CN114066068A - 一种短期电力负荷预测方法、装置、设备和存储介质 - Google Patents
一种短期电力负荷预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114066068A CN114066068A CN202111371538.XA CN202111371538A CN114066068A CN 114066068 A CN114066068 A CN 114066068A CN 202111371538 A CN202111371538 A CN 202111371538A CN 114066068 A CN114066068 A CN 114066068A
- Authority
- CN
- China
- Prior art keywords
- predicted
- load
- load prediction
- historical
- area
- 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 70
- 230000007613 environmental effect Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 230000000750 progressive effect Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013277 forecasting method Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method 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
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (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
本申请公开了一种短期电力负荷预测方法、装置、设备和存储介质,其中方法包括:获取待预测时间和待预测台区;获取所述待预测台区对应的若干台区负荷类型;获取各所述台区负荷类型对应的负荷预测模型;将所述待预测时间、所述待预测时间对应的环境数据和时间属性输入各所述负荷预测模型,得到各所述负荷预测模型输出的负荷预测值;将所有所述负荷预测值求和,得到所述待预测台区对应的目标负荷预测值。解决了现有的短期电力负荷预测方法,准确度较低的技术问题。
Description
技术领域
本申请涉及电力负荷分析技术领域,尤其涉及一种短期电力负荷预测方法、装置、设备和存储介质。
背景技术
电力负荷预测连接电网能源与用户需求,准确、及时、有效地对电力负荷进行预测可以辅助电网进行电力调度安排,防止出现电力事故,从而造成大规模停电或者严重的经济损失。精准的电网短期电力负荷预测方法能够实现电网能量的精细管理,是居民稳定用电、经济稳定发展的重要保障。
短期电力负荷预测是依靠历史电力负荷波动规律,结合外部环境数据的影响对未来几个小时或者几天的负荷状态进行预测。现有方法虽然可以对短期电力负荷预测取得一定的效果,但是现有的短期电力负荷预测方法在实际应用中准确度较低。
发明内容
有鉴于此,本申请提供了一种短期电力负荷预测方法、装置、设备和存储介质,解决了现有的短期电力负荷预测方法,准确度较低的技术问题。
本申请第一方面提供了一种短期电力负荷预测方法,包括:
获取待预测时间和待预测台区;
获取所述待预测台区对应的若干台区负荷类型;
获取各所述台区负荷类型对应的负荷预测模型;
将所述待预测时间、所述待预测时间对应的环境数据和时间属性输入各所述负荷预测模型,得到各所述负荷预测模型输出的负荷预测值;
将所有所述负荷预测值求和,得到所述待预测台区对应的目标负荷预测值。
可选地,获取所述待预测台区对应的若干台区负荷类型,具体包括:
获取所述待预测台区的台区信息;
基于所述台区信息、台区信息和若干台区负荷类型的对应关系,获取所述台区信息对应的若干台区负荷类型。
可选地,若干所述台区负荷类型的配置过程具体包括:
步骤S1、获取所述待预测台区的多个历史电力负荷,及各所述历史电力负荷对应的类别;
步骤S2、从多个所述历史电力负荷中随机选取q个数据作为初始的聚类中心;
步骤S3、计算各所述历史电力负荷和各所述聚类中心之间的距离;
步骤S4、基于所述距离,重新确定q个聚类中心,得到聚类中心集;
步骤S5、循环执行步骤S3和S4,直至当前次的聚类中心集和前一次的聚类中心集之间的差值小于预设值;
步骤S6、将当前次的聚类中心集对应的类别作为所述待预测台区对应的台区负荷类型。
可选地,所述负荷预测模型的配置过程包括:
获取所述待预测台区的多个历史电力负荷,及各所述历史电力负荷对应的历史时间属性和历史环境数据;
以所述历史时间属性和历史环境数据作为输入参数、所述历史电力负荷作为目标输出,对预设初始模型进行训练,得到所述负荷预测模型。
可选地,所述预设初始模型为梯度渐进回归树模型,且所述梯度渐进回归树模型为:
式中,f0(x)为梯度渐进回归树模型,argmin()是使损失函数L(yi,c)达到最小值时的常数值c的取值,yi为第i个输入参数,N为输入参数的数量。
可选地,以所述历史时间属性和历史环境数据作为输入参数、所述历史电力负荷作为目标输出,对预设初始模型进行训练,得到所述负荷预测模型,之前还包括:
对所述历史电力负荷进行异常值的预处理。
本申请第二方面提供了一种短期电力负荷预测装置,包括:
第一获取单元,用于获取待预测时间和待预测台区;
第二获取单元,用于获取所述待预测台区对应的若干台区负荷类型;
第三获取单元,用于获取各所述台区负荷类型对应的负荷预测模型;
预测单元,用于将所述待预测时间、所述待预测时间对应的环境数据和时间属性输入各所述负荷预测模型,得到各所述负荷预测模型输出的负荷预测值;
求和单元,用于将所有所述负荷预测值求和,得到所述待预测台区对应的目标负荷预测值。
可选地,若干所述台区负荷类型的配置过程具体包括:
步骤S1、获取所述待预测台区的多个历史电力负荷,及各所述历史电力负荷对应的类别;
步骤S2、从多个所述历史电力负荷中随机选取q个数据作为初始的聚类中心;
步骤S3、计算各所述历史电力负荷和各所述聚类中心之间的距离;
步骤S4、基于所述距离,重新确定q个聚类中心,得到聚类中心集;
步骤S5、循环执行步骤S3和S4,直至当前次的聚类中心集和前一次的聚类中心集之间的差值小于预设值;
步骤S6、将当前次的聚类中心集对应的类别作为所述待预测台区对应的台区负荷类型。
本申请第三方面提供了一种短期电力负荷预测设备,包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行任一种第一方面所述的短期电力负荷预测方法。
本申请第四方面提供了一种存储介质,所述存储介质用于存储程序代码,所述程序代码用于执行任一种第一方面所述的短期电力负荷预测方法。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供了一种短期电力负荷预测方法,首先获取待预测时间和待预测台区,接着获取待预测台区对应的若干台区负荷类型,同时获取各台区负荷类型对应的负荷预测模型,然后将待预测时间、待预测时间对应的环境数据和时间属性输入各负荷预测模型,得到各负荷预测模型输出的负荷预测值,最后将所有负荷预测值求和,得到待预测台区对应的目标负荷预测值。本申请中针对待预测台区的各负荷类型分别进行负荷预测,最后再将各负荷类型对应的负荷预测值进行求和边和得到整个待预测台区对应的目标负荷预测值,预测结果准确率较高,从而解决了现有的短期电力负荷预测方法,准确度较低的技术问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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它的附图。
图1为本申请实施例中一种短期电力负荷预测方法的第一实施例的流程示意图;
图2为本申请实施例中一种短期电力负荷预测方法的第二实施例的流程示意图;
图3为本申请实施例中一种短期电力负荷预测方法的原理图;
图4为本申请实施例中一种短期电力负荷预测装置的结构示意图。
具体实施方式
本申请实施例提供了一种短期电力负荷预测方法、装置、设备和存储介质,解决了现有的短期电力负荷预测方法,准确度较低的技术问题。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请实施例第一方面提供了一种短期电力负荷预测方法的实施例。
请参阅图1,本申请实施例中一种短期电力负荷预测方法的第一实施例的流程示意图。
本实施例中的短期电力负荷预测方法包括:
步骤101、获取待预测时间和待预测台区。
可以理解的是,本申请中的电力负荷预测方法预测时是对某个时间段或者某个时间点的电力负荷进行的,故在电力负荷预测中需要获取电力负荷预测时对应的时间,即待预测时间。可以理解的是,上述待预测时间的具体时间信息可以根据预测需要进行设置,如设置为一个时间段,例如2021年10月1日到2021年10月7日,也可以设置为具体的一天,例如2021年10月9日。本实施例中对此不作具体限定。
步骤102、获取待预测台区对应的若干台区负荷类型。
本实施例中将待预测台区基于台区负荷类型进行了分类,这样在预测时可以分别就各种台区负荷类型进行预测,通过针对性预测的方式提高了各种台区负荷类型对应的预测结果准确度,进而提高整个待预测台区的负荷预测准确度。
可以理解的是,上述的台区负荷类型可以是城市居民台区、商业台区、工业台区和农业台区四类,也可以是其他的类型,本实施例中对此不作具体限定。
需要说明的是,上述的若干是不定量的意思,即可以是一个,也可以是多个(即两个以上),具体根据待预测台区实际对应的台区负荷类型确定“若干”的具体数值。
步骤103、获取各台区负荷类型对应的负荷预测模型。
可以理解的是,各台区负荷类型对应有一个负荷预测模型,具体在获取台区负荷类型对应的负荷预测模型时,根据台区负荷类型和负荷预测模型之间的对应关系进行。本实施例中预先设置一个台区负荷类型对应一个负荷预测模型,基于上述建立一一对应关系,这样基于该对应关系在知道上述二者中的任意一个时便可确定与之对应的另外一个,即知道台区负荷类型时可以确定相应的负荷预测模型,或者知道负荷预测模型时知道对应的台区负荷类型。
步骤104、将待预测时间、待预测时间对应的环境数据和时间属性输入各负荷预测模型,得到各负荷预测模型输出的负荷预测值。
为了进一步提高负荷预测结果,本实施例中在进行负荷预测时,还考虑环境数据、时间属性等。可以理解的是,上述的环境数据可以是天气、温度、湿度、位置、地区等,时间属性可以为工作日、非工作日、季节等,具体本领域技术人员可以根据需要进行设置,本实施例中对此不作具体限定和赘述。
具体地,负荷预测模型在配置时就是基于历史电力负荷、历史电力负荷对应的时间、环境等训练后得到的,故在负荷预测模型配置完成后,便可以通过负荷预测模型对电力负荷进行预测。
步骤105、将所有负荷预测值求和,得到待预测台区对应的目标负荷预测值。
由于步骤104的负荷预测是针对各台区负荷类型进行的,故在得到各台区负荷类型对应的负荷预测值后,将这些值求和,便可得到待预测台区对应的目标负荷预测值。
本实施例中,首先获取待预测时间和待预测台区,接着获取待预测台区对应的若干台区负荷类型,同时获取各台区负荷类型对应的负荷预测模型,然后将待预测时间、待预测时间对应的环境数据和时间属性输入各负荷预测模型,得到各负荷预测模型输出的负荷预测值,最后将所有负荷预测值求和,得到待预测台区对应的目标负荷预测值。本申请中针对待预测台区的各负荷类型分别进行负荷预测,最后再将各负荷类型对应的负荷预测值进行求和边和得到整个待预测台区对应的目标负荷预测值,预测结果准确率较高,从而解决了现有的短期电力负荷预测方法,准确度较低的技术问题。
以上为本申请实施例提供的一种短期电力负荷预测方法的第一实施例,以下为本申请实施例提供的一种短期电力负荷预测方法的第二实施例。
请参阅图2,本申请实施例中一种短期电力负荷预测方法的第二实施例的流程示意图。
本实施例中的短期电力负荷预测方法包括:
步骤201、获取待预测时间和待预测台区。
需要说明的是,步骤201和步骤101的内容相似,具体可以参见上述步骤101的描述,在此不再赘述。
步骤202、获取待预测台区的台区信息。
可以理解的是,本实施例中的台区信息用于对待预测台区进行区分,即不同的待预测台区对应有不同的台区信息(代表台区身份),例如可以是台区名称、台区编号等,本实施例中对此不作具体限定
步骤203、基于台区信息、台区信息和若干台区负荷类型的对应关系,获取台区信息对应的若干台区负荷类型。
本实施例中待预测台区对应的若干台区类型,基于待预测台区的台区信息和若干台区负荷类型的对应关系确定。
具体地,本实施例中若干台区负荷类型的配置过程具体包括:
步骤S1、获取待预测台区的多个历史电力负荷,及各历史电力负荷对应的类别;
步骤S2、从多个历史电力负荷中随机选取q个数据作为初始的聚类中心;
步骤S3、计算各历史电力负荷和各聚类中心之间的距离;
步骤S4、基于距离,重新确定q个聚类中心,得到聚类中心集;
步骤S5、循环执行步骤S3和S4,直至当前次的聚类中心集和前一次的聚类中心集之间的差值小于预设值;
步骤S6、将当前次的聚类中心集对应的类别作为待预测台区对应的台区负荷类型。
可以理解的是,上述步骤S3中计算的距离时根据聚类的实际问题不同,在求解两两数据间距离时,可以选择不同的距离求解公式。欧式距离、曼哈顿距离或者闵可夫斯基距离都可以作为算法中“距离”的度量。
其中,曼哈顿距离或者闵可夫斯基距离的计算公式如下:
a.曼哈顿距离:d(x,y)=|x1-y1|+|x2-y2|+...+|xn-yn|
其中,在当q=2和q=1时,闵可夫斯基距离则分别与欧氏距离、曼哈顿距离相等。
步骤204、获取各台区负荷类型对应的负荷预测模型。
可以理解的是,负荷预测模型的配置过程包括:
获取待预测台区的多个历史电力负荷,及各历史电力负荷对应的历史时间属性和历史环境数据;
以历史时间属性和历史环境数据作为输入参数、历史电力负荷作为目标输出,对预设初始模型进行训练,得到负荷预测模型。
预设初始模型为梯度渐进回归树模型,且梯度渐进回归树模型为:
式中,f0(x)为梯度渐进回归树模型,argmin()是使损失函数L(yi,c)达到最小值时的常数值c的取值,yi为第i个输入参数,N为输入参数的数量。
以历史时间属性和历史环境数据作为输入参数、历史电力负荷作为目标输出,对预设初始模型进行训练,得到负荷预测模型,之前还包括:
对历史电力负荷进行异常值的预处理。
为保证采集的数据是正确和完整的,需首先对异常值进行处理,否则会对模型训练产生不必要的干扰。异常值的特点是偏离于大部分运行数据。可以采用3σ准则进行异常点检测,若测量值(即历史时间属性、历史环境数据或者历史电力负荷等)满足下面两个公式中任意一个,则为异常值,将其剔除,公式为:其中,为测量值历史数据的平均值,σ为测量值历史数据的标准差,xi为测量值。
为了充分利用采集到的数据,需要对异常值进行修复。由于电力负荷数据具有缓慢时变性,故使用相邻时刻的数据进行插值填充,且负荷变化具强的周期性,在不同日类型负荷预测情况有明显差异,因此数据采用相邻几天内同一日类型同一时刻的数据的平均值进行填充。
需要说明的是,梯度渐进回归树(GBRT)算法的特性就是在每颗回归树的深度很小的情况下依然可以获得同更深的回归树一样高的精度,通常将每颗回归树的最大深度设定成一个较小的值来防止过拟合。
梯度渐进回归树(GBRT)模型的主要参数包括每颗回归树的最大深度、学习率和迭代次数。学习率的作用是控制优化问题时的步长,如果步长过大,优化过程可能会发散,如果步长过小,则需要执行太多次迭代,计算时间增加。根据经验,学习率的取值范围通常在0.025~0.3之间。模型训练所需迭代次数与预测问题难度和上述两个参数设置相关,对已有的数据通过交叉验证对迭代次数进行优化,在迭代过程中,得出当验证集的预测精度在连续Q轮迭代中没有提升,即停止迭代,得到当前迭代次数,用于最终的GBRT模型训练。
步骤205、将待预测时间、待预测时间对应的环境数据和时间属性输入各负荷预测模型,得到各负荷预测模型输出的负荷预测值。
可以理解的是,步骤205和第一实施例中步骤104的描述相同,具体可以参见上述步骤104的描述,在此不再赘述。
步骤206、将所有负荷预测值求和,得到待预测台区对应的目标负荷预测值。
可以理解的是,步骤206和第一实施例中步骤105的描述相同,具体可以参见上述步骤105的描述,在此不再赘述。
本实施例中,首先获取待预测时间和待预测台区,接着获取待预测台区对应的若干台区负荷类型,同时获取各台区负荷类型对应的负荷预测模型,然后将待预测时间、待预测时间对应的环境数据和时间属性输入各负荷预测模型,得到各负荷预测模型输出的负荷预测值,最后将所有负荷预测值求和,得到待预测台区对应的目标负荷预测值。本申请中针对待预测台区的各负荷类型分别进行负荷预测,最后再将各负荷类型对应的负荷预测值进行求和边和得到整个待预测台区对应的目标负荷预测值,预测结果准确率较高,从而解决了现有的短期电力负荷预测方法,准确度较低的技术问题。
为了便于理解,请参阅图3,本实施例中对短期电力负荷预测方法的具体流程说明如下:
步骤1、采集数据历史电力负荷xi并进行数据预处理,解决数据在采集和传输过程中经常出现的数据丢失和数据异常的现象,保证数据的正确性和完整性。
步骤2、对历史电力负荷xi进行K-means聚类分析,得出待预测台区整片区域的台区电力负荷类型1~q,第q类台区电力负荷包含编号为1~Nq个台区。
采用K-means聚类分析方法对电力负荷进行聚类分析并做分类处理,具体步骤如下:
(2)对数据集中的第i个样本点xi,计算其与各聚类中心μj的欧氏距离,并获取样例xi所属类别的标号:
(3)按照下述公式重新计算q个聚类中心:
(4)重复步骤(2)和步骤(3),直至当前次的聚类中心集和前一次的聚类中心集之间的差值小于预设值为止。从而得出q类台区电力负荷分类结果,第q类台区负荷包含Nq个台区。
步骤3、对每类电力负荷进行构建模型输入的特征集合,主要包括历史环境数据、历史时间属性、历史时间数据等,可以根据具体的数据情况和地区实际用电特点来确定;
步骤4、训练GBRT模型及其参数优化,针对每个类型电力负荷进行梯度渐进回归树(GBRT)模型的构建以及模型中三个主要参数包括每颗回归树的最大深度、学习率和迭代次数。
设某一类训练数据集为T={(x1,y1),(x2,y2),...,(xN,yN)},其中xi∈Rd,yi∈R,设定损失函数为L(y,f(x)),设定回归树的最大深度为D。
训练GBRT模型的具体步骤如下:
(1)初始化模型,根据以下公式计算使损失函数最小化的常数值c,得到仅有一个根节点的树。
(2)计算损失函数的负梯度在当前模型的值作为残差的近似值。对m=1,2,...,M,n=1,2,...,N,由以下公式计算得出:
(4)利用线性搜索求得模型的权重βm,最小化损失函数的值。
(5)迭代结束,得到最终模型:
f(x)=fM(x);
步骤5、对待预测台区中1~q类台区电力负荷进行数据预测获得每一类电力负荷预测值。
步骤6、综合步骤5的不同类台区预测数值进行求和,得出未来几天到十几天的整片区域的中短期负荷预测值。
最后综合每类台区负荷预测值得出整片区域的电力负荷预测值。
本实施例中的短期电力负荷预测方法,实现提升预测模型对电力负荷突变事件的敏感度和适应能力,可以提高短期电力负荷预测的预测精度,同时参数可以在很宽泛的范围均可以接近最优结果,算法具有较强的实用性,本专利可以针对一整片区域的电力负荷进行中短期预测。
本申请实施例第二方面提供了一种短期电力负荷预测装置的实施例。
请参阅图4,本申请实施例中一种短期电力负荷预测装置的结构示意图。
本实施例中的一种短期电力负荷预测装置包括:
第一获取单元,用于获取待预测时间和待预测台区;
第二获取单元,用于获取待预测台区对应的若干台区负荷类型;
第三获取单元,用于获取各台区负荷类型对应的负荷预测模型;
预测单元,用于将待预测时间、待预测时间对应的环境数据和时间属性输入各负荷预测模型,得到各负荷预测模型输出的负荷预测值;
求和单元,用于将所有负荷预测值求和,得到待预测台区对应的目标负荷预测值。
进一步地,若干台区负荷类型的配置过程具体包括:
步骤S1、获取待预测台区的多个历史电力负荷,及各历史电力负荷对应的类别;
步骤S2、从多个历史电力负荷中随机选取q个数据作为初始的聚类中心;
步骤S3、计算各历史电力负荷和各聚类中心之间的距离;
步骤S4、基于距离,重新确定q个聚类中心,得到聚类中心集;
步骤S5、循环执行步骤S3和S4,直至当前次的聚类中心集和前一次的聚类中心集之间的差值小于预设值;
步骤S6、将当前次的聚类中心集对应的类别作为待预测台区对应的台区负荷类型。
进一步地,第二获取单元具体包括:
第一获取子单元,用于获取待预测台区的台区信息;
第二获取子单元,用于基于台区信息、台区信息和若干台区负荷类型的对应关系,获取台区信息对应的若干台区负荷类型。
进一步地,负荷预测模型的配置过程包括:
获取待预测台区的多个历史电力负荷,及各历史电力负荷对应的历史时间属性和历史环境数据;
以历史时间属性和历史环境数据作为输入参数、历史电力负荷作为目标输出,对预设初始模型进行训练,得到负荷预测模型。
可选地,预设初始模型为梯度渐进回归树模型,且梯度渐进回归树模型为:
式中,f0(x)为梯度渐进回归树模型,argmin()是使损失函数L(yi,c)达到最小值时的常数值c的取值,yi为第i个输入参数,N为输入参数的数量。
进一步地,以历史时间属性和历史环境数据作为输入参数、历史电力负荷作为目标输出,对预设初始模型进行训练,得到负荷预测模型,之前还包括:
对历史电力负荷进行异常值的预处理。
本实施例中,首先获取待预测时间和待预测台区,接着获取待预测台区对应的若干台区负荷类型,同时获取各台区负荷类型对应的负荷预测模型,然后将待预测时间、待预测时间对应的环境数据和时间属性输入各负荷预测模型,得到各负荷预测模型输出的负荷预测值,最后将所有负荷预测值求和,得到待预测台区对应的目标负荷预测值。本申请中针对待预测台区的各负荷类型分别进行负荷预测,最后再将各负荷类型对应的负荷预测值进行求和边和得到整个待预测台区对应的目标负荷预测值,预测结果准确率较高,从而解决了现有的短期电力负荷预测方法,准确度较低的技术问题。
本申请实施例第三方面提供了一种短期电力负荷预测设备的实施例。
一种短期电力负荷预测设备,包括处理器以及存储器;存储器用于存储程序代码,并将程序代码传输给处理器;处理器用于根据程序代码中的指令执行第一方面的短期电力负荷预测方法。
本申请实施例第四方面提供了一种存储介质的实施例。
一种存储介质,存储介质用于存储程序代码,程序代码用于执行第一方面的短期电力负荷预测方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置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,所揭露的装置和方法,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待安装电网网络,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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,在本申请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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种短期电力负荷预测方法,其特征在于,包括:
获取待预测时间和待预测台区;
获取所述待预测台区对应的若干台区负荷类型;
获取各所述台区负荷类型对应的负荷预测模型;
将所述待预测时间、所述待预测时间对应的环境数据和时间属性输入各所述负荷预测模型,得到各所述负荷预测模型输出的负荷预测值;
将所有所述负荷预测值求和,得到所述待预测台区对应的目标负荷预测值。
2.根据权利要求1所述的短期电力负荷预测方法,其特征在于,获取所述待预测台区对应的若干台区负荷类型,具体包括:
获取所述待预测台区的台区信息;
基于所述台区信息、台区信息和若干台区负荷类型的对应关系,获取所述台区信息对应的若干台区负荷类型。
3.根据权利要求1所述的短期电力负荷预测方法,其特征在于,若干所述台区负荷类型的配置过程具体包括:
步骤S1、获取所述待预测台区的多个历史电力负荷,及各所述历史电力负荷对应的类别;
步骤S2、从多个所述历史电力负荷中随机选取q个数据作为初始的聚类中心;
步骤S3、计算各所述历史电力负荷和各所述聚类中心之间的距离;
步骤S4、基于所述距离,重新确定q个聚类中心,得到聚类中心集;
步骤S5、循环执行步骤S3和S4,直至当前次的聚类中心集和前一次的聚类中心集之间的差值小于预设值;
步骤S6、将当前次的聚类中心集对应的类别作为所述待预测台区对应的台区负荷类型。
4.根据权利要求1所述的短期电力负荷预测方法,其特征在于,所述负荷预测模型的配置过程包括:
获取所述待预测台区的多个历史电力负荷,及各所述历史电力负荷对应的历史时间属性和历史环境数据;
以所述历史时间属性和历史环境数据作为输入参数、所述历史电力负荷作为目标输出,对预设初始模型进行训练,得到所述负荷预测模型。
6.根据权利要求4所述的短期电力负荷预测方法,其特征在于,以所述历史时间属性和历史环境数据作为输入参数、所述历史电力负荷作为目标输出,对预设初始模型进行训练,得到所述负荷预测模型,之前还包括:
对所述历史电力负荷进行异常值的预处理。
7.一种短期电力负荷预测装置,其特征在于,包括:
第一获取单元,用于获取待预测时间和待预测台区;
第二获取单元,用于获取所述待预测台区对应的若干台区负荷类型;
第三获取单元,用于获取各所述台区负荷类型对应的负荷预测模型;
预测单元,用于将所述待预测时间、所述待预测时间对应的环境数据和时间属性输入各所述负荷预测模型,得到各所述负荷预测模型输出的负荷预测值;
求和单元,用于将所有所述负荷预测值求和,得到所述待预测台区对应的目标负荷预测值。
8.根据权利要求7所述的短期电力负荷预测装置,其特征在于,若干所述台区负荷类型的配置过程具体包括:
步骤S1、获取所述待预测台区的多个历史电力负荷,及各所述历史电力负荷对应的类别;
步骤S2、从多个所述历史电力负荷中随机选取q个数据作为初始的聚类中心;
步骤S3、计算各所述历史电力负荷和各所述聚类中心之间的距离;
步骤S4、基于所述距离,重新确定q个聚类中心,得到聚类中心集;
步骤S5、循环执行步骤S3和S4,直至当前次的聚类中心集和前一次的聚类中心集之间的差值小于预设值;
步骤S6、将当前次的聚类中心集对应的类别作为所述待预测台区对应的台区负荷类型。
9.一种短期电力负荷预测设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1至6中任一项所述的短期电力负荷预测方法。
10.一种存储介质,其特征在于,所述存储介质用于存储程序代码,所述程序代码用于执行权利要求1至6中任一项所述的短期电力负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111371538.XA CN114066068A (zh) | 2021-11-18 | 2021-11-18 | 一种短期电力负荷预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111371538.XA CN114066068A (zh) | 2021-11-18 | 2021-11-18 | 一种短期电力负荷预测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114066068A true CN114066068A (zh) | 2022-02-18 |
Family
ID=80278153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111371538.XA Pending CN114066068A (zh) | 2021-11-18 | 2021-11-18 | 一种短期电力负荷预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066068A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350485A (zh) * | 2023-09-27 | 2024-01-05 | 广东电网有限责任公司 | 基于数据挖掘模型的电力市场管控方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612227A (zh) * | 2020-05-12 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 |
CN111815060A (zh) * | 2020-07-16 | 2020-10-23 | 广东电网有限责任公司 | 一种用电地区短期负荷预测方法及装置 |
CN112734135A (zh) * | 2021-01-26 | 2021-04-30 | 吉林大学 | 一种电力负荷预测方法、智能终端及计算机可读存储介质 |
-
2021
- 2021-11-18 CN CN202111371538.XA patent/CN114066068A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612227A (zh) * | 2020-05-12 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 |
CN111815060A (zh) * | 2020-07-16 | 2020-10-23 | 广东电网有限责任公司 | 一种用电地区短期负荷预测方法及装置 |
CN112734135A (zh) * | 2021-01-26 | 2021-04-30 | 吉林大学 | 一种电力负荷预测方法、智能终端及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
杨修德等: "XGBoost在超短期负荷预测中的应用", 电气传动自动化, vol. 39, no. 04, 1 August 2017 (2017-08-01), pages 21 - 25 * |
陆海等: "基于数据驱动理念的电力日负荷曲线预测方法研究", 电力***及其自动化学报, vol. 32, no. 01, 23 October 2019 (2019-10-23), pages 42 - 49 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350485A (zh) * | 2023-09-27 | 2024-01-05 | 广东电网有限责任公司 | 基于数据挖掘模型的电力市场管控方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674993A (zh) | 一种用户负荷短期预测方法和装置 | |
CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、***及存储介质 | |
CN113780679B (zh) | 一种基于泛在电力物联网的负荷预测方法及装置 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN112733417A (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和*** | |
CN111723839A (zh) | 一种基于边缘计算的台区线损率预测方法 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及***、设备、介质 | |
CN115456306A (zh) | 一种母线负荷预测方法、***、设备及存储介质 | |
CN115329899A (zh) | 一种聚类等效模型构建方法、***、设备和存储介质 | |
CN112949207A (zh) | 一种基于改进最小二乘支持向量机的短期负荷预测方法 | |
CN113469570A (zh) | 信息质量评价模型构建方法、装置、设备及存储介质 | |
CN115470987A (zh) | 基于改进长短期记忆神经网络的短期光伏发电预测方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN111612227A (zh) | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 | |
CN114066068A (zh) | 一种短期电力负荷预测方法、装置、设备和存储介质 | |
CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和*** | |
CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
CN113537607B (zh) | 停电预测方法 | |
CN112836885B (zh) | 组合负荷预测方法、装置、电子设备和存储介质 | |
CN109086952A (zh) | 一种基于遗传算法-神经网络的热负荷预测方法 | |
Nahid et al. | Home occupancy classification using machine learning techniques along with feature selection | |
Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |