CN111709548A - 基于支持向量机的电力用户负荷预测方法、装置、设备及存储介质 - Google Patents

基于支持向量机的电力用户负荷预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111709548A
CN111709548A CN202010343055.8A CN202010343055A CN111709548A CN 111709548 A CN111709548 A CN 111709548A CN 202010343055 A CN202010343055 A CN 202010343055A CN 111709548 A CN111709548 A CN 111709548A
Authority
CN
China
Prior art keywords
condition data
load
predicted
support vector
vector machine
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
CN202010343055.8A
Other languages
English (en)
Inventor
刘泽健
吴天文
周卓伟
郑群儒
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.)
Shenzhen Huagong Energy Technology Co ltd
Original Assignee
Shenzhen Huagong Energy 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 Shenzhen Huagong Energy Technology Co ltd filed Critical Shenzhen Huagong Energy Technology Co ltd
Priority to CN202010343055.8A priority Critical patent/CN111709548A/zh
Publication of CN111709548A publication Critical patent/CN111709548A/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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Water Supply & Treatment (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (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

本申请提供一种基于支持向量机的电力用户负荷预测方法、装置、电子设备及计算机可读存储介质。上述方法包括：获取待预测时间段以及所述待预测时间段对应的条件数据集合；对所述条件数据集合中条件数据进行预处理，再对预处理后条件数据集合进行归一化处理得到输入参数集合；将所述输入参数集合输入支持向量机预测模型，使得所述支持向量机预测模型根据所述输入参数集合得到预测结果；对所述预测结果进行反归一化处理，得到所述待预测时间段对应的负荷预测值集合。上述方法，在进行负荷预测时，先对条件数据进行预处理和归一化处理，使得条件数据特征更统一、计算时速度更快；再采用支持向量机预测模型进行负荷预测，相较于传统方法准确度更高。

Description

基于支持向量机的电力用户负荷预测方法、装置、设备及存储 介质
技术领域
本申请涉及数据预测领域，特别是涉及一种基于支持向量机的电力用户负荷预测方法、装置、电子设备及计算机可读存储介质。
背景技术
面向电力用户的电力负荷预测是电力系统中经济调度的一项重要内容，准确的电力负荷预测，能够使电力用户合理安排用电时间，降低电力费用。随着社会经济与电力市场的发展，电力负荷预测越来越重要，对电力负荷预测精度的要求也越来越高。目前，传统的基于支持向量机的电力用户负荷预测方法往往准确度不高，误差较大。
发明内容
本申请实施例提供一种基于支持向量机的电力用户负荷预测方法、装置、电子设备及计算机可读存储介质，可以提高负荷预测的准确度。
一种基于支持向量机的电力用户负荷预测方法，包括：
获取待预测时间段以及所述待预测时间段对应的条件数据集合；
对所述条件数据集合中条件数据进行预处理，再对预处理后条件数据集合进行归一化处理得到输入参数集合；
将所述输入参数集合输入支持向量机预测模型，使得所述支持向量机预测模型根据所述输入参数集合得到预测结果；
对所述预测结果进行反归一化处理，得到所述待预测时间段对应的负荷预测值集合。
在一个实施例中，所述方法还包括：若所述负荷预测值集合中存在异常负荷预测值，对所述异常负荷预测值进行修正处理。
在一个实施例中，所述对所述异常负荷预测值进行修正处理包括：确定所述异常负荷预测值对应的时间点；获取所述时间点的历史负荷值，根据所述历史负荷值对所述异常负荷预测值进行修正。
在一个实施例中，所述获取所述待预测时间段对应的条件数据集合包括：获取所述支持向量机预测模型支持的条件数据类型；获取所述待预测时间段内所述条件数据类型对应的条件数据组成所述条件数据集合。
在一个实施例中，所述对所述条件数据集合中条件数据进行预处理包括：检测所述条件数据集合中是否存在异常条件数据；若存在所述异常条件数据，剔除所述异常条件数据。
在一个实施例中，所述方法还包括：获取待预测时间段对应的负荷实测值集合；将所述负荷实测值集合与所述负荷预测值集合进行对比，获取所述负荷实测值集合与所述负荷预测值集合之间的误差值；当所述误差值大于预设阈值时，对所述支持向量机预测模型进行修正。
在一个实施例中，在所述当所述误差值大于预设阈值时之前，所述方法还包括：获取所述待预测时间段对应的时间量级；查找所述时间量级对应的误差阈值作为预设阈值。
一种基于支持向量机的电力用户负荷预测装置，包括：
第一获取模块，用于获取待预测时间段以及所述待预测时间段对应的条件数据集合；
第一处理模块，用于对所述条件数据集合中条件数据进行预处理，再对预处理后条件数据集合进行归一化处理得到输入参数集合；
预测模块，用于将所述输入参数集合输入支持向量机预测模型，使得所述支持向量机预测模型根据所述输入参数集合得到预测结果；
第二处理模块，用于对所述预测结果进行反归一化处理，得到所述待预测时间段对应的负荷预测值集合。
一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现如上任一所述的方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一所述的方法。
本申请中基于支持向量机的电力用户负荷预测方法、装置、电子设备及计算机可读存储介质，在进行负荷预测时，先对条件数据进行预处理和归一化处理，使得条件数据特征更统一、计算时速度更快；再采用支持向量机预测模型进行负荷预测，相较于传统基于支持向量机的电力用户负荷预测方法得到的负荷预测值准确度更高。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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他的附图。
图1为一个实施例中基于支持向量机的电力用户负荷预测方法的流程图；
图2为另一个实施例中基于支持向量机的电力用户负荷预测方法的流程图；
图3为另一个实施例中基于支持向量机的电力用户负荷预测方法的流程图；
图4为一个实施例中一种基于支持向量机的电力用户负荷预测装置的结构框图；
图5为另一个实施例中一种基于支持向量机的电力用户负荷预测装置的结构框图；
图6为另一个实施例中一种基于支持向量机的电力用户负荷预测装置的结构框图；
图7为一个实施例中电子设备的结构框图。
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，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一客户端称为第二客户端，且类似地，可将第二客户端称为第一客户端。第一客户端和第二客户端两者都是客户端，但其不是同一客户端。
本申请提供了一种基于支持向量机的电力用户负荷预测方法，如图1所示，该基于支持向量机的电力用户负荷预测方法包括：
步骤101，获取待预测时间段以及待预测时间段对应的条件数据集合。
负荷预测是根据多种条件数据预测未来某时间段内电力负荷的方法，其中负荷是指电力需求量或用电量。在进行负荷预测时，需要获取需要负荷预测的待预测时间段以及在该时间段对应的条件数据集合。上述待预测时间段可为电力系统选定的时间段、用户选定的时间段等，通常待预测时间段可以小时、自然日、自然月或自然年为单位。在获取到待预测时间段后，可采集该待预测时间段对应的条件数据，将采集到的条件数据作为该待预测时间段对应的条件数据集合。上述条件数据可包括待预测时间段的日期属性、温度、风速和降水量等。上述日期属性包括工作日和节假日。上述温度、风速和降水量可通过第三方机构获取。
在一个实施例中，在获取待预测时间段对应的条件数据集合时，可根据待预测时间段对应的时间量级确定采集条件数据的步长，按照采集条件数据的步长来采集待预测时间段对应的条件数据。其中，时间量级为待预测时间段的单位，采集条件数据的步长是指两次采集条件数据之间的时间间隔。时间量级由小到大包括“小时”、“天”、“月”、“年”，其中时间量级越小采集条件数据的步长越小。例如，当待预测时间段为未来某天中19:00到24:00时，从19:00起每隔1小时采集1次条件数据，即时间量级为小时时，采集条件数据的步长为1小时。当待预测时间段为未来某几天时，每隔6小时采集1次条件数据，即时间量级为天时，采集条件数据的步长为6小时。
在一个实施例中，获取待预测时间段对应的条件数据集合包括：获取支持向量机预测模型支持的条件数据类型，获取待预测时间段内条件数据类型对应的条件数据组成条件数据集合。上述支持向量机预测模型是根据条件数据进行负荷预测的模型，上述支持向量机预测模型支持的条件数据类型即支持向量机模型在负荷预测时需要的条件数据类型。由于不同支持向量机预测模型在进行负荷预测时需要的条件数据类型可能不同，因此在获取待预测时间段对应的条件数据集合前，可先获取上述支持向量机预测模型支持的条件数据类型。再根据上述支持向量机预测模型支持的条件数据类型来获取待预测时间段内条件数据类型对应的条件数据。例如，若支持向量机预测模型支持的条件数据类型为日期属性和温度，则获取待预测时间段2020年2月20日对应的条件数据集合包括：获取2020年2月20日的日期属性为工作日、以及通过第三方机构获取2020年2月20日全天的温度值。
步骤102，对条件数据集合中条件数据进行预处理，再对预处理后条件数据集合进行归一化处理得到输入参数集合。
在获取到待预测时间段的条件数据集合后，需要对上述条件数据集合中条件数据进行预处理。其中对上述条件数据进行预处理包括：检测上述条件数据中是否存在异常条件数据，当存在异常条件数据时，剔除上述异常条件数据。其中异常条件数据包括0值和突变值中至少一种，0值表示对应位置的数据缺失，突变值表示对应位置的数据与邻近数据相差较大。当条件数据中出现0值时，可通过邻近位置的数据对其进行填补。当条件数据中出现突变值时，可将其突变值剔除并根据邻近位置的数据对其进行填补。通过对样本数据集合中样本数据进行预处理，可避免异常样本数据导致的负荷预测值异常。
由于条件数据如日期属性、温度、风速和降水量等属于不同量纲的变量，不能直接输入支持向量机预测模型进行计算，因此在对条件数据集合中条件数据进行预处理后，需要再对预处理后条件数据进行归一化处理。上述归一化处理是指将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。在对条件数据集合中条件数据进行归一化处理后得到的数据即为输入参数。其中，对条件数据进行归一化处理包括：假设 QUOTE
Figure DEST_PATH_IMAGE001
Figure 347451DEST_PATH_IMAGE001
和QUOTE
Figure 973604DEST_PATH_IMAGE002
Figure 157461DEST_PATH_IMAGE002
是条件数据类型A的最大值和最小值，则将一个原始值x通过最大-最小标准化映射到区间[0,1]的值 QUOTE
Figure DEST_PATH_IMAGE003
Figure 527262DEST_PATH_IMAGE003
的公式如下：
Figure 247219DEST_PATH_IMAGE004
上述x预处理后条件数据，上述 QUOTE
Figure 44274DEST_PATH_IMAGE003
Figure 715427DEST_PATH_IMAGE003
即为对预处理后条件数据归一化处理后得到的输入参数。对预处理后条件数据集合中条件数据分别进行归一化处理，即可得到输入参数集合。
步骤103，将输入参数集合输入支持向量机预测模型，使得支持向量机预测模型根据输入参数集合得到预测结果。
在得到输入参数集合后，将上述输入参数集合输入到支持向量机预测模型，支持向量机预测模型可根据上述输入参数得到待预测时间段对应的预测结果。上述预测结果可表示预测的在上述待预测时间段内用电负荷情况。由于输入参数为归一化处理后数据，上述根据输入参数得到的预测结果也为归一化处理后数据。
步骤104，对预测结果进行反归一化处理，得到待预测时间段对应的负荷预测值集合。
由于上述预测结果为归一化处理后数据，要得到上述待预测时间段的真正负荷预测值，需要对上述预测结果进行反归一化处理。其中，反归一化处理即对归一化公式 QUOTE
Figure DEST_PATH_IMAGE005
Figure 623340DEST_PATH_IMAGE005
进行逆推导即可。对上述预测结果分别进行反归一化处理即可得到上述待预测时间段对应的负荷预测值集合。上述负荷预测值集合即为待预测时间段对应的电量集合，单位为kwh（kilowatt-hour，千瓦时）。例如当待预测时间段为未来3天时，得到的负荷预测值集合可为每1天的预测电量值。
本申请实施例中基于支持向量机的电力用户负荷预测方法，在进行负荷预测时，先对条件数据进行预处理和归一化处理，使得条件数据特征更统一、计算时速度更快；再采用支持向量机预测模型进行负荷预测，相较于传统电力用户负荷预测方法得到的负荷预测值准确度更高。
图2为另一个实施例中基于支持向量机的电力用户负荷预测方法的流程图，如图2所示，一种基于支持向量机的电力用户负荷预测方法包括：
步骤201，获取待预测时间段以及待预测时间段对应的条件数据集合。
步骤202，对条件数据集合中条件数据进行预处理，再对预处理后条件数据集合进行归一化处理得到输入参数集合。
步骤203，将输入参数集合输入支持向量机预测模型，使得支持向量机预测模型根据输入参数集合得到预测结果。
步骤204，对预测结果进行反归一化处理，得到待预测时间段对应的负荷预测值集合。
步骤205，若负荷预测值集合中存在异常负荷预测值，对异常负荷预测值进行修正处理。
上述异常负荷预测值是指不符合生产实际的数据，例如负荷预测值为负值的数据。在一个实施例中，对异常负荷预测值进行修正处理包括：确定异常负荷预测值对应的时间点，获取时间点的历史负荷值，根据历史负荷值对异常负荷预测值进行修正。上述根据历史负荷值对异常负荷预测值进行修正包括：获取历史负荷值的均值，用历史负荷值的均值替代异常负荷预测值；获取时间点的历史负荷值中与上述时间点最邻近时间点的历史负荷值，用上述最邻近时间点的历史负荷值替换上述异常负荷预测值。
本申请实施例中基于支持向量机的电力用户负荷预测方法，通过支持向量机预测模型获取到负荷预测值后，对异常负荷预测值进行修正处理，进一步提高了负荷预测的准确度。
图3为另一个实施例中基于支持向量机的电力用户负荷预测方法的流程图，如图3所示，一种基于支持向量机的电力用户负荷预测方法包括：
步骤301，获取待预测时间段以及待预测时间段对应的条件数据集合。
步骤302，对条件数据集合中条件数据进行预处理，再对预处理后条件数据集合进行归一化处理得到输入参数集合。
步骤303，将输入参数集合输入支持向量机预测模型，使得支持向量机预测模型根据输入参数集合得到预测结果。
步骤304，对预测结果进行反归一化处理，得到待预测时间段对应的负荷预测值集合。
步骤305，获取待预测时间段对应的负荷实测值集合。
当对待预测时间段进行负荷预测后，当实际时间达到上述待预测时间段后，还可获取该时间段内负荷实测值集合，即该时间段内实际电力负荷情况。例如，若支持向量机预测模型预测过2020年1月31日预测电量，当实际日期到达2020年1月31日时，可获取当天的实际电量。
步骤306，将负荷实测值集合与负荷预测值集合进行对比，获取负荷实测值集合与负荷预测值集合之间的误差值。
在获取到负荷实测值集合时，可将负荷实测值集合中负荷实测值分别与负荷预测值集合中对应的负荷预测值进行对比，获取负荷实测值集合与负荷预测值集合之间的误差值。例如，2020年2月1日至2月3日的负荷预测值分别为4.3*107kwh、4.4*107kwh、4.5*107kwh，而负荷实测值分别为4.17*107kwh、4.43*107kwh、4.67*107kwh，则可将每日的负荷实测值与负荷预测值分别进行对比，获取误差值，最终得到这3日的总误差值。
步骤307，当误差值大于预设阈值时，对支持向量机预测模型进行修正。
上述预设阈值是指误差可接受阈值，通常可根据实际需求设定。当上述误差值大于预设阈值时，表示负荷预测值与负荷实测值之间误差较大，需要对支持向量机预测模型进行修正。其中，对支持向量机预测模型进行修正包括：获取更多的历史电力负荷数据和对应的历史条件数据。
在一个实施例中，在当误差值大于预设阈值时之前，上述方法还包括：获取待预测时间段对应的时间量级，查找时间量级对应的误差阈值作为预设阈值。通常不同时间量级对应的误差阈值不同，具体的，当时间量级为“小时”、“天”、“月”、“年”时，其对应的误差阈值均可不同。具体的误差阈值可根据实际情况设定。通常情况下，当时间量级为“天”时，其对应的误差阈值通常为15%。
本申请实施例中基于支持向量机的电力用户负荷预测方法，可获取负荷实测值集合与负荷预测值集合之间误差值，当误差值大于预设阈值时，对支持向量机预测模型进行修正，通过这种实施反馈方式能够不断修正支持向量机预测模型，提高上述支持向量机预测模型进行负荷预测的准确度。
应该理解的是，虽然上述各个流程示意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，上述各个流程示意图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
图4为一个实施例中一种基于支持向量机的电力用户负荷预测装置的结构框图。如图4所示，一种基于支持向量机的电力用户负荷预测装置包括第一获取模块401、第一处理模块402、预测模型403、第二处理模块404。
第一获取模块401，用于获取待预测时间段以及待预测时间段对应的条件数据集合。
第一处理模块402，用于对条件数据集合中条件数据进行预处理，再对预处理后条件数据集合进行归一化处理得到输入参数集合。
预测模块403，用于将输入参数集合输入支持向量机预测模型，使得支持向量机预测模型根据输入参数集合得到预测结果。
第二处理模块404，用于对预测结果进行反归一化处理，得到待预测时间段对应的负荷预测值集合。
在一个实施例中，第一获取模块401获取待预测时间段对应的条件数据集合包括：获取支持向量机预测模型支持的条件数据类型；获取待预测时间段内条件数据类型对应的条件数据组成条件数据集合。
在一个实施例中，第一处理模块402对条件数据集合中条件数据进行预处理包括：检测条件数据集合中是否存在异常条件数据；若存在异常条件数据，剔除异常条件数据。
图5为另一个实施例中一种基于支持向量机的电力用户负荷预测装置的结构框图。如图4所示，一种基于支持向量机的电力用户负荷预测装置除了包括第一获取模块501、第一处理模块502、预测模型503、第二处理模块504外，还包括：
第一修正模块505，用于若负荷预测值集合中存在异常负荷预测值，对异常负荷预测值进行修正处理。
在一个实施例中，第一修正模块505对异常负荷预测值进行修正处理包括：确定异常负荷预测值对应的时间点；获取时间点的历史负荷值，根据历史负荷值对异常负荷预测值进行修正。
图6为另一个实施例中一种基于支持向量机的电力用户负荷预测装置的结构框图。如图4所示，一种基于支持向量机的电力用户负荷预测装置除了包括第一获取模块601、第一处理模块602、预测模型603、第二处理模块604外，还包括：
第二获取模块605，用于获取待预测时间段对应的负荷实测值集合。
误差获取模块606，将负荷实测值集合与负荷预测值集合进行对比，获取负荷实测值集合与负荷预测值集合之间的误差值。
第二修正模块607，用于当误差值大于预设阈值时，对支持向量机预测模型进行修正。
在一个实施例中，第二修正模块607还用于在当误差值大于预设阈值时之前，获取待预测时间段对应的时间量级，查找时间量级对应的误差阈值作为预设阈值。
图7为一个实施例中电子设备的结构框图。如图7所示，在一个实施例中，该电子设备700可以是服务器。电子设备700可以包括一个或多个如下部件：处理器710和存储器720，其中一个或多个应用程序可以被存储在存储器720中并被配置为由一个或多个处理器710执行，一个或多个程序配置用于执行如上述的方法。
处理器710可以包括一个或者多个处理核。处理器710利用各种接口和线路连接整个电子设备700内的各个部分，通过运行或执行存储在存储器720内的指令、程序、代码集或指令集，以及调用存储在存储器720内的数据，执行电子设备700的各种功能和处理数据。可选地，处理器710可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器710可集成中央处理器（CentralProcessing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器710中，单独通过一块通信芯片进行实现。
存储器720可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。存储器720可用于存储指令、程序、代码、代码集或指令集。存储器720可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等。存储数据区还可以存储电子设备700在使用中所创建的数据等。
可以理解地，电子设备700可包括比上述结构框图中更多或更少的结构元件，在此不进行限定。
在一个实施例中，本申请提供的电子设备可以实现为一种计算机程序的形式，计算机程序可在如图7所示的设备上运行，设备的非易失性存储介质可存储组成该负荷预测模型建立装置的各个程序模块，比如，图4中第一获取模块401、第一处理模块402、预测模型403、第二处理模块404；图5中第一获取模块501、第一处理模块502、预测模型503、第二处理模块504、第一修正模块505。图6中第一获取模块601、第一处理模块602、预测模型603、第二处理模块604、第二获取模块605、误差获取模块606、第二修正模块607。各个程序模块组成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的基于支持向量机的电力用户负荷预测方法中的步骤。
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，的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）等。
如此处所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM），它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）。
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 (10)

1.一种基于支持向量机的电力用户负荷预测方法，其特征在于，包括：
获取待预测时间段以及所述待预测时间段对应的条件数据集合；
对所述条件数据集合中条件数据进行预处理，再对预处理后条件数据集合进行归一化处理得到输入参数集合；
将所述输入参数集合输入支持向量机预测模型，使得所述支持向量机预测模型根据所述输入参数集合得到预测结果；
对所述预测结果进行反归一化处理，得到所述待预测时间段对应的负荷预测值集合。
2.根据权利要求1所述的基于支持向量机的电力用户负荷预测方法，其特征在于，所述方法还包括：
若所述负荷预测值集合中存在异常负荷预测值，对所述异常负荷预测值进行修正处理。
3.根据权利要求2所述的基于支持向量机的电力用户负荷预测方法，其特征在于，所述对所述异常负荷预测值进行修正处理包括：
确定所述异常负荷预测值对应的时间点；
获取所述时间点的历史负荷值，根据所述历史负荷值对所述异常负荷预测值进行修正。
4.根据权利要求1所述的基于支持向量机的电力用户负荷预测方法，其特征在于，所述获取所述待预测时间段对应的条件数据集合包括：
获取所述支持向量机预测模型支持的条件数据类型；
获取所述待预测时间段内所述条件数据类型对应的条件数据组成所述条件数据集合。
5.根据权利要求1所述的基于支持向量机的电力用户负荷预测方法，其特征在于，所述对所述条件数据集合中条件数据进行预处理包括：
检测所述条件数据集合中是否存在异常条件数据；
若存在所述异常条件数据，剔除所述异常条件数据。
6.根据权利要求1所述的基于支持向量机的电力用户负荷预测方法，其特征在于，所述方法还包括：
获取待预测时间段对应的负荷实测值集合；
将所述负荷实测值集合与所述负荷预测值集合进行对比，获取所述负荷实测值集合与所述负荷预测值集合之间的误差值；
当所述误差值大于预设阈值时，对所述支持向量机预测模型进行修正。
7.根据权利要求6所述的基于支持向量机的电力用户负荷预测方法，其特征在于，在所述当所述误差值大于预设阈值时之前，所述方法还包括：
获取所述待预测时间段对应的时间量级；
查找所述时间量级对应的误差阈值作为预设阈值。
8.一种基于支持向量机的电力用户负荷预测装置，其特征在于，包括：
第一获取模块，用于获取待预测时间段以及所述待预测时间段对应的条件数据集合；
第一处理模块，用于对所述条件数据集合中条件数据进行预处理，再对预处理后条件数据集合进行归一化处理得到输入参数集合；
预测模块，用于将所述输入参数集合输入支持向量机预测模型，使得所述支持向量机预测模型根据所述输入参数集合得到预测结果；
第二处理模块，用于对所述预测结果进行反归一化处理，得到所述待预测时间段对应的负荷预测值集合。
9.一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1至7任一所述的方法。
10.一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如权利要求1至7任一所述的方法。
CN202010343055.8A 2020-04-27 2020-04-27 基于支持向量机的电力用户负荷预测方法、装置、设备及存储介质 Pending CN111709548A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010343055.8A CN111709548A (zh) 2020-04-27 2020-04-27 基于支持向量机的电力用户负荷预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010343055.8A CN111709548A (zh) 2020-04-27 2020-04-27 基于支持向量机的电力用户负荷预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111709548A true CN111709548A (zh) 2020-09-25

Family

ID=72536520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010343055.8A Pending CN111709548A (zh) 2020-04-27 2020-04-27 基于支持向量机的电力用户负荷预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111709548A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288158A (zh) * 2020-10-28 2021-01-29 税友软件集团股份有限公司 一种业务数据预测方法及相关装置
CN113064013A (zh) * 2021-03-31 2021-07-02 广东电网有限责任公司 一种避雷器状态监测方法、装置及系统
CN113255973A (zh) * 2021-05-10 2021-08-13 曙光信息产业(北京)有限公司 电力负荷预测方法、装置、计算机设备和存储介质
CN113554079A (zh) * 2021-07-14 2021-10-26 中国地质大学（北京） 一种基于二次检测法的电力负荷异常数据检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745275A (zh) * 2014-01-09 2014-04-23 乐金电子研发中心(上海)有限公司 光伏系统发电功率的预测方法和装置
CN106372763A (zh) * 2016-10-25 2017-02-01 国家电网公司 基于改进的支持向量机的电力负荷预测修正方法
CN107665385A (zh) * 2017-10-30 2018-02-06 上海电气集团股份有限公司 一种微电网系统用的基于支持向量机的短期负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745275A (zh) * 2014-01-09 2014-04-23 乐金电子研发中心(上海)有限公司 光伏系统发电功率的预测方法和装置
CN106372763A (zh) * 2016-10-25 2017-02-01 国家电网公司 基于改进的支持向量机的电力负荷预测修正方法
CN107665385A (zh) * 2017-10-30 2018-02-06 上海电气集团股份有限公司 一种微电网系统用的基于支持向量机的短期负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王惠中等: "电力系统短期负荷预测建模仿真研究", 《计算机仿真》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288158A (zh) * 2020-10-28 2021-01-29 税友软件集团股份有限公司 一种业务数据预测方法及相关装置
CN113064013A (zh) * 2021-03-31 2021-07-02 广东电网有限责任公司 一种避雷器状态监测方法、装置及系统
CN113255973A (zh) * 2021-05-10 2021-08-13 曙光信息产业(北京)有限公司 电力负荷预测方法、装置、计算机设备和存储介质
CN113554079A (zh) * 2021-07-14 2021-10-26 中国地质大学（北京） 一种基于二次检测法的电力负荷异常数据检测方法及系统

Similar Documents

Publication Publication Date Title
CN111709548A (zh) 基于支持向量机的电力用户负荷预测方法、装置、设备及存储介质
Zheng et al. Addressing the conditional and correlated wind power forecast errors in unit commitment by distributionally robust optimization
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN113657668A (zh) 基于lstm网络的电力负荷预测方法及系统
CN112215398A (zh) 电力用户负荷预测模型建立方法、装置、设备及存储介质
CN112907064B (zh) 基于自适应窗的电量预测方法、装置、存储介质及终端
CN110688620A (zh) 一种短期负荷预测方法及装置
CN112734072A (zh) 电力负荷预测方法、系统、终端设备及介质
CN116091118A (zh) 电价预测方法、装置、设备、介质及产品
CN111080011A (zh) 负荷电量偏差预测方法及装置
CN117239743B (zh) 一种电能表用电负荷获取方法、装置、设备及介质
CN118228069A (zh) 用电负荷预测方法、装置、设备、介质和程序产品
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN117613905A (zh) 一种基于多维分量分解的电力需求中期预测方法及系统
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
CN117455067A (zh) 一种电量消耗预测方法、装置、电子设备及存储介质
CN110120082B (zh) 金融数据的图像处理方法、装置、设备及可读存储介质
CN116150132A (zh) 一种企业物联数据处理方法、终端设备及存储介质
CN115481767A (zh) 面向配电网检修的运行数据处理方法、装置和计算机设备
CN106651005B (zh) 基线负荷预测方法及装置
CN114580740A (zh) 母线负荷预测方法、装置、电子设备及存储介质
CN113887820A (zh) 电力现货业务系统故障预测的方法、装置、计算机设备和存储介质
Alquthami et al. Importance of smart meters data processing–case of saudi arabia
CN113205257A (zh) 房产指数数据分析方法、装置、设备及存储介质
CN111694820A (zh) 电力异常数据多重过滤方法、装置、电子设备及存储介质

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: 20200925

RJ01 Rejection of invention patent application after publication