CN111222687A - 基于同源异构神经网络的电力负荷概率预测方法及装置 - Google Patents

基于同源异构神经网络的电力负荷概率预测方法及装置 Download PDF

Info

Publication number
CN111222687A
CN111222687A CN201911243171.6A CN201911243171A CN111222687A CN 111222687 A CN111222687 A CN 111222687A CN 201911243171 A CN201911243171 A CN 201911243171A CN 111222687 A CN111222687 A CN 111222687A
Authority
CN
China
Prior art keywords
data
prediction
model
power load
variance
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
CN201911243171.6A
Other languages
English (en)
Inventor
唐新忠
李天杰
赵大明
刘兰方
于志远
李�雨
高立忠
冷曼
徐婷
李爽
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.)
State Grid Jiangxi Electric Power Co ltd
State Grid Information and Telecommunication Co Ltd
Beijing Guodiantong Network Technology Co Ltd
Original Assignee
State Grid Jiangxi Electric Power Co ltd
State Grid Information and Telecommunication Co Ltd
Beijing Guodiantong Network 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 State Grid Jiangxi Electric Power Co ltd, State Grid Information and Telecommunication Co Ltd, Beijing Guodiantong Network Technology Co Ltd filed Critical State Grid Jiangxi Electric Power Co ltd
Priority to CN201911243171.6A priority Critical patent/CN111222687A/zh
Publication of CN111222687A publication Critical patent/CN111222687A/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
    • 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—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同源异构神经网络的电力负荷概率预测方法及装置，涉及电力负荷预测技术领域，为了提高预测结果的准确性；该预测的装置包括数据对整理模块、数据对分类模块、模型构造模块、训练模块、修正模块和分析模块；该概率预测方法充分考虑环境因素的影响，使得预测的结果更加准确；由于使用同源异构神经网络进行不断训练、校验和检验，使得的进行预测的模型更加科学，取得的结果更加贴近实际情况；由于对不同模型取得的结果进行统计学分析，使得得到的预测结果更加精确。

Description

基于同源异构神经网络的电力负荷概率预测方法及装置
技术领域
本发明涉及电力负荷预测技术领域，特别涉及基于同源异构模型的电力负荷概率预测方法及装置。
背景技术
在当前智能电网的快速发展，以及智能电表在用户端的广泛应用，使得获取用户实际的用电负荷数据非常容易，能够方便的获取用户历史用电负荷数据，进而为用户的用电负荷数据进行概率预测提供了方便。
现有的电力负荷预测只是简单的基于获取的用户历史用电负荷数据进行概率预测，并不考虑环境因素对用电负荷的影响，而电力预测中，气温不同程度的影响着预测的结果，对电力预测的结果的准确性有较大影响。这就导致使用传统方法对用户用电负荷进行概率预测取得的结果准确性较差。
发明内容
针对预测方法的不足，本发明的目的是提供一种基于同源异构神经网络的电力负荷概率预测方法，将环境因素带入预测方法中进行电力负荷进行概率预测，得到概率预测的结果，提高概率预测的结果的准确性。
本发明的技术方案一种同源异构的电力负荷概率预测的方法，该方法包括以下步骤：
获取历史用电负荷数据以及与历史电负荷数据对应时间段内的环境因素，将获得的历史电负荷数据与对应时间段内的环境因素相互配对，获得若干组数据对；
将数据对按照不同的组分占比分为三大类，分别为训练集、校验集以及测试集；
构造基于神经网络的多种模型，各个模型采用不同的网络结构以及不同的参数；
将训练集的数据对输入上述步骤构造的多种模型对模型进行训练，然后将校验集的数据对输入经过训练的模型进行验证，通过验证的数据对对模型进行修正；
基于经过修正后的多种网络模型对于输入测试集的数据对作训练，得到多种初步预测结果；
将取得的初步预测结果做统计学分析，计算出平均的值以及方差，根据得到的平均的值以及方差得到电力负荷值的预期结果和预期结果出现的概率。
可选的，该预测方法还包括：将被预测的时间段实际发生的电力负荷值和该时间段内的环境因素组成后验数据对，将后验数据对输入模型进行运行，得到后验数据对结果，根据得到的后验数据对结果，进一步改进模型。
可选的，多种所述模型的所述神经网络是基于卷积神经网络构造的。
可选的，所述环境因素包括温度数值，多种所述模型的表达公式如下：
Figure BDA0002306818120000021
fi(Tt)＝β5Tt+β6Tt 2+β7Tt 3+β8TtMt+β9Tt 2Mt+β10Tt 3Mt+β11TtHt+β12Tt 2Ht+β13Tt 3Ht+βiTt iHt
公式中，
Figure BDA0002306818120000022
代表需要预测的t时刻的用电负荷预测的数值；βi是参数，Mt,Wt和Ht分别代表着月份、星期、小时在t时刻的用电情况；Tt代表t时刻的气温，f(Tt)代表这个t时刻，气温的影响因子。
可选的，获取历史用电负荷数据后，需要对获取的历史用电负荷数据进行预处理，所述预处理方法包括以下任意一种以及他们的组合：
剔除冗余数据、噪声；
把缺失的数据做数据补充。
可选的，将取得的初步预测结果做统计学分析是将取得的初步预测结果做正态分布处理，计算出平均的值以及方差，根据得到的平均的值以及方差得到电力负荷值的预期结果和预期结果出现的概率。
可选的，所述正态分布处理方法是对多种初步预测结果构成的预测结果集合
Figure BDA0002306818120000023
Figure BDA0002306818120000024
计算平均值和方差，计算平均值和方差的公式表达如下：
Figure BDA0002306818120000025
Figure BDA0002306818120000026
其中，
Figure BDA0002306818120000027
代表预测结果集合的平均值，是把预测结果集求平均值的数据；
Figure BDA0002306818120000028
代表方差。
本发明的有益效果：由于在进行概率预测的过程中考虑了当地的环境因素，使得预测的结果更加准确；由于使用同源异构神经网络进行不断训练、校验和检验，使得的进行预测的模型更加科学，取得的结果更加贴近实际情况；由于对不同模型取得的结果进行统计学分析，使得得到的预测结果更加精确。
附图说明
图1为本发明实施方式基于同源异构神经网络的电力负荷概率预测方法流程图；
图2为本发明实施方式基于同源异构神经网络的电力负荷概率预测装置的模块图。
具体实施方式
下面结合附图对本发明实施方式结合实例作进一步详细的说明。但是应当指出，本发明的实施方式及实施案例是为了解释目的的优选方案，并不是对本发明的限制。
本实施方式中采用的基于同源异构神经网络的电力负荷概率预测方法,如图1所示，该方法包括以下步骤：
S1获取历史用电负荷数据以及与历史电负荷数据对应时间段内的环境因素，将获得的历史电负荷数据与对应时间段内的环境因素相互配对，获得若干组数据对。
举例来说，每组数据对可以包含历史电负荷数据和环境因素两种相互配对的数据。后续使用时将数据对作为一个组合共同使用。
举例来说，所述环境因素包括温度数值、湿度以及天气状况。
一种实施方式中，获取历史用电负荷数据后，可以对获取的历史用电负荷数据进行预处理，这样，可以提高数据对中数据的准确性，消除离群数据的干扰。举例来说，所述预处理方法包括以下任意一种以及他们的组合：
1、剔除冗余数据、噪声。
2、将缺失的数据做数据补充。
一种实施方式中，在预处理后的数据对中，可以设定未来任何一个时刻用电负荷作为预测的目标值。
S2将数据对按照不同的组分占比分为三大类，分别为训练集、校验集以及测试集。
S3构造基于神经网络的多种模型，各个模型采用不同的网络结构以及不同的参数。
举例来说，多种所述模型的所述神经网络可以是基于卷积神经网络构造的。
一种情况下，选定模型核心的公式如下：
Figure BDA0002306818120000031
f(Tt)＝β5Tt+β6Tt 2+β7Tt 3+β8TtMt+β9Tt 2Mt+β10Tt 3Mt+β11TtHt+β12Tt 2Ht+β13Tt 3Ht
公式中，
Figure BDA0002306818120000032
代表需要预测的t时刻的用电负荷预测的数值。βi是参数，Mt,Wt和Ht分别代表着月份、星期、小时在t时刻的用电情况。Tt代表t时刻的气温，f(Tt)代表这个t时刻，气温的影响因子。本发明采用的模型核心都是基于前述两个公式的结构，通过调节参数以及选取的层数来调节模型。
一种情况下，多种模型的表达公式如下：
Figure BDA0002306818120000041
fi(Tt)＝β5Tt+β6Tt 2+β7Tt 3+β8TtMt+β9Tt 2Mt+β10Tt 3Mt+β11TtHt+β12Tt 2Ht+β13Tt 3Ht+βiTt iHt
公式中，
Figure BDA0002306818120000042
代表需要预测的t时刻的用电负荷预测的数值；βi是参数，Mt,Wt和Ht分别代表着月份、星期、小时在t时刻的用电情况；Tt代表t时刻的气温，f(Tt)代表这个t时刻，气温的影响因子。我们可以动态设置模型个数i，根据i的情况进行预测不同的结果，即
Figure BDA0002306818120000043
βi参数不同，会产生不同的预测模型。这样就应了本发明提出的同源异构的模型。
S4将训练集的数据对输入上述步骤构造的多种模型对模型进行训练，然后将校验集的数据对输入经过训练的模型进行验证，通过验证的数据对对模型进行修正。
S5基于经过修正后的多种网络模型对于输入测试集的数据对作训练，得到多种初步预测结果。
S6将取得的初步预测结果做统计学分析，计算出平均的值以及方差，根据得到的平均的值以及方差得到电力负荷值的预期结果和预期结果出现的概率。
举例来说，将取得的初步预测结果做统计学分析是将取得的初步预测结果做正态分布处理，计算出平均的值以及方差，根据得到的平均的值以及方差得到电力负荷值的预期结果和预期结果出现的概率。
举例来说，所述正态分布处理方法是对多种初步预测结果构成的预测结果集合
Figure BDA0002306818120000044
Figure BDA0002306818120000045
计算平均值和方差，计算平均值和方差的公式表达如下：
Figure BDA0002306818120000046
Figure BDA0002306818120000047
Figure BDA0002306818120000048
代表预测结果集合的平均值，是把预测结果集求平均值的数据；
Figure BDA0002306818120000049
代表方差。
S7将被预测的时间段实际发生的电力负荷值和该时间段内的环境因素组成后验数据对，将后验数据对输入模型进行运行，得到后验数据对结果，根据得到的后验数据对结果，进一步改进模型。当预期结果和后验数据对结果出现较大差异的时候，将后验数据对加入模型集再次进行训练。
通过修正后的多种模型进行电力负荷概率预测，能够取得准确度较高的预测结果和结果出现的概率，大大方便了对电力供应的调节。
为了验证本发明优势，在本案例中对比了和基于LSTM以及全连接神经网络的预测模型，通过结果数据显示，本发明提出的基于同源异构神经网络的电力负荷预测模型，相对于LSTM以及全连接神经网络的预测模型，分别提高了5％和3％的预测精度。充分说明，本模型对于电力负荷预测有重要的作用。
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 (8)

1.一种同源异构的电力负荷概率预测的方法，其特征在于：该方法包括以下步骤：
获取历史用电负荷数据以及与历史电负荷数据对应时间段内的环境因素，将获得的历史电负荷数据与对应时间段内的环境因素相互配对，获得若干组数据对；
将数据对按照不同的组分占比分为三大类，分别为训练集、校验集以及测试集；
构造基于神经网络的多种模型，各个模型采用不同的网络结构以及不同的参数；
将训练集的数据对输入上述步骤构造的多种模型对模型进行训练，然后将校验集的数据对输入经过训练的模型进行验证，通过验证的数据对对模型进行修正；
基于经过修正后的多种网络模型对于输入测试集的数据对作训练，得到多种初步预测结果；
将取得的初步预测结果做统计学分析，计算出平均的值以及方差，根据得到的平均的值以及方差得到电力负荷值的预期结果和预期结果出现的概率。
2.根据权利要求书1所述的基于同源异构神经网络的电力负荷概率预测方法，其特征在于，该预测方法还包括：将被预测的时间段实际发生的电力负荷值和该时间段内的环境因素组成后验数据对，将后验数据对输入模型进行运行，得到后验数据对结果，根据得到的后验数据对结果，进一步改进模型。
3.根据权利要求书1所述的基于同源异构神经网络的电力负荷概率预测方法，其特征在于，多种所述模型的所述神经网络是基于卷积神经网络构造的。
4.根据权利要求书3所述的基于同源异构神经网络的电力负荷概率预测方法，其特征在于，所述环境因素包括温度数值，多种所述模型的表达公式如下：
Figure FDA0002306818110000011
fi(Tt)＝β5Tt+β6Tt 2+β7Tt 3+β8TtMt+β9Tt 2Mt+β10Tt 3Mt+β11TtHt+β12Tt 2Ht+β13Tt 3Ht+βiTt iHt
公式中，
Figure FDA0002306818110000012
代表需要预测的t时刻的用电负荷预测的数值；βi是参数，Mt,Wt和Ht分别代表着月份、星期、小时在t时刻的用电情况；Tt代表t时刻的气温，f(Tt)代表这个t时刻，气温的影响因子。
5.根据权利要求书1所述的基于同源异构神经网络的电力负荷概率预测方法，其特征在于，获取历史用电负荷数据后，需要对获取的历史用电负荷数据进行预处理，所述预处理方法包括以下任意一种以及他们的组合：
剔除冗余数据、噪声；
把缺失的数据做数据补充。
6.根据权利要求书1所述的基于同源异构神经网络的电力负荷概率预测方法，其特征在于，将取得的初步预测结果做统计学分析是将取得的初步预测结果做正态分布处理，计算出平均的值以及方差，根据得到的平均的值以及方差得到电力负荷值的预期结果和预期结果出现的概率。
7.根据权利要求书6所述的基于同源异构神经网络的电力负荷概率预测方法，其特征在于，所述正态分布处理方法是对多种初步预测结果构成的预测结果集合
Figure FDA0002306818110000021
计算平均值和方差，计算平均值和方差的公式表达如下：
Figure FDA0002306818110000022
Figure FDA0002306818110000023
Figure FDA0002306818110000024
代表预测结果集合的平均值，是把预测结果集求平均值的数据；
Figure FDA0002306818110000025
代表方差。
8.一种同源异构的电力负荷概率预测的装置，其特征在于：该装置包括以下模块：
数据对整理模块：将获取的历史用电负荷数据以及与历史电负荷数据对应时间段内的环境因素相互配对，获得若干组数据对；
数据对分类模块：将数据对按照不同的组分占比分为三大类，分别为训练集、校验集以及测试集；
模型构造模块：构造基于神经网络的多种模型，各个模型采用不同的网络结构以及不同的参数；
训练模块：将训练集的数据对输入上述步骤构造的多种模型对模型进行训练，然后将校验集的数据对输入经过训练的模型进行验证，通过验证的数据对对模型进行修正；
修正模块：基于经过修正后的多种网络模型对于输入测试集的数据对作训练，得到多种初步预测结果；
分析模块：将取得的初步预测结果做统计学分析，计算出平均的值以及方差，根据得到的平均的值以及方差得到电力负荷值的预期结果和预期结果出现的概率。
CN201911243171.6A 2019-12-06 2019-12-06 基于同源异构神经网络的电力负荷概率预测方法及装置 Pending CN111222687A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911243171.6A CN111222687A (zh) 2019-12-06 2019-12-06 基于同源异构神经网络的电力负荷概率预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911243171.6A CN111222687A (zh) 2019-12-06 2019-12-06 基于同源异构神经网络的电力负荷概率预测方法及装置

Publications (1)

Publication Number Publication Date
CN111222687A true CN111222687A (zh) 2020-06-02

Family

ID=70827901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911243171.6A Pending CN111222687A (zh) 2019-12-06 2019-12-06 基于同源异构神经网络的电力负荷概率预测方法及装置

Country Status (1)

Country Link
CN (1) CN111222687A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112214734A (zh) * 2020-10-10 2021-01-12 东北大学 一种基于统计物理学与人工智能的电力负荷预测方法
CN113556318A (zh) * 2021-06-07 2021-10-26 广州康辰科技有限公司 基于云安全的电子商务验证方法
CN116681185A (zh) * 2023-07-28 2023-09-01 北京智芯微电子科技有限公司 负荷预测方法、装置和芯片设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102270309A (zh) * 2011-07-27 2011-12-07 华北电力大学 一种基于集成学习的短期电力负荷预测方法
CN107909221A (zh) * 2017-12-08 2018-04-13 国网山东省电力公司枣庄供电公司 基于组合神经网络的电力系统短期负荷预测方法
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
US20190067946A1 (en) * 2017-08-28 2019-02-28 General Electric Company System and method for distribution load forecasting in a power grid
CN110472778A (zh) * 2019-07-29 2019-11-19 上海电力大学 一种基于Blending集成学习的短期负荷预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102270309A (zh) * 2011-07-27 2011-12-07 华北电力大学 一种基于集成学习的短期电力负荷预测方法
US20190067946A1 (en) * 2017-08-28 2019-02-28 General Electric Company System and method for distribution load forecasting in a power grid
CN107909221A (zh) * 2017-12-08 2018-04-13 国网山东省电力公司枣庄供电公司 基于组合神经网络的电力系统短期负荷预测方法
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
CN110472778A (zh) * 2019-07-29 2019-11-19 上海电力大学 一种基于Blending集成学习的短期负荷预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112214734A (zh) * 2020-10-10 2021-01-12 东北大学 一种基于统计物理学与人工智能的电力负荷预测方法
CN113556318A (zh) * 2021-06-07 2021-10-26 广州康辰科技有限公司 基于云安全的电子商务验证方法
CN113556318B (zh) * 2021-06-07 2023-07-07 广西叫酒网络科技有限公司 基于云安全的电子商务验证方法
CN116681185A (zh) * 2023-07-28 2023-09-01 北京智芯微电子科技有限公司 负荷预测方法、装置和芯片设备
CN116681185B (zh) * 2023-07-28 2024-01-09 北京智芯微电子科技有限公司 负荷预测方法、装置和芯片设备

Similar Documents

Publication Publication Date Title
CN108416695B (zh) 基于深度学习的电力负荷概率密度预测方法和系统、介质
CN111222687A (zh) 基于同源异构神经网络的电力负荷概率预测方法及装置
CN107169628B (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
CN108304623B (zh) 一种基于堆栈降噪自动编码器的概率潮流在线计算方法
CN111210093B (zh) 基于大数据的日用水量预测方法
CN112149879B (zh) 一种计及宏观波动性分类的新能源中长期电量预测方法
CN108336739B (zh) 一种基于rbf神经网络的概率潮流在线计算方法
CN111784068A (zh) 基于eemd的电力负荷组合预测方法及装置
CN112632794B (zh) 基于交叉熵参数子集模拟优化的电网可靠性评估方法
CN109840633B (zh) 光伏输出功率预测方法、系统和存储介质
CN112734128A (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
CN111861023A (zh) 基于统计学的混合风电功率预测方法、装置
CN112801332B (zh) 一种基于灰度共生矩阵的短期风速预测方法
CN115271253A (zh) 一种水风光发电功率预测模型构建方法、装置及存储介质
CN116316611B (zh) 基于低压台区下的供电方法及系统
CN107563641B (zh) 一种计及灾害偏好的配电网抗灾多场景差异化规划方法
CN115618922A (zh) 光伏功率预测方法、设备、光伏发电系统及存储介质
CN111193254A (zh) 一种住宅日用电负荷预测方法和设备
CN115577854A (zh) 一种基于eemd-rbf组合的分位数回归风速区间预测方法
CN111967660B (zh) 一种基于svr的超短期光伏预测残差修正方法
CN114839586A (zh) 基于em算法的低压台区计量装置失准计算方法
CN115345343A (zh) 一种供水管网浊度的预测方法及预测装置
JP7342369B2 (ja) 予測システム、予測方法
CN113537821A (zh) 一种电力系统状态的快速评估方法及系统
CN106570561B (zh) 一种绝缘子表面不可溶沉积物密度预测系统及方法

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: 20200602