CN108876070A - 一种基于神经网络进行电力系统负荷预测的方法和装置 - Google Patents

一种基于神经网络进行电力系统负荷预测的方法和装置 Download PDF

Info

Publication number
CN108876070A
CN108876070A CN201811113689.3A CN201811113689A CN108876070A CN 108876070 A CN108876070 A CN 108876070A CN 201811113689 A CN201811113689 A CN 201811113689A CN 108876070 A CN108876070 A CN 108876070A
Authority
CN
China
Prior art keywords
data
electric system
neural network
day
dependence
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
Application number
CN201811113689.3A
Other languages
English (en)
Inventor
宋英豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ennew Digital Technology Co Ltd
Original Assignee
Ennew Digital Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Priority to CN201811113689.3A priority Critical patent/CN108876070A/zh
Publication of CN108876070A publication Critical patent/CN108876070A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明公开了一种基于神经网络进行电力系统负荷预测的方法，该方法包括：S1：根据周期性负荷数据构造训练集；S2：根据负荷数据之间的依赖关系构造局部连接的神经网络；S3：将步骤S1中构造的训练集输入到步骤S2中构造的局部连接的神经网络，训练局部连接的神经网络的参数，得到预测模型。还公开了一种基于神经网络进行电力系统负荷预测的装置，该装置包括：构造样本模块、构造网络模块和训练模型模块。本发明中不仅考虑了局部依赖性，并且考虑了共享权值的影响，局部依赖不共享权值，从而使各依赖关系的权值不同局部连接的权重之间互不相关，从而能够有效提高负荷预测的准确性。

Description

一种基于神经网络进行电力系统负荷预测的方法和装置
技术领域
本发明涉及计算机技术领域，特别涉及一种基于神经网络进行电力系统负荷预测的方法和装置。
背景技术
电力系统的负荷预测是电力系统进行调度运行和生产计划的基础工作，负荷预测关系到电力系统的安全和稳定运行，对于实际生产生活有着不可估量的作用。
负荷预测是通过考虑到相关因素的影响，对未来用电量或者发电量进行预测，电力生产部门和管理部门以此为依据制定生产计划和发展规划。负荷预测按时间期限分为长期、中期、短期和超短期。电力负荷虽然是不确定的、随机的，易受到气候、意外事故等各种条件的干扰，但在一定条件下，仍存在明显的变化趋势。
当前，作为人工智能学科理论，人工神经网络预测方法逐渐得到了成功应用。目前用于负荷预测的人工神经网络主要有误差反向传播网络(BP)、径向基函数网络(RBF)、卷积神经网络(CNN)等。
但是，传统BP神经网络负荷预测的不足是对没有考虑负荷历史数据之间的局部依赖性，并且BP神经网络存在容易陷入局部最小等问题；除此之外，虽然CNN神经网络负荷预测在一定程度上考虑了局部依赖性，但是采用共享权值，从而造成影响预测的准确性。
发明内容
本发明实施例提供了一种基于神经网络进行电力系统负荷预测的方法和装置，局部依赖不共享权值，局部连接的权重之间互不相关，从而能够有效提高负荷预测的准确性。
第一方面，本发明实施例提供了一种基于神经网络进行电力系统负荷预测的方法，该方法包括：
S1：根据周期性负荷数据构造训练集；
S2：根据负荷数据之间的依赖关系构造局部连接的神经网络；
S3：将步骤S1中构造的训练集输入到步骤S2中构造的局部连接的神经网络，训练局部连接的神经网络的参数，得到预测模型。
优选地，步骤S1的具体过程包括：
S11：根据数据的周期性构造n×m的矩阵，其中，n为电力系统历史数据的周期数，以天为周期；m为电力系统历史数据中每个周期内的数据量，以小时为数量级
S12：根据构造的矩阵构造训练集。
优选地，步骤S12的具体过程包括：
将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天，将第i天当做x，第i+1天当做y，构造训练集(X，Y)，i+1≤n。
优选地，步骤S12的具体过程包括：
将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天，将前i天的加权平均当作x，第i+1天当做y，构造训练集(X，Y)，i+1≤n。
优选地，步骤S2中所述依赖关系为电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个、第k+1个数据，j≤n，k≤m。
优选地，步骤S2中所述依赖关系为电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个数据，j≤n，k≤m。
优选地，步骤S2中所述依赖关系为电力系统历史数据中当前周期按时间顺序排列的的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k个、第k+1个数据，j≤n，k≤m。
第二方面，本发明实施例提供了一种基于神经网络进行电力系统负荷预测的装置，该装置包括：构造样本模块、构造网络模块和训练模型模块，其中，
所述构造样本模块，用于根据周期性负荷数据构造训练集；
所述构造网络模块，用于根据负荷数据之间的依赖关系构造局部连接的神经网络；
所述训练模型模块，用于将所述构造样本模块构造的训练集输入到构造网络模块构造的局部连接的神经网络，训练局部连接的神经网络的参数，得到预测模型。
优选地，所述构造样本模块具体用于根据数据的周期性构造n×m的矩阵，并根据构造的矩阵构造训练集；其中，n为电力系统历史数据的周期数，以天为周期；m为电力系统历史数据中每个周期内的数据量，以小时为数量级。
优选地，根据构造的矩阵构造训练集(X，Y)具体为：
将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天，将第i天当做x，第i+1天当做y，构造训练集(X，Y)，i+1≤n。
优选地，根据构造的矩阵构造训练集(X，Y)具体为：
将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天，将前i天的加权平均当作x，第i+1天当做y，构造训练集(X，Y)，i+1≤n。
优选地，所述依赖关系为：
电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个、第k+1个数据，j≤n，k≤m。
优选地，所述依赖关系为：
电力系统历史数据中当前周期按时间顺序排列的的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个数据，j≤n，k≤m。
优选地，所述依赖关系为：
电力系统历史数据中当前周期按时间顺序排列的的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k个、第k+1个数据，j≤n，k≤m。
与现有技术相比，本发明至少具有以下有益效果：
本发明局部依赖不共享权值，局部连接的权重之间互不相关，从而能够有效提高负荷预测的准确性。
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，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的一种基于神经网络进行电力系统负荷预测的方法的流程图；
图2是本发明一个实施例提供的一种传统全连接神经网络的连接示意图；
图3是本发明一个实施例提供的一种卷积神经网络的连接示意图；
图4是本发明一个实施例提供的一种局部连接的神经网络的连接示意图；
图5是本发明一个实施例提供的一种依赖于历史数据的局部连接的神经网络的连接示意图；
图6是本发明一个实施例提供的另一种依赖于历史数据的局部连接的神经网络的连接示意图；
图7是本发明一个实施例提供的又一种依赖于历史数据的局部连接的神经网络的连接示意图；
图8是本发明一个实施例提供的一种基于神经网络进行电力系统负荷预测的装置的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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的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，本发明实施例提供了一种基于神经网络进行电力系统负荷预测的方法，该方法包括：
S1：根据周期性负荷数据构造训练集；
S2：根据负荷数据之间的依赖关系构造局部连接的神经网络；
S3：将步骤S1中构造的训练集输入到步骤S2中构造的局部连接的神经网络，训练局部连接的神经网络的参数，得到预测模型。
如图2所示BP预测模型没有考虑负荷历史数据之间的局部依赖性，从而对预测结果造成严重的影响。比如今天11:00的负荷值，最有可能和昨天11:00的数据关系比较大，也有可能和昨天10:00，12:00关系比较大，但是和凌晨00:00和晚上23:00的关系比较小，也就是说，周期性数据对于历史上同一时刻或者其附近的数据可能有一定的局部依赖性。又，如图3所示CNN预测模型虽然在一定程度上考虑了局部依赖性，但是该模型中对于具有局部依赖的数据之间共享权值的，如图3中所示x1和s1之间、x2和s2之间等的权重均为a，x2和s1之间、x3和s2之间等的权重均为b，从而对预测结果造成影响。实际情况中也就是其在预测今日13:00的数据(假设依赖历史数据的12:00，13:00，14:00的三个数据)和预测今日的15:00的数据(假设依赖历史数据的14:00，15:00，16:00的三个数据)时，倾向于使用用一组权值，但是在实际中，它们的依赖关系是不同的，因此对预测结果造成严重的影响。
在该实施例中，不仅考虑了局部依赖性，并且考虑了共享权值的影响，从而使各依赖关系的权值不同。如图4所示x1和s1之间的权重为a，x2和s1之间的权重为b，x2和s2之间的权重均为c，x3和s2之间的权重均为d，x3和s3之间为e，x4和s3之间的权重为f，x4和x4之间的权重为g，x5和s4之间的权重为h，x5和s5之间的权重为i。该局部连接的神经网络的连接的权重之间互不相关，从而增加了预测的准确性。
值得说明的是，神经网络的权重计算是由成熟的算法，比如反向传播算法进行计算获得，很多计算程序包(比如python的tensorflow)可以通过设定参数等技术实现不同权重的相关性，比如可以设置为相同的权重。如果不对特定的某些参数进行设置，即不设置为相同，那么这些参数便会各自及逆行训练，所以会互不相关，产生互不相关的权重。
在本发明一个实施例中，步骤S1的具体过程包括：
S11：根据数据的周期性构造n×m的矩阵，其中，n为电力系统历史数据的周期数，以天为周期；m为电力系统历史数据中每个周期内的数据量，以小时为数量级；
S12：根据构造的矩阵构造训练集。
在该实施例中，步骤S11构造n×m的矩阵D，其中，n为电力系统历史数据的周期数，以天为周期；m为电力系统历史数据中每个周期内的数据量，以小时为数量级。。例如，小时级数据，周期为24小时也就是一天，则一个周期内具有24个数据，即m＝24，假设具有过去100天的历史数据，则n可以取100，则就构成了100×24的矩阵。
在本发明一个实施例中，步骤S12的具体过程包括：
将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天，将第i天当做x，第i+1天当做y，构造训练集(X，Y)，i+1≤n。
在该实施例中，构成训练集的方式不仅能够保证预测的准确性，并且能够简单快捷的构建训练集。如上述有过去100天的历史数据，将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天，第5天为x5，则第6天为y6，形成一对数据；第56天为x56，则第57天为y57，又形成一对数据，以这样的方式形成的数据对，全部构成为一个训练集。
在本发明一个实施例中，步骤S12的具体过程包括：
将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天，将前i天的加权平均当作x，第i+1天当做y，构造训练集(X，Y)，i+1≤n。
为了使预测结果更加准确，在该实施例中，将矩阵中的前i天的加权平均当作x，这样使下一行数据不仅仅只与前一行的数据具有依赖关系，使下一行数据与前面每一行的数据都具有依赖关系，从而能够有效的增加数据之间的联系，提高预测的准确性。并且为了确保预测的准确性，并且联系实际情况，离下一行越近权重越高。如上述有过去100天的历史数据，将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天，将前8天的加权平均当作x8，先假设前8天的数据从第1天开始依次为A、B、C、D、E、F、G、H，则a、b、c、d、e、f、g分别为权重，且a<b<c<d<e<f<g，将第9天做为y9，则构成一对数。依照该方法构成多对数据从而构建训练集。
在本发明一个实施例中，步骤S2中所述依赖关系为电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个、第k+1个数据，j≤n，k≤m。
在该实施例中，如图5所示电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个、第k+1个数据，如在实际运用中预测今日的15:00的数据，而15:00的数据依赖历史数据的14:00，15:00，16:00的三个数据。
在本发明一个实施例中，步骤S2中所述依赖关系为电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个数据，j≤n，k≤m。
在该实施例中，如图6所示电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个数据，如在实际运用中预测今日的15:00的数据，而15:00的数据依赖历史数据的14:00，15:00的两个个数据。
在本发明一个实施例中，步骤S2中所述依赖关系为电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k个、第k+1个数据，j≤n，k≤m。
在该实施例中，如图7所示电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k个、第k+1个数据，如在实际运用中预测今日的15:00的数据，而15:00的数据依赖历史数据的15:00，16:00的两个个数据。
值得说明的是，在步骤S3之后还可以包括利用训练后获得的预测模型进行负荷预测。本发明中不仅考虑了局部依赖性，并且考虑了共享权值的影响，局部依赖不共享权值，从而使各依赖关系的权值不同局部连接的权重之间互不相关，从而能够有效提高负荷预测的准确性。
如图8所示，本发明实施例提供了一种基于神经网络进行电力系统负荷预测的装置，该装置包括：构造样本模块、构造网络模块和训练模型模块，其中，
所述构造样本模块，用于根据周期性负荷数据构造训练集；
所述构造网络模块，用于根据负荷数据之间的依赖关系构造局部连接的神经网络；
所述训练模型模块，用于将所述构造样本模块构造的训练集输入到构造网络模块构造的局部连接的神经网络，训练局部连接的神经网络的参数，得到预测模型。
如图2所示BP预测模型没有考虑负荷历史数据之间的局部依赖性，从而对预测结果造成严重的影响。比如今天11:00的负荷值，最有可能和昨天11:00的数据关系比较大，也有可能和昨天10:00，12:00关系比较大，但是和凌晨00:00和晚上23:00的关系比较小，也就是说，周期性数据对于历史上同一时刻或者其附近的数据可能有一定的局部依赖性。又如图3所示CNN预测模型虽然在一定程度上考虑了局部依赖性，但是该模型中对于具有局部依赖的数据之间共享权值的，如图3中所示x1和s1之间、x2和s2之间等的权重均为a，x2和s1之间、x3和s2之间等的权重均为b，从而对预测结果造成影响。实际情况中也就是其在预测今日13:00的数据(假设依赖历史数据的12:00，13:00，14:00的三个数据)和预测今日的15:00的数据(假设依赖历史数据的14:00，15:00，16:00的三个数据)时，倾向于使用用一组权值，但是在实际中，它们的依赖关系是不同的，因此对预测结果造成严重的影响。
在该实施例中，不仅考虑了局部依赖性，并且考虑了共享权值的影响，从而使各依赖关系的权值不同。如图4所示x1和s1之间的权重为a，x2和s1之间的权重为b，x2和s2之间的权重均为c，x3和s2之间的权重均为d，x3和s3之间为e，x4和s3之间的权重为f，x4和s4之间的权重为g，x5和s4之间的权重为h，x5和s5之间的权重为i。该局部连接的神经网络的连接的权重之间互不相关，从而增加了预测的准确性。
在本发明一个实施例中，所述构造样本模块具体用于根据数据的周期性构造n×m的矩阵，并根据构造的矩阵构造训练集；其中，n为电力系统历史数据的周期数，以天为周期；m为电力系统历史数据中每个周期内的数据量，以小时为数量级。
在该实施例中，构造样本模块构造n×m的矩阵D，其中，n为电力系统历史数据的周期数，以天为周期；m为电力系统历史数据中每个周期内的数据量，以小时为数量级。例如，小时级数据，周期为24小时也就是一天，则一个周期内具有24个数据，即m＝24，假设具有过去100天的历史数据，则n可以取100，则就构成了100×24的矩阵。
在本发明一个实施例中，根据构造的矩阵构造训练集(X，Y)具体为：
将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天，将第i天当做x，第i+1天当做y，构造训练集(X，Y)，i+1≤n。
在该实施例中，构成训练集的方式不仅能够保证预测的准确性，并且能够简单快捷的构建训练集。如上述有过去100天的历史数据，将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天第5天为x5，则第6天为y6，形成一对数据；第56天为x56，则第57天为y57，又形成一对数据，以这样的方式形成的数据对，全部构成为一个训练集。
在本发明一个实施例中，根据构造的矩阵构造训练集(X，Y)具体为：
将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天，将前i天的加权平均当作x，第i+1天当做y，构造训练集(X，Y)，i+1≤n。
为了使预测结果更加准确，在该实施例中，将矩阵中的前i行的加权平均当作x，这样使下一行数据不仅仅只与前一行的数据具有依赖关系，使下一行数据与前面每一行的数据都具有依赖关系，从而能够有效的增加数据之间的联系，提高预测的准确性。并且为了确保预测的准确性，并且联系实际情况，离下一行越近权重越高。如上述有过去100天的历史数据，将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天，将前8天的加权平均当作x8，先假设前8天的数据从第1天开始依次为A、B、C、D、E、F、G、H，则a、b、c、d、e、f、g分别为权重，且a<b<c<d<e<f<g，将第9天做为y9，则构成一对数。依照该方法构成多对数据从而构建训练集。
在本发明一个实施例中，所述依赖关系为：
电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个、第k+1个数据，j≤n，k≤m。
在该实施例中，如图5所示电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个、第k+1个数据，如在实际运用中预测今日的15:00的数据，而15:00的数据依赖历史数据的14:00，15:00，16:00的三个数据。
在本发明一个实施例中，所述依赖关系为：
电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个数据，j≤n，k≤m。
在该实施例中，如图6所示电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个数据，如在实际运用中预测今日的15:00的数据，而15:00的数据依赖历史数据的14:00，15:00的两个个数据。
在本发明一个实施例中，所述依赖关系为：
电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k个、第k+1个数据，j≤n，k≤m。
在该实施例中，如图7所示电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k个、第k+1个数据，如在实际运用中预测今日的15:00的数据，而15:00的数据依赖历史数据的15:00，16:00的两个个数据。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
需要说明的是，在本文中，诸如第一和第二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因素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种基于神经网络进行电力系统负荷预测的方法，其特征在于，包括：
S1：根据周期性负荷数据构造训练集；
S2：根据负荷数据之间的依赖关系构造局部连接的神经网络；
S3：将步骤S1中构造的训练集输入到步骤S2中构造的局部连接的神经网络，训练局部连接的神经网络的参数，得到预测模型。
2.根据权利要求1所述的基于神经网络进行电力系统负荷预测的方法，其特征在于，步骤S1的具体过程包括：
S11：根据数据的周期性构造n×m的矩阵，其中，n为电力系统历史数据的周期数，以天为周期；m为电力系统历史数据中每个周期内的数据量，以小时为数量级；
S12：根据构造的矩阵构造训练集。
3.根据权利要求2所述的基于神经网络进行电力系统负荷预测的方法，其特征在于，步骤S12的具体过程包括：
将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天，将第i天当做X，第i+1天当做Y，构造训练集(X，Y)，i+1≤n。
4.根据权利要求2所述的基于神经网络进行电力系统负荷预测的方法，其特征在于，步骤S12的具体过程包括：
将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天，将前i天的加权平均当作X，第i+1天当做Y，构造训练集(X，Y)，i+1≤n。
5.根据权利要求2所述的基于神经网络进行电力系统负荷预测的方法，其特征在于，步骤S2中所述依赖关系为电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个、第k+1个数据，j≤n，k≤m。
6.根据权利要求2所述的基于神经网络进行电力系统负荷预测的方法，其特征在于，步骤S2中所述依赖关系为电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个数据，j≤n，k≤m。
7.根据权利要求2所述的基于神经网络进行电力系统负荷预测的方法，其特征在于，步骤S2中所述依赖关系为电力系统历史数据中当前周期按时间顺序排列的的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k个、第k+1个数据，j≤n，k≤m。
8.一种基于神经网络进行电力系统负荷预测的装置，其特征在于，该装置包括：构造样本模块、构造网络模块和训练模型模块，其中，
所述构造样本模块，用于根据周期性负荷数据构造训练集；
所述构造网络模块，用于根据负荷数据之间的依赖关系构造局部连接的神经网络；
所述训练模型模块，用于将所述构造样本模块构造的训练集输入到构造网络模块构造的局部连接的神经网络，训练局部连接的神经网络的参数，得到预测模型。
9.根据权利要求8所述的基于神经网络进行电力系统负荷预测的装置，其特征在于，所述构造样本模块具体用于根据数据的周期性构造n×m的矩阵，并将历史数据填入构造的矩阵中；其中，n为电力系统历史数据的周期数，以天为周期；m为电力系统历史数据中每个周期内的数据量，以小时为数量级；
根据构造的矩阵构造训练集(X，Y)具体为：
将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天，将第i天当做X，第i+1天当做Y，构造训练集(X，Y)，i+1≤n；
或，
将电力系统历史数据的按照距离当前时间的长短，从长到短一次排列，将距离最长的一天记为第一天，将前i天的加权平均当作X，第i+1天当做Y，构造训练集(X，Y)，i+1≤n。
10.根据权利要求9所述的基于神经网络进行电力系统负荷预测的装置，其特征在于，所述依赖关系为：
电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个、第k+1个数据，j≤n，k≤m；
或，
电力系统历史数据中当前周期按时间顺序排列的的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个数据，j≤n，k≤m；
或，
电力系统历史数据中当前周期按时间顺序排列的的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k个、第k+1个数据，j≤n，k≤m。
CN201811113689.3A 2018-09-25 2018-09-25 一种基于神经网络进行电力系统负荷预测的方法和装置 Pending CN108876070A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811113689.3A CN108876070A (zh) 2018-09-25 2018-09-25 一种基于神经网络进行电力系统负荷预测的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811113689.3A CN108876070A (zh) 2018-09-25 2018-09-25 一种基于神经网络进行电力系统负荷预测的方法和装置

Publications (1)

Publication Number Publication Date
CN108876070A true CN108876070A (zh) 2018-11-23

Family

ID=64324756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811113689.3A Pending CN108876070A (zh) 2018-09-25 2018-09-25 一种基于神经网络进行电力系统负荷预测的方法和装置

Country Status (1)

Country Link
CN (1) CN108876070A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376972A (zh) * 2019-01-01 2019-02-22 中南大学 一种基于区块聚类的智慧电网短期电力负荷预测方法
CN109711614A (zh) * 2018-12-24 2019-05-03 新奥数能科技有限公司 一种分布式能源站的动态优化运行控制方法及系统
CN110210672A (zh) * 2019-06-04 2019-09-06 北京百度网讯科技有限公司 用电量预测的方法和装置、电子设备、计算机可读介质
CN112508261A (zh) * 2020-12-03 2021-03-16 广东电网有限责任公司 一种基于神经网络的配电变压器负荷分层预测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608512A (zh) * 2016-03-24 2016-05-25 东南大学 一种短期负荷预测方法
CN105631532A (zh) * 2015-12-07 2016-06-01 江苏省电力公司检修分公司 一种基于模糊决策的神经网络模型电力系统负荷预测方法
CN107423839A (zh) * 2017-04-17 2017-12-01 湘潭大学 一种基于深度学习的智能楼宇微网负荷预测的方法
CN107578124A (zh) * 2017-08-28 2018-01-12 国网山东省电力公司电力科学研究院 基于多层改进gru神经网络的短期电力负荷预测方法
CN108009673A (zh) * 2017-11-24 2018-05-08 国网北京市电力公司 基于深度学习的新型负荷预测方法和装置
CN108280552A (zh) * 2018-02-24 2018-07-13 合肥工业大学 基于深度学习的电力负荷预测方法和系统、存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631532A (zh) * 2015-12-07 2016-06-01 江苏省电力公司检修分公司 一种基于模糊决策的神经网络模型电力系统负荷预测方法
CN105608512A (zh) * 2016-03-24 2016-05-25 东南大学 一种短期负荷预测方法
CN107423839A (zh) * 2017-04-17 2017-12-01 湘潭大学 一种基于深度学习的智能楼宇微网负荷预测的方法
CN107578124A (zh) * 2017-08-28 2018-01-12 国网山东省电力公司电力科学研究院 基于多层改进gru神经网络的短期电力负荷预测方法
CN108009673A (zh) * 2017-11-24 2018-05-08 国网北京市电力公司 基于深度学习的新型负荷预测方法和装置
CN108280552A (zh) * 2018-02-24 2018-07-13 合肥工业大学 基于深度学习的电力负荷预测方法和系统、存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711614A (zh) * 2018-12-24 2019-05-03 新奥数能科技有限公司 一种分布式能源站的动态优化运行控制方法及系统
CN109376972A (zh) * 2019-01-01 2019-02-22 中南大学 一种基于区块聚类的智慧电网短期电力负荷预测方法
CN110210672A (zh) * 2019-06-04 2019-09-06 北京百度网讯科技有限公司 用电量预测的方法和装置、电子设备、计算机可读介质
CN112508261A (zh) * 2020-12-03 2021-03-16 广东电网有限责任公司 一种基于神经网络的配电变压器负荷分层预测方法及装置
CN112508261B (zh) * 2020-12-03 2021-09-03 广东电网有限责任公司 一种基于神经网络的配电变压器负荷分层预测方法及装置

Similar Documents

Publication Publication Date Title
CN108876070A (zh) 一种基于神经网络进行电力系统负荷预测的方法和装置
AU2019238653A1 (en) Degradation estimation apparatus, computer program, and degradation estimation method
CN102930358B (zh) 一种光伏电站发电功率的神经网络预测方法
CN110472779A (zh) 一种基于时间卷积网络的电力系统短期负荷预测方法
CN108288231B (zh) 一种分布式光伏接入对配电台区负荷特性影响的评估方法
CN113191918B (zh) 基于时序生成对抗网络的月度风光发电功率场景分析方法
CN114007228B (zh) 基于异构图神经网络流量预测的基站智能控制方法
CN105160423A (zh) 一种基于马尔科夫残差修正的光伏发电预测方法
CN110601204B (zh) 基于随机变量状态时序模拟的光伏并网系统概率潮流分析方法
CN113469266B (zh) 一种基于改进深度卷积神经网络的窃电行为检测方法
CN105631532A (zh) 一种基于模糊决策的神经网络模型电力系统负荷预测方法
Chang Multimodal function optimizations with multiple maximums and multiple minimums using an improved PSO algorithm
CN112115636A (zh) 一种电力电缆绝缘老化寿命超前预测方法及系统
Khan et al. Very short term load forecasting using Cartesian genetic programming evolved recurrent neural networks (CGPRNN)
Wan et al. A data-driven approach for real-time residential EV charging management
Asrari et al. Application of Gray-fuzzy-Markov chain method for day-ahead electric load forecasting
Mulvey et al. Cell coverage degradation detection using deep learning techniques
CN113344283B (zh) 基于边缘智能的能源互联网新能源消纳能力评估方法
Tokuyama et al. The effect of using attribute information in network traffic prediction with deep learning
Skolthanarat et al. Short-term load forecasting algorithm and optimization in smart grid operations and planning
CN117932417A (zh) 基于多时间尺度特征的层次一致性风速预测方法
CN110674460B (zh) 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法
Ghomi et al. Peak load forecasting of electric utilities for west province of iran by using neural network without weather information
CN117474574A (zh) 一种日前电价预测方法、系统、设备及存储介质
Li et al. Online transient frequency safety prediction machine of power system based on time-feature attention module

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: 20181123

RJ01 Rejection of invention patent application after publication