CN111047074A - 一种电力负荷波动范围预测方法及装置 - Google Patents
一种电力负荷波动范围预测方法及装置 Download PDFInfo
- Publication number
- CN111047074A CN111047074A CN201911120761.XA CN201911120761A CN111047074A CN 111047074 A CN111047074 A CN 111047074A CN 201911120761 A CN201911120761 A CN 201911120761A CN 111047074 A CN111047074 A CN 111047074A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- data
- phase space
- row
- time
- 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 49
- 239000011159 matrix material Substances 0.000 claims abstract description 145
- 238000012549 training Methods 0.000 claims description 20
- 238000012706 support-vector machine Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 abstract description 3
- 238000009472 formulation Methods 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 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
- 238000012360 testing method 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
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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种电力负荷波动范围预测方法及装置,包括:获取当前时刻及当前时刻之前的历史电力负荷时间序列对应的模糊矩阵;对所述模糊矩阵中各行模糊数据进行相空间重构,获取各行模糊数据对应的相空间矩阵;根据所述各行模糊数据对应的相空间矩阵确定当前时刻之后未来时段的电力负荷波动范围;本发明通过获得历史电力负荷时间序列对应的相空间矩阵,利用该相空间矩阵获得预测时刻的负荷波动范围,兼顾了电力负荷时间序列的混沌性和不确定性,预测结果相比现有技术获得结果更加准确,可为后续配电计划的制订提供有力支撑。
Description
技术领域
本发明涉及电力系统负荷预测技术领域,具体涉及一种电力负荷波动范围预测方法及装置。
背景技术
伴随着大数据和人工智能技术的发展,越来越多的负荷预测技术得以应用。但电力负荷时间序列的混沌性和多变性给精确电力负荷预测技术的应用带来了挑战。如何解决混沌电力负荷序列的预测问题成为了研究的难题。现有研究中通过将线性模型和非线性模型组合使用来解决该问题,即在用线性模型建模之后,用原始序列减去线性模型的预测结果得到包含有非线性成分的残差项;接着用非线性模型对此残差项进行预测,得到最终预测结果,此方法将原始时间序列减去线性预测成分后所得到的残差序列往往噪声成分大,信噪比很低,导致非线性成分的特征也难以被非线性方法所学习,预测结果准确性较低。
现有技术中预测模型的得到预测结果仅可预测负荷序列在某一时刻的固定值,而电力负荷时间序列受到诸多外界因素的影响,具有很强的不确定性,在负荷预测中考虑这种不确定因素是合理并且必要的。
因此,对于上述问题,本领域需要一种针对混沌性时间序列的负荷波动范围的预测方法。
发明内容
针对现有技术的不足,本发明的目的是一种电力负荷波动范围预测方法及装置,通过获得历史电力负荷时间序列对应的相空间矩阵,利用该相空间矩阵获得预测时刻的负荷波动范围,兼顾了电力负荷时间序列的混沌性和不确定性,预测结果相比现有技术获得结果更加准确,可为后续配电计划的制订提供有力支撑。
本发明的目的是采用下述技术方案实现的:
本发明一种电力负荷波动范围预测方法,其改进之处在于,所述方法包括:
获取当前时刻及当前时刻之前的历史电力负荷时间序列对应的模糊矩阵;
对所述模糊矩阵中各行模糊数据进行相空间重构,获取各行模糊数据对应的相空间矩阵;
根据所述各行模糊数据对应的相空间矩阵确定当前时刻之后未来时段的电力负荷波动范围。
优选的,所述获取当前时刻及当前时刻之前的历史电力负荷时间序列对应的模糊矩阵,包括:
以预设时间长度为单位将历史电力负荷时间序列划分为多个时间窗口;
获取各时间窗口中数据的模糊值;
根据各时间窗口中数据的模糊值确定历史电力负荷时间序列对应的模糊矩阵。
进一步的,所述获取各时间窗口中数据的模糊值,包括:
按下式确定第n个时间窗口中第k个数据的模糊值xn,k:
式中,x′n,k为第n个时间窗口中第k个数据,mn为第n个时间窗口中数据的中位数,an为第n个时间窗口的最小数据,bn为第n个时间窗口的最大数据。
进一步的,所述根据各时间窗口中数据的模糊值确定历史电力负荷时间序列对应的模糊矩阵,包括:
基于第n个时间窗口中各数据的模糊值,按下式获取历史电力负荷时间序列对应的模糊矩阵中第n列元素:
式中,fn,1为模糊矩阵中第一行第n列元素,fn,2为模糊矩阵中第二行第n列元素,fn,3为模糊矩阵中第三行第n列元素,xn,k为第n个时间窗口中第k个数据的模糊值,xn,m为第n个时间窗口中数据的中位数的模糊值,k∈[1,K],K为时间窗口的数据个数,K′为时间窗口的中位数之前的数据个数,n∈[1,N],N为以预设时间长度为单位将历史电力负荷时间序列进行划分获得的时间窗口总数;
按下式确定历史电力负荷时间序列对应的模糊矩阵F:
优选的,所述对所述模糊矩阵中各行模糊数据进行相空间重构,获取各行模糊数据对应的相空间矩阵,包括:
利用虚假邻点法获得所述模糊矩阵各行模糊数据对应相空间的嵌入维数以及利用自相关法获得所述模糊矩阵各行模糊数据对应相空间的延迟时间;
基于各行模糊数据对应相空间的嵌入维数中的最小嵌入维数和和各行模糊数据对应相空间的延迟时间中的最小延迟时间,获得所述各行模糊数据对应的相空间矩阵。
优选的,所述根据所述各行模糊数据对应的相空间矩阵确定当前时刻之后未来时段的电力负荷波动范围,包括:
将第i行模糊数据对应的相空间矩阵中第Q-T+s列相空间数据代入预先获取的第i个支持向量机模型,获得第i行模糊数据对应的相空间矩阵中第Q+s列最后一个相空间预测数据;
将各行模糊数据对应的相空间矩阵中第Q+s列最后一个相空间预测数据作为当前时刻之后第s个未来时段的电力负荷波动范围输出;
其中,i∈(1,2,3),Q为相空间矩阵总列数,T为预测步长,所述未来时段的时间长度与预设时间长度相同。
进一步的,所述预先获取的第i个支持向量机模型的获取过程,包括:
将第i行模糊数据对应的相空间矩阵中第q列相空间数据作为输入层样本,将第i行模糊数据对应的相空间矩阵中第q+T列最后一个相空间数据作为输出层样本,训练预先搭建的支持向量机模型获得所述预先获取的第i个支持向量机模型;
其中,q∈[1,Q-T]。
进一步的,按下述方法获取所述预测步长T:
按下式确定第i行模糊数据对应的相空间矩阵的预测步长ti:
式中,λi为第i行模糊数据对应的相空间矩阵的李雅普诺夫指数;
选择各行模糊数据对应的相空间矩阵的预测步长中的最小预测步长作为所述预测步长T。
基于同一发明构思本发明还提供一种电力负荷波动范围预测装置,其改进之处在于,所述装置包括:
第一获取单元,用于获取当前时刻及当前时刻之前的历史电力负荷时间序列对应的模糊矩阵;
第二获取单元,用于对所述模糊矩阵中各行模糊数据进行相空间重构,获取各行模糊数据对应的相空间矩阵;
预测单元,用于根据所述各行模糊数据对应的相空间矩阵确定当前时刻之后未来时段的电力负荷波动范围。
与最接近的现有技术相比,本发明具有的有益效果:
本发明提供的一种电力负荷波动范围预测方法及装置,获取当前时刻及当前时刻之前的历史电力负荷时间序列对应的模糊矩阵;对所述模糊矩阵中各行模糊数据进行相空间重构,获取各行模糊数据对应的相空间矩阵;根据所述各行模糊数据对应的相空间矩阵确定当前时刻之后未来时段的电力负荷波动范围;本发明通过获得历史电力负荷时间序列对应的相空间矩阵的过程中将序列进行模糊化处理,平滑序列波动,削弱序列的随机性,使后面模型的训练过程更加可靠;利用相空间矩阵的数据进行模型训练和预测,使原始序列中的非线性成分的特性得以保留,兼顾了电力负荷时间序列的混沌性和不确定性,预测结果相比现有技术获得结果更加准确,可为后续配电计划的制订提供有力支撑。
附图说明
图1是本发明电力负荷波动范围预测方法流程图;
图2是本发明电力负荷波动范围预测装置示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,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它实施例,都属于本发明保护的范围。
本发明一种电力负荷波动范围预测方法,如图1所示,所述方法包括:
获取当前时刻及当前时刻之前的历史电力负荷时间序列对应的模糊矩阵;
对所述模糊矩阵中各行模糊数据进行相空间重构,获取各行模糊数据对应的相空间矩阵;
根据所述各行模糊数据对应的相空间矩阵确定当前时刻之后未来时段的电力负荷波动范围。
为更加清楚的表明本发明的目的,下面结合具体实施例对本发明的方法加以说明。
为了使预测结果更加准确,可按时刻的类别获取历史电力负荷时间序列,类别可按日期指数(工作日、周末和节假日)和季节指数(四个季度)划分,得到12个类别,在这种分类的情况下,序列中的历史时刻和预测的未来时段不是连续的自然时刻。
在本发明的实施例中,上述获取当前时刻及当前时刻之前的历史电力负荷时间序列对应的模糊矩阵,包括:
以预设时间长度为单位将历史电力负荷时间序列划分为多个时间窗口;
获取各时间窗口中数据的模糊值;
根据各时间窗口中数据的模糊值确定历史电力负荷时间序列对应的模糊矩阵。
具体的,上述获取各时间窗口中数据的模糊值,包括:
按下式确定第n个时间窗口中第k个数据的模糊值xn,k:
式中,x′n,k为第n个时间窗口中第k个数据,mn为第n个时间窗口中数据的中位数,an为第n个时间窗口的最小数据,bn为第n个时间窗口的最大数据。
具体的,上述根据各时间窗口中数据的模糊值确定历史电力负荷时间序列对应的模糊矩阵,包括:
基于第n个时间窗口中各数据的模糊值,按下式获取历史电力负荷时间序列对应的模糊矩阵中第n列元素:
式中,fn,1为模糊矩阵中第一行第n列元素,fn,2为模糊矩阵中第二行第n列元素,fn,3为模糊矩阵中第三行第n列元素,xn,k为第n个时间窗口中第k个数据的模糊值,xn,m为第n个时间窗口中数据的中位数的模糊值,k∈[1,K],K为时间窗口的数据个数,K′为时间窗口的中位数之前的数据个数,n∈[1,N],N为以预设时间长度为单位将历史电力负荷时间序列进行划分获得的时间窗口总数;
按下式确定历史电力负荷时间序列对应的模糊矩阵F:
在本发明的实施例中,上述对所述模糊矩阵中各行模糊数据进行相空间重构,获取各行模糊数据对应的相空间矩阵,包括:
利用虚假邻点法获得所述模糊矩阵各行模糊数据对应相空间的嵌入维数以及利用自相关法获得所述模糊矩阵各行模糊数据对应相空间的延迟时间;
基于各行模糊数据对应相空间的嵌入维数中的最小嵌入维数和和各行模糊数据对应相空间的延迟时间中的最小延迟时间,获得所述各行模糊数据对应的相空间矩阵。
其中,上述延迟时间τ的获取方法:
以模糊矩阵中的第一行为例,求取序列在n时刻和n+τ时刻观测量之间的平均互信息I(τ)。
式中,P(xn)、P(xn+τ)、P(xn,xn+τ)均为概率,xn为重构的第n个数据。
选择I(τ)的取第一个局部最小值时的τ为延时时间,其保证了xn与xn+τ具有一定的独立性但又不完全无关。
上述嵌入维数M的获取方法:
设xn的最近邻点为xη(n),当嵌入维数为m时,最近邻点表示为:
当嵌入维数增加到m+1时,最近邻点变为:
参数M选取的原则是:使得虚假的近邻点,即由于嵌入维数过小使得相空间中较远的点在重构相空间内因投影到低维而相互靠近的点,比例接近为0,l为常数。
取模糊矩阵中三行对应的延迟时间中的最小值和嵌入维数中最小值作为最终结果。
在本发明的实施例中,上述根据所述各行模糊数据对应的相空间矩阵确定当前时刻之后未来时段的电力负荷波动范围,包括:
将第i行模糊数据对应的相空间矩阵中第Q-T+s列相空间数据代入预先获取的第i个支持向量机模型,获得第i行模糊数据对应的相空间矩阵中第Q+s列最后一个相空间预测数据;
将各行模糊数据对应的相空间矩阵中第Q+s列最后一个相空间预测数据作为当前时刻之后第s个未来时段的电力负荷波动范围输出;
其中,i∈(1,2,3),Q为相空间矩阵总列数,T为预测步长,所述未来时段的时间长度与预设时间长度相同。
进一步的,所述预先获取的第i个支持向量机模型的获取过程,包括:
将第i行模糊数据对应的相空间矩阵中第q列相空间数据作为输入层样本,将第i行模糊数据对应的相空间矩阵中第q+T列最后一个相空间数据作为输出层样本,训练预先搭建的支持向量机模型获得所述预先获取的第i个支持向量机模型;
其中,q∈[1,Q-T]。
进一步的,按下述方法获取所述预测步长T:
按下式确定第i行模糊数据对应的相空间矩阵的预测步长ti:
式中,λi为第i行模糊数据对应的相空间矩阵的李雅普诺夫指数;
选择各行模糊数据对应的相空间矩阵的预测步长中的最小预测步长作为所述预测步长T。
在本发明的实施例中,以模糊矩阵的第一行为例,原始时间序列为[x1,x2,...,xN],经相空间重构之后,所得到的相空间矩阵为
X=[X1,X2,...,Xq,...,XQ]
式中,Xq=[xq,xq+τ,...,xq+(M-1)τ]T(q=1,2,...,Q),Xq+T=[xq+k,xq+k+τ,…,xq+k+(M-1)τ]T,Q=N-(M-1)τ,M为相空间的嵌入维数,τ为相空间的延迟时间,xq+(M-1)τ为相空间矩阵X第q列的最后一个相空间数据。
上述模型训练和模型预测的相关数据选取原理如下:
原理分析如下:
确定训练SVM的训练数据与标签数据。
以模糊矩阵的第一行相空间重构获得的相空间矩阵为例,当将相空间中的相点Xq作为训练数据,将相点Xq+T作为标签数据:
Xq+T=[xq+T,xq+T+τ,…,xq+T+(m-1)τ,…,xq+T+(M-1)τ]T
可以求得:
...
由于每次计算状态转移矩阵时,标签向量的前m-1个数均为已知(通过xq+(m-1)τ的下标和Q=N-(m-1)τ进行运算可看出),因此,训练过程可以简化,仅需训练状态转移矩阵的第m行即可。
将标签数据设置为xq+T+(m-1)τ。训练状态转移向量Ψ,使得xq+T+(m-1)τ=ΨXq+T,此时:
...
上述模型具体的训练过程包括:利用粒子群算法获取支持向量机模型的模型参数,其中,将将SVM模型的训练误差,即k折交叉验证误差,作为粒子群算法的适应度函数。
将相空间中的相点Xq作为输入层训练数据,将相点Xq+T作为输出层训练数据。
此外,在优选的具体实施例中,训练模型时,可按照常规训练方法,选取相空间矩阵中其他列数据作为测试数据,验证模型是否存在过拟合,若发生过拟合则修改相空间矩阵的参数。
基于同一发明构思本发明还提供一种电力负荷波动范围预测装置,如图2所示,所述装置包括:
第一获取单元,用于获取当前时刻及当前时刻之前的历史电力负荷时间序列对应的模糊矩阵;
第二获取单元,用于对所述模糊矩阵中各行模糊数据进行相空间重构,获取各行模糊数据对应的相空间矩阵;
预测单元,用于根据所述各行模糊数据对应的相空间矩阵确定当前时刻之后未来时段的电力负荷波动范围。
优选的,所述获取当前时刻及当前时刻之前的历史电力负荷时间序列对应的模糊矩阵,包括:
以预设时间长度为单位将历史电力负荷时间序列划分为多个时间窗口;
获取各时间窗口中数据的模糊值;
根据各时间窗口中数据的模糊值确定历史电力负荷时间序列对应的模糊矩阵。
进一步的,所述获取各时间窗口中数据的模糊值,包括:
按下式确定第n个时间窗口中第k个数据的模糊值xn,k:
式中,x′n,k为第n个时间窗口中第k个数据,mn为第n个时间窗口中数据的中位数,an为第n个时间窗口的最小数据,bn为第n个时间窗口的最大数据。
进一步的,所述根据各时间窗口中数据的模糊值确定历史电力负荷时间序列对应的模糊矩阵,包括:
基于第n个时间窗口中各数据的模糊值,按下式获取历史电力负荷时间序列对应的模糊矩阵中第n列元素:
式中,fn,1为模糊矩阵中第一行第n列元素,fn,2为模糊矩阵中第二行第n列元素,fn,3为模糊矩阵中第三行第n列元素,xn,k为第n个时间窗口中第k个数据的模糊值,xn,m为第n个时间窗口中数据的中位数的模糊值,k∈[1,K],K为时间窗口的数据个数,K′为时间窗口的中位数之前的数据个数,n∈[1,N],N为以预设时间长度为单位将历史电力负荷时间序列进行划分获得的时间窗口总数;
按下式确定历史电力负荷时间序列对应的模糊矩阵F:
优选的,所述对所述模糊矩阵中各行模糊数据进行相空间重构,获取各行模糊数据对应的相空间矩阵,包括:
利用虚假邻点法获得所述模糊矩阵各行模糊数据对应相空间的嵌入维数以及利用自相关法获得所述模糊矩阵各行模糊数据对应相空间的延迟时间;
基于各行模糊数据对应相空间的嵌入维数中的最小嵌入维数和和各行模糊数据对应相空间的延迟时间中的最小延迟时间,获得所述各行模糊数据对应的相空间矩阵。
优选的,所述根据所述各行模糊数据对应的相空间矩阵确定当前时刻之后未来时段的电力负荷波动范围,包括:
将第i行模糊数据对应的相空间矩阵中第Q-T+s列相空间数据代入预先获取的第i个支持向量机模型,获得第i行模糊数据对应的相空间矩阵中第Q+s列最后一个相空间预测数据;
将各行模糊数据对应的相空间矩阵中第Q+s列最后一个相空间预测数据作为当前时刻之后第s个未来时段的电力负荷波动范围输出;
其中,i∈(1,2,3),Q为相空间矩阵总列数,T为预测步长,所述未来时段的时间长度与预设时间长度相同。
进一步的,所述预先获取的第i个支持向量机模型的获取过程,包括:
将第i行模糊数据对应的相空间矩阵中第q列相空间数据作为输入层样本,将第i行模糊数据对应的相空间矩阵中第q+T列最后一个相空间数据作为输出层样本,训练预先搭建的支持向量机模型获得所述预先获取的第i个支持向量机模型;
其中,q∈[1,Q-T]。
进一步的,按下述方法获取所述预测步长T:
按下式确定第i行模糊数据对应的相空间矩阵的预测步长ti:
式中,λi为第i行模糊数据对应的相空间矩阵的李雅普诺夫指数;
选择各行模糊数据对应的相空间矩阵的预测步长中的最小预测步长作为所述预测步长T。
综上所述,本发明提供的一种电力负荷波动范围预测方法及装置,获取当前时刻及当前时刻之前的历史电力负荷时间序列对应的相空间矩阵及其预测步长;根据所述相空间矩阵及其预测步长确定当前时刻之后未来时段的电力负荷波动范围;本发明通过获得历史电力负荷时间序列对应的相空间矩阵的过程中将序列进行模糊化处理,平滑序列波动,削弱序列的随机性,使后面模型的训练过程更加可靠;利用相空间矩阵的数据进行模型训练和预测,使原始序列中的非线性成分的特性得以保留,兼顾了电力负荷时间序列的混沌性和不确定性,预测结果相比现有技术获得结果更加准确,可为后续配电计划的制订提供有力支撑;本实施例中利用粒子群算法获得模型的参数,降低了运算量,保证了参数的精度,是获得的模型更加精确。此外,若按类别获取历史电力负荷时间序列,则可进一步加强预测精度。
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权利要求保护范围之内。
Claims (9)
1.一种电力负荷波动范围预测方法,其特征在于,所述方法包括:
获取当前时刻及当前时刻之前的历史电力负荷时间序列对应的模糊矩阵;
对所述模糊矩阵中各行模糊数据进行相空间重构,获取各行模糊数据对应的相空间矩阵;
根据所述各行模糊数据对应的相空间矩阵确定当前时刻之后未来时段的电力负荷波动范围。
2.如权利要求1所述的方法,其特征在于,所述获取当前时刻及当前时刻之前的历史电力负荷时间序列对应的模糊矩阵,包括:
以预设时间长度为单位将历史电力负荷时间序列划分为多个时间窗口;
获取各时间窗口中数据的模糊值;
根据各时间窗口中数据的模糊值确定历史电力负荷时间序列对应的模糊矩阵。
4.如权利要求2所述的方法,其特征在于,所述根据各时间窗口中数据的模糊值确定历史电力负荷时间序列对应的模糊矩阵,包括:
基于第n个时间窗口中各数据的模糊值,按下式获取历史电力负荷时间序列对应的模糊矩阵中第n列元素:
式中,fn,1为模糊矩阵中第一行第n列元素,fn,2为模糊矩阵中第二行第n列元素,fn,3为模糊矩阵中第三行第n列元素,xn,k为第n个时间窗口中第k个数据的模糊值,xn,m为第n个时间窗口中数据的中位数的模糊值,k∈[1,K],K为时间窗口的数据个数,K′为时间窗口的中位数之前的数据个数,n∈[1,N],N为以预设时间长度为单位将历史电力负荷时间序列进行划分获得的时间窗口总数;
按下式确定历史电力负荷时间序列对应的模糊矩阵F:
5.如权利要求1所述的方法,其特征在于,所述对所述模糊矩阵中各行模糊数据进行相空间重构,获取各行模糊数据对应的相空间矩阵,包括:
利用虚假邻点法获得所述模糊矩阵各行模糊数据对应相空间的嵌入维数以及利用自相关法获得所述模糊矩阵各行模糊数据对应相空间的延迟时间;
基于各行模糊数据对应相空间的嵌入维数中的最小嵌入维数和和各行模糊数据对应相空间的延迟时间中的最小延迟时间,获得所述各行模糊数据对应的相空间矩阵。
6.如权利要求1所述的方法,其特征在于,所述根据所述各行模糊数据对应的相空间矩阵确定当前时刻之后未来时段的电力负荷波动范围,包括:
将第i行模糊数据对应的相空间矩阵中第Q-T+s列相空间数据代入预先获取的第i个支持向量机模型,获得第i行模糊数据对应的相空间矩阵中第Q+s列最后一个相空间预测数据;
将各行模糊数据对应的相空间矩阵中第Q+s列最后一个相空间预测数据作为当前时刻之后第s个未来时段的电力负荷波动范围输出;
其中,i∈(1,2,3),Q为相空间矩阵总列数,T为预测步长,所述未来时段的时间长度与预设时间长度相同。
7.如权利要求6所述的方法,其特征在于,所述预先获取的第i个支持向量机模型的获取过程,包括:
将第i行模糊数据对应的相空间矩阵中第q列相空间数据作为输入层样本,将第i行模糊数据对应的相空间矩阵中第q+T列最后一个相空间数据作为输出层样本,训练预先搭建的支持向量机模型获得所述预先获取的第i个支持向量机模型;
其中,q∈[1,Q-T]。
9.一种电力负荷波动范围预测装置,其特征在于,所述装置包括:
第一获取单元,用于获取当前时刻及当前时刻之前的历史电力负荷时间序列对应的模糊矩阵;
第二获取单元,用于对所述模糊矩阵中各行模糊数据进行相空间重构,获取各行模糊数据对应的相空间矩阵;
预测单元,用于根据所述各行模糊数据对应的相空间矩阵确定当前时刻之后未来时段的电力负荷波动范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911120761.XA CN111047074A (zh) | 2019-11-15 | 2019-11-15 | 一种电力负荷波动范围预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911120761.XA CN111047074A (zh) | 2019-11-15 | 2019-11-15 | 一种电力负荷波动范围预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111047074A true CN111047074A (zh) | 2020-04-21 |
Family
ID=70232953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911120761.XA Pending CN111047074A (zh) | 2019-11-15 | 2019-11-15 | 一种电力负荷波动范围预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047074A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308299A (zh) * | 2020-10-19 | 2021-02-02 | 新奥数能科技有限公司 | 用于电力系统负荷预测模型的样本数据提取方法和装置 |
-
2019
- 2019-11-15 CN CN201911120761.XA patent/CN111047074A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308299A (zh) * | 2020-10-19 | 2021-02-02 | 新奥数能科技有限公司 | 用于电力系统负荷预测模型的样本数据提取方法和装置 |
CN112308299B (zh) * | 2020-10-19 | 2024-04-19 | 新奥数能科技有限公司 | 用于电力系统负荷预测模型的样本数据提取方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
KR20210032140A (ko) | 뉴럴 네트워크에 대한 프루닝을 수행하는 방법 및 장치 | |
WO2021133253A1 (en) | Method and apparatus for predicting energy consumption, and device and storage medium thereof | |
US20230222326A1 (en) | Method and system for training a neural network model using gradual knowledge distillation | |
CN114781272A (zh) | 碳排放量预测方法、装置、设备及存储介质 | |
CN113746696A (zh) | 网络流量预测方法、设备、存储介质及装置 | |
CN113033861A (zh) | 一种基于时间序列模型的水质预测方法及系统 | |
US20220292349A1 (en) | Device and computer-implemented method for the processing of digital sensor data and training method therefor | |
CN112734106A (zh) | 用于预测能源负荷的方法及装置 | |
AU2019204535A1 (en) | System and method for characterizing an arbitrary-length time series using pre-selected signatures | |
CN113221645A (zh) | 目标模型训练方法、人脸图像生成方法以及相关装置 | |
CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
CN116865251A (zh) | 一种短期负荷概率预测方法及系统 | |
CN111709415A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN111047074A (zh) | 一种电力负荷波动范围预测方法及装置 | |
O'Brien et al. | A spiking neural model for stable reinforcement of synapses based on multiple distal rewards | |
CN116842447A (zh) | 分类数据的后处理方法、装置、系统和电子装置 | |
US20210397962A1 (en) | Effective network compression using simulation-guided iterative pruning | |
CN115907000A (zh) | 一种用于电力系统最优潮流预测的小样本学习方法 | |
CN112036641B (zh) | 基于人工智能的留存预测方法、装置、计算机设备及介质 | |
CN113011674A (zh) | 一种光伏发电预测方法、装置、电子设备及存储介质 | |
CN113010500B (zh) | 用于dpi数据的处理方法和处理系统 | |
CN117269766B (zh) | 一种面向不平衡使用场景的电池soh预测方法 | |
CN111784389B (zh) | 一种产品的客户数量预测方法及装置 | |
Ke-Ping et al. | Phase space prediction model based on the chaotic attractor |
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 |