CN111985701A - 一种基于供电企业大数据模型库的用电预测方法 - Google Patents

一种基于供电企业大数据模型库的用电预测方法 Download PDF

Info

Publication number
CN111985701A
CN111985701A CN202010756694.7A CN202010756694A CN111985701A CN 111985701 A CN111985701 A CN 111985701A CN 202010756694 A CN202010756694 A CN 202010756694A CN 111985701 A CN111985701 A CN 111985701A
Authority
CN
China
Prior art keywords
data
prediction
model
load
prediction model
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.)
Granted
Application number
CN202010756694.7A
Other languages
English (en)
Other versions
CN111985701B (zh
Inventor
郭乃网
解梁军
宋岩
沈泉江
吴裔
王彬彬
杨栋
陈开能
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.)
State Grid Shanghai Electric Power Co Ltd
East China Power Test and Research Institute Co Ltd
Transwarp Technology Shanghai Co Ltd
Original Assignee
State Grid Shanghai Electric Power Co Ltd
East China Power Test and Research Institute Co Ltd
Transwarp Technology Shanghai 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 State Grid Shanghai Electric Power Co Ltd, East China Power Test and Research Institute Co Ltd, Transwarp Technology Shanghai Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN202010756694.7A priority Critical patent/CN111985701B/zh
Publication of CN111985701A publication Critical patent/CN111985701A/zh
Application granted granted Critical
Publication of CN111985701B publication Critical patent/CN111985701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于供电企业大数据模型库的用电预测方法，包括以下步骤：S1：调用用电预测模型库中的用电预测模型；S2：获取训练数据对用电预测模型进行训练，实现用电预测模型库模型版本的更新；S3：利用训练完成的用电预测模型进行用电预测；用电预测模型库包括数据预处理模型、短期负荷预测模型和空间负荷预测模型，数据预处理模型包括数据清洗模块、数据标准化模块和数据降噪模块，短期负荷预测模型包括基础预测模型、支持向量机预测模型、LTSM神经网络预测模型和台区聚类负荷预测模型，空间负荷预测模型用于对供电区域内未来电力负荷的大小和位置进行预测，与现有技术相比，本发明具有预测准确及时等优点。

Description

一种基于供电企业大数据模型库的用电预测方法
技术领域
本发明涉及电力信息化技术，尤其是涉及一种基于供电企业大数据模型库的用电预测方法。
背景技术
大型供电企业有大量的业务数据的积累，最近几年也逐渐认识到了数据的重要性，开展了很多大数据相关项目的建设。但是，在电力系统中利用大数据技术进行数据分析和建模是一个难点，技术门槛高，虽然整合了大量的用户和电网运行数据，但是数据应用和建模能力严重不足。
当前随着大数据时代的到来，大型供电企业大数据分析和建模管理的需求越来越显著，随着业务的开展，各种通用和专用的模型数量巨大，需要不断迭代更新，设计、训练模型都需要花费巨大的人力，发挥电力数据分析模型的价值，持续迭代、管理和发布使用模型就非常重要。
用电预测是基于多元用电数据，利用大数据挖掘和机器学习方法，在满足一定精度的情况下确定未来某特定时段的用电负荷情况。用电预测是中低压配网规划、运行、节能管理等方面的重要工作之一，提高用电预测技术水平，有利于中低压配网的节能运行管理和错峰调度，有利于合理安排配电网规划建设，有利于综合能源服务公司购售电业务。因此，用电预测已成为实现智能电力现代化管理的重要内容。
目前，电力用电预测普遍存在着算法较多基于经验法、预测准确率不高等难度等问题，同时随着海量用电数据的大集中，传统的数据分析手段不足以应对海量数据挖掘的需求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测准确及时的基于供电企业大数据模型库的用电预测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于供电企业大数据模型库的用电预测方法，包括以下步骤：
S1：调用用电预测模型库中的用电预测模型；
S2：获取训练数据对用电预测模型进行训练，实现用电预测模型库模型版本的更新；
S3：利用训练完成的用电预测模型进行用电预测；
大型供电企业大数据分析模型库中随着时间延长，会积累大量的模型，这些模型的调用和管理需要采用模型抽象的方法，在模型层和应用层之间建立一个模型的抽象层，把算法和模型的接口进行抽象，形成各种算法模型调用的接口，以便于上层的应用调用模型进行数据分析、预测和诊断等。算法经过样本数据训练后可以形成模型，在样本数据更新或者调整参数后，可以重新训练出新的模型。这样同一个或同一类模型就可以有多个版本。训练好的模型可以版本化管理，显示模型的名称、版本和训练时间等。每个模型的版本是唯一的，在版本发布后，它是不可更改的，系统会分配单调递增的序列号进行版本控制。
训练好的模型可以进行发布或运行，用户可以选择最优版本的模型进行发布，既可以将模型通过PMML格式导出部署在其他系统中运行。也可以将模型以API 服务进行在线部署。
所述的用电预测模型库包括数据预处理模型、短期负荷预测模型和空间负荷预测模型，所述的数据预处理模型包括数据清洗模块、数据标准化模块和数据降噪模块，所述的短期负荷预测模型包括基础预测模型、支持向量机预测模型、LTSM神经网络预测模型和台区聚类负荷预测模型，所述的空间负荷预测模型用于对供电区域内未来电力负荷的大小和位置进行预测。
所述的数据预处理模型的输入变量包括影响因素数据和历史负荷数据，所述的影响因素数据包括星期类型、月份、总体时间距离、气象值、历史气象变化值，所述的历史负荷数据包括历史负荷值。
所述的总体时间距离的表达式为：
ADt＝d-t0
其中，ADt为预测日d总体时间距离，d为预测日日期，t0为标度时间距离用的起始时间；
所述的气象值的表达式为：
Figure BDA0002611813930000031
其中，Weathert为预测日d的气象值集合，wi,j第i个气象类型在该日第j个时点的气象值；
所述的历史气象变化值的表达式为：
Figure BDA0002611813930000032
其中，Weatherdif(t)为预测日d的历史气象变化值集合，wdi,j为第i个气象类型在预测日第j个时点的值与前一日第j个时点的值作差分得到的气象变化值，所述的气象类型包括温度、湿度、气压和风速。
所述的数据预处理模型用于对历史负荷值进行数据预处理，所述的数据清洗模块筛选出历史负荷值中的异常数据，并通过带权重的插值法对异常数据进行修正，所述的数据标准化模块通过离差标准化法对数据清洗后的历史负荷值进行标准化，所述的数据降噪模块通过小波变换阈值去噪对标准化后的历史负荷值进行降噪处理；
所述的筛选出历史负荷值中的异常数据依据的公式表达式为：
P(|Lk,t-μk|＞3σk)≤0.003
其中，Lk,t为第k个台区在t时点的负荷值，μk为第k个台区负荷的均值，σk为第k个台区负荷的标准差，当负荷值数据与平均值的偏差超过三倍标准差时，判断该数据为异常值。
所述的基础预测模型的预测步骤包括：
11)计算历史各日与待预测日的相似程度；
12)将相似程度归一化处理；
13)将历史日负荷按相似程度进行加权叠加，得到预测日的负荷预测值；
所述的相似程度的指标包括距离度量和相似度度量，所述的距离度量计算历史日与预测日的相距时间，所述的相似度度量计算历史日与预测日的影响因素数据和历史负荷数据的相似度。
所述的支持向量机预测模型输入的训练数据和预测数据为同一季节的数据，且训练数据和预测数据为相互连续的数据。
所述的LTSM神经网络预测模型的预测步骤包括：
21)构建一个LSTM递归神经网络；
22)将经过数据预处理模型预处理的历史96点用电功率数据和影响因素数据，作为训练数据输入LSTM递归神经网络；
23)进行迭代训练，并输出预测结果；
24)通过调整参数的方式进行优化，并输出最终预测结果；
所述的LSTM递归神经网络包括输入层、隐含层和输出层，所述的调整参数中的参数包括数据分组每组数量、迭代次数、迭代步长、隐含层单元数目、正则化因子、激活函数和学习速率。
所述的台区聚类负荷预测模型的预测步骤包括：
31)根据聚类分析，将具有相同负荷特性的台区分为同一类；
32)利用单类负荷预测模型，分别对不同类别台区进行预测；
33)将各类台区的预测结果通过逆标准化转化后相加，得到整体负荷的预测结果；
所述的聚类分析采用ward聚类算法，其聚类数通过最大化轮廓系数选取，聚类特征为不同台区每个时点的负荷值；
所述的单类负荷预测模型的表达式为：
Figure BDA0002611813930000041
其中，S(·)为训练完成的SVR预测模型，
Figure BDA0002611813930000042
为预测时点前一时刻的负荷真实值，Wt为预报的预测时点气象值，
Figure BDA0002611813930000043
为使用ARMA模型预测的残差序列，所述的SVR预测模型训练时的训练样本包括预测前一周或一月的数据，并通过残差序列的平稳性检验判断训练是否完成。
所述的空间负荷预测模型采用多元回归用电预测模型实现。
所述的空间负荷预测模型将供电区域划分为工业用户地块、商业用户地块和居民用户地块，对各地块分别利用多元回归用电预测模型进行中长期地块电量预测，所述的多元回归用电预测模型的表达式为：
Figure BDA0002611813930000044
其中，f(A，X，t)为传统用电预测模型，∑N为主动用电预测模型，X为影响因素数据和历史负荷数据组成的向量，t为时间，
Figure BDA0002611813930000051
为待预测地块的预测电量，A 为模型的系数向量，N为主动负荷的预测数据。
与现有技术相比，本发明具有以下优点：
1)本发明设计了一整套考虑用户用电特性、环境变化等多种因素的负荷预测模型，涵盖了多种适用于台区及线路预测的方法，包含时间序列模型、支持向量机回归等预测精度及效果均较优的预测模型，采用的方法包括基于LSTM神经网络的短期负荷预测以及台区聚类的负荷预测等，实现基于大数据的建模，提升预测的及时性和准确性。
2)本发明设计的数据预处理模型使得负荷预测输入变量在数据清洗、数据标准化、数据降噪等预处理环节的同一性和规范性，利用大数据挖掘提供最优选的数据预处理方法；
3)本发明利用用电预测模型库，在考虑用户用电特性、环境变化、区域用电特点等多因素的高维时序数据上实现了用电预测，针对用电预测通过历史用电数据及用电相关数据建立了用电时间序列模型、用电空间模型和用电行业模型等。
附图说明
图1为LTSM神经网络预测模型预测步骤的流程示意图；
图2为台区聚类负荷预测模型预测步骤的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
本发明提供一种基于供电企业大数据模型库的用电预测方法，包括以下步骤：
S1：调用用电预测模型库中的用电预测模型；
S2：获取训练数据对用电预测模型进行训练，实现用电预测模型库模型版本的更新；
S3：利用训练完成的用电预测模型进行用电预测；
大型供电企业大数据分析模型库中随着时间延长，会积累大量的模型，这些模型的调用和管理需要采用模型抽象的方法，在模型层和应用层之间建立一个模型的抽象层，把算法和模型的接口进行抽象，形成各种算法模型调用的接口，以便于上层的应用调用模型进行数据分析、预测和诊断等。算法经过样本数据训练后可以形成模型，在样本数据更新或者调整参数后，可以重新训练出新的模型。这样同一个或同一类模型就可以有多个版本。训练好的模型可以版本化管理，显示模型的名称、版本和训练时间等。每个模型的版本是唯一的，在版本发布后，它是不可更改的，系统会分配单调递增的序列号进行版本控制。
训练好的模型可以进行发布或运行，用户可以选择最优版本的模型进行发布，既可以将模型通过PMML格式导出部署在其他系统中运行。也可以将模型以API 服务进行在线部署。
供电企业大数据用电预测模型库包括数据预处理模型、短期负荷预测模型和空间负荷预测模型，数据预处理模型包括数据清洗模块、数据标准化模块和数据降噪模块，短期负荷预测模型包括基础预测模型、支持向量机预测模型、LTSM神经网络预测模型和台区聚类负荷预测模型，空间负荷预测模型用于对供电区域内未来电力负荷的大小和位置进行预测。
用电预测分为短期预测和中长期预测。短期用电预测是通过挖掘不同地区、不同时段、不同行业的用电特色，全面透析电网负荷情况；综合历史负荷情况、用户用电特性、天气情况、设备情况、特殊事件等，实现对未来一小时、三小时、一天乃至一周的用电预测；根据预设阀值，当预测值到达预警范围，推送通知到相关人员，辅助错峰调度，提高电网运行经济效益。中长期用电预测是挖掘各地区电网负荷随季节、政策的变化规律，并在此基础上结合政府规划、国民经济情况对未来若干年的负荷情况做出预测，预测未来若干年电网负荷可能的变化，辅助峰谷电价、配电网规划等的决策。
对于一天之后的短期负荷预测，影响其负荷大小的相关因子主要是星期类型、月份、总体的时间趋势、该日的气象值、该日相对于前一日的气象变化、前一日的负荷值，数据预处理模型的输入变量包括影响因素数据和历史负荷数据，影响因素数据包括星期类型、月份、总体时间距离、气象值、历史气象变化值，历史负荷数据包括历史负荷值。
其中，星期类型表达式：
Weekd＝[a1,a2,…,ai,…,a7]
若该日为星期i，则ai＝1，剩余a1,a2,…,ai-1,ai+1,…,a7全为0。
月份表达式：
Monthd＝[m1,m2,…,mi,…,m12]
若该日在第i月，则mi＝1，剩余m1,m2,…,mi-1,mi+1,…,m7全为0。
总体时间距离表达式：
ADt＝d-t0
d表示该日日期，t0表示标度时间距离用的起始时间。
气象值表达式：
Figure BDA0002611813930000071
wi,j表示第i个气象类型(包括温度、湿度、气压、风速等)在该日第j个时点的气象值。
历史气象变化值表达式：
Figure BDA0002611813930000072
wdi,j表示第i个气象类型(如温度、湿度、气压、风速等)该日第j个时点的值与前一日第j个时点的值作差分得到的气象变化量。
历史负荷值表达式：
Loadbf(d)＝[l1,l2,…,li,…,l24]
li表示该日前一日第i个时点的负荷值。
综合以上各个变量，最终输入模型的影响因素的维度为：
Dim＝7+12+1+24×2×m+24
即44+8×m维，m为考虑的天气类型数，本实施例考虑4种天气因素，则模型输入为236维向量.。
数据预处理模型用于对历史负荷值进行数据预处理，数据清洗模块筛选出历史负荷值中的异常数据，并通过带权重的插值法对异常数据进行修正，
输入的整体历史负荷值的矩阵表示如下：
Figure BDA0002611813930000081
矩阵中每行表示一个台区在预测时段内的所有数据，矩阵的每列表示某一时刻所有台区的负荷序列，每个元素Lk,t表示台区k在t时刻的负荷值。
数据清洗首先将历史负荷值序列中的异常值及缺失值进行处理，假设历史负荷值总体L服从正态分布，则判断某台区某时刻数据是否为异常值的公式为：
P(|Lk,t-μk|＞3σk)≤0.003
其中Lk,t为第k个台区在k时点的负荷值，μk为第k个台区负荷的均值，σk为第k个台区负荷的标准差。在满足以上公式的情况下，负荷数据观测值与平均值得偏差超过三倍标准差，可认为数据是高度异常的异常值，应该予以修正。
对于由上式识别的的负荷异常值及负荷空缺值，使用带权重的插值法修正该点负荷，具体公式如下：
Figure BDA0002611813930000082
其中
Figure BDA0002611813930000083
为插值修正后该异常点的负荷，m为选取用于修正的附近时段的范围， n为用于修正的附近台区的选取范围；Ci为时段的插值系数，越靠近待修正点该系数越大；Bj为台区的插值系数，与待修正台区越临近该系数越大；插值系数应满足
Figure BDA0002611813930000084
系数的由最小化修正后的台区负荷序列方差
Figure BDA0002611813930000085
来求取。
数据标准化模块通过离差标准化法对数据清洗后的历史负荷值进行标准化，数据降噪模块通过小波变换阈值去噪对标准化后的历史负荷值进行降噪处理。
基础预测模型采用趋势外推法进行预测，趋势外推的基本假设是未来系过去和现在连续发展的结果。当预测对象依时间变化呈现某种上升或下降趋势，没有明显的季节波动，且能找到一个合适的函数曲线反映这种变化趋势时，就可以用趋势外推法进行预测。
对于电力负荷，其在一定时间内波动呈现周期性，且基本稳定，在对未来日负荷进行预测时，可以考虑历史日与未来日的相似性，将历史日负荷按相似度进行加权叠加得到预测日的负荷。
其预测步骤包括：
11)计算历史各日与待预测日的相似性；
12)将相似程度归一化处理；
13)将历史日负荷按相似性进行加权叠加，得到预测日的负荷预测值；
相似性的指标包括距离度量和相似度度量，距离度量计算历史日与预测日的相距时间，相似度度量计算历史日与预测日的影响因素数据和历史负荷数据的相似度。
如图1所示，支持向量机预测模型输入的训练数据和预测数据为同一季节的数据，且训练数据和预测数据为相互连续的数据。
LTSM神经网络预测模型的预测步骤包括：
21)构建一个LSTM递归神经网络，LSTM递归神经网络包括输入层、隐含层和输出层，其中学习速率设置为0.1，梯度下降设置为0.5，正则化因子设置为true，输入层大小设置为50，输出层大小设置为100，输入单元数设置为192，输出单元数设置为96，即每天有96个用电功率数据。；
22)将经过数据预处理模型预处理的历史96点用电功率数据和影响因素数据，作为训练数据输入LSTM递归神经网络；
23)进行迭代训练，并输出预测结果，将数据传入LSTM递归神经网络进行迭代训练，预设置epochs训练次数为400，batchSize批次为1，分组每组30条数据；
24)通过调整参数的方式进行优化，并输出最终预测结果，调整的参数包括数据分组每组数量、迭代次数、迭代步长、隐含层单元数目、正则化因子、激活函数和学习速率。
台区聚类负荷预测模型的预测步骤包括：
31)根据聚类分析，将具有相同负荷特性的台区分为同一类；
32)利用单类负荷预测模型，分别对不同类别台区进行预测；
33)将各类台区的预测结果通过逆标准化转化后相加，得到整体负荷的预测结果；
聚类分析采用ward聚类算法，其聚类数通过最大化轮廓系数选取，聚类特征为不同台区每个时点的负荷值；
单类负荷预测模型的表达式为：
Figure BDA0002611813930000101
其中，S(·)为训练完成的SVR预测模型，
Figure BDA0002611813930000102
为预测时点前一时刻的负荷真实值，Wt为预报的预测时点气象值，
Figure BDA0002611813930000103
为使用ARMA模型预测的残差序列，SVR 预测模型训练时的训练样本包括预测前一周或一月的数据，并通过残差序列的平稳性检验判断训练是否完成。
空间电力负荷预测也称为空间负荷预测，是指对供电区域内未来电力负荷的大小和位置的预测。空间电力负荷预测是电力系统规划的前提与基础，特别是随着对电力系统精益化管理要求的提出，要准确的对电网的各种决策变量进行有效地设计分配，必须确定电力在空间位置上的分布。空间电力负荷预测对未来电网的规划设计具有指导性意义，预测结果能够直接影响到整个电网的可靠性和经济运行，以及网络布局和走势。
空间负荷预测模型采用多元回归用电预测模型实现，将供电区域划分为工业用户地块、商业用户地块和居民用户地块，对各地块分别利用多元回归用电预测模型进行中长期地块电量预测，多元回归用电预测模型的表达式为：
Figure BDA0002611813930000104
其中，f(A，X，t)为传统用电用电预测模型，∑N为主动用电预测模型，X为影响因素数据和历史负荷数据组成的向量，t为时间，
Figure BDA0002611813930000105
为待预测地块的预测电量，A为模型的系数向量，N为主动负荷的预测数据。
基于最小二乘法对A进行求解，即求解下式：
Figure BDA0002611813930000106
据此可求得各选取指标X的系数向量A，具体求解过程如下所示：
1)利用最小二乘法，设拟合多项式为：
y＝a0+a1x+…+akxk
2)各点到这条曲线的距离之和，即偏差平方和
Figure 1
3)为了求得符合条件的a值，对等式右边求ai偏导数，得到：
Figure BDA0002611813930000111
Figure BDA0002611813930000112
Figure BDA0002611813930000113
4)等式左边化简可得：
Figure BDA0002611813930000114
Figure BDA0002611813930000115
Figure BDA0002611813930000116
5)将上述等式矩阵化：
Figure BDA0002611813930000117
6)将上述范德蒙得矩阵化简可得；
Figure BDA0002611813930000118
7)上式即为X*A＝Y形式，则A＝(X'*X)-1*X'*Y，即可求解矩阵A，也即得到拟合曲线。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于供电企业大数据模型库的用电预测方法，其特征在于，包括以下步骤：
S1：调用用电预测模型库中的用电预测模型；
S2：获取训练数据对用电预测模型进行训练，实现用电预测模型库模型版本的更新；
S3：利用训练完成的用电预测模型进行用电预测；
所述的用电预测模型库包括数据预处理模型、短期负荷预测模型和空间负荷预测模型，所述的数据预处理模型包括数据清洗模块、数据标准化模块和数据降噪模块，所述的短期负荷预测模型包括基础预测模型、支持向量机预测模型、LTSM神经网络预测模型和台区聚类负荷预测模型，所述的空间负荷预测模型用于对供电区域内未来电力负荷的大小和位置进行预测。
2.根据权利要求1所述的一种基于供电企业大数据模型库的用电预测方法，其特征在于，所述的数据预处理模型的输入变量包括影响因素数据和历史负荷数据，所述的影响因素数据包括星期类型、月份、总体时间距离、气象值、历史气象变化值，所述的历史负荷数据包括历史负荷值。
3.根据权利要求2所述的一种基于供电企业大数据模型库的用电预测方法，其特征在于，所述的总体时间距离的表达式为：
ADt＝d-t0
其中，ADt为预测日d总体时间距离，d为预测日日期，t0为标度时间距离用的起始时间；
所述的气象值的表达式为：
Figure FDA0002611813920000011
其中，Weathert为预测日d的气象值集合，wi,j第i个气象类型在该日第j个时点的气象值；
所述的历史气象变化值的表达式为：
Figure FDA0002611813920000021
其中，Weatherdif(t)为预测日d的历史气象变化值集合，wdi,j为第i个气象类型在预测日第j个时点的值与前一日第j个时点的值作差分得到的气象变化值，所述的气象类型包括温度、湿度、气压和风速。
4.根据权利要求1所述的一种基于供电企业大数据模型库的用电预测方法，其特征在于，所述的数据预处理模型用于对历史负荷值进行数据预处理，所述的数据清洗模块筛选出历史负荷值中的异常数据，并通过带权重的插值法对异常数据进行修正，所述的数据标准化模块通过离差标准化法对数据清洗后的历史负荷值进行标准化，所述的数据降噪模块通过小波变换阈值去噪对标准化后的历史负荷值进行降噪处理；
所述的筛选出历史负荷值中的异常数据依据的公式表达式为：
P(|Lk,t-μk|＞3σk)≤0.003
其中，Lk,t为第k个台区在t时点的负荷值，μk为第k个台区负荷的均值，σk为第k个台区负荷的标准差，当负荷值数据与平均值的偏差超过三倍标准差时，判断该数据为异常值。
5.根据权利要求2所述的一种基于供电企业大数据模型库的用电预测方法，其特征在于，所述的基础预测模型的预测步骤包括：
11)计算历史各日与待预测日的相似程度；
12)将相似程度归一化处理；
13)将历史日负荷按相似程度进行加权叠加，得到预测日的负荷预测值；
所述的相似程度的指标包括距离度量和相似度度量，所述的距离度量计算历史日与预测日的相距时间，所述的相似度度量计算历史日与预测日的影响因素数据和历史负荷数据的相似度。
6.根据权利要求2所述的一种基于供电企业大数据模型库的用电预测方法，其特征在于，所述的支持向量机预测模型输入的训练数据和预测数据为同一季节的数据，且训练数据和预测数据为相互连续的数据。
7.根据权利要求2所述的一种基于供电企业大数据模型库的用电预测方法，其特征在于，所述的LTSM神经网络预测模型的预测步骤包括：
21)构建一个LSTM递归神经网络；
22)将经过数据预处理模型预处理的历史96点用电功率数据和影响因素数据，作为训练数据输入LSTM递归神经网络；
23)进行迭代训练，并输出预测结果；
24)通过调整参数的方式进行优化，并输出最终预测结果；
所述的LSTM递归神经网络包括输入层、隐含层和输出层，所述的调整参数中的参数包括数据分组每组数量、迭代次数、迭代步长、隐含层单元数目、正则化因子、激活函数和学习速率。
8.根据权利要求2所述的一种基于供电企业大数据模型库的用电预测方法，其特征在于，所述的台区聚类负荷预测模型的预测步骤包括：
31)根据聚类分析，将具有相同负荷特性的台区分为同一类；
32)利用单类负荷预测模型，分别对不同类别台区进行预测；
33)将各类台区的预测结果通过逆标准化转化后相加，得到整体负荷的预测结果；
所述的聚类分析采用ward聚类算法，其聚类数通过最大化轮廓系数选取，聚类特征为不同台区每个时点的负荷值；
所述的单类负荷预测模型的表达式为：
Figure FDA0002611813920000031
其中，S(·)为训练完成的SVR预测模型，
Figure FDA0002611813920000032
为预测时点前一时刻的负荷真实值，Wt为预报的预测时点气象值，
Figure FDA0002611813920000033
为使用ARMA模型预测的残差序列，所述的SVR预测模型训练时的训练样本包括预测前一周或一月的数据，并通过残差序列的平稳性检验判断训练是否完成。
9.根据权利要求2所述的一种基于供电企业大数据模型库的用电预测方法，其特征在于，所述的空间负荷预测模型采用多元回归用电预测模型实现。
10.根据权利要求9所述的一种基于供电企业大数据模型库的用电预测方法，其特征在于，所述的空间负荷预测模型将供电区域划分为工业用户地块、商业用户地块和居民用户地块，对各地块分别利用多元回归用电预测模型进行中长期地块电量预测，所述的多元回归用电预测模型的表达式为：
Figure FDA0002611813920000041
其中，f(A，X，t)为传统用电用电预测模型，∑N为主动用电预测模型，X为影响因素数据和历史负荷数据组成的向量，t为时间，
Figure FDA0002611813920000042
为待预测地块的预测电量，A为模型的系数向量，N为主动负荷的预测数据。
CN202010756694.7A 2020-07-31 2020-07-31 一种基于供电企业大数据模型库的用电预测方法 Active CN111985701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010756694.7A CN111985701B (zh) 2020-07-31 2020-07-31 一种基于供电企业大数据模型库的用电预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010756694.7A CN111985701B (zh) 2020-07-31 2020-07-31 一种基于供电企业大数据模型库的用电预测方法

Publications (2)

Publication Number Publication Date
CN111985701A true CN111985701A (zh) 2020-11-24
CN111985701B CN111985701B (zh) 2024-03-01

Family

ID=73444826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010756694.7A Active CN111985701B (zh) 2020-07-31 2020-07-31 一种基于供电企业大数据模型库的用电预测方法

Country Status (1)

Country Link
CN (1) CN111985701B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508734A (zh) * 2020-11-27 2021-03-16 国网浙江省电力有限公司杭州供电公司 基于卷积神经网络的电力企业发电量的预测方法及装置
CN112990587A (zh) * 2021-03-24 2021-06-18 北京市腾河智慧能源科技有限公司 一种对台区用电进行精准预测的方法及系统、设备、介质
CN113256022A (zh) * 2021-06-16 2021-08-13 广东电网有限责任公司 一种台区用电负荷预测方法及系统
CN113269468A (zh) * 2021-06-17 2021-08-17 山东卓文信息科技有限公司 一种基于区块链的电力调度系统及其数据处理方法
CN113487062A (zh) * 2021-05-31 2021-10-08 国网上海市电力公司 一种基于周期自动编码器的电力负荷预测方法
CN113947201A (zh) * 2021-08-02 2022-01-18 国家电投集团电站运营技术（北京）有限公司 电力分解曲线预测模型的训练方法、装置以及存储介质
CN114298388A (zh) * 2021-12-21 2022-04-08 青岛鼎信通讯股份有限公司 一种基于台区融合终端历史数据的负荷预测方法
CN118095570A (zh) * 2024-04-17 2024-05-28 北京智芯微电子科技有限公司 台区智能负荷预测方法、系统、电子设备、介质及芯片

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004086896A (ja) * 2002-08-06 2004-03-18 Fuji Electric Holdings Co Ltd 適応的予測モデル構築方法及び適応的予測モデル構築システム
CN103559655A (zh) * 2013-11-15 2014-02-05 哈尔滨工业大学 基于数据挖掘的微网新型馈线负荷的预测方法
KR101409025B1 (ko) * 2013-05-20 2014-06-19 엘에스산전 주식회사 전기부하 예측 장치 및 보정 방법
CN104008430A (zh) * 2014-05-29 2014-08-27 华北电力大学 一种构建拟境挖掘动态智能负荷预测模型的方法
CN104200277A (zh) * 2014-08-12 2014-12-10 南方电网科学研究院有限责任公司 一种中长期电力负荷预测模型建立方法
US20150356439A1 (en) * 2014-06-09 2015-12-10 Cognite, Inc. Travel-Related Cognitive Personas
CN105989544A (zh) * 2015-03-04 2016-10-05 国家电网公司 一种配电台区自适应短期负荷预测方法
CN106844594A (zh) * 2017-01-12 2017-06-13 南京大学 一种基于大数据的电力优化配置方法
CN107368932A (zh) * 2017-08-09 2017-11-21 国网山东省电力公司经济技术研究院 一种适用于电网发展专业的负荷分析预测系统
CN108022004A (zh) * 2017-11-16 2018-05-11 广东电网有限责任公司信息中心 一种多模型加权组合电力负荷预报的自适应权重训练方法
CN108491969A (zh) * 2018-03-16 2018-09-04 国家电网公司 基于大数据的空间负荷预测模型构建方法
US20190024781A1 (en) * 2017-07-24 2019-01-24 Caterpillar Inc. System and method for predicting and responding to soft underfoot conditions
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
CN109508835A (zh) * 2019-01-01 2019-03-22 中南大学 一种融合环境反馈的智慧电网短期电力负荷预测方法
WO2019183612A1 (en) * 2018-03-23 2019-09-26 Koniku Inc. Methods of predicting emotional response to sensory stimuli based on individual traits
CN110503256A (zh) * 2019-08-14 2019-11-26 北京国网信通埃森哲信息技术有限公司 基于大数据技术的短期负荷预测方法及系统
CN110516912A (zh) * 2019-07-24 2019-11-29 长沙恒电聚能电子科技有限公司 一种配电台区户变关系的识别方法
CN110796368A (zh) * 2019-10-23 2020-02-14 北方工业大学 基于贝叶斯网络的社区配电网动态风险评估方法及装置
CN110929927A (zh) * 2019-11-18 2020-03-27 国网甘肃省电力公司 一种应用配电网全域大数据的人工智能预测模型构方法
CN111178612A (zh) * 2019-12-19 2020-05-19 绍兴大明电力设计院有限公司 一种网格用户基于大数据odps引擎的lstm负荷预测方法

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004086896A (ja) * 2002-08-06 2004-03-18 Fuji Electric Holdings Co Ltd 適応的予測モデル構築方法及び適応的予測モデル構築システム
KR101409025B1 (ko) * 2013-05-20 2014-06-19 엘에스산전 주식회사 전기부하 예측 장치 및 보정 방법
CN103559655A (zh) * 2013-11-15 2014-02-05 哈尔滨工业大学 基于数据挖掘的微网新型馈线负荷的预测方法
CN104008430A (zh) * 2014-05-29 2014-08-27 华北电力大学 一种构建拟境挖掘动态智能负荷预测模型的方法
US20150356439A1 (en) * 2014-06-09 2015-12-10 Cognite, Inc. Travel-Related Cognitive Personas
CN104200277A (zh) * 2014-08-12 2014-12-10 南方电网科学研究院有限责任公司 一种中长期电力负荷预测模型建立方法
CN105989544A (zh) * 2015-03-04 2016-10-05 国家电网公司 一种配电台区自适应短期负荷预测方法
CN106844594A (zh) * 2017-01-12 2017-06-13 南京大学 一种基于大数据的电力优化配置方法
US20190024781A1 (en) * 2017-07-24 2019-01-24 Caterpillar Inc. System and method for predicting and responding to soft underfoot conditions
CN107368932A (zh) * 2017-08-09 2017-11-21 国网山东省电力公司经济技术研究院 一种适用于电网发展专业的负荷分析预测系统
CN108022004A (zh) * 2017-11-16 2018-05-11 广东电网有限责任公司信息中心 一种多模型加权组合电力负荷预报的自适应权重训练方法
CN108491969A (zh) * 2018-03-16 2018-09-04 国家电网公司 基于大数据的空间负荷预测模型构建方法
WO2019183612A1 (en) * 2018-03-23 2019-09-26 Koniku Inc. Methods of predicting emotional response to sensory stimuli based on individual traits
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
CN109508835A (zh) * 2019-01-01 2019-03-22 中南大学 一种融合环境反馈的智慧电网短期电力负荷预测方法
CN110516912A (zh) * 2019-07-24 2019-11-29 长沙恒电聚能电子科技有限公司 一种配电台区户变关系的识别方法
CN110503256A (zh) * 2019-08-14 2019-11-26 北京国网信通埃森哲信息技术有限公司 基于大数据技术的短期负荷预测方法及系统
CN110796368A (zh) * 2019-10-23 2020-02-14 北方工业大学 基于贝叶斯网络的社区配电网动态风险评估方法及装置
CN110929927A (zh) * 2019-11-18 2020-03-27 国网甘肃省电力公司 一种应用配电网全域大数据的人工智能预测模型构方法
CN111178612A (zh) * 2019-12-19 2020-05-19 绍兴大明电力设计院有限公司 一种网格用户基于大数据odps引擎的lstm负荷预测方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508734A (zh) * 2020-11-27 2021-03-16 国网浙江省电力有限公司杭州供电公司 基于卷积神经网络的电力企业发电量的预测方法及装置
CN112508734B (zh) * 2020-11-27 2024-04-26 国网浙江省电力有限公司杭州供电公司 基于卷积神经网络的电力企业发电量的预测方法及装置
CN112990587A (zh) * 2021-03-24 2021-06-18 北京市腾河智慧能源科技有限公司 一种对台区用电进行精准预测的方法及系统、设备、介质
CN112990587B (zh) * 2021-03-24 2023-10-24 北京市腾河智慧能源科技有限公司 一种对台区用电进行精准预测的方法及系统、设备、介质
CN113487062A (zh) * 2021-05-31 2021-10-08 国网上海市电力公司 一种基于周期自动编码器的电力负荷预测方法
CN113256022A (zh) * 2021-06-16 2021-08-13 广东电网有限责任公司 一种台区用电负荷预测方法及系统
CN113256022B (zh) * 2021-06-16 2023-02-24 广东电网有限责任公司 一种台区用电负荷预测方法及系统
CN113269468A (zh) * 2021-06-17 2021-08-17 山东卓文信息科技有限公司 一种基于区块链的电力调度系统及其数据处理方法
CN113947201A (zh) * 2021-08-02 2022-01-18 国家电投集团电站运营技术（北京）有限公司 电力分解曲线预测模型的训练方法、装置以及存储介质
CN114298388A (zh) * 2021-12-21 2022-04-08 青岛鼎信通讯股份有限公司 一种基于台区融合终端历史数据的负荷预测方法
CN118095570A (zh) * 2024-04-17 2024-05-28 北京智芯微电子科技有限公司 台区智能负荷预测方法、系统、电子设备、介质及芯片

Also Published As

Publication number Publication date
CN111985701B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN111985701A (zh) 一种基于供电企业大数据模型库的用电预测方法
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
Dong et al. Wind power day-ahead prediction with cluster analysis of NWP
CN109919353B (zh) 一种基于空间相关性的arima模型的分布式光伏预测方法
US10873209B2 (en) System and method for dynamic energy storage system control
US20150317589A1 (en) Forecasting system using machine learning and ensemble methods
CN106779129A (zh) 一种考虑气象因素的短期电力负荷预测方法
CN108053082B (zh) 基于温度区间分解的电网中长期负荷预测方法
CN111488896B (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN108388962A (zh) 一种风电功率预测系统及方法
CN109116444B (zh) 基于PCA-kNN的空气质量模式PM2.5预报方法
US8682623B1 (en) Electric power distribution interruption risk assessment calculator
CN108802856B (zh) 一种基于ai的源数据动态修正预报系统及其工作方法
CN111191193A (zh) 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法
JP2020064446A (ja) 予測システムおよび予測方法
CN105184388A (zh) 一种城市电力负荷短期预测的非线性回归方法
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN114372360A (zh) 用于电力负荷预测的方法、终端及存储介质
CN111680841A (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN112232535A (zh) 一种基于监督学习的航班离场平均延误预测方法
CN114595861A (zh) 基于mstl和lstm模型的中长期电力负荷预测方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
Cai et al. Gray wolf optimization-based wind power load mid-long term forecasting algorithm
CN115481918A (zh) 一种基于源网荷储的单元状态主动感知及预测分析系统

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 1122 Yuanshen Road, Pudong New Area, Shanghai, 200122

Applicant after: STATE GRID SHANGHAI MUNICIPAL ELECTRIC POWER Co.

Applicant after: EAST CHINA ELECTRIC POWER TEST AND RESEARCH INSTITUTE Co.,Ltd.

Applicant after: Star link information technology (Shanghai) Co.,Ltd.

Address before: 1122 Yuanshen Road, Pudong New Area, Shanghai, 200122

Applicant before: STATE GRID SHANGHAI MUNICIPAL ELECTRIC POWER Co.

Applicant before: EAST CHINA ELECTRIC POWER TEST AND RESEARCH INSTITUTE Co.,Ltd.

Applicant before: TRANSWARP TECHNOLOGY (SHANGHAI) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant