CN113592192A - 短期电力负荷预测方法、装置及终端设备 - Google Patents
短期电力负荷预测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN113592192A CN113592192A CN202110944859.8A CN202110944859A CN113592192A CN 113592192 A CN113592192 A CN 113592192A CN 202110944859 A CN202110944859 A CN 202110944859A CN 113592192 A CN113592192 A CN 113592192A
- Authority
- CN
- China
- Prior art keywords
- data set
- historical
- attribute
- load
- load data
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 19
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 claims 4
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 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
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000611 regression 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Strategic Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于电力***负荷预测技术领域，提供了一种短期电力负荷预测方法、装置及终端设备，该方法包括：获取历史负荷数据集合及对应的历史属性数据集合，针对历史负荷数据集合中每一负荷数据，计算该负荷数据与历史属性数据集合中的每种属性数据的相关度，获得相关度矩阵，根据相关度矩阵，计算每种属性对应的第一加权秩合比估计值，将第一加权秩合比估计值大于预设阈值的属性确定为关键属性，利用关键属性对历史属性数据集合筛选，得到关键属性数据集合，根据历史负荷数据集合及对应的关键属性数据集合进行负荷预测模型训练，根据训练的所述负荷预测模型，对电力***进行短期电力负荷预测。可以兼顾短期电力负荷预测的复杂度和预测精度。
Description
技术领域
本发明属于电力***负荷预测技术领域，尤其涉及一种短期电力负荷预测方法、装置及终端设备。
背景技术
短期电力负荷预测主要是指预报未来几小时、一天至几天的电力负荷。电力负荷预测是能量管理***的重要组成部分，短期负荷预测不但为电力***的安全、经济运行提供保障，也是市场环境下编排调度计划、供电计划、交易计划的基础。短期负荷预测作用的大小主要取决于预测精度，因此如何提高预测精度是目前研究短期负荷预测理论和方法的重点。
目前常用的短期负荷预测方法包括回归分析法、相似日法及智能预测法等。然而，由于短期负荷预测受天气、设备状况、重大社会活动等因素的影响较大，如果将这些因素全部作为输入特征，将会使负荷预测的复杂度增加。如果只考虑某一方面的因素，由于每种因素的基础数据场景多样且规律性较弱，则会导致基于数据驱动方法的短期负荷预测的预测精度大打折扣。
发明内容
有鉴于此，本发明实施例提供了一种短期电力负荷预测方法、装置及终端设备，旨在解决现有技术中短期电力负荷预测方法的复杂度和预测精度不能兼顾的问题。
为实现上述目的，本发明实施例的第一方面提供了一种短期电力负荷预测方法，包括：
获取历史负荷数据集合及对应的历史属性数据集合；
针对所述历史负荷数据集合中每一负荷数据，计算该负荷数据与所述历史属性数据集合中的每种属性数据的相关度，获得相关度矩阵；
根据所述相关度矩阵，计算每种属性对应的第一加权秩合比估计值；
将所述第一加权秩合比估计值大于预设阈值的属性确定为关键属性；
利用所述关键属性对所述历史属性数据集合筛选，得到关键属性数据集合；
根据所述历史负荷数据集合及对应的所述关键属性数据集合进行负荷预测模型训练，根据训练的所述负荷预测模型，对电力***进行短期电力负荷预测。
本发明实施例的第二方面提供了一种短期电力负荷预测装置，包括：
获取模块，用于获取历史负荷数据集合及对应的历史属性数据集合；
第一处理模块，用于针对所述历史负荷数据集合中每一负荷数据，计算该负荷数据与所述历史属性数据集合中的每种属性数据的相关度，获得相关度矩阵；
第二处理模块，用于根据所述相关度矩阵，计算每种属性对应的第一加权秩合比估计值；
第三处理模块，用于将所述第一加权秩合比估计值大于预设阈值的属性确定为关键属性；
筛选模块，用于利用所述关键属性对所述历史属性数据集合筛选，得到关键属性数据集合；
训练预测模块，用于根据所述历史负荷数据集合及对应的所述关键属性数据集合进行负荷预测模型训练，根据训练的所述负荷预测模型，对电力***进行短期电力负荷预测。
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如上述第一方面所述的短期电力负荷预测方法所述的步骤。
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，包括：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如上述第一方面所述的短期电力负荷预测方法所述的步骤。
本发明实施例与现有技术相比存在的有益效果是：与现有技术相比，本发明通过获取历史负荷数据集合及对应的历史属性数据集合，针对历史负荷数据集合中每一负荷数据，计算该负荷数据与历史属性数据集合中的每种属性数据的相关度，获得相关度矩阵，根据相关度矩阵，计算每种属性对应的第一加权秩合比估计值，将第一加权秩合比估计值大于预设阈值的属性确定为关键属性，利用关键属性对历史属性数据集合筛选，得到关键属性数据集合，根据历史负荷数据集合及对应的关键属性数据集合进行负荷预测模型训练，根据训练的所述负荷预测模型，对电力***进行短期电力负荷预测。可以在减少负荷预测的输入特征的同时，保留对负荷预测价值较大的关键属性，进而可以兼顾短期电力负荷预测的复杂度和预测精度。
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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的短期电力负荷预测方法的实现流程示意图；
图2是本发明另一实施例提供的短期电力负荷预测方法的实现流程示意图；
图3是本发明实施例提供的短期电力负荷预测装置的示意图；
图4是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1为本发明实施例提供的短期电力负荷预测方法的实现流程示意图，详述如下：
步骤101，获取历史负荷数据集合及对应的历史属性数据集合。
其中，针对需要进行的短期电力负荷预测的时间长短，可以以小时或天为间隔获得过去的历史负荷数据及对应的历史属性数据，进而得到历史负荷数据集合及对应的历史属性数据集合。
或者，为了提高短期电力负荷预测的预测精度，可以以小时为间隔获得过去的历史负荷数据及对应的历史属性数据，并将一天或几天的历史负荷数据作为一负荷数据，并将一天或几天对应的历史属性数据作为一历史属性数据。
其中，历史属性数据集合中包含的属性可以为气象信息、季节信息、日期信息、政策信息、设备信息及突发事件信息等。本发明实施例对历史属性数据集合中包含的属性的种类不做限定，具体可以根据需要进行短期电力负荷预测的地区进行选择。
可选的，在获取历史负荷数据集合及对应的历史属性数据集合之前，还可以包括：获取初始历史负荷数据集合及对应的初始历史属性数据集合；对初始历史负荷数据集合及初始历史属性数据集合进行缺失值补全、异常值修正或剔除处理；将处理后的初始历史负荷数据集合作为历史负荷数据集合，将处理后的初始历史属性数据集合作为历史属性数据集合。
其中，对初始历史负荷数据集合进行缺失值补全处理时，若初始历史负荷数据集合中出现单个数据缺失时，可以采用该日前一时刻或后一时刻的均值替代。若初始历史负荷数据集合中出现连续多个数据缺失时，如果连续缺失值的个数未超过限定范围，可以采用线性差值补全；如果连续缺失值的个数超过限定范围，可以采用前后同类型日的同时刻的负荷均值替代。对初始历史负荷数据集合进行异常值修正处理时，可采用与缺失值补全处理类似的方法。
其中，对于初始历史属性数据集合，可以根据经验设定合理边界值，若检测到异常值，可采用相邻日期均值或直接剔除该日样本点。
示例性的，对于初始历史属性数据集合中的气象信息数据，可基于气象信息数据经验，对各气象因素设定合理边界值，若出现超过边界值或未达到边界值的异常值，可采用相邻日期均值或直接剔除该日样本点。
本实施例通过对初始历史负荷数据集合及初始历史属性数据集合进行缺失值补全、异常值修正或剔除处理；将处理后的初始历史负荷数据集合作为历史负荷数据集合，将处理后的初始历史属性数据集合作为历史属性数据集合。可以提高历史负荷数据集合及历史属性数据集合中数据的准确度。
步骤102，针对历史负荷数据集合中每一负荷数据，计算该负荷数据与历史属性数据集合中的每种属性数据的相关度，获得相关度矩阵。
可选的，计算该负荷数据与历史属性数据集合中的每种属性数据的相关度，可以包括：
根据
计算该负荷数据与历史属性数据集合中的每种属性数据的相关度。
其中，I(xi,xo)为负荷数据xo与历史属性数据集合中的第i种属性数据的相关度，p(xik,xok)为概率密度函数，p(xik)为历史属性数据集合中的第i种属性数据中第k个值的边际分布，p(xok)为负荷数据xo中第k个值的边际分布，其中，k＝1,2,…n。
其中，由于可以将一天或几天的历史负荷数据作为一负荷数据，将一天或几天对应的历史属性数据作为一历史属性数据，因此，一负荷数据可以表示为xo＝[xo1,…,xok,…,xon]，一历史属性数据可以表示为xi＝[xi1,…,xik,…,xin]。
本实施例将某一负荷数据与历史属性数据集合中的第i种属性数据的互信息作为该负荷数据与历史属性数据集合中的第i种属性数据的相关度。由于互信息代表了在给定另一随机变量的条件下，原随机变量不确定度的缩减量，以互信息作为相关度，可以更准确地表达某种属性数据对负荷数据的影响。
步骤103，根据相关度矩阵，计算每种属性对应的第一加权秩合比估计值。
可选的，参见图2，根据相关度矩阵，计算每种属性对应的第一加权秩合比估计值，可以包括：
步骤201，根据相关度矩阵的分布情况，确定每一负荷数据对应的权重。
可选的，在根据相关度矩阵的分布情况，确定每一负荷数据对应的权重之前，可以对相关度矩阵进行归一化处理，将所有相关度数据映射到[0,1]之间，以便于后续处理。
其中，获得每个相关度数据对应的归一化数据的公式可以为：
其中，I′ij为第j个负荷数据与第i种属性数据的相关度的归一化数据，Iij为第j个负荷数据与第i种属性数据的相关度，Ij-min为相关度矩阵中第j个负荷数据与每种属性的相关度的最小值，Ij-max为相关度矩阵中第j个负荷数据与每种属性的相关度的最大值，其中，i＝1,2,…m，j＝1,2,…q，m为历史属性数据集合中属性的种类数目，q为历史负荷数据集合中负荷数据的数目。
其中，对相关度矩阵进行归一化处理后，可以根据
计算各种属性与每个负荷数据的相关度的比重，其中，yij为第i种属性与第j个负荷数据的相关度的比重。
根据各种属性与每个负荷数据的相关度的比重，基于
可以计算各负荷数据的信息效用价值，其中，dj为第j个负荷数据的信息效用价值，ej为第j个负荷数据的信息熵，K＝1/lnm。
根据各负荷数据的信息效用价值，基于
可以确定第j个负荷数据对应的权重wj。
步骤202，根据每一负荷数据对应的权重和相关度矩阵，计算得到加权相关度矩阵。
本实施例在步骤201确定了每一负荷数据对应的权重的基础上，根据每一负荷数据对应的权重对相关度矩阵进行加权处理，得到加权相关度矩阵，基于加权相关度矩阵进行后续处理，有利于提高后续处理的精确度。
步骤203，对加权相关度矩阵中的每个加权相关度编秩，得到秩矩阵。
其中，对每个加权相关度编秩时，正向指标可以从小到大编秩，负向指标可以从大到小编秩，值相同的加权相关度可以编平均值，从而得到秩矩阵R＝(Rij)m×q，其中，Rij为秩矩阵中第i种属性与第j个负荷数据的秩。
步骤204，根据每一负荷数据对应的权重和秩矩阵，计算每种属性对应的第一加权秩合比估计值。
可选的，根据每一负荷数据对应的权重和所述秩矩阵，计算每种属性对应的第一加权秩合比估计值，可以包括：根据每一负荷数据对应的权重和秩矩阵，计算每种属性的加权秩和比；根据每个加权秩和比，计算得到每种属性的累积频率并转化为概率单位；以概率单位为自变量，以每种属性的加权秩和比为因变量建立线性回归方程；根据线性回归方程，计算每种属性对应的第一加权秩合比估计值。
其中，获得秩矩阵后，可以根据秩矩阵和每一负荷数据对应的权重，计算每种属性的加权秩和比：
其中，WRSRi为第i种属性的加权秩和比。
计算每种属性的加权秩和比后，编制WRSR频率分布表：将WRSRi从小到大排列(值相同作为一组)，列出各组频数fi和各组累计频数∑fi；计算每种属性的累积频率
再将每种属性的累积频率pi转换为概率单位Probiti，其中取标准正态分布的pi分位数+5。
计算得到每种属性的累积频率并转化为概率单位后，以累积频率所对应的概率单位Probiti为自变量，WRSRi为因变量，建立线性回归方程：
WRSRi＝a1+b1*Probiti。
其中，a1和b1是线性回归方程待确定的系数。根据线性回归方程，计算得到每种属性对应的第一加权秩和比估计值。
本实施例中，根据每种属性对应的第一加权秩和比估计值，可以确定每种属性对负荷预测的价值，基于每种属性对负荷预测的价值，可以确定对负荷预测价值较大的属性，根据对负荷预测价值较大的属性进行负荷预测，有利于降低负荷预测的复杂度。
步骤104，将第一加权秩合比估计值大于预设阈值的属性确定为关键属性。
本实施例以预设阈值作为判断条件，大于预设阈值的第一加权秩合比估计值对应的属性即对负荷预测价值较大的属性，也就是关键属性，根据关键属性进行负荷预测，有利于降低负荷预测的复杂度。
步骤105，利用关键属性对历史属性数据集合筛选，得到关键属性数据集合。
步骤106，根据历史负荷数据集合及对应的关键属性数据集合进行负荷预测模型训练，根据训练的负荷预测模型，对电力***进行短期电力负荷预测。
可选的，在针对历史负荷数据集合中每一负荷数据，计算该负荷数据与历史属性数据集合中的每种属性数据的相关度，获得相关度矩阵之后，还可以包括：根据相关度矩阵，计算每一负荷数据对应的第二加权秩合比估计值；将第二加权秩合比估计值最大的负荷数据确定为关键负荷数据。
本实施例中，参考步骤201至步骤204计算每种属性对应的第一加权秩合比估计值的方法，根据相关度矩阵，可以计算每一负荷数据对应的第二加权秩合比估计值，根据每一负荷数据对应的第二加权秩合比估计值可以确定每一负荷数据对负荷预测的价值，将第二加权秩合比估计值最大的负荷数据确定为关键负荷数据，即可确定对负荷预测价值最大的负荷数据。
可选的，根据历史负荷数据集合及对应的关键属性数据集合进行负荷预测模型训练，可以包括：根据关键负荷数据和关键负荷数据对应的关键属性数据，确定初始负荷预测模型；根据历史负荷数据集合中除关键负荷数据之外的负荷数据及对应的关键属性数据对初始负荷预测模型进行更新，直到到达更新终止条件。
本实施例中，由于关键负荷数据为对负荷预测价值最大的负荷数据，关键负荷数据对应的关键属性数据为对负荷预测价值较大的属性数据，根据关键负荷数据和关键负荷数据对应的关键属性数据，确定初始负荷预测模型，可以避免随机确定的初始负荷预测模型不够精确的问题，进而在利用初始负荷预测模型进行更新训练时，提高训练负荷预测模型的速度。
上述短期电力负荷预测方法，通过获取历史负荷数据集合及对应的历史属性数据集合，针对历史负荷数据集合中每一负荷数据，计算该负荷数据与历史属性数据集合中的每种属性数据的相关度，获得相关度矩阵，根据相关度矩阵，计算每种属性对应的第一加权秩合比估计值，将第一加权秩合比估计值大于预设阈值的属性确定为关键属性，利用关键属性对历史属性数据集合筛选，得到关键属性数据集合，根据历史负荷数据集合及对应的关键属性数据集合进行负荷预测模型训练，根据训练的所述负荷预测模型，对电力***进行短期电力负荷预测。可以在减少负荷预测的输入特征的同时，保留对负荷预测价值较大的关键属性，进而可以兼顾短期电力负荷预测的复杂度和预测精度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
对应于上文实施例所述的短期电力负荷预测方法，图3示出了本发明实施例提供的短期电力负荷预测装置的示例图。如图3所示，该装置可以包括：获取模块31、第一处理模块32、第二处理模块33、第三处理模块34、筛选模块35和训练预测模块36。
获取模块31，用于获取历史负荷数据集合及对应的历史属性数据集合；
第一处理模块32，用于针对所述历史负荷数据集合中每一负荷数据，计算该负荷数据与所述历史属性数据集合中的每种属性数据的相关度，获得相关度矩阵；
第二处理模块33，用于根据所述相关度矩阵，计算每种属性对应的第一加权秩合比估计值；
第三处理模块34，用于将所述第一加权秩合比估计值大于预设阈值的属性确定为关键属性；
筛选模块35，用于利用所述关键属性对所述历史属性数据集合筛选，得到关键属性数据集合；
训练预测模块36，用于根据所述历史负荷数据集合及对应的所述关键属性数据集合进行负荷预测模型训练，根据训练的所述负荷预测模型，对电力***进行短期电力负荷预测。
可选的，获取模块31，还用于获取初始历史负荷数据集合及对应的初始历史属性数据集合；
对所述初始历史负荷数据集合及所述初始历史属性数据集合进行缺失值补全、异常值修正或剔除处理；
将处理后的初始历史负荷数据集合作为所述历史负荷数据集合，将处理后的初始历史属性数据集合作为所述历史属性数据集合。
可选的，第一处理模块32，用于根据
计算该负荷数据与所述历史属性数据集合中的每种属性数据的相关度；
其中，I(xi,xo)为负荷数据xo与所述历史属性数据集合中的第i种属性数据的相关度，p(xik,xok)为概率密度函数，p(xik)为所述历史属性数据集合中的第i种属性数据中第k个值的边际分布，p(xok)为负荷数据xo中第k个值的边际分布，其中，k＝1,2,…n。
可选的，第二处理模块33，还用于根据所述相关度矩阵，计算每一负荷数据对应的第二加权秩合比估计值；
将所述第二加权秩合比估计值最大的负荷数据确定为关键负荷数据。
可选的，训练预测模块36，用于根据所述关键负荷数据和所述关键负荷数据对应的关键属性数据，确定初始负荷预测模型；
根据所述历史负荷数据集合中除所述关键负荷数据之外的负荷数据及对应的关键属性数据对所述初始负荷预测模型进行更新，直到到达更新终止条件。
可选的，第二处理模块33，用于根据所述相关度矩阵的分布情况，确定每一负荷数据对应的权重；
根据每一负荷数据对应的权重和所述相关度矩阵，计算得到加权相关度矩阵；
对所述加权相关度矩阵中的每个加权相关度编秩，得到秩矩阵；
根据每一负荷数据对应的权重和所述秩矩阵，计算每种属性对应的第一加权秩合比估计值。
可选的，第二处理模块33，用于根据每一负荷数据对应的权重和所述秩矩阵，计算每种属性的加权秩和比；
根据每个加权秩和比，计算得到每种属性的累积频率并转化为概率单位；
以所述概率单位为自变量，以每种属性的加权秩和比为因变量建立线性回归方程；
根据所述线性回归方程，计算每种属性对应的第一加权秩合比估计值。
上述短期电力负荷预测装置，通过获取历史负荷数据集合及对应的历史属性数据集合，针对历史负荷数据集合中每一负荷数据，计算该负荷数据与历史属性数据集合中的每种属性数据的相关度，获得相关度矩阵，根据相关度矩阵，计算每种属性对应的第一加权秩合比估计值，将第一加权秩合比估计值大于预设阈值的属性确定为关键属性，利用关键属性对历史属性数据集合筛选，得到关键属性数据集合，根据历史负荷数据集合及对应的关键属性数据集合进行负荷预测模型训练，根据训练的所述负荷预测模型，对电力***进行短期电力负荷预测。可以在减少负荷预测的输入特征的同时，保留对负荷预测价值较大的关键属性，进而可以兼顾短期电力负荷预测的复杂度和预测精度。
图4是本发明一实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备400包括：处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403，例如短期电力负荷预测程序。所述处理器401执行所述计算机程序403时实现上述短期电力负荷预测方法实施例中的步骤，例如图1所示的步骤101至106，或者图2所示的步骤201至步骤204，所述处理器401执行所述计算机程序403时实现上述各装置实施例中各模块的功能，例如图3所示模块31至36的功能。
示例性的，所述计算机程序403可以被分割成一个或多个程序模块，所述一个或者多个程序模块被存储在所述存储器402中，并由所述处理器401执行，以完成本发明。所述一个或多个程序模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述短期电力负荷预测装置或者终端设备400中的执行过程。例如，所述计算机程序403可以被分割成获取模块31、第一处理模块32、第二处理模块33、第三处理模块34、筛选模块35和训练预测模块36，各模块具体功能如图3所示，在此不再一一赘述。
所述终端设备400可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器401、存储器402。本领域技术人员可以理解，图4仅仅是终端设备400的示例，并不构成对终端设备400的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal 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。
所述存储器402可以是所述终端设备400的内部存储单元，例如终端设备400的硬盘或内存。所述存储器402也可以是所述终端设备400的外部存储设备，例如所述终端设备400上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括所述终端设备400的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终端设备400所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
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、或者计算机软件和电子硬件的结合来实现。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。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述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。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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，所述的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，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质可以包括：能够携带所述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，所述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电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种短期电力负荷预测方法，其特征在于，包括：
获取历史负荷数据集合及对应的历史属性数据集合；
针对所述历史负荷数据集合中每一负荷数据，计算该负荷数据与所述历史属性数据集合中的每种属性数据的相关度，获得相关度矩阵；
根据所述相关度矩阵，计算每种属性对应的第一加权秩合比估计值；
将所述第一加权秩合比估计值大于预设阈值的属性确定为关键属性；
利用所述关键属性对所述历史属性数据集合筛选，得到关键属性数据集合；
根据所述历史负荷数据集合及对应的所述关键属性数据集合进行负荷预测模型训练，根据训练的所述负荷预测模型，对电力***进行短期电力负荷预测。
2.如权利要求1所述的短期电力负荷预测方法，其特征在于，在获取历史负荷数据集合及对应的历史属性数据集合之前，还包括：
获取初始历史负荷数据集合及对应的初始历史属性数据集合；
对所述初始历史负荷数据集合及所述初始历史属性数据集合进行缺失值补全、异常值修正或剔除处理；
将处理后的初始历史负荷数据集合作为所述历史负荷数据集合，将处理后的初始历史属性数据集合作为所述历史属性数据集合。
3.如权利要求1或2所述的短期电力负荷预测方法，其特征在于，所述计算该负荷数据与所述历史属性数据集合中的每种属性数据的相关度，包括：
根据
计算该负荷数据与所述历史属性数据集合中的每种属性数据的相关度；
其中，I(xi,xo)为负荷数据xo与所述历史属性数据集合中的第i种属性数据的相关度，p(xik,xok)为概率密度函数，p(xik)为所述历史属性数据集合中的第i种属性数据中第k个值的边际分布，p(xok)为负荷数据xo中第k个值的边际分布，其中，k＝1,2,…n。
4.如权利要求3所述的短期电力负荷预测方法，其特征在于，在针对所述历史负荷数据集合中每一负荷数据，计算该负荷数据与所述历史属性数据集合中的每种属性数据的相关度，获得相关度矩阵之后，还包括：
根据所述相关度矩阵，计算每一负荷数据对应的第二加权秩合比估计值；
将所述第二加权秩合比估计值最大的负荷数据确定为关键负荷数据。
5.如权利要求4所述的短期电力负荷预测方法，其特征在于，所述根据所述历史负荷数据集合及对应的所述关键属性数据集合进行负荷预测模型训练，包括：
根据所述关键负荷数据和所述关键负荷数据对应的关键属性数据，确定初始负荷预测模型；
根据所述历史负荷数据集合中除所述关键负荷数据之外的负荷数据及对应的关键属性数据对所述初始负荷预测模型进行更新，直到到达更新终止条件。
6.如权利要求3所述的短期电力负荷预测方法，其特征在于，所述根据所述相关度矩阵，计算每种属性对应的第一加权秩合比估计值，包括：
根据所述相关度矩阵的分布情况，确定每一负荷数据对应的权重；
根据每一负荷数据对应的权重和所述相关度矩阵，计算得到加权相关度矩阵；
对所述加权相关度矩阵中的每个加权相关度编秩，得到秩矩阵；
根据每一负荷数据对应的权重和所述秩矩阵，计算每种属性对应的第一加权秩合比估计值。
7.如权利要求6所述的短期电力负荷预测方法，其特征在于，所述根据每一负荷数据对应的权重和所述秩矩阵，计算每种属性对应的第一加权秩合比估计值，包括：
根据每一负荷数据对应的权重和所述秩矩阵，计算每种属性的加权秩和比；
根据每个加权秩和比，计算得到每种属性的累积频率并转化为概率单位；
以所述概率单位为自变量，以每种属性的加权秩和比为因变量建立线性回归方程；
根据所述线性回归方程，计算每种属性对应的第一加权秩合比估计值。
8.一种短期电力负荷预测装置，其特征在于，包括：
获取模块，用于获取历史负荷数据集合及对应的历史属性数据集合；
第一处理模块，用于针对所述历史负荷数据集合中每一负荷数据，计算该负荷数据与所述历史属性数据集合中的每种属性数据的相关度，获得相关度矩阵；
第二处理模块，用于根据所述相关度矩阵，计算每种属性对应的第一加权秩合比估计值；
第三处理模块，用于将所述第一加权秩合比估计值大于预设阈值的属性确定为关键属性；
筛选模块，用于利用所述关键属性对所述历史属性数据集合筛选，得到关键属性数据集合；
训练预测模块，用于根据所述历史负荷数据集合及对应的所述关键属性数据集合进行负荷预测模型训练，根据训练的所述负荷预测模型，对电力***进行短期电力负荷预测。
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 |
|---|---|---|---|
| CN202110944859.8A CN113592192A (zh) | 2021-08-17 | 2021-08-17 | 短期电力负荷预测方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110944859.8A CN113592192A (zh) | 2021-08-17 | 2021-08-17 | 短期电力负荷预测方法、装置及终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113592192A true CN113592192A (zh) | 2021-11-02 |
Family
ID=78258387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110944859.8A Withdrawn CN113592192A (zh) | 2021-08-17 | 2021-08-17 | 短期电力负荷预测方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592192A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116205355A (zh) * | 2023-02-22 | 2023-06-02 | 正泰电气股份有限公司 | 电力负荷的预测方法、装置以及存储介质 |
-
2021
- 2021-08-17 CN CN202110944859.8A patent/CN113592192A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116205355A (zh) * | 2023-02-22 | 2023-06-02 | 正泰电气股份有限公司 | 电力负荷的预测方法、装置以及存储介质 |
| CN116205355B (zh) * | 2023-02-22 | 2023-12-01 | 正泰电气股份有限公司 | 电力负荷的预测方法、装置以及存储介质 |
| 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 |
| CN116186548B (zh) * | 2023-05-04 | 2023-08-01 | 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113592192A (zh) | 短期电力负荷预测方法、装置及终端设备 | |
| CN113743673B (zh) | 一种台风期间的电力负荷预测方法 | |
| CN112651563B (zh) | 负荷预测方法、装置、计算机可读存储介质及电子设备 | |
| CN110263818A (zh) | 简历筛选的方法、装置、终端和计算机可读存储介质 | |
| CN113112099A (zh) | 电网日电量预测模型训练方法和电网日电量预测方法 | |
| CN112002949A (zh) | 一种动力电池主动均衡的监测管理方法及*** | |
| CN113177366A (zh) | 一种综合能源***规划方法、装置和终端设备 | |
| CN115905927A (zh) | 用电异常用户的识别方法、装置、电子设备及存储介质 | |
| CN113591900A (zh) | 一种高需求响应潜力用户的识别方法、装置及终端设备 | |
| CN109325530A (zh) | 基于少量无标签数据的深度卷积神经网络的压缩方法 | |
| CN114461618A (zh) | 一种计量缺失数据补全方法、装置及终端设备 | |
| CN113139698A (zh) | 负荷预测方法、装置及设备 | |
| CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
| CN109242321B (zh) | 用户电力负荷在线分析方法及终端设备 | |
| CN114971053A (zh) | 低压台区网络线损率在线预测模型的训练方法及装置 | |
| CN113393099A (zh) | 配电网项目群价值指标评估方法、装置及终端设备 | |
| CN109582921B (zh) | 配电变压器负载状态评估方法及终端设备 | |
| CN114092276A (zh) | 台区短期负荷的预测方法 | |
| CN113570105A (zh) | 电力负荷预测方法、装置及终端 | |
| CN113822464A (zh) | 用户信息的处理方法及装置、电子设备、存储介质 | |
| CN114580255A (zh) | 一种设备剩余寿命预测模型的构建方法及终端设备 | |
| CN112734245B (zh) | 低压配电回路监测方法、装置及设备 | |
| CN113205259A (zh) | 电网调度决策评估方法、装置及终端设备 | |
| CN113705872A (zh) | 短期负荷预测方法及装置 | |
| CN112531629A (zh) | 配电网保护定值自动整定方法、装置及终端设备 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211102 |
|
| WW01 | Invention patent application withdrawn after publication |