CN109242180A - 中长期电力负荷预测方法和系统 - Google Patents
中长期电力负荷预测方法和系统 Download PDFInfo
- Publication number
- CN109242180A CN109242180A CN201811011685.4A CN201811011685A CN109242180A CN 109242180 A CN109242180 A CN 109242180A CN 201811011685 A CN201811011685 A CN 201811011685A CN 109242180 A CN109242180 A CN 109242180A
- Authority
- CN
- China
- Prior art keywords
- data
- electric power
- prediction
- model
- data set
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000010276 construction Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims description 20
- 241000208340 Araliaceae Species 0.000 claims description 16
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 16
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 16
- 235000008434 ginseng Nutrition 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 2
- 230000005611 electricity Effects 0.000 description 6
- 238000012552 review Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开一种中长期电力负荷预测方法及系统，该方法包括：在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集，每条所述电力数据包括所述居民建筑负荷数据、天气数据和时间变量；对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型；将所述预测模型进行处理，得到训练好的模型；将所述测试数据集带入训练好的模型进行预测，得到预测结果。
Description
技术领域
本发明涉及电力领域，尤其涉及一种中长期电力负荷预测方法和系统。
背景技术
随着人口的快速增长和经济的高速发展，居民建筑用电显著增长。为了平衡用电供需和减少碳排放，智能建筑和智能电网的发展受到越来越多的关注。同时，可再生能源的间歇性和波动性对电网带来一定的影响。随着居民住宅中智能用电终端的增多，居民用电具有更强的波动性和随意性，从而会影响电力的供需平衡。因此，可靠的和准确的负荷预测具有重要意义，它有助于实现智能建筑和智能电网的动态规划和高效管理，同时也有助于提高可再生能源利用效率。
负荷预测主要可以划分为短期负荷预测、中期负荷预测和长期负荷预测。居民建筑的中长期负荷预测有利于促进用电供需平衡、实施有针对性的需求响应策略和电力设施投资。但是由于居民用电的随机性和波动性，现有中长期负荷预测方法精度有待提高。
发明内容
本发明实施例提供一种中长期电力负荷预测方法和系统，能够提高中长期电力负荷预测准确度。
本发明实施例采用如下技术方案：
一种中长期电力负荷预测方法，包括：
在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集，每条所述电力数据包括所述居民建筑负荷数据、天气数据和时间变量；
对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型；
将所述预测模型进行处理，得到训练好的模型；
将所述测试数据集带入训练好的模型进行预测，得到预测结果。
可选的，所述固定时段为数日或数月或数年，所述设定频率为数分钟或者数小时。
可选的，所述在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集包括：
每小时采集一次所述电力数据，则每天采集24条所述电力数据；
连续采集一年的所述电力数据作为所述居民建筑的训练数据集，训练数据集表示为P，再连续采集两个月的所述电力数据作为所述居民建筑的测试数据集，测试数据集表示为T，则：
其中，P、T中每一行代表着一条所述电力数据，每一列表示所述电力数据中的一个参数，总共有n个参数。
可选的，所述对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型包括：
将所述训练数据集中的数据及所述测试数据集中的数据转化为有监督学习的数据，所述训练数据集转化后的数据表示为P′，所述测试数据集转化后的数据表示为T′，其中：P′＝f(P)，T′＝f(T)；
按照下式对P′、T′的每一列进行标准化，得到所述预测模型；
其中xi,j表示转化后数据的原始值，min表示xi,j所处列的最小值，max表示xi,j所处列的最大值，x′i,j为标准化后的数值，则标准化的总数据可以表示为P″。
可选的，所述将所述预测模型进行处理，得到训练好的模型包括：
对所述预测模型施加正则化，则所述预测模型各个常规网络层的代价函数可以表示为其中C0l为第l层的原始代价函数，C1l为引入正则化后第l层的代价函数，ωil为权重，λ为系数；
对预测模型中的所有网络层设置Dropout；
应用Adam梯度下降算法，优化所述预测模型参数；
应用Hyperopt库，对所述预测模型中的超参进行优化，得到所述训练好的模型。
可选的，所述应用Hyperopt库，对所述预测模型中的超参进行优化包括：
LSTM网络层数、常规网络层数、激活函数类型和Dropout值。
可选的，将所述测试数据集带入训练好的模型进行预测，则预测结果包括：
将所述测试数据集T带入所述训练好的模型进行预测，则所述预测结果表示为Yp，Yp＝prediciton(T)，其中Yp表示预测的所述居民建筑负荷值。
可选的，所述将所述测试数据集带入训练好的模型进行预测，则预测结果之后，还包括：
对所述预测结果采用均方根误差和/或平均绝对误差和/或皮尔逊相关系数进行评价，得到评价结果；其中所述均方根误差和所述平均绝对误差越小表示预测结果越好，所述皮尔逊相关系数越大表示预测结果越好；
所述均方根误差：
RMSE1和RMSE2分别是指训练阶段和测试阶段预测值与真实值之间的误差，Ya,train和Ya,test分别指所述训练数据集和所述测试数据集中负荷的真实值，Yp为预测值，T1和T2分别为预测负荷点的数目；
所述平均绝对误差：
MAE为测试阶段真实值与预测值之间平均绝对误差；
所述皮尔逊相关系数：
其中为测试集中居民建筑负荷真实值的标准差，为相应预测值的标准差；
所述平均绝对百分比误差：
可选的，还包括：
将所述评价结果进行超参优化，直至达到最优的预测结果。
具体的，此处进行超参优化的详细实现方式可以参照本发明实施例上述的超参优化方法，此处不赘述。
一种中长期电力负荷预测系统，包括：数据读取模块、数据预处理模块、模型训练模块、预测模块和评价模块；
所述数据读取模块，用于在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集，每条所述电力数据包括所述居民建筑负荷数据、天气数据和时间变量；
所述数据预处理模块，用于对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型；
所述模型训练模块，用于将所述预测模型进行处理，得到训练好的模型；
所述预测模块，用于将所述测试数据集带入训练好的模型进行预测，则预测结果；
所述评价模块，用于对所述预测结果采用均方根误差和/或平均绝对误差和/或皮尔逊相关系数进行评价，得到评价结果。
基于上述技术方案的中长期电力负荷预测方法和系统，在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条包含居民建筑负荷数据、天气数据和时间变量的电力数据，应用多条电力数据构建训练数据集、测试数据集，对训练数据集及测试数据集进行处理，并输入到初始的预测模型，将预测模型进行处理，得到训练好的模型，将测试数据集带入训练好的模型进行预测，得到预测结果。从而实现根据居民建筑负荷数据、天气数据和时间变量进行复核预测，从而得到的预测结果更为准确。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1为本发明实施例示出的中长期电力负荷预测方法的流程图之一。
图2为本发明实施例示出的中长期电力负荷预测方法的流程图之二。
图3为本发明实施例示出的中长期电力负荷预测系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
本发明实施例提供一种中长期电力负荷预测方法，首先输入居民建筑负荷数据以及时间变量和环境变量。对输入的数据进行预处理，包括：将输入数据转化为非监督学习数据，然后对转化后的数据进行标准化。接着把标准化后的数据输入模型开始训练，包括：设置网络的权重正则化，选择梯度优化算法和超参的寻优。然后使用训练好的模型进行居民建筑负荷的预测。最后对预测的结果进行评价。
本发明实施例提供一种中长期电力负荷预测系统，包括数据输入模块、数据预处理模块、模型训练模块、预测模块和评价模块。
本发明实施例提供一种中长期电力负荷预测方法，如图1所示，该方法包括：
11、在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集，每条所述电力数据包括所述居民建筑负荷数据、天气数据和时间变量；
12、对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型；
13、将所述预测模型进行处理，得到训练好的模型；
14、将所述测试数据集带入训练好的模型进行预测，得到预测结果。
在一个实施例中，所述固定时段为数日或数月或数年，所述设定频率为数分钟或者数小时。
在一个实施例中，对训练数据和测试数据进行处理指的是预处理，包括：将数据转化为有监督学习、将数据标准化，然后将训练数据输入到初始的预测模型进行训练，初始的预测模型可以根据设置确定，例如，初始的预测模型包括网络的层数，每层网络的类型、以及相关参数的设置。然后确定最优的网络结构，用测试数据去进行预测并评价。
在一个实施例中，，所述在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集包括：
每小时采集一次所述电力数据，则每天采集24条所述电力数据；
连续采集一年的所述电力数据作为所述居民建筑的训练数据集，训练数据集表示为P，再连续采集两个月的所述电力数据作为所述居民建筑的测试数据集，测试数据集表示为T，则：
其中，P、T中每一行代表着一条所述电力数据，每一列表示所述电力数据中的一个参数，总共有n个参数。
在一个实施例中，所述对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型包括：
将所述训练数据集中的数据及所述测试数据集中的数据转化为有监督学习的数据，所述训练数据集转化后的数据表示为P′，所述测试数据集转化后的数据表示为T′，其中：P′＝f(P)，T′＝f(T)；
按照下式对P′、T′的每一列进行标准化，得到所述预测模型；
其中xi,j表示转化后数据的原始值，min表示xi,j所处列的最小值，max表示xi,j所处列的最大值，x′i,j为标准化后的数值，则标准化的总数据可以表示为P″。
在一个实施例中，所述将所述预测模型进行处理，得到训练好的模型包括：
对所述预测模型施加正则化，则所述预测模型各个常规网络层的代价函数可以表示为其中C0l为第l层的原始代价函数，C1l为引入正则化后第l层的代价函数，ωil为权重，λ为系数；
对预测模型中的所有网络层设置Dropout；
应用Adam梯度下降算法，优化所述预测模型参数；
应用Hyperopt库，对所述预测模型中的超参进行优化，得到所述训练好的模型。
其中，对所述预测模型施加正则化，该预测模型为一个神经网络模型，包括输入层->LSTM网络层数->常规网络层数->输出层。是对预测模型中的所有常规网络层分别施加正则化。
其中，预测模型的代价函数可以表示为，每个常规网络层都施加正则化，表示一个常规网络层添加正则化后的代价函数。
其中，对所述预测模型中的超参进行优化，该方法是已有的算法，所谓优化就是该方法相对于其他方法收敛速度快，效果好等。
其中，对所述预测模型中的超参进行优化，给定相关参数(LSTM网络层数、常规网络层数、激活函数类型和Dropout值)的范围，Hyperopt会返回最优的一组参数最为最终预测模型的参数。
在一个实施例中，所述应用Hyperopt库，对所述预测模型中的超参进行优化包括：
LSTM网络层数、常规网络层数、激活函数类型和Dropout值。
在一个实施例中，将所述测试数据集带入训练好的模型进行预测，则预测结果包括：
将所述测试数据集T带入所述训练好的模型进行预测，则所述预测结果表示为Yp，Yp＝prediciton(T)，其中Yp表示预测的所述居民建筑负荷值。
在一个实施例中，所述将所述测试数据集带入训练好的模型进行预测，则预测结果之后，还包括：
对所述预测结果采用均方根误差和/或平均绝对误差和/或皮尔逊相关系数进行评价，得到评价结果；其中所述均方根误差、所述平均绝对误差和所述平均绝对百分比误差越小表示预测结果越好，所述皮尔逊相关系数越大表示预测结果越好；
所述均方根误差：
RMSE1和RMSE2分别是指训练阶段和测试阶段预测值与真实值之间的均方根误差，Ya,train和Ya,test分别指所述训练数据集和所述测试数据集中负荷的真实值，Yp为预测值，T1和T2分别为预测负荷点的数目；
所述平均绝对误差：
MAE为测试阶段真实值与预测值之间平均绝对误差；
所述皮尔逊相关系数：
其中为测试集中居民建筑负荷真实值的标准差，为相应预测值的标准差；
所述平均绝对百分比误差：
在一个实施例中，如图2所示，本发明实施例的中长期电力负荷预测方法还包括：
15、将所述评价结果进行超参优化，直至达到最优的预测结果。
其中，最优的预测结果为预测准确率最高。
本发明实施例的中长期电力负荷预测方法，在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条包含居民建筑负荷数据、天气数据和时间变量的电力数据，应用多条电力数据构建训练数据集、测试数据集，对训练数据集及测试数据集进行处理，并输入到初始的预测模型，将预测模型进行处理，得到训练好的模型，将测试数据集带入训练好的模型进行预测，得到预测结果。从而实现根据居民建筑负荷数据、天气数据和时间变量进行复核预测，从而得到的预测结果更为准确。
本发明实施例提供一种中长期电力负荷预测系统，包括：数据读取模块21、数据预处理模块22、模型训练模块23、预测模块24和评价模块25；
所述数据读取模块21，用于在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集，每条所述电力数据包括所述居民建筑负荷数据、天气数据和时间变量；
所述数据预处理模块22，用于对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型；
所述模型训练模块23，用于将所述预测模型进行处理，得到训练好的模型；
所述预测模块24，用于将所述测试数据集带入训练好的模型进行预测，则预测结果；
所述评价模块25，用于对所述预测结果采用均方根误差和/或平均绝对误差和/或皮尔逊相关系数进行评价，得到评价结果。
具体的，数据读取模块21读取预测模型所需的居民建筑负荷数据、天气数据以及环境变量等，并把数据划分为训练数据集和测试数据集。数据预处理模块22首先把读取的数据转化为有监督学习数据，然后再进行标准化处理。模型训练模块23设置预测模型的权重正则化，选择合适的梯度下降算法，并进行超参的优化。预测模块24把测试集输入到训练好的模型，得到负荷预测结果。评价模块24使用均方根误差、平均绝对误差和皮尔逊相关系数对预测结果进行评价。并把评价结果返回到模型训练模块直至达到最优的预测结果。
本发明实施例的中长期电力负荷预测系统与上述中长期电力负荷预测方法相对应，详细实现步骤参照上述方法实施例，此处不赘述。
本发明实施例的中长期电力负荷预测系统，在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条包含居民建筑负荷数据、天气数据和时间变量的电力数据，应用多条电力数据构建训练数据集、测试数据集，对训练数据集及测试数据集进行处理，并输入到初始的预测模型，将预测模型进行处理，得到训练好的模型，将测试数据集带入训练好的模型进行预测，得到预测结果。从而实现根据居民建筑负荷数据、天气数据和时间变量进行复核预测，从而得到的预测结果更为准确。
本发明实施例的中长期电力负荷预测系统，在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条包含居民建筑负荷数据、天气数据和时间变量的电力数据，应用多条电力数据构建训练数据集、测试数据集，对训练数据集及测试数据集进行处理，并输入到初始的预测模型，将预测模型进行处理，得到训练好的模型，将测试数据集带入训练好的模型进行预测，得到预测结果。从而实现根据居民建筑负荷数据、天气数据和时间变量进行复核预测，从而得到的预测结果更为准确。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。
Claims (10)
1.一种中长期电力负荷预测方法，其特征在于，包括：
在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集，每条所述电力数据包括所述居民建筑负荷数据、天气数据和时间变量；
对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型；
将所述预测模型进行处理，得到训练好的模型；
将所述测试数据集带入训练好的模型进行预测，得到预测结果。
2.根据权利要求1所述的方法，其特征在于，所述固定时段为数日或数月或数年，所述设定频率为数分钟或者数小时。
3.根据权利要求1或2所述的方法，其特征在于，所述在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集包括：
每小时采集一次所述电力数据，则每天采集24条所述电力数据；
连续采集一年的所述电力数据作为所述居民建筑的训练数据集，训练数据集表示为P，再连续采集两个月的所述电力数据作为所述居民建筑的测试数据集，测试数据集表示为T，则：
其中，P、T中每一行代表着一条所述电力数据，每一列表示所述电力数据中的一个参数，总共有n个参数。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型包括：
将所述训练数据集中的数据及所述测试数据集中的数据转化为有监督学习的数据，所述训练数据集转化后的数据表示为P′，所述测试数据集转化后的数据表示为T′，其中：P′＝f(P)，T′＝f(T)；
按照下式对P′、T′的每一列进行标准化，得到所述预测模型；
其中xi,j表示转化后数据的原始值，min表示xi,j所处列的最小值，max表示xi,j所处列的最大值，x′i,j为标准化后的数值，则标准化的总数据可以表示为P″。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述将所述预测模型进行处理，得到训练好的模型包括：
对所述预测模型施加正则化，则所述预测模型各个常规网络层的代价函数可以表示为其中C0l为第l层的原始代价函数，C1l为引入正则化后第l层的代价函数，ωil为权重，λ为系数；
对预测模型中的所有网络层设置Dropout；
应用Adam梯度下降算法，优化所述预测模型参数；
应用Hyperopt库，对所述预测模型中的超参进行优化，得到所述训练好的模型。
6.根据权利要求5所述的方法，其特征在于，所述应用Hyperopt库，对所述预测模型中的超参进行优化包括：
LSTM网络层数、常规网络层数、激活函数类型和Dropout值。
7.根据权利要求1至6中任一项所述的方法，其特征在于，将所述测试数据集带入训练好的模型进行预测，得到预测结果包括：
将所述测试数据集T带入所述训练好的模型进行预测，则所述预测结果表示为Yp，Yp＝prediciton(T)，其中Yp表示预测的所述居民建筑负荷值。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述将所述测试数据集带入训练好的模型进行预测，则预测结果之后，还包括：
对所述预测结果采用均方根误差和/或平均绝对误差和/或皮尔逊相关系数进行评价，得到评价结果；其中所述均方根误差、所述平均绝对误差和所述平均绝对百分比误差越小表示预测结果越好，所述皮尔逊相关系数越大表示预测结果越好；
所述均方根误差：
RMSE1和RMSE2分别是指训练阶段和测试阶段预测值与真实值之间的均方根误差，Ya,train和Ya,test分别指所述训练数据集和所述测试数据集中负荷的真实值，Yp为预测值，T1和T2分别为预测负荷点的数目；
所述平均绝对误差：
MAE为测试阶段真实值与预测值之间平均绝对误差；
所述皮尔逊相关系数：
其中为测试集中居民建筑负荷真实值的标准差，为相应预测值的标准差；
所述平均绝对百分比误差：
9.根据权利要求8所述的方法，其特征在于，还包括：
将所述评价结果进行超参优化，直至达到最优的预测结果。
10.一种中长期电力负荷预测系统，其特征在于，包括：数据读取模块、数据预处理模块、模型训练模块、预测模块和评价模块；
所述数据读取模块，用于在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集，每条所述电力数据包括所述居民建筑负荷数据、天气数据和时间变量；
所述数据预处理模块，用于对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型；
所述模型训练模块，用于将所述预测模型进行处理，得到训练好的模型；
所述预测模块，用于将所述测试数据集带入训练好的模型进行预测，则预测结果；
所述评价模块，用于对所述预测结果采用均方根误差和/或平均绝对误差和/或皮尔逊相关系数和/或平均绝对百分比误差进行评价，得到评价结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811011685.4A CN109242180A (zh) | 2018-08-31 | 2018-08-31 | 中长期电力负荷预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811011685.4A CN109242180A (zh) | 2018-08-31 | 2018-08-31 | 中长期电力负荷预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109242180A true CN109242180A (zh) | 2019-01-18 |
Family
ID=65069132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811011685.4A Pending CN109242180A (zh) | 2018-08-31 | 2018-08-31 | 中长期电力负荷预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109242180A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978261A (zh) * | 2019-03-27 | 2019-07-05 | 新奥数能科技有限公司 | 确定负荷预测模型的方法、装置、可读介质及电子设备 |
| CN110618610A (zh) * | 2019-08-29 | 2019-12-27 | 杭州华电江东热电有限公司 | 基于LSTM深度学习的燃机NOx超标预警方法与装置 |
| CN110969306A (zh) * | 2019-12-05 | 2020-04-07 | 国网辽宁省电力有限公司沈阳供电公司 | 基于深度学习的配电低压台区负荷预测方法及装置 |
| CN112671043A (zh) * | 2021-01-14 | 2021-04-16 | 国网山东省电力公司枣庄供电公司 | 基于Hyperopt-GRU模型的配变运行优化方法 |
| CN112884215A (zh) * | 2021-02-02 | 2021-06-01 | 国网甘肃省电力公司信息通信公司 | 一种基于梯度增强树人口预测模型的参数优化方法 |
| CN113626177A (zh) * | 2020-05-08 | 2021-11-09 | 中国科学院微电子研究所 | 基于lstm的cpu资源负载情况预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106789163A (zh) * | 2016-11-25 | 2017-05-31 | 华电智连信达科技（北京）有限公司 | 一种网络设备用电信息监测方法、装置和系统 |
| 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 |
| CN107730039A (zh) * | 2017-10-10 | 2018-02-23 | 中国南方电网有限责任公司电网技术研究中心 | 配电网负荷预测的方法及系统 |
| 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
- 2018-08-31 CN CN201811011685.4A patent/CN109242180A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106789163A (zh) * | 2016-11-25 | 2017-05-31 | 华电智连信达科技（北京）有限公司 | 一种网络设备用电信息监测方法、装置和系统 |
| 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 |
| CN107730039A (zh) * | 2017-10-10 | 2018-02-23 | 中国南方电网有限责任公司电网技术研究中心 | 配电网负荷预测的方法及系统 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 韩金厚: "炼油厂氢气系统循环神经网络建模与群智能调度研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978261A (zh) * | 2019-03-27 | 2019-07-05 | 新奥数能科技有限公司 | 确定负荷预测模型的方法、装置、可读介质及电子设备 |
| CN110618610A (zh) * | 2019-08-29 | 2019-12-27 | 杭州华电江东热电有限公司 | 基于LSTM深度学习的燃机NOx超标预警方法与装置 |
| CN110969306A (zh) * | 2019-12-05 | 2020-04-07 | 国网辽宁省电力有限公司沈阳供电公司 | 基于深度学习的配电低压台区负荷预测方法及装置 |
| CN110969306B (zh) * | 2019-12-05 | 2023-09-19 | 国网辽宁省电力有限公司沈阳供电公司 | 基于深度学习的配电低压台区负荷预测方法及装置 |
| CN113626177A (zh) * | 2020-05-08 | 2021-11-09 | 中国科学院微电子研究所 | 基于lstm的cpu资源负载情况预测方法 |
| CN112671043A (zh) * | 2021-01-14 | 2021-04-16 | 国网山东省电力公司枣庄供电公司 | 基于Hyperopt-GRU模型的配变运行优化方法 |
| CN112671043B (zh) * | 2021-01-14 | 2023-12-12 | 国网山东省电力公司枣庄供电公司 | 基于Hyperopt-GRU模型的配变运行优化方法 |
| CN112884215A (zh) * | 2021-02-02 | 2021-06-01 | 国网甘肃省电力公司信息通信公司 | 一种基于梯度增强树人口预测模型的参数优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109242180A (zh) | 中长期电力负荷预测方法和系统 | |
| Zhou et al. | Prediction of photovoltaic power output based on similar day analysis, genetic algorithm and extreme learning machine | |
| CN108549929B (zh) | 一种基于深层卷积神经网络的光伏功率预测方法 | |
| CN102930358B (zh) | 一种光伏电站发电功率的神经网络预测方法 | |
| CN110490385A (zh) | 一种综合能源系统中电负荷和热负荷的联合预测方法 | |
| CN111401664A (zh) | 一种综合能源系统鲁棒优化调度方法及装置 | |
| CN103218674A (zh) | 基于bp神经网络模型的光伏发电系统输出功率预测方法 | |
| CN103065202B (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
| CN110222883A (zh) | 基于风驱动优化bp神经网络的电力系统负荷预测方法 | |
| CN109002915A (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
| CN108549960A (zh) | 一种24小时电力负荷预测方法 | |
| CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
| CN103927460A (zh) | 一种基于rbf的风电场短期风速预测方法 | |
| CN105279582B (zh) | 基于动态相关性特征的超短期风电功率预测方法 | |
| CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
| Ajagunsegun et al. | Machine learning-based system for managing energy efficiency of public buildings: An approach towards smart cities | |
| CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
| CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
| Xu et al. | Influence of different optimization aalgorithms on prediction accuracy of photovoltaic output power based on BP neural network | |
| CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
| CN109980695A (zh) | 一种配用电系统的分布式能源和用户行为预测方法 | |
| CN109447843A (zh) | 一种光伏出力预测方法及装置 | |
| CN114372634A (zh) | 基于神经网络不平衡优化的短期风电功率预测方法及系统 | |
| CN115545256A (zh) | 一种基于多维数据特征学习的小尺度光伏功率预测方法 | |
| Yang et al. | Research on distributed photovoltaic power prediction based on spatiotemporal information ensemble method |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |