CN110309982A - 基于矩阵分解的电力负荷预测方法、装置及设备 - Google Patents
基于矩阵分解的电力负荷预测方法、装置及设备 Download PDFInfo
- Publication number
- CN110309982A CN110309982A CN201910615863.2A CN201910615863A CN110309982A CN 110309982 A CN110309982 A CN 110309982A CN 201910615863 A CN201910615863 A CN 201910615863A CN 110309982 A CN110309982 A CN 110309982A
- Authority
- CN
- China
- Prior art keywords
- matrix
- user
- electric
- load
- 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.)
- Pending
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 275
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004907 flux Effects 0.000 claims abstract description 112
- 230000002123 temporal effect Effects 0.000 claims abstract description 72
- 238000013480 data collection Methods 0.000 claims abstract description 17
- 230000005611 electricity Effects 0.000 claims description 13
- 239000012141 concentrate Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229940050561 matrix product Drugs 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (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
本发明公开了一种基于矩阵分解的电力负荷预测方法，包括获取电力负荷序列数据集，分别对各用户的序列数据进行组合，得到各电能量数据矩阵；对各电能量数据矩阵进行矩阵分解，得到各用户的电能量时间序列因子矩阵和电能量时序依赖因子矩阵；利用回声状态网络计算用户的下一预设时刻的电能量时序依赖因子；通过对各用户的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各用户的下一预设时刻的电力负荷值。应用本发明实施例所提供的技术方案，增强了复杂动态性的建模能力，较大地提高了对电力负荷数据的预测精度。本发明还公开了一种基于矩阵分解的电力负荷预测装置、设备及存储介质，具有相应技术效果。
Description
技术领域
本发明涉及电力负荷预测技术领域，特别是涉及一种基于矩阵分解的电力负荷预测方法、装置、设备及计算机可读存储介质。
背景技术
电力负荷预测是经济调度、调度安排以及决定负荷高峰使机组安全运行决策的重要基础，同时也为市场环境下合理地安排电量生产及供电调度等提供了重要保证。电力负荷值由于受到电力系统运行状况、本地用电消费水平、市场供求关系变化等因素的交互式影响，这些因素构成了电力系统的非线性特性。
由于神经网络具有很强的自学习和非线性拟合能力，很适合用来解决电力负荷预测问题，所以近年来，很多研究利用神经网络技术的优势，来解决负荷预测问题。例如，将BP神经网络，RBF神经网络和小波神经网络等应用于电力负荷预测。上述几种神经网络虽然建立了模型，对电力负荷进行预测，但是没有考虑序列间的关联信息，对电力负荷数据的预测精度低。
综上所述，如何有效地解决现有的对电力负荷数据的预测方式没有考虑序列间的关联信息，对电力负荷数据的预测精度低等问题，是目前本领域技术人员急需解决的问题。
发明内容
本发明的目的是提供一种基于矩阵分解的电力负荷预测方法，该方法增强了复杂动态性的建模能力，较大地提高了对电力负荷数据的预测精度；本发明的另一目的是提供一种基于矩阵分解的电力负荷预测装置、设备及计算机可读存储介质。
为解决上述技术问题，本发明提供如下技术方案：
一种基于矩阵分解的电力负荷预测方法，包括：
获取电力负荷序列数据集，并分别对所述电力负荷序列数据集中各用户的序列数据进行组合，得到各所述用户分别对应的电能量数据矩阵；
分别对各所述电能量数据矩阵进行矩阵分解，得到各所述用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵；
分别将各所述用户对应的电能量时序依赖因子矩阵输入到回声状态网络中，计算得到各所述用户分别对应的下一预设时刻的电能量时序依赖因子；
分别通过对各所述用户对应的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各所述用户分别对应的下一预设时刻的电力负荷值。
在本发明的一种具体实施方式中，当存在电能量数据矩阵中的电力负荷数据的数量级或量纲不一致时，在得到各所述用户分别对应的电能量数据矩阵之后，分别对各所述电能量数据矩阵进行矩阵分解之前，还包括：
将电力负荷数据的数量级或量纲不一致的电能量数据矩阵确定为目标矩阵；
对所述目标矩阵中的各所述电力负荷数据进行归一化操作。
在本发明的一种具体实施方式中，分别对各所述电能量数据矩阵进行矩阵分解，包括：
利用非负矩阵分解算法分别对各所述电能量数据矩阵进行矩阵分解。
在本发明的一种具体实施方式中，在预测各所述用户分别对应的下一预设时刻的电力负荷值之后，还包括：
分别获取各所述用户下一预设时刻的真实电力负荷值；
利用各所述真实电力负荷值和分别对应的预测出的电力负荷值检验预测过程所用电力负荷预测模型的有效性。
一种基于矩阵分解的电力负荷预测装置，包括：
矩阵获得模块，用于获取电力负荷序列数据集，并分别对所述电力负荷序列数据集中各用户的序列数据进行组合，得到各所述用户分别对应的电能量数据矩阵；
矩阵分解模块，用于分别对各所述电能量数据矩阵进行矩阵分解，得到各所述用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵；
依赖因子计算模块，用于分别将各所述用户对应的电能量时序依赖因子矩阵输入到回声状态网络中，计算得到各所述用户分别对应的下一预设时刻的电能量时序依赖因子；
电力负荷值预测模块，用于分别通过对各所述用户对应的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各所述用户分别对应的下一预设时刻的电力负荷值。
在本发明的一种具体实施方式中，还包括：
目标矩阵确定模块，用于当存在电能量数据矩阵中的电力负荷数据的数量级或量纲不一致时，在得到各所述用户分别对应的电能量数据矩阵之后，分别对各所述电能量数据矩阵进行矩阵分解之前，将电力负荷数据的数量级或量纲不一致的电能量数据矩阵确定为目标矩阵；
归一化模块，用于对所述目标矩阵中的各所述电力负荷数据进行归一化操作。
在本发明的一种具体实施方式中，所述矩阵分解模块具体为利用非负矩阵分解算法分别对各所述电能量数据矩阵进行矩阵分解的模块。
在本发明的一种具体实施方式中，还包括：
真实值获得模块，用于在预测各所述用户分别对应的下一预设时刻的电力负荷值之后，分别获取各所述用户下一预设时刻的真实电力负荷值；
有效性检验模块，用于利用各所述真实电力负荷值和分别对应的预测出的电力负荷值检验预测过程所用电力负荷预测模型的有效性。
一种基于矩阵分解的电力负荷预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如前所述基于矩阵分解的电力负荷预测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述基于矩阵分解的电力负荷预测方法的步骤。
应用本发明实施例所提供的方法，获取电力负荷序列数据集，并分别对电力负荷序列数据集中各用户的序列数据进行组合，得到各用户分别对应的电能量数据矩阵；分别对各电能量数据矩阵进行矩阵分解，得到各用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵；分别将各用户对应的电能量时序依赖因子矩阵输入到回声状态网络中，计算得到各用户分别对应的下一预设时刻的电能量时序依赖因子；分别通过对各用户对应的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各用户分别对应的下一预设时刻的电力负荷值。通过利用矩阵分解技术得到各用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵，捕捉了每个用户各自的电能量时序不变特征和随着时间变化的依赖因子。引入回声状态网络，增强了矩阵分解原有的对时序建模和多尺度结构的捕捉能力，增强了复杂动态性的建模能力，较大地提高了对电力负荷数据的预测精度。
相应的，本发明实施例还提供了与上述基于矩阵分解的电力负荷预测方法相对应的基于矩阵分解的电力负荷预测装置、设备和计算机可读存储介质，具有上述技术效果，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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他的附图。
图1为本发明实施例中基于矩阵分解的电力负荷预测方法的一种实施流程图；
图2为本发明实施例中一种基于矩阵分解的电力负荷预测方法的网络结构图；
图3为本发明实施例中基于矩阵分解的电力负荷预测方法的另一种实施流程图；
图4为本发明实施例中一种基于矩阵分解的电力负荷预测装置的结构框图；
图5为本发明实施例中一种基于矩阵分解的电力负荷预测设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
参见图1，图1为本发明实施例中基于矩阵分解的电力负荷预测方法的一种实施流程图，该方法可以包括以下步骤：
S101：获取电力负荷序列数据集，并分别对电力负荷序列数据集中各用户的序列数据进行组合，得到各用户分别对应的电能量数据矩阵。
在电力系统运行的过程中，可以对生成的各用户的电力负荷数据进行预先存储，形成电力负荷序列数据集。在需要对各用户的未来电力负荷值进行预测时，可以获取预先存储的电力负荷序列数据集。由于电力负荷序列数据集中包含多个用户的电力负荷序列数据，可以分别对电力负荷序列数据集中各用户的序列数据进行组合，得到各用户分别对应的电能量数据矩阵。
S102：分别对各电能量数据矩阵进行矩阵分解，得到各用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵。
在得到各用户分别对应的电能量数据矩阵之后，可以分别对各电能量数据矩阵进行矩阵分解，得到各用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵。如可以定义电能量数据矩阵为U表示用户量，T表示负荷序列的长度。通过矩阵分解将Y分解为两个重要因子，即电能量时间序列因子矩阵F和电能量时序依赖因子矩阵X，其中电能量时间序列因子矩阵F捕捉了每个用户各自的电能量时序不变特征，电能量时序依赖因子矩阵X捕捉了随着时间变化的依赖因子。
S103：分别将各用户对应的电能量时序依赖因子矩阵输入到回声状态网络中，计算得到各用户分别对应的下一预设时刻的电能量时序依赖因子。
在得到各用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵之后，由于电能量时序依赖因子矩阵存在多尺度依赖结构和复杂动态特性，可以将电能量时序依赖因子矩阵输入到回声状态网络ESN中，利用回声状态网络对电能量时序依赖因子矩阵进行建模，计算得到各用户分别对应的下一预设时刻的电能量时序依赖因子。承接上例，可以通过如下公式计算下一预设时刻的电能量时序依赖因子：
pt＝tanh(Winxt+Rpt-1)；
xnew＝Woutpt；
其中，表示第t个预设时刻的电能量时序依赖因子，表示输入权重矩阵，表示储备池中间权值矩阵，pt-1表示第t-1个预设时刻的回声状态，pt表示第t个预设时刻的回声状态，表示输出权重矩阵，表示下一预设时刻预测出来的电能量时序依赖因子，N代表回声状态网络中储备池的神经元个数，D代表电能量时序依赖因子矩阵X的维度。
Win和R两个权重矩阵是随机初始化的，并不参与训练更新，训练过程的目的是只对Wout进行更新，因此大大降低了训练的计算量。Wout的更新过程可以通过以下公式完成：
通过对上式求导，并且令导数为0，解得Wout为：
Wout＝OET(EET+λI)-1；
其中，E为网络状态矩阵，O为序列矩阵，λ为正则项所占权重，I为单位矩阵。
需要说明的是，预设时刻可以根据实际情况进行设定和调整，本发明实施例对此不做限定，如可以将两个相邻预设时刻之间时间间隔设定为1天，则每经过一天为一个预设时刻。
S104：分别通过对各用户对应的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各用户分别对应的下一预设时刻的电力负荷值。
在得到各用户对应的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子之后，可以分别通过对各用户对应的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各用户分别对应的下一预设时刻的电力负荷值。承接上例，在得到电能量时间序列因子矩阵F和下一预设时刻的电能量时序依赖因子xnew之后，通过对电能量时间序列因子矩阵F和下一预设时刻的电能量时序依赖因子xnew进行矩阵运算，预测各用户分别对应的下一预设时刻的电力负荷值，即：
Ynew＝F×xnew；
其中，表示预测的任一用户下一预设时刻的电力负荷值，F为电能量时间序列因子矩阵。
应用本发明实施例所提供的方法，获取电力负荷序列数据集，并分别对电力负荷序列数据集中各用户的序列数据进行组合，得到各用户分别对应的电能量数据矩阵；分别对各电能量数据矩阵进行矩阵分解，得到各用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵；分别将各用户对应的电能量时序依赖因子矩阵输入到回声状态网络中，计算得到各用户分别对应的下一预设时刻的电能量时序依赖因子；分别通过对各用户对应的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各用户分别对应的下一预设时刻的电力负荷值。通过利用矩阵分解技术得到各用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵，捕捉了每个用户各自的电能量时序不变特征和随着时间变化的依赖因子。引入回声状态网络，增强了矩阵分解原有的对时序建模和多尺度结构的捕捉能力，增强了复杂动态性的建模能力，较大地提高了对电力负荷数据的预测精度。
需要说明的是，基于上述实施例一，本发明实施例还提供了相应的改进方案。在后续实施例中涉及与上述实施例一中相同步骤或相应步骤之间可相互参考，相应的有益效果也可相互参照，在下文的改进实施例中不再一一赘述。
在一种具体实例中，如图2所示，通过对电力负荷序列数据集Y进行矩阵分解，得到电能量时间序列因子矩阵F和电能量时序依赖因子矩阵X，将电能量时序依赖因子矩阵X输入到回声状态网络中，输出下一预设时刻的电能量时序依赖因子xnew，通过对电能量时间序列因子矩阵F和下一预设时刻的电能量时序依赖因子xnew进行矩阵运算，得到下一预设时刻的电力负荷值Ynew。
参见图3，图3为本发明实施例中基于矩阵分解的电力负荷预测方法的另一种实施流程图，该方法可以包括以下步骤：
S301：获取电力负荷序列数据集，并分别对电力负荷序列数据集中各用户的序列数据进行组合，得到各用户分别对应的电能量数据矩阵。
S302：当存在电能量数据矩阵中的电力负荷数据的数量级或量纲不一致时，将电力负荷数据的数量级或量纲不一致的电能量数据矩阵确定为目标矩阵。
在得到各用户分别对应的电能量数据矩阵之后，若存在电能量数据矩阵中的电力负荷数据的数量级或量纲不一致，则可以将电力负荷数据的数量级或量纲不一致的电能量数据矩阵确定为目标矩阵。
S303：对目标矩阵中的各电力负荷数据进行归一化操作。
在确定出电力负荷数据的数量级或量纲不一致的目标矩阵之后，可以对目标矩阵中的各电力负荷数据进行归一化操作。可以通过以下公式进行归一化：
其中，max(x)表示每一个用户电能量数据矩阵中用户序列数据的最大值，min(x)表示每一个用户电能量数据矩阵中用户序列数据的最小值，x表示用户电能量数据矩阵中任意一个电力负荷值，表示归一化之后的电力负荷数据。
由于神经网络的激活函数特性，使得其对[-1,1]区间内的数据敏感，如果输入的数据在[-1,1]区间中，那么会大大加速神经网络的训练速度和训练效果。
S304：利用非负矩阵分解算法分别对各电能量数据矩阵进行矩阵分解，得到各用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵。
可以采用非负矩阵分解算法NMF(Non-negative Matrix Factorization)分别对各电能量数据矩阵进行矩阵分解，得到电能量时间序列因子矩阵F和电能量时序依赖因子矩阵X，使得F，X的矩阵乘积得到的矩阵对应的每个位置的值和原矩阵Y对应位置的值相比误差尽可能地小。即：
其中，||*||Fro为Frobenius范数，例如，矩阵A的Frobenius范数定义为矩阵A各项元素的绝对值平方的总和，再进行开方操作，即：
S305：分别将各用户对应的电能量时序依赖因子矩阵输入到回声状态网络中，计算得到各用户分别对应的下一预设时刻的电能量时序依赖因子。
S306：分别通过对各用户对应的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各用户分别对应的下一预设时刻的电力负荷值。
S307：分别获取各用户下一预设时刻的真实电力负荷值。
可以分别获取各用户下一预设时刻的真实电力负荷值。
S308：利用各真实电力负荷值和分别对应的预测出的电力负荷值检验预测过程所用电力负荷预测模型的有效性。
在得到各用户分别对应的预测出的下一预设时刻的电力负荷值以及各用户下一预设时刻的真实电力负荷值之后，可以利用各真实电力负荷值和分别对应的预测出的电力负荷值检验预测过程所用电力负荷预测模型的有效性。如可以通过计算预测出的下一预设时刻的电力负荷值与下一预设时刻的真实电力负荷值的均分根误差，通过将本申请对应的均分根误差与利用现有方式得到的预测值与真实值的均方根误差作对比，检验预测过程所用电力负荷预测模型的有效性。
相应于上面的方法实施例，本发明实施例还提供了一种基于矩阵分解的电力负荷预测装置，下文描述的基于矩阵分解的电力负荷预测装置与上文描述的基于矩阵分解的电力负荷预测方法可相互对应参照。
参见图4，图4为本发明实施例中一种基于矩阵分解的电力负荷预测装置的结构框图，该装置可以包括：
矩阵获得模块41，用于获取电力负荷序列数据集，并分别对电力负荷序列数据集中各用户的序列数据进行组合，得到各用户分别对应的电能量数据矩阵；
矩阵分解模块42，用于分别对各电能量数据矩阵进行矩阵分解，得到各用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵；
依赖因子计算模块43，用于分别将各用户对应的电能量时序依赖因子矩阵输入到回声状态网络中，计算得到各用户分别对应的下一预设时刻的电能量时序依赖因子；
电力负荷值预测模块44，用于分别通过对各用户对应的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各用户分别对应的下一预设时刻的电力负荷值。
应用本发明实施例所提供的装置，获取电力负荷序列数据集，并分别对电力负荷序列数据集中各用户的序列数据进行组合，得到各用户分别对应的电能量数据矩阵；分别对各电能量数据矩阵进行矩阵分解，得到各用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵；分别将各用户对应的电能量时序依赖因子矩阵输入到回声状态网络中，计算得到各用户分别对应的下一预设时刻的电能量时序依赖因子；分别通过对各用户对应的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各用户分别对应的下一预设时刻的电力负荷值。通过利用矩阵分解技术得到各用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵，捕捉了每个用户各自的电能量时序不变特征和随着时间变化的依赖因子。引入回声状态网络，增强了矩阵分解原有的对时序建模和多尺度结构的捕捉能力，增强了复杂动态性的建模能力，较大地提高了对电力负荷数据的预测精度。
在本发明的一种具体实施方式中，该装置还可以包括：
目标矩阵确定模块，用于当存在电能量数据矩阵中的电力负荷数据的数量级或量纲不一致时，在得到各用户分别对应的电能量数据矩阵之后，分别对各电能量数据矩阵进行矩阵分解之前，将电力负荷数据的数量级或量纲不一致的电能量数据矩阵确定为目标矩阵；
归一化模块，用于对目标矩阵中的各电力负荷数据进行归一化操作。
在本发明的一种具体实施方式中，矩阵分解模块42具体为利用非负矩阵分解算法分别对各电能量数据矩阵进行矩阵分解的模块。
在本发明的一种具体实施方式中，该装置还可以包括：
真实值获得模块，用于在预测各用户分别对应的下一预设时刻的电力负荷值之后，分别获取各用户下一预设时刻的真实电力负荷值；
有效性检验模块，用于利用各真实电力负荷值和分别对应的预测出的电力负荷值检验预测过程所用电力负荷预测模型的有效性。
相应于上面的方法实施例，参见图5，图5为本发明所提供的基于矩阵分解的电力负荷预测设备的示意图，该设备可以包括：
存储器51，用于存储计算机程序；
处理器52，用于执行上述存储器51存储的计算机程序时可实现如下步骤：
获取电力负荷序列数据集，并分别对电力负荷序列数据集中各用户的序列数据进行组合，得到各用户分别对应的电能量数据矩阵；分别对各电能量数据矩阵进行矩阵分解，得到各用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵；分别将各用户对应的电能量时序依赖因子矩阵输入到回声状态网络中，计算得到各用户分别对应的下一预设时刻的电能量时序依赖因子；分别通过对各用户对应的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各用户分别对应的下一预设时刻的电力负荷值。
对于本发明提供的设备的介绍请参照上述方法实施例，本发明在此不做赘述。
相应于上面的方法实施例，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下步骤：
获取电力负荷序列数据集，并分别对电力负荷序列数据集中各用户的序列数据进行组合，得到各用户分别对应的电能量数据矩阵；分别对各电能量数据矩阵进行矩阵分解，得到各用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵；分别将各用户对应的电能量时序依赖因子矩阵输入到回声状态网络中，计算得到各用户分别对应的下一预设时刻的电能量时序依赖因子；分别通过对各用户对应的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各用户分别对应的下一预设时刻的电力负荷值。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本发明提供的计算机可读存储介质的介绍请参照上述方法实施例，本发明在此不做赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种基于矩阵分解的电力负荷预测方法，其特征在于，包括：
获取电力负荷序列数据集，并分别对所述电力负荷序列数据集中各用户的序列数据进行组合，得到各所述用户分别对应的电能量数据矩阵；
分别对各所述电能量数据矩阵进行矩阵分解，得到各所述用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵；
分别将各所述用户对应的电能量时序依赖因子矩阵输入到回声状态网络中，计算得到各所述用户分别对应的下一预设时刻的电能量时序依赖因子；
分别通过对各所述用户对应的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各所述用户分别对应的下一预设时刻的电力负荷值。
2.根据权利要求1所述的基于矩阵分解的电力负荷预测方法，其特征在于，当存在电能量数据矩阵中的电力负荷数据的数量级或量纲不一致时，在得到各所述用户分别对应的电能量数据矩阵之后，分别对各所述电能量数据矩阵进行矩阵分解之前，还包括：
将电力负荷数据的数量级或量纲不一致的电能量数据矩阵确定为目标矩阵；
对所述目标矩阵中的各所述电力负荷数据进行归一化操作。
3.根据权利要求1或2所述的基于矩阵分解的电力负荷预测方法，其特征在于，分别对各所述电能量数据矩阵进行矩阵分解，包括：
利用非负矩阵分解算法分别对各所述电能量数据矩阵进行矩阵分解。
4.根据权利要求3所述的基于矩阵分解的电力负荷预测方法，在预测各所述用户分别对应的下一预设时刻的电力负荷值之后，还包括：
分别获取各所述用户下一预设时刻的真实电力负荷值；
利用各所述真实电力负荷值和分别对应的预测出的电力负荷值检验预测过程所用电力负荷预测模型的有效性。
5.一种基于矩阵分解的电力负荷预测装置，其特征在于，包括：
矩阵获得模块，用于获取电力负荷序列数据集，并分别对所述电力负荷序列数据集中各用户的序列数据进行组合，得到各所述用户分别对应的电能量数据矩阵；
矩阵分解模块，用于分别对各所述电能量数据矩阵进行矩阵分解，得到各所述用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵；
依赖因子计算模块，用于分别将各所述用户对应的电能量时序依赖因子矩阵输入到回声状态网络中，计算得到各所述用户分别对应的下一预设时刻的电能量时序依赖因子；
电力负荷值预测模块，用于分别通过对各所述用户对应的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各所述用户分别对应的下一预设时刻的电力负荷值。
6.根据权利要求5所述的基于矩阵分解的电力负荷预测装置，其特征在于，还包括：
目标矩阵确定模块，用于当存在电能量数据矩阵中的电力负荷数据的数量级或量纲不一致时，在得到各所述用户分别对应的电能量数据矩阵之后，分别对各所述电能量数据矩阵进行矩阵分解之前，将电力负荷数据的数量级或量纲不一致的电能量数据矩阵确定为目标矩阵；
归一化模块，用于对所述目标矩阵中的各所述电力负荷数据进行归一化操作。
7.根据权利要求5或6所述的基于矩阵分解的电力负荷预测装置，其特征在于，所述矩阵分解模块具体为利用非负矩阵分解算法分别对各所述电能量数据矩阵进行矩阵分解的模块。
8.根据权利要求7所述的基于矩阵分解的电力负荷预测装置，其特征在于，还包括：
真实值获得模块，用于在预测各所述用户分别对应的下一预设时刻的电力负荷值之后，分别获取各所述用户下一预设时刻的真实电力负荷值；
有效性检验模块，用于利用各所述真实电力负荷值和分别对应的预测出的电力负荷值检验预测过程所用电力负荷预测模型的有效性。
9.一种基于矩阵分解的电力负荷预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述基于矩阵分解的电力负荷预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于矩阵分解的电力负荷预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910615863.2A CN110309982A (zh) | 2019-07-09 | 2019-07-09 | 基于矩阵分解的电力负荷预测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910615863.2A CN110309982A (zh) | 2019-07-09 | 2019-07-09 | 基于矩阵分解的电力负荷预测方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110309982A true CN110309982A (zh) | 2019-10-08 |
Family
ID=68079943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910615863.2A Pending CN110309982A (zh) | 2019-07-09 | 2019-07-09 | 基于矩阵分解的电力负荷预测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110309982A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308327A (zh) * | 2020-11-09 | 2021-02-02 | 金陵科技学院 | 基于自适应特征权重的智慧城市电力负荷估计方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
| CN105989420A (zh) * | 2015-02-12 | 2016-10-05 | 西门子公司 | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 |
| CN108491982A (zh) * | 2018-04-09 | 2018-09-04 | 北京中电普华信息技术有限公司 | 一种基于回声状态网络的短期负荷预测方法及系统 |
-
2019
- 2019-07-09 CN CN201910615863.2A patent/CN110309982A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
| CN105989420A (zh) * | 2015-02-12 | 2016-10-05 | 西门子公司 | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 |
| CN108491982A (zh) * | 2018-04-09 | 2018-09-04 | 北京中电普华信息技术有限公司 | 一种基于回声状态网络的短期负荷预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 何建平 等: "基于非负矩阵分解和相关向量机的短期负荷预测", 《万方数据》 * |
| 李军 等: "基于CEEMDAN-排列熵和泄漏积分ESN的中期电力负荷预测研究", 《电机与控制学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308327A (zh) * | 2020-11-09 | 2021-02-02 | 金陵科技学院 | 基于自适应特征权重的智慧城市电力负荷估计方法 |
| CN112308327B (zh) * | 2020-11-09 | 2023-06-16 | 金陵科技学院 | 基于自适应特征权重的智慧城市电力负荷估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gupta et al. | Resource usage prediction of cloud workloads using deep bidirectional long short term memory networks | |
| CN107124394A (zh) | 一种电力通信网络安全态势预测方法和系统 | |
| CN104732057B (zh) | 用于在求解最优功率流中计算问题函数的系统和方法 | |
| CN103365727A (zh) | 一种云计算环境中的主机负载预测方法 | |
| CN109086930A (zh) | 一种基于电力k线图及深度网络的用户用电行为分析方法 | |
| CN110956655B (zh) | 一种基于单目图像的稠密深度估计方法 | |
| CN106803135A (zh) | 一种光伏发电系统输出功率的预测方法及装置 | |
| Peng et al. | Risk-limiting unit commitment in smart grid with intelligent periphery | |
| CN109034484A (zh) | 一种风速预测方法、装置及设备 | |
| CN108875482A (zh) | 物体检测方法和装置、神经网络训练方法和装置 | |
| CN112163304B (zh) | 一种输电网冗余约束识别方法、存储介质及计算设备 | |
| CN109886560A (zh) | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 | |
| CN104915788B (zh) | 一种考虑多风场相关性的电力系统动态经济调度的方法 | |
| Brandi et al. | Improving stochastic dynamic programming on hydrothermal systems through an iterative process | |
| CN110309982A (zh) | 基于矩阵分解的电力负荷预测方法、装置及设备 | |
| CN108960511A (zh) | 一种风速预测方法及相关装置 | |
| CN109359542A (zh) | 基于神经网络的车辆损伤级别的确定方法及终端设备 | |
| CN111210051B (zh) | 一种用户用电行为预测方法及系统 | |
| CN116106909A (zh) | 一种雷达回波外推方法、系统及存储介质 | |
| CN109299725A (zh) | 一种基于张量链并行实现高阶主特征值分解的预测系统和装置 | |
| CN109064049A (zh) | 一种动态划分风险区域的方法、装置及终端设备 | |
| CN114971053A (zh) | 低压台区网络线损率在线预测模型的训练方法及装置 | |
| CN111476408B (zh) | 一种电力通信设备状态预测方法及系统 | |
| CN104217374B (zh) | 一种输电网网损灵敏度方案优选方法及系统 | |
| CN109878370A (zh) | 一种电动汽车集群的充电方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |
|
| RJ01 | Rejection of invention patent application after publication |