CN116384580A - 一种基于多维预测模型的售电量预测*** - Google Patents
一种基于多维预测模型的售电量预测*** Download PDFInfo
- Publication number
- CN116384580A CN116384580A CN202310381146.4A CN202310381146A CN116384580A CN 116384580 A CN116384580 A CN 116384580A CN 202310381146 A CN202310381146 A CN 202310381146A CN 116384580 A CN116384580 A CN 116384580A
- Authority
- CN
- China
- Prior art keywords
- function
- prediction
- dynamic
- keyword
- solid
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 64
- 239000007787 solid Substances 0.000 claims abstract description 112
- 230000000737 periodic effect Effects 0.000 claims abstract description 73
- 230000004044 response Effects 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 203
- 238000005316 response function Methods 0.000 claims description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 37
- 238000013139 quantization Methods 0.000 claims description 36
- 230000001960 triggered effect Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 239000013078 crystal Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation 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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多维预测模型的售电量预测***,包括多维训练模块、量化预测模块以及宏预测模块,所述售电量预测子***还配置有固态周期模型、动态环境模型以及外部调度模型;通过这样设置,首先建立三个不同的数学模型,分别对售电量和环境的关系、售电量和行业周期性关系,售电量和外部信息之间的关系,通过该地区以往的售电量与上述信息的关系,对以上三个模型进行针对化的训练,然后通过量化预测的方式对模型的预测进行学习,通过对模型的精细化训练和动态学习,可以使当地售电量预测既可以具备稳定性和可靠性,同时又可以动态的响应于量化预测的学习效果,使模型可以较快识别到与预测结果相关的变化量,从而做出调整,精确度更高。
Description
技术领域
本发明涉及电网数据分析技术领域,更具体地说,涉及一种基于多维预测模型的售电量预测***。
背景技术
随着三地集中式数据中心的陆续投运,一级部署业务应用范围的拓展,结构化和非结构化数据平台的上线运行,电网业务数据从总量和种类上都已初具规模;随着智能电能表的逐步普及,电网业务数据从时效性层面进一步丰富和拓展。面对海量、实时的电网业务数据,大数据分析技术的应用迫在眉睫。
2021年,全球能源行业出现了新的挑战和变化,整体国际能源形势不容乐观,部分国家电力价格大幅度上涨,所以在这个背景下,全球都会面临电价恢复市场态势的挑战,使电价回归市场化逻辑,而不进行统一定价管理,而这样一来,会数据的的要求就会提高,如何准确的制定各个行业、各个地区的电价的规定,随之也就产生了对售电量预测的新的需求,而售电量预测除了对电价的制定起到决定作用外,还对用电调度起到关键作用,售电量预测失准,会导致用电调度不平衡,进一步使得整个用电环境出现影响,而目前,例如CN106651055A名称为一种短期售电量预测方法及***,CN 105096159 A,名称为一种区域售电量预测方法及装置,也分别提出了预测短期售电量的预测方法,但是以上两种方法的预测精度较低,所以公开号为CN114549095B的专利提出了一种基于时间序列的滑动窗口式售电量预测方法,通过时间序列滑动窗口对气温和售电量的关联关系进行分析,消除了售电行为滞后性带来的影响,但是其由于分析的参数较少,所以不能适用于情况复杂的台区售电预测场景。
发明内容
有鉴于此,本发明目的是提供一种基于多维预测模型的售电量预测***。
为了解决上述技术问题,本发明的技术方案是:一种基于多维预测模型的售电量预测***,包括多维训练模块、量化预测模块以及宏预测模块,所述售电量预测子***还配置有固态周期模型、动态环境模型以及外部调度模型;
所述固态周期模型中包括有若干固态周期函数,所述固态周期函数反映售电量和时间周期的数学关系,每一固态周期函数对应配置有一固态匹配值;
所述动态环境模型中包括有若干动态环境函数,每一动态环境函数反映售电量与环境变化的数学关系,每一动态环境函数对应配置有动态匹配值;
所述外部调度模型包括若干关键词响应函数,每一关键词响应函数反映售电量对关键词的响应的数学关系,所述关键词响应函数以响应触发条件为索引,所述响应触发条件用于判断外部数据库对该关键词的记载情况;
所述多维训练模块包括多维训练策略,所述多维训练策略包括
步骤A1、获取具有第一预设时长的售电量波形,且该售电量波形对应有周期性数据以及历史环境数据;
步骤A2、根据预设的划分依据将固态周期函数和动态环境函数组成争用函数组,每一争用函数组的波形为周期性数据和历史环境数据下固态周期函数和动态环境函数的叠加,所述的争用函数组包括一固态周期函数以及若干动态环境函数;
步骤A3、计算售电量波形与争用函数组的第一波形偏差,若第一波形偏差小于预设的基准争用偏差,则根据第一波形偏差赋予争用函数组争用调节值,并根据争用调节值调节对应的固态匹配值以及动态匹配值,若第一波形偏差大于预设的基准争用偏差,则根据历史环境数据确定最接近的关键词响应函数,并执行预设的关键词调度子策略;
所述量化预测模块包括有量化预测策略,所述量化预测策略包括
步骤B1、获取发生的售电量化子波,并通过将售电量化子波分别带入固态周期模型以及动态环境模型以分别计算每一固态周期函数的固态量化匹配值以及动态环境函数的动态量化匹配值;
步骤B2、配置有第一置信算法计算每一争用函数组的匹配信任值;
步骤B3、根据匹配信任值的大小为随机概率随机确定一争用函数组;
步骤B4、配置有预设的外部预测子策略生成量化预测子波;
步骤B5、获取实测量化子波,计算实测量化子波和量化预测子波的预测偏差;
步骤B6、若预测偏差小于预设的第一基准预测值,则生成固态增值以调节对应的固态匹配值,若预测偏差小于预设的第二基准预测值,则修正对应的动态环境函数中的动态调节参数以使预测偏差减小;若预测偏差大于第二基准预测值,返回步骤B1;
所述宏预测模块配置有宏预测策略,所述宏预测策略包括
步骤C1、获取目标预测时长,并根据目标预测时长调取对应的争用函数组;
步骤C2、通过固态周期模型以及动态环境模型计算第一预测期望;
步骤C3、根据外部数据库的内容生成对应的响应触发条件,并将响应触发条件带入外部调度模型以获得第二预测期望;
步骤C4、加权第一预测期望和第二预测期望以获得售电量预测值。
进一步的,所述多维训练模块包括固态训练单元,所述固态训练单元配置有固态训练算法用于计算每一固态周期函数对应的固态匹配值,所述固态训练算法为Q=(βs∑αnqn)+βfqv,其中Q为固态匹配值,βs为预设基准固态权重,βf为预设的调节固态权重,有βs+βq=1,αn为该固态周期函数对应的第n个台区的产业分布收敛程度,qn为该固态周期函数对应的第n个台区的用电规律性程度,qv为固态学习调节参数,有qv=(βbhc+1)qv,βb为预设的调参比例倍数,hc为争用调节值。
进一步的,步骤B1中,配置有固态量化算法计算所述固态量化匹配值,所述固态量化算法为其中Gd为所述固态量化匹配值,gi(x)为第i个固态周期函数,fa(x)为售电量波形,[xa,xb]为售电量化子波所在售电量化波形的区间,配置有动态量化算法计算所述动态量化匹配值,所述动态量化算法为/>其中H为所述动态量化匹配值,hi(x)为第i个动态环境函数。
进一步的,所述动态环境模型中,动态环境函数之间存在影响量约束关系,每一所述影响量约束关系包括主动动态环境函数和被动动态环境函数,当主动动态环境函数的动态匹配值变化时,被动动态环境函数的动态匹配值根据影响量约束关系中预设的影响量比例发生变化,所述影响量比例的计算算法为其中/>为影响量比例,为动态环境函数的动态频次基准,所述动态频次基准反映该动态魂晶函数对应的环境数据在历史环境数据中出现的频次,pb为动态环境函数的动态相关度,所述动态相关度反映动态环境函数对应的环境数据同时出现的次数,/>为动态环境函数的函数波形相似度,ss为动态环境函数的函数特征相似度,Sp为预设的动态影响量基准。
进一步的,所述的响应触发条件为该关键词在外部数据库中出现频次大于预设的关键词基准频次,且该关键词在外部数据库中的关键词信任值之和大于预设的关键词基准信任值。
进一步的,所述步骤A3中,配置有响应触发算法计算关键词响应函数的趋近值,有Wq=χ1bl+χ2(ΔTb/Tn)+χ3Δdv,其中,Wq为趋近值,bl为该关键词对应的历史环境数据中的关键词信任值,ΔTb为该关键词的出现时间间隔,Tn为预设的时间间隔基准,Δdv为该关键词响应函数和第一波形偏差的相似度,χ1为预设的关键词信任权重,χ2为预设的关键词时间权重,χ3为预设的波形偏差权重,且有χ1+χ2+χ3=1;
所述步骤A3中,还包括确定趋近值最大的关键词响应函数为最接近的关键词响应函数。
进一步的,所述的关键词调度子策略包括
步骤A3-1、将确定的关键词响应函数叠加所述争用函数组以生成第二合成波形;
步骤A3-2、计算第二合成波形与售电量波形的第二波形偏差;
步骤A3-3、若第二波形偏差大于预设的次级基准偏差,则配置有关键词调节因子调节历史环境数据中对应的关键词信任值,若第二波形偏差小于预设的次级基准偏差,那么修正关键词响应函数中的关键词调节参数以使第二波形偏差减小;
所述的外部预测子策略包括
步骤B4-1、通过响应触发算法计算每一关键词响应函数的趋近值;
步骤B4-2、根据趋近值生成每个关键词响应函数的触发概率,并根据触发概率确定被触发的关键词响应函数;
步骤B4-3、将确定的关键词响应函数和争用函数组叠加形成量化预测子波;
所述步骤B6中,还包括若增加上一次循环中被触发的关键词响应函数的触发概率,并减小上一次循环中未被触发的关键词响应函数的触发概率。
进一步的,所述步骤A2中,根据售电量波形的波形特征确定对应的动态环境函数,根据售电量波形的周期性特征确定对应的固态周期函数。
进一步的,所述第一置信算法配置为其中,pv为匹配信任值,δg为售电量化子波和对应的争用函数组的相似度,δs为目标用电台区和对应的固态周期函数的信息匹配度,Hm为争用函数组中第m个动态环境函数的动态量化匹配值。
进一步的,所述步骤C2中,所述第一预测期望的计算公式如下:
,其中,ε1为第一预测期望,Qn为第n个固态周期函数的固态匹配值,Qs为固态周期函数的固态匹配值之和,gn(x)为第n个固态周期函数,[xA,xB]为目标预测时长,Un为第n个动态环境函数的动态匹配值,Us为动态环境函数的动态匹配值之和,hn(x)为第n个动态环境函数;
步骤C3中,第二预测期望的计算公式如下:ε2=∑γnLn,其中γn为第n个关键词影响函数的触发概率,Ln为第n个关键词影响函数的售电量预测值。
本发明技术效果主要体现在以下方面:通过这样设置,首先建立三个不同的数学模型,分别对售电量和环境的关系、售电量和行业周期性关系,售电量和外部信息之间的关系,通过该地区以往的售电量与上述信息的关系,对以上三个模型进行针对化的训练,然后通过量化预测的方式对模型的预测进行学习,通过对模型的精细化训练和动态学习,可以使当地售电量预测既可以具备稳定性和可靠性,同时又可以动态的响应于量化预测的学习效果,使模型可以较快识别到与预测结果相关的变化量,从而做出调整,精确度更高。
附图说明
图1:本发明一种基于多维预测模型的售电量预测***的***架构原理图。
附图标记:100、多维训练模块;200、量化预测模块;300、宏预测模块;11、固态周期模型;12、动态环境模型;13、外部调度模型。
具体实施方式
以下结合附图,对本发明的具体实施方式作进一步详述,以使本发明技术方案更易于理解和掌握。
一种基于多维预测模型的售电量预测***,包括多维训练模块100、量化预测模块200以及宏预测模块300,所述售电量预测子***还配置有固态周期模型11、动态环境模型12以及外部调度模型13;
所述固态周期模型11中包括有若干固态周期函数,所述固态周期函数反映售电量和时间周期的数学关系,每一固态周期函数对应配置有一固态匹配值;所述多维训练模块100包括固态训练单元,所述固态训练单元配置有固态训练算法用于计算每一固态周期函数对应的固态匹配值,所述固态训练算法为Q=(βs∑αnqn)+βfqv,其中Q为固态匹配值,βs为预设基准固态权重,βf为预设的调节固态权重,有βs+βq=1,αn为该固态周期函数对应的第n个台区的产业分布收敛程度,qn为该固态周期函数对应的第n个台区的用电规律性程度,qv为固态学习调节参数,有qv=(βbhc+1)qv,βb为预设的调参比例倍数,hc为争用调节值。固态周期函数的目的是通过函数关系将售电量的周期性变化情况进行记录,例如工作日和节假日、不同的时段,售电量的变化量的情况,而不同的地区变化情况可能不同,不同行业的用电情况也有不同,这样通过带入台区的用电规模,就可以对售电量根据时间不同的变化情况进行预测,在不同时间都能得到售电量,而通过构建不同的固态周期函数,然后为固态周期函数配置固态匹配值,通过固态训练算法生成固态匹配值,这样就可以通过历史中台区产业的分布的收敛程度、用电规律性程度,收敛程度越高、用电规律性越高,则比对结果更加准确,该函数就越应该被信任。
所述动态环境模型12中包括有若干动态环境函数,每一动态环境函数反映售电量与环境变化的数学关系,每一动态环境函数对应配置有动态匹配值;所述动态环境模型12中,动态环境函数之间存在影响量约束关系,每一所述影响量约束关系包括主动动态环境函数和被动动态环境函数,当主动动态环境函数的动态匹配值变化时,被动动态环境函数的动态匹配值根据影响量约束关系中预设的影响量比例发生变化,所述影响量比例的计算算法为其中/>为影响量比例,/>为动态环境函数的动态频次基准,所述动态频次基准反映该动态魂晶函数对应的环境数据在历史环境数据中出现的频次,pb为动态环境函数的动态相关度,所述动态相关度反映动态环境函数对应的环境数据同时出现的次数,/>为动态环境函数的函数波形相似度,ss为动态环境函数的函数特征相似度,Sp为预设的动态影响量基准。动态环境函数和固态周期函数的关系在于,例如气温、湿度、降雨量等因素和售电量的关系,沟通不同的动态环境函数,例如南方3类气温动态环境表示气温和环境之间的关系,如果目标台区被归纳为南方3类,则对应的气温就可以预测售电量,其中还包括延时响应函数,例如气温变化一段时间,售电量开始变化的函数,通过这样的变化函数就可以关联环境信息与售电量,从而进行预测,但是该模型的不同之处在于,其通过影响量比例进行变化,这个函数的动态匹配值是会呈现整体性变化,例如A函数的动态匹配值变化1个单位,那么B函数的动态匹配值就变化/>个单位,而通过相似性和相关性两个维度去判断不同的气候之间的关联性,这样不会因为气候孤立而导致运算结果不正确。
所述外部调度模型13包括若干关键词响应函数,每一关键词响应函数反映售电量对关键词的响应的数学关系,所述关键词响应函数以响应触发条件为索引,所述响应触发条件用于判断外部数据库对该关键词的记载情况;所述的响应触发条件为该关键词在外部数据库中出现频次大于预设的关键词基准频次,且该关键词在外部数据库中的关键词信任值之和大于预设的关键词基准信任值。外部数据库实时收集外部数据,例如电网网上新闻、政策文件等等,通过语义分析和知识图谱技术将外部数据提炼出关键词存储至外部数据库,这样就可以实时对外部数据进行获取,例如限电计划等因素,然后通过外部关键词信息构建对应的外部函数,就可以根据关键词的来源、出现的频次计算是否符合条件,也就是关键词是否被采信,然后通过这样的频次计算,就可以判断对应事件是否发生,从而计算售电量。
所述多维训练模块100包括多维训练策略,所述多维训练策略包括
步骤A1、获取具有第一预设时长的售电量波形,且该售电量波形对应有周期性数据以及历史环境数据;例如第一预设时长为一天,该天为9月13号,气温为30摄氏度、湿度为29%、没有降雨。或者这个数据下的售电量波形。
步骤A2、根据预设的划分依据将固态周期函数和动态环境函数组成争用函数组,每一争用函数组的波形为周期性数据和历史环境数据下固态周期函数和动态环境函数的叠加,所述的争用函数组包括一固态周期函数以及若干动态环境函数;所述步骤A2中,根据售电量波形的波形特征确定对应的动态环境函数,根据售电量波形的周期性特征确定对应的固态周期函数。争用函数组的固态周期函数仅选择一个,但是可以选择多个动态环境函数,而不同争用函数组仅仅一个动态环境函数不同也能成立。比如争用函数组1为固态周期函数X3,以及动态环境函数Y1\Y2;争用函数组2为固态周期函数X3,以及动态环境函数Y1\Y3。
步骤A3、计算售电量波形与争用函数组的第一波形偏差,若第一波形偏差小于预设的基准争用偏差,则根据第一波形偏差赋予争用函数组争用调节值,并根据争用调节值调节对应的固态匹配值以及动态匹配值,若第一波形偏差大于预设的基准争用偏差,则根据历史环境数据确定最接近的关键词响应函数,并执行预设的关键词调度子策略;第一波形偏差也就是计算波形之间的差值的积分,就可以求出波形的偏差值,如果偏差值过大,则说明争用函数组不是最优,则需要考虑关键词的情况,如果偏差值小于基准,则说明可以不考虑关键词的情况,优先考虑偏差。所述步骤A3中,配置有响应触发算法计算关键词响应函数的趋近值,有Wq=χ1bl+χ2(ΔTb/Tn)+χ3Δdv,其中,Wq为趋近值,bl为该关键词对应的历史环境数据中的关键词信任值,ΔTb为该关键词的出现时间间隔,Tn为预设的时间间隔基准,Δdv为该关键词响应函数和第一波形偏差的相似度,χ1为预设的关键词信任权重,χ2为预设的关键词时间权重,χ3为预设的波形偏差权重,且有χ1+χ2+χ3=1;
所述步骤A3中,还包括确定趋近值最大的关键词响应函数为最接近的关键词响应函数。通过计算趋近值就可以确定对应的最近的关键词响应函数,而区禁止考虑关键词信任值(关键词的出处是否可靠),关键词出现的时间在时间上是否具有腔相关性,以及关键词影响函数与第一波形偏差的差值,也就是这个关键词影响函数是否应该用于解释这个偏差,从而确定最优的关键词逻辑所述的关键词调度子策略包括
步骤A3-1、将确定的关键词响应函数叠加所述争用函数组以生成第二合成波形;由于函数都是反映售电量在时间维度下的数值,所以函数的叠加带入实际的用户情况可以得到对应的合成波形。
步骤A3-2、计算第二合成波形与售电量波形的第二波形偏差;同样通过差值积分的方式得到。
步骤A3-3、若第二波形偏差大于预设的次级基准偏差,则配置有关键词调节因子调节历史环境数据中对应的关键词信任值,若第二波形偏差小于预设的次级基准偏差,那么修正关键词响应函数中的关键词调节参数以使第二波形偏差减小;次级基准偏差的作用是判断关键词是否匹配,如果关键词匹配度较高,则偏差很小,那么就调节关键词响应函数中的关键词调节参数,关键词调节参数是预先设置,目的是为了使外部模型具备学习能力,如果偏差比较大,那么就调节对应的关键词信任值,增加对应的信任值。
所述量化预测模块200包括有量化预测策略,所述量化预测策略包括
步骤B1、获取发生的售电量化子波,并通过将售电量化子波分别带入固态周期模型11以及动态环境模型12以分别计算每一固态周期函数的固态量化匹配值以及动态环境函数的动态量化匹配值;步骤B1中,配置有固态量化算法计算所述固态量化匹配值,所述固态量化算法为其中Gd为所述固态量化匹配值,gi(x)为第i个固态周期函数,fa(x)为售电量波形,[xa,xb]为售电量化子波所在售电量化波形的区间,配置有动态量化算法计算所述动态量化匹配值,所述动态量化算法为/>其中H为所述动态量化匹配值,hi(x)为第i个动态环境函数。通过固态量化算法可以计算固态量化匹配值,通过动态量化算法可以计算动态量化匹配值,这样一来,就可以得到两个结果。
步骤B2、配置有第一置信算法计算每一争用函数组的匹配信任值;所述第一置信算法配置为其中,pv为匹配信任值,δg为售电量化子波和对应的争用函数组的相似度,δs为目标用电台区和对应的固态周期函数的信息匹配度,Hm为争用函数组中第m个动态环境函数的动态量化匹配值。通过第一置信算法就可以得到对应的匹配信任值,也就是确定每个争用函数组的信任程度。
步骤B3、根据匹配信任值的大小为随机概率随机确定一争用函数组;这样就可以每次确定一个随机的争用函数组,在多次训练下,提高模型的精度。
步骤B4、配置有预设的外部预测子策略生成量化预测子波;所述的外部预测子策略包括
步骤B4-1、通过响应触发算法计算每一关键词响应函数的趋近值;计算趋近值,目的是生成判断是否触发对应的关键词响应函数。
步骤B4-2、根据趋近值生成每个关键词响应函数的触发概率,并根据触发概率确定被触发的关键词响应函数;
步骤B4-3、将确定的关键词响应函数和争用函数组叠加形成量化预测子波;根据确定的关键词响应函数独立触发,生成每个时刻的量化预测结果。
步骤B5、获取实测量化子波,计算实测量化子波和量化预测子波的预测偏差;通过实际波形和预测波形的比较,就可以得到预测的偏差。
步骤B6、若预测偏差小于预设的第一基准预测值,则生成固态增值以调节对应的固态匹配值,若预测偏差小于预设的第二基准预测值,则修正对应的动态环境函数中的动态调节参数以使预测偏差减小;若预测偏差大于第二基准预测值,返回步骤B1;如果预测偏差大,则调节对应的固态匹配值,如果预测偏差小,则调节对应的动态调节参数,调节对应的动态环境函数中的参数,所述步骤B6中,还包括若增加上一次循环中被触发的关键词响应函数的触发概率,并减小上一次循环中未被触发的关键词响应函数的触发概率。通过不断循环则可以通过量化的方式将大量的数据输入预测模型,不断学习修正对应的固态匹配值和动态调节参数,而动态调节参数反映环境参数和售电量的关系,例如动态调节参数为正系数,则调节对应的影响量,从而得到更加准确的结果。而量化的时间短,则对应的学习周期就相应减少,量化的时间长,则对应的学习周期就相应增加。
所述宏预测模块300配置有宏预测策略,所述宏预测策略包括
步骤C1、获取目标预测时长,并根据目标预测时长调取对应的争用函数组;实际本发明对用户的支持是通过宏预测实现的,一般来说会预测中长期的售电量,因为有量化预测大量的训练数据支持,宏预测对训练结果求解会更加准确,例如目标预测时长可能是一个季度。
步骤C2、通过固态周期模型11以及动态环境模型12计算第一预测期望;所述步骤C2中,所述第一预测期望的计算公式如下:
其中,ε1为第一预测期望,Qn为第n个固态周期函数的固态匹配值,Qs为固态周期函数的固态匹配值之和,gn(x)为第n个固态周期函数,[xA,xB]为目标预测时长,Un为第n个动态环境函数的动态匹配值,Us为动态环境函数的动态匹配值之和,hn(x)为第n个动态环境函数;通过计算预测期望,避免单个函数的误差导致***性误差,符合台区业态规律,提高准确性。
步骤C3、根据外部数据库的内容生成对应的响应触发条件,并将响应触发条件带入外部调度模型以获得第二预测期望;步骤C3中,第二预测期望的计算公式如下:ε2=∑γnLn,其中γn为第n个关键词影响函数的触发概率,Ln为第n个关键词影响函数的售电量预测值。
步骤C4、加权第一预测期望和第二预测期望以获得售电量预测值。
当然,以上只是本发明的典型实例,除此之外,本发明还可以有其它多种具体实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求保护的范围之内。
Claims (10)
1.一种基于多维预测模型的售电量预测***,其特征在于:包括多维训练模块、量化预测模块以及宏预测模块,所述售电量预测子***还配置有固态周期模型、动态环境模型以及外部调度模型;
所述固态周期模型中包括有若干固态周期函数,所述固态周期函数反映售电量和时间周期的数学关系,每一固态周期函数对应配置有一固态匹配值;
所述动态环境模型中包括有若干动态环境函数,每一动态环境函数反映售电量与环境变化的数学关系,每一动态环境函数对应配置有动态匹配值;
所述外部调度模型包括若干关键词响应函数,每一关键词响应函数反映售电量对关键词的响应的数学关系,所述关键词响应函数以响应触发条件为索引,所述响应触发条件用于判断外部数据库对该关键词的记载情况;
所述多维训练模块包括多维训练策略,所述多维训练策略包括
步骤A1、获取具有第一预设时长的售电量波形,且该售电量波形对应有周期性数据以及历史环境数据;
步骤A2、根据预设的划分依据将固态周期函数和动态环境函数组成争用函数组,每一争用函数组的波形为周期性数据和历史环境数据下固态周期函数和动态环境函数的叠加,所述的争用函数组包括一固态周期函数以及若干动态环境函数;
步骤A3、计算售电量波形与争用函数组的第一波形偏差,若第一波形偏差小于预设的基准争用偏差,则根据第一波形偏差赋予争用函数组争用调节值,并根据争用调节值调节对应的固态匹配值以及动态匹配值,若第一波形偏差大于预设的基准争用偏差,则根据历史环境数据确定最接近的关键词响应函数,并执行预设的关键词调度子策略;
所述量化预测模块包括有量化预测策略,所述量化预测策略包括
步骤B1、获取发生的售电量化子波,并通过将售电量化子波分别带入固态周期模型以及动态环境模型以分别计算每一固态周期函数的固态量化匹配值以及动态环境函数的动态量化匹配值;
步骤B2、配置有第一置信算法计算每一争用函数组的匹配信任值;
步骤B3、根据匹配信任值的大小为随机概率随机确定一争用函数组;
步骤B4、配置有预设的外部预测子策略生成量化预测子波;
步骤B5、获取实测量化子波,计算实测量化子波和量化预测子波的预测偏差;
步骤B6、若预测偏差小于预设的第一基准预测值,则生成固态增值以调节对应的固态匹配值,若预测偏差小于预设的第二基准预测值,则修正对应的动态环境函数中的动态调节参数以使预测偏差减小;若预测偏差大于第二基准预测值,返回步骤B1;
所述宏预测模块配置有宏预测策略,所述宏预测策略包括
步骤C1、获取目标预测时长,并根据目标预测时长调取对应的争用函数组;
步骤C2、通过固态周期模型以及动态环境模型计算第一预测期望;
步骤C3、根据外部数据库的内容生成对应的响应触发条件,并将响应触发条件带入外部调度模型以获得第二预测期望;
步骤C4、加权第一预测期望和第二预测期望以获得售电量预测值。
2.如权利要求1所述的一种基于多维预测模型的售电量预测***,其特征在于:所述多维训练模块包括固态训练单元,所述固态训练单元配置有固态训练算法用于计算每一固态周期函数对应的固态匹配值,所述固态训练算法为Q=(βs∑αnqn)+βfqv,其中Q为固态匹配值,βs为预设基准固态权重,βf为预设的调节固态权重,有βs+βq=1,αn为该固态周期函数对应的第n个台区的产业分布收敛程度,qn为该固态周期函数对应的第n个台区的用电规律性程度,qv为固态学习调节参数,有qv=(βbhc+1)qv,βb为预设的调参比例倍数,hc为争用调节值。
4.如权利要求1所述的一种基于多维预测模型的售电量预测***,其特征在于:所述动态环境模型中,动态环境函数之间存在影响量约束关系,每一所述影响量约束关系包括主动动态环境函数和被动动态环境函数,当主动动态环境函数的动态匹配值变化时,被动动态环境函数的动态匹配值根据影响量约束关系中预设的影响量比例发生变化,所述影响量比例的计算算法为其中/>为影响量比例,/>为动态环境函数的动态频次基准,所述动态频次基准反映该动态魂晶函数对应的环境数据在历史环境数据中出现的频次,pb为动态环境函数的动态相关度,所述动态相关度反映动态环境函数对应的环境数据同时出现的次数,/>为动态环境函数的函数波形相似度,ss为动态环境函数的函数特征相似度,Sp为预设的动态影响量基准。
5.如权利要求1所述的一种基于多维预测模型的售电量预测***,其特征在于:所述的响应触发条件为该关键词在外部数据库中出现频次大于预设的关键词基准频次,且该关键词在外部数据库中的关键词信任值之和大于预设的关键词基准信任值。
6.如权利要求5所述的一种基于多维预测模型的售电量预测***,其特征在于:所述步骤A3中,配置有响应触发算法计算关键词响应函数的趋近值,有Wq=χ1bl+χ2(ΔTb/Tn)+χ3Δdv,其中,Wq为趋近值,bl为该关键词对应的历史环境数据中的关键词信任值,ΔTb为该关键词的出现时间间隔,Tn为预设的时间间隔基准,Δdv为该关键词响应函数和第一波形偏差的相似度,χ1为预设的关键词信任权重,χ2为预设的关键词时间权重,χ3为预设的波形偏差权重,且有χ1+χ2+χ3=1;
所述步骤A3中,还包括确定趋近值最大的关键词响应函数为最接近的关键词响应函数。
7.如权利要求6所述的一种基于多维预测模型的售电量预测***,其特征在于:所述的关键词调度子策略包括
步骤A3-1、将确定的关键词响应函数叠加所述争用函数组以生成第二合成波形;
步骤A3-2、计算第二合成波形与售电量波形的第二波形偏差;
步骤A3-3、若第二波形偏差大于预设的次级基准偏差,则配置有关键词调节因子调节历史环境数据中对应的关键词信任值,若第二波形偏差小于预设的次级基准偏差,那么修正关键词响应函数中的关键词调节参数以使第二波形偏差减小;
所述的外部预测子策略包括
步骤B4-1、通过响应触发算法计算每一关键词响应函数的趋近值;
步骤B4-2、根据趋近值生成每个关键词响应函数的触发概率,并根据触发概率确定被触发的关键词响应函数;
步骤B4-3、将确定的关键词响应函数和争用函数组叠加形成量化预测子波;
所述步骤B6中,还包括若增加上一次循环中被触发的关键词响应函数的触发概率,并减小上一次循环中未被触发的关键词响应函数的触发概率。
8.如权利要求1所述的一种基于多维预测模型的售电量预测***,其特征在于:所述步骤A2中,根据售电量波形的波形特征确定对应的动态环境函数,根据售电量波形的周期性特征确定对应的固态周期函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310381146.4A CN116384580A (zh) | 2023-04-11 | 2023-04-11 | 一种基于多维预测模型的售电量预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310381146.4A CN116384580A (zh) | 2023-04-11 | 2023-04-11 | 一种基于多维预测模型的售电量预测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116384580A true CN116384580A (zh) | 2023-07-04 |
Family
ID=86969104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310381146.4A Pending CN116384580A (zh) | 2023-04-11 | 2023-04-11 | 一种基于多维预测模型的售电量预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116384580A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117874625A (zh) * | 2024-01-22 | 2024-04-12 | 国网湖北省电力有限公司信息通信公司 | 基于ai和知识库的电力***数据智能处理***与方法 |
-
2023
- 2023-04-11 CN CN202310381146.4A patent/CN116384580A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117874625A (zh) * | 2024-01-22 | 2024-04-12 | 国网湖北省电力有限公司信息通信公司 | 基于ai和知识库的电力***数据智能处理***与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deihimi et al. | Application of echo state networks in short-term electric load forecasting | |
Liu et al. | A hybrid FCW-EMD and KF-BA-SVM based model for short-term load forecasting | |
JP6837949B2 (ja) | 予測システム及び方法 | |
US11107094B2 (en) | Prediction system and prediction method | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN109558975A (zh) | 一种电力负荷概率密度多种预测结果的集成方法 | |
CN104598986A (zh) | 基于大数据的电力负荷预测方法 | |
CN116384580A (zh) | 一种基于多维预测模型的售电量预测*** | |
CN112488396A (zh) | 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法 | |
CN115796372A (zh) | 一种基于scor的供应链管理优化方法及*** | |
Zhu et al. | Short‐Term Electricity Consumption Forecasting Based on the EMD‐Fbprophet‐LSTM Method | |
KR20220115357A (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
Wang et al. | A multiple-parameter approach for short-term traffic flow prediction | |
Zhang et al. | Prediction method of line loss rate in low‐voltage distribution network based on multi‐dimensional information matrix and dimensional attention mechanism‐long‐and short‐term time‐series network | |
Zheng et al. | Short-term energy consumption prediction of electric vehicle charging station using attentional feature engineering and multi-sequence stacked Gated Recurrent Unit | |
Pan et al. | Study on short-term load forecasting of distributed power system based on wavelet theory | |
LU503318B1 (en) | Edge prediction method based on deep autoregressive recurrent neural network | |
CN115713252A (zh) | 一种水风光储多能互补***综合效益评估方案寻优方法 | |
Zhou et al. | A Load Forecasting Framework Considering Hybrid Ensemble Deep Learning with Two-Stage Load Decomposition | |
Gu et al. | Improved similarity-based residual life prediction method based on grey Markov model | |
CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 | |
Gong et al. | Integrated multi-horizon power and energy forecast for aggregated electric water heaters | |
Berger et al. | Investigating the intraday continuous electricity market using auto regression integrated moving average model with exogenous inputs | |
Lee et al. | Application of temperature prediction model based on LSTNet in telecommunication Room | |
WO2024150455A1 (ja) | 電力運用システムおよび方法 |
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 |