CN115275977A - 一种用电负荷预测方法及装置 - Google Patents

一种用电负荷预测方法及装置 Download PDF

Info

Publication number
CN115275977A
CN115275977A CN202210746657.7A CN202210746657A CN115275977A CN 115275977 A CN115275977 A CN 115275977A CN 202210746657 A CN202210746657 A CN 202210746657A CN 115275977 A CN115275977 A CN 115275977A
Authority
CN
China
Prior art keywords
influence
sample
factors
influence factors
factor
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
Application number
CN202210746657.7A
Other languages
English (en)
Inventor
文接南
李焕昌
林奇颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Green Bay Area Guangdong Energy Service Co ltd
Original Assignee
Green Bay Area Guangdong Energy Service Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Green Bay Area Guangdong Energy Service Co ltd filed Critical Green Bay Area Guangdong Energy Service Co ltd
Priority to CN202210746657.7A priority Critical patent/CN115275977A/zh
Publication of CN115275977A publication Critical patent/CN115275977A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种用电负荷预测方法及装置，包括：对影响因素进行初步筛选得到相关影响因素下的用电负荷；对相关影响因素的影响权重进行计算并排序得到最优影响因素下的用电负荷；对最优影响因素下的用电负荷进行数据清洗得到待训练样本；将待训练样本输入到神经网络中进行训练得到用电负荷预测模型；使用用电负荷预测模型对当前时刻的用电负荷进行预测。与现有技术相比，本发明通过对用电负荷的影响因素进行筛选、排序得到最优影响因素，然后基于此得到用电负荷预测模型，不仅降低了数据的维度，还提升了神经网络的训练速度和精度。

Description

一种用电负荷预测方法及装置
技术领域
本发明涉及用电力负荷预测技术领域，特别是涉及一种用电负荷预测方法及装置。
背景技术
电力负荷的精准预测对电力***的安全运行具有重大的意义。但是由于电力负荷的复杂性和多变性，很难建立精准的模型对其进行预测。随着能源互联网的迅猛发展，越来越多的用电设备接入互联网中，在这过程中势必产生大量的用电数据，如何利用这些海量的数据，从大量的数据中深度挖掘出各种用电设备的负荷变化特点，不但可以提高用户侧的用电经济性，更有助于电网调度机构制定发电计划以实现供需平衡，有利于大大提高电力***运行的安全性和经济性。
目前电力负荷的预测方法主要包括回归分析法。回归分析法的主要原理是通过因变量与一个或多个自变量的关系去构建拥有一定周期性规律的模型，以此作为理论依据，去分析现行数据预测负荷的变动情况。回归分析法的具有明显的缺点，就是过分地依靠样本数据，需要大量的样本数据去支持训练，训练过程繁琐，而且对于环境因素所引起的变化比较敏感，抗干扰性能较弱。
发明内容
为解决上述问题，本发明实施例的目的在于提供一种用电负荷预测方法及装置。
一种用电负荷预测方法，包括：
步骤1：获取历史训练样本；所述历史训练样本为待预测对象在预设时间段内不同影响因素下的用电负荷；所述影响因素包括电价、人口、温度、湿度、季节、电器数量、经济收入和地域；
步骤2：对所述影响因素进行初步筛选得到相关影响因素下的用电负荷；
步骤3：对所述相关影响因素的影响权重进行计算并排序得到最优影响因素下的用电负荷；
步骤4：对所述最优影响因素下的用电负荷进行数据清洗得到待训练样本；
步骤5：将所述待训练样本输入到神经网络中进行训练得到用电负荷预测模型；
步骤6：使用所述用电负荷预测模型对当前时刻的用电负荷进行预测。
优选的，所述步骤2：对所述影响因素进行初步筛选得到相关影响因素下的用电负荷，包括：
步骤2.1：按照时间顺序提取出不同影响因素下对应的用电负荷，形成影响因素时间序列和用电负荷时间序列；
步骤2.2：将影响因素时间序列和用电负荷时间序列做差值处理得到差值序列；
步骤2.3：根据差值序列得到任意时刻下影响因素的距离系数；
步骤2.4：根据所述距离系数得到相应影响因素的相关度；
步骤2.5：将相关度大于预设阈值的影响因素作为相关影响因素。
优选的，所述任意时刻下影响因素的距离系数的计算公式为：
Figure BDA0003717106170000021
其中，r0j(k)表示k时刻下影响因素的距离系数，Δj(k)＝|x0(k)-xj(k)|，j＝1,2,...,n，x0(k)表示k时刻下影响因素的数值，xj(k)表示k时刻下用电负荷的数值，Δj(k)表示差值序列中第k个数值，m表示差值序列中最小值，M表示差值序列中最大值，ξ表示预设值。
优选的，所述步骤2.4：根据所述距离系数得到相应影响因素的相关度，包括：
采用公式：
Figure BDA0003717106170000031
得到影响因素的相关度；其中，θ表示影响因素的相关度。
优选的，所述步骤3：对所述相关影响因素的影响权重进行计算并排序得到最优影响因素下的用电负荷，包括：
步骤3.1：根据相关影响因素及其对应的用电负荷构建样本矩阵；
步骤3.2：根据所述样本矩阵构建影响权重矩阵；
步骤3.3：根据影响权重矩阵的特征值计算所述相关影响因素的影响权重并排序；
步骤3.4：选取排名最高的影响权重所对应的相关影响因素作为最优影响因素。
优选的，所述样本矩阵为：
Figure BDA0003717106170000032
其中，xnp表示在n时刻下，第p个相关影响因素的值。
优选的，所述步骤3.2：根据所述样本矩阵构建影响权重矩阵，包括：
步骤3.2.1：计算样本矩阵中每一列元素的方差和协方差；
步骤3.2.2：根据每一列元素的方差和协方差构建影响权重矩阵；其中，所述影响权重矩阵的构建公式为：
Figure BDA0003717106170000041
其中，rNM表示影响权重矩阵在第N行第M列的元素值，Cov(i,j)表示样本矩阵中第i列和第j列的协方差，Var(i)表示样本矩阵中第i列的方差，Var(j)表示样本矩阵中第j列的方差，E(j)表示样本矩阵中第i列元素的均值，xi表示样本矩阵中第i列元素的值。
优选的，所述步骤4：对所述最优影响因素下的用电负荷进行数据清洗得到待训练样本，包括：
步骤4.1：按照用电负荷依次递增的方式对各个时刻下的最优影响因素进行排列得到影响参数序列；
步骤4.2：依次计算当前影响参数序列与前一组影响参数序列的相似度系数；
步骤4.3：判断相似度系数是否在预设的范围内；
步骤4.4：若相似度系数不在预设的范围内，则将相应的影响参数序列去除；
步骤4.5：若相似度系数在预设的范围内，则将相应的影响参数序列保留，直到遍历完所有的影响参数序列，得到待训练样本。
优选的，所述相似度系数计算公式为：
Figure BDA0003717106170000042
其中，pX,Y为相似度系数，cov(X,Y)表示当前影响参数序列X与前一组影响参数序列Y之间的协方差，σX表示当前影响参数序列X的方差，σY表示前一组影响参数序列Y的方差。
本发明还提供了一种用电负荷预测装置，包括：
样本获取模块，用于获取历史训练样本；所述历史训练样本为待预测对象在预设时间段内不同影响因素下的用电负荷；所述影响因素包括电价、人口、温度、湿度、季节、电器数量、经济收入和地域；
影响因素筛选模块，用于对所述影响因素进行初步筛选得到相关影响因素下的用电负荷；
影响权重计算模块，用于对所述相关影响因素的影响权重进行计算并排序得到最优影响因素下的用电负荷；
数据清洗模块，用于对所述最优影响因素下的用电负荷进行数据清洗得到待训练样本；
训练模块，用于将所述待训练样本输入到神经网络中进行训练得到用电负荷预测模型；
预测模块，用于使用所述用电负荷预测模型对当前时刻的用电负荷进行预测。
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：
本发明涉及一种用电负荷预测方法及装置，包括：对影响因素进行初步筛选得到相关影响因素下的用电负荷；对相关影响因素的影响权重进行计算并排序得到最优影响因素下的用电负荷；对最优影响因素下的用电负荷进行数据清洗得到待训练样本；将待训练样本输入到神经网络中进行训练得到用电负荷预测模型；使用用电负荷预测模型对当前时刻的用电负荷进行预测。与现有技术相比，本发明通过对用电负荷的影响因素进行筛选、排序得到最优影响因素，然后基于此得到用电负荷预测模型，不仅降低了数据的维度，还提升了神经网络的训练速度和精度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的实施例中的一种用电负荷预测方法流程图；
图2为本发明提供的实施例中的一种用电负荷预测装置原理图。
具体实施方式
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明实施例的目的在于提供一种用电负荷预测方法及装置，用以实时预测用电负荷。
请参阅图1，一种用电负荷预测方法，包括：
步骤1：获取历史训练样本；所述历史训练样本为待预测对象在预设时间段内不同影响因素下的用电负荷；所述影响因素包括电价、人口、温度、湿度、季节、电器数量、经济收入和地域；
步骤2：对所述影响因素进行初步筛选得到相关影响因素下的用电负荷；
在实际的生产活动中，用电负荷往往与不同的影响因素具有关联性，例如某社区的常驻人口变多，那么用电负荷也会相应增加。因此如果要对用电负荷进行预测，首先要对用电负荷的影响因素进行分析和概括。
进一步的，所述步骤2包括：
步骤2.1：按照时间顺序提取出不同影响因素下对应的用电负荷，形成影响因素时间序列和用电负荷时间序列；
步骤2.2：将影响因素时间序列和用电负荷时间序列做差值处理得到差值序列；
步骤2.3：根据差值序列得到任意时刻下影响因素的距离系数；
在本发明中，任意时刻下影响因素的距离系数的计算公式为：
Figure BDA0003717106170000071
式中，r0j(k)表示k时刻下影响因素的距离系数，Δj(k)＝|x0(k)-xj(k)|，j＝1,2,...,n，x0(k)表示k时刻下影响因素的数值，xj(k)表示k时刻下用电负荷的数值，Δj(k)表示差值序列中第k个数值，m表示差值序列中最小值，M表示差值序列中最大值，ξ表示预设值。
步骤2.4：根据所述距离系数得到相应影响因素的相关度；
具体的，步骤2.4包括：
采用公式：
Figure BDA0003717106170000081
得到影响因素的相关度；其中，θ表示影响因素的相关度。
步骤2.5：将相关度大于预设阈值的影响因素作为相关影响因素。
本发明基于距离系数对每个影响因素的相关度进行了量化，并基于此初步筛选出了与用电负荷相关性较大的影响因素，这样有助于平衡各个影响因素之间的关系，防止相关性较小的影响因素影响最终的预测效果。
步骤3：对所述相关影响因素的影响权重进行计算并排序得到最优影响因素下的用电负荷；
经过筛选后的影响因素虽然可以在不同程度上反映了所研究问题的某些信息，但是由于影响因素之间彼此有一定的相关性，因而筛选后的数据反映的信息在一定程度上有重叠。比如季节一般都与温度具有相关性，因此本发明需要对筛选后的影响因素进行分析并排序找到与用电负荷相关性最大的影响因素。
进一步的，步骤3包括：
步骤3.1：根据相关影响因素及其对应的用电负荷构建样本矩阵；
在本发明实施例中，所述样本矩阵为：
Figure BDA0003717106170000082
其中，xnp表示在n时刻下，第p个相关影响因素的值。
步骤3.2：根据所述样本矩阵构建影响权重矩阵；
具体的，步骤3.2包括：
步骤3.2.1：计算样本矩阵中每一列元素的方差和协方差；
步骤3.2.2：根据每一列元素的方差和协方差构建影响权重矩阵；其中，所述影响权重矩阵的构建公式为：
Figure BDA0003717106170000091
其中，rNM表示影响权重矩阵在第N行第M列的元素值，Cov(i,j)表示样本矩阵中第i列和第j列的协方差，Var(i)表示样本矩阵中第i列的方差，Var(j)表示样本矩阵中第j列的方差，E(j)表示样本矩阵中第i列元素的均值，xi表示样本矩阵中第i列元素的值。
步骤3.3：根据影响权重矩阵的特征值计算所述相关影响因素的影响权重并排序；
步骤3.4：选取排名最高的影响权重所对应的相关影响因素作为最优影响因素。
本发明基于影响权重矩阵的特征值，挑选出了最优影响因素，这样可以使后续用电负荷预测模型的建模过程更加精简，有利于提高训练速度和精度。
在数据建模中，模型的准确度取决于神经网络的隐藏层数、每层神经元数、激活函数、训练周期等，但建模的准确度更受数据的精度影响。数据建模本身是从历史数据中学习并发现规律,倘若从错误的数据中学习，建模的精度无从谈起。在数据采集过程中，传感器难免受到意外因素影响，导致某时刻的数据偏离真实值，产生粗大误差，出现异常的峰谷波动。或者传感器失灵，在某段时间内没有采集数据，造成数据缺失。因此，在对模型训练前要对数据进行处理。
步骤4：对所述最优影响因素下的用电负荷进行数据清洗得到待训练样本；
进一步的，步骤4包括：
步骤4.1：按照用电负荷依次递增的方式对各个时刻下的最优影响因素进行排列得到影响参数序列；
步骤4.2：依次计算当前影响参数序列与前一组影响参数序列的相似度系数；其中，相似度系数计算公式为：
Figure BDA0003717106170000101
其中，pX,Y为相似度系数，cov(X,Y)表示当前影响参数序列X与前一组影响参数序列Y之间的协方差，σX表示当前影响参数序列X的方差，σY表示前一组影响参数序列Y的方差。
步骤4.3：判断相似度系数是否在预设的范围内；
步骤4.4：若相似度系数不在预设的范围内，则将相应的影响参数序列去除；
步骤4.5：若相似度系数在预设的范围内，则将相应的影响参数序列保留，直到遍历完所有的影响参数序列，得到待训练样本。
本发明通过协方差构建相似度系数计算公式，然后基于此将不符合要求的影响参数序列去除，可以保证数据的真实性。
步骤5：将所述待训练样本输入到神经网络中进行训练得到用电负荷预测模型；
需要说明的是，本发明的神经网络可以为径向基神经网络，且本发明中的用电负荷预测模型是以当前时刻的温度值(即本发明选用了温度值作为最优影响因素，在实际应用中也可以设为其他值)为输入，以用电负荷作为输出进行训练得到的。并且本发明中径向基神经网络在训练过程中的激活函数为：
Figure BDA0003717106170000102
其中，xT＝[x1,x2,…xn]T表示神经网络的输入矢量，xm表示神经网络第n个输入矢量，ci表示隐含层第i个节点的输出，σi表示第i个基函数的宽度。
步骤6：使用所述用电负荷预测模型对当前时刻的用电负荷进行预测。
本发明通过对用电负荷的影响因素进行筛选、排序得到最优影响因素，然后基于此得到用电负荷预测模型，不仅降低了数据的维度，还提升了神经网络的训练速度和精度。
请参阅图2，本发明还提供了一种用电负荷预测装置，包括：
样本获取模块，用于获取历史训练样本；所述历史训练样本为待预测对象在预设时间段内不同影响因素下的用电负荷；所述影响因素包括电价、人口、温度、湿度、季节、电器数量、经济收入和地域；
影响因素筛选模块，用于对所述影响因素进行初步筛选得到相关影响因素下的用电负荷；
影响权重计算模块，用于对所述相关影响因素的影响权重进行计算并排序得到最优影响因素下的用电负荷；
数据清洗模块，用于对所述最优影响因素下的用电负荷进行数据清洗得到待训练样本；
训练模块，用于将所述待训练样本输入到神经网络中进行训练得到用电负荷预测模型；
预测模块，用于使用所述用电负荷预测模型对当前时刻的用电负荷进行预测。
与现有技术相比，本发明提供的一种用电负荷预测装置的有益效果与上述技术方案所述一种用电负荷预测方法的有益效果相同，在此不做赘述。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换的技术方案，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种用电负荷预测方法，其特征在于，包括：
步骤1：获取历史训练样本；所述历史训练样本为待预测对象在预设时间段内不同影响因素下的用电负荷；所述影响因素包括电价、人口、温度、湿度、季节、电器数量、经济收入和地域；
步骤2：对所述影响因素进行初步筛选得到相关影响因素下的用电负荷；
步骤3：对所述相关影响因素的影响权重进行计算并排序得到最优影响因素下的用电负荷；
步骤4：对所述最优影响因素下的用电负荷进行数据清洗得到待训练样本；
步骤5：将所述待训练样本输入到神经网络中进行训练得到用电负荷预测模型；
步骤6：使用所述用电负荷预测模型对当前时刻的用电负荷进行预测。
2.根据权利要求1所述的一种用电负荷预测方法，其特征在于，所述步骤2：对所述影响因素进行初步筛选得到相关影响因素下的用电负荷，包括：
步骤2.1：按照时间顺序提取出不同影响因素下对应的用电负荷，形成影响因素时间序列和用电负荷时间序列；
步骤2.2：将影响因素时间序列和用电负荷时间序列做差值处理得到差值序列；
步骤2.3：根据差值序列得到任意时刻下影响因素的距离系数；
步骤2.4：根据所述距离系数得到相应影响因素的相关度；
步骤2.5：将相关度大于预设阈值的影响因素作为相关影响因素。
3.根据权利要求2所述的一种用电负荷预测方法，其特征在于，所述任意时刻下影响因素的距离系数的计算公式为：
Figure FDA0003717106160000021
其中，r0j(k)表示k时刻下影响因素的距离系数，Δj(k)＝|x0(k)-xj(k)|，j＝1,2,...,n，x0(k)表示k时刻下影响因素的数值，xj(k)表示k时刻下用电负荷的数值，Δj(k)表示差值序列中第k个数值，m表示差值序列中最小值，M表示差值序列中最大值，ξ表示预设值。
4.根据权利要求3所述的一种用电负荷预测方法，其特征在于，所述步骤2.4：根据所述距离系数得到相应影响因素的相关度，包括：
采用公式：
Figure FDA0003717106160000022
得到影响因素的相关度；其中，θ表示影响因素的相关度。
5.根据权利要求1所述的一种用电负荷预测方法，其特征在于，所述步骤3：对所述相关影响因素的影响权重进行计算并排序得到最优影响因素下的用电负荷，包括：
步骤3.1：根据相关影响因素及其对应的用电负荷构建样本矩阵；
步骤3.2：根据所述样本矩阵构建影响权重矩阵；
步骤3.3：根据影响权重矩阵的特征值计算所述相关影响因素的影响权重并排序；
步骤3.4：选取排名最高的影响权重所对应的相关影响因素作为最优影响因素。
6.根据权利要求5所述一种用电负荷预测方法，其特征在于，所述样本矩阵为：
Figure FDA0003717106160000031
其中，xnp表示在n时刻下，第p个相关影响因素的值。
7.根据权利要求6所述一种用电负荷预测方法，其特征在于，所述步骤3.2：根据所述样本矩阵构建影响权重矩阵，包括：
步骤3.2.1：计算样本矩阵中每一列元素的方差和协方差；
步骤3.2.2：根据每一列元素的方差和协方差构建影响权重矩阵；其中，所述影响权重矩阵的构建公式为：
Figure FDA0003717106160000032
其中，rNM表示影响权重矩阵在第N行第M列的元素值，Cov(i,j)表示样本矩阵中第i列和第j列的协方差，Var(i)表示样本矩阵中第i列的方差，Var(j)表示样本矩阵中第j列的方差，E(j)表示样本矩阵中第i列元素的均值，xi表示样本矩阵中第i列元素的值。
8.根据权利要求7所述一种用电负荷预测方法，其特征在于，所述步骤4：对所述最优影响因素下的用电负荷进行数据清洗得到待训练样本，包括：
步骤4.1：按照用电负荷依次递增的方式对各个时刻下的最优影响因素进行排列得到影响参数序列；
步骤4.2：依次计算当前影响参数序列与前一组影响参数序列的相似度系数；
步骤4.3：判断相似度系数是否在预设的范围内；
步骤4.4：若相似度系数不在预设的范围内，则将相应的影响参数序列去除；
步骤4.5：若相似度系数在预设的范围内，则将相应的影响参数序列保留，直到遍历完所有的影响参数序列，得到待训练样本。
9.根据权利要求8所述一种用电负荷预测方法，其特征在于，所述相似度系数计算公式为：
Figure FDA0003717106160000041
其中，pX,Y为相似度系数，cov(X,Y)表示当前影响参数序列X与前一组影响参数序列Y之间的协方差，σX表示当前影响参数序列X的方差，σY表示前一组影响参数序列Y的方差。
10.一种用电负荷预测装置，其特征在于，包括：
样本获取模块，用于获取历史训练样本；所述历史训练样本为待预测对象在预设时间段内不同影响因素下的用电负荷；所述影响因素包括电价、人口、温度、湿度、季节、电器数量、经济收入和地域；
影响因素筛选模块，用于对所述影响因素进行初步筛选得到相关影响因素下的用电负荷；
影响权重计算模块，用于对所述相关影响因素的影响权重进行计算并排序得到最优影响因素下的用电负荷；
数据清洗模块，用于对所述最优影响因素下的用电负荷进行数据清洗得到待训练样本；
训练模块，用于将所述待训练样本输入到神经网络中进行训练得到用电负荷预测模型；
预测模块，用于使用所述用电负荷预测模型对当前时刻的用电负荷进行预测。
CN202210746657.7A 2022-06-28 2022-06-28 一种用电负荷预测方法及装置 Pending CN115275977A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210746657.7A CN115275977A (zh) 2022-06-28 2022-06-28 一种用电负荷预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210746657.7A CN115275977A (zh) 2022-06-28 2022-06-28 一种用电负荷预测方法及装置

Publications (1)

Publication Number Publication Date
CN115275977A true CN115275977A (zh) 2022-11-01

Family

ID=83762859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210746657.7A Pending CN115275977A (zh) 2022-06-28 2022-06-28 一种用电负荷预测方法及装置

Country Status (1)

Country Link
CN (1) CN115275977A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702978A (zh) * 2023-06-07 2023-09-05 西安理工大学 考虑突发事件特征的电动汽车充电负荷预测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702978A (zh) * 2023-06-07 2023-09-05 西安理工大学 考虑突发事件特征的电动汽车充电负荷预测方法及装置
CN116702978B (zh) * 2023-06-07 2024-02-13 西安理工大学 考虑突发事件特征的电动汽车充电负荷预测方法及装置

Similar Documents

Publication Publication Date Title
CN110597240B (zh) 一种基于深度学习的水轮发电机组故障诊断方法
Lawrence Using neural networks to forecast stock market prices
CN109359665B (zh) 一种基于支持向量机的家电负荷识别方法及装置
CN113505923B (zh) 一种地区电网短期负荷预测方法及***
CN116380445B (zh) 基于振动波形的设备状态诊断方法及相关装置
CN114676742A (zh) 一种基于注意力机制和残差网络的电网异常用电检测方法
CN116167527B (zh) 纯数据驱动的电力***静态安全运行风险在线评估方法
CN115841278B (zh) 电能计量装置运行误差状态评价方法、***、设备及介质
CN113447879A (zh) 基于多应力影响的电能表计量误差预测方法、***及装置
CN111126868A (zh) 一种道路交通事故发生风险确定方法及***
CN112414715A (zh) 基于混合特征与改进灰度共生算法的轴承故障诊断方法
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及***
CN115275977A (zh) 一种用电负荷预测方法及装置
CN113935413A (zh) 一种基于卷积神经网的配网录波文件波形识别方法
CN113837434A (zh) 太阳能光伏发电预测方法、装置、电子设备和存储介质
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及***
CN116776245A (zh) 一种基于机器学习的三相逆变器设备故障诊断方法
CN117473411A (zh) 基于改进Transformer模型的轴承寿命预测方法
CN115034307A (zh) 多参量自适应融合的振动数据自确认方法、***及终端
CN115508765A (zh) 一种电压互感器采集装置在线自诊断方法及***
CN113112166A (zh) 基于灰色模糊层次分析的设备状态变量选择方法及设备
CN112651168B (zh) 基于改进神经网络算法的建设用地面积预测方法
CN115796000B (zh) 一种基于堆叠机器学习算法的短期气温预报集合订正方法
CN116776134A (zh) 一种基于PCA-SFFS-BiGRU的光伏出力预测方法
JAYAGOWRI et al. ENHANCEMENT OF FCM FOR FORECASTING AND DECISION SUPPORT SYSTEM

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