CN107977737B - 基于mxnet框架深度神经网络的配变负荷预测方法 - Google Patents
基于mxnet框架深度神经网络的配变负荷预测方法 Download PDFInfo
- Publication number
- CN107977737B CN107977737B CN201711152207.0A CN201711152207A CN107977737B CN 107977737 B CN107977737 B CN 107977737B CN 201711152207 A CN201711152207 A CN 201711152207A CN 107977737 B CN107977737 B CN 107977737B
- Authority
- CN
- China
- Prior art keywords
- load
- data
- distribution
- prediction
- load prediction
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 230000009466 transformation Effects 0.000 title claims description 36
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000007670 refining Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 38
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000004141 dimensional analysis Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 claims description 3
- 238000005553 drilling Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 239000002356 single layer Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 101150103244 ACT1 gene Proteins 0.000 description 2
- 102100031102 C-C motif chemokine 4 Human genes 0.000 description 2
- 101150078046 act2 gene Proteins 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2358—Change logging, detection, and notification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于mxnet框架深度神经网络的配变负荷预测方法,涉及配变负荷预测方法。目前没有统一的方法对配变进行刻画和描述,工作人员无法对配变进行全面了解,不能精准的预测负荷变化趋势。本发明包括下步骤:获取系统内部数据和外部数据;对获取的数据进行提炼,获取负荷相关指标数据和历史负荷数据;以台区为单位,通过最优组合预测模型、人工神经网络算法,分别拟合负荷中长期负荷预测模型及短期负荷预测模型;针对负荷预测结果及指标维度,提炼与负荷相关的标签体系,构建台区画像视图;通过人机界面显示。本技术方案建立负荷预测评估模型,监测负荷波动,实现预测的连续性,掌握公变重要特性‑负荷动态变化过程,能精准的预测负荷变化趋势。
Description
技术领域
本发明涉及配变负荷预测方法,尤其涉及基于mxnet框架深度神经网络的配变负荷预测方法。
背景技术
电力负荷预测对于电力系统的生产和电网安全运行有着重要的意义,准确的负荷预测是市场环境下编排调度计划、供电计划、交易计划的重要基础。
传统的负荷预测研究往往面临对象偏笼统,数据来源较单一,预测方法偏传统等问题。以往的负荷预测对象往往是一个区域,其负荷数值较大,其个体间的随机关系差异也会被相互抵消,所以出现波动较平稳的情况;数据来源偏单一,以往主要依赖历史负荷数据,或者结合气象数据,通常未考虑到用电用户的因素;预测方法上偏向于较传统的方法,如时间序列法、回归分析法等,都存在一定的缺陷,时间序列法无法考虑气象数据等复杂因素影响下的负荷波动情况,回归分析法存在如何确定合适的回归方程的问题,不能处理气候变量和负荷之间的非平衡暂态;也有通过神经网络算法进行短期负荷预测的研究 ,但受限于计算能力的影响,通常都是单层神经网络,在效果上没有充分发挥机器学习的优势,这些都导致传统的负荷预测方法预测精度不够,准确性经常达到瓶颈而无法突破。
配变所涉及的关联对象众多,数据分散于不同的系统环境,目前没有统一的方法对配变进行刻画和描述,工作人员无法对配变进行全面的了解,以及对于关于配变隐性的特征也无法了解和掌握,不能准确预测负荷变化趋势。
发明内容
本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进,提供基于mxnet框架深度神经网络的配变负荷预测方法,以实现准确预测配变负荷的目的。为此,本发明采取以下技术方案。
基于mxnet框架深度神经网络的配变负荷预测方法,包括以下步骤:
1)获取系统内部数据和外部数据,所述的系统内部数据包括GIS系统数据、PMS2.0、用电采集系统、在线监测系统、营销系统数据,所述的内部数据包括气象、宏观经济数据;
2)对获取的数据进行提炼,获取负荷相关指标数据和历史负荷数据;
3)以台区为单位,通过最优组合预测模型、人工神经网络算法,分别拟合负荷中长期负荷预测模型及短期负荷预测模型;
4)针对负荷预测结果及指标维度,提炼与负荷相关的标签体系,构建台区画像视图;
5)数据通过系统场景应用模块处理后形成对应的负荷特性分析、基于台区的负荷预测及画像体系展示、负荷预测结果多维度分析和负荷预测类标签定制组合分析的数据,并通过人机界面显示。
作为优选技术手段:在步骤3)中,短期负荷预测模型的训练数据从阿里云odps中提取,其中数据的时间跨度为至少1年;并对原始数据分析,判断是否存在问题,对问题进行处理,完成数据的前期清洗工作以为接下来的建模打好基础;问题包括数据有缺失、有异常值、气象数据与负荷数据为非线性关系、负荷与日期相关性不显著、公变属性不一情形多变;当存在数据缺失时,采用插值填补或者均值填充;当存在数据异常时,采用剔除异常值或者更正异常值的方法;当存在气象数据问题时,通过作图观察查阅文献,采用气温数据开方处理;当存在关于负荷-日期关系问题,采用变量拆分分解成月份和星期变量,由于月份和星期为定性变量,需要作哑变量处理;当存在公变类型多样问题,采用公变聚类和专家意见方法,对公变分类,一类公变一类模型预测。
作为优选技术手段:建模过程中,采用3层神经网络多节点的参数设置,以提高了模型的预测能力和泛化能力,同时又保证了模型的性能,在神经网络中,采用平方误差训练模型。
作为优选技术手段:建模过程中,针对配网负荷短期预测,基于MXNET深度学习框架,采用深度神经网络方法进行分析建模;从公变基础信息、历史负荷数据、气象数据以及配变下辖用户信息四个维度构建特征工程,并由此分类,根据不同的类,经过筛选,选择合适的变量,进行适当处理,即为模型的输入层神经元,模型的输出神经元为当天的平均负荷。
作为优选技术手段:对全部公变按照公变属性分为多个不同的类别,每个类别里,以预测未来1-5天的负荷为目的,建立多个预测模型。
作为优选技术手段:短期负荷预测模型结果,应用于基于阿里云大数据平台进行部署应用;阿里云将各业务系统的数据同步至ODPS离线数据库中,ODPS中有每天同步更新的模型使用的原始数据,并做数据清理的操作,包括根据地域远近填充气象数据;通过在ECS服务器中安装R及MXNet环境,通过JDBC数据接口将数据读入到R中,在R中对原始数据进行缺失值填补、异常值剔除、变量转换及生成操作,最终得到可输入模型的格式,利用上述训练好的模型进行预测;将预测结果写入RDS数据库中,供业务系统调用及展示,实现对配网公变的短期负荷情况进行即时预测。
作为优选技术手段:系统场景模块包括负荷特性分析模块、基于公变的负荷预测及台区画像展示模块,负荷预测结果多维度分析模块,负荷预测类标签定制组合分析模块:
负荷特性分析模块:根据配网公变台区的历史用电负荷数据,对台区群体进行聚类识别出用电负荷行为模式一致或相近的群组,根据分类的结果对负荷特性划分为多个群组,包括后峰型、避峰型、高峰型,用于分析不同负荷特性群里之间的差异、查看每个群体内包含的所有台区,以及从多个维度查看具有该特征的台区组合;
基于公变的负荷预测及台区画像展示模块:通过对公变短期日负荷预测及台区画像相结合,既能对台区的负荷进行短期预测,也能通过对影响负荷的各因素进行总结,从而得到该台区的画像,从而实现对台区的全面综合了解,为以负荷预测结果做决策而提供更多的信息和参考;
负荷预测结果多维度分析模块:负荷预测结果结合其他多维度分析,通过下钻操作进行进一步探索分析,通过不同维度的负荷预测情况进行洞察,进行深层次分析,发现负荷变动规律,发现区域差异性,负荷预测随电压等级分析,定位各电压等级差异性,负荷预测随其他标签的分布特征,并能通过观察同一个维度上负荷预测的结果,进行特征分析;负荷变动规律包括负荷预测随县、区供电单位的分布规律;
负荷预测类标签定制组合分析模块:以台区为对象的标签,结合负荷预测主题目的,通过指定的有明显意义标签组合,筛选出具有这些特征的台区,发现各群体间的规律和特征。
作为优选技术手段:在步骤4)中,围绕配网公变变压器,以配变负荷预测为目的,基于当前GIS系统数据、PMS2.0、用电采集系统、在线监测系统、营销系统业务系统数据及部分外部数据,根据经验和专家方法、以及数据关联,提炼可能影响负荷的指标,构建标签体系,分析标签之间的归属与关联关系,利用负荷预测结果数据,最终形成立体、多维度的画像体系。
作为优选技术手段:配网公变画像以单个公变为研究对象,通过对变压器自身基本属性、运行属性以及所处环境属性数据的处理结合负荷预测结果构建标签体系,根据设备不同特性对每台公变形成具体画像,以为公变设备状态评价提供依据,有助于采取措施,保障设备安全稳定运行。
作为优选技术手段:配网公变画像围绕公变形成,通过对公变属性、环境、运行特性以及预测负荷结果多方数据的研究,建立标签体系,针对不同特性的公变,生成对应公变画像。从配变基本属性、运行属性、气象信息、下辖用户信息四个维度构建标签体系,并生成相应标签;并通过系统场景应用模块对配变进行全景画像展示,并实现画像查询及标签组合分析。
有益效果:本技术方案使生产管控人员能及时掌握和深入探索配网公变的负荷预测情况和影响因素,辅助合理安排调度计划、大修计划,提高安全监视、预防性控制水平,保证配网公变设备的安全稳定运行。
1)基于建立负荷预测评估模型,并固化。能够监测负荷波动,实现预测的连续性,掌握公变重要特性-负荷动态变化过程。以配网公变为对象的科学精准负荷预测,相较于传统的线性回归或单层的神经网络,准确率得到大幅提升——经实际验证,该预测模型准确率较传统线性模型准确率提升10%以上,较传统单层神经网络提升5%以上,并能精准的预测负荷变化趋势。
2)构建基于配网公变台区的负荷预测主题全景视图画像体系。运用负荷预测结果结合公变基本 、运行、环境属性生成全省范围内单个公变的标签,形成对公变多维度描述,通过标签生成画像立体直观洞察公变状态,及时监测设备风险。
3)建立配网公变标签库,实现配网公变台区负荷预测结果及画像视图的管理和应用。实现对公变的状态展示,及时收集公变维护现场信息反馈,掌握公变动态形成风险预警。
4)融合多源数据,促进数据共享,提高数据利用价值。
附图说明
图1是本发明流程图。
图2是本发明的短期负荷情况预测原理框图。
具体实施方式
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1所示:本发明包括以下步骤:
1)获取系统内部数据和外部数据,所述的系统内部数据包括GIS系统数据、PMS2.0、用电采集系统、在线监测系统、营销系统数据,所述的内部数据包括气象、宏观经济数据;
2)对获取的数据进行提炼,获取负荷相关指标数据和历史负荷数据;
3)以台区为单位,通过最优组合预测模型、人工神经网络算法,分别拟合负荷中长期负荷预测模型及短期负荷预测模型;
4)针对负荷预测结果及指标维度,提炼与负荷相关的标签体系,构建台区画像视图;
5)数据通过系统场景应用模块处理后形成对应的负荷特性分析、基于台区的负荷预测及画像体系展示、负荷预测结果多维度分析和负荷预测类标签定制组合分析的数据,并通过人机界面显示。
本技术方案基于配网台区负荷预测的应用需求,构建负荷预测模型及台区画像视图建设。利用GIS系统数据、PMS2.0、用电采集系统、在线监测系统、营销系统等系统内数据,以及气象、宏观经济等外部数据,提炼与负荷相关指标数据,及历史负荷数据。以台区为单位,通过最优组合预测模型、人工神经网络等算法,分别拟合负荷中、长期负荷预测模型及短期负荷预测模型。并针对负荷预测结果及指标维度,提炼与负荷相关的标签体系,构建台区画像视图。以“负荷特性分析”、“基于台区的负荷预测及画像体系展示”、“负荷预测结果多维度分析”和“负荷预测类标签定制组合分析”为应用方向。基于上述研究成果,建立标签库管理及应用平台,固化配网台区负荷预测主题标签和应用功能,开发标签管理及应用平台与在线监测系统、配网管控系统、GIS系统、营销系统的接口,实现配网公变台区负荷画像信息和分析结果的推送,为台区负荷预测提供更多参考依据和数据基础。
为了提高预测的准确性,在本实施例中,短期负荷预测模型的训练数据从阿里云odps中提取,其中数据的时间跨度为2年。经过对原始数据分析,发现存在较多问题:数据有缺失,有异常值;气象数据与负荷数据为非线性关系;负荷与日期相关性不显著;公变属性不一情形多变导致单一模型预测误差大等。关于数据缺失问题,采用插值填补或者均值填充等手段;关于数据异常问题,采用剔除异常值或者更正异常值等方法;关于气象数据问题,通过作图观察查阅文献,采用气温数据开方处理;关于负荷-日期关系问题,采用变量拆分分解成月份和星期变量,又考虑到月份和星期为定性变量,需要作哑变量处理;关于公变类型多样的问题,采用公变聚类和专家意见等方法,对公变分类,一类公变一类模型预测。通过插值填补数据,剔除异常值等一些操作,完成数据的前期清洗工作,为接下来的建模打好基础。
建模过程中,与传统神经网络不同,本实施例采用了3层神经网络多节点的参数设置,进一步提高了模型的预测能力和泛化能力,同时又保证了模型的性能。另外,本实施例选用了时下流行的MXnet框架——MXnet框架具有完整的多语言前端,后端类似编译器,做这种内存和执行优化;应用场景从分布式训练到移动端部署都覆盖;整个系统全部模块化,有极小的编译依赖,非常适合快速开发。
短期负荷预测模型结果,应用于基于阿里云大数据平台进行部署应用。如图2所示,阿里云将各业务系统的数据同步至ODPS离线数据库中,ODPS中有每天同步更新的模型使用的原始数据,并做一些简单数据清理的操作,如根据地域远近填充气象数据等。通过在ECS服务器中安装R及MXNet环境,通过JDBC数据接口将数据读入到R中,在R中对原始数据进行缺失值填补、异常值剔除、变量转换及生成等操作,最终得到可输入模型的格式,利用上述训练好的模型进行预测。将预测结果写入RDS数据库中,供业务系统调用及展示,实现对配网公变的短期负荷情况进行即时预测,为电力调度及电网维护提供有效帮助。
系统的场景应用模块有:负荷特性分析,基于公变的负荷预测及台区画像展示,负荷预测结果多维度分析,负荷预测类标签定制组合分析。具体为:
负荷特性分析模块:根据配网公变台区的历史用电负荷数据,对台区群体进行聚类识别出用电负荷行为模式一致或相近的群组,根据分类的结果对负荷特性划分为多个群组,如后峰型、避峰型、高峰型等。一是可以分析不同负荷特性群里之间的差异,二是可以查看每个群体内包含的所有台区,以及从多个维度查看具有该特征的台区组合,如高峰型共包括12个台区,主要包含在10kV且2000kVA。
基于公变的负荷预测及台区画像展示模块:通过对公变短期日负荷预测及台区画像相结合,既可以对台区的负荷进行短期预测,也能通过对影响负荷的各因素进行总结,从而得到该台区的画像。从而实现对台区的全面综合了解,为以负荷预测结果做决策而提供更多的信息和参考。
负荷预测结果多维度分析模块:负荷预测结果结合其他多维度分析,可以通过下钻操作进行进一步探索分析,通过不同维度的负荷预测情况进行洞察,进行深层次分析,发现负荷变动规律。比如负荷预测随县、区供电单位的分布分析。发现区域差异性;负荷预测随电压等级分析。定位各电压等级差异性;负荷预测随其他标签的分布特征。通过观察同一个维度上负荷预测的结果,进行特征分析。
负荷预测类标签定制组合分析模块:以台区为对象的标签,结合负荷预测主题目的,通过指定的有明显意义标签组合,能够筛选出具有这些特征的台区,能够发现各群体间的规律和特征。
为了更好理解技术方案,以下从负荷预测及配变全景画像两方面,进行进一步的说明:
1.负荷预测建模设计
(1)建模思路
针对配网负荷短期预测,基于MXNET深度学习框架,采用深度神经网络方法进行分析建模。从公变基础信息、历史负荷数据(包括自然日期信息)、气象数据以及配变下辖用户信息四个维度构建特征工程,并由此分类,根据不同的类,经过筛选,选择合适的变量,进行适当处理,即为模型的输入层神经元。模型的输出神经元为当天的平均负荷。
根据实际情况,对公变属性进行分类,例如可对全省全部公变按照公变属性分为8个不同的类别,每个类别里,以预测未来1-5天的负荷为目的,建立5个预测模型。即技术方案同建立40个子模型。
维度 | 指标 |
公变基础信息 | 电压等级、使用年限、受电容量等 |
历史负荷数据 | 过去一个月、上月同期、去年同期等 |
气象数据 | 温度、湿度、风力等 |
下辖用户信息 | 下辖用户数、用户类型、用户容量等 |
(2)公变分类
不同的公变其属性差异较大,因此很难用一套模型对所有的公变进行预测且获得较好的准确率。故在前期数据分析及业务专家讨论的基础上,按照公变属性,对公变分为8个差异较大的类别。
(3)模型建立
数据清洗。利用R的dplyr包,按照思路,对数据进行数据处理。采用深度深度神经网络算法作为预测算法,基于MXNET深度学习框架训练模型。mxnet提供 “Symbol”的系统,从而使我们可以定义结点之间的连接方式与激活函数等参数。在神经网络中,回归与分类的差别主要在于输出层的损失函数。本实施例中使用平方误差来训练模型,选用3层神经网络作为模型进行预测。
【示例】
data <- mx.symbol.Variable("data") # 定义输入数据
fc1 <- mx.symbol.FullyConnected(data, num_hidden = 18, name = "fc1")
act1 <- mx.symbol.Activation(fc1, act_type = "relu", name = "relu1")
fc2 <- mx.symbol.FullyConnected(act1, num_hidden = 5, name = "fc2")
act2 <- mx.symbol.Activation(fc2, act_type = "relu", name = "relu2")
fc3 <- mx.symbol.FullyConnected(act2, num_hidden = 1, name = "fc3")
mlp <- mx.symbol.LinearRegressionOutput(fc3, name = "mlp")
# FullyConnected完整连接的隐藏层
# data: 输入源 # num_hidden: 该层的节点数
定义了神经网络之后,使用mx.model.FeedForward.create进行训练,得到模型。
mx.set.seed(0)
model <- mx.model.FeedForward.create(
mlp, X = train.x, y = train.y,
eval.data = list(data = test.x, label = test.y),
ctx = mx.cpu(), num.round = 60, array.batch.size = 120,
learning.rate = 2e-6, momentum = 0.9, eval.metric =mx.metric.rmse)
# ctx - 进行训练的硬件(CPU还是GPU)
#eval.data - 过程中使用的验证集
# learning.rate - 学习率值
# array.batch.size - 用于阵列训练的批量大小
# num.round - 训练模型的迭代次数
(4)模型结果
取全省自2016-01-01以来的历史负荷数据,以及天气数据,预测第3天的平均负荷作为输入,应用模型进行预测。测试时,我们取了2017-01-01之前的部分数据作为训练集,2017-01-01之后的数据作为测试集,训练结果准确率为89.7%。而相同条件下,使用传统单层神经网络,训练结果准确率为84.5%。使用深度学习,预测准确率提升了5.2%。
2.配网公变画像设计
围绕配网公变变压器,以配变负荷预测为目的,基于当前GIS系统数据、PMS2.0、用电采集系统、在线监测系统、营销系统等业务系统数据及部分外部数据,根据经验和专家方法、以及数据关联,提炼可能影响负荷的指标,构建标签体系,分析标签之间的归属与关联关系,利用负荷预测结果数据,最终形成立体、多维度的画像体系。
(1)研究对象及目的
配网公变画像以单个公变为研究对象,通过对变压器自身基本属性、运行属性以及所处环境属性数据的处理结合负荷预测结果构建标签体系,根据设备不同特性对每台公变形成具体画像,为公变设备状态评价提供依据,有助于采取措施,保障设备安全稳定运行。
(2)研究思路
配网公变画像围绕公变形成,通过对公变属性、环境、运行特性以及预测负荷结果多方数据的研究,建立标签体系,针对不同特性的公变,生成对应公变画像。
(3)标签体系
从配变基本属性、运行属性、气象信息、下辖用户信息四个维度构建标签体系,并生成相应标签。
(4)画像展示及应用
对配变进行全景画像展示,并实现画像查询及标签组合分析。
以上图1、图2所示的基于mxnet框架深度神经网络的配变负荷预测方法是本发明的具体实施例,已经体现出本发明突出的实质性特点和显著进步,可根据实际的使用需要,在本发明的启示下,对其进行等同修改,均在本方案的保护范围之列。
Claims (10)
1.基于mxnet框架深度神经网络的配变负荷预测方法,其特征在于包括以下步骤:
1)获取系统内部数据和外部数据,所述的系统内部数据包括GIS系统数据、PMS2.0、用电采集系统、在线监测系统、营销系统数据,所述的外部数据包括气象、宏观经济数据;
2)对获取的数据进行提炼,获取负荷相关指标数据和历史负荷数据;
3)以台区为单位,通过最优组合预测模型、人工神经网络算法,分别拟合负荷中长期负荷预测模型及短期负荷预测模型;
4)针对负荷预测结果及指标维度,提炼与负荷相关的标签体系,构建台区画像视图;
5)数据通过系统场景应用模块处理后形成对应的负荷特性分析、基于台区的负荷预测及画像体系展示、负荷预测结果多维度分析和负荷预测类标签定制组合分析的数据,并通过人机界面显示。
2.根据权利要求1所述的基于mxnet框架深度神经网络的配变负荷预测方法,其特征在于:在步骤3)中,短期负荷预测模型的训练数据从阿里云odps中提取,其中数据的时间跨度为至少1年;并对原始数据分析,判断是否存在问题,对问题进行处理,完成数据的前期清洗工作以为接下来的建模打好基础;问题包括数据有缺失、有异常值、气象数据与负荷数据为非线性关系、负荷与日期相关性不显著、公变属性不一情形多变;当存在数据缺失时,采用插值填补或者均值填充;当存在数据异常时,采用剔除异常值或者更正异常值的方法;当存在气象数据问题时,通过作图观察查阅文献,采用气温数据开方处理;当存在关于负荷-日期关系问题,采用变量拆分分解成月份和星期变量,由于月份和星期为定性变量,需要作哑变量处理;当存在公变类型多样问题,采用公变聚类和专家意见方法,对公变分类,一类公变一类模型预测。
3.根据权利要求2所述的基于mxnet框架深度神经网络的配变负荷预测方法,其特征在于:建模过程中,采用3层神经网络多节点的参数设置,以提高了模型的预测能力和泛化能力,同时又保证了模型的性能,在神经网络中,采用平方误差训练模型。
4.根据权利要求3所述的基于mxnet框架深度神经网络的配变负荷预测方法,其特征在于:建模过程中,针对配网负荷短期预测,基于MXNET深度学习框架,采用深度神经网络方法进行分析建模;从公变基础信息、历史负荷数据、气象数据以及配变下辖用户信息四个维度构建特征工程,并由此分类,根据不同的类,经过筛选,选择合适的变量,进行适当处理,即为模型的输入层神经元,模型的输出神经元为当天的平均负荷。
5.根据权利要求4所述的基于mxnet框架深度神经网络的配变负荷预测方法,其特征在于:对全部公变按照公变属性分为多个不同的类别,每个类别里,以预测未来1-5天的负荷为目的,建立多个预测模型。
6.根据权利要求5所述的基于mxnet框架深度神经网络的配变负荷预测方法,其特征在于:短期负荷预测模型结果,应用于基于阿里云大数据平台进行部署应用;阿里云将各业务系统的数据同步至ODPS离线数据库中,ODPS中有每天同步更新的模型使用的原始数据,并做数据清理的操作,包括根据地域远近填充气象数据;通过在ECS服务器中安装R及MXNet环境,通过JDBC数据接口将数据读入到R中,在R中对原始数据进行缺失值填补、异常值剔除、变量转换及生成操作,最终得到可输入模型的格式,利用上述训练好的模型进行预测;将预测结果写入RDS数据库中,供业务系统调用及展示,实现对配网公变的短期负荷情况进行即时预测。
7.根据权利要求6所述的基于mxnet框架深度神经网络的配变负荷预测方法,其特征在于:系统场景模块包括负荷特性分析模块、基于公变的负荷预测及台区画像展示模块,负荷预测结果多维度分析模块,负荷预测类标签定制组合分析模块:
负荷特性分析模块:根据配网公变台区的历史用电负荷数据,对台区群体进行聚类识别出用电负荷行为模式一致或相近的群组,根据分类的结果对负荷特性划分为多个群组,包括后峰型、避峰型、高峰型,用于分析不同负荷特性群里之间的差异、查看每个群体内包含的所有台区,以及从多个维度查看具有该特征的台区组合;
基于公变的负荷预测及台区画像展示模块:通过对公变短期日负荷预测及台区画像相结合,既能对台区的负荷进行短期预测,也能通过对影响负荷的各因素进行总结,从而得到该台区的画像,从而实现对台区的全面综合了解,为以负荷预测结果做决策而提供更多的信息和参考;
负荷预测结果多维度分析模块:负荷预测结果结合其他多维度分析,通过下钻操作进行进一步探索分析,通过不同维度的负荷预测情况进行洞察,进行深层次分析,发现负荷变动规律,发现区域差异性,负荷预测随电压等级分析,定位各电压等级差异性,负荷预测随其他标签的分布特征,并能通过观察同一个维度上负荷预测的结果,进行特征分析;负荷变动规律包括负荷预测随县、区供电单位的分布规律
负荷预测类标签定制组合分析模块:以台区为对象的标签,结合负荷预测主题目的,通过指定的有明显意义标签组合,筛选出具有这些特征的台区,发现各群体间的规律和特征。
8.根据权利要求1所述的基于mxnet框架深度神经网络的配变负荷预测方法,其特征在于:在步骤4)中,围绕配网公变变压器,以配变负荷预测为目的,基于当前GIS系统数据、PMS2.0、用电采集系统、在线监测系统、营销系统业务系统数据及部分外部数据,根据经验和专家方法、以及数据关联,提炼可能影响负荷的指标,构建标签体系,分析标签之间的归属与关联关系,利用负荷预测结果数据,最终形成立体、多维度的画像体系。
9.根据权利要求8所述的基于mxnet框架深度神经网络的配变负荷预测方法,其特征在于:配网公变画像以单个公变为研究对象,通过对变压器自身基本属性、运行属性以及所处环境属性数据的处理结合负荷预测结果构建标签体系,根据设备不同特性对每台公变形成具体画像,以为公变设备状态评价提供依据,有助于采取措施,保障设备安全稳定运行。
10.根据权利要求9所述的基于mxnet框架深度神经网络的配变负荷预测方法,其特征在于:配网公变画像围绕公变形成,通过对公变属性、环境、运行特性以及预测负荷结果多方数据的研究,建立标签体系,针对不同特性的公变,生成对应公变画像;
从配变基本属性、运行属性、气象信息、下辖用户信息四个维度构建标签体系,并生成相应标签;并通过系统场景应用模块对配变进行全景画像展示,并实现画像查询及标签组合分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711152207.0A CN107977737B (zh) | 2017-11-19 | 2017-11-19 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711152207.0A CN107977737B (zh) | 2017-11-19 | 2017-11-19 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107977737A CN107977737A (zh) | 2018-05-01 |
CN107977737B true CN107977737B (zh) | 2021-06-08 |
Family
ID=62010510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711152207.0A Active CN107977737B (zh) | 2017-11-19 | 2017-11-19 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977737B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110445629A (zh) * | 2018-05-03 | 2019-11-12 | 佛山市顺德区美的电热电器制造有限公司 | 一种服务器并发量预测方法及装置 |
CN108932530A (zh) * | 2018-06-29 | 2018-12-04 | 新华三大数据技术有限公司 | 标签体系的构建方法及装置 |
CN109086930B (zh) * | 2018-07-27 | 2021-01-22 | 广东电网有限责任公司 | 一种基于电力k线图及深度网络的用户用电行为分析方法 |
CN109240163B (zh) * | 2018-09-25 | 2024-01-02 | 南京信息工程大学 | 用于工业化制造的智能节点及其控制方法 |
CN109521672B (zh) * | 2018-10-22 | 2021-08-13 | 东北大学 | 一种电弧炉供电曲线的智能选取方法 |
CN109726740A (zh) * | 2018-12-05 | 2019-05-07 | 国网浙江省电力公司湖州供电公司 | 一种基于聚类分析的行业用电行为分析方法 |
CN109711437A (zh) * | 2018-12-06 | 2019-05-03 | 武汉三江中电科技有限责任公司 | 一种基于yolo网络模型的变压器部件识别方法 |
CN109842124A (zh) * | 2019-02-26 | 2019-06-04 | 深圳供电局有限公司 | 静止无功发生器控制装置及无功补偿系统 |
CN110533256A (zh) * | 2019-09-05 | 2019-12-03 | 天津华春智慧能源科技发展有限公司 | 一种需求侧供热负荷的预测方法 |
CN112734072A (zh) * | 2019-10-28 | 2021-04-30 | 深圳市中电软件有限公司 | 电力负荷预测方法、系统、终端设备及介质 |
CN110807550B (zh) * | 2019-10-30 | 2023-11-24 | 国网上海市电力公司 | 基于神经网络的配变重过载识别预警方法及终端设备 |
CN110941797B (zh) * | 2019-11-07 | 2023-04-07 | 中信银行股份有限公司 | 基于业务指标的经营指标监控及趋势预测系统 |
CN111090833A (zh) * | 2019-11-21 | 2020-05-01 | 深圳微众信用科技股份有限公司 | 一种数据处理方法、系统及相关设备 |
CN112116205B (zh) * | 2020-08-21 | 2024-03-12 | 国网上海市电力公司 | 针对台区用电特征的画像方法、装置和存储介质 |
CN112036483B (zh) * | 2020-08-31 | 2024-03-15 | 中国平安人寿保险股份有限公司 | 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质 |
CN113327174A (zh) * | 2021-04-19 | 2021-08-31 | 国网河北省电力有限公司电力科学研究院 | 一种配变负荷预测方法 |
CN113191003A (zh) * | 2021-05-08 | 2021-07-30 | 上海核工程研究设计院有限公司 | 一种核电实时数据趋势拟合算法 |
CN113962505A (zh) * | 2021-08-17 | 2022-01-21 | 北京国电通网络技术有限公司 | 基于时间轴的电网资源差异化分配方法及相关设备 |
CN113887809A (zh) * | 2021-10-11 | 2022-01-04 | 国网新疆电力有限公司巴州供电公司 | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 |
CN114298388A (zh) * | 2021-12-21 | 2022-04-08 | 青岛鼎信通讯股份有限公司 | 一种基于台区融合终端历史数据的负荷预测方法 |
CN116662413B (zh) * | 2023-07-25 | 2023-10-27 | 成都千嘉科技股份有限公司 | 基于燃气用量数据拆解画像的工商用户业态变化监控方法 |
CN117996755B (zh) * | 2024-04-01 | 2024-07-30 | 湖南华夏特变股份有限公司 | 变压器运行控制方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101888087A (zh) * | 2010-05-21 | 2010-11-17 | 深圳市科陆电子科技股份有限公司 | 一种在配网终端中实现分布式超短期区域负荷预测的方法 |
KR20130044765A (ko) * | 2011-10-24 | 2013-05-03 | 한국전력공사 | 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법 |
CN104123595A (zh) * | 2014-07-22 | 2014-10-29 | 国家电网公司 | 一种配电网负荷预测方法及系统 |
CN104376371A (zh) * | 2014-10-31 | 2015-02-25 | 国家电网公司 | 一种基于拓扑的配网分层负荷预测方法 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
-
2017
- 2017-11-19 CN CN201711152207.0A patent/CN107977737B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101888087A (zh) * | 2010-05-21 | 2010-11-17 | 深圳市科陆电子科技股份有限公司 | 一种在配网终端中实现分布式超短期区域负荷预测的方法 |
KR20130044765A (ko) * | 2011-10-24 | 2013-05-03 | 한국전력공사 | 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법 |
CN104123595A (zh) * | 2014-07-22 | 2014-10-29 | 国家电网公司 | 一种配电网负荷预测方法及系统 |
CN104376371A (zh) * | 2014-10-31 | 2015-02-25 | 国家电网公司 | 一种基于拓扑的配网分层负荷预测方法 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
Non-Patent Citations (2)
Title |
---|
一种实用化的配电网超短期负荷预测方法;闫冬;《电力系统自动化》;20011125;第45-48页 * |
面向配网台区的综合评价模型研究与可视化应用;刘飞 等;《电网与清洁能源》;20170531;第33卷(第5期);第63-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107977737A (zh) | 2018-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977737B (zh) | 基于mxnet框架深度神经网络的配变负荷预测方法 | |
Andryushkevich et al. | Composition and application of power system digital twins based on ontological modeling | |
CN108764663B (zh) | 一种电力客户画像生成管理的方法及系统 | |
Nagpal et al. | A methodology for auto-calibrating urban building energy models using surrogate modeling techniques | |
CN105574652B (zh) | 一种智能配电网规划大数据管控系统及方法 | |
CN107784397B (zh) | 一种电网物资需求预测系统及其预测方法 | |
CN107918830B (zh) | 一种基于大数据技术的配电网运行状态评估方法 | |
CN105574593B (zh) | 基于云计算和大数据的轨道状态静态检控系统及方法 | |
CN109857080B (zh) | 一种基于bim的智能船闸运维系统 | |
Deng et al. | Metaverse-driven remote management solution for scene-based energy storage power stations | |
Feng et al. | [Retracted] Design and Simulation of Human Resource Allocation Model Based on Double‐Cycle Neural Network | |
CN104732279A (zh) | 基于地理信息系统的改进元胞自动机交通流模拟分析方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
Do Amaral et al. | Energy digital twin applications: a review | |
Tellez et al. | National laboratory of smart grids (LAB+ i) at the National University of Colombia-Bogota Campus | |
CN115456410A (zh) | 一种电网风险的评估方法及评估系统 | |
Gao et al. | An agent-based simulation system for evaluating gridding urban management strategies | |
CN110019488A (zh) | 多源异构数据融合多核分类方法 | |
Chrisnanto et al. | The uses of educational data mining in academic performance analysis at higher education institutions (case study at UNJANI) | |
Aguas et al. | EDPD’S experience with data analytics and stochastic simulation methods for risk-controlled network planning | |
Zhou et al. | Power grid enterprise intelligent risk identification model considering multi-attribute and low correlation data | |
Kralik et al. | Proposal Of Evaluation Criteria For Free And Open Source Tools For Modelling And Support Of IT Service Management According To ITIL. | |
Zeng et al. | Uncertainty analysis for natural gas transport pipeline network layout: a new methodology based on Monte Carlo method | |
Yang et al. | The spatiotemporal prediction method of urban population density distribution through behaviour environment interaction agent model | |
Li et al. | Construction Technology Safety Management under the Background of BIM and Information System Modeling |
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 |