CN111626494A - 电力负荷预测方法、装置、计算机设备和存储介质 - Google Patents

电力负荷预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111626494A
CN111626494A CN202010442006.XA CN202010442006A CN111626494A CN 111626494 A CN111626494 A CN 111626494A CN 202010442006 A CN202010442006 A CN 202010442006A CN 111626494 A CN111626494 A CN 111626494A
Authority
CN
China
Prior art keywords
data
electric vehicle
power load
meteorological
processing
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
CN202010442006.XA
Other languages
English (en)
Inventor
陈晓江
梁哲恒
龙震岳
刘晔
陈敏
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.)
Guangdong Power Grid Co Ltd
Original Assignee
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 Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202010442006.XA priority Critical patent/CN111626494A/zh
Publication of CN111626494A publication Critical patent/CN111626494A/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"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • B60L53/665—Methods related to measuring, billing or payment
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Transportation (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • Sustainable Development (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Energy (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (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

本申请涉及一种电力负荷预测方法、装置、计算机设备和存储介质。本方法包括：计算机设备通过获取当前的台区电力负荷数据、用于表示当前电动车的充电时长和消耗功率情况的当前电动车充电行为特征数据、预测时间段内的气象数据、预测时间段内的日期数据，将台区电力负荷数据、电动车充电行为特征数据、气象数据、日期数据输入至预设的负荷预测模型中，得到用于表示台区在预测时间段内的电力负荷的台区负荷预测数据。本方法中，由于负荷预测模型的输入数据中包括电动车的充电行为特征数据，充分考虑了电动车对台区电力负荷的影响，使得台区电力负荷数据的预测结果更贴合实际负荷情况，提高了电力负荷预测数据的准确性。

Description

电力负荷预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及智能电网技术领域，特别是涉及一种电力负荷预测方法、装置、计算机设备和存储介质。
背景技术
电动车充电功率较大且充电时段较为集中，对台区电网形成了较大的冲击，部分容量不足的台区在充电集中时段甚至出现了台变严重过载的问题，严重影响了供电安全。电力负荷预测是一种能够有效的解决该问题的技术手段，其通过对台区电网的电力负荷进行预测，进而使得台区电网能够根据预测的电力负荷结果进行电力部署，从而避免台区严重过载、“停电、限电”等现象的出现。
现有的台区电力负荷预测方法，通过将待预测的配变台区的预测时间段按照季节分为若干个时间段，统计各个台区在各个时间段内的历史电力负荷和气象数据，计算各个台区在各个时间段的平均负荷增长系数和环境增加系数，根据得到的各个时间段的负荷增长系数和环境增加系数，采用数学模型对待预测配变台区的电力负荷进行预测。
然而，电动车的接入给台区电力负荷带来了较大的影响，现有的台区电力负荷预测方法的预测结果并不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种电力负荷预测方法、装置、计算机设备和存储介质。
第一方面，提供一种电力负荷预测方法，该方法包括：
获取当前的台区电力负荷数据、当前的电动车充电行为特征数据、预设时间段内的气象数据、以及预设时间段内的日期数据；电动车充电行为特征数据用于表示电动车的充电时长和消耗功率情况；
将台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据输入至预设的负荷预测模型中，得到台区负荷预测数据；台区负荷预测数据用于表示台区在预测时间段的电力负荷。
在其中一个实施例中，在将台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据输入至预设的负荷预测模型中，得到台区负荷预测数据之前，该方法还包括：
分别对台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据进行数据处理，得到数据处理后的台区电力负荷数据、数据处理后的电动车充电行为特征数据、数据处理后的气象数据、以及数据处理后的日期数据；数据处理用于减小数据误差，和/或，用于将数据格式转换为预设的数据格式；
将台区电力负荷数据、电动车充电行为特征数据、台区气象数据、以及日期数据输入至预设的负荷预测模型中，包括：
将数据处理后的台区电力负荷数据、数据处理后的电动车充电行为特征数据、数据处理后的气象数据、以及数据处理后的日期数据，输入至预设的负荷预测模型中。
在其中一个实施例中，上述分别对台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据进行数据处理，包括：
分别对台区电力负荷数据、气象数据进行连续性处理；连续性处理用于减小台区电力负荷数据、气象数据的误差，和/或，分别对台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据进行归一化处理。
在其中一个实施例中，上述对台区电力负荷数据进行连续性处理，包括：
根据台区电力负荷数据，绘制台区电力负荷数据对应的台区电力负荷曲线；
计算台区电力负荷曲线中各节点对应的台区电力负荷数据的变化率；
将变化率超过预设阈值的节点的台区电力负荷数据进行平滑处理；平滑处理指的是计算台区电力负荷数据的上一个节点数据和下一个节点数据的平均值，并将平均值作为节点平滑处理后的台区电力负荷数据。
在其中一个实施例中，上述对气象数据进行连续性处理，包括：
根据气象数据绘制气象数据对应的预测气象曲线；
计算预测气象曲线中各节点对应的气象数据的变化率；
将变化率超过预设阈值的节点的气象数据进行平滑处理；平滑处理指的是计算气象数据的上一个节点数据和下一个节点数据的平均值，并将平均值作为节点平滑处理后的气象数据。
在其中一个实施例中，上述对台区电力负荷数据进行归一化处理，包括：
计算当前台区电力负荷数据的上一个节点数据和下一个节点数据的平均值；
根据台区电力负荷数据的最小值、台区电力负荷数据的最大值、以及平均值，计算当前节点归一化处理后的台区电力负荷数据。
在其中一个实施例中，上述对气象数据进行归一化处理，包括：
计算当气象数据的上一个节点数据和下一个节点数据的平均值；
根据气象数据的最小值、气象数据的最大值、以及平均值，计算当前节点归一化处理后的气象数据。
在其中一个实施例中，电动车充电行为特征数据包括电动车充电接入时间、电动车充电离开时间和电动车充电功率，上述对电动车充电行为特征数据进行归一化处理，包括：
当电动车充电行为特征数据为电动车充电接入时间时，根据获取到的台区充电桩的总数量、第(t,t+1)时间段个时间段内的台区接入电网的电动车数量，计算电动车充电接入时间；
当电动车充电行为特征数据为电动车充电离开时间时，根据台区充电桩的总数量、第(t,t+1)时间段内的台区离开电网的电动车数量，计算电动车充电离开时间；
当电动车充电行为特征数据为电动车充电功率时，根据第t时刻的电动车的充电功率、电动车充电功率最小值、以及电动车充电功率最大值，计算第t时刻归一化处理后的电动车充电功率。
在其中一个实施例中，上述对日期数据进行归一化处理，包括：
当日期数据为工作日时，确定日期数据为第一值；
当日期数据为非工作日时，确定日期数据为第二值。
在其中一个实施例中，负荷预测模型的训练方法包括：
获取历史台区电力负荷数据、历史电动车充电行为特征数据、历史气象数据、以及历史日期数据；
分别对历史台区电力负荷数据、历史电动车充电行为特征数据、历史气象数据、以及历史日期数据进行数据处理，得到数据处理后的历史台区电力负荷数据、数据处理后的历史电动车充电行为特征数据、数据处理后的历史气象数据、以及数据处理后的历史日期数据；
将数据处理后的历史台区电力负荷数据、数据处理后的历史电动车充电行为特征数据、数据处理后的历史气象数据、以及数据处理后的历史日期数据作为初始训练模型的输入，得到训练结果；
根据训练结果的误差平方和，训练初始训练模型，直到达到预设的收敛条件，得到负荷预测模型。
在其中一个实施例中，上述根据训练结果的误差平方和，训练初始训练模型，直到达到预设的收敛条件，得到负荷预测模型，包括：
计算第k次训练结果与第k+1次训练结果的误差平方和；
根据训练总次数和误差平方和，计算第k+1次的学习速度；
根据第k+1次的学习速度，训练初始训练模型，直到达到收敛条件，得到负荷预测模型。
第二方面，提供一种电力负荷预测装置，该装置包括：
获取模块，用于获取当前的台区电力负荷数据、当前的电动车充电行为特征数据、预测时间段内的气象数据、以及预测时间段内的日期数据；电动车充电行为特征数据用于表示电动车的充电时长和消耗功率情况；
预测模块，用于将台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据输入至预设的负荷预测模型中，得到台区负荷预测数据；台区负荷预测数据用于表示台区在预测时间段的电力负荷。
第三方面，提供一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现上述第一方面任一所述的电力负荷预测方法。
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面任一所述的电力负荷预测方法。
上述电力负荷预测方法、装置、计算机设备和存储介质，计算机设备通过获取当前的台区电力负荷数据、用于表示当前电动车的充电时长和消耗功率情况的当前电动车充电行为特征数据、预测时间段内的气象数据、以及预测时间段内的日期数据，将台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据输入至预设的负荷预测模型中，得到台区负荷预测数据；台区负荷预测数据用于表示台区在预测时间段的电力负荷。本方法中，在进行台区电力负荷预测时，输入数据中包括用于表示当前电动车的充电时长和消耗功率情况的电动车充电行为特征数据，充分考虑了电动车对台区电力负荷的影响，使得台区电力负荷数据的预测结果更贴合实际负荷情况，提高了电力负荷预测数据的准确性。
附图说明
图1为一个实施例中电力负荷预测方法的应用环境图；
图2为一个实施例中电力负荷预测方法的流程示意图；
图3为一个实施例中电力负荷预测方法的流程示意图；
图4为一个实施例中电力负荷预测方法的流程示意图；
图5为一个实施例中电力负荷预测方法的流程示意图；
图6为一个实施例中电力负荷预测方法的流程示意图；
图7为一个实施例中电力负荷预测方法的流程示意图；
图8为一个实施例中电力负荷预测方法的流程示意图；
图8a为一个实施例中电力负荷预测方法的神经网络示意图；
图9为一个实施例中电力负荷预测方法的流程示意图；
图10为另一个实施例中电力负荷预测方法的流程示意图；
图11为一个实施例中电力负荷预测装置的结构框图；
图12为一个实施例中电力负荷预测装置的结构框图；
图13为一个实施例中电力负荷预测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的电力负荷预测方法，可以应用于如图1所示的应用环境中。图1提供了一种计算机设备，该计算机设备可以是台区数据采集终端，也可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电力负荷预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，本申请图2-图10实施例提供的电力负荷预测方法，其执行主体为计算机设备，也可以是电力负荷预测装置，该电力负荷预测装置可以通过软件、硬件或者软硬件结合的方式成为计算机设备的部分或全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。
在一个实施例中，如图2所示，提供了一种电力负荷预测方法，涉及的是计算机设备获取当前的台区电力负荷数据、当前电动车充电行为特征数据、预测时间段内的气象数据、以及预测时间段内的日期数据，并将上述数据输入至预设的负荷预测模型中，得到台区负荷预测数据的具体过程，包括以下步骤：
S201、获取当前的台区电力负荷数据、当前电动车充电行为特征数据、预测时间段内的气象数据、以及预测时间段内的日期数据；电动车充电行为特征数据用于表示电动车的充电时长和消耗功率情况。
其中，当前的台区电力负荷数据指的是区别于样本数据的台区电力负荷数据，该数据可以是当天多个时间段台区电力负荷数据，同样的，当前电动车充电行为特征数据可以为当天多个时间段的电动车充电行为特征数据。预测时间段内的气象数据指的是预测需求中指定未来时间段内的气象数据，同样的，预测时间段内的日期数据也是预测需求中指定未来时间段内的日期数据。
在本实施例中，计算机设备可以通过网络连接采集台区总表数据得到台区电力负荷数据，例如，通过RS485总线交互数据或通过电力线连接数据获取。计算机设备可以通过第三方平台获取气象温度数据以及节假日数据，例如，通过台区数据采集终端计量自动化系统获取。计算机设备可以通过与电动车充电终端通信，获取电动车充电行为特征数据，例如，计算机设备可以通过与台区内充电桩交互获得电动车充电行为特征数据，进一步地，计算机设备还可以与智能充电桩交互能够获取台区所有充电桩的状态，包括是否有电动车接入及充电功率大小，从而能够获取电动车全面的行为数据。优选地，当台区充电桩总数发生变化时，电动车充电终端可以实时地将该变化信息发送至计算机设备中，本实施例对此不做限定。
S202、将台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据输入至预设的负荷预测模型中，得到台区负荷预测数据；台区负荷预测数据用于表示台区在预测时间段的电力负荷。
其中，预设的负荷预测模型是指构建的符合预测精度的预测模型，该符合预测模型可以为任意一种预测模型，例如BP神经网络模型、卷积神经网络模型、深度神经网络模型等。
在本实施例中，以BP神经网络模型为例，该BP神经网络模型包括输入层、隐含层以及输出层；输入层包括获取到的当前台区电力负荷数据对应的各时段电负荷数据节点、预测时间段内的气象数据对应的各时段气象数据节点、预测时间段内的日期数据对应的日期类型节点、当前电动车充电行为特征数据对应的电动车充电行为特征数据节点；将上述输入数据作为该BP神经网络模型的输入数据，得到用于表示该台区电力负荷的预测数据的输出结果，优选地，计算机设备还可以获取针对该负荷预测模型的输出结果的人工量化结果，根据人工量化结果反向传递梯度，在线优化所述负荷预测模型，本实施例对此不做限定。
上述电力负荷预测方法中，计算机设备通过获取当前的台区电力负荷数据、用于表示当前电动车的充电时长和消耗功率情况的当前电动车充电行为特征数据、预测时间段内的气象数据、以及预测时间段内的日期数据，将台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据输入至预设的负荷预测模型中，得到台区负荷预测数据；台区负荷预测数据用于表示台区在预测时间段的电力负荷。本方法中，在进行台区电力负荷预测时，输入数据中包括用于表示电动车的充电时长和消耗功率情况的电动车充电行为特征数据，充分考虑了电动车对台区电力负荷的影响，使得台区电力负荷数据的预测结果更贴合实际负荷情况，提高了电力负荷预测数据的准确性。
为缩短预测过程，提高预测精度，在一个实施例中，如图3所示，在将台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据输入至预设的负荷预测模型中，得到台区负荷预测数据之前，该方法还包括：
S301、分别对台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据进行数据处理，得到数据处理后的台区电力负荷数据、数据处理后的电动车充电行为特征数据、数据处理后的气象数据、以及数据处理后的日期数据；数据处理用于减小数据误差，和/或，用于将数据格式转换为预设的数据格式。
其中，数据处理可以是减小初始数据的数据误差，例如对初始数据做排序处理，剔除初始数据中最大值和最小值；数据处理还可以是对初始数据进行数据格式转换为负荷预测模型的输入数据格式。
在本实施例中，考虑到台区电力负荷数据、气象数据的离散特性，可选地，计算机设备可以对台区电力负荷数据、气象数据进行连续性处理，缩小其数据的取值范围和误差；考虑到日期数据的特殊格式，在进行负荷预测时，需要将其数据格式转换为预设的数据格式，其中预设的数据格式可以为二进制格式，还可以为其他约定格式，示例地，计算机设备可以对日期数据进行归一化处理。
具体地，在一个实施例中，上述分别对台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据进行数据处理，包括：
分别对台区电力负荷数据、气象数据进行连续性处理；连续性处理用于减小台区电力负荷数据、气象数据的误差，和/或，分别对台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据进行归一化处理。
其中，连续性处理可以是将台区电力负荷数据、气象数据进行排序，剔除台区电力负荷数据、气象数据中最大值或者最小值；还可以是剔除台区电力负荷数据、气象数据中，超过预设阈值的数据；还可以是根据台区电力负荷数据、气象数据绘制其对应的曲线图，根据曲线图中变化率对台区电力负荷数据、气象数据进行剔除处理。归一化处理指的是将不同精度的数据处理至同一个精度范围内，即将不同精度的数据处理至(0，1)的范围内，特别的，针对日期数据，归一化处理可以是将该日期数据按照预设的规则，处理成二进制格式或其他约定的数据格式，本实施例对此不做限定。
将台区电力负荷数据、电动车充电行为特征数据、台区气象数据、以及日期数据输入至预设的负荷预测模型中，包括：
S302、将数据处理后的台区电力负荷数据、数据处理后的电动车充电行为特征数据、数据处理后的气象数据、以及数据处理后的日期数据，输入至预设的负荷预测模型中。
在本实施例中，负荷预测模型的输入层包括数据处理后的台区电力负荷数据对应的各时段电负荷数据节点、数据处理后的气象数据对应的各时段气象数据节点、数据处理后的日期数据对应的日期类型节点、数据处理后的电动车充电行为特征数据对应的电动车充电行为特征数据节点，得到用于表示该台区电力负荷的预测数据的输出结果。
在本实施例中，计算机设备在将初始数据输入至负荷预测模型中前，对初始数据进行数据处理，缩小了初始数据的误差，将初始数据的数据格式转换为负荷预测模型对应的数据格式，提高了负荷预测模型的预测精度，提高了负荷预测模型的预测效率。
对负荷预测模型的输入数据进行连续性处理，其中一种情况，在一个实施例中，如图4所示，上述对台区电力负荷数据进行连续性处理，包括：
S401、根据台区电力负荷数据，绘制台区电力负荷数据对应的台区电力负荷曲线。
在本实施例中，计算机设备根据获取到的当前台区电力负荷数据，绘制台区电力负荷曲线，当前台区电力负荷数据指的是当前时间段的多个时刻的台区电力负荷数据，绘制台区电力负荷曲线时，可选地，计算机设备可以将时间作为自变量，台区电力负荷数据作为应变量，进行台区电力负荷曲线的绘制，本实施例对此不做限定。
S402、计算台区电力负荷曲线中各节点对应的台区电力负荷数据的变化率。
其中，变化率指的是台区电力负荷曲线中各节点的斜率，可选地，计算机设备可以通过各节点对应的台区电力负荷数据与各节点对应的时间数据，计算得到各节点对应的台区电力负荷数据的变化率。
S403、将变化率超过预设阈值的节点的台区电力负荷数据进行平滑处理；平滑处理指的是计算台区电力负荷数据的上一个节点数据和下一个节点数据的平均值，并将平均值作为节点平滑处理后的台区电力负荷数据。
其中，预设阈值指的是根据台区负荷数据变化率设定的变化率阈值，绘制台区电力负荷曲线，一般为平滑曲线，若某个时刻的台区电力负荷数据的变化率超过设定阈值，可以剔除该节点。
具体地，判断第t时刻的台区负荷数据的变化率是否超过预设阈值可以通过下式确定：
|P(t)-P(t-1)|≥ΔP(t)，或，|P(n,t)-P(n,t+1)|≥ΔP(t)
若第t时刻的台区负荷数据的变化率超过预设阈值，则可以根据下式，计算第t时刻平滑处理后的台区负荷数据：
Figure BDA0002504516380000111
其中，P(t-1)为第t-1个时刻的台区负荷值，P(t+1)为t+1时刻的台区负荷值，P(t)为第t时刻台区负荷值；ΔP(t)为t时刻电力负荷数据的变化率阈值。
在本实施例中，计算机设备对台区负荷数据进行平滑处理，减小了台区负荷数据的误差，提高了负荷预测模型输入数据的数据精度。
对负荷预测模型的输入数据进行连续性处理，在另一种情况中，在一个实施例中，如图5所示，上述对气象数据进行连续性处理，包括：
S501、根据气象数据，绘制气象数据对应的预测气象曲线。
在本实施例中，计算机设备根据获取到的预测时间段内的气象数据，绘制预测气象曲线，预测时间段内的气象数据为多个气象数据，绘制预测气象曲线时，可选地，计算机设备可以将时间作为自变量，气象数据作为应变量，进行预测气象曲线的绘制，本实施例对此不做限定。
S502、计算预测气象曲线中各节点对应的气象数据的变化率。
在本实施例中，计算机设备可以通过各节点对应的气象数据与各节点对应的时间数据，计算得到各节点对应的气象数据的变化率。
S503、将变化率超过预设阈值的节点的气象数据进行平滑处理；平滑处理指的是计算气象数据的上一个节点数据和下一个节点数据的平均值，并将平均值作为节点平滑处理后的气象数据。
根据预测气象数据绘制气象数据曲线，气象数据曲线的平滑性处理可以参照上述台区电力负荷数据的平滑性处理方法确定。
具体地，判断第t时刻的气象数据的变化率是否超过预设阈值可以通过下式确定：
|T(t)-T(t-1)|≥ΔT(t)，或，|T(t)-T(t+1)|≥ΔT(t)
若第t时刻的气象数据的变化率超过预设阈值，则可以根据下式，计算第t时刻平滑处理后的气象数据：
Figure BDA0002504516380000112
其中，T(t-1)为第t-1时刻的气象数据，T(n,t+1)为第t+1时刻的气象数据，T(t)为第t时刻的气象数据；ΔT(t)为t时刻的气象数据的变化率阀值。
在本实施例中，计算机设备对气象数据进行平滑处理，减小了气象数据的误差，提高了负荷预测模型输入数据的数据精度。
对负荷预测模型的输入数据进行归一性处理，其中一种情况为，在一个实施例中，如图6所示，对台区电力负荷数据进行归一化处理，包括：
S601、计算当前台区电力负荷数据的上一个节点数据和下一个节点数据的平均值。
在本实施例中，计算机设备可以根据上述实施例提供的计算平均值的方法，确定当前台区电力负荷数据的上一个节点数据和下一个节点数据的平均值。
S602、根据台区电力负荷数据的最小值、台区电力负荷数据的最大值、以及平均值，计算当前节点归一化处理后的台区电力负荷数据。
具体地，归一化处理后的台区电力负荷数据PSt可由下式确定：
Figure BDA0002504516380000121
其中，PSmin为当前的台区负荷数据的最小值，PSmax为当前的台区负荷数据的最大值；PS为平均值。
在本实施例中，计算机设备对台区电力负荷数据进行归一化处理，将台区电力负荷数据精度处理至同一数据范围内，提高了负荷预测模型的输入数据精度。
对负荷预测模型的输入数据进行归一性处理，另一种情况为，在一个实施例中，如图7所示，对气象数据进行归一化处理，包括：
S701、计算当气象数据的上一个节点数据和下一个节点数据的平均值。
在本实施例中，计算机设备可以根据上述实施例提供的计算平均值的方法，确定气象数据的上一个节点数据和下一个节点数据的平均值。
S702、根据气象数据的最小值、气象数据的最大值、以及平均值，计算当前节点归一化处理后的气象数据。
具体地，归一化处理后的气象数据TSt可由下式确定：
Figure BDA0002504516380000131
式中，TSmin为预测气象数据的最小值，TSmax为预测气象数据的最大值，TS为平均值。
在本实施例中，计算机设备对气象数据进行归一化处理，将气象数据的数据精度处理至同一数据范围内，提高了负荷预测模型的输入数据精度。
对负荷预测模型的输入数据进行归一性处理，又一种情况为，在一个实施例中，电动车充电行为特征数据包括电动车充电接入时间、电动车充电离开时间和电动车充电功率，上述对电动车充电行为特征数据进行归一化处理，包括：
当电动车充电行为特征数据为电动车充电接入时间时，根据获取到的台区充电桩的总数量、第(t,t+1)时间段内的台区接入电网的电动车数量，计算电动车充电接入时间。
具体地，电动车充电接入时间BSbak的计算方式由下式确定：
Figure BDA0002504516380000132
其中，NSall为台区内充电桩的总数量，NSbak(t,t+1)为第(t,t+1)时间段内台区接入电网的电动车数量。
当电动车充电行为特征数据为电动车充电离开时间时，根据台区充电桩的总数量、第t个时间段内的台区离开电网的电动车数量，计算电动车充电离开时间。
具体地，电动车充电离开时间BSlev的计算方式由下式确定：
Figure BDA0002504516380000133
其中，NSall为台区内充电桩的总数量，NSlev(t,t+1)为第(t,t+1)时间段内台区离开电网的电动车数量。
当电动车充电行为特征数据为电动车充电功率时，根据第t时刻的电动车的充电功率、电动车充电功率最小值、以及电动车充电功率最大值，计算第t时刻归一化处理后的电动车充电功率。
具体地，归一化处理后的电动车充电功率PSt的计算方式由下式确定：
Figure BDA0002504516380000141
其中，PSev,t为第t时刻的电动车的充电功率值，PSmin为电动车充电功率的最小值，PSmax为电动车充电功率的最大值。
在本实施例中，计算机设备对电动车充电行为特征数据进行归一化处理，将电动车充电行为特征数据的数据精度处理至同一数据范围内，提高了负荷预测模型的输入数据精度。
对负荷预测模型的输入数据进行归一性处理，还有一种情况为，在一个实施例中，上述对日期数据进行归一化处理，包括：
当日期数据为工作日时，确定日期数据为第一值。
其中，第一值指的是计算机设备预定的数据值；该数据值可以是任意一个数字，优选地，为了达到与上述负荷预测模型的输入数据精度一致的需求，计算机设备可以设定第一值为0或1，若日期数据为工作日时，则将该日期数据确定为0或1。
当日期数据为非工作日时，确定日期数据为第二值。
在本实施例中，第二值指的是区别于第一值的数据值，该数据值同样可以是任意一个数字，优选地，为了达到与上述负荷预测模型的输入数据精度一致的需求，计算机设备可以设定第一值为1或0，若日期数据为非工作日时，则将该日期数据确定为1或0，本实施例对此不做限定。
在本实施例中，计算机设备负荷预测模型的输入数据考虑了工作日或非工作日对负荷的影响，同时对日期进行归一化处理，使其数据格式转换至负荷预测模型的输入数据的数据格式，提高了负荷预测模型的预测准确性。
计算机设备可以根据历史数据构建台区电力负荷数据的预测模型，在一个实施例中，如图8所示，负荷预测模型的训练方法包括：
S801、获取历史台区电力负荷数据、历史电动车充电行为特征数据、历史气象数据、以及历史日期数据。
其中，历史台区电力负荷数据指的是过去时间段内的台区产生的电力负荷数据；历史电动车充电行为特征数据指的是过去时间段内的电动车产生的特征数据；历史气象数据指的是过去时间段内的台区气象数据；历史日期数据指的是过去时间段内对应的日期数据；过去时间段可以为过去10天，还可以为过去20天，本实施例对此不做限定。
在本实施例中，计算机设备可以根据通过GPRS与台区数据采集终端计量自动化系统通讯，获得历史气象数据以及节假日数据，通过RS485总线交互数据或通过电力线连接，获得历史台区电力负荷数据，通过与台区内充电桩交互获得历史电动车充电行为特征数据，电动车充电行为特征数据可以包括是否有电动汽车接入及充电功率大小，本实施例对此不做限定。
S802、分别对历史台区电力负荷数据、历史电动车充电行为特征数据、历史气象数据、以及历史日期数据进行数据处理，得到数据处理后的历史台区电力负荷数据、数据处理后的历史电动车充电行为特征数据、数据处理后的历史气象数据、以及数据处理后的历史日期数据。
在本实施例中，类似于上述实施例提供了数据处理方法，在训练台区负荷电力数据的预测模型时，同样需要对初始数据做数据处理，数据处理包括对初始数据做连续性处理，和/或，对初始数据做归一性处理。具体为，分别对历史台区电力负荷数据、历史气象数据进行连续性处理，减少历史台区电力负荷数据、历史气象数据的数据误差，和/或，分别对历史台区电力负荷数据、历史电动车充电行为特征数据、历史气象数据、以及历史日期数据进行数据归一化处理，得到初始模型输入数据格式的数据，本实施例对此不做限定。
S803、将数据处理后的历史台区电力负荷数据、数据处理后的历史电动车充电行为特征数据、数据处理后的历史气象数据、以及数据处理后的历史日期数据作为初始训练模型的输入，得到训练结果。
其中，初始训练模型可以采用BP神经网络模型、卷积神经网络模型、深度神经网络模型等任意一种数学预测模型。
在本实施中，可选地，以BP神经网络模型为例说明，该BP神经网络模型包括输入层、隐含层以及输出层；输入层包括历史台区电力负荷数据对应的各时段电负荷数据节点、历史气象数据对应的各时段气象数据节点、历史日期数据对应的日期类型节点、历史电动车充电行为特征数据对应的电动汽车接入时间节点、电动汽车离开时间节点以及各时段电动汽车充电功率节点；将上述输入数据输入至初始训练模型中，得到输出结果，输出层包括与各时段电负荷数据节点数量对应的电力负荷数据节点，BP神经网络结构图可参考图8a，本实施例对此不做限定。
S804、根据训练结果的误差平方和，训练初始训练模型，直到达到预设的收敛条件，得到负荷预测模型。
其中，误差平方和指的是第k+1次的训练结果与第k次训练结果的误差平方和；该误差平方和可以表示当前训练结果的数据精度及准确性。预设的收敛条件可以为该负荷预测模型的数据精度，还可以为针对初始训练模型设定的训练次数。
在本实施例中，以BP神经网络模型为例说明，BP神经网络模型的正向传播过程中，输入数据从输入层输入，经由隐藏层逐层处理，最后通过输出层输出结果，为了时输出层的输出结果精度更高，更准确，在训练过程中，计算机设备可以根据每一次的训练结果的误差平方和，调整BP神经网络模型的学习速度，或根据每一次的训练结果的误差平方和，采用反向传播，调整BP神经网络模型输入参数，多次执行调整操作，直到该BP神经网络模型的输出结果满足数据精度要求，或者达到预设的训练次数，停止训练，得到负荷预测模型，本实施例对此不做限定。
在本实施例中，根据包括历史电动车充电行为特征数据在内的台区历史数据构建台区电力负荷数据预测模型，充分考虑了台区中电动车对台区电力负荷的影响，使得构建得到的台区电力负荷预测模型精度更高，得到的预测结果更为准确。
具体地，在一个实施例中，如图9所示，上述根据训练结果的误差平方和，训练初始训练模型，直到达到预设的收敛条件，得到负荷预测模型，包括：
S901、计算第k次训练结果与第k+1次训练结果的误差平方和。
在本实施例中，计算机设备在得到第k+1次训练结果后，可以通过获取第第k次训练结果，计算第k次训练结果与第k+1次训练结果的误差平方和，具体为，将第k+1次训练结果与第k次训练结果做减法运算，将运算结果进行平方，得到误差平方和，本实施例对此不做限定。
S902、根据训练总次数和误差平方和，计算第k+1次的学习速度。
在本实施例中，学习速度可以根据训练总次数和误差平方和确定，示例地，确定训练时第k+1次训练的学习速度η(k+1)的公式可以表示为：
Figure BDA0002504516380000171
其中，η(k)为样本训练第k次的学习速度，E(k)为样本训练第k次的误差平方和，E(k+1)为样本训练第k+1次的误差平方和，N为训练的总次数。
S903、根据第k+1次的学习速度，训练初始训练模型，直到达到收敛条件，得到负荷预测模型。
在本实施例中，计算机设备根据上述实施例计算得到的学习速度进行训练，在将第k次的误差平方和，与第k+1次的误差平方和进行比较，计算第k+1次训练的学习速度的同时，计算机设备还可以根据第k+1次的误差平方和进行收敛条件的判断。例如，判断第k+1次的误差平方和是否小于预设的数据精度阈值，若小于，则结束训练，得到负荷预测模型；若大于或等于，计算机设备可判断当前训练次数是否满足预设的训练次数，若不满足预设的训练次数，则根据第k+1次训练的学习速度继续进行初始训练模型的训练。可选地，计算机设备还可以直接判断当前训练次数是否满足预设的训练次数，若不满足，则继续训练初始训练模型；若满足，则结束训练，得到负荷预测模型，本实施例对此不做限定。
在本实施例中，通过对初始模型进行正反向训练，根据计算误差自动调节学习系数，兼顾了学习速度和误差处理，提高了预测精度。
为了更好的说明上述方法，如图10所示，本实施例提供一种电力负荷预测方法，具体包括：
S101、获取历史台区电力负荷数据、历史电动车充电行为特征数据、历史气象数据、以及历史日期数据；
S102、分别对历史台区电力负荷数据、历史电动车充电行为特征数据、历史气象数据、以及历史日期数据进行数据处理，得到数据处理后的历史台区电力负荷数据、数据处理后的历史电动车充电行为特征数据、数据处理后的历史气象数据、以及数据处理后的历史日期数据；
S103、将数据处理后的历史台区电力负荷数据、数据处理后的历史电动车充电行为特征数据、数据处理后的历史气象数据、以及数据处理后的历史日期数据作为初始训练模型的输入，得到训练结果；
S104、计算第k次训练结果与第k+1次训练结果的误差平方和；
S105、根据训练总次数和误差平方和，计算第k+1次的学习速度；
S106、根据第k+1次的学习速度，训练初始训练模型，直到达到收敛条件，得到负荷预测模型；
S107、获取当前台区电力负荷数据、当前电动车充电行为特征数据、预测时间段内的气象数据、以及预测时间段内的日期数据；
S108、分别对当前台区电力负荷数据、气象数据进行连续性处理，和/或，分别对当前台区电力负荷数据、当前电动车充电行为特征数据、气象数据、以及日期数据进行归一化处理；
S109、将数据处理后的台区电力负荷数据、数据处理后的电动车充电行为特征数据、数据处理后的气象数据、以及数据处理后的日期数据，输入至预设的负荷预测模型中，得到台区电力负荷预测数据。
在本实施例中，计算机设备充分考虑了电动车对台区电力负荷的影响，在训练台区电力负荷预测模型时，将电动车充电行为特征数据作为输入数据，进行初始模型的训练，通过该预测模型得到的台区电力负荷预测数据更贴合实际负荷情况，提高了电力负荷预测数据的准确性。
上述实施例提供的电力负荷预测方法，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
应该理解的是，虽然图2-10的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-10中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图11所示，提供了一种电力负荷预测装置，包括：获取模块01和预测模块02，其中：
获取模块01，用于获取当前的台区电力负荷数据、前的电动车充电行为特征数据、预测时间段内的气象数据、以及预测时间段内的日期数据；电动车充电行为特征数据用于表示电动车的充电时长和消耗功率情况；
预测模块02，用于将台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据输入至预设的负荷预测模型中，得到台区负荷预测数据；台区负荷预测数据用于表示台区在预测时间段的电力负荷。
在其中一个实施例中，如图12所示，上述电力负荷预测装置还包括数据处理模块03；
数据处理模块03，用于分别对台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据进行数据处理，得到数据处理后的台区电力负荷数据、数据处理后的电动车充电行为特征数据、数据处理后的气象数据、以及数据处理后的日期数据；数据处理用于减小数据误差，和/或，用于将数据格式转换为预设的数据格式；
预测模块02，还用于将数据处理后的台区电力负荷数据、数据处理后的电动车充电行为特征数据、数据处理后的气象数据、以及数据处理后的日期数据，输入至预设的负荷预测模型中。
在其中一个实施例中，数据处理模块03包括连续性处理单元和归一化处理单元，其中：
连续性处理单元，用于分别对台区电力负荷数据、气象数据进行连续性处理；连续性处理用于减小台区特征数据的误差；
归一化处理单元，用于分别对台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据进行归一化处理。
在其中一个实施例中，上述连续性处理单元，具体用于根据台区电力负荷数据，绘制台区电力负荷数据对应的台区电力负荷曲线；计算台区电力负荷曲线中各节点对应的台区电力负荷数据的变化率；将变化率超过预设阈值的节点的台区电力负荷数据进行平滑处理；平滑处理指的是计算台区电力负荷数据的上一个节点数据和下一个节点数据的平均值，并将平均值作为节点平滑处理后的台区电力负荷数据。
在其中一个实施例中，上述连续性处理单元，具体用于根据气象数据绘制气象数据对应的气象曲线；计算气象曲线中各节点对应的气象数据的变化率；将变化率超过预设阈值的节点的气象数据进行平滑处理；平滑处理指的是计算气象数据的上一个节点数据和下一个节点数据的平均值，并将平均值作为节点平滑处理后的气象数据。
在其中一个实施例中，上述归一化处理单元，具体用于计算台区电力负荷数据的上一个节点数据和下一个节点数据的平均值；根据台区电力负荷数据的最小值、台区电力负荷数据的最大值、以及平均值，计算当前节点归一化处理后的台区电力负荷数据。
在其中一个实施例中，上述归一化处理单元，具体用于计算气象数据的上一个节点数据和下一个节点数据的平均值；根据气象数据的最小值、气象数据的最大值、以及平均值，计算当前节点归一化处理后的气象数据。
在其中一个实施例中，上述归一化处理单元，具体用于当电动车充电行为特征数据为电动车充电接入时间时，根据获取到的台区充电桩的总数量、第(t,t+1)时间段内的台区接入电网的电动车数量，计算电动车充电接入时间；还用于当电动车充电行为特征数据为电动车充电离开时间时，根据台区充电桩的总数量、第(t,t+1)时间段的台区离开电网的电动车数量，计算电动车充电离开时间；还用于当电动车充电行为特征数据为电动车充电功率时，根据第t时刻的电动车的充电功率、电动车充电功率最小值、以及电动车充电功率最大值，计算第t时刻归一化处理后的电动车充电功率。
在其中一个实施例中，上述归一化处理单元，具体用于当日期数据为工作日时，确定日期数据为第一值；还用于当日期数据为非工作日时，确定日期数据为第二值。
在其中一个实施例中，如图13所示，上述电力负荷预测装置还包括训练模型模块04，该训练模型模块04包括获取单元、数据处理单元和训练单元，其中：
获取单元，用于获取历史台区电力负荷数据、历史电动车充电行为特征数据、历史气象数据、以及历史日期数据；
数据处理单元，用于分别对历史台区电力负荷数据、历史电动车充电行为特征数据、历史气象数据、以及历史日期数据进行数据处理，得到数据处理后的历史台区电力负荷数据、数据处理后的历史电动车充电行为特征数据、数据处理后的历史气象数据、以及数据处理后的历史日期数据；
训练单元，用于将数据处理后的历史台区电力负荷数据、数据处理后的历史电动车充电行为特征数据、数据处理后的历史气象数据、以及数据处理后的历史日期数据作为初始训练模型的输入，得到训练结果；
训练单元，还用于根据训练结果的误差平方和，训练初始训练模型，直到达到预设的收敛条件，得到负荷预测模型。
在其中一个实施例中，上述训练单元，具体用于计算第k次训练结果与第k+1次训练结果的误差平方和；根据训练总次数和误差平方和，计算第k+1次的学习速度；根据第k+1次的学习速度，训练初始训练模型，直到达到收敛条件，得到负荷预测模型。
关于电力负荷预测装置的具体限定可以参见上文中对于电力负荷预测方法的限定，在此不再赘述。上述电力负荷预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取当前的台区电力负荷数据、当前的电动车充电行为特征数据、预测时间段内的气象数据、以及预测时间段内的日期数据；电动车充电行为特征数据用于表示电动车的充电时长和消耗功率情况；
将台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据输入至预设的负荷预测模型中，得到台区负荷预测数据；台区负荷预测数据用于表示台区在预测时间段的电力负荷。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取当前的台区电力负荷数据、当前的电动车充电行为特征数据、预测时间段内的气象数据、以及预测时间段内的日期数据；电动车充电行为特征数据用于表示电动车的充电时长和消耗功率情况；
将台区电力负荷数据、电动车充电行为特征数据、气象数据、以及日期数据输入至预设的负荷预测模型中，得到台区负荷预测数据；台区负荷预测数据用于表示台区在预测时间段的电力负荷。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (14)

1.一种电力负荷预测方法，其特征在于，所述方法包括：
获取当前的台区电力负荷数据、当前的电动车充电行为特征数据、预测时间段内的气象数据、以及所述预测时间段内的日期数据；所述当前电动车充电行为特征数据用于表示电动车当前的充电时长和消耗功率情况；
将所述台区电力负荷数据、所述电动车充电行为特征数据、所述气象数据、以及所述日期数据输入至预设的负荷预测模型中，得到台区负荷预测数据；所述台区负荷预测数据用于表示所述台区在所述预测时间段的电力负荷。
2.根据权利要求1所述的方法，其特征在于，在将所述台区电力负荷数据、所述电动车充电行为特征数据、所述气象数据、以及所述日期数据输入至预设的负荷预测模型中，得到台区负荷预测数据之前，所述方法还包括：
分别对所述台区电力负荷数据、所述电动车充电行为特征数据、所述气象数据、以及所述日期数据进行数据处理，得到数据处理后的台区电力负荷数据、数据处理后的电动车充电行为特征数据、数据处理后的气象数据、以及数据处理后的日期数据；所述数据处理用于减小数据误差，和/或，用于将数据格式转换为预设的数据格式；
所述将所述台区电力负荷数据、所述电动车充电行为特征数据、所述台区气象数据、以及所述日期数据输入至预设的负荷预测模型中，包括：
将所述数据处理后的台区电力负荷数据、所述数据处理后的电动车充电行为特征数据、所述数据处理后的气象数据、以及所述数据处理后的日期数据，输入至预设的负荷预测模型中。
3.根据权利要求2所述的方法，其特征在于，所述分别对所述台区电力负荷数据、所述电动车充电行为特征数据、所述气象数据、以及所述日期数据进行数据处理，包括：
分别对所述台区电力负荷数据、所述气象数据进行连续性处理；所述连续性处理用于减小所述台区电力负荷数据、所述气象数据的误差，和/或，分别对所述台区电力负荷数据、所述电动车充电行为特征数据、所述气象数据、以及所述日期数据进行归一化处理。
4.根据权利要求3所述的方法，其特征在于，所述对所述台区电力负荷数据进行连续性处理，包括：
根据所述台区电力负荷数据，绘制所述台区电力负荷数据对应的台区电力负荷曲线；
计算所述台区电力负荷曲线中各节点对应的台区电力负荷数据的变化率；
将所述变化率超过预设阈值的节点的台区电力负荷数据进行平滑处理；所述平滑处理指的是计算所述台区电力负荷数据的上一个节点数据和下一个节点数据的平均值，并将所述平均值作为所述节点平滑处理后的台区电力负荷数据。
5.根据权利要求3所述的方法，其特征在于，所述对所述气象数据进行连续性处理，包括：
根据所述气象数据，绘制所述气象数据对应的预测气象曲线；
计算所述预测气象曲线中各节点对应的气象数据的变化率；
将所述变化率超过预设阈值的节点的气象数据进行平滑处理；所述平滑处理指的是计算所述气象数据的上一个节点数据和下一个节点数据的平均值，并将所述平均值作为所述节点平滑处理后的气象数据。
6.根据权利要求3所述的方法，其特征在于，所述对所述气象数据进行连续性处理，包括：
计算当气象数据的上一个节点数据和下一个节点数据的平均值；
根据气象数据的最小值、气象数据的最大值、以及平均值，计算当前节点归一化处理后的气象数据。
7.根据权利要求3所述的方法，其特征在于，所述对所述台区电力负荷数据进行归一化处理，包括：
计算所述台区电力负荷数据的上一个节点数据和下一个节点数据的平均值；
根据所述台区电力负荷数据的最小值、所述台区电力负荷数据的最大值、以及所述平均值，计算当前节点归一化处理后的台区电力负荷数据。
8.根据权利要求3所述的方法，其特征在于，所述电动车充电行为特征数据包括电动车充电接入时间、电动车充电离开时间和电动车充电功率，所述对所述电动车充电行为特征数据进行归一化处理，包括：
当所述电动车充电行为特征数据为所述电动车充电接入时间时，根据获取到的台区充电桩的总数量、第(t,t+1)时间段内的台区接入电网的电动车数量，计算所述电动车充电接入时间；
当所述电动车充电行为特征数据为所述电动车充电离开时间时，根据所述台区充电桩的总数量、第(t,t+1)时间段内的台区离开电网的电动车数量，计算所述电动车充电离开时间；
当所述电动车充电行为特征数据为所述电动车充电功率时，根据第t时刻的电动车的充电功率、电动车充电功率最小值、以及电动车充电功率最大值，计算第t时刻归一化处理后的电动车充电功率。
9.根据权利要求3所述的方法，其特征在于，所述对所述日期数据进行归一化处理，包括：
当所述日期数据为工作日时，确定所述日期数据为第一值；
当所述日期数据为非工作日时，确定所述日期数据为第二值。
10.根据权利要求1所述的方法，其特征在于，所述负荷预测模型的训练方法包括：
获取历史台区电力负荷数据、历史电动车充电行为特征数据、历史气象数据、以及历史日期数据；
分别对所述历史台区电力负荷数据、所述历史电动车充电行为特征数据、所述历史气象数据、以及所述历史日期数据进行数据处理，得到数据处理后的历史台区电力负荷数据、数据处理后的历史电动车充电行为特征数据、数据处理后的历史气象数据、以及数据处理后的历史日期数据；
将所述数据处理后的历史台区电力负荷数据、所述数据处理后的历史电动车充电行为特征数据、所述数据处理后的历史气象数据、以及所述数据处理后的历史日期数据作为所述初始训练模型的输入，得到训练结果；
根据所述训练结果的误差平方和，训练所述初始训练模型，直到达到预设的收敛条件，得到所述负荷预测模型。
11.根据权利要求10所述的方法，其特征在于，所述根据所述训练结果的误差平方和，训练所述初始训练模型，直到达到预设的收敛条件，得到所述负荷预测模型，包括：
计算第k次训练结果与第k+1次训练结果的误差平方和；
根据所述训练总次数和所述误差平方和，计算所述第k+1次的学习速度；
根据所述第k+1次的学习速度，训练所述初始训练模型，直到达到所述收敛条件，得到所述负荷预测模型。
12.一种电力负荷预测装置，其特征在于，所述装置包括：
获取模块，用于获取当前的台区电力负荷数据、当前的电动车充电行为特征数据、预测时间段内的气象数据、以及所述预测时间段内的日期数据；所述电动车充电行为特征数据用于表示电动车的充电时长和消耗功率情况；
预测模块，用于将所述台区电力负荷数据、所述电动车充电行为特征数据、所述气象数据、以及所述日期数据输入至预设的负荷预测模型中，得到台区负荷预测数据；所述台区负荷预测数据用于表示所述台区在未来预设时间段的电力负荷。
13.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述的方法的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。
CN202010442006.XA 2020-05-22 2020-05-22 电力负荷预测方法、装置、计算机设备和存储介质 Pending CN111626494A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010442006.XA CN111626494A (zh) 2020-05-22 2020-05-22 电力负荷预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010442006.XA CN111626494A (zh) 2020-05-22 2020-05-22 电力负荷预测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN111626494A true CN111626494A (zh) 2020-09-04

Family

ID=72271024

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010442006.XA Pending CN111626494A (zh) 2020-05-22 2020-05-22 电力负荷预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111626494A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508301A (zh) * 2020-12-21 2021-03-16 北京梧桐车联科技有限责任公司 电动车辆的充电负荷预测方法、装置及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014049269A1 (fr) * 2012-09-26 2014-04-03 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procede de determination d'une prevision de la puissance electrique fournie par une installation de fourniture d'energie electrique
CN109359784A (zh) * 2018-11-29 2019-02-19 浙江华云电力工程设计咨询有限公司 计及运营商的电动汽车负荷时间预测方法和系统
CN109359786A (zh) * 2018-12-05 2019-02-19 国网江苏省电力有限公司扬州供电分公司 一种电力台区短期负荷预测方法
CN110570014A (zh) * 2019-08-07 2019-12-13 浙江大学 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法
CN110570042A (zh) * 2019-09-16 2019-12-13 燕山大学 一种短期电动汽车充电负荷预测方法及系统
CN110751314A (zh) * 2019-09-16 2020-02-04 上海电力大学 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法
CN110889527A (zh) * 2018-09-07 2020-03-17 国网甘肃省电力公司电力科学研究院 一种基于lstm神经网络的电动汽车充电负荷预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014049269A1 (fr) * 2012-09-26 2014-04-03 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procede de determination d'une prevision de la puissance electrique fournie par une installation de fourniture d'energie electrique
CN110889527A (zh) * 2018-09-07 2020-03-17 国网甘肃省电力公司电力科学研究院 一种基于lstm神经网络的电动汽车充电负荷预测方法
CN109359784A (zh) * 2018-11-29 2019-02-19 浙江华云电力工程设计咨询有限公司 计及运营商的电动汽车负荷时间预测方法和系统
CN109359786A (zh) * 2018-12-05 2019-02-19 国网江苏省电力有限公司扬州供电分公司 一种电力台区短期负荷预测方法
CN110570014A (zh) * 2019-08-07 2019-12-13 浙江大学 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法
CN110570042A (zh) * 2019-09-16 2019-12-13 燕山大学 一种短期电动汽车充电负荷预测方法及系统
CN110751314A (zh) * 2019-09-16 2020-02-04 上海电力大学 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508301A (zh) * 2020-12-21 2021-03-16 北京梧桐车联科技有限责任公司 电动车辆的充电负荷预测方法、装置及存储介质
CN112508301B (zh) * 2020-12-21 2024-05-17 北京梧桐车联科技有限责任公司 电动车辆的充电负荷预测方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN108416690A (zh) 基于深度lstm神经网络的电网负荷预测方法
CN102779223A (zh) 短期电力负荷预测的方法及装置
CN105929216B (zh) 一种卫星电源主母线电流区间预测方法
CN109102155B (zh) 一种超短期节点边际电价概率预测方法及系统
CN112329997A (zh) 电力需求负荷预测方法及系统、电子设备和存储介质
CN112068003A (zh) 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置
CN116307215A (zh) 一种电力系统的负荷预测方法、装置、设备及存储介质
CN113837812B (zh) 节点电价联合概率预测方法及装置
CN113807589A (zh) 基于模型预测的运营商储能的滚动优化方法及装置
CN117744916A (zh) 储能容量的预测方法、装置、计算机设备及可读存储介质
Wang et al. Electric vehicle charging load clustering and load forecasting based on long short term memory neural network
CN111626494A (zh) 电力负荷预测方法、装置、计算机设备和存储介质
Yu et al. Unscented trainable Kalman filter based on deep learning method considering incomplete information
CN112801357B (zh) 日照辐射量预测方法、装置、设备及存储介质
CN112287503B (zh) 用于交通需求预测的动态空间网络构建方法
CN117592510A (zh) 一种基于安全约束的负荷预测方法与系统
CN117332897A (zh) 人工智能驱动的新能源小时间尺度功率插值集成预测方法
CN117350336A (zh) 充电负荷预测及模型训练方法、装置、设备及存储介质
JP2016005347A (ja) 設備規模見積装置、設備規模見積方法および設備規模見積プログラム
Barati et al. Kernel Regression Method for Stochastic Real-time State Estimation in Power Grid
CN115952921A (zh) 一种光伏能源功率预测方法、装置、电子设备及存储介质
CN116142014A (zh) 一种电动汽车智能充电方法、装置、设备及介质
CN114759579A (zh) 一种基于数据驱动的电网有功优化控制系统、方法和介质
CN114741952A (zh) 一种基于长短期记忆网络的短期负荷预测方法
CN116611669B (zh) 一种需求侧资源可行域聚合方法、系统及电子设备

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: 20200904