CN111178637A - 一种电网短期负荷预测方法和装置 - Google Patents

一种电网短期负荷预测方法和装置 Download PDF

Info

Publication number
CN111178637A
CN111178637A CN201911419565.2A CN201911419565A CN111178637A CN 111178637 A CN111178637 A CN 111178637A CN 201911419565 A CN201911419565 A CN 201911419565A CN 111178637 A CN111178637 A CN 111178637A
Authority
CN
China
Prior art keywords
day
load
historical
predicted
daily
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
Application number
CN201911419565.2A
Other languages
English (en)
Inventor
杨杰
赵蕾
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.)
Xinao Shuneng Technology Co Ltd
Original Assignee
Xinao Shuneng 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 Xinao Shuneng Technology Co Ltd filed Critical Xinao Shuneng Technology Co Ltd
Priority to CN201911419565.2A priority Critical patent/CN111178637A/zh
Publication of CN111178637A publication Critical patent/CN111178637A/zh
Pending legal-status Critical Current

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
    • 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)
  • 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

本申请适用于人工智能技术领域，提供了一种电网短期负荷预测方法和装置，其中，该方法包括：获取预测日的影响因素数据和至少一个同类型日日均负荷曲线，然后基于支持向量机对预测日在任一时刻与所述影响因素数据和至少一个同类型日日均负荷曲线最接近的历史日负荷特征数据的最优解，输出预测日负荷曲线。本申利用预测日的至少一个同类型日日均负荷曲线来作为进行预测的参考曲线，实现了支持向量机对负荷预测精度的有效提升。

Description

一种电网短期负荷预测方法和装置
技术领域
本申请属于人工智能技术领域，尤其涉及一种电网短期负荷预测方法和装置。
背景技术
随着电力交易不断改革，现货市场市场交易规则品种更加复杂，售电公司要想在交易中取得利润最大化，对于精准的负荷预测的需求必不可少。
目前针对售电公司用户侧的负荷预测方法中有采用人工智能的方式进行预测，不过效果不太理想。其原因包括：在进行人工智能算法训练时，对获取到的训练数据直接进行预测，没有进行数据的特征区分；在利用核函数来进行获取最优解时仅是核函数的单一选择，没有对核函数的核参数进行优化。因此，针对售电公司用户侧的负荷预测方法还有可改进之处。
发明内容
有鉴于此，本发申请实施例提供了一种电网短期负荷预测方法和装置，以解决现有电网短期负荷预测精度不高的问题。
第一方面
本申请实施例提供了一种电网短期负荷预测方法，其包括以下步骤：获取预测日的影响因素数据和至少一个同类型日日均负荷曲线；基于支持向量机对预测日在任一时刻与所述影响因素数据和至少一个同类型日日均负荷曲线最接近的历史日负荷特征数据的最优解，输出预测日负荷曲线。
在一些可选实施方案中，所述预测日的影响因素数据包括预测日的日期类型和气象数据。
在一些可选实施方案中，所述至少一个同类型日日均负荷曲线包括：所述预测日与相似日的近期负荷特征的相似度，计算公式包括：
Figure BDA0002351987920000021
其中，ρ表示日相关系数，Xi表示预测日的特征向量，Xj表示历史日的特征向量，Cov(Xi,Xj)表示预测日和历史日的特征向量协方差，σ1表示预测日的标准差，σ2表示历史日的标准差，T表示特征向量的维度的数量，t表示其中一个特征维度。
在一些可选实施方案中，所述基于支持向量机对预测日在任一时刻与所述影响因素数据和至少一个同类型日日均负荷曲线最接近的历史日负荷特征数据的最优解，输出预测日负荷曲线，包括：选取历史日负荷特征数据，所述历史日负荷特征数据包括多个与预测日相似度满足预设范围的历史日特征数据，各所述历史日特征数据包括影响因素数据和至少一个同类型日日均负荷曲线；基于所述多个历史日特征数据在支持向量机中计算预测预测日在任一时刻最接近实际负荷值的最优解；根据所述最优解输出预测日负荷曲线。
在一些可选实施方案中，所述选取历史日负荷特征数据，所述历史日负荷特征数据包括多个与预测日相似度满足预设范围的历史日特征数据，各所述历史日特征数据包括影响因素数据和至少一个同类型日日均负荷曲线，包括：获取相对所述预测日的多个历史日特征数据，所述历史日特征数据包括影响因素数据和至少一个同类型日日均负荷曲线；计算所述多个历史日特征数据分别与预测日的曲线相似度值；选择所述多个历史日特征数据中曲线相似度值满足预设范围的历史日特征数据作为目标数据。
在一些可选实施方案中，所述曲线相似度值的计算公式包括：
Figure BDA0002351987920000031
其中，rij表示预测日与历史日的曲线相似度值，aik表示Xi的第k维特征元素对应的权重，Xjk表示Xj的第k维特征元素，Xik表示Xi的第k维特征元素。
在一些可选实施方案中，所述基于所述多个历史日特征数据在支持向量机中计算预测预测日在任一时刻最接近实际负荷值的最优解，包括：获取基于支持向量机建立的以历史日负荷特征数据来预测预测日的负荷曲线的目标函数；通过狼群算法来获取用于计算目标函数的最优解的核函数的目标参数优化值；利用所述核函数的目标参数优化值获取所述目标函数的最优解。
第二方面
本申请实施例提供了一种电网短期负荷预测装置，其包括：数据获取模块，获取预测日的影响因素数据和至少一个同类型日日均负荷曲线；负荷预测模块，用于基于支持向量机对预测日在任一时刻与所述影响因素数据和至少一个同类型日日均负荷曲线最接近的历史日负荷特征数据的最优解，输出预测日负荷曲线。
第三方面
本申请实施例提供了一种智能设备，包括存储器、处理器以及存储在所述存储器中并可在所述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第一方面中任一所述实施方案中的方法的步骤。
第四方面
本申请实施例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第一方面中任一所述实施方案中的方法的步骤。
本申请提供的上述电网短期负荷预测方法通过获取预测日的影响因素数据和至少一个同类型日日均负荷曲线，然后基于支持向量机对预测日在任一时刻与所述影响因素数据和至少一个同类型日日均负荷曲线最接近的历史日负荷特征数据的最优解，输出预测日负荷曲线。本申利用预测日的至少一个同类型日日均负荷曲线来作为进行预测的参考曲线，实现了支持向量机对负荷预测精度的有效提升。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1示出了可以应用本申请电网短期负荷预测方法或电网短期负荷预测装置的示例性智能设备。
图2示出了根据本申请提供的电网短期负荷预测方法的一实施例的实现流程图。
图3示出了图2所示实施例中步骤S202的一实施例的实现流程图。
图4示出了图3所示实施例中步骤S301的一实施例的实现流程图。
图5示出了图3所示实施例中步骤S302的一实施例的实现流程图。
图6示出了根据本申请电网短期负荷预测装置的一实施例的结构示意图。
图7示出了图6所示实施例中数据获取模块的一实施例的结构示意图。
图8示出了图6所示实施例中负荷预测模块的一实施例的结构示意图。
图9示出了图8所示实施例中数据选取单元的一实施例的结构示意图。
