CN110826789B - 基于电力系统的电力负荷预测方法、装置及终端设备 - Google Patents

基于电力系统的电力负荷预测方法、装置及终端设备 Download PDF

Info

Publication number
CN110826789B
CN110826789B CN201911045021.4A CN201911045021A CN110826789B CN 110826789 B CN110826789 B CN 110826789B CN 201911045021 A CN201911045021 A CN 201911045021A CN 110826789 B CN110826789 B CN 110826789B
Authority
CN
China
Prior art keywords
power load
data
preset time
training
value
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.)
Active
Application number
CN201911045021.4A
Other languages
English (en)
Other versions
CN110826789A (zh
Inventor
郑灿展
林峰平
刘正方
魏洪飞
张孝山
周正龙
易柯楠
曹顶法
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.)
Shenzhen Kangbida Control Technology Co ltd
Original Assignee
Shenzhen Kangbida Control 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 Shenzhen Kangbida Control Technology Co ltd filed Critical Shenzhen Kangbida Control Technology Co ltd
Priority to CN201911045021.4A priority Critical patent/CN110826789B/zh
Publication of CN110826789A publication Critical patent/CN110826789A/zh
Application granted granted Critical
Publication of CN110826789B publication Critical patent/CN110826789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明适用于电力负荷预测技术领域，提供了一种基于电力系统的电力负荷预测方法、装置及终端设备，方法包括获取目标地区的第一电力负荷数据、气象数据；基于第一电力负荷数据进行重采样，生成具有第二预设时间间隔的第二电力负荷数据；标准化第二电力负荷数据，获得标准电力负荷值数据集；将第一预设时间段内的标准电力负荷值数据集作为训练验证数据，将第二预设时间段内的第一电力负荷数据和气象数据作为训练输入数据，通过训练验证数据和训练输入数据训练SVM模型，调整后获得电力负荷预测模型，用于对未来时段的电力负荷进行预测。通过本发明可以使电力负荷预测模型更加符合实际的应用场景，提高电力负荷预测结果的准确性。

Description

基于电力系统的电力负荷预测方法、装置及终端设备
技术领域
本发明涉及电力负荷预测技术领域，尤其涉及一种基于电力系统的电力负荷预测方法、装置及终端设备。
背景技术
电力是社会生产活动的基础，经济、安全、可靠的电力系统成为人们不断研究和发展的核心，随着智能电网的快速发展，电力负荷预测成为重点的研究方向。而电力负荷预测是制定电力系统规划设计的前提，电力负荷大小可以反映的是用电量的需求，通过电力负荷预测可以有效避免电力负荷短期内激增，电能调度不及时的问题。
然而，目前电力负荷预测方法的预测依据单一，可能出现与实际企业的应用场景不符的情况，使得预测结果不准确。其中，若预测结果偏低，将会导致系统规划的装机容量不足，从而满足不了用电需求，若预测结果偏高，则会造成资金的浪费和较低的运行效率。
发明内容
本发明的主要目的在于提出一种基于电力系统的电力负荷预测方法、装置及终端设备，以解决现有技术中电力负荷预测方法的预测依据单一，难以适配实际的应用场景，使得预测结果不准确的问题。
为实现上述目的，本发明实施例第一方面提供一种基于电力系统的电力负荷预测方法，包括：
获取目标地区的第一电力负荷数据、气象数据，其中，所述第一电力负荷数据以第一预设时间间隔存储在数据库中；
基于所述第一电力负荷数据进行重采样，生成具有第二预设时间间隔的第二电力负荷数据；
标准化所述第二电力负荷数据，获得标准电力负荷值数据集；
将第一预设时间段内的所述标准电力负荷值数据集作为训练验证数据，将第二预设时间段内的所述第一电力负荷数据和所述气象数据作为训练输入数据，通过所述训练验证数据和所述训练输入数据训练SVM模型，其中，所述第一预设时间段与所述第二预设时间段相邻，且发生在所述第二预设时间段之后；
通过评估模型调整训练后的SVM模型参数，获得电力负荷预测模型；
将第m时间点的待测电力负荷数据输入所述电力负荷预测模型，获得第m+1时间点的预测电力负荷数据，获取第m+2时间点的预测电力负荷数据时，将第m+1时间点的预测电力负荷数据作为输入；
将m+k个时间点的预测电力负荷数据整理集中，获得时间段N中的预测电力负荷数据，其中，时间段N包括m+k个时间点，m、k和N为正整数。
结合本发明第一方面，本发明第一实施方式中，基于所述第一电力负荷数据进行重采样，生成具有第二预设时间间隔的第二电力负荷数据，包括：
根据所述第一预设时间间隔，将所述第一电力负荷数据划分为a个时间点，每个时间点对应一个第一电力负荷值；
根据所述第二预设时间间隔，获得b个时间点，每个时间点对应多个所述第一电力负荷值；
对b个时间点的所述第一电力负荷数据进行重采样，以使b个时间点的每个时间点对应一个所述第一电力负荷值；
与b个时间点的每个时间点对应的所述第一电力负荷值为所述第二电力负荷值；
根据b个时间点的b个所述第二电力负荷值获得具有第二预设时间间隔的第二电力负荷数据；
其中，a×第一预设时间间隔＝b×第二预设时间间隔。
结合本发明第一方面的第一实施方式，本发明第二实施方式中，其特征在于，还包括：
对具有第二预设时间间隔的第二电力负荷数据进行异常值检测，检测步骤包括：
对所述第二电力负荷数据进行变换，公式为：
Figure BDA0002253905780000031
其中i是时间点，取整数，xi是实际电力负荷值，
Figure BDA0002253905780000032
是拟合值；
计算yi的均值μ和标准差σ，获得上下界限阈值μ±3σ；
当第二电力负荷数据中的第二电力负荷值超过上下界限阈值判断为异常值，并将异常值用拟合值替换。
结合本发明第一方面，本发明第三实施方式中，标准化所述第二电力负荷数据，获得标准电力负荷值数据集，包括：
计算电力负荷均值
Figure BDA0002253905780000033
公式为：
Figure BDA0002253905780000034
其中，i是时间点，xi是实际电力负荷值，n为预测的时间点数
计算标准差s，公式为：
Figure BDA0002253905780000035
计算标准化后的第二电力负荷数据的电力负荷值x′i，公式为
Figure BDA0002253905780000036
根据所述电力负荷值获得标准电力负荷值数据集。
结合本发明第一方面，本发明第四实施方式中，所述气象数据包括气象信息和日期信息；
所述将第一预设时间段内的所述标准电力负荷值数据集作为训练验证数据，将第二预设时间段内的所述第一电力负荷数据和所述气象数据作为训练输入数据，通过所述训练验证数据和所述训练输入数据训练SVM模型，包括：
根据所述日期信息将所述气象信息分为工作日气象信息和非工作日气象信息；
在所述气象数据中选择预设类型的气象信息，与所述第二预设时间段内的所述第一电力负荷数据构成矩阵，作为所述训练输入数据；
若所述预设类型的气象信息所对应的日期信息为工作日气象信息，则将所述训练输入数据放入工作日SVM模型中进行训练；
若所述预设类型的气象信息所对应的日期信息为非工作日气象信息，则将所述训练输入数据放入非工作日SVM模型中进行训练；
根据训练后的工作日SVM模型和训练后的非工作日SVM模型，获得所述电力负荷预测模型。
结合本发明第一方面的第四实施方式，本发明第五实施方式中，在所述气象数据中选择预设类型的气象信息，与所述第二预设时间段内的所述第一电力负荷数据构成矩阵，作为所述训练输入数据，包括：
若所述第二预设时间段的时间跨度大于一天，则在所述气象数据中选择所述第二预设时间段内气温最低的温度值作为所述预设类型的气象信息。
结合本发明第一方面，本发明第六实施方式中，通过评估模型调整训练后的SVM模型参数，获得电力负荷预测模型，包括：
通过平均绝对百分误差衡量第i个时间点的实际电力负荷值与电力负荷预测值之间的误差，公式为：
Figure BDA0002253905780000041
其中，i是时间点，n为预测的时间点数，xi是第i个时间点的实际电力负荷值，
Figure BDA0002253905780000042
是第i个时间点的电力负荷预测值；
当所述误差不在预设范围内时，调整训练后的SVM模型参数，并重新获取训练输入数据再次对SVM模型进行训练；
当所述误差在预设范围内时，训练后的SVM模型参数为电力负荷预测模型。
本发明实施例第二方面提供了一种基于电力系统的电力负荷预测装置，包括：
数据获取模块，用于获取目标地区的第一电力负荷数据、气象数据，其中，所述第一电力负荷数据以第一预设时间间隔存储在数据库中；
重采样模块，用于基于所述第一电力负荷数据进行重采样，生成具有第二预设时间间隔的第二电力负荷数据；
标准化模块，用于标准化所述第二电力负荷数据，获得标准电力负荷值数据集；
模型训练模块，用于将第一预设时间段内的所述标准电力负荷值数据集作为训练验证数据，将第二预设时间段内的所述第一电力负荷数据和所述气象数据作为训练输入数据，通过所述训练验证数据和所述训练输入数据训练SVM模型，其中，所述第一预设时间段与所述第二预设时间段相邻，且发生在所述第二预设时间段之后；
模型参数调整模块，用于通过评估模型调整训练后的SVM模型参数，获得电力负荷预测模型；
第一预测模块，用于将第m时间点的待测电力负荷数据输入所述电力负荷预测模型，获得第m+1时间点的预测电力负荷数据，获取第m+2时间点的预测电力负荷数据时，将第m+1时间点的预测电力负荷数据作为输入；
第二预测模块，用于将m+k个时间点的预测电力负荷数据整理集中，获得时间段N中的预测电力负荷数据，其中，时间段N包括m+k个时间点，m、k和N为正整数。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上第一方面所提供的方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上第一方面所提供的方法的步骤。
本发明实施例提出一种基于电力系统的电力负荷预测方法，以目标地区的历史电力负荷数据作为第一电力负荷数据，然后重采样处理第一电力负荷数据以获得与第一电力负荷数据的时间间隔不同的第二电力负荷数据，对第二电力负荷数据进行标准化处理后，将获得的标准电力负荷值数据集作为训练验证数据，与原本的第一电力负荷数据和气象数据放入SVM模型中进行训练，在模型训练的过程中，将预测值作为下一个时间点的输入，从而解决了下一个时间点缺少上一个时间点电力负荷实际值的问题，训练后的电力负荷预测模型还以气象数据为依据，因此，训练后的电力负荷预测模型更加符合实际的应用场景；此外，SVM模型中将采用向量机算法进行预测，可以得到高准确率的预测值，同时也大量地缩短了模型的训练时长降低预测的工作量和获取外部数据的难度。
附图说明
图1为本发明实施例一提供的基于电力系统的电力负荷预测方法的实现流程示意图；
图2为本发明实施例二提供的基于电力系统的电力负荷预测方法的实现流程示意图；
图3为本发明实施例三提供的基于电力系统的电力负荷预测方法的实现流程示意图；
图4为本发明实施例四提供的基于电力系统的电力负荷预测装置的组成结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本文中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，"模块"与"部件"可以混合地使用。
在后续的描述中，发明实施例序号仅仅为了描述，不代表实施例的优劣。
实施例一
如图1所示，本发明实施例提供了一种基于电力系统的电力负荷预测方法，使用电力负荷数据和气象数据训练SVR模型，获得电力负荷预测模型，通过电力负荷预测模型达到短期电力负荷预测的准确预测效果，方法包括但不限于以下步骤：
S101、获取目标地区的第一电力负荷数据、气象数据。
其中，所述第一电力负荷数据以第一预设时间间隔存储在数据库中。
在上述步骤S101中，第一电力负荷数据为目标地区的历史电力负荷数据，气象数据也为目标地区的历史气象数据，历史电力负荷数据与历史气象数据的记录时间应相同，例如，若第一电力负荷数据为目标地区2017-01-01到2018-09-30的电力负荷数据，则目标地区的气象数据也为2017-01-01到2018-09-30的记录的气象情况。
S102、基于所述第一电力负荷数据进行重采样，生成具有第二预设时间间隔的第二电力负荷数据。
在上述步骤S102中，第一电力负荷数据具有第一预设时间间隔，第二电力负荷数据具有第二预设时间间隔，第二电力负荷数据相比于第一电力负荷数据更加具有有效性，因此，在本发明实施例中，第二预设时间间隔大于第一预设时间间隔。
在具体应用中，第一电力负荷数据一般以5分钟为间隔进行采集，即每天的第一电力负荷数据由288个点组成，如果将第二电力负荷数据设为以1小时为时间间隔进行采集的电力负荷数据，则每天的第二电力负荷数据由24个点组成，减少了后续模型训练中所需的外部数据，提高预测效率。
在具体应用中，还将对具有第二预设时间间隔的第二电力负荷数据进行异常检测，避免异常的电力负荷数据对模型训练结果的影响。
S103、标准化所述第二电力负荷数据，获得标准电力负荷值数据集。
在上述步骤S103中，由于具有第二时间间隔的第二电力负荷数据一般不服从正态分布，因此需要对其进行标准化处理。
本发明实施例还示例性的提出了标准化电力负荷数据的实现方式，主要通过z-score方法实现电力负荷数据的标准化，实现流程如下：
计算电力负荷均值
Figure BDA0002253905780000081
公式为：
Figure BDA0002253905780000082
其中，i是时间点，xi是实际电力负荷值，n为预测的时间点数；
计算标准差s，公式为：
Figure BDA0002253905780000083
计算标准化后的第二电力负荷数据的电力负荷值x′i，公式为
Figure BDA0002253905780000084
根据所述电力负荷值获得标准电力负荷值数据集。
S104、将第一预设时间段内的所述标准电力负荷值数据集作为训练验证数据，将第二预设时间段内的所述第一电力负荷数据和所述气象数据作为训练输入数据，通过所述训练验证数据和所述训练输入数据训练SVM模型。
其中，所述第一预设时间段与所述第二预设时间段相邻，且发生在所述第二预设时间段之后。
在上述步骤S104中，SVM(Support Vector Machines，支持向量机)模型为采用SVR(Support Vactor Regerssion，支持向量回归机)算法建立的模型，可以减少模型训练中的变量损失，提高后续得到的电路电力负荷预测模型的预测精度。
在具体应用中，第二预设时间段的第一电路电力负荷数据作为历史电力负荷数据，SVM模型会根据第二预设时间段的第一电路电力负荷数据输出预测电力负荷数据，其中，预测电力负荷数据预测的是第一预设时间段内的电力负荷，此时，第一预设时间段内的标准电力负荷值数据集用于验证模型输出的预测电力负荷数据，验证结果即模型训练结果。以实际应用场景为例：
将2017-01-01到2018-09-30的第一负荷数据作为训练数据，2018-10-01到2018-12-31的第一负荷数据作为测试数据。取每个预测点的前24个负荷真实值和当天最低气温作为训练输入数据，模型输出即为负荷预测值。
在具体应用中，SVM模型中的SVR算法原理是将输入变量映射到更高维的空间，在高维空间中构造线性决策函数实现线性回归，在回归预测中，主要用到损失函数和核函数算法。
其中，损失函数通过距离衡量错分类情况；核函数为高斯径向基函数，作用是将输入变量映射到更加高维空间变量。
S105、通过评估模型调整训练后的SVM模型参数，获得电力负荷预测模型。
在上述步骤S105中，评估模型用于训练后的SVM模型是否满足精度要求，从而调整SVM模型参数，获得电力负荷预测模型。
本发明实施例还示例性的提出了评估模型调整SVM模型参数的实现方式，通过MAPE(MAPE，平均绝对百分误差来衡量)，其中，MAPE值越小表示预测精度越高，实现流程如下：
通过平均绝对百分误差衡量第i个时间点的实际电力负荷值与电力负荷预测值之间的误差，公式为：
Figure BDA0002253905780000101
其中，i是时间点，n为预测的时间点数，xi是第i个时间点的实际电力负荷值，
Figure BDA0002253905780000102
是第i个时间点的电力负荷预测值；
当误差不在预设范围内时，调整训练后的SVM模型参数，并重新获取训练输入数据再次对SVM模型进行训练；
当误差在预设范围内时，训练后的SVM模型参数为电力负荷预测模型。
S106、将第m时间点的待测电力负荷数据输入所述电力负荷预测模型，获得第m+1时间点的预测电力负荷数据，获取第m+2时间点的预测电力负荷数据时，将第m+1时间点的预测电力负荷数据作为输入。
S107、将m+k个时间点的预测电力负荷数据整理集中，获得时间段N中的预测电力负荷数据，其中，时间段N包括m+k个时间点，m、k和N为正整数。
在上述步骤S101至步骤S105为电力负荷预测模型的训练流程，上述步骤S106至步骤S107为电力负荷预测模型的实际应用流程，其中，在使用电力负荷预测模型进行预测时，将一个时间点的预测值作为下一个时间点的输入，可以解决下一个时间点缺少上一个时间点电力负荷实际值的问题，从而提高预测结果的准确性。
可以想到的是，在模型训练的过程中，训练输入数据，即第一电力负荷数据和气象数据均使用上述步骤S106和步骤S107的输入方式。
在实际应用中，上述的时间段N的时间跨度并不是无穷大的，本发明实施例提供的基于电力系统的电力负荷预测方法更加适用于电力系统的短期电力负荷预测。
本发明实施例提供的基于电力系统的电力负荷预测方法，以目标地区的历史电力负荷数据作为第一电力负荷数据，然后重采样处理第一电力负荷数据以获得与第一电力负荷数据的时间间隔不同的第二电力负荷数据，对第二电力负荷数据进行标准化处理后，将获得的标准电力负荷值数据集作为训练验证数据，与原本的第一电力负荷数据和气象数据放入SVM模型中进行训练，在模型训练的过程中，将预测值作为下一个时间点的输入，从而解决了下一个时间点缺少上一个时间点电力负荷实际值的问题，训练后的电力负荷预测模型还以气象数据为依据，因此，训练后的电力负荷预测模型更加符合实际企业的应用场景；此外，SVM模型中将采用向量机算法进行预测，可以得到高准确率的预测值，同时也大量地缩短了模型的训练时长降低预测的工作量和获取外部数据的难度。
实施例二
如图2所示，本发明实施例基于实施例一中的步骤S102，提出了一种基于第一电力负荷数据重采样的实现方式，上述步骤S102为：
基于所述第一电力负荷数据进行重采样，生成具有第二预设时间间隔的第二电力负荷数据。
在本发明实施例中，上述步骤S102可以包括如下实现流程：
S1021、根据所述第一预设时间间隔，将所述第一电力负荷数据划分为a个时间点，每个时间点对应一个第一电力负荷值；
S1022、根据所述第二预设时间间隔，获得b个时间点，每个时间点对应多个所述第一电力负荷值；
S1023、对b个时间点的所述第一电力负荷数据进行重采样，以使b个时间点的每个时间点对应一个所述第一电力负荷值；
S1024、与b个时间点的每个时间点对应的所述第一电力负荷值为所述第二电力负荷值；
S1025、根据b个时间点的b个所述第二电力负荷值获得具有第二预设时间间隔的第二电力负荷数据；
其中，a×第一预设时间间隔＝b×第二预设时间间隔。
在具体应用中，电力负荷数据为时序数据，因此可以按照时间点、时间段等划分方式对数据进行处理，使数据形式与模型匹配，提高模型训练效率。
在一个实施例中，在执行实施例一中步骤S102的对第一电力负荷数据重采样之后，执行实施例一中步骤S103的标准化第二电力负荷数据之前，还可对具有第二预设时间间隔的第二电力负荷数据进行异常值检测，从而避免异常的电力负荷数据对模型训练结果的影响，检测步骤可以包括：
对所述第二电力负荷数据进行变换，公式为：
Figure BDA0002253905780000121
其中i是时间点，取整数，xi是实际电力负荷值，
Figure BDA0002253905780000122
是拟合值；
计算yi的均值μ和标准差σ，获得上下界限阈值μ±3σ；
当第二电力负荷数据中的第二电力负荷值超过上下界限阈值判断为异常值，并将异常值用拟合值替换。
实施例三
本发明实施例对上述实施例一种的模型训练过程进行详细说明，在通过训练验证数据和训练输入数据训练SVM模型时，由于气象数据将影响第一电力负荷数据，因此，训练输入数据包括第二预设时间段内的第一电力负荷数据和气象数据。
在具体应用中，由于电力负荷数据是时序数据，气象数据也可以是时序数据，因此，本发明实施例中，气象数据包括气象信息和日期信息，在训练模型时，可以根据具体的气象信息或日期信息，分别执行模型训练，获得不同应用场景的电力负荷预测模型。
如图3所示，本发明实施例以日期信息为划分，分别执行模型训练，获得基于训练后的工作日SVM模型和训练后的非工作日SVM模型，从而得出电力负荷预测模型。此时，上述实施例一种的步骤S104的详细实现流程如下：
S1041、根据所述日期信息将所述气象信息分为工作日气象信息和非工作日气象信息；
S1042、在所述气象数据中选择预设类型的气象信息，与所述第二预设时间段内的所述第一电力负荷数据构成矩阵，作为所述训练输入数据；
S1043、若所述预设类型的气象信息所对应的日期信息为工作日气象信息，则将所述训练输入数据放入工作日SVM模型中进行训练；
S1044、若所述预设类型的气象信息所对应的日期信息为非工作日气象信息，则将所述训练输入数据放入非工作日SVM模型中进行训练；
S1045、根据训练后的工作日SVM模型和训练后的非工作日SVM模型，获得所述电力负荷预测模型。
在具体应用中，电力负荷预测模型包括两个数学模型，因此对电力负荷预测模型做出改进，使其在进行电力负荷预测时，自主判断日期信息，并导入对应的预测模型，输出符合应用场景的预测结果。
在一个实施例中，可以通过预测接口设计实现电力负荷预测模型中，根据工作日和非工作日所划分的两种分析方式。
其中，预测接口设计采用Python的Flask框架可快速进行接口开发，先根据预测的时间类型进行分类，时间类型分为工作日和非工作日，时间类型可根据企业生产计划动态调整。针对不同的时间类型选择相对应的预测模型，导入训练好的模型，获取历史负荷数据和历史天气数据，并组合成模型输入的变量矩阵，通过模型计算得到预测值并以JSON数据结构输出。
在具体应用中，通过计算电力负荷值与每个气象因素对应的皮尔森相关系数，可以得到对电力负荷值影响最大的气象因素，其中，计算皮尔森相关系数的公式为；
Figure BDA0002253905780000141
其中X、Y是两个向量。
使用Python的pandas数据分析包可以计算得到相关系数矩阵，相关系数的绝对值越接近1表示相关性越强，负值表示负相关，由相关系数发现对负荷影响最大的是最大温度和最小温度(超过80％的正相关性)，其它因素几乎没有影响(小于20％的正相关性)，而最大温度和最小温度之间有95％以上的正相关性，说明存在自相关。经反复测验，选择最小温度时模型的精度更高，因此选择最小温度作为模型的输入，另外负荷受过去的影响较大，选择过去24小时的历史负荷作为模型的输入。
则在本发明实施例中，可以选择气象信息中的最小温度作为模型的输入气象数据之一，提高训练后的电力负荷预测模型的预测精度，上述步骤S1042的详细实现流程可以为：
若所述第二预设时间段的时间跨度大于一天，则在所述气象数据中选择所述第二预设时间段内气温最低的温度值作为所述预设类型的气象信息。
实施例四
本发明实施例提供一种基于电力系统的电力负荷预测装置40，包括：
数据获取模块41，用于获取目标地区的第一电力负荷数据、气象数据，其中，第一电力负荷数据以第一预设时间间隔存储在数据库中。
在上述数据获取模块41中，象数据可以包括气象信息和日期信息，在训练模型时，可以根据具体的气象信息或日期信息，分别执行模型训练，获得不同应用场景的电力负荷预测模型。
则在后述的模型训练模块44中，还可以日期信息为划分，分别执行模型训练，获得基于训练后的工作日SVM模型和训练后的非工作日SVM模型，从而得出电力负荷预测模型。
重采样模块42，用于基于第一电力负荷数据进行重采样，生成具有第二预设时间间隔的第二电力负荷数据。
标准化模块43，用于标准化第二电力负荷数据，获得标准电力负荷值数据集。
模型训练模块44，用于将第一预设时间段内的标准电力负荷值数据集作为训练验证数据，将第二预设时间段内的第一电力负荷数据和气象数据作为训练输入数据，通过训练验证数据和训练输入数据训练SVM模型，其中，第一预设时间段与第二预设时间段相邻，且发生在第二预设时间段之后。
模型参数调整模块45，用于通过评估模型调整训练后的SVM模型参数，获得电力负荷预测模型。
第一预测模块46，用于将第m时间点的待测电力负荷数据输入电力负荷预测模型，获得第m+1时间点的预测电力负荷数据，获取第m+2时间点的预测电力负荷数据时，将第m+1时间点的预测电力负荷数据作为输入。
第二预测模块47，用于将m+k个时间点的预测电力负荷数据整理集中，获得时间段N中的预测电力负荷数据，其中，时间段N包括m+k个时间点，m、k和N为正整数。
在上述的第一预测模块46和第二预测模块47中，使用电力负荷预测模型进行预测时，将一个时间点的预测值作为下一个时间点的输入，可以解决下一个时间点缺少上一个时间点电力负荷实际值的问题，从而提高预测结果的准确性。
可以想到的是，在模型训练的过程中，训练输入数据，即第一电力负荷数据和气象数据均使用上述第一预测模块46和第二预测模块47的输入方式。
本发明实施例还提供一种终端设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如实施例一中所述的基于电力系统的电力负荷预测方法中的各个步骤。
本发明实施例还提供一种存储介质，所述存储介质为计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如实施例一中所述的基于电力系统的电力负荷预测方法中的各个步骤。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于电力系统的电力负荷预测方法，其特征在于，包括：
获取目标地区的第一电力负荷数据、气象数据，其中，所述第一电力负荷数据以第一预设时间间隔存储在数据库中；
基于所述第一电力负荷数据进行重采样，生成具有第二预设时间间隔的第二电力负荷数据；
标准化所述第二电力负荷数据，获得标准电力负荷值数据集；
将第一预设时间段内的所述标准电力负荷值数据集作为训练验证数据，将第二预设时间段内的所述第一电力负荷数据和所述气象数据作为训练输入数据，通过所述训练验证数据和所述训练输入数据训练SVM模型，其中，所述第一预设时间段与所述第二预设时间段相邻，且发生在所述第二预设时间段之后；
通过评估模型调整训练后的SVM模型参数，获得电力负荷预测模型；
将第m时间点的待测电力负荷数据输入所述电力负荷预测模型，获得第m+1时间点的预测电力负荷数据，获取第m+2时间点的预测电力负荷数据时，将第m+1时间点的预测电力负荷数据作为输入；
将m+k个时间点的预测电力负荷数据整理集中，获得时间段N中的预测电力负荷数据，其中，时间段N包括m+k个时间点，m、k和N为正整数。
2.如权利要求1所述的基于电力系统的电力负荷预测方法，其特征在于，基于所述第一电力负荷数据进行重采样，生成具有第二预设时间间隔的第二电力负荷数据，包括：
根据所述第一预设时间间隔，将所述第一电力负荷数据划分为a个时间点，每个时间点对应一个第一电力负荷值；
根据所述第二预设时间间隔，获得b个时间点，每个时间点对应多个所述第一电力负荷值；
对b个时间点的所述第一电力负荷数据进行重采样，以使b个时间点的每个时间点对应一个所述第一电力负荷值；
与b个时间点的每个时间点对应的所述第一电力负荷值为所述第二电力负荷值；
根据b个时间点的b个所述第二电力负荷值获得具有第二预设时间间隔的第二电力负荷数据；
其中，a×第一预设时间间隔＝b×第二预设时间间隔。
3.如权利要求2所述的基于电力系统的电力负荷预测方法，其特征在于，还包括：
对具有第二预设时间间隔的第二电力负荷数据进行异常值检测，检测步骤包括：
对所述第二电力负荷数据进行变换，公式为：
Figure FDA0002253905770000021
其中i是时间点，取整数，xi是实际电力负荷值，
Figure FDA0002253905770000022
是拟合值；
计算yi的均值μ和标准差σ，获得上下界限阈值μ±3σ；
当第二电力负荷数据中的第二电力负荷值超过上下界限阈值判断为异常值，并将异常值用拟合值替换。
4.如权利要求1所述的基于电力系统的电力负荷预测方法，其特征在于，标准化所述第二电力负荷数据，获得标准电力负荷值数据集，包括：
计算电力负荷均值
Figure FDA0002253905770000023
公式为：
Figure FDA0002253905770000024
其中，i是时间点，xi是实际电力负荷值，n为预测的时间点数
计算标准差s，公式为：
Figure FDA0002253905770000025
计算标准化后的第二电力负荷数据的电力负荷值xi'，公式为
Figure FDA0002253905770000031
根据所述电力负荷值获得标准电力负荷值数据集。
5.如权利要求1所述的基于电力系统的电力负荷预测方法，其特征在于，所述气象数据包括气象信息和日期信息；
所述将第一预设时间段内的所述标准电力负荷值数据集作为训练验证数据，将第二预设时间段内的所述第一电力负荷数据和所述气象数据作为训练输入数据，通过所述训练验证数据和所述训练输入数据训练SVM模型，包括：
根据所述日期信息将所述气象信息分为工作日气象信息和非工作日气象信息；
在所述气象数据中选择预设类型的气象信息，与所述第二预设时间段内的所述第一电力负荷数据构成矩阵，作为所述训练输入数据；
若所述预设类型的气象信息所对应的日期信息为工作日气象信息，则将所述训练输入数据放入工作日SVM模型中进行训练；
若所述预设类型的气象信息所对应的日期信息为非工作日气象信息，则将所述训练输入数据放入非工作日SVM模型中进行训练；
根据训练后的工作日SVM模型和训练后的非工作日SVM模型，获得所述电力负荷预测模型。
6.如权利要求5所述的基于电力系统的电力负荷预测方法，其特征在于，在所述气象数据中选择预设类型的气象信息，与所述第二预设时间段内的所述第一电力负荷数据构成矩阵，作为所述训练输入数据，包括：
若所述第二预设时间段的时间跨度大于一天，则在所述气象数据中选择所述第二预设时间段内气温最低的温度值作为所述预设类型的气象信息。
7.如权利要求1所述的基于电力系统的电力负荷预测方法，其特征在于，通过评估模型调整训练后的SVM模型参数，获得电力负荷预测模型，包括：
通过平均绝对百分误差衡量第i个时间点的实际电力负荷值与电力负荷预测值之间的误差，公式为：
Figure FDA0002253905770000041
其中，i是时间点，n为预测的时间点数，xi是第i个时间点的实际电力负荷值，
Figure FDA0002253905770000042
是第i个时间点的电力负荷预测值；
当所述误差不在预设范围内时，调整训练后的SVM模型参数，并重新获取训练输入数据再次对SVM模型进行训练；
当所述误差在预设范围内时，训练后的SVM模型参数为电力负荷预测模型。
8.一种基于电力系统的电力负荷预测装置，其特征在于，包括：
数据获取模块，用于获取目标地区的第一电力负荷数据、气象数据，其中，所述第一电力负荷数据以第一预设时间间隔存储在数据库中；
重采样模块，用于基于所述第一电力负荷数据进行重采样，生成具有第二预设时间间隔的第二电力负荷数据；
标准化模块，用于标准化所述第二电力负荷数据，获得标准电力负荷值数据集；
模型训练模块，用于将第一预设时间段内的所述标准电力负荷值数据集作为训练验证数据，将第二预设时间段内的所述第一电力负荷数据和所述气象数据作为训练输入数据，通过所述训练验证数据和所述训练输入数据训练SVM模型，其中，所述第一预设时间段与所述第二预设时间段相邻，且发生在所述第二预设时间段之后；
模型参数调整模块，用于通过评估模型调整训练后的SVM模型参数，获得电力负荷预测模型；
第一预测模块，用于将第m时间点的待测电力负荷数据输入所述电力负荷预测模型，获得第m+1时间点的预测电力负荷数据，获取第m+2时间点的预测电力负荷数据时，将第m+1时间点的预测电力负荷数据作为输入；
第二预测模块，用于将m+k个时间点的预测电力负荷数据整理集中，获得时间段N中的预测电力负荷数据，其中，时间段N包括m+k个时间点，m、k和N为正整数。
9.一种终端设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至7任一项所述的基于电力系统的电力负荷预测方法中的各个步骤。
10.一种存储介质，所述存储介质为计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至7任一项所述的基于电力系统的电力负荷预测方法中的各个步骤。
CN201911045021.4A 2019-10-30 2019-10-30 基于电力系统的电力负荷预测方法、装置及终端设备 Active CN110826789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911045021.4A CN110826789B (zh) 2019-10-30 2019-10-30 基于电力系统的电力负荷预测方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911045021.4A CN110826789B (zh) 2019-10-30 2019-10-30 基于电力系统的电力负荷预测方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN110826789A CN110826789A (zh) 2020-02-21
CN110826789B true CN110826789B (zh) 2023-06-06

Family

ID=69551388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911045021.4A Active CN110826789B (zh) 2019-10-30 2019-10-30 基于电力系统的电力负荷预测方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN110826789B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382906B (zh) * 2020-03-06 2024-02-27 南京工程学院 一种电力负荷预测方法、系统、设备和计算机可读存储介质
CN111697560B (zh) * 2020-04-24 2022-11-08 国家电网有限公司 一种基于lstm预测电力系统负荷的方法及系统
CN111652417A (zh) * 2020-05-25 2020-09-11 成都千嘉科技有限公司 一种远传抄表数据的自动校正方法与系统
CN112365280B (zh) * 2020-10-20 2024-04-19 国网冀北电力有限公司计量中心 电力需求的预测方法及装置
CN112381411B (zh) * 2020-11-16 2024-01-26 国网上海市电力公司 一种群体生产活力的评估方法、电子设备及存储介质
CN112696728B (zh) * 2021-01-22 2021-09-17 北京嘉洁能科技股份有限公司 一种平衡用电负荷减少电力增容控制系统
CN113947007A (zh) * 2021-07-02 2022-01-18 国家电投集团科学技术研究院有限公司 能源的负荷预测方法、装置及设备
CN113641479A (zh) * 2021-08-19 2021-11-12 未鲲(上海)科技服务有限公司 程序运行控制方法、终端设备及计算机可读存储介质
CN117332901B (zh) * 2023-10-17 2024-07-19 南方电网数字电网研究院股份有限公司 采用分层时间聚合策略的新能源小时间尺度功率预测方法
CN117110976B (zh) * 2023-10-24 2024-02-06 烽台科技（北京）有限公司 电表异常检测方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197773A (zh) * 2017-12-08 2018-06-22 囯网河北省电力有限公司电力科学研究院 电力负荷预测方法、电力负荷预测装置及终端设备
CN108280552A (zh) * 2018-02-24 2018-07-13 合肥工业大学 基于深度学习的电力负荷预测方法和系统、存储介质
CN108416695A (zh) * 2018-02-24 2018-08-17 合肥工业大学 基于深度学习的电力负荷概率密度预测方法和系统、介质
CN108596242A (zh) * 2018-04-20 2018-09-28 浙江大学 基于小波神经网络和支持向量机的电网气象负荷预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197773A (zh) * 2017-12-08 2018-06-22 囯网河北省电力有限公司电力科学研究院 电力负荷预测方法、电力负荷预测装置及终端设备
CN108280552A (zh) * 2018-02-24 2018-07-13 合肥工业大学 基于深度学习的电力负荷预测方法和系统、存储介质
CN108416695A (zh) * 2018-02-24 2018-08-17 合肥工业大学 基于深度学习的电力负荷概率密度预测方法和系统、介质
CN108596242A (zh) * 2018-04-20 2018-09-28 浙江大学 基于小波神经网络和支持向量机的电网气象负荷预测方法

Also Published As

Publication number Publication date
CN110826789A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN110826789B (zh) 基于电力系统的电力负荷预测方法、装置及终端设备
US10700523B2 (en) System and method for distribution load forecasting in a power grid
Carpinone et al. Very short-term probabilistic wind power forecasting based on Markov chain models
CN108446864B (zh) 基于大数据分析的轨道交通设备的故障预警系统及方法
CN111444615B (zh) 一种基于k近邻和iv曲线的光伏阵列故障诊断方法
CN112285807B (zh) 一种气象信息预测方法及装置
CN107506868A (zh) 一种短时电力负荷预测的方法及装置
CN111709554A (zh) 一种配电网净负荷联合预测的方法及系统
CN112766618B (zh) 异常预测方法及装置
CN108334988A (zh) 一种基于svm的短期电网负荷预测方法
Xue et al. Adaptive ultra-short-term wind power prediction based on risk assessment
CN110688620A (zh) 一种短期负荷预测方法及装置
Vera-Tudela et al. On the selection of input variables for a wind turbine load monitoring system
CN113626767A (zh) 一种风机限电识别方法、系统、设备和存储介质
CN117595231A (zh) 一种智能电网配网管理系统及其方法
CN113758652B (zh) 换流变压器漏油检测方法、装置、计算机设备和存储介质
CN112734141A (zh) 一种多元化负荷区间预测方法及装置
CN111506636A (zh) 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
Kaushik et al. Performance Analysis of Regression Models in Solar PV Forecasting
CN110717623A (zh) 融合多种天气状况的光伏发电功率预测方法及装置、设备
CN113591266A (zh) 一种电能表故障概率的分析方法及系统
CN114004276A (zh) 时间特征的处理方法、处理装置
CN111861798A (zh) 一种基于近邻算法的居民用电数据缺失值插补方法
CN108009686B (zh) 一种光伏发电功率预测方法、装置及系统
CN117332236B (zh) 一种虚拟电厂的数据跟踪检测方法、装置及存储介质

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