CN109376896A - 一种基于多模融合的配电网短期负荷预测方法 - Google Patents
一种基于多模融合的配电网短期负荷预测方法 Download PDFInfo
- Publication number
- CN109376896A CN109376896A CN201810992539.8A CN201810992539A CN109376896A CN 109376896 A CN109376896 A CN 109376896A CN 201810992539 A CN201810992539 A CN 201810992539A CN 109376896 A CN109376896 A CN 109376896A
- Authority
- CN
- China
- Prior art keywords
- term
- trend
- lstm
- prediction result
- tnt
- 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.)
- Granted
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
- 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
- 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多模融合的配电网短期负荷预测方法,主要步骤为:1)采集电力网络历史负荷时序数据X。2)对历史负荷时序数据X进行STL时间序列分解。3)得到趋势项序列Xtrend具有N种结构的LSTM神经网络模型、剩余项序列Xremainder具有N种结构的LSTM神经网络模型以及集成预测模型。4)得到周期项预测结果Os。5)获取预测样本。6)将预测样本输入到预测模型中,从而得到趋势项预测结果Ot和剩余项预测结果Or。7)整合周期项预测结果Os、趋势项预测结果Ot和剩余项预测结果Or,并利用集成预测,得到最终的预测结果本发明有助于提高模型的预测精度同时提高负荷预测模型的鲁棒性和泛化能力。
Description
技术领域
本发明涉及电力系统负荷预测领域,具体是一种基于多模融合的配电网短期负荷预测方法。
背景技术
准确的负荷预测对运维人员掌握配电网系统的安全稳定运行有着重要的意义。预测误差的存在直接增加电力系统运行的附加成本,不利于经济性的提高。过去的几十年里,国内外很多学者对于短期负荷预测的问题提出了很多算法模型去提高它的精度。然而,由于负荷序列受外界的影响因素大,序列变化呈非线性、随机性和不确定性,所以提高其精度是很困难的。
目前,负荷预测技术已经逐步从传统的预测方法转向人工智能预测技术。传统的负荷预测方法例如,ARIMA,支持向量机,多元回归等。但是这些算法对复杂的时间序列效果会较差。人工智能的算法能够更有效的处理复杂、非线性问题,例如人工神经网络等。虽然这些方法对精度有一定的提升,但是主要的问题是需要大量的样本数据,收敛性差,易陷入局部最小值等。为了弥补这些问题,很多学者提出多模融合的思想,利用混合模型有效地解决了单一模型中的缺陷。虽然混合模型能够有效提高短期负荷预测的精度,但是模型中预测部分都是单一的,受参数调节的影响大,在面对多类特性数据时适应性不强。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种基于多模融合的配电网短期负荷预测方法,主要包括以下步骤:
1)采集电力网络历史负荷时序数据X,并提取数据特征。
所述数据特征主要包括时间特性特征、外界环境特性特征和历史负荷数据特征。
时间特性特征主要包括采样时刻t和日信息d。日信息d表示当前日期属于一周中的第几天。
外界环境特性特征主要包括采样时刻的温度Temp、采样时刻的湿度H和采样时刻的露点DP。
历史负荷数据特征主要包括前一天峰值dap和前一天同时刻负荷值dat-24。
其中,前一天峰值dap如下所示:
dap=max(da0,…,dag,…,da23)。 (1)
式中,dag为前一天第g时刻的负荷值。
所有数据特征构成数据特征集f,即:
f={t,d,Temp,H,DP,dap,dat-24}。 (2)
式中,dat-24为当前时刻前24小时的负荷值。
2)对历史负荷时序数据X进行STL时间序列分解,得到趋势项序列Xtrend、周期项序列Xseasonal和剩余项序列Xremainder。
趋势项序列Xtrend、周期项序列Xseasonal和剩余项序列Xremainder满足下式:
X=Xtrend+Xseasonal+Xremainder。 (3)
式中,X为历史负荷时序数据。
3)利用LSTM-Ensemble法对趋势项序列Xtrend和剩余项序列Xremainder建模,从而得到趋势项序列Xtrend对应的具有N种结构的LSTM神经网络模型Trend{LSTM1,LSTM2,…,LSTMN}、剩余项序列Xremainder对应的具有N种结构的LSTM神经网络模型Remainder{LSTM1,LSTM2,…,LSTMN}和集成预测模型。
