CN110263866A - 一种基于深度学习的电力用户负荷区间预测方法 - Google Patents

一种基于深度学习的电力用户负荷区间预测方法 Download PDF

Info

Publication number
CN110263866A
CN110263866A CN201910550680.7A CN201910550680A CN110263866A CN 110263866 A CN110263866 A CN 110263866A CN 201910550680 A CN201910550680 A CN 201910550680A CN 110263866 A CN110263866 A CN 110263866A
Authority
CN
China
Prior art keywords
load
value
prediction
point
data
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
Application number
CN201910550680.7A
Other languages
English (en)
Other versions
CN110263866B (zh
Inventor
周勤
张建华
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.)
Beijing Ruixin Technology Co Ltd
Suzhou Zhirui Xinneng Information Technology Co Ltd
Original Assignee
Beijing Ruixin Technology Co Ltd
Suzhou Zhirui Xinneng Information 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 Beijing Ruixin Technology Co Ltd, Suzhou Zhirui Xinneng Information Technology Co Ltd filed Critical Beijing Ruixin Technology Co Ltd
Priority to CN201910550680.7A priority Critical patent/CN110263866B/zh
Publication of CN110263866A publication Critical patent/CN110263866A/zh
Application granted granted Critical
Publication of CN110263866B publication Critical patent/CN110263866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Water Supply & Treatment (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习的电力用户负荷区间预测方法，包括以下步骤：（1）建立大用户历史负荷数据预处理模型；（2）建立基于LSTM时间递归神经网络的负荷点预测模型；（3）采用点预测值缩放比例系数的负荷区间预测算法。通过上述方式，本发明是通过建立基于状态向量机方法的用户负荷预处理模型对单个用户历史数据进行预处理分析，根据处理后的历史数据采用LSTM机器学习方法寻找在最大限度降低用户负荷预测误差的预测模型，以点预测值缩放比例系数负荷区间预测算法进行单个用户的负荷区间预测，能够对具有强随机波动性的单个电力用户的负荷进行准确的负荷区间预测，在用户负荷的预测准确度上明显优于传统的方法。

Description

一种基于深度学习的电力用户负荷区间预测方法
技术领域
本发明涉及电力系统自动化领域，特别是涉及一种基于深度学习的电力用户负荷区间预测方法。
背景技术
电力系统是由发电厂、输电线路、配电系统以及负荷组成的复杂系统，电力系统的经济运行是在满足安全可靠的条件下以最少的成本对用户提供电力，负荷预测作为能量管理系统(EMS)以及电力市场运行管理的重要组成部分，其预测结果与电力系统的安全、经济运行密切相关。
负荷预测根据目标的不同一般可分为超短期、短期、中期和长期预测，超短期负荷预测是指未来一小时内的负荷预测，主要用于电能质量控制、安全监视、预防和紧急控制等；短期负荷预测是指未来一天到几天的负荷预测，主要用于机组优化组合、经济潮流控制、水火电协调等；中期负荷预测是指提前几个月到一年实施的负荷预测，主要用于水库调度、燃料计划及机组维修等；长期负荷预测是指提前若干年实施的负荷预测，主要用于电网的改建、系统的远景规划、新电厂的投建等。
目前已有的负荷预测技术及方法大多是针对整体的区域负荷，而对单个负荷用户的预测很少见，随着电力需求侧改革以及电力市场的推进，对大用户个体负荷的精细预测显得尤为重要；然而，用户级的负荷预测与传统的地区、系统级的负荷预测有较大差异，主要体现在：地区系统级的负荷是大量个体负荷的综合效应，由于个体间波动性存在一定程度的抵消，使得地区系统级负荷所呈现的波动性并不明显；而观察大量的大用户日负荷曲线可以发现，由于其行业产业所特有的生产过程或商业活动规律，用户级的负荷曲线在其个性化特征的基础上，存在较大的随机波动性，所以，已有的针对区域负荷的预测方法在描述随机波动性方面对用户负荷预测并不适用，因此，研究适合用户级负荷的精细的区间预测方法势在必行。
发明内容
本发明主要解决的技术问题是提供一种基于深度学习的电力用户负荷区间预测方法。
为解决上述技术问题，本发明采用的一个技术方案是：
提供一种基于深度学习的电力用户负荷区间预测方法，包括以下步骤：
(1)建立大用户历史负荷数据预处理模型用于异常数据的辨识与修补；
(2)建立基于LSTM时间递归神经网络的负荷点预测模型；
(3)采用点预测值缩放比例系数的负荷区间预测算法。
在本发明一个较佳实施例中，所述异常数据包括显性异常数据和隐性异常数据。
在本发明一个较佳实施例中，所述显性异常数据的辨识：检查AMI系统中的每15分钟一点的大用户负荷数据发现存在负荷数据某个时刻点、或某些连续时刻点缺失的情况，需要将上述记录以零值进行填补，并记录异常标志；对于AMI系统中已存在的数据点，将存在数值极端异常情况辨识出来，并记录异常标志；若上述记录的异常标志存在于k个连续时刻中，则将该日的96点负荷值从样本库中进行删除，否则进行修补；
所述显性异常数据的修补步骤：
a)以待修正时刻点所在日为基准，分别向前和向后寻找m天，若该日后m天的负荷点有显性异常标志而未修正的，向后顺延一天；分别求出2m日及待修正时刻点所在日的日均负荷，考虑到工作日与休息日的差别，对上述2m+1天进行基于日均负荷的相似日分类，求出与待修正时刻点所在日的同类型日；
b)对同类型日分别构造包含修正时刻前n个连续时刻点所组成的时间窗，从负荷大小量值以及负荷波动趋势两个方面，对这2m个时间窗曲线分别进行与异常时刻点所在时间窗曲线的相似度研究，主要基于欧氏距离相似度的方法和基于余弦相似度的方法，寻找在量值和波动趋势两个方面均与异常点所在时间窗曲线较为相似的时间窗作为支持向量机SVM的训练样本。基于这些样本，对异常负荷数据点所在时刻的负荷进行基于SVM的拟合训练，之后将时间窗口中待修正异常负荷数据之前的数据序列作为输入到训练好的SVM模型中，得到显性异常数据的修正值；
对于给定的负荷数据集用如下模型来拟合：
f(x)＝(w·x)+b (1)
其中，其中n为负荷样本数据集所取的负荷相似日(负荷形态相似的天)的个数，yi为目标时间点的负荷量，xi为维数为d的向量，其数值为目标时间点之前d个时间点对应的负荷量；
w为实数常数向量，w∈Rd，b为实数常数，b∈R，w与b的数值基于样本数据集(xi,yi)n拟合获得，引入第一松驰变量ξi和第二松驰变量构造如下优化问题：
其中，常数C是惩罚系数，ε为给定偏差值；
其对偶空间的优化问题为：
其中，第一Lagrange乘子αi和第二Lagrange乘子αi *；
求解此问题，得到最优的第一Lagrange乘子αi和第二Lagrange乘子αi *，从而得到拟合函数
其中，K(x,xi)＝(xxi+1)，这里所得拟合函数f(x)即为所需修补的负荷修正值。
在本发明一个较佳实施例中，采用小波分解与小波重构的方法对用户负荷序列中的所述隐性异常数据进行辨识的步骤：首先对日负荷96点数据进行小波变换，选取小波基db4，将信号进行4层分解，分解后的低频部分对应于信号的趋势部分是一条相对平滑的曲线，其对应的小波系数为wk(k＝1,2,…,N)，对高频部分信号进行基于软阈值的消噪处理，采取基于软硬阈值函数的加权平均阈值函数：
其中，加权因子T为阈值门限，wk为第k次小波系数，采用固定阈值门限准则的VisuShrink的方法来确定阈值门限其中σ为噪声的方差，再根据软阈值消噪后的小波系数对高频部分信号进行消噪后的小波重构，根据高频部分信号消噪后信号的极值点判断粗差位置，并且排除由于生产波动情况造成的粗差点，若确认为隐性异常值，则采取显性异常值修正的方法进行修正。
在本发明一个较佳实施例中，根据所述大用户历史负荷数据预处理模型，从用电信息采集系统中提取用户每15分钟间隔的历史负荷序列形成原始数据集，对用户的日负荷96点数据做日前预测获得用户负荷预测值；基于实际的电力用户负荷数据为神经网络的训练集，测试获得最优的时间递归神经网络LSTM隐层结构；以用户负荷预测值和实际值的均方误差作为损失参数，以损失参数最小为优化目标来更新LSTM模型的各部分权值，获得最佳负荷预测模型。
在本发明一个较佳实施例中，所述时间递归神经网络LSTM隐层结构包括：
设单元输出h，输入数据x，g为LSTM单元输出量，i为输入门的输出量，f为遗忘门输出，o为输出门输出量，c为记忆单元输出量，h为整个LSTM单元输出量，bg、bi、bf、bo均为参考基值，LSTM时间递归神经网络的单元的更新如下：
gt＝tanh(xtwxg+ht-1whg+bg) (6)
it＝sigmoid(xtwxi+ht-1whi+ct-1wci+bi) (7)
ft＝sigmoid(xtwxf+ht-1whf+ct-1wcf+bf) (8)
ot＝sigmoid(xtwxo+ht-1who+bo) (9)
从用电信息采集系统中提取用户近两年的每隔15分钟的负荷序列，形成原始数据集，将原始数据集中所有相邻两天的电量负荷数据组合成一条记录，前一天作为LSTM网络的输入，后一天作为网络的标签或者输出，构成数据集D，令数据集D中占90％的记录作为训练集M，占10％的记录作为测试集N，记
训练集的记录数为m，测试集的记录数为n；
LSTM模型以预测值和实际值的均方误差作为损失参数，以损失参数最小为优化目标来更新模型的各部分权值，定义所有时刻点的平均预测偏差：
其中real是测试集中某个时刻的真实值，pred是其对应的LSTM模型的预测值，p＝96。
在本发明一个较佳实施例中，根据所述负荷点预测模型对由不确定性因素所引起的预测负荷的变动范围进行量化，给出上、下界确定的预测区间，使得实际负荷观测值以一定的期望概率落在该区间内。
在本发明一个较佳实施例中，所述预测区间的预测负荷的变化范围的评估指标包括区间覆盖率χCP、平均宽度百分比χMWP和累积偏差χAD；
区间覆盖率χCP是实际值落在由上界、下界包络的预测区间内的概率，实际值realij以不低于额定置信水平的概率落在构建的预测区间内，即：
P(realij∈[L(predij),U(predij)])≥μ (13)
其中，L(predij)和U(predij)分别是由点预测值predij得到的预测区间的下界和上界，μ为额定置信区间水平，第j个时刻点对应的区间覆盖率定义如下：
其中，
平均宽度百分比χMWP度量了预测区间宽度占真实值的平均百分比，第j个时刻点对应的平均宽度百分比定义如下：
累积偏差χAD来体现实际负荷观测值偏离预测区间的程度，第j个时刻点的累积偏差为：
其中，
在本发明一个较佳实施例中，所述预测区间的满意度指标χPISI在第j个时刻点为：
其中，η是对χCPj值的惩罚系数，χPISIj最小值所对应的上界和下界即是最终选取的区间预测结果，当χMWPj和χCPj相同时，根据χADj值进行选择，将最小的χADj值所对应的上界和下界作为最终选取的区间预测结果。
在本发明一个较佳实施例中，所述负荷区间预测算法将每一时刻作为基本计算单元，分别对每个时刻进行区间预测，j时刻在训练集中共有m个预测值和真实值数据对应，将预测值分别放大和缩小比例系数α和β得到的结果作为预测区间的上界和下界：
确定放大和缩小比例系数α和β的取值，精度k是α和β的精度，令：
α’和β’为α和β的可能取值，Ceil函数为上入取整函数，对整个训练集进行计算结果去重，便可以得到α和β的取值范围，选取预测区间的满意度指标最小时所对应的α和β作为该时刻点的放大和缩小比例系数，将该系数运用在测试集中，根据预测值得到上界和下界，通过实际值与上界、下界的关系，计算测试集的区域覆盖率和平均宽度百分比，验证区间预测结果。
本发明的有益效果是：提供一种基于深度学习的电力用户负荷区间预测方法，通过建立基于状态向量机方法的用户负荷历史数据预处理模型对单个用户历史数据进行预处理分析，根据处理后的单个用户历史数据采用LSTM机器学习的方法寻找旨在最大限度地降低用户负荷预测误差的预测模型，以点预测值缩放比例系数负荷区间预测算法进行单个用户的负荷区间预测，能够对具有强随机波动性的单个电力用户的负荷进行准确的负荷区间预测，在用户负荷的预测准确度上明显优于传统的方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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它的附图，其中：
图1是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的LSTM单元结构图；
图2是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的区间预测算法说明图；
图3(a)是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的修正前日负荷数据图；
图3(b)是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的修正后日负荷数据图；
图4(a)是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的用户某两日的时刻58、59、62为缺失点的日负荷曲线图；
图4(b)是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的用户某两日的时刻64、89为缺失点的日负荷曲线图；
图5(a)是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的用户某日缺失值修正后的日负荷曲线图；
图5(b)是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的用户某日缺失值修正后的日负荷曲线与异常负荷点所在日的前后几日的负荷曲线图；
图6是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的LSTM(H1＝100，H2＝0)模型日前点预测结果图；
图7是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的基于LSTM点预测的区间预测算法在不同置信水平下的的区间预测结果图；
图8是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的显性异常数据修补的技术路线图；
图9是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的含单隐含层的典型RNN图；
图10是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的展开后的RNN图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1至图10，本发明实施例包括：
一种基于深度学习的电力用户负荷区间预测方法，包括以下步骤：
(一)建立大用户历史负荷数据预处理模型
大用户历史负荷数据的预处理主要指异常历史负荷数据的辨识与修正，异常数据：记录缺失值，超出用户变压器负荷限值、停电或通讯中断所带来的功率零值、表计零点漂移引发的较小值等，异常历史负荷数据发生的时刻和量值都有很强的随机性，面对海量的用户历史负荷数据，依靠人工肉眼的方式去辨别已显得力不从心，研究基于人工智能方法的异常历史负荷数据的辨别与修正势在必行。
从负荷形态上讲，用户负荷的瞬间波动有可能是异常数据，也有可能是生产过程固有的冲击，而且从已有用户负荷数据形态的分析发现，很多用户的日负荷形态在相邻时间点之间具有很强的波动性，而且日与日之间由于生产流程等原因，时间点与波动的对应关系之间没有很好的一致性；面对如此复杂的用户负荷波动形态，研究异常数据的自动辨识与修补技术主要从显性异常数据的辨识与修补、隐性异常数据的辨识与修正两方面展开。
(1)显性异常数据的辨识与修补
检查AMI系统中的每15分钟一点的大用户负荷数据可以发现，存在负荷数据在某个时刻点、或者某些连续时刻点缺失的情况，即没有该条记录，首先，需要将上述记录以零值进行填补，并记录异常标志，再按照下述异常数据的修补方法进行修补；另一方面，对于AMI系统中已存在的数据点，会存在下述数值极端异常情况，如：超出用户变压器负荷限值、停电或通讯中断所带来的功率零值、表计零点漂移引发的较小值等，将这几种极端情况辨识出来，并记录异常标志，若上述记录的异常标志存在于k个连续时刻中，则将该日的96点负荷值从样本库中进行删除，否则按照下述的修补方法进行修补，修补步骤：
a)以待修正时刻点所在日为基准，分别向前和向后寻找m天，若该日后m天的负荷点有显性异常标志而未修正的，向后顺延一天，以避免显性异常未修正的点对基于平均负荷相似日分类的影响；分别求出2m日及待修正时刻点所在日的日均负荷，考虑到工作日与休息日的差别，对上述2m+1天进行基于日均负荷的相似日分类，求出与待修正时刻点所在日的同类型日；
b)对这些同类型日，分别构造包含修正时刻前n个连续时刻点所组成的时间窗，从负荷大小量值以及负荷波动趋势两个方面，对这2m个时间窗曲线分别进行与异常时刻点所在时间窗曲线的相似度研究，主要基于欧氏距离相似度的方法和基于余弦相似度的方法，寻找在量值和波动趋势两个方面均与异常点所在时间窗曲线较为相似的时间窗作为支持向量机SVM的训练样本；基于这些样本，对异常负荷数据点所在时刻的负荷进行基于SVM的拟合训练，之后将时间窗口中待修正异常负荷数据之前的数据序列作为输入到训练好的SVM模型中，得到显性异常数据的修正值。
对于给定的负荷数据集考虑用如下模型来拟合：
f(x)＝(w·x)+b (1)
其中，n为负荷样本数据集所取的负荷相似日(负荷形态相似的天)的个数，yi为目标时间点的负荷量，xi为维数为d的向量，其数值为目标时间点之前d个时间点对应的负荷量；
w为实数常数向量，w∈Rd，b为实数常数，b∈R，w与b的数值基于样本数据集(xi,yi)n拟合获得，引入第一松驰变量ξi和第二松驰变量构造如下优化问题：
其中，常数C是惩罚系数，ε为给定偏差值；
其对偶空间的优化问题为：
其中，第一Lagrange乘子αi和第二Lagrange乘子αi *；
求解此问题，得到最优的第一Lagrange乘子αi和第二Lagrange乘子αi *，从而得到拟合函数
其中，K(x,xi)＝(xxi+1)d，d是阶数，对线性拟合，d＝1，这里所得拟合函数f(x)即为所需修补的负荷修正值。
(2)隐性异常数据的辨识与修正
当显性异常负荷数据辨识与修正之后，需要对日负荷曲线进行隐性异常数据的辨识，由于用户负荷波动具有一定的随机性，要从负荷波动形态上辨识出较为异常的数据点有一定的难度，会出现过辨识的情况，考虑采用小波分解以及小波重构的方法对负荷曲线中的粗差点进行辨识，并通过人工或者视觉识别进一步比对，以确认是否是真正的异常数据。
小波变换可以同时在时域和频域上对信号进行分析，能够较好区分信号中的噪声，从而实现对信号的去噪处理，本发明采用小波变换的方法对用户负荷序列中的隐性异常点进行辨识。
首先对日负荷96点数据进行小波变换，选取常用的小波基db4，将信号进行4层分解，分解后的低频部分对应于信号的趋势部分，是一条相对平滑的曲线，其对应的小波系数为wk(k＝1,2,…,N)；粗差信息主要反映在信号分解的第1层高频细节部分d1中，从高频部分并不能清楚地看出对应于信号的粗差点，为了更好地探测粗差点，发现粗差的位置，对高频部分信号d1进行基于软阈值的消噪处理，阈值的选取直接关系到去噪效果，选取较小的阈值能保留较多的小波系数，也同时保留的噪声也较多；反之，如果选取的阈值较大，保留的噪声就较少。
采取基于软硬阈值函数的加权平均阈值函数，即半软阈值函数，其数学表达式为：
其中，加权因子T为阈值门限，wk为第k次小波系数，采用固定阈值门限准则的VisuShrink的方法来确定阈值门限其中σ为噪声的方差。
再根据软阈值消噪后的小波系数对d1进行消噪后的小波重构，可以根据d1消噪后信号的极值点判断粗差位置，由于有可能是生产波动情况造成的粗差点，所以需要再进一步的人工确认以找出真正的隐性异常值，若确认为隐性异常值，则采取显性异常值修正的方法进行修正。
(二)建立基于LSTM时间递归神经网络的负荷点预测模型
采取LSTM网络使用图1中的LSTM单元做为隐含层的节点，LSTM单元专门设计了记忆单元(memory cell)用于保存历史信息，历史信息的更新和利用分别受到3个门的控制——输入门(Input Gate)，遗忘门(Forget Gate)，输出门(Output Gate)。
设设单元输出h，输入数据x，g为LSTM单元输出量，i为输入门的输出量，f为遗忘门输出，o为输出门输出量，c为记忆单元输出量，h为整个LSTM单元输出量，bg、bi、bf、bo均为参考基值，LSTM时间递归神经网络的单元的更新由如下几个公式组成：
gt＝tanh(xtwxg+ht-1whg+bg) (6)
it＝sigmoid(xtwxi+ht-1whi+ct-1wci+bi) (7)
ft＝sigmoid(xtwxf+ht-1whf+ct-1wcf+bf) (8)
ot＝sigmoid(xtwxo+ht-1who+bo) (9)
图1中的虚线连接被称为“peelhole connections”，3个门以及独立的memorycell的设计，使得LSTM单元有保存、读取、重置和更新长距离历史信息的能力。
从AMI系统中提取用户近两年来的每隔15分钟的负荷序列，形成原始数据集，目的是对用户的日负荷96点数据做日前预测。
考虑用户负荷具有明显的日形态特征，取前一天的96个电量负荷数据作为输入，依次送入LSTM网络，下一天的96个电量负荷数据作为网络模型理想输出的参照值，故可以确定，LSTM网络的输入层节点数l为1个，输出层节点数O为96个。
隐含层的层数及其每层的节点数对于LSTM网络模型的预测效果有显著影响，这里根据经验选择如表1所示的几种结构，通过最终的区间预测的效果来筛选出与给定数据集更为匹配的结构。
表1隐含层结构
表1中H1表示第一隐含层的节点数，H2表示第二隐含层的节点数，将原始数据集中所有相邻两天的电量负荷数据组合成一条记录，前一天作为LSTM网络的输入，后一天作为网络的标签或输出，构成数据集D，令数据集D中约占90％的记录作为训练集M，约占10％的记录作为测试集N，训练集的记录数为m，测试集的记录数为n。
LSTM模型以预测值和实际值的均方误差作为损失参数，以损失参数最小为优化目标来更新模型的各部分权值，因此，为了判断具有不同隐含层参数的LSTM网络模型的预测效果，针对测试集，定义所有时刻点的平均预测偏差：
其中real是测试集中某个时刻的真实值，pred是其对应的LSTM模型的预测值，p＝96。
可见，Loss值越大，预测值和实际值的偏差越大，预测效果也越差；Loss值越小，预测效果也就越好，具有不同隐含层参数的LSTM结构所分别对应的测试集Loss数据见表2所示。
表2不同参数LSTM模型的测试集时刻点平均预测偏差
从表2可以看出，不同参数LSTM模型的测试集时刻点平均预测偏差基本上差别不大，仿真实验发现，测试集的用电负荷数据的平均值为126.20，在迭代次数足够多的情况下，具有不同隐含层参数的LSTM网络都能较好的匹配给定数据集，并得到误差结果相近的预测结果。
(三)采用点预测值缩放比例系数的负荷区间预测算法
区间预测方法是对由不确定性因素所引起的预测负荷的变动范围进行量化，给出上、下界确定的预测区间，使得实际负荷观测值以一定的期望概率落在该区间内，可以用于电力系统短期和超短期的负荷预测。
考虑到峰谷等不同用电时刻的用电波动情况不同，将每一个时刻作为基本单元，分别对每个时刻进行区间预测。
(1)区间预测评估指标
首先，需要对区间预测结果进行评估，区间预测算法中采用的评估指标包括区间覆盖率(Coverage Probability)χCP，平均宽度百分比(Mean Width Percentage)χMWP和累积偏差(Accumulated Deviation)χAD。
区间覆盖率χCP定义了实际值落在由上、下界包络的预测区间内的概率，通常实际值realij以不低于额定置信水平的概率落在所构建的预测区间内，即：
P(realij∈[L(predij),U(predij)])≥μ (13)
其中，L(predij)和U(predij)分别是由点预测值predij得到的预测区间的下界和上界，μ为额定置信区间水平，第j个时刻点对应的区间覆盖率定义如下：
其中，
平均宽度百分比χMWP度量了预测区间宽度占真实值的平均百分比，第j个时刻点对应的平均宽度百分比定义如下：
需要说明的是采用相对宽度而不是绝对宽度是考虑到，在负荷预测问题中，用电高峰时的负荷通常比其它时刻大且难以预测，预测区间的宽度理应较宽，而用电低谷时的预测准确度相对较高，预测区间相对较窄。
除了区间覆盖率和平均宽度百分比两个指标之外，还有一个针对落在区间之外点的评估指标，即在给定额定置信水平的情况上，希望那些没有落在预测区间内的点与预测区间的偏离度尽量小，换句话说，在相同χCP和χMWP的情况下，偏离度最小的结果是最终选择的结果，用累积偏差χAD来体现偏离的程度，定义第j个时刻点的累积偏差为：
其中，
(2)预测区间的满意度
在给定额定置信水平μ的基础上，希望χCPj能尽量贴近μ值，且χMWPj和χADj值能尽量小，这里提出能对预测区间进行量化评估的综合指标，即预测区间满意度指标(PredictionInterval Satisfaction Index)χPISI，第j个时刻点对应的预测区间满意度指标计算公式为：
其中，η是对χCPj值的惩罚系数，根据实际需要设定，从式(17)可以看出，当χCPj与额定置信水平μ相同时，指数项取得最小值1。
随着χCPj与μ差距的增大，指数项也迅速增大，因此，χPISIj的值越小，对应的区间预测结果越令人满意，χPISIj最小值所对应的上界和下界即是最终选取的区间预测结果，在实际的计算中，会出现χMWPj和χCPj相同，即χPISIj相同的情况，这时根据χADj值进行选择，将最小的χADj值所对应的上界和下界作为最终选取的区间预测结果。
(3)算法说明
将每一时刻作为基本计算单元，分别对每个时刻进行区间预测，对于j时刻来说，在训练集中，共有m个预测值和真实值数据对应，将预测值分别放大和缩小比例系数α和β得到的结果作为预测区间的上界和下界，数学表达式为：
接下来需要确定放大和缩小比例系数α和β的取值，精度k指的是α和β的精度，例如，若精度k＝0.01，则α和β的数值保留到小数点后两位；若精度k＝0.001，则α和β的数值保留到小数点后三位；考虑到训练集的数量，实际的计算中取精度k＝0.01即可得到满意的效果。令：
α′和β′为α和β的可能取值，Ceil函数为上入取整函数，例如Ceil(5.24)＝6，Ceil(5.00)＝5，Ceil(-5.24)＝-5，对整个训练集进行计算，结果去重，便可以得到α和β的取值范围，图2以实际值大于预测值的情况对算法进行说明。
为了方便，假设所有预测值都相同且训练集只有两组数据，如图2所示pred1j＝pred2j，图中黑色虚线所对应的值α和β分别由realij/predij-1和1-realij/predij计算得到，黑色实线所对应的是α′、β′所在位置；另外，相邻两条实线之间相差精度k；先单独考虑放大比例系数α，在下界确定的情况下，对于real1j来说，将线2和线3作为上界，χCPj值不变，但是线3作为上界所构成的预测区间要窄，χMWPj值小，故线2作为上界的情况可以直接排除，线3与线1相比，线3的χMWPj值小，线1由于包含了real2j其χCPj值大，两者都有可能是最终选择的区间结果，故这两种情况都参与计算，同理，在上界确定的情况下，线2和线3相比可以直接排除线3，线4和线5相比，可以直接排除线5，对于实际值小于预测值的情况也同样满足上述分析，因此，通过计算α′和β′就可以得到所有α和β的可能取值。
选取预测区间满意度最小所对应的α和β作为该时刻点的放大和缩小比例系数，将该系数运用在测试集中，根据预测值得到上界和下界，通过实际值与上界、下界的关系，计算测试集的区域覆盖率和平均宽度百分比，从而验证区间预测结果。
(四)案例仿真
1.大用户历史负荷数据预处理
仿真场景：多个大型电力用户，两年实际的负荷历史数据.
仿真结果：
图3(a)和(b)分别为某用户修正前和修正后的2年有功负荷数据日曲线，图4(a)和(b)为该用户某两日的日负荷曲线，图4(a)中时刻58、59、62为缺失点，修正后的值如图中黑色圆点所示，图4(b)中时刻64、89为缺失点，修正后的值如图中黑色圆点所示。
图5(a)和(b)为该用户某日缺失值修正后的日负荷曲线，缺失值修正用黑色点标出，其中图5(b)将异常负荷点所在日的前后几日的负荷曲线也显示出来提供比较。
2.基于LSTM点预测的区间预测
仿真场景：多个大型电力用户，对其两年实际的负荷历史数据，以大用户历史负荷数据预处理仿真获得的对异常数据辨识与修补后的数据为训练集。
在训练集上运用区间预测算法得到各个时刻点的放大和缩小比例系数，在测试集上验证区间预测模型的效果，令：
在χCP值相同的情况下，χMWP越小，则预测结果越好；在χMWP值相同的情况下，χCP值越大，预测结果越好，因此，综合考虑二者，构造评价指标参数λ：
在χMWP和χCP相近的情况下，λ较大区间预测的效果较好，给定额定置信水平分别为0.95、0.90、0.85、0.80的情况下，计算基于LSTM点预测的区间预测模型的χCP、χMWP和λ。
仿真结果：表3中记录了每种置信水平下，评价指标参数λ排名前5的LSTM隐含层参数及其区间预测结果，所有不同LSTM结构所对应的区间预测结果见附录1。
表3基于LSTM点预测的区间预测算法结果
从表3中可以看出，区间预测算法在测试集上取得了很好的效果，平均区间覆盖率稍稍低于给定的额定置信水平，但是与给定的额定置信水平已经足够接近，另外，随着额定置信水平的降低，平均宽度百分比数值逐渐降低，与预期相符，即越窄的预测区间对应的区间覆盖率则越小，在四个不同的额定置信水平下，单隐含且节点数为100和300的两种结构都得到了排名靠前的比较好的预测结果。
图6是含单隐含层且隐含层节点数为100的LSTM模型得到的某一天的预测值和实际值对比图，从图中可以看出，点预测的结果能够很好地体现实际数据的趋势，且误差较小。
图7在图6点预测的基础上，增添了四条不同置信水平下的区间预测曲线，从图中可以看出，实际值大部分落在预测的区间内，预测效果较好，同时，用电负荷低的时刻点与用电负荷高的时刻点相比较，预测区间的绝对宽度更窄，这也与相对宽度的设定相一致。
3.基于LSTM点预测和NN点预测的区间预测算法比较
在与基于LSTM点预测的区间预测相同的条件下，LSTM方法和传统的神经网络(NN)方法对比结果如下：
表4LSTM和NN结果对比
R_X为指标X的相对误差，由NN和LSTM对应X指标的差值与LSTM对应的X指标相除得到，负值代表对应的X指标，NN要小于LSTM，正值相反。
从表4可以看出，与NN方法相比，LSTM在各个方面都具有比较明显的优势，平均误差更小，区间覆盖率更高，平均宽度百分比更小，评价指标参数更优。
本发明基于深度学习的电力用户负荷区间预测方法的有益效果是：
(1)针对具有强随机波动性的单个电力用户的负荷进行准确的负荷区间预测；
(2)区别于针对区域负荷的预测方法，并且在用户负荷的预测准确度上明显优于传统的方法；
(3)在满足安全可靠的条件下以最少的成本对用户提供电力，环保节约能源。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于深度学习的电力用户负荷区间预测方法，其特征在于，包括以下步骤：
(1)建立大用户历史负荷数据预处理模型用于异常数据的辨识与修补；
(2)建立基于LSTM时间递归神经网络的负荷点预测模型；
(3)采用点预测值缩放比例系数的负荷区间预测算法。
2.根据权利要求1所述的基于深度学习的电力用户负荷区间预测方法，其特征在于，所述异常数据包括显性异常数据和隐性异常数据。
3.根据权利要求2所述的基于深度学习的电力用户负荷区间预测方法，其特征在于，所述显性异常数据的辨识：检查AMI系统中的每15分钟一点的大用户负荷数据发现存在负荷数据某个时刻点、或某些连续时刻点缺失的情况，需要将上述记录以零值进行填补，并记录异常标志；对于AMI系统中已存在的数据点，将存在数值极端异常情况辨识出来，并记录异常标志；若上述记录的异常标志存在于k个连续时刻中，则将该日的96点负荷值从样本库中进行删除，否则进行修补；
所述显性异常数据的修补步骤：
a)以待修正时刻点所在日为基准，分别向前和向后寻找m天，若该日后m天的负荷点有显性异常标志而未修正的，向后顺延一天；分别求出2m日及待修正时刻点所在日的日均负荷，考虑到工作日与休息日的差别，对上述2m+1天进行基于日均负荷的相似日分类，求出与待修正时刻点所在日的同类型日；
b)对同类型日分别构造包含修正时刻前n个连续时刻点所组成的时间窗，从负荷大小量值以及负荷波动趋势两个方面，对这2m个时间窗曲线分别进行与异常时刻点所在时间窗曲线的相似度研究，主要基于欧氏距离相似度的方法和基于余弦相似度的方法，寻找在量值和波动趋势两个方面均与异常点所在时间窗曲线较为相似的时间窗作为支持向量机SVM的训练样本。基于这些样本，对异常负荷数据点所在时刻的负荷进行基于SVM的拟合训练，之后将时间窗口中待修正异常负荷数据之前的数据序列作为输入到训练好的SVM模型中，得到显性异常数据的修正值；
对于给定的负荷数据集xi∈Rd,yi∈R，用如下模型来拟合：
f(x)＝(w·x)+b (1)
其中，其中n为负荷样本数据集所取的负荷相似日(负荷形态相似的天)的个数，yi为目标时间点的负荷量，xi为维数为d的向量，其数值为目标时间点之前d个时间点对应的负荷量；
w为实数常数向量，w∈Rd，b为实数常数，b∈R，w与b的数值基于样本数据集(xi,yi)n拟合获得，引入第一松驰变量ξi和第二松驰变量构造如下优化问题：
其中，常数C是惩罚系数，ε为给定偏差值；
其对偶空间的优化问题为：
其中，第一Lagrange乘子αi和第二Lagrange乘子αi *；
求解此问题，得到最优的第一Lagrange乘子αi和第二Lagrange乘子αi *，从而得到拟合函数
其中，K(x,xi)＝(xxi+1)，这里所得拟合函数f(x)即为所需修补的负荷修正值。
4.根据权利要求2所述的基于深度学习的电力用户负荷区间预测方法，其特征在于，采用小波分解与小波重构的方法对用户负荷序列中的所述隐性异常数据进行辨识的步骤：首先对日负荷96点数据进行小波变换，选取小波基db4，将信号进行4层分解，分解后的低频部分对应于信号的趋势部分是一条相对平滑的曲线，其对应的小波系数为wk(k＝1,2,…,N)，对高频部分信号进行基于软阈值的消噪处理，采取基于软硬阈值函数的加权平均阈值函数：
其中，加权因子T为阈值门限，wk为第k次小波系数，采用固定阈值门限准则的VisuShrink的方法来确定阈值门限其中σ为噪声的方差，再根据软阈值消噪后的小波系数对高频部分信号进行消噪后的小波重构，根据高频部分信号消噪后信号的极值点判断粗差位置，并且排除由于生产波动情况造成的粗差点，若确认为隐性异常值，则采取显性异常值修正的方法进行修正。
5.根据权利要求1所述的基于深度学习的电力用户负荷区间预测方法，其特征在于，根据所述大用户历史负荷数据预处理模型，从用电信息采集系统中提取用户每15分钟间隔的历史负荷序列形成原始数据集，对用户的日负荷96点数据做日前预测获得用户负荷预测值；基于实际的电力用户负荷数据为神经网络的训练集，测试获得最优的时间递归神经网络LSTM隐层结构；以用户负荷预测值和实际值的均方误差作为损失参数，以损失参数最小为优化目标来更新LSTM模型的各部分权值，获得最佳负荷预测模型。
6.根据权利要求5所述的基于深度学习的电力用户负荷区间预测方法，其特征在于，所述时间递归神经网络LSTM隐层结构包括：
设单元输出h，输入数据x，g为LSTM单元输出量，i为输入门的输出量，f为遗忘门输出，o为输出门输出量，c为记忆单元输出量，h为整个LSTM单元输出量，bg、bi、bf、bo均为参考基值，LSTM时间递归神经网络的单元的更新如下：
gt＝tanh(xtwxg+ht-1whg+bg) (6)
it＝sigmoid(xtwxi+ht-1whi+ct-1wci+bi) (7)
ft＝sigmoid(xtwxf+ht-1whf+ct-1wcf+bf) (8)
ot＝sigmoid(xtwxo+ht-1who+bo) (9)
从用电信息采集系统中提取用户近两年的每隔15分钟的负荷序列，形成原始数据集，将原始数据集中所有相邻两天的电量负荷数据组合成一条记录，前一天作为LSTM网络的输入，后一天作为网络的标签或者输出，构成数据集D，令数据集D中占90％的记录作为训练集M，占10％的记录作为测试集N，训练集的记录数为m，测试集的记录数为n；
LSTM模型以预测值和实际值的均方误差作为损失参数，以损失参数最小为优化目标来更新模型的各部分权值，定义所有时刻点的平均预测偏差：
其中real是测试集中某个时刻的真实值，pred是其对应的LSTM模型的预测值，p＝96。
7.根据权利要求1所述的基于深度学习的电力用户负荷区间预测方法，其特征在于，根据所述负荷点预测模型对由不确定性因素所引起的预测负荷的变动范围进行量化，给出上、下界确定的预测区间，使得实际负荷观测值以一定的期望概率落在该区间内。
8.根据权利要求7所述的基于深度学习的电力用户负荷区间预测方法，其特征在于，所述预测区间的预测负荷的变化范围的评估指标包括区间覆盖率χCP、平均宽度百分比χMWP和累积偏差χAD；
区间覆盖率χCP是实际值落在由上界、下界包络的预测区间内的概率，实际值realij以不低于额定置信水平的概率落在构建的预测区间内，即：
P(realij∈[L(predij),U(predij)])≥μ (13)
其中，L(predij)和U(predij)分别是由点预测值predij得到的预测区间的下界和上界，μ为额定置信区间水平，第j个时刻点对应的区间覆盖率定义如下：
其中，
平均宽度百分比χMWP度量了预测区间宽度占真实值的平均百分比，第j个时刻点对应的平均宽度百分比定义如下：
累积偏差χAD来体现实际负荷观测值偏离预测区间的程度，第j个时刻点的累积偏差为：
其中，
9.根据权利要求7所述的基于深度学习的电力用户负荷区间预测方法，其特征在于，所述预测区间的满意度指标χPISI在第j个时刻点为：
其中，η是对χCPj值的惩罚系数，χPISIj最小值所对应的上界和下界即是最终选取的区间预测结果，当χMWPj和χCPj相同时，根据χADj值进行选择，将最小的χADj值所对应的上界和下界作为最终选取的区间预测结果。
10.根据权利要求1所述的基于深度学习的电力用户负荷区间预测方法，其特征在于，所述负荷区间预测算法将每一时刻作为基本计算单元，分别对每个时刻进行区间预测，j时刻在训练集中共有m个预测值和真实值数据对应，将预测值分别放大和缩小比例系数α和β得到的结果作为预测区间的上界和下界：
确定放大和缩小比例系数α和β的取值，精度k是α和β的精度，令：
α’和β’为α和β的可能取值，Ceil函数为上入取整函数，对整个训练集进行计算结果去重，便可以得到α和β的取值范围，选取预测区间的满意度指标最小时所对应的α和β作为该时刻点的放大和缩小比例系数，将该系数运用在测试集中，根据预测值得到上界和下界，通过实际值与上界、下界的关系，计算测试集的区域覆盖率和平均宽度百分比，验证区间预测结果。
CN201910550680.7A 2019-06-24 2019-06-24 一种基于深度学习的电力用户负荷区间预测方法 Active CN110263866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910550680.7A CN110263866B (zh) 2019-06-24 2019-06-24 一种基于深度学习的电力用户负荷区间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910550680.7A CN110263866B (zh) 2019-06-24 2019-06-24 一种基于深度学习的电力用户负荷区间预测方法

Publications (2)

Publication Number Publication Date
CN110263866A true CN110263866A (zh) 2019-09-20
CN110263866B CN110263866B (zh) 2023-11-10

Family

ID=67920963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910550680.7A Active CN110263866B (zh) 2019-06-24 2019-06-24 一种基于深度学习的电力用户负荷区间预测方法

Country Status (1)

Country Link
CN (1) CN110263866B (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674993A (zh) * 2019-09-26 2020-01-10 广东电网有限责任公司 一种用户负荷短期预测方法和装置
CN110991761A (zh) * 2019-12-13 2020-04-10 新奥数能科技有限公司 一种供热负荷预测方法及装置
CN111090684A (zh) * 2019-12-17 2020-05-01 国网电子商务有限公司 一种用电数据的处理方法及系统
CN111222689A (zh) * 2019-12-06 2020-06-02 重庆三峡学院 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置
CN111311436A (zh) * 2020-03-17 2020-06-19 上海积成能源科技有限公司 一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法
CN111325413A (zh) * 2020-03-23 2020-06-23 电子科技大学 基于神经网络和比例系数法的短期负荷区间预测方法
CN111461462A (zh) * 2020-04-29 2020-07-28 南京工程学院 基于TrellisNet-LSTM的日负荷预测方法
CN111582542A (zh) * 2020-03-31 2020-08-25 国网上海市电力公司 一种基于异常修复的电力负荷预测方法及系统
CN111598330A (zh) * 2020-05-13 2020-08-28 国网河北省电力有限公司电力科学研究院 一种基于负荷识别技术的居民用电负荷预测方法
CN111666276A (zh) * 2020-06-11 2020-09-15 上海积成能源科技有限公司 一种电力负荷预测中应用孤立森林算法剔除异常数据处理的方法
CN111784028A (zh) * 2020-06-08 2020-10-16 深圳供电局有限公司 一种社区负荷预测方法
CN111784019A (zh) * 2019-12-26 2020-10-16 国网北京市电力公司 电力负荷处理方法和装置
CN112070238A (zh) * 2020-11-10 2020-12-11 鹏城实验室 准确的机器学习异步预测方法及系统、存储介质
CN112183813A (zh) * 2020-08-26 2021-01-05 河海大学 一种基于优化稀疏编码的超短期负荷滚动多步预测方法
CN112232714A (zh) * 2020-11-18 2021-01-15 中国科学院电工研究所 一种基于深度学习的结构参数不完备下配电网风险评估方法
CN112653241A (zh) * 2020-12-16 2021-04-13 南方电网深圳数字电网研究院有限公司 电网监测方法和装置、物联计量单元
CN112734141A (zh) * 2021-02-25 2021-04-30 云南电网有限责任公司电力科学研究院 一种多元化负荷区间预测方法及装置
CN112990587A (zh) * 2021-03-24 2021-06-18 北京市腾河智慧能源科技有限公司 一种对台区用电进行精准预测的方法及系统、设备、介质
CN113139605A (zh) * 2021-04-27 2021-07-20 武汉理工大学 基于主成分分析和lstm神经网络的电力负荷预测方法
CN114219150A (zh) * 2021-12-15 2022-03-22 浙江大学 基于自适应优化构造区间的电力负荷区间预测方法
CN115630830A (zh) * 2022-12-01 2023-01-20 北京忠业兴达科技有限公司 数据中心供配电方法、装置、设备及存储介质
CN116361709A (zh) * 2023-03-31 2023-06-30 山东省计算中心（国家超级计算济南中心） 一种自适应电力负荷识别方法与设备
CN116470618A (zh) * 2023-04-17 2023-07-21 深圳市威能讯电子有限公司 一种移动式户外储能充放电控制方法
CN117349778A (zh) * 2023-12-04 2024-01-05 湖南蓝绿光电科技有限公司 一种基于物联网的用电设备在线实时监测系统
CN117472898A (zh) * 2023-12-26 2024-01-30 国网江西省电力有限公司电力科学研究院 一种基于融合的配电网异常数据纠错方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960252A (zh) * 2017-03-08 2017-07-18 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测方法
CN109376772A (zh) * 2018-09-28 2019-02-22 武汉华喻燃能工程技术有限公司 一种基于神经网络模型的电力负荷组合预测方法
CN109376960A (zh) * 2018-12-06 2019-02-22 国网北京市电力公司 基于lstm神经网络的电网负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960252A (zh) * 2017-03-08 2017-07-18 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测方法
CN109376772A (zh) * 2018-09-28 2019-02-22 武汉华喻燃能工程技术有限公司 一种基于神经网络模型的电力负荷组合预测方法
CN109376960A (zh) * 2018-12-06 2019-02-22 国网北京市电力公司 基于lstm神经网络的电网负荷预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
于佳弘等: "基于LSTM 的用户负荷区间预测方法", 工业控制计算机, vol. 31, no. 4, pages 100 - 102 *
于佳弘等: "基于LSTM的用户负荷区间预测方法", 《工业控制计算机》 *
于佳弘等: "基于LSTM的用户负荷区间预测方法", 《工业控制计算机》, vol. 31, no. 04, 25 April 2018 (2018-04-25), pages 100 - 102 *
王国玲: "电力系统短期负荷预测方法的研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(月刊), no. 4, pages 264 - 265 *

Cited By (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674993A (zh) * 2019-09-26 2020-01-10 广东电网有限责任公司 一种用户负荷短期预测方法和装置
CN111222689A (zh) * 2019-12-06 2020-06-02 重庆三峡学院 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置
CN110991761A (zh) * 2019-12-13 2020-04-10 新奥数能科技有限公司 一种供热负荷预测方法及装置
CN110991761B (zh) * 2019-12-13 2022-06-28 新奥数能科技有限公司 一种供热负荷预测方法及装置
CN111090684A (zh) * 2019-12-17 2020-05-01 国网电子商务有限公司 一种用电数据的处理方法及系统
CN111090684B (zh) * 2019-12-17 2023-11-03 国网数字科技控股有限公司 一种用电数据的处理方法及系统
CN111784019A (zh) * 2019-12-26 2020-10-16 国网北京市电力公司 电力负荷处理方法和装置
CN111311436A (zh) * 2020-03-17 2020-06-19 上海积成能源科技有限公司 一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法
CN111325413A (zh) * 2020-03-23 2020-06-23 电子科技大学 基于神经网络和比例系数法的短期负荷区间预测方法
CN111325413B (zh) * 2020-03-23 2022-04-01 电子科技大学 基于神经网络和比例系数法的短期负荷区间预测方法
CN111582542A (zh) * 2020-03-31 2020-08-25 国网上海市电力公司 一种基于异常修复的电力负荷预测方法及系统
CN111582542B (zh) * 2020-03-31 2023-10-03 国网上海市电力公司 一种基于异常修复的电力负荷预测方法及系统
CN111461462A (zh) * 2020-04-29 2020-07-28 南京工程学院 基于TrellisNet-LSTM的日负荷预测方法
CN111461462B (zh) * 2020-04-29 2023-11-21 南京工程学院 基于TrellisNet-LSTM的日负荷预测方法
CN111598330A (zh) * 2020-05-13 2020-08-28 国网河北省电力有限公司电力科学研究院 一种基于负荷识别技术的居民用电负荷预测方法
CN111784028A (zh) * 2020-06-08 2020-10-16 深圳供电局有限公司 一种社区负荷预测方法
CN111666276A (zh) * 2020-06-11 2020-09-15 上海积成能源科技有限公司 一种电力负荷预测中应用孤立森林算法剔除异常数据处理的方法
CN112183813B (zh) * 2020-08-26 2024-04-09 河海大学 一种基于优化稀疏编码的超短期负荷滚动多步预测方法
CN112183813A (zh) * 2020-08-26 2021-01-05 河海大学 一种基于优化稀疏编码的超短期负荷滚动多步预测方法
CN112070238B (zh) * 2020-11-10 2021-02-23 鹏城实验室 准确的机器学习异步预测方法及系统、存储介质
CN112070238A (zh) * 2020-11-10 2020-12-11 鹏城实验室 准确的机器学习异步预测方法及系统、存储介质
CN112232714A (zh) * 2020-11-18 2021-01-15 中国科学院电工研究所 一种基于深度学习的结构参数不完备下配电网风险评估方法
CN112232714B (zh) * 2020-11-18 2023-06-20 中国科学院电工研究所 一种基于深度学习的结构参数不完备下配电网风险评估方法
CN112653241A (zh) * 2020-12-16 2021-04-13 南方电网深圳数字电网研究院有限公司 电网监测方法和装置、物联计量单元
CN112653241B (zh) * 2020-12-16 2023-06-09 南方电网数字平台科技(广东)有限公司 电网监测方法和装置、物联计量单元
CN112734141A (zh) * 2021-02-25 2021-04-30 云南电网有限责任公司电力科学研究院 一种多元化负荷区间预测方法及装置
CN112734141B (zh) * 2021-02-25 2023-01-20 云南电网有限责任公司电力科学研究院 一种多元化负荷区间预测方法及装置
CN112990587B (zh) * 2021-03-24 2023-10-24 北京市腾河智慧能源科技有限公司 一种对台区用电进行精准预测的方法及系统、设备、介质
CN112990587A (zh) * 2021-03-24 2021-06-18 北京市腾河智慧能源科技有限公司 一种对台区用电进行精准预测的方法及系统、设备、介质
CN113139605A (zh) * 2021-04-27 2021-07-20 武汉理工大学 基于主成分分析和lstm神经网络的电力负荷预测方法
CN114219150A (zh) * 2021-12-15 2022-03-22 浙江大学 基于自适应优化构造区间的电力负荷区间预测方法
CN115630830A (zh) * 2022-12-01 2023-01-20 北京忠业兴达科技有限公司 数据中心供配电方法、装置、设备及存储介质
CN116361709A (zh) * 2023-03-31 2023-06-30 山东省计算中心（国家超级计算济南中心） 一种自适应电力负荷识别方法与设备
CN116361709B (zh) * 2023-03-31 2023-10-31 山东省计算中心（国家超级计算济南中心） 一种自适应电力负荷识别方法与设备
CN116470618A (zh) * 2023-04-17 2023-07-21 深圳市威能讯电子有限公司 一种移动式户外储能充放电控制方法
CN116470618B (zh) * 2023-04-17 2024-01-26 深圳市威能讯电子有限公司 一种移动式户外储能充放电控制方法
CN117349778A (zh) * 2023-12-04 2024-01-05 湖南蓝绿光电科技有限公司 一种基于物联网的用电设备在线实时监测系统
CN117349778B (zh) * 2023-12-04 2024-02-20 湖南蓝绿光电科技有限公司 一种基于物联网的用电设备在线实时监测系统
CN117472898A (zh) * 2023-12-26 2024-01-30 国网江西省电力有限公司电力科学研究院 一种基于融合的配电网异常数据纠错方法及系统
CN117472898B (zh) * 2023-12-26 2024-04-02 国网江西省电力有限公司电力科学研究院 一种基于融合的配电网异常数据纠错方法及系统

Also Published As

Publication number Publication date
CN110263866B (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN110263866A (zh) 一种基于深度学习的电力用户负荷区间预测方法
CN112508275B (zh) 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
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
CN110097297B (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
CN108388962B (zh) 一种风电功率预测系统及方法
Enke et al. A hybrid neuro-fuzzy model to forecast inflation
CN111401599B (zh) 一种基于相似性搜索和lstm神经网络的水位预测方法
CN110414788A (zh) 一种基于相似日和改进lstm的电能质量预测方法
Zhang et al. Power consumption predicting and anomaly detection based on transformer and K-means
CN112215426A (zh) 一种短期用电负荷预测方法
CN112329990A (zh) 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN107730059A (zh) 基于机器学习的变电站电量趋势预测分析的方法
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
Wang et al. A novel decomposition-ensemble forecasting system for dynamic dispatching of smart grid with sub-model selection and intelligent optimization
CN106530082A (zh) 基于多机器学习的股票预测方法及系统
CN109636063A (zh) 一种短期负荷预测的方法
CN110210670A (zh) 一种基于电力系统短期负荷的预测方法
CN115860177A (zh) 基于组合式机器学习模型光伏发电功率预测方法及其应用
CN112949207A (zh) 一种基于改进最小二乘支持向量机的短期负荷预测方法
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及系统
CN105488598A (zh) 一种基于模糊聚类的中长期电力负荷预测方法
CN110188956A (zh) 基于蚁群神经网络的负荷预测方法及包含该方法的系统、存储器
CN112348220A (zh) 一种基于企业行为模式的信用风险评估预测方法及系统
CN108345996B (zh) 一种降低风电功率考核电量的系统及方法
CN106384307A (zh) 一种县域配电网规划差异化评估方法

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