CN110889545A - 一种电力负荷预测方法、装置及可读存储介质 - Google Patents
一种电力负荷预测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN110889545A CN110889545A CN201911140793.6A CN201911140793A CN110889545A CN 110889545 A CN110889545 A CN 110889545A CN 201911140793 A CN201911140793 A CN 201911140793A CN 110889545 A CN110889545 A CN 110889545A
- Authority
- CN
- China
- Prior art keywords
- long
- electric energy
- term memory
- energy meter
- memory network
- 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 45
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 230000006403 short-term memory Effects 0.000 claims abstract description 51
- 230000007787 long-term memory Effects 0.000 claims abstract description 46
- 230000007246 mechanism Effects 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000002457 bidirectional effect Effects 0.000 claims description 16
- 230000003068 static effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 2
- 230000006735 deficit Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力负荷预测方法、装置及可读存储介质,所述方法包括如下步骤:获取电能表特征数据;构建包含注意力机制的长短期记忆网络模型;通过所构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测。本发明方法通过构建包含注意力机制的长短期记忆网络模型;通过所构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测,通过注意力机制与长短期记忆网络结合提高了对于电能表特征数据中的关键信息的关注度,提高电力负荷预测的准确度。
Description
技术领域
本发明涉及电力系统负荷分类技术领域,特别是一种电力负荷预测方法、装置及可读存储介质。
背景技术
电力负荷预测按时间范围可划分为超短期预测,短期预测、中长期预测和节日预测。短期预测或超短期预测主要用于指导电力部门合理的安排发电计划。传统的短期电力负荷预测方法主要分为两类。第一类是基于回归分析法、趋势外推法、专家系统法以及时间序列法等方法的传统方法。文献利用人口,GDP以及全社会用电量的历史数据,基于多元线性回归分析对电力负荷进行预测。文献提出了一种结合小波变换与累积式自回归移动平均(ARIMA)模型的短期电力负荷预测方法。由于短期负荷数据中存在着明显的波动性和随机性,传统方法主要针对的是线性模型,线性模型在进行短期预测时不够灵活,并且对非线性关系预测能力不足,无法做到准确预测。另一类是包含支持向量机、人工神经网络模型的方法。现有技术中有将BP神经网络模型应用到电力负荷预测中,采用了支持向量机SVM(Support Vector Machine,SVM)对电力负荷进行预测。这类方法在处理非线性关系时取得了较好的效果,改善了精度受限的问题,BP神经网络虽然结构简单,但是学习能力较差且容易陷入局部最优,支持向量机模型虽然可以应用到小样本中,但是在处理大量数据时会花费大量机器内存和运行时间。以上两类方法主要考虑了电力负荷与其影响因素间的关系,而忽略了连续负荷样本自身序列数据之间的关系。
发明内容
有鉴于现有技术的上述缺陷,本发明的目的就是提供一种电力负荷预测方法、装置及可读存储介质,通过加入注意力机制进一步提高电力负荷预测的准确度。
本发明的目的之一是通过这样的技术方案实现的,一种电力负荷预测方法,所述方法包括如下步骤:
获取电能表特征数据;
通过预先构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测;
其中,所述长短期记忆网络模型包括长短期神经网络和注意力机制;
所述注意力机制用于为所述长短期神经网络中不同的隐藏层单元分配不同的权重以识别所述电能表特征数据中的关键信息。
可选的,获取电能表特征数据,包括:
获取电能表的时序序列特征数据以及电能表静态数据;
所述时序序列特征数据包括:电流、电压、电功率和电功耗;
所述电能表静态数据包括:温度、地理位置、接线方式、出厂日期和制造标准。
可选的,在获取电能表特征数据之后,所述方法还包括:对所述电能表特征数据进行清洗和归一化处理。
可选的,构建长短期记忆网络模型,包括:
在长短期记忆网络的输出端上设置一层注意力机制层;以及,
在所述长短期记忆网络的输入端上设置一层嵌入层以构建包含注意力机制的长短期记忆网络模型。
可选的,所述长短期记忆网络为双向长短期记忆网络,且双向长短期记忆网络的隐藏层输出满足:
yi=g(wo1*hf+wo2*hb)
其中,yi表示隐藏层输出,wo1表示前向网络的参数,hf表示前向网络的输入,wo2表示后向网络的参数,hb表示后向网络的输入,g()表示求和函数。
可选的,所述注意力机制层的工作步骤包括:
对双向长短期记忆网络的输入序列和双向长短期记忆网络隐藏层的输出序列进行相似度计算;
基于相似度计算结果进行归一化处理;
根据双向长短期记忆网络的隐藏层的输出序列和对应的归一化结果进行加权处理。
可选的,通过预先构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测,包括:
将清洗和归一化处理之后的电能表特征数据输入所构建的长短期记忆网络模型;
将注意力机制层经过加权处理之后的电能表特征数据的加权处理结果输入卷积层以获得负荷预测结果。
本发明的目的之二是通过这样的技术方案实现的,一种电力负荷预测装置,所述装置包括:
采集模块,用于获取电能表特征数据;
数据处理模块,用于通过预先构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测;
其中,所述长短期记忆网络模型包括长短期神经网络和注意力机制;
所述注意力机制用于为所述长短期神经网络中不同的隐藏层单元分配不同的权重以识别所述电能表特征数据中的关键信息。
可选的,所述采集模块,具体用于获取电能表的时序序列特征数据以及电能表静态数据;
所述时序序列特征数据包括:电流、电压、电功率和电功耗;
所述电能表静态数据包括:温度、地理位置、接线方式、出厂日期和制造标准。
可选的,还包括模型构建模块,具体用于:
在长短期记忆网络的输出端上设置一层注意力机制层;以及,
在所述长短期记忆网络的输入端上设置一层嵌入层以构建包含注意力机制的长短期记忆网络模型。
可选的,数据处理模块,具体用于:
通过所构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测,包括:
将清洗和归一化处理之后的电能表特征数据输入所构建的长短期记忆网络模型;
将注意力机制层经过加权处理之后的电能表特征数据加权处理结果输入卷积层以获得负荷预测结果。
本发明的目的之三是通过这样的技术方案实现的,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信息传递的实现程序,所述程序被处理器执行时实现前述的方法的步骤。
由于采用了上述技术方案,本发明具有如下的优点:本发明方法通过构建包含注意力机制的长短期记忆网络模型;通过所构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测,通过注意力机制与长短期记忆网络结合提高了对于电能表特征数据中的关键信息的关注度,提高电力负荷预测的准确度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。
附图说明
本发明的附图说明如下:
图1为本发明第一实施例流程图;
图2为本发明第一实施长短期记忆网络模型结构示意图;
图3为本发明第一实施双向长短期记忆网络结构示意图;
图4为本发明第一实施注意力机制层工作原理图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例一
本发明第一实施例提出一种电力负荷预测方法,如图1所示,所述方法包括如下步骤:
获取电能表特征数据;
通过预先构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测;
其中,所述长短期记忆网络模型包括长短期神经网络和注意力机制;
所述注意力机制用于为所述长短期神经网络中不同的隐藏层单元分配不同的权重以识别所述电能表特征数据中的关键信息。
长短期记忆LSTM神经网络由RNN发展而来,相对于传统的神经网络,RNN的结果受到输入数据的次序影响,因此可以用来处理电能表特征数据,进一步本发明方法结合注意力机制为神经网络的不同隐藏单元分配不同权重,使隐藏层更加关注序列数据中的关键信息,通过所构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测,通过长短期记忆网络完成历史用电数据来挖掘时间序列数据中的上下文信息,通过注意力机制对不同时间维度的用电数据的贡献度进行关注,提高了对于电能表特征数据中的关键信息的关注度,提高电力负荷预测的准确度。
可选的,获取电能表特征数据,包括:
获取电能表的时序序列特征数据以及电能表静态数据;
所述时序序列特征数据包括:电流、电压、电功率和电功耗;
所述电能表静态数据包括:温度、地理位置、接线方式、出厂日期和制造标准。
具体的说,在本实施例中,获取电能表特征数据,主要包括获取电能表的时序序列特征(主要包括电流,电压,电功率,电功耗等数据),此外,本实施例中还将电能表的一些其它状态值温度,地理位置,接线方式,出厂日期,制造标准等静态数据作为模型输入。
可选的,在获取电能表特征数据之后,所述方法还包括:对所述电能表特征数据进行清洗和归一化处理。
具体的说,数据首先经过清洗和归一化处理,之后送入模型进行计算,数据清洗的目的主要是删除原始数据集中的无关数据、重复数据,平滑噪声数据,筛掉与挖掘主题无关的数据,处理缺失值、异常值等。具体的可以采用删除记录、数据插补和不处理进行缺失值的处理。采用删除异常值记录、平均值修正等方式进行异常值处理,采用实体识别和冗余属性识别进行数据集成。
可选的,构建包含注意力机制的长短期记忆网络模型,包括:
在长短期记忆网络的输出端上设置一层注意力机制层;以及,
在所述长短期记忆网络的输入端上设置一层嵌入层以构建包含注意力机制的长短期记忆网络模型。
具体的说,如图2所示为本实施例中的长短期记忆网络模型结构示意图,包括输入层,嵌入层,LSTM层,Attention层以及输出层,数据经过清洗和归一化处理之后送入模型进行计算,数据被送入LSTM网络中,之后计算出的结果在经过Attention层处理得到最终结果。
可选的,所述长短期记忆网络为双向长短期记忆网络,且双向长短期记忆网络的隐藏层输出满足:
yi=g(wo1*hf+wo2*hb)
其中,yi表示隐藏层输出,wo1表示前向网络的参数,hf表示前向网络的输入,wo2表示后向网络的参数,hb表示后向网络的输入,g()表示求和函数。
具体的说,如图3所示,在本实施例中,选用双向长短期记忆Bi-LSTM网络,相较于LSTM,添加了一层反向的LSTM,这使神经网络可以同时获得上下文信息,更好地提取时序数据中的特征。
具体的,在本发明的一种实施方式中,反向层LSTM的计算方式与正向LSTM的计算方式类似,只是方向相反以获取之后时刻信息。本实施例中,Bi-LSTM网络计算公式如下:
hf=f(wf1xt+wf2ht-1)
hb=f(wb1xt+wb2ht+1)
hf为正向LSTM网络输出,hb为反向LSTM网络输出。隐藏层的最终输出为:
yi=g(wo1*hf+wo2*hb)
其中,yi表示隐藏层输出,wo1表示前向网络的参数,hf表示前向网络的输入,wo2表示后向网络的参数,hb表示后向网络的输入,g()表示求和函数。
可选的,所述注意力机制层的工作步骤包括:
对双向长短期记忆网络的输入序列和双向长短期记忆网络隐藏层的输出序列进行相似度计算;
基于相似度计算结果进行归一化处理;
根据双向长短期记忆网络的隐藏层的输出序列和对应的归一化结果进行加权处理。
具体的说,如图4所示,Attention通过为输入赋予不同的概率权重来突出更重要的因素,提高模型的准确率。因此将Attention机制引入BLSTM模型能提升模型的预测效果。
假定输入序列值为X1至XT;隐藏层输出为h1至hT;ati为其它隐藏层对当前输入的注意力权重,则本实施例中的注意力机制层的工作步骤包括:
首先,计算相似度:将当前的隐藏层输出与输入进行相似度计算:
eki=fsim(hi-1,Xi)
其中,k为当前特征向量,i为当前时刻,fsim为相似度公式。
然后,使用softmax函数对相似度进行归一化:
最后,加权求和
C=∑i=1akihk
本实施例中的Attention机制使网络能更灵活地处理时间序列数据,并且使网络能通过数据更好的获取结果对于不同时刻的依赖。
可选的,通过所构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测,包括:
将归一化处理之后的电能表特征数据输入所构建的长短期记忆网络模型;
将注意力机制层经过加权处理之后的电能表特征数据的加权处理结果输入卷积层以获得负荷预测结果。
具体的说,在本实施例中,数据送入输入层后被三个使用Attention机制的BiLSTM层处理。由于本实施例中使用了电流、电压等多种特征向量,因此本实施例中还在BiLSTM层之外添加了1个卷积层从而获得对应的分类效果,由于注意力机制层经过加权处理之后数据的维度没有发生变化,而在BiLSTM层之外添加卷积层后,可以将多维的数据划分到预设分类中,例如预设分类为,良好,正常,关注和预警,则通过该卷积层将注意力机制层经过加权处理之后的电能表特征数据的加权处理结果归到上述分类中,从而实现多种特征向量的结果进行整合,完成负荷分类。
实施例二
本发明第二实施例提出一种电力负荷预测装置,所述装置包括:
采集模块,用于获取电能表特征数据;
数据处理模块,用于通过预先构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测;
其中,所述长短期记忆网络模型包括长短期神经网络和注意力机制;
所述注意力机制用于为所述长短期神经网络中不同的隐藏层单元分配不同的权重以识别所述电能表特征数据中的关键信息。
可选的,所述采集模块,具体用于获取电能表的时序序列特征数据以及电能表静态数据;
所述时序序列特征数据包括:电流、电压、电功率和电功耗;
所述电能表静态数据包括:温度、地理位置、接线方式、出厂日期和制造标准。
可选的,还包括模型构建模块,具体用于:
在长短期记忆网络的输出端上设置一层注意力机制层;以及,
在所述长短期记忆网络的输入端上设置一层嵌入层以构建包含注意力机制的长短期记忆网络模型。
可选的,数据处理模块,具体用于:
通过所构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测,包括:
将清洗和归一化处理之后的电能表特征数据输入所构建的长短期记忆网络模型;
将注意力机制层经过加权处理之后的电能表特征数据加权处理结果输入卷积层以获得负荷预测结果。
实施例三
本发明第三实施例提出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信息传递的实现程序,所述程序被处理器执行时实现第一实施例的方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的保护范围之内。
Claims (12)
1.一种电力负荷预测方法,其特征在于,所述方法包括如下步骤:
获取电能表特征数据;
通过预先构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测;
其中,所述长短期记忆网络模型包括长短期神经网络和注意力机制;
所述注意力机制用于为所述长短期神经网络中不同的隐藏层单元分配不同的权重以识别所述电能表特征数据中的关键信息。
2.如权利要求1所述的方法,其特征在于,获取电能表特征数据,包括:
获取电能表的时序序列特征数据以及电能表静态数据;
所述时序序列特征数据包括:电流、电压、电功率和电功耗;
所述电能表静态数据包括:温度、地理位置、接线方式、出厂日期和制造标准。
3.如权利要求2所述的方法,其特征在于,在获取电能表特征数据之后,所述方法还包括:对所述电能表特征数据进行清洗和归一化处理。
4.如权利要求3所述的方法,其特征在于,构建长短期记忆网络模型,包括:
在长短期记忆网络的输出端上设置一层注意力机制层;以及,
在所述长短期记忆网络的输入端上设置一层嵌入层以构建包含注意力机制的长短期记忆网络模型。
5.如权利要求4所述的方法,其特征在于,所述长短期记忆网络为双向长短期记忆网络,且双向长短期记忆网络的隐藏层输出满足:
yi=g(wo1*hf+wo2*hb)
其中,yi表示隐藏层输出,wo1表示前向网络的参数,hf表示前向网络的输入,wo2表示后向网络的参数,hb表示后向网络的输入,g()表示求和函数。
6.如权利要求5所述的方法,其特征在于,所述注意力机制层的工作步骤包括:
对双向长短期记忆网络的输入序列和双向长短期记忆网络隐藏层的输出序列进行相似度计算;
基于相似度计算结果进行归一化处理;
根据双向长短期记忆网络的隐藏层的输出序列和对应的归一化结果进行加权处理。
7.如权利要求6所述的方法,其特征在于,通过预先构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测,包括:
将清洗和归一化处理之后的电能表特征数据输入所构建的长短期记忆网络模型;
将注意力机制层经过加权处理之后的电能表特征数据的加权处理结果输入卷积层以获得负荷预测结果。
8.一种电力负荷预测装置,其特征在于,所述装置包括:
采集模块,用于获取电能表特征数据;
数据处理模块,用于通过预先构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测;
其中,所述长短期记忆网络模型包括长短期神经网络和注意力机制;
所述注意力机制用于为所述长短期神经网络中不同的隐藏层单元分配不同的权重以识别所述电能表特征数据中的关键信息。
9.如权利要求8所述的装置,其特征在于,所述采集模块,具体用于获取电能表的时序序列特征数据以及电能表静态数据;
所述时序序列特征数据包括:电流、电压、电功率和电功耗;
所述电能表静态数据包括:温度、地理位置、接线方式、出厂日期和制造标准。
10.如权利要求9所述的装置,其特征在于,还包括模型构建模块,具体用于:
在长短期记忆网络的输出端上设置一层注意力机制层;以及,
在所述长短期记忆网络的输入端上设置一层嵌入层以构建包含注意力机制的长短期记忆网络模型。
11.如权利要求10所述的装置,其特征在于,数据处理模块,具体用于:
通过所构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测,包括:
将清洗和归一化处理之后的电能表特征数据输入所构建的长短期记忆网络模型;
将注意力机制层经过加权处理之后的电能表特征数据加权处理结果输入卷积层以获得负荷预测结果。
12.一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信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911140793.6A CN110889545A (zh) | 2019-11-20 | 2019-11-20 | 一种电力负荷预测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911140793.6A CN110889545A (zh) | 2019-11-20 | 2019-11-20 | 一种电力负荷预测方法、装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889545A true CN110889545A (zh) | 2020-03-17 |
Family
ID=69748052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911140793.6A Pending CN110889545A (zh) | 2019-11-20 | 2019-11-20 | 一种电力负荷预测方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889545A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695779A (zh) * | 2020-05-14 | 2020-09-22 | 华南师范大学 | 一种知识追踪方法、装置及存储介质 |
CN111751650A (zh) * | 2020-07-06 | 2020-10-09 | 重庆大学 | 非侵入式家庭用电设备在线监测系统与故障辨识方法 |
CN112163689A (zh) * | 2020-08-18 | 2021-01-01 | 国网浙江省电力有限公司绍兴供电公司 | 基于深度Attention-LSTM的短期负荷分位点概率预测方法 |
CN112561728A (zh) * | 2020-10-28 | 2021-03-26 | 西安交通大学 | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 |
CN112866130A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 报文组包间隔调整方法及装置 |
CN113051130A (zh) * | 2021-03-19 | 2021-06-29 | 南京航空航天大学 | 结合注意力机制的lstm网络的移动云负载预测方法及系统 |
CN113050486A (zh) * | 2021-03-12 | 2021-06-29 | 南京工程学院 | 基于工控机的电力系统边缘计算及数据分发装置 |
CN113125037A (zh) * | 2021-04-06 | 2021-07-16 | 红塔烟草(集团)有限责任公司 | 一种基于分布式光纤在线测温系统的电缆导体温度估算方法 |
CN113177666A (zh) * | 2021-05-21 | 2021-07-27 | 同济大学 | 一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法 |
CN113379164A (zh) * | 2021-07-16 | 2021-09-10 | 国网江苏省电力有限公司苏州供电分公司 | 基于深度自注意力网络的负荷预测方法及系统 |
CN113449909A (zh) * | 2021-06-22 | 2021-09-28 | 北京理工大学 | 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法 |
CN113780679A (zh) * | 2021-09-27 | 2021-12-10 | 深圳供电局有限公司 | 一种基于泛在电力物联网的负荷预测方法及装置 |
CN117239743A (zh) * | 2023-11-15 | 2023-12-15 | 青岛鼎信通讯股份有限公司 | 一种电能表用电负荷获取方法、装置、设备及介质 |
CN117543563A (zh) * | 2023-11-23 | 2024-02-09 | 国网河南省电力公司郑州供电公司 | 基于机器学习的短期电力负荷预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040246643A1 (en) * | 2003-05-13 | 2004-12-09 | Dingguo Chen | Very short term load prediction |
CN109886492A (zh) * | 2019-02-26 | 2019-06-14 | 浙江鑫升新能源科技有限公司 | 基于Attention LSTM的光伏发电功率预测模型及其构建方法 |
CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测(控)中心 | 一种电力负荷预测方法及预测装置 |
-
2019
- 2019-11-20 CN CN201911140793.6A patent/CN110889545A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040246643A1 (en) * | 2003-05-13 | 2004-12-09 | Dingguo Chen | Very short term load prediction |
CN109886492A (zh) * | 2019-02-26 | 2019-06-14 | 浙江鑫升新能源科技有限公司 | 基于Attention LSTM的光伏发电功率预测模型及其构建方法 |
CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测(控)中心 | 一种电力负荷预测方法及预测装置 |
Non-Patent Citations (2)
Title |
---|
彭文 等: "电力市场中基于Attention-LSTM 的短期负荷预测模型", 《电网技术》 * |
高扬: "《人工智能与机器人先进技术丛书 智能摘要与深度学习》", 30 April 2019, 北京理工大学出版社 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695779A (zh) * | 2020-05-14 | 2020-09-22 | 华南师范大学 | 一种知识追踪方法、装置及存储介质 |
CN111695779B (zh) * | 2020-05-14 | 2023-03-28 | 华南师范大学 | 一种知识追踪方法、装置及存储介质 |
CN111751650A (zh) * | 2020-07-06 | 2020-10-09 | 重庆大学 | 非侵入式家庭用电设备在线监测系统与故障辨识方法 |
CN111751650B (zh) * | 2020-07-06 | 2021-06-22 | 重庆大学 | 非侵入式家庭用电设备在线监测系统与故障辨识方法 |
CN112163689A (zh) * | 2020-08-18 | 2021-01-01 | 国网浙江省电力有限公司绍兴供电公司 | 基于深度Attention-LSTM的短期负荷分位点概率预测方法 |
CN112561728A (zh) * | 2020-10-28 | 2021-03-26 | 西安交通大学 | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 |
CN112561728B (zh) * | 2020-10-28 | 2023-07-11 | 西安交通大学 | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 |
CN113050486A (zh) * | 2021-03-12 | 2021-06-29 | 南京工程学院 | 基于工控机的电力系统边缘计算及数据分发装置 |
CN113050486B (zh) * | 2021-03-12 | 2022-06-17 | 南京工程学院 | 基于工控机的电力系统边缘计算及数据分发装置 |
CN113051130A (zh) * | 2021-03-19 | 2021-06-29 | 南京航空航天大学 | 结合注意力机制的lstm网络的移动云负载预测方法及系统 |
CN113051130B (zh) * | 2021-03-19 | 2023-05-02 | 南京航空航天大学 | 结合注意力机制的lstm网络的移动云负载预测方法及系统 |
CN112866130A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 报文组包间隔调整方法及装置 |
CN113125037A (zh) * | 2021-04-06 | 2021-07-16 | 红塔烟草(集团)有限责任公司 | 一种基于分布式光纤在线测温系统的电缆导体温度估算方法 |
CN113125037B (zh) * | 2021-04-06 | 2024-06-07 | 红塔烟草(集团)有限责任公司 | 一种基于分布式光纤在线测温系统的电缆导体温度估算方法 |
CN113177666A (zh) * | 2021-05-21 | 2021-07-27 | 同济大学 | 一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法 |
CN113449909A (zh) * | 2021-06-22 | 2021-09-28 | 北京理工大学 | 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法 |
CN113449909B (zh) * | 2021-06-22 | 2022-12-20 | 北京理工大学 | 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法 |
CN113379164A (zh) * | 2021-07-16 | 2021-09-10 | 国网江苏省电力有限公司苏州供电分公司 | 基于深度自注意力网络的负荷预测方法及系统 |
CN113379164B (zh) * | 2021-07-16 | 2024-03-26 | 国网江苏省电力有限公司苏州供电分公司 | 基于深度自注意力网络的负荷预测方法及系统 |
CN113780679A (zh) * | 2021-09-27 | 2021-12-10 | 深圳供电局有限公司 | 一种基于泛在电力物联网的负荷预测方法及装置 |
CN113780679B (zh) * | 2021-09-27 | 2024-04-16 | 深圳供电局有限公司 | 一种基于泛在电力物联网的负荷预测方法及装置 |
CN117239743B (zh) * | 2023-11-15 | 2024-02-27 | 青岛鼎信通讯股份有限公司 | 一种电能表用电负荷获取方法、装置、设备及介质 |
CN117239743A (zh) * | 2023-11-15 | 2023-12-15 | 青岛鼎信通讯股份有限公司 | 一种电能表用电负荷获取方法、装置、设备及介质 |
CN117543563A (zh) * | 2023-11-23 | 2024-02-09 | 国网河南省电力公司郑州供电公司 | 基于机器学习的短期电力负荷预测方法及系统 |
CN117543563B (zh) * | 2023-11-23 | 2024-07-12 | 国网河南省电力公司郑州供电公司 | 基于机器学习的短期电力负荷预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889545A (zh) | 一种电力负荷预测方法、装置及可读存储介质 | |
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
Cai et al. | Day-ahead building-level load forecasts using deep learning vs. traditional time-series techniques | |
Hammad et al. | Methods and models for electric load forecasting: a comprehensive review | |
Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
CN111144468B (zh) | 电力用户信息标签化方法和装置、电子设备以及存储介质 | |
CN111723292B (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
EP4123559A1 (en) | Predictive segmentation of energy customers | |
López et al. | New online load forecasting system for the Spanish Transport System Operator | |
Ren et al. | AI-based fashion sales forecasting methods in big data era | |
Laouafi et al. | An adaptive hybrid ensemble with pattern similarity analysis and error correction for short-term load forecasting | |
Yang et al. | Exploiting temporal and social factors for B2B marketing campaign recommendations | |
Ruan et al. | Estimating demand flexibility using Siamese LSTM neural networks | |
CN113283671A (zh) | 一种预测补货量的方法、装置、计算机设备及存储介质 | |
CN110837934B (zh) | 一种基于深度学习的智能电网短期住宅负荷预测方法 | |
Abdallah et al. | Forecasting highly fluctuating electricity load using machine learning models based on multimillion observations | |
Brahimi et al. | Modelling on Car‐Sharing Serial Prediction Based on Machine Learning and Deep Learning | |
Santos et al. | CO 2 emissions forecasting in multi-source power generation systems using dynamic Bayesian network | |
Dumas et al. | Classification of load forecasting studies by forecasting problem to select load forecasting techniques and methodologies | |
JPH11175503A (ja) | 時系列データ予測装置 | |
Majidpour | Time series prediction for electric vehicle charging load and solar power generation in the context of smart grid | |
Wu et al. | Symphony in the latent space: Provably integrating high-dimensional techniques with non-linear machine learning models | |
Zhang et al. | Power Network Smart Meter Data Driven Cross-Task Transfer Learning for Resident Characteristics Estimation | |
CN113837782A (zh) | 时间序列模型的周期项参数优化方法、装置、计算机设备 | |
CN117934247B (zh) | 基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200317 |