CN117154723B - 基于多源数据和模型融合的台区短期负荷预测方法及*** - Google Patents
基于多源数据和模型融合的台区短期负荷预测方法及*** Download PDFInfo
- Publication number
- CN117154723B CN117154723B CN202311421245.7A CN202311421245A CN117154723B CN 117154723 B CN117154723 B CN 117154723B CN 202311421245 A CN202311421245 A CN 202311421245A CN 117154723 B CN117154723 B CN 117154723B
- Authority
- CN
- China
- Prior art keywords
- data
- short
- result
- prediction
- fusion
- 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 53
- 230000004927 fusion Effects 0.000 title claims abstract description 48
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012098 association analyses Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于多源数据和模型融合的台区短期负荷预测方法及***，属于负荷预测技术领域。所述方法，包括：对台区历史负荷数据进行离散小波分解，得到一个近似分量和多个细节分量，对近似分量和各个细节分量分别进行特征提取，得到多个特征提取结果，将基于每个特征提取结果得到的各个第一预测结果进行重构，得到重构结果；根据历史气象数据得到第二预测结果，根据节假日数据得到第三预测结果，将重构结果、第二预测结果和第三预测结果融合，得到融合结果；根据得到的融合结果以及预设神经网络模型，得到最终的台区短期负荷预测结果；本发明降低了预测难度，充分挖掘了数据信息，有效提升了台区短期负荷的预测精度。
Description
技术领域
本发明涉及负荷预测技术领域，特别涉及一种基于多源数据和模型融合的台区短期负荷预测方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
随着新型电力***建设的推进，传统的低压配电台区也向着更安全、更智能、更低碳的方向发展。台区负荷预测是配电网安全高效运行的重要支撑技术，准确的负荷预测能够为配电***调度管理、能效管理和需求响应提供有效的辅助决策，对提升配电网精细化管理水平具有重要意义。
短期负荷预测主要根据电网历史运行数据、外界气象等信息，挖掘电网负荷变化的规律与影响因素，推断未来短期一段时间内负荷的变化趋势。围绕着电力短期负荷预测，国内外学者开展了一系列的研究工作。负荷预测的方法也从最初的物理模型方法和统计学方法发展到以机器学习、深度学习为主的方法。
然而，目前关于台区短期负荷预测的研究仍存在不足：（1）现有研究使用的数据大多来自省市县等区域级负荷，空间跨度大，随机抵消概率大，负荷波动性更小，台区级配电负荷空间跨度小，呈现出更明显的区域性特点，波动性更大；（2）随着新型电力***的不断发展，台区负荷的构成更加复杂，除常规负荷外，分布式光伏等新兴负荷占比逐年增大，台区负荷的非线性复杂程度增强；（3）数据项单一，现有研究仅依靠历史负荷和气象数据对电力负荷进行预测，缺少对电力业务数据的获取、分析及利用；（4）预测模型结构单一，预测数据流串行，难以对数据特征进行充分提取。
发明内容
为了解决现有技术的不足，本发明提供了一种基于多源数据和模型融合的台区短期负荷预测方法及***，使用离散小波分解将其分解为更加平稳的子序列，降低了预测难度，使用多种模型进行预测并进行模型融合，充分挖掘数据信息，有效提升了台区短期负荷的预测精度。
为了实现上述目的，本发明采用如下技术方案：
本发明第一方面提供了一种基于多源数据和模型融合的台区短期负荷预测方法。
一种基于多源数据和模型融合的台区短期负荷预测方法，包括以下过程：
获取台区历史负荷数据、历史气象数据以及节假日数据；
对台区历史负荷数据进行离散小波分解，得到一个近似分量和多个细节分量，对近似分量和各个细节分量分别进行特征提取，得到多个特征提取结果，将基于每个特征提取结果得到的各个第一预测结果进行重构，得到重构结果；
根据历史气象数据得到第二预测结果，根据节假日数据得到第三预测结果，将重构结果、第二预测结果和第三预测结果融合，得到融合结果；
根据得到的融合结果以及预设神经网络模型，得到最终的台区短期负荷预测结果。
本发明第二方面提供了一种基于多源数据和模型融合的台区短期负荷预测***。
一种基于多源数据和模型融合的台区短期负荷预测***，包括：
数据获取模块，被配置为：获取台区历史负荷数据、历史气象数据以及节假日数据；
数据重构模块，被配置为：对台区历史负荷数据进行离散小波分解，得到一个近似分量和多个细节分量，对近似分量和各个细节分量分别进行特征提取，得到多个特征提取结果，将基于每个特征提取结果得到的各个第一预测结果进行重构，得到重构结果；
数据融合模块，被配置为：根据历史气象数据得到第二预测结果，根据节假日数据得到第三预测结果，将重构结果、第二预测结果和第三预测结果融合，得到融合结果；
负荷预测模块，被配置为：根据得到的融合结果以及预设神经网络模型，得到最终的台区短期负荷预测结果。
本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于多源数据和模型融合的台区短期负荷预测方法中的步骤。
本发明第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于多源数据和模型融合的台区短期负荷预测方法中的步骤。
与现有技术相比，本发明的有益效果是：
1、本发明创新性的提出了一种基于多源数据和模型融合的台区短期负荷预测方法及***，使用离散小波分解将其分解为更加平稳的子序列，降低了预测难度，使用多种模型进行预测并进行模型融合，充分挖掘数据信息，有效提升了台区短期负荷的预测精度。
2、本发明创新性的提出了一种基于多源数据和模型融合的台区短期负荷预测方法及***，结合电力业务数据、外部气象数据、节假日数据与台区负荷的关联关系，进一步的提高了台区短期负荷的预测精度。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的负荷数据偏自相关分析示意图；
图2为本发明实施例1提供的离散小波分解示意图图；
图3为本发明实施例1提供的基于多源数据和模型融合的台区短期负荷预测方法的流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：
本发明实施例1提供了一种基于多源数据和模型融合的台区短期负荷预测方法，首先，从数据中台获取台区历史负荷和用户业扩、台区光伏等电力业务数据，从外部渠道获取气象、节假日等外部数据，通过关联分析挖掘各类数据与台区负荷的关系；其次，针对台区负荷波动性大的问题，使用离散小波分解将其分解为更加平稳的子序列，降低预测难度；最后，使用多种模型进行预测并进行模型融合，充分挖掘数据信息。
具体的，包括以下过程：
S1：数据分析处理。
S1.1：数据预处理。
S1.1.1：缺失值处理。
本发明采用的数据集为离散的时间序列，台区负荷、气象信息等因素随时间变化，相邻时刻数据之间存在较强的相似性，因此，本发明取大小为4的滑动窗口，使用前后值平均法来填充缺失值，公式如下：
（1）；
上式中，、/>、/>、/>分别是与缺失值相邻的前2个时刻和后2个时刻的数据值。
S1.1.2：异常值处理。
使用箱线图，初步筛选出数据集中可能的异常值。箱线图是一种基于“最小”、第一四分位数Q1，中位数、第三四分位数Q3和“最大”这五个特殊值，来显示数据分布情况的标准化方法，四分位间距定义为：IQR=Q3-Q1，本发明将高出Q3 1.5个IRQ的项和低出Q1 1.5个IRQ的项视为可疑异常值，对筛选出的可疑项，根据其物理意义进行第二次检验，对于最终确定出来的异常值，采取与缺失项填充相同的方法进行修正。
S1.2：数据关联分析。
S1.2.1：负荷数据自相关分析。
对台区负荷进行偏自相关（PACF）分析，结果如图1所示，可以看出，相邻时刻的自相关系数较大，这进一步证明了当前时刻的负荷与前面相邻若干个时刻的负荷具有明显的相关关系，且天级别的周期性在前2阶之内较强，因此，在实际应用中，只考虑2阶之内的天级别相关性即可。
S1.2.2：负荷数据与其他数据的关联分析。
台区负荷的波动变化受多种因素影响，除常规的温湿度、降水等气象因素外，节假日和生产计划、设备检修等也会在不同程度上影响负荷的变化规律。在现有研究中，通常重视气象、历史负荷等因素而忽略了电力业务数据，而企业级数据中台的建成为我们获取业扩报装、停电计划等重要电力业务数据提供了条件。
另一方面，不同的因素对负荷的影响程度也不相同，因此，需要分析各潜在因素与台区负荷之间的关联关系，挖掘出影响负荷的主要因素和次要因素，从而选择合适的参数作为预测依据，达到精简模型的目的。皮尔逊相关系数的定义是两个变量的协方差和标准差的商，常用于表征两个不同变量的关联性，计算方法为：
（2）；
上式中，为变量X的序列值，/>为变量X的平均值，/>为变量Y的序列值，/>为变量Y的平均值，/>为变量X和变量Y的皮尔逊相关系数，/>的取值区间是[-1， 1]，若为正值，则两个变量之间呈正相关，若为负值，则两个变量之间呈负相关，/>的绝对值的大小代表了相关性的强弱。本发明统计了台区负荷与各潜在因素之间的/>值，结果如下。
表1：台区负荷与各因素的皮尔逊相关系数。
。
S1.3：归一化。
为消除各属性量纲不同带来的影响，本发明使用最大最小归一化方法处理数据集中的各项数据，将其放缩至[0，1]之间，计算公式为：
（3）；
上式中，、/>分别为某属性的最大值和最小值，/>为变量x在t时刻的真实值，为变量x在t时刻的归一化值，预测完成后，为恢复数据的原始量纲，需要进行反归一化操作，公式为：
（4）。
S2：模型构建。
S2.1：小波分解理论。
受多种因素影响，台区负荷具有波动特性，可以将负荷序列视为包含复杂频率成分的序列：（1）高频分量包括非线性和动态的成分，它们直观表现为尖峰和波动的形式，反映了负荷随机变化的特性；（2）低频分量具有稳定的周期性，通常反映了以天为周期的变化规律；预测含复杂频率成分的序列需要更复杂的模型，且误差大；预测具有相对固定频率的序列只需用更简单的模型便可以取得更小的误差。
离散小波分解（Discrete Wavelet Transform，DWT）是对离散信号进行的小波变换，它优势在于能够捕获信号的频率和位置信息。原始数据经过 DWT后会被分解为近似分量和细节分量，近似分量对应于原始数据的稳态特征，而细节分量对于原始数据的瞬态特征，其中，还可以对近似分量进行下一层的递归分解。具体原理如下：
（5）；
（6）；
其中，是母小波函数，/>是尺度函数，/>代表时间索引，/>和/>分别是平移尺度变量和缩放尺度变量，分解后，原始序列可以表示为：
（7）；
上式中，为输入数据的长度，/>表示分解的层数，/>表示缩放尺度为/>平移尺度为/>的稳态分量系数，/>表示缩放尺度为/>平移尺度为/>的瞬态分量系数。
图2展示了DWT的过程（LPF为低通滤波器，HPF为高通滤波器，A1、A2、A3…Ak分别为原始序列经过k次小波分解产生的第1、2、3…k阶近似分量，D1、D2、D3…Dk分别为原始序列经过k次小波分解产生的第1、2、3…k阶细节分量），在每一层，输入数据分别通过LPF和HPF被分解为近似分量和细节分量，接下来对近似分量进行递归分解，最终，整个输入数据被分解为1个表征近似分量的序列和k个表征细节分量的序列/>。
S2.2：神经网络。
神经网络能够自动学习输入和输出值之间的映射关系，并且具有良好的非线性特性。因此，本发明以神经网络为主体构建模型，接下来，将分别从网络单元和网络框架两个方面介绍本发明的网络选型。
网络单元方面，BP神经网络是应用最广泛的神经网络，它使用BP算法来训练和更新网络参数，在BP网络中，相邻层的不同神经元具有全连接的关系。卷积神经网络（Convolutional Neural Networks，CNN）是常见的深度学习单元，它具有很强的特征提取能力，在自然语言处理等领域有广泛应用，CNN的优点是权重共享，通过权重共享可以减少模型的参数，缩短学习时间。循环神经网络（Recurrent Neural Network， RNN）通过在神经元中加入循环连接，使神经元具有记忆特性，即每一步的输出不仅考虑当前时刻的输入，还考虑之前时间步的输入，长短时记忆（Long Short-Term Memory，LSTM）是RNN的升级变体，通过独特的结构设计克服了传统RNN结构存在的梯度消失问题，因此LSTM在时间序列预测方面具有天然优势。
网络框架方面，在应用中，对台区负荷进行短期预测，输入和输出均为包含多个时间步的序列。Encoder-Decoder是深度学习中常见的框架，它专为输入和输出均为序列的场景而设计，而且不要求输入输出序列的长度相同，因此，本发明在进行功率预测时，使用Encoder-Decoder框架。传统Encoder-Decoder框架存在的长输入信息丢失问题，使用Attention机制将输入信息编码到一个向量序列，在Decoder时，每个时间步参考的中间向量都不同，可以有效解决该问题。
S2.3：模型架构。
基于上述内容，不同类型的神经网络具有不同特性，而单一的网络难以充分挖掘数据所含的全部信息，因此，本发明基于模型融合的思路，充分利用电力业务数据和各种外部数据，构建了包含多个并行数据流的预测模型，模型结构如图3所示。
本发明基于小波分解、CNN和LSTM处理历史负荷数据，基于BP神经网络处理气象和节假日等外部数据，挖掘外部数据和台区负荷的映射关系；预测结果纠偏主要基于业扩报装、停电计划等电力业务信息对预测结果进行等比放缩、置零等操作，新模型预测数据流并行，多模型优势互补，可以充分发挥不同数据在预测中的作用。
为验证本发明所提方法对台区级负荷预测的有效性，从数据中台选取某台区2019年1月1日到2022年3月5日共计1160天的负荷数据进行分析，采样间隔为1h，即每天24个采样点。最后将实验结果与ARIMA、XGBoost、BP、LSTM、CNN-LSTM模型的预测结果对比。
S3.1：输入参数选择。
本发明对未来1天的台区负荷进行预测，基于相关性分析结果，模型的输入数据为过去2天的负荷数据、气象数据（温度、相对湿度、降水）、日期数据以及预测当日的气象数据和日期数据。
S3.2 评价指标。
本发明使用均方根误差（MAE）和平方绝对误差（RMSE）来评估不同模型的效果，RMSE 和 MAE 的值越小，表示模型的性能越好，两项指标的计算方法为：
（8）；
（9）；
式中，和/>分别是时间步t的真实值和预测值，N为时间步总数。
S3.3：模型训练与参数设置。
本发明将数据分为训练集、验证集和测试集，比例设置为7：1：2，训练集用于训练模型，验证集用于选择模型，测试集用于性能评估。
超参数设置方面，通过枚举法确定使用2阶小波分解；卷积神经网络使用2层CNN1D，卷积核调参范围为（2，3，4，5）；使用2层BiLSTM，每层的调参范围是[10， 100]；使用5层BP神经网络，每层的神经元个数分别为[24，120，96，48，24]。
为方便性能比较，对涉及深度学习的方法，本发明统一以MSE为损失函数、以Adam为优化器训练模型；训练迭代次数 epoch=1000，采用 early stopping 方法防止模型过拟合，如果连续 k 轮训练损失函数没有变小，就停止训练，设 k=10；在每层神经元后面加入一个Dropout 层，其参数选择为 0.1，具体设置如表2。
表2：训练参数设置。
S3.4 预测结果。
表3展示了不同模型在测试集上的性能。可以看出，本发明所提模型预测结果的MAE和RMSE方面比其它模型更小，且本发明所提方法的预测结果能更好的贴近真实值，尤其是在峰谷等负荷变化剧烈的时段更能准确表示负荷的变化规律。
表3：预测结果指标对比。
。
S3.5：结果分析。
通过对比MAE、RMSE数据，可以看出，相对于传统预测方法，本发明新提出的模型具有更好的效果。其原因可以从2个方面来解释：（1）台区负荷具有波动性，通过DWT，将它们分解为频率成分相对稳定的子序列，可以提高预测的精度；（2）通过模型融合的方式，利用多种网络处理不同的数据，充分挖掘数据价值；（3）利用电力业务数据对预测结果进行纠偏，进一步降低了误差。
实施例2：
本发明实施例2提供了一种基于多源数据和模型融合的台区短期负荷预测***，包括：
数据获取模块，被配置为：获取台区历史负荷数据、历史气象数据以及节假日数据；
数据重构模块，被配置为：对台区历史负荷数据进行离散小波分解，得到一个近似分量和多个细节分量，对近似分量和各个细节分量分别进行特征提取，得到多个特征提取结果，将基于每个特征提取结果得到的各个第一预测结果进行重构，得到重构结果；
数据融合模块，被配置为：根据历史气象数据得到第二预测结果，根据节假日数据得到第三预测结果，将重构结果、第二预测结果和第三预测结果融合，得到融合结果；
负荷预测模块，被配置为：根据得到的融合结果以及预设神经网络模型，得到最终的台区短期负荷预测结果。
所述***的工作方法与实施例1提供的基于多源数据和模型融合的台区短期负荷预测方法相同，这里不再赘述。
实施例3：
本发明实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的基于多源数据和模型融合的台区短期负荷预测方法中的步骤。
实施例4：
本发明实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例1所述的基于多源数据和模型融合的台区短期负荷预测方法中的步骤。
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)
1.一种基于多源数据和模型融合的台区短期负荷预测方法，其特征在于，包括以下过程：
获取台区历史负荷数据、历史气象数据以及节假日数据；
对台区历史负荷数据进行离散小波分解，得到一个近似分量和多个细节分量，对近似分量和各个细节分量分别进行特征提取，得到多个特征提取结果，将基于每个特征提取结果得到的各个第一预测结果进行重构，得到重构结果；
根据历史气象数据得到第二预测结果，根据节假日数据得到第三预测结果，将重构结果、第二预测结果和第三预测结果融合，得到融合结果；
根据得到的融合结果以及预设神经网络模型，得到最终的台区短期负荷预测结果。
2.如权利要求1所述的基于多源数据和模型融合的台区短期负荷预测方法，其特征在于，
对台区历史负荷数据进行离散小波分解之前进行台区历史负荷数据的归一化处理，以归一化的结果进行离散小波分解，对预设神经网络模型的输出数据进行反归一化，得到最终的台区短期负荷预测结果。
3.如权利要求1所述的基于多源数据和模型融合的台区短期负荷预测方法，其特征在于，
得到最终的台区短期负荷预测之后，根据业扩报装和停电计划对预测结果进行纠偏，包括：当停电计划中包含某个台区，则把此台区停电计划覆盖的时刻的台区短期负荷预测结果置零；当某个台区因为业扩报装，容量变为原来的N倍时，则把此台区的短期负荷预测结果乘以N倍作为纠偏结果。
4.如权利要求1所述的基于多源数据和模型融合的台区短期负荷预测方法，其特征在于，
采用卷积神经网络对近似分量和各个细节分量分别进行特征提取；采用对应的长短期记忆神经网络分别进行近似分量和各个细节分量的预测，得到多个第一预测结果；以BP神经网络作为预设神经网络模型。
5.一种基于多源数据和模型融合的台区短期负荷预测***，其特征在于，包括：
数据获取模块，被配置为：获取台区历史负荷数据、历史气象数据以及节假日数据；
数据重构模块，被配置为：对台区历史负荷数据进行离散小波分解，得到一个近似分量和多个细节分量，对近似分量和各个细节分量分别进行特征提取，得到多个特征提取结果，将基于每个特征提取结果得到的各个第一预测结果进行重构，得到重构结果；
数据融合模块，被配置为：根据历史气象数据得到第二预测结果，根据节假日数据得到第三预测结果，将重构结果、第二预测结果和第三预测结果融合，得到融合结果；
负荷预测模块，被配置为：根据得到的融合结果以及预设神经网络模型，得到最终的台区短期负荷预测结果。
6.如权利要求5所述的基于多源数据和模型融合的台区短期负荷预测***，其特征在于，
对台区历史负荷数据进行离散小波分解之前进行台区历史负荷数据的归一化处理，以归一化的结果进行离散小波分解，对预设神经网络模型的输出数据进行反归一化，得到最终的台区短期负荷预测结果。
7.如权利要求5所述的基于多源数据和模型融合的台区短期负荷预测***，其特征在于，
得到最终的台区短期负荷预测之后，根据业扩报装和停电计划对预测结果进行纠偏，包括：当停电计划中包含某个台区，则把此台区停电计划覆盖的时刻的台区短期负荷预测结果置零；当某个台区因为业扩报装，容量变为原来的N倍时，则把此台区的短期负荷预测结果乘以N倍作为纠偏结果。
8.如权利要求5所述的基于多源数据和模型融合的台区短期负荷预测***，其特征在于，
采用卷积神经网络对近似分量和各个细节分量分别进行特征提取；采用对应的长短期记忆神经网络分别进行近似分量和各个细节分量的预测，得到多个第一预测结果；以BP神经网络作为预设神经网络模型。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-4任一项所述的基于多源数据和模型融合的台区短期负荷预测方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4任一项所述的基于多源数据和模型融合的台区短期负荷预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311421245.7A CN117154723B (zh) | 2023-10-31 | 2023-10-31 | 基于多源数据和模型融合的台区短期负荷预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311421245.7A CN117154723B (zh) | 2023-10-31 | 2023-10-31 | 基于多源数据和模型融合的台区短期负荷预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117154723A CN117154723A (zh) | 2023-12-01 |
| CN117154723B true CN117154723B (zh) | 2024-04-02 |
Family
ID=88899150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311421245.7A Active CN117154723B (zh) | 2023-10-31 | 2023-10-31 | 基于多源数据和模型融合的台区短期负荷预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117154723B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111382891A (zh) * | 2018-12-28 | 2020-07-07 | 北京金风科创风电设备有限公司 | 短期负荷预测方法和短期负荷预测装置 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN114066003A (zh) * | 2021-09-28 | 2022-02-18 | 国网浙江省电力有限公司绍兴供电公司 | 基于小波分解和长短时记忆网络的电力负荷预测方法 |
| CN115169703A (zh) * | 2022-07-12 | 2022-10-11 | 广东电网有限责任公司广州供电局 | 一种基于长短时记忆网络组合的短期电力负荷预测方法 |
| CN115374998A (zh) * | 2022-07-05 | 2022-11-22 | 国网浙江省电力有限公司丽水供电公司 | 基于注意力机制和CNN-BiGRU的负荷预测方法 |
| CN115936169A (zh) * | 2022-10-14 | 2023-04-07 | 广东工业大学 | 一种考虑影响因素和基于组合模型的短期电力负荷预测方法 |
-
2023
- 2023-10-31 CN CN202311421245.7A patent/CN117154723B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111382891A (zh) * | 2018-12-28 | 2020-07-07 | 北京金风科创风电设备有限公司 | 短期负荷预测方法和短期负荷预测装置 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN114066003A (zh) * | 2021-09-28 | 2022-02-18 | 国网浙江省电力有限公司绍兴供电公司 | 基于小波分解和长短时记忆网络的电力负荷预测方法 |
| CN115374998A (zh) * | 2022-07-05 | 2022-11-22 | 国网浙江省电力有限公司丽水供电公司 | 基于注意力机制和CNN-BiGRU的负荷预测方法 |
| CN115169703A (zh) * | 2022-07-12 | 2022-10-11 | 广东电网有限责任公司广州供电局 | 一种基于长短时记忆网络组合的短期电力负荷预测方法 |
| CN115936169A (zh) * | 2022-10-14 | 2023-04-07 | 广东工业大学 | 一种考虑影响因素和基于组合模型的短期电力负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多维气象信息时空融合和MPA-VMD的短期电力负荷组合预测模型;王凌云 等;《电力自动化设备》;第1-15页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117154723A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113128781B (zh) | 一种自动构建智能化模型与算法的分布式工业能源运行优化平台 | |
| Zhou et al. | An optimized heterogeneous structure LSTM network for electricity price forecasting | |
| CN111582551B (zh) | 风电场短期风速预测方法、***及电子设备 | |
| CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
| CN116561567A (zh) | 一种基于变分模态分解的短期光伏功率预测模型及构建方法、应用方法 | |
| CN111160626A (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
| CN115688993A (zh) | 一种适用于配电台区的短期电力负荷预测方法 | |
| Gao et al. | An adaptive deep-learning load forecasting framework by integrating transformer and domain knowledge | |
| CN112183877A (zh) | 一种基于迁移学习的光伏电站故障智能诊断方法 | |
| CN116757465A (zh) | 一种基于双训练权重分配模型的线路风险评估方法及装置 | |
| Zhuang et al. | A multi-scale spatial-temporal graph neural network-based method of multienergy load forecasting in integrated energy system | |
| Wang et al. | A transformer-based multi-entity load forecasting method for integrated energy systems | |
| Niu et al. | De-Trend First, Attend Next: A Mid-Term PV forecasting system with attention mechanism and encoder–decoder structure | |
| CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
| Gao et al. | TgDLF2. 0: Theory-guided deep-learning for electrical load forecasting via transformer and transfer learning | |
| CN117154723B (zh) | 基于多源数据和模型融合的台区短期负荷预测方法及*** | |
| Bodenbenner et al. | Design science in practice: designing an electricity demand response system | |
| Ye et al. | Optimal Component IGSCV-SVR Ensemble Model Improved by VMD for Ultra-short-term Wind Speed Forecasting. | |
| CN115099448A (zh) | 一种基于VMD-Prophet的短期负荷预测方法 | |
| Zhou et al. | A Load Forecasting Framework Considering Hybrid Ensemble Deep Learning with Two-Stage Load Decomposition | |
| Shen et al. | An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed | |
| Yan et al. | Short-term Electricity Price Prediction Based on CEEMD-TCN-ATTENTION | |
| Abdel-Karim et al. | Modeling wind speed for power system applications |
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 |