CN117175584A - 一种基于电力数据的可控负荷预测方法、装置及设备 - Google Patents
一种基于电力数据的可控负荷预测方法、装置及设备 Download PDFInfo
- Publication number
- CN117175584A CN117175584A CN202311329119.9A CN202311329119A CN117175584A CN 117175584 A CN117175584 A CN 117175584A CN 202311329119 A CN202311329119 A CN 202311329119A CN 117175584 A CN117175584 A CN 117175584A
- Authority
- CN
- China
- Prior art keywords
- load
- historical
- data
- day
- load curve
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000005611 electricity Effects 0.000 claims abstract description 191
- 230000003203 everyday effect Effects 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 14
- 230000002354 daily effect Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种基于电力数据的可控负荷预测方法、装置、设备及介质，本申请属于电力数据计算领域。该方法包括：获取预设时段内用户每天的历史用电负荷曲线；将历史用电负荷曲线输入用电负荷预测模型，得到预测目标日的用电负荷曲线；基于预测目标日的用电负荷曲线以及预设时段内用户每天的历史用电负荷曲线，确定各用电负荷曲线之间的DTW距离；基于DTW距离进行层次聚类，确定目标日的用电负荷曲线所对应的类别；根据目标日的用电负荷曲线，和同一类别中的历史用电负荷曲线的节点参数，确定目标日中目标时段的可控负荷预测结果。本方案直接使用用户的历史负荷数据进行预测和聚类，使预测结果更加贴近实际情况，提高了可控负荷结果预测的准确性。
Description
技术领域
本申请属于电力数据计算领域，具体涉及一种基于电力数据的可控负荷预测方法、装置、设备及介质。
背景技术
电力可控负荷预测技术是近年来发展起来的一种基于人工智能和机器学习等技术的电力负荷预测方法，通过应用电力可控负荷预测技术，电力企业可以更好地进行电力生产和调配，提前制定合理的调峰和调配方案，以满足未来的电力需求，保障电力***的稳定运行。
现有技术中，是通过建立用户电荷使用模型、电价模型和用户收益模型等模型，并以用户的最大收益为约束条件来预测用户的可控负荷的。
但现有技术中对于复杂电力***和用户行为的建模难度较大，数据难以获取。要建立准确的用户电荷使用模型、电价模型和用户收益模型，需要有充足的数据和准确的建模算法，否则错误的建模可能导致结果得到与现实截然相反的预测。此外，该方法仍然需要可靠的实时数据来支持动态电价的制定和负荷调控，这对于某些应用场景可能难以实现。
发明内容
本申请实施例提供一种基于电力数据的可控负荷预测方法、装置、设备及介质，目的是解决现有技术中预测可控负荷时，由于对复杂电力***和用户行为的建模难度较大，数据难以获取，因此导致可控负荷预测结果不准确的问题。
第一方面，本申请实施例提供了一种基于电力数据的可控负荷预测方法，所述方法包括：
获取预设时段内用户每天的历史用电负荷曲线；
将所述历史用电负荷曲线输入用电负荷预测模型，得到预测目标日的用电负荷曲线；
基于预测目标日的用电负荷曲线以及预设时段内用户每天的历史用电负荷曲线，确定各用电负荷曲线之间的DTW距离；
基于所述DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别；
根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日中目标时段的可控负荷预测结果。
进一步的，获取预设时段内用户每天的历史用电负荷曲线，包括：
根据采集频率获取各预设时间点的历史用电负荷数据；
根据各预设时间点的历史用电负荷数据确定用户每天的历史用电负荷曲线。
进一步的，将所述历史用电负荷曲线输入用电负荷预测模型，得到预测目标日的用电负荷曲线，包括：
将所述历史用电负荷曲线输入用电负荷预测模型，得到目标日的各预设时间点的用电负荷数据，并根据所述各预设时间点的用电负荷数据确定目标日的用电负荷曲线。
进一步的，基于预测目标日的用电负荷曲线以及预设时段内用户每天的历史用电负荷曲线，确定各用电负荷曲线之间的DTW距离，包括：
将所述目标日的各预设时间点的用电负荷数据与预设时段内用户每天的各预设时间点对应的历史用电负荷数据合并为样本数据，计算样本数据中各用电负荷数据之间的第一距离，并构建第一距离矩阵；
根据所述第一距离矩阵确定样本数据中各用电负荷数据之间的DTW距离。
进一步的，基于所述DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别，包括：
对所述DTW距离进行归一化，根据预设的层次聚类算法对归一化后的DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别。
进一步的，根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日中目标时段的可控负荷预测结果，包括：
根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日的各预设时间点的可控负荷数据；
根据所述各预设时间点的可控负荷数据确定所述目标日中目标时段的可控负荷预测结果。
第二方面，本申请实施例提供了一种基于电力数据的可控负荷预测装置，所述装置包括：
获取模块，用于获取预设时段内用户每天的历史用电负荷曲线；
预测模块，用于将所述历史用电负荷曲线输入用电负荷预测模型，得到预测目标日的用电负荷曲线；
计算模块，用于基于预测目标日的用电负荷曲线以及预设时段内用户每天的历史用电负荷曲线，确定各用电负荷曲线之间的DTW距离；
层次聚类模块，用于基于所述DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别；
预测结果确定模块，用于根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日中目标时段的可控负荷预测结果。
进一步的，所述获取模块用于：
根据采集频率获取各预设时间点的历史用电负荷数据；
根据各预设时间点的历史用电负荷数据确定用户每天的历史用电负荷曲线。
进一步的，所述预测模块用于：
将所述历史用电负荷曲线输入用电负荷预测模型，得到目标日的各预设时间点的用电负荷数据，并根据所述各预设时间点的用电负荷数据确定目标日的用电负荷曲线。
进一步的，所述计算模块用于：
将所述目标日的各预设时间点的用电负荷数据与预设时段内用户每天的各预设时间点对应的历史用电负荷数据合并为样本数据，计算样本数据中各用电负荷数据之间的第一距离，并构建第一距离矩阵；
根据所述第一距离矩阵确定样本数据中各用电负荷数据之间的DTW距离。
进一步的，所述层次聚类模块用于：
对所述DTW距离进行归一化，根据预设的层次聚类算法对归一化后的DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别。
进一步的，所述预测结果确定模块用于：
根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日中目标时段的可控负荷预测结果。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第五方面，本申请实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。
在本申请实施例中，获取预设时段内用户每天的历史用电负荷曲线；将所述历史用电负荷曲线输入用电负荷预测模型，得到预测目标日的用电负荷曲线；基于预测目标日的用电负荷曲线以及预设时段内用户每天的历史用电负荷曲线，确定各用电负荷曲线之间的DTW距离；基于所述DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别；根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日中目标时段的可控负荷预测结果。通过上述基于电力数据的可控负荷预测方法，直接使用用户的历史负荷数据进行预测和聚类，使预测结果更加贴近实际情况，提高了可控负荷结果预测的准确性。
附图说明
图1是本申请实施例一提供的基于电力数据的可控负荷预测方法的流程示意图；
图2是本申请实施例二提供的基于电力数据的可控负荷预测方法的流程示意图；
图3是本申请实施例三提供的基于电力数据的可控负荷预测装置的结构示意图；
图4是本申请实施例四提供的电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的基于电力数据的可控负荷预测方法、装置、设备及介质进行详细地说明。
实施例一
图1是本申请实施例一提供的基于电力数据的可控负荷预测方法的流程示意图。如图1所示，具体包括如下步骤：
S101，获取预设时段内用户每天的历史用电负荷曲线。
首先，本方案的使用场景可以是获取预设时段内用户每天的历史用电负荷曲线，并利用用电负荷预测模型根据用户的历史用电负荷曲线预测目标日的目标时段的可控负荷的场景。
基于上述使用场景，可以理解的，本申请的执行主体可以是集成获取历史电力数据、分析历史电力数据以及预测目标日可控负荷功能的可控负荷预测***，此处不做过多的限定。
本方案中，预设时段可以是指在特定时间范围内进行观察或记录用户每天的历史用电负荷曲线的时间段。本方案中，可以设置预设时段为需要预测可控负荷的目标日的前一年。
历史用电负荷曲线可以是指在预设时段内，每天的不同时间点记录下的电力消耗数据的图形表示。这些曲线显示了电力需求在特定时间内的变化模式，可以以分钟或小时为单位。
可以通过电力公司的电表数据、监测设备或其他电力监测***来收集历史用电负荷数据。确保数据包括时间戳和相应时间点的电力消耗值。然后将采集到的数据整理成一个包含日期和电力消耗值的表格，确保数据按每天不同的时间点进行排序，以便生成每天的用电负荷曲线。再使用数据可视化工具或编程语言创建每天的用电负荷曲线，其中，横坐标应表示时间，纵坐标表示电力消耗值。
S102，将所述历史用电负荷曲线输入用电负荷预测模型，得到预测目标日的用电负荷曲线。
用电负荷预测模型可以是一种数学模型或算法，它可以根据历史用电负荷数据以及可能的影响因素来预测未来某一天或某一时间段的电力需求。这些模型可以基于统计方法、机器学习或深度学习等技术所实现。
目标日的用电负荷曲线可以是通过用电负荷预测模型生成的预测结果。它显示了预测的特定日期内，每个时间点的电力需求估计值。
可以首先确保历史用电负荷曲线的数据格式与用电负荷预测模型要求的输入格式相匹配。例如，历史数据可以按时间顺序排列，并且包括日期和电力消耗值，再确定要预测的具体日期。然后选择合适的用电负荷预测模型，本方案中，可以使用LSTM(Long Short-Term Memory，长短期记忆网络)神经网络模型，当选定合适的用电负荷预测模型后，可以使用历史用电负荷数据来训练选定的预测模型。具体的，可以首先将每天历史负荷数据向量划分成训练数据集、验证数据集和测试数据集。模型输入为预测日前30天的负荷值，输出为预测日的负荷预测值，以均方误差作为模型的目标函数，通过最小化均方误差训练模型。然后使用训练好的LSTM模型对测试数据集进行负荷预测。将测试数据集输入到LSTM模型中，通过前向传播得到预测的负荷值。通过计算预测负荷与实际负荷之间的误差，评估LSTM模型的预测性能。如果模型的预测性能不理想，可以通过调整LSTM模型的参数来改进预测结果。常见的参数包括LSTM层的神经元数量、学习率以及训练迭代次数等。通过调整这些参数，可以寻找到更适合数据集的模型配置。在模型经过训练和调优后，可以将目标日的日期和历史用电负荷曲线输入训练好的模型中，模型将生成目标日的用电负荷预测值，可以以分钟或小时为单位。最后使用预测值创建目标日的用电负荷曲线。
S103，确定目标日的用电负荷曲线与预设时段内用户每天的历史用电负荷曲线之间的DTW距离。
DTW(Dynamic Time Warping，动态时间规整)距离可以是一种用于比较两个时间序列之间相似性的方法，特别适用于处理不同长度或速度不同的序列。本方案中，DTW距离可以量化目标日用电负荷曲线与历史曲线之间的相似性。通过比较不同历史曲线与目标日曲线之间的距离，可以找到最相似的历史曲线，从而识别与目标日用电负荷曲线相似的历史模式。并且DTW距离可以用于选择最相关的历史用电负荷曲线来预测目标日的电力负荷。通过找到最相似的历史模式，可以使用相关历史曲线的数据来生成更准确的负荷预测。
可以选择合适的DTW算法或库来计算DTW距离，例如Python中的fastdtw以及scipy的cdtw等。本方案中，若预设时段规定为一年，则有365个历史用电负荷曲线，加上目标日的用电负荷曲线，则共有366个用电负荷曲线，具体的，可以首先对这366个用电负荷曲线进行编号。例如，对于编号1的用电负荷曲线，需要计算它与编号2号-366号的用电负荷曲线之间的DTW距离，对于编号2的用电负荷曲线，则需要计算它与3号-366号的用电负荷曲线的DTW距离，以此类推，直到两两计算进行完毕。具体的，可以先初始化一个DTW距离值，使用DTW算法计算两个曲线之间的DTW距离，并建立一个数据库表，将计算得到的DTW距离填充到数据库表的相应位置，可以使用行表示历史曲线的日期，列表示目标日的日期。数据库表中的值表示每一天的历史曲线与目标日曲线之间的DTW距离。较低的距离表示更相似的曲线，而较高的距离表示不相似。
S104，基于所述DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别。
基于DTW距离进行层次聚类可以帮助将历史用电负荷曲线分成不同的类别，而目标日的用电负荷曲线会被归类到其中一个类别中。这样可以识别目标日的用电负荷曲线与历史数据中哪些曲线更相似，进一步分析和决策。目标日的用电负荷曲线所对应的类别可以是层次聚类过程中划分的一个聚类簇。
可以使用层次聚类算法对历史用电负荷曲线进行聚类，具体的，可以选择自底向上的聚类方法，例如凝聚层次聚类；或自顶向下的聚类方法，例如***层次聚类。凝聚聚类从单个数据点开始并逐步合并相似的聚类，而***聚类从所有数据点开始并逐渐拆分形成更小的聚类。并根据需要，对聚类树进行剪枝，以选择最佳的聚类类别数目。最后使用内部评价指标，例如轮廓系数；或外部评价指标，例如ARI(Adjusted Rand Index，调整兰德系数)来评估聚类结果的质量。如果聚类质量不达标，则重新对聚类树进行剪枝直至得到最佳的聚类结果。目标日的曲线可以被分配到与其DTW距离最小的聚类簇中，表示这个聚类簇最能代表目标日的曲线的特征。
在上述各技术方案的基础上，可选的，基于所述DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别，包括：
对所述DTW距离进行归一化，根据预设的层次聚类算法对归一化后的DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别。
本方案中，预设的层次聚类算法可以包括自底向上的聚类方法以及自顶向下的聚类方法两类算法。其中，如果数据集非常大，自顶向下的聚类方法可能会更具优势，因为它们可以在较小的数据子集上执行初始聚类，并逐步扩展到全数据集。这可以节省计算资源和时间。自底向上的聚类方法通常从单个数据点开始，逐步合并聚类以构建聚类层次结构。这使得它们能够更容易地探索和理解聚类的层次结构，从最细粒度到最粗粒度的聚类。
可以将距离矩阵中的距离值映射到是0到1之间的范围内。具体的，可以通过最小-最大缩放或Z-得分标准化进行归一化。然后使用预设的层次聚类算法，对归一化后的DTW距离进行聚类。若选择自底向上的层次聚类方法，则从每个数据点开始，逐步将最相似的数据点或聚类合并，以构建聚类层次结构。若选择自顶向下的聚类方法，可以将整个数据集视为一个初始聚类。根据某种距离度量选择一个***点，将当前聚类分成两个或更多子聚类。对每个子聚类递归执行相同的***步骤，将它们继续分成更小的子聚类，直到满足停止条件。然后确定最佳的聚类类别数目，一旦完成层次聚类，可以确定目标日的用电负荷曲线所对应的类别，具体的，可以查找目标日在树状图上的叶子节点，从而确定它所属的聚类。
本方案中，归一化可以消除不同特征之间的尺度差异，从而提高聚类的稳定性，并且可以提高聚类算法的计算速度。
S105，根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日中目标时段的可控负荷预测结果。
节点参数可以是用于描述电力负荷曲线的特定特征或属性。本方案中，节点参数可以是同一类别中历史负荷的平均值或最小值，具体的，可以计算目标日中目标时段用电负荷与同一类别中目标时段的历史负荷的平均值或最小值间的差值得到可控负荷预测结果。其中，计算同一类别中历史用电负荷曲线的平均值，将目标日的用电负荷曲线与历史平均值相减，以获得一个差值。这个差值表示了目标日用电负荷相对于历史平均水平的差异，可以被视为较为保守的可控负荷。计算同一类别中历史用电负荷曲线的最小值，将目标日的用电负荷曲线与历史最小值相减，以获得一个差值。这个差值表示了目标日用电负荷相对于历史最低水平的差异，可以被视为较为激进的最大可控负荷。使用保守的估算方法更适合对电力需求稳定性和可靠性要求较高的情况，使用激进的估算方法通常更适合对成本控制和资源优化要求较高的情况。
目标时段可以是指希望进行可控负荷预测的时间段或时间窗口。这可以是一天中的特定几小时，例如，可以预测明天晚上6点到7点之间的电力负荷。
可控负荷预测结果可以是指在目标时段内，对电力负荷的未来表现的估计或预测。可控负荷预测结果可以包括未来电力需求的数值估计，可以用于规划电力供应、资源分配和设备调度。若可控负荷预测结果显示某时间段的电力需求预计较高，则可以在这段时间限制某些设备的运行。例如，某工业园区晚6点到晚7点电力需求预计较高，可以在这段时间关闭园区空调。
在本申请实施例中，获取预设时段内用户每天的历史用电负荷曲线；将所述历史用电负荷曲线输入用电负荷预测模型，得到预测目标日的用电负荷曲线；基于预测目标日的用电负荷曲线以及预设时段内用户每天的历史用电负荷曲线，确定各用电负荷曲线之间的DTW距离；基于所述DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别；根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日中目标时段的可控负荷预测结果。通过上述基于电力数据的可控负荷预测方法，直接使用用户的历史负荷数据进行预测和聚类，使预测结果更加贴近实际情况，提高了可控负荷结果预测的准确性。
实施例二
图2是本申请实施例二提供的基于电力数据的可控负荷预测方法的流程示意图。如图2所示，具体包括如下步骤：
S201，根据采集频率获取各预设时间点的历史用电负荷数据。
采集频率可以是指用于记录或测量用电负荷数据的时间间隔。决定了在一段时间内获取多少次数据。本方案中，可以设置每15min采集一次历史用电负荷数据。
预设时间点可以是希望获取历史用电负荷数据的特定时间点或时间段。本方案中，由于设置每15min采集一次历史用电负荷数据，因此一天可以有96个预设时间点。
针对每个预设时间点，可以设置数据采集***以在该时间点记录用电负荷数据。具体的，可以通过数据采集设备、电表或传感器来完成。
S202，根据各预设时间点的历史用电负荷数据确定用户每天的历史用电负荷曲线。
可以首先收集各预设时间点的历史用电负荷数据，将收集到的历史用电负荷数据按日期和时间排序，并将它们组织成数据表或数据集，对于每一天，将各预设时间点的用电负荷数据汇总在一起。本方案中，可以连接每天的96个数据点绘制当天的历史用电负荷曲线。
S203，将所述历史用电负荷曲线输入用电负荷预测模型，得到预测目标日的用电负荷曲线。
在上述各技术方案的基础上，可选的，将所述历史用电负荷曲线输入用电负荷预测模型，得到预测目标日的用电负荷曲线，包括：
将所述历史用电负荷曲线输入用电负荷预测模型，得到目标日的各预设时间点的用电负荷数据，并根据所述各预设时间点的用电负荷数据确定目标日的用电负荷曲线。
本方案中，可以将目标日的日期和时间戳输入已经训练好的预测模型中。模型将生成目标日各预设时间点的用电负荷预测数据。然后根据模型生成的各预设时间点的用电负荷数据，还原目标日的用电负荷曲线，具体的，可以通过将数据点连接起来或使用插值方法来实现。
本方案中，通过根据各预设时间点的历史用电负荷数据确定每天的历史用电负荷数据，可以使得生成的每天的历史用电负荷曲线更加精准。同时，当之后需要获取目标时段的可控负荷预测结果时，更精细的预设时间点的划分能更提高目标时段的选择的灵活性。
在上述各技术方案的基础上，可选的，基于预测目标日的用电负荷曲线以及预设时段内用户每天的历史用电负荷曲线，确定各用电负荷曲线之间的DTW距离，包括：
将所述目标日的各预设时间点对应的用电负荷曲线与预设时段内用户每天的各预设时间点对应的历史用电负荷曲线合并为样本数据，计算样本数据中各用电负荷曲线之间的第一距离，并构建第一距离矩阵；
根据所述第一距离矩阵确定样本数据中各用电负荷曲线之间的DTW距离。
本方案中，样本数据可以是一个包含多个样本的数据集。本方案中，样本数据中的每个样本可以是由各预设时间点的用电负荷数据组成的集合，由于本方案历史用电负荷数据可以是过去一年的历史数据，而样本数据又是由历史用电负荷数据以及目标日的用电负荷数据组成的，因此样本数据中可以包含366个集合。
第一距离可以是用于度量两个用电负荷数据集合之间的相似性或差异性的距离度量。为了计算样本数据中各用电负荷数据之间的第一距离，需要对每对样本进行距离计算。对于每对样本A和B，使用选定的第一距离度量方法来计算它们之间的距离。然后将距离值填充到矩阵中的相应位置得到第一距离矩阵。
本方案中，表1是本申请实施例二提供的两样本数据间的第一距离数据表，如表1所示，可以对任意两个样本数据对应的向量Xa＝{a1，a2，a3，…，a96}，Xb＝{b1，b2，b3，…，b96}，用欧式距离计算出这两个序列间每两点之间的距离得到D(ai，bj)，其中1≤i≤m，1≤j≤n。然后将样本中的数据都使用此方法进行第一距离的计算，计算完成后，将第一距离填充至矩阵中的相应位置得到第一距离矩阵。
表1
当得到两样本数据间的第一距离数据后，可以计算从D(a1，b1)到D(a96，b96)的最短路径。最短路径计算过程中，需要满足的条件为假如当前节点是D(ai，bj)，那么下一个节点必须是在D(ai+1，bj)，D(ai，bj+1)，D(ai+1，bj+1)之间选择最小的一个。最终再次从起点到终点，计算最短累计距离。并按照此方法对样本数据中各用电负荷数据进行计算，填充到数据库表对应的位置当中，得到DTW距离。
本方案中，通过计算DTW距离，可以处理样本数据的不规则性和变化，提高后续将历史用电负荷曲线分类以及寻找目标日的用电负荷曲线对应的类别的效率和准确性。
S204，确定目标日的用电负荷曲线与预设时段内用户每天的历史用电负荷曲线之间的DTW距离。
S205，基于所述DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别。
S206，根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日中目标时段的可控负荷预测结果。
在上述各技术方案的基础上，可选的，根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日中目标时段的可控负荷预测结果，包括：
根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日的各预设时间点的可控负荷数据；
根据所述各预设时间点的可控负荷数据确定所述目标日中目标时段的可控负荷预测结果。
本方案中，各预设时间点的可控负荷数据指的是在目标日的不同时间点上，根据用电负荷曲线和同一类别中的历史用电负荷曲线的节点参数计算得出的可控负荷值。
本方案中，由于每隔15min为一个预设时间点，则可以计算目标日用电负荷每个15min数据与同一类别中历史负荷的平均值或最小值间的差值获得每15min的可控负荷数据。
由于得到了各预设时间点的可控负荷数据，可以根据需求得到目标日任意时间段的总可控负荷预测结果。设目标时段为ab，则可控负荷预测结果可以通过如下公式进行计算：
Pab＝Pa+Pa+1+Pa+2+…+Pb—1+Pb；
本方案中，通过计算各预设时间点的可控负荷数据，可以更灵活的选择确定可控负荷预测结果的时间段，并且可以更准确的得到此时间段的可控负荷预测结果。
本实施例中，通过根据各预设时间点的历史用电负荷数据确定每天的历史用电负荷数据，可以使得生成的每天的历史用电负荷曲线更加精准。同时，当之后需要获取目标时段的可控负荷预测结果时，更精细的预设时间点的划分能更提高目标时段的选择的灵活性。
实施例三
图3是本申请实施例三提供的基于电力数据的可控负荷预测装置的结构示意图。如图3所示，具体包括如下：
获取模块301，用于获取预设时段内用户每天的历史用电负荷曲线；
预测模块302，用于将所述历史用电负荷曲线输入用电负荷预测模型，得到预测目标日的用电负荷曲线；
计算模块303，用于基于预测目标日的用电负荷曲线以及预设时段内用户每天的历史用电负荷曲线，确定各用电负荷曲线之间的DTW距离；
层次聚类模块304，用于基于所述DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别；
预测结果确定模块305，用于根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日中目标时段的可控负荷预测结果。
进一步的，所述获取模块用于：
根据采集频率获取各预设时间点的历史用电负荷数据；
根据各预设时间点的历史用电负荷数据确定用户每天的历史用电负荷曲线。
进一步的，所述预测模块用于：
将所述历史用电负荷曲线输入用电负荷预测模型，得到目标日的各预设时间点的用电负荷数据，并根据所述各预设时间点的用电负荷数据确定目标日的用电负荷曲线。
进一步的，所述计算模块用于：
将所述目标日的各预设时间点的用电负荷数据与预设时段内用户每天的各预设时间点对应的历史用电负荷数据合并为样本数据，计算样本数据中各用电负荷数据之间的第一距离，并构建第一距离矩阵；
根据所述第一距离矩阵确定样本数据中各用电负荷数据之间的DTW距离。
进一步的，所述层次聚类模块用于：
对所述DTW距离进行归一化，根据预设的层次聚类算法对归一化后的DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别。
进一步的，所述预测结果确定模块用于：
根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日中目标时段的可控负荷预测结果。
在本申请实施例中，获取模块，用于获取预设时段内用户每天的历史用电负荷曲线；预测模块，用于将所述历史用电负荷曲线输入用电负荷预测模型，得到预测目标日的用电负荷曲线；计算模块，用于基于预测目标日的用电负荷曲线以及预设时段内用户每天的历史用电负荷曲线，确定各用电负荷曲线之间的DTW距离；层次聚类模块，用于基于所述DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别；预测结果确定模块，用于根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日中目标时段的可控负荷预测结果。通过上述基于电力数据的可控负荷预测装置，直接使用用户的历史负荷数据进行预测和聚类，使预测结果更加贴近实际情况，提高了可控负荷结果预测的准确性。
本申请实施例中的基于电力数据的可控负荷预测装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的基于电力数据的可控负荷预测装置可以为具有操作***的装置。该操作***可以为安卓(Android)操作***，可以为ios操作***，还可以为其他可能的操作***，本申请实施例不作具体限定。
本申请实施例提供的基于电力数据的可控负荷预测装置能够实现上述各方法实施例实现的各个过程，为避免重复，这里不再赘述。
实施例四
如图4所示，本申请实施例还提供一种电子设备400，包括处理器401，存储器402，存储在存储器402上并可在所述处理器401上运行的程序或指令，该程序或指令被处理器401执行时实现上述基于电力数据的可控负荷预测装置实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
实施例五
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述基于电力数据的可控负荷预测装置实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
实施例六
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述基于电力数据的可控负荷预测装置实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为***级芯片、***芯片、芯片***或片上***芯片等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。
Claims (10)
1.一种基于电力数据的可控负荷预测方法，其特征在于，所述方法包括：
获取预设时段内用户每天的历史用电负荷曲线；
将所述历史用电负荷曲线输入用电负荷预测模型，得到预测目标日的用电负荷曲线；
基于预测目标日的用电负荷曲线以及预设时段内用户每天的历史用电负荷曲线，确定各用电负荷曲线之间的DTW距离；
基于所述DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别；
根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日中目标时段的可控负荷预测结果。
2.根据权利要求1所述的基于电力数据的可控负荷预测方法，其特征在于，获取预设时段内用户每天的历史用电负荷曲线，包括：
根据采集频率获取各预设时间点的历史用电负荷数据；
根据各预设时间点的历史用电负荷数据确定用户每天的历史用电负荷曲线。
3.根据权利要求2所述的基于电力数据的可控负荷预测方法，其特征在于，将所述历史用电负荷曲线输入用电负荷预测模型，得到预测目标日的用电负荷曲线，包括：
将所述历史用电负荷曲线输入用电负荷预测模型，得到目标日的各预设时间点的用电负荷数据，并根据所述各预设时间点的用电负荷数据确定目标日的用电负荷曲线。
4.根据权利要求3所述的基于电力数据的可控负荷预测方法，其特征在于，基于预测目标日的用电负荷曲线以及预设时段内用户每天的历史用电负荷曲线，确定各用电负荷曲线之间的DTW距离，包括：
将所述目标日的各预设时间点的用电负荷数据与预设时段内用户每天的各预设时间点对应的历史用电负荷数据合并为样本数据，计算样本数据中各用电负荷数据之间的第一距离，并构建第一距离矩阵；
根据所述第一距离矩阵确定样本数据中各用电负荷数据之间的DTW距离。
5.根据权利要求1所述的基于电力数据的可控负荷预测方法，其特征在于，基于所述DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别，包括：
对所述DTW距离进行归一化，根据预设的层次聚类算法对归一化后的DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别。
6.根据权利要求3所述的基于电力数据的可控负荷预测方法，其特征在于，根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日中目标时段的可控负荷预测结果，包括：
根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日的各预设时间点的可控负荷数据；
根据所述各预设时间点的可控负荷数据确定所述目标日中目标时段的可控负荷预测结果。
7.一种基于电力数据的可控负荷预测装置，其特征在于，所述装置包括：
获取模块，用于获取预设时段内用户每天的历史用电负荷曲线；
预测模块，用于将所述历史用电负荷曲线输入用电负荷预测模型，得到预测目标日的用电负荷曲线；
计算模块，基于预测目标日的用电负荷曲线以及预设时段内用户每天的历史用电负荷曲线，确定各用电负荷曲线之间的DTW距离；
层次聚类模块，用于基于所述DTW距离进行层次聚类，并确定所述目标日的用电负荷曲线所对应的类别；
预测结果确定模块，用于根据所述目标日的用电负荷曲线，以及同一类别中的历史用电负荷曲线的节点参数，确定所述目标日中目标时段的可控负荷预测结果。
8.根据权利要求7所述的基于电力数据的可控负荷预测装置，其特征在于，所述获取模块用于：
根据采集频率获取各预设时间点的历史用电负荷数据；
根据各预设时间点的历史用电负荷数据确定用户每天的历史用电负荷曲线。
9.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-6中任一项所述的基于电力数据的可控负荷预测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-6中任一项所述的基于电力数据的可控负荷预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311329119.9A CN117175584A (zh) | 2023-10-13 | 2023-10-13 | 一种基于电力数据的可控负荷预测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311329119.9A CN117175584A (zh) | 2023-10-13 | 2023-10-13 | 一种基于电力数据的可控负荷预测方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117175584A true CN117175584A (zh) | 2023-12-05 |
Family
ID=88945212
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311329119.9A Pending CN117175584A (zh) | 2023-10-13 | 2023-10-13 | 一种基于电力数据的可控负荷预测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117175584A (zh) |
-
2023
- 2023-10-13 CN CN202311329119.9A patent/CN117175584A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109376971B (zh) | 一种面向电力用户的负荷曲线预测方法及*** | |
| CN110610280A (zh) | 一种电力负荷短期预测方法、模型、装置及*** | |
| CN111241755A (zh) | 电力负荷预测方法 | |
| CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
| CN109034490A (zh) | 一种电力负荷预测方法、装置、设备及存储介质 | |
| CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
| CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
| CN108694472B (zh) | 预测误差极值分析方法、装置、计算机设备和存储介质 | |
| CN116894687A (zh) | 一种基于机器学习的用电量分析方法及***、电子设备 | |
| CN112348220A (zh) | 一种基于企业行为模式的信用风险评估预测方法及*** | |
| CN116049765A (zh) | 数据分析处理方法、装置及设备 | |
| CN113610575B (zh) | 一种产品销量的预测方法及预测*** | |
| CN117175584A (zh) | 一种基于电力数据的可控负荷预测方法、装置及设备 | |
| Majidpour | Time series prediction for electric vehicle charging load and solar power generation in the context of smart grid | |
| CN114549233A (zh) | 基于lgb算法与arima算法相结合的流动人口预测方法 | |
| CN115130924A (zh) | 一种源网荷储背景下微电网电力设备资产评估方法及*** | |
| Xiao et al. | Enhanced-xgb: An online service resource demand forecasting method for colocation data centers | |
| CN112256735A (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
| CN111027680B (zh) | 基于变分自编码器的监控量不确定性预测方法及*** | |
| Singh et al. | A feature extraction and time warping based neural expansion architecture for cloud resource usage forecasting | |
| FOLORUNSO | Empirical Comparison of Time Series Data Mining Algorithms | |
| CN113361960B (zh) | 一种大规模需求响应能力量化方法、介质、装置及设备 | |
| Mares et al. | An Architecture to Improve Energy-Related Time-Series Model Validity Based on the Novel rMAPE Performance Metric | |
| CN116539994A (zh) | 基于多源时间序列数据的变电站主设备运行状态检测方法 |
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 |