CN116186548B - 电力负荷预测模型训练方法及电力负荷预测方法 - Google Patents
电力负荷预测模型训练方法及电力负荷预测方法 Download PDFInfo
- Publication number
- CN116186548B CN116186548B CN202310482932.3A CN202310482932A CN116186548B CN 116186548 B CN116186548 B CN 116186548B CN 202310482932 A CN202310482932 A CN 202310482932A CN 116186548 B CN116186548 B CN 116186548B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- influence factor
- factor data
- training
- 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
- 238000012549 training Methods 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012216 screening Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 7
- 230000003238 somatosensory effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 23
- 230000015654 memory Effects 0.000 description 24
- 238000003860 storage Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000007774 longterm Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000000446 fuel Substances 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
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
- 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种电力负荷预测模型训练方法及电力负荷预测方法，电力负荷预测模型训练基于步骤：获取负荷历史数据和影响因素数据，根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据，最后将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。基于此，通过负荷历史数据与影响因素数据的相关度筛选，可提高电力负荷预测的精准度，尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
Description
技术领域
本申请涉及光伏发电预测技术领域，特别是涉及一种电力负荷预测模型训练方法及电力负荷预测方法。
背景技术
近年来，随着我国经济水平的快速增长，电力行业不断发展壮大。电力负荷预测对电力***安全经济运行越来越重要，成为经济调度、储能管理、未来能源合同和电厂维护计划的基础。电力负荷预测的准确性直接关系到电力***的运行情况。若预测值偏大导致电力生产过量，会造成能源浪费以及生产机器损耗；而预测值偏小导致电力生产不足，将会影响人们的生活并对经济造成损失。
目前，关于电力负荷预测的研究很多。根据预测时间范围，主要分为超短期、短期、中期和长期。超短期负荷预测指短于一天的负荷预测，主要用于电力的实时调度和日间调度；短期负荷预测指一天到一周的负荷预测，用于电力***的日间运行，如能源交易和电力***安全研究；中期负荷预测指几周至一年的预测，用于燃料供应调度和基础设施调整；长期负荷预测通常超过一年的预测，用于长期电力***规划。如今（超）短期负荷预测成为各供电***不可或缺的部分，对其精度的要求越来越高。
其中，电力负荷受到各种环境因素的影响，包括温度、湿度、日期类型、季节等。尤其在光伏电站应用场景中，由于光伏发电的特性，电力负荷预测对光伏发电的运行和维护有着更为重要的意义。
传统电力负荷预测方法主要有回归分析法、时间序列法、指数平滑法等。回归分析法通过建立反映因果关系的数学模型来预测未来负荷值。时间序列法通过对历史负荷数据进行曲线拟合和参数估计，建立其数学模型。指数平滑法通过指数加权组合来实现。这些方法虽然可以显性表达自变量和因变量之间的关系，但在处理复杂的非线性***方面具有局限性，对非平稳时间序列特征的电力负荷的预测性能较差。
综上，可见传统的电力负荷预测方法还存在以上不足。
发明内容
基于此，有必要针对传统电力负荷预测方法还存在的不足，提供一种电力负荷预测模型训练方法及电力负荷预测方法。
本公开至少一个实施例提供了一种电力负荷预测模型训练方法，包括步骤：
获取负荷历史数据和影响因素数据；其中，影响因素数据与负荷历史数据相对应；
根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据；
将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。
上述的电力负荷预测模型训练方法，获取负荷历史数据和影响因素数据，根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据，最后将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。基于此，通过负荷历史数据与影响因素数据的相关度筛选，可提高电力负荷预测的精准度，尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
在其中一个实施例中，还包括步骤：
根据训练因素数据与负荷历史数据测试电力负荷预测模型的精度；
根据精度调整筛选处理。
在其中一个实施例中，影响因素数据包括温度、体感温度、湿度、降水量、风速、光照强度、是否节假日、天气类型和/或季节的数值化结果。
在其中一个实施例中，负荷历史数据包括设定周期内的负荷特征性指标。
在其中一个实施例中，负荷特征性指标包括最大负荷、最小负荷、平均负荷、负荷率、峰谷差和/或峰谷差率。
在其中一个实施例中，根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据的过程，包括步骤：
计算负荷历史数据与影响因素数据的相关度；
保留相关度大于设定阈值的影响因素数据，作为训练因素数据。
在其中一个实施例中，根据精度调整筛选处理的过程，包括步骤：
若精度相对提高，则降低设定阈值，否则提高设定阈值。
在其中一个实施例中，计算负荷历史数据与影响因素数据的相关度的过程，包括步骤：
确定影响因素数据的离散空间；其中，离散空间由多个取值构成；
根据影响因素数据的取值，对负荷历史数据进行分类，获得分类结果；
根据分类结果进行相关度计算。
在其中一个实施例中，电力负荷预测模型基于LSTNet网络建立。
本公开至少一个实施例提供了一种电力负荷预测模型训练装置，包括：
数据获取模块，用于获取负荷历史数据和影响因素数据；其中，影响因素数据与负荷历史数据相对应；
数据筛选模块，用于根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据；
数据训练模块，用于将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。
上述的电力负荷预测模型训练装置，获取负荷历史数据和影响因素数据，根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据，最后将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。基于此，通过负荷历史数据与影响因素数据的相关度筛选，可提高电力负荷预测的精准度，尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
本公开至少一个实施例还提供一种模型训练装置，包括：
一个或多个存储器，非瞬时性地存储有计算机可执行指令；
一个或多个处理器，配置为运行计算机可执行指令，其中，计算机可执行指令被一个或多个处理器运行时实现根据本公开任一实施例的电力负荷预测模型训练方法。
上述的模型训练装置，获取负荷历史数据和影响因素数据，根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据，最后将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。基于此，通过负荷历史数据与影响因素数据的相关度筛选，可提高电力负荷预测的精准度，尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
本公开至少一个实施例还提供一种非瞬时性计算机可读存储介质，其中，非瞬时性计算机可读存储介质存储有计算机可执行指令，计算机可执行指令被处理器执行时实现根据本公开任一实施例的电力负荷预测模型训练方法。
上述的非瞬时性计算机可读存储介质，获取负荷历史数据和影响因素数据，根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据，最后将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。基于此，通过负荷历史数据与影响因素数据的相关度筛选，可提高电力负荷预测的精准度，尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
本公开至少一个实施例还提供一种电力负荷预测方法。
一种电力负荷预测方法，包括步骤：
获取影响因素数据；
将影响因素数据输入至上述任一实施例的电力负荷预测模型，获得电力负荷预测模型输出的电力负荷预测结果。
上述的电力负荷预测方法，获取负荷历史数据和影响因素数据，根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据，最后将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。基于此，通过负荷历史数据与影响因素数据的相关度筛选，可提高电力负荷预测的精准度，尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
本公开至少一个实施例提供了一种电力负荷预测装置，包括：
数据采集模块，用于获取影响因素数据；
数据输出模块，用于将影响因素数据输入至上述任一实施例的电力负荷预测模型，获得电力负荷预测模型输出的电力负荷预测结果。
上述的电力负荷预测装置，获取负荷历史数据和影响因素数据，根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据，最后将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。基于此，通过负荷历史数据与影响因素数据的相关度筛选，可提高电力负荷预测的精准度，尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
本公开至少一个实施例还提供一种负荷预测装置，包括：
一个或多个存储器，非瞬时性地存储有计算机可执行指令；
一个或多个处理器，配置为运行计算机可执行指令，其中，计算机可执行指令被一个或多个处理器运行时实现根据本公开任一实施例的电力负荷预测方法。
上述的负荷预测装置，获取负荷历史数据和影响因素数据，根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据，最后将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。基于此，通过负荷历史数据与影响因素数据的相关度筛选，可提高电力负荷预测的精准度，尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
本公开至少一个实施例还提供另一种非瞬时性计算机可读存储介质，其中，非瞬时性计算机可读存储介质存储有计算机可执行指令，计算机可执行指令被处理器执行时实现根据本公开任一实施例的电力负荷预测方法。
上述的非瞬时性计算机可读存储介质，获取负荷历史数据和影响因素数据，根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据，最后将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。基于此，通过负荷历史数据与影响因素数据的相关度筛选，可提高电力负荷预测的精准度，尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
附图说明
图1为一实施方式的电力负荷预测模型训练方法流程图；
图2为另一实施方式的电力负荷预测模型训练方法流程图；
图3为LSTNet模型图；
图4为异常值处理结果图；
图5为实施例的两个模型预测结果与实际负荷对比图；
图6为实施例的两个模型预测误差的对比图；
图7为一实施方式的电力负荷预测模型训练装置模块结构图；
图8为一实施方式的电力负荷预测方法流程图；
图9为一实施方式的电力负荷预测装置模块结构图；
图10为本公开至少一个实施例提供的一种模型训练装置的示意性框图；
图11为本公开至少一个实施例提供的一种非瞬时性计算机可读存储介质的示意图。
具体实施方式
为了使得本公开的实施例的目的、技术方案和优点更加清楚，下面将结合本公开的实施例的附图，对本公开的实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
为了保持本公开的实施例的以下说明清楚且简明，本公开省略了部分已知功能和已知部件的详细说明。
本公开至少一个实施例提供了一种电力负荷预测模型训练方法。
图1为一实施方式的电力负荷预测模型训练方法流程图，如图1所示，一实施方式的电力负荷预测模型训练方法包括步骤S100至步骤S102：
S100，获取负荷历史数据和影响因素数据；其中，影响因素数据与负荷历史数据相对应；
S101，根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据；
S102，将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。
其中，负荷历史数据与影响因素数据均是历史数据。根据电力负荷运行***（如光伏电站）在历史时期运行的数据记录，进行相应的数据获取。负荷历史数据是电力负荷的数据化结果/数值化结果，影响因素数据是影响因素的数据化结果/数值化结果。影响因素对电力***的电力负荷会产生影响，包括环境因素或时间因素等。
其中，负荷历史数据与影响因素数据相对应，即影响因素数据作为自变量、负荷历史数据作为因变量的对应关系。影响因素具有不同的特征，有些具有连续变量特征，如温度、湿度、降水量等，另一些具有离散变量特征，如天气类型、季节等，而电力负荷自身是连续变量。因此，根据影响因素数据预测电力负荷存在数据层的技术难度。
在其中一个实施例中，根据电力***的特点，影响因素数据包括温度、体感温度、湿度、降水量、风速、光照强度、是否节假日、天气类型和/或季节的数值化结果。其中，数值化结果的生成方式包括归一化或离散数据处理。例如，是否节假日的数值化结果包括：“0”和“1”，“0”代表非节假日，“1”代表节假日。需要注意的是，上述影响因素数据的选定，可根据电力***的类型进行灵活调整。本实施例是作为光伏电站这一类型的电力***的特殊选定，不代表对影响因素数据的唯一限定。
在其中一个实施例中，负荷历史数据包括设定周期内的负荷特征性指标。其中，根据选取设定周期的长短调整电力负荷预测的颗粒度。例如，设定周期小于等于1天，则进行超短期电力负荷预测；设定周期为1天到1周，则进行短期电力负荷预测；设定周期为1周至1年，则进行中期电力负荷预测；设定周期大于1年，则进行长期电力负荷预测。
其中，负荷特征性指标为电力负荷的表征指标。
作为本公开实施例的较优实施方式，与后续较优实施方式的结合，且适用于光伏电站领域的（超）短期电力负荷预测，负荷特征性指标包括最大负荷、最小负荷、平均负荷、负荷率、峰谷差和/或峰谷差率。以设定周期为1天为例，负荷特征性指标包括日最大负荷、日最小负荷、日平均负荷、日负荷率、日峰谷差和/或日峰谷差率。
其中，最大负荷为设定周期内记录的负荷数据中的负荷最大值，最小负荷为设定周期内记录的负荷数据中的负荷最小值，平均负荷为设定周期内用电量的平均值，负荷率为平均负荷与最大负荷的比值（表示负荷分布的均衡性），峰谷差为最大负荷与最小负荷的差值，峰谷差率为峰谷差与最大负荷的比值。
同时，由于影响因素数据的连续与离散特性，负荷历史数据与影响因素数据存在相关度差异，因此需要对影响因素数据进行筛选，保留相关度较高的影响因素数据，作为训练因素数据。
在其中一个实施例中，可通过归一化或主观赋权，确定负荷历史数据与影响因素数据的相关度，并根据经验值确定相关的设定阈值，保留相关度大于设定阈值的影响因素数据。
作为一个较优的实施方式，本公开实施例为应对光伏电站场景下，且影响因素具备明显离散特点的电力负荷预测，公开了一种较优实施方式的相关度计算方式。图2为另一实施方式的电力负荷预测模型训练方法流程图，如图2所示，步骤S101中根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据的过程，包括步骤S200和步骤S201：
S200，计算负荷历史数据与影响因素数据的相关度；
S201，保留相关度大于设定阈值的影响因素数据，作为训练因素数据。
其中，步骤S200中计算负荷历史数据与影响因素数据的相关度的过程，包括步骤：
确定影响因素数据的离散空间；其中，离散空间由多个取值构成；
根据影响因素数据的取值，对负荷历史数据进行分类，获得分类结果；
根据分类结果进行相关度计算。
以下以一具体应用例对上述步骤进行解释：
对具有离散特征的影响因素数据，确定其离散空间为：
；
其中，表示影响因素数据/>有/>个不同的取值：/>。
根据影响因素数据的/>个不同的取值，将负荷历史数据分成/>个不同的类，这些类的集合表示为：
；
其中，表示第/>类负荷历史数据，该类负荷历史数据对应的影响因素数据/>的取值为/>。
基于电力负荷的日负荷特征性指标，具体采用K-means聚类算法完成负荷历史数据的分类，具体聚类流程如下（1）-（5）：
（1）确定K-means聚类算法的输入输出：
算法输入是聚类的簇数以及负荷特征性指标的数据样本：
；
其中，的每个数据样本/>是一个矩阵，包含6个属性：日最大负荷、日最小负荷、日平均负荷、日负荷率、日峰谷差和日峰谷差率。
（2）选取初始聚类中心。在中随机选择/>个样本作为初始聚类中心，聚类中心集合表示为：
；
（3）类的划分。按照以下公式计算中每个样本与/>中每个聚类中心的欧式距离，并将样本划分到距离聚类中心最近的类中，形成了/>个聚类：
；
其中，表示第/>个样本的第/>个属性，/>表示第/>个聚类中心的第/>个属性。
（4）更新聚类中心——按照以下公式计算每个类中样本的均值，将该均值作为新的聚类中心：
；
其中，表示第/>个聚类中的第/>个样本，/>表示第/>个聚类的样本集合，/>表示/>的样本个数。
（5）重复步骤（3）和步骤（4），直到所有聚类中心保持不变。同时按照以下公式计算的平方误差函数也将收敛于定值(最小值)：
；
其中，表示/>与第/>个聚类中心的距离。
以上操作将负荷特征性指标的样本数据划分成了个不同的类。对于每个类中负荷特征值样本数据替换为对应的负荷历史数据，可得到对应的/>类负荷历史数据：
；
其中，表示第/>类负荷历史数据，从第/>类负荷特征性指标的样本数据中求得。
对以上的分类和分类/>进行相似度计算，根据以下公式分别计算/>的负荷历史数据中属于/>的比例：
；
其中，表示/>的所有负荷历史数据中属于/>的比例，/>表示同时属于/>和的负荷历史数据数量，/>表示/>的负荷历史数据总数量。
计算所有的，并得到一个相似度表格，如下表1所示，下表1直观地展示出/>与的相似度。
表1 相似度表格
若影响因素数据a与负荷历史数据高度相关，则与/>中的类将一一对应，并高度相似。基于这基本认知，相关度的计算具体如下：
从表格中取出每一列的最大值，将所有列的/>组成一个向量。将向量中的最小元作为影响因素数据/>与负荷历史数据的相关度，如下：
；
通过上述步骤计算得到每个具有离散变量特征的影响因素数据与负荷历史数据的相关度。
在筛选保留获得训练因素数据后，以训练因素数据作为自变量，负荷历史数据作为因变量，进行训练数据的数据集构建。其中，数据集包括训练集、验证集和测试集。
在其中一个实施例中，如图2所示，另一实施方式的电力负荷预测模型训练方法还包括步骤S300和步骤S301：
S300，根据训练因素数据与负荷历史数据测试电力负荷预测模型的精度；
S301，根据精度调整筛选处理。
其中，筛选处理基于设定阈值，因此，可根据精度调整设定阈值的大小。即以步骤：若精度相对提高，则降低设定阈值，否则提高设定阈值执行调整处理，例如：
1）不考虑具有离散变量特征的影响因素数据，训练得到一个电力负荷预测模型，作为基准模型。
2）根据经验确定初始的设定阈值；
3）将相关度大于设定阈值的具有离散变量特征的影响因素数据作为模型输入的一部分，训练得到一个新的电力负荷预测模型。
4）若电力负荷预测模型预测精度提高，则降低设定阈值；若电力负荷预测模型预测精度下降，则提高设定阈值。
5）重复步骤3)、4)，直到设定阈值不再变化，得到最终设定阈值的设定值，并且也得到了最优的电力负荷预测模型。
在其中一个实施例中，电力负荷预测模型基于神经网络。作为一个较优的实施方式，选用LSTNet网络建立电力负荷预测模型，可在（超）短期电力负荷预测场景中获得更好的预测效果。
其中，由于电力负荷数据是时间序列数据，因此电力负荷预测可被视为一个时间系列建模问题。相比传统神经网络，长短期记忆(Long Short-Term Memory, LSTM)网络因其具备特殊的记忆能力和门结构，能够同时兼顾电力负荷数据的时序性和非线性，可以更好地学习负荷的长期序列信息。因此，LSTM在预测未来负荷需求方面具有更高的准确性。LSTNet网络可以很好地学习多变量（影响因素数据）之间的相关性，并提取数据中高度非线性的长短期特征和线性特征。
图3为LSTNet模型图，如图3所示，基于LSTNet网络建立的LSTNet模型由非线性部分和线性部分组成，非线性部分由CNN卷积层、RNN循环层和跳跃层组成，线性部分由自回归线性层构成。该LSTNet模型同时利用了CNN和RNN的优势，CNN可以提取电力负荷数据之间的短期局部依赖关系，RNN和跳跃层可以捕获长期依赖关系，并基于电力负载的周期性简化优化过程。最后，加入了传统的自回归线性模型，使非线性深度学习模型对电力负荷时间序列具有更强的鲁棒性。通过叠加非线性部分和线性部分的结果获得最终的LSTNet预测结果，即电力负荷预测结果。
其中，采用LSTNet网络构建电力负荷预测模型的过程中，相关度小的影响因素数据作为模型的输入参与训练反而降低模型的预测精度，并且增加训练的收敛时间。因此筛选训练因素数据可有效地提高预测精度。
为了更好地解释本公开实施例的效果，以下以一个具体应用的实施例对本公开实施例进行解释。
本实施例所采用的光伏电站位于澳大利亚，以该光伏电站2021年10月1号至2022年9月15号的实际电力负荷数据进行实验。通过本发明所提方法计算各个具有离散变量特征的影响因素与电力负荷的相关度。通过构造对比实验，对1）与电力负荷相关度低的离散影响因素作为模型输入的一部分；2）与电力负荷相关度低的离散影响因素不作为模型输入的一部分，这两种情况分别训练一个LSTNet模型并预测。从离散影响因素与电力负荷相关度的评估结果和两个LSTNet模型的预测结果进行说明，从而验证本实施例的技术方案的有效性。
本实施例以MAE（Mean Absolute Error，平均绝对误差）、RMSE（Root Mean SquareError，均方根误差）作为误差评价指标。MAE和RMSE计算如下：
；
；
其中，表示预测的数据点数，/>表示第/>个预测点的归一化实际负荷值，/>表示第/>个预测点的归一化模型预测负荷值。
步骤1，数据采集与异常值处理。图4为异常值处理结果图，如图4所示，将2021年10月1号至2022年9月15号的实际电力负荷数据划分为训练集（60%）、验证集（20%）和测试集（20%）。本实施例收集了2021年10月1日至2022年9月15日的电力负荷、温度、体感温度、湿度、降水量、风速、光照强度、是否节假日、天气类型、季节的历史数据。对原始数据进行归一化，并采用孤立森林异常检测算法对原始负荷数据进行异常检测，减少异常数据对负荷预测的影响。
步骤2，离散变量相似度计算。负荷影响因素中，具有离散特征的有是否节假日、天气类型和季节。采用本发明提出的方法分别计算这3个影响因素与电力负荷的相关度。例如，计算是否节假日与电力负荷的相关度：
根据是否节假日的2个不同取值（节假日、非节假日）将负荷数据分为2个不同的类，这些类的集合表示为；
基于负荷的6个特征指标（日最大负荷、日最小负荷、日平均负荷、日负荷率、日峰谷差、日峰谷差率），采用K-means聚类算法完成对负荷数据的分类。分为2类，这些类的集合表示为；
对2种分类结果进行相似度计算。分别计算的负荷数据中属于/>的比例，得到相似度表格，如表2所示；
表2 是否节假日相似度表
计算季节与电力负荷的相关度。从表格中取出每一列的最大值，组成一个向量，将向量中的最小元/>作为是否节假日与电力负荷的相关度，即/>。
同样地，计算天气类型、季节与电力负荷的相似度如表3和表4所示，计算得到天气类型、季节与电力负荷的相关度分别为，。
表3 季节相似度表
/>
表4 天气类型相似度表
由上表可以看出，是否节假日、天气类型和季节这3个离散变量与电力负荷的相关度均较低。下面对模型输入不添加上述三个离散变量和添加上述三个离散变量分别进行模型训练，通过对两种模型进行对比实验。
情况1：是否节假日、天气类型和季节这3个离散变量不作为模型输入的预测模型，此时模型输入为：电力负荷、温度、体感温度、湿度、降水量、风速、可见度、光照强度。
情况2：是否节假日、天气类型和季节这3个离散变量作为模型输入的预测模型，此时模型输入为：电力负荷、温度、体感温度、湿度、降水量、风速、可见度、光照强度，是否节假日、天气类型和季节。
步骤3，LSTNet模型训练。将步骤2中的两种输入分别训练一个LSTNet短期负荷预测模型。模型的输入是过去96小时的历史数据（包含历史负荷数据和影响因素），输出是未来24小时的负荷预测结果。两个模型的评价指标如下表5所示。
表5 天气类型相似度表
从表5中可知，相比未添加是否节假日、天气类型和季节的模型，添加了是否节假日、天气类型和季节的模型在MAE升高了8.39%、7.99%、2.76%，在RMSE上升高了3.79%、4.00%、0.95%，即添加是否节假日、天气类型和季节这些影响因素作为输入对***的性能没有任何提升作用，相反降低了模型的预测精度。
将两个模型于2022年9月16日至2022年9月17日应用于实施例中光储***，两个模型的负荷预测结果与实际负荷如图5所示。其中，曲线1表示实际负荷值，曲线2表示添加了是否节假日、天气类型和季节的模型的负荷预测值，曲线3表示未添加是否节假日、天气类型和季节的模型的负荷预测值。两个模型的误差结果见图6。从图5和图6中不难看出，添加了是否节假日、天气类型和季节这些影响因素的模型的预测精度更低。
上述任一实施例的电力负荷预测模型训练方法，获取负荷历史数据和影响因素数据，根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据，最后将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。基于此，通过负荷历史数据与影响因素数据的相关度筛选，可提高电力负荷预测的精准度，尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
本公开至少一个实施例还提供了一种电力负荷预测模型训练装置。
图7为一实施方式的电力负荷预测模型训练装置模块结构图，如图7所示，一实施方式的电力负荷预测模型训练装置包括：
数据获取模块1000，用于获取负荷历史数据和影响因素数据；其中，影响因素数据与负荷历史数据相对应；
数据筛选模块1001，用于根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据；
数据训练模块1002，用于将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。
上述任一实施例的电力负荷预测模型训练装置，获取负荷历史数据和影响因素数据，根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据，最后将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。基于此，通过负荷历史数据与影响因素数据的相关度筛选，可提高电力负荷预测的精准度，尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
本公开至少一个实施例还提供了一种电力负荷预测方法。
图8为一实施方式的电力负荷预测方法流程图，如图8所示，一实施方式的电力负荷预测方法包括步骤S400和步骤S401：
S400，获取影响因素数据；
S401，将影响因素数据输入至电力负荷预测模型，获得电力负荷预测模型输出的电力负荷预测结果。
上述的电力负荷预测方法，获取负荷历史数据和影响因素数据，根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据，最后将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。基于此，通过负荷历史数据与影响因素数据的相关度筛选，可提高电力负荷预测的精准度，尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
本公开至少一个实施例提供了一种电力负荷预测装置。
图9为一实施方式的电力负荷预测装置模块结构图，如图9所示，一实施方式的电力负荷预测装置包括：
数据采集模块2000，用于获取影响因素数据；
数据输出模块2001，用于将影响因素数据输入至上述任一实施例的电力负荷预测模型，获得电力负荷预测模型输出的电力负荷预测结果。
上述的电力负荷预测装置，获取负荷历史数据和影响因素数据，根据负荷历史数据与影响因素数据的相关度，对影响因素数据执行筛选处理，获得训练因素数据，最后将训练因素数据与负荷历史数据作为训练数据，训练电力负荷预测模型。基于此，通过负荷历史数据与影响因素数据的相关度筛选，可提高电力负荷预测的精准度，尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
本公开至少一个实施例还提供一种模型训练装置。图10为本公开至少一个实施例提供的一种模型训练装置的示意性框图。例如，如图10所示，模型训练装置20可以包括一个或多个存储器200和一个或多个处理器201。存储器200用于非瞬时性地存储计算机可执行指令；处理器201用于运行计算机可执行指令，当计算机可执行指令被处理器201运行时可以使得处理器201执行根据本公开任一实施例的电力负荷预测模型训练方法中的一个或多个步骤。
关于该电力负荷预测模型训练方法的各个步骤的具体实现以及相关解释内容可以参见上述电力负荷预测模型训练方法的实施例中的相关内容，在此不做赘述。应当注意，图10所示的模型训练装置20的组件只是示例性的，而非限制性的，根据实际应用需要，该模型训练装置20还可以具有其他组件。
在其中一个实施例中，处理器201和存储器200之间可以直接或间接地互相通信。例如，处理器201和存储器200可以通过网络连接进行通信。网络可以包括无线网络、有线网络、和/或无线网络和有线网络的任意组合，本公开对网络的类型和功能在此不作限制。又例如，处理器201和存储器200也可以通过总线连接进行通信。总线可以是外设部件互连标准(PCI)总线或扩展工业标准结构(EISA)总线等。例如，处理器201和存储器200可以设置在远程数据服务器端(云端)或分布式能源***端（本地端），也可以设置在客户端(例如，手机等移动设备)。例如，处理器201可以是中央处理单元(CPU)、张量处理器(TPU)或者图形处理器GPU等具有数据处理能力和/或指令执行能力的器件，并且可以控制模型训练装置20中的其它组件以执行期望的功能。中央处理元(CPU)可以为X86或ARM架构等。
在其中一个实施例中，存储器200可以包括一个或多个计算机程序产品的任意组合，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、闪存等。在计算机可读存储介质上可以存储一个或多个计算机可执行指令，处理器201可以运行计算机可执行指令，以实现模型训练装置20的各种功能。在存储器200中还可以存储各种应用程序和各种数据，以及应用程序使用和/或产生的各种数据等。
需要说明的是，模型训练装置20可以实现与前述电力负荷预测模型训练方法相似的技术效果，重复之处不再赘述。
本公开至少一个实施例还提供一种非瞬时性计算机可读存储介质。图11为本公开至少一个实施例提供的一种非瞬时性计算机可读存储介质的示意图。例如，如图11所示，在非瞬时性计算机可读存储介质30上可以非瞬时性地存储一个或多个计算机可执行指令301。例如，当计算机可执行指令301由计算机执行时可以使得计算机执行根据本公开任一实施例的电力负荷预测模型训练方法中的一个或多个步骤。
在其中一个实施例中，该非瞬时性计算机可读存储介质30可以应用于上述模型训练装置20中，例如，其可以为模型训练装置20中的存储器200。
在其中一个实施例中，关于非瞬时性计算机可读存储介质30的说明可以参考模型训练装置20的实施例中对于存储器200的描述，重复之处不再赘述。
需要注意的是，存储器200存储不同的非瞬时性地存储计算机可执行指令是，模型训练装置20对应作为负荷预测装置，当计算机可执行指令被处理器201运行时可以使得处理器201执行根据本公开任一实施例的负荷预测方法中的一个或多个步骤。
对于本公开，还有以下几点需要说明：
(1)本公开的实施例附图只涉及到与本公开的实施例涉及到的结构，其他结构可参考通常设计。
(2)为了清晰起见，在用于描述本发明的实施例的附图中，层或结构的厚度和尺寸被放大。可以理解，当诸如层、膜、区域或基板之类的元件被称作位于另一元件“上”或“下”时，该元件可以“直接”位于另一元件“上”或“下”，或者可以存在中间元件。
(3)在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合以得到新的实施例。以上仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，本公开的保护范围应以权利要求的保护范围为准
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种电力负荷预测模型训练方法，其特征在于，包括步骤：
获取负荷历史数据和影响因素数据；其中，所述影响因素数据与所述负荷历史数据相对应；根据光伏电站在历史时期运行的数据记录，进行所述影响因素数据与所述负荷历史数据获取；所述影响因素数据包括温度、体感温度、湿度、降水量、风速、光照强度、是否节假日、天气类型和季节的数值化结果；所述负荷历史数据包括设定周期内的负荷特征性指标；所述负荷特征性指标包括最大负荷、最小负荷、平均负荷、负荷率、峰谷差和峰谷差率；
根据所述负荷历史数据与所述影响因素数据的相关度，对所述影响因素数据执行筛选处理，获得训练因素数据；
计算所述负荷历史数据与所述影响因素数据的相关度的过程，包括步骤：
确定影响因素数据的离散空间；其中，所述离散空间由多个取值构成；
对具有离散特征的影响因素数据a，确定其离散空间为：
L＝{l1，l2，...，lv}；
其中，v表示影响因素数据a有v个不同的取值：l1～lv；
根据所述影响因素数据的取值，对所述负荷历史数据进行分类，获得分类结果；
根据影响因素数据a的v个不同的取值，将负荷历史数据分成v个不同的类，类的集合表示为：
D＝{d1，d2，…，dv}；
其中，di表示第i类负荷历史数据，该类负荷历史数据对应的影响因素数据a的取值为li；
根据所述分类结果进行相关度计算；
其中，采用K-means聚类算法完成负荷历史数据的分类，具体聚类流程如下：
算法输入是聚类的簇数v以及负荷特征性指标的数据样本：
X＝{x1，x2，…，xn}；
其中，X的每个数据样本xi是一个矩阵，包含6个属性：最大负荷、最小负荷、平均负荷、负荷率、峰谷差和峰谷差率；
在X中随机选择v个样本作为初始聚类中心，聚类中心集合表示为：
C＝{c1，c2，...，cv}；
计算X中每个样本与C中每个聚类中心的欧式距离，并将样本划分到距离聚类中心最近的类中，形成了v个聚类：
其中，xit表示第i个样本的第t个属性，cjt表示第j个聚类中心的第t个属性；
计算每个类中样本的均值，将该均值作为新的聚类中心：
其中，表示第j个聚类中的第s个样本，cj表示第j个聚类的样本集合，|Cj|表示Cj的样本个数；
重复上述计算直到所有聚类中心保持不变，同时计算的平方误差函数E也将收敛于定值：
其中，Lsj表示与第j个聚类中心的距离；
将负荷特征性指标的样本数据划分成了v个不同的类，每个类中负荷特征值样本数据替换为对应的负荷历史数据，得到对应的v类负荷历史数据：
K＝{k1，k2，…，kv}；
其中，ki表示第i类负荷历史数据，从第i类负荷特征性指标的样本数据中求得；
对分类D和分类K进行相似度计算，分别计算d1～dv的负荷历史数据中属于k1～kv的比例：
其中，表示di的所有负荷历史数据中属于kj的比例，/>表示同时属于di和kj的负荷历史数据数量，Ni表示di的负荷历史数据总数量；
计算所有的得到di与kj的相似度表格：
从表格中取出每一列的最大值max(pj)，将所有列的max(pj)组成一个向量col_max_p；将向量中的最小元作为影响因素数据a与负荷历史数据的相关度，如下：
col_max_p＝[max(p1)，max(p2)，…，max(pj)，…，max(pv)]；
S＝min{max(p1)，max(p2)，…，max(pj)，…，max(pv)}；
将所述训练因素数据与所述负荷历史数据作为训练数据，训练电力负荷预测模型。
2.根据权利要求1所述的电力负荷预测模型训练方法，其特征在于，还包括步骤：
根据所述训练因素数据与所述负荷历史数据测试所述电力负荷预测模型的精度；
根据所述精度调整所述筛选处理。
3.根据权利要求2所述的电力负荷预测模型训练方法，其特征在于，所述根据所述负荷历史数据与所述影响因素数据的相关度，对所述影响因素数据执行筛选处理，获得训练因素数据的过程，包括步骤：
计算所述负荷历史数据与所述影响因素数据的相关度；
保留相关度大于设定阈值的影响因素数据，作为训练因素数据。
4.根据权利要求3所述的电力负荷预测模型训练方法，其特征在于，所述根据所述精度调整所述筛选处理的过程，包括步骤：
若所述精度相对提高，则降低所述设定阈值，否则提高所述设定阈值。
5.根据权利要求1至4任意一项所述的电力负荷预测模型训练方法，其特征在于，所述电力负荷预测模型基于LSTNet网络建立。
6.一种电力负荷预测方法，其特征在于，包括步骤：
获取影响因素数据；
将所述影响因素数据输入至如权利要求1至5任意一项所述的电力负荷预测模型，获得所述电力负荷预测模型输出的电力负荷预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310482932.3A CN116186548B (zh) | 2023-05-04 | 2023-05-04 | 电力负荷预测模型训练方法及电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310482932.3A CN116186548B (zh) | 2023-05-04 | 2023-05-04 | 电力负荷预测模型训练方法及电力负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116186548A CN116186548A (zh) | 2023-05-30 |
| CN116186548B true CN116186548B (zh) | 2023-08-01 |
Family
ID=86442647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310482932.3A Active CN116186548B (zh) | 2023-05-04 | 2023-05-04 | 电力负荷预测模型训练方法及电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116186548B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116805785B (zh) * | 2023-08-17 | 2023-11-28 | 国网浙江省电力有限公司金华供电公司 | 基于随机聚类的电力负荷层次时间序列预测方法 |
| CN116817415B (zh) * | 2023-08-28 | 2024-01-12 | 国网浙江省电力有限公司宁波供电公司 | 一种空调负荷管理调节方法、计算设备及存储介质 |
| CN117277316B (zh) * | 2023-11-22 | 2024-04-09 | 国网山东省电力公司曲阜市供电公司 | 一种电力负荷预测方法、***、介质及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
| CN110689195A (zh) * | 2019-09-26 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种电力日负荷预测方法 |
| CN113592192A (zh) * | 2021-08-17 | 2021-11-02 | 国网河北省电力有限公司邢台供电分公司 | 短期电力负荷预测方法、装置及终端设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365056A (zh) * | 2020-11-12 | 2021-02-12 | 云南电网有限责任公司 | 一种电气负荷联合预测方法、装置、终端及存储介质 |
| CN113379564A (zh) * | 2021-04-08 | 2021-09-10 | 国网河北省电力有限公司营销服务中心 | 电网负荷预测方法、装置及终端设备 |
| CN113516291A (zh) * | 2021-05-24 | 2021-10-19 | 国网河北省电力有限公司经济技术研究院 | 电力负荷预测方法、装置及设备 |
| CN114897248A (zh) * | 2022-05-18 | 2022-08-12 | 国网安徽省电力有限公司信息通信分公司 | 一种基于人工智能的电网负荷预测方法 |
-
2023
- 2023-05-04 CN CN202310482932.3A patent/CN116186548B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
| CN110689195A (zh) * | 2019-09-26 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种电力日负荷预测方法 |
| CN113592192A (zh) * | 2021-08-17 | 2021-11-02 | 国网河北省电力有限公司邢台供电分公司 | 短期电力负荷预测方法、装置及终端设备 |
Non-Patent Citations (1)
| Title |
|---|
| "用于短期电力负荷预测的日负荷特性分类及特征集重构策略";徐先峰等;《电网技术》;第第46 卷卷(第4期);第1548-1556页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116186548A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| Zhang et al. | A novel Encoder-Decoder model based on read-first LSTM for air pollutant prediction | |
| Yu et al. | Prediction of highway tunnel pavement performance based on digital twin and multiple time series stacking | |
| CN110610280A (zh) | 一种电力负荷短期预测方法、模型、装置及*** | |
| Dumitru et al. | Solar photovoltaic energy production forecast using neural networks | |
| CN111695731B (zh) | 基于多源数据和混合神经网络的负荷预测方法、***及设备 | |
| CN108694673A (zh) | 一种保险业务风险预测的处理方法、装置及处理设备 | |
| CN111915092B (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
| CN110674636B (zh) | 一种用电行为分析方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN116205355B (zh) | 电力负荷的预测方法、装置以及存储介质 | |
| Shaikh et al. | A new approach to seasonal energy consumption forecasting using temporal convolutional networks | |
| CN113011680A (zh) | 一种电力负荷预测方法及*** | |
| Peng et al. | A forecast model of tourism demand driven by social network data | |
| CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
| CN113298318A (zh) | 一种新型的配电变压器重过载预测方法 | |
| CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
| CN111697560B (zh) | 一种基于lstm预测电力***负荷的方法及*** | |
| Yang et al. | Short‐Term Demand Forecasting Method in Power Markets Based on the KSVM–TCN–GBRT | |
| CN110826750B (zh) | 一种电力负荷预测方法、装置、设备及*** | |
| CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
| Li et al. | A comprehensive learning-based model for power load forecasting in smart grid | |
| CN113449933B (zh) | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 | |
| Mao et al. | Naive Bayesian algorithm classification model with local attribute weighted based on KNN |
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 |