CN118117577A - 一种负荷预测方法、***、装置及可读存储介质 - Google Patents
一种负荷预测方法、***、装置及可读存储介质 Download PDFInfo
- Publication number
- CN118117577A CN118117577A CN202410097507.7A CN202410097507A CN118117577A CN 118117577 A CN118117577 A CN 118117577A CN 202410097507 A CN202410097507 A CN 202410097507A CN 118117577 A CN118117577 A CN 118117577A
- Authority
- CN
- China
- Prior art keywords
- data
- load prediction
- load
- model
- technology
- 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 86
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 50
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 19
- 238000013079 data visualisation Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000007794 visualization technique Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出的一种负荷预测方法、***、装置及可读存储介质,所述方法包括:收集电力***的运行数据,对数据进行清洗和预处理,以去除噪声和异常值,生成历史数据;利用大数据技术,提取历史数据中与负荷相关的多维度特征,并提取其中的负荷预测相关特征;使用深度学习技术,利用机器学习模型构建负荷预测的神经网络模型,并利用负荷预测相关特征对模型进行训练;实时采集电力***的运行数据,输入到负荷预测的神经网络模型,生成负荷预测结果;通过概率建模和蒙特卡洛模拟方法,管理负荷预测结果中的不确定性。本发明能够提高电力负荷预测的准确性和稳定性,为电力***的运行、计划和管理提供更加可靠和高效的决策依据。
Description
技术领域
本发明涉及电力数据预测分析技术领域,更具体的说是涉及一种负荷预测方法、***、装置及可读存储介质。
背景技术
负荷预测在电力***中扮演着至关重要的角色。是电力***规划和运行的基础,确保电力***在满足用户需求的同时,能够维持稳定、安全和经济的运行。负荷预测的核心是对未来一段时间内的电力需求量进行预测,这涉及到大量的历史数据、天气数据、分产业、经济数据等多种因素。
目前已有的是基于时间序列分析的预测方法。这种方法通过分析历史负荷数据的时间序列特性,建立相应的数学模型,进而预测未来的负荷趋势。时间序列分析可以捕捉到负荷数据中的季节性、趋势性和周期性变化,在负荷预测中具有一定的准确性和实用性。这种方案通常会采用一些经典的时间序列模型,如ARIMA(自回归积分滑动平均模型)等来进行预测。ARIMA模型能够处理非平稳时间序列数据,通过差分操作将其转化为平稳序列,然后建立自回归和滑动平均模型进行预测。这些模型基于对历史数据的统计分析,能够发现数据中的规律,并据此进行未来负荷的预测。
可见,传统的负荷预测方法主要为时间序列方法。通过建立数学模型来预测未来的负荷。但这些方法对于复杂的变化因素和非线性关系处理能力较弱并且时间序列方法主要基于历史负荷数据进行预测,它关注的是数据的时间关联性,即基于过去的模式预测未来。但这种方法可能忽略了其他重要的影响因素,如天气状况、节假日、经济活动等。
另外,传统的时间序列方法对非线性关系的处理能力有限,ARIMA模型主要基于线性关系进行建模和预测。如果时间序列中存在复杂的非线性关系,ARIMA模型可能无法准确捕捉这些关系,就会导致预测精度下降。而且在处理时间序列数据时,对异常值和离群点较为敏感。这些异常数据可能会对模型的参数估计和预测结果产生不良影响,降低模型的稳定性和准确性并且ARIMA模型在进行预测时,通常需要大量的历史数据进行建模和参数估计。如果可用的历史数据较少,可能会导致模型的不稳定或不可靠。ARIMA模型的预测性能在很大程度上取决于模型参数(如自回归阶数、差分阶数和滑动平均阶数)的选择。如果参数选择不当,可能会导致预测效果不佳。
发明内容
针对以上问题,本发明的目的在于提供一种负荷预测方法、***、装置及可读存储介质,能够提高电力负荷预测的准确性和稳定性,为电力***的运行、计划和管理提供更加可靠和高效的决策依据。
本发明为实现上述目的,通过以下技术方案实现:一种负荷预测方法,包括:
收集电力***的运行数据,对数据进行清洗和预处理,以去除噪声和异常值,生成历史数据;
利用大数据技术,提取历史数据中与负荷相关的多维度特征,并通过特征选择技术,提取其中的负荷预测相关特征;
使用深度学习技术,利用机器学习模型构建负荷预测的神经网络模型,并利用负荷预测相关特征对模型进行训练,通过调整模型参数最小化预测误差;
实时采集电力***的运行数据,输入到负荷预测的神经网络模型,生成负荷预测结果;
通过概率建模和蒙特卡洛模拟方法,管理负荷预测结果中的不确定性。
进一步,电力***的运行数据,包括:负荷数据、气象数据、分产业数据和设备状态数据。
进一步,所述对数据进行清洗和预处理,包括:
读取数据,识别数据的量级,并确定是否存在缺失值;
若存在缺失值,判断数据量级是否达到量级阈值;
如果数据量级达到量级阈值,则删除包含缺失值的行;如果未达到量级阈值,该特征的均值、中位数或众数进行缺失值的填充;
使用预设异常值检测方法检测数据的异常值,并将检测出的异常值视为缺失值进行处理;
将读取的数据进行格式统一处理;
识别数据中的差值和不规则波动,并采用数据平滑技术进行处理;
对采集的数据进行差分处理以消除数据的线性趋势。
进一步,所述利用大数据技术,提取历史数据中与负荷相关的多维度特征,并通过特征选择技术,选择其中的负荷预测相关特征,包括:
利用大数据技术,提取历史数据中的历史负荷数据、天气数据、节假日信息等作为特征作为负荷相关的多维度特征,并通过特征选择技术,提取其中的时间维度特征、气象维度特征、节假日维度特征、地理位置特征作为模型的训练数据集。
进一步,所述使用深度学习技术,利用机器学习模型构建负荷预测的神经网络模型,包括:
使用折线图生成与优化技术、折线图分析与识别技术、以及数据可视化方法,利用支持向量机和集成学习模型构建负荷预测的神经网络模型。
进一步,所述通过概率建模和蒙特卡洛模拟方法,管理负荷预测结果中的不确定性,包括:
利用概率建模为每个不确定因素建立概率分布;
利用蒙特卡洛模拟多次抽样生成随机样本,并输入到负荷预测的神经网络模型。
进一步,所述预设异常值检测方法包括:箱线图和3σ原则。
相应的,本发明还公开了一种负荷预测***,包括:
数据收集模块,配置用于收集电力***的运行数据,对数据进行清洗和预处理,以去除噪声和异常值,生成历史数据;
特征提取与选择模块,配置用于利用大数据技术,提取历史数据中与负荷相关的多维度特征,并通过特征选择技术,提取其中的负荷预测相关特征;
模型构建与训练模块,配置用于使用深度学习技术,利用机器学习模型构建负荷预测的神经网络模型,并利用负荷预测相关特征对模型进行训练,通过调整模型参数最小化预测误差;
预测模块,配置用于实时采集电力***的运行数据,输入到负荷预测的神经网络模型,生成负荷预测结果;
管理评估模块,配置用于通过概率建模和蒙特卡洛模拟方法,管理负荷预测结果中的不确定性。
相应的,本发明公开了一种负荷预测装置,包括:
存储器,用于存储负荷预测程序;
处理器,用于执行所述负荷预测程序时实现如上文任一项所述负荷预测方法的步骤。
相应的,本发明公开了一种可读存储介质,所述可读存储介质上存储有负荷预测程序,所述负荷预测程序被处理器执行时实现如上文任一项所述负荷预测方法的步骤。
对比现有技术,本发明有益效果在于:本发明公开了一种负荷预测方法、***、装置及可读存储介质,通过对历史数据、天气数据、分产业、经济数据等多项影响因素的分析,建立相应的数学模型,以预测未来一段时间内的电力负荷需求。本发明通过结合深度学习、大数据分析等技术,实现了高精度、高效率的负荷预测。
本发明综合考虑了多种负荷预测相关因素,如天气、温度、季节变化、分产业、经济状况等,这些因素都会对电力负荷产生影响,从而能够准确地捕捉各种因素与电力负荷之间的关联关系。本发明通过分析历史数据,建立恰当的负荷预测模型用于预测未来负荷,负荷预测模型需要实时更新的能力,能够通过不断引入新的数据和信息,及时调整模型,保持预测的准确性和时效性。
本发明增强了模型的解释性和可调整性,可以更加灵活地适应各种情况和需求。根据特定的负荷预测场景,可以选择合适的模型和方法,结合相关因素进行个性化预测。
本发明可以更好地处理非线性关系,可以使用更复杂的模型和方法,如人工神经网络,来处理这些非线性关系,进一步提高预测精度。
由此可见,本发明与现有技术相比,具有突出的实质性特点和显著的进步,其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1是本发明具体实施方式的方法流程图;
图2是本发明具体实施方式的***结构图。
图中,1、数据收集模块;2、特征提取与选择模块;3、模型构建与训练模块;4、预测模块;5、管理评估模块。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供了一种负荷预测方法,包括如下步骤:
S1:收集电力***的运行数据,对数据进行清洗和预处理,以去除噪声和异常值,生成历史数据。
在具体实施方式中,收集电力***的运行数据时,可采用基于手绘的APP使用图像识别与svg矢量图方式和数据处理算法,将手绘坐标转化为数字数据。由于自动生成的数据可能需要进行数据清洗、去噪和归一化等预处理。可采用一下方法对数据进行清洗和预处理:
1、数据清洗:首先进行数据读取与初步检查,读取数据,并初步了解数据的基本情况,例如数据的量级、是否存在缺失值等。其次,处理缺失值,对于缺失值,如果数据量足够大,可以直接删除包含缺失值的行。如果数据量较小,或者缺失值占比较大,使用该特征的均值、中位数、众数等进行填充。或者使用复杂的插值方法,如K最近邻(KNN)算法或MICE(Multiple Imputation by Chained Equations)算法进行填充。最后处理异常值,异常值检测方法为箱线图和3σ原则。对于异常值,将其视为缺失值进行处理,或者使用一些鲁棒性的算法(如随机森林等)来降低异常值对模型的影响。
2、数据预处理:
(1)数据集成:首先,需要将来自不同源的数据集成到一个统一的***中。这可能涉及到处理不同格式的数据、解决数据中的冲突和冗余等问题。
(2)数据平滑处理:对于负荷数据中的差值和不规则波动,采用数据平滑技术进行处理;
(3)数据差分处理:针对负荷数据中的非平稳性,可以通过差分运算转化为平稳序列。一阶差分可以消除线性趋势,二阶差分可以消除二次趋势,以此类推。
需要特别说明的,电力***的运行数据包括:负荷数据、气象数据、分产业数据和设备状态数据。
S2:利用大数据技术,提取历史数据中与负荷相关的多维度特征,并通过特征选择技术,提取其中的负荷预测相关特征。
在具体实施方式中,利用大数据技术,提取历史数据中的历史负荷数据、天气数据、节假日信息等作为特征作为负荷相关的多维度特征,并通过特征选择技术,提取其中的时间维度特征、气象维度特征、节假日维度特征、地理位置特征作为模型的训练数据集。
S3:使用深度学习技术,利用机器学习模型构建负荷预测的神经网络模型,并利用负荷预测相关特征对模型进行训练,通过调整模型参数最小化预测误差。
在具体实施方式中,使用折线图生成与优化技术、折线图分析与识别技术、以及数据可视化方法,利用支持向量机和集成学习模型构建负荷预测的神经网络模型。
具体的,本步骤通过折线图生成与优化技术、折线图分析与识别技术、以及数据可视化方法进行模型的构建。
折线图生成与优化技术:一种能够自动生成折线图并进行优化的技术。例如,基于自动生成的数据,可以使用数据可视化算法自动生成折线图,并对图形进行美化和调整,也可以手动拖拽画折线图根据坐标获取数据值。
折线图分析与识别技术:一种能够对折线图进行分析和识别的技术。例如,对于自动生成的数据,可以使用机器学习算法对折线图进行关联分析和趋势预测;对于手绘图,可以使用图像处理算法提取关键特征并进行分类和识别。
数据可视化方法:使用svg矢量图可视化方法,将分析数据结果以折线图或其他形式展示在APP中,以便用户能够更好地理解和利用数据。这样的可视化方法能发现数据中的模式、关联性和异常。
S4:实时采集电力***的运行数据,输入到负荷预测的神经网络模型,生成负荷预测结果。
S5:通过概率建模和蒙特卡洛模拟方法,管理负荷预测结果中的不确定性。
在具体实施方式中,在负荷预测结果中,某些因素(如天气)可能具有内在的不确定性,这些不确定性可以用概率分布来表示。首先用概率建模为每个不确定因素建立概率分布,然后用蒙特卡洛模拟多次抽样生成随机样本,并输入到负荷预测的神经网络模型中。
本发明提供了一种基于先进算法和多方面分析的负荷预测方法。主要通过对历史数据、天气数据、分产业、经济数据等多项影响因素的分析,建立相应的数学模型,以预测未来一段时间内的电力负荷需求。该方法结合深度学习、大数据分析等技术,实现高精度、高效率的负荷预测。
如图2所示,本发明还公开了一种负荷预测***,包括:数据收集模块1、特征提取与选择模块2、模型构建与训练模块3、预测模块4和管理评估模块5。
数据收集模块1,配置用于收集电力***的运行数据,对数据进行清洗和预处理,以去除噪声和异常值,生成历史数据。
在具体实施方式中,数据收集模块1具体用于:读取数据,识别数据的量级,并确定是否存在缺失值;若存在缺失值,判断数据量级是否达到量级阈值;如果数据量级达到量级阈值,则删除包含缺失值的行;如果未达到量级阈值,该特征的均值、中位数或众数进行缺失值的填充;使用预设异常值检测方法检测数据的异常值,并将检测出的异常值视为缺失值进行处理;将读取的数据进行格式统一处理;识别数据中的差值和不规则波动,并采用数据平滑技术进行处理;对采集的数据进行差分处理以消除数据的线性趋势。
特征提取与选择模块2,配置用于利用大数据技术,提取历史数据中与负荷相关的多维度特征,并通过特征选择技术,提取其中的负荷预测相关特征。
在具体实施方式中,特征提取与选择模块2具体用于:利用大数据技术,提取历史数据中的历史负荷数据、天气数据、节假日信息等作为特征作为负荷相关的多维度特征,并通过特征选择技术,提取其中的时间维度特征、气象维度特征、节假日维度特征、地理位置特征作为模型的训练数据集。
模型构建与训练模块3,配置用于使用深度学习技术,利用机器学习模型构建负荷预测的神经网络模型,并利用负荷预测相关特征对模型进行训练,通过调整模型参数最小化预测误差。
在具体实施方式中,模型构建与训练模块3具体用于:使用折线图生成与优化技术、折线图分析与识别技术、以及数据可视化方法,利用支持向量机和集成学习模型构建负荷预测的神经网络模型。
预测模块4,配置用于实时采集电力***的运行数据,输入到负荷预测的神经网络模型,生成负荷预测结果。
管理评估模块5,配置用于通过概率建模和蒙特卡洛模拟方法,管理负荷预测结果中的不确定性。
在具体实施方式中,管理评估模块5具体用于:利用概率建模为每个不确定因素建立概率分布;利用蒙特卡洛模拟多次抽样生成随机样本,并输入到负荷预测的神经网络模型。
本实施例的负荷预测***的具体实施方式与上述负荷预测方法的具体实施方式基本一致,在此不再赘述。
本发明还公开了一种负荷预测装置,包括处理器和存储器;其中,所述处理器执行所述存储器中保存的负荷预测程序时实现如上文任一项所述负荷预测方法的步骤。
进一步的,本实施例中的负荷预测装置,还可以包括:
输入接口,用于获取外界导入的负荷预测程序,并将获取到的负荷预测程序保存至所述存储器中,还可以用于获取外界终端设备传输的各种指令和参数,并传输至处理器中,以便处理器利用上述各种指令和参数展开相应的处理。本实施例中,所述输入接口具体可以包括但不限于USB接口、串行接口、语音输入接口、指纹输入接口、硬盘读取接口等。
输出接口,用于将处理器产生的各种数据输出至与其相连的终端设备,以便于与输出接口相连的其他终端设备能够获取到处理器产生的各种数据。本实施例中,所述输出接口具体可以包括但不限于USB接口、串行接口等。
通讯单元,用于在负荷预测装置和外部服务器之间建立远程通讯连接,以便于负荷预测装置能够将镜像文件挂载到外部服务器中。本实施例中,通讯单元具体可以包括但不限于基于无线通讯技术或有线通讯技术的远程通讯单元。
键盘,用于获取用户通过实时敲击键帽而输入的各种参数数据或指令。
显示器,用于运行负荷预测过程的相关信息进行实时显示。
鼠标,可以用于协助用户输入数据并简化用户的操作。
本发明还公开了一种可读存储介质,这里所说的可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动硬盘、CD-ROM或技术领域内所公知的任意其他形式的存储介质。可读存储介质中存储有负荷预测程序,所述负荷预测程序被处理器执行时实现如上文任一项所述负荷预测方法的步骤。
综上所述,本发明能够提高电力负荷预测的准确性和稳定性,为电力***的运行、计划和管理提供更加可靠和高效的决策依据。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的方法而言,由于其与实施例公开的***相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的***、***和方法,可以通过其它的方式实现。例如,以上所描述的***实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,***或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。
同理,在本发明各个实施例中的各处理单元可以集成在一个功能模块中,也可以是各个处理单元物理存在,也可以两个或两个以上处理单元集成在一个功能模块中。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的负荷预测方法、***、装置及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种负荷预测方法,其特征在于,包括:
收集电力***的运行数据,对数据进行清洗和预处理,以去除噪声和异常值,生成历史数据;
利用大数据技术,提取历史数据中与负荷相关的多维度特征,并通过特征选择技术,提取其中的负荷预测相关特征;
使用深度学习技术,利用机器学习模型构建负荷预测的神经网络模型,并利用负荷预测相关特征对模型进行训练,通过调整模型参数最小化预测误差;
实时采集电力***的运行数据,输入到负荷预测的神经网络模型,生成负荷预测结果;
通过概率建模和蒙特卡洛模拟方法,管理负荷预测结果中的不确定性。
2.根据权利要求1所述的负荷预测方法,其特征在于,所述电力***的运行数据,包括:负荷数据、气象数据、分产业数据和设备状态数据。
3.根据权利要求1所述的负荷预测方法,其特征在于,所述对数据进行清洗和预处理,包括:
读取数据,识别数据的量级,并确定是否存在缺失值;
若存在缺失值,判断数据量级是否达到量级阈值;
如果数据量级达到量级阈值,则删除包含缺失值的行;如果未达到量级阈值,该特征的均值、中位数或众数进行缺失值的填充;
使用预设异常值检测方法检测数据的异常值,并将检测出的异常值视为缺失值进行处理;
将读取的数据进行格式统一处理;
识别数据中的差值和不规则波动,并采用数据平滑技术进行处理;
对采集的数据进行差分处理以消除数据的线性趋势。
4.根据权利要求3所述的负荷预测方法,其特征在于,所述利用大数据技术,提取历史数据中与负荷相关的多维度特征,并通过特征选择技术,选择其中的负荷预测相关特征,包括:
利用大数据技术,提取历史数据中的历史负荷数据、天气数据、节假日信息等作为特征作为负荷相关的多维度特征,并通过特征选择技术,提取其中的时间维度特征、气象维度特征、节假日维度特征、地理位置特征作为模型的训练数据集。
5.根据权利要求4所述的负荷预测方法,其特征在于,所述使用深度学习技术,利用机器学习模型构建负荷预测的神经网络模型,包括:
使用折线图生成与优化技术、折线图分析与识别技术、以及数据可视化方法,利用支持向量机和集成学习模型构建负荷预测的神经网络模型。
6.根据权利要求5所述的负荷预测方法,其特征在于,所述通过概率建模和蒙特卡洛模拟方法,管理负荷预测结果中的不确定性,包括:
利用概率建模为每个不确定因素建立概率分布;
利用蒙特卡洛模拟多次抽样生成随机样本,并输入到负荷预测的神经网络模型。
7.根据权利要求3所述的负荷预测方法,其特征在于,所述预设异常值检测方法包括:箱线图和3σ原则。
8.一种负荷预测***,其特征在于,包括:
数据收集模块,配置用于收集电力***的运行数据,对数据进行清洗和预处理,以去除噪声和异常值,生成历史数据;
特征提取与选择模块,配置用于利用大数据技术,提取历史数据中与负荷相关的多维度特征,并通过特征选择技术,提取其中的负荷预测相关特征;
模型构建与训练模块,配置用于使用深度学习技术,利用机器学习模型构建负荷预测的神经网络模型,并利用负荷预测相关特征对模型进行训练,通过调整模型参数最小化预测误差;
预测模块,配置用于实时采集电力***的运行数据,输入到负荷预测的神经网络模型,生成负荷预测结果;
管理评估模块,配置用于通过概率建模和蒙特卡洛模拟方法,管理负荷预测结果中的不确定性。
9.一种负荷预测装置,其特征在于,包括:
存储器,用于存储负荷预测程序;
处理器,用于执行所述负荷预测程序时实现如权利要求1至7任一项权利要求所述的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有负荷预测程序,所述负荷预测程序被处理器执行时实现如权利要求1至7任一项权利要求所述的负荷预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410097507.7A CN118117577A (zh) | 2024-01-23 | 2024-01-23 | 一种负荷预测方法、***、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410097507.7A CN118117577A (zh) | 2024-01-23 | 2024-01-23 | 一种负荷预测方法、***、装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118117577A true CN118117577A (zh) | 2024-05-31 |
Family
ID=91211302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410097507.7A Pending CN118117577A (zh) | 2024-01-23 | 2024-01-23 | 一种负荷预测方法、***、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118117577A (zh) |
-
2024
- 2024-01-23 CN CN202410097507.7A patent/CN118117577A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及*** | |
Li et al. | Trend modeling for traffic time series analysis: An integrated study | |
US9104189B2 (en) | Methods and apparatuses for monitoring energy consumption and related operations | |
Dash et al. | An appliance load disaggregation scheme using automatic state detection enabled enhanced integer programming | |
CN116823496A (zh) | 基于人工智能的智能保险风险评估和定价*** | |
CN116861331A (zh) | 一种融合专家模型决策的数据识别方法及*** | |
CN117236571B (zh) | 一种基于物联网的规划方法和*** | |
CN110837934B (zh) | 一种基于深度学习的智能电网短期住宅负荷预测方法 | |
CN113094448B (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
CN115062087A (zh) | 一种用户画像构建方法、装置、设备和介质 | |
Vieira et al. | An Enhanced Seasonal-Hybrid ESD technique for robust anomaly detection on time series | |
CN117596191A (zh) | 一种电力物联网异常检测方法、装置及存储介质 | |
US20230419195A1 (en) | System and Method for Hierarchical Factor-based Forecasting | |
CN117313015A (zh) | 一种基于时序和多变量的时间序列异常检测方法及*** | |
CN111126629B (zh) | 模型的生成方法、刷单行为识别方法、***、设备和介质 | |
CN111898857A (zh) | 基于BEMD和kmeans电力用户特征分析方法及*** | |
CN118117577A (zh) | 一种负荷预测方法、***、装置及可读存储介质 | |
CN111027771A (zh) | 景区客流量预估方法、***、装置及可存储介质 | |
CN106816871B (zh) | 一种电力***状态相似性分析方法 | |
CN114004408A (zh) | 一种基于数据分析的用户电力负荷预测方法 | |
CN112308338A (zh) | 电力数据处理方法及装置 | |
CN111626887A (zh) | 一种社交关系评估方法及装置 | |
CN117632313B (zh) | 一种基于人工智能的软件驱动处理方法及*** | |
CN116542380B (zh) | 基于自然语言的电厂供应链碳足迹优化方法及装置 | |
CN112115124A (zh) | 一种数据影响度分析方法、装置、电子设备及存储介质 |
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 |