图10示出了图8所示实施例中最优解计算单元的一实施例的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应用示例
见图1，示出了可以应用本申请电网短期负荷预测方法或电网短期负荷预测装置的示例性智能设备，如图1所示，智能设备100可以包括处理器101、存储器102、通信接口103、输入单元104、输出单元105和通信总线106。其中，处理器101和存储器102通过通信总线106彼此相连。通信接口103、输入单元104和输出单元105也连接至通信总线106。
其中，通信接口103可以为通信模块的接口，如GSM模块的接口。通信接口103可以用于获取电网负荷运行数据。
在本申请实施例中，处理器101，可以为中央处理器(Central Processing Unit，CPU)、特定应用集成电路(application-specific integrated circuit，ASIC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件等。
在一种可能的实现方式中，存储器102可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、以及至少一个功能(比如负荷曲线显示等)所需的应用程序等；存储数据区可存储根据计算机的使用过程中所创建的数据，比如，用户数据、用户访问数据以及历史日特征数据等等。
此外，存储器102可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件。
处理器101可以调用存储器102中存储的程序，具体的，处理器101可以执行本申请的电网短期负荷预测方法的任一实施例中的步骤。
存储器102中用于存放一个或者一个以上程序，程序可以包括程序代码，所述程序代码包括计算机操作指令。
本申请还可以包括输入单元105，输入单元105可以包括感应触摸显示面板上的触摸事件的触摸感应单元、键盘、鼠标、摄像头、拾音器等设备中的至少一个。
输出单元104可以包括：显示器、扬声器、振动机构、灯等设备中的至少一个。显示器可以包括显示面板，如触摸显示面板等。
当然，图7所示的智能设备100的结构并不构成对本申请实施例中智能设备的限定，在实际应用中智能设备可以包括比图7所示的更多或更少的部件，或者组合某些部件。例如，上述智能设备可以包括计算机、服务器、工作站、智能手机等各种类型的智能电子设备。应当理解，图1示出的智能设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
方法实施例
请参见图2，示出了根据本申请提供的电网短期负荷预测方法的一实施例的实现流程图，本申请提供的电网短期负荷预测方法可应用于各种类型的智能设备中，例如图1所示的智能设备100。
如图2所示，该电网短期负荷预测方法，包括以下步骤：
S201，获取预测日的影响因素数据和至少一个同类型日日均负荷曲线；
S202，基于支持向量机对预测日在任一时刻与所述影响因素数据和至少一个同类型日日均负荷曲线最接近的历史日负荷特征数据的最优解，输出预测日负荷曲线。
本实施例提供的电网短期负荷预测方法通过对预测日和历史日进行近期负荷特征的相似度在支持向量机中对预测日进行负荷情况进行预测，实现了更加准确的预测结果。
在一示例性实施方式中，上述步骤S201中，获取预测日的影响因素数据包括：获取预测日的日期类型和气象数据。
其中，日期类型可以包括星期几、工作日、休息日中的至少一种。气象数据可以包括负荷所在区域的温度数据，例如最高温度、最低温度、平均温度等；气象数据还可以包括负荷所在区域的湿度，以及气象数据还可以包括天气类型，例如阴天、晴天、雨天等。
具体的，在确定日期类型、气象数据的分类后，可以对日期类型、气象数据进行归一化设置。例如，根据分组映射方法将日期类型数据映射到[0,1]区间，将日期类型化分为3种：第一种周一-周五正常工作日，映射范围[0,0.5]；第二种周六日，区别于工作日和节假日的类型，映射[0.6,0.7]；第三种是五一、国庆等节假日，映射范围[0.8,1]。
同理，对当日负荷所在区域最高、最低、平均温度映射到[0,1]区间内，映射边界是所在区域的温度的极值；天气类型阴、晴映射至[0,1]区间，分别映射0.8,0.5；湿度按照温度的方式映射到[0,1]区间。
通过本实施例提供的上述方法可以实现对预测日和历史日的特征数据的量化，得到预测日的特征向量和历史日的特征向量，以便于后续进行数学计算。
另外，上述步骤S201中，获取预测日的至少一个同类型日日均负荷曲线包括：获取预测日与相似日的近期负荷特征的相似度。
例如，待预测日第i日与相似日j日的近期负荷特性的相似度，可以通过以下计算公式获得：
Figure BDA0002351987920000081
上式中，ρ表示日相关系数，ρ取值范围为[0,1]，Xi表示预测日的特征向量，Xj表示历史日的特征向量，Cov(Xi,Xj)表示预测日和历史日的特征向量协方差，σ1表示预测日的标准差，σ2表示历史日的标准差，T表示特征向量的维度的数量，t表示其中一个特征维度。
通过上述日相关系数可以反映同类型日同时刻负荷具有相似性，所以同类型日的日均负荷曲线可以作为预测时需要参照的基准曲线。
在一示例性实施方式中，见图3，示出了图2所示实施例中步骤S202的一实施例的实现流程图。
如图3所示，上述步骤S202，基于支持向量机对预测日在任一时刻与所述影响因素数据和至少一个同类型日日均负荷曲线最接近的历史日负荷特征数据的最优解，输出预测日负荷曲线，可以具体包括以下步骤：
S301，选取历史日负荷特征数据，所述历史日负荷特征数据包括多个与预测日相似度满足预设范围的历史日特征数据，各所述历史日特征数据包括影响因素数据和至少一个同类型日日均负荷曲线；
S302，基于所述多个历史日特征数据在支持向量机中计算预测预测日在任一时刻最接近实际负荷值的最优解；
S303，根据所述最优解输出预测日负荷曲线。
在具体应用中，上述步骤S202可以通过获取样本数据按上述步骤S201-S303来训练支持向量机，以得到可用于预测日负荷曲线的预测模型。
示例性的，上述步骤S301可以为实现预测模型的样本数据获取步骤。具体的，历史日负荷特征数据是相对于预测日的历史日的用户负荷使用数据，例如，包括历史日当天负荷所在区域的气象数据和当前负荷的运行数据。
其中，考虑到如果直接使用历史日负荷特征数据作为样本来训练支持向量机，缺乏对数据的筛选，进而影响预测的准确性。所以，在上述步骤S301中，利用计算历史日负荷特征数据与预测日的相似度来对数据进行筛选。
具体的，在一示例性实施例中，见图4，示出了图3所示实施例中步骤S301的一实施例的实现流程图，如图4所示，上述步骤S301可以包括以下实现步骤：
S401，获取相对所述预测日的多个历史日特征数据，所述历史日特征数据包括影响因素数据和至少一个同类型日日均负荷曲线。
其中，历史日特征数据与预测日一样，对历史日的影响因素数据和至少一个同类型日日均负荷曲线进行归一化，量化为可用于数学计算的特征向量。例如，以预测日为例，根据预测日的影响因素数据和至少一个同类型日日均负荷曲线，预测日第i日量化后的特征向量可以表示为：
Xi＝[Xi1,Xi2,…,Xim]＝[日类型、气象因子，日相关系数]，其中m表示特征因素的维度。同理，历史日特征向量则可以表示为Xj。需要注意的是，为便于描述，下文中也使用xj预测日的特征向量，xj表示历史日的特征向量，或也可以直接使用预测日表示预测日特征向量，直接使用历史日表示历史日特征向量。
S402，计算所述多个历史日特征数据分别与预测日的曲线相似度值。
其中，历史日与预测日的曲线相似度可以由下列相似度函数进行计算：
Figure BDA0002351987920000101
式中，rij表示预测日与历史日的曲线相似度值，aik表示Xi的第k维特征元素对应的权重，Xjk表示Xj的第k维特征元素，Xik表示Xi的第k维特征元素。
具体的，对于权重的定量方法可以采用模糊聚类分析方法，通过该模糊聚类分析方法可以识别各影响因素对不同负荷的影响程度。通过上式相似度函数计算历史日与预测日之间的相似度，然后根据计算结果选取几天作为预测模型训练样本。
S403，选择所述多个历史日特征数据中曲线相似度值满足预设范围的历史日特征数据作为目标数据。
其中，多个历史日特征数据可以为预测日前30-90天的历史数据来进行计算。例如，可以选取预测日前60天的历史日特征数据来计算与预测日的曲线相似度值，然后选择排名前10％-20％的历史日特征数据作为目标数据，即作为预测模型训练样本。
在一示例性实施方式中，见图5，示出了图3所示实施例中步骤S302的一实施例的实现流程图，如图5所示，上述步骤S302，基于所述多个历史日特征数据在支持向量机中计算预测预测日在任一时刻最接近实际负荷值的最优解，可以包括以下步骤：
S501，获取基于支持向量机建立的以历史日负荷特征数据来预测预测日的负荷曲线的目标函数。
其中，在人工智能应用中，支持向量机具有泛化性能好等优点，用于电网负荷的短期预测有显著的可靠性。示例性的，考虑到电网短期负荷预测其影响因素相互影响相互制约，在实际应用中可以选用Sigmoidal kernel核函数来使样本在支持向量机中可分，即：
K(xi,xj)＝tanh[σ(xixj)+C]，
其中，该核函数用于实现目标函数得到最优解，也就是说支持向量机建立目标函数来进行预有两个重要的参数，即核宽度系数σ和正规化参数C，其值决定了预测模型的准确度。
S502，通过狼群算法来获取用于计算目标函数的最优解的核函数的目标参数优化值。
其中，为提升预测的准确性，本实施例采用狼群算法来对核函数中的目标参数进行优化，其原理为：通过不断迭代来寻求核函数全局空间最优解，以解决模型参数优化问题。因此本实施例将自适应拥挤度因子
Figure BDA0002351987920000111
引入狼群算法来实现参数优化，
Figure BDA0002351987920000112
的更新公式为：
Figure BDA0002351987920000113
上式中，c为与阈值(具体表示：找最优解算法停止搜索的阈值)变化的系数，范围为[0,1]，k表示当前迭代次数。
具体的，采用狼群算法对核函数的目标参数进行优化包括以下步骤：
S1，参数的初始化设置：需要优化的参数是核宽度系数σ和正规化参数C。
其中，狼群的初始化参数包括个体位置向量Yi＝[σ,c]，个体的数量A，最大迭代次数maxk，搜索方向h，最大游猎次数maxdh，初始游猎步长Setpa，优良狼比例α和狼群更新比例M。
S2，计算个体位置的适应度函数值，其计算按照样本中预测日的预测与MAPE(实际绝对误差)来表示，即：
Figure BDA0002351987920000114
上式中，t表示预测日要预测的负荷点数，N表示计算绝对误差的数据集的个数，Li为样本中预测日在该时刻的预测负荷值；
Figure BDA0002351987920000122
为预测日该时刻的实际负荷值。选取适应度值排在前A*α的人工狼进行h个方向的游猎搜索行为，当个体搜索某个方向的适应度值优于当前位置时，则个体向该方向前进一步(即前进一个Setpa)，并更新位置；当个体搜索的h个方向的适应度值不如当前位置时或者达到最大游猎次数maxdh，则结束该行为转到步骤S3。
S3，将适应度值最优的个体作为头狼Ybest发起召唤行为，其它同伴向头狼发起围攻行为，即如果满足
Figure BDA0002351987920000121
则个体向头狼的位置移动，同时更新位置。
S4，去除适应度值排在后A*M位的个体同时产生A*M个新的个体。
S5，一次迭代完成后，判定是否满足最大迭代次数maxk，如果满足，则输出适应度值最大的狼个体的位置，即该值是所求问题的最优解，否则转到步骤S2。
S6，直到找出全局极值，计算结束，存储最优狼群位置，即目标参数的优化结果。
S503，利用所述核函数的目标参数优化值获取所述目标函数的最优解。
其中，根据上述示例得到核函数的目标参数优化值后，即可对上述目标函数进行求解，得到最优解。
本示例使用狼群优化算法来筛选出合适的核函数参数，提高了支持向量机进行电网负荷预测的精度。
为了进一步验证本申请预测的精度，本申请申请人将上述电网短期负荷预测方法应用于智能设备1中对电网进行预测，同时将现有的一种基于支持向量机的短期负荷预测方法应用于智能设备2中对电网进行预测。然后使用两台智能设备连续对未来10个星期的星期天对下周一的负荷进行预测，试验结果如下表1：
W1 W2 W3 W4 W5 W6 W7 W8 W9 W10
智能设备1 98％ 95％ 97％ 99％ 96％ 95％ 98％ 96％ 92％ 94％
智能设备2 85％ 87％ 84％ 88％ 85％ 86％ 89％ 90％ 79％ 83％
表1
表1中，W1、W 2、W 3……W 10分别表示预测日，上述百分比数字表示预测后统计的准确率，由试验数据可知，智能设备1进行预测的准确率要明显由于智能设备2，可见本申请对基于支持向量机进行负荷预测的改进后的预测准确率相比于现有技术有显著性的提升。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
产品实施例
基于与实施例1相同的申请构思，本申请还提供了一种该电网短期负荷预测装置。
请参见图6，示出了根据本申请电网短期负荷预测装置的一实施例的结构示意图，如6所示，该电网短期负荷预测装置600包括：数据获取模块601，获取预测日的影响因素数据和至少一个同类型日日均负荷曲线；负荷预测模块602，用于基于支持向量机对预测日在任一时刻与所述影响因素数据和至少一个同类型日日均负荷曲线最接近的历史日负荷特征数据的最优解，输出预测日负荷曲线。
请参见图7，示出了图6所示实施例中数据获取模块601的一实施例的结构示意图，如图7所示，该数据获取模块601包括：第一数据获取单元701，用于获取预测日的影响因素数据，所述预测日的影响因素数据包括预测日的日期类型和气象数据；第二数据获取单元702，用于获取所述至少一个同类型日日均负荷曲线，至少一个同类型日日均负荷曲线包括：所述预测日与相似日的近期负荷特征的相似度，计算公式包括：
Figure BDA0002351987920000141
其中，ρ表示日相关系数，Xi表示预测日的特征向量，Xj表示历史日的特征向量，Cov(Xi,Xj)表示预测日和历史日的特征向量协方差，σ1表示预测日的标准差，σ2表示历史日的标准差，T表示特征向量的维度的数量，t表示其中一个特征维度。
请参见图8，示出了图6所示实施例中负荷预测模块602的一实施例的结构示意图，如图8所示，负荷预测模块602包括：数据选取单元801，用于选取历史日负荷特征数据，所述历史日负荷特征数据包括多个与预测日相似度满足预设范围的历史日特征数据，各所述历史日特征数据包括影响因素数据和至少一个同类型日日均负荷曲线；最优解计算单元802，用于基于所述多个历史日特征数据在支持向量机中计算预测预测日在任一时刻最接近实际负荷值的最优解；预测结果输出单元803，用于根据所述最优解输出预测日负荷曲线。
请参见图9，示出了图8所示实施例中数据选取单元801的一实施例的结构示意图，如图9所示，数据选取单元801包括：历史日数据获取单元901，用于获取相对所述预测日的多个历史日特征数据，所述历史日特征数据包括影响因素数据和至少一个同类型日日均负荷曲线；相似度值计算单元902，用于计算所述多个历史日特征数据分别与预测日的曲线相似度值；历史日数据筛选单元903，用于选择所述多个历史日特征数据中曲线相似度值满足预设范围的历史日特征数据作为目标数据。
请参见图10，示出了图8所示实施例中最优解计算单元的一实施例的结构示意图，如图10所示，最优解计算单元802包括：目标函数获取单元1001，用于获取基于支持向量机建立的以历史日负荷特征数据来预测预测日的负荷曲线的目标函数；核参数优化单元1002，用于通过狼群算法来获取用于计算目标函数的最优解的核函数的目标参数优化值；最优解计算单元1003，用于利用所述核函数的目标参数优化值获取所述目标函数的最优解。
在一些示例性实施方式中，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现以上方法实施例中各方法实施例描述的电网短期负荷预测方法。
其中，本申请的上述实施例提供的装置、计算机可读介质均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
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。
以上所述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，均应包含在本申请的保护范围之内。

Claims (10)

1.一种电网短期负荷预测方法，其特征在于，包括以下步骤：
获取预测日的影响因素数据和至少一个同类型日日均负荷曲线；
基于支持向量机对预测日在任一时刻与所述影响因素数据和至少一个同类型日日均负荷曲线最接近的历史日负荷特征数据的最优解，输出预测日负荷曲线。
2.如权利要求1所述的电网短期负荷预测方法，其特征在于，所述预测日的影响因素数据包括预测日的日期类型和气象数据。
3.如权利要求1所述的电网短期负荷预测方法，其特征在于，所述至少一个同类型日日均负荷曲线包括：所述预测日与相似日的近期负荷特征的相似度，计算公式包括：
Figure FDA0002351987910000011
其中，ρ表示日相关系数，Xi表示预测日的特征向量，Xj表示历史日的特征向量，Cov(Xi,Xj)表示预测日和历史日的特征向量协方差，σ1表示预测日的标准差，σ2表示历史日的标准差，T表示特征向量的维度的数量，t表示其中一个特征维度。
4.如权利要求1所述的电网短期负荷预测方法，其特征在于，所述基于支持向量机对预测日在任一时刻与所述影响因素数据和至少一个同类型日日均负荷曲线最接近的历史日负荷特征数据的最优解，输出预测日负荷曲线，包括：
选取历史日负荷特征数据，所述历史日负荷特征数据包括多个与预测日相似度满足预设范围的历史日特征数据，各所述历史日特征数据包括影响因素数据和至少一个同类型日日均负荷曲线；
基于所述多个历史日特征数据在支持向量机中计算预测预测日在任一时刻最接近实际负荷值的最优解；
根据所述最优解输出预测日负荷曲线。
5.如权利要求4所述的电网短期负荷预测方法，其特征在于，所述选取历史日负荷特征数据，所述历史日负荷特征数据包括多个与预测日相似度满足预设范围的历史日特征数据，各所述历史日特征数据包括影响因素数据和至少一个同类型日日均负荷曲线，包括：
获取相对所述预测日的多个历史日特征数据，所述历史日特征数据包括影响因素数据和至少一个同类型日日均负荷曲线；
计算所述多个历史日特征数据分别与预测日的曲线相似度值；
选择所述多个历史日特征数据中曲线相似度值满足预设范围的历史日特征数据作为目标数据。
6.如权利要求5所述的电网短期负荷预测方法，其特征在于，所述曲线相似度值的计算公式包括：
Figure FDA0002351987910000021
其中，rij表示预测日与历史日的曲线相似度值，aik表示Xi的第k维特征元素对应的权重，Xjk表示Xj的第k维特征元素，Xik表示Xi的第k维特征元素。
7.如权利要求4所述的电网短期负荷预测方法，其特征在于，所述基于所述多个历史日特征数据在支持向量机中计算预测预测日在任一时刻最接近实际负荷值的最优解，包括：
获取基于支持向量机建立的以历史日负荷特征数据来预测预测日的负荷曲线的目标函数；
通过狼群算法来获取用于计算目标函数的最优解的核函数的目标参数优化值；
利用所述核函数的目标参数优化值获取所述目标函数的最优解。
8.一种电网短期负荷预测装置，其特征在于，包括：
数据获取模块，获取预测日的影响因素数据和至少一个同类型日日均负荷曲线；
负荷预测模块，用于基于支持向量机对预测日在任一时刻与所述影响因素数据和至少一个同类型日日均负荷曲线最接近的历史日负荷特征数据的最优解，输出预测日负荷曲线。
9.一种智能设备，包括存储器、处理器以及存储在所述存储器中并可在所述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任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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任一项所述方法的步骤。
CN201911419565.2A 2019-12-31 2019-12-31 一种电网短期负荷预测方法和装置 Pending CN111178637A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911419565.2A CN111178637A (zh) 2019-12-31 2019-12-31 一种电网短期负荷预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911419565.2A CN111178637A (zh) 2019-12-31 2019-12-31 一种电网短期负荷预测方法和装置

Publications (1)

Publication Number Publication Date
CN111178637A true CN111178637A (zh) 2020-05-19

Family

ID=70655937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911419565.2A Pending CN111178637A (zh) 2019-12-31 2019-12-31 一种电网短期负荷预测方法和装置

Country Status (1)

Country Link
CN (1) CN111178637A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529262A (zh) * 2020-11-27 2021-03-19 北京京能高安屯燃气热电有限责任公司 短期功率预测方法、装置、计算机设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930347A (zh) * 2012-10-15 2013-02-13 河海大学 一种需求响应下的短期负荷预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930347A (zh) * 2012-10-15 2013-02-13 河海大学 一种需求响应下的短期负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐猛等: "电力现货市场的售电公司短期负荷预测", 《浙江电力》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529262A (zh) * 2020-11-27 2021-03-19 北京京能高安屯燃气热电有限责任公司 短期功率预测方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN111563610B (zh) 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统
CN111160617B (zh) 一种电力日负荷预测方法及装置
CN112330077B (zh) 电力负荷预测方法、装置、计算机设备和存储介质
CN111612275B (zh) 一种预测区域用户负荷量的方法及装置
CN111898247B (zh) 滑坡位移预测方法、设备及存储介质
CN113255973A (zh) 电力负荷预测方法、装置、计算机设备和存储介质
CN113283924B (zh) 需求预测方法以及需求预测装置
CN111680841A (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN113255900A (zh) 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法
CN113743673A (zh) 一种台风期间的电力负荷预测方法
CN111178637A (zh) 一种电网短期负荷预测方法和装置
CN113222281A (zh) 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置
CN110489893B (zh) 一种基于可变权值的母线负荷预测方法及系统
CN112381315A (zh) 一种基于pso优化的ls-svm智能台区负荷预测方法及系统
CN111523083A (zh) 一种电力负荷申报数据的确定方法以及装置
CN111127114A (zh) 一种电力负荷申报数据的确定方法以及装置
CN116862106A (zh) 一种城市建设用地更新潜力分析方法、装置、终端及介质
CN116885705A (zh) 区域负荷预测方法及装置
CN112243247A (zh) 基站优化优先级确定方法、装置及计算设备
CN113240306B (zh) 基于人工智能和大数据的商场选址方法及系统
CN114139621A (zh) 确定模型分类性能标识的方法、装置、设备及存储介质
CN114036723A (zh) 综合能源系统运行状态预测方法、装置、设备及存储介质
CN112926801A (zh) 一种基于分位数回归的负荷曲线组合预测方法及装置
CN112330017A (zh) 电力负荷预测方法、装置、电子设备和存储介质
CN113822455A (zh) 一种时间预测方法、装置、服务器及存储介质

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

Application publication date: 20200519

RJ01 Rejection of invention patent application after publication