CN108009673A - 基于深度学习的新型负荷预测方法和装置 - Google Patents
基于深度学习的新型负荷预测方法和装置 Download PDFInfo
- Publication number
- CN108009673A CN108009673A CN201711194613.3A CN201711194613A CN108009673A CN 108009673 A CN108009673 A CN 108009673A CN 201711194613 A CN201711194613 A CN 201711194613A CN 108009673 A CN108009673 A CN 108009673A
- Authority
- CN
- China
- Prior art keywords
- data
- input
- predicted
- power grid
- load
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012821 model calculation Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 22
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000013277 forecasting method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 240000002853 Nelumbo nucifera Species 0.000 claims description 6
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 6
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 6
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 244000131316 Panax pseudoginseng Species 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 230000007935 neutral effect Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 230000005611 electricity Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 241000512668 Eunectes Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G06N3/045—Combinations of networks
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度学习的新型负荷预测方法和装置。该方法包括：获取待预测的电网的输入变量，其中，输入变量用于指示待预测的电网的参数；将输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果；根据运算结果确定待预测的电网的负荷。通过本发明，达到了提高电网负荷预测方法预测的准确率的效果。
Description
技术领域
本发明涉及电网领域，具体而言，涉及一种基于深度学习的新型负荷预测方法和装置。
背景技术
近年来，随着电力科技的飞速发展，社会对低碳环保的呼吁越来越高，智能用电的需求也逐步加大。负荷预测作为智能用电的实现方式之一，对电力企业精细化运营有着非常重要的作用。负荷预测是指参考与负荷相关的因素，在已知用户的电量需求的前提下，根据用户的历史负荷数据，合理准确地预测出用户未来的负荷情况。电网机构通过准确的负荷预测来合理地安排内部发电机组的启停，从而确保电网可以稳定运行。因此，在电力系统中，科学准确的电力负荷预测是一项重要工作。目前，电力系统对于负荷预测工作投入越来越大，对预测的准确性要求也越来越高。
过去受经济体制影响，用电计划受发电计划的限制，发多少电，用多少电。而现在电力走入了市场经济，发电计划要取决于市场的需求，准确地掌握需求侧的短期预测可以节约发电成本、提高经济效益。所以怎样提高负荷预测的准确率，成为了电力行业的一项至关重要的任务。提高负荷预测的准确度，有利于电力系统的经济效益和社会效益，为电力企业统筹规划提供良好的支撑。
负荷预测的方法有多种，大致分为两大类，一类是经典方法，一类是现代方法。经典方法主要是通过数学统计或人的经验来进行预测。代表方法有：专家意见法、负荷密度法、特尔菲法等。此类方法主要取决于负荷的历史数据和人为的主观判断，忽略了外在因素对负荷的影响，预测效率和准确性也不是很理想。现代方法指融合了机器学习，考虑了除负荷数据外影响负荷的其他因素，又叫人工智能方法。综合来看，人工智能预测方法在效率和准确度方面要优于经典方法。但是目前的人工智能方法有局部极小点和速度慢的缺点，具有一定波动性，预测结果准确率有待提高。
针对相关技术中电网负荷预测方法预测准确率低的问题，目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供一种基于深度学习的新型负荷预测方法和装置，以解决电网负荷预测方法预测准确率低的问题。
为了实现上述目的，根据本发明的一个方面，提供了一种负荷预测方法，该方法包括：获取待预测的电网的输入变量，其中，所述输入变量用于指示所述待预测的电网的参数；将所述输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果；根据所述运算结果确定待预测的电网的负荷。
进一步地，在将所述输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果之前，所述方法还包括：获取待预测的电网的历史数据，其中，所述历史数据包括历史负荷数据，历史天气数据和电网负载数据；确定深度学习神经网络结构；将所述待预测的电网的历史数据输入到深度学习神经网络结构中进行训练，得到所述训练好的电网负荷预测模型。
进一步地，所述深度学习神经网络结构包括LSTM结构，LSTM结构包括输入层、隐藏层和输出层，所述输入层由表示输入的神经元组成，所述隐藏层由表示中间变量的神经元组成，在所述隐藏层中有输入到下一时间隐藏层的连接，所述输出层由表示输出结果的神经元组成。
进一步地，所述电网负荷预测模型的输入变量中包括学习时间参数和预测时间参数。
进一步地，在获取待预测的电网的历史数据之后，所述方法还包括：对所述历史数据进行预处理，得到处理后的数据，其中，所述预处理包括去除所述历史数据中的错误数据，重新获取所述历史数据中的缺失数据，去除所述历史数据中的重复数据；将所述处理后的数据输入到深度学习神经网络结构中进行训练。
为了实现上述目的，根据本发明的另一方面，还提供了一种负荷预测装置，该装置包括：第一获取单元，用于获取待预测的电网的输入变量，其中，所述输入变量用于指示所述待预测的电网的参数；第一输入单元，用于将所述输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果；第一确定单元，用于根据所述运算结果确定待预测的电网的负荷。
进一步地，所述装置还包括：第二获取单元，用于在将所述输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果之前，获取待预测的电网的历史数据，其中，所述历史数据包括历史负荷数据，历史天气数据和电网负载数据；第二确定单元，用于确定深度学习神经网络结构；第二输入单元，用于将所述待预测的电网的历史数据输入到深度学习神经网络结构中进行训练，得到所述训练好的电网负荷预测模型。
进一步地，所述深度学习神经网络结构包括LSTM结构，LSTM结构包括输入层、隐藏层和输出层，所述输入层由表示输入的神经元组成，所述隐藏层由表示中间变量的神经元组成，在所述隐藏层中有输入到下一时间隐藏层的连接，所述输出层由表示输出结果的神经元组成。
为了实现上述目的，根据本发明的另一方面，还提供了一种存储介质，包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行本发明所述的负荷预测方法。
为了实现上述目的，根据本发明的另一方面，还提供了一种处理器，用于运行程序，其中，所述程序运行时执行本发明所述的负荷预测方法。
本发明通过获取待预测的电网的输入变量，其中，输入变量用于指示待预测的电网的参数；将输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果；根据运算结果确定待预测的电网的负荷，解决了电网负荷预测方法预测准确率低的问题，进而达到了提高电网负荷预测方法预测的准确率的效果。
附图说明
构成本申请的一部分的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。在附图中：
图1是根据本发明实施例的负荷预测方法的流程图；
图2是根据本发明实施例的基于深度学习神经网络的负荷预测方法的示意图；
图3是根据本发明实施例的一种深度学习神经网络LSTM的神经网络层；
图4是根据本发明实施例的负荷预测结果与实际负荷的对比示意图；以及
图5是根据本发明实施例的负荷预测装置的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本申请方案，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、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必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，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供了一种负荷预测方法。
图1是根据本发明实施例的负荷预测方法的流程图，如图1所示，该方法包括以下步骤：
步骤S102：获取待预测的电网的输入变量，其中，输入变量用于指示待预测的电网的参数。
步骤S104：将输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果。
步骤S106：根据运算结果确定待预测的电网的负荷。
该实施例采用获取待预测的电网的输入变量，其中，输入变量用于指示待预测的电网的参数；将输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果；根据运算结果确定待预测的电网的负荷，解决了电网负荷预测方法预测准确率低的问题，进而达到了提高电网负荷预测方法预测的准确率的效果。
本发明实施例采用深度学习神经网络的方法进行负荷预测，发挥了神经网络处理非线性问题的能力以及自学习的优点，从而更加精准地进行预测工作，可以提高电网负荷预测方法预测的准确率。
在本发明实施例中，输入变量可以包括多种类型的电网输入数据，例如，预测电网在1月的负荷数据，则输入变量可以是起始时间、结束时间、电网地理范围、天气情况等多种变量，通过这些输入变量可以用模型运算得到结果，然后参照运算结果确定待预测的电网的负荷。
可选地，在将输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果之前，获取待预测的电网的历史数据，其中，历史数据包括历史负荷数据，历史天气数据和电网负载数据；确定深度学习神经网络结构；将待预测的电网的历史数据输入到深度学习神经网络结构中进行训练，得到训练好的电网负荷预测模型。历史数据还可以包括更多类型的数据。
可选地，深度学习神经网络结构包括LSTM结构，LSTM结构包括输入层、隐藏层和输出层，输入层由表示输入的神经元组成，隐藏层由表示中间变量的神经元组成，在隐藏层中有输入到下一时间隐藏层的连接，输出层由表示输出结果的神经元组成。除了这种结构模型之外，还可以采用其他类型的深度学习神经网络模型。
可选地，电网负荷预测模型的输入变量中包括学习时间参数和预测时间参数。学习时间参数可以是模型训练时所用的历史数据的时间段参数，预测时间参数可以是模型需要预测的起止时间。例如，模型需要预测2017年12月一个月的电网负荷，需要的学习时间参数时过去一年的电网实际负荷，则学习时间参数是2016年11月至2017年11月的实际电网负荷，预测时间参数是2017年12月1日至12月31日。
可选地，在获取待预测的电网的历史数据之后，对历史数据进行预处理，得到处理后的数据，其中，预处理包括去除历史数据中的错误数据，重新获取历史数据中的缺失数据，去除历史数据中的重复数据；将处理后的数据输入到深度学习神经网络结构中进行训练。预处理可以除去历史数据中一些不符合要求的数据，以提高数据训练时的精确度。
本发明实施例还提供了一种优选实施方式，下面结合该优选实施方式对本发明实施例的技术方案进行说明。
本发明实施例的技术方案可以作为一种基于深度学习神经网络的负荷预测方法，包括以下步骤：1)确定深度学习神经网络结构；2)输入变量；3)通过深度学习神经网络LSTM模型对数据进行训练；4)通过深度学习神经网络LSTM模型输出预测结果。
在步骤1)中，本发明所采用的深度学习神经网络结构是LSTM。和大多数神经网络结构类似，LSTM包括输入层、隐藏层和输出层。输入层由表示输入的神经元组成，隐含层有表示中间变量的神经元组成，在隐藏层中有输入到下一时间隐藏层的连接，输出层由表示输出结果的神经元组成。
在步骤2)中，输入的变量包括：历史负荷数据，天气数据以及用户的部分档案数据。其中，历史负荷数据是每隔15分钟采集一次，一天有96个负荷值。天气数据由最高温度，最低温度，风向，风力和阴晴情况5个维度组成。本发明实施例中，选择预测日前一段时间(例如5个月)的数据作为样本数据，该数据通过数据预处理后作为模型的输入。
在步骤3)中，通过深度学习神经网络LSTM模型对样本数据进行训练，根据训练的损失函数的值，通过调节学习率、epoch等参数使模型准确率达到最优。该模型中，因为加入了时间滑动窗口，所以可以通过改变学习时间和预测时间两个参数，在不需要改变输入数据的情况下，就可以调整预测时的学习时间和预测时间。
在步骤4)中，在步骤3)训练后的深度学习神经网络LSTM模型中，输入预测日的输入变量，得到输出结果。
图2是根据本发明实施例的基于深度学习神经网络的负荷预测方法的示意图，如图2所示，对源数据进行数据采集得到历史数据，将历史数据作为样本，对数据进行清洗，然后基于清洗后的数据建立模型，通过对模型的调整优化得到准确的模型，通过准确的模型进行负荷预测。
图3是根据本发明实施例的一种深度学习神经网络LSTM的神经网络层，如图3所示，LSTM神经网络由一连串重复神经网络模块形成，这些重复模块有四层神经网络层以特殊的方式相互作用，这种结构可以保证后面时间节点对于前面时间的节点感知力不会明显下降，能够记忆很长时间的信息。
图4是根据本发明实施例的负荷预测结果与实际负荷的对比示意图，如图4所示，该图为某用户一天96点的负荷，预测数据和历史负荷数据进行对比，96个数值的相对误差是0.012，误差率比较低，符合负荷预测的要求。说明通过本发明实施例的负荷预测方法的预测结果准确，效果很好。
本发明实施例用深度学习神经网络来预测负荷，提取用电客户的历史负荷曲线数据以及相应的天气数据和档案数据，按照业务相关知识对源数据进行数据预处理。在keras环境下建立深度学习神经网络的模型，处理后的数据作为该模型的样本数据，训练样本数据后，模型成立。可以分为如下步骤：搭建环境、数据采集、数据预处理、建立模型、数据预测。
具体步骤如下：
1、搭建环境
使用的深度学习神经网络框架是Keras，是一个高层神经网络库。Keras是由Python编写，继承了Python语言简单、明确的特点，并且支持包括多输入和多输出训练的任意方案，支持CPU和GPU切换。作为第一步，即搭建环境。在服务器中依次安装Anaconda，Mingw-w64，Libpython，Theano，Keras，并配置好环境变量。安装好之后，调试环境，确定Keras可以运行。
2、数据采集
用Kettle工具将用电信息采集系统中用电客户的负荷曲线数据、档案数据以tsv文件格式导出，用电客户的天气数据也以tsv文件导出，这些数据文件的数据格式、分隔符等保持一致。
3、数据预处理
数据预处理也叫数据清洗，源数据的数据质量直接会影响模型效果和最终预测值，数据预处理过程是对数据重新审查和校验的过程，重点是对数据展开数据质量评估工作，修正不符合要求的数据是数据分析中必不可少的一个步骤。不符合要求的数据主要包括：异常数据、缺失数据和重复数据。
①异常数据
异常数据又称错误数据，源数据中或多或少都会出现这种情况。这部分错误数据是在数据录入过程中，由于人员疏忽或校验规则不健全，错误的数据被直接写入后台数据库。异常数据的处理一般是在考虑业务功能的前提下，如果数据重要，可以考虑重新采集或整改，若数据对本研究非重要，可以将其删除。
②缺失数据
此类数据产生原因多种，如：因为误解没有被输入的数据，设备发生异常没有采集数据，与其他数据不一致而被删除等等。对于不完整的数据根据数据的缺失范围和重要性来制定策略。对于重要性低的，不进行补全，可以删除。重要性高缺失率又高的数据，要向责任方重新获取，如果重新取不了数据，则将该类型的全部数据删除。对于重要性高缺失率低的数据根据业务规则进行补全，例如，某用户某一天的功率值部分缺失，根据其当天数据的临近点补全。
③重复的数据
重复值是要去掉的，这一步骤一般放在数据预处理的最后一步进行。
4、建立模型
本发明实施例所用的算法是LSTM，LSTM中文名是长短记忆型递归神经网络，是深度学习神经网络的一种算法，基于该算法建立机器学习模型。传入预处理的数据进行训练，调节参数，使损失函数为最小，并根据训练效果与数据的特征优化模型。
5、数据预测
在训练后的深度学习神经网络LSTM模型中，输入预测日的输入变量，得到预测结果。
以国网某地区5个月的负荷数据以及相关天气数据、档案数据为样本数据。具体步骤有：
1、用Kettle工具将用电客户的负荷曲线数据、天气数据以及档案数据以tsv文件导出。
2、采集的数据经过数据清洗阶段成为干净的数据，并将多张表的数据整合到一起。
3、基于深度学习神经网络建立模型，本发明实施例中，主要用了深度学习神经网络LSTM模型做负荷预测。深度学习神经网络主要包括卷积网络、递归神经网络、受限波尔兹曼机等。LSTM是一种特殊的递归神经网络算法，它的固有行为就可以记住很长一段时间的信息，并不是像其他算法那样努力学习较长时间的信息，这就解决了长期依赖关系的问题。LSTM神经网络由一连串重复神经网络模块形成，这些重复模块有四层神经网络层以特殊的方式相互作用，这种结构可以保证后面时间节点对于前面时间的节点感知力不会明显下降，能够记忆很长时间的信息。
4、通过深度学习神经网络LSTM模型对样本数据进行训练，根据训练的损失函数的值，调节学习率、epoch等参数使模型准确率达到最优。
5、训练后的深度学习神经网络LSTM模型中，输入预测用户的输入变量，得到预测结果。预测数据和历史负荷数据进行对比，96个数值的相对误差是0.012，误差率比较低，符合负荷预测的要求。
通过深度学习神经网络的方法进行负荷预测，提高了负荷预测的速度，满足了对精度的要求。本发明实施例的技术方案在预测时还考虑了天气因素对负荷的影响，利用时间滑动窗口灵活改变模型的学习时间和预测时间，充分挖掘负荷数据中潜在的规律，准确地预测出负荷曲线，为电力系统的负荷预测提供了可靠准确的技术支撑。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例提供了一种负荷预测装置，该负荷预测装置可以用于执行本发明实施例的负荷预测方法。
图5是根据本发明实施例的负荷预测装置的示意图，如图5所示，该装置包括：
第一获取单元10，用于获取待预测的电网的输入变量，其中，输入变量用于指示待预测的电网的参数；
第一输入单元20，用于将输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果；
第一确定单元30，用于根据运算结果确定待预测的电网的负荷。
可选地，该装置还包括：第二获取单元，用于在将输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果之前，获取待预测的电网的历史数据，其中，历史数据包括历史负荷数据，历史天气数据和电网负载数据；第二确定单元，用于确定深度学习神经网络结构；第二输入单元，用于将待预测的电网的历史数据输入到深度学习神经网络结构中进行训练，得到训练好的电网负荷预测模型。
可选地，深度学习神经网络结构包括LSTM结构，LSTM结构包括输入层、隐藏层和输出层，输入层由表示输入的神经元组成，隐藏层由表示中间变量的神经元组成，在隐藏层中有输入到下一时间隐藏层的连接，输出层由表示输出结果的神经元组成。
该实施例采用第一获取单元10，用于获取待预测的电网的输入变量，其中，输入变量用于指示待预测的电网的参数；第一输入单元20，用于将输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果；第一确定单元30，用于根据运算结果确定待预测的电网的负荷，解决了电网负荷预测方法预测准确率低的问题，进而达到了提高电网负荷预测方法预测的准确率的效果。
所述负荷预测装置包括处理器和存储器，上述第一获取单元、第一输入单元、第一确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高电网负荷预测方法预测的准确率。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述负荷预测方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述负荷预测方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取待预测的电网的输入变量，其中，输入变量用于指示待预测的电网的参数；将输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果；根据运算结果确定待预测的电网的负荷。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取待预测的电网的输入变量，其中，输入变量用于指示待预测的电网的参数；将输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果；根据运算结果确定待预测的电网的负荷。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种负荷预测方法，其特征在于，包括：
获取待预测的电网的输入变量，其中，所述输入变量用于指示所述待预测的电网的参数；
将所述输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果；
根据所述运算结果确定待预测的电网的负荷。
2.根据权利要求1所述的方法，其特征在于，在将所述输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果之前，所述方法还包括：
获取待预测的电网的历史数据，其中，所述历史数据包括历史负荷数据，历史天气数据和电网负载数据；
确定深度学习神经网络结构；
将所述待预测的电网的历史数据输入到深度学习神经网络结构中进行训练，得到所述训练好的电网负荷预测模型。
3.根据权利要求2所述的方法，其特征在于，所述深度学习神经网络结构包括LSTM结构，LSTM结构包括输入层、隐藏层和输出层，所述输入层由表示输入的神经元组成，所述隐藏层由表示中间变量的神经元组成，在所述隐藏层中有输入到下一时间隐藏层的连接，所述输出层由表示输出结果的神经元组成。
4.根据权利要求3所述的方法，其特征在于，所述电网负荷预测模型的输入变量中包括学习时间参数和预测时间参数。
5.根据权利要求1所述的方法，其特征在于，在获取待预测的电网的历史数据之后，所述方法还包括：
对所述历史数据进行预处理，得到处理后的数据，其中，所述预处理包括去除所述历史数据中的错误数据，重新获取所述历史数据中的缺失数据，去除所述历史数据中的重复数据；
将所述处理后的数据输入到深度学习神经网络结构中进行训练。
6.一种负荷预测装置，其特征在于，包括：
第一获取单元，用于获取待预测的电网的输入变量，其中，所述输入变量用于指示所述待预测的电网的参数；
第一输入单元，用于将所述输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果；
第一确定单元，用于根据所述运算结果确定待预测的电网的负荷。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二获取单元，用于在将所述输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果之前，获取待预测的电网的历史数据，其中，所述历史数据包括历史负荷数据，历史天气数据和电网负载数据；
第二确定单元，用于确定深度学习神经网络结构；
第二输入单元，用于将所述待预测的电网的历史数据输入到深度学习神经网络结构中进行训练，得到所述训练好的电网负荷预测模型。
8.根据权利要求7所述的装置，其特征在于，所述深度学习神经网络结构包括LSTM结构，LSTM结构包括输入层、隐藏层和输出层，所述输入层由表示输入的神经元组成，所述隐藏层由表示中间变量的神经元组成，在所述隐藏层中有输入到下一时间隐藏层的连接，所述输出层由表示输出结果的神经元组成。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任意一项所述的负荷预测方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至5中任意一项所述的负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711194613.3A CN108009673A (zh) | 2017-11-24 | 2017-11-24 | 基于深度学习的新型负荷预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711194613.3A CN108009673A (zh) | 2017-11-24 | 2017-11-24 | 基于深度学习的新型负荷预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108009673A true CN108009673A (zh) | 2018-05-08 |
Family
ID=62053621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711194613.3A Pending CN108009673A (zh) | 2017-11-24 | 2017-11-24 | 基于深度学习的新型负荷预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108009673A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764718A (zh) * | 2018-05-28 | 2018-11-06 | 王春宁 | 基于深度学习算法的高考分数预估及志愿选择方法、系统 |
| CN108830385A (zh) * | 2018-07-10 | 2018-11-16 | 北京京东金融科技控股有限公司 | 深度学习模型训练方法和装置及计算机可读存储介质 |
| CN108876070A (zh) * | 2018-09-25 | 2018-11-23 | 新智数字科技有限公司 | 一种基于神经网络进行电力系统负荷预测的方法和装置 |
| CN108921335A (zh) * | 2018-06-15 | 2018-11-30 | 山东大学 | 基于短期负荷预测的智能箱式变电站运行组合优化方法 |
| CN109660423A (zh) * | 2018-12-06 | 2019-04-19 | 南京邮电大学 | 应用系统负载预测方法、可读存储介质和终端 |
| CN109684183A (zh) * | 2018-12-06 | 2019-04-26 | 南京邮电大学 | 应用系统负载预测装置 |
| CN109742777A (zh) * | 2019-03-04 | 2019-05-10 | 曹麾 | 低压台区峰谷负荷平衡智能管控子系统 |
| CN110232483A (zh) * | 2019-06-18 | 2019-09-13 | 国网河北省电力有限公司经济技术研究院 | 深度学习负荷预测方法、装置及终端设备 |
| CN111126565A (zh) * | 2019-11-28 | 2020-05-08 | 广东电网有限责任公司 | 一种基于深度学习的地块负荷密度指标预测方法及装置 |
| CN111401638A (zh) * | 2020-03-17 | 2020-07-10 | 国网上海市电力公司 | 基于极限学习机与负荷密度指标法的空间负荷预测方法 |
| CN111539841A (zh) * | 2019-12-31 | 2020-08-14 | 远景智能国际私人投资有限公司 | 电量预测方法、装置、设备及可读存储介质 |
| CN111612213A (zh) * | 2020-04-10 | 2020-09-01 | 中国南方电网有限责任公司 | 基于深度学习的断面约束智能化预警方法及系统 |
| CN112614006A (zh) * | 2020-11-30 | 2021-04-06 | 国网北京市电力公司 | 负荷预测方法、装置、计算机可读存储介质以及处理器 |
| CN112653241A (zh) * | 2020-12-16 | 2021-04-13 | 南方电网深圳数字电网研究院有限公司 | 电网监测方法和装置、物联计量单元 |
| CN113298329A (zh) * | 2020-02-21 | 2021-08-24 | 中关村海华信息技术前沿研究院 | 训练、策略生成方法、系统、计算机装置及存储介质 |
| CN113743674A (zh) * | 2021-09-10 | 2021-12-03 | 中国电力科学研究院有限公司 | 基于深度学习的储能出力预测方法、系统、设备及介质 |
| CN114118592A (zh) * | 2021-11-30 | 2022-03-01 | 南京信息工程大学 | 一种智能电网用电端短期能耗预测系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
-
2017
- 2017-11-24 CN CN201711194613.3A patent/CN108009673A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764718A (zh) * | 2018-05-28 | 2018-11-06 | 王春宁 | 基于深度学习算法的高考分数预估及志愿选择方法、系统 |
| CN108921335A (zh) * | 2018-06-15 | 2018-11-30 | 山东大学 | 基于短期负荷预测的智能箱式变电站运行组合优化方法 |
| CN108830385B (zh) * | 2018-07-10 | 2021-01-26 | 京东数字科技控股有限公司 | 深度学习模型训练方法和装置及计算机可读存储介质 |
| CN108830385A (zh) * | 2018-07-10 | 2018-11-16 | 北京京东金融科技控股有限公司 | 深度学习模型训练方法和装置及计算机可读存储介质 |
| CN108876070A (zh) * | 2018-09-25 | 2018-11-23 | 新智数字科技有限公司 | 一种基于神经网络进行电力系统负荷预测的方法和装置 |
| CN109660423A (zh) * | 2018-12-06 | 2019-04-19 | 南京邮电大学 | 应用系统负载预测方法、可读存储介质和终端 |
| CN109684183A (zh) * | 2018-12-06 | 2019-04-26 | 南京邮电大学 | 应用系统负载预测装置 |
| CN109742777A (zh) * | 2019-03-04 | 2019-05-10 | 曹麾 | 低压台区峰谷负荷平衡智能管控子系统 |
| CN110232483B (zh) * | 2019-06-18 | 2021-05-04 | 国网河北省电力有限公司经济技术研究院 | 深度学习负荷预测方法、装置及终端设备 |
| CN110232483A (zh) * | 2019-06-18 | 2019-09-13 | 国网河北省电力有限公司经济技术研究院 | 深度学习负荷预测方法、装置及终端设备 |
| CN111126565A (zh) * | 2019-11-28 | 2020-05-08 | 广东电网有限责任公司 | 一种基于深度学习的地块负荷密度指标预测方法及装置 |
| CN111539841A (zh) * | 2019-12-31 | 2020-08-14 | 远景智能国际私人投资有限公司 | 电量预测方法、装置、设备及可读存储介质 |
| CN113298329A (zh) * | 2020-02-21 | 2021-08-24 | 中关村海华信息技术前沿研究院 | 训练、策略生成方法、系统、计算机装置及存储介质 |
| CN111401638A (zh) * | 2020-03-17 | 2020-07-10 | 国网上海市电力公司 | 基于极限学习机与负荷密度指标法的空间负荷预测方法 |
| CN111401638B (zh) * | 2020-03-17 | 2024-02-02 | 国网上海市电力公司 | 基于极限学习机与负荷密度指标法的空间负荷预测方法 |
| CN111612213A (zh) * | 2020-04-10 | 2020-09-01 | 中国南方电网有限责任公司 | 基于深度学习的断面约束智能化预警方法及系统 |
| CN111612213B (zh) * | 2020-04-10 | 2023-10-10 | 中国南方电网有限责任公司 | 基于深度学习的断面约束智能化预警方法及系统 |
| CN112614006A (zh) * | 2020-11-30 | 2021-04-06 | 国网北京市电力公司 | 负荷预测方法、装置、计算机可读存储介质以及处理器 |
| CN112653241A (zh) * | 2020-12-16 | 2021-04-13 | 南方电网深圳数字电网研究院有限公司 | 电网监测方法和装置、物联计量单元 |
| CN113743674A (zh) * | 2021-09-10 | 2021-12-03 | 中国电力科学研究院有限公司 | 基于深度学习的储能出力预测方法、系统、设备及介质 |
| CN114118592A (zh) * | 2021-11-30 | 2022-03-01 | 南京信息工程大学 | 一种智能电网用电端短期能耗预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108009673A (zh) | 基于深度学习的新型负荷预测方法和装置 | |
| CN103310286A (zh) | 一种具有时间序列特性的产品订单预测方法及装置 | |
| CN107977737A (zh) | 基于mxnet框架深度神经网络的配变负荷预测方法 | |
| CN105718490A (zh) | 一种用于更新分类模型的方法及装置 | |
| CN112488392B (zh) | 一种基于机器学习的智慧水务日用水量预测方法 | |
| CN111539841A (zh) | 电量预测方法、装置、设备及可读存储介质 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| CN106897262A (zh) | 一种文本分类方法和装置以及处理方法和装置 | |
| CN107330464A (zh) | 数据处理方法和装置 | |
| CN111062520B (zh) | 基于随机森林算法的hostname特征预测方法 | |
| CN108596242A (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
| CN112232833A (zh) | 流失会员客群数据预测方法、模型训练方法及装置 | |
| Wang et al. | Feature selection for probabilistic load forecasting via sparse penalized quantile regression | |
| CN111489259A (zh) | 一种基于深度学习的股票市场风险预测智能实现方法 | |
| Kong et al. | Amazon spot instance price prediction with GRU network | |
| CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
| Usman et al. | Data analytics for short term price and load forecasting in smart grids using enhanced recurrent neural network | |
| Baek | An intelligent condition‐based maintenance scheduling model | |
| Dehghan-Banadaki et al. | Big data analytics in a day-ahead electricity price forecasting using tensorflow in restructured power systems | |
| Ilich et al. | Importance of multiple time step optimization in river basin planning and management: a case study of Damodar River basin in India | |
| CN111080037A (zh) | 一种基于深度神经网络的短期电力负荷预测方法及装置 | |
| CN110879537A (zh) | 智能家居能源系统暂态稳定性的处理方法和装置 | |
| CN108335014A (zh) | 负荷分析方法、装置、存储介质和处理器 | |
| CN110210518A (zh) | 提取降维特征的方法和装置 | |
| CN106897301A (zh) | 一种搜索质量的评测方法、装置及电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180508 |
|
| RJ01 | Rejection of invention patent application after publication |