CN111931992A - 一种电力负荷预测指标选取方法及装置 - Google Patents

一种电力负荷预测指标选取方法及装置 Download PDF

Info

Publication number
CN111931992A
CN111931992A CN202010686173.9A CN202010686173A CN111931992A CN 111931992 A CN111931992 A CN 111931992A CN 202010686173 A CN202010686173 A CN 202010686173A CN 111931992 A CN111931992 A CN 111931992A
Authority
CN
China
Prior art keywords
load
historical
data
index
indexes
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
CN202010686173.9A
Other languages
English (en)
Inventor
唐俊熙
曹华珍
高崇
吴亚雄
张俊潇
王天霖
张雪莹
何璇
李�浩
陈沛东
李阳
黄烨
李耀东
石颖
张道路
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
Grid Planning Research Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Grid Planning Research 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 Guangdong Power Grid Co Ltd, Grid Planning Research Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202010686173.9A priority Critical patent/CN111931992A/zh
Publication of CN111931992A publication Critical patent/CN111931992A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请提供了一种电力负荷预测指标选取方法及装置，其中方法包括：获取历史负荷数据以及负荷指标的历史数据；基于历史负荷数据以及负荷指标的历史数据，构建历史负荷矩阵，基于历史负荷矩阵得到的灰色关联系数与负荷指标权重，通过关联度计算，得到负荷指标的关联度，以便根据负荷指标的关联度，确定电力负荷预测指标选取的结果。本申请基于灰色关联分析对各个分类中的各个指标对负荷的影响程度进行定量分析，利用参考序列与比较序列之间的距离对关联度进行优化，使得到的关联度与指标的实际重要程度更加贴近，再通过比较各个指标的关联度，最终确定负荷预测的关键指标，解决了现有的电力负荷预测方法预测精度低的技术问题。

Description

一种电力负荷预测指标选取方法及装置
技术领域
本申请涉及电力负荷管理领域，尤其涉及一种电力负荷预测指标选取方法及装置。
背景技术
电力负荷预测是电网健康运行的基础，在电力运维管理中，电力负荷预测的精度越高，越有利于人力、物力、财力等资源的合理使用，造成的资源浪费也越少。因此，如何提高负荷预测精度是电力行业的重要研究方向。
目前主流的电力负荷预测方法为利用神经网络训练的电力负荷预测模型进行预测，然而目前，电力负荷预测模型数不胜数，原因在于影响电力负荷的因素众多，在模型训练阶段，采用不同的训练样本训练出来的模型千差万别，而且目前训练预测模型的指标选取及指标权重配置更多时候是依赖于管理人员的主观分析完成，具有一定的盲目性，导致了现有的电力负荷预测方法预测精度低的技术问题。
发明内容
本申请提供了一种电力负荷预测指标选取方法及装置，用于解决现有的电力负荷预测方法预测精度低的技术问题。
首先，本申请第一方面提供了一种电力负荷预测指标选取方法，包括：
获取历史负荷数据以及负荷指标的历史数据；
基于所述历史负荷数据以及所述负荷指标的历史数据，构建历史负荷矩阵，其中所述历史负荷矩阵包括一组参考序列和至少一组比较序列；
通过欧式距离值计算公式，计算所述比较序列与所述参考序列的欧式距离值；
通过灰色关联分析法，分别计算各个所述比较序列的元素与所述参考序列的元素之间灰色关联系数；
基于所述灰色关联系数与负荷指标权重，通过关联度计算，得到所述负荷指标的关联度，以便根据所述负荷指标的关联度，确定电力负荷预测指标选取的结果，其中所述负荷指标权重为根据所述欧式距离值与欧式距离值累加和的比值得到的。
可选地，所述获取历史负荷数据以及负荷指标的历史数据之后还包括：
基于所述历史负荷数据以及所述负荷指标的历史数据的采集时间，结合预设的分类时间段，对所述历史负荷数据以及所述负荷指标的历史数据进行分类，得到不同时期的历史负荷数据以及负荷指标的历史数据，以便于构建各个时期对应的历史负荷矩阵。
可选地，所述基于所述灰色关联系数与负荷指标权重，通过关联度计算，得到所述负荷指标的关联度，以便根据所述负荷指标的关联度，确定电力负荷预测指标选取的结果之后还包括：
将所述各个时期的历史负荷矩阵得到的负荷指标的关联度进行比较，基于比较结果，得到负荷预测的时间影响结果。
可选地，所述基于所述历史负荷数据以及所述负荷指标的历史数据，构建历史负荷矩阵之后还包括：
通过均值法，对所述历史负荷矩阵进行无量纲化预处理。
可选地于，所述负荷指标具体包括：电价、电力建设投入、人口数量、国内生产总值、气候参数。
其次，本申请第二方面提供了一种电力负荷预测指标选取装置，包括：
数据获取单元，用于获取历史负荷数据以及负荷指标的历史数据；
负荷矩阵构建单元，用于基于所述历史负荷数据以及所述负荷指标的历史数据，构建历史负荷矩阵，其中所述历史负荷矩阵包括一组参考序列和至少一组比较序列；
欧式距离值计算单元，用于通过欧式距离值计算公式，计算所述比较序列与所述参考序列的欧式距离值；
关联系数计算单元，用于通过灰色关联分析法，分别计算各个所述比较序列的元素与所述参考序列的元素之间灰色关联系数；
关联度计算单元，用于基于所述灰色关联系数与负荷指标权重，通过关联度计算，得到所述负荷指标的关联度，以便根据所述负荷指标的关联度，确定电力负荷预测指标选取的结果，其中所述负荷指标权重为根据所述欧式距离值与欧式距离值累加和的比值得到的。
可选地，还包括：
数据分类单元，用于基于所述历史负荷数据以及所述负荷指标的历史数据的采集时间，结合预设的分类时间段，对所述历史负荷数据以及所述负荷指标的历史数据进行分类，得到不同时期的历史负荷数据以及负荷指标的历史数据，以便于构建各个时期对应的历史负荷矩阵。
可选地，还包括：
分类比较单元，用于将所述各个时期的历史负荷矩阵得到的负荷指标的关联度进行比较，基于比较结果，得到负荷预测的时间影响结果。
可选地，还包括：
预处理单元，用于通过均值法，对所述历史负荷矩阵进行无量纲化预处理。
可选地，所述负荷指标具体包括：电价、电力建设投入、人口数量、国内生产总值、气候参数。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请提供了一种电力负荷预测指标选取方法，包括：获取历史负荷数据以及负荷指标的历史数据；基于历史负荷数据以及负荷指标的历史数据，构建历史负荷矩阵，其中历史负荷矩阵包括一组参考序列和至少一组比较序列；通过欧式距离值计算公式，计算比较序列与参考序列的欧式距离值；通过灰色关联分析法，分别计算各个比较序列的元素与参考序列的元素之间灰色关联系数；基于灰色关联系数与负荷指标权重，通过关联度计算，得到负荷指标的关联度，以便根据负荷指标的关联度，确定电力负荷预测指标选取的结果，其中负荷指标权重为根据欧式距离值与欧式距离值累加和的比值得到的。
本申请基于灰色关联分析对各个分类中的各个指标对负荷的影响程度进行定量分析，利用参考序列与比较序列之间的距离对关联度进行优化，使得到的关联度与指标的实际重要程度更加贴近，再通过比较各个指标的关联度，最终确定负荷预测的关键指标，获得电力负荷预测指标选取的结果，解决了现有的电力负荷预测方法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电力负荷预测指标选取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电力负荷预测指标选取方法的第二个实施例的流程示意图；
图3为本申请提供的一种电力负荷预测指标选取装置的第一个实施例的结构示意图。
具体实施方式
本申请实施例提供了一种电力负荷预测指标选取方法及装置，用于解决现有的电力负荷预测方法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电力负荷预测指标选取方法，包括：
步骤101、获取历史负荷数据以及负荷指标的历史数据。
步骤102、基于历史负荷数据以及负荷指标的历史数据，构建历史负荷矩阵，其中历史负荷矩阵包括一组参考序列和至少一组比较序列。
需要说明的是，首先，基于历史数据，从中获取历史负荷数据以及负荷指标的历史数据，然后基于获取到的历史负荷数据以及负荷指标的历史数据，按照负荷指标的数值和类型进行矩阵行列整合，从而构建出历史负荷矩阵，其中历史负荷矩阵包括一组参考序列和至少一组比较序列。
步骤103、通过欧式距离值计算公式，计算比较序列与参考序列的欧式距离值。
步骤104、通过灰色关联分析法，分别计算各个比较序列的元素与参考序列的元素之间灰色关联系数。
然后，基于步骤102中构建的历史负荷矩阵，通过欧式距离计算公式和灰色关联分析方法，分别得到各个历史负荷矩阵中，各个比较序列与参考序列之间的欧式距离值，以及每个比较序列与参考序列中同一指标元素对应的灰色关联系数，以作为执行后续步骤的基础数据。
步骤105、基于灰色关联系数与负荷指标权重，通过关联度计算，得到负荷指标的关联度，以便根据负荷指标的关联度，确定电力负荷预测指标选取的结果，其中负荷指标权重为根据欧式距离值与欧式距离值累加和的比值得到的。
再接着，基于步骤104获得的灰色关联系数算出同一负荷指标对应的灰色关联系数，以及根据欧式距离值以及欧式距离值累加和的比值得到的负荷指标权重，通过关联度计算，得到该负荷指标的关联度，其中，关联度越大，说明该负荷指标对负荷预测的影响越大，由此可以理解，当计算出负荷指标对应的关联度后，即可以根据其关联度的大小，有目的地选取关联度高的负荷指标，并舍去关联度低的指标，从而实现提高负荷预测精度的目的。
由上述分析可知，本申请实施例基于灰色关联分析对各个分类中的各个指标对负荷的影响程度进行定量分析，利用参考序列与比较序列之间的距离对关联度进行优化，使得到的关联度与指标的实际重要程度更加贴近，再通过比较各个指标的关联度，最终确定负荷预测的关键指标，获得电力负荷预测指标选取的结果，解决了现有的电力负荷预测方法预测精度低的技术问题。
以上为本申请提供的一种电力负荷预测指标选取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电力负荷预测指标选取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提供了一种电力负荷预测指标选取方法，包括：
步骤201、获取历史负荷数据以及负荷指标的历史数据。
更具体地，本实施例的负荷指标具体包括：电价、电力建设投入、人口数量、国内生产总值、气候参数。
步骤202、基于历史负荷数据以及负荷指标的历史数据的采集时间，结合预设的分类时间段，对历史负荷数据以及负荷指标的历史数据进行分类，得到不同时期的历史负荷数据以及负荷指标的历史数据，以便于构建各个时期对应的历史负荷矩阵。
需要说明的是，根据本发明选取的指标，获取包括历史负荷数据、电价数据、电力建设投入数据、人口数量数据、国内生产总值和气候数据等多元数据，此处收集的数据根据统计周期不同，需要收集的数据量不同。如果以季度进行分类，应收集至少1年的负荷数据；
步骤203、基于历史负荷数据以及负荷指标的历史数据，构建历史负荷矩阵，其中历史负荷矩阵包括一组参考序列和至少一组比较序列。
然后，对获取数据进行数据融合，根据时间将负荷量、指标数据进行连接，根据统计周期对数据进行分类。本实施例优选季度作为统计周期，故具体可分为四类：季度一、季度二、季度三、季度四。
基于划分好的四个类别确定每个类别的参考数据序列，记为
Figure BDA0002587625840000061
得到历史负荷矩阵Xj
Figure BDA0002587625840000062
其中，j为类别序号，n为指标数量，m为数据样本的序号，x1j,x2j,...,x(n-1)j为比较序列。
步骤204、通过均值法，对历史负荷矩阵进行无量纲化预处理。
需要说明的是，为了方便比较，本实施例可选择采用均值法对历史负荷矩阵的数据进行无量纲化预处理，具体的公式为：
Figure BDA0002587625840000071
且经过无量纲化后的矩阵为：
Figure BDA0002587625840000072
步骤205、通过欧式距离值计算公式，计算比较序列与参考序列的欧式距离值。
步骤206、通过灰色关联分析法，分别计算各个比较序列的元素与参考序列的元素之间灰色关联系数。
然后，基于上述步骤构建的历史负荷矩阵，若执行了无量纲化预处理，则采用预处理后的历史负荷矩阵，通过欧式距离计算公式和灰色关联分析方法，分别得到各个历史负荷矩阵中，各个比较序列与参考序列之间的欧式距离值，以及每个比较序列与参考序列中同一指标元素对应的灰色关联系数，以作为执行后续步骤的基础数据。
其中具体的实施细节包括：
1)欧式距离值的计算：
依次计算第j个分类下，比较序列与参考序列之间的距离
Figure BDA0002587625840000073
2)灰色关联系数的计算：
依次计算第j个分类下，每个比较序列与参考列的绝对差值
Figure BDA0002587625840000074
其中j＝1,2,3,4，i＝1,2,..,(n-1)，k＝1,2,...,m。
接着，找出第j个分类下，最小绝对差值
Figure BDA0002587625840000075
和最大绝对差值
Figure BDA0002587625840000076
然后，分别计算j个分类中，每个比较序列与参考序列对应的元素进行比较，得到该指标i对应的灰色关联系数
Figure BDA0002587625840000081
公式如下：
Figure BDA0002587625840000082
其中，j＝1,2,3,4，i＝1,2,..,(n-1)，k＝1,2,...,m。ρ为分辨系数，取值在0到1之间，值越小，关联系数间差异越大，区分越明显，本实施例优选取ρ＝0.5。
步骤207、基于灰色关联系数与负荷指标权重，通过关联度计算，得到负荷指标的关联度，以便根据负荷指标的关联度，确定电力负荷预测指标选取的结果，其中负荷指标权重为根据欧式距离值与欧式距离值累加和的比值得到的。
再接着，基于灰色关联系数与负荷指标权重进行关联度计算，具体的计算公式为：
Figure BDA0002587625840000083
其中j＝1,2,3,4，i＝1,2,..,(n-1)，k＝1,2,...,m。其中，(w0i)j是第j个分类下第i个指标的权重，
Figure BDA0002587625840000084
通过比较每个分类j下关联度(r01)j，(r02)j，…，(r0(n-1))j的大小，关联度(r0i)j越大,i∈{1,2,..,(n-1)}，对负荷预测的影响越大。由此可以理解，当计算出负荷指标对应的关联度后，即可以根据其关联度的大小，确定电价、电力建设投入、人口数量、国内生产总值、气候参数等指标对负荷预测的影响大小，从而有目的地选取关联度高的负荷指标，并舍去关联度低的指标，从而实现提高负荷预测精度的目的。
步骤208、将各个时期的历史负荷矩阵得到的负荷指标的关联度进行比较，基于比较结果，得到负荷预测的时间影响结果。
再进一步地，基于上述的关联度计算步骤分别计算出其他季度类别的关联度结果，再通过比较每个分类关联度值的大小、范围，分析季度的影响，比较时，依次比较各个指标不同季度的关联度值(r0i)1，(r0i)2，(r0i)3，(r0i)4,差异度越大，时间的影响越大。
为能够更清楚地理解本申请的技术方案，本实施例还对上述的电力负荷预测指标选取方法进行案例讲解，具体如下：
采集CQ市TL区2010—2014年五年间的用电数据(万kWh)，用电量数据按月份统计如表1所示：
表1 CQ市月用电量统计
Figure BDA0002587625840000091
采集电价、电力建设投入、人口数量、国内生产总值、平均气温等指标数据，其中，CQ市五年内电价定价标准一直相对固定，此处不考虑电价因素；电力建设投入和国内生产总值由于只采集到年度数据，此处简单利用平均值替代。根据季度分析统计得到下表：
表2 负荷季度分析统计表
Figure BDA0002587625840000092
Figure BDA0002587625840000101
按季度进行分类计算，得到季度一、季度二、季度三、季度四的关联度结果为：
(r01)1＝0.410，(r02)1＝0.545，(r03)1＝0.480，(r04)1＝0.667
(r01)2＝0.349，(r02)2＝0.408，(r03)2＝0.353，(r04)2＝0.428
(r01)3＝0.354，(r02)3＝0.475，(r03)3＝0.507，(r04)3＝0.467
(r01)4＝0.346，(r02)4＝0.499，(r03)4＝0.394，(r04)4＝0.353
对比各个季度分类下，各个指标关联度大小可得到，气候参数>人口>国内生产总值>电力建设投入。其中，季度影响并不改变各个指标的重要程度，基于这个结果，工作人员可以根据这个关联度结果，在后续的负荷预测任务中，有针对性地选取气候参数和人口等高关联度指标或提高高关联度指标的权重，以及有针对性地舍去部分低关联度指标或调低低关联度指标的权重等，从而实现提高负荷预测精确度的目的。
以上为本申请提供的一种电力负荷预测指标选取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电力负荷预测指标选取装置的第一个实施例的详细说明。
请参阅图3，本申请第二方面提供了一种电力负荷预测指标选取装置，包括：
数据获取单元301，用于获取历史负荷数据以及负荷指标的历史数据；
负荷矩阵构建单元302，用于基于历史负荷数据以及负荷指标的历史数据，构建历史负荷矩阵，其中历史负荷矩阵包括一组参考序列和至少一组比较序列；
欧式距离值计算单元303，用于通过欧式距离值计算公式，计算比较序列与参考序列的欧式距离值；
关联系数计算单元304，用于通过灰色关联分析法，分别计算各个比较序列的元素与参考序列的元素之间灰色关联系数；
关联度计算单元305，用于基于灰色关联系数与负荷指标权重，通过关联度计算，得到负荷指标的关联度，以便根据负荷指标的关联度，确定电力负荷预测指标选取的结果，其中负荷指标权重为根据欧式距离值与欧式距离值累加和的比值得到的。
进一步地，还包括：
数据分类单元306，用于基于历史负荷数据以及负荷指标的历史数据的采集时间，结合预设的分类时间段，对历史负荷数据以及负荷指标的历史数据进行分类，得到不同时期的历史负荷数据以及负荷指标的历史数据，以便于构建各个时期对应的历史负荷矩阵。
进一步地，还包括：
分类比较单元307，用于将各个时期的历史负荷矩阵得到的负荷指标的关联度进行比较，基于比较结果，得到负荷预测的时间影响结果。
进一步地，还包括：
预处理单元308，用于通过均值法，对历史负荷矩阵进行无量纲化预处理。
进一步地，负荷指标具体包括：电价、电力建设投入、人口数量、国内生产总值、气候参数。
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)

1.一种电力负荷预测指标选取方法，其特征在于，包括：
获取历史负荷数据以及负荷指标的历史数据；
基于所述历史负荷数据以及所述负荷指标的历史数据，构建历史负荷矩阵，其中所述历史负荷矩阵包括一组参考序列和至少一组比较序列；
通过欧式距离值计算公式，计算所述比较序列与所述参考序列的欧式距离值；
通过灰色关联分析法，分别计算各个所述比较序列的元素与所述参考序列的元素之间灰色关联系数；
基于所述灰色关联系数与负荷指标权重，通过关联度计算，得到所述负荷指标的关联度，以便根据所述负荷指标的关联度，确定电力负荷预测指标选取的结果，其中所述负荷指标权重为根据所述欧式距离值与欧式距离值累加和的比值得到的。
2.根据权利要求1所述的一种电力负荷预测指标选取方法，其特征在于，所述获取历史负荷数据以及负荷指标的历史数据之后还包括：
基于所述历史负荷数据以及所述负荷指标的历史数据的采集时间，结合预设的分类时间段，对所述历史负荷数据以及所述负荷指标的历史数据进行分类，得到不同时期的历史负荷数据以及负荷指标的历史数据，以便于构建各个时期对应的历史负荷矩阵。
3.根据权利要求2所述的一种电力负荷预测指标选取方法，其特征在于，所述基于所述灰色关联系数与负荷指标权重，通过关联度计算，得到所述负荷指标的关联度，以便根据所述负荷指标的关联度，确定电力负荷预测指标选取的结果之后还包括：
将所述各个时期的历史负荷矩阵得到的负荷指标的关联度进行比较，基于比较结果，得到负荷预测的时间影响结果。
4.根据权利要求1所述的一种电力负荷预测指标选取方法，其特征在于，所述基于所述历史负荷数据以及所述负荷指标的历史数据，构建历史负荷矩阵之后还包括：
通过均值法，对所述历史负荷矩阵进行无量纲化预处理。
5.根据权利要求1至4任意一项所述的一种电力负荷预测指标选取方法，其特征在于，所述负荷指标具体包括：电价、电力建设投入、人口数量、国内生产总值、气候参数。
6.一种电力负荷预测指标选取装置，其特征在于，包括：
数据获取单元，用于获取历史负荷数据以及负荷指标的历史数据；
负荷矩阵构建单元，用于基于所述历史负荷数据以及所述负荷指标的历史数据，构建历史负荷矩阵，其中所述历史负荷矩阵包括一组参考序列和至少一组比较序列；
欧式距离值计算单元，用于通过欧式距离值计算公式，计算所述比较序列与所述参考序列的欧式距离值；
关联系数计算单元，用于通过灰色关联分析法，分别计算各个所述比较序列的元素与所述参考序列的元素之间灰色关联系数；
关联度计算单元，用于基于所述灰色关联系数与负荷指标权重，通过关联度计算，得到所述负荷指标的关联度，以便根据所述负荷指标的关联度，确定电力负荷预测指标选取的结果，其中所述负荷指标权重为根据所述欧式距离值与欧式距离值累加和的比值得到的。
7.根据权利要求6所述的一种电力负荷预测指标选取装置，其特征在于，还包括：
数据分类单元，用于基于所述历史负荷数据以及所述负荷指标的历史数据的采集时间，结合预设的分类时间段，对所述历史负荷数据以及所述负荷指标的历史数据进行分类，得到不同时期的历史负荷数据以及负荷指标的历史数据，以便于构建各个时期对应的历史负荷矩阵。
8.根据权利要求7所述的一种电力负荷预测指标选取装置，其特征在于，还包括：
分类比较单元，用于将所述各个时期的历史负荷矩阵得到的负荷指标的关联度进行比较，基于比较结果，得到负荷预测的时间影响结果。
9.根据权利要求6所述的一种电力负荷预测指标选取装置，其特征在于，还包括：
预处理单元，用于通过均值法，对所述历史负荷矩阵进行无量纲化预处理。
10.根据权利要求6至9任意一项所述的一种电力负荷预测指标选取装置，其特征在于，所述负荷指标具体包括：电价、电力建设投入、人口数量、国内生产总值、气候参数。
CN202010686173.9A 2020-07-16 2020-07-16 一种电力负荷预测指标选取方法及装置 Pending CN111931992A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010686173.9A CN111931992A (zh) 2020-07-16 2020-07-16 一种电力负荷预测指标选取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010686173.9A CN111931992A (zh) 2020-07-16 2020-07-16 一种电力负荷预测指标选取方法及装置

Publications (1)

Publication Number Publication Date
CN111931992A true CN111931992A (zh) 2020-11-13

Family

ID=73313190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010686173.9A Pending CN111931992A (zh) 2020-07-16 2020-07-16 一种电力负荷预测指标选取方法及装置

Country Status (1)

Country Link
CN (1) CN111931992A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469434A (zh) * 2021-06-30 2021-10-01 国网综合能源服务集团有限公司 多能负荷预测方法、装置、预测设备及存储介质
CN115034832A (zh) * 2022-07-05 2022-09-09 广东电网有限责任公司 一种天然气和电力的协调调度方法、装置及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685277A (zh) * 2018-12-28 2019-04-26 国网冀北电力有限公司经济技术研究院 用电量预测方法及装置
CN111260136A (zh) * 2020-01-17 2020-06-09 上海电力大学 一种基于arima-lstm组合模型的楼宇短期负荷预测方法
CN111340273A (zh) * 2020-02-17 2020-06-26 南京邮电大学 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685277A (zh) * 2018-12-28 2019-04-26 国网冀北电力有限公司经济技术研究院 用电量预测方法及装置
CN111260136A (zh) * 2020-01-17 2020-06-09 上海电力大学 一种基于arima-lstm组合模型的楼宇短期负荷预测方法
CN111340273A (zh) * 2020-02-17 2020-06-26 南京邮电大学 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王敬敏;郭继伟;连向军;: "两种改进的灰色关联分析法的比较研究", 华北电力大学学报, no. 06, 30 November 2005 (2005-11-30), pages 1 - 4 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469434A (zh) * 2021-06-30 2021-10-01 国网综合能源服务集团有限公司 多能负荷预测方法、装置、预测设备及存储介质
CN115034832A (zh) * 2022-07-05 2022-09-09 广东电网有限责任公司 一种天然气和电力的协调调度方法、装置及系统

Similar Documents

Publication Publication Date Title
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
CN109190954A (zh) 基于实时用电数据评估企业生产经营管理风险的方法
CN110046792B (zh) 基于雷达图综合评价法的零电量用户排查方法
CN112966962A (zh) 一种电商企业评优方法
CN111815060A (zh) 一种用电地区短期负荷预测方法及装置
CN111931992A (zh) 一种电力负荷预测指标选取方法及装置
CN107609771A (zh) 一种供应商价值评价方法
CN105184078A (zh) 基于专利相对量分析的技术成熟度评价方法
CN111612627A (zh) 一种评估债券风险影响指标的方法
CN113409150A (zh) 经营风险及信用风险评估方法、装置及计算机存储介质
CN111126499A (zh) 一种基于二次聚类的用电行为模式分类方法
CN113869768A (zh) 产业链强弱度的评价方法、装置、设备及可读介质
CN113793057A (zh) 一种基于回归分析模型的建筑招投标数据生成方法
CN113962477A (zh) 一种产业电量关联聚集预测方法、装置、设备及存储介质
CN114202179A (zh) 目标企业的识别方法以及装置
CN112184495B (zh) 存量低效土地监测系统及应用其的分析平台
Polintan et al. Forecasting gross domestic product in the Philippines using autoregressive integrated moving average (ARIMA) model
KR20130083053A (ko) 악성 해외건설 프로젝트 판별 시스템
CN109214598A (zh) 基于k-means和arima模型预测住宅小区抵押风险的批量评级方法
CN111832854A (zh) 汽车研发质量管理体系的成熟度量化评价方法、系统及可读介质
CN113888047A (zh) 考虑区域投资能力的技改项目投资规模预测方法及系统
CN112116139A (zh) 一种电力需求预测方法及系统
CN113205274A (zh) 一种施工质量定量化排名方法
El Mouna et al. A Comparative Study of Urban House Price Prediction using Machine Learning Algorithms
CN112070336A (zh) 一种基于层次分析法的制造业信息量化分析方法及装置

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