CN109034490A - 一种电力负荷预测方法、装置、设备及存储介质 - Google Patents
一种电力负荷预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109034490A CN109034490A CN201810916228.3A CN201810916228A CN109034490A CN 109034490 A CN109034490 A CN 109034490A CN 201810916228 A CN201810916228 A CN 201810916228A CN 109034490 A CN109034490 A CN 109034490A
- Authority
- CN
- China
- Prior art keywords
- power system
- data
- load
- system load
- load data
- 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 108
- 238000013135 deep learning Methods 0.000 claims abstract description 41
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 abstract description 12
- 239000002699 waste material Substances 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013277 forecasting method Methods 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
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力负荷预测方法，包括获取当前电力负荷数据以及历史电力负荷数据；将当前电力负荷数据以及历史电力负荷数据进行归一化处理；根据归一化处理后的当前电力负荷数据以及历史电力负荷数据，通过深度学习方法得到电力负荷预测结果。采用深度学习方法处理归一化后的当前电力负荷数据以及历史电力负荷数据，能够顺利地得到电力负荷预测结果，且本发明考虑到了历史电力负荷数据对于未来电力负荷数据的影响，得到的电力负荷预测结果较为精准，能够很好地指导电力供应，不会再发生供电不足或电能过度浪费的情况。本发明还公开了一种电力负荷预测装置、设备及计算机可读存储介质，具有如上电力负荷预测方法相同的有益效果。
Description
技术领域
本发明涉及电力负荷预测领域，特别是涉及一种电力负荷预测方法，本发明还涉及一种电力负荷预测装置、设备及存储介质。
背景技术
在智能电网和电力市场中，精确的电力负荷预测是实现需求响应和资源分配的关键。此外，准确的电力负荷预测也可以指导电力工作人员的电力供应工作，有利于能源的综合利用。然而目前没有一种成熟可靠的电力负荷预测方法能够得到精准的电力负荷预测数据，这样一来，便导致了电力供应的难度较大，难免造成电能的浪费或者供电不足的情况。
因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。
发明内容
本发明的目的是提供一种电力负荷预测方法，能够很好地指导电力供应，避免了供电不足或电能浪费的情况；本发明的另一目的是提供一种电力负荷预测装置、设备及存储介质，能够很好地指导电力供应，避免了供电不足或电能浪费的情况。
为解决上述技术问题，本发明提供了一种电力负荷预测方法，包括：
获取当前电力负荷数据以及历史电力负荷数据；
将所述当前电力负荷数据以及所述历史电力负荷数据进行归一化处理；
根据归一化处理后的所述当前电力负荷数据以及所述历史电力负荷数据，通过深度学习方法得到电力负荷预测结果。
优选地，所述根据归一化处理后的所述当前电力负荷数据以及所述历史电力负荷数据，通过深度学习方法得到电力负荷预测结果之前，该电力负荷预测方法还包括：
获取与电力负荷相关的气象数据；
将所述气象数据进行归一化处理；
则所述根据归一化处理后的所述当前电力负荷数据以及所述历史电力负荷数据，通过深度学习方法得到电力负荷预测结果具体为：
根据归一化处理后的所述当前电力负荷数据、所述历史电力负荷数据以及所述气象数据，通过深度学习方法得到电力负荷预测结果。
优选地，所述获取与电力负荷相关的气象数据之后，所述将所述气象数据进行归一化处理之前，该电力负荷预测方法还包括：
获取所述气象数据中的主成分数据；
则所述将所述气象数据进行归一化处理具体为：
将所述气象数据中的所述主成分数据进行归一化处理；
则所述根据归一化处理后的所述当前电力负荷数据、所述历史电力负荷数据以及所述气象数据，通过深度学习方法得到电力负荷预测结果具体为：
根据归一化处理后的所述当前电力负荷数据、所述历史电力负荷数据以及所述主成分数据，通过深度学习方法得到电力负荷预测结果。
优选地，所述获取所述气象数据中的主成分数据具体为：
采用主成分分析技术PCA获取所述气象数据中的主成分数据。
优选地，所述根据归一化处理后的所述当前电力负荷数据以及所述历史电力负荷数据，通过深度学习方法得到电力负荷预测结果具体为：
根据所述历史电力负荷数据建模得到电力负荷预测过程数据；
根据所述电力负荷预测过程数据以及所述当前电力负荷数据建模得到电力负荷预测结果。
优选地，所述深度学习方法为长短期记忆网络LSTM。
为解决上述技术问题，本发明还提供了一种电力负荷预测装置，包括：
第一获取模块，用于获取当前电力负荷数据以及历史电力负荷数据；
第一归一化模块，用于将所述当前电力负荷数据以及所述历史电力负荷数据进行归一化处理；
输出模块，用于根据归一化处理后的所述当前电力负荷数据以及所述历史电力负荷数据，通过深度学习方法得到电力负荷预测结果。
优选地，该电力负荷预测装置还包括：
第二获取模块，用于获取与电力负荷相关的气象数据；
第二归一化模块，用于将所述气象数据进行归一化处理；
则所述输出模块具体用于根据归一化处理后的所述当前电力负荷数据、所述历史电力负荷数据以及所述气象数据，通过深度学习方法得到电力负荷预测结果。
为解决上述技术问题，本发明还提供了一种电力负荷预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上任一项所述电力负荷预测方法的步骤。
为解决上述技术问题，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述电力负荷预测方法的步骤。
本发明提供了一种电力负荷预测方法，包括获取当前电力负荷数据以及历史电力负荷数据；将当前电力负荷数据以及历史电力负荷数据进行归一化处理；根据归一化处理后的当前电力负荷数据以及历史电力负荷数据，通过深度学习方法得到电力负荷预测结果。
可见，本发明中，能够首先获取当前电力负荷数据以及历史电力负荷数据，然后将两者进行归一化处理后，通过深度学习方法得到电力负荷预测结果，由于采用了深度学习方法处理归一化后的当前电力负荷数据以及历史电力负荷数据，能够顺利地得到电力负荷预测结果，且本发明考虑到了历史电力负荷数据对于未来电力负荷数据的影响，得到的电力负荷预测结果较为精准，能够很好地指导电力供应，不会再发生供电不足或电能过度浪费的情况。
本发明还提供了一种电力负荷预测装置、设备及计算机可读存储介质，具有如上电力负荷预测方法相同的有益效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例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为本发明提供的一种电力负荷预测方法的流程示意图；
图2为本发明提供的LSTM记忆单元的结构示意图；
图3为本发明提供的一种电力负荷预测装置的结构示意图；
图4为本发明提供的一种电力负荷预测设备的结构示意图。
具体实施方式
本发明的核心是提供一种电力负荷预测方法，能够很好地指导电力供应，避免了供电不足或电能浪费的情况；本发明的另一核心是提供一种电力负荷预测装置、设备及存储介质，能够很好地指导电力供应，避免了供电不足或电能浪费的情况。
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。
请参考图1，图1为本发明提供的一种电力负荷预测方法的流程示意图，包括：
步骤S1：获取当前电力负荷数据以及历史电力负荷数据；
考虑到传统的方法如ANN(Artificial Neural Network，人工神经网络)以及SVM(Support Vector Machine，支持向量机)中将电力负荷预测作为一个静态回归问题，然而实际上电力负荷数据是一个动态时间序列，即系统的输出会持续受到过去输入的影响，因此ANN以及SVM等传统方法仅通过简单建立输入变量与输出变量之间的非线性关系难以持续深入挖掘到时间序列的内部规律，获得的电力负荷预测结果也就较为粗略。
具体的，本发明实施例中首先获取当前电力负荷数据以及历史电力负荷数据，将历史电力负荷数据作为基础数据进行处理，考虑到了历史电力负荷数据对于未来电力负荷数据的影响，有利于最终得到更精准的电力负荷预测结果。
其中，当前电力负荷数据以及历史电力负荷数据可以共同代表过去一段时间内的电力负荷数据，这个总的时间段的长短可以自主设定，其中，当前电力负荷数据代表的是过去一段时间中距离现在时刻最近的一小段电力负荷数据，当前电力负荷数据的时间段可以自主设定，例如将过去一小时的电力负荷数据作为当前电力负荷数据，早于过去一小时的数据作为历史电力负荷数据等，本发明实施例在此不做限定。
其中，当前电力负荷数据以及历史电力负荷数据的来源可以有多种类型，例如将其存储在存储设备中等，本发明实施例在此不做限定。
步骤S2：将当前电力负荷数据以及历史电力负荷数据进行归一化处理；
具体的，将待处理的数据进行归一化处理时深度学习方法前的步骤，具体为将数据映射到0～1范围之内，使数据处理起来更加便捷快速。
当然，除了将当前电力负荷数据以及历史电力负荷数据进行归一化处理外，还可以将以上两种数据进行其他形式的处理，本发明实施例在此不做限定。
步骤S3：根据归一化处理后的当前电力负荷数据以及历史电力负荷数据，通过深度学习方法得到电力负荷预测结果。
具体的，根据归一化处理后的当前电力负荷数据以及历史电力负荷数据，可以通过深度学习方法得到精准的电力负荷预测结果，深度学习方法能够将归一化后的历史电力负荷数据利用起来，考虑到了历史电力负荷数据对于未来的电力负荷数据的影响这个因素，考虑的更加全面，则得到的结果就更加准确。
本发明提供了一种电力负荷预测方法，包括获取当前电力负荷数据以及历史电力负荷数据；将当前电力负荷数据以及历史电力负荷数据进行归一化处理；根据归一化处理后的当前电力负荷数据以及历史电力负荷数据，通过深度学习方法得到电力负荷预测结果。
可见，本发明中，能够首先获取当前电力负荷数据以及历史电力负荷数据，然后将两者进行归一化处理后，通过深度学习方法得到电力负荷预测结果，由于采用了深度学习方法处理归一化后的当前电力负荷数据以及历史电力负荷数据，能够顺利地得到电力负荷预测结果，且本发明考虑到了历史电力负荷数据对于未来电力负荷数据的影响，得到的电力负荷预测结果较为精准，能够很好地指导电力供应，不会再发生供电不足或电能过度浪费的情况。
在上述实施例的基础上：
作为一种优选的实施例，根据归一化处理后的当前电力负荷数据以及历史电力负荷数据，通过深度学习方法得到电力负荷预测结果之前，该电力负荷预测方法还包括：
获取与电力负荷相关的气象数据；
具体的，本发明实施例中可以考虑气象数据对于未来电力负荷数据的影响，从而获取与电力负荷相关的气象数据作为基础数据，能够进一步地提升电力负荷预测结果的准确性。
其中，气象数据可以包括多种类型，例如可以为温度、湿度、气压、风速、云覆盖率以及降雨强度，这几种气象数据对于电力负荷数据的影响较大，其根本原因可能在于用户在不同的天气情况下，生产作业以及生活方式的选择以及强度都会有所区别。
当然，除了上述列举的气象数据外，气象数据还可以为其他的类型，本发明实施例在此不做限定。
另外，除了考虑到气象数据对电力负荷数据的影响外，还可以参考其他类型的对于电力负荷数据影响的参数，例如包括大型会议或者文体活动等社会活动等，本发明实施例在此不做限定。
将气象数据进行归一化处理；
具体的，在深度学习方法前需要将待处理数据进行归一化处理，本发明实施例在此不再赘述。
则根据归一化处理后的当前电力负荷数据以及历史电力负荷数据，通过深度学习方法得到电力负荷预测结果具体为：
根据归一化处理后的当前电力负荷数据、历史电力负荷数据以及气象数据，通过深度学习方法得到电力负荷预测结果。
具体的，本发明实施例进一步地参考了气象数据对于电力负荷数据的影响，最终获得的电力负荷预测结果的准确性进一步提高。
作为一种优选的实施例，获取与电力负荷相关的气象数据之后，将气象数据进行归一化处理之前，该电力负荷预测方法还包括：
获取气象数据中的主成分数据；
具体的，本发明实施例中可以获取气象数据中的主成分数据，主成分数据可以为气象数据中能大体代表气象数据对于电力负荷数据的总影响的一部分子集，例如气象数据包括温度、湿度、气压、风速、云覆盖率以及降雨强度这六类数据，假设其对电力负荷数据的影响率为1，经过主成分模型分析后，根据各变量的方差和累计方差贡献率选出了主成分1、主成分2以及主成分3，这三个主成分数据对于电力负荷数据的影响率便可达到0.8。此种情况下，大大降低了数据处理量，降低了对于相关软硬件的损耗，节省了成本，提高了计算速率。
当然，除了以上列举的主成分数据的选择实例外，还可以有多种实际选择情况，本发明实施例在此不做限定。
则将气象数据进行归一化处理具体为：
将气象数据中的主成分数据进行归一化处理；
则根据归一化处理后的当前电力负荷数据、历史电力负荷数据以及气象数据，通过深度学习方法得到电力负荷预测结果具体为：
根据归一化处理后的当前电力负荷数据、历史电力负荷数据以及主成分数据，通过深度学习方法得到电力负荷预测结果。
当然，获取气象数据中的主成分数据外，还可以通过其他的方式来简化计算量，本发明实施例在此不做限定。
作为一种优选的实施例，获取气象数据中的主成分数据具体为：
采用PCA(Principal Component Analysis，主成分分析技术)获取气象数据中的主成分数据。
具体的，PCA具有计算速度快以及稳定等优点。
主成分分析通过构造原变量的一系列线性组合形成彼此互不相关的新变量并且这些新变量能尽可能地反映原变量的信息。新变量中的方差越大，包含原始变量的信息则越多，通常用累计方差贡献率来衡量。针对本发明与负荷变化相关的气象数据，主成分分析能有效去除气象数据间的信息冗余，用较少的综合变量保留影响负荷变化的重要气候因素，其具体计算步骤如下：
1)气象数据标准化。不同气象数据的量纲和数值大小不同，因此需对气象数据进行标准化处理。设有N组对象，m种气象数据，则xi1，xi2，...，xim为第i组对象所对应的气象数据，用矩阵表示为：
矩阵XN×m进行中心标准化处理的过程为：
其中，i＝1,2,…,N；j＝1,2,…,m；sj分别为气象变量的均值和方差。
2)建立相关矩阵R
R＝X*TX*/(N-1)
其中，X*为标准化后的数值矩阵；求出矩阵R的特征值λ1≥λ2≥…≥λm及其特征向量u1,…,um。
3)确定主成分个数；计算相应的方差贡献率和累计方差贡献率：
通常累计方差贡献率为75％-95％时所对应的p个主成分便包含m个原始气象数据所提供的绝大部分信息，则主成分的个数设为p。
当然，除了PCA外，还可以采用其他的方法来获取主成分数据，本发明实施例在此不做限定。
作为一种优选的实施例，根据归一化处理后的当前电力负荷数据以及历史电力负荷数据，通过深度学习方法得到电力负荷预测结果具体为：
根据历史电力负荷数据建模得到电力负荷预测过程数据；
根据电力负荷预测过程数据以及当前电力负荷数据建模得到电力负荷预测结果。
具体的，本发明实施例中可以首先根据当前电力负荷数据建模得到电力负荷预测过程数据，此数据与现有技术中得到的预测数据同样存在误差较大的问题，可以看做一个过程数据，然后根据电力负荷预测过程数据以及历史电力负荷数据建模得到电力负荷预测结果，在此步骤中将历史电力负荷数据加入了计算，最终得到的电力负荷预测结果比较精准，能够准确地指导电力供应。
其中，可以将历史电力负荷数据划分为预设个子序列，然后再按照本发明实施例中的步骤，首先对距离当前时刻较远的历史电力负荷数据的子序列进行建模得到过程数据，将过程数据作为输入加入到相邻的更近时段的子序列中去进行建模，直至最终计算出电力负荷预测结果为止，此种方法可以更加细致地考虑到每段时间的历史电力负荷数据的影响，进一步地提高了电力负荷预测结果的准确性。
其中，本发明实施例中的此种分步计算的架构可以使得计算结构更加清晰，计算过程更加稳定，有利于最终输出精准的预测结果。
当然，除了本发明实施例中的计算方法外，还可以采用其他的方法来根据归一化处理后的当前电力负荷数据以及历史电力负荷数据，通过深度学习方法得到电力负荷预测结果，本发明实施例在此不做限定。
作为一种优选的实施例，深度学习方法为LSTM(Long Short-Term Memory，长短期记忆网络)。
具体地，长短期记忆网络是一种改进的RNN(Recurrent Neural Network，循环神经网络)模型，相对于标准的RNN，LSTM把隐含层设计成更复杂的结构，主要通过遗忘门、输入门、输出门来增加或删除记忆单元的信息。
为了更好地能够对本发明实施例进行说明，请参考图2，图2为本发明提供的LSTM记忆单元的结构示意图。
假设给定一个输入的负荷时间序列X＝{x1,x2,…,xT}，长短期记忆网络的输出为y＝{y1,y2,…,yT}，每个时刻LSTM单元通过3个门接收当前输入xt、来自上一隐藏状态输出ht-1和内部单元状态ct-1，则LSTM网络的数学计算过程如下：
遗忘门ft帮助LSTM决定哪些信息将从记忆单元状态Ct-1中删除：
ft＝σ(Wfxxt+Wfhht-1+WfcCt-1+bf)
其次，LSTM使用输入门it来决定将要存储到新的单元状态Ct的新信息，计算过程如下：
it＝σ(Wixxt+Wihht-1+WicCt-1+bi)
Ut＝g(Wcxxt+Wchht-1+bc)
其中Ut为添加到新单元状态Ct的候选值。
记忆单元状态Ct-1更新为新状态Ct的过程如下所示：
Ct＝Ct-1ft+Utit
其中Ct-1ft作用是确定有多少信息将从Ct-1中遗忘，Utit确定有多少信息添加到新单元状态Ct。
最后使用输出门ot计算ht的过程可以如下：
ot＝σ(Woxxt+Wohht-1+WocCt-1+bo)
ht＝otl(Ct)
其中，激活函数σ为sigmoid函数，l和g为tanh函数；Wix，Wfx，Wox，Wcx为连接输入信息xt的权值矩阵Wih，Wfh，Woh，Wch为连接隐含层输出信号ht的权值矩阵，Wic，Wfc，Woc为连接神经元激活函数输出矢量ct和门函数的对角矩阵；bi，bf，bo，bc为对应的偏置。
当然，除了LSTM外，还可以采用其他类型的深度学习方法，本发明实施例在此不做限定。
请参考图3，图3为本发明提供的一种电力负荷预测装置的结构示意图，包括：
第一获取模块1，用于获取当前电力负荷数据以及历史电力负荷数据；
第一归一化模块2，用于将当前电力负荷数据以及历史电力负荷数据进行归一化处理；
输出模块3，用于根据归一化处理后的当前电力负荷数据以及历史电力负荷数据，通过深度学习方法得到电力负荷预测结果。
作为一种优选的实施例，该电力负荷预测装置还包括：
第二获取模块，用于获取与电力负荷相关的气象数据；
第二归一化模块，用于将气象数据进行归一化处理；
则输出模块3具体用于根据归一化处理后的当前电力负荷数据、历史电力负荷数据以及气象数据，通过深度学习方法得到电力负荷预测结果。
对于本发明实施例中的电力负荷预测装置的介绍请参照前述电力负荷预测方法实施例，本发明实施例在此不再赘述。
请参考图4，图4为本发明提供的一种电力负荷预测设备的结构示意图，包括：
存储器4，用于存储计算机程序；
处理器5，用于执行计算机程序时实现如上任一项电力负荷预测方法的步骤。
对于本发明实施例中的电力负荷预测设备的介绍请参照前述电力负荷预测方法实施例，本发明实施例在此不再赘述。
为解决上述技术问题，本发明还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上任一项电力负荷预测方法的步骤。
对于本发明实施例中的计算机可读存储介质的介绍请参照前述电力负荷预测方法实施例，本发明实施例在此不再赘述。
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他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本说明书中，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，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电力负荷预测方法，其特征在于，包括：
获取当前电力负荷数据以及历史电力负荷数据；
将所述当前电力负荷数据以及所述历史电力负荷数据进行归一化处理；
根据归一化处理后的所述当前电力负荷数据以及所述历史电力负荷数据，通过深度学习方法得到电力负荷预测结果。
2.根据权利要求1所述的电力负荷预测方法，其特征在于，所述根据归一化处理后的所述当前电力负荷数据以及所述历史电力负荷数据，通过深度学习方法得到电力负荷预测结果之前，该电力负荷预测方法还包括：
获取与电力负荷相关的气象数据；
将所述气象数据进行归一化处理；
则所述根据归一化处理后的所述当前电力负荷数据以及所述历史电力负荷数据，通过深度学习方法得到电力负荷预测结果具体为：
根据归一化处理后的所述当前电力负荷数据、所述历史电力负荷数据以及所述气象数据，通过深度学习方法得到电力负荷预测结果。
3.根据权利要求2所述的电力负荷预测方法，其特征在于，所述获取与电力负荷相关的气象数据之后，所述将所述气象数据进行归一化处理之前，该电力负荷预测方法还包括：
获取所述气象数据中的主成分数据；
则所述将所述气象数据进行归一化处理具体为：
将所述气象数据中的所述主成分数据进行归一化处理；
则所述根据归一化处理后的所述当前电力负荷数据、所述历史电力负荷数据以及所述气象数据，通过深度学习方法得到电力负荷预测结果具体为：
根据归一化处理后的所述当前电力负荷数据、所述历史电力负荷数据以及所述主成分数据，通过深度学习方法得到电力负荷预测结果。
4.根据权利要求3所述的电力负荷预测方法，其特征在于，所述获取所述气象数据中的主成分数据具体为：
采用主成分分析技术PCA获取所述气象数据中的主成分数据。
5.根据权利要求1所述的电力负荷预测方法，其特征在于，所述根据归一化处理后的所述当前电力负荷数据以及所述历史电力负荷数据，通过深度学习方法得到电力负荷预测结果具体为：
根据所述历史电力负荷数据建模得到电力负荷预测过程数据；
根据所述电力负荷预测过程数据以及所述当前电力负荷数据建模得到电力负荷预测结果。
6.根据权利要求1至5任一项所述的电力负荷预测方法，其特征在于，所述深度学习方法为长短期记忆网络LSTM。
7.一种电力负荷预测装置，其特征在于，包括：
第一获取模块，用于获取当前电力负荷数据以及历史电力负荷数据；
第一归一化模块，用于将所述当前电力负荷数据以及所述历史电力负荷数据进行归一化处理；
输出模块，用于根据归一化处理后的所述当前电力负荷数据以及所述历史电力负荷数据，通过深度学习方法得到电力负荷预测结果。
8.根据权利要求7所述的电力负荷预测装置，其特征在于，该电力负荷预测装置还包括：
第二获取模块，用于获取与电力负荷相关的气象数据；
第二归一化模块，用于将所述气象数据进行归一化处理；
则所述输出模块具体用于根据归一化处理后的所述当前电力负荷数据、所述历史电力负荷数据以及所述气象数据，通过深度学习方法得到电力负荷预测结果。
9.一种电力负荷预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述电力负荷预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述电力负荷预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810916228.3A CN109034490A (zh) | 2018-08-13 | 2018-08-13 | 一种电力负荷预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810916228.3A CN109034490A (zh) | 2018-08-13 | 2018-08-13 | 一种电力负荷预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109034490A true CN109034490A (zh) | 2018-12-18 |
Family
ID=64633002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810916228.3A Pending CN109034490A (zh) | 2018-08-13 | 2018-08-13 | 一种电力负荷预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109034490A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110648248A (zh) * | 2019-09-05 | 2020-01-03 | 广东电网有限责任公司 | 一种发电站的控制方法、装置及设备 |
| CN111027772A (zh) * | 2019-12-10 | 2020-04-17 | 长沙理工大学 | 基于pca-dbilstm的多因素短期负荷预测方法 |
| CN112036658A (zh) * | 2020-09-09 | 2020-12-04 | 华东交通大学 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
| CN112766076A (zh) * | 2020-12-31 | 2021-05-07 | 上海电机学院 | 一种电力负荷超短期预测方法、系统、设备及存储介质 |
| CN113705932A (zh) * | 2021-09-22 | 2021-11-26 | 华中科技大学 | 一种短期负荷预测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
| 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 |
| CN107622329A (zh) * | 2017-09-22 | 2018-01-23 | 深圳市景程信息科技有限公司 | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 |
| 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 |
-
2018
- 2018-08-13 CN CN201810916228.3A patent/CN109034490A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
| 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 |
| CN107622329A (zh) * | 2017-09-22 | 2018-01-23 | 深圳市景程信息科技有限公司 | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 |
| 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 (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110648248A (zh) * | 2019-09-05 | 2020-01-03 | 广东电网有限责任公司 | 一种发电站的控制方法、装置及设备 |
| CN110648248B (zh) * | 2019-09-05 | 2023-04-07 | 广东电网有限责任公司 | 一种发电站的控制方法、装置及设备 |
| CN111027772A (zh) * | 2019-12-10 | 2020-04-17 | 长沙理工大学 | 基于pca-dbilstm的多因素短期负荷预测方法 |
| CN111027772B (zh) * | 2019-12-10 | 2024-02-27 | 长沙理工大学 | 基于pca-dbilstm的多因素短期负荷预测方法 |
| CN112036658A (zh) * | 2020-09-09 | 2020-12-04 | 华东交通大学 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
| CN112036658B (zh) * | 2020-09-09 | 2022-06-14 | 华东交通大学 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
| CN112766076A (zh) * | 2020-12-31 | 2021-05-07 | 上海电机学院 | 一种电力负荷超短期预测方法、系统、设备及存储介质 |
| CN112766076B (zh) * | 2020-12-31 | 2023-05-12 | 上海电机学院 | 一种电力负荷超短期预测方法、系统、设备及存储介质 |
| CN113705932A (zh) * | 2021-09-22 | 2021-11-26 | 华中科技大学 | 一种短期负荷预测方法及装置 |
| CN113705932B (zh) * | 2021-09-22 | 2023-02-14 | 华中科技大学 | 一种短期负荷预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109034490A (zh) | 一种电力负荷预测方法、装置、设备及存储介质 | |
| Candelieri et al. | Identifying typical urban water demand patterns for a reliable short-term forecasting–the icewater project approach | |
| CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
| Nichiforov et al. | Deep learning techniques for load forecasting in large commercial buildings | |
| CN116307652A (zh) | 一种智能电网人工智能资源分配方法 | |
| CN111241755A (zh) | 电力负荷预测方法 | |
| WO2019214455A1 (zh) | 一种数据序列预测方法及计算设备 | |
| CN109409561A (zh) | 多时间尺度时间序列协同预测模型的构建方法 | |
| CN112734135A (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
| Safi | A comparison of artificial neural network and time series models for forecasting GDP in Palestine | |
| Fusco et al. | Power systems data fusion based on belief propagation | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
| CN115310782A (zh) | 一种基于神经图灵机的电力用户需求响应潜力评估方法及装置 | |
| CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
| Wan et al. | Neural network model comparison and analysis of prediction methods using ARIMA and LSTM models | |
| Xin et al. | Research on electric vehicle charging load prediction method based on spectral clustering and deep learning network | |
| Zhang et al. | RSVRs based on feature extraction: a novel method for prediction of construction projects’ costs | |
| Ferraz et al. | Analysis of distribution system considering load uncertainties: a k-means clustering approach | |
| Zahin et al. | A comparative analysis of power demand forecasting with artificial intelligence and traditional approach | |
| Wang et al. | A Novel Multi‐Input AlexNet Prediction Model for Oil and Gas Production | |
| CN107424026A (zh) | 商家信誉评价方法和装置 | |
| Mörzinger et al. | A modular, holistic optimization approach for industrial appliances | |
| CN115358441A (zh) | 基于联邦学习的新能源集群消纳智能调控方法及装置 | |
| Hao et al. | Short-Term Power Load Forecasting for Larger Consumer Based on TensorFlow Deep Learning Framework and Clustering-Regression Model |
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: 20181218 |
|
| RJ01 | Rejection of invention patent application after publication |