4)根据周期项序列Xseasonal的周期趋势得到周期项预测结果Os。
5)获取需要预测的样本。
6)将预测样本输入到趋势项预测模型Trend{LSTM1,LSTM2,…,LSTMN}和剩余项预测模型Remainder{LSTM1,LSTM2,…,LSTMN}中,从而得到趋势项预测结果Ot和剩余项预测结果Or。
6.1)计算得到趋势项预测结果的主要步骤如下:
6.1.1)在LSTM神经网络模型Trend{LSTM1,LSTM2,…,LSTMN}中输入矩阵Itn。
矩阵Itn如下所示:
Itn=(itn1,itn2,…,itnt,…,itnT)。 (4)
式中,n∈[1,M],i∈Z。T为输入样本序列长度,itnt为趋势项第n个预测样本序列中t时刻趋势项的特征。M为预测样本总数。
itnt如下所示:
itnt={ttnt,dtnt,Temptnt,Htnt,DPtnt,daptnt,datnt-24}。 (5)
式中,ttnt为趋势项第n个预测样本序列中t时刻趋势项的采样时刻。dtnt为趋势项第n个预测样本序列中t时刻趋势项的日信息。Temptnt为趋势项第n个预测样本序列中t时刻趋势项的温度。Htnt为趋势项第n个预测样本序列中t时刻趋势项的湿度。DPtnt为趋势项第n个预测样本序列中t时刻趋势项的露点。daptnt为趋势项第n个预测样本序列中t时刻趋势项的前一天峰值。datnt-24为趋势项第n个预测样本序列中t时刻趋势项的前一天同时刻负荷值。
6.1.2)输入所有趋势项预测样本后得到趋势项预测结果Ot。
趋势项预测结果Ot如下所示:
Ot=(ot1,ot2,…,otj,…,otN)。 (6)
式中,otj为第j个趋势项预测模型对预测样本输出结果。
其中,第j个趋势项预测模型对预测样本输出结果otj如下所示:
otj=(otj1,otj2,…otjl,…,otjM)T。 (7)
式中,otjl为第j个趋势项预测模型对第l个预测样本输出结果。
6.2)计算得到剩余项预测结果的主要步骤如下:
6.2.1)在LSTM神经网络模型Remainder{LSTM1,LSTM2,…,LSTMN}中输入矩阵Irn。
矩阵Irn如下所示:
Irn=(irn1,irn2,…,irnt,…,irnT)。 (8)
式中,n∈[1,M],i∈Z。T为输入样本序列长度,irnt代表剩余项第n个预测样本序列中t时刻剩余项的特征。M为剩余项第n个预测样本序列。
其中,irnt如下所示:
irnt={trnt,daprnt,darnt-24}。 (9)
式中,trnt为剩余项第n个预测样本序列中t时刻剩余项的采样时刻。daprnt为剩余项第n个预测样本序列中t时刻剩余项的前一天峰值。darnt-24为剩余项第n个预测样本序列中t时刻剩余项的前一天同时刻负荷值。
6.2.2)输入所有剩余项预测样本后得到剩余项预测结果Or。
剩余项预测结果Or如下所示:
Or=(or1,or2,…,orj,…,orN)。 (10)
式中,orj为第j个剩余项预测模型对预测样本输出结果。
其中,第j个剩余项预测模型对预测样本输出结果orj如下所示:
orj=(orj1,orj2,…orjl,…,orjM)T。 (11)
式中,orjl为第j个剩余项预测模型对第l个预测样本输出结果。
7)整合周期项预测结果Os、趋势项预测结果Ot和剩余项预测结果Or,得到最终的预测结果
预测结果Prediction主要步骤如下:
7.1)M个预测样本的预测结果pred如下所示:
pred=Ot+Os+Or。 (12)
式中,Os为周期项预测结果。Ot为趋势项预测结果。Or为剩余项预测结果。
7.2)利用集成预测将N类模型预测结果pred进行非线性集成,从而得到预测结果
进一步,集成预测中的整合模块为XGBoost回归算法。XGBoost数学预测模型如下所示:
式中,l∈[1,M],l∈Z。K为树的棵数。Γ为所有的树。fk为具体的某一棵树。
本发明的技术效果是毋庸置疑的。本发明的提出基于STL-LSTM-Ensemble的短期负荷预测方法,首先通过STL序列分解算法对负荷时序数据进行分解,其中趋势项和周期项减少了受到异常值的干扰,然后通过LSTM-Ensemble建立基于深度学习的集成预测模型,有助于提高模型的预测精度同时提高负荷预测模型的鲁棒性和泛化能力。
附图说明
图1为本发明提出的基于STL-LSTM-Ensemble的配电网短期负荷预测模型流程;
图2为线路A 2018年2月24日到2018年3月31日历史负荷序列STL序列分解图;
图3为线路B 2018年2月24日到2018年3月31日历史负荷序列STL序列分解图;
图4为线路A未来72h负荷预测结果;
图5为线路B未来72h负荷预测结果。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1至图3,一种基于多模融合的配电网短期负荷预测方法,主要包括以下步骤:
1)采集电力网络历史负荷时序数据X,并提取数据特征。
所述数据特征主要包括时间特性特征、外界环境特性特征和历史负荷数据特征。
时间特性特征主要包括采样时刻t和日信息d。日信息d表示当前日期属于一周中的第几天。
历史负荷数据的采样时间间隔为1小时,则采样时刻t为0到23整数。日信息d为当前日期属于一周中的第几天,其范围为1到7。
外界环境特性特征主要包括采样时刻的温度Temp、采样时刻的湿度H和采样时刻的露点DP。
历史负荷数据特征主要包括前一天峰值dap和前一天同时刻负荷值dat-24。
其中,前一天峰值dap如下所示:
dap=max(da0,…,dag,…,da23)。 (1)
式中,dag为前一天第g时刻的负荷值。
所有数据特征构成数据特征集f,即:
f={t,d,Temp,H,DP,dap,dat-24}。 (2)
式中,dat-24为当前时刻前24小时的负荷值。
2)对历史负荷时序数据X进行STL时间序列分解,得到趋势项序列Xtrend、周期项序列Xseasonal和剩余项序列Xremainder。STL的全称是Seasonal-Trend decomposition procedurebased on Loess,中文意思是时间序列分解。
趋势项序列Xtrend、周期项序列Xseasonal和剩余项序列Xremainder满足下式:
X=Xtrend+Xseasonal+Xremainder。 (3)
式中,X为历史负荷时序数据。
3)利用LSTM-Ensemble法对趋势项序列Xtrend和剩余项序列Xremainder建模,从而得到趋势项序列Xtrend对应的具有N种结构的LSTM神经网络模型Trend{LSTM1,LSTM2,…,LSTMN}、剩余项序列Xremainder对应的具有N种结构的LSTM神经网络模型Remainder{LSTM1,LSTM2,…,LSTMN}和集成预测模型。其中,N=4。LSTM的英文全称是Long Short-Term Memory,中文意思是长短期记忆神经网络。LSTM-Ensemble法表示LSTM集成法。
构建N种结构的LSTM神经网络的主要步骤如下:
3.1)LSTM神经网络主要包含输入层,隐藏层和输出层。其中输入层为特征向量,输出层为当前输入的负荷值,隐藏层的神经元为长短期记忆单元,该单元添加忘记门、输入门和输出门,从而实现长短期记忆的功能。
3.2)LSTM神经网络的损失函数如下式子所示:
其中 为LSTM神经网络输出值,yα为真实值。通过上标∧对LSTM神经网络输出值和真实值yα进行区别。α表示LSTM神经网络输出值的序号。
m为向量长度。利用梯度下降优化算法,更新LSTM神经网络中变量。为防止过拟合,dropout=0.9。
3.3)LSTM神经网络受网络结构影响,因此通过改变隐藏层层数和隐藏层神经元个数,从而构建N种LSTM神经网络。
表1 LSTM神经网络结构参数
4)根据周期项序列Xseasonal的周期趋势得到周期项预测结果Os。Xseasonal是周期变换的所以不需要再做处理,直接按照周期变化趋势得到周期项预测结果。
5)获取预测样本。设预测样本为M=72个。
6)将预测样本输入到趋势项预测模型Trend{LSTM1,LSTM2,…,LSTMN}和剩余项预测模型Remainder{LSTM1,LSTM2,…,LSTMN}中,从而得到趋势项预测结果Ot和剩余项预测结果Or。
6.1)计算得到趋势项预测结果的主要步骤如下:
6.1.1)在LSTM神经网络模型Trend{LSTM1,LSTM2,…,LSTMN}中输入矩阵Itn。
矩阵Itn如下所示:
Itn=(itn1,itn2,…,itnt,…,itnT)。 (5)
式中,n∈[1,M],i∈Z。T为输入样本序列长度,itnt为趋势项第n个预测样本序列中t时刻趋势项的特征。M为预测样本总数。n表示第n个预测样本序列。Z表示整数集。itnT为趋势项第n个预测样本序列中T时刻趋势项的特征。
itnt如下所示:
itnt={ttnt,dtnt,Temptnt,Htnt,DPtnt,daptnt,datnt-24}。 (6)
式中,ttnt为趋势项第n个预测样本序列中t时刻趋势项的采样时刻。dtnt为趋势项第n个预测样本序列中t时刻趋势项的日信息。Temptnt为趋势项第n个预测样本序列中t时刻趋势项的温度。Htnt为趋势项第n个预测样本序列中t时刻趋势项的湿度。DPtnt为趋势项第n个预测样本序列中t时刻趋势项的露点。daptnt为趋势项第n个预测样本序列中t时刻趋势项的前一天峰值。datnt-24为趋势项第n个预测样本序列中t时刻趋势项的前一天同时刻负荷值。
6.1.2)输入所有趋势项预测样本后得到趋势项预测结果Ot。
趋势项预测结果Ot如下所示:
Ot=(ot1,ot2,…,otj,…,otN)。 (7)
式中,otj为第j个趋势项预测模型对预测样本输出结果。
其中,第j个趋势项预测模型对预测样本输出结果otj如下所示:
otj=(otj1,otj2,…otjl,…,otjM)T。 (8)
式中,otjl为第j个趋势项预测模型对第l个预测样本输出结果。otjM为第j个趋势项预测模型对第M个预测样本输出结果。
6.2)计算得到剩余项预测结果的主要步骤如下:
6.2.1)在LSTM神经网络模型Remainder{LSTM1,LSTM2,…,LSTMN}中输入矩阵Irn。
矩阵Irn如下所示:
Irn=(irn1,irn2,…,irnt,…,irnT)。 (9)
式中,n∈[1,M],i∈Z。T为输入样本序列长度,irnt代表剩余项第n个预测样本序列中t时刻剩余项的特征。irnT代表剩余项第n个预测样本序列中T时刻剩余项的特征。
其中,irnt如下所示:
irnt={trnt,daprnt,darnt-24}。 (10)
式中,trnt为剩余项第n个预测样本序列中t时刻剩余项的采样时刻。daprnt为剩余项第n个预测样本序列中t时刻剩余项的前一天峰值。darnt-24为剩余项第n个预测样本序列中t时刻剩余项的前一天同时刻负荷值。
6.2.2)输入所有剩余项预测样本后得到剩余项预测结果Or。
剩余项预测结果Or如下所示:
Or=(or1,or2,…,orj,…,orN)。 (11)
式中,orj为第j个剩余项预测模型对预测样本输出结果。orN为第N个剩余项预测模型对预测样本输出结果。
其中,第j个剩余项预测模型对预测样本输出结果orj如下所示:
orj=(orj1,orj2,…orjl,…,orjM)T。 (12)
式中,orjl为第j个剩余项预测模型对第l个预测样本输出结果。orjM为第j个剩余项预测模型对第M个预测样本输出结果。
7)整合周期项预测结果Os、趋势项预测结果Ot和剩余项预测结果Ot,得到最终的预测结果
预测结果Prediction主要步骤如下:
7.1)M个预测样本的预测结果pred如下所示:
pred=Ot+Os+Or。 (13)
式中,Os为周期项预测结果。Ot为趋势项预测结果。Or为剩余项预测结果。
7.2)利用集成预测将N类模型预测结果pred进行非线性集成,从而得到预测结果
进一步,集成预测中的整合模块为XG Boost回归算法。XG Boost是ExtremeGradient Boosting的简称。XG Boost是一种梯度提升算法。
XG Boost数学预测模型如下所示:
式中,l∈[1,M],l∈Z。K为树的棵数。Γ为所有的树。fk为具体的某一棵树。predl表示第l个N类模型的预测结果。
8)将线路A和线路B历史负荷数据代入上述步骤中,得到如图4和图5的预测结果。
Claims (8)
1.一种基于多模融合的配电网短期负荷预测方法,其特征在于,主要包括以下步骤:
1)采集所述电力网络历史负荷时序数据X,并提取数据特征;
2)对历史负荷时序数据X进行STL时间序列分解,得到趋势项序列Xtrend、周期项序列Xseasonal和剩余项序列Xremainder;
3)利用LSTM-Ensemble法对趋势项序列Xtrend和剩余项序列Xremainder建模,从而得到趋势项序列Xtrend对应的具有N种结构的LSTM神经网络模型Trend{LSTM1,LSTM2,…,LSTMN}、剩余项序列Xremainder对应的具有N种结构的LSTM神经网络模型Remainder{LSTM1,LSTM2,…,LSTMN}和集成预测模型;
4)根据周期项序列Xseasonal的周期趋势得到周期项预测结果Os;
5)获取预测样本;
6)将预测样本输入到趋势项预测模型Trend{LSTM1,LSTM2,…,LSTMN}和剩余项预测模型Remainder{LSTM1,LSTM2,…,LSTMN}中,从而得到趋势项预测结果Ot和剩余项预测结果Or。
7)整合周期项预测结果Os、趋势项预测结果Ot和剩余项预测结果Or,并利用集成预测,得到最终的预测结果
2.根据权利要求1所述的一种基于多模融合的配电网短期负荷预测方法,其特征在于:所述数据特征主要包括时间特性特征、外界环境特性特征和历史负荷数据特征;
时间特性特征主要包括采样时刻t和日信息d;日信息d表示当前日期属于一周中的第几天;
外界环境特性特征主要包括采样时刻的温度Temp、采样时刻的湿度H和采样时刻的露点DP;
历史负荷数据特征主要包括前一天峰值dap和前一天同时刻负荷值dat-24;
其中,前一天峰值dap如下所示:
dap=max(da0,…,dag,…,da23); (1)
式中,dag为前一天第g时刻的负荷值。
3.根据权利要求1或2所述的一种基于多模融合的配电网短期负荷预测方法,其特征在于:所有数据特征构成数据特征集f,即:
f={t,d,Temp,H,DP,dap,dat-24}; (2)
式中,dat-24为当前时刻前24小时的负荷值。
4.根据权利要求1或2所述的一种基于多模融合的配电网短期负荷预测方法,其特征在于,趋势项序列Xtrend、周期项序列Xseasonal和剩余项序列Xremainder满足下式:
X=Xtrend+Xseasonal+Xremainder; (3)
式中,X为历史负荷时序数据。
5.根据权利要求1或2所述的一种基于多模融合的配电网短期负荷预测方法,其特征在于,计算得到趋势项预测结果的主要步骤如下:
1)在LSTM神经网络模型Trend{LSTM1,LSTM2,…,LSTMN}中输入矩阵Itn;
矩阵Itn如下所示:
Itn=(itn1,itn2,…,itnt,…,itnT); (4)
式中,n∈[1,M],i∈Z;T为输入样本序列长度,itnt为趋势项第n个预测样本序列中t时刻趋势项的特征;M为预测样本总数;
itnt如下所示:
itnt={ttnt,dtnt,Temptnt,Htnt,DPtnt,daptnt,datnt-24}; (5)
式中,ttnt为趋势项第n个预测样本序列中t时刻趋势项的采样时刻;dtnt为趋势项第n个预测样本序列中t时刻趋势项的日信息;Temptnt为趋势项第n个预测样本序列中t时刻趋势项的温度;Htnt为趋势项第n个预测样本序列中t时刻趋势项的湿度;DPtnt为趋势项第n个预测样本序列中t时刻趋势项的露点;daptnt为趋势项第n个预测样本序列中t时刻趋势项的前一天峰值;datnt-24为趋势项第n个预测样本序列中t时刻趋势项的前一天同时刻负荷值;
2)输入所有趋势项预测样本后得到趋势项预测结果Ot;
趋势项预测结果Ot如下所示:
Ot=(ot1,ot2,…,otj,…,otN); (6)
式中,otj为第j个趋势项预测模型对预测样本输出结果;
其中,第j个趋势项预测模型对预测样本输出结果otj如下所示:
otj=(otj1,otj2,…otjl,…,otjM)T; (7)
式中,otjl为第j个趋势项预测模型对第l个预测样本输出结果。
6.根据权利要求1或3所述的一种基于多模融合的配电网短期负荷预测方法,其特征在于,计算得到剩余项预测结果的主要步骤如下:
1)在LSTM神经网络模型Remainder{LSTM1,LSTM2,…,LSTMN}中输入矩阵Irn;
矩阵Irn如下所示:
Irn=(irn1,irn2,…,irnt,…,irnT); (8)
式中,n∈[1,M],i∈Z;T为输入样本序列长度,irnt代表剩余项第n个预测样本序列中t时刻剩余项的特征;M为剩余项预测样本序列总数;
其中,irnt如下所示:
irnt={trnt,daprnt,darnt-24}; (9)
式中,trnt为剩余项第n个预测样本序列中t时刻剩余项的采样时刻;daprnt为剩余项第n个预测样本序列中t时刻剩余项的前一天峰值;darnt-24为剩余项第n个预测样本序列中t时刻剩余项的前一天同时刻负荷值;
2)输入所有剩余项预测样本后得到剩余项预测结果Or;
剩余项预测结果Or如下所示:
Or=(or1,or2,…,orj,…,orN); (10)
式中,orj为第j个剩余项预测模型对预测样本输出结果;
其中,第j个剩余项预测模型对预测样本输出结果orj如下所示:
orj=(orj1,orj2,…orjl,…,orjM)T; (11)
式中,orjl为第j个剩余项预测模型对第l个预测样本输出结果。
7.根据权利要求1或3所述的一种基于多模融合的配电网短期负荷预测方法,其特征在于,预测结果Prediction主要步骤如下:
1)M个预测样本的预测结果pred如下所示:
pred=Ot+Os+Or; (12)
式中,Os为周期项预测结果;Ot为趋势项预测结果;Or为剩余项预测结果;
2)利用集成预测将N类模型预测结果pred进行非线性集成,从而得到预测结果
8.根据权利要求1或2所述的一种基于多模融合的配电网短期负荷预测方法,其特征在于:集成预测中的整合模块为XGBoost回归算法;
XGBoost数学预测模型如下所示:
式中,l∈[1,M],l∈Z;K为树的棵数;Γ为所有的树;fk为具体的某一棵树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810992539.8A CN109376896B (zh) | 2018-08-29 | 2018-08-29 | 一种基于多模融合的配电网短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810992539.8A CN109376896B (zh) | 2018-08-29 | 2018-08-29 | 一种基于多模融合的配电网短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109376896A true CN109376896A (zh) | 2019-02-22 |
CN109376896B CN109376896B (zh) | 2022-05-20 |
Family
ID=65404688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810992539.8A Active CN109376896B (zh) | 2018-08-29 | 2018-08-29 | 一种基于多模融合的配电网短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376896B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
CN111738477A (zh) * | 2019-08-01 | 2020-10-02 | 北方工业大学 | 基于深层特征组合的电网新能源消纳能力预测方法 |
CN112016734A (zh) * | 2020-04-07 | 2020-12-01 | 沈阳工业大学 | 基于lstm栈式自编码多模型荷预测方法及系统 |
CN112131212A (zh) * | 2020-09-29 | 2020-12-25 | 合肥城市云数据中心股份有限公司 | 基于集成学习技术面向混合云场景的时序数据异常预测方法 |
CN112418485A (zh) * | 2020-10-27 | 2021-02-26 | 西安交通大学 | 基于负荷特性和用电行为模式的家庭负荷预测方法及系统 |
CN112488404A (zh) * | 2020-12-07 | 2021-03-12 | 广西电网有限责任公司电力科学研究院 | 一种配电网大规模电力负荷多线程高效预测方法及系统 |
CN112508275A (zh) * | 2020-12-07 | 2021-03-16 | 国网湖南省电力有限公司 | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 |
CN112736902A (zh) * | 2020-12-24 | 2021-04-30 | 国网山西省电力公司 | 一种基于stl分解的时间序列短期电力负荷预测方法 |
CN113506184A (zh) * | 2021-04-19 | 2021-10-15 | 国网河北省电力有限公司电力科学研究院 | 一种基于台区数据进行的配变负荷预测方法及系统 |
US11915123B2 (en) | 2019-11-14 | 2024-02-27 | International Business Machines Corporation | Fusing multimodal data using recurrent neural networks |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
EP2869248A1 (en) * | 2012-06-27 | 2015-05-06 | Yanmar Co., Ltd. | Prediction device, prediction method, and computer programme |
CN107239854A (zh) * | 2017-05-22 | 2017-10-10 | 华北电力大学 | 基于emd‑gra‑mpso‑lssvm模型的负荷预测方法 |
EP3229157A1 (en) * | 2016-04-07 | 2017-10-11 | Siemens Healthcare GmbH | Image analytics question answering |
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 |
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 |
CN107895214A (zh) * | 2017-12-08 | 2018-04-10 | 北京邮电大学 | 一种多元时间序列预测方法 |
US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
CN108416690A (zh) * | 2018-01-19 | 2018-08-17 | 中国矿业大学 | 基于深度lstm神经网络的电网负荷预测方法 |
-
2018
- 2018-08-29 CN CN201810992539.8A patent/CN109376896B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2869248A1 (en) * | 2012-06-27 | 2015-05-06 | Yanmar Co., Ltd. | Prediction device, prediction method, and computer programme |
CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
EP3229157A1 (en) * | 2016-04-07 | 2017-10-11 | Siemens Healthcare GmbH | Image analytics question answering |
US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
CN107239854A (zh) * | 2017-05-22 | 2017-10-10 | 华北电力大学 | 基于emd‑gra‑mpso‑lssvm模型的负荷预测方法 |
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 |
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 |
CN107895214A (zh) * | 2017-12-08 | 2018-04-10 | 北京邮电大学 | 一种多元时间序列预测方法 |
CN108416690A (zh) * | 2018-01-19 | 2018-08-17 | 中国矿业大学 | 基于深度lstm神经网络的电网负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
万志宏: "基于时间序列的电力系统短期负荷预测研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
王亮红: "基于时间序列分解技术的电力负荷预测乘积模型", 《东北电力大学学报》 * |
程宇也: "基于人工神经网络的短期电力负荷预测研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
CN111738477B (zh) * | 2019-08-01 | 2023-11-07 | 北方工业大学 | 基于深层特征组合的电网新能源消纳能力预测方法 |
CN111738477A (zh) * | 2019-08-01 | 2020-10-02 | 北方工业大学 | 基于深层特征组合的电网新能源消纳能力预测方法 |
US11915123B2 (en) | 2019-11-14 | 2024-02-27 | International Business Machines Corporation | Fusing multimodal data using recurrent neural networks |
CN112016734A (zh) * | 2020-04-07 | 2020-12-01 | 沈阳工业大学 | 基于lstm栈式自编码多模型荷预测方法及系统 |
CN112016734B (zh) * | 2020-04-07 | 2024-03-22 | 沈阳工业大学 | 基于lstm栈式自编码多模型荷预测方法及系统 |
CN112131212A (zh) * | 2020-09-29 | 2020-12-25 | 合肥城市云数据中心股份有限公司 | 基于集成学习技术面向混合云场景的时序数据异常预测方法 |
CN112418485A (zh) * | 2020-10-27 | 2021-02-26 | 西安交通大学 | 基于负荷特性和用电行为模式的家庭负荷预测方法及系统 |
CN112508275A (zh) * | 2020-12-07 | 2021-03-16 | 国网湖南省电力有限公司 | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 |
CN112508275B (zh) * | 2020-12-07 | 2022-05-17 | 国网湖南省电力有限公司 | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 |
CN112488404A (zh) * | 2020-12-07 | 2021-03-12 | 广西电网有限责任公司电力科学研究院 | 一种配电网大规模电力负荷多线程高效预测方法及系统 |
CN112736902B (zh) * | 2020-12-24 | 2023-04-04 | 国网山西省电力公司 | 一种基于stl分解的时间序列短期电力负荷预测方法 |
CN112736902A (zh) * | 2020-12-24 | 2021-04-30 | 国网山西省电力公司 | 一种基于stl分解的时间序列短期电力负荷预测方法 |
CN113506184A (zh) * | 2021-04-19 | 2021-10-15 | 国网河北省电力有限公司电力科学研究院 | 一种基于台区数据进行的配变负荷预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109376896B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376896A (zh) | 一种基于多模融合的配电网短期负荷预测方法 | |
Xia et al. | A stacked GRU-RNN-based approach for predicting renewable energy and electricity load for smart grid operation | |
CN107622329A (zh) | 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 | |
CN106960252A (zh) | 基于长短时记忆神经网络的电力负荷预测方法 | |
Xue et al. | Promptcast: A new prompt-based learning paradigm for time series forecasting | |
CN108711847A (zh) | 一种基于编码解码长短期记忆网络的短期风电功率预测方法 | |
US11815863B2 (en) | Predictive modeling and control for water resource infrastructure | |
CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
Moradzadeh et al. | A secure federated deep learning-based approach for heating load demand forecasting in building environment | |
CN110135634A (zh) | 中长期电力负荷预测装置 | |
CN116264388A (zh) | 基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法 | |
Ekundayo | OPTUNA optimization based CNN-LSTM model for predicting electric power consumption | |
Hu et al. | Nonlinear interval regression analysis with neural networks and grey prediction for energy demand forecasting | |
Huang et al. | Deep learning model-transformer based wind power forecasting approach | |
Mo et al. | A hybrid temporal convolutional network and Prophet model for power load forecasting | |
Karozis et al. | A deep learning approach for spatial error correction of numerical seasonal weather prediction simulation data | |
CN110659775A (zh) | 一种基于lstm改进的电力短时负荷预测算法 | |
CN114004423A (zh) | 一种考虑区域能效协同优化的能源需求预测方法及系统 | |
Santana et al. | Photovoltaic generation forecast: Model training and adversarial attack aspects | |
Wang et al. | Optimization of Convolutional Long Short-Term Memory Hybrid Neural Network Model Based on Genetic Algorithm for Weather Prediction | |
Xuewu et al. | The city taxi quantity prediction via GM-BP model | |
Kalantayevskaya et al. | Design of decision-making support system in power grid dispatch control based on the forecasting of energy consumption | |
Huang et al. | Forecasting on electricity consumption of tourism industry in Changli County | |
Zhou et al. | Short-term load forecasting model based on IBFO-BILSTM | |
Zhao et al. | Short‐term wind power prediction based on combined long short‐term memory |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |