CN111160619A - 一种基于数据衍生的电力负荷预测方法 - Google Patents
一种基于数据衍生的电力负荷预测方法 Download PDFInfo
- Publication number
- CN111160619A CN111160619A CN201911244696.1A CN201911244696A CN111160619A CN 111160619 A CN111160619 A CN 111160619A CN 201911244696 A CN201911244696 A CN 201911244696A CN 111160619 A CN111160619 A CN 111160619A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- power load
- training
- electricity utilization
- 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
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
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于数据衍生的电力负荷预测方法,包括获取历史用电数据;将所述历史用电数据带入正态分布函数进行衍生拓展,得出拓展衍生得出的数据,历史用电数据与拓展衍生得出的数据共同作为用电负荷数据;将用电负荷数据划分成训练集与验证集;将训练集数据作为输入带入预设结构的模型,以输入固定时间的实际负荷作为输出进行训练,并在训练过程中带入验证集数据进行验证,得到预测模型;将一个时间段的用电负荷数据带入预测模型,得出下一个时间段的用电负荷预测结果,本发明提出的方法通过对将历史用电数据带入正态分布函数进行衍生拓展,增大了进行预测的数据量,进而提高了用电负荷预测的准确性。
Description
技术领域
本发明涉及智能用电技术领域,特别是指一种基于数据衍生的电力负荷预测方法。
背景技术
当前电力行业在开放售电环境下需要更加准确的用电负荷预测,辅助电网进行更好的管理,调离调配以及市场营销,为了能够提高预测的精度,有很多的预测技术提出,过去主要是基于统计学的原理以及专业经验的预测和预判。随着人工智能技术的发展,逐渐把人工智能技术应用到电力市场预测领域。
采用人工智能技术进行电力预测对数据的依赖比较强,但由于智能电表的推广较晚,通过电表统计得到的用户用电数据还是有限,尤其是一些偏远地区还没有进行智能电表的普及,用电数据的采集主要还是依靠人工记录,而且人工记录的数据遗失的情况较多,造成用电数据的样本数不足,对于用电负荷的预测的准确性会有一定的制约和限制。
发明内容
有鉴于此,本发明的目的在于提出一种基于数据衍生的电力负荷预测方法,用以解决用电数据样本数不足,进而影响预测准确性的问题。
基于上述目的本发明提供的一种基于数据衍生的电力负荷预测方法,步骤为:
获取历史用电数据;
将所述历史用电数据带入正态分布函数进行衍生拓展,得出符合正态分布的历史用电数据,将符合正态分布的历史用电数据作为拓展衍生得出的数据,历史用电数据与拓展衍生得出的数据共同作为用电负荷数据;
将用电负荷数据划分成训练集与验证集;
将训练集数据作为输入带入预设结构的模型,以输入固定时间的实际负荷作为输出进行训练,并在训练过程中带入验证集数据进行验证,得到预测模型;
将一个时间段的用电负荷数据带入预测模型,得出下一个时间段的用电负荷预测结果。
可选的,所述正态分布函数为:
其中,x为历史用电数据,μ为历史用电数据的平均数,σ为标准差,f(x)为正态分布函数。
可选的,所述历史用电数据与拓展衍生得出的数据共同作为用电负荷数据之后还包括对用电负荷数据进行预处理。
可选的,所述对用电负荷数据进行预处理包括:
对历史用电数据去除噪声、进行数据优化;
获取历史用电数据时间段内的气象信息、节假日信息与重大事件的日期并进行标记;
根据标记情况对历史用电数据进行包括但不限于去冗余、缺失值均值插补、数据标准化的处理。
可选的,所述将训练集数据作为输入带入预设结构的模型,以输入固定时间的实际负荷作为输出进行训练,并在训练过程中带入验证集数据进行验证,得到预测模型的步骤包括:
构造空洞卷积神经网络模型作为预设结构的模型;
选取训练集数据作为模型输入,以输入固定时间的实际负荷作为模型输出的训练目标,通过多次迭代训练空洞卷积神经网络模型至收敛;
在训练过程中使用验证集数据验证训练好的模型,调整模型参数,使模型最优化,得出预测模型。
可选的,所述构造空洞卷积神经网络模型的方法包括:
建立标准卷积神经网络模型,并确定卷积核大小;
在卷积核元素之间插入空格,得出空洞卷积的卷积核大小;
设定空洞卷积的卷积核的空洞率。
可选的,所述空洞卷积的卷积核大小公式为:
n=k+(k-1)*(d-1)
其中,n为空洞卷积的卷积核大小,k为标准卷积神经网络模型的卷积核大小,d为空洞率,d-1为插入的空格数。
可选的,所述将用电负荷数据划分成训练集与验证集包括:
将用电负荷数据划分成训练集、验证集与测试集,
其中,训练集数据作为预设结构的模型的输入,验证集数据用于在模型训练过程中进行验证,测试集的数据用于验证训练好的预测模型。
可选的,所述用电负荷数据的60-80%划分为训练集,剩余的用电负荷数据均分为验证集与测试集。
从上面所述可以看出,本发明提出的基于数据衍生的电力负荷预测方法,通过对将历史用电数据带入正态分布函数进行衍生拓展,增大了进行预测的数据量,进而提高了用电负荷预测的准确性。
附图说明
图1为本发明的实施例的基于数据衍生的电力负荷预测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
基于上述目的,本发明提供一种基于数据衍生的电力负荷预测方法,作为本发明的一种实施方式,如图1所示,具体步骤为:
S101获取历史用电数据;其中,历史用电数据包括一个地区一年的用电数据,或者更久时间的用电数据;
S102将所述历史用电数据带入正态分布函数进行衍生拓展,得出符合正态分布的历史用电数据,将符合正态分布的历史用电数据作为拓展衍生得出的数据,历史用电数据与拓展衍生得出的数据共同作为用电负荷数据;
S103将用电负荷数据划分成训练集与验证集;
S104将训练集数据作为输入带入预设结构的模型,以输入固定时间的实际负荷作为输出进行训练,并在训练过程中带入验证集数据进行验证,得到预测模型;
S105将一个时间段的用电负荷数据带入预测模型,得出下一个时间段的用电负荷预测结果。
本发明采用的电力负荷预测方法,通过将历史用电数据带入正态分布函数进行衍生拓展,衍生出更早一段时间的历史用电数据,增大了进行预测的数据量,进而提高了用电负荷预测的准确性。
在一种实施方式中,步骤S102中的正态分布函数为:
其中,x为历史用电数据,μ为历史用电数据的平均数,σ为标准差,f(x)为正态分布函数,根据实际应用选取一个标准差或两个标准差内的数据作为衍生数据。
在一种实施方式中,S102中的所述历史用电数据与拓展衍生得出的数据共同作为用电负荷数据之后还包括对用电负荷数据进行预处理。其中,需要进行预处理的数据包括之前采集的历史用电数据,同时也包括拓展衍生得出的数据。
具体的说,所述对用电负荷数据进行预处理包括:
对历史用电数据去除噪声、进行数据优化,减少噪声对预测效果的影响;
获取历史用电数据时间段内的气象信息、节假日信息与重大事件的日期并进行标记;气象的不同以及节假日、重大事件都会影响用电量,比如每年的春节都不一样,有的时候是1月份,有的时候是2月份,又比如有的年份存在天气的特殊情况,比如冬季是暖冬的情况,或者夏天降雨特别多等情况,针对这些时间段的用电数据要进行特殊标记,并进行处理。
根据标记情况对历史用电数据进行包括但不限于去冗余、缺失值均值插补、数据标准化的处理。
在一种实施方式中,步骤S104具体包括:
构造空洞卷积神经网络模型作为预设结构的模型;空洞卷积在卷积的时候,会在卷积核元素之间插入空格,空洞卷积很好的提高了特征图片的感受野,抽取更大的数据用电特征,能够对于预测效率进行有效的提升;
选取训练集数据作为模型输入,以输入固定时间的实际负荷作为模型输出的训练目标,通过多次迭代训练空洞卷积神经网络模型至收敛;
在训练过程中使用验证集数据验证训练好的模型,调整模型参数,使模型最优化,得出预测模型。验证集的设置是为了防止模型的过拟合。
具体的说,所述构造空洞卷积神经网络模型的方法包括:
建立标准卷积神经网络模型,并确定卷积核大小;
在卷积核元素之间插入空格,得出空洞卷积的卷积核大小;
设定空洞卷积的卷积核的空洞率。在训练的过程中,通过调整空洞卷积的空洞率的参数,
更具体的,所述空洞卷积的卷积核大小公式为:
n=k+(k-1)*(d-1)
其中,n为空洞卷积的卷积核大小,k为标准卷积神经网络模型的卷积核大小,d为空洞率,d-1为插入的空格数。
在另一种实施方式中,步骤S102中所述将用电负荷数据划分成训练集与验证集包括:
将用电负荷数据划分成训练集、验证集与测试集,
其中,训练集数据作为预设结构的模型的输入,验证集数据用于在模型训练过程中进行验证,测试集的数据用于验证训练好的预测模型。
可选的,所述用电负荷数据的60-80%划分为训练集,剩余的用电负荷数据均分为验证集与测试集。
本发明提出的基于数据衍生的电力负荷预测方法,通过对将历史用电数据带入正态分布函数进行衍生拓展,增大了进行预测的数据量,进而提高了用电负荷预测的准确性;
构造空洞卷积神经网络模型作为预设结构的模型,空洞卷积在卷积的时候,会在卷积核元素之间插入空格,空洞卷积很好的提高了特征图片的感受野,抽取更大的数据用电特征,能够对于预测效率进行有效的提升。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于数据衍生的电力负荷预测方法,其特征在于,步骤为:
获取历史用电数据;
将所述历史用电数据带入正态分布函数进行衍生拓展,得出符合正态分布的历史用电数据,将符合正态分布的历史用电数据作为拓展衍生得出的数据,历史用电数据与拓展衍生得出的数据共同作为用电负荷数据;
将用电负荷数据划分成训练集与验证集;
将训练集数据作为输入带入预设结构的模型,以输入固定时间的实际负荷作为输出进行训练,并在训练过程中带入验证集数据进行验证,得到预测模型;
将一个时间段的用电负荷数据带入预测模型,得出下一个时间段的用电负荷预测结果。
3.根据权利要求1所述的基于数据衍生的电力负荷预测方法,其特征在于,所述历史用电数据与拓展衍生得出的数据共同作为用电负荷数据之后还包括对用电负荷数据进行预处理。
4.根据权利要求3所述的基于数据衍生的电力负荷预测方法,其特征在于,所述对用电负荷数据进行预处理包括:
对历史用电数据去除噪声、进行数据优化;
获取历史用电数据时间段内的气象信息、节假日信息与重大事件的日期并进行标记;
根据标记情况对历史用电数据进行包括但不限于去冗余、缺失值均值插补、数据标准化的处理。
5.根据权利要求1所述的基于数据衍生的电力负荷预测方法,其特征在于,所述将训练集数据作为输入带入预设结构的模型,以输入固定时间的实际负荷作为输出进行训练,并在训练过程中带入验证集数据进行验证,得到预测模型的步骤包括:
构造空洞卷积神经网络模型作为预设结构的模型;
选取训练集数据作为模型输入,以输入固定时间的实际负荷作为模型输出的训练目标,通过多次迭代训练空洞卷积神经网络模型至收敛;
在训练过程中使用验证集数据验证训练好的模型,调整模型参数,使模型最优化,得出预测模型。
6.根据权利要求1所述的基于数据衍生的电力负荷预测方法,其特征在于,所述构造空洞卷积神经网络模型的方法包括:
建立标准卷积神经网络模型,并确定卷积核大小;
在卷积核元素之间插入空格,得出空洞卷积的卷积核大小;
设定空洞卷积的卷积核的空洞率。
7.根据权利要求6所述的基于数据衍生的电力负荷预测方法,其特征在于,所述空洞卷积的卷积核大小公式为:
n=k+(k-1)*(d-1)
其中,n为空洞卷积的卷积核大小,k为标准卷积神经网络模型的卷积核大小,d为空洞率,d-1为插入的空格数。
8.根据权利要求1所述的基于数据衍生的电力负荷预测方法,其特征在于,所述将用电负荷数据划分成训练集与验证集包括将用电负荷数据划分成训练集、验证集与测试集;
其中,训练集数据作为预设结构的模型的输入,验证集数据用于在模型训练过程中进行验证,测试集的数据用于验证训练好的预测模型。
9.根据权利要求8所述的基于数据衍生的电力负荷预测方法,其特征在于,所述用电负荷数据的60-80%划分为训练集,剩余的用电负荷数据均分为验证集与测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911244696.1A CN111160619A (zh) | 2019-12-06 | 2019-12-06 | 一种基于数据衍生的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911244696.1A CN111160619A (zh) | 2019-12-06 | 2019-12-06 | 一种基于数据衍生的电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160619A true CN111160619A (zh) | 2020-05-15 |
Family
ID=70555724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911244696.1A Pending CN111160619A (zh) | 2019-12-06 | 2019-12-06 | 一种基于数据衍生的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160619A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111564848A (zh) * | 2020-06-09 | 2020-08-21 | 剑科云智(深圳)科技有限公司 | 一种微型电网的智能电力调度方法和用电负荷预测装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255505A (zh) * | 2018-11-20 | 2019-01-22 | 国网辽宁省电力有限公司经济技术研究院 | 一种多模型融合神经网络的短期负荷预测方法 |
CN109543901A (zh) * | 2018-11-20 | 2019-03-29 | 国网辽宁省电力有限公司经济技术研究院 | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 |
CN110097116A (zh) * | 2019-04-29 | 2019-08-06 | 西安交通大学 | 一种基于独立成分分析和核密度估计的虚拟样本生成方法 |
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
CN110376457A (zh) * | 2019-06-28 | 2019-10-25 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
-
2019
- 2019-12-06 CN CN201911244696.1A patent/CN111160619A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
CN109255505A (zh) * | 2018-11-20 | 2019-01-22 | 国网辽宁省电力有限公司经济技术研究院 | 一种多模型融合神经网络的短期负荷预测方法 |
CN109543901A (zh) * | 2018-11-20 | 2019-03-29 | 国网辽宁省电力有限公司经济技术研究院 | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 |
CN110097116A (zh) * | 2019-04-29 | 2019-08-06 | 西安交通大学 | 一种基于独立成分分析和核密度估计的虚拟样本生成方法 |
CN110376457A (zh) * | 2019-06-28 | 2019-10-25 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111564848A (zh) * | 2020-06-09 | 2020-08-21 | 剑科云智(深圳)科技有限公司 | 一种微型电网的智能电力调度方法和用电负荷预测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539841A (zh) | 电量预测方法、装置、设备及可读存储介质 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
Taylor et al. | Univariate Methods for Short‐Term Load Forecasting | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
Matias et al. | Validation of both number and coverage of bus Schedules using AVL data | |
CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
CN111160619A (zh) | 一种基于数据衍生的电力负荷预测方法 | |
CN111798066A (zh) | 一种城市尺度下小区流量多维度预测方法及系统 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN117236485A (zh) | 一种基于cnn-bilstm算法减小预测电网供电量误差的方法 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN106934094B (zh) | 一种基于二十四节气的风电功率预测方法 | |
CN113344290B (zh) | 基于U-Net网络的次季节降水气象预报订正方法 | |
CN112926777B (zh) | 考虑商业建筑用能行为的日前负荷预测方法及系统 | |
CN114648156A (zh) | 一种基于卷积神经网络的时间序列负荷预测方法 | |
CN111368257B (zh) | 煤改电负荷特性的分析预测方法及装置 | |
CN110472991B (zh) | 数据处理方法、装置、服务器及存储介质 | |
CN105608638A (zh) | 一种评价智能终端与电能表的表码数据同步状态的方法及其系统 | |
CN110766286A (zh) | 配电网拓扑校核方法、装置、计算机设备和可读存储介质 | |
KR20200057942A (ko) | 신재생에너지 공급확대를 반영한 계통 순부하의 변동성 산정 방법 및 시스템 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN117435870B (zh) | 一种负荷数据实时填充方法、系统、设备和介质 | |
CN113536664B (zh) | 一种海上风电出力的电量平衡计算方法、装置及系统 | |
CN117610896B (zh) | 基于工业大模型智能调度系统 |
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: 20200515 |
|
RJ01 | Rejection of invention patent application after publication |