CN113505923B - 一种地区电网短期负荷预测方法及*** - Google Patents
一种地区电网短期负荷预测方法及*** Download PDFInfo
- Publication number
- CN113505923B CN113505923B CN202110772002.2A CN202110772002A CN113505923B CN 113505923 B CN113505923 B CN 113505923B CN 202110772002 A CN202110772002 A CN 202110772002A CN 113505923 B CN113505923 B CN 113505923B
- Authority
- CN
- China
- Prior art keywords
- day
- load
- weather
- meteorological
- days
- 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 52
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000009193 crawling Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 description 24
- 230000000694 effects Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 230000000877 morphologic effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229910052731 fluorine Inorganic materials 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 230000002779 inactivation Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 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
- 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
- G06N3/08—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
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种地区电网短期负荷预测方法及***。该方法包括:网络终端收集负荷预测相关历史多元特征信息数据,网络爬取未来气象预测播报信息,并对收集到的特征信息进行数据预处理;气象信息细粒度化,待测日的气象虚拟相似日选取;待预测日负荷虚拟相似日选取;基于历史特征信息数据,基于深度学习理论确定训练好的短期负荷预测模型,进而实现对未来负荷的预测。本发明能够提高短期负荷预测的准确度。
Description
技术领域
本发明涉及电力***负荷短期预测领域,特别是涉及一种地区电网短期负荷预测方法及***。
背景技术
随着经济的发展和大规模分布式能源的并网,地区电网气象敏感负荷基数不断上升,日负荷峰谷差持续拉大,负荷的局部变化情况显得越发随机与复杂。如何科学有效地结合细粒度气象特征数据,在短期负荷预测中深度挖掘相关因素与局部负荷变化之间的联系,是进一步提高负荷预测精度、实现负荷预测精细化工作管理的必然方向。
传统的地区电网短期负荷预测的研究一般可分为两个步骤:一是选取合适的相似日;二是基于相似日,结合各类特征分量对待预测日进行预测建模。过往的研究往往仅针对负荷进行相似日选取,实际上,相似日的选取不仅仅局限于负荷,亦可扩展至以气象等参数为对象的特征相似日。在实际的负荷预测工作中,待预测日只能采用粗粒度气象预测数据作为特征参数参与预测建模,这些数据与真实气象序列数据相比存在较大偏差,对预测效果影响很大。因此,如何将粗粒度气象数据细粒度化,使之能与负荷预测曲线一一对应,是短期负荷预测必须要解决的问题之一。
对于既有的负荷相似日,目前多数负荷相似日选取方法依旧停留在使用粗粒度日特征气象作为相似日选取特征量,难以映射到负荷的局部变化。且大部分方法均从历史日中选取负荷相似日,历史日与相似日之间往往存在着过分局部相似的特性,对负荷预测的效果影响亦是很大。因此,尝试构建选取相似度更高的负荷相似日,是提高短期负荷预测精度的必经之路。
发明内容
本发明的目的是提供一种地区电网短期负荷预测方法及***,能够提高短期负荷预测的准确度。
为实现上述目的,本发明提供了如下方案:
一种地区电网短期负荷预测方法,包括:
获取历史日的多元特征信息数据以及待测日的气象预测播报信息;所述历史多元特征信息数据包括:历史日的96点负荷、日期类型以及历史日的细粒度气象;所述日期类型包括:工作日、周末以及节假日;所述历史日的细粒度气象数据包括:细粒度实时温度、湿度以及风速数据;所述待测日的气象预测播报信息通过网络爬取获得;所述待测日的气象预测播报信息包括:当日最高、最低温度,当日最高、最低湿度、风向、风速、空气质量、降水量和天气状况;
对所述历史日的多元特征信息数据以及待测日的气象预测播报信息进行预处理;所述预处理包括:缺失值补全、异常值修正、候均温法滑动划分四季、LabelEncorder编码处理、标准化处理以及综合气象指数计算;
根据预处理后的待测日的气象预测播报信息和预处理后的历史日的多元特征信息数据,采用灰色关联度算法确定气象历史相似日;所述气象历史相似日为与所述待预测日的多类粗粒度日特征气象数据关联度最高的前三类历史日;
根据气象历史相似日对应的关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟气象相似日的细粒度气象序列;
根据待测日对应的虚拟气象相似日的细粒度气象序列以及预处理后的历史日的多元特征信息数据,采用基于MIC赋权的加权灰色关联度算法,确定负荷相似日;
根据所述负荷相似日对应的相似度关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟负荷相似日的负荷序列;
根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的的细粒度气象数据,基于深度学习,确定训练好的短期负荷预测模型;所述训练好的短期负荷预测模型以细粒度气象数据或细粒度气象序列为输入,以各个时间点的负荷为输出;
获取未来日的气象预测播报信息,并对所述未来日的气象预测播报信息进行预处理;
根据预处理后的气象预测播报信息,确定所述未来日对应的虚拟气象相似日的细粒度气象序列;并根据所述未来日对应的虚拟气象相似日的细粒度气象序列,采用训练好的短期负荷预测模型,确定未来日各个时间点的负荷。
可选地,所述对所述历史日的多元特征信息数据以及待测日的气象预测播报信息进行预处理,具体包括:
对历史日的多元特征信息数据以及待测日的气象预测播报信息进行缺失值补全和异常值修正;
对处理的历史日的多元特征信息数据以及待测日的气象预测播报信息,采用候均温法滑动划分春、夏、秋以及冬四季,得到划分后的数据;
根据所述划分后的数据,采用LabelEncorder编码函数将相互独立的类别标签转换为运算的单个数字;
对转换后的数据进行归一化处理;
根据归一化处理后的数据进行综合气象指数计算。
可选地,所述根据气象历史相似日对应的关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟气象相似日的细粒度气象序列,具体包括:
根据气象历史相似日对应的关联度确定气象历史相似日对应的权重;
根据不同气象历史相似日对应权重对相应的历史日的多元特征信息数据进行加权组合,确定待测日对应的虚拟气象相似日的细粒度气象序列。
可选地,所述根据待测日对应的虚拟气象相似日的细粒度气象序列以及预处理后的历史日的多元特征信息数据,采用基于MIC赋权的加权灰色关联度算法,确定负荷相似日,具体包括:
其中,p(l,f)为日负荷序列l和实时气象特征f之间的联合概率,p(l)为日负荷序列l的概率,p(f)为实时气象特征f的概率,a,b是l,f方向上划分的区间数,B为变量,wk为第k个实时气象特征fk所匹配的权重,γ(xi,xi-h)为xi和xi-h两个特征量序列加权灰色关联度,ξi-b(r)为每个特征因子对应的灰色关联系数。
可选地,所述根据所述负荷相似日对应的相似度关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟负荷相似日的负荷序列,之后还包括:
提取虚拟负荷相似日对应的细粒度气象序列;
根据灰色关联度算法分别计算虚拟负荷相似日的细粒度气象序列与待预测日的细粒度气象序列之间的关联度以及关联度最大的负荷相似日的细粒度气象序列与待预测日的细粒度气象序列之间的关联度;
判断两者关联度大小;
若虚拟负荷相似日的细粒度气象序列的关联度大,则依旧保留该日的负荷为虚拟负荷相似日的负荷;反之,则替换为关联度最大的负荷相似日的负荷。
可选地,所述根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的的细粒度气象数据,基于深度学习,确定训练好的短期负荷预测模型,具体包括:
将根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的的细粒度气象数据构成的数据集按照设定比例分为训练集和验证集;
采用滑动窗口的方法从训练集和验证集中构建出短期负荷预测模型的输入与输出。
可选地,所述根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的的细粒度气象数据,基于深度学习,确定训练好的短期负荷预测模型,之前还包括:
根据卷积神经网络CNN、门控循环单元GRU以及时间注意力机制构建短期负荷预测模型。
一种地区电网短期负荷预测***,包括:
数据获取模块,用于获取历史日的多元特征信息数据以及待测日的气象预测播报信息;所述历史多元特征信息数据包括:历史日的96点负荷、日期类型以及历史日的细粒度气象;所述日期类型包括:工作日、周末以及节假日;所述历史日的细粒度气象数据包括:细粒度实时温度、湿度以及风速数据;所述待测日的气象预测播报信息通过网络爬取获得;所述待测日的气象预测播报信息包括:当日最高、最低温度,当日最高、最低湿度、风向、风速、空气质量、降水量和天气状况;
预处理模块,用于对所述历史日的多元特征信息数据以及待测日的气象预测播报信息进行预处理;所述预处理包括:缺失值补全、异常值修正、候均温法滑动划分四季、LabelEncorder编码处理、标准化处理以及综合气象指数计算;
气象历史相似日确定模块,用于根据预处理后的待测日的气象预测播报信息和预处理后的历史日的多元特征信息数据,采用灰色关联度算法确定气象历史相似日;所述气象历史相似日为与所述待预测日的多类粗粒度日特征气象数据关联度最高的前三类历史日;
虚拟气象相似日的细粒度气象序列确定模块,用于根据气象历史相似日对应的关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟气象相似日的细粒度气象序列;
负荷相似日确定模块,用于根据待测日对应的虚拟气象相似日的细粒度气象序列以及预处理后的历史日的多元特征信息数据,采用基于MIC赋权的加权灰色关联度算法,确定负荷相似日;
虚拟负荷相似日的负荷序列确定模块,用于根据所述负荷相似日对应的相似度关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟负荷相似日的负荷序列;
训练好的短期负荷预测模型确定模块,用于根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的的细粒度气象数据,基于深度学习,确定训练好的短期负荷预测模型;所述训练好的短期负荷预测模型以细粒度气象数据或细粒度气象序列为输入,以各个时间点的负荷为输出;
数据获取与预处理模块,用于获取未来日的气象预测播报信息,并对所述未来日的气象预测播报信息进行预处理;
预测模块,用于根据预处理后的气象预测播报信息,确定所述未来日对应的虚拟气象相似日的细粒度气象序列;并根据所述未来日对应的虚拟气象相似日的细粒度气象序列,采用训练好的短期负荷预测模型,确定未来日各个时间点的负荷。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的一种地区电网短期负荷预测方法及***,从气象预测播报的粗粒度日特征气象数据出发,构建气象虚拟相似日选取算法,获得了与日负荷曲线相匹配的细粒度实时气象数据,为后续深度挖掘气象与局部负荷变化之间的特性提供了完备可靠的数据支撑。基于人体对气象敏感反应,将原本单一的气象因子如温度、湿度等转化为多个单一气象因子耦合而成的综合气象因子,拓宽了负荷的影响特征信息,有助于深入挖掘气象与负荷之间潜在联系。采用最大信息系数MIC量化负荷与细粒度气象特征之间的非线性关联程度,并以细粒度实时气象数据作为负荷相似日选取的输入,使用MIC赋权的加权灰色关联度算法与关联度加权法选取获得负荷虚拟相似日曲线。该方法可以在保留日负荷序列变化特性的基础上,将各历史相似日负荷序列各不相同的局部相似特性进行整合,从而获得了相较于历史负荷相似日更高的相似度。本发明通过将粗粒度的气象预测数据细粒度化,深度挖掘细粒度气象因素与局部负荷变化之间的联系,进一步提高日前短期负荷预测准确度,为负荷预测精细化工作管理提供可靠的决策指导
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种地区电网短期负荷预测方法流程示意图;
图2为DA-LSTPNet短期负荷预测模型结构示意图;
图3为2017-08-28相似日选取结果曲线对比结果示意图;
图4为考虑气象相似日前后夏季典型日的预测结果曲线对比结果示意图;
图5为本发明所提供的一种地区电网短期负荷预测***结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种地区电网短期负荷预测方法及***,能够提高短期负荷预测的准确度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种地区电网短期负荷预测方法流程示意图,如图1所示,本发明所提供的一种地区电网短期负荷预测方法,包括:
S101,获取历史日的多元特征信息数据以及待测日的气象预测播报信息;所述历史多元特征信息数据包括:历史日的96点负荷、日期类型以及历史日的细粒度气象;所述日期类型包括:工作日、周末以及节假日;所述历史日的细粒度气象数据包括:细粒度实时温度、湿度以及风速数据;所述待测日的气象预测播报信息通过网络爬取获得;所述待测日的气象预测播报信息包括:当日最高、最低温度,当日最高、最低湿度、风向、风速、空气质量、降水量和天气状况;
S102,对所述历史日的多元特征信息数据以及待测日的气象预测播报信息进行预处理;所述预处理包括:缺失值补全、异常值修正、候均温法滑动划分四季、LabelEncorder编码处理、标准化处理以及综合气象指数计算;
S102具体包括:
对历史日的多元特征信息数据以及待测日的气象预测播报信息进行缺失值补全和异常值修正;
对处理的历史日的多元特征信息数据以及待测日的气象预测播报信息,采用候均温法滑动划分春、夏、秋以及冬四季,得到划分后的数据;
气象学上以五天为一候,用五天的滑动平均气温当做候均温,具体计算公式为:
Tave=(Td-4,Td-3,Td-2,Td-1,Td)/5;
Tave为候均温,Td为计算候均温当日的平均气温。
计算出来的候均温以15℃和23℃为界限划分一年四季,划分方式如表1所示。
表1
计算出来的候均温以15℃和23℃为界限划分一年四季,当候均温上升至15℃以上但又小于23℃时,则认为春季到来;到候均温持续上升,超过23摄氏度时,则认为夏季到来;候均温下降至23℃以下,但又在15℃之上,则为秋季;最后候均温若持续下降至15℃之下,则进入冬季。
根据所述划分后的数据,采用LabelEncorder编码函数将相互独立的类别标签转换为运算的单个数字;即在避免增加数据维度的基础上,通过sklearn机器学习包的LabelEncorder编码函数直接将季节以及星期类型等相互独立的类别标签转换为运算可用的单个数字。
为了消除不同数据类型带来的量纲差异以及保证预测模型在反向传播过程中不至于出现各类梯度问题,对转换后的数据进行归一化处理;归一化至(0,1)之间,计算公式为:
式中:x为样本中待归一化的数据;x*为归一化后的数据;xmax和xmin为样本数据中的最大值和最小值。
根据归一化处理后的数据进行综合气象指数计算。
综合气象为各类基础气象指标交织综合所得,可以有效表征人体对外部气象的敏感反应。计算获得的综合气象有四种,分别为:实感温度、温湿,寒湿指数、人体舒适度。计算方式如下:
实感温度(Effective Temperature,ET):
温湿指数(Temperature Humidity Index,THI):
THI=1.8T+32-0.55(1-W)(1.8T-26);
寒湿指数(Chillness Humidity Index,CHI):
人体舒适度(Comfort Index,CI):
其中,T为温度(℃),W为相对湿度(%),V为风速(m/s)。
S103,根据预处理后的待测日的气象预测播报信息和预处理后的历史日的多元特征信息数据,采用灰色关联度算法确定气象历史相似日;所述气象历史相似日为与所述待预测日的多类粗粒度日特征气象数据关联度最高的前三类历史日;
将每日多类日特征气象组建为气象相似日选取所需的日特征序列向量,该向量所含的日特征气象因素具体如表2所示,部分因素的量化如表3所示。
表2
表3
采用灰色关联度对测试集待预测日进行气象历史相似日选取,具体计算公式如下:
xi-h={xi-h(k),k=1,2...n}和xi={xi(k),k=1,2...n}分别为历史日和待预测日的气象日特征序列。其中,n为所包含的气象日特征因子数目,参照表2取值为11;选取范围为该对象日往前30日以内,故h=30;ξi-h(k)为该历史日与待预测日之间的灰色关联度值。
最终取每个待预测日对应关联度最高的三类历史日作为气象相似日。这三类历史气象相似日的实时气象序列矩阵为:
其中ffir,fsec,fthi分别代表最佳、第2最佳、第3最佳历史相似日负荷序列,s=0,1,...671代表每个历史日记录下的实时气象,包含每日实时温度、湿度、风速以及四类综合气象指数,m为待预测日天数。
S104,根据气象历史相似日对应的关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟气象相似日的细粒度气象序列;
S104具体包括:
根据气象历史相似日对应的关联度确定气象历史相似日对应的权重;
根据不同气象历史相似日对应权重对相应的历史日的多元特征信息数据进行加权组合,确定待测日对应的虚拟气象相似日的细粒度气象序列。
S105,根据待测日对应的虚拟气象相似日的细粒度气象序列以及预处理后的历史日的多元特征信息数据,采用基于MIC赋权的加权灰色关联度算法,确定负荷相似日;
引入更为具体的每日96点细粒度实时气象特征指数(含实时综合气象)等特征来构建负荷相似日选取所需要的日实时特征量序列。确定负荷相似日选取特征向量所含的具体特征因素下表4所示。
表4
S105具体包括:
在负荷相似日选取前需要对影响程度不同的诸多气象特征赋予相匹配的权重,权重的分配往往来源于相关特性系数绝对值所占的百分比。为了能够充分表征负荷与气象特征之间的非线性关联程度,引入最大信息系数(Maximal Information Coefficient,MIC)对负荷和气象进行关联性分析。
仅设置从与待预测日相同日类型的历史日中选取负荷相似日,选取范围为待预测日往前20个同类型历史日。分别设待预测日和历史同类型日的日实时特征量序列yi={yi(r),r=1,2...p}与yi-h={yi-b(r),r=1,2...p}如,其中p为实时特征因子数量,b为历史同类型日的搜索范围;利用公式确定两个特征量序列加权灰色关联度;
其中,p(l,f)为日负荷序列l和实时气象特征f之间的联合概率,p(l)为日负荷序列l的概率,p(f)为实时气象特征f的概率,a,b是l,f方向上划分的区间数,B为变量,wk为第k个实时气象特征fk所匹配的权重,γ(xi,xi-h)为xi和xi-h两个特征量序列加权灰色关联度,ξi-b(r)为每个特征因子对应的灰色关联系数。本发明设置为样本数量的0.6次方。MIC是基于归一化后的数据进行计算的,计算所得数值大小在[0,1]之间。下表5展出了不同季节下负荷和各类实时气象的MIC关联特性情况。
表5
S106,根据所述负荷相似日对应的相似度关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟负荷相似日的负荷序列;
其中Lfir,Lsec,Lthi分别代表最佳、第2最佳、第3最佳历史相似日负荷序列,d=0,1,...95代表日96个时间点,m为待预测日天数。这3类相似日分别对应的灰色关联度为以灰色关联度数值所占的百分比为该关联度对应的权重。
为了防止最佳历史相似日与其余第2、第3最佳相似日进行权重组合形成虚拟相似日负荷有可能出现相似度出现下降的问题,S106之后还包括:
提取虚拟负荷相似日对应的细粒度气象序列;
根据灰色关联度算法分别计算虚拟负荷相似日的细粒度气象序列与待预测日的细粒度气象序列之间的关联度以及关联度最大的负荷相似日的细粒度气象序列与待预测日的细粒度气象序列之间的关联度;
判断两者关联度大小;
若虚拟负荷相似日的细粒度气象序列的关联度大,则依旧保留该日的负荷为虚拟负荷相似日的负荷;反之,则替换为关联度最大的负荷相似日的负荷。
其中ffir,fsec,fthi分别为最优、第2最优以及第3最优历史相似日下对应的日实时特征分量序列,k=1,2,3,...,672为特征分量中各元素的位置,具体特征因素如前述表4所示。
再度运用灰色关联度算法分别计算虚拟相似日和最佳相似日实时气象与待预测日实时气象之间的关联度,判断两者关联度大小,若虚拟相似日实时气象的关联度大,则依旧保留该日的相似日负荷为虚拟相似日负荷,反之,则替换为最佳历史相似日负荷。
S107,根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的的细粒度气象数据,基于深度学习,确定训练好的短期负荷预测模型;所述训练好的短期负荷预测模型以细粒度气象数据或细粒度气象序列为输入,以各个时间点的负荷为输出;
S107具体包括:
将根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的的细粒度气象数据构成的数据集按照设定比例分为训练集和验证集;
采用滑动窗口的方法从训练集和验证集中构建出短期负荷预测模型的输入与输出。
模型的输入为1个二维特征矩阵,该二维特征数据矩阵每一列代表一类特征分量。以预测当日t时刻负荷所对应的特征分量为例,这些特征分量包含的具体特征元素如下表6所示。为使后续预测模型能够从广泛的特征数据中学到负荷与特征之间的时序关联信息,以时间步长96×特征维度21的时间窗口大小,从二维特征数据矩阵滑窗构建负荷预测的输入矩阵,每个时间窗口的输入矩阵会对应一个待预测时间点下的负荷,将多个时间窗口矩阵进行叠加,遂得到待输入负荷预测模型的三维矩阵。
表6
S107之前还包括:
根据卷积神经网络CNN、门控循环单元GRU以及时间注意力机制构建短期负荷预测模型。即构建能够有效挖掘时序数据长期宏观以及短期局部变化特性的双阶段时间注意力机制神经网络(Double Attention-Long and Short Time Pattern Network,DA-LSTPNet)。模型结构如图2所示,具体描述如下:
单阶段TAM下的卷积神经网络(Single Attention CNN,SA-CNN)层。SA-CNN为其中一个分支网络层,设置一层一维卷积层和一层一维最大池化层实现对输入信息进行短期局部特征的提取,一层TAM层用于对不同局部特征信息赋予关键的预测权重:第一层为一维卷积层,设置卷积核数目为64,每个卷积核大小为4,激活函数relu;第二层为一维最大池化层,池大小设置为2;第三层为TAM层,设置输出维度参数为96。
单阶段TAM下的GRU神经网络(Single Attention GRU,SA-GRU)层。SA-GRU为另一个分支网络层,设置双层GRU网络层用于对输入信息进行长期宏观特征的提取,一层TAM层旨在加强模型对漫长时间信息的记忆:双层GRU网络层神经元数均为64;在两层GRU网络中***一层随机失活层,随机失活率为0.2;最后一层亦为TAM层,输出维度参数为96。
add层。采用add层对两个分支网络提取出来的特征信息进行融合。
全连接Dense层。共有两层Dense网络层,用于对add层融合输出的信息进行降维:第一层全连接层神经元数为21,第二层全连接层作为输出层,设置神经元数为1,采用Prelu激活函数为输出数据添加非线性成分。整个模型采用adam优化器进行优化。
模型训练与预测:输入训练集与验证集进行模型参数的训练,每次迭代训练后会在验证集样本中检验模型的训练效果,设置迭代次数50次,并以验证集损失函数最小为目标设置ModelCheckPoint最优模型保存函数,保存训练过程中效果最好的模型参数。最后输入包含虚拟实时气象序列的未来日特征数据完成对未来待预测日的日前短期负荷预测。
S108,获取未来日的气象预测播报信息,并对所述未来日的气象预测播报信息进行预处理;
S109,根据预处理后的气象预测播报信息,确定所述未来日对应的虚拟气象相似日的细粒度气象序列;并根据所述未来日对应的虚拟气象相似日的细粒度气象序列,采用训练好的短期负荷预测模型,确定未来日各个时间点的负荷。
实例仿真分为两大部分:1)不同相似日相似度的对比仿真;2)考虑气象相似日前后的DA-LSTPNet模型预测结果对比;3)不同负荷相似日类型下负荷预测结果对比。并视数据集中2017年7月至12月的待预测日为未来日,与训练和验证集的待预测日有所区别,未来日当日实时气象未知,需要进行虚拟气象相似日的选取。
为了评价相似日选取的相似程度,本发明引入形态形似距离DMSD作为相似日选取优劣的评价指标。形态相似距离不仅可以衡量曲线数值间的大小,也可以衡量曲线形状相似程度。形状越相似,数值越接近,相似距离DMSD的数值就越小。计算公式如下:
以日96点负荷序列为例,式中:Li和Lj为待比较相似日负荷序列与待预测日负荷序列,其中Li=(li1,...,lin)T和Lj=(lj1,...,ljn)T,其中n=96。
为了评估负荷预测模型的预测精度,本发明选取均方根误差RMSE和平均百分比误差MAPE,以及准确度Ai三个指标进行衡量。计算公式如下:
式中:n为预测的元素总数,本发明为日前负荷预测,n=96;ytrue和ypred为第i个采样点的实际负荷值和预测负荷值。在短期负荷预测中RMSE和MAPE的值越小则代表预测效果越好,准确度则反之。
分别采用历史相似日法(即利用加权灰色关联度从历史日中选取最佳相似日的方法)与本发明所提的虚拟相似日法(包含气象和负荷的虚拟相似日法)对待预测日2017-8-28进行相似日选取。其中加权灰色关联度从历史日中选取得到关联度从大到小的三类相似日,分别为2017-8-10、2017-8-18、2017-8-25,三类历史相似日、虚拟相似日以及待预测日负荷序列曲线对比如图3所示,评价指标的对比表7所示。此外,在图3中还展示了气象虚拟相似日与待预测日2017-8-28温度序列之间差异性,表7最后一行附上该日气象虚拟相似日的温度选取结果.
表7
结合表7与图3可知如下两点:
1)由于负荷中内含的随机波动分量以及特征因素考虑不全面,特征相似度最高的一日并不意味着日负荷序列相似度一定为最高,需要修正和完善。
2)本发明所提的虚拟相似日根据灰色关联度数值求出相关权重,自适应加权组合历史相似日负荷序列,有效地汇合了不同历史相似日负荷序列的相似特性,进而达到提高相似日负荷序列相似程度的目的。气象虚拟相似日的情况亦是如此。
采用与负荷虚拟相似日相类似的做法,构建出气象虚拟相似日实时气象,实现了相似日实时气象序列相似度提高的效果。下表8放出测试集待预测日气象虚拟相似日的实时气象序列与真实气象序列在温度、湿度和风速上形态相似距离均值、最值比较。
表8
气象虚拟相似日会为负荷预测带来细粒度的实时气象特征,为验证这类细粒度实时气象特征给负荷预测带来的预测效果提升,本发明做了含气象虚拟相似日与不含气象虚拟相似日下的仿真分析对比。其中,不含气象相似日的特征数据集,其气象特征分量均以日气象特征均值进行替代。以夏季典型日2017-08-02至2017-08-04为例进行分析,这三日最高温度均达到30℃往上,最大湿度均在90%以上,最低湿度可低至50%以下,湿度变化较大,并伴随有阵雨天气,局部天气多变,属于南方典型的高温湿润气候状况,对这三日的预测需要深入把握局部天气变化对负荷带来的影响。
表9
联系图4与表9可以发现在考虑含气象相似日之后,模型能够很好地捕捉到局部气象变化给负荷带来的影响特性,从而实现对负荷趋势与峰谷的精准预测,预测效果有了显著的提升。
为有效验证在加入气象虚拟相似日后,给负荷预测带来效果提升的普适性。本发明在考虑气象虚拟相似日前后做了连续半年的日前负荷对比预测,预测效果对比如表10所示。
表10
针对负荷相似日,选取2015年至2017年的日负荷曲线,采用形态相似距离对虚拟相似日负荷以及加权灰色关联度最大的前三类历史相似日负荷进行衡量。其中三类历史相似日以及虚拟相似日与待预测日间形态相似距离平均值、最值列表如下表11所示。
表11
从上表可以看出,相较于采用加权灰色关联度从历史日中选取最佳相似日的方法,本发明所提的虚拟相似日法选取出的相似日与待预测日之间,形态相似距离更小,获得的相似日效果更佳。
为验证负荷虚拟相似日选取给负荷预测带来的提升效果,本发明分别利用历史最佳相似日负荷与虚拟相似日负荷来组建预测特征集,投入本发明所提模型DA-LSTPNet进行预测,以该地区2017年7-12月下半年作为测试集来对比二者相似日的效果,效果如表12所示。
表12
图5为本发明所提供的一种地区电网短期负荷预测***结构示意图,如图5所示,本发明所提供的一种地区电网短期负荷预测***,包括:
数据获取模块401,用于获取历史日的多元特征信息数据以及待测日的气象预测播报信息;所述历史多元特征信息数据包括:历史日的96点负荷、日期类型以及历史日的细粒度气象;所述日期类型包括:工作日、周末以及节假日;所述历史日的细粒度气象数据包括:细粒度实时温度、湿度以及风速数据;所述待测日的气象预测播报信息通过网络爬取获得;所述待测日的气象预测播报信息包括:当日最高、最低温度,当日最高、最低湿度、风向、风速、空气质量、降水量和天气状况;
预处理模块402,用于对所述历史日的多元特征信息数据以及待测日的气象预测播报信息进行预处理;所述预处理包括:缺失值补全、异常值修正、候均温法滑动划分四季、LabelEncorder编码处理、标准化处理以及综合气象指数计算;
气象历史相似日确定模块403,用于根据预处理后的待测日的气象预测播报信息和预处理后的历史日的多元特征信息数据,采用灰色关联度算法确定气象历史相似日;所述气象历史相似日为与所述待预测日的多类粗粒度日特征气象数据关联度最高的前三类历史日;
虚拟气象相似日的细粒度气象序列确定模块404,用于根据气象历史相似日对应的关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟气象相似日的细粒度气象序列;
负荷相似日确定模块405,用于根据待测日对应的虚拟气象相似日的细粒度气象序列以及预处理后的历史日的多元特征信息数据,采用基于MIC赋权的加权灰色关联度算法,确定负荷相似日;
虚拟负荷相似日的负荷序列确定模块406,用于根据所述负荷相似日对应的相似度关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟负荷相似日的负荷序列;
训练好的短期负荷预测模型确定模块407,用于根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的的细粒度气象数据,基于深度学习,确定训练好的短期负荷预测模型;所述训练好的短期负荷预测模型以细粒度气象数据或细粒度气象序列为输入,以各个时间点的负荷为输出;
数据获取与预处理模块408,用于获取未来日的气象预测播报信息,并对所述未来日的气象预测播报信息进行预处理;
预测模块409,用于根据预处理后的气象预测播报信息,确定所述未来日对应的虚拟气象相似日的细粒度气象序列;并根据所述未来日对应的虚拟气象相似日的细粒度气象序列,采用训练好的短期负荷预测模型,确定未来日各个时间点的负荷。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种地区电网短期负荷预测方法,其特征在于,包括:
获取历史日的多元特征信息数据以及待测日的气象预测播报信息;所述历史日的多元特征信息数据包括:历史日的96点负荷、日期类型以及历史日的细粒度气象;所述日期类型包括:工作日、周末以及节假日;所述历史日的细粒度气象数据包括:细粒度实时温度、湿度以及风速数据;所述待测日的气象预测播报信息通过网络爬取获得;所述待测日的气象预测播报信息包括:当日最高、最低温度,当日最高、最低湿度、风向、风速、空气质量、降水量和天气状况;
对所述历史日的多元特征信息数据以及待测日的气象预测播报信息进行预处理;所述预处理包括:缺失值补全、异常值修正、候均温法滑动划分四季、LabelEncorder编码处理、标准化处理以及综合气象指数计算;
根据预处理后的待测日的气象预测播报信息和预处理后的历史日的多元特征信息数据,采用灰色关联度算法确定气象历史相似日;所述气象历史相似日为与所述待测日的多类粗粒度日特征气象数据关联度最高的前三类历史日;
根据气象历史相似日对应的关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟气象相似日的细粒度气象序列;
根据待测日对应的虚拟气象相似日的细粒度气象序列以及预处理后的历史日的多元特征信息数据,采用基于MIC赋权的加权灰色关联度算法,确定负荷相似日;
根据所述负荷相似日对应的相似度关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟负荷相似日的负荷序列;
根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的细粒度气象数据,基于深度学习,确定训练好的短期负荷预测模型;所述训练好的短期负荷预测模型以细粒度气象数据或细粒度气象序列为输入,以各个时间点的负荷为输出;
获取未来日的气象预测播报信息,并对所述未来日的气象预测播报信息进行预处理;
根据预处理后的气象预测播报信息,确定所述未来日对应的虚拟气象相似日的细粒度气象序列;并根据所述未来日对应的虚拟气象相似日的细粒度气象序列,采用训练好的短期负荷预测模型,确定未来日各个时间点的负荷;
所述根据待测日对应的虚拟气象相似日的细粒度气象序列以及预处理后的历史日的多元特征信息数据,采用基于MIC赋权的加权灰色关联度算法,确定负荷相似日,具体包括:
2.根据权利要求1所述的一种地区电网短期负荷预测方法,其特征在于,所述对所述历史日的多元特征信息数据以及待测日的气象预测播报信息进行预处理,具体包括:
对历史日的多元特征信息数据以及待测日的气象预测播报信息进行缺失值补全和异常值修正;
对处理的历史日的多元特征信息数据以及待测日的气象预测播报信息,采用候均温法滑动划分春、夏、秋以及冬四季,得到划分后的数据;
根据所述划分后的数据,采用LabelEncorder编码函数将相互独立的类别标签转换为运算的单个数字;
对转换后的数据进行归一化处理;
根据归一化处理后的数据进行综合气象指数计算。
3.根据权利要求1所述的一种地区电网短期负荷预测方法,其特征在于,所述根据气象历史相似日对应的关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟气象相似日的细粒度气象序列,具体包括:
根据气象历史相似日对应的关联度确定气象历史相似日对应的权重;
根据不同气象历史相似日对应权重对相应的历史日的多元特征信息数据进行加权组合,确定待测日对应的虚拟气象相似日的细粒度气象序列。
4.根据权利要求1所述的一种地区电网短期负荷预测方法,其特征在于,所述根据所述负荷相似日对应的相似度关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟负荷相似日的负荷序列,之后还包括:
提取虚拟负荷相似日对应的细粒度气象序列;
根据灰色关联度算法分别计算虚拟负荷相似日的细粒度气象序列与待测日的细粒度气象序列之间的关联度以及关联度最大的负荷相似日的细粒度气象序列与待测日的细粒度气象序列之间的关联度;
判断两者关联度大小;
若虚拟负荷相似日的细粒度气象序列的关联度大,则依旧保留该日的负荷为虚拟负荷相似日的负荷;反之,则替换为关联度最大的负荷相似日的负荷。
5.根据权利要求1所述的一种地区电网短期负荷预测方法,其特征在于,所述根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的细粒度气象数据,基于深度学习,确定训练好的短期负荷预测模型,具体包括:
将根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的细粒度气象数据构成的数据集按照设定比例分为训练集和验证集;
采用滑动窗口的方法从训练集和验证集中构建出短期负荷预测模型的输入与输出。
6.根据权利要求1所述的一种地区电网短期负荷预测方法,其特征在于,所述根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的细粒度气象数据,基于深度学习,确定训练好的短期负荷预测模型,之前还包括:
根据卷积神经网络CNN、门控循环单元GRU以及时间注意力机制构建短期负荷预测模型。
7.一种地区电网短期负荷预测***,其特征在于,包括:
数据获取模块,用于获取历史日的多元特征信息数据以及待测日的气象预测播报信息;所述历史日的多元特征信息数据包括:历史日的96点负荷、日期类型以及历史日的细粒度气象;所述日期类型包括:工作日、周末以及节假日;所述历史日的细粒度气象数据包括:细粒度实时温度、湿度以及风速数据;所述待测日的气象预测播报信息通过网络爬取获得;所述待测日的气象预测播报信息包括:当日最高、最低温度,当日最高、最低湿度、风向、风速、空气质量、降水量和天气状况;
预处理模块,用于对所述历史日的多元特征信息数据以及待测日的气象预测播报信息进行预处理;所述预处理包括:缺失值补全、异常值修正、候均温法滑动划分四季、LabelEncorder编码处理、标准化处理以及综合气象指数计算;
气象历史相似日确定模块,用于根据预处理后的待测日的气象预测播报信息和预处理后的历史日的多元特征信息数据,采用灰色关联度算法确定气象历史相似日;所述气象历史相似日为与所述待测日的多类粗粒度日特征气象数据关联度最高的前三类历史日;
虚拟气象相似日的细粒度气象序列确定模块,用于根据气象历史相似日对应的关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟气象相似日的细粒度气象序列;
负荷相似日确定模块,用于根据待测日对应的虚拟气象相似日的细粒度气象序列以及预处理后的历史日的多元特征信息数据,采用基于MIC赋权的加权灰色关联度算法,确定负荷相似日;利用公式确定负荷与气象特征之间的非线性关联程度;利用公式确定灰色关联度第k个实时气象特征fk所匹配的权重;利用公式确定两个特征量序列加权灰色关联度;其中,p(l,f)为日负荷序列l和实时气象特征f之间的联合概率,p(l)为日负荷序列l的概率,p(f)为实时气象特征f的概率,a,b是l,f方向上划分的区间数,B为变量,wk为第k个实时气象特征fk所匹配的权重,γ(yi,yi-b)为yi和yi-b两个特征量序列加权灰色关联度,ξi-b(k)为每个特征因子对应的灰色关联系数;
虚拟负荷相似日的负荷序列确定模块,用于根据所述负荷相似日对应的相似度关联度以及气象历史相似日对应的历史日的多元特征信息数据确定所述待测日对应的虚拟负荷相似日的负荷序列;
训练好的短期负荷预测模型确定模块,用于根据所有待测日对应的虚拟气象相似日的细粒度气象序列、虚拟负荷相似日的负荷序列、待测日当天的96点负荷以及待测日当天的细粒度气象数据,基于深度学习,确定训练好的短期负荷预测模型;所述训练好的短期负荷预测模型以细粒度气象数据或细粒度气象序列为输入,以各个时间点的负荷为输出;
数据获取与预处理模块,用于获取未来日的气象预测播报信息,并对所述未来日的气象预测播报信息进行预处理;
预测模块,用于根据预处理后的气象预测播报信息,确定所述未来日对应的虚拟气象相似日的细粒度气象序列;并根据所述未来日对应的虚拟气象相似日的细粒度气象序列,采用训练好的短期负荷预测模型,确定未来日各个时间点的负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772002.2A CN113505923B (zh) | 2021-07-08 | 2021-07-08 | 一种地区电网短期负荷预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772002.2A CN113505923B (zh) | 2021-07-08 | 2021-07-08 | 一种地区电网短期负荷预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505923A CN113505923A (zh) | 2021-10-15 |
CN113505923B true CN113505923B (zh) | 2022-06-17 |
Family
ID=78012331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110772002.2A Active CN113505923B (zh) | 2021-07-08 | 2021-07-08 | 一种地区电网短期负荷预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505923B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114257521B (zh) * | 2021-12-17 | 2024-05-17 | 北京沃东天骏信息技术有限公司 | 流量预测方法、装置、电子设备和存储介质 |
CN114819318A (zh) * | 2022-04-18 | 2022-07-29 | 广西电网有限责任公司南宁供电局 | 基于ATT-CNN-BiGRU的负荷处理方法 |
CN115375002A (zh) * | 2022-07-12 | 2022-11-22 | 国网江苏省电力有限公司电力科学研究院 | 一种短期电力负荷预测方法、***、存储介质及计算设备 |
CN116632841A (zh) * | 2023-07-26 | 2023-08-22 | 国网山东省电力公司信息通信公司 | 融合多时序特征的配电台区短期用电负荷预测方法及*** |
CN117374973B (zh) * | 2023-12-04 | 2024-03-29 | 国网西藏电力有限公司 | 一种基于气象数据的电网负荷预测方法、*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932402A (zh) * | 2020-08-13 | 2020-11-13 | 河南理工大学 | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9798775B2 (en) * | 2015-01-16 | 2017-10-24 | International Business Machines Corporation | Database statistical histogram forecasting |
EP3607493A4 (en) * | 2017-04-07 | 2020-12-02 | INTEL Corporation | PROCEDURES AND SYSTEMS FOR BUDGETED AND SIMPLIFIED TRAINING OF DEEP NEURAL NETWORKS |
CN108345954B (zh) * | 2017-11-16 | 2021-07-27 | 北京四方继保自动化股份有限公司 | 配电网线路短期负荷预测方法及装置 |
CN108229754B (zh) * | 2018-01-31 | 2021-12-10 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN109726858A (zh) * | 2018-12-21 | 2019-05-07 | 新奥数能科技有限公司 | 基于动态时间规整的热负荷预测方法及装置 |
CN110443417A (zh) * | 2019-07-05 | 2019-11-12 | 上海电力大学 | 基于小波变换的多模型集成负荷预测方法 |
CN110472777A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于经验模态分解的微电网短期负荷预测方法 |
CN111860979B (zh) * | 2020-07-01 | 2022-08-12 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
CN111985719B (zh) * | 2020-08-27 | 2023-07-25 | 华中科技大学 | 一种基于改进的长短期记忆网络的电力负荷预测方法 |
CN112465251A (zh) * | 2020-12-08 | 2021-03-09 | 上海电力大学 | 一种基于最简门控神经网络的短期光伏出力概率预测方法 |
CN112669173A (zh) * | 2021-01-07 | 2021-04-16 | 云南电网有限责任公司电力科学研究院 | 一种基于多粒度特征和XGBoost模型的短期负荷预测方法 |
-
2021
- 2021-07-08 CN CN202110772002.2A patent/CN113505923B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932402A (zh) * | 2020-08-13 | 2020-11-13 | 河南理工大学 | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113505923A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113505923B (zh) | 一种地区电网短期负荷预测方法及*** | |
CN109214592B (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
CN112036658B (zh) | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 | |
CN114676822B (zh) | 一种基于深度学习的多属性融合空气质量预报方法 | |
CN111275571B (zh) | 考虑微气象与用户模式的居民负荷概率预测深度学习方法 | |
CN112418346B (zh) | 一种数值天气预报总辐射***误差分类计算方法 | |
CN112149879A (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN115423163A (zh) | 一种流域短期洪水事件预测方法、装置及终端设备 | |
CN113469427A (zh) | 基于卷积lstm的光伏电站日前发电量预测方法及*** | |
Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
CN113447879A (zh) | 基于多应力影响的电能表计量误差预测方法、***及装置 | |
CN112733307A (zh) | 一种供暖季城市天然气负荷预测方法及装置 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和*** | |
CN117370937A (zh) | 计及时空相关性的架空线路载流量概率预测方法及*** | |
CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 | |
CN116402194A (zh) | 一种基于混合神经网络的多时间尺度负荷预测方法 | |
CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
CN116187540A (zh) | 一种基于时空偏差修正的风电场站超短期功率预测方法 | |
CN115238967A (zh) | 一种结合云图和相邻电站集群的光伏功率预测方法及装置 | |
CN116451821A (zh) | 基于深度学习的大区域新能源发电功率预测方法及*** | |
CN114611788A (zh) | 一种基于gru网络的寒潮天气客观判别方法 | |
CN115860165A (zh) | 一种考虑初损的神经网络流域降雨径流预报方法及*** |
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 |