CN109034495A - 基于边缘计算的电力负荷预测系统 - Google Patents

基于边缘计算的电力负荷预测系统 Download PDF

Info

Publication number
CN109034495A
CN109034495A CN201810994738.2A CN201810994738A CN109034495A CN 109034495 A CN109034495 A CN 109034495A CN 201810994738 A CN201810994738 A CN 201810994738A CN 109034495 A CN109034495 A CN 109034495A
Authority
CN
China
Prior art keywords
data
denoted
edge calculations
module
power 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
Application number
CN201810994738.2A
Other languages
English (en)
Inventor
张建平
林俊豪
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.)
Zhuhai Jiwa Technology Co Ltd
Original Assignee
Zhuhai Jiwa 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 Zhuhai Jiwa Technology Co Ltd filed Critical Zhuhai Jiwa Technology Co Ltd
Priority to CN201810994738.2A priority Critical patent/CN109034495A/zh
Publication of CN109034495A publication Critical patent/CN109034495A/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
    • G06N3/08—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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开一种基于边缘计算的电力负荷预测系统，该系统包括边缘计算服务器和一台或多台嵌入式能量管理设备。系统内边缘计算服务器主要负责采集外界特征因素数据，处理数据及构建基于长短时记忆神经网络电力负荷预测模型，并把构建好的电力负荷预测模型及其配置传输至嵌入式能量管理设备；嵌入式能量管理设备则主要负责采集设备数据、根据模型进行电力负荷的预测和能量管理。本发明所提供的电力负荷预测系统，基于边缘计算的架构能够降低电力负荷预测系统对嵌入式能量管理设备的运算能力的配置要求，并经过两端数据交互模块可以实时交互数据和更新电力负荷预测模型，从而满足实时业务、数据优化、应用智能和预测精度等方面的关键性需求。

Description

基于边缘计算的电力负荷预测系统
技术领域
本发明涉及电力系统电需量数据分析技术领域，尤其涉及一种电力负荷预测系统。
背景技术
我国目前绝大部分省市工业大户均已实施峰谷电价制，通过降低夜间低谷期电价，提高白天高峰期电价，来鼓励用户分时计划用电，从而有利于电力公司均衡供应电力，降低生产成本，并避免部分发电机组频繁启停造成的巨大损耗等问题，保证电力系统的安全与稳定。在嵌入式能量管理设备系统中，用户可以在电价较低的谷期利用嵌入式能量管理设备装置存储电能，在电高峰期使用存储好的电能，避免直接大规模使用高价的电网电能，如此可以降低用户的电力使用成本，实现峰谷电价套利。因此，合理和准确的预测未来某一个时间段的用户用电负荷显得尤为重要，嵌入式能量管理设备系统通过电力负荷预测系统实现能量管理从而及时满足用户的各种用电需求和减少运营成本。
目前已有的电力负荷预测主流的方法有人工神经网络(Artificial NeuralNetwork,ANN)，随机森林(Random Forest,RF)，支持向量机(Support Vector Machine,SVM) 和循环神经网络(Recurrent Neural Network,RNN)等训练模型进行预测。但是因为用户会随着时间或者天气等特征因素用电习惯会改变，单一固定的训练出的电力负荷预测模型会随着时间或者天气等特征因素预测出的电力负荷会逐渐变得不准确。且训练模型和电力负荷预测对设备要求也高，常规的嵌入式能量管理设备系统难以满足或者满足成本高。
因此，现已有的负荷预测方法与系统均难以满足嵌入式能量管理设备系统的要求。
发明内容
为了解决已有的负荷预测方法与系统无法或者难以满足嵌入式能量管理设备系统的要求，本发明提出了一种基于边缘计算的电力负荷预测系统。该系统包括边缘计算服务器和一台或多台嵌入式能量管理设备，系统中边缘计算服务器主要负责训练电力负荷预测模型，嵌入式能量管理设备主要负责推断，通过数据交互模块进行数据交互，能够实时对比实际电力负荷值与预测电力负荷值误差和更新嵌入式能量管理设备的电力负荷预测模型。其中系统将长短时记忆神经网络引入于电力负荷预测中，基于长短时记忆神经网络能够有效地过滤噪声数据、学习动态电力负荷特征和较好的处理时间序列的数据。
上所述中边缘计算服务器包括：
数据交互模块：用于接收来自嵌入式能量管理设备的设备数据和负荷预测数据等和发送指令、外界数据和完成训练的电力负荷预测模型等至嵌入式能量管理设备。
数据采集模块：用于采集和储存包含但不限于历史时间数据和相对应的历史气象数据等。
数据预处理模块：用于对嵌入式能量管理设备的数据进行数据清洗、数据标准化、数据类型的变换等，从而保证数据的质量，以便能够更好的为后续的分析、建模工作服务。
模型建立模块：对历史时刻的区域特征因素和电力负荷数据进行构建基于长短时记忆神经网络电力负荷预测模型。
上所述的嵌入式能量管理设备包括：
数据交互模块：用于接收来自边缘计算服务器的指令、外界数据和完成训练的电力负荷预测模型和发送设备数据和负荷预测数据等至边缘计算服务器。
电力负荷预测模块：用于利用边缘计算服务器训练生成的长短时记忆神经网络电力负荷预测模型对区域内的电力负荷进行预测。
数据采集模块：用于采集和存储包含但不限于嵌入式能量管理设备的用电负荷数据。
能量管理模块：根据预测电力负荷数据信息对设备进行能量管理，如发电优化调度、负荷管理、实时监测并自动实现微电网同步等功能。
本发明所采用的技术方案是：
一种基于边缘计算的电力负荷预测系统，包括如下步骤：
S1，边缘计算服务器的采集外界数据模块采集包含但不限于用户侧的气象数据和用户行业信息等区域特征因素，嵌入式能量管理设备采集包含但不限于用户侧的用电负荷数据，其中两端的采集间隔点t分钟采集一次数据，并分别按照年月日时分的五个时间维度结构化储存。
S2，嵌入式能量管理设备的数据交互模块将端内储存的用户侧的用电负荷数据发送至边缘计算服务器。
S3，边缘计算服务器的数据交互模块接收来自嵌入式能量管理设备的用户侧用电负荷数据。
S4，边缘计算服务器的数据预处理模块先将区域特征因素和用户侧的用电负荷数据等原始数据进行预处理并储存为历史数据。
S5，边缘计算服务器的模型建立模块构建并根据历史数据训练基于长短时记忆神经网络的电力负荷预测模型。
S6，将待预测时间长度记为Tp，边缘计算服务器的数据交互模块将历史数据和Tp个时间长度的区域特征因素数据和完成训练的电力负荷预测模型发送至嵌入式能量管理设备。
S7，嵌入式能量管理设备的数据交互模块接收来自边缘计算服务器的历史数据和Tp个时间长度的区域特征因素数据、完成训练的电力负荷预测模型和模型配置数据。
S8，嵌入式能量管理设备的电力负荷预测模块根据来自边缘计算服务器的历史数据、Tp个时间长度的区域特征因素数据和模型配置数据利用电力负荷预测模型进行电力负荷预测，并将电力负荷预测结果至能量管理模块和边缘计算服务器。
S9，边缘计算服务器的数据交互模块接收来自嵌入式能量管理设备的电力负荷预测结果并与实际结果进行计算判据。
若判据等于0，则执行步骤S4、S5和S6更新嵌入式能量管理设备的电力负荷预测模型。
若判据等于1，则代表电力负荷预测模型符合规定要求。
根据权利要求2所述的一种基于边缘计算的电力负荷预测系统，其特征在于，所述步骤S5具体过程如下：
S51，获取完成预处理的Nq个Np维区域特征因素和1维用户侧的用电负荷数据的数据以对应时刻为基准以及设用延迟时间的长度为Td和待预测时间长度记为Tp组成一个二维NnxNm的原始数据集合，其中Nq为数据的总长度，Np为特征因素的个数，Nn＝Nq-(Tp+Td+1)， Nm＝(Np+1)×(Td+Tp)-Tp。
S52，对原始数据进行数据预处理，并按照一定比例得到训练集，验证集和测试集。
S53，构建基于长短时记忆神经网络的电力负荷预测模型，并通过步骤S52得到的训练集对电力负荷模型进行训练。
S54，用测试集测试完成训练的电力负荷预测模型的预测准确率。
根据权利要求2所述的一种基于边缘计算的电力负荷预测系统，其特征在于，所述步骤S8具体过程如下：
S81，将接收来自边缘计算服务器的历史数据的长度记为Th，区域特征因素数据的时间长度记为Tc。
S82，将边缘计算服务器的历史数据和区域特征因素数据预处理成符合模型配置数据的预测集。
S83，将预测集进行归一化：其中Lo是原始负荷值，Lmin和Lmax分别代表负荷值的最小值和最大值，L为归一化后的负荷值。
S84，加载电力负荷预测模型，并循环直至预测完预测集得到预测负荷值，循环次数C如下：
S85，将步骤S84预测出的预测负荷值反归一化成预测试实际负荷值，反归一化方法如下式：
根据权利要求3所述的一种基于边缘计算的电力负荷预测系统，其特征在于，所述步骤S52中，对原始数据进行数据预处理过程如下：
S521，将验证比例设为Pv，测试比例设为Pt。
S522，将原始数据以Td和Tp为参数转换数据形式为监督学习数据集。
S523，将所有特征数据进行归一化：
S524，将步骤S523得到的数据集按照Pt的比例划分为(PtxNn)个训练集和 [(1-Pt)xNn]个测试集，将划分好的训练集按照Pv的比例划分为[Pvx(PtxNn)]个待训练集和 [(1-Pv)x(PtxNn)]个验证集。
根据权利要求3所述的一种基于边缘计算的电力负荷预测系统，其特征在于，所述步骤S53中，电力负荷预测模型训练过程如下：
S531，将长短时记忆神经网络的三个输入：当前时刻的输入值记为xt，上一时刻的输出记为ht-1，上一时刻的单元状态记为ct-1。长短时记忆神经网络两个输出：当前时刻输出值记为ht，当前时刻的单元状态ct。遗忘门的值记为ft，输入门的值记为it，输出门的值记为ot，当前时刻t的用于描述当前输入的单元状态记为遗忘门的权重矩阵记为Wf，输入门的权重矩阵记为Wi，输出门的权重矩阵记为Wo，单元状态c权重矩阵记为Wc。遗忘门的偏置项记为bf，输入门的偏置项记为bi，输出门的偏置项记为bo。Wf与上一时刻的输出项ht-1的乘积记为Wfh，Wf与输入项xt的乘积记为Wfx，Wi与上一时刻的输出项ht-1的乘积记为Wih，Wi与输入项xt的乘积记为Wix，Wo与上一时刻的输出项ht-1的乘积记为Woh，Wo与输入项xt的乘积记为Wox，Wc与上一时刻的输出项ht-1的乘积记为Wch，Wc与输入项xt的乘积记为Wcx；对基于长短时记忆神经网络的电力负荷预测模型的权重矩阵Wfh、Wfx、Wih、Wix、Woh、Wox、Wch和Wcx初始化为零；
S532，计算ft：
ft＝σ(Wf·[ht-1,xt]+bf)＝σ(Wfhht-1+Wfxxt+bf)
其中，σ是激活函数，激活函数是sigmiod函数，即[ht-1,xt]是表示把两个向量连接成一个更长的向量。
S533，计算it：
it＝σ(Wi·[ht-1,xt]+bi)＝σ(Wihht-1+Wixxt+bi)
S534，计算
S535，计算ct：
其中，符号o表示按元素乘。
S536，计算ot：
ot＝σ(Wo·[ht-1,xt]+bo)＝σ(Wohht-1+Woxxt+bo)
S537，计算ht：
ht＝ot o tanh(ct)
S538,将ht反归一化的结果与实际结果计算平均绝对误差(MAE)：
使用自适应矩估计优化算法更新权重矩阵Wfh、Wfx、Wih、Wix、Woh、Wox、Wch和Wcx；
循环步骤S532至步骤S538，直到所有历史数据都输入至电力负荷预测模型进行预测和权重调整后，完成对长短时记忆神经网络的训练。
如权利要求1所述的基于长短时记忆神经网络的电力负荷预测方法，其特征在于，所述步骤S8中的判据Pm为以平均绝对百分误差(MAPE)为基准，Pm计算公式如下:
其中，Actualt表示对应时刻的真实值，Forecastt表示对应时刻的预测值，η为阈值。
若MAPE大于阈值，则判据输出为0。
若MAPE小于等于阈值，则判据输出为1。
附图说明
图1为本发明实施例提供的基于边缘计算的电力负荷预测系统的结构框架图。
图2为本发明实施例的边缘计算服务器的训练流程图。
图3为本发明实施例的嵌入式能量管理设备的预测流程图。
图4为本发明实施例电力负荷预测模型更新前后MAPE对比图
具体实施方式
为更进一步阐述本发明为达成上述目的所采取的技术手段及效果，一下结合附图及较佳实施例对本发明的具体实施方式、结构、特征及其效果进行详细说明。需了解，此处所描述的具体实施例仅仅用以解释本发明，而并不用于限定本发明。
下面结合附图与实例对本发明做进一步说明：
本发明所提供的一种基于边缘计算的电力负荷预测系统中边缘计算服务器与一台嵌入式能量管理设备的一种具体实施方式的流程图分别如图2、3所示，该系统中整体运行包括：
S1，边缘计算服务器的采集外界数据模块采集包括时刻(包括年月日时分)、一周的第几天、是否是节假日以及实时气温，嵌入式能量管理设备采集包括用户侧实时用电负荷，其中两端的采集间隔点t设为每60分钟采集一次数据，并分别按照年月日时分的五个时间维度结构化储存。
S2，嵌入式能量管理设备的数据交互模块将端内储存的用户侧的用电负荷数据发送至边缘计算服务器。
S3，边缘计算服务器的数据交互模块接收来自嵌入式能量管理设备的用户侧用电负荷数据。
S4，边缘计算服务器的数据预处理模块先将区域特征因素和用户侧的用电负荷数据等原始数据进行填补缺失数据和修正噪声数据的预处理并储存为历史数据。
S5，边缘计算服务器的模型建立模块构建并根据历史数据训练基于长短时记忆神经网络的电力负荷预测模型，步骤为：
S51，本发明以2015年广东省某工业厂原始用电负荷数据为例，获取完成预处理的Nq个Np维区域特征因素和1维用户侧的用电负荷数据的数据以对应时刻为基准以及设用历史数据的时间长度Td为27个来预测负荷数据的时间长度Tp为3个的组成一个二维NnxNm的原始数据集合，其中Nq为8760，Np为7，Nn＝8731，Nm＝237。
S52，对原始数据进行数据预处理，并按照一定比例得到训练集，验证集和测试集，其具体步骤为：
S521，将验证比例Pv设为0.8，测试比例Pt设为0.8。
S522，将原始数据以Td和Tp为参数转换数据形式为监督学习数据集。
S523，对原始数据进行数据归一化：
S524，将得到的数据集按照0.8的比例划分为7008个训练集和1724个测试集，将划分好的训练集按照0.2的比例划分为待5607个训练集和1401个验证集。
S53，构建基于长短时记忆神经网络的电力负荷预测模型，并通过得到的训练集对电力负荷模型进行训练。
S531，将长短时记忆神经网络的三个输入：当前时刻的输入值记为xt，上一时刻的输出记为ht-1，上一时刻的单元状态记为ct-1。长短时记忆神经网络两个输出：当前时刻输出值记为ht，当前时刻的单元状态ct。遗忘门的值记为ft，输入门的值记为it，输出门的值记为ot，当前时刻t的用于描述当前输入的单元状态记为遗忘门的权重矩阵记为Wf，输入门的权重矩阵记为Wi，输出门的权重矩阵记为Wo，单元状态c权重矩阵记为Wc。遗忘门的偏置项记为bf，输入门的偏置项记为bi，输出门的偏置项记为bo。Wf与上一时刻的输出项ht-1的乘积记为Wfh，Wf与输入项xt的乘积记为Wfx，Wi与上一时刻的输出项ht-1的乘积记为Wih，Wi与输入项xt的乘积记为Wix，Wo与上一时刻的输出项ht-1的乘积记为Woh，Wo与输入项xt的乘积记为Wox，Wc与上一时刻的输出项ht-1的乘积记为Wch，Wc与输入项xt的乘积记为Wcx；对基于长短时记忆神经网络的电力负荷预测模型的权重矩阵Wfh、Wfx、Wih、Wix、Woh、Wox、Wch和Wcx初始化为零；
S532，计算ft：
ft＝σ(Wf·[ht-1,xt]+bf)＝σ(Wfhht-1+Wfxxt+bf)
其中，σ是激活函数，激活函数是sigmiod函数，即[ht-1,xt]是表示把两个向量连接成一个更长的向量。
S533，计算it：
it＝σ(Wi·[ht-1,xt]+bi)＝σ(Wihht-1+Wixxt+bi)
S534，计算
S535，计算ct：
其中，符号o表示按元素乘。
S536，计算ot：
ot＝σ(Wo·[ht-1,xt]+bo)＝σ(Wohht-1+Woxxt+bo)
S537，计算ht：
ht＝ot o tanh(ct)
S538，将ht反归一化的结果与实际结果计算平均绝对误差(MAE)：
使用自适应矩估计优化算法更新权重矩阵Wfh、Wfx、Wih、Wix、Woh、Wox、Wch和Wcx；
循环步骤S532至步骤S538，直到所有历史数据都输入至电力负荷预测模型进行预测和权重调整后，完成对长短时记忆神经网络的训练。
用测试集测试完成训练的电力负荷预测模型的预测准确率。
将待预测时间长度记为Tp，边缘计算服务器的数据交互模块将历史数据和Tp个时间长度的区域特征因素数据和完成训练的电力负荷预测模型发送至嵌入式能量管理设备。
嵌入式能量管理设备的数据交互模块接收来自边缘计算服务器的历史数据和Tp个时间长度的区域特征因素数据、完成训练的电力负荷预测模型和模型配置数据。
S8，嵌入式能量管理设备的电力负荷预测模块根据来自边缘计算服务器的历史数据、Tp个时间长度的区域特征因素数据和模型配置数据利用电力负荷预测模型进行电力负荷预测，并将电力负荷预测结果至能量管理模块和边缘计算服务器。
S81，将接收来自边缘计算服务器的历史数据的长度记为Th，区域特征因素数据的时间长度记为Tc。
S82，将边缘计算服务器的历史数据和区域特征因素数据预处理成符合模型配置数据的预测集。
S83，将预测集进行归一化：其中Lo是原始负荷值，Lmin和Lmax分别代表负荷值的最小值和最大值，L为归一化后的负荷值。
S84，加载电力负荷预测模型，并循环直至预测完预测集得到预测负荷值，循环次数C如下：
S85，将步骤S84预测出的预测负荷值反归一化成预测试实际负荷值，反归一化方法如下式：
S9，边缘计算服务器的数据交互模块接收来自嵌入式能量管理设备的电力负荷预测结果并与实际结果进行计算判据Pm，Pm为以平均绝对百分误差(MAPE)为基准，Pm计算公式如下:
其中，Actualt表示对应时刻的真实值，Forecastt表示对应时刻的预测值，10为阈值。
若MAPE大于阈值，则判据输出为0。
若MAPE小于等于阈值，则判据输出为1。
若判据等于0，则执行步骤S4、S5和S6更新嵌入式能量管理设备的电力负荷预测模型。
若判据等于1，则代表电力负荷预测模型符合规定要求。
图4是本实施例的电力负荷预测模型更新前后MAPE对比图，是根据上述的自2015年10月21日3点起以日为单位的预测负荷值集与实际负荷值集计算判据Pm，若判据Pm＝0时，即MAPE大于10时，边缘计算服务器会重新训练更新电力负荷预测模型，并下发至嵌入式能量管理设备重新计算至MAPE大于10的以日为单位的预测负荷值集与实际负荷值集的判据Pm即MAPE，如此更新两遍最后得出的电力负荷预测模型更新前后MAPE对比图。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所做的等效结构或者等效功能变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于边缘计算的电力负荷预测系统，该系统包括边缘计算服务器和一台或多台嵌入式能量管理设备。系统内边缘计算服务器主要负责采集外界特征因素数据，处理数据及构建基于长短时记忆神经网络电力负荷预测模型，并把构建好的电力负荷预测模型及其配置传输至嵌入式能量管理设备；嵌入式能量管理设备则主要负责采集设备数据、根据模型进行电力负荷的预测和能量管理。其中边缘计算服务器包括：
数据交互模块：用于接收来自嵌入式能量管理设备的设备数据和负荷预测数据等和发送指令、外界数据和完成训练的电力负荷预测模型等至嵌入式能量管理设备。
数据采集模块：用于采集和储存包含但不限于历史时间数据和相对应的历史气象数据等。
数据预处理模块：用于对嵌入式能量管理设备的数据进行数据清洗、数据标准化、数据类型的变换等，从而保证数据的质量，以便能够更好的为后续的分析、建模工作服务。
模型建立模块：对历史时刻的区域特征因素和电力负荷数据进行构建基于长短时记忆神经网络电力负荷预测模型。
嵌入式能量管理设备包括：
数据交互模块：用于接收来自边缘计算服务器的指令、外界数据和完成训练的电力负荷预测模型和发送设备数据和负荷预测数据等至边缘计算服务器。
电力负荷预测模块：用于利用边缘计算服务器训练生成的长短时记忆神经网络电力负荷预测模型对区域内的电力负荷进行预测。
数据采集模块：用于采集和存储包含但不限于嵌入式能量管理设备的用电负荷数据。
能量管理模块：根据预测电力负荷数据信息对设备进行能量管理，如发电优化调度、负荷管理、实时监测并自动实现微电网同步等功能。
2.一种基于边缘计算的电力负荷预测系统，其特征在于，包括如下步骤：
S1，边缘计算服务器的采集外界数据模块采集包含但不限于用户侧的气象数据和用户行业信息等区域特征因素，嵌入式能量管理设备采集包含但不限于用户侧的用电负荷数据，其中两端的采集间隔点t分钟采集一次数据，并分别按照年月日时分的五个时间维度结构化储存。
S2，嵌入式能量管理设备的数据交互模块将端内储存的用户侧的用电负荷数据发送至边缘计算服务器。
S3，边缘计算服务器的数据交互模块接收来自嵌入式能量管理设备的用户侧用电负荷数据。
S4，边缘计算服务器的数据预处理模块先将区域特征因素和用户侧的用电负荷数据等原始数据进行预处理并储存为历史数据。
S5，边缘计算服务器的模型建立模块构建并根据历史数据训练基于长短时记忆神经网络的电力负荷预测模型。
S6，将待预测时间长度记为Tp，边缘计算服务器的数据交互模块将历史数据和Tp个时间长度的区域特征因素数据和完成训练的电力负荷预测模型发送至嵌入式能量管理设备。
S7，嵌入式能量管理设备的数据交互模块接收来自边缘计算服务器的历史数据和Tp个时间长度的区域特征因素数据、完成训练的电力负荷预测模型和模型配置数据。
S8，嵌入式能量管理设备的电力负荷预测模块根据来自边缘计算服务器的历史数据、Tp个时间长度的区域特征因素数据和模型配置数据利用电力负荷预测模型进行电力负荷预测，并将电力负荷预测结果至能量管理模块和边缘计算服务器。
S9，边缘计算服务器的数据交互模块接收来自嵌入式能量管理设备的电力负荷预测结果并与实际结果进行计算判据。
若判据等于0，则执行步骤S4、S5和S6更新嵌入式能量管理设备的电力负荷预测模型。
若判据等于1，则代表电力负荷预测模型符合规定要求。
3.根据权利要求2所述的一种基于边缘计算的电力负荷预测系统，其特征在于，所述步骤S5具体过程如下：
S51，获取完成预处理的Nq个Np维区域特征因素和1维用户侧的用电负荷数据的数据以对应时刻为基准以及设用延迟时间的长度为Td和待预测时间长度记为Tp组成一个二维NnxNm的原始数据集合，其中Nq为数据的总长度，Np为特征因素的个数，Nn＝Nq-(Tp+Td+1)，Nm＝(Np+1)×(Td+Tp)-Tp。
S52，对原始数据进行数据预处理，并按照一定比例得到训练集，验证集和测试集。
S53，构建基于长短时记忆神经网络的电力负荷预测模型，并通过步骤S52得到的训练集对电力负荷模型进行训练。
S54，用测试集测试完成训练的电力负荷预测模型的预测准确率。
4.根据权利要求2所述的一种基于边缘计算的电力负荷预测系统，其特征在于，所述步骤S8具体过程如下：
S81，将接收来自边缘计算服务器的历史数据的长度记为Th，区域特征因素数据的时间长度记为Tc。
S82，将边缘计算服务器的历史数据和区域特征因素数据预处理成符合模型配置数据的预测集。
S83，将预测集进行归一化：其中Lo是原始负荷值，Lmin和Lmax分别代表负荷值的最小值和最大值，L为归一化后的负荷值。
S84，加载电力负荷预测模型，并循环直至预测完预测集得到预测负荷值，循环次数C如下：
S85，将步骤S84预测出的预测负荷值反归一化成预测试实际负荷值，反归一化方法如下式：
5.根据权利要求3所述的一种基于边缘计算的电力负荷预测系统，其特征在于，所述步骤S52中，对原始数据进行数据预处理过程如下：
S521，将验证比例设为Pv，测试比例设为Pt。
S522，将原始数据以Td和Tp为参数转换数据形式为监督学习数据集。
S523，将所有特征数据进行归一化：
S524，将步骤S523得到的数据集按照Pt的比例划分为(PtxNn)个训练集和[(1-Pt)xNn]个测试集，将划分好的训练集按照Pv的比例划分为[Pvx(PtxNn)]个待训练集和[(1-Pv)x(PtxNn)]个验证集。
6.根据权利要求3所述的一种基于边缘计算的电力负荷预测系统，其特征在于，所述步骤S53中，电力负荷预测模型训练过程如下：
S531，将长短时记忆神经网络的三个输入：当前时刻的输入值记为xt，上一时刻的输出记为ht-1，上一时刻的单元状态记为ct-1。长短时记忆神经网络两个输出：当前时刻输出值记为ht，当前时刻的单元状态ct。遗忘门的值记为ft，输入门的值记为it，输出门的值记为ot，当前时刻t的用于描述当前输入的单元状态记为遗忘门的权重矩阵记为Wf，输入门的权重矩阵记为Wi，输出门的权重矩阵记为Wo，单元状态c权重矩阵记为Wc。遗忘门的偏置项记为bf，输入门的偏置项记为bi，输出门的偏置项记为bo。Wf与上一时刻的输出项ht-1的乘积记为Wfh，Wf与输入项xt的乘积记为Wfx，Wi与上一时刻的输出项ht-1的乘积记为Wih，Wi与输入项xt的乘积记为Wix，Wo与上一时刻的输出项ht-1的乘积记为Woh，Wo与输入项xt的乘积记为Wox，Wc与上一时刻的输出项ht-1的乘积记为Wch，Wc与输入项xt的乘积记为Wcx；对基于长短时记忆神经网络的电力负荷预测模型的权重矩阵Wfh、Wfx、Wih、Wix、Woh、Wox、Wch和Wcx初始化为零；
S532，计算ft：
ft＝σ(Wf·[ht-1,xt]+bf)＝σ(Wfhht-1+Wfxxt+bf)
其中，σ是激活函数，激活函数是sigmiod函数，即[ht-1,xt]是表示把两个向量连接成一个更长的向量。
S533，计算it：
it＝σ(Wi·[ht-1,xt]+bi)＝σ(Wihht-1+Wixxt+bi)
S534，计算
S535，计算ct：
其中，符号o表示按元素乘。
S536，计算ot：
ot＝σ(Wo·[ht-1,xt]+bo)＝σ(Wohht-1+Woxxt+bo)
S537，计算ht：
ht＝ototanh(ct)
S538,将ht反归一化的结果与实际结果计算平均绝对误差(MAE)：
使用自适应矩估计优化算法更新权重矩阵Wfh、Wfx、Wih、Wix、Woh、Wox、Wch和Wcx；
循环步骤S532至步骤S538，直到所有历史数据都输入至电力负荷预测模型进行预测和权重调整后，完成对长短时记忆神经网络的训练。
7.如权利要求1所述的基于长短时记忆神经网络的电力负荷预测方法，其特征在于，所述步骤S9中的判据Pm为以平均绝对百分误差(MAPE)为基准，Pm计算公式如下:
其中，Actualt表示对应时刻的真实值，Forecastt表示对应时刻的预测值，η为阈值。
若MAPE大于阈值，则判据输出为0。
若MAPE小于等于阈值，则判据输出为1。
CN201810994738.2A 2018-08-30 2018-08-30 基于边缘计算的电力负荷预测系统 Pending CN109034495A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810994738.2A CN109034495A (zh) 2018-08-30 2018-08-30 基于边缘计算的电力负荷预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810994738.2A CN109034495A (zh) 2018-08-30 2018-08-30 基于边缘计算的电力负荷预测系统

Publications (1)

Publication Number Publication Date
CN109034495A true CN109034495A (zh) 2018-12-18

Family

ID=64626228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810994738.2A Pending CN109034495A (zh) 2018-08-30 2018-08-30 基于边缘计算的电力负荷预测系统

Country Status (1)

Country Link
CN (1) CN109034495A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109831535A (zh) * 2019-03-20 2019-05-31 华南理工大学 一种基于边缘计算的大数据智能收集方法
CN110349424A (zh) * 2019-06-28 2019-10-18 京东数字科技控股有限公司 一种基于车路协同的路侧系统
CN110348592A (zh) * 2019-05-21 2019-10-18 华电电力科学研究院有限公司 一种基于人工神经网络的负荷模型预测方法及预测系统
CN110502719A (zh) * 2019-08-06 2019-11-26 上海展湾信息科技有限公司 边缘计算模型管理系统及方法
CN110717300A (zh) * 2019-09-27 2020-01-21 云南电网有限责任公司 面向电力物联实时在线监测业务的边缘计算任务分配方法
CN111064633A (zh) * 2019-11-28 2020-04-24 国网甘肃省电力公司电力科学研究院 一种云边协同电力信息通信设备自动化测试资源分配方法
CN111242423A (zh) * 2019-12-31 2020-06-05 深圳能源售电有限公司 主动需求响应潜力分析方法、装置、设备以及存储介质
CN111445071A (zh) * 2020-03-26 2020-07-24 南方电网科学研究院有限责任公司 一种电力计量系统及控制方法
CN111600296A (zh) * 2020-01-09 2020-08-28 浙江中新电力工程建设有限公司自动化分公司 基于边缘计算的电力负荷预测系统及其预测方法
CN112036542A (zh) * 2019-06-04 2020-12-04 山东华软金盾软件股份有限公司 一种基于深度学习的cpu占有率的预测方法及系统
CN112085324A (zh) * 2020-07-30 2020-12-15 北京思特奇信息技术股份有限公司 一种边缘系统信息预载和更新的估算系统及方法
CN113918354A (zh) * 2021-12-14 2022-01-11 常州艾肯智造科技有限公司 边缘计算的数字化蒸汽泄露监测数据传输系统
CN114723236A (zh) * 2022-03-17 2022-07-08 广州汉光电气股份有限公司 一种电网边缘计算分界方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040249775A1 (en) * 2003-05-13 2004-12-09 Dingguo Chen Very short term load prediction in an energy management system
CN103283104A (zh) * 2011-12-28 2013-09-04 株式会社东芝 电力管理系统及电力管理方法
CN103295081A (zh) * 2013-07-02 2013-09-11 上海电机学院 基于bp神经网络的电力系统负荷预测方法
JP2014003727A (ja) * 2012-06-15 2014-01-09 Mitsubishi Electric Building Techno Service Co Ltd 電力制御システム及び電力監視装置
CN104937804A (zh) * 2013-03-15 2015-09-23 株式会社东芝 电力需求预测装置、方法和程序以及需求抑制计划制定装置
CN106779129A (zh) * 2015-11-19 2017-05-31 华北电力大学（保定） 一种考虑气象因素的短期电力负荷预测方法
CN106952181A (zh) * 2017-03-08 2017-07-14 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系统
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
CN107704967A (zh) * 2017-10-17 2018-02-16 吉林省电力科学研究院有限公司 一种基于改进模糊神经网络的短期电力负荷预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040249775A1 (en) * 2003-05-13 2004-12-09 Dingguo Chen Very short term load prediction in an energy management system
CN103283104A (zh) * 2011-12-28 2013-09-04 株式会社东芝 电力管理系统及电力管理方法
JP2014003727A (ja) * 2012-06-15 2014-01-09 Mitsubishi Electric Building Techno Service Co Ltd 電力制御システム及び電力監視装置
CN104937804A (zh) * 2013-03-15 2015-09-23 株式会社东芝 电力需求预测装置、方法和程序以及需求抑制计划制定装置
CN103295081A (zh) * 2013-07-02 2013-09-11 上海电机学院 基于bp神经网络的电力系统负荷预测方法
CN106779129A (zh) * 2015-11-19 2017-05-31 华北电力大学（保定） 一种考虑气象因素的短期电力负荷预测方法
CN106952181A (zh) * 2017-03-08 2017-07-14 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系统
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
CN107704967A (zh) * 2017-10-17 2018-02-16 吉林省电力科学研究院有限公司 一种基于改进模糊神经网络的短期电力负荷预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
代林: "基于神经网络的电力负荷预测方法研究与实现", 《电子科技大学》 *
崔少杰: "基于神经网络的电力系统负荷预测及分配研究", 《齐齐哈尔大学》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109831535A (zh) * 2019-03-20 2019-05-31 华南理工大学 一种基于边缘计算的大数据智能收集方法
CN109831535B (zh) * 2019-03-20 2020-06-19 华南理工大学 一种基于边缘计算的大数据智能收集方法
CN110348592A (zh) * 2019-05-21 2019-10-18 华电电力科学研究院有限公司 一种基于人工神经网络的负荷模型预测方法及预测系统
CN112036542A (zh) * 2019-06-04 2020-12-04 山东华软金盾软件股份有限公司 一种基于深度学习的cpu占有率的预测方法及系统
CN110349424A (zh) * 2019-06-28 2019-10-18 京东数字科技控股有限公司 一种基于车路协同的路侧系统
CN110502719A (zh) * 2019-08-06 2019-11-26 上海展湾信息科技有限公司 边缘计算模型管理系统及方法
CN110717300A (zh) * 2019-09-27 2020-01-21 云南电网有限责任公司 面向电力物联实时在线监测业务的边缘计算任务分配方法
CN110717300B (zh) * 2019-09-27 2022-10-21 云南电网有限责任公司 面向电力物联实时在线监测业务的边缘计算任务分配方法
CN111064633A (zh) * 2019-11-28 2020-04-24 国网甘肃省电力公司电力科学研究院 一种云边协同电力信息通信设备自动化测试资源分配方法
CN111064633B (zh) * 2019-11-28 2021-09-24 国网甘肃省电力公司电力科学研究院 一种云边协同电力信息通信设备自动化测试资源分配方法
CN111242423B (zh) * 2019-12-31 2022-07-12 深圳能源售电有限公司 主动需求响应潜力分析方法、装置、设备以及存储介质
CN111242423A (zh) * 2019-12-31 2020-06-05 深圳能源售电有限公司 主动需求响应潜力分析方法、装置、设备以及存储介质
CN111600296A (zh) * 2020-01-09 2020-08-28 浙江中新电力工程建设有限公司自动化分公司 基于边缘计算的电力负荷预测系统及其预测方法
CN111600296B (zh) * 2020-01-09 2021-09-14 浙江中新电力工程建设有限公司自动化分公司 基于边缘计算的电力负荷预测系统及其预测方法
CN111445071A (zh) * 2020-03-26 2020-07-24 南方电网科学研究院有限责任公司 一种电力计量系统及控制方法
CN112085324A (zh) * 2020-07-30 2020-12-15 北京思特奇信息技术股份有限公司 一种边缘系统信息预载和更新的估算系统及方法
CN112085324B (zh) * 2020-07-30 2024-03-26 北京思特奇信息技术股份有限公司 一种边缘系统信息预载和更新的估算系统及方法
CN113918354A (zh) * 2021-12-14 2022-01-11 常州艾肯智造科技有限公司 边缘计算的数字化蒸汽泄露监测数据传输系统
CN113918354B (zh) * 2021-12-14 2022-03-18 常州艾肯智造科技有限公司 边缘计算的数字化蒸汽泄露监测数据传输系统
CN114723236A (zh) * 2022-03-17 2022-07-08 广州汉光电气股份有限公司 一种电网边缘计算分界方法

Similar Documents

Publication Publication Date Title
CN109034495A (zh) 基于边缘计算的电力负荷预测系统
Lin et al. An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation
CN112614009B (zh) 一种基于深度期望q-学习的电网能量管理方法及系统
CN108280551A (zh) 一种利用长短期记忆网络的光伏发电功率预测方法
CN103390116B (zh) 采用分步方式的光伏电站发电功率预测方法
CN101888087A (zh) 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
CN109242212A (zh) 一种基于变模式分解与长短记忆网络的风电预测方法
Yi et al. An improved two-stage deep reinforcement learning approach for regulation service disaggregation in a virtual power plant
Levent et al. Energy management for microgrids: A reinforcement learning approach
CN113935463A (zh) 一种基于人工智能控制方法的微电网控制器
Yahya et al. Short-term electric load forecasting using recurrent neural network (study case of load forecasting in central java and special region of yogyakarta)
CN105160441A (zh) 基于增量式超限向量回归机集成网络的实时电力负荷预测方法
CN109376911A (zh) 一种基于EMD-KELMs-SDPSO的微电网短期负荷预测方法
Yuan et al. Design and hil realization of an online adaptive dynamic programming approach for real-time economic operations of household energy systems
Su et al. Short-and mid-term load forecasting using machine learning models
Putri et al. Short-term forecasting of electricity consumption revenue on Java-Bali electricity system using Jordan recurrent neural network
CN112686693A (zh) 电力现货市场边际电价预测方法、系统、设备及存储介质
Liu et al. Social implications of cyber-physical systems in electrical load forecasting
Ming-guang et al. Short-term load combined forecasting method based on BPNN and LS-SVM
Liu et al. Deep reinforcement learning for real-time economic energy management of microgrid system considering uncertainties
Mohamed et al. A comparative study of hourly wind speed and power forecasting using deep learning networks, weka time series, and ARIMA algorithms for smart grid integration
Gaber et al. Hourly electricity price prediction applying deep learning for electricity market management
Zheng et al. Wind Power Forecasting Based on Prophet Model
Yang et al. Saturated demand forecast of regional power grid based on amended self-adaptive logistic model: A case study of east China
Qi et al. Regional electricity sales forecasting research based on big data application service platform

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181218