CN114091750A - 电网负荷异常预测方法、***和存储介质 - Google Patents
电网负荷异常预测方法、***和存储介质 Download PDFInfo
- Publication number
- CN114091750A CN114091750A CN202111383136.1A CN202111383136A CN114091750A CN 114091750 A CN114091750 A CN 114091750A CN 202111383136 A CN202111383136 A CN 202111383136A CN 114091750 A CN114091750 A CN 114091750A
- Authority
- CN
- China
- Prior art keywords
- model
- sequence
- prediction
- load
- power grid
- 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 33
- 230000005856 abnormality Effects 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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
- 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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种电网负荷异常预测方法、***和存储介质,涉及智能电网和人工智能,包括以下步骤:获取电网负荷序列数据;将所述电网负荷序列数据输入到预先训练好的负荷异常预测模型中进行预测,得到下一个时间段的预测结果;将下一个时间段的预测结果和预警值进行比较,判断是否产生异常;其中,所述负荷异常预测模型包括第一序列模型和第二序列模型,所述下一个时间段的预测结果根据所述第一序列模型和第二序列模型分别对电网负荷序列数据的预测结果的加权结果确定。本申请可以***未来的负荷状态,并以此判断是否存在负荷异常的情况,可以及时进行处理。
Description
技术领域
本申请涉及智能电网和人工智能,特别是一种电网负荷异常预测方法、***和存储介质。
背景技术
随着电力技术的发展,越来越多的新技术融合到电网中,形成一张“智能的电网”。智能电网对电网的性能提出了更高的要求。诸如电网数据的可视化、实时化。
在过往电网因局部超负荷而导致故障停运等情况时有发生,过往采取的方式往往是先发生故障,再采取措施。这样的方式已经不能满足智能电网的需求。传统方案中通过实时数据和阈值比较的方式,虽然能够发现一些异常的情况,但是从时间上,预警会有所滞后。因此,亟需一种新的方法可以***负荷异常的情况。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种电网负荷异常预测方法、***和存储介质,可以***负荷异常情况。
本申请实施例提供了:
一种电网负荷异常预测方法,包括以下步骤:
获取电网负荷序列数据,所述电网负荷序列数据是待预测数据,所述电网负荷序列数据由多个统计点组成,每个统计点表示时间序列上一个时间段的电网负荷统计量,各统计点所对应的时间段依次收尾相连且不重叠;
将所述电网负荷序列数据输入到预先训练好的负荷异常预测模型中进行预测,得到下一个时间段的预测结果;
将下一个时间段的预测结果和预警值进行比较,判断是否产生异常;
其中,所述负荷异常预测模型包括第一序列模型和第二序列模型,所述下一个时间段的预测结果根据所述第一序列模型和第二序列模型分别对电网负荷序列数据的预测结果的加权结果确定。
在一些实施例中,所述第一序列模型和第二序列模型的训练数据通过以下方式获得:
通过将电网传输节点的监测设备配置为在检测到负荷异常时标注并上传负荷异常发生前后的电网负荷数据,所述负荷异常发生前后是指以负荷发生的时间节点为中心点的预设长度的时间段;
根据各所述检测设备上传的异常数据构建训练集。
在一些实施例中,所述第一序列模型不同于第二序列模型。
在一些实施例中,所述第一序列模型为LSTM模型,所述第二序列模型为GRU模型;
所述下一个时间段的预测结果由所述LSTM模型对电网负荷序列数据的第一预测结果和由所述GRU模型对电网负荷序列数据的第二预测结果平均得到。
在一些实施例中,所述电网负荷序列数据由向量V={x1、x2、x3、……、xn}表示,n是正整数,向量中各元素均表示单位时间的电网负荷统计量。
在一些实施例中,所述LSTM模型由多个模型单元组成,各所述模型单元包括遗忘门、输入门和输出门;
其中,LSTM模型中第1个模型单元根据第1时刻的输入数据产生输出数据,第m个模型单元根据前一单元的输出数据集和第m时刻的输入数据产生输出数据。
另一方面,本实施例公开了一种电网负荷异常预测***,包括:
获取单元,用于获取电网负荷序列数据,所述电网负荷序列数据是待预测数据,所述电网负荷序列数据由多个统计点组成,每个统计点表示时间序列上一个时间段的电网负荷统计量,各统计点所对应的时间段依次收尾相连且不重叠;
预测单元,用于将所述电网负荷序列数据输入到预先训练好的负荷异常预测模型中进行预测,得到下一个时间段的预测结果;
判断单元,用于将下一个时间段的预测结果和预警值进行比较,判断是否产生异常;
其中,所述负荷异常预测模型包括第一序列模型和第二序列模型,所述下一个时间段的预测结果根据所述第一序列模型和第二序列模型分别对电网负荷序列数据的预测结果的加权结果确定。
在一些实施例中,所述第一序列模型为LSTM模型,所述第二序列模型为GRU模型;
所述下一个时间段的预测结果由所述LSTM模型对电网负荷序列数据的第一预测结果和由所述GRU模型对电网负荷序列数据的第二预测结果平均得到。
在一些实施例中,所述LSTM模型由多个模型单元组成,各所述模型单元包括遗忘门、输入门和输出门;
其中,LSTM模型中第1个模型单元根据第1时刻的输入数据产生输出数据,第m个模型单元根据前一单元的输出数据集和第m时刻的输入数据产生输出数据。
另一方面,本实施例公开了一种计算机可读存储介质,其存储有程序,所述程序被处理器执行时,实现所述的电网负荷异常预测方法。
本申请实施例通过获取当前的电网负荷序列数据,然后将所述电网负荷序列数据输入到预先训练好的负荷异常预测模型中进行预测,得到下一个时间段的预测结果;最后将下一个时间段的预测结果和预警值进行比较,判断是否产生异常;其可以利用当前的数据预测下一个时间段的负荷情况,以此来提前发现可能存在的负荷异常问题;其中,负荷异常预测模型由两个不同的子模型进行预测,可以提升预测的准确度,及时实现异常预警,帮助管理人员进行决策。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图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是本申请实施例提供的一种电网负荷异常预测方法的流程图;
图2是本申请实施例提供的一种负荷异常预测模型的结构示意图;
图3是本申请实施例提供的LSTM网络的模型单元示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,以下将参照本申请实施例中的附图,通过实施方式清楚、完整地描述本申请的技术方案,显然,所描述的实施例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。
在本发明的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
名词解释:电力***的总负荷就是***中所有用电设备消耗总功率的总和;将工业、农业、邮电、交通、市政、商业以及城乡居民所消耗的功率相加,就得电力***的综合用电负荷;综合用电负荷加网络损耗的功率就是***中各发电厂应供应的功率,称为电力***的供电负荷(供电量);供电负荷再加各发电厂本身消耗的功率(即厂用电),就是***中各发电机应发的功率,称为***的发电负荷(发电量)。需要理解的是,在本申请中,电网负荷可以是指电网局部的供需关系。
智能电网:就是电网的智能化,也被称为“电网2.0”,是建立在集成的、高速双向通信网络的基础上,通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持***技术的应用,实现电网的可靠、安全、经济、高效、环境友好和使用安全的目标,其主要特征包括自愈、激励和保护用户、抵御攻击、提供满足用户需求的电能质量、容许各种不同发电形式的接入、启动电力市场以及资产的优化高效运行。在本申请中,将人工智能技术融合到智能电网中,实现电网一部分功能的智能化。
人工智能:Artificial Intelligence,英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。在本申请中,涉及人工智能技术,具体地,是时间序列预测技术。
循环神经网络(Recurrent Neural Network,RNN)是一类以序列(sequence)数据为输入,在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。2014年,有人提出了门控循环单元网络(GatedRecurrent Unit networks,GRU),他是一种性能友谊的RNN。
长短期记忆网络(LSTM,Long Short-Term Memory)是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。
参照图1,一种电网负荷异常预测方法,本方法可以用于预测未来一段时间的负荷情况,并以此判断是否存在负荷异常的情况,便于运维人员及时指挥处理,在本实施例中,本方法包括以下步骤:
S100、获取电网负荷序列数据,所述电网负荷序列数据是待预测数据,所述电网负荷序列数据由多个统计点组成,每个统计点表示时间序列上一个时间段的电网负荷统计量,各统计点所对应的时间段依次收尾相连且不重叠。
在一些实施例中,所述电网负荷序列数据由向量V={x1、x2、x3、……、xn}表示,n是正整数,向量中各元素均表示单位时间的电网负荷统计量。单位时间可以是5分钟,10分钟等,例如,x1表示10点到10点05分的这段时间的负荷状态;x2表示10点05分到10点10分这段时间的负荷状态;x2表示10点10分到10点15分这段时间的负荷状态,如此类推。电网负荷量可以是指负荷的百分比。在一个单位时间中,根据实际的平均负荷量处以最大的负荷能力作为该单位时间中对应的负荷状态。
S200、将所述电网负荷序列数据输入到预先训练好的负荷异常预测模型中进行预测,得到下一个时间段的预测结果。
例如,输入数据为10点到11点的数据负荷序列数据,该数据每5分钟统计一次。则该例子则输出11点到11点5分的负荷状态。相当于***了未来五分钟的情况。这样可以帮助运维人员及时发现问题。
S300、将下一个时间段的预测结果和预警值进行比较,判断是否产生异常。在该步骤中,仍然采取了阈值比较的方式,当预测结果超过阈值的时候,可以判定其将要发生异常,运维人员可以及时采取措施以避免异常发生。
其中,所述负荷异常预测模型包括第一序列模型和第二序列模型,所述下一个时间段的预测结果根据所述第一序列模型和第二序列模型分别对电网负荷序列数据的预测结果的加权结果确定。
在本实施例中,采取的第一序列模型和第二序列模型为不同的模型,这里所指的不同包括模型结构不同,训练数据不同,满足的性能不同等。在这些实施例中,采用两个不同的模型进行预测,并根据两个模型的预测结果来确定最终的结果,这样可以避免单个模型的精准率和召回率不能同时满足,以不同的模型来相互弥补,提升预测的正确性。
从上述实施例可知本实施例通过获取当前的电网负荷序列数据,然后将所述电网负荷序列数据输入到预先训练好的负荷异常预测模型中进行预测,得到下一个时间段的预测结果;最后将下一个时间段的预测结果和预警值进行比较,判断是否产生异常;其可以利用当前的数据预测下一个时间段的负荷情况,以此来提前发现可能存在的负荷异常问题;其中,负荷异常预测模型由两个不同的子模型进行预测,可以提升预测的准确度,及时实现异常预警,帮助管理人员进行决策。
在一些实施例中,所述第一序列模型和第二序列模型的训练数据通过以下方式获得:
通过将电网传输节点的监测设备配置为在检测到负荷异常时标注并上传负荷异常发生前后的电网负荷数据,所述负荷异常发生前后是指以负荷发生的时间节点为中心点的预设长度的时间段;
根据各所述检测设备上传的异常数据构建训练集。
在以上实施例中,根据部署在终端的设备来判定异常,并以此自动生成训练数据,通过这样的方式可以大大降低人工成本。并且对于终端设备而言,其传感器相对较多,在判定异常的时候相对于人工观察数据更加准确,而且数据生成都是实时的,可以在电网运行过程中直接进行数据收集。当然,由于不同电网的情况不同(例如两个局部的情况不同),在处理数据之前需要对数据进行归一化处理。可以理解的是,进行预测的时候也需要进行归一化处理。
在一些实施例中,所述第一序列模型不同于第二序列模型。可以理解的是,第一序列模型和第二序列模型可以采取不同的序列模型,这些序列模型包括RNN网络、LSTM模型、GRU模型等等。
参照图2,在一些实施例中,所述第一序列模型为LSTM模型,所述第二序列模型为GRU模型;
所述下一个时间段的预测结果由所述LSTM模型对电网负荷序列数据的第一预测结果和由所述GRU模型对电网负荷序列数据的第二预测结果平均得到。
在一些实施例中,所述LSTM模型由多个模型单元组成,各所述模型单元包括遗忘门、输入门和输出门;
其中,LSTM模型中第1个模型单元根据第1时刻的输入数据产生输出数据,第m个模型单元根据前一单元的输出数据集和第m时刻的输入数据产生输出数据。
参照图3,LSTM网络是以多个重复结构组成的神经网络,图3是它其中一个结构(模型单元)的原理图,该模型单元的工作原理如下:首先,模型单元每一个时刻都有一个输出和细胞状态,图3中,以t时刻表示当前时刻,输出就是所示的ht,细胞状态就是Ct。对于当前时刻,把上一个时刻的输出ht-1连带着当前时刻的输入作为整体,作为当前时刻细胞状态的输入xt,同时也是控制三个门(Gate)的输入。
在处理时:首先,上一个时刻的输出经过一个遗忘门(Forget Gate),如果遗忘门的输出结果接近0,表示尽量忘掉上一个时刻的输出,而接近1表示尽可能进行记忆上一个时刻的输出;然后,经过遗忘门后的细胞内上一个状态残存的部分继续向前,通过输入门(Input Gate)加上当前时刻的输入,这个门表征通过多少量的输入,经过输入门处理后当前时刻的输入(在进入输入门之前要对输入做tanh运算,把值域压缩到[-1,1]范围内)和前面的上一个细胞状态Ct-1的残余加起来,就是这个时刻的细胞状态。这样,细胞状态就完成了从上一个时刻到当前时刻的更新。而经过tanh运算后的细胞状态Ct与输出门(OutputGate)相乘,结果就是当前时刻的输出ht。长短期记忆神经网络能够克服简单的RNN神经网络在处理长期依赖的时间序列时出现的梯度消失问题,在时间序列预测任务上的预测性能优秀。
而关于GRU模型不像LSTM的三门控,它虽然也有门,但是只有两个,分别叫做重置门(reset gate),和更新门(update gate)。重置门顾名思义,控制着是否重置,也就是说多大程度上擦除以前的状态state;更新门则表示,多大程度上要用当前输入来更新当前的隐藏层
GRU的基本原理是,首先,用x(t)和h(t-1)生成两个门,然后用reset门乘以上一时刻的状态,然后判断是否要进行重置或者进行何种程度的重置,然后,和新输入的x拼接,过网络并用tanh激活,形成当前输入的隐含变量hat{h_t},然后,将上一时刻的h和当前输入的h做一个线性组合,两者的权重和为1,当前输入的权重就是update门的输出,表征更新程度大小。要注意的是,h只是一个变量,因此在每个时刻,包括最后的线性组合,h都是在用以前的自己和当前的备选答案更新自己。同理,也可以以此理解LSTM,LSTM的遗忘门功能上和重置相似,而输入门与update门相似,不同之处在于LSTM还控制了当前状态的输出,也就是输出门的功能,这是GRU所没有的。
本实施例公开了一种电网负荷异常预测***,包括:
获取单元,用于获取电网负荷序列数据,所述电网负荷序列数据是待预测数据,所述电网负荷序列数据由多个统计点组成,每个统计点表示时间序列上一个时间段的电网负荷统计量,各统计点所对应的时间段依次收尾相连且不重叠;
预测单元,用于将所述电网负荷序列数据输入到预先训练好的负荷异常预测模型中进行预测,得到下一个时间段的预测结果;
判断单元,用于将下一个时间段的预测结果和预警值进行比较,判断是否产生异常;
其中,所述负荷异常预测模型包括第一序列模型和第二序列模型,所述下一个时间段的预测结果根据所述第一序列模型和第二序列模型分别对电网负荷序列数据的预测结果的加权结果确定。
从上述实施例可知本实施例通过获取当前的电网负荷序列数据,然后将所述电网负荷序列数据输入到预先训练好的负荷异常预测模型中进行预测,得到下一个时间段的预测结果;最后将下一个时间段的预测结果和预警值进行比较,判断是否产生异常;其可以利用当前的数据预测下一个时间段的负荷情况,以此来提前发现可能存在的负荷异常问题;其中,负荷异常预测模型由两个不同的子模型进行预测,可以提升预测的准确度,及时实现异常预警,帮助管理人员进行决策。
在一些实施例中,所述第一序列模型为LSTM模型,所述第二序列模型为GRU模型;
所述下一个时间段的预测结果由所述LSTM模型对电网负荷序列数据的第一预测结果和由所述GRU模型对电网负荷序列数据的第二预测结果平均得到。
在一些实施例中,所述LSTM模型由多个模型单元组成,各所述模型单元包括遗忘门、输入门和输出门;
其中,LSTM模型中第1个模型单元根据第1时刻的输入数据产生输出数据,第m个模型单元根据前一单元的输出数据集和第m时刻的输入数据产生输出数据。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述各个实施例的电网负荷异常预测方法。
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,所述单元的划分,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,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。存储介质可包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于上述方法实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种电网负荷异常预测方法,其特征在于,包括以下步骤:
获取电网负荷序列数据,所述电网负荷序列数据是待预测数据,所述电网负荷序列数据由多个统计点组成,每个统计点表示时间序列上一个时间段的电网负荷统计量,各统计点所对应的时间段依次收尾相连且不重叠;
将所述电网负荷序列数据输入到预先训练好的负荷异常预测模型中进行预测,得到下一个时间段的预测结果;
将下一个时间段的预测结果和预警值进行比较,判断是否产生异常;
其中,所述负荷异常预测模型包括第一序列模型和第二序列模型,所述下一个时间段的预测结果根据所述第一序列模型和第二序列模型分别对电网负荷序列数据的预测结果的加权结果确定。
2.根据权利要求1所述的电网负荷异常预测方法,其特征在于,所述第一序列模型和第二序列模型的训练数据通过以下方式获得:
通过将电网传输节点的监测设备配置为在检测到负荷异常时标注并上传负荷异常发生前后的电网负荷数据,所述负荷异常发生前后是指以负荷发生的时间节点为中心点的预设长度的时间段;
根据各所述检测设备上传的异常数据构建训练集。
3.根据权利要求2所述的电网负荷异常预测方法,其特征在于,所述第一序列模型不同于第二序列模型。
4.根据权利要求3所述的电网负荷异常预测方法,其特征在于,所述第一序列模型为LSTM模型,所述第二序列模型为GRU模型;
所述下一个时间段的预测结果由所述LSTM模型对电网负荷序列数据的第一预测结果和由所述GRU模型对电网负荷序列数据的第二预测结果平均得到。
5.根据权利要求1所述的电网负荷异常预测方法,其特征在于,所述电网负荷序列数据由向量V={x1、x2、x3、……、xn}表示,n是正整数,向量中各元素均表示单位时间的电网负荷统计量。
6.根据权利要求4所述的电网负荷异常预测方法,其特征在于,所述LSTM模型由多个模型单元组成,各所述模型单元包括遗忘门、输入门和输出门;
其中,LSTM模型中第1个模型单元根据第1时刻的输入数据产生输出数据,第m个模型单元根据前一单元的输出数据集和第m时刻的输入数据产生输出数据。
7.一种电网负荷异常预测***,其特征在于,包括:
获取单元,用于获取电网负荷序列数据,所述电网负荷序列数据是待预测数据,所述电网负荷序列数据由多个统计点组成,每个统计点表示时间序列上一个时间段的电网负荷统计量,各统计点所对应的时间段依次收尾相连且不重叠;
预测单元,用于将所述电网负荷序列数据输入到预先训练好的负荷异常预测模型中进行预测,得到下一个时间段的预测结果;
判断单元,用于将下一个时间段的预测结果和预警值进行比较,判断是否产生异常;
其中,所述负荷异常预测模型包括第一序列模型和第二序列模型,所述下一个时间段的预测结果根据所述第一序列模型和第二序列模型分别对电网负荷序列数据的预测结果的加权结果确定。
8.根据权利要求7所述的电网负荷异常预测***,其特征在于,所述第一序列模型为LSTM模型,所述第二序列模型为GRU模型;
所述下一个时间段的预测结果由所述LSTM模型对电网负荷序列数据的第一预测结果和由所述GRU模型对电网负荷序列数据的第二预测结果平均得到。
9.根据权利要求8所述的电网负荷异常预测***,其特征在于,所述LSTM模型由多个模型单元组成,各所述模型单元包括遗忘门、输入门和输出门;
其中,LSTM模型中第1个模型单元根据第1时刻的输入数据产生输出数据,第m个模型单元根据前一单元的输出数据集和第m时刻的输入数据产生输出数据。
10.一种计算机可读存储介质,其特征在于,其存储有程序,所述程序被处理器执行时,实现如权利要求1-7任一项所述的电网负荷异常预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111383136.1A CN114091750A (zh) | 2021-11-22 | 2021-11-22 | 电网负荷异常预测方法、***和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111383136.1A CN114091750A (zh) | 2021-11-22 | 2021-11-22 | 电网负荷异常预测方法、***和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114091750A true CN114091750A (zh) | 2022-02-25 |
Family
ID=80302592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111383136.1A Pending CN114091750A (zh) | 2021-11-22 | 2021-11-22 | 电网负荷异常预测方法、***和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091750A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116362300A (zh) * | 2022-06-29 | 2023-06-30 | 国网河南省电力公司 | 区域电网异常扰动数量预测方法、装置、介质及电子设备 |
-
2021
- 2021-11-22 CN CN202111383136.1A patent/CN114091750A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116362300A (zh) * | 2022-06-29 | 2023-06-30 | 国网河南省电力公司 | 区域电网异常扰动数量预测方法、装置、介质及电子设备 |
CN116362300B (zh) * | 2022-06-29 | 2024-02-09 | 国网河南省电力公司 | 区域电网异常扰动数量预测方法、装置、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saini et al. | Artificial neural network based peak load forecasting using Levenberg–Marquardt and quasi-Newton methods | |
Li et al. | Adaptive online monitoring of voltage stability margin via local regression | |
CN104934968A (zh) | 基于多智能体的配网应灾恢复协调控制方法及装置 | |
CN115291116B (zh) | 储能电池健康状态预测方法、装置及智能终端 | |
CN109782124B (zh) | 一种基于梯度下降算法的主配用一体化故障定位方法及*** | |
Fischl et al. | Screening power system contingencies using a back-propagation trained multiperceptron | |
CN116307641B (zh) | 一种面向数字化电厂的资源协同调度管理方法及*** | |
CN115642706A (zh) | 一种电网内配电负荷监控*** | |
CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
CN115733730A (zh) | 一种基于图神经网络的电网故障检测方法及装置 | |
CN106227127A (zh) | 发电设备智能监控装置和监控方法 | |
CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
CN114091750A (zh) | 电网负荷异常预测方法、***和存储介质 | |
CN114090561A (zh) | 电网数据清洗方法、***和存储介质 | |
CN106548284A (zh) | 一种面向运行调控的自适应模块化电网安全预警评价方法 | |
CN113825165B (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
CN116780509A (zh) | 一种离散概率和cgan融合的电网随机场景生成方法 | |
CN117557047A (zh) | 一种基于深度强化学习的配电设备运维优化方法及*** | |
CN117236380A (zh) | 一种电力***故障预测方法、***、电子设备和介质 | |
Naik | Power system contingency ranking using Newton Raphson load flow method and its prediction using soft computing techniques | |
Tiwary et al. | Multi-dimensional ANN application for active power flow state classification on a utility system | |
Mahto et al. | Mpgcn-opf: A message passing graph convolution approach for optimal power flow for distribution network | |
CN115660893A (zh) | 一种基于负荷特性的变电站母线负荷预测方法 | |
CN113128130B (zh) | 一种判断直流配电***稳定性的实时监测方法及装置 | |
JP2022035998A (ja) | コントローラの意思決定論理の性能を監視するための方法および監視システム |
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 |