CN113379564A - 电网负荷预测方法、装置及终端设备 - Google Patents
电网负荷预测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN113379564A CN113379564A CN202110377299.2A CN202110377299A CN113379564A CN 113379564 A CN113379564 A CN 113379564A CN 202110377299 A CN202110377299 A CN 202110377299A CN 113379564 A CN113379564 A CN 113379564A
- Authority
- CN
- China
- Prior art keywords
- influence factor
- data
- power grid
- value
- predicted
- 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 55
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 238000012098 association analyses Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation 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
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种电网负荷预测方法、装置及终端设备,该方法包括:构建电网负荷的影响因素集,并获取历史时段影响因素集中各个影响因素的值、以及各个影响因素值对应的历史负荷数据,计算各个影响因素与电网负荷的关联度,并基于各个影响因素与电网负荷的关联度筛选得到目标影响因素;对历史负荷数据进行聚类,得到多个数据类;基于每个数据类中历史负荷数据对应的目标影响因素值训练得到各个数据类对应的神经网络模型;获取预测时段对应的预测影响因素值,并确定预测影响因素值对应的数据类,将预测影响因素值输入至其所对应的数据类中,得到电网负荷的预测值。本发明提供的电网负荷预测方法、装置及终端设备能够提高电网负荷的预测精度。
Description
技术领域
本发明属于电网负荷预测技术领域,更具体地说,是涉及一种电网负荷预测方法、装置及终端设备。
背景技术
负荷预测是电网规划的基础,对指导电网建设有着重要意义。当前电力***负荷预测方法主要包括单耗法、实践序列法、灰色预测法等。
其中,单耗法通过对相应适当产品或产值具体单耗分析,得出对应预测结果,单耗法本身所具有的程序复杂,所需基础数据较多特点,整体运用时间成本较高;时间序列法则是以电力负荷随机变量原理,从电力负荷历史材料等方面进行综合考量,通过识别相应随机模型估计模型参数,以此对相应电力负荷做实时变化规律分析,得出负荷预测,其所需参考数据较少,应用过程工作量相对较小,但与此同时其因负荷变化缺乏规律性,所存在的预测结果存在误差性风险相对较高;灰色预测法作为电力***负荷预测方法中较为现代化的一种方法,主要按照对重点数据的分析利用,明确其分布规律以及变化趋势同时,得出相应负荷预测数值,其所具有的便于检验容易掌握特性较为明显,最终预测精准度相对较高,但其只适用于短期电力***负荷预测。
也就是说,上述预测方法的针对性较高、局限性较强,在实际运用期间必须分析并按照区域负荷特性做相应使用,否则便会出现预测结果偏差较大的现象。因此如何提供一种适用性较强的负荷预测方法,提高电网负荷预测的精确度成为本领域亟需解决的问题。
发明内容
本发明的目的在于提供一种电网负荷预测方法、装置及终端设备,以提高电网负荷的预测精度。
本发明实施例的第一方面,提供了一种电网负荷预测方法,包括:
构建电网负荷的影响因素集,并获取历史时段所述影响因素集中各个影响因素的值、以及各个影响因素值对应的历史负荷数据;
基于各个影响因素的值、以及各个影响因素值对应的历史负荷数据计算各个影响因素与电网负荷的关联度,并基于各个影响因素与电网负荷的关联度筛选得到目标影响因素;
对所述历史负荷数据进行聚类,得到多个数据类;基于每个数据类中历史负荷数据对应的目标影响因素值训练得到各个数据类对应的神经网络模型;
获取预测时段对应的预测影响因素值,并确定预测影响因素值对应的数据类,将预测影响因素值输入至其所对应的数据类中,得到电网负荷的预测值。
本发明实施例的第二方面,提供了一种电网负荷预测装置,包括:
数据获取模块,用于构建电网负荷的影响因素集,并获取历史时段所述影响因素集中各个影响因素的值、以及各个影响因素值对应的历史负荷数据;
目标因素筛选模块,用于基于各个影响因素的值、以及各个影响因素值对应的历史负荷数据计算各个影响因素与电网负荷的关联度,并基于各个影响因素与电网负荷的关联度筛选得到目标影响因素;
网络模型训练模块,用于对所述历史负荷数据进行聚类,得到多个数据类;基于每个数据类中历史负荷数据对应的目标影响因素值训练得到各个数据类对应的神经网络模型;
负荷预测模块,用于获取预测时段对应的预测影响因素值,并确定预测影响因素值对应的数据类,将预测影响因素值输入至其所对应的数据类中,得到电网负荷的预测值。
本发明实施例的第三方面,提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中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计算机程序时实现上述的电网负荷预测方法的步骤。
本发明实施例的第四方面,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存储有计算机程序,所述计算机程序被处理器执行时实现上述的电网负荷预测方法的步骤。
本发明实施例提供的电网负荷预测方法、装置及终端设备的有益效果在于:
本发明构建了电网负荷的影响因素集,并筛选出了目标影响因素,相较于现有技术中直接设定影响因素的方法具备更高的准确性。在此基础上,本发明基于历史负荷数据对目标影响因素值进行了聚类(对历史负荷数据进行聚类的同时,也将历史负荷数据对应的目标影响因素值进行了聚类),基于每个数据类对应的目标影响负荷值训练得到了各个数据类对应的神经网络模型,根据预测影响因素值所属的数据类来选择其对应的神经网络模型进行负荷预测,使得神经网络预测模型更具备针对性,从而进一步提高了电网负荷预测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的电网负荷预测方法的流程示意图;
图2为本发明一实施例提供的电网负荷预测装置的结构框图;
图3为本发明一实施例提供的终端设备的示意框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参考图1,图1为本发明一实施例提供的电网负荷预测方法的流程示意图,该方法包括:
S101:构建电网负荷的影响因素集,并获取历史时段影响因素集中各个影响因素的值、以及各个影响因素值对应的历史负荷数据。
在本实施例中,电网负荷的影响因素集中包含预先设定的可能会对电网负荷产生影响的所有因素。其中电网负荷包括电网发电负荷、用电负荷、供电负荷等。其中,影响因素包括但不限于气象因素(气象因素会对用电需求造成影响,此外气象因素也会对供电设备的供电能力造成影响)、地区因素(不同地区的负荷使用情况存在差异)、设备性能因素(不同性能的设备供电能力不同)等。
S102:基于各个影响因素的值、以及各个影响因素值对应的历史负荷数据计算各个影响因素与电网负荷的关联度,并基于各个影响因素与电网负荷的关联度筛选得到目标影响因素。
在本实施例中,目标影响因素指的是对电网负荷影响程度大于预设阈值的因素。
S103:对历史负荷数据进行聚类,得到多个数据类。基于每个数据类中历史负荷数据对应的目标影响因素值训练得到各个数据类对应的神经网络模型。
在本实施例中,对历史负荷数据聚类本质为对历史负荷数据对应的目标影响因素值进行聚类,因此可根据每个数据类对应的目标影响因素值训练得到各个数据类对应的神经网络模型。
S104:获取预测时段对应的预测影响因素值,并确定预测影响因素值对应的数据类,将预测影响因素值输入至其所对应的数据类中,得到电网负荷的预测值。
在本实施例中,预测影响因素值即为预测时段对应的目标影响因素的值。
由上可以得出,本发明实施例构建了电网负荷的影响因素集,并筛选出了目标影响因素,相较于现有技术中直接设定影响因素的方法具备更高的准确性。在此基础上,本发明实施例基于历史负荷数据对目标影响因素值进行了聚类(对历史负荷数据进行聚类的同时,也将历史负荷数据对应的目标影响因素值进行了聚类),基于每个数据类对应的目标影响负荷值训练得到了各个数据类对应的神经网络模型,根据预测影响因素值所属的数据类来选择其对应的神经网络模型进行负荷预测,使得神经网络预测模型更具备针对性,从而进一步提高了电网负荷预测的准确性。
可选地,作为本发明实施例提供的电网负荷预测方法的一种具体实施方式,基于各个影响因素的值、以及各个影响因素值对应的历史负荷数据计算各个影响因素与电网负荷的关联度,包括:
将各个影响因素值对应的历史负荷数据作为参考序列,将各个影响因素的值作为比较序列,基于灰色关联分析确定各个影响因素与电网负荷的关联度。
在本实施例中,可基于灰色关联分析的方法计算各个影响因素与电网负荷的关联度。
可选地,作为本发明实施例提供的电网负荷预测方法的一种具体实施方式,基于各个影响因素与电网负荷的关联度筛选得到目标影响因素,包括:
将与电网负荷的关联度大于预设关联度的影响因素作为目标影响因素。
在本实施例中,若某个影响因素与电网负荷的关联度大于预设关联度,则说明该影响因素对电网的影响程度大于预设阈值,则将该影响因素作为目标影响因素。
可选地,作为本发明实施例提供的电网负荷预测方法的一种具体实施方式,基于每个数据类中历史负荷数据对应的目标影响因素值训练得到各个数据类对应的神经网络模型,包括:
对于任一数据类均执行以下步骤:
S1:将该数据类对应的样本数据划分为训练集和测试集。
其中,该数据类对应的样本数据包括该数据类中的历史负荷数据、以及该数据类中历史负荷数据对应的目标影响因素值。
S2:基于训练集训练卷积神经网络模型,得到初始网络模型,并基于测试集对初始网络模型进行测试。
S3:若测试结果显示初始网络模型的预测精度达到预设精度,则将该初始网络模型作为该数据类对应的神经网络模型。
若测试结果显示初始网络模型的预测精度未达到预设精度,则将测试集中的部分数据转移到现有的训练集中,得到新的训练集,并返回执行步骤S2。
在本实施例中,可将样本数据划分为训练集和测试集以进行神经网络模型的训练,其中,若经过某次训练后,训练得到的初始网络模型的预测精度未达到预设精度,则将测试集中的部分数据转移到训练集中,以丰富样本特征,提高训练速度和训练精度。
可选地,作为本发明实施例提供的电网负荷预测方法的一种具体实施方式,确定预测影响因素值对应的数据类,包括:
将各个数据类对应的目标影响因素值作为参考序列,得到多个参考序列。
将预测影响因素值作为比较序列。
基于灰色关联分析确定预测影响因素值与各个数据类对应的目标影响因素值的关联度,将该关联度最高时对应的数据类作为预测影响因素值对应的数据类。
在本实施例中,可进行二次关联分析,分析预测影响因素值与历史时段的目标影响因素值的关联度,关联度越大,说明预测影响因素值与目标影响因素值的变化规律越相似,则可选择关联度最高的目标影响因素所对应的数据类作为预测影响因素值对应的数据类。
其中,各个数据类的目标影响因素值可以为各个数据类中所有历史负荷数据对应的目标影响因素值的均值。
可选地,作为本发明实施例提供的电网负荷预测方法的一种具体实施方式,确定预测影响因素值对应的数据类,包括:
将各个数据类对应的目标影响因素值作为参考序列,得到多个参考序列。
将预测影响因素值作为比较序列。
基于灰色关联分析确定预测影响因素值与各个数据类对应的目标影响因素值的关联度,将该关联度大于预设阈值时对应的数据类作为预测影响因素值对应的数据类。
在本实施例中,为了进一步提高电网负荷预测的准确性,只要目标影响因素值与预测影响因素值的关联度大于预设阈值,就将该目标影响因素值所属的数据类作为预测影响因素值对应的数据类。
可选地,作为本发明实施例提供的电网负荷预测方法的一种具体实施方式,将预测影响因素值输入至其所对应的数据类中,得到电网负荷的预测值,包括:
若预测影响因素值仅对应一个数据类,则直接将预测影响因素值输入其对应的数据类中,得到电网负荷的预测值。
若预测影响因素值对应至少两个数据类,则将预测影响因素值输入分别输入至其所对应的数据类中,得到多组电网负荷的预测值,根据多组电网负荷的预测值确定电网负荷最终的预测值。
在本实施例中,根据多组电网负荷的预测值确定电网负荷最终的预测值,可以包括:
若多组电网负荷的预测值的标准差小于预设差值,则将多组电网负荷的预测值的均值作为电网负荷最终的预测值。
若多组电网负荷的预测值的标准差不小于预设差值,则将预测影响因素值对应的至少两个数据类合并,得到组合数据类,根据组合数据类对应的(历史时段的)目标影响因素值重新训练神经网络模型,得到组合神经网络模型,将预测影响因素值输入至组合神经网络模型中,得到最终的电网负荷的预测值。
对应于上文实施例的电网负荷预测方法,图2为本发明一实施例提供的电网负荷预测装置的结构框图。为了便于说明,仅示出了与本发明实施例相关的部分。参考图2,该电网负荷预测装置20包括:数据获取模块21、目标因素筛选模块22、网络模型训练模块23、负荷预测模块24。
其中,数据获取模块21,用于构建电网负荷的影响因素集,并获取历史时段影响因素集中各个影响因素的值、以及各个影响因素值对应的历史负荷数据。
目标因素筛选模块22,用于基于各个影响因素的值、以及各个影响因素值对应的历史负荷数据计算各个影响因素与电网负荷的关联度,并基于各个影响因素与电网负荷的关联度筛选得到目标影响因素。
网络模型训练模块23,用于对历史负荷数据进行聚类,得到多个数据类。基于每个数据类中历史负荷数据对应的目标影响因素值训练得到各个数据类对应的神经网络模型。
负荷预测模块24,用于获取预测时段对应的预测影响因素值,并确定预测影响因素值对应的数据类,将预测影响因素值输入至其所对应的数据类中,得到电网负荷的预测值。
可选地,作为本发明实施例提供的电网负荷预测装置的一种具体实施方式,基于各个影响因素的值、以及各个影响因素值对应的历史负荷数据计算各个影响因素与电网负荷的关联度,包括:
将各个影响因素值对应的历史负荷数据作为参考序列,将各个影响因素的值作为比较序列,基于灰色关联分析确定各个影响因素与电网负荷的关联度。
可选地,作为本发明实施例提供的电网负荷预测装置的一种具体实施方式,基于各个影响因素与电网负荷的关联度筛选得到目标影响因素,包括:
将与电网负荷的关联度大于预设关联度的影响因素作为目标影响因素。
可选地,作为本发明实施例提供的电网负荷预测装置的一种具体实施方式,基于每个数据类中历史负荷数据对应的目标影响因素值训练得到各个数据类对应的神经网络模型,包括:
对于任一数据类均执行以下步骤:
S1:将该数据类对应的样本数据划分为训练集和测试集。
其中,该数据类对应的样本数据包括该数据类中的历史负荷数据、以及该数据类中历史负荷数据对应的目标影响因素值。
S2:基于训练集训练卷积神经网络模型,得到初始网络模型,并基于测试集对初始网络模型进行测试。
S3:若测试结果显示初始网络模型的预测精度达到预设精度,则将该初始网络模型作为该数据类对应的神经网络模型。
若测试结果显示初始网络模型的预测精度未达到预设精度,则将测试集中的部分数据转移到现有的训练集中,得到新的训练集,并返回执行步骤S2。
可选地,作为本发明实施例提供的电网负荷预测装置的一种具体实施方式,确定预测影响因素值对应的数据类,包括:
将各个数据类对应的目标影响因素值作为参考序列,得到多个参考序列。
将预测影响因素值作为比较序列。
基于灰色关联分析确定预测影响因素值与各个数据类对应的目标影响因素值的关联度,将该关联度最高时对应的数据类作为预测影响因素值对应的数据类。
可选地,作为本发明实施例提供的电网负荷预测装置的一种具体实施方式,确定预测影响因素值对应的数据类,包括:
将各个数据类对应的目标影响因素值作为参考序列,得到多个参考序列。
将预测影响因素值作为比较序列。
基于灰色关联分析确定预测影响因素值与各个数据类对应的目标影响因素值的关联度,将该关联度大于预设阈值时对应的数据类作为预测影响因素值对应的数据类。
可选地,作为本发明实施例提供的电网负荷预测装置的一种具体实施方式,将预测影响因素值输入至其所对应的数据类中,得到电网负荷的预测值,包括:
若预测影响因素值仅对应一个数据类,则直接将预测影响因素值输入其对应的数据类中,得到电网负荷的预测值。
若预测影响因素值对应至少两个数据类,则将预测影响因素值输入分别输入至其所对应的数据类中,得到多组电网负荷的预测值,根据多组电网负荷的预测值确定电网负荷最终的预测值。
参见图3,图3为本发明一实施例提供的终端设备的示意框图。如图3所示的本实施例中的终端300可以包括:一个或多个处理器301、一个或多个输入设备302、一个或多个输出设备303及一个或多个存储器304。上述处理器301、输入设备302、输出设备303及存储器304通过通信总线305完成相互间的通信。存储器304用于存储计算机程序,计算机程序包括程序指令。处理器301用于执行存储器304存储的程序指令。其中,处理器301被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能,例如图2所示模块21至24的功能。
应当理解,在本发明实施例中,所称处理器301可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备302可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备303可以包括显示器(LCD等)、扬声器等。
该存储器304可以包括只读存储器和随机存取存储器,并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如,存储器304还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器301、输入设备302、输出设备303可执行本发明实施例提供的电网负荷预测方法的第一实施例和第二实施例中所描述的实现方式,也可执行本发明实施例所描述的终端的实现方式,在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令被处理器执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种电网负荷预测方法,其特征在于,包括:
构建电网负荷的影响因素集,并获取历史时段所述影响因素集中各个影响因素的值、以及各个影响因素值对应的历史负荷数据;
基于各个影响因素的值、以及各个影响因素值对应的历史负荷数据计算各个影响因素与电网负荷的关联度,并基于各个影响因素与电网负荷的关联度筛选得到目标影响因素;
对所述历史负荷数据进行聚类,得到多个数据类;基于每个数据类中历史负荷数据对应的目标影响因素值训练得到各个数据类对应的神经网络模型;
获取预测时段对应的预测影响因素值,并确定预测影响因素值对应的数据类,将预测影响因素值输入至其所对应的数据类中,得到电网负荷的预测值。
2.如权利要求1所述的电网负荷预测方法,其特征在于,所述基于各个影响因素的值、以及各个影响因素值对应的历史负荷数据计算各个影响因素与电网负荷的关联度,包括:
将各个影响因素值对应的历史负荷数据作为参考序列,将各个影响因素的值作为比较序列,基于灰色关联分析确定各个影响因素与电网负荷的关联度。
3.如权利要求1所述的电网负荷预测方法,其特征在于,所述基于各个影响因素与电网负荷的关联度筛选得到目标影响因素,包括:
将与电网负荷的关联度大于预设关联度的影响因素作为目标影响因素。
4.如权利要求1所述的电网负荷预测方法,其特征在于,所述基于每个数据类中历史负荷数据对应的目标影响因素值训练得到各个数据类对应的神经网络模型,包括:
对于任一数据类均执行以下步骤:
S1:将该数据类对应的样本数据划分为训练集和测试集;
其中,该数据类对应的样本数据包括该数据类中的历史负荷数据、以及该数据类中历史负荷数据对应的目标影响因素值;
S2:基于训练集训练卷积神经网络模型,得到初始网络模型,并基于测试集对所述初始网络模型进行测试;
S3:若测试结果显示所述初始网络模型的预测精度达到预设精度,则将该初始网络模型作为该数据类对应的神经网络模型;
若测试结果显示所述初始网络模型的预测精度未达到预设精度,则将测试集中的部分数据转移到现有的训练集中,得到新的训练集,并返回执行步骤S2。
5.如权利要求1所述的电网负荷预测方法,其特征在于,所述确定预测影响因素值对应的数据类,包括:
将各个数据类对应的目标影响因素值作为参考序列,得到多个参考序列;
将预测影响因素值作为比较序列;
基于灰色关联分析确定预测影响因素值与各个数据类对应的目标影响因素值的关联度,将该关联度最高时对应的数据类作为预测影响因素值对应的数据类。
6.如权利要求1所述的电网负荷预测方法,其特征在于,所述确定预测影响因素值对应的数据类,包括:
将各个数据类对应的目标影响因素值作为参考序列,得到多个参考序列;
将预测影响因素值作为比较序列;
基于灰色关联分析确定预测影响因素值与各个数据类对应的目标影响因素值的关联度,将该关联度大于预设阈值时对应的数据类作为预测影响因素值对应的数据类。
7.如权利要求1至6任一项所述的电网负荷预测方法,其特征在于,所述将预测影响因素值输入至其所对应的数据类中,得到电网负荷的预测值,包括:
若所述预测影响因素值仅对应一个数据类,则直接将所述预测影响因素值输入其对应的数据类中,得到电网负荷的预测值;
若所述预测影响因素值对应至少两个数据类,则将所述预测影响因素值输入分别输入至其所对应的数据类中,得到多组电网负荷的预测值,根据所述多组电网负荷的预测值确定电网负荷最终的预测值。
8.一种电网负荷预测装置,其特征在于,包括:
数据获取模块,用于构建电网负荷的影响因素集,并获取历史时段所述影响因素集中各个影响因素的值、以及各个影响因素值对应的历史负荷数据;
目标因素筛选模块,用于基于各个影响因素的值、以及各个影响因素值对应的历史负荷数据计算各个影响因素与电网负荷的关联度,并基于各个影响因素与电网负荷的关联度筛选得到目标影响因素;
网络模型训练模块,用于对所述历史负荷数据进行聚类,得到多个数据类;基于每个数据类中历史负荷数据对应的目标影响因素值训练得到各个数据类对应的神经网络模型;
负荷预测模块,用于获取预测时段对应的预测影响因素值,并确定预测影响因素值对应的数据类,将预测影响因素值输入至其所对应的数据类中,得到电网负荷的预测值。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110377299.2A CN113379564A (zh) | 2021-04-08 | 2021-04-08 | 电网负荷预测方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110377299.2A CN113379564A (zh) | 2021-04-08 | 2021-04-08 | 电网负荷预测方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379564A true CN113379564A (zh) | 2021-09-10 |
Family
ID=77569834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110377299.2A Pending CN113379564A (zh) | 2021-04-08 | 2021-04-08 | 电网负荷预测方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379564A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155038A (zh) * | 2021-12-09 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
CN114548510A (zh) * | 2022-01-18 | 2022-05-27 | 国网江西省电力有限公司南昌供电分公司 | 基于混合注意力机制的电力负荷预测方法及*** |
CN115018119A (zh) * | 2022-04-26 | 2022-09-06 | 河北大学 | 用电负荷预测方法及*** |
CN115085196A (zh) * | 2022-08-19 | 2022-09-20 | 国网信息通信产业集团有限公司 | 电力负荷预测值确定方法、装置、设备和计算机可读介质 |
CN115600825A (zh) * | 2022-12-09 | 2023-01-13 | 国网浙江省电力有限公司金华供电公司(Cn) | 一种电力负荷的调度方法及装置、存储介质、电子设备 |
CN116186548A (zh) * | 2023-05-04 | 2023-05-30 | 广州三晶电气股份有限公司 | 电力负荷预测模型训练方法及电力负荷预测方法 |
CN116663863A (zh) * | 2023-07-28 | 2023-08-29 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
CN117277316A (zh) * | 2023-11-22 | 2023-12-22 | 国网山东省电力公司曲阜市供电公司 | 一种电力负荷预测方法、***、介质及设备 |
CN117638950A (zh) * | 2023-10-19 | 2024-03-01 | 河北思极科技有限公司 | 用电策略推荐方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760947A (zh) * | 2016-02-02 | 2016-07-13 | 国网江苏省电力公司 | 一种分析气象环境对电网负荷的影响因素的方法 |
CN108182231A (zh) * | 2017-12-27 | 2018-06-19 | 贵州联科卫信科技有限公司 | 一种基于灰色关联度的可拓聚类方法及*** |
CN110689195A (zh) * | 2019-09-26 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种电力日负荷预测方法 |
CN110852628A (zh) * | 2019-11-13 | 2020-02-28 | 国网江西省电力有限公司经济技术研究院 | 考虑发展模式影响的农村中长期负荷预测方法 |
CN110968651A (zh) * | 2019-11-18 | 2020-04-07 | 广州赛宝联睿信息科技有限公司 | 一种基于灰色模糊聚类的数据处理方法及*** |
CN112257958A (zh) * | 2020-11-12 | 2021-01-22 | 国网河北省电力有限公司经济技术研究院 | 一种电力饱和负荷预测方法及装置 |
CN112561156A (zh) * | 2020-12-11 | 2021-03-26 | 国网江苏省电力有限公司南通供电分公司 | 基于用户负荷模式分类的短期电力负荷预测方法 |
-
2021
- 2021-04-08 CN CN202110377299.2A patent/CN113379564A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760947A (zh) * | 2016-02-02 | 2016-07-13 | 国网江苏省电力公司 | 一种分析气象环境对电网负荷的影响因素的方法 |
CN108182231A (zh) * | 2017-12-27 | 2018-06-19 | 贵州联科卫信科技有限公司 | 一种基于灰色关联度的可拓聚类方法及*** |
CN110689195A (zh) * | 2019-09-26 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种电力日负荷预测方法 |
CN110852628A (zh) * | 2019-11-13 | 2020-02-28 | 国网江西省电力有限公司经济技术研究院 | 考虑发展模式影响的农村中长期负荷预测方法 |
CN110968651A (zh) * | 2019-11-18 | 2020-04-07 | 广州赛宝联睿信息科技有限公司 | 一种基于灰色模糊聚类的数据处理方法及*** |
CN112257958A (zh) * | 2020-11-12 | 2021-01-22 | 国网河北省电力有限公司经济技术研究院 | 一种电力饱和负荷预测方法及装置 |
CN112561156A (zh) * | 2020-12-11 | 2021-03-26 | 国网江苏省电力有限公司南通供电分公司 | 基于用户负荷模式分类的短期电力负荷预测方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155038B (zh) * | 2021-12-09 | 2024-05-31 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
CN114155038A (zh) * | 2021-12-09 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
CN114548510A (zh) * | 2022-01-18 | 2022-05-27 | 国网江西省电力有限公司南昌供电分公司 | 基于混合注意力机制的电力负荷预测方法及*** |
CN115018119A (zh) * | 2022-04-26 | 2022-09-06 | 河北大学 | 用电负荷预测方法及*** |
CN115085196A (zh) * | 2022-08-19 | 2022-09-20 | 国网信息通信产业集团有限公司 | 电力负荷预测值确定方法、装置、设备和计算机可读介质 |
CN115600825A (zh) * | 2022-12-09 | 2023-01-13 | 国网浙江省电力有限公司金华供电公司(Cn) | 一种电力负荷的调度方法及装置、存储介质、电子设备 |
CN116186548A (zh) * | 2023-05-04 | 2023-05-30 | 广州三晶电气股份有限公司 | 电力负荷预测模型训练方法及电力负荷预测方法 |
CN116663863A (zh) * | 2023-07-28 | 2023-08-29 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
CN116663863B (zh) * | 2023-07-28 | 2023-10-20 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
CN117638950A (zh) * | 2023-10-19 | 2024-03-01 | 河北思极科技有限公司 | 用电策略推荐方法、装置、电子设备及存储介质 |
CN117638950B (zh) * | 2023-10-19 | 2024-05-31 | 河北思极科技有限公司 | 用电策略推荐方法、装置、电子设备及存储介质 |
CN117277316A (zh) * | 2023-11-22 | 2023-12-22 | 国网山东省电力公司曲阜市供电公司 | 一种电力负荷预测方法、***、介质及设备 |
CN117277316B (zh) * | 2023-11-22 | 2024-04-09 | 国网山东省电力公司曲阜市供电公司 | 一种电力负荷预测方法、***、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113379564A (zh) | 电网负荷预测方法、装置及终端设备 | |
CN109034244B (zh) | 基于电量曲线特征模型的线损异常诊断方法及装置 | |
CN112529301B (zh) | 用电量预测方法、设备及存储介质 | |
CN109298998B (zh) | 工作量评估及模型训练方法、电子设备及存储介质 | |
CN111078579A (zh) | 一种Monkey测试方法、装置及终端设备 | |
CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
CN113419941A (zh) | 评估方法及装置、电子设备和计算机可读存储介质 | |
CN111260147A (zh) | 发电量预测方法、装置及终端设备 | |
CN108228879A (zh) | 一种数据更新方法、存储介质和智能设备 | |
CN112730654B (zh) | 六氟化硫电气设备故障检测方法、装置及终端设备 | |
CN113592138A (zh) | 电力负荷预测方法及装置 | |
CN117422182A (zh) | 数据预测方法、装置及存储介质 | |
CN109471916B (zh) | 天气预报生成方法及装置 | |
CN106934009A (zh) | 一种应用排名方法、装置及计算设备 | |
CN112486683B (zh) | 处理器控制方法、控制设备以及计算机可读存储介质 | |
CN113238911B (zh) | 告警处理方法及装置 | |
CN112508512B (zh) | 电网工程造价数据管理方法、装置及终端设备 | |
CN113435609B (zh) | 线损异常检测方法、装置及终端设备 | |
CN111222739B (zh) | 核电站的任务分配方法及核电站的任务分配*** | |
CN111090554A (zh) | 服务器性能测试时间的预测方法、装置、设备及存储介质 | |
CN113592528A (zh) | 基线负荷估计方法、装置及终端设备 | |
CN112861363B (zh) | 光伏发电状态估计方法、装置及终端设备 | |
CN113692177B (zh) | 数据中心制冷***功耗的控制方法、装置及终端 | |
CN112238762B (zh) | 基于盈亏平衡策略的电动汽车充电时间确定方法及装置 | |
CN117370331B (zh) | 小区用水总数据清洗方法及装置、终端设备、存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210910 |