CN111583065B - 一种电力负荷数据预测方法及装置 - Google Patents

一种电力负荷数据预测方法及装置 Download PDF

Info

Publication number
CN111583065B
CN111583065B CN202010398627.2A CN202010398627A CN111583065B CN 111583065 B CN111583065 B CN 111583065B CN 202010398627 A CN202010398627 A CN 202010398627A CN 111583065 B CN111583065 B CN 111583065B
Authority
CN
China
Prior art keywords
trusted
information
prediction
information set
preset
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.)
Active
Application number
CN202010398627.2A
Other languages
English (en)
Other versions
CN111583065A (zh
Inventor
卢世祥
林佳
姜晓
李健
冯小峰
阙华坤
吴锦涛
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.)
Measurement Center of Guangdong Power Grid Co Ltd
Original Assignee
Measurement Center of Guangdong Power Grid 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 Measurement Center of Guangdong Power Grid Co Ltd filed Critical Measurement Center of Guangdong Power Grid Co Ltd
Priority to CN202010398627.2A priority Critical patent/CN111583065B/zh
Publication of CN111583065A publication Critical patent/CN111583065A/zh
Application granted granted Critical
Publication of CN111583065B publication Critical patent/CN111583065B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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"
    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种电力负荷数据预测方法及装置，其中方法包括：根据预置异常数据将历史信息划分为可信历史信息和不完全可信历史信息后，得到可信信息集和不完全可信信息集；利用预置倍比平滑算法对可信信息集进行预测，以及扩展操作，得到可信预测信息集；根据历史信息生成第一特征曲线，并进行延拓，得到第二特征曲线；以预置距离条件作为约束，根据预置决策树回归模型对第二特征曲线进行非线性变换，得到第一预测曲线；通过第一预测曲线最后的X个点形成的第二预测曲线进行信息集预测操作。本申请解决了现有技术并没有考虑电力负荷数据之间的内在联系，而且忽略了异常数据对预测结果的影响的技术问题。

Description

一种电力负荷数据预测方法及装置
技术领域
本申请涉及电力负荷技术领域，尤其涉及一种电力负荷数据预测方法及装置。
背景技术
传统的电力预测机制是使用修补后的电力负荷数据进行预测。然而，在实际工程中，一些母线的异常数据较多，对异常数据进行修复后，修复结果有可能很不理想，以至于修补后的异常数据与历史中与该异常数据同一时刻的负荷数据相比会产生较大偏差。这种情况下，传统的预测机制体现出明显的不足。
发明内容
本申请提供了一种电力负荷数据预测方法及装置，用于解决现有的电力负荷预测机制并没有考虑电力负荷数据之间的内在联系，而且忽略了异常数据对预测结果的影响的技术问题。
有鉴于此，本申请第一方面提供了一种电力负荷数据预测方法，包括：
根据预置异常数据将历史信息划分为可信历史信息和不完全可信历史信息后，得到可信信息集和不完全可信信息集，其中，所述历史信息包括：负荷数据和该负荷数据对应的信息时刻；
利用预置倍比平滑算法对所述可信信息集进行预测，以及扩展操作，得到可信预测信息集；
根据所述历史信息生成第一特征曲线，并进行延拓，得到第二特征曲线；
以预置距离条件作为约束，根据预置决策树回归模型对所述第二特征曲线进行非线性变换，得到第一预测曲线，所述预置距离条件的配置过程为：根据所述可信预测信息集配置；
通过所述第一预测曲线最后的X个点形成的第二预测曲线进行信息集预测操作，其中X为自然数，且X≥2。
优选地，所述预置异常数据的配置过程为：
对历史负荷数据进行修补，得到所述历史信息和历史信息矩阵；
对所述历史信息进行异常数据辨识操作，得到所述预置异常数据。
优选地，所述根据预置异常数据将历史信息划分为可信历史信息和不完全可信历史信息后，得到可信信息集和不完全可信信息集包括：
根据所述预置异常数据生成与所述历史信息矩阵对应的异常数据标识矩阵；
根据所述历史信息矩阵和所述异常数据标识矩阵，将所述历史信息划分为可信历史信息和不完全可信历史信息后，得到可信信息集和不完全可信信息集。
优选地，所述利用预置倍比平滑算法对所述可信信息集进行预测，以及扩展操作，得到可信预测信息集，之前还包括：
当判断到所述可信信息集对应的可信信息时刻小于预置数量时，则在所述历史信息中选择修补效果达到预置标准的异常负荷数据添加至所述可信信息集。
优选地，所述利用预置倍比平滑算法对所述可信信息集进行预测，以及扩展操作，得到可信预测信息集包括：
利用预置倍比平滑算法预测所述可信信息时刻的子信息集；
根据所述子信息集和所述可信信息时刻生成初始可信预测信息集，所述初始可信预测信息集包括可信数据标识数组；
将所述初始可信预测信息集进行扩展，得到所述可信预测信息集。
优选地，所述根据所述历史信息生成第一特征曲线，并进行延拓，得到第二特征曲线包括：
对所述历史信息进行特征分解，得到所述第一特征曲线；
将所述第一特征曲线进行延拓，得到所述第二特征曲线。
本申请第二方面提供了一种电力负荷数据预测装置，包括：
划分模块，用于根据预置异常数据将历史信息划分为可信历史信息和不完全可信历史信息后，得到可信信息集和不完全可信信息集，其中，所述历史信息包括：负荷数据和该负荷数据对应的信息时刻；
第一预测模块，用于利用预置倍比平滑算法对所述可信信息集进行预测，以及扩展操作，得到可信预测信息集；
曲线生成模块，用于根据所述历史信息生成第一特征曲线，并进行延拓，得到第二特征曲线；
变换模块，用于以预置距离条件作为约束，根据预置决策树回归模型对所述第二特征曲线进行非线性变换，得到第一预测曲线，所述预置距离条件的配置过程为：根据所述可信预测信息集配置；
第二预测模块，用于通过所述第一预测曲线最后的X个点形成的第二预测曲线进行信息集预测操作，其中X为自然数，且X≥2。
优选地，所述预置异常数据的配置过程为：
对历史负荷数据进行修补，得到所述历史信息和历史信息矩阵；
对所述历史信息进行异常数据辨识操作，得到所述预置异常数据。
优选地，所述划分模块，包括：
第一生成子模块，用于根据所述预置异常数据生成与所述历史信息矩阵对应的异常数据标识矩阵；
划分子模块，用于根据所述历史信息矩阵和所述异常数据标识矩阵，将所述历史信息划分为可信历史信息和不完全可信历史信息后，得到可信信息集和不完全可信信息集。
优选地，所述第一预测模块，具体包括：
预测子模块，用于利用预置倍比平滑算法预测所述可信信息时刻的子信息集；
第二生成子模块，用于根据所述子信息集和所述可信信息时刻生成初始可信预测信息集，所述初始可信预测信息集包括可信数据标识数组；
扩展子模块，用于将所述初始可信预测信息集进行扩展，得到所述可信预测信息集。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请中，提供了一种电力负荷数据预测方法，包括：根据预置异常数据将历史信息划分为可信历史信息和不完全可信历史信息后，得到可信信息集和不完全可信信息集，其中，历史信息包括：负荷数据和该负荷数据对应的信息时刻；利用预置倍比平滑算法对可信信息集进行预测，以及扩展操作，得到可信预测信息集；根据历史信息生成第一特征曲线，并进行延拓，得到第二特征曲线；以预置距离条件作为约束，根据预置决策树回归模型对第二特征曲线进行非线性变换，得到第一预测曲线，预置距离条件的配置过程为：根据可信预测信息集配置；通过第一预测曲线最后的X个点形成的第二预测曲线进行信息集预测操作，其中X为自然数，且X≥2。
本申请提供的电力负荷数据预测方法，提出了可信信息集和不完全可信信息集的概念，并不是直接将修补的数据进行预测，而是以可信信息集为基础进行预测的机制；同时，分析了电力负荷数据之间的纵向关系和横向关系，所谓纵向关系即为利用可信信息集进行预测操作，得到可信预测信息集；而横向关系则是获取历史信息的特征曲线，为了加强横向关联度，还对特征曲线作延拓操作；并且，妥善处理了异常数据对预测机制的影响，从而使得预测的结果更加具有科学性和可靠性。因此，本申请解决了现有的电力负荷预测机制并没有考虑电力负荷数据之间的内在联系，而且忽略了异常数据对预测结果的影响的技术问题。
附图说明
图1为本申请实施例提供的一种电力负荷数据预测方法的一个流程示意图；
图2为本申请实施例提供的一种电力负荷数据预测方法的另一个流程示意图；
图3为本申请实施例提供的一种电力负荷数据预测装置的结构示意图；
图4为本申请实施例提供的倍比平滑算法预测步骤示意图；
图5为本申请实施例提供的非线性变换前后的特征曲线示意图；
图6为本申请应用例提供的电力负荷数据预测方法的可信度影响的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
首先，在对本申请实施例进行描述的过程中出现的部分名词或者术语适用于如下解释：
可信信息时刻：也称作完全可信时刻，给定一个时刻，如果历史负荷集中每一天在这个时刻的负荷均为正常数据，那么称这个特定的时刻为为完全可信时刻。完全可信时刻上的所有历史负荷值组成完全可信信息集，即可信信息集。
不完全可信信息时刻：对于某一时刻，在某天的历史负荷集中存在异常数据，那么称这个时刻为不完全可信信息时刻。不完全可信信息时刻上的所有历史负荷值组成不完全可信信息集。
举例说明：在做某天的预测时，从前一天起连续取14天的历史负荷数据，对历史负荷数据进行辨识，发现其中某一天从0:00～8:00的负荷数据为空，其余没有任何异常数据点，那么0:00～8:00为不完全可信信息时刻，8:15～23:45为可信信息时刻，相应的，所有在8:15～23:45的负荷数据组成可信信息集，其他时刻的负荷数据组成不完全可信信息集。
为了便于理解，请参阅图1，本申请提供的一种电力负荷数据预测方法的实施例一，包括：
步骤101、根据预置异常数据将历史信息划分为可信历史信息和不完全可信历史信息后，得到可信信息集和不完全可信信息集，其中，历史信息包括：负荷数据和该负荷数据对应的信息时刻。
需要说明的是，预置异常数据是根据提前对历史信息进行辨识得到的，将历史负荷数据进行修补，就可以得到历史信息；而妥善的处理异常数据就可以影响最终的预测结果，本实施例利用异常数据对历史信息进行类别的划分，得到可信信息集，在可信信息集的基础上进行预测，得到的预测结果更加可靠。并且，修补后的历史负荷数据与未经修补的历史负荷数据的可信度肯定是不一样的，修补后的历史负荷数据更在一定程度上提高可信度，这样可以增加可信信息集的量。可信信息集对应有可信信息时刻，不完全可信信息集对应有不完全可信信息时刻。
步骤102、利用预置倍比平滑算法对可信信息集进行预测，以及扩展操作，得到可信预测信息集。
需要说明的是，预置倍比平滑算法的预测过程分为标幺曲线预测和基值预测两个部分，其预测思路为：待预测当天的标幺曲线可由相关负荷集的标幺曲线的逐点平滑结果得到，而相应的基值由前一周期的倍比关系预测。由于需要对基值进行外推预测，最开始获取历史信息的时候就连续获取两个星期的负荷数据。得到的预测负荷集，还需要进一步地进行扩展操作，扩展操作能够提高负荷预测精度，加强负荷数据之间的横向联系；预测负荷集的扩展同时还包括标识数组的扩展，预测负荷集与标识数组都是对应的，扩展后就可以得到可信预测信息集。
步骤103、根据历史信息生成第一特征曲线，并进行延拓，得到第二特征曲线。
需要说明的是，特征曲线能够表征历史信息中的负荷数据的数据特征，因此，能够根据特征曲线获取到预测负荷数据，由于信息集作出了扩展操作，相应的特征曲线也需要进行类似的扩展，此处称为曲线的延拓，延拓的方法主要是对曲线的延长处理，但要在一定的条件下进行延长，延长的点数，即长度与预测信息集的扩展数据量一致。
步骤104、以预置距离条件作为约束，根据预置决策树回归模型对第二特征曲线进行非线性变换，得到第一预测曲线，预置距离条件的配置过程为：根据可信预测信息集配置。
需要说明的是，将特征曲线进行非线性变换后就可以得到预测曲线，但是为了增强预测结果的准确性和严谨性，预测曲线需要满足一定的条件，就是预测曲线与可信预测信息集之间满足一定的距离条件，因为可信预测信息集是根据可信信息集预测得到的，所以，预测曲线与其距离越近，得到的预测结果的可信度就越高，增加预测结果的准确性。
步骤105、通过第一预测曲线最后的X个点形成的第二预测曲线进行信息集预测操作，其中X为自然数，且X≥2。
需要说明的是，在第一预测曲线中选择最后X个点即为待预测日的曲线段，通过这段曲线就可以得到预测日的预测结果，即负荷数据。
本实施例提供的电力负荷数据预测方法，提出了可信信息集和不完全可信信息集的概念，并不是直接将修补的数据进行预测，而是以可信信息集为基础进行预测的机制；同时，分析了电力负荷数据之间的纵向关系和横向关系，所谓纵向关系即为利用可信信息集进行预测操作，得到可信预测信息集；而横向关系则是获取历史信息的特征曲线，为了加强横向关联度，还对特征曲线作延拓操作；并且，妥善处理了异常数据对预测机制的影响，从而使得预测的结果更加具有科学性和可靠性。因此，本实施例解决了现有的电力负荷预测机制并没有考虑电力负荷数据之间的内在联系，而且忽略了异常数据对预测结果的影响的技术问题。
为了便于理解，请参阅图2，本申请提供了一种电力负荷数据预测方法的实施例二，包括：
步骤201、对历史负荷数据进行修补，得到历史信息和历史信息矩阵。
步骤202、对历史信息进行异常数据辨识操作，得到预置异常数据。
需要说明的是，对历史负荷数据进行修补的技术为现有技术，在此不作限定，可以根据实际需求选择修补效果最佳的方法，得到的历史信息就是修补后的信息集，历史信息矩阵就是将负荷数据表达为矩阵的形式：
其中，N为获取的天数，一般为14天，即两个星期的数据，T为每天获取的时刻点数，一般是T＝96。异常数据的辨识同样可以根据现有的辨识技术得到，在此不作赘述，选择最适用于电力负荷数据的方法即可，历史信息中存在着异常数据，即使是修补后的负荷数据，因此，直接利用修补后的负荷数据进行预测，得到的结果是欠妥的，但是修补后的和修补之前的负荷数据的质量肯定是存在差异的，这也进一步的会影响后续的可信信息集的数量，修补后的数据是更有利于获取可信信息集的。
步骤203、根据预置异常数据生成与历史信息矩阵对应的异常数据标识矩阵。
需要说明的是，历史信息对应有历史信息矩阵，那么预置异常数据同样对应有异常数据标识矩阵，表达为：
其中Ii,j表示负荷数据的可信度，当Ii,j＝1时，表示此时对应的负荷数据可信，当Ii,j＝0时，表示此时对应的负荷数据不可信。
步骤204、根据历史信息矩阵和异常数据标识矩阵，将历史信息划分为可信历史信息和不完全可信历史信息后，得到可信信息集和不完全可信信息集。
需要说明的是，根据历史信息矩阵和异常数据标识矩阵的对应关系，可以将历史信息划分为可信信息集和不完全可信信息集；历史信息包括负荷数据和信息时刻，信息时刻包括可信信息集对应的可信信息时刻和不完全可信信息集对应的不完全可信信息时刻。可以将可信信息时刻的标识数组表示为：
Q＝[Q1...Qj...QT]；
其中：
该公式的含义是：若使得In,t＝0，则Qt＝0；若/>使得In,t＝1，则Qt＝1，所以，Qj＝1表示在j时刻没有任何异常数据，这说明j时刻为可信信息时刻，将L中所有满足条件的列取出，假设共有k列，即k个可信信息时刻，且k<T，就可以得到可信信息集，剩下的即为不完全可信信息集，可信信息集表示为：
步骤205、当判断到可信信息集对应的可信信息时刻小于预置数量时，则在历史信息中选择修补效果达到预置标准的异常负荷数据添加至可信信息集。
需要说明的是，由于工程应用过程中对于某些类型的异常数据的修补效果比较理想，而其他类型的异常数据的修补效果可能会差强人意，因此，当异常数据点过多时，会导致可信信息集接近空集，这样就无法进行后续的预测分析，需要进一步将可信信息集的内涵进行扩展，认为可信信息集是包含全部正确负荷数据和被精确修补的异常数据的历史数据集合。预置数量一般设置为5个左右，且必须大于2，判断得到可信信息时刻的数量就是判断对应的可信信息集中的负荷数据的数量；预置标准就是能够精确修补的异常负荷数据，具体的可以根据实际情况设定。
步骤206、利用预置倍比平滑算法预测可信信息时刻的子信息集。
需要说明的是，请参阅图4，表述了倍比平滑算法在本实施例中的使用方法。预置倍比平滑算法的预测过程分为标幺曲线预测和基值预测两个部分，其预测思路为：待预测当天的标幺曲线可由相关负荷集的标幺曲线的逐点平滑结果得到，而相应的基值由前一周期的倍比关系预测。由于需要对基值进行外推预测，最开始获取历史信息的时候就连续获取两个星期的负荷数据。
步骤207、根据子信息集和可信信息时刻生成初始可信预测信息集，初始可信预测信息集包括可信数据标识数组。
需要说明的是，原先每天获取的数据点是T个，但是经过可信度选择后只剩下k个，因此，可以将子信息集与响应的可信信息时刻一一对应，不完全可信信息时刻的预测值为0，即如果在历史信息L中第j列为第t个可信信息时刻，那么这一列在可信信息集中就是第t列，有这一列预测得到的将/>对应到Lj上，即令/>如果历史信息L中第j列为不完全可信信息时刻，那么Lj＝0，具体预测方式可以参阅图4。可以发现，得到的初始可信预测信息集其实与原始的历史信息的大小一致，便于后续计算。
步骤208、将初始可信预测信息集进行扩展，得到可信预测信息集。
需要说明的是，初始可信预测信息集还需要进一步地进行扩展操作，扩展操作能够提高负荷预测精度，加强负荷数据之间的横向联系；预测负荷集的扩展同时还包括可信数据标识数组的扩展，预测负荷集与标识数组都是对应的，扩展后就可以得到可信预测信息集。具体原理是利用重叠曲线法的思想，有效利用负荷的延续性，体现出负荷之间的横向联系，但是该方法无法直接在可信信息集的概念下使用，因此，本实施例将可信信息集这一概念进行扩展，使其能够适用于重叠曲线法；采用负荷数据序列的最后h个点进行重叠拟合，这样选择的原因是这h个点的可信度较高，且是与不完全可信信息时刻之间存在强烈的横向联系的，将这最后的h点扩展到可信信息集的概念中，形成扩展的可信预测信息集。扩展的可信预测信息集可以表示为：
其中，Pl＝[Pn,T-h+1Pn,T-h...Pn,T]表示用于重叠拟合的序列，为初始可信预测信息集，长度为T。
步骤209、对历史信息进行特征分解，得到第一特征曲线。
步骤210、将第一特征曲线进行延拓，得到第二特征曲线。
需要说明的是，可以对历史信息进行特征分解，得到日分量d(t)和周分量w(t)；或者是低频分量和高频发呢量；具体的可以令第一特征曲线为：
F(t)＝d(t)+w(t)；
然后对第一特征曲线可以进行延拓操作，具体的方式其实和上述的负荷数据集的扩展相似，可以用如下公式表达：
其中，h'表示曲线增加了h'个点，延拓后的第二特征曲线便于进行后续的非线性变换。
步骤211、以预置距离条件作为约束，根据预置决策树回归模型对第二特征曲线进行非线性变换，得到第一预测曲线，预置距离条件的配置过程为：根据可信预测信息集配置。
需要说明的是，请参阅图5，其中实线是变换后的特征曲线，即第一预测曲线，虚线是变换前的负荷数据曲线，即FE(t)；预置距离条件根据可信预测信息集设置，本实施例中的预置距离条件是，第一预测曲线与与可信预测信息集的距离最小。主要过程为：采用预置决策树回归模型对第二特征曲线进行非线性变换：
Fc(t)＝DT(FE(t))；
而得到的结果需要满足预置距离条件：
存在有限个t，对于可信信息时刻Qt＝1，Fc(t)与PE存在一一对应的关系，通过变换模型和约束条件，最终将得到的Fc(t)作为可以进行预测的第一预测曲线。
步骤212、通过第一预测曲线最后的X个点形成的第二预测曲线进行信息集预测操作，其中X为自然数，且X≥2。
需要说明的是，本实施例中为了便于计算，获取的天数是14天，可以以7天为一个周奇，最终得到的预测曲线中可以将最后的X点形成的曲线作为预测结果，具体的点数可以根据需求选取，但是少于曲线总长度。
为了便于理解，本实施例提供一种电力负荷数据预测装置的应用例，由于历史信息可以被划分为可信的和不完全可信的，那么预测的负荷也可以被划分为可信的不完全可信的，请参阅图6，描述了可信信息与不完全可信信息之间，可信信息时刻预测值与不完全可信信息时刻预测值之间的影响关系，主要横向联系和纵向联系，以提取的横向联系影响预测结果。采用某电网5个变电站的母线负荷数据，去2009年1月的数据作为历史数据，对比两种策略：A、修补后用倍比平滑法进行预测；B、本实施例中的方法，将信息集进行可信度划分，再预测。对比过程如下：
1)数据质量较差的情况下的对比
在1月的数据中，发现这五条母线22日从0：00～20：15所有历史数据缺失，为了比较两种策略在异常数据问题较严重情况下的预测结果，对22日的同类型日，即29日，进行预测，结果如表1所示：
表1异常数据严重干扰下的预测准确度对比
结果表明，在有严重异常数据干扰，且修补效果不好的情况下(一般来讲超过半日以上的异常数据修补效果不会十分理想)，本实施例提出的预测策略的效果明显优于原有策略。
2)连续多日预测结果对比
执行连续多日预测，对比五条母线的平均预测精度，选择天数为7天，对比的结果请参阅表2：
表2连续多日预测的平均准确率对比
从表2可以看出，本实施例中的方法的多日预测的平均准确度仍然由于原有的策略。
为了便于理解，请参阅图3，本申请还提供了一种电力负荷数据预测装置的实施例，包括：
划分模块301，用于根据预置异常数据将历史信息划分为可信历史信息和不完全可信历史信息后，得到可信信息集和不完全可信信息集，其中，历史信息包括：负荷数据和该负荷数据对应的信息时刻；
第一预测模块302，用于利用预置倍比平滑算法对可信信息集进行预测，以及扩展操作，得到可信预测信息集；
曲线生成模块303，用于根据历史信息生成第一特征曲线，并进行延拓，得到第二特征曲线；
变换模块304，用于以预置距离条件作为约束，根据预置决策树回归模型对第二特征曲线进行非线性变换，得到第一预测曲线，预置距离条件的配置过程为：根据可信预测信息集配置；
第二预测模块305，用于通过第一预测曲线最后的X个点形成的第二预测曲线进行信息集预测操作，其中X为自然数，且X≥2。
进一步地，预置异常数据的配置过程为：
对历史负荷数据进行修补，得到历史信息和历史信息矩阵；
对历史信息进行异常数据辨识操作，得到预置异常数据。
进一步地，历史信息划分模块301，包括：
第一生成子模块3011，用于根据预置异常数据生成与历史信息矩阵对应的异常数据标识矩阵；
划分子模块3012，用于根据历史信息矩阵和异常数据标识矩阵，将历史信息划分为可信历史信息和不完全可信历史信息后，得到可信信息集和不完全可信信息集。
进一步地，第一预测模块302，具体包括：
预测子模块3021，用于利用预置倍比平滑算法预测可信信息时刻的子信息集；
第二生成子模块3022，用于根据子信息集和可信信息时刻生成初始可信预测信息集，初始可信预测信息集包括可信数据标识数组；
扩展子模块3023，用于将初始可信预测信息集进行扩展，得到可信预测信息集。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上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。

Claims (6)

1.一种电力负荷数据预测方法，其特征在于，包括：
根据预置异常数据将历史信息划分为可信历史信息和不完全可信历史信息后，得到可信信息集和不完全可信信息集，其中，所述历史信息包括：负荷数据和该负荷数据对应的信息时刻，划分过程具体为：根据所述预置异常数据生成与历史信息矩阵对应的异常数据标识矩阵；
根据所述历史信息矩阵和所述异常数据标识矩阵，将所述历史信息划分为可信历史信息和不完全可信历史信息后，得到可信信息集和不完全可信信息集；
所述预置异常数据的配置过程为：
对历史负荷数据进行修补，得到所述历史信息和所述历史信息矩阵；
对所述历史信息进行异常数据辨识操作，得到所述预置异常数据；
利用预置倍比平滑算法对所述可信信息集进行预测，以及扩展操作，得到可信预测信息集；
根据所述历史信息生成第一特征曲线，并进行延拓，得到第二特征曲线；
以预置距离条件作为约束，根据预置决策树回归模型对所述第二特征曲线进行非线性变换，得到第一预测曲线，所述预置距离条件的配置过程为：根据所述可信预测信息集配置；
通过所述第一预测曲线最后的X个点形成的第二预测曲线进行信息集预测操作，其中X为自然数，且X≥2。
2.根据权利要求1所述的电力负荷数据预测方法，其特征在于，所述利用预置倍比平滑算法对所述可信信息集进行预测，以及扩展操作，得到可信预测信息集，之前还包括：
当判断到所述可信信息集对应的可信信息时刻小于预置数量时，则在所述历史信息中选择修补效果达到预置标准的异常负荷数据添加至所述可信信息集。
3.根据权利要求2所述的电力负荷数据预测方法，其特征在于，所述利用预置倍比平滑算法对所述可信信息集进行预测，以及扩展操作，得到可信预测信息集包括：
利用预置倍比平滑算法预测所述可信信息时刻的子信息集；
根据所述子信息集和所述可信信息时刻生成初始可信预测信息集，所述初始可信预测信息集包括可信数据标识数组；
将所述初始可信预测信息集进行扩展，得到所述可信预测信息集。
4.根据权利要求1所述的电力负荷数据预测方法，其特征在于，所述根据所述历史信息生成第一特征曲线，并进行延拓，得到第二特征曲线包括：
对所述历史信息进行特征分解，得到所述第一特征曲线；
将所述第一特征曲线进行延拓，得到所述第二特征曲线。
5.一种电力负荷数据预测装置，其特征在于，包括：
划分模块，用于根据预置异常数据将历史信息划分为可信历史信息和不完全可信历史信息后，得到可信信息集和不完全可信信息集，其中，所述历史信息包括：负荷数据和该负荷数据对应的信息时刻，所述划分模块，包括：
第一生成子模块，用于根据所述预置异常数据生成与历史信息矩阵对应的异常数据标识矩阵；
划分子模块，用于根据所述历史信息矩阵和所述异常数据标识矩阵，将所述历史信息划分为可信历史信息和不完全可信历史信息后，得到可信信息集和不完全可信信息集；
所述预置异常数据的配置过程为：
对历史负荷数据进行修补，得到所述历史信息和所述历史信息矩阵；
对所述历史信息进行异常数据辨识操作，得到所述预置异常数据；
第一预测模块，用于利用预置倍比平滑算法对所述可信信息集进行预测，以及扩展操作，得到可信预测信息集；
曲线生成模块，用于根据所述历史信息生成第一特征曲线，并进行延拓，得到第二特征曲线；
变换模块，用于以预置距离条件作为约束，根据预置决策树回归模型对所述第二特征曲线进行非线性变换，得到第一预测曲线，所述预置距离条件的配置过程为：根据所述可信预测信息集配置；
第二预测模块，用于通过所述第一预测曲线最后的X个点形成的第二预测曲线进行信息集预测操作，其中X为自然数，且X≥2。
6.根据权利要求5所述的电力负荷数据预测装置，其特征在于，所述第一预测模块，具体包括：
预测子模块，用于利用预置倍比平滑算法预测可信信息时刻的子信息集；
第二生成子模块，用于根据所述子信息集和所述可信信息时刻生成初始可信预测信息集，所述初始可信预测信息集包括可信数据标识数组；
扩展子模块，用于将所述初始可信预测信息集进行扩展，得到所述可信预测信息集。
CN202010398627.2A 2020-05-12 2020-05-12 一种电力负荷数据预测方法及装置 Active CN111583065B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010398627.2A CN111583065B (zh) 2020-05-12 2020-05-12 一种电力负荷数据预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010398627.2A CN111583065B (zh) 2020-05-12 2020-05-12 一种电力负荷数据预测方法及装置

Publications (2)

Publication Number Publication Date
CN111583065A CN111583065A (zh) 2020-08-25
CN111583065B true CN111583065B (zh) 2023-08-22

Family

ID=72116995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010398627.2A Active CN111583065B (zh) 2020-05-12 2020-05-12 一种电力负荷数据预测方法及装置

Country Status (1)

Country Link
CN (1) CN111583065B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508260B (zh) * 2020-12-03 2022-09-02 广东电网有限责任公司 基于对比学习的配电变压器中长期负荷预测方法及装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004112869A (ja) * 2002-09-13 2004-04-08 Toshiba Corp 電力需要予測システム
CN101425158A (zh) * 2008-12-04 2009-05-06 清华大学 基于新息的短期负荷预测方法
CN101706778A (zh) * 2008-08-27 2010-05-12 王阳 一种电力负荷预测的方法
WO2012138688A1 (en) * 2011-04-04 2012-10-11 The Catholic University Of America Systems and methods for improving the accuracy of day-ahead load forecasts on an electric utility grid
CN103544537A (zh) * 2013-09-25 2014-01-29 国网安徽省电力公司 基于预测可信度评估的综合子网累加的短期负荷预测方法
CN105243456A (zh) * 2015-11-09 2016-01-13 国家电网公司 基于决策树和专家系统的短期电力负荷预测系统及方法
CN106127340A (zh) * 2016-06-21 2016-11-16 国网浙江省电力公司金华供电公司 一种适用于超短期负荷预测的计算方法
CN106920014A (zh) * 2017-03-16 2017-07-04 广东工业大学 一种短时负荷预测方法及装置
CN109726365A (zh) * 2018-12-05 2019-05-07 新奥数能科技有限公司 一种电力负荷预测的方法和装置
CN110264001A (zh) * 2019-06-20 2019-09-20 国网上海市电力公司 基于多时序的用电负荷预测方法
CN111008726A (zh) * 2019-10-28 2020-04-14 武汉理工大学 一种电力负荷预测中类图片转换方法
CN111062464A (zh) * 2019-10-24 2020-04-24 中国电力科学研究院有限公司 一种基于深度学习的电力通信网可靠性预测和保障方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5874311B2 (ja) * 2011-10-24 2016-03-02 ソニー株式会社 電力需要予測装置、電力需要予測方法および電力需要予測システム

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004112869A (ja) * 2002-09-13 2004-04-08 Toshiba Corp 電力需要予測システム
CN101706778A (zh) * 2008-08-27 2010-05-12 王阳 一种电力负荷预测的方法
CN101425158A (zh) * 2008-12-04 2009-05-06 清华大学 基于新息的短期负荷预测方法
WO2012138688A1 (en) * 2011-04-04 2012-10-11 The Catholic University Of America Systems and methods for improving the accuracy of day-ahead load forecasts on an electric utility grid
CN103544537A (zh) * 2013-09-25 2014-01-29 国网安徽省电力公司 基于预测可信度评估的综合子网累加的短期负荷预测方法
CN105243456A (zh) * 2015-11-09 2016-01-13 国家电网公司 基于决策树和专家系统的短期电力负荷预测系统及方法
CN106127340A (zh) * 2016-06-21 2016-11-16 国网浙江省电力公司金华供电公司 一种适用于超短期负荷预测的计算方法
CN106920014A (zh) * 2017-03-16 2017-07-04 广东工业大学 一种短时负荷预测方法及装置
CN109726365A (zh) * 2018-12-05 2019-05-07 新奥数能科技有限公司 一种电力负荷预测的方法和装置
CN110264001A (zh) * 2019-06-20 2019-09-20 国网上海市电力公司 基于多时序的用电负荷预测方法
CN111062464A (zh) * 2019-10-24 2020-04-24 中国电力科学研究院有限公司 一种基于深度学习的电力通信网可靠性预测和保障方法和系统
CN111008726A (zh) * 2019-10-28 2020-04-14 武汉理工大学 一种电力负荷预测中类图片转换方法

Also Published As

Publication number Publication date
CN111583065A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN107591800B (zh) 基于场景分析的含分布式电源配电网运行状态预测方法
CN106447201B (zh) 基于马尔可夫决策过程的输变电设备最佳检修决策方法
CN111008502A (zh) 一种数字孪生驱动的复杂装备故障预测方法
CN113592165B (zh) 基于旬倾向和物理模态建模的次季节气候预测方法与系统
CN111583065B (zh) 一种电力负荷数据预测方法及装置
Gao et al. Estimation of Chinese C0 2 Emission Based on A Discrete Fractional Accumulation Grey Model.
CN110334865B (zh) 一种基于卷积神经网络的电力设备故障率预测方法及系统
Zhang et al. Enhancing economics of power systems through fast unit commitment with high time resolution
CN103020086A (zh) 一种图片查重的方法及装置
CN101206727B (zh) 数据处理装置和数据处理方法
CN111861704A (zh) 风控特征生成方法及系统
Müller Energy system modeling with aggregated time series: A profiling approach
CN108123436B (zh) 基于主成分分析和多元回归算法的电压越限预测模型
Sistermanns et al. Feature-and structure-preserving network reduction for large-scale transmission grids
CN115376309A (zh) 一种基于多视角时间矩阵分解的缺失交通数据修复方法
CN114662969A (zh) 一种车辆电气架构的评估方法、装置、计算机设备及介质
CN111061254B (zh) 一种phm系统性能的评价方法及系统
CN110348509B (zh) 数据增广参数的调整方法、装置、设备及存储介质
CN112614006A (zh) 负荷预测方法、装置、计算机可读存储介质以及处理器
Cha et al. On availability of Bayesian imperfect repair model
CN111797081A (zh) 一种电力运营监控数据质量评估系统及方法
Ly et al. A novel quantile Lite-PCE for probabilistic risk assessment of power system cascading outage for N-1-1 contingency analysis
CN113420893B (zh) 维修案例生成方法、装置、电子设备及存储介质
CN117149846B (zh) 一种基于数据融合的电力数据分析方法和系统
Zhang et al. Research on Sales Forecast of Automobile Spare Parts Based on LightGBM and Feature Engineering

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