CN109214948A - 一种电力系统热负荷预测的方法和装置 - Google Patents

一种电力系统热负荷预测的方法和装置 Download PDF

Info

Publication number
CN109214948A
CN109214948A CN201811114080.8A CN201811114080A CN109214948A CN 109214948 A CN109214948 A CN 109214948A CN 201811114080 A CN201811114080 A CN 201811114080A CN 109214948 A CN109214948 A CN 109214948A
Authority
CN
China
Prior art keywords
data
day
reference line
electric system
history
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
CN201811114080.8A
Other languages
English (en)
Inventor
黄信
刘胜伟
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 CN201811114080.8A priority Critical patent/CN109214948A/zh
Publication of CN109214948A publication Critical patent/CN109214948A/zh
Priority to PCT/CN2019/107946 priority patent/WO2020063689A1/zh
Priority to EP19865012.9A priority patent/EP3822905A4/en
Priority to JP2021514413A priority patent/JP7497342B2/ja
Priority to US17/058,664 priority patent/US20210209467A1/en
Priority to SG11202102670SA priority patent/SG11202102670SA/en
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • 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"
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • 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
    • 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
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种电力系统热负荷预测的方法和装置，该方法包括：S1：对电力系统热负荷的历史日数据进行预处理；S2：根据预处理后的历史每日数据获得数据日基准线；S3：将获得的数据日基准线划分为若干个时间段；S4：筛选历史日数据，并分别在划分的每个时间段内计算筛选后的历史日数据与数据日基准线的趋势相似值；S5：选取大于预设基准值的趋势相似值对应的历史日数据，形成相似序列矩阵；S6：将相似序列矩阵输入建构的极限学习机ELM进行训练，获得预测模型，并进行电力系统热负荷的预测。本发明采用基于趋势分段的时序表示方法，有效保留了热负荷时间序列中重要的变化趋势信息，能更加精确地预测热负荷的变化趋势。

Description

一种电力系统热负荷预测的方法和装置
技术领域
本发明涉及数据分析技术领域，特别涉及一种电力系统热负荷预测的方法和装置。
背景技术
时间序列广泛存在于人们的日常生活及工业生产中，如基金或股票的实时交易数据，零售市场的日销量数据，流程工业的传感器监测数据，天文观测数据，航空航天雷达、卫星监测数据，实时天气温度及空气质量指数等。工业界迄今提出了许多时间序列分析方法，包括相似性查询方法、分类方法、聚类方法、预测方法、异常检测方法等。其中，许多方法都需要对时间序列进行相似性判断因此，时间序列相似性度量方法在工业界有着广泛的应用需求。
但是，现有的电力系统热负荷预测均是根据单一的天气因素来选取相似趋势的算法没有考虑到在同一负荷日不同时间段影响负荷变化的因素。从而造成影响热负荷预测的准确性。
发明内容
本发明实施例提供了一种电力系统热负荷预测的方法和装置，基于动态分段和极限学习机算法来预测未来24小时的负荷趋势，提高了预测的准确性。
第一方面，本发明实施例提供了一种电力系统热负荷预测的方法，该方法包括：
S1：对电力系统热负荷的历史日数据进行预处理；
S2：根据预处理后的历史每日数据获得数据日基准线；
S3：将获得的数据日基准线划分为若干个时间段；
S4：筛选历史日数据，并分别在划分的每个时间段内计算筛选后的历史日数据与数据日基准线的趋势相似值；
S5：选取大于预设基准值的趋势相似值对应的历史日数据，形成相似序列矩阵；
S6：将相似序列矩阵输入建构的ELM(Extreme Learning Machine,极限学习机)进行训练，获得预测模型，并进行电力系统热负荷的预测。
优选地，步骤S1的具体过程包括：
对电力系统热负荷的历史日数据进行去噪、填充以及归一化处理。
优选地，步骤S2的具体过程包括：
将距离待预测日最近的预设天数的数据均值作为数据日基准线。
优选地，步骤S3的具体过程包括：
根据数据日基准线中的极值点，将数据日基准线划分为若干个时间段。
优选地，步骤S3的具体过程包括：
根据数据日基准线中同时与相邻两点的斜率之差大于预设阈值的点以及极值点，将数据日基准线划分为若干个时间段。
优选地，步骤S4的具体过程包括：
根据环境因素计算历史日与待预测日的相似值，选取大于预设阈值的相似值对应的相似历史日；
分别在划分的每个时间段内计算相似历史日数据与数据日基准线的趋势相似值。
第二方面，本发明实施例提供了一种电力系统热负荷预测的装置，该装置包括：数据处理模块、确定基线模块、时间分段模块、相似计算模块、样本筛选模块和训练模型模块，其中，
所述数据处理模块，用于对电力系统热负荷的历史日数据进行预处理；
所述确定基线模块，用于根据所述数据处理模块预处理后的历史每日数据获得数据日基准线；
所述时间分段模块，用于将所述确定基线模块获得的数据日基准线划分为若干个时间段；
所述相似计算模块，用于筛选历史日数据，并分别在划分的每个时间段内计算筛选后的历史日数据与数据日基准线的趋势相似值；
所述样本筛选模块，用于选取大于预设基准值的趋势相似值对应的历史日数据，形成相似序列矩阵；
所述训练模型模块，用于将所述样本筛选模块相似序列矩阵输入建构的极限学习机ELM进行训练，获得预测模型，并进行电力系统热负荷的预测。
优选地，所述数据处理模块具体用于对电力系统热负荷的历史日数据进行去噪、填充以及归一化处理。
优选地，所述确定基线模块具体用于将距离待预测日最近的预设天数的数据均值作为数据日基准线。
优选地，所述时间分段模块具体用于根据数据日基准线中的极值点，将数据日基准线划分为若干个时间段。
优选地，所述时间分段模块具体用于根据数据日基准线中同时与相邻两点的斜率之差大于预设阈值的点以及极值点，将数据日基准线划分为若干个时间段。
优选地，所述相似计算模块具体用于根据环境因素计算历史日与待预测日的相似值，选取大于预设阈值的相似值对应的相似历史日，以及分别在划分的每个时间段内计算相似历史日数据与数据日基准线的趋势相似值。
与现有技术相比，本发明至少具有以下有益效果：
1、具有智能学习能力，能够提高预测的准确性。
2、采用基于趋势分段的时序表示方法，依据电力系统热负荷时间序列的不同趋势对其进行分段，有效保留了热负荷时间序列中重要的变化趋势信息，能更加精确地预测热负荷的变化趋势。
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电力系统热负荷预测的方法流程图；
图2是本发明一个实施例提供的一种电力系统热负荷预测的装置框图。
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电力系统热负荷预测的方法，该方法可以包括以下步骤：
S1：对电力系统热负荷的历史日数据进行预处理；
S2：根据预处理后的历史每日数据获得数据日基准线；
S3：将获得的数据日基准线划分为若干个时间段；
S4：筛选历史日数据，并分别在划分的每个时间段内计算筛选后的历史日数据与数据日基准线的趋势相似值；
S5：选取大于预设基准值的趋势相似值对应的历史日数据，形成相似序列矩阵；
S6：将相似序列矩阵输入建构的ELM进行训练，获得预测模型，并进行电力系统热负荷的预测。
在该实施例中，构建极限学习机ELM神经网络，网络分三层，输入层，隐含层，输出层。其学习过程不需要调整隐含层节点参数，输入层至隐含层的特征映射可以是随机的或人为给定的。其学习过程易于在全局极小值收敛。对于给定N组训练数据，使用ELM对包含L个隐含层和M个输出层进行学习有如下步骤：(1)随机分配节点参数：在计算开始时，SLFN的节点参数会随机生成，即节点参数与输入数据独立。这里的随机生成可以服从任意的连续概率分布(continuous probability distribution)；(2)计算隐含层的输出矩阵：隐含层输出矩阵的大小为N行M列，即行数为输入的训练数据个数，列数为隐含层节点数。输出矩阵本质上即是将N个输入数据映射至L个节点所得的结果；(3)求解输出权重：隐含层的输出权重矩阵的大小为L行M列，即行数为隐含层节点数，列数为输出层节点数。与其他算法不同，ELM算法中，输出层可以(或建议)没有误差节点，因此当输出变量只有一个时，输出权重矩阵为一向量。ELM算法的核心即是求解输出权重使得误差函数最小。
在该实施例中具有智能学习能力，能够提高预测的准确性；采用基于趋势分段的时序表示方法，依据电力系统热负荷时间序列的不同趋势对其进行分段，有效保留了热负荷时间序列中重要的变化趋势信息，能更加精确地预测热负荷的变化趋势。
值得说明的是，本申请中所有的实施例均建立在一定的假设条件下。该假设条件包括假设历史实时气象因素已知，如每小时的温度和湿度；假设待预测24个小时的气象因素已知(可通过气象平台获得)。
在本发明一个实施例中，步骤S1的具体过程包括：
对电力系统热负荷的历史日数据进行去噪、填充以及归一化处理。
在该实施例中，通过对历史日数据的预处理可以提高数据精度，进一步保证热负荷预测的准确性。
在本发明一个实施例中，步骤S2的具体过程包括：
将距离待预测日最近的预设天数的数据均值作为数据日基准线。
在该实施例中，对于时间序列数据而言，相对重要的影响点通常是局部极大值和极小值点，而对于短期负荷来说，距离待预测日越近的时间点对预测影响较大，俗称“近大远小”原则，本申请选取据离待预测日最近的预设天数的数据均值作为数据日基准线。例如，预设的天数为三天，则同一时刻会有三个历史数据，针对同一时刻求其均值，则得到该时刻的基准值，将所有时刻都计算完成便可获得数据日基准线。除此之外，也可以通过待预测日和历史日的气象趋势相似性排在前面的N天的对应的数据，求其均值作为数据日基准线。具体N的取值可以根据实际情况确定。例如，现有10天的历史数据，该10天与待预测日的气象趋势相似性分别为A、B、C、D、E、F、G、H、I、M、P，且A>B>C>D>E>F>G>H>I>M>P，若N取3，则选取的数据就是A、B和C对应的数据。
在本发明一个实施例中，步骤S3的具体过程包括：
根据数据日基准线中的极值点，将数据日基准线划分为若干个时间段。
在该实施例中，通过极大值和极小值将数据日基准线划分为若干个时间段。例如，在24小时中，有两个极大值和两个极小值，则具有四个关键点，所以就会把数据日基准线划分为5段。
在本放一个实施例中，步骤S3的具体过程包括：
根据数据日基准线中同时与相邻两点的斜率之差大于预设阈值的点以及极值点，将数据日基准线划分为若干个时间段。
在该实施例中，不仅通过极大值和极小值确定划分时间段的关键点，并且结合实际数据情况对关键点进行修正。除此之外，还可以根据业务知识对关键点进行修正，比如业务上16:00-18:00会出现一段增长的小高峰，那么在分段的时候会把16:00和18:00两个点作为关键点。
在本发明一个实施例中，步骤S4的具体过程包括：
根据环境因素计算历史日与待预测日的相似值，选取大于预设阈值的相似值对应的相似历史日；
分别在划分的每个时间段内计算相似历史日数据与数据日基准线的趋势相似值。
在该实施例中，趋势相似值可以通过以下公式进行计算：
其中，RXY代表趋势相似值，E(XY)代表XY的期望，E(X)代表X的期望，E(Y)代表Y的期望，D(X)代表X的方差，D(Y)代表Y的方差。X为数据日基准线，Y为历史日数据。
在该实施例中，选取大于预设基准值的趋势相似值对应的历史日数据，形成相似序列矩阵，该矩阵可以为：
其中，cij为在划分的时间段中第i段的第j个相似序列。
在此，利用实验对本发明的优越性进行验证。选取了30天的热负荷预测值(一天24小时，每小时对应一个热负荷值，时间段选取为2018.06.01-2018.06.30)作为实验数据，其中23天的数据作为训练集数据，后7天的数据作为测试数据集。实验效果的衡量指标选取均方根误差RMSE和平均相对误差MAPE。
分别对比了三种算法：
(1)单纯天气相似算法；
(2)相似子序列直接相连算法；
(3)本发明算法；
通过对比三种方法的均方根误差RMSE和平均相对误差MAPE指标进行说明，数据如下：
均方根误差RMSE：
平均相对误差MAPE:
其中：yt代表真实值，yd代表预测值，n代表样本数。
计算结果如下表1所示：
表1
评价指标 本文算法 单纯天气相似算法 相似子序列直接相连算法
RMSE 1.19 2.38 1.85
MAPE 3.38％ 6.11％ 4.52％
通过实验数据的对比，可以看出本文提出的方法在热负荷的预测上能够达到更好的效果。
如图2所示，本发明实施例提供了一种电力系统热负荷预测的装置，该装置包括：数据处理模块、确定基线模块、时间分段模块、相似计算模块、样本筛选模块和训练模型模块，其中，
数据处理模块，用于对电力系统热负荷的历史日数据进行预处理；
确定基线模块，用于根据所述数据处理模块预处理后的历史每日数据获得数据日基准线；
时间分段模块，用于将所述确定基线模块获得的数据日基准线划分为若干个时间段；
相似计算模块，用于筛选历史日数据，并分别在划分的每个时间段内计算筛选后的历史日数据与数据日基准线的趋势相似值；
样本筛选模块，用于选取大于预设基准值的趋势相似值对应的历史日数据，形成相似序列矩阵；
训练模型模块，用于将所述样本筛选模块相似序列矩阵输入建构的极限学习机ELM进行训练，获得预测模型，并进行电力系统热负荷的预测。
在该实施例中，构建极限学习机ELM神经网络，网络分三层，输入层，隐含层，输出层。其学习过程不需要调整隐含层节点参数，输入层至隐含层的特征映射可以是随机的或人为给定的。其学习过程易于在全局极小值收敛。对于给定N组训练数据，使用ELM对包含L个隐含层和M个输出层进行学习有如下步骤：(1)随机分配节点参数：在计算开始时，SLFN的节点参数会随机生成，即节点参数与输入数据独立。这里的随机生成可以服从任意的连续概率分布(continuous probability distribution)；(2)计算隐含层的输出矩阵：隐含层输出矩阵的大小为N行M列，即行数为输入的训练数据个数，列数为隐含层节点数。输出矩阵本质上即是将N个输入数据映射至L个节点所得的结果；(3)求解输出权重：隐含层的输出权重矩阵的大小为L行M列，即行数为隐含层节点数，列数为输出层节点数。与其他算法不同，ELM算法中，输出层可以(或建议)没有误差节点，因此当输出变量只有一个时，输出权重矩阵为一向量。ELM算法的核心即是求解输出权重使得误差函数最小。
在该实施例中具有智能学习能力，能够提高预测的准确性；采用基于趋势分段的时序表示方法，依据电力系统热负荷时间序列的不同趋势对其进行分段，有效保留了热负荷时间序列中重要的变化趋势信息，能更加精确地预测热负荷的变化趋势。
值得说明的是，本申请中所有的实施例均建立在一定的假设条件下。该假设条件包括假设历史实时气象因素已知，如每小时的温度和湿度；假设待预测24个小时的气象因素已知(可通过气象平台获得)。
在本发明一个实施例中，所述数据处理模块具体用于对电力系统热负荷的历史数据进行去噪、填充以及归一化处理。
在该实施例中，通过对历史日数据的预处理可以提高数据精度，进一步保证热负荷预测的准确性。
在本发明一个实施例中，所述确定基线模块具体用于将距离待预测日最近的预设天数的数据均值作为数据日基准线。
在该实施例中，对于时间序列数据而言，相对重要的影响点通常是局部极大值和极小值点，而对于短期负荷来说，距离待预测日越近的时间点对预测影响较大，俗称“近大远小”原则，本申请选取据离待预测日最近的预设天数的数据均值作为数据日基准线。例如，预设的天数为三天，则同一时刻会有三个历史数据，针对同一时刻求其均值，则得到该时刻的基准值，将所有时刻都计算完成便可获得数据日基准线。除此之外，也可以通过待预测日和历史日的气象趋势相似性排在前面的N天的对应的数据，求其均值作为数据日基准线。具体N的取值可以根据实际情况确定。例如，现有10天的历史数据，该10天与待预测日的气象趋势相似性分别为A、B、C、D、E、F、G、H、I、M、P，且A>B>C>D>E>F>G>H>I>M>P，若N取3，则选取的数据就是A、B和C对应的数据。
在本发明一个实施例中，所述时间分段模块具体用于根据数据日基准线中的极值点，将数据日基准线划分为若干个时间段。
在该实施例中，通过极大值和极小值将数据日基准线划分为若干个时间段。例如，在24小时中，有两个极大值和两个极小值，则具有四个关键点，所以就会把数据日基准线划分为5段。
在本发明一个实施例中，所述时间分段模块具体用于根据数据日基准线中同时与相邻两点的斜率之差大于预设阈值的点以及极值点，将数据日基准线划分为若干个时间段。
在该实施例中，不仅通过极大值和极小值确定划分时间段的关键点，并且结合实际数据情况对关键点进行修正。除此之外，还可以根据业务知识对关键点进行修正，比如业务上16:00-18:00会出现一段增长的小高峰，那么在分段的时候会把16:00和18:00两个点作为关键点。
在本发明一个实施例中，所述相似计算模块具体用于根据环境因素计算历史日与待预测日的相似值，选取大于预设阈值的相似值对应的相似历史日，以及分别在划分的每个时间段内计算相似历史日数据与数据日基准线的趋势相似值。
在该实施例中，趋势相似值可以通过以下公式进行计算：
其中，RXY代表趋势相似值，E(XY)代表XY的期望，E(X)代表X的期望，E(Y)代表Y的期望，D(X)代表X的方差，D(Y)代表Y的方差。X为数据日基准线，Y为历史日数据。
在该实施例中，选取大于预设基准值的趋势相似值对应的历史日数据，形成相似序列矩阵，该矩阵可以为：
其中，cij为在划分的时间段中第i段的第j个相似序列。
在此，利用实验对本发明的优越性进行验证。选取了30天的热负荷预测值(一天24小时，每小时对应一个热负荷值，时间段选取为2018.06.01-2018.06.30)作为实验数据，其中23天的数据作为训练集数据，后7天的数据作为测试数据集。实验效果的衡量指标选取均方根误差RMSE和平均相对误差MAPE。
分别对比了三种算法：
(1)单纯天气相似算法；
(2)相似子序列直接相连算法；
(3)本发明算法；
通过对比三种方法的均方根误差RMSE和平均相对误差MAPE指标进行说明，数据如下：
均方根误差RMSE：
平均相对误差MAPE:
其中：yt代表真实值，yd代表预测值，n代表样本数。
计算结果如下表1所示：
表1
评价指标 本文算法 单纯天气相似算法 相似子序列直接相连算法
RMSE 1.19 2.38 1.85
MAPE 3.38％ 6.11％ 4.52％
通过实验数据的对比，可以看出本文提出的方法在热负荷的预测上能够达到更好的效果。
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)

1.一种电力系统热负荷预测的方法，其特征在于，该方法包括：
S1：对电力系统热负荷的历史日数据进行预处理；
S2：根据预处理后的历史每日数据获得数据日基准线；
S3：将获得的数据日基准线划分为若干个时间段；
S4：筛选历史日数据，并分别在划分的每个时间段内计算筛选后的历史日数据与数据日基准线的趋势相似值；
S5：选取大于预设基准值的趋势相似值对应的历史日数据，形成相似序列矩阵；
S6：将相似序列矩阵输入建构的极限学习机ELM进行训练，获得预测模型，并进行电力系统热负荷的预测。
2.根据权利要求1所述的电力系统热负荷预测的方法，其特征在于，步骤S1的具体过程包括：
对电力系统热负荷的历史日数据进行去噪、填充以及归一化处理。
3.根据权利要求1所述的电力系统热负荷预测的方法，其特征在于，步骤S2的具体过程包括：
将距离待预测日最近的预设天数的数据均值作为数据日基准线。
4.根据权利要求1所述的电力系统热负荷预测的方法，其特征在于，步骤S3的具体过程包括：
根据数据日基准线中的极值点，将数据日基准线划分为若干个时间段。
5.根据权利要求1所述的电力系统热负荷预测的方法，其特征在于，步骤S3的具体过程包括：
根据数据日基准线中同时与相邻两点的斜率之差大于预设阈值的点以及极值点，将数据日基准线划分为若干个时间段。
6.根据权利要求1所述的电力系统热负荷预测的方法，其特征在于，步骤S4的具体过程包括：
根据环境因素计算历史日与待预测日的相似值，选取大于预设阈值的相似值对应的相似历史日；
分别在划分的每个时间段内计算相似历史日数据与数据日基准线的趋势相似值。
7.一种电力系统热负荷预测的装置，其特征在于，该装置包括：数据处理模块、确定基线模块、时间分段模块、相似计算模块、样本筛选模块和训练模型模块，其中，
所述数据处理模块，用于对电力系统热负荷的历史日数据进行预处理；
所述确定基线模块，用于根据所述数据处理模块预处理后的历史每日数据获得数据日基准线；
所述时间分段模块，用于将所述确定基线模块获得的数据日基准线划分为若干个时间段；
所述相似计算模块，用于筛选历史日数据，并分别在划分的每个时间段内计算筛选后的历史日数据与数据日基准线的趋势相似值；
所述样本筛选模块，用于选取大于预设基准值的趋势相似值对应的历史日数据，形成相似序列矩阵；
所述训练模型模块，用于将所述样本筛选模块相似序列矩阵输入建构的极限学习机ELM进行训练，获得预测模型，并进行电力系统热负荷的预测。
8.根据权利要求1所述的电力系统热负荷预测的装置，其特征在于，所述数据处理模块具体用于对电力系统热负荷的历史日数据进行去噪、填充以及归一化处理；
和/或，
所述确定基线模块具体用于将距离待预测日最近的预设天数的数据均值作为数据日基准线。
9.根据权利要求1所述的电力系统热负荷预测的方法，其特征在于，所述时间分段模块具体用于根据数据日基准线中的极值点，将数据日基准线划分为若干个时间段；
或，
所述时间分段模块具体用于根据数据日基准线中同时与相邻两点的斜率之差大于预设阈值的点以及极值点，将数据日基准线划分为若干个时间段。
10.根据权利要求1所述的电力系统热负荷预测的方法，其特征在于，所述相似计算模块具体用于根据环境因素计算历史日与待预测日的相似值，选取大于预设阈值的相似值对应的相似历史日，以及分别在划分的每个时间段内计算相似历史日数据与数据日基准线的趋势相似值。
CN201811114080.8A 2018-09-25 2018-09-25 一种电力系统热负荷预测的方法和装置 Pending CN109214948A (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201811114080.8A CN109214948A (zh) 2018-09-25 2018-09-25 一种电力系统热负荷预测的方法和装置
PCT/CN2019/107946 WO2020063689A1 (zh) 2018-09-25 2019-09-25 一种电力系统热负荷预测的方法和装置
EP19865012.9A EP3822905A4 (en) 2018-09-25 2019-09-25 ELECTRICAL SYSTEM THERMAL LOAD PREDICTION PROCESS AND DEVICE
JP2021514413A JP7497342B2 (ja) 2018-09-25 2019-09-25 電力システム熱負荷の予測方法及び予測装置
US17/058,664 US20210209467A1 (en) 2018-09-25 2019-09-25 Method and device for predicting thermal load of electrical system
SG11202102670SA SG11202102670SA (en) 2018-09-25 2019-09-25 Method and device for predicting thermal load of electrical system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811114080.8A CN109214948A (zh) 2018-09-25 2018-09-25 一种电力系统热负荷预测的方法和装置

Publications (1)

Publication Number Publication Date
CN109214948A true CN109214948A (zh) 2019-01-15

Family

ID=64984666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811114080.8A Pending CN109214948A (zh) 2018-09-25 2018-09-25 一种电力系统热负荷预测的方法和装置

Country Status (6)

Country Link
US (1) US20210209467A1 (zh)
EP (1) EP3822905A4 (zh)
JP (1) JP7497342B2 (zh)
CN (1) CN109214948A (zh)
SG (1) SG11202102670SA (zh)
WO (1) WO2020063689A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197296A (zh) * 2019-04-25 2019-09-03 浙江浙能技术研究院有限公司 一种基于时间序列相似性的机组负荷预测方法
WO2020063689A1 (zh) * 2018-09-25 2020-04-02 新智数字科技有限公司 一种电力系统热负荷预测的方法和装置
CN112686286A (zh) * 2020-12-18 2021-04-20 博锐尚格科技股份有限公司 建筑运行能耗异常识别方法、系统、计算机可读存储介质
CN112800672A (zh) * 2021-01-27 2021-05-14 上海电气集团股份有限公司 锅炉粘污系数的评估方法、系统、介质及电子设备
CN112926613A (zh) * 2019-12-06 2021-06-08 北京沃东天骏信息技术有限公司 一种时间序列训练开始节点的定位方法和装置
CN114077921A (zh) * 2021-10-15 2022-02-22 国电南瑞科技股份有限公司 变压器感知量趋势预测及状态逐级预警方法、装置及系统
CN114117852A (zh) * 2021-11-18 2022-03-01 华北电力大学 一种基于有限差分工作域划分的区域热负荷滚动预测方法
CN116436106A (zh) * 2023-06-14 2023-07-14 浙江卓松电气有限公司 低压配电检测系统、方法、终端设备及计算机存储介质

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111489036B (zh) * 2020-04-14 2023-06-09 天津相和电气科技有限公司 基于电器负荷特性和深度学习的居民负荷预测方法、装置
CN111985719B (zh) * 2020-08-27 2023-07-25 华中科技大学 一种基于改进的长短期记忆网络的电力负荷预测方法
CN112733307B (zh) * 2021-01-12 2022-07-01 北京市燃气集团有限责任公司 一种供暖季城市天然气负荷预测方法及装置
CN112785088B (zh) * 2021-02-25 2023-06-30 西安理工大学 一种基于dcae-lstm短期日负荷曲线预测方法
CN113159106B (zh) * 2021-02-26 2024-02-02 国网甘肃省电力公司 一种基于形态趋势特征的负荷曲线聚类方法、介质及设备
CN113377881B (zh) * 2021-06-04 2024-06-07 国网辽宁省电力有限公司 一种配电网负荷的纵横混合聚类多维度分析方法
CN113657660A (zh) * 2021-08-12 2021-11-16 杭州英集动力科技有限公司 基于分站负荷和热网滞后模型的热源负荷预测方法
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
CN113962458B (zh) * 2021-10-20 2024-06-07 江南大学 基于蜉蝣优化算法的短期负荷预测系统及方法
CN114066072B (zh) * 2021-11-22 2024-05-24 湖南大学 一种电力负荷短期区间预测方法、装置、设备及介质
CN115310727B (zh) * 2022-10-11 2023-02-03 山东建筑大学 一种基于迁移学习的建筑冷热电负荷预测方法及系统
CN115757561A (zh) * 2022-12-09 2023-03-07 国网湖北省电力有限公司信息通信公司 一种数据中心设备运行数据时间序列组合预测方法
CN115983448B (zh) * 2022-12-14 2023-09-12 南京信息工程大学 一种基于时空图神经网络的多能源负荷预测方法
CN115937355B (zh) * 2023-02-14 2023-06-06 国网湖北省电力有限公司电力科学研究院 电力物联网负荷预测指纹图像构造方法、系统及介质
CN116089777B (zh) * 2023-04-10 2023-06-23 北京智蚁杨帆科技有限公司 一种基于信息智能匹配的新能源智能结算方法及系统
CN116304996B (zh) * 2023-04-26 2024-03-22 浙江大学 一种石质文物监测数据本体趋势的提取方法和装置
CN116320042B (zh) * 2023-05-16 2023-08-04 陕西思极科技有限公司 边缘计算的物联终端监测控制系统
CN116861248B (zh) * 2023-07-21 2024-02-27 浙江大学 一种结合多窗口融合方法和聚焦框架模型的建筑能耗预测方法及系统
CN117277316B (zh) * 2023-11-22 2024-04-09 国网山东省电力公司曲阜市供电公司 一种电力负荷预测方法、系统、介质及设备
CN117435873B (zh) * 2023-12-21 2024-03-08 山东中都机器有限公司 一种基于智能喷雾降尘的数据管理方法
CN117451113B (zh) * 2023-12-22 2024-03-26 中国电建集团华东勘测设计研究院有限公司 基于光纤传感的自升式平台桩腿结构健康监测系统
CN117873838B (zh) * 2024-03-12 2024-05-24 武汉众诚华鑫科技有限公司 一种电信设备环境温度监控方法及系统
CN117992759B (zh) * 2024-04-07 2024-06-18 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) 一种基于遥感数据的大坝监测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793887A (zh) * 2014-02-17 2014-05-14 华北电力大学 基于自适应增强算法的短期电力负荷在线预测方法
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4059014B2 (ja) 2001-06-19 2008-03-12 富士電機システムズ株式会社 プラントの最適運用方法及びプラントの最適設計方法
JP5696877B2 (ja) * 2010-10-01 2015-04-08 清水建設株式会社 運転管理装置、運転管理方法、および運転管理プログラム
US8755943B2 (en) * 2011-09-30 2014-06-17 Johnson Controls Technology Company Systems and methods for controlling energy use in a building management system using energy budgets
US9020874B2 (en) * 2011-10-31 2015-04-28 Siemens Aktiengesellschaft Short-term load forecast using support vector regression and feature learning
CN104036356B (zh) 2014-06-12 2017-11-07 国家电网公司 一种利用分形算法对电网未来运行状态进行预测的方法
JP6203144B2 (ja) 2014-07-25 2017-09-27 株式会社日立製作所 空調管理装置、空調管理方法、及びプログラム
CN104239964B (zh) 2014-08-18 2017-10-10 华北电力大学 基于谱聚类和遗传优化极端学习机的超短期风速预测方法
CN106845663A (zh) * 2015-12-07 2017-06-13 中国电力科学研究院 一种基于数值天气预报进行热负荷预测的方法
CN106920014A (zh) * 2017-03-16 2017-07-04 广东工业大学 一种短时负荷预测方法及装置
CN107842908B (zh) * 2017-09-26 2020-01-03 国网浙江省电力公司杭州供电公司 一种基于环境参数补偿的实时供热负荷控制方法
CN108426354A (zh) * 2018-04-19 2018-08-21 天津大学 基于辐射时间序列方法的空调负荷预测系统
CN109214948A (zh) * 2018-09-25 2019-01-15 新智数字科技有限公司 一种电力系统热负荷预测的方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793887A (zh) * 2014-02-17 2014-05-14 华北电力大学 基于自适应增强算法的短期电力负荷在线预测方法
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王伟 等: "基于极限学习机的短期电力负荷预测", 《计算机仿真》 *
王剑锋 等: "基于分段多目标相似日选取法的短期负荷预测", 《武汉大学学报（工学版）》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020063689A1 (zh) * 2018-09-25 2020-04-02 新智数字科技有限公司 一种电力系统热负荷预测的方法和装置
CN110197296A (zh) * 2019-04-25 2019-09-03 浙江浙能技术研究院有限公司 一种基于时间序列相似性的机组负荷预测方法
CN110197296B (zh) * 2019-04-25 2021-04-20 浙江浙能技术研究院有限公司 一种基于时间序列相似性的机组负荷预测方法
CN112926613A (zh) * 2019-12-06 2021-06-08 北京沃东天骏信息技术有限公司 一种时间序列训练开始节点的定位方法和装置
CN112686286A (zh) * 2020-12-18 2021-04-20 博锐尚格科技股份有限公司 建筑运行能耗异常识别方法、系统、计算机可读存储介质
CN112686286B (zh) * 2020-12-18 2024-05-28 博锐尚格科技股份有限公司 建筑运行能耗异常识别方法、系统、计算机可读存储介质
CN112800672A (zh) * 2021-01-27 2021-05-14 上海电气集团股份有限公司 锅炉粘污系数的评估方法、系统、介质及电子设备
CN112800672B (zh) * 2021-01-27 2024-04-16 上海电气集团股份有限公司 锅炉粘污系数的评估方法、系统、介质及电子设备
CN114077921A (zh) * 2021-10-15 2022-02-22 国电南瑞科技股份有限公司 变压器感知量趋势预测及状态逐级预警方法、装置及系统
CN114117852A (zh) * 2021-11-18 2022-03-01 华北电力大学 一种基于有限差分工作域划分的区域热负荷滚动预测方法
CN116436106A (zh) * 2023-06-14 2023-07-14 浙江卓松电气有限公司 低压配电检测系统、方法、终端设备及计算机存储介质
CN116436106B (zh) * 2023-06-14 2023-09-05 浙江卓松电气有限公司 低压配电检测系统、方法、终端设备及计算机存储介质

Also Published As

Publication number Publication date
SG11202102670SA (en) 2021-04-29
EP3822905A4 (en) 2021-08-25
JP7497342B2 (ja) 2024-06-10
JP2022500769A (ja) 2022-01-04
EP3822905A1 (en) 2021-05-19
WO2020063689A1 (zh) 2020-04-02
US20210209467A1 (en) 2021-07-08

Similar Documents

Publication Publication Date Title
CN109214948A (zh) 一种电力系统热负荷预测的方法和装置
CN111178624B (zh) 一种新产品需求预测的方法
CN107563705A (zh) 利用大数据分析家电产品安全库存及再订货的系统和方法
CN106448151B (zh) 一种短时交通流预测方法
US20150254554A1 (en) Information processing device and learning method
CN111079602A (zh) 基于多尺度区域特征约束的车辆细粒度识别方法及装置
TW201437933A (zh) 搜尋引擎的結果排序方法及系統
JP6514342B2 (ja) オンライン予測システムおよび方法
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
CN110069699B (zh) 排序模型训练方法和装置
Sallehuddin et al. Application of grey relational analysis for multivariate time series
CN111861759B (zh) 产品与客户群体的匹配方法和系统
CN110110372B (zh) 一种用户时序行为自动切分预测方法
CN113255900A (zh) 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法
Cheng et al. Analysis and forecasting of the day-to-day travel demand variations for large-scale transportation networks: a deep learning approach
CN111815348A (zh) 一种基于各门店商品相似度聚类的区域商品生产计划方法
CN109190810B (zh) 基于tdnn的中国北方草原地区ndvi的预测方法
CN110533109A (zh) 一种喷涂生产监测数据的存储及特征分析方法及其装置
Naik et al. Machine learning based food sales prediction using random forest regression
Muqtadir et al. The Implementation of Grey Forecasting Model for Forecast Result’s Food Crop Agricultural
CN112241832A (zh) 一种产品质量分级评价标准设计方法及系统
Honjo et al. CNN-GRU Based Deep Learning Model for Demand Forecast in Retail Industry
CN110826258A (zh) 基于时空卷积神经网络的数据中心机房仿真环境构建方法
Hallman A comparative study on Linear Regression and Neural Networks for estimating order quantities of powder blends
CN114297582A (zh) 基于多探针局部敏感哈希负二项式回归模型的离散计数数据的建模方法

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: 20190115

RJ01 Rejection of invention patent application after publication