CN110009140A - 一种日电力负荷预测方法及预测装置 - Google Patents
一种日电力负荷预测方法及预测装置 Download PDFInfo
- Publication number
- CN110009140A CN110009140A CN201910210253.4A CN201910210253A CN110009140A CN 110009140 A CN110009140 A CN 110009140A CN 201910210253 A CN201910210253 A CN 201910210253A CN 110009140 A CN110009140 A CN 110009140A
- Authority
- CN
- China
- Prior art keywords
- load
- day
- sequence
- moment
- influence factor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 73
- 238000010606 normalization Methods 0.000 claims abstract description 60
- 230000002354 daily effect Effects 0.000 claims abstract description 42
- 230000003203 everyday effect Effects 0.000 claims abstract description 37
- 230000001537 neural effect Effects 0.000 claims abstract description 36
- 239000002131 composite material Substances 0.000 claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 241001269238 Data Species 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 13
- 230000009471 action Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 6
- 240000002853 Nelumbo nucifera Species 0.000 description 6
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical group OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种日电力负荷预测方法及预测装置,属于电力系统短期负荷预测领域,方法包括:对于待预测日中的任意第t个时刻,对S天历史负荷数据采样以得到S个第一负荷序列;对第一负荷序列进行归一化,并从归一化结果中获得S天中每一天的目标负荷序列;分别获得S天中每一天以及待预测日的有效影响因素序列并进行归一化;以目标负荷序列和归一化之后的有效影响因素序列为输入,利用已训练好的日电力负荷预测模型预测待预测日中第t个时刻的负荷值;日电力负荷预测模型包括级联的复合网络和第二RBF神经网络,复合网络由ELMAN神经网络、BP神经网络以及第一RBF神经网络并列构成。本发明能够提高对电力系统日负荷的预测精度和数据利用效率。
Description
技术领域
本发明属于电力系统短期负荷预测领域,更具体地,涉及一种日电力负荷预测方法及预测装置。
背景技术
电力负荷预测是在考虑电力系统运行特性以及外部影响因素(如自然条件、环境条件、社会条件)的情况下,确定未来某特定时刻(短期或长期)负荷数据的行为,并且其结果需要满足一定的精度要求。
人工神经网络由于具备自适应、自学习和自组织能力而被广泛应用于电力负荷预测领域。现有的应用于电力负荷预测领域的神经网络种类繁多,如BP神经网络、ELMAN神经网络、RBF神经网络等等,这些神经网络各有利弊且适用范围不尽相同,对于不同的实际应用情况,各种算法所得到的预测精度也有所差异。
短期负荷预测,尤其是日电力负荷,在电力调度等方面具有重要意义。在利用神经网络进行短期负荷预测时,不仅仅需要历史负荷数据,往往还需要外部的影响因素数据(如气象因素、节假日类型因素、社会因素等等),如何从繁多的外部影响因素中筛选出有价值的外部影响因素数据并提供给神经网络是进行高精度负荷预测必须考虑的问题。外部影响因素选取过多,可能会导致神经网络过于冗杂,影响预测精度;外部影响因素选取过少,又会导致数据利用效率低。此外,现有的利用神经网络进行短期电力负荷预测的方法,往往使用单一的神经网络,由于单一神经网络在不同预测环境下的预测效果不同,并且单一的神经网络容易陷入局部最优值而导致预测精度不理想,从而带来较大的预测误差风险,因此,现有的利用神经网络进行短期电力负荷预测的方法的预测精度往往得不到保证。
总的来说,现有的基于神经网络进行短期电力负荷预测的方法,在预测精度和数据利用效率方面还存在优化空间。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种日电力负荷预测方法及预测装置,其目的在于,提高对电力系统日负荷的预测精度和数据利用效率。
为实现上述目的,按照本发明的第一方面,提供了一种日电力负荷预测方法,包括:
(1)以每天M个采样点的采样率对S天历史负荷数据进行采样,以得到S个第一负荷序列;
(2)对采样得到的第一负荷序列进行归一化,并从归一化的结果中获得S天中每一天的目标负荷序列;
(3)分别获得S天中每一天的有效影响因素序列,并获得第d天的有效影响因素序列;
(4)对所获得的有效影响因素进行归一化;
(5)以所获得的目标负荷序列和归一化之后的有效影响因素序列为输入,利用已训练好的日电力负荷预测模型预测待预测日中第t个时刻的负荷值;
(6)对于待预测日中的每一个时刻,分别执行(1)~(5),以实现对待预测日的日电力负荷预测;
其中,目标负荷序列包括第t-1个时刻、第t个时刻以及第t+1个时刻的负荷值,有效影响因素序列包括一个或多个外部影响因素的取值,M、S和t均为正整数;日电力负荷预测模型包括级联的复合网络和第二RBF神经网络,复合网络由ELMAN神经网络、BP神经网络以及第一RBF神经网络并列构成,复合网络中各神经网络分别用于根据历史负荷数据预测和有效影响因素数据预测日电力负荷,第二RBF神经网络用于对复合网络中各神经网络的预测结果进行融合与修正,以得到待预测日中第t个时刻的负荷值。
一方面,本发明仅利用有效影响因素进行日电力负荷预测,能够提高数据利用效率,并为负荷预测提供有效的基础数据,从而提高预测精度;另一方面,本发明所利用的日电力负荷预测模型为一种复合级联的神经网络模型,包括多个单一的神经网络,由此能够避免因单个神经网络的预测结果出现偏差而导致日电力负荷预测精度不高,降低了预测误差的风险。
进一步地,S天包括第d-1天、第d-2天以及第d-7天;
其中,d为待预测日的序号,d>7;
由于在时间维度上,第d-1天和第d-2天与第d天相隔较近,这两天的日电力负荷数据与第d天的日电力负荷数据存在较大的关联性,在预测第d天中某一时刻的电力负荷值时,考虑前两天,即第d-1天和第d-2天的日电力负荷数据可以有效提高预测精度;由于电力系统中,负荷数据除了日周期性以外,还会呈现出较为明显的周周期性,因此在预测第d天中某一时刻的电力负荷值时,考虑一周之前,即第d-7天的日电力负荷数据,能够有效提高预测精度。
进一步地,有效影响因素的识别方法包括:先后进行的长时间段识别和短时间段识别;
长时间段识别包括:
(S1)以每天M个采样点的采样率对N1天历史负荷数据进行采样,以得到N1个第二负荷序列,并获得N1天中每一天的外部影响因素序列;
(S2)对采样得到的第二负荷序列进行归一化,并利用归一化的结果计算每一天的负荷特征序列;
(S3)对所获得的外部影响因素序列进行归一化;
(S4)利用负荷特征序列和归一化之后的外部影响因素序列计算每一个外部影响因素与负荷数据的关联程度,并将关联程度大于预设的第一阈值η1的外部影响因素识别为有效影响因素;
短时间段识别包括:
(T1)以每天M个采样点的采样率对N2天历史负荷数据进行采样,以得到N2个第三负荷序列,并获得N2天中每一天的外部影响因素序列;
(T2)对采样得到的第三负荷序列进行归一化,并利用归一化的结果计算每一天的负荷特征序列;
(T3)对所获得的外部影响因素序列进行归一化;
(T4)利用负荷特征序列和归一化之后的外部影响因素序列计算每一个外部影响因素与负荷数据的关联程度,并将关联程度大于预设的第二阈值η2且未被识别为有效影响因素的外部影响因素识别为有效影响因素;
其中,负荷特征序列包括日平均负荷值、日最大负荷值以及日最小负荷值,N1>31,N2≤31,η1<η2。
本发明会利用不同时间尺度(长期和短期)的历史负荷数据从多个外部影响因素中识别出有效影响因素,由于长期历史负荷数据包含信息量更丰富,有利于准确识别出有效影响因素;而在日电力负荷预测中,短期历史负荷数据也包含了较为关键的信息,因此,将短期历史负荷数据作为附加考虑因素,可以提高有效影响因素的识别准确度,为电力负荷预测提供准确有效的基础数据,从而提高对日电力负荷的预测精度。
作为进一步优选地,利用负荷特征序列和归一化之后的外部影响因素序列计算每一个外部影响因素与负荷数据的关联程度,包括:
将每一天的日平均负荷值构成的序列l1、每一天的日最大负荷值构成的序列l2以及每一天的日最小负荷值构成的序列l3分别作为三个参考序列;
对于任意第i个外部影响因素,将每一天中第i个外部影响因素的取值构成的序列c(i)作为一个比较序列;
分别计算参考序列l1与比较序列c(i)之间的灰色关联度γ1,i、参考序列l2与比较序列c(i)之间的灰色关联度γ2,i以及参考序列l3与比较序列c(i)之间的灰色关联度γ3,i;
利用灰色关联度γ1,i、灰色关联度γ2,i以及灰色关联度γ3,i计算第i个外部影响因素与负荷数据之间的关联程度为:
γi=k1·γ1,i+k2·γ2,i+k3·γ3,i;
其中,k1、k2和k3分别为灰色关联度γ1,i、灰色关联度γ2,i和灰色关联度γ3,i的权值系数,k1+k2+k3=1。
灰色关联分析法是一种快速有效的确定不同数据之间关联度的方法,通过计算灰色关联度来获得各外部影响因素与负荷数据的关联程度,可以提高预测效率。
作为进一步优选地,在长时间段识别中,k1>k2+k3,k2>k3;在短时间段识别中,k2>k1>k3。
在一个较长的时间尺度里,日平均负荷值受外部影响因素的影响更为显著,因此在利用长期历史负荷数据识别有效影响因素时,提高日平均负荷值的权值系数k1;在较短的时间尺度里,日最大负荷值受外部影响因素的影响更为显著,因此在利用短期历史负荷数据识别有效影响因素时,提高日最大负荷值的权值系数k2;在不同的时间尺度下,相比于其他负荷特征值,日最小负荷值受外部影响因素的影响往往最不明显,因此,日最小平均值的权值系数k3最小;总的来说,本发明根据不同时间尺度下日负荷特征值受外部影响因素的影响程度不同,相应设定各日负荷特征值的权重,能够准确地识别出有效影响因素,从而提高最终的日电力负荷预测精度。
作为进一步优选地,对于任意第d′天的负荷序列L′,若第t个时刻为第d′天的第一个时刻,则第t-1个时刻的负荷值为第d′天前一天的最后一个时刻的负荷值;若第t个时刻为第d′天的最后一个时刻,则第t+1个时刻的负荷值为第d′天的第一个时刻的负荷值。
进一步地,日电力负荷预测模型的训练方法包括:
以每天M个采样点的采样率对N天历史负荷数据进行采样,以得到N个第四负荷序列,并获得N天中每一天的有效影响因素序列;
对采样得到的第四负荷序列进行归一化,并对获取到的有效影响因素序列进行归一化;
建立日电力负荷预测模型,用于根据历史负荷数据和有效影响因素数据对日电力负荷进行预测;
利用归一化之后的第四负荷序列和归一化之后的有效影响因素序列训练日电力负荷预测模型进行训练,以得到训练好的日电力负荷预测模型。
作为进一步优选地,对负荷序列进行归一化的方法包括:
按照比例因子α将归一化范围扩大为[Dmin,Dmax];
按照公式对待归一化序列中的每一个负荷值进行归一化,从而实现对待归一化序列的线性归一化;
其中,Dmin和Dmax分别为归一化范围的下界和上界,Dmin=Lmin-α|Lmax-Lmin|,Dmax=Lmax+α|Lmax-Lmin|,Lmin和Lmax分别待归一化序列中的最大负荷值和最小负荷值,L(j)和分别归一化前、后待归一化序列中的第j个负荷值。
通过归一化可防止神经网络模型因趋于饱和而导致预测结果出现较大的偏差;在线性归一化时,按照一定的比例因子括大归一化范围,可以避免神经网络模型中S型函数在数据映射时带来的精确度不高的问题。
按照本发明的第二方面,提供了一种日电力负荷预测装置,用于预测待预测日中任意第t个时刻的负荷值,包括:采样模块、第一归一化模块、有效影响因素获取模块、第二归一化模块以及预测模块;
采样模块用于以每天M个采样点的采样率对S天历史负荷数据进行采样,以得到S个第一负荷序列;
第一归一化模块用于对由采样模块采样得到的第一负荷序列进行归一化,并从归一化的结果中获得S天中每一天的目标负荷序列;
有效影响因素获取模块用于分别获得S天中每一天的有效影响因素序列,并获得第d天的有效影响因素序列;
第二归一化模块用于对由有效影响因素获取模块获取到的有效影响因素序列进行归一化;
所属预测模块用于以由第一归一化模块获取到的目标负荷序列和由第二归一化模块归一化之后的有效影响因素为输入,利用利用已训练好的日电力负荷预测模型预测待预测日中第t个时刻的负荷值;
其中,目标负荷序列包括第t-1个时刻、第t个时刻以及第t+1个时刻的负荷值,有效影响因素序列包括一个或多个外部影响因素的取值,M、S和t均为正整数;日电力负荷预测模型包括级联的复合网络和第二RBF神经网络,复合网络由ELMAN神经网络、BP神经网络以及第一RBF神经网络并列构成,复合网络中各神经网络分别用于根据历史负荷数据预测和有效影响因素数据预测日电力负荷,第二RBF神经网络用于对复合网络中各神经网络的预测结果进行融合与修正,以得到待预测日中第t个时刻的负荷值。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)本发明所提供的日电力负荷预测方法,一方面,仅利用有效影响因素进行日电力负荷的预测,能够提高数据利用效率,并为负荷预测提供有效的基础数据,从而提高预测精度;另一方面,由于所利用的日电力负荷预测模型为一种复合级联的神经网络模型,包括多个单一的神经网络,能够提高预测精度并避免因单个神经网络的预测结果出现偏差而导致电力负荷值预测精度不高,从而降低了预测误差的风险。
(2)本发明所提供的日电力负荷预测方法,利用不同时间尺度下的历史负荷数据识别有效影响因素,可以准确识别出有效影响因素,从而提高负荷预测的精度和数据利用率;具体地,先进行长时间段识别,由于长期历史负荷数据包含信息量更丰富,有利于准确识别出有效影响因素;然后进行短时间段识别,由于日电力负荷预测中,短期历史负荷数据也包含了较为关键的信息,因此,将短期历史负荷数据作为附加考虑因素,可以提高有效影响因素的识别准确度。
(3)本发明所提供的日电力负荷预测方法,在对待预测日(第d天)进行日电力负荷预测时,会考虑前两天(第d-1天和第d-2天)以及一周之前(第d-7天)的日电力负荷数据,由此能够充分利用数据之间的关联性,提高预测精度。
(4)本发明所提供的日电力负荷预测方法,通过识别有效影响因素并利用复合级联的神经网络模型准确地预测了各个时刻的电力负荷值,因此能够提高对日电力负荷预测的精度。
附图说明
图1为本发明实施例提供的日电力负荷预测方法示意图;
图2为本发明实施例提供的复合级联神经网络示意图;
图3为现有的BP神经网络示意图;
图4为现有的ELMAN神经网络示意图;
图5为现有的RBF神经网络示意图;
图6为本发明实施例提供的某地区夏季典型日的日电力负荷预测结果示意图;
图7是本发明实施例提供的某地区冬季典型日的日电力负荷预测结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为提高日电力负荷预测的精度和数据利用率,本发明提供了一种日电力负荷预测方法及预测装置,其整体思路在于:从所有外部影响因素中识别出有效影响因素,为电力负荷预测提供有效的基础数据,以提高预测精度和数据利用率;并利用由多个单一神经网络复合级联而成的神经网络模型进行负荷预测,以提高预测精度。
本发明所提供的日电力负荷方法,包括:
(1)对于待预测日中任意第t个时刻,以每天M个采样点的采样率对S天历史负荷数据进行采样,以得到S个第一负荷序列;
在本实施例中,采样频率为60分钟,即M=24;
在本实施例中,待预测日的序号为d,所选择的S天具体为第d-1天、第d-2天以及第d-7天;由于在时间维度上,第d-1天和第d-2天与第d天相隔较近,这两天的日电力负荷数据与第d天的日电力负荷数据存在较大的关联性,在预测第d天中某一时刻的电力负荷值时,考虑前两天,即第d-1天和第d-2天的日电力负荷数据可以有效提高预测精度;由于电力系统中,负荷数据除了日周期性以外,还呈现出较为明显的轴周期性,因此在预测第d天中某一时刻的电力负荷值时,考虑一周之前,即第d-7天的日电力负荷数据,能够有效提高预测精度;
应当理解的是,由于地域、时间等方面的差异性,日电力负荷数据也可能呈现出不同的数据关联性,为保证获得较高的预测精度,根据实际的电力负荷特点选择历史负荷数据即可;
(2)对采样得到的第一负荷序列进行归一化,并从归一化的结果中获得S天中每一天的目标负荷序列;
在本实施例中,对第一负荷采样数据进行归一化的方式为线性归一化,具体包括:
按照比例因子α将归一化范围扩大为[Dmin,Dmax];
按照公式对待归一化序列中的每一个负荷值进行归一化,从而实现对待归一化序列的线性归一化;
其中,Dmin和Dmax分别为归一化范围的下界和上界,Dmin=Lmin-α|Lmax-Lmin|,Dmax=Lmax+α|Lmax-Lmin|,Lmin和Lmax分别待归一化序列中的最大负荷值和最小负荷值,L(j)和分别归一化前、后待归一化序列中的第j个负荷值,j∈{1,2,…M};
通过归一化可防止神经网络模型因趋于饱和而导致预测结果出现较大的偏差;在线性归一化时,按照一定的比例因子括大归一化范围,可以避免神经网络模型中S型函数在数据映射时带来的精确度不高的问题;在本实施例中,根据经验设定比例因子α=0.2;
其中,目标负荷序列包括第t-1个时刻、第t个时刻以及第t+1个时刻的负荷值;合理利用历史负荷数据,对于任意第d′天的负荷序列L′,若第t个时刻为第d′天的第一个时刻,则第t-1个时刻的负荷值为第d′天前一天的最后一个时刻的负荷值;若第t个时刻为第d′天的最后一个时刻,则第t+1个时刻的负荷值为第d′天的第一个时刻的负荷值;
(3)分别获得S天中每一天的有效影响因素序列,并获得第d天的有效影响因素序列;
其中,有效影响因素序列包括一个或多个外部影响因素的取值;
根据环境不同,外部影响因素包括日最高气温、日平均气温、日最低气温、日空气相对湿度、日降雨量、日光照强度等等;从众多的外部影响因素序列中识别出对日电力负荷影响较大的外部影响因素,即可识别出有效影响因素;
在一个可选的实施方式中,有效影响因素的识别方法包括:先后进行的长时间段识别和短时间段识别;
长时间段识别包括:
(S1)以每天M=24个采样点的采样率对N1=365天历史负荷数据进行采样(以年为单位),以得到365个第二负荷序列,并获得365天中每一天的外部影响因素序列;
由此可以得到由所有第二负荷序列构成的负荷序列矩阵为:
同时可以得到由所有外部影响因素序列构成的影响因素矩阵为:
其中,Ln=[Ln(1),Ln(2),Ln(3),…,Ln(M)]为第n天的第二负荷序列,Wn=[Wn(1),Wn(2),Wn(3),…,Wn(P)]为第n天的外部影响因素序列,P为一天中外部影响因素的个数,n∈{1,2,…N1};
(S2)对采样得到的第二负荷序列进行归一化,并利用归一化的结果计算每一天的负荷特征序列;其中,负荷特征序列包括日平均负荷值、日最大负荷值以及日最小负荷值;
在本实施例中,对第二负荷序列进行归一化的方式同样为线性归一化,与对第一负荷序列进行归一化的具体方式相同;
由此得到归一化的负荷序列矩阵为:
利用归一化的负荷序列矩阵可以获得第n天的日最大负荷值和日最小负荷值并计算日平均负荷值为从而得到第的负荷特征序列为
由此得到由所有负荷特征序列构成的负荷特征矩阵为:
(S3)对所获得的外部影响因素序列进行归一化;
在本实施例中,对外部影响因素序列进行归一化的方式为最值归一化,具体包括:
按照公式对待归一化的外部影响因素序列中的每一个外部影响因素取值进行归一化;
其中,W(i)和W(i)'分别表示归一化前、后待归一化的外部影响因素序列中第i个外部影响因素的取值,Wn(i)表示第i个外部影响因素在第n天的取值,表示在所有365个外部影响因素序列中第i个外部影响因素取值的最大值,i∈{1,2,…P};
由此得到归一化之后的外部影响因素矩阵为:
(S4)利用负荷特征序列和归一化之后的外部影响因素序列计算每一个外部影响因素与负荷数据的关联程度,并将关联程度大于预设的第一阈值η1的外部影响因素识别为有效影响因素;
在一个可选的实施方式中,利用负荷特征序列和归一化之后的外部影响因素序列计算每一个外部影响因素与负荷数据的关联程度,包括:
将每一天的日平均负荷值构成的序列每一天的日最大负荷值构成的序列以及每一天的日最小负荷值构成的序列分别作为三个参考序列;
对于任意第i个外部影响因素,将每一天中第i个外部影响因素的取值构成的序列作为一个比较序列;
分别计算参考序列l1与比较序列c(i)之间的灰色关联度γ1,i、参考序列l2与比较序列c(i)之间的灰色关联度γ2,i以及参考序列l3与比较序列c(i)之间的灰色关联度γ3,i;灰色关联分析法是一种快速有效的确定不同数据之间关联度的方法,通过计算灰色关联度来获得各外部影响因素与负荷数据的关联程度,可以提高预测效率;
利用灰色关联度γ1,i、灰色关联度γ2,i以及灰色关联度γ3,i计算第i个外部影响因素与负荷数据之间的关联程度为:
γi=k1·γ1,i+k2·γ2,i+k3·γ3,i;
其中,k1、k2和k3分别为灰色关联度γ1,i、灰色关联度γ2,i和灰色关联度γ3,i的权值系数,k1+k2+k3=1;由于在一个较长的时间尺度里,日平均负荷值受外部影响因素的影响更为显著,例如,在一年的时间中,平均负荷往往呈现出与温度基本一致的变化特性;因此在利用长期历史负荷数据识别有效影响因素时,提高日平均负荷值的权值系数k1;在本实施例中,在进行长时间段识别时,各权值系数取值为:
若在长时间段识别时计算的第i个外部影响因素与负荷数据之间的关联程度γi满足:γi>η1,则将该外部影响因素识别为有效影响因素,并加入到有效因素矩阵WE中;第一阈值的具体取值可根据实际应用场景确定,在本实施例中,η1=0.8;
最终得到的有效因素矩阵WE中包含了在长时间段中与负荷联系较为紧密的影响因素,由于长期历史负荷数据包含信息量更丰富,有利于准确识别出有效影响因素;
短时间段识别包括:
(T1)以每天M=24个采样点的采样率对N2=31天历史负荷数据进行采样(以月为单位),以得到N2个第三负荷序列,并获得N2天中每一天的外部影响因素序列;
(T2)对采样得到的第三负荷序列进行归一化,并利用归一化的结果计算每一天的负荷特征序列;
(T3)对所获得的外部影响因素序列进行归一化;
(T4)利用负荷特征序列和归一化之后的外部影响因素序列计算每一个外部影响因素与负荷数据的关联程度,并将关联程度大于预设的第二阈值η2且未被识别为有效影响因素的外部影响因素识别为有效影响因素;
利用相同的方法,可以得到短时间段识别中任意第i个外部影响因素与负荷数据的关联程度γi=k1·γ1,i+k2·γ2,i+k3·γ3,i;
在日电力负荷预测中,短期历史负荷数据也包含了较为关键的信息,因此,将短期历史负荷数据作为附加考虑因素,可以提高有效影响因素的识别准确度,为电力负荷预测提供准确有效的基础数据,从而提高对日电力负荷的预测精度;在较短的时间尺度里,日最大负荷值受外部影响因素的影响更为显著,例如,在夏天的雨季中,日降水量与每日最高负荷呈现出较为明显的反向变化关系,然而在全年的负荷中,这种影响关系并不是非常明显;因此在利用短期历史负荷数据识别有效影响因素时,提高日最大负荷值的权值系数k2;在本实施例中,在进行长时间段识别时,各权值系数取值为:
若在短时间段识别时计算的第i个外部影响因素与负荷数据之间的关联程度γi满足:γi>η2,且该外部影响因素没有在长时间段识别中被识别为有效影响因素,则将该外部影响因素识别为有效影响因素,并加入到有效因素矩阵WE中;第二阈值的具体取值可根据实际应用场景确定,在本实施例中,η2=0.85;
本发明利用不同时间尺度(长期和短期)的历史负荷数据从多个外部影响因素中识别出有效影响因素,有利于为负荷预测提供更为有效的基础数据;
(4)对所获得的有效影响因素序列进行归一化;
对有效影响因素序列进行归一化的具体方式为最值归一化,具体可参考上述步骤(S3)中的方法;
(5)以所获得的目标负荷序列和归一化之后的有效影响因素序列为输入,利用已训练好的日电力负荷预测模型预测待预测日中第t个时刻的负荷值;
(6)对于待预测日中的每一个时刻,分别执行步骤(1)~(5),以实现对待预测日的日电力负荷预测;
其中,本发明所提供的日电力负荷预测模型的结构如图2所示,包括级联的复合网络和第二RBF神经网络,复合网络由ELMAN神经网络、BP神经网络以及第一RBF神经网络并列构成,复合网络中各神经网络分别用于根据历史负荷数据预测和有效影响因素数据预测日电力负荷,第二RBF神经网络用于对复合网络中各神经网络的预测结果进行融合与修正,以得到待预测日中第t个时刻的负荷值。
一方面,本发明仅利用有效影响因素进行日电力负荷的预测,能够提高数据利用效率,并为负荷预测提供有效的基础数据,从而提高预测精度;另一方面,本发明所利用的日电力负荷预测模型为一种复合级联的神经网络模型,包括多个单一的神经网络,由此能够避免因单个神经网络的预测结果出现偏差而导致日电力负荷值预测精度不高,降低了预测误差的风险。
在一个可选的实施方式中,日电力负荷预测模型的训练方法包括:
以每天M2=24个采样点的采样率对N天历史负荷数据进行采样,以得到N个第四负荷序列,并获得N天中每一天的有效影响因素序列;
对采样得到的第四负荷序列进行归一化,并对获取到的有效影响因素序列进行归一化;对第四负荷序列进行归一化的方式具体为线性归一化,对有效影响因素序列进行归一化的具体方式为最值归一化;
建立日电力负荷预测模型,用于根据历史负荷数据和有效影响因素数据对日电力负荷进行预测;
利用归一化之后的第四负荷序列和归一化之后的有效影响因素序列训练日电力负荷预测模型进行训练,以得到训练好的日电力负荷预测模型。
本发明所使用的日电力负荷预测模型为一种负荷级联的神经网络模型,包括级联的复合网络和第二RBF神经网络,复合网络由ELMAN神经网络、BP神经网络以及第一RBF神经网络并列构成;其中,BP神经网络是一种根据误差反向传播算法训练的多层前馈神经网络,它由输入层、隐含层和输出层组成,一个典型的三层BP神经网络结构如图3所示;BP神经网络系统地解决了多层神经网络中隐含层学习连接的问题,具有模型清晰、结构简单等优点,是应用最为广泛的人工神经网络;ELMAN神经网络是一种典型的局部回归网络,也属于前馈神经网络,它与BP神经网络非常相似,只是它有一个与记忆函数相关联的状态层,其突出的优点是具有很强的优化计算能力,ELMAN神经网络的结构如图4所示;RBF神经网络是一种高效的前馈式神经网络,它具有其他前向网络所不具有的最佳逼近性能和全局最优特性,并且结构简单,训练速度快,同时,它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型;RBF神经网络的隐含层通常是一个非线性映射,而输出层则是线性的;RBF神经网络的结构如图5所示。
单一的神经网络在负荷预测时往往容易出现以下问题:(1)虽然不同的神经网络具有不同的优势,但由于它们的应用范围不尽相同,单个神经网络在不同预测环境下的预测效果也是不同的;(2)单个网络容易陷入局部最优值从而导致预测精度不理想,从而带来较大的预测误差风险。根据Bates和Granger的研究,两个或多个无偏单向预测结果的组合可以获得比任何单个预测结果更高的精度。因此,本发明组合单一的BP神经网络、ELMAN神经网络以及RBF神经网络并构建复合神经网络,能够获得更高的预测精度。在复合神经网络中,即使一个神经网络的预测结果显示出较大偏差,整体的预测精度还是可以由其他两个神经网络补偿。复合神经网络在提高预测精度的同时,充分降低了预测误差的风险。
假设三个神经网络的输入均为x1,x2,…,xm而输出分别为yBP、yELMAN和yRBF,复合神经网络的整体输出y由下式给出:
y=h(yBP,yELMAN,yRBF)
式中,h(·)是一种非线性组合函数。考虑到RBF神经网络具有优越的非线性函数逼近功能,因此将RBF神经网络直接与复合神经网络连接在一起从而构成级联的神经网络,即直接将复合神经网络的输出提供给后层RBF神经网络作输入,实现神经网络与神经网络的级联。连接完成以后便构成了图2所示的复合级联神经网络。
本发明还提供了一种日电力负荷预测装置,用于预测待预测日中任意第t个时刻的负荷值,包括:采样模块、第一归一化模块、有效影响因素获取模块、第二归一化模块以及预测模块;
采样模块用于以每天M个采样点的采样率对S天历史负荷数据进行采样,以得到S个第一负荷序列;
第一归一化模块用于对由采样模块采样得到的第一负荷序列进行归一化,并从归一化的结果中获得S天中每一天的目标负荷序列;
有效影响因素获取模块用于分别获得S天中每一天的有效影响因素序列,并获得第d天的有效影响因素序列;
第二归一化模块用于对由有效影响因素获取模块获取到的有效影响因素序列进行归一化;
所属预测模块用于以由第一归一化模块获取到的目标负荷序列和由第二归一化模块归一化之后的有效影响因素为输入,利用利用已训练好的日电力负荷预测模型预测待预测日中第t个时刻的负荷值;
其中,目标负荷序列包括第t-1个时刻、第t个时刻以及第t+1个时刻的负荷值,有效影响因素序列包括一个或多个外部影响因素的取值,M、S和t均为正整数;日电力负荷预测模型包括级联的复合网络和第二RBF神经网络,复合网络由ELMAN神经网络、BP神经网络以及第一RBF神经网络并列构成,复合网络中各神经网络分别用于根据历史负荷数据预测和有效影响因素数据预测日电力负荷,第二RBF神经网络用于对复合网络中各神经网络的预测结果进行融合与修正,以得到待预测日中第t个时刻的负荷值。
在本发明实施例中,各模块的具体实施方式具体可参考上述方法实施例中的描述,在此将不再复述。
应用实例:
已知某地区(以下称为该地区)从2012年1月1日至2014年12月31日的历史负荷数据(单位:MW),以及该地区2012年至2014年每天的气象因素数据,包括日最高温度(单位:℃)、日平均温度(单位:℃)、日最低温度(单位:℃)、相对湿度(单位:%)和降水量(单位:mm)。利用本发明所提供的日电力负荷预测方法及预测装置预测该地区2014年8月8日(夏季典型日)以及2014年12月24日(冬季典型日)的24小时负荷数据,作进一步地解释在进行有效影响因素识别后,各外部影响因素与日负荷数据之间的灰色关联度分别如表1和表2所示:
表1预测2014年8月8日电力负荷外部影响因素灰色关联度
灰色关联度 | 最高气温 | 最低气温 | 平均气温 | 相对湿度 | 降水量 |
长时间段识别 | 0.8422 | 0.8212 | 0.8414 | 0.7782 | 0.6787 |
短时间段识别 | 0.9047 | 0.9247 | 0.9223 | 0.8173 | 0.8859 |
由表1结果分析可知,长时间段识别中,最高气温、最低气温以及平均气温的计算灰色关联度大于第一阈值η1=0.8,因此作为主要的有效影响因素选加入有效因素矩阵WE;而在短时间段识别中,降水量的灰色关联度大于第二阈值η2=0.85且该外部影响因素不在有效因素矩阵WE中,因此作为附加的有效影响因素加入到有效因素矩阵WE中。此步骤即完成对2014年8月8日负荷预测的有效外部影响因素选取。
表2预测2014年12月24日负荷外部影响因素灰色关联度
灰色关联度 | 最高气温 | 最低气温 | 平均气温 | 相对湿度 | 降水量 |
长时间段识别 | 0.8456 | 0.8316 | 0.8452 | 0.7772 | 0.6984 |
短时间段识别 | 0.7110 | 0.6252 | 0.6669 | 0.7071 | 0.8121 |
由表2结果分析可知,长时间段识别中,最高气温、最低气温以及平均气温的计算灰色关联度大于第一阈值η1,因此作为主要的有效影响因素选加入有效因素矩阵WE;而在短时间段识别中,没有影响因素灰色关联度大于第二阈值η2,因此无附加的有效影响影响因素。此步骤即完成对2014年12月24日负荷预测的有效外部影响因素选取。
根据所识别出的有效影响因素,分别对该地区2014年8月8日(夏季典型日)以及2014年12月24日(冬季典型日)的日电力负荷进行预测,预测模型包括单一的BP神经网络、ELMAN神经网络、RBF神经网络以及本发明所提供的日电力负荷预测模型,并对使用各神经网络模型进行预测的预测结果进行评价。
预测误差选取MAPE作为评价标准,MAPE值越小,负荷预测精度越高,MAPE计算公式如下:
式中,T为预测日负荷时间点,本实例中T=24;为预测日24个时间点的负荷预测值;y1,y2,...,y24为预测日各时间点的负荷真实值。
利用不同神经网络模型对该地区2014年8月8日(夏季典型日)的日电力负荷预测结果如图6所示;利用不同神经网络模型对该地区2014年12月24日(冬季典型日)的日电力负荷预测结果如图7所示;在图6和图7中,“BP”、“ELMAN”、“RBF”和“复合级联”分别表示所使用的预测模型为单一的BP神经网络、单一的ELMAN神经网络、单一的RBF神经网络,以及本发明所提供的日电力负荷预测模型;对于两个典型日的预测结果MAPE值的统计结果如表3所示。
表3负荷预测结果MAPE值
根据图6、图7以及表3所示的预测结果可以看出,本发明所提出的日电力负荷预测模型在不同的季节代表日下,都具有最高的预测精度。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种日电力负荷预测方法,其特征在于,包括:
(1)对于待预测日中的任意第t个时刻,以每天M个采样点的采样率对S天历史负荷数据进行采样,以得到S个第一负荷序列;
(2)对采样得到的第一负荷序列进行归一化,并从归一化的结果中获得所述S天中每一天的目标负荷序列;
(3)分别获得所述S天中每一天的有效影响因素序列,并获得所述待预测日的有效影响因素序列;
(4)对所获得的有效影响因素序列进行归一化;
(5)以所获得的目标负荷序列和归一化之后的有效影响因素序列为输入,利用已训练好的日电力负荷预测模型预测所述待预测日中第t个时刻的负荷值;
(6)对于所述待预测日中的每一个时刻,分别执行步骤(1)~(5),以实现对所述待预测日的日电力负荷预测;
其中,所述目标负荷序列包括第t-1个时刻、第t个时刻以及第t+1个时刻的负荷值,所述有效影响因素序列包括一个或多个外部影响因素的取值,M、S和t均为正整数;所述日电力负荷预测模型包括级联的复合网络和第二RBF神经网络,所述复合网络由ELMAN神经网络、BP神经网络以及第一RBF神经网络并列构成,所述复合网络中各神经网络分别用于根据历史负荷数据预测和有效影响因素数据预测日电力负荷,所述第二RBF神经网络用于对所述复合网络中各神经网络的预测结果进行融合与修正,以得到所述待预测日中第t个时刻的负荷值。
2.如权利要求1所述的日电力负荷预测方法,其特征在于,所述S天包括第d-1天、第d-2天以及第d-7天;
其中,d为所述待预测日的序号,d>7。
3.如权利要求1所述的日电力负荷预测方法,其特征在于,有效影响因素的识别方法包括:先后进行的长时间段识别和短时间段识别;
所述长时间段识别包括:
(S1)以每天M个采样点的采样率对N1天历史负荷数据进行采样,以得到N1个第二负荷序列,并获得所述N1天中每一天的外部影响因素序列;
(S2)对采样得到的第二负荷序列进行归一化,并利用归一化的结果计算每一天的负荷特征序列;
(S3)对所获得的外部影响因素序列进行归一化;
(S4)利用负荷特征序列和归一化之后的外部影响因素序列计算每一个外部影响因素与负荷数据的关联程度,并将关联程度大于预设的第一阈值η1的外部影响因素识别为有效影响因素;
所述短时间段识别包括:
(T1)以每天M个采样点的采样率对N2天历史负荷数据进行采样,以得到N2个第三负荷序列,并获得所述N2天中每一天的外部影响因素序列;
(T2)对采样得到的第三负荷序列进行归一化,并利用归一化的结果计算每一天的负荷特征序列;
(T3)对所获得的外部影响因素序列进行归一化;
(T4)利用负荷特征序列和归一化之后的外部影响因素序列计算每一个外部影响因素与负荷数据的关联程度,并将关联程度大于预设的第二阈值η2且未被识别为有效影响因素的外部影响因素识别为有效影响因素;
其中,所述负荷特征序列包括日平均负荷值、日最大负荷值以及日最小负荷值,N1>31,N2≤31,η1<η2。
4.如权利要求3所述的日电力负荷预测方法,其特征在于,利用负荷特征序列和归一化之后的外部影响因素序列计算每一个外部影响因素与负荷数据的关联程度,包括:
将每一天的日平均负荷值构成的序列l1、每一天的日最大负荷值构成的序列l2以及每一天的日最小负荷值构成的序列l3分别作为三个参考序列;
对于任意第i个外部影响因素,将每一天中第i个外部影响因素的取值构成的序列c(i)作为一个比较序列;
分别计算所述参考序列l1与所述比较序列c(i)之间的灰色关联度γ1,i、所述参考序列l2与所述比较序列c(i)之间的灰色关联度γ2,i以及所述参考序列l3与所述比较序列c(i)之间的灰色关联度γ3,i;
利用所述灰色关联度γ1,i、所述灰色关联度γ2,i以及所述灰色关联度γ3,i计算所述第i个外部影响因素与负荷数据之间的关联程度为:
γi=k1·γ1,i+k2·γ2,i+k3·γ3,i;
其中,k1、k2和k3分别为所述灰色关联度γ1,i、所述灰色关联度γ2,i和所述灰色关联度γ3,i的权值系数,k1+k2+k3=1。
5.如权利要求4所述的日电力负荷预测方法,其特征在于,在所述长时间段识别中,k1>k2+k3,k2>k3;在所述短时间段识别中,k2>k1>k3。
6.如权利要求1所述的日电力负荷预测方法,其特征在于,对于任意第d′天的负荷序列L′,若所述第t个时刻为所述第d′天的第一个时刻,则所述第t-1个时刻的负荷值为所述第d′天前一天的最后一个时刻的负荷值;若所述第t个时刻为所述第d′天的最后一个时刻,则所述第t+1个时刻的负荷值为所述第d′天的第一个时刻的负荷值。
7.如权利要求1所述的日电力负荷预测方法,其特征在于,所述日电力负荷预测模型的训练方法包括:
以每天M个采样点的采样率对N天历史负荷数据进行采样,以得到N个第四负荷序列,并获得所述N天中每一天的有效影响因素序列;
对采样得到的第四负荷序列进行归一化,并对获取到的有效影响因素序列进行归一化;
建立所述日电力负荷预测模型,用于根据历史负荷数据和有效影响因素数据对日电力负荷进行预测;
利用归一化之后的第四负荷序列和归一化之后的有效影响因素序列训练所述日电力负荷预测模型进行训练,以得到训练好的日电力负荷预测模型。
8.如权利要求1或3或7所述的日电力负荷预测方法,其特征在于,对负荷序列进行归一化的方法包括:
按照比例因子α将归一化范围扩大为[Dmin,Dmax];
按照公式对待归一化序列中的每一个负荷值进行归一化,从而实现对所述待归一化序列的线性归一化;
其中,Dmin和Dmax分别为归一化范围的下界和上界,Dmin=Lmin-α|Lmax-Lmin|,Dmax=Lmax+α|Lmax-Lmin|,Lmin和Lmax分别所述待归一化序列中的最大负荷值和最小负荷值,L(j)和分别归一化前、后所述待归一化序列中的第j个负荷值。
9.一种日电力负荷预测装置,用于预测待预测日中任意第t个时刻的负荷值,其特征在于,包括:采样模块、第一归一化模块、有效影响因素获取模块、第二归一化模块以及预测模块;
所述采样模块用于以每天M个采样点的采样率对S天历史负荷数据进行采样,以得到S个第一负荷序列;
所述第一归一化模块用于对由所述采样模块采样得到的第一负荷序列进行归一化,并从归一化的结果中获得所述S天中每一天的目标负荷序列;
所述有效影响因素获取模块用于分别获得所述S天中每一天的有效影响因素序列,并获得所述第d天的有效影响因素序列;
所述第二归一化模块用于对由所述有效影响因素获取模块获取到的有效影响因素序列进行归一化;
所属预测模块用于以由所述第一归一化模块获取到的目标负荷序列和由所述第二归一化模块归一化之后的有效影响因素为输入,利用已训练好的日电力负荷预测模型预测所述待预测日中第t个时刻的负荷值;
其中,所述目标负荷序列包括第t-1个时刻、第t个时刻以及第t+1个时刻的负荷值,所述有效影响因素序列包括一个或多个外部影响因素的取值,M、S和t均为正整数;所述日电力负荷预测模型包括级联的复合网络和第二RBF神经网络,所述复合网络由ELMAN神经网络、BP神经网络以及第一RBF神经网络并列构成,所述复合网络中各神经网络分别用于根据历史负荷数据预测和有效影响因素数据预测日电力负荷,所述第二RBF神经网络用于对所述复合网络中各神经网络的预测结果进行融合与修正,以得到所述待预测日中第t个时刻的负荷值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910210253.4A CN110009140B (zh) | 2019-03-20 | 2019-03-20 | 一种日电力负荷预测方法及预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910210253.4A CN110009140B (zh) | 2019-03-20 | 2019-03-20 | 一种日电力负荷预测方法及预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009140A true CN110009140A (zh) | 2019-07-12 |
CN110009140B CN110009140B (zh) | 2021-10-08 |
Family
ID=67167432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910210253.4A Active CN110009140B (zh) | 2019-03-20 | 2019-03-20 | 一种日电力负荷预测方法及预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009140B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969285A (zh) * | 2019-10-29 | 2020-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
CN112348287A (zh) * | 2020-11-26 | 2021-02-09 | 南方电网能源发展研究院有限责任公司 | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 |
CN112347703A (zh) * | 2020-12-03 | 2021-02-09 | 潍柴动力股份有限公司 | 物料用量预测模型的训练方法、物料用量预测方法及装置 |
CN112561731A (zh) * | 2020-12-14 | 2021-03-26 | 南方电网科学研究院有限责任公司 | 一种基于负荷预测的提示信息推送方法、装置及存储介质 |
CN113254857A (zh) * | 2021-04-27 | 2021-08-13 | 安徽理工大学 | 一种基于ssa-elm的短期电力负荷预测方法 |
CN113591926A (zh) * | 2021-07-02 | 2021-11-02 | 华中科技大学 | 一种基于lstm网络的空调开关状态预测方法及装置 |
CN113705929A (zh) * | 2021-09-15 | 2021-11-26 | 中国南方电网有限责任公司 | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09215192A (ja) * | 1996-02-08 | 1997-08-15 | Fuji Electric Co Ltd | 日負荷曲線予測方法 |
US20070185823A1 (en) * | 2005-07-28 | 2007-08-09 | Dingguo Chen | Load prediction based on-line and off-line training of neural networks |
CN106022954A (zh) * | 2016-05-16 | 2016-10-12 | 四川大学 | 基于灰色关联度的多重bp神经网络负荷预测方法 |
CN107909221A (zh) * | 2017-12-08 | 2018-04-13 | 国网山东省电力公司枣庄供电公司 | 基于组合神经网络的电力系统短期负荷预测方法 |
CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
CN109426889A (zh) * | 2017-09-01 | 2019-03-05 | 南京理工大学 | 基于kpca与改进神经网络结合的短期负荷预测方法 |
-
2019
- 2019-03-20 CN CN201910210253.4A patent/CN110009140B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09215192A (ja) * | 1996-02-08 | 1997-08-15 | Fuji Electric Co Ltd | 日負荷曲線予測方法 |
US20070185823A1 (en) * | 2005-07-28 | 2007-08-09 | Dingguo Chen | Load prediction based on-line and off-line training of neural networks |
CN106022954A (zh) * | 2016-05-16 | 2016-10-12 | 四川大学 | 基于灰色关联度的多重bp神经网络负荷预测方法 |
CN109426889A (zh) * | 2017-09-01 | 2019-03-05 | 南京理工大学 | 基于kpca与改进神经网络结合的短期负荷预测方法 |
CN107909221A (zh) * | 2017-12-08 | 2018-04-13 | 国网山东省电力公司枣庄供电公司 | 基于组合神经网络的电力系统短期负荷预测方法 |
CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
Non-Patent Citations (4)
Title |
---|
CHUJIE TIAN等: "A Deep Neural Network Model for Short-Term Load Forecast Based on Long Short-Term Memory Network and Convolutional Neural Network", 《ENERGIES》 * |
丁子涵等: "基于自适应深度长短时记忆网络的电力负荷预测", 《数字技术与应用》 * |
吴润泽等: "基于深度学习的电网短期负荷预测方法研究", 《现代电力》 * |
秦毓毅等: "基于灰色模型和神经网络组合的短期负荷预测方法", 《现代电力》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969285A (zh) * | 2019-10-29 | 2020-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
CN110969285B (zh) * | 2019-10-29 | 2023-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
CN112348287A (zh) * | 2020-11-26 | 2021-02-09 | 南方电网能源发展研究院有限责任公司 | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 |
CN112347703A (zh) * | 2020-12-03 | 2021-02-09 | 潍柴动力股份有限公司 | 物料用量预测模型的训练方法、物料用量预测方法及装置 |
CN112561731A (zh) * | 2020-12-14 | 2021-03-26 | 南方电网科学研究院有限责任公司 | 一种基于负荷预测的提示信息推送方法、装置及存储介质 |
CN113254857A (zh) * | 2021-04-27 | 2021-08-13 | 安徽理工大学 | 一种基于ssa-elm的短期电力负荷预测方法 |
CN113591926A (zh) * | 2021-07-02 | 2021-11-02 | 华中科技大学 | 一种基于lstm网络的空调开关状态预测方法及装置 |
CN113705929A (zh) * | 2021-09-15 | 2021-11-26 | 中国南方电网有限责任公司 | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 |
CN113705929B (zh) * | 2021-09-15 | 2024-05-07 | 中国南方电网有限责任公司 | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110009140B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009140A (zh) | 一种日电力负荷预测方法及预测装置 | |
Mohammadi et al. | Small-scale building load forecast based on hybrid forecast engine | |
CN111860979B (zh) | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 | |
Alagador et al. | Shifting protected areas: scheduling spatial priorities under climate change | |
CN108416366B (zh) | 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 | |
Ghadimi et al. | A new prediction model based on multi-block forecast engine in smart grid | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
Amjady et al. | Midterm demand prediction of electrical power systems using a new hybrid forecast technique | |
Zhang et al. | A novel ensemble method for hourly residential electricity consumption forecasting by imaging time series | |
CN108734321A (zh) | 一种基于改进ABC算法的Elman神经网络的短期负荷预测方法 | |
CN112116144A (zh) | 一种区域配电网短期负荷预测方法 | |
CN112465256A (zh) | 一种基于Stacking模型融合的楼宇用电量预测方法和系统 | |
CN108694473A (zh) | 基于rbf神经网络的建筑物能耗预测方法 | |
CN110059875A (zh) | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 | |
CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
Stiels et al. | An iconic messenger of climate change? Predicting the range dynamics of the European Bee-eater (Merops apiaster) | |
CN106569954A (zh) | 一种基于kl散度的多源软件缺陷预测方法 | |
CN106357437B (zh) | 一种基于多元时间序列的Web Service QoS预测方法 | |
JP3650304B2 (ja) | 需要予測装置 | |
CN116054156A (zh) | 一种智能电网短期负荷预测方法、系统及存储介质 | |
Balalla et al. | MARS model for prediction of short-and long-term global solar radiation | |
Hwang | Daily electric load forecasting based on RBF neural network models | |
CN109738807A (zh) | 基于蚁群算法优化后的bp神经网络来估算soc的方法 | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
CN111325413B (zh) | 基于神经网络和比例系数法的短期负荷区间预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |