CN112801388A - 一种基于非线性时间序列算法的电力负荷预测方法及*** - Google Patents
一种基于非线性时间序列算法的电力负荷预测方法及*** Download PDFInfo
- Publication number
- CN112801388A CN112801388A CN202110153953.1A CN202110153953A CN112801388A CN 112801388 A CN112801388 A CN 112801388A CN 202110153953 A CN202110153953 A CN 202110153953A CN 112801388 A CN112801388 A CN 112801388A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- power load
- module
- prediction
- 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
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于非线性时间序列算法的电力负荷预测方法及***,所述电力负荷预测方法包括以下步骤:构建电力负荷预测指标体系;基于ETL技术,抽取历史每日用电负荷数据、温度、湿度、节假日类别附加分析指标数据,构建电力负荷预测主题数据集;基于神经网络回归模型的异常检测算法对历史用电负荷数据和附加分析指标数据进行异常检测,并删除异常值;构建训练数据集和评估数据集;基于自适应非线性时间序列算法,构建用电负荷预测模型;基于评估数据集,对用电负荷预测模型进行评估;输入历史数据、附加分析数据及预测天数,使用已通过评估的电力负荷预测模型对未来时间段的每日用电负荷进行预测。本发明提升了电力负荷模型预测精度。
Description
技术领域
本发明属于电力负荷预测技术领域,尤其涉及一种基于非线性时间序列算法的电力负荷预测方法及***。
背景技术
在智能电网领域,电力负荷预测已成为电力***进行精细化和智能化管理的重要手段之一。由于用电量的消耗呈现某种趋势性或周期性的变化,电力部门通过对往年用电负荷分析,实现对未来的电力负荷准确预测,从而对社会正常生产和生活中的供电能力进行合理的安排和规划,减少不必要的储备资源,降低成本,提高经济效益和社会效益。
目前传统的电力负荷预测手段,多采用经典时间序列算法进行建模预测,通过对按时间顺序的一组数据应用数理统计方法进行分析,从动态的角度刻画某一现象同其他现象之间的内在关系,进而完成预测未来行为。
但是,由于算法的局限性,传统时间序列算法只考虑了数据的周期性特点,得到的是未来数据与历史数据的线性关系,且预测过程中只考虑历史的用电量因素,未将与电力负荷高度相关的如天气、节假日等其它影响因素纳入到预测模型中,无法满足电力负荷数据在趋势上存在的非线性关系以及受多种因素影响的复杂要求,影响了电力负荷预测精度。此外,使用时间序列算法进行电力负荷预测还存在对数据平稳化敏感、且模型调优参数过多、优化困难等问题。
为解决以上问题,本发明提出一种基于非线性时间序列算法的电力负荷预测方法和***,用以降低电力负荷预测模型高估调优难度,提升高电力负荷预测精度。
发明内容
为了解决上述技术问题,本发明提供一种基于非线性时间序列算法的电力负荷预测方法及***,所述电力负荷预测方法包括以下步骤:
步骤S1:构建电力负荷预测指标体系;
步骤S2:基于ETL技术,抽取历史每日用电负荷数据、温度、湿度、节假日类别附加分析指标数据,构建电力负荷预测主题数据集;
步骤S3:基于神经网络回归模型的异常检测算法对历史用电负荷数据和附加分析指标数据进行异常检测,并删除异常值;
步骤S4:构建训练数据集和评估数据集;
步骤S5:基于自适应非线性时间序列算法,构建用电负荷预测模型;
步骤S6:基于评估数据集,对用电负荷预测模型进行评估;
步骤S7:输入历史数据、附加分析数据及预测天数,使用已通过评估的电力负荷预测模型对未来时间段的每日用电负荷进行预测。
优选的,所述步骤S3包括以下步骤:
步骤S31:从电力负荷预测数据宽表中,批量加载全部用电负荷、温度、湿度、降水量数值型指标数据;
步骤S32:遍历所有指标,选择其中一个指标,作为目标指标;
步骤S33:针对当前目标指标,选择其它指标数据作为分析指标,构建BP神经网络回归模型,其中BP神经网络回归模型的层数为三层,将隐含层结点数设置为5,误差控制参数设置为0.00001,激活函数采用Sigmoid函数:
步骤S34:使用训练数据对上一步构建的BP神经网络模型进行评估,计算相关系数、模型均方根误差,模型平均绝对误差;
步骤S35:判断相关系数是否大于给定阈值0.8,如小于,则认为当前模型预测精度过低,无法作为异常检测模型,选择另一个指标作为目标指标,重复步骤S32-S35,若大于指定阈值,则继续步骤S36;
步骤S36:保存该模型、模型对应的目标指标、模型均方根误差以及模型平均绝对误差到模型库,用于后续异常得分计算;
步骤S37:检查是否已遍历所有指标作为目标指标,如未遍历完成,则重复步骤S32-S37,直至遍历所有指标,否则,继续步骤S38;
步骤S38:遍历S36步骤模型库中所有目标指标模型,选择一个模型作为异常检测模型;
步骤S39:对数据集中每条数据,调用上一步选择的模型,对该模型对应的目标指标进行数值预测;
步骤S311:检索是否已遍历所有模型,如未遍历完成,则重复步骤S38-S311,否则,继续步骤S312;
步骤S312:遍历数据集中所有数据,基于S310步骤中各目标指标得分,计算当前数据在所有目标指标上的异常得分的绝对值均值,作为该条数据的异常得分;
步骤S313:将异常得分大于指定阈值,设置阈值为3,即残差超过3倍均方根误差的数据作为异常数据,进行剔除;
步骤S314:输出剔除异常后数据集,以步骤S2中数据宽表形式,用于后续电力负荷预测建模。
优选的,所述步骤S5包括以下步骤
步骤S51:加载电力负荷预测模型训练数据集,将用电量作为目标字段,日期作为时间序列标识字段,余下字段作为附加分析字段;
步骤S52:基于函数拟合算法的目标字段数据平稳化参数自动寻优;
步骤S53:将目标字段数据平稳化;
步骤S54:利用属性筛选算法对附加分析字段自动定阶;
步骤S55:基于BIC准则对目标字段自动定阶;
步骤S56:基于支撑向量机算法非线性自回归内核的模型训练;
步骤S57:生成训练集上单步测试结果。
优选的,所述电力负荷预测***包括:电力负荷预测原始数据采集模块、电力负荷预测原始数据存储模块、电力负荷预测数据预处理模块、电力负荷预测模型构建模块、电力负荷预测模型评估模块、电力负荷预测模块;所述的电力负荷预测原始数据采集模块用于采集历史每天电力负荷数据、相关影响因素数据;所述的电力负荷预测原始数据存储模块用于存储电力负荷预测原始数据、加工清洗后的数据、模型数据、评估结果数据、预测结果数据;所述的电力负荷预测数据预处理模块包括数据清洗转换模块和基于神经网络的异常数据处理模块。
优选的,所述数据清洗转换模块提供数据抽样、字段过滤、离散化、缺失处理的数据处理功能,用于数据清洗转换,构建训练、评估、预测数据,所述的基于神经网络的异常数据处理模块,利用机器学习算法对清洗后的数据进行异常筛选,剔除异常值。
优选的,所述电力负荷预测模型构建模块包括训练数据加载模块、自适应时间序列模型训练模块、模型结果可视化模块;所述的训练数据加载模块用于训练数据读取和建模指标筛选,所述的自适应时间序列模型训练模块提供自动化数据平稳化、模型自动定阶、基于非线性回归内核的时间序列算法,支撑模型训练;所述的模型结果可视化模块提供对模型结果以数值指标、建模拟合图这种可视化形式进行展现。
优选的,所述电力负荷预测模型评估模块包括评估数据加载模块、模型评估模块、评估结果可视化模块;所述的评估数据加载模块用于评估数据读取,所述的模型评估模块提供相关度、平均相对误差率的模型评估指标计算;所述的评估结果可视化模块对测试拟合图的评估结果进行可视化展现。
优选的,所述电力负荷预测模块包括预测数据加载模块、模型预测模块、预测结果可视化模块;所述的预测数据加载模块用于读取预测时间点之前数据,所述的模型预测模块提供对未来指定时间段的电力负荷进行预测功能;所述的预测结果可视化模块对时间序列图的预测结果进行可视化展示。
与现有技术相比,本发明的有益效果为:
1、本发明改进了经典时间序列算法构建电力负荷模型时只基于历史用电数据单一指标以及线性模型的问题,加入温度、节假日多重影响因素,同时,加入了非线性回归内核,提升电力负荷模型预测精度。
2、本发明在构建电力负荷模型过程中,采用基于BP神经网络回归模型的自动化寻优方法,如异常数据检测方法、自适应数据平稳化方法、自动模型定阶方法,大量减少了人工调参工作量,有效降低模型构建难度,进一步提高模型构建效率和预测精度。
附图说明
图1为本发明的总体流程图;
图2为本发明的电力负荷预测主题数据集的结构示意图;
图3为本发明的总体结构示意图;
图4为本发明的基于神经网络回归模型的异常检测算法处理流程图;
图5为本发明的基于自适应非线性时间序列算法模型构建处理流程图。
具体实施方式
以下结合附图对本发明做进一步描述:
实施例:
如附图1所示,一种基于自适应非线性时间序列算法的电力负荷预测方法,其中包含以下步骤:
步骤S1:构建电力负荷预测指标体系:目标是对指定地区未来指定时间范围每日用电负荷进行预测,针对历史每日电力负荷数据特点和相关重要影响因素分析,确定除采用历史每日用电负荷数据作为基础预测指标外,还加入月份、星期、是否为传统节假日、节假日类别、节假日第几天、最高温度、最低温度、湿度、风力、降水量作为附加分析指标,
步骤S2:基于ETL技术,从异构数据源中抽取如历史每日用电负荷数据、温度、湿度、节假日的分析指标数据,通过字段合并、格式化、数值转换这些预处理方法,如附图2所示,构建电力负荷预测主题数据集,形成数据宽表;
步骤S3:基于神经网络回归模型的异常检测算法对历史用电负荷数据和其它数值型分析指标数据进行异常检测,该方法可同时多个指标异常数据进行综合评估,剔除明显异常数据,避免电力负荷预测建模过程受异常数据干扰,如附图4所示,步骤S3的具体实施过程,内容如下:
步骤S31:从电力负荷预测数据宽表中,批量加载全部用电负荷、温度、湿度、降水量数值型指标数据;
步骤S32:遍历所有指标,选择其中一个指标,作为目标指标;
步骤S33:针对当前目标指标,选择其它指标数据作为分析指标,构建BP神经网络回归模型,其中BP神经网络回归模型的层数为三层,将隐含层结点数设置为5,误差控制参数设置为0.00001,激活函数采用Sigmoid函数:
步骤S34:使用训练数据对上一步构建的BP神经网络模型进行评估,计算相关系数、模型均方根误差,模型平均绝对误差;
步骤S35:判断相关系数是否大于给定阈值0.8,如小于,则认为当前模型预测精度过低,无法作为异常检测模型,选择另一个指标作为目标指标,重复步骤S32-S35,若大于指定阈值,则继续步骤S36;
步骤S36:保存该模型、模型对应的目标指标、模型均方根误差以及模型平均绝对误差到模型库,用于后续异常得分计算;
步骤S37:检查是否已遍历所有指标作为目标指标,如未遍历完成,则重复步骤S32-S37,直至遍历所有指标,否则,继续步骤S38;
步骤S38:遍历S36步骤模型库中所有目标指标模型,选择一个模型作为异常检测模型;
步骤S39:对数据集中每条数据,调用上一步选择的模型,对该模型对应的目标指标进行数值预测;
步骤S311:检索是否已遍历所有模型,如未遍历完成,则重复步骤S38-S311。
否则,继续步骤S312;
步骤S312:遍历数据集中所有数据,基于S310步骤中各目标指标得分,计算当前数据在所有目标指标上的异常得分的绝对值均值,作为该条数据的异常得分;
步骤S313:将异常得分大于指定阈值,设置阈值为3,即残差超过3倍均方根误差的数据作为异常数据,进行剔除;
步骤S314:输出剔除异常后数据集,以步骤S2中数据宽表形式,用于后续电力负荷预测建模;
步骤S4:构建电力负荷预测模型训练数据集和评估数据集,基于步骤S3中异常处理后的数据集,提取日期为近30天的数据,作为评估数据集,用于电力负荷模型评估,30天之前的数据作为训练数据集,用于训练电力负荷模型;
步骤S5:基于自适应非线性时间序列算法,构建用电负荷预测模型,如附图5所示,详细说明步骤S5的具体实施过程,内容如下:
步骤S51:加载电力负荷预测模型训练数据集,将用电量作为目标字段,日期作为时间序列标识字段,余下字段作为附加分析字段;
步骤S52:基于函数拟合算法的目标字段数据平稳化参数自动寻优,通过对数据进行平稳化处理,以得到一个平稳的时间序列数据。采用Box-Cox幂变换方差平稳化算法,其中,Box-Cox幂变换为:
设方差平稳化系数为δ,(0≤δ≤1);
如果δ=0,则ai=log10ai;
如果δ=1,则ai不转换;
在Box-Cox幂变换之前,使用函数拟合算法,计算δ。
步骤S53:目标字段数据平稳化,基于步骤S52计算的方差平稳化系数,对于目标字段用电量进行数据平稳化;
步骤S54:利用属性筛选算法对附加分析字段自动定阶。对各附加分析字段进行时滞变换,通过CFS算法对时滞变换后的字段进行筛选从而确定每个附加分析字段的阶数;
步骤S55:基于BIC准则的目标字段自动定阶,采用BIC最佳准则函数法对目标字段进行定阶,BIC准则函数定义如下:
步骤S56:基于支撑向量机算法非线性自回归内核的模型训练,基于步骤S54、S55确定的各字段阶数,以目标字段和附加分析字段的各阶时滞数据作为模型输入,目标字段各时刻数据作为目标输出,基于支撑向量机算法进行回归模型训练,为了提高精度,核函数选用径向基核函数,即惩罚因子设置为1,误差控制设置为0.000001;
步骤S57:生成训练集上单步测试结果。基于训练数据集中历史用电量数据和附加分析字段,使用步骤S56训练的模型进行单步预测,用于评估模型在训练数据中的拟合结果;
步骤S6:基于评估数据集,对用电负荷预测模型进行评估,使用步骤S5构建的模型,对近30天的用电负荷进行预测,并与实际用电负荷进行比对,采用相关系数、平均相对误差率作为评估指标,通常相关系数大于90%,平均相对误差率小于10%模型,可作为理想模型进行电力负荷预测。
相关系数:实际值和预测值的Spearman相关系数
步骤S7:输入历史数据、预测数据及预测步长,使用已通过评估的电力负荷预测模型进行用电负荷预测,基于当前日期之前的历史用电量数据,设置预测步长为15天,同时输入未来15天的分析指标数据,如温度、湿度、风力、节假日,调用步骤S6通过评估评估的预测模型对未来15天的每日电力负荷进行预测。
如附图3所示,具体的,所述电力负荷预测***包括:电力负荷预测原始数据采集模块、电力负荷预测原始数据存储模块、电力负荷预测数据预处理模块、电力负荷预测模型构建模块、电力负荷预测模型评估模块、电力负荷预测模块;所述的电力负荷预测原始数据采集模块用于采集历史每天电力负荷数据、相关影响因素数据;所述的电力负荷预测原始数据存储模块用于存储电力负荷预测原始数据、加工清洗后的数据、模型数据、评估结果数据、预测结果数据;所述的电力负荷预测数据预处理模块包括数据清洗转换模块和基于神经网络的异常数据处理模块。
具体的,所述数据清洗转换模块提供数据抽样、字段过滤、离散化、缺失处理的数据处理功能,用于数据清洗转换,构建训练、评估、预测数据,所述的基于神经网络的异常数据处理模块,利用机器学习算法对清洗后的数据进行异常筛选,剔除异常值。
具体的,所述电力负荷预测模型构建模块包括训练数据加载模块、自适应时间序列模型训练模块、模型结果可视化模块;所述的训练数据加载模块用于训练数据读取和建模指标筛选,所述的自适应时间序列模型训练模块提供自动化数据平稳化、模型自动定阶、基于非线性回归内核的时间序列算法,支撑模型训练;所述的模型结果可视化模块提供对模型结果以数值指标、建模拟合图这种可视化形式进行展现。
具体的,所述电力负荷预测模型评估模块包括评估数据加载模块、模型评估模块、评估结果可视化模块;所述的评估数据加载模块用于评估数据读取,所述的模型评估模块提供相关度、平均相对误差率的模型评估指标计算;所述的评估结果可视化模块对测试拟合图的评估结果进行可视化展现。
具体的,所述电力负荷预测模块包括预测数据加载模块、模型预测模块、预测结果可视化模块;所述的预测数据加载模块用于读取预测时间点之前数据,所述的模型预测模块提供对未来指定时间段的电力负荷进行预测功能;所述的预测结果可视化模块对时间序列图的预测结果进行可视化展示。
利用本发明所述的技术方案,或本领域的技术人员在本发明技术方案的启发下,设计出类似的技术方案,而达到上述技术效果的,均是落入本发明的保护范围。
Claims (8)
1.一种基于非线性时间序列算法的电力负荷预测方法及***,其特征在于,所述电力负荷预测方法包括以下步骤:
步骤S1:构建电力负荷预测指标体系;
步骤S2:基于ETL技术,抽取历史每日用电负荷数据、温度、湿度、节假日类别附加分析指标数据,构建电力负荷预测主题数据集;
步骤S3:基于神经网络回归模型的异常检测算法对历史用电负荷数据和附加分析指标数据进行异常检测,并删除异常值;
步骤S4:构建训练数据集和评估数据集;
步骤S5:基于自适应非线性时间序列算法,构建用电负荷预测模型;
步骤S6:基于评估数据集,对用电负荷预测模型进行评估;
步骤S7:输入历史数据、附加分析数据及预测天数,使用已通过评估的电力负荷预测模型对未来时间段的每日用电负荷进行预测。
2.如权利要求1所述的一种基于非线性时间序列算法的电力负荷预测方法及***,其特征在于,所述步骤S3包括以下步骤:
步骤S31:从电力负荷预测数据宽表中,批量加载全部用电负荷、温度、湿度、降水量数值型指标数据;
步骤S32:遍历所有指标,选择其中一个指标,作为目标指标;
步骤S33:针对当前目标指标,选择其它指标数据作为分析指标,构建BP神经网络回归模型,其中BP神经网络回归模型的层数为三层,将隐含层结点数设置为5,误差控制参数设置为0.00001,激活函数采用Sigmoid函数:
步骤S34:使用训练数据对上一步构建的BP神经网络模型进行评估,计算相关系数、模型均方根误差,模型平均绝对误差;
步骤S35:判断相关系数是否大于给定阈值0.8,如小于,则认为当前模型预测精度过低,无法作为异常检测模型,选择另一个指标作为目标指标,重复步骤S32-S35,若大于指定阈值,则继续步骤S36;
步骤S36:保存该模型、模型对应的目标指标、模型均方根误差以及模型平均绝对误差到模型库,用于后续异常得分计算;
步骤S37:检查是否已遍历所有指标作为目标指标,如未遍历完成,则重复步骤S32-S37,直至遍历所有指标,否则,继续步骤S38;
步骤S38:遍历S36步骤模型库中所有目标指标模型,选择一个模型作为异常检测模型;
步骤S39:对数据集中每条数据,调用上一步选择的模型,对该模型对应的目标指标进行数值预测;
步骤S311:检索是否已遍历所有模型,如未遍历完成,则重复步骤S38-S311,否则,继续步骤S312;
步骤S312:遍历数据集中所有数据,基于S310步骤中各目标指标得分,计算当前数据在所有目标指标上的异常得分的绝对值均值,作为该条数据的异常得分;
步骤S313:将异常得分大于指定阈值,设置阈值为3,即残差超过3倍均方根误差的数据作为异常数据,进行剔除;
步骤S314:输出剔除异常后数据集,以步骤S2中数据宽表形式,用于后续电力负荷预测建模。
3.如权利要求1所述的一种基于非线性时间序列算法的电力负荷预测方法及***,其特征在于,所述步骤S5包括以下步骤
步骤S51:加载电力负荷预测模型训练数据集,将用电量作为目标字段,日期作为时间序列标识字段,余下字段作为附加分析字段;
步骤S52:基于函数拟合算法的目标字段数据平稳化参数自动寻优;
步骤S53:将目标字段数据平稳化;
步骤S54:利用属性筛选算法对附加分析字段自动定阶;
步骤S55:基于BIC准则对目标字段自动定阶;
步骤S56:基于支撑向量机算法非线性自回归内核的模型训练;
步骤S57:生成训练集上单步测试结果。
4.如权利要求1所述的一种基于非线性时间序列算法的电力负荷预测方法及***,其特征在于,所述电力负荷预测***包括:电力负荷预测原始数据采集模块、电力负荷预测原始数据存储模块、电力负荷预测数据预处理模块、电力负荷预测模型构建模块、电力负荷预测模型评估模块、电力负荷预测模块;所述的电力负荷预测原始数据采集模块用于采集历史每天电力负荷数据、相关影响因素数据;所述的电力负荷预测原始数据存储模块用于存储电力负荷预测原始数据、加工清洗后的数据、模型数据、评估结果数据、预测结果数据;所述的电力负荷预测数据预处理模块包括数据清洗转换模块和基于神经网络的异常数据处理模块。
5.如权利要求4所述的一种基于非线性时间序列算法的电力负荷预测方法及***,其特征在于,所述数据清洗转换模块提供数据抽样、字段过滤、离散化、缺失处理的数据处理功能,用于数据清洗转换,构建训练、评估、预测数据,所述的基于神经网络的异常数据处理模块,利用机器学习算法对清洗后的数据进行异常筛选,剔除异常值。
6.如权利要求4所述的一种基于非线性时间序列算法的电力负荷预测方法及***,其特征在于,所述电力负荷预测模型构建模块包括训练数据加载模块、自适应时间序列模型训练模块、模型结果可视化模块;所述的训练数据加载模块用于训练数据读取和建模指标筛选,所述的自适应时间序列模型训练模块提供自动化数据平稳化、模型自动定阶、基于非线性回归内核的时间序列算法,支撑模型训练;所述的模型结果可视化模块提供对模型结果以数值指标、建模拟合图这种可视化形式进行展现。
7.如权利要求4所述的一种基于非线性时间序列算法的电力负荷预测方法及***,其特征在于,所述电力负荷预测模型评估模块包括评估数据加载模块、模型评估模块、评估结果可视化模块;所述的评估数据加载模块用于评估数据读取,所述的模型评估模块提供相关度、平均相对误差率的模型评估指标计算;所述的评估结果可视化模块对测试拟合图的评估结果进行可视化展现。
8.如权利要求4所述的一种基于非线性时间序列算法的电力负荷预测方法及***,其特征在于,所述电力负荷预测模块包括预测数据加载模块、模型预测模块、预测结果可视化模块;所述的预测数据加载模块用于读取预测时间点之前数据,所述的模型预测模块提供对未来指定时间段的电力负荷进行预测功能;所述的预测结果可视化模块对时间序列图的预测结果进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153953.1A CN112801388B (zh) | 2021-02-04 | 2021-02-04 | 一种基于非线性时间序列算法的电力负荷预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153953.1A CN112801388B (zh) | 2021-02-04 | 2021-02-04 | 一种基于非线性时间序列算法的电力负荷预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801388A true CN112801388A (zh) | 2021-05-14 |
CN112801388B CN112801388B (zh) | 2022-11-08 |
Family
ID=75814119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110153953.1A Active CN112801388B (zh) | 2021-02-04 | 2021-02-04 | 一种基于非线性时间序列算法的电力负荷预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801388B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118595A (zh) * | 2021-11-30 | 2022-03-01 | 深圳市国电科技通信有限公司 | 用电负荷预测的方法、***、存储介质及电子设备 |
CN115498629A (zh) * | 2022-09-06 | 2022-12-20 | 清华大学 | 一种场景增强型电力负荷运行控制方法及装置 |
CN117439101A (zh) * | 2023-12-21 | 2024-01-23 | 武汉市豪迈电力自动化技术有限责任公司 | 一种用于电网中新能源与柔性负荷互动的智能网络 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779069A (zh) * | 2016-12-08 | 2017-05-31 | 国家电网公司 | 一种基于神经网络的异常用电检测方法 |
CN107609667A (zh) * | 2017-07-20 | 2018-01-19 | 国网山东省电力公司电力科学研究院 | 基于Box_cox变换和UFCNN的供热负荷预测方法及*** |
US20180300737A1 (en) * | 2017-04-17 | 2018-10-18 | Nexosis, Inc. | Methods and apparatus for self-adaptive time series forecasting engine |
CN110298501A (zh) * | 2019-06-21 | 2019-10-01 | 河海大学常州校区 | 基于长短时记忆神经网络的电负荷预测方法 |
CN110909912A (zh) * | 2019-10-08 | 2020-03-24 | 西安交通大学 | 基于自适应误差反馈的园区电力***净负荷组合预测方法 |
CN111667377A (zh) * | 2020-04-24 | 2020-09-15 | 南方电网能源发展研究院有限责任公司 | 一种全自动用电量预测方法及其*** |
-
2021
- 2021-02-04 CN CN202110153953.1A patent/CN112801388B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779069A (zh) * | 2016-12-08 | 2017-05-31 | 国家电网公司 | 一种基于神经网络的异常用电检测方法 |
US20180300737A1 (en) * | 2017-04-17 | 2018-10-18 | Nexosis, Inc. | Methods and apparatus for self-adaptive time series forecasting engine |
CN107609667A (zh) * | 2017-07-20 | 2018-01-19 | 国网山东省电力公司电力科学研究院 | 基于Box_cox变换和UFCNN的供热负荷预测方法及*** |
CN110298501A (zh) * | 2019-06-21 | 2019-10-01 | 河海大学常州校区 | 基于长短时记忆神经网络的电负荷预测方法 |
CN110909912A (zh) * | 2019-10-08 | 2020-03-24 | 西安交通大学 | 基于自适应误差反馈的园区电力***净负荷组合预测方法 |
CN111667377A (zh) * | 2020-04-24 | 2020-09-15 | 南方电网能源发展研究院有限责任公司 | 一种全自动用电量预测方法及其*** |
Non-Patent Citations (1)
Title |
---|
周福举等: "基于BP神经网络的线损不良数据辨识及其预测", 《节能》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118595A (zh) * | 2021-11-30 | 2022-03-01 | 深圳市国电科技通信有限公司 | 用电负荷预测的方法、***、存储介质及电子设备 |
CN115498629A (zh) * | 2022-09-06 | 2022-12-20 | 清华大学 | 一种场景增强型电力负荷运行控制方法及装置 |
CN117439101A (zh) * | 2023-12-21 | 2024-01-23 | 武汉市豪迈电力自动化技术有限责任公司 | 一种用于电网中新能源与柔性负荷互动的智能网络 |
CN117439101B (zh) * | 2023-12-21 | 2024-06-04 | 武汉市豪迈电力自动化技术有限责任公司 | 一种用于电网中新能源与柔性负荷互动的智能网络 |
Also Published As
Publication number | Publication date |
---|---|
CN112801388B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及*** | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN109376953B (zh) | 一种中长期电量预测方法及*** | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及*** | |
CN110135635B (zh) | 一种区域电力饱和负荷预测方法及*** | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111210170A (zh) | 基于90%用电分布特征指标的环保管控监测及评价方法 | |
CN114169434A (zh) | 一种负荷预测方法 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及***、设备、介质 | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN112132334A (zh) | 一种用于城市生活垃圾产量的预测方法 | |
CN114548494B (zh) | 一种可视化造价数据预测智能分析*** | |
CN115222138A (zh) | 一种基于eemd-lstm微网光伏短期功率区间预测方法 | |
CN117851908B (zh) | 一种改进的在线低压台区电能表失准监测方法及装置 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN116826745B (zh) | 一种电力***背景下的分层分区短期负荷预测方法及*** | |
CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
CN117277312A (zh) | 一种基于灰色关联分析的电力负荷影响因素方法及设备 | |
CN117034197A (zh) | 基于多维Isolate-Detect多变点检测的企业用电典型模式分析方法 | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN115438832A (zh) | 节假日期间燃气负荷预测方法及*** | |
CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 |
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 |