CN117277316B - 一种电力负荷预测方法、***、介质及设备 - Google Patents
一种电力负荷预测方法、***、介质及设备 Download PDFInfo
- Publication number
- CN117277316B CN117277316B CN202311557589.0A CN202311557589A CN117277316B CN 117277316 B CN117277316 B CN 117277316B CN 202311557589 A CN202311557589 A CN 202311557589A CN 117277316 B CN117277316 B CN 117277316B
- Authority
- CN
- China
- Prior art keywords
- data
- historical load
- load
- load prediction
- historical
- 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 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000003595 spectral effect Effects 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008030 elimination Effects 0.000 claims description 12
- 238000003379 elimination reaction Methods 0.000 claims description 12
- 238000006467 substitution reaction Methods 0.000 claims description 12
- 230000001360 synchronised effect Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005624 perturbation theories Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012216 screening 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
Abstract
本发明属于电力负荷预测领域,为了解决现有的没有考虑多种影响因素对负荷的影响的问题,以及负荷的聚类分析中存在聚类不准确的问题,提供了一种电力负荷预测方法、***、介质及设备,包括:基于各种关联影响因素对预处理后的历史负荷数据通过改进的谱聚类算法进行聚类;基于聚类后的历史负荷数据按照时序进行融合;基于融合后的历史负荷数据,利用预先训练好的电力负荷预测模型进行负荷预测,得到电力负荷预测结果。基于影响电力负荷预测的各种关联因素进行历史负荷数据聚类,改进的谱聚类算法使负荷聚类效果更好,在精简了数据量的同时,还提高了电力负荷预测的精度。
Description
技术领域
本发明属于电力负荷预测技术领域,具体涉及一种电力负荷预测方法、***、介质及设备。
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信息,不必然构成在先技术。
关于电力负荷预测的研究很多。根据预测时间范围,主要分为超短期、短期、中期和长期。超短期负荷预测指短于一天的负荷预测,主要用于电力的实时调度和日间调度;短期负荷预测指一天到一周的负荷预测,用于电力***的日间运行,如能源交易和电力***安全研究;中期负荷预测指几周至一年的预测,用于燃料供应调度和基础设施调整;长期负荷预测通常超过一年的预测,用于长期电力***规划。
目前,现有的基于深度学习的关于电力负荷预测的方法多以单一的影响因素进行分析预测,并未考虑综合考虑影响电力负荷各种因素,从而使得电力负荷预测精度不足,此外,即使有考虑多种影响因素的,但是在聚类分析时也存在聚类效果不好,导致的后续电力负荷预测精度不准确的问题。
发明内容
为了解决上述问题,本发明提出了一种电力负荷预测方法、***、介质及设备,本发明基于影响电力负荷预测的各种关联因素进行历史负荷数据聚类,在精简了数据量的同时,还提高了电力负荷预测的精度。
根据一些实施例,本发明的第一方案提供了一种电力负荷预测方法,采用如下技术方案:
一种电力负荷预测方法,包括:
获取历史负荷数据以及对应时刻的各种关联影响因素并进行预处理;
基于各种关联影响因素对预处理后的历史负荷数据通过改进的谱聚类算法进行聚类;所述改进的谱聚类算法基于kantorovich距离的同步回代消除法进行改进;
基于聚类后的历史负荷数据按照时序进行融合,得到融合后的历史负荷数据;
基于融合后的历史负荷数据,利用预先训练好的电力负荷预测模型进行负荷预测,得到电力负荷预测结果;
其中,所述利用预先训练好的电力负荷预测模型进行负荷预测,得到电力负荷预测结果,具体为:
基于聚类后的历史负荷数据提取数据关键特征;
根据数据关键特征进行负荷预测;
得到电力负荷预测结果。
进一步地,所述获取历史负荷数据以及对应时刻的各种关联影响因素并进行预处理,具体为:
获取历史负荷数据以及对应时刻的各种关联影响因素;
对历史负荷数据进行数据补全;
对补全后的历史负荷数据进行归一化处理;
得到预处理后的历史负荷数据。
进一步地,所述历史负荷数据包括设定获取周期内的负荷特征性指标。
进一步地,所述关联影响因素包括环境因素,社会因素以及电力政策。
进一步地,基于各种关联影响因素对预处理后的历史负荷数据通过改进的谱聚类算法进行聚类,具体为:
基于预处理后的历史负荷数据,按照关联影响因素分类;
每个关联影响因素选择一组历史负荷数据;
对每一组历史负荷数据构建相似矩阵;
根据相似矩阵构建相似度矩阵;
计算相似度矩阵的特征值,并按照降序排列;
计算相似度矩阵的本征间隙序列自动确定聚类数据;
计算规范化的拉普拉斯矩阵的特征值,并按升序排列;
选取范化的拉普拉斯矩阵的前k最小特征值对应的特征向量构建特征向量空间,其中,k为整数且大于0;
利用基于kantorovich距离的同步回代消除法对特征向量空间中的数据点进行聚类;
将所得结果映射回原样本集合,得到每一组历史负荷的聚类结果。
进一步地,所述电力负荷预测模型的训练过程,具体为:
获取历史负荷样本数据以及对应时刻的关联影响因素;
计算历史负荷样本数据与对应时刻的关联影响因素的相关度;
保留相关度大于阈值的影响因素数据,作为训练因素数据;
基于历史负荷样本数据以及训练因素数据之间的相关度,训练卷积神经网络模型;
以历史负荷样本数据的分类损失和训练因素数据的分类损失作为总损失,重复训练过程,直到达到收敛条件;
保存起最小损失值时的网络模型作为最终的训练结果。
进一步地,所述基于聚类后的历史负荷数据按照时序进行融合,得到融合后的历史负荷数据,具体为:
获取聚类后的历史负荷数据中的时序标记;
基于时序标记顺序将聚类还走的历史负荷数据进行一一排序;
得到融合后的历史负荷数据。
根据一些实施例,本发明的第二方案提供了一种电力负荷预测***,采用如下技术方案:
一种电力负荷预测***,包括:
数据获取模块,被配置为获取历史负荷数据以及对应时刻的各种关联影响因素并进行预处理;
数据聚类模块,被配置为基于各种关联影响因素对预处理后的历史负荷数据通过改进的谱聚类算法进行聚类;所述改进的谱聚类算法基于kantorovich距离的同步回代消除法进行改进;
数据融合模块,被配置为基于聚类后的历史负荷数据按照时序进行融合,得到融合后的历史负荷数据;
电力负荷预测模块,被配置为基于融合后的历史负荷数据,利用预先训练好的电力负荷预测模型进行负荷预测,得到电力负荷预测结果;
其中,所述利用预先训练好的电力负荷预测模型进行负荷预测,得到电力负荷预测结果,具体为:
基于聚类后的历史负荷数据提取数据关键特征;
根据数据关键特征进行负荷预测;
得到电力负荷预测结果。
根据一些实施例,本发明的第三方案提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的一种电力负荷预测方法中的步骤。
根据一些实施例,本发明的第四方案提供了一种计算机设备。
一种计算机设备,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计算机程序,所述处理器执行所述程序时实现如上述第一个方面所述的一种电力负荷预测方法中的步骤。
与现有技术相比,本发明的有益效果为:
本发明基于影响电力负荷预测的各种关联因素进行历史负荷数据聚类,然后根据聚类后的数据时序进行融合,再基于深度学习模型进行电力负荷预测,在精简了数据量的同时,还提高了电力负荷预测的精度,解决了现有技术中并未考虑综合考虑影响电力负荷各种因素,从而使得电力负荷预测精度不足,而且采用基于kantorovich距离的同步回代消除法对谱聚类算法进行改进,使负荷聚类效果更好,提高后续负荷预测的精度。
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是本发明实施例中一种电力负荷预测方法的流程图。
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,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文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。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
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。
实施例一
如图1所示,本实施例提供了一种电力负荷预测方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和***,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。本实施例中,该方法包括以下步骤:
获取历史负荷数据以及对应时刻的各种关联影响因素并进行预处理;
基于各种关联影响因素对预处理后的历史负荷数据通过改进的谱聚类算法进行聚类;所述改进的谱聚类算法基于kantorovich距离的同步回代消除法进行改进;
基于聚类后的历史负荷数据按照时序进行融合,得到融合后的历史负荷数据;
基于融合后的历史负荷数据,利用预先训练好的电力负荷预测模型进行负荷预测,得到电力负荷预测结果;
其中,所述利用预先训练好的电力负荷预测模型进行负荷预测,得到电力负荷预测结果,具体为:
基于聚类后的历史负荷数据提取数据关键特征;
根据数据关键特征进行负荷预测;
得到电力负荷预测结果。
所述获取历史负荷数据以及对应时刻的各种关联影响因素并进行预处理,具体为:
获取历史负荷数据以及对应时刻的各种关联影响因素;
对历史负荷数据进行数据补全;
对补全后的历史负荷数据进行归一化处理;
得到预处理后的历史负荷数据。
所述历史负荷数据包括设定获取周期内的负荷特征性指标。负荷特征性指标为电力负荷的表征指标。包括最大负荷、最小负荷、平均负荷、负荷率、峰谷差和/或峰谷差率。以设定周期为1天为例,负荷特征性指标包括日最大负荷、日最小负荷、日平均负荷、日负荷率、日峰谷差和/或日峰谷差率。
其中,最大负荷为设定周期内记录的负荷数据中的负荷最大值,最小负荷为设定周期内记录的负荷数据中的负荷最小值,平均负荷为设定周期内用电量的平均值,负荷率为平均负荷与最大负荷的比值(表示负荷分布的均衡性),峰谷差为最大负荷与最小负荷的差值,峰谷差率为峰谷差与最大负荷的比值。
可以理解的是,上述负荷特征性指标只是示例,可以根据具体预测需求选择不同的数据。
所述关联影响因素包括环境因素,社会因素以及电力政策。
具体地,环境因素所获取负荷数据对应时刻温度数据、湿度、降水量、前一刻的温度数据等;社会因素,通过分析用户用电形状特征描述用电行为,从波动点、均值和方差三个维度刻画用电曲线形状。
基于各种关联影响因素对预处理后的历史负荷数据进行聚类,具体为:
基于预处理后的历史负荷数据,按照关联影响因素分类;
每个关联影响因素选择一组历史负荷数据;
对每一组历史负荷数据构建相似矩阵;
根据相似矩阵构建相似度矩阵;
计算相似度矩阵的特征值,并按照降序排列;
计算相似度矩阵的本征间隙序列自动确定聚类数据;
计算规范化的拉普拉斯矩阵的特征值,并按升序排列;
选取范化的拉普拉斯矩阵的前k最小特征值对应的特征向量构建特征向量空间;
利用基于kantorovich距离的同步回代消除法对特征向量空间中的数据点进行聚类;
将所得结果映射回原样本集合,得到每一组历史负荷的聚类结果。
具体的,构建历史负荷数据的相似矩阵具体为:
其中,表示历史负荷数据/>与/>之间的相似度,/>为历史负荷数据与/>之间的欧式距离,/>为控制数据点邻域大小的参数,exp表示以e为底的指数函数。
根据相似矩阵构建相似度矩阵,具体为:
根据相似度矩阵构建规范化的拉普拉斯矩阵,具体为:
其中,E为单位矩阵,D为一组历史负荷的相似矩阵。
根据矩阵摄动理论,将矩阵特征值降序排列后,相邻两特征值的差值称为本征间隙。
通过计算规范化的拉普拉斯矩阵的特征值,并按照其升序排列,选取前k个最小特征值对应的特征向量构造特征向量空间。
同步回代消除法属于启发式场景消减方法,通过迭代计算,每步消减一个场景把那个随之改变其他场景的概率,保证剩余场景概率总始终为1,直至剩余场景数目达到设定数值。
步骤(1):场景消减步骤为:
步骤(2):遍历特征向量空间U中任意两个场景之间的距离,设置所有场景初始概率均为;
综合考虑各场景概率以及任意两场景之间的距离,剔除与其他场景概率距离最近、代表性最差的场景:
其中,为场景/>与场景/>之间的距离,/>为场景/>与场景/>概率权重,/>为场景/>与场景/>概率距离;
步骤(3):更新剩余场景总数,并筛选出与(2)中剔除场景距离最近的场景,
其中,为场景/>与场景/>之间的距离,/>为场景/>与场景/>之间的距离;
步骤(4):更新场景概率为其原概率与被剔除场景的概率之和,以此保证场景消减后的概率总和为1:
其中,为场景/>与场景/>概率距离,/>更新后的场景概率,/>更新前的场景概率。
重复计算步骤(2)、步骤(3)、步骤(4)直至剩余场景数达到聚类数目k值,其中,k为整数且大于0。
所述电力负荷预测模型的训练过程,具体为:
获取历史负荷样本数据以及对应时刻的关联影响因素;
计算历史负荷样本数据与对应时刻的关联影响因素的相关度;
保留相关度大于阈值的影响因素数据,作为训练因素数据;
基于历史负荷样本数据以及训练因素数据之间的相关度,训练卷积神经网络模型;
以历史负荷样本数据的分类损失和训练因素数据的分类损失作为总损失,重复训练过程,直到达到收敛条件;
保存起最小损失值时的网络模型作为最终的训练结果。
所述基于聚类后的历史负荷数据按照时序进行融合,得到融合后的历史负荷数据,具体为:
获取聚类后的历史负荷数据中的时序标记;
基于时序标记顺序将聚类还走的历史负荷数据进行一一排序;
得到融合后的历史负荷数据。
实施例二
本实施例提供了一种电力负荷预测***,包括:
数据获取模块,被配置为获取历史负荷数据以及对应时刻的各种关联影响因素并进行预处理;
数据聚类模块,被配置为基于各种关联影响因素对预处理后的历史负荷数据通过改进的谱聚类算法进行聚类;所述改进的谱聚类算法基于kantorovich距离的同步回代消除法进行改进;
数据融合模块,被配置为基于聚类后的历史负荷数据按照时序进行融合,得到融合后的历史负荷数据;
电力负荷预测模块,被配置为基于融合后的历史负荷数据,利用预先训练好的电力负荷预测模型进行负荷预测,得到电力负荷预测结果;
其中,所述利用预先训练好的电力负荷预测模型进行负荷预测,得到电力负荷预测结果,具体为:
基于聚类后的历史负荷数据提取数据关键特征;
根据数据关键特征进行负荷预测;
得到电力负荷预测结果。
上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的***,可以通过其他的方式实现。例如以上所描述的***实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个***,或一些特征可以忽略,或不执行。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的一种电力负荷预测方法中的步骤。
实施例四
本实施例提供了一种计算机设备,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计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的一种电力负荷预测方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框,以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种电力负荷预测方法,其特征在于,包括:
获取历史负荷数据以及对应时刻的各种关联影响因素并进行预处理;
基于各种关联影响因素对预处理后的历史负荷数据通过改进的谱聚类算法进行聚类;所述改进的谱聚类算法基于kantorovich距离的同步回代消除法进行改进;
基于聚类后的历史负荷数据按照时序进行融合,得到融合后的历史负荷数据;
基于融合后的历史负荷数据,利用预先训练好的电力负荷预测模型进行负荷预测,得到电力负荷预测结果;
其中,所述利用预先训练好的电力负荷预测模型进行负荷预测,得到电力负荷预测结果,具体为:
基于聚类后的历史负荷数据提取数据关键特征;
根据数据关键特征进行负荷预测;
得到电力负荷预测结果;
基于各种关联影响因素对预处理后的历史负荷数据通过改进的谱聚类算法进行聚类,具体为:
基于预处理后的历史负荷数据,按照关联影响因素分类;
每个关联影响因素选择一组历史负荷数据;
对每一组历史负荷数据构建相似矩阵;
根据相似矩阵构建相似度矩阵;
计算相似度矩阵的特征值,并按照降序排列;
计算相似度矩阵的本征间隙序列自动确定聚类数据;
计算规范化的拉普拉斯矩阵的特征值,并按升序排列;
选取范化的拉普拉斯矩阵的前k最小特征值对应的特征向量构建特征向量空间,其中,k为整数且大于0;
利用基于kantorovich距离的同步回代消除法对特征向量空间中的数据点进行聚类;
将所得结果映射回原样本集合,得到每一组历史负荷的聚类结果。
2.如权利要求1所述的一种电力负荷预测方法,其特征在于,所述获取历史负荷数据以及对应时刻的各种关联影响因素并进行预处理,具体为:
获取历史负荷数据以及对应时刻的各种关联影响因素;
对历史负荷数据进行数据补全;
对补全后的历史负荷数据进行归一化处理;
得到预处理后的历史负荷数据。
3.如权利要求1所述的一种电力负荷预测方法,其特征在于,所述历史负荷数据包括设定获取周期内的负荷特征性指标。
4.如权利要求1所述的一种电力负荷预测方法,其特征在于,所述关联影响因素包括环境因素,社会因素以及电力政策。
5.如权利要求1所述的一种电力负荷预测方法,其特征在于,所述电力负荷预测模型的训练过程,具体为:
获取历史负荷样本数据以及对应时刻的关联影响因素;
计算历史负荷样本数据与对应时刻的关联影响因素的相关度;
保留相关度大于阈值的影响因素数据,作为训练因素数据;
基于历史负荷样本数据以及训练因素数据之间的相关度,训练卷积神经网络模型;
以历史负荷样本数据的分类损失和训练因素数据的分类损失作为总损失,重复训练过程,直到达到收敛条件;
保存起最小损失值时的网络模型作为最终的训练结果。
6.如权利要求1所述的一种电力负荷预测方法,其特征在于,所述基于聚类后的历史负荷数据按照时序进行融合,得到融合后的历史负荷数据,具体为:
获取聚类后的历史负荷数据中的时序标记;
基于时序标记顺序将聚类后的历史负荷数据进行一一排序;
得到融合后的历史负荷数据。
7.一种电力负荷预测***,其特征在于,包括:
数据获取模块,被配置为获取历史负荷数据以及对应时刻的各种关联影响因素并进行预处理;
数据聚类模块,被配置为基于各种关联影响因素对预处理后的历史负荷数据通过改进的谱聚类算法进行聚类,所述改进的谱聚类算法基于kantorovich距离的同步回代消除法进行改进;
数据融合模块,被配置为基于聚类后的历史负荷数据按照时序进行融合,得到融合后的历史负荷数据;
电力负荷预测模块,被配置为基于融合后的历史负荷数据,利用预先训练好的电力负荷预测模型进行负荷预测,得到电力负荷预测结果;
其中,所述利用预先训练好的电力负荷预测模型进行负荷预测,得到电力负荷预测结果,具体为:
基于聚类后的历史负荷数据提取数据关键特征;
根据数据关键特征进行负荷预测;
得到电力负荷预测结果;
基于各种关联影响因素对预处理后的历史负荷数据通过改进的谱聚类算法进行聚类,具体为:
基于预处理后的历史负荷数据,按照关联影响因素分类;
每个关联影响因素选择一组历史负荷数据;
对每一组历史负荷数据构建相似矩阵;
根据相似矩阵构建相似度矩阵;
计算相似度矩阵的特征值,并按照降序排列;
计算相似度矩阵的本征间隙序列自动确定聚类数据;
计算规范化的拉普拉斯矩阵的特征值,并按升序排列;
选取范化的拉普拉斯矩阵的前k最小特征值对应的特征向量构建特征向量空间,其中,k为整数且大于0;
利用基于kantorovich距离的同步回代消除法对特征向量空间中的数据点进行聚类;
将所得结果映射回原样本集合,得到每一组历史负荷的聚类结果。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的一种电力负荷预测方法中的步骤。
9.一种计算机设备,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计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一项所述的一种电力负荷预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311557589.0A CN117277316B (zh) | 2023-11-22 | 2023-11-22 | 一种电力负荷预测方法、***、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311557589.0A CN117277316B (zh) | 2023-11-22 | 2023-11-22 | 一种电力负荷预测方法、***、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117277316A CN117277316A (zh) | 2023-12-22 |
CN117277316B true CN117277316B (zh) | 2024-04-09 |
Family
ID=89216411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311557589.0A Active CN117277316B (zh) | 2023-11-22 | 2023-11-22 | 一种电力负荷预测方法、***、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117277316B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117833243B (zh) * | 2024-03-06 | 2024-05-24 | 国网山东省电力公司信息通信公司 | 一种电力短期需求预测方法、***、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400009A (zh) * | 2013-08-07 | 2013-11-20 | 华北电力大学 | 基于***层次半监督谱聚类算法的风电场动态等值方法 |
CN106447091A (zh) * | 2016-09-09 | 2017-02-22 | 国网安徽省电力公司电力科学研究院 | 基于区域气象条件相似度的大电网负荷预测方法 |
CN113128574A (zh) * | 2021-03-31 | 2021-07-16 | 国网河北省电力有限公司电力科学研究院 | 场景缩减方法、装置及终端设备 |
CN113379564A (zh) * | 2021-04-08 | 2021-09-10 | 国网河北省电力有限公司营销服务中心 | 电网负荷预测方法、装置及终端设备 |
CN115526420A (zh) * | 2022-10-19 | 2022-12-27 | 宁波市电力设计院有限公司 | 一种基于外部影响因素关联性的电力负荷预测方法及*** |
CN116186548A (zh) * | 2023-05-04 | 2023-05-30 | 广州三晶电气股份有限公司 | 电力负荷预测模型训练方法及电力负荷预测方法 |
CN116979505A (zh) * | 2023-06-25 | 2023-10-31 | 国网山东省电力公司曲阜市供电公司 | 一种电网短期负荷预测方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10418811B2 (en) * | 2017-09-12 | 2019-09-17 | Sas Institute Inc. | Electric power grid supply and load prediction using cleansed time series data |
CN109214948A (zh) * | 2018-09-25 | 2019-01-15 | 新智数字科技有限公司 | 一种电力***热负荷预测的方法和装置 |
-
2023
- 2023-11-22 CN CN202311557589.0A patent/CN117277316B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400009A (zh) * | 2013-08-07 | 2013-11-20 | 华北电力大学 | 基于***层次半监督谱聚类算法的风电场动态等值方法 |
CN106447091A (zh) * | 2016-09-09 | 2017-02-22 | 国网安徽省电力公司电力科学研究院 | 基于区域气象条件相似度的大电网负荷预测方法 |
CN113128574A (zh) * | 2021-03-31 | 2021-07-16 | 国网河北省电力有限公司电力科学研究院 | 场景缩减方法、装置及终端设备 |
CN113379564A (zh) * | 2021-04-08 | 2021-09-10 | 国网河北省电力有限公司营销服务中心 | 电网负荷预测方法、装置及终端设备 |
CN115526420A (zh) * | 2022-10-19 | 2022-12-27 | 宁波市电力设计院有限公司 | 一种基于外部影响因素关联性的电力负荷预测方法及*** |
CN116186548A (zh) * | 2023-05-04 | 2023-05-30 | 广州三晶电气股份有限公司 | 电力负荷预测模型训练方法及电力负荷预测方法 |
CN116979505A (zh) * | 2023-06-25 | 2023-10-31 | 国网山东省电力公司曲阜市供电公司 | 一种电网短期负荷预测方法及*** |
Non-Patent Citations (2)
Title |
---|
Residential Power Forecasting Based on Affinity Aggregation Spectral Clustering;C. Dinesh, S. Makonin and I. V. Bajić;IEEE Access;20200527;第99431-99444页 * |
俞家珊.基于改进的谱聚类算法和TTLSSA-LSSVM的短期电力负荷预测.中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑.(第03期),第C042-2313页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117277316A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117277316B (zh) | 一种电力负荷预测方法、***、介质及设备 | |
CN108734355B (zh) | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及*** | |
CN112561156A (zh) | 基于用户负荷模式分类的短期电力负荷预测方法 | |
CN109376772B (zh) | 一种基于神经网络模型的电力负荷组合预测方法 | |
CN108694673A (zh) | 一种保险业务风险预测的处理方法、装置及处理设备 | |
CN105184402B (zh) | 一种基于决策树的个性化用户短期负荷预测算法 | |
CN103218675A (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
CN109325631A (zh) | 基于数据挖掘的电动汽车充电负荷预测方法和*** | |
CN116890689B (zh) | 基于车辆识别的充电控制方法、装置、设备及存储介质 | |
CN112487495B (zh) | 基于大数据和云计算的数据处理方法及大数据服务器 | |
CN112330078B (zh) | 用电量预测方法、装置、计算机设备和存储介质 | |
CN114358449A (zh) | 基于图神经网络的电动汽车充电负荷时空分布预测方法 | |
CN109583503A (zh) | 一种可中断负荷预测方法 | |
CN110659930A (zh) | 基于用户行为的消费提质方法、装置、存储介质及设备 | |
CN111932302B (zh) | 一种区域中业务站点数量的确定方法、装置、设备及*** | |
CN116109007B (zh) | 发电功率确定方法、服务器及存储介质 | |
CN113095680A (zh) | 电力大数据模型的评价指标体系与构建方法 | |
CN117495422A (zh) | 基于电力通信网建设的造价管理***及其方法 | |
CN111783827A (zh) | 一种基于负荷数据的企业用户分类方法和装置 | |
Yang et al. | Analysis of electricity consumption behaviors based on principal component analysis and density peak clustering | |
Rouwhorst et al. | Improving clustering-based forecasting of aggregated distribution transformer loadings with gradient boosting and feature selection | |
CN106845763B (zh) | 一种电网可靠性分析方法和装置 | |
Mao et al. | Naive Bayesian algorithm classification model with local attribute weighted based on KNN | |
CN111144652B (zh) | 基于游览舒适度算法和趋势预测方法、***和装置 |
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 |