是一种最优的模型,适用于各种电力***的短期负荷的预测。
上述方案中,通过基于基于电力***构建多个概率性负荷预测模型,根据各概率性负荷预测模型对应于多个分位数,以及各分位数的权重,确定综合预测模型,该综合预测模型可以实现对对电力***的短期负荷的精确预测,该综合预测模型不仅适用于极端因素影响下的电力***,同样适用于非极端因素影响下的电力***。解决了负荷预测方法的适用范围较小,预测精度较低的问题。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
可选地,在每个单一的上述概率性负荷预测模型对于所有的上述分位数的权重相同的情况下,分位数q的上述综合预测模型表示为:
其中,fn,q表示针对分位数q的第n个上述概率性负荷预测模型,Xn,t表示t时刻回归模型的输入,包括历史负荷数据、工作日变量和天气条件,Wn,q表示分位数q的第n个回归模型的参数,ωn表示第n个上述概率性负荷预测模型的权重。
可选地,在每个单一的上述概率性负荷预测模型对于所有的上述分位数的权重不相同的情况下,分位数q的上述综合预测模型表示为:
其中,fn,q表示针对分位数q的第n个上述概率性负荷预测模型,Xn,t表示t时刻回归模型的输入,包括历史负荷数据、工作日变量和天气条件,Wn,q表示分位数q的第n个回归模型的参数,ωn,q表示第n个上述概率性负荷预测模型分位数q的权重。
可选地,对ωn的估算方法用公式一表示,上述公式一为:
可选地,对ωn,q的估算方法用公式二表示,上述公式二为:
可选地,对上述公式一进行优化得到公式三,上述公式三表示为:
可选地,对上述公式三进行优化得到公式四,上述公式四表示为:
本申请实施例还提供了一种电力***概率性短期负荷的预测装置,需要说明的是,本申请实施例的电力***概率性短期负荷的预测装置可以用于执行本申请实施例所提供的用于电力***概率性短期负荷的预测方法。以下对本申请实施例提供的电力***概率性短期负荷的预测装置进行介绍。
图2是根据本申请实施例的电力***概率性短期负荷的预测装置的示意图。如图2所示,该装置包括:
构建单元10,用于基于电力***构建多个概率性负荷预测模型,各上述概率性负荷预测模型对应于多个分位数;
确定单元20,用于确定各上述分位数的权重;
处理单元30,用于根据各上述分位数的上述权重和各上述概率性负荷预测模型,得到综合预测模型;
预测单元40,用于根据上述综合预测模型对电力***的短期负荷进行预测。
上述方案中,构建单元基于基于电力***构建多个概率性负荷预测模型,根据各概率性负荷预测模型对应于多个分位数,以及各分位数的权重,确定综合预测模型,该综合预测模型可以实现对对电力***的短期负荷的精确预测,该综合预测模型不仅适用于极端因素影响下的电力***,同样适用于非极端因素影响下的电力***。解决了负荷预测方法的适用范围较小,预测精度较低的问题。
上述电力***概率性短期负荷的预测装置包括处理器和存储器,上述构建单元、确定单元、处理单元和预测单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决负荷预测方法的适用范围较小,预测精度较低的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,上述计算机可读存储介质包括存储的程序,其中,在上述程序运行时控制上述计算机可读存储介质所在设备执行上述电力***概率性短期负荷的预测方法。
本发明实施例提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述电力***概率性短期负荷的预测方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现至少以下步骤:
步骤S101,基于电力***构建多个概率性负荷预测模型,各上述概率性负荷预测模型对应于多个分位数;
步骤S102,确定各上述分位数的权重;
步骤S103,根据各上述分位数的上述权重和各上述概率性负荷预测模型,得到综合预测模型;
步骤S104,根据上述综合预测模型对电力***的短期负荷进行预测。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有至少如下方法步骤的程序:
步骤S101,基于电力***构建多个概率性负荷预测模型,各上述概率性负荷预测模型对应于多个分位数;
步骤S102,确定各上述分位数的权重;
步骤S103,根据各上述分位数的上述权重和各上述概率性负荷预测模型,得到综合预测模型;
步骤S104,根据上述综合预测模型对电力***的短期负荷进行预测。
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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
实施例
本实施例涉及一种具体的电力***概率性短期负荷的预测方法。具体包括如下几个部分:
(1)、模型构建
如果每个单一模型对于所有分位数的权重相同,则分位数q的概率预测最优综合模型可以表述如下:
通过解决以下优化问题来估算对应的权重ω:
相反,如果每个单独模型对不同分位数的权重不同,则最优综合模型表示为:
本节将关注每个分位数的预测综合方法。对于每个分位数,权重ω的确定被转换为求解Q个优化问题,其中第q个问题是:
(2)、数据拆分
直接利用公式2和公式4优化权重可能存在过学习的风险,因此在原始训练集划分出一部分验证集以降低过学习的风险。于是整个数据集被分为四个部分:第一部分T1用于训练单一的模型;第二部分T2用于验证和调整每个模型的超参数调整;第三部分T3用于测试每个单独的模型,预测结果用于公式2或公式4中的模型综合从而降低过学习风险。最后的T4部分用于测试最终的预测组合模型。由于公式2和公式4的求解方法是相同的,因此下面以公式2为例说明模型组合算法。
(3)、模型综合
本小节提出了一种用于求解模型综合优化问题的算法。仅根据有限数量的分位数无法获得完整的概率分布,因此也无法通过几个分位数分布的加权和计算出某个分位数。可以简单地通过所有分布的q分位数的加权和来估计几个分布的加权和的q分位数:
因此,公式2中的损失函数可以重写如下:
如果没有公式7中的最后一个约束,该问题则变为线性优化(LP)问题。将公式7中没有最后一个约束的模型记为RLP模型。可以用反证法来证明RLP的最优解也是模型公式7的最优解:
因此,模型(公式4示出的)可以转换为一个有多T个优化变量和2×T个约束的近似组合分位数的LP问题。
(4)、方法比较
该部分给出九种方法与本实施例的方法进行比较,其中包括简单排序法,中值法,简单平均法,加权平均法,以及三种分位数回归平均(QRA)方法和两种含约束的分位数回归平均(CQRA)方法。
1)简单排序法(NS):每个预测模型将产生Q个分位数,从某种意义上,通过N个预测模型可以得到N×Q个分位数。通过对这些观察值进行降序排序,可以获得新的序列St={St,j,j=[1,Q×N]}。因此q分位数估计如下:
2)中值法(MED):选择N个模型的所有第q个分位数中的中值作为最终分位数:
3)简单平均法(SA):简单平均地给所有的预测模型赋予相同的权重,然后根据公式15得到最终的综合模型:
wn,q=1/N(公式10)
4)加权平均法(WA):其基本思想是模型预测精度越高,赋予权重越大:
5)QRAE:如上上述,N个预测模型产生N×Q个分位数。这些分位数也可以被视为N×Q个点预测,表示为SAt|1×(Q×N)。于是可以计算分位数的平均值SEt|1×N,其中,分位数平均值SEt,n的元素计算如下:
QRA-E将线性分位数回归应用于Q个分位数的平均值SEt:
进而,通过最小化分位数损失函数来确定最优权重:
6)QRAA:与QRAE相比,QRAA不是在分位数平均值上进行QRA,而是对所有分位数直接应用线性分位数回归来产生新的分位数SAt:
7)QRA-T:还可以从SAt,q为QRA选择q个目标分位数。目标分位数STt,q|1×N选择如下:
STt,q,n=SAt,Q×(n-1)+q (公式16)
表1各种基于分位数回归平均的综合模型
表1从是否存在模型权重非负且加和为1的约束和具体考虑哪些分位数两个方面总结了各种QRA方法。
与QRA-A相比,QRA-E的回归是第q个目标分位数STt,q:
8)CQRA-E:与QRA-E相比,CQRA-E的增加了权重非负且加和为1的约束:
9)CQRA-A:与CQRA-E相比,CQRA-A对所有分位数进行含约束的回归SAt:
综上,概率性负荷预测的最优综合模型以分位数损失作为核心,将最优综合模型转化成为易于求解的线性优化问题从而高效求解,对于极端因素条件下负荷预测表现出较好的性能。
概率预测能够为众多随机优化问题提供边界条件,而从负荷建模的角度来看,也是对其不确定性的度量。较为规律的负荷预测精度往往较高,反之亦然。不同的预测方法就像不同的“尺子”可能得到不同的不确定性度量结果。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
1)、本申请的电力***概率性短期负荷的预测方法,通过基于基于电力***构建多个概率性负荷预测模型,根据各概率性负荷预测模型对应于多个分位数,以及各分位数的权重,确定综合预测模型,该综合预测模型可以实现对对电力***的短期负荷的精确预测,该综合预测模型不仅适用于极端因素影响下的电力***,同样适用于非极端因素影响下的电力***。解决了负荷预测方法的适用范围较小,预测精度较低的问题。
2)、本申请的电力***概率性短期负荷的预测装置,构建单元基于基于电力***构建多个概率性负荷预测模型,根据各概率性负荷预测模型对应于多个分位数,以及各分位数的权重,确定综合预测模型,该综合预测模型可以实现对对电力***的短期负荷的精确预测,该综合预测模型不仅适用于极端因素影响下的电力***,同样适用于非极端因素影响下的电力***。解决了负荷预测方法的适用范围较小,预测精度较低的问题。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种电力***概率性短期负荷的预测方法,其特征在于,包括:
基于电力***构建多个概率性负荷预测模型,各所述概率性负荷预测模型对应于多个分位数;
确定各所述分位数的权重;
根据各所述分位数的所述权重和各所述概率性负荷预测模型,得到综合预测模型;
根据所述综合预测模型对电力***的短期负荷进行预测。
8.一种电力***概率性短期负荷的预测装置,其特征在于,包括:
构建单元,用于基于电力***构建多个概率性负荷预测模型,各所述概率性负荷预测模型对应于多个分位数;
确定单元,用于确定各所述分位数的权重;
处理单元,用于根据各所述分位数的所述权重和各所述概率性负荷预测模型,得到综合预测模型;
预测单元,用于根据所述综合预测模型对电力***的短期负荷进行预测。
9.一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包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的电力***概率性短期负荷的预测方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的电力***概率性短期负荷的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011308426.5A CN112308337A (zh) | 2020-11-19 | 2020-11-19 | 电力***概率性短期负荷的预测方法、预测装置与处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011308426.5A CN112308337A (zh) | 2020-11-19 | 2020-11-19 | 电力***概率性短期负荷的预测方法、预测装置与处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308337A true CN112308337A (zh) | 2021-02-02 |
Family
ID=74336222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011308426.5A Pending CN112308337A (zh) | 2020-11-19 | 2020-11-19 | 电力***概率性短期负荷的预测方法、预测装置与处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308337A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113516276A (zh) * | 2021-04-09 | 2021-10-19 | 国网安徽省电力有限公司铜陵供电公司 | 一种基于数据挖掘处理框架的中短期负荷预测方法 |
Citations (4)
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 |
CN109558975A (zh) * | 2018-11-21 | 2019-04-02 | 清华大学 | 一种电力负荷概率密度多种预测结果的集成方法 |
CN109657844A (zh) * | 2018-11-28 | 2019-04-19 | 国电南瑞科技股份有限公司 | 电力短期负荷预测方法和装置 |
CN111860977A (zh) * | 2020-06-30 | 2020-10-30 | 清华大学 | 短期负荷的概率预测方法和概率预测装置 |
-
2020
- 2020-11-19 CN CN202011308426.5A patent/CN112308337A/zh active Pending
Patent Citations (4)
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 |
CN109558975A (zh) * | 2018-11-21 | 2019-04-02 | 清华大学 | 一种电力负荷概率密度多种预测结果的集成方法 |
CN109657844A (zh) * | 2018-11-28 | 2019-04-19 | 国电南瑞科技股份有限公司 | 电力短期负荷预测方法和装置 |
CN111860977A (zh) * | 2020-06-30 | 2020-10-30 | 清华大学 | 短期负荷的概率预测方法和概率预测装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113516276A (zh) * | 2021-04-09 | 2021-10-19 | 国网安徽省电力有限公司铜陵供电公司 | 一种基于数据挖掘处理框架的中短期负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107464023B (zh) | 生命周期预测模型的在线学习方法和设备 | |
CN109697977B (zh) | 语音识别方法和设备 | |
CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
KR102239464B1 (ko) | 심층 구조를 이용한 전력 수요 예측 방법 및 장치 | |
CN112990587B (zh) | 一种对台区用电进行精准预测的方法及***、设备、介质 | |
CN112308337A (zh) | 电力***概率性短期负荷的预测方法、预测装置与处理器 | |
Li et al. | Efficient resource scaling based on load fluctuation in edge-cloud computing environment | |
Sina et al. | Short term load forecasting model based on kernel-support vector regression with social spider optimization algorithm | |
CN111355246B (zh) | 用于调相机的无功补偿的预测方法、***及存储介质 | |
CN114936085A (zh) | 基于深度学习算法的etl调度方法及装置 | |
CN113449257A (zh) | 配电网线损的预测方法、控制装置、及存储介质 | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及*** | |
CN113837383B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN112487612A (zh) | 基于分配因子和信息熵的母线负荷组合预测方法及*** | |
CN112270454B (zh) | 极端因素影响下的电力***短期负荷预测方法与预测装置 | |
CN112381315A (zh) | 一种基于pso优化的ls-svm智能台区负荷预测方法及*** | |
CN117252288A (zh) | 一种区域资源有功支撑能力预测方法及*** | |
CN116933451A (zh) | 基于Petri网的多维架构映射关系模型评价方法、装置及设备 | |
CN112926801A (zh) | 一种基于分位数回归的负荷曲线组合预测方法及装置 | |
CN112070354A (zh) | 电网设备运行效率评估方法 | |
CN117495032A (zh) | 一种园区能源分配方法、装置、设备及介质 | |
CN117896671B (zh) | 一种蓝牙aoa基站智能管理方法及*** | |
CN116629133A (zh) | 一种建筑多区域温度的预测方法、设备及介质 | |
CN118152140A (zh) | 电网***算力资源的调度分配方法及可读存储介质 | |
Miroshnyk et al. | Short-Term Load Forecasting in Electrical Networks and Systems with Artificial Neural Networks and Taking into Account Additional Factors |
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 |
Application publication date: 20210202 |
|
RJ01 | Rejection of invention patent application after publication |