CN111815060A - 一种用电地区短期负荷预测方法及装置 - Google Patents
一种用电地区短期负荷预测方法及装置 Download PDFInfo
- Publication number
- CN111815060A CN111815060A CN202010685650.XA CN202010685650A CN111815060A CN 111815060 A CN111815060 A CN 111815060A CN 202010685650 A CN202010685650 A CN 202010685650A CN 111815060 A CN111815060 A CN 111815060A
- Authority
- CN
- China
- Prior art keywords
- load
- short
- historical
- power
- user
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012546 transfer Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000013277 forecasting method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 56
- 230000005611 electricity Effects 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 32
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005662 electromechanics Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000005612 types of electricity 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种用电地区短期负荷预测方法及装置,其中方法包括:采集待预测用电地区的历史负荷指标数据;将所述历史负荷指标数据分别输入至对应的分类负荷预测模型,以通过所述分类负荷预测模型的运算,得到不同用户类别对应的单元短期负荷预测结果,所述分类负荷预测模型为基于同一用户类别的负荷指标主成分,并以morlet母小波函数作为传递函数训练得到的神经网络模型,其中,所述负荷指标主成分为通过同一用户类别的历史负荷指标数据,通过主成分分析方式得到的;对各个所述单元短期负荷预测结果进行求和,得到所述待预测用电地区的短期负荷预测结果解决了现有的用电地区短期负荷预测方式存在的预测精度低的技术问题。
Description
技术领域
本申请涉及用电负荷管理领域,尤其涉及一种用电地区短期负荷预测方法及装置。
背景技术
在当前大力推广智能配电网的环境下,新型负荷和分布式电源的接入一方面可以使得资源和环境配置最优化,另一方面也对电力负荷预测精度提出了更高的要求。如何结合智能电网下用电负荷发展特征进行高精度的短期负荷预测,是智能电网环境下研究的重要方向。
目前,用电用户负荷预测通常都是通过神经网络预测的方式进行的,具体的做法通常为先通过分析得到影响用户用电负荷的各项影响因素,然后基于这些影响因素构建训练样本,再利用这些训练样本训练出预测模型,以便利用训练好的预测模型进行用电用户的短期负荷预测,但在实际使用中,这种预测方式存在预测精度低的技术问题。
发明内容
本申请提供了一种用电地区短期负荷预测方法及装置,用于解决现有的用电地区短期负荷预测方式存在的预测精度低的技术问题。
首先,本申请第一方面提供了一种用电地区短期负荷预测方法,包括:
采集待预测用电地区的历史负荷指标数据,其中,所述历史负荷指标数据日最高负荷、日平均温度、日平均湿度、风力、电价、月平均电力投入、人口以及各个用户的累计负荷;
将所述历史负荷指标数据分别输入至对应的分类负荷预测模型,以通过所述分类负荷预测模型的运算,得到不同用户类别对应的单元短期负荷预测结果,所述分类负荷预测模型为基于同一用户类别的负荷指标主成分,并以morlet母小波函数作为传递函数训练得到的神经网络模型,其中,所述负荷指标主成分为通过同一用户类别的历史负荷指标数据,通过主成分分析方式得到的;
对各个所述单元短期负荷预测结果进行求和,得到所述待预测用电地区的短期负荷预测结果。
可选地,所述分类负荷预测模型的配置过程具体为:
基于所述待预测地区中各个用户的分类结果,结合待预测用电地区中各个用户的历史负荷指标数据,对同一用户类别的用户进行统计,得到所述用户类别的历史负荷矩阵;
基于所述历史负荷矩阵,结合预置的相关系数计算公式,得到相关系数矩阵;
通过Jacobi矩阵求解方式,对所述相关系数矩阵进行求解,得到若干个特征根;
按照所述若干个特征根的大小顺序,将所述特征根从大至小依次累加,当特征根累加和不小于预置的贡献率阈值时,根据已累加的特征根确定所述用户类别对应的负荷指标主成分;
基于所述负荷指标主成分,并以morlet母小波函数作为传递函数进行模型训练,得到所述分类负荷预测模型。
可选地,所述待预测地区中各个用户的分类结果的获取方式具体包括:
从待预测用户的历史用电数据提取所述用户的用电负荷特征,所述历史用电负荷特征具体包括:用电负荷、用电设备及用电时段;
基于所述用户的用电负荷特征,结合预设的各类用户类型的用电负荷参考特征,通过比对,以得到所述用户的分类结果。
可选地,所述基于所述历史负荷矩阵,结合预置的相关系数计算公式,得到相关系数矩阵之前还包括:
对所述历史负荷矩阵进行标准化变换。
可选地,所述用户类别具体包括:重工业用户、轻工业用户、企业用户以及居民用户。
其次,本申请第二方面提供了一种用电地区短期负荷预测装置,包括:
采集单元,用于采集待预测用电地区的历史负荷指标数据,其中,所述历史负荷指标数据日最高负荷、日平均温度、日平均湿度、风力、电价、月平均电力投入、人口以及各个用户的累计负荷;
分类模型预测单元,用于将所述历史负荷指标数据分别输入至对应的分类负荷预测模型,以通过所述分类负荷预测模型的运算,得到不同用户类别对应的单元短期负荷预测结果,所述分类负荷预测模型为基于同一用户类别的负荷指标主成分,并以morlet母小波函数作为传递函数训练得到的神经网络模型,其中,所述负荷指标主成分为通过同一用户类别的历史负荷指标数据,通过主成分分析方式得到的;
分类预测结果汇总单元,用于对各个所述单元短期负荷预测结果进行求和,得到所述待预测用电地区的短期负荷预测结果。
可选地,还包括:
历史负荷矩阵构建单元,用于基于所述待预测地区中各个用户的分类结果,结合待预测用电地区中各个用户的历史负荷指标数据,对同一用户类别的用户进行统计,得到所述用户类别的历史负荷矩阵;
相关系数矩阵换算单元,用于基于所述历史负荷矩阵,结合预置的相关系数计算公式,得到相关系数矩阵;
相关系数矩阵解算单元,用于通过Jacobi矩阵求解方式,对所述相关系数矩阵进行求解,得到若干个特征根;
主成分确定单元,用于按照所述若干个特征根的大小顺序,将所述特征根从大至小依次累加,当特征根累加和不小于预置的贡献率阈值时,根据已累加的特征根确定所述用户类别对应的负荷指标主成分;
模型训练单元,用于基于所述负荷指标主成分,并以morlet母小波函数作为传递函数进行模型训练,得到所述分类负荷预测模型。
可选地,还包括:
负荷特征提取单元,用于从待预测用户的历史用电数据提取所述用户的用电负荷特征,所述历史用电负荷特征具体包括:用电负荷、用电设备及用电时段;
用户分类单元,用于基于所述用户的用电负荷特征,结合预设的各类用户类型的用电负荷参考特征,通过比对,以得到所述用户的分类结果。
可选地,还包括:
标准化变换单元,用于对所述历史负荷矩阵进行标准化变换。
可选地,所述用户类别具体包括:重工业用户、轻工业用户、企业用户以及居民用户。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供了一种用电地区短期负荷预测方法,包括:采集待预测用电地区的历史负荷指标数据,其中,所述历史负荷指标数据日最高负荷、日平均温度、日平均湿度、风力、电价、月平均电力投入、人口以及各个用户的累计负荷;将所述历史负荷指标数据分别输入至对应的分类负荷预测模型,以通过所述分类负荷预测模型的运算,得到不同用户类别对应的单元短期负荷预测结果,所述分类负荷预测模型为基于同一用户类别的负荷指标主成分,并以morlet母小波函数作为传递函数训练得到的神经网络模型,其中,所述负荷指标主成分为通过同一用户类别的历史负荷指标数据,通过主成分分析方式得到的;对各个所述单元短期负荷预测结果进行求和,得到所述待预测用电地区的短期负荷预测结果。
本申请提供的用电地区短期负荷预测方法首先采用分类预测的方式,通过不同的分类预测模型对不同类别的用电用户进行针对性分类预测,可大大提升电力负荷预测的精度,其次利用主成分分析对数据进行处理,一方面可以降低指标之间的相关性,提高预测的精确度,再者通过采用morlet母小波函数作为隐函数的传递函数,优化了神经网络的逼近能力和收敛速度,同时更加契合电力负荷的非线性、影响因素众多的特性,解决了现有的用电地区短期负荷预测方式存在的预测精度低的技术问题。
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性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请提供的一种用电地区短期负荷预测方法的第一个实施例的流程示意图;
图2为本申请提供的一种用电地区短期负荷预测方法的第一个实施例中分类负荷预测模型的配置过程的流程示意图;
图3为本申请提供的一种用电地区短期负荷预测装置的第一个实施例的结构示意图;
图4为基于本申请的用电地区短期负荷预测方法得到的预测结果与基于传统BP神经网络预测方式得到的预测结果的均方根误差比较图。
具体实施方式
目前,用电用户负荷预测通常都是通过神经网络预测的方式进行的,具体的做法通常为先通过分析得到影响用户用电负荷的各项影响因素,然后基于这些影响因素构建训练样本,再利用这些训练样本训练出预测模型,以便利用训练好的预测模型进行用电用户的短期负荷预测,但在实际使用中,这种预测方式存在预测精度低的技术问题,具体原因在于,每个地区几乎都包含有多种用电用户的类型,而每种用电用户的负荷影响因素存在差异,现有的预测方式没有针对用电用户的类型进行针对性负荷预测,是导致现有预测方式存在预测精度低的主要原因。
本申请实施例提供了一种用电地区短期负荷预测方法及装置,用于解决现有的用电地区短期负荷预测方式存在的预测精度低的技术问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。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它实施例,都属于本申请保护的范围。
请参阅图1,本申请第一个实施例提供了一种用电地区短期负荷预测方法,包括:
步骤101、采集待预测用电地区的历史负荷指标数据,其中,历史负荷指标数据包括:日最高负荷、日平均温度、日平均湿度、风力、电价、月平均电力投入、人口以及该待预测用电地区内的各个用户的累计负荷。
步骤102、将历史负荷指标数据分别输入至对应的分类负荷预测模型,以通过分类负荷预测模型的运算,得到不同用户类别对应的单元短期负荷预测结果,分类负荷预测模型为基于同一用户类别的负荷指标主成分,并以morlet母小波函数作为传递函数训练得到的神经网络模型,其中,负荷指标主成分为通过同一用户类别的历史负荷指标数据,通过主成分分析方式得到的。
步骤103、对各个单元短期负荷预测结果进行求和,得到待预测用电地区的短期负荷预测结果。
需要说明的是,本实施例基于步骤101采集的历史负荷指标数据作为短期负荷预测的基础数据,将这些历史负荷指标数据分别输入到预先训练得到的分类负荷预测模型中,由这些分类负荷预测模型对不同类别的用电用户的进行运算,从而得到各个用户类别的单元短期负荷结果。其中,本实施例的分类负荷预测模型具体为基于同一用户类别的负荷指标主成分,并以morlet母小波函数作为传递函数训练得到的神经网络模型,其中,负荷指标主成分为通过同一用户类别的历史负荷指标数据,通过主成分分析方式得到的。
然后,基于步骤102得到的单元短期负荷结果进行累加求和,得到该待预测用地地区的短期负荷预测结果。
本申请实施例首先采用分类预测的方式,通过不同的分类预测模型对不同类别的用电用户进行针对性分类预测,可大大提升电力负荷预测的精度,其次利用主成分分析对数据进行处理,一方面可以降低指标之间的相关性,提高预测的精确度,再者通过采用morlet母小波函数作为隐函数的传递函数,优化了神经网络的逼近能力和收敛速度,同时更加契合电力负荷的非线性、影响因素众多的特性,解决了现有的用电地区短期负荷预测方式存在的预测精度低的技术问题。
以上为本申请提供的一种用电地区短期负荷预测方法的第一个实施例的详细说明,下面为本申请提供的一种用电地区短期负荷预测方法的第二个实施例的详细说明。
请参阅图2,本申请第二个实施例在上述第一个实施例的基础上,提供了一种用电地区短期负荷预测方法。
在上述第一个实施例步骤102中提及的分类负荷预测模型,其配置过程具体包括:
步骤201、基于待预测地区中各个用户的分类结果,结合待预测用电地区中各个用户的历史负荷指标数据,对同一用户类别的用户进行统计,得到用户类别的历史负荷矩阵。
需要说明的是,本实施例提供的用户类别具体包括:重工业用户、轻工业用户、企业用户以及居民用户四类,具体的分类方式包括:从待预测用户的历史用电数据提取用户的用电负荷特征,历史用电负荷特征具体包括:用电负荷、用电设备及用电时段;基于用户的用电负荷特征,结合预设的各类用户类型的用电负荷参考特征,通过比对,以得到用户的分类结果。
更具体地,例如,收集需要预测的地区中各个用电用户至少90天的历史负荷数据,对用户的用电行为进行分析,重点分析各个用电用户的用电的负荷、用电设备、用电时间等;
然后,根据各个用电用户的行为进行用户划分;
根据用电负荷、用电设备、用电时间规律性将用户分为四类:
重工业用户:用电负荷较大;用电设备具有一定规模性,能耗比较高;用电时间具有一定的连续性。
轻工业用户:用电负荷相对重工业用户较低;用电设备具有一定规模性;用电时间集中在上班时间。
企业用户:用电负荷具有一定的波动,与人的作息时间一致;用电设备主要是灯具、空调、电脑等;用电时间为正常工作日的工作时间。
居民用户:用电负荷相对较低,用电设备主要是灯具、电器、空调等;用电时间与人的作息时间相关,高峰用电时间集中在19:00-22:00。
具体划分规则:用电时间早晚高峰、节假日高峰,且用电设备家电为主:居民用电;工作日上班时间,且用电设备电脑、空调为主:企业用电;工作日上班时间,且用电设备机器为主:轻工业;连续用电,且大功率机电:重工业。
根据用户分类结果,统计各类用户各个时间的平均用户数、累计负荷;采集该地区至少过去1年间每日的温度、湿度、风力、负荷数据,以及季度的电力投入、电价、人口数等数据值,具体数据采集时间长度根据该地区可采集的数据而定;根据时间点对数据进行整合,输出各类用户的历史负荷矩阵Xt(t=1,2,3,4)
其中,m为负荷相关的指标,n为数据行数,t代表各个用户分类,t=1,2,3,4分别代表重工业用电、轻工业用电、企业用电和居民用电。
步骤202、对历史负荷矩阵进行标准化变换。
需要说明的是,在通过步骤201获得历史负荷矩阵后,可以通过标准化变换公式对历史负荷矩阵进行标准化变化处理,以消除数据级或者量纲的影响,进一步提高后续模型的精度。其中,本实施例采用的标准化变换公式具体为:
步骤203、基于历史负荷矩阵,结合预置的相关系数计算公式,得到相关系数矩阵。
其中,相关系数矩阵Rt;
步骤204、通过Jacobi矩阵求解方式,对相关系数矩阵进行求解,得到若干个特征根。
步骤205、按照若干个特征根的大小顺序,将特征根从大至小依次累加,当特征根累加和不小于预置的贡献率阈值时,根据已累加的特征根确定用户类别对应的负荷指标主成分,其中本实施例的一个特征根对应了一个历史负荷指标数据。
例如,按照各个特征根的大小进行排序后,得到m个特征根,当前3个特征根的累加和已经达到了预置的贡献率阈值时,如85%,则确定上述的前3个特征根对应的历史负荷指标数据作为负荷指标主成分。
步骤206、基于负荷指标主成分,并以morlet母小波函数作为传递函数进行模型训练,得到分类负荷预测模型。
再接着,基于负荷指标主成分作为初始神经网络模型的主要输入参量,进行训练,从而构建出分类负荷预测模型。
建立各个分类的改进神经网络模型,初始化网络,确定隐含层节点个数,给定各连接权值和阈值,输出层节点为电力负荷,输入层节点数由主成分个数决定,为a个节点。
其中,隐含层节点个数采用试错法确定,依次计算隐含层节点数为b,b+2,b+4,b+6的情况下,预测模型在1000次迭代条件下的误差,选择误差和最小的作为隐函数节点数。其中,b的具体值根据a的大小进行选定。
计算隐含层的节点的输入和输出;
设隐含层第j个节点的输入为x1j,x2j,...,xmj,各个输入对应的权重分别为w1j,w2j,...,wmj,该节点的值为θj,阈值为w0,则该节点的净激活值公式为
利用morlet母小波函数f(x)作为神经元节点的传递函数,则该隐含层节点的输出为
计算输出层的输入和输出;
计算输出层的校正误差,误差计算公式为
其中,Ti为第i个时间点电力负荷预测值,Ti'为第i个时间点电力负荷的真实值。
如果误差大于阈值,利用误差函数对输出层的神经元的偏导数、输出层各神经元的偏导数、隐含层各神经元的输出来修正输出的连接权值;利用隐含层各神经元的偏导数、输入层各神经元的输入修正输入的连接权值;如果误差小于阈值,继续进行训练,直至所有样本训练完毕,训练完毕后的分类负荷预测模型即可应用于第一个实施例中的用电地区短期负荷预测方法,输入各个分类下各个指标的值x11,x21,...,xm1,得到各个分类的电力负荷预测值T1,T2,T3,T4;
计算待预测用电地区的短期负荷预测结果T,具体公式为T=(T1+T2+T3+T4),其中T1,T2,T3,T4分别为各个分类的电力负荷预测值。
为了更具体地说明本申请的技术方案,下面本实施例还提供了一个示例,用作对本申请技术方案的补充说明,具体包括:
采集FS市某区域上180个用户的2017年1月1日至2017年12月31日的用电负荷和用电量数据,根据用电负荷、用电设备、用电时间规律性将用户划分,得到重工业用电用户38户、轻工业用电用户21户、企业用电用户15户和居民用电用户106户。针对各类用户建立负荷矩阵,指标包括日最高负荷、日平均温度、日平均湿度、风力、电价、月平均电力投入、人口。利用SPSS软件对各类用户的负荷矩阵进行无量纲化,进行主成分分析。以居民用户的主成分分析结果为例,其结果示例如表1所示:
表1居民用户的主成分分析结果
基于表1所示,选择特征根大于1,且方差贡献率之和大于85%的成分,居民的主成分为日平均温度、电价、人口;企业用户的主成分为日平均温度、风力;轻工业用户的主成分日平均温度、平均湿度、风力;重工业用户的主成分为平均湿度、风力。
接下来,构建神经网络模型,网络输入层的节点数由输入维数确定,本次研究为3维输入,故输入层为3节点结构。输出层节点数由预测步数确定,本次预测为单步预测,故输出层为单节点结构。为了合理地选取神经网络模型隐含层节点数,采用试错法来探究在不同隐含层节点数下,神经网络模型的拟合能力,具体做法是依次在隐含层节点数分别为4、6、8、10、12的情况下,比较预测模型在1000次迭代条件下的训练误差和,当隐含层节点数为8时,误差和最小。同理,2维输入的输入层为2节点结构,隐含层节点数为4。
为了验证算法有效性,选取10个样本点比较改进神经网络和BP神经网络的均方根误差,具体结果如图4所示。可见改进后神经网络模型效果更佳。
在通过本实施例的方法训练好模型后,可以将其应用到如第一个实施例提及的短期负荷预测方法中。
以上为本申请提供的一种用电地区短期负荷预测方法的第二个实施例的详细说明,下面为本申请提供的一种用电地区短期负荷预测装置的第一个实施例的详细说明。
请参阅图3,本申请第三个实施例提供了一种用电地区短期负荷预测装置,包括:
采集单元301,用于采集待预测用电地区的历史负荷指标数据,其中,历史负荷指标数据日最高负荷、日平均温度、日平均湿度、风力、电价、月平均电力投入、人口以及各个用户的累计负荷;
分类模型预测单元302,用于将历史负荷指标数据分别输入至对应的分类负荷预测模型,以通过分类负荷预测模型的运算,得到不同用户类别对应的单元短期负荷预测结果,分类负荷预测模型为基于同一用户类别的负荷指标主成分,并以morlet母小波函数作为传递函数训练得到的神经网络模型,其中,负荷指标主成分为通过同一用户类别的历史负荷指标数据,通过主成分分析方式得到的;
分类预测结果汇总单元303,用于对各个单元短期负荷预测结果进行求和,得到待预测用电地区的短期负荷预测结果。
进一步地,还包括:
历史负荷矩阵构建单元304,用于基于所述待预测地区中各个用户的分类结果,结合待预测用电地区中各个用户的历史负荷指标数据,对同一用户类别的用户进行统计,得到所述用户类别的历史负荷矩阵;
相关系数矩阵换算单元305,用于基于所述历史负荷矩阵,结合预置的相关系数计算公式,得到相关系数矩阵;
相关系数矩阵解算单元306,用于通过Jacobi矩阵求解方式,对所述相关系数矩阵进行求解,得到若干个特征根;
主成分确定单元307,用于按照所述若干个特征根的大小顺序,将所述特征根从大至小依次累加,当特征根累加和不小于预置的贡献率阈值时,根据已累加的特征根确定所述用户类别对应的负荷指标主成分;
模型训练单元308,用于基于所述负荷指标主成分,并以morlet母小波函数作为传递函数进行模型训练,得到所述分类负荷预测模型。
进一步地,还包括:
负荷特征提取单元,用于从待预测用户的历史用电数据提取所述用户的用电负荷特征,所述历史用电负荷特征具体包括:用电负荷、用电设备及用电时段;
用户分类单元,用于基于所述用户的用电负荷特征,结合预设的各类用户类型的用电负荷参考特征,通过比对,以得到所述用户的分类结果。
进一步地,还包括:
标准化变换单元,用于对所述历史负荷矩阵进行标准化变换。
进一步地,所述用户类别具体包括:重工业用户、轻工业用户、企业用户以及居民用户。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,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。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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,在本发明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,本发明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,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明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(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、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 (10)
1.一种用电地区短期负荷预测方法,其特征在于,包括:
采集待预测用电地区的历史负荷指标数据,其中,所述历史负荷指标数据日最高负荷、日平均温度、日平均湿度、风力、电价、月平均电力投入、人口以及各个用户的累计负荷;
将所述历史负荷指标数据分别输入至对应的分类负荷预测模型,以通过所述分类负荷预测模型的运算,得到不同用户类别对应的单元短期负荷预测结果,所述分类负荷预测模型为基于同一用户类别的负荷指标主成分,并以morlet母小波函数作为传递函数训练得到的神经网络模型,其中,所述负荷指标主成分为通过同一用户类别的历史负荷指标数据,通过主成分分析方式得到的;
对各个所述单元短期负荷预测结果进行求和,得到所述待预测用电地区的短期负荷预测结果。
2.根据权利要求1所述的一种用电地区短期负荷预测方法,其特征在于,所述分类负荷预测模型的配置过程具体为:
基于所述待预测地区中各个用户的分类结果,结合待预测用电地区中各个用户的历史负荷指标数据,对同一用户类别的用户进行统计,得到所述用户类别的历史负荷矩阵;
基于所述历史负荷矩阵,结合预置的相关系数计算公式,得到相关系数矩阵;
通过Jacobi矩阵求解方式,对所述相关系数矩阵进行求解,得到若干个特征根;
按照所述若干个特征根的大小顺序,将所述特征根从大至小依次累加,当特征根累加和不小于预置的贡献率阈值时,根据已累加的特征根确定所述用户类别对应的负荷指标主成分;
基于所述负荷指标主成分,并以morlet母小波函数作为传递函数进行模型训练,得到所述分类负荷预测模型。
3.根据权利要求2所述的一种用电地区短期负荷预测方法,其特征在于,所述待预测地区中各个用户的分类结果的获取方式具体包括:
从待预测用户的历史用电数据提取所述用户的用电负荷特征,所述历史用电负荷特征具体包括:用电负荷、用电设备及用电时段;
基于所述用户的用电负荷特征,结合预设的各类用户类型的用电负荷参考特征,通过比对,以得到所述用户的分类结果。
4.根据权利要求2所述的一种用电地区短期负荷预测方法,其特征在于,所述基于所述历史负荷矩阵,结合预置的相关系数计算公式,得到相关系数矩阵之前还包括:
对所述历史负荷矩阵进行标准化变换。
5.根据权利要求1所述的一种用电地区短期负荷预测方法,其特征在于,所述用户类别具体包括:重工业用户、轻工业用户、企业用户以及居民用户。
6.一种用电地区短期负荷预测装置,其特征在于,包括:
采集单元,用于采集待预测用电地区的历史负荷指标数据,其中,所述历史负荷指标数据日最高负荷、日平均温度、日平均湿度、风力、电价、月平均电力投入、人口以及各个用户的累计负荷;
分类模型预测单元,用于将所述历史负荷指标数据分别输入至对应的分类负荷预测模型,以通过所述分类负荷预测模型的运算,得到不同用户类别对应的单元短期负荷预测结果,所述分类负荷预测模型为基于同一用户类别的负荷指标主成分,并以morlet母小波函数作为传递函数训练得到的神经网络模型,其中,所述负荷指标主成分为通过同一用户类别的历史负荷指标数据,通过主成分分析方式得到的;
分类预测结果汇总单元,用于对各个所述单元短期负荷预测结果进行求和,得到所述待预测用电地区的短期负荷预测结果。
7.根据权利要求6所述一种用电地区短期负荷预测装置,其特征在于,还包括:
历史负荷矩阵构建单元,用于基于所述待预测地区中各个用户的分类结果,结合待预测用电地区中各个用户的历史负荷指标数据,对同一用户类别的用户进行统计,得到所述用户类别的历史负荷矩阵;
相关系数矩阵换算单元,用于基于所述历史负荷矩阵,结合预置的相关系数计算公式,得到相关系数矩阵;
相关系数矩阵解算单元,用于通过Jacobi矩阵求解方式,对所述相关系数矩阵进行求解,得到若干个特征根;
主成分确定单元,用于按照所述若干个特征根的大小顺序,将所述特征根从大至小依次累加,当特征根累加和不小于预置的贡献率阈值时,根据已累加的特征根确定所述用户类别对应的负荷指标主成分;
模型训练单元,用于基于所述负荷指标主成分,并以morlet母小波函数作为传递函数进行模型训练,得到所述分类负荷预测模型。
8.根据权利要求7所述的一种用电地区短期负荷预测装置,其特征在于,还包括:
负荷特征提取单元,用于从待预测用户的历史用电数据提取所述用户的用电负荷特征,所述历史用电负荷特征具体包括:用电负荷、用电设备及用电时段;
用户分类单元,用于基于所述用户的用电负荷特征,结合预设的各类用户类型的用电负荷参考特征,通过比对,以得到所述用户的分类结果。
9.根据权利要求7所述的一种用电地区短期负荷预测装置,其特征在于,还包括:
标准化变换单元,用于对所述历史负荷矩阵进行标准化变换。
10.根据权利要求6所述的一种用电地区短期负荷预测装置,其特征在于,所述用户类别具体包括:重工业用户、轻工业用户、企业用户以及居民用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010685650.XA CN111815060A (zh) | 2020-07-16 | 2020-07-16 | 一种用电地区短期负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010685650.XA CN111815060A (zh) | 2020-07-16 | 2020-07-16 | 一种用电地区短期负荷预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111815060A true CN111815060A (zh) | 2020-10-23 |
Family
ID=72866578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010685650.XA Pending CN111815060A (zh) | 2020-07-16 | 2020-07-16 | 一种用电地区短期负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815060A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529301A (zh) * | 2020-12-14 | 2021-03-19 | 南京中兴力维软件有限公司 | 用电量预测方法、设备及存储介质 |
CN112561193A (zh) * | 2020-12-23 | 2021-03-26 | 上海亿边科技有限公司 | 一种基于fpga推断加速的ai智能电力负荷预测系统 |
CN112580853A (zh) * | 2020-11-20 | 2021-03-30 | 国网浙江省电力有限公司台州供电公司 | 基于径向基神经网络的母线短期负荷预测方法 |
CN112598157A (zh) * | 2020-11-27 | 2021-04-02 | 广东电网有限责任公司东莞供电局 | 电力负荷的预测方法和装置 |
CN114066068A (zh) * | 2021-11-18 | 2022-02-18 | 广东电网有限责任公司广州供电局 | 一种短期电力负荷预测方法、装置、设备和存储介质 |
CN114154749A (zh) * | 2021-12-14 | 2022-03-08 | 广西大学 | 一种考虑实时行为电价分区多模态变形负荷预测方法 |
CN114462783A (zh) * | 2021-12-30 | 2022-05-10 | 昆明能讯科技有限责任公司 | 一种输电网分区分电压等级电力缺口计算的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069519A (zh) * | 2015-07-16 | 2015-11-18 | 国网天津市电力公司 | 一种智能电网园区终端用户能源需求状况动态预测系统及方法 |
CN105117810A (zh) * | 2015-09-24 | 2015-12-02 | 国网福建省电力有限公司泉州供电公司 | 一种阶梯电价机制下居民用电中期负载预测方法 |
CN107818340A (zh) * | 2017-10-25 | 2018-03-20 | 福州大学 | 基于k值小波神经网络的二阶段空调负荷预测方法 |
CN108647812A (zh) * | 2018-04-28 | 2018-10-12 | 东华大学 | 基于主成分自适应bp神经网络的短期电力负荷预测方法 |
CN109242169A (zh) * | 2018-08-28 | 2019-01-18 | 贵州电网有限责任公司 | 一种面向电力大客户的短期负荷预测方法 |
-
2020
- 2020-07-16 CN CN202010685650.XA patent/CN111815060A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069519A (zh) * | 2015-07-16 | 2015-11-18 | 国网天津市电力公司 | 一种智能电网园区终端用户能源需求状况动态预测系统及方法 |
CN105117810A (zh) * | 2015-09-24 | 2015-12-02 | 国网福建省电力有限公司泉州供电公司 | 一种阶梯电价机制下居民用电中期负载预测方法 |
CN107818340A (zh) * | 2017-10-25 | 2018-03-20 | 福州大学 | 基于k值小波神经网络的二阶段空调负荷预测方法 |
CN108647812A (zh) * | 2018-04-28 | 2018-10-12 | 东华大学 | 基于主成分自适应bp神经网络的短期电力负荷预测方法 |
CN109242169A (zh) * | 2018-08-28 | 2019-01-18 | 贵州电网有限责任公司 | 一种面向电力大客户的短期负荷预测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580853A (zh) * | 2020-11-20 | 2021-03-30 | 国网浙江省电力有限公司台州供电公司 | 基于径向基神经网络的母线短期负荷预测方法 |
CN112598157A (zh) * | 2020-11-27 | 2021-04-02 | 广东电网有限责任公司东莞供电局 | 电力负荷的预测方法和装置 |
CN112598157B (zh) * | 2020-11-27 | 2023-03-24 | 广东电网有限责任公司东莞供电局 | 电力负荷的预测方法和装置 |
CN112529301A (zh) * | 2020-12-14 | 2021-03-19 | 南京中兴力维软件有限公司 | 用电量预测方法、设备及存储介质 |
CN112529301B (zh) * | 2020-12-14 | 2023-11-14 | 南京中兴力维软件有限公司 | 用电量预测方法、设备及存储介质 |
CN112561193A (zh) * | 2020-12-23 | 2021-03-26 | 上海亿边科技有限公司 | 一种基于fpga推断加速的ai智能电力负荷预测系统 |
CN114066068A (zh) * | 2021-11-18 | 2022-02-18 | 广东电网有限责任公司广州供电局 | 一种短期电力负荷预测方法、装置、设备和存储介质 |
CN114154749A (zh) * | 2021-12-14 | 2022-03-08 | 广西大学 | 一种考虑实时行为电价分区多模态变形负荷预测方法 |
CN114154749B (zh) * | 2021-12-14 | 2024-07-09 | 广西大学 | 一种考虑实时行为电价分区多模态变形负荷预测方法 |
CN114462783A (zh) * | 2021-12-30 | 2022-05-10 | 昆明能讯科技有限责任公司 | 一种输电网分区分电压等级电力缺口计算的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815060A (zh) | 一种用电地区短期负荷预测方法及装置 | |
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN103729689B (zh) | 一种基于行业分类与主导行业数据的电网电量预测方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN111144468A (zh) | 电力用户信息标签化方法和装置、电子设备以及存储介质 | |
CN107194502B (zh) | 一种居民用户电力负荷预测方法 | |
CN104574209A (zh) | 一种城网配变重过载中期预警模型的建模方法 | |
CN108428055B (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
CN111209534A (zh) | 基于居民客户用电量数据划分客户用电入住状态的方法 | |
CN105023066A (zh) | 一种基于季节调整的业扩报装分析预测系统及方法 | |
CN114519514B (zh) | 一种低压台区合理线损值测算方法、系统及计算机设备 | |
CN113450031B (zh) | 居民智慧用能服务潜在台区选取方法及装置 | |
CN112149873A (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN111310052A (zh) | 用户画像构建方法、装置及计算机可读存储介质 | |
CN115759371A (zh) | 一种基于gcn-lstm的电力系统短期负荷预测方法 | |
CN112907063A (zh) | 人口流动率和房屋空置率确定方法及终端设备 | |
CN113177366A (zh) | 一种综合能源系统规划方法、装置和终端设备 | |
CN111126499A (zh) | 一种基于二次聚类的用电行为模式分类方法 | |
CN112614004A (zh) | 用电信息的处理方法及装置 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN111798333A (zh) | 一种用能评估与用电安全分析方法和系统 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN111126629A (zh) | 模型的生成方法、刷单行为识别方法、系统、设备和介质 | |
CN117973953A (zh) | 居民温控负荷的需求响应潜力预测模型的构建方法和装置 |
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 |