CN116865261B - 基于孪生网络的电力负荷预测方法及*** - Google Patents
基于孪生网络的电力负荷预测方法及*** Download PDFInfo
- Publication number
- CN116865261B CN116865261B CN202310885152.3A CN202310885152A CN116865261B CN 116865261 B CN116865261 B CN 116865261B CN 202310885152 A CN202310885152 A CN 202310885152A CN 116865261 B CN116865261 B CN 116865261B
- Authority
- CN
- China
- Prior art keywords
- feature map
- power load
- layer
- inputting
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 230000004913 activation Effects 0.000 claims description 78
- 238000010586 diagram Methods 0.000 claims description 52
- 238000011176 pooling Methods 0.000 claims description 51
- 238000000605 extraction Methods 0.000 claims description 49
- 238000006243 chemical reaction Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001364 causal effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 22
- 230000009466 transformation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
Abstract
本发明提供了基于孪生网络的电力负荷预测方法及***,属于电力技术领域。首先获取历史电力负荷数据和历史电力卫星图像;其次对历史电力负荷数据进行特征工程处理,得到时间序列数据;再通过卫星图像网络进行特征提取,得到一维数据,将其与时间序列数据进行合并,得到电力负荷序列数据;然后将训练集输入到孪生网络,进行电力负荷预测,得到初始电力负荷预测模型;最后测试集输入到初始电力负荷预测模型进行测试,直至满足设定条件时则输出电力负荷最终预测模型。本发明通过结合卫星图像和时序数据,可以更全面地分析和预测电力负荷,提高预测模型的准确性和效果,为电力***的运营和规划提供准确的电力需求估计。
Description
技术领域
本发明属于电力技术领域,具体涉及基于孪生网络的电力负荷预测方法及***。
背景技术
电力负荷预测是一种对未来一段时间内电力需求的估计,这对电力***的运营和规划至关重要;准确的负荷预测可以帮助电力公司规划合理的电力生成策略,电力公司需要根据未来的负荷需求来决定启动、停止或调整发电机组的运行,如果负荷预测不准确,可能导致过度发电或不足发电,从而浪费能源或无法满足需求;还有助于电力分配和调度的优化,在电力***中,电力分配的目标是将电力从发电厂传输到用户,而电力调度的目标是确保***的稳定运行。准确的负荷预测可以帮助电力公司合理安排电力分配和调度策略,避免供电过载或供电不足的情况发生。
现有技术中,中国专利公开号:CN114529051A,提供了一种基于层次残差自注意力神经网络的长期电力负荷预测方法。该专利包括:①自适应的提取历史负荷数据中的趋势项、周期项、节假日项和天气项的混合特征数据并与历史负荷序列数据融合,②对融合后的序列数据进行时间分量递归分解,并利用层次残差自注意力网络块对时间分量进行编码,③重建时间分量,进行生成式解码,预测未来一段时间的电力负荷波动。
但是,该专利对电力负荷预测仅仅针对历史负荷数据进行分析讨论,并未对相关电力站图像信息进行分析,这些图像可以从空中或太空中捕捉到电力站的全景视图或特定区域的图像。卫星图像可以提供电力站及其周围环境的空间信息,包括建筑物、设备、输电线路、变电站等的布局和状态。通过对这些图像进行分析和处理,通过结合电力站卫星图像和时序数据,可以更全面地分析和预测电力负荷,提高预测模型的准确性和效果。
发明内容
基于上述技术问题,本发明提供基于孪生网络的电力负荷预测方法及***,结合历史电力负荷数据和电力卫星图像信息,综合地分析和预测电力负荷,提高预测的准确性。
本发明提供基于孪生网络的电力负荷预测方法,所述方法包括:
步骤S1:获取历史电力负荷数据和历史电力卫星图像;
步骤S2:将所述历史电力负荷数据进行特征工程处理,得到时间序列数据;
步骤S3:将所述历史电力卫星图像输入到卫星图像网络中进行特征提取,得到特征图C28,对所述特征图进行数据转换,得到一维图像数据;
步骤S4:将所述一维图像数据和所述时间序列数据进行数据处理操作,得到电力负荷序列数据;
步骤S5:基于所述时间序列数据和所述电力负荷序列数据分别构建时序数据集和电力负荷数据集,所述时序数据集按照一定比例划分为时序训练集和时序测试集,所述电力负荷数据集按照一定比例划分为电力负荷训练集和电力负荷测试集;
步骤S6:将所述时序训练集和所述电力负荷训练集输入到孪生网络,进行电力负荷预测,得到初始电力负荷预测模型;
步骤S7:将所述时序测试集和所述电力负荷测试集输入到初始电力负荷预测模型进行测试,直至满足设定条件时则输出电力负荷最终预测模型。
可选地,所述将所述历史电力卫星图像输入到卫星图像网络中进行特征提取,得到特征图C28,对所述特征图进行数据转换,得到一维图像数据,具体包括:
所述卫星图像网络具体包括第一标准卷积模块、残差模块、注意力模块和第二标准卷积模块;
将所述历史电力卫星图像输入到所述第一标准卷积模块进行特征提取,得到特征图C3;
将所述特征图C3输入到所述残差模块进行特征提取,得到特征图C12;
将所述特征图C12输入到所述注意力模块进行特征提取,得到特征图C25;
将所述特征图C25输入到所述第二标准卷积模块进行特征提取,得到特征图C28;
将所述特征图C28分别进行数值计算,得到最大值、最小值和平均值,所述一维图像数据包括最大值、最小值和平均值。
可选地,所述将所述特征图C12输入到所述注意力模块进行特征提取,得到特征图C25,具体包括:
所述注意力模块包括注意力输入层、垂直平均池化层、水平平均池化层、第五标准卷积层、第一维度排列层、第二维度排列层、第五规范化激活层、第六标准卷积层、第七标准卷积层、第一激活函数层、第二激活函数层、第三维度排列层、第四维度排列层和元素相乘层;
利用所述注意力输入层输入所述特征图C12;
将所述特征图C12输入到所述垂直平均池化层进行垂直池化,得到特征图C13,将所述特征图C13输入到所述第一维度排列层进行维度变换,得到特征图C16,将所述特征图C16输入到所述第六标准卷积层进行卷积操作,得到特征图C19,将所述特征图C19输入到所述第一激活函数层进行激活操作,得到特征图C21,将所述特征图C21输入到所述第三维度排列层进行维度变换,得到特征图C23;
将所述特征图C12输入到所述水平平均池化层进行水平池化,得到特征图C14,将所述特征图C14输入到所述第二维度排列层进行维度变换,得到特征图C17,将所述特征图C17输入到所述第七标准卷积层进行卷积操作,得到特征图C20,将所述特征图C20输入到所述第二激活函数层进行激活操作,得到特征图C22,将所述特征图C22输入到所述第四维度排列层进行维度变换,得到特征图C24;
将所述特征图C12输入到所述第五标准卷积层进行卷积操作,得到特征图C15,将所述特征图C15输入到所述第五规范化激活层进行批归一化和激活操作,得到特征图C18;
将所述特征图C23、C24和C18输入到所述元素相乘层进行元素相乘,得到特征图C25。
可选地,所述将所述一维图像数据和所述时间序列数据进行数据处理操作,得到电力负荷序列数据,具体包括:
将所述一维图像数据中的所述最大值、所述最小值和所述平均值分别进行数据归一化处理,得到标准最大值、标准最小值和标准平均值;
将所述标准最大值、所述标准最小值和所述标准平均值与所述时间序列数据进行数据对齐,得到电力负荷序列数据。
可选地,所述将所述时序训练集和所述电力负荷训练集输入到孪生网络,进行电力负荷预测,得到初始电力负荷预测模型,具体包括:
将所述时序训练集输入到所述孪生网络的第一分支进行特征提取,得到时序特征;
将所述电力负荷训练集输入到所述孪生网络的第二分支进行特征提取,得到电力负荷特征;
将所述时序特征和所述电力负荷特征进行特征融合,得到电力负荷融合特征;
将所述电力负荷融合特征进行预测,得到初始电力负荷预测模型。
可选地,所述将所述时序训练集输入到所述孪生网络的第一分支进行特征提取,得到时序特征,具体包括:
所述第一分支包括第一残差模块和第二残差模块;
将所述时序训练集输入到所述第一残差模块进行扩张因果卷积操作,得到特征图T1;
将所述特征图T1输入到所述第二残差模块进行扩张因果卷积操作,得到时序特征。
本发明还提供基于孪生网络的电力负荷预测***,所述***包括:
电力数据采集模块,用于获取历史电力负荷数据和历史电力卫星图像;
特征工程处理模块,用于将所述历史电力负荷数据进行特征工程处理,得到时间序列数据;
电力图像模块,用于将所述历史电力卫星图像输入到卫星图像网络中进行特征提取,得到特征图C28,对所述特征图进行数据转换,得到一维图像数据;
数据处理模块,用于将所述一维图像数据和所述时间序列数据进行数据处理操作,得到电力负荷序列数据;
数据集构建模块,基于所述时间序列数据和所述电力负荷序列数据分别构建时序数据集和电力负荷数据集,所述时序数据集按照一定比例划分为时序训练集和时序测试集,所述电力负荷数据集按照一定比例划分为电力负荷训练集和电力负荷测试集;
初始预测模块,用于将所述时序训练集和所述电力负荷训练集输入到孪生网络,进行电力负荷预测,得到初始电力负荷预测模型;
测试模块,用于将所述时序测试集和所述电力负荷测试集输入到初始电力负荷预测模型进行测试,直至满足设定条件时则输出电力负荷最终预测模型。
可选地,所述电力图像模块,具体包括:
第一标准卷积子模块,用于将所述历史电力卫星图像输入到所述第一标准卷积模块进行特征提取,得到特征图C3;
残差子模块,用于将所述特征图C3输入到所述残差模块进行特征提取,得到特征图C12;
注意力子模块,用于将所述特征图C12输入到所述注意力模块进行特征提取,得到特征图C25;
第二标准卷积子模块,用于将所述特征图C25输入到所述第二标准卷积模块进行特征提取,得到特征图C28;
数值计算子模块,用于将所述特征图C28分别进行数值计算,得到最大值、最小值和平均值,所述一维图像数据包括最大值、最小值和平均值。
可选地,所述注意力子模块,具体包括:
注意力输入单元,利用所述注意力输入层输入所述特征图C12;
垂直平均池化单元,用于将所述特征图C12输入到所述垂直平均池化层进行垂直池化,得到特征图C13,将所述特征图C13输入到所述第一维度排列层进行维度变换,得到特征图C16,将所述特征图C16输入到第六标准卷积层进行卷积操作,得到特征图C19,将所述特征图C19输入到第一激活函数层进行激活操作,得到特征图C21,将所述特征图C21输入到第三维度排列层进行维度变换,得到特征图C23;
水平平均池化单元,用于将所述特征图C12输入到所述水平平均池化层进行水平池化,得到特征图C14,将所述特征图C14输入到所述第二维度排列层进行维度变换,得到特征图C17,将所述特征图C17输入到第七标准卷积层进行卷积操作,得到特征图C20,将所述特征图C20输入到第二激活函数层进行激活操作,得到特征图C22,将所述特征图C22输入到第四维度排列层进行维度变换,得到特征图C24;
第五卷积规范化激活单元,用于将所述特征图C12输入到所述第五标准卷积层进行卷积操作,得到特征图C15,将所述特征图C15输入到所述第五规范化激活层进行批归一化和激活操作,得到特征图C18;
元素相乘单元,用于将所述特征图C23、C24和C18输入到所述元素相乘层进行元素相乘,得到特征图C25。
可选地,所述初始预测模块,具体包括:
第一分支子模块,用于将所述时序训练集输入到所述孪生网络的第一分支进行特征提取,得到时序特征;
第二分支子模块,用于将所述电力负荷训练集输入到所述孪生网络的第二分支进行特征提取,得到电力负荷特征;
特征融合子模块,用于将所述时序特征和所述电力负荷特征进行特征融合,得到电力负荷融合特征;
特征预测子模块,用于将所述电力负荷融合特征进行预测,得到初始电力负荷预测模型。
本发明与现有技术相比,具有以下有益效果:
本发明使用孪生网络、扩张因果卷积和注意力机制,其中孪生网络可以用于处理历史电力负荷数据和图像特征数据。通过将两个子网络输入历史电力负荷数据和其他相关特征数据,孪生网络可以学习它们之间的关联性和相似性,从而提高预测的准确性;扩张因果卷积可以捕捉序列数据中的长期依赖关系,时间序列数据具有时序特性,扩张因果卷积可以有效地处理这种时序关系。通过增大卷积核的感受野,扩张因果卷积可以在不增加参数数量的情况下,更好地捕捉负荷数据中的时序模式和趋势;注意力机制可以帮助网络关注对预测负荷具有更大贡献的特征和时间段。通过对历史卫星图像特征数据应用注意力机制,网络可以动态地调整权重,使得预测中更重要的数据得到更高的关注度,提高电力负荷预测的准确性,为电力***的运营和规划提供准确的电力需求估计。
附图说明
图1为本发明的基于孪生网络的电力负荷预测方法流程图;
图2为本发明的基于孪生网络的电力负荷预测方法的卫星图像网络结构图;
图3为本发明的基于孪生网络的电力负荷预测方法的注意力模块结构图;
图4为本发明的基于孪生网络的电力负荷预测方法的孪生网络结构图;
图5为本发明的基于孪生网络的电力负荷预测***结构图。
实施方式
下面结合具体实施案例和附图对本发明作进一步说明,但本发明并不局限于这些实施例。
实施例
如图1所示,本发明公开基于孪生网络的电力负荷预测方法,方法包括:
步骤S1:获取历史电力负荷数据和历史电力卫星图像;
步骤S2:将历史电力负荷数据进行特征工程处理,得到时间序列数据;
步骤S3:将历史电力卫星图像输入到卫星图像网络中进行特征提取,得到特征图C28,对特征图进行数据转换,得到一维图像数据;
步骤S4:将一维图像数据和时间序列数据进行数据处理操作,得到电力负荷序列数据;
步骤S5:基于时间序列数据和电力负荷序列数据分别构建时序数据集和电力负荷数据集,时序数据集按照一定比例划分为时序训练集和时序测试集,电力负荷数据集按照一定比例划分为电力负荷训练集和电力负荷测试集;
步骤S6:将时序训练集和电力负荷训练集输入到孪生网络,进行电力负荷预测,得到初始电力负荷预测模型;
步骤S7:将时序测试集和电力负荷测试集输入到初始电力负荷预测模型进行测试,直至满足设定条件时则输出电力负荷最终预测模型。
下面对各个步骤进行详细论述:
步骤S1:获取历史电力负荷数据和历史电力卫星图像,历史电力负荷数据具体包括时间戳数据、负荷值、平均温度、最高温度、最低温度、风速、气压值、降雨量、降雪量、节假日和季节;历史电力卫星图像具体包括采集到的卫星图像。
步骤S2:将历史电力负荷数据进行特征工程处理,得到时间序列数据,具体包括:
步骤S21:对数值型天气原始数据和负荷值进行归一化处理,归一化公式为:
式中,为归一化后的数据;/>为原始数据(待归一化数据),/>为该数据中最小值,/>为该数据中最大值,上述数值型天气数据包括平均温度、最高温度、最低温度、风速、气压值、降雨量和降雪量。
步骤S22:对状态型原始数据进行独热编码(one-hot),例如季节和节假日,以季节为例,分为春季、夏季、秋季和冬季,对应的编码分别为[1,0,0,0]、[0,1,0,0]、[0,0,1,0]和[0,0,0,1]。
步骤S23:根据时间戳顺序,将处理后的负荷值、平均温度、最高温度、最低温度、风速、气压值、降雨量、降雪量、季节和节假日各项数据与对应的时间对齐。
步骤S3:将历史电力卫星图像输入到卫星图像网络中进行特征提取,得到特征图C28,对特征图进行数据转换,得到一维图像数据。
图2-3中,Conv2D表示标准卷积层;Strides表示步长;规范化激活层包含批归一化层(Batch Normalization)和激活函数层(Activation(Relu)),规范化激活层选择Relu激活函数;单独的激活函数层(Activation()),/>取值为Relu和Sigmoid;SepConv2D表示深度可分离卷积层;Flatten代表展平层;Dense代表全连接层;/>AveragePooling2D,/>取值V或者H,分别表示垂直平均池化层和水平平均池化层;Concat(/>,/>)表示/>和/>进行拼接;Multiply(/>,/>,/>)表示/>,/>,/>进行逐元素相乘;Maxpooling2D表示最大池化层;C/>表示卫星图像网络中得到的各特征图,/>取值范围为[1,28],/>为整数;Permute(C/>:/>,,/>)表示将特征图C/>进行/>,/>、/>,/>和/>,/>任意一种维度的变换。
如图2所示,步骤S3具体包括:
步骤S31:将历史电力卫星图像输入到第一标准卷积模块进行特征提取,得到特征图C3,具体包括:
将历史电力卫星图像(256,256,3)输入到第一标准卷积层进行卷积操作,得到特征图C1,第一标准卷积层卷积核数量为32,卷积核尺寸为3×3,步长为2;特征图C1为32通道的128×128;将特征图C1输入到第一规范化激活层进行批归一化和激活操作,得到特征图C2;特征图C2为32通道的128×128;将特征图C2输入到第一最大池化层进行最大池化操作,得到特征图C3;第一最大池化层池化窗口尺寸为3×3,步长为2;特征图C3为32通道的64×64。
本实施例中,第一标准卷积模块包括第一标准卷积层、第一规范化激活层和第一最大池化层。
步骤S32:将特征图C3输入到残差模块进行特征提取,得到特征图C12,具体包括:
Ⅰ、将特征图C3输入到第二标准卷积层进行卷积操作,得到特征图C4,第二标准卷积层卷积核数量为16,卷积核尺寸为1×1,步长为1;特征图C4为16通道的64×64;将特征图C4输入到第二规范化激活层进行批归一化和激活操作,得到特征图C5;特征图C5为16通道的64×64;将特征图C5依次输入到第一深度可分离卷积层和第一批归一化层进行深度可分离卷积操作和批归一化操作,得到特征图C6;第一深度可分离卷积层卷积核数量为16,卷积核尺寸为3×3,步长为2;特征图C6为16通道的32×32;将特征图C6输入到第三标准卷积层进行卷积操作,得到特征图C7,第三标准卷积层卷积核数量为32,卷积核尺寸为1×1,步长为1;特征图C7为32通道的32×32;将特征图C7输入到第三规范化激活层进行批归一化和激活操作,得到特征图C8;特征图C8为32通道的32×32。
Ⅱ、将特征图C3依次输入到第二深度可分离卷积层和第二批归一化层进行深度可分离卷积操作和批归一化操作,得到特征图C9;第二深度可分离卷积层卷积核数量为32,卷积核尺寸为3×3,步长为2;特征图C9为32通道的32×32;将特征图C9输入到第四标准卷积层进行卷积操作,得到特征图C10,第四标准卷积层卷积核数量为32,卷积核尺寸为1×1,步长为1;特征图C10为32通道的32×32;将特征图C10输入到第四规范化激活层进行批归一化和激活操作,得到特征图C11;特征图C11为32通道的32×32。
Ⅲ、将特征图C8和特征图C11输入到张量拼接层进行拼接,得到特征图C12,特征图C12为64通道的32×32。
本实施例中,残差模块包括第二标准卷积层、第二规范化激活层、第一深度可分离卷积层、第一批归一化层、第三标准卷积层、第三规范化激活层、第二深度可分离卷积层、第二批归一化层、第四标准卷积层、第四规范化激活层、张量拼接层。
步骤S33:将特征图C12输入到注意力模块进行特征提取,得到特征图C25。
如图3所示,步骤S33具体包括:
(1)、利用注意力输入层输入特征图C12;特征图C12为64通道的32×32。
(2)、将特征图C12输入到垂直平均池化层进行垂直池化,得到特征图C13,特征图C13为64通道的32×1;将特征图C13输入到第一维度排列层进行水平和通道的维度变换,得到特征图C16,特征图C16为32通道的64×1;将特征图C16输入到第六标准卷积层进行卷积操作,得到特征图C19,第六标准卷积层卷积核数量为32,卷积核尺寸为3×1,步长为1,特征图C19为32通道的64×1;将特征图C19输入到第一激活函数层进行激活操作,得到特征图C21,第一激活函数层中的激活函数采用Sigmoid激活函数,特征图C21为32通道的64×1;将特征图C21输入到第三维度排列层进行水平和通道的维度变换,得到特征图C23,特征图C23为64通道的32×1。
(3)、将特征图C12输入到水平平均池化层进行水平池化,得到特征图C14,特征图C14为64通道的1×32;将特征图C14输入到第二维度排列层进行垂直和通道的维度变换,得到特征图C17,特征图C17为32通道的1×64;将特征图C17输入到第七标准卷积层进行卷积操作,得到特征图C20,第七标准卷积层卷积核数量为32,卷积核尺寸为1×3,步长为1,特征图20为32通道的1×64;将特征图C20输入到第二激活函数层进行激活操作,得到特征图C22,第二激活函数层中的激活函数采用Sigmoid激活函数,特征图C22为32通道的1×64;将特征图C22输入到第四维度排列层进行垂直和通道的维度变换,得到特征图C24,特征图C24为64通道的1×32。
(4)、将特征图C12输入到第五标准卷积层进行卷积操作,得到特征图C15,第五标准卷积层卷积核数量为32,卷积核尺寸为1×1,步长为1,特征图15为64通道的32×32;将特征图C15输入到第五规范化激活层进行批归一化和激活操作,得到特征图C18,特征图C18为64通道的32×32。
(5)、将特征图C23、C24和C18输入到元素相乘层进行元素相乘,得到特征图C25,特征图C25为64通道的32×32。
本实施例中,注意力模块包括注意力输入层、垂直平均池化层、水平平均池化层、第五标准卷积层、第一维度排列层、第二维度排列层、第五规范化激活层、第六标准卷积层、第七标准卷积层、第一激活函数层、第二激活函数层、第三维度排列层、第四维度排列层和元素相乘层。
步骤S34:将特征图C25输入到第二标准卷积模块进行特征提取,得到特征图C28。
将特征图C25输入到第八标准卷积层进行卷积操作,得到特征图C26,第二标准卷积层卷积核数量为128,卷积核尺寸为3×3,步长为2;特征图C26为128通道的16×16;将特征图C26输入到第六规范化激活层进行批归一化和激活操作,得到特征图C27;特征图C27为128通道的16×16;将特征图C27输入到第二最大池化层进行最大池化操作,得到特征图C28;第二最大池化层池化窗口尺寸为3×3,步长为2;特征图C28为128通道的8×8。
本实施例中,第二标准卷积模块包括第八标准卷积层、第六规范化激活层和第二最大池化层。
步骤S35:将特征图C28分别进行数值计算,得到最大值、最小值和平均值,一维图像数据包括最大值、最小值和平均值,具体包括:
1)、计算特征图C28的平均值,特征图C28为128通道的8×8,代表128个8×8特征图组成的,对于每个特征图,可以计算其所有元素的平均值,然后对所有特征图的平均值再次求平均,得到一个表示图像特征的平均值。
2)、计算特征图C28的最大值,特征图C28为128通道的8×8,代表128个8×8特征图组成的,对于每个特征图,可以计算其所有元素的最大值,然后从所有特征图的最大值中选择最大值,得到一个表示图像特征的最大值。
3)、计算特征图C28的最小值,特征图C28为128通道的8×8,代表128个8×8特征图组成的,对于每个特征图,可以计算其所有元素的最小值,然后从所有特征图的最小值中选择最小值,得到一个表示图像特征的最小值。
本实施例中,卫星图像网络具体包括第一标准卷积模块、残差模块、注意力模块和第二标准卷积模块。
步骤S4:将一维图像数据和时间序列数据进行数据处理操作,得到电力负荷序列数据,具体包括:
步骤S41:将一维图像数据中的最大值、最小值和平均值分别进行数据归一化处理,得到标准最大值、标准最小值和标准平均值。
步骤S42:将标准最大值、标准最小值和标准平均值与时间序列数据按照对应的时间戳进行数据对齐,得到电力负荷序列数据。
步骤S5:基于时间序列数据和电力负荷序列数据分别构建时序数据集和电力负荷数据集,时序数据集按照一定比例划分为时序训练集和时序测试集,电力负荷数据集按照一定比例划分为电力负荷训练集和电力负荷测试集。
将时间序列数据和电力负荷序列数据分别转换为监督数据,基于滑动窗口生成数据集,选择一定数量的时刻的负荷数据变量预测下一个时刻的负荷数据,并通过滑动窗口的方式获取大量数据组合生成数据集,滑动窗口的宽度决定了用于预测的历史特征数据的时间范围。这个宽度的选择既要考虑预测精度,又要考虑计算效率。
如果滑动窗口的宽度过短,意味着输入包含的历史特征数据较少,可能会遗漏一些关键信息,从而影响预测模型的学习和训练;预测模型可能无法捕捉到长期的趋势和周期性变化,导致预测结果不准确。
然而,如果滑动窗口的宽度过长,意味着用于训练模型的输入数据量增加,训练时间和计算复杂度也会相应增加;过长的滑动窗口可能会引入过多的历史信息,其中一些可能与当前预测无关,导致模型训练过程变得冗余和耗时。
本实施例中,选取2020年至2022年的数据。采集周期为1次/h,每日有24个采样点。实验训练集为2020年、2021年的数据,测试集为2022年的数据。本发明选择以72个采样点(3天)的历史数据作为输入,未来24h负荷数据为输出。
步骤S6:将时序训练集和电力负荷训练集输入到孪生网络,进行电力负荷预测,得到初始电力负荷预测模型。
如图4所示,步骤S6具体包括:
步骤S61:将时序训练集输入到孪生网络的第一分支进行特征提取,得到时序特征,具体包括:
将时序训练集输入到第一残差模块进行扩张因果卷积操作,得到特征图T1。
将特征图T1输入到第二残差模块进行扩张因果卷积操作,得到时序特征。
本实施例中,第一分支包括第一残差模块和第二残差模块。
步骤S62:将电力负荷训练集输入到孪生网络的第二分支进行特征提取,得到电力负荷特征,具体包括:
将时序训练集输入到第一残差模块进行扩张因果卷积操作,得到特征图T2。
将特征图T2输入到第二残差模块进行扩张因果卷积操作,得到电力负荷特征。
本实施例中,第二分支包括第一残差模块和第二残差模块。
步骤S63:将时序特征和电力负荷特征进行特征融合,得到电力负荷融合特征。
步骤S64:将电力负荷融合特征依次输入到第一全连接层和第二全连接层进行预测,得到初始电力负荷预测模型。
步骤S7:将时序测试集和电力负荷测试集输入到初始电力负荷预测模型进行测试,直至满足设定条件时则输出电力负荷最终预测模型,具体包括:
步骤S71:将时序测试集和电力负荷测试集输入到初始电力负荷预测模型进行测试,得到预测电力负荷。
步骤S72:将预测电力负荷与实际真实值采用均方误差(mean square error,MSE)损失函数进行计算,公式为:
式中,表示第/>时刻对应的电力负荷预测值,/>表示第/>时刻对应的电力负荷真实值。
步骤S723:判断损失是否小于第一阈值,若小于第一阈值,则输出电力负荷最终预测模型,若大于等于第一阈值,则返回“步骤S6”。
实施例2
如图5所示,本发明还提供了基于孪生网络的电力负荷预测***,包括:
电力数据采集模块10,用于获取历史电力负荷数据和历史电力卫星图像。
特征工程处理模块20,用于将历史电力负荷数据进行特征工程处理,得到时间序列数据。
电力图像模块30,用于将历史电力卫星图像输入到卫星图像网络中进行特征提取,得到特征图C28,对特征图进行数据转换,得到一维图像数据。
数据处理模块40,用于将一维图像数据和时间序列数据进行数据处理操作,得到电力负荷序列数据。
数据集构建模块50,基于时间序列数据和电力负荷序列数据分别构建时序数据集和电力负荷数据集,时序数据集按照一定比例划分为时序训练集和时序测试集,电力负荷数据集按照一定比例划分为电力负荷训练集和电力负荷测试集。
初始预测模块60,用于将时序训练集和电力负荷训练集输入到孪生网络,进行电力负荷预测,得到初始电力负荷预测模型。
测试模块70,用于将时序测试集和电力负荷测试集输入到初始电力负荷预测模型进行测试,直至满足设定条件时则输出电力负荷最终预测模型。
作为一种可选地实施方式,本发明电力图像模块30,具体包括:
第一标准卷积子模块,用于将历史电力卫星图像输入到第一标准卷积模块进行特征提取,得到特征图C3。
残差子模块,用于将特征图C3输入到残差模块进行特征提取,得到特征图C12。
注意力子模块,用于将特征图C12输入到注意力模块进行特征提取,得到特征图C25。
第二标准卷积子模块,用于将特征图C25输入到第二标准卷积模块进行特征提取,得到特征图C28。
数值计算子模块,用于将特征图C28分别进行数值计算,得到最大值、最小值和平均值,一维图像数据包括最大值、最小值和平均值。
作为一种可选地实施方式,本发明注意力子模块,具体包括:
注意力输入单元,利用注意力输入层输入特征图C12。
垂直平均池化单元,用于将特征图C12输入到垂直平均池化层进行垂直池化,得到特征图C13,将特征图C13输入到第一维度排列层进行维度变换,得到特征图C16,将特征图C16输入到第六标准卷积层进行卷积操作,得到特征图C19,将特征图C19输入到第一激活函数层进行激活操作,得到特征图C21,将特征图C21输入到第三维度排列层进行维度变换,得到特征图C23。
水平平均池化单元,用于将特征图C12输入到水平平均池化层进行水平池化,得到特征图C14,将特征图C14输入到第二维度排列层进行维度变换,得到特征图C17,将特征图C17输入到第七标准卷积层进行卷积操作,得到特征图C20,将特征图C20输入到第二激活函数层进行激活操作,得到特征图C22,将特征图C22输入到第四维度排列层进行维度变换,得到特征图C24。
第五卷积规范化激活单元,将特征图C12输入到第五标准卷积层进行卷积操作,得到特征图C15,将特征图C15输入到第五规范化激活层进行批归一化和激活操作,得到特征图C18。
元素相乘单元,将特征图C23、C24和C18输入到元素相乘层进行元素相乘,得到特征图C25。
作为一种可选地实施方式,本发明初始预测模块,具体包括:
第一分支子模块,用于将时序训练集输入到孪生网络的第一分支进行特征提取,得到时序特征。
第二分支子模块,用于将电力负荷训练集输入到孪生网络的第二分支进行特征提取,得到电力负荷特征。
特征融合子模块,用于将时序特征和电力负荷特征进行特征融合,得到电力负荷融合特征。
特征预测子模块,用于将电力负荷融合特征进行预测,得到初始电力负荷预测模型。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于孪生网络的电力负荷预测方法,其特征在于,所述方法包括:
步骤S1:获取历史电力负荷数据和历史电力卫星图像;
步骤S2:将所述历史电力负荷数据进行特征工程处理,得到时间序列数据;
步骤S3:将所述历史电力卫星图像输入到卫星图像网络中进行特征提取,得到特征图C28,对所述特征图进行数据转换,得到一维图像数据;
步骤S4:将所述一维图像数据和所述时间序列数据进行数据处理操作,得到电力负荷序列数据;
步骤S5:基于所述时间序列数据和所述电力负荷序列数据分别构建时序数据集和电力负荷数据集,所述时序数据集按照一定比例划分为时序训练集和时序测试集,所述电力负荷数据集按照一定比例划分为电力负荷训练集和电力负荷测试集;
步骤S6:将所述时序训练集和所述电力负荷训练集输入到孪生网络,进行电力负荷预测,得到初始电力负荷预测模型;
步骤S7:将所述时序测试集和所述电力负荷测试集输入到初始电力负荷预测模型进行测试,直至满足设定条件时则输出电力负荷最终预测模型。
2.根据权利要求1所述的基于孪生网络的电力负荷预测方法,其特征在于,所述将所述历史电力卫星图像输入到卫星图像网络中进行特征提取,得到特征图C28,对所述特征图进行数据转换,得到一维图像数据,具体包括:
所述卫星图像网络具体包括第一标准卷积模块、残差模块、注意力模块和第二标准卷积模块;
将所述历史电力卫星图像输入到所述第一标准卷积模块进行特征提取,得到特征图C3;
将所述特征图C3输入到所述残差模块进行特征提取,得到特征图C12;
将所述特征图C12输入到所述注意力模块进行特征提取,得到特征图C25;
将所述特征图C25输入到所述第二标准卷积模块进行特征提取,得到特征图C28;
将所述特征图C28分别进行数值计算,得到最大值、最小值和平均值,所述一维图像数据包括最大值、最小值和平均值。
3.根据权利要求2所述的基于孪生网络的电力负荷预测方法,其特征在于,所述将所述特征图C12输入到所述注意力模块进行特征提取,得到特征图C25,具体包括:
所述注意力模块包括注意力输入层、垂直平均池化层、水平平均池化层、第五标准卷积层、第一维度排列层、第二维度排列层、第五规范化激活层、第六标准卷积层、第七标准卷积层、第一激活函数层、第二激活函数层、第三维度排列层、第四维度排列层和元素相乘层;
利用所述注意力输入层输入所述特征图C12;
将所述特征图C12输入到所述垂直平均池化层进行垂直池化,得到特征图C13,将所述特征图C13输入到所述第一维度排列层进行维度变换,得到特征图C16,将所述特征图C16输入到所述第六标准卷积层进行卷积操作,得到特征图C19,将所述特征图C19输入到所述第一激活函数层进行激活操作,得到特征图C21,将所述特征图C21输入到所述第三维度排列层进行维度变换,得到特征图C23;
将所述特征图C12输入到所述水平平均池化层进行水平池化,得到特征图C14,将所述特征图C14输入到所述第二维度排列层进行维度变换,得到特征图C17,将所述特征图C17输入到所述第七标准卷积层进行卷积操作,得到特征图C20,将所述特征图C20输入到所述第二激活函数层进行激活操作,得到特征图C22,将所述特征图C22输入到所述第四维度排列层进行维度变换,得到特征图C24;
将所述特征图C12输入到所述第五标准卷积层进行卷积操作,得到特征图C15,将所述特征图C15输入到所述第五规范化激活层进行批归一化和激活操作,得到特征图C18;
将所述特征图C23、C24和C18输入到所述元素相乘层进行元素相乘,得到特征图C25。
4.根据权利要求2所述的基于孪生网络的电力负荷预测方法,其特征在于,所述将所述一维图像数据和所述时间序列数据进行数据处理操作,得到电力负荷序列数据,具体包括:
将所述一维图像数据中的所述最大值、所述最小值和所述平均值分别进行数据归一化处理,得到标准最大值、标准最小值和标准平均值;
将所述标准最大值、所述标准最小值和所述标准平均值与所述时间序列数据进行数据对齐,得到电力负荷序列数据。
5.根据权利要求1所述的基于孪生网络的电力负荷预测方法,其特征在于,所述将所述时序训练集和所述电力负荷训练集输入到孪生网络,进行电力负荷预测,得到初始电力负荷预测模型,具体包括:
将所述时序训练集输入到所述孪生网络的第一分支进行特征提取,得到时序特征;
将所述电力负荷训练集输入到所述孪生网络的第二分支进行特征提取,得到电力负荷特征;
将所述时序特征和所述电力负荷特征进行特征融合,得到电力负荷融合特征;
将所述电力负荷融合特征进行预测,得到初始电力负荷预测模型。
6.根据权利要求5所述的基于孪生网络的电力负荷预测方法,其特征在于,所述将所述时序训练集输入到所述孪生网络的第一分支进行特征提取,得到时序特征,具体包括:
所述第一分支包括第一残差模块和第二残差模块;
将所述时序训练集输入到所述第一残差模块进行扩张因果卷积操作,得到特征图T1;
将所述特征图T1输入到所述第二残差模块进行扩张因果卷积操作,得到时序特征。
7.基于孪生网络的电力负荷预测***,其特征在于,所述***包括:
电力数据采集模块,用于获取历史电力负荷数据和历史电力卫星图像;
特征工程处理模块,用于将所述历史电力负荷数据进行特征工程处理,得到时间序列数据;
电力图像模块,用于将所述历史电力卫星图像输入到卫星图像网络中进行特征提取,得到特征图C28,对所述特征图进行数据转换,得到一维图像数据;
数据处理模块,用于将所述一维图像数据和所述时间序列数据进行数据处理操作,得到电力负荷序列数据;
数据集构建模块,基于所述时间序列数据和所述电力负荷序列数据分别构建时序数据集和电力负荷数据集,所述时序数据集按照一定比例划分为时序训练集和时序测试集,所述电力负荷数据集按照一定比例划分为电力负荷训练集和电力负荷测试集;
初始预测模块,用于将所述时序训练集和所述电力负荷训练集输入到孪生网络,进行电力负荷预测,得到初始电力负荷预测模型;
测试模块,用于将所述时序测试集和所述电力负荷测试集输入到初始电力负荷预测模型进行测试,直至满足设定条件时则输出电力负荷最终预测模型。
8.根据权利要求7所述的基于孪生网络的电力负荷预测***,其特征在于,所述电力图像模块,具体包括:
第一标准卷积子模块,用于将所述历史电力卫星图像输入到所述第一标准卷积子模块进行特征提取,得到特征图C3;
残差子模块,用于将所述特征图C3输入到所述残差子模块进行特征提取,得到特征图C12;
注意力子模块,用于将所述特征图C12输入到所述注意力子模块进行特征提取,得到特征图C25;
第二标准卷积子模块,用于将所述特征图C25输入到所述第二标准卷积子模块进行特征提取,得到特征图C28;
数值计算子模块,用于将所述特征图C28分别进行数值计算,得到最大值、最小值和平均值。
9.根据权利要求8所述的基于孪生网络的电力负荷预测***,其特征在于,所述注意力子模块包括注意力输入层、垂直平均池化层、水平平均池化层、第五标准卷积层、第一维度排列层、第二维度排列层、第五规范化激活层、第六标准卷积层、第七标准卷积层、第一激活函数层、第二激活函数层、第三维度排列层、第四维度排列层和元素相乘层,所述注意力子模块,具体包括:
注意力输入单元,利用所述注意力输入层输入所述特征图C12;
垂直平均池化单元,用于将所述特征图C12输入到所述垂直平均池化层进行垂直池化,得到特征图C13,将所述特征图C13输入到所述第一维度排列层进行维度变换,得到特征图C16,将所述特征图C16输入到第六标准卷积层进行卷积操作,得到特征图C19,将所述特征图C19输入到第一激活函数层进行激活操作,得到特征图C21,将所述特征图C21输入到第三维度排列层进行维度变换,得到特征图C23;
水平平均池化单元,用于将所述特征图C12输入到所述水平平均池化层进行水平池化,得到特征图C14,将所述特征图C14输入到所述第二维度排列层进行维度变换,得到特征图C17,将所述特征图C17输入到第七标准卷积层进行卷积操作,得到特征图C20,将所述特征图C20输入到第二激活函数层进行激活操作,得到特征图C22,将所述特征图C22输入到第四维度排列层进行维度变换,得到特征图C24;
第五卷积规范化激活单元,用于将所述特征图C12输入到所述第五标准卷积层进行卷积操作,得到特征图C15,将所述特征图C15输入到所述第五规范化激活层进行批归一化和激活操作,得到特征图C18;
元素相乘单元,用于将所述特征图C23、C24和C18输入到所述元素相乘层进行元素相乘,得到特征图C25。
10.根据权利要求8所述的基于孪生网络的电力负荷预测***,其特征在于,所述初始预测模块,具体包括:
第一分支子模块,用于将所述时序训练集输入到所述孪生网络的第一分支进行特征提取,得到时序特征;
第二分支子模块,用于将所述电力负荷训练集输入到所述孪生网络的第二分支进行特征提取,得到电力负荷特征;
特征融合子模块,用于将所述时序特征和所述电力负荷特征进行特征融合,得到电力负荷融合特征;
特征预测子模块,用于将所述电力负荷融合特征进行预测,得到初始电力负荷预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310885152.3A CN116865261B (zh) | 2023-07-19 | 2023-07-19 | 基于孪生网络的电力负荷预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310885152.3A CN116865261B (zh) | 2023-07-19 | 2023-07-19 | 基于孪生网络的电力负荷预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116865261A CN116865261A (zh) | 2023-10-10 |
CN116865261B true CN116865261B (zh) | 2024-03-15 |
Family
ID=88228431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310885152.3A Active CN116865261B (zh) | 2023-07-19 | 2023-07-19 | 基于孪生网络的电力负荷预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116865261B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252488B (zh) * | 2023-11-16 | 2024-02-09 | 国网吉林省电力有限公司经济技术研究院 | 基于大数据的产业集群能效优化方法及*** |
CN117848515B (zh) * | 2024-03-07 | 2024-05-07 | 国网吉林省电力有限公司长春供电公司 | 一种开关柜温度监测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116144A (zh) * | 2020-09-15 | 2020-12-22 | 山东科技大学 | 一种区域配电网短期负荷预测方法 |
WO2022226713A1 (zh) * | 2021-04-26 | 2022-11-03 | 华为技术有限公司 | 策略确定的方法和装置 |
CN115481918A (zh) * | 2022-09-29 | 2022-12-16 | 电力规划总院有限公司 | 一种基于源网荷储的单元状态主动感知及预测分析*** |
CN115600640A (zh) * | 2022-09-30 | 2023-01-13 | 国网江苏省电力有限公司南京供电分公司(Cn) | 基于分解网络的电力负荷预测方法 |
CN115859792A (zh) * | 2022-11-23 | 2023-03-28 | 国网湖南省电力有限公司 | 基于注意力机制的中期电力负荷预测方法及*** |
CN115935810A (zh) * | 2022-11-25 | 2023-04-07 | 太原理工大学 | 基于注意力机制融合特征的电力中期负荷预测方法及*** |
WO2023115598A1 (zh) * | 2021-12-22 | 2023-06-29 | 大连理工大学 | 一种基于生成式对抗网络的平面叶栅定常流动预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190005826A1 (en) * | 2017-06-28 | 2019-01-03 | Ge Aviation Systems, Llc | Engine load model systems and methods |
EP4244770A1 (en) * | 2020-11-12 | 2023-09-20 | Umnai Limited | Architecture for explainable reinforcement learning |
-
2023
- 2023-07-19 CN CN202310885152.3A patent/CN116865261B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116144A (zh) * | 2020-09-15 | 2020-12-22 | 山东科技大学 | 一种区域配电网短期负荷预测方法 |
WO2022226713A1 (zh) * | 2021-04-26 | 2022-11-03 | 华为技术有限公司 | 策略确定的方法和装置 |
WO2023115598A1 (zh) * | 2021-12-22 | 2023-06-29 | 大连理工大学 | 一种基于生成式对抗网络的平面叶栅定常流动预测方法 |
CN115481918A (zh) * | 2022-09-29 | 2022-12-16 | 电力规划总院有限公司 | 一种基于源网荷储的单元状态主动感知及预测分析*** |
CN115600640A (zh) * | 2022-09-30 | 2023-01-13 | 国网江苏省电力有限公司南京供电分公司(Cn) | 基于分解网络的电力负荷预测方法 |
CN115859792A (zh) * | 2022-11-23 | 2023-03-28 | 国网湖南省电力有限公司 | 基于注意力机制的中期电力负荷预测方法及*** |
CN115935810A (zh) * | 2022-11-25 | 2023-04-07 | 太原理工大学 | 基于注意力机制融合特征的电力中期负荷预测方法及*** |
Non-Patent Citations (1)
Title |
---|
基于孪生网络和长短时记忆网络结合的配电网短期负荷预测;葛磊蛟 等;电力***自动化;第第45卷卷(第第23期期);第41-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116865261A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116865261B (zh) | 基于孪生网络的电力负荷预测方法及*** | |
Ryu et al. | Convolutional autoencoder based feature extraction and clustering for customer load analysis | |
Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
Ji et al. | Prediction of hourly solar radiation using a novel hybrid model of ARMA and TDNN | |
CN109657839B (zh) | 一种基于深度卷积神经网络的风电功率预测方法 | |
Liu et al. | Super resolution perception for smart meter data | |
CN113128113A (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
Razghandi et al. | Short-term load forecasting for smart home appliances with sequence to sequence learning | |
CN116128170B (zh) | 一种光伏电站功率超短期预测方法、装置及相关设备 | |
Ziyabari et al. | Multibranch attentive gated resnet for short-term spatio-temporal solar irradiance forecasting | |
Li et al. | A novel short-term multi-energy load forecasting method for integrated energy system based on feature separation-fusion technology and improved CNN | |
Obiora et al. | Hourly Photovoltaic Power Forecasting Using CNN-LSTM Hybrid Model | |
Al-Ja’afreh et al. | An enhanced CNN-LSTM based multi-stage framework for PV and load short-term forecasting: DSO scenarios | |
CN117494906A (zh) | 一种基于多元时间序列的天然气日负荷预测方法 | |
CN116612393A (zh) | 一种太阳辐射预测方法、***、电子设备及存储介质 | |
Xu et al. | Interpretable transformer-based model for probabilistic short-term forecasting of residential net load | |
Lin et al. | GAOformer: An adaptive spatiotemporal feature fusion transformer utilizing GAT and optimizable graph matrixes for offshore wind speed prediction | |
Zhang et al. | Predicting real-time locational marginal prices: A GAN-based video prediction approach | |
CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及*** | |
Zhang et al. | A method of load forecasting based on temporal convolutional network | |
CN117040030B (zh) | 新能源消纳能力风险管控方法及*** | |
Li et al. | Scenario Generation of Renewable Energy Based on Improved Diffusion Model | |
Ding et al. | Short-Term Load Forecasting Reliability in Power Plant of Cyber-Physical Energy System Considering Adaptive Denoising | |
Zou et al. | Mid-term Forecast of Electricity Consumption of Enterprises Based on Bi-Directional LSTM and Nonpooling CNN | |
CN117498320B (zh) | 一种波浪发电功率预测方法和*** |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240222 Address after: 514000, 6th to 8th floors, No. 20 Shunfeng Road, Meijiang District, Meizhou City, Guangdong Province Applicant after: Meizhou Jiaan Electric Power Design Co.,Ltd. Country or region after: China Address before: School of Information Technology, Jilin Agricultural University, No. 2888 Xincheng Street, Changchun City, Jilin Province, 130000 Applicant before: Wang Kejia Country or region before: China |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |