CN110689190A - 一种电网负荷预测方法、装置及相关设备 - Google Patents
一种电网负荷预测方法、装置及相关设备 Download PDFInfo
- Publication number
- CN110689190A CN110689190A CN201910906036.9A CN201910906036A CN110689190A CN 110689190 A CN110689190 A CN 110689190A CN 201910906036 A CN201910906036 A CN 201910906036A CN 110689190 A CN110689190 A CN 110689190A
- Authority
- CN
- China
- Prior art keywords
- load data
- component
- data sequence
- load prediction
- historical load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种电网负荷预测方法、装置及相关设备，方法包括：采集历史负荷数据序列并进行预处理；利用经验模态分解方法将非平稳的历史负荷数据序列分解成具有不同特征尺度的平稳分量；基于特征选择算法从各个分量中提取最优输入特征集；将所述最优输入特征集输入到负荷预测模型中，计算得到各个分量的预测值；叠加各个分量的预测值得到最终的负荷预测结果。上述方法充分考虑了不同外部敏感因素的影响，有效避免过拟合情况的发生，提高了复杂环境下负荷预测的精度，同时减少了负荷预测模型的输入特征数量，有助于提高负荷预测的效率，解决了由于干扰因素或负荷数据的随机性导致的预测精度低的技术问题。
Description
技术领域
本申请涉及电网负荷预测技术领域，尤其涉及一种电网负荷预测方法、装置及相关设备。
背景技术
负荷预测是电力系统安全稳定运行的重要依据，也是电力系统规划、计划和调度的一项基本工作。随着智能电网技术的飞速发展，电力生产和消费更加市场化，负荷预测的实时结果数据将成为电力交易中最重要的数据之一，这就对负荷预测的准确性和实时性提出了更高的要求。准确的负荷预测对于保证各经济实体的利益具有基础性的作用，电力系统各环节的运行规划都有赖于准确的负荷预测。其中发电企业需要准确的负荷预测以避免其报价过低或者不能满发；输配电企业需要准确的负荷预测以保证各条线路输送的容量经济且安全；配售电企业需要负荷预测以准确地把握用户负荷的需求，及时反应市场的变化波动以提高自身的竞争力。
现有技术中所提出的预测方法分为传统算法和人工智能算法，配电网负荷受诸多随机因素干扰，尤其是气象因素对其造成了直接干扰。对于这些干扰因素，传统预测方法既不能剔除干扰因素，也不能将其考虑到负荷预测的模型中去，因而达不到预测精度的要求。人工智能算法(支持向量机、模糊神经网络等)在进行负荷预测时，可以将诸多干扰因素考虑进负荷模型中，但是配电网负荷是非线性数据，由于人工智能算法不能很好地处理非线性数据，在很大程度上降低了训练速度和精确度。
发明内容
本申请实施例提供了一种的方法、相关设备以及系统，解决由于干扰因素或负荷数据的随机性导致的预测精度低的技术问题。
有鉴于此，本申请第一方面提供了一种电网负荷预测方法，其特征在于，包括：
S1，采集历史负荷数据序列并进行预处理；
S2，利用经验模态分解方法将非平稳的历史负荷数据序列分解成具有不同特征尺度的平稳分量；
S3，基于特征选择算法从各个分量中提取最优输入特征集；
S4，将所述最优输入特征集输入到负荷预测模型中，计算得到各个分量的预测值；
S5，叠加各个分量的预测值得到最终的负荷预测结果。
优选的，步骤S3具体包括：
S21，找出原始的历史负荷数据序列x(t)中所有局部极大值点和局部极小值点，然后用两条光滑的曲线将所有的极小值点与极大值点分别连接，形成x(t)的下包络线elow(t)和上包络线eup(t)；
S22，计算上包络线eup(t)和下包络线elow(t)的平均值m1(t)，即
S23，计算原始的历史负荷数据序列x(t)和包络线均值m1(t)的差值h1(t)，即h1(t)＝x(t)-m1(t)；
S24，如果h1(t)满足IMF条件，那么h1(t)就是求得的第一个IMF分量；否则应将h1(t)视为原始的历史负荷数据序列，重复步骤S31至步骤S33，直到第k次迭代后的差值
满足IMF条件成为第一个IMF分量，记为
通过限定标准差SD来判断筛选过程是否停止，以此判断
是否为IMF分量：
其中为
的上下包络线的平均值；
S25，从历史负荷数据序列x(t)中将第一个IMF分量αIMF1分离出后，即可得到x(t)的剩余分量r1(t)，即r1(t)＝x(t)-αIMF1(t)；
S26，将r1(t)作为新的历史负荷数据序列，再重复以上步骤，直到剩余分量的幅值比预设值小或残余分量变为单调函数或常数为止，即可得到x(t)的所有IMF分量和剩余分量。
优选的，步骤S4具体包括：
计算获取各个分量与各个分量的影响因素的最大相关性，计算公式为：
其中，xi为特征，表示各分量的影响因素；y表示各个分量；J为特征集，是特征xi的集合；|J|为特征集J中的特征的数量；D为特征集J中各特征xi与各个分量y之间互信息的均值；I(xi，y)为特征xi与各个分量y之间的互信息。
优选的，步骤S1具体包括：
依据电力系统负荷曲线具有平滑性的特点，将异常点的上一个历史负荷数据与下一个历史负荷数据取平均值得到该点的负荷数据。
优选的，步骤S1之后，还包括：
对历史负荷数据序列进行归一化转换处理，转换公式为
其中yi为经归一化处理后的数据，xi为经预处理后历史负荷数据中的最小值，xmax为经预处理后历史负荷数据中的最大值。
优选的，对历史负荷数据序列进行归一化转换处理之后，还包括：
对经归一化转换处理的数据，用pdist函数求出各输入变量基于欧式距离的相似矩阵；
使用linkage函数产生基于加权平均距离的聚类树；
用cophenet函数评价聚类信息；
用cluster函数进行聚类，并返回聚类列。
本申请第二方面提供一种电网负荷预测装置，包括：
预处理单元，用于采集历史负荷数据序列并进行预处理；
分解单元，用于利用经验模态分解方法将非平稳的历史负荷数据序列分解成具有不同特征尺度的平稳分量；
提取单元，用于基于特征选择算法从各个分量中提取最优输入特征集；
计算单元，用于将所述最优输入特征集输入到负荷预测模型中，计算得到各个分量的预测值；
叠加单元，用于叠加各个分量的预测值得到最终的负荷预测结果。
本申请第三方面提供一种电网负荷预测设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行如上述第一方面所述的电网负荷预测方法。
本申请第四方面提供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用于存储程序代码，所述程序代码用于执行如上述第一方面所述的电网负荷预测方法。
本申请第五方面提供一种包括指令的计算机程序产品，其特征在于，当其在计算机上运行时，使得所述计算机执行如上述第一方面所述的电网负荷预测方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例中，提供了电网负荷预测方法，包括：采集历史负荷数据序列并进行预处理；利用经验模态分解方法将非平稳的历史负荷数据序列分解成具有不同特征尺度的平稳分量；基于特征选择算法从各个分量中提取最优输入特征集；将所述最优输入特征集输入到负荷预测模型中，计算得到各个分量的预测值；叠加各个分量的预测值得到最终的负荷预测结果。上述方法充分考虑了不同外部敏感因素的影响，有效避免过拟合情况的发生，提高了复杂环境下负荷预测的精度，同时减少了负荷预测模型的输入特征数量，有助于提高负荷预测的效率，解决了由于干扰因素或负荷数据的随机性导致的预测精度低的技术问题。
附图说明
图1为本申请实施例中电网负荷预测方法的方法流程图；
图2为本申请实施例所提供的电网负荷预测装置的结构示意图；
图3为本申请实施例所提供的电网负荷预测设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
为了便于理解，请参阅图1，图1为本申请实施例中电网负荷预测方法的方法流程图，具体为：
S1，采集历史负荷数据序列并进行预处理。
需要说明的是，电力系统的原始的历史负荷数据序列本身具有随机性，加之市场环境下复杂的负荷影响因素致使负荷数据序列更加不稳定，运用EMD进行负荷分解可获得更具规律性的子序列，在对各子序列分别建立预测模型，可提高预测精度。
具体包括：
依据电力系统负荷曲线具有平滑性的特点，将异常点的上一个历史负荷数据与下一个历史负荷数据取平均值得到该点的负荷数据。
需要说明的是，由于历史负荷数据将作为负荷预测的样本，历史负荷数据的质量对负荷预测的精度有很大的影响。因此，需要对采集到的历史负荷数据进行不良数据的预处理，不良数据包括空数据点，零数据点、连续恒定值以及异常阶跃值等。对于单个不良数据的预处理方法：依据电力系统负荷曲线具有平滑性的特点，将异常点的上一个历史负荷数据与下一个历史负荷数据取平均值得到该点的负荷数据。对于连续多个不良数据的预处理方法：依据电力系统负荷曲线走势大致相同的特点，尽量采用在附近日期找到相似负荷曲线进行置换的方法，若无法找到，则直接剔除。
需要说明的是，配电网负荷在固定季节内呈现周期性变化，一定时间内的负荷具有相似性，且负荷值应该维持在一定范围内。配电网通过SCADA(数据采集与监控)系统采集数据，如果在数据采集的任意一环节受到干扰得到的负荷值超出这个范围，就判断该数据属异常数据。用以下方法修补：
其中m+n＝9；
上述式中，S(d，t)表示第d天t时刻采集的异常负荷值；S(d-n，t)和S(d+m，t)分别表示异常负荷所在日前n天、后m天同一时刻负荷值；
为除异常负荷所在日外其他天数的平均值；S′(d，t)为处理后负荷值；为阈值。
根据本发明的实施例，在采集历史负荷数据序列并进行预处理之后，所述方法还包括：
对历史负荷数据序列进行归一化转换处理，转换公式为
其中yi为经归一化处理后的数据，xi为经预处理后历史负荷数据中的最小值，xmax为经预处理后历史负荷数据中的最大值。
进一步的，对历史负荷数据序列进行归一化转换处理之后，所述方法还包括：
对经归一化转换处理的数据，用pdist函数求出各输入变量基于欧式距离的相似矩阵；
使用linkage函数产生基于加权平均距离的聚类树；
用cophenet函数评价聚类信息；
用cluster函数进行聚类，并返回聚类列。
S2，利用经验模态分解方法将非平稳的历史负荷数据序列分解成具有不同特征尺度的平稳分量。
需要说明的是，经验模态分解(Empirical Mode Decomposition，缩写EMD)是一种适用于处理非平稳非线性序列的自适应的时空分析方法。
S3，基于特征选择算法从各个分量中提取最优输入特征集。
优选的，特征选择算法为最大相关最小冗余(mRMR)算法，mRMR算法则是用来在保证最大相关性的同时，又去除了冗余特征的方法。
此步骤具体包括：
计算获取各个分量与各个分量的影响因素的最大相关性，计算公式为：
其中，xi为特征，表示各分量的影响因素；y表示各个分量；J为特征集，是特征xi的集合；|J|为特征集J中的特征的数量；D为特征集J中各特征xi与各个分量y之间互信息的均值；I(xi，y)为特征xi与各个分量y之间的互信息。
需要说明的是，特征xi的集合包含日类型特征信息数据(月、周、小时、节假日)、天气特征信息数据(温度、湿度、光照强度、风速)、需求侧管理信息数据(电价、激励措施)和分解后的各分量待预测时刻前一周对应的负荷特征等。
为了便于后面的数据处理，使用1和0分别表示节假日和非节假日，1～12依次表示1月至12月，1～7依次表示周一至周日，1～24依次表示一天中1～24h，对日类型进行量化处理。互信息是两个或多个随机变量之间交集部分的信息。在负荷预测中，互信息法用于捕获输入变量和目标变量之间的线性和非线性依赖程度，如果它们是独立的，互信息值为零；如果它们是依赖的，互信息值则对应于关系强度的正值。I(xi，y)可由下式计算获得：
其中：p(xi)，p(y)，p(xi，y)分别为随机变量xi，y的边缘概率密度函数和联合概率密度函数。变量xi和变量y相关性越大，互信息的值I(xi，y)越大；两个变量相互独立时，互信息值为零，意味着两个变量之间不存在相互依赖关系。
由于通过最大相关性标准选择的特征可能具有一定的冗余度，而冗余特征的输入不仅增加了输入特征的数量，而且还会降低预测模型的精度。因此在特征选择过程中，需计算特征间的冗余度。任意两个特征变量之间的重叠信息，即冗余信息。
最小冗余度需要每个特征xi之间的依赖关系达到最小，可由下式表示：
由于mRMR的目标是从给定的特征集合中找出与目标变量有最大相关性且相互之间具有最小冗余度的特征，可使用增量搜索法搜索特征。
假设已经从特征集合Fm中选取的n-1个特征共同构成特征集Jn-1，则根据增量搜索方法从集合{Fm-Jn-1}中选择第n个特征公式可表示为：
根据上式依次从特征集合Fm剩余的特征中搜索mRMR值最大的特征，最终得到的特征子集J即为候选特征集。由于J中特征xi的mRMR值大小不等，mRMR值较小的特征所包含的特征信息并不充分，若将该特征输入预测模型，会降低预测精度，因此需要从J中挑选出一定数量的特征，作为最佳特征集。
S4，将所述最优输入特征集输入到负荷预测模型中，计算得到各个分量的预测值。
考虑输入特征的数量对模型的预测精度和效率均有影响，本发明选取各分量的绝对误差和实际负荷的比值的平均值，作为评判各分量输入特征的数量对其预测效果影响的依据。若以某24点日前负荷预测为例，可表示为：
上述式中，yi为原始的历史负荷数据序列第i时刻的实际值；αIMFi′和αIMFi分别为各分量第i时刻的预测值和实际值，αIMFi′的值与所采用的负荷预测模型相关。
S5，叠加各个分量的预测值得到最终的负荷预测结果。
本申请实施例所提供的电网负荷预测方法，包括：采集历史负荷数据序列并进行预处理；利用经验模态分解方法将非平稳的历史负荷数据序列分解成具有不同特征尺度的平稳分量；基于特征选择算法从各个分量中提取最优输入特征集；将所述最优输入特征集输入到负荷预测模型中，计算得到各个分量的预测值；叠加各个分量的预测值得到最终的负荷预测结果。上述方法充分考虑了不同外部敏感因素的影响，有效避免过拟合情况的发生，提高了复杂环境下负荷预测的精度，同时减少了负荷预测模型的输入特征数量，有助于提高负荷预测的效率，解决了由于干扰因素或负荷数据的随机性导致的预测精度低的技术问题。
进一步的，在上述实施例的基础上，步骤S2具体包括：
S21，找出原始的历史负荷数据序列x(t)中所有局部极大值点和局部极小值点，然后用两条光滑的曲线将所有的极小值点与极大值点分别连接，形成x(t)的下包络线elow(t)和上包络线eup(t)；
S22，计算上包络线eup(t)和下包络线elow(t)的平均值m1(t)，即
S23，计算原始的历史负荷数据序列x(t)和包络线均值m1(t)的差值h1(t)，即h1(t)＝x(t)-m1(t)；
S24，如果h1(t)满足IMF条件，那么h1(t)就是求得的第一个IMF分量；否则应将h1(t)视为原始的历史负荷数据序列，重复步骤S31至步骤S33，直到第k次迭代后的差值
满足IMF条件成为第一个IMF分量，记为
通过限定标准差SD来判断筛选过程是否停止，以此判断
是否为IMF分量：其中
为
的上下包络线的平均值；标准差S_D的取值优选为0.2～0.3，但不限于此。
S25，从历史负荷数据序列x(t)中将第一个IMF分量αIMF1分离出后，即可得到x(t)的剩余分量r1(t)，即r1(t)＝x(t)-αIMF1(t)；
S26，将r1(t)作为新的历史负荷数据序列，再重复以上步骤，直到剩余分量的幅值比预设值小或残余分量变为单调函数或常数为止，即可得到x(t)的所有IMF分量和剩余分量。
需要说明的是，上述步骤6中有关IMF分量和剩余分量的计算过程可以表示为
式中，rn(t)为单调函数，此时可称为残差分量；模态数目n取决于原始的历史负荷数据序列和预设值。
原始的历史负荷数据序列x(t)可由IMF分量和残差分量描述为：
经步骤1至步骤6可将原始的历史负荷数据序列分解为不同频率的子序列，即IMF和残差r，然后分别对各子序列进行特征相关分析，找出导致各子序列不同波动频率的影响因素。
本申请第二方面提供了一种电网负荷预测装置
请参阅图2，图2为本申请实施例所提供的电网负荷预测装置的结构示意图，包括：
预处理单元201，用于采集历史负荷数据序列并进行预处理；
分解单元202，用于利用经验模态分解方法将非平稳的历史负荷数据序列分解成具有不同特征尺度的平稳分量；
提取单元203，用于基于特征选择算法从各个分量中提取最优输入特征集；
计算单元204，用于将所述最优输入特征集输入到负荷预测模型中，计算得到各个分量的预测值；
叠加单元205，用于叠加各个分量的预测值得到最终的负荷预测结果。
本申请第三方面提供了一种电网负荷预测设备。
请参阅图3，图3为本申请实施例所提供的电网负荷预测设备的结构示意图，包括：
所述设备包括处理器21以及存储器22：
所述存储器22用于存储程序代码，并将所述程序代码传输给所述处理器21；
所述处理器21用于根据所述程序代码中的指令执行如上述第一方面所述的电网负荷预测方法。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如上述第一方面所述的电网负荷预测方法。
本申请第物方面提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行如上述第一方面所述的电网负荷预测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种电网负荷预测方法，其特征在于，包括：
S1，采集历史负荷数据序列并进行预处理；
S2，利用经验模态分解方法将非平稳的历史负荷数据序列分解成具有不同特征尺度的平稳分量；
S3，基于特征选择算法从各个分量中提取最优输入特征集；
S4，将所述最优输入特征集输入到负荷预测模型中，计算得到各个分量的预测值：
S5，叠加各个分量的预测值得到最终的负荷预测结果。
2.根据权利要求1所述的一种电网负荷预测方法，其特征在于，步骤S3具体包括：
S21，找出原始的历史负荷数据序列x(t)中所有局部极大值点和局部极小值点，然后用两条光滑的曲线将所有的极小值点与极大值点分别连接，形成x(t)的下包络线elow(t)和上包络线eup(t)；
S22，计算上包络线eup(t)和下包络线elow(t)的平均值m1(t)，即
S23，计算原始的历史负荷数据序列x(t)和包络线均值m1(t)的差值h1(t)，即h1(t)＝x(t)-m1(t)；
S24，如果h1(t)满足IMF条件，那么h1(t)就是求得的第一个IMF分量；否则应将h1(t)视为原始的历史负荷数据序列，重复步骤S31至步骤S33，直到第k次迭代后的差值
满足IMF条件成为第一个IMF分量，记为
通过限定标准差SD来判断筛选过程是否停止，以此判断
是否为IMF分量：
其中
为的上下包络线的平均值；
S25，从历史负荷数据序列x(t)中将第一个IMF分量αIMF1分离出后，即可得到x(t)的剩余分量r1(t)，即r1(t)＝x(t)-αIMF1(t)；
S26，将t1(t)作为新的历史负荷数据序列，再重复以上步骤，直到剩余分量的幅值比预设值小或残余分量变为单调函数或常数为止，即可得到x(t)的所有IMF分量和剩余分量。
3.根据权利要求1所述的一种电网负荷预测方法，其特征在于，步骤S4具体包括：
计算获取各个分量与各个分量的影响因素的最大相关性，计算公式为：
其中，xi为特征，表示各分量的影响因素；y表示各个分量；J为特征集，是特征xi的集合；|J|为特征集J中的特征的数量；D为特征集J中各特征xi与各个分量y之间互信息的均值；I(xi，y)为特征xi与各个分量y之间的互信息。
4.根据权利要求1所述的一种电网负荷预测方法，其特征在于，步骤S1具体包括：
依据电力系统负荷曲线具有平滑性的特点，将异常点的上一个历史负荷数据与下一个历史负荷数据取平均值得到该点的负荷数据。
5.根据权利要求1所述的一种电网负荷预测方法，其特征在于，步骤S1之后，还包括：
对历史负荷数据序列进行归一化转换处理，转换公式为
其中yi为经归一化处理后的数据，xi为经预处理后历史负荷数据中的最小值，xmax为经预处理后历史负荷数据中的最大值。
6.根据权利要求5所述的一种电网负荷预测方法，其特征在于，对历史负荷数据序列进行归一化转换处理之后，还包括：
对经归一化转换处理的数据，用pdist函数求出各输入变量基于欧式距离的相似矩阵；
使用linkage函数产生基于加权平均距离的聚类树；
用cophenet函数评价聚类信息；
用cluster函数进行聚类，并返回聚类列。
7.一种电网负荷预测装置，其特征在于，包括：
预处理单元，用于采集历史负荷数据序列并进行预处理；
分解单元，用于利用经验模态分解方法将非平稳的历史负荷数据序列分解成具有不同特征尺度的平稳分量；
提取单元，用于基于特征选择算法从各个分量中提取最优输入特征集；
计算单元，用于将所述最优输入特征集输入到负荷预测模型中，计算得到各个分量的预测值；
叠加单元，用于叠加各个分量的预测值得到最终的负荷预测结果。
8.一种电网负荷预测设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-6任一项所述的电网负荷预测方法。
9.一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用于存储程序代码，所述程序代码用于执行权利要求1-6任一项所述的电网负荷预测方法。
10.一种包括指令的计算机程序产品，其特征在于，当其在计算机上运行时，使得所述计算机执行权利要求1-6任一项所述的电网负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910906036.9A CN110689190A (zh) | 2019-09-24 | 2019-09-24 | 一种电网负荷预测方法、装置及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910906036.9A CN110689190A (zh) | 2019-09-24 | 2019-09-24 | 一种电网负荷预测方法、装置及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110689190A true CN110689190A (zh) | 2020-01-14 |
Family
ID=69110358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910906036.9A Pending CN110689190A (zh) | 2019-09-24 | 2019-09-24 | 一种电网负荷预测方法、装置及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110689190A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111274532A (zh) * | 2020-01-21 | 2020-06-12 | 南方电网科学研究院有限责任公司 | 一种基于ceemd-lzc和流形学习的短期风电功率预测方法和装置 |
| CN111327118A (zh) * | 2020-03-31 | 2020-06-23 | 西安理工大学 | 一种非侵入式电力负荷识别方法 |
| CN112070180A (zh) * | 2020-09-30 | 2020-12-11 | 南方电网科学研究院有限责任公司 | 基于信息物理双侧数据的电网设备状态判断方法及装置 |
| CN112100913A (zh) * | 2020-09-08 | 2020-12-18 | 中国电力科学研究院有限公司 | 一种数据驱动的出清电价边界模拟方法、系统及存储介质 |
| CN113269227A (zh) * | 2021-04-15 | 2021-08-17 | 国网浙江省电力有限公司电力科学研究院 | 小微型负荷时空用电行为非侵入式深度分解方法及系统 |
| CN114140176A (zh) * | 2022-01-30 | 2022-03-04 | 国网浙江电动汽车服务有限公司 | 一种负荷聚集平台的可调容量预测方法及装置 |
| CN116436002A (zh) * | 2023-06-13 | 2023-07-14 | 成都航空职业技术学院 | 一种楼宇用电预测方法 |
| CN117293829A (zh) * | 2023-11-27 | 2023-12-26 | 国网湖北省电力有限公司 | 基于5g和4g短共享双网互鉴无线通信的电力调峰方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109726865A (zh) * | 2018-12-27 | 2019-05-07 | 国网江苏省电力有限公司电力科学研究院 | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 |
-
2019
- 2019-09-24 CN CN201910906036.9A patent/CN110689190A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109726865A (zh) * | 2018-12-27 | 2019-05-07 | 国网江苏省电力有限公司电力科学研究院 | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 刘伟等: "基于K-Adaboost数据挖掘的配电网负荷预测", 《浙江电力》 * |
| 孔祥玉等: "基于经验模态分解与特征相关分析的短期负荷预测方法", 《电力系统自动化》 * |
| 席雅雯等: "融合历史数据和实时影响因素的精细化负荷预测", 《电力系统保护与控制》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111274532A (zh) * | 2020-01-21 | 2020-06-12 | 南方电网科学研究院有限责任公司 | 一种基于ceemd-lzc和流形学习的短期风电功率预测方法和装置 |
| CN111327118B (zh) * | 2020-03-31 | 2023-07-07 | 西安理工大学 | 一种非侵入式电力负荷识别方法 |
| CN111327118A (zh) * | 2020-03-31 | 2020-06-23 | 西安理工大学 | 一种非侵入式电力负荷识别方法 |
| CN112100913A (zh) * | 2020-09-08 | 2020-12-18 | 中国电力科学研究院有限公司 | 一种数据驱动的出清电价边界模拟方法、系统及存储介质 |
| CN112070180A (zh) * | 2020-09-30 | 2020-12-11 | 南方电网科学研究院有限责任公司 | 基于信息物理双侧数据的电网设备状态判断方法及装置 |
| CN112070180B (zh) * | 2020-09-30 | 2024-01-19 | 南方电网科学研究院有限责任公司 | 基于信息物理双侧数据的电网设备状态判断方法及装置 |
| CN113269227A (zh) * | 2021-04-15 | 2021-08-17 | 国网浙江省电力有限公司电力科学研究院 | 小微型负荷时空用电行为非侵入式深度分解方法及系统 |
| CN114140176B (zh) * | 2022-01-30 | 2022-04-26 | 国网浙江电动汽车服务有限公司 | 一种负荷聚集平台的可调容量预测方法及装置 |
| CN114140176A (zh) * | 2022-01-30 | 2022-03-04 | 国网浙江电动汽车服务有限公司 | 一种负荷聚集平台的可调容量预测方法及装置 |
| CN116436002A (zh) * | 2023-06-13 | 2023-07-14 | 成都航空职业技术学院 | 一种楼宇用电预测方法 |
| CN116436002B (zh) * | 2023-06-13 | 2023-09-05 | 成都航空职业技术学院 | 一种楼宇用电预测方法 |
| CN117293829A (zh) * | 2023-11-27 | 2023-12-26 | 国网湖北省电力有限公司 | 基于5g和4g短共享双网互鉴无线通信的电力调峰方法 |
| CN117293829B (zh) * | 2023-11-27 | 2024-02-20 | 国网湖北省电力有限公司 | 基于5g和4g短共享双网互鉴无线通信的电力调峰方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110689190A (zh) | 一种电网负荷预测方法、装置及相关设备 | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN110969285B (zh) | 预测模型训练方法、预测方法、装置、设备及介质 | |
| CN112383052B (zh) | 基于电力物联网的电网故障修复方法和装置 | |
| CN108694470B (zh) | 一种基于人工智能的数据预测方法及装置 | |
| CN112614011B (zh) | 电力配网物资需求预测方法和装置、存储介质及电子设备 | |
| CN111028100A (zh) | 考虑气象因素的精细化短期负荷预测方法、装置及介质 | |
| López et al. | New online load forecasting system for the Spanish Transport System Operator | |
| CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
| Kaboli et al. | An expression-driven approach for long-term electric power consumption forecasting | |
| CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
| CN115456306A (zh) | 一种母线负荷预测方法、系统、设备及存储介质 | |
| Wang et al. | Big data analytics for price forecasting in smart grids | |
| CN115409292A (zh) | 一种电力系统短期负荷预测方法及相关装置 | |
| CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
| CN114186733A (zh) | 一种短期负荷预测方法和装置 | |
| CN117277312A (zh) | 一种基于灰色关联分析的电力负荷影响因素方法及设备 | |
| CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 | |
| CN115687948A (zh) | 一种基于负荷曲线的电力专变用户无监督分类方法 | |
| CN115130924A (zh) | 一种源网荷储背景下微电网电力设备资产评估方法及系统 | |
| Viana et al. | Load forecasting benchmark for smart meter data | |
| Hameed et al. | Enhanced classification with logistic regression for short term price and load forecasting in smart homes | |
| Liu et al. | Short-term Load Forecasting Approach with SVM and Similar Days Based on United Data Mining Technology | |
| CN117973604A (zh) | 一种混合预测模型的负荷短期预测方法及系统 | |
| CN113487080B (zh) | 一种基于风速分类的风速动态场景生成方法、系统及终端 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |