CN111382891A - 短期负荷预测方法和短期负荷预测装置 - Google Patents
短期负荷预测方法和短期负荷预测装置 Download PDFInfo
- Publication number
- CN111382891A CN111382891A CN201811620945.8A CN201811620945A CN111382891A CN 111382891 A CN111382891 A CN 111382891A CN 201811620945 A CN201811620945 A CN 201811620945A CN 111382891 A CN111382891 A CN 111382891A
- Authority
- CN
- China
- Prior art keywords
- load data
- level
- prediction
- component
- short
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 244000286916 Ratibida columnifera Species 0.000 description 1
- 235000009413 Ratibida columnifera Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003442 weekly effect 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
- 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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供一种短期负荷预测方法和短期负荷预测装置。所述短期负荷预测方法包括:获取过去时段的负荷数据和预测时段的外部参数;通过小波分解将过去时段的负荷数据分解为第二级细节分量、第三级近似分量和第三级细节分量;基于第二级细节分量,获取预测时段的预测负荷数据的第二级细节分量;基于过去时段的负荷数据的第三级近似分量和第三级细节分量以及所述外部参数,获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量;通过小波重构将预测负荷数据的第二级细节分量、预测负荷数据的第三级近似分量和第三级细节分量重构为预测时段的预测负荷数据。根据短期负荷预测方法和短期负荷预测装置,能够准确地预测短期负荷。
Description
技术领域
本发明总体说来涉及风电技术领域,更具体地讲,涉及一种短期负荷预测方法和短期负荷预测装置。
背景技术
负荷预测是电力系统运行管理的关键组成部分。工业、民用、公用事业用电负荷特性迥异,电力负荷往往因天气等的变化而具有很大的波动性和季节性,对电力负荷做出准确的预测,是电力系统制订扩容、运行、检修等计划的基础。
为了电力系统运行的有效性和运行效率,准确地预测短期负荷尤为重要。如果短期负荷预测过高,系统发电容量偏大导致运行成本过高;相反,如果系统负荷预测偏低,将会影响到电力系统的可靠性和安全性。
在现有技术中,存在小波变换与软计算方法相结合的短期负荷预测方法,但这样的短期负荷预测方法存在这样的问题:小波变换的使用局限于提取负荷数据的冗余性,难以准确地预测短期负荷。
发明内容
本发明的示例性实施例在于提供一种短期负荷预测方法和短期负荷预测装置。
根据本发明的示例性实施例,提供一种短期负荷预测方法,其特征在于,所述短期负荷预测方法包括:获取过去时段的负荷数据和预测时段的外部参数;通过小波分解将过去时段的负荷数据分解为第二级细节分量、第三级近似分量和第三级细节分量;基于第二级细节分量,获取预测时段的预测负荷数据的第二级细节分量;基于过去时段的负荷数据的第三级近似分量、第三级细节分量以及所述外部参数,获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量;通过小波重构将预测负荷数据的第二级细节分量、预测负荷数据的第三级近似分量和第三级细节分量重构为预测时段的预测负荷数据。
可选地,获取预测时段的预测负荷数据的第二级细节分量的步骤包括:将过去时段的负荷数据的第二级细节分量输入到第一预测模型,以获取预测时段的预测负荷数据的第二级细节分量,其中,第一预测模型是非线性自回归神经网络模型。
可选地,第一预测模型基于第一训练集被训练,其中,第一训练集包括:历史负荷数据小波分解后的第二级细节分量,以及与历史负荷数据对应的预测负荷数据分解后的第二级细节分量。
可选地,获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量的步骤包括:将过去时段的负荷数据的第三级近似分量、第三级细节分量以及所述外部参数输入到第二预测模型,以获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量,其中,第二预测模型是有外部输入的非线性自回归神经网络模型。
可选地,第二预测模型基于第二训练集被训练,其中,第二训练集包括:历史负荷数据小波分解后的第三级近似分量和第三级细节分量,与历史负荷数据对应的预测负荷数据的外部参数,以及与历史负荷数据对应的预测负荷数据分解后的第三级近似分量和第三级细节分量。
可选地,所述外部参数包括以下项中的至少一项:天气数据、日时间、日代码和每小时电价率。
可选地,天气数据包括以下项中的至少一项:温度、湿度、地面气压和云量。
可选地,近似分量是负荷数据的高尺度和低频的分量,细节分量是负荷数据的低尺度和高频的分量。
可选地,使用db2小波来进行小波分解和小波重构。
可选地,所述短期负荷预测方法还包括:对历史负荷数据进行自相关性分析,以确定第一预测模型和第二预测模型的输入的自延迟,其中,自相关性分析的结果指示历史负荷数据与历史负荷数据的第一预测时段前的负荷数据之间的相关程度。
可选地,预测时段是一天。
可选地,指示所述外部参数与过去时段的负荷数据的第三级近似分量和第三级细节分量之间的互相关性的值大于预定阈值。
根据本发明的示例性实施例,提供一种存储有计算机程序的计算机可读存储介质,当所述计算机程序在被处理器执行时实现如上所述的任一短期负荷预测方法。
根据本发明的示例性实施例,提供一种短期负荷预测装置,包括:一个或多个处理器;存储器,存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的任一短期负荷预测方法。
在根据本发明的示例性实施例的短期负荷预测方法和短期负荷预测装置中,基于过去时段的负荷数据小波分解后的第二级细节分量来获取预测时段的预测负荷数据的第二级细节分量,并基于过去时段的负荷数据的第三级近似分量、第三级细节分量以及外部参数来获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量。通过本申请的上述短期预测方法,过去时段的负荷数据小波分解后的第二级细节分量与过去时段的负荷数据的第三级近似分量和第三级细节分量被独立地处理,并且过去时段的负荷数据的第三级近似分量和第三级细节分量以及外部参数被一起使用,从而提高短期负荷预测的准确性。
将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点,还有一部分通过描述将是清楚的,或者可以经过本发明总体构思的实施而得知。
附图说明
通过下面结合示例性地示出一例的附图进行的描述,本发明的上述和其他目的和特点将会变得更加清楚,其中:
图1示出根据本发明示例性实施例的短期负荷预测方法的流程图;
图2是示出负荷数据的小波分解的示图。
具体实施方式
现将详细参照本发明的实施例,所述实施例的示例在附图中示出,其中,相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例,以便解释本发明。
根据本发明的示例性实施例,短期负荷预测可包括日负荷预测和周负荷预测。然而,本发明不限于此,本发明的短期负荷预测还可包括小时负荷预测(例如,预测1小时或2小时后的负荷等)。
图1示出根据本发明示例性实施例的短期负荷预测方法的流程图。
参照图1,在步骤S10,获取过去时段的负荷数据和预测时段的外部参数。这里,过去时段的负荷数据是已知的负荷数据,预测时段的外部参数可指示过去时段的预测时段之后的外部参数。在一个示例中,当过去时段指示今天的一点至两点,预测时段是一天时,预测时段的外部参数可指示明天一点至两点的外部参数。在另一个示例中,当过去时段指示今天的一点,预测时段是一天时,预测时段的外部参数可指示明天一点的外部参数。然而,上述示例仅是示例性的,本发明不限于此。
作为示例,外部参数可包括以下项中的至少一项:天气数据、日时间(Hour ofDay,HoD)、日代码(Code of Day,COD)和每小时电价率。然而,本发明不限于此,其他影响预测时段的负荷数据的因素或参数也可被用作外部参数。
作为示例,天气数据可包括以下项中的至少一项:温度、湿度、地面气压和云量。然而,本发明不限于此,本发明的天气数据还可包括任何其他已知的对短期负荷有影响的天气数据。在本发明中,日小时可指示时间对应于一天24小时中的第多少个小时。
在本发明中,日代码可根据该日属于星期几而被划分为三种。星期六与星期日和工作日都有不同的模式。这是因为,在周六,经常能看到相当数量的员工仍在公司或工厂工作。因此,星期六被特别考虑为一种天的代码,并使用天的代码“3”来表示。正常的工作日和包括因法定假日而被改成工作日的周六日的工作日使用天的代码“1”来表示。剩余的法定假日和周日使用日代码“2”来表示。换言之,日代码可包括“1”、“2”和“3”。
在步骤S20,通过小波分解将过去时段的负荷数据分解为第二级细节分量、第三级近似分量和第三级细节分量。
小波分解是包括在小波分析中的一个过程,小波分析将信号转换成多尺度的和移位的母小波的组合。通过小波分解得到的信号成分通常称为近似分量和细节分量,前者是高尺度、低频成分,后者表示低尺度和高频成分。也就是说,近似分量是负荷数据的高尺度和低频的分量,细节分量是负荷数据的低尺度和高频的分量。在小波分解的每一个阶段,近似分量和相应的细节分量将作为一对。例如,第一级近似分量和第二级细节分量可作为一对,第二级近似分量和第二级细节分量可作为一对,第三级近似分量和第三细节分量可作为一对,这将在图2中进行进一步描述。
对于不同的应用,存在广泛的小波母函数(例如,Mexican-hat小波、Haar 小波、Daubechies小波、Coiflets小波和Morlet小波等)。优选地,根据本发明的示例性实施例,使用Daubechies小波中的db2小波来进行小波分析(即,小波分解和小波重构)。根据本发明的示例性实施例,通过使用db2小波能够有效地隔离高起伏时间分量、较大细节分量和相关外部参数以及相对平滑的近似分量。
在步骤S30中,基于第二级细节分量,获取预测时段的预测负荷数据的第二级细节分量。
根据本发明的示例性实施例,获取预测时段的预测负荷数据的第二级细节分量的步骤包括:将过去时段的负荷数据的第二级细节分量输入到第一预测模型,以获取预测时段的预测负荷数据的第二级细节分量,其中,第一预测模型被配置为:基于过去时段的负荷数据的第二级细节分量,预测并输出预测时段的预测负荷数据的第二级细节分量。
这里,第一预测模型基于第一训练集被训练,其中,第一训练集包括:历史负荷数据小波分解后的第二级细节分量,以及与历史负荷数据对应的预测负荷数据分解后的第二级细节分量。这里,历史负荷数据和与历史负荷数据对应的预测负荷数据均为已知的负荷数据。针对训练的第一预测模型,历史负荷数据的获取时间和与历史负荷数据对应的预测负荷数据的获取时间之间的相隔时间与第一预测模型所执行的短期负荷预测的“短期”所表示的时间(例如,短期可表示一天或者一星期)。例如,当第一预测模型将被用于基于已知的今天十二点的负荷数据预测明天十二点的负荷数据(即,此时,短期表示一天)时,则,在训练该第一预测模型时,仅作为示例,历史负荷数据可以是昨天十一点的负荷数据,与历史负荷数据对应的预测负荷数据可以是已知的今天十一点的负荷;和/或历史负荷数据可以是昨天十点的负荷数据,与历史负荷数据对应的预测负荷数据可以是已知的今天十点的负荷。
例如,在训练过程中,可通过将历史负荷数据小波分解后的第二级细节分量输入到第一预测模型,以得到第一预测模型的预测输出,并基于第一预测模型的预测输出与对应于输入的历史负荷数据的预测负荷数据小波分解后的第二级细节分量之间的损失,来调整第一预测模型的参数。当上述损失小于预定阈值时,第一预测模型的训练可结束。这里所说的历史负荷数据所指示的时间与对应于输入的历史负荷数据的预测负荷数据所指示的时间可相隔预侧时段。例如,当第一预测模型是用于预测一天后的负荷数据时,用于训练的一对“历史负荷数据”和“对应于输入的历史负荷数据的预测负荷数据”所指示的时间相隔一天。
优选地,第一预测模型是非线性自回归神经网络模型(Non-LinearAutoregressive Neural Network model)。然而,本发明不限于此,第一预测模型可以是其他非线性神经网络模型。非线性自回归神经网络模型可以被解释为具有对随机部分的扩展的线性模型的替代草案,以便改进可预测部分以解释过程,而不是添加一些随机成分。神经网络包含一个线性和非线性部分。线性自回归并不总是足够的,因此必须增加其非线性部分。这个非线性部分的整体由神经网络表示,它是一个黑盒子,这是它的隐藏层。
在步骤S40,基于过去时段的负荷数据的第三级近似分量和第三级细节分量以及所述外部参数,获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量。
根据本发明的示例性实施例,将过去时段的负荷数据的第三级近似分量、第三级细节分量以及所述外部参数输入到第二预测模型,以获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量,其中,第二预测模型被配置为:基于过去时段的负荷数据的第三级近似分量和第三级细节分量以及所述外部参数,预测并输出预测时段的预测负荷数据的第三级近似分量和第三级细节分量。
这里,第二预测模型基于第二训练集被训练,其中,第二训练集包括:历史负荷数据小波分解后的第三级近似分量和第三级细节分量,与历史负荷数据对应的预测负荷数据的外部参数,以及与历史负荷数据对应的预测负荷数据分解后的第三级近似分量和第三级细节分量。上面已经参照第一预测模型描述了历史负荷数据和与历史负荷数据对应的预测负荷数据之间的关系,这里不再进行重复的描述。
例如,在训练过程中,可通过将历史负荷数据小波分解后的第三级细节分量和第三级近似分量以及外部参数输入到第二预测模型,以得到第二预测模型的包括预测的第三级细节分量和第三级近似分量的预测输出,并基于第二预测模型的预测输出与对应于输入的历史负荷数据的预测负荷数据小波分解后的第三级细节分量和第三级近似分量之间的损失,来调整第二预测模型的参数。当上述损失小于预定阈值时,第二预测模型的训练可结束。这里所说的历史负荷数据所指示的时间与对应于输入的历史负荷数据的预测负荷数据所指示的时间可相隔预测时段。例如,当第二预测模型是用于预测一天后的负荷数据时,用于训练的一对“历史负荷数据”和“对应于输入的历史负荷数据的预测负荷数据”所指示的时间相隔一天。
优选地,第二预测模型是有外部输入的非线性自回归神经网络模型 (Non-LinearAutoregressive Neural Network model with eXogenous parameters)。相比于非线性自回归神经网络模型,有外部输入的非线性自回归神经网络模型还具有外部输入。因此,上面参照非线性自回归神经网络模型的描述也可适用于有外部输入的非线性自回归神经网络模型。在本发明中,外部输入可指示外部参数。
在本发明中,指示外部参数与过去时段的负荷数据的第三级近似分量和第三级细节分量之间的互相关性的值大于预定阈值。也就是说,只有与过去时段的负荷数据的第三级近似分量和第三级细节分量之间的互相关性的值大于预定阈值的外部参数才被用于预测预测时段的预测负荷数据的第三级近似分量和第三级细节分量。这里,外部参数与预测的第三级分量(即,第三级细节分量和第三级近似分量)之间的相关性的值可被称为互相关系数。这里的互相关系数是本领域技术人员所通常知晓的互相关系数。互相关系数是两个变量(例如,输入参数X和预测的分量Y)之间的线性相关程度,并可例如被数学表示为:
在步骤S50,通过小波重构将预测负荷数据的第二级细节分量、预测负荷数据的第三级近似分量和第三级细节分量重构为预测时段的预测负荷数据。
这里,小波重构是小波分解的逆过程。上面已经在步骤S20中对小波分解进行了描述,这里不再详细描述小波重构。
此外,可选地,根据本发明的示例性实施例的短期负荷预测方法还可包括:对历史负荷数据进行自相关性分析,以确定第一预测模型和第二预测模型的输入的自延迟,其中,自相关性分析的结果指示历史负荷数据与历史负荷数据的第一预测时段前的负荷数据之间的相关程度。换言之,在发明中,自相关性分析用于确定第一预测模型和第二预测模型的输入的自延迟。这里的自相关性的值是本领域技术人员所通常知晓的自相关性的值。这里,当第一预测时段是h小时时,当前负荷数据和h小时前的负荷数据之间的自相关性的值可被例如表示为:
图2是示出负荷数据的小波分解的示图。
参照图2,负荷数据可经过一级小波分解被分解为第一级近似分量A1 和第一级细节分量D1,第一级近似分量A1可经过二级小波分解被分解为第二级近似分量A2和第二级细节分量D2,第二级近似分量可经过三级小波被分解为第三级近似分量A3和第三级细节分量D3。
根据本发明的示例性实施例,使用db2母小波(mother wavelet)的三级小波分解能够有效地将负荷数据分解成便于下一个阶段的个体分析的近似分量和细节分量。根据本发明的示例性实施例,为了平滑负荷曲线,优选地,丢弃(即,不使用)幅度较小并极度波动的第一级细节分量(D1),从而提高预测的准确性。
根据本发明的示例性实施例的自相关性分析和互相关性分析,第二级细节分量与除其延迟值之外的所有输入参数的相关性很低。因此,优选地,使用非线性自回归神经网络模型作为第一预测模型来预测第二级细节分量,从而在保证预测的准确性的同时减少计算量。
根据本发明的示例性实施例,使用平均绝对误差(MAE)和拟合优度(GoF) 来评估预测的性能。然而,本发明不限于此,用于评估误差或性能的其他指标也是可行的。
GoF和MAE指示预测结果与实际测量结果的偏离程度。GoF是无标度的,并给出了更精确的预测精度。
使用根据本发明的示例性实施例的短期预测方法预测预测时段为24小时的负荷数据,并具有7.78的MAE和0.83的GoF。使用根据本发明的示例性实施例的短期预测方法预测参数(即,各个分量和负荷数据)的性能如下表2所示。请注意,表2仅是示出性的,预测性能可能根据训练数据或训练的目标的不同而发生改变。
表2
预测参数 | MAE | GoF |
D2 | 1.4089 | 0.8336 |
D3 | 2.5074 | 0.8948 |
A3 | 6.6855 | 0.8392 |
负荷 | 7.7834 | 0.8310 |
现有的短期负荷预测方法包括非线性自回归神经网络(NAR)方法、有外部输入的非线性自回归神经网络(NARX)方法、支持向量机(SVM)方法和自适应模糊推理系统(ANFIS)方法等。在使用相同的负荷数据的情况下,现有的短期负荷预测方法和根据本发明的示例性实施例的短期负荷预测方法的性能如下表3所示。
表3
参照表3,可以看出,本发明的短期负荷预测方法的平均绝对误差(MAE) 为7.78,明显小于现有的NAR方法的平均绝对误差34.27、NARX方法的平均绝对误差22.57、SVM方法的平均绝对误差15.61和ANFIS方法的平均绝对误差18.55;本发明的短期负荷预测方法的归一化均方误差(NMAE)为 1.37,明显小于现有的NAR方法的归一化均方误差34.23、NARX方法的归一化均方误差11.74、SVM方法的归一化均方误差6.60和ANFIS方法的归一化均方误差10.23。换言之,本发明的短期负荷预测方法能够更准确地预测短期负荷。
请注意,表3所示的数据是示例性,仅为示出本发明的短期负荷预测方法的与现有的短期负荷预测方法之间的预测性能的比较。在使用不同的数据(例如,训练数据)的情况下,本发明的短期负荷预测方法的具体性能可发生变化,但仍优于现有的短期负荷预测方法。
在根据本发明的示例性实施例的短期负荷预测方法和短期负荷预测装置中,基于过去时段的负荷数据小波分解后的第二级细节分量来获取预测时段的预测负荷数据的第二级细节分量,并基于过去时段的负荷数据的第三级近似分量和第三级细节分量以及外部参数来获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量。通过本申请的上述短期预测方法,过去时段的负荷数据小波分解后的第二级细节分量与过去时段的负荷数据的第三级近似分量和第三级细节分量被独立地处理,并且过去时段的负荷数据的第三级近似分量和第三级细节分量以及外部参数被一起使用,从而提高短期负荷预测的准确性。
此外,应该理解,根据本发明示例性实施例的短期负荷预测方法和/或装置可被实现硬件组件和/或软件组件。本领域技术人员根据限定的各个程序模块所执行的处理,可以例如使用现场可编程门阵列(FPGA)或专用集成电路 (ASIC)来实现装置中的用于实现上述方法的各个程序模块。
此外,根据本发明的示例性实施例的短期负荷预测方法可以被实现为计算机可读记录介质中的计算机程序。本领域技术人员可以根据对上述方法的描述来实现所述计算机程序。当所述计算机代码在计算机中被执行时实现本发明的上述短期负荷预测方法。此外,根据本发明的示例性实施例的短期负荷预测方法可由包括一个或多个处理器和存储器的短期负荷预测装置执行,其中,存储器存储有计算机程序,当所述计算机程序被处理器执行时,实现本发明的上述短期负荷预测方法。
虽然已表示和描述了本发明的一些示例性实施例,但本领域技术人员应该理解,在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下,可以对这些实施例进行修改。
Claims (14)
1.一种短期负荷预测方法,其特征在于,所述短期负荷预测方法包括:
获取过去时段的负荷数据和预测时段的外部参数;
通过小波分解将过去时段的负荷数据分解为第二级细节分量、第三级近似分量和第三级细节分量;
基于第二级细节分量,获取预测时段的预测负荷数据的第二级细节分量;
基于过去时段的负荷数据的第三级近似分量、第三级细节分量以及所述外部参数,获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量;
通过小波重构将预测负荷数据的第二级细节分量、预测负荷数据的第三级近似分量和第三级细节分量重构为预测时段的预测负荷数据。
2.如权利要求1所述的短期负荷预测方法,其特征在于,获取预测时段的预测负荷数据的第二级细节分量的步骤包括:将过去时段的负荷数据的第二级细节分量输入到第一预测模型,以获取预测时段的预测负荷数据的第二级细节分量,其中,第一预测模型是非线性自回归神经网络模型。
3.如权利要求2所述的短期负荷预测方法,其特征在于,第一预测模型基于第一训练集被训练,其中,第一训练集包括:历史负荷数据小波分解后的第二级细节分量,以及与历史负荷数据对应的预测负荷数据分解后的第二级细节分量。
4.如权利要求1所述的短期负荷预测方法,其特征在于,获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量的步骤包括:将过去时段的负荷数据的第三级近似分量、第三级细节分量以及所述外部参数输入到第二预测模型,以获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量,其中,第二预测模型是有外部输入的非线性自回归神经网络模型。
5.如权利要求4所述的短期负荷预测方法,其特征在于,第二预测模型基于第二训练集被训练,其中,第二训练集包括:历史负荷数据小波分解后的第三级近似分量和第三级细节分量,与历史负荷数据对应的预测负荷数据的外部参数,以及与历史负荷数据对应的预测负荷数据分解后的第三级近似分量和第三级细节分量。
6.如权利要求1所述的短期负荷预测方法,其特征在于,所述外部参数包括以下项中的至少一项:天气数据、日时间、日代码和每小时电价率。
7.如权利要求6所述的短期负荷预测方法,其特征在于,天气数据包括以下项中的至少一项:温度、湿度、地面气压和云量。
8.如权利要求1所述的短期负荷预测方法,其特征在于,近似分量是负荷数据的高尺度和低频的分量,细节分量是负荷数据的低尺度和高频的分量。
9.如权利要求1所述的短期负荷预测方法,其特征在于,使用db2小波来进行小波分解和小波重构。
10.如权利要求1所述的短期负荷预测方法,其特征在于,所述短期负荷预测方法还包括:对历史负荷数据进行自相关性分析,以确定第一预测模型和第二预测模型的输入的自延迟,
其中,自相关性分析的结果指示历史负荷数据与历史负荷数据的第一预测时段前的负荷数据之间的相关程度。
11.如权利要求1所述的短期负荷预测方法,其特征在于,预测时段是一天。
12.如权利要求10所述的短期负荷预测方法,其特征在于,指示所述外部参数与过去时段的负荷数据的第三级近似分量和第三级细节分量之间的互相关性的值大于预定阈值。
13.一种存储有计算机程序的计算机可读存储介质,当所述计算机程序在被处理器执行时实现权利要求1至12中的任意一项所述的短期负荷预测方法。
14.一种短期负荷预测装置,包括:
一个或多个处理器;
存储器,存储有计算机程序,当所述计算机程序被处理器执行时,实现权利要求1至12中的任意一项所述的短期负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811620945.8A CN111382891B (zh) | 2018-12-28 | 2018-12-28 | 短期负荷预测方法和短期负荷预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811620945.8A CN111382891B (zh) | 2018-12-28 | 2018-12-28 | 短期负荷预测方法和短期负荷预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111382891A true CN111382891A (zh) | 2020-07-07 |
CN111382891B CN111382891B (zh) | 2024-02-09 |
Family
ID=71217957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811620945.8A Active CN111382891B (zh) | 2018-12-28 | 2018-12-28 | 短期负荷预测方法和短期负荷预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382891B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117154723A (zh) * | 2023-10-31 | 2023-12-01 | 国网山东省电力公司信息通信公司 | 基于多源数据和模型融合的台区短期负荷预测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090290779A1 (en) * | 2008-05-21 | 2009-11-26 | Riverain Medical Group, Llc | Feature based neural network regression for feature suppression |
CN102129511A (zh) * | 2011-02-21 | 2011-07-20 | 北京航空航天大学 | 一种基于matlab的风电场短期风速预测系统 |
CN103226739A (zh) * | 2013-04-24 | 2013-07-31 | 辽宁工程技术大学 | 一种基于泛函网络的周期来压预测方法 |
CN103605909A (zh) * | 2013-12-09 | 2014-02-26 | 重庆绿色智能技术研究院 | 一种基于灰色理论及支持向量机的水质预测方法 |
CN103778482A (zh) * | 2014-02-12 | 2014-05-07 | 中国农业大学 | 基于多尺度分析的水产养殖溶解氧短期预测方法 |
CN105373855A (zh) * | 2015-11-19 | 2016-03-02 | 国网河南省电力公司电力科学研究院 | 一种用于特殊天气和特殊日期的电力系统日负荷预测方法 |
CN105976051A (zh) * | 2016-04-29 | 2016-09-28 | 武汉大学 | 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法 |
CN106503851A (zh) * | 2016-10-25 | 2017-03-15 | 国家电网公司 | 一种改进的基于小波分析的短期电力负荷预测方法 |
CN107102969A (zh) * | 2017-04-28 | 2017-08-29 | 湘潭大学 | 一种时间序列数据的预测方法和系统 |
CN107729868A (zh) * | 2017-11-01 | 2018-02-23 | 广西师范学院 | 一种基于小波分析的信号处理方法 |
-
2018
- 2018-12-28 CN CN201811620945.8A patent/CN111382891B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090290779A1 (en) * | 2008-05-21 | 2009-11-26 | Riverain Medical Group, Llc | Feature based neural network regression for feature suppression |
CN102129511A (zh) * | 2011-02-21 | 2011-07-20 | 北京航空航天大学 | 一种基于matlab的风电场短期风速预测系统 |
CN103226739A (zh) * | 2013-04-24 | 2013-07-31 | 辽宁工程技术大学 | 一种基于泛函网络的周期来压预测方法 |
CN103605909A (zh) * | 2013-12-09 | 2014-02-26 | 重庆绿色智能技术研究院 | 一种基于灰色理论及支持向量机的水质预测方法 |
CN103778482A (zh) * | 2014-02-12 | 2014-05-07 | 中国农业大学 | 基于多尺度分析的水产养殖溶解氧短期预测方法 |
CN105373855A (zh) * | 2015-11-19 | 2016-03-02 | 国网河南省电力公司电力科学研究院 | 一种用于特殊天气和特殊日期的电力系统日负荷预测方法 |
CN105976051A (zh) * | 2016-04-29 | 2016-09-28 | 武汉大学 | 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法 |
CN106503851A (zh) * | 2016-10-25 | 2017-03-15 | 国家电网公司 | 一种改进的基于小波分析的短期电力负荷预测方法 |
CN107102969A (zh) * | 2017-04-28 | 2017-08-29 | 湘潭大学 | 一种时间序列数据的预测方法和系统 |
CN107729868A (zh) * | 2017-11-01 | 2018-02-23 | 广西师范学院 | 一种基于小波分析的信号处理方法 |
Non-Patent Citations (2)
Title |
---|
刘丙军;邵东国;沈新平;: "基于小波变换的BP神经网络参考作物腾发量预测模型", 武汉大学学报(工学版), no. 01 * |
林青;戴慧;: "基于MWSVR和ARMA混合模型的流量预测", 计算机工程, no. 12 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117154723A (zh) * | 2023-10-31 | 2023-12-01 | 国网山东省电力公司信息通信公司 | 基于多源数据和模型融合的台区短期负荷预测方法及系统 |
CN117154723B (zh) * | 2023-10-31 | 2024-04-02 | 国网山东省电力公司信息通信公司 | 基于多源数据和模型融合的台区短期负荷预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111382891B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tan et al. | Ultra-short-term industrial power demand forecasting using LSTM based hybrid ensemble learning | |
Yao et al. | Wavelet transform and neural networks for short-term electrical load forecasting | |
Ballester et al. | Effective 1-day ahead prediction of hourly surface ozone concentrations in eastern Spain using linear models and neural networks | |
Singh et al. | Integrated forecasting using the discrete wavelet theory and artificial intelligence techniques to reduce the bullwhip effect in a supply chain | |
Tian et al. | Short-term wind power prediction based on empirical mode decomposition and improved extreme learning machine | |
CN115169703A (zh) | 一种基于长短时记忆网络组合的短期电力负荷预测方法 | |
Tatinati et al. | A hybrid approach for short-term forecasting of wind speed | |
CN110852509A (zh) | Igbt模块的故障预测方法、装置及存储介质 | |
Zhou et al. | A hybrid grey prediction model for small oscillation sequence based on information decomposition | |
CN115169746A (zh) | 基于融合模型的电力负荷短期预测方法、装置及相关介质 | |
CN114548586A (zh) | 一种基于混合模型的短期电力负荷预测方法及系统 | |
Kosana et al. | Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network | |
Cai et al. | Wind power forecasting based on ensemble empirical mode decomposition with generalized regression neural network based on cross-validated method | |
CN116757465A (zh) | 一种基于双训练权重分配模型的线路风险评估方法及装置 | |
Subbiah | Deep learning based load forecasting with decomposition and feature selection techniques | |
CN111382891B (zh) | 短期负荷预测方法和短期负荷预测装置 | |
Eljazzar et al. | Enhancing electric load forecasting of ARIMA and ANN using adaptive Fourier series | |
Deb et al. | A wavelet based hybrid SARIMA-ETS model to forecast electricity consumption | |
Netsanet et al. | Short term load forecasting using wavelet augmented non-linear autoregressive neural networks: A single customer level perspective | |
Sandya et al. | Feature extraction, classification and forecasting of time series signal using fuzzy and garch techniques | |
Arandia et al. | The effect of temporal resolution on the accuracy of forecasting models for total system demand | |
MANUSOV et al. | Analysis of electricity consumption forecasting methods for the coal industry. | |
CN112883649A (zh) | 一种电力负荷预测方法、系统、计算机设备及存储介质 | |
Paul | Modelling long memory in maximum and minimum temperature series in India | |
Wijesekara et al. | Imputing large gaps of high-resolution environment temperature |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |