CN112070307B - 一种区域内能源负荷量的预测方法及装置 - Google Patents
一种区域内能源负荷量的预测方法及装置 Download PDFInfo
- Publication number
- CN112070307B CN112070307B CN202010944713.9A CN202010944713A CN112070307B CN 112070307 B CN112070307 B CN 112070307B CN 202010944713 A CN202010944713 A CN 202010944713A CN 112070307 B CN112070307 B CN 112070307B
- Authority
- CN
- China
- Prior art keywords
- sample
- energy
- type
- load
- quantities
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005070 sampling Methods 0.000 claims description 42
- 238000010219 correlation analysis Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种区域内能源负荷量的预测方法及装置。本申请提供的方法,首先获取待预测区域内的待预测时刻、待预测时刻的预估温度、待预测能源的多个历史负荷量,第一类相关能源的多个第一类历史负荷量,第二类相关能源的多个第二类历史负荷量;然后将待预测时刻、待预测时刻的预估温度、多个历史负荷量、多个第一类历史负荷量以及多个第二类历史负荷量输入能源负荷预测模型中,得到待预测能源的预测负荷量。本申请在预测某种特定类能源的负荷量时,考虑了其他类的能源对此能源的影响,能够提高对特定类能源负荷量的预测精度。
Description
技术领域
本申请涉及电力领域,特别涉及一种区域内能源负荷量的预测方法及装置。
背景技术
随着生产、生活需求的增大,人们对能源负荷量的需求也随之增大。为了保证能源充足,并最大可能避免能源的浪费,供能公司的工作人员通常会预测未来时间段的能源负荷量,并根据预测的能源负荷量,调节未来时间段的能源负荷量。
目前,对能源负荷量的预测过程中,供能公司的工作人员一般都是根据特定种类能源的历史负荷量情况,预测下一阶段的能源负荷量情况。而实际生产、生活中,不同能源之间的负荷量会相互影响。例如,某地区的居民习惯使用热能,相对应的,此地区居民电能的负荷量就会比其他地区同期减少。这种只考虑单一种类能源历史负荷量情况的预测方法,导致对能源负荷量的预测精度偏低,无法准确预测未来时间段内特定种类能源的负荷量。
基于此,目前亟需一种区域内能源负荷量的预测方法,用于解决现有技术中预测区域内特定种类能源负荷量,精度偏低的问题。
发明内容
本申请提供了一种区域内能源负荷量的预测方法及装置,可用于解决在现有技术中现有技术中预测区域内特定种类能源负荷量,精度偏低的问题。
第一方面,本申请提供了一种区域内能源负荷量的预测方法,所述方法包括:
获取待预测区域内的待预测时刻、待预测时刻的预估温度、待预测能源的多个历史负荷量,第一类相关能源的多个第一类历史负荷量,第二类相关能源的多个第二类历史负荷量;所述第一类相关能源为已预先确定与所述待预测能源具有关联关系的一类能源;所述第二类相关能源为已预先确定与所述待预测能源具有关联关系的另一类能源;一个历史负荷量对应一个历史时刻;多个所述历史负荷量、多个所述第一类历史负荷量以及多个所述第二类历史负荷量对应的历史时刻相同;
将所述待预测时刻、所述待预测时刻的预估温度、所述多个历史负荷量、所述多个第一类历史负荷量以及多个所述第二类历史负荷量输入能源负荷预测模型中,得到待预测能源的预测负荷量;所述能源负荷预测模型是根据待训练能源的样本时刻对应的样本负荷量、第一类样本相关能源的第一类样本负荷量、第二类样本相关能源的第二类样本负荷量以及样本时刻的样本温度确定的。
结合第一方面,在第一方面的一种可实现方式中,所述能源负荷预测模型采用以下方法确定:
获取样本区域内Z个所述样本时刻、Z个所述样本时刻的样本温度、所述待训练能源的Z个所述样本负荷量、所述第一类样本相关能源的Z个所述第一类样本负荷量、所述第二类样本相关能源的Z个所述第二类样本负荷量;一个所述样本负荷量对应一个所述样本时刻;所述第一类样本相关能源为已预先确定与所述待训练能源具有关联关系的一类能源;所述第二类样本相关能源为已预先确定与所述待训练能源具有关联关系的另一类能源;多个所述样本负荷量、多个所述第一类样本负荷量以及多个所述第二类样本负荷量对应的所述样本时刻相同;
将X个所述第一类样本负荷量、X个所述第二类样本负荷量、X个所述样本负荷量、Y个所述样本时刻的样本温度以及Y个所述样本时刻作为输入,将Y个所述样本负荷量作为输出,训练得到所述能源负荷预测模型;Z=X+Y,且X个所述样本时刻的任一样本时刻,早于Y个所述样本时刻的任一样本时刻。
结合第一方面,在第一方面的一种可实现方式中,获取样本区域内Z个所述样本时刻、Z个所述样本时刻的样本温度、所述待训练能源的Z个所述样本负荷量、所述第一类样本相关能源的Z个所述第一类样本负荷量、所述第二类样本相关能源的Z个所述第二类样本负荷量,之前,还包括:
获取所述样本区域内所述待训练能源的多个抽样负荷量,以及其他类能源的其他类多个抽样负荷量;一类多个抽样负荷量对应一类能源;
将所述多个抽样负荷量,与所述其他类多个抽样负荷量,进行相关性分析,确定与所述待训练能源具有关联关系的所述第一类相关能源以及所述第二类相关能源。
结合第一方面,在第一方面的一种可实现方式中,将所述多个抽样负荷量,与所述其他类多个抽样负荷量,进行相关性分析,确定与所述待训练能源具有关联关系的所述第一类相关能源以及所述第二类相关能源,包括:
将所述多个抽样负荷量,与所述其他类多个抽样负荷量,利用皮尔逊相关系数进行相关性分析,确定与所述待训练能源具有关联关系的所述第一类相关能源以及所述第二类相关能源。
结合第一方面,在第一方面的一种可实现方式中,所述待预测能源包括以下至少一类:
电能源、气能源以及热能源。
第二方面,本申请提供了一种区域内能源负荷量的预测装置,所述装置包括:
获取模块,用于获取待预测区域内的待预测时刻、待预测时刻的预估温度、待预测能源的多个历史负荷量,第一类相关能源的多个第一类历史负荷量,第二类相关能源的多个第二类历史负荷量;所述第一类相关能源为已预先确定与所述待预测能源具有关联关系的一类能源;所述第二类相关能源为已预先确定与所述待预测能源具有关联关系的另一类能源;一个历史负荷量对应一个历史时刻;多个所述历史负荷量、多个所述第一类历史负荷量以及多个所述第二类历史负荷量对应的历史时刻相同;
处理模块,用于将所述待预测时刻、所述待预测时刻的预估温度、所述多个历史负荷量、所述多个第一类历史负荷量以及多个所述第二类历史负荷量输入能源负荷预测模型中,得到待预测能源的预测负荷量;所述能源负荷预测模型是根据待训练能源的样本时刻对应的样本负荷量、第一类样本相关能源的第一类样本负荷量、第二类样本相关能源的第二类样本负荷量以及样本时刻的样本温度确定的。
结合第二方面,在第二方面的一种可实现方式中,所述能源负荷预测模型采用以下方法确定:
获取样本区域内Z个所述样本时刻、Z个所述样本时刻的样本温度、所述待训练能源的Z个所述样本负荷量、所述第一类样本相关能源的Z个所述第一类样本负荷量、所述第二类样本相关能源的Z个所述第二类样本负荷量;一个所述样本负荷量对应一个所述样本时刻;所述第一类样本相关能源为已预先确定与所述待训练能源具有关联关系的一类能源;所述第二类样本相关能源为已预先确定与所述待训练能源具有关联关系的另一类能源;多个所述样本负荷量、多个所述第一类样本负荷量以及多个所述第二类样本负荷量对应的所述样本时刻相同;
将X个所述第一类样本负荷量、X个所述第二类样本负荷量、X个所述样本负荷量、Y个所述样本时刻的样本温度以及Y个所述样本时刻作为输入,将Y个所述样本负荷量作为输出,训练得到所述能源负荷预测模型;Z=X+Y,且X个所述样本时刻的任一样本时刻,早于Y个所述样本时刻的任一样本时刻。
结合第二方面,在第二方面的一种可实现方式中,所述获取模块,在获取样本区域内Z个所述样本时刻、Z个所述样本时刻的样本温度、所述待训练能源的Z个所述样本负荷量、所述第一类样本相关能源的Z个所述第一类样本负荷量、所述第二类样本相关能源的Z个所述第二类样本负荷量,之前,还用于:
获取所述样本区域内所述待训练能源的多个抽样负荷量,以及其他类能源的其他类多个抽样负荷量;一类多个抽样负荷量对应一类能源;
所述处理模块,还用于将所述多个抽样负荷量,与所述其他类多个抽样负荷量,进行相关性分析,确定与所述待训练能源具有关联关系的所述第一类相关能源以及所述第二类相关能源。
结合第二方面,在第二方面的一种可实现方式中,所述处理模块,具体用于:
将所述多个抽样负荷量,与所述其他类多个抽样负荷量,利用皮尔逊相关系数进行相关性分析,确定与所述待训练能源具有关联关系的所述第一类相关能源以及所述第二类相关能源。
结合第二方面,在第二方面的一种可实现方式中,所述待预测能源包括以下至少一类:
电能源、气能源以及热能源。
本申请在预测某种特定类能源的负荷量时,考虑了其他类的能源对此能源的影响,能够提高对特定类能源负荷量的预测精度,避免预测特定类能源负荷量时,考虑因素单一的问题。
附图说明
图1为本申请实施例提供的一种区域内能源负荷量的预测方法的流程示意图;
图2为本申请实施例提供的一种能源负荷预测模型的确定方法的流程示意图;
图3为本申请实施例提供的电能源的预测负荷量示意图;
图4为本申请实施例提供的气能源的预测负荷量示意图;
图5为本申请实施例提供的热能源的预测负荷量示意图;
图6为本申请实施例提供的一种区域内能源负荷量的预测装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
如图1所示,为本申请实施例提供的一种区域内能源负荷量的预测方法的流程示意图。本申请实施例主要包括以下步骤:
步骤101,获取待预测区域内的待预测时刻、待预测时刻的预估温度、待预测能源的多个历史负荷量,第一类相关能源的多个第一类历史负荷量,第二类相关能源的多个第二类历史负荷量。
步骤102,将待预测时刻、待预测时刻的预估温度、多个历史负荷量、多个第一类历史负荷量以及多个第二类历史负荷量输入能源负荷预测模型中,得到待预测能源的预测负荷量。
本申请在预测某种特定类能源的负荷量时,考虑了其他类的能源对此能源的影响,能够提高对特定类能源负荷量的预测精度。
下面,详细阐述本申请实施例。
步骤101中,第一类相关能源为已预先确定与待预测能源具有关联关系的一类能源;第二类相关能源为已预先确定与待预测能源具有关联关系的另一类能源。
本申请实施例中,待预测能源包括以下至少一类:
电能源、气能源以及热能源。
待预测能源可以为一类,也可以为两类或三类,具体不做限定。待预测能源也可以为核能、风能、潮汐能或其他新型能源,本申请实施例中,列举的几类能源仅为一种举例,并不构成对待测能源的限定。任意一类待预测能源均有与此待预测能源具有关联关系的第一相关能源以及第二相关能源。
一个历史负荷量对应一个历史时刻。多个历史负荷量、多个第一类历史负荷量以及多个第二类历史负荷量对应的历史时刻相同。
为了保证带待测能源与其他能源的关联关系准确,多个历史负荷量、多个第一类历史负荷量以及多个第二类历史负荷量对应的历史时刻相同。举个例子,假设待预测能源为电能源,第一相关能源为气能源,第二相关能源为热能源。电能源的历史负荷量为某年3月1日至4月1日,每一天对应的负荷量;则相应的,气能源的第一历史负荷量为同年3月1日至4月1日,每一天对应的负荷量;类似的,热能源的第二历史复合量为同年3月1日至4月1日,每一天对应的负荷量。
步骤102中,能源负荷预测模型是根据待训练能源的样本时刻对应的样本负荷量、第一类样本相关能源的第一类样本负荷量、第二类样本相关能源的第二类样本负荷量以及样本时刻的样本温度确定的。
确定能源负荷预测模型,需要先确定与待训练能源具有关联关系的第一类相关能源以及第二类相关能源。
具体的,首先,获取样本区域内待训练能源的多个抽样负荷量,以及其他类能源的其他类多个抽样负荷量。
其中,一类多个抽样负荷量对应一类能源。样本区域为任意一个包含多类能源的典型区域,样本区域内不同能源之间的关联关系可以推及到待测区域。
待训练能源为任意一类待预测能源。
然后,将多个抽样负荷量,与其他类多个抽样负荷量,进行相关性分析,确定与待训练能源具有关联关系的第一类相关能源以及第二类相关能源。
进行相关性分析可以采用多种方法,一种可行的方法为:
将多个抽样负荷量,与其他类多个抽样负荷量,利用皮尔逊相关系数进行相关性分析,确定与待训练能源具有关联关系的第一类相关能源以及第二类相关能源。
其中,进行相关性分析后,与待训练能源的相关性系数最高的两类能源为第一类相关能源以及第二类相关能源。
如表1所示,为多类能源之间的相关性系数的一种示例。其中,电能源本身肯定相关,因此相关性系数为1;电能源和气能源之间的相关性系数为0.6662;电能源和热能源之间的相关性系数为0.2322……具体可以参考表1示出的内容,此处不再一一赘述。
表1:多类能源之间的相关性系数的一种示例
电能源 | 气能源 | 热能源 | |
电能源 | 1 | 0.6662 | 0.2322 |
气能源 | 0.6662 | 1 | 0.1727 |
热能源 | 0.2322 | 0.1727 | 1 |
另一种可行的相关性分析方法为:
将多个抽样负荷量,与其他类多个抽样负荷量,利用相依理论,确定与待训练能源具有关联关系的第一类相关能源以及第二类相关能源。
确定了第一类相关能源以及所述第二类相关能源后,确定能源负荷预测模型。
如图2所示,为本申请实施例提供的一种能源负荷预测模型的确定方法的流程示意图。本申请实施例提供的确定能源负荷预测模型的方法主要包括以下步骤:
步骤201,获取样本区域内Z个样本时刻、Z个样本时刻的样本温度、待训练能源的Z个样本负荷量、第一类样本相关能源的Z个第一类样本负荷量、第二类样本相关能源的Z个第二类样本负荷量。
其中,与步骤101类似,一个样本负荷量对应一个样本时刻。第一类样本相关能源为已预先确定与待训练能源具有关联关系的一类能源;第二类样本相关能源为已预先确定与待训练能源具有关联关系的另一类能源。
多个样本负荷量、多个第一类样本负荷量以及多个第二类样本负荷量对应的样本时刻相同。
步骤202,将X个第一类样本负荷量、X个第二类样本负荷量、X个样本负荷量、Y个样本时刻的样本温度以及Y个样本时刻作为输入,将Y个样本负荷量作为输出,训练得到能源负荷预测模型。
其中,Z=X+Y,且X个样本时刻的任一样本时刻,早于Y个样本时刻的任一样本时刻。
本申请实施例中,能源负荷预测模型可以采用多种神经网络模型,一种可采用的神经网络模型为径向基网络模型。
具体的,径向基网络模型包括输入层、隐含层以及输出层。输入层用于接收与输出结果有关的所有量,在本申请实施例确定能源负荷预测模型过程中,即为第一类样本负荷量、第二类样本负荷量、样本负荷量、样本时刻的样本温度以及样本时刻。隐含层用于对输入量进行变化,并对应到输出层中。输出层用于通过模型训练,确定隐含层至输出层之间的对应关系。
本申请实施例中,选用K-means聚类算法确定能源负荷预测模型中的隐含层节点径向基函数的数据中心,其中径向基函数的数据中心,即为隐含层中输入层所接收的量对应过去的聚类中心。
本申请实施例中,选用K-means聚类算法确定隐含层节点径向基函数的数据中心,具体过程如下:
任选隐含层中K个不同的对象作为初始的聚类中心;计算输入量与初始聚类中心之间的距离;根据最小距离规则对输入量进行分类,即当输入量中部分量与某个初始聚类中心的距离最小,则这部分量为一类输入量;对初始聚类中心进行调整;判断输入量对应的聚类中心是否发生变化,如果没有变化,则输入层的聚类中心不变,否则返回任选初始聚类中心这一步。
本申请实施例采用逆伪矩阵法计算隐含层到输出层之间的权重,具体步骤如下:
计算隐藏层聚类中心之间的方差;采用逆伪矩阵法计算隐含层到输出层之间的权重,获得能源负荷预测模型的输出结果。
为了进一步说明本申请实施例的实施效果,下面结合三幅图进行阐述。
如图3所示为本申请实施例提供的电能源的预测负荷量示意图。
如图4所示为本申请实施例提供的气能源的预测负荷量示意图。
如图5所示为本申请实施例提供的热能源的预测负荷量示意图。
由图3至图5可以获知,本申请实施提供的方法对不同能源的预测负荷量与实际值都较为接近,有较佳的预测效果。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图6示例性示出了本申请实施例提供的一种区域内能源负荷量的预测装置的结构示意图。如图6所示,该装置具有实现上述一种区域内能源负荷量的预测方法的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以包括获取模块601以及处理模块602。
获取模块601,用于获取待预测区域内的待预测时刻、待预测时刻的预估温度、待预测能源的多个历史负荷量,第一类相关能源的多个第一类历史负荷量,第二类相关能源的多个第二类历史负荷量;第一类相关能源为已预先确定与待预测能源具有关联关系的一类能源;第二类相关能源为已预先确定与待预测能源具有关联关系的另一类能源;一个历史负荷量对应一个历史时刻;多个历史负荷量、多个第一类历史负荷量以及多个第二类历史负荷量对应的历史时刻相同。
处理模块602,用于将待预测时刻、待预测时刻的预估温度、多个历史负荷量、多个第一类历史负荷量以及多个第二类历史负荷量输入能源负荷预测模型中,得到待预测能源的预测负荷量;能源负荷预测模型是根据待训练能源的样本时刻对应的样本负荷量、第一类样本相关能源的第一类样本负荷量、第二类样本相关能源的第二类样本负荷量以及样本时刻的样本温度确定的。
可选的,能源负荷预测模型采用以下方法确定:
获取样本区域内Z个样本时刻、Z个样本时刻的样本温度、待训练能源的Z个样本负荷量、第一类样本相关能源的Z个第一类样本负荷量、第二类样本相关能源的Z个第二类样本负荷量;一个样本负荷量对应一个样本时刻;第一类样本相关能源为已预先确定与待训练能源具有关联关系的一类能源;第二类样本相关能源为已预先确定与待训练能源具有关联关系的另一类能源;多个样本负荷量、多个第一类样本负荷量以及多个第二类样本负荷量对应的样本时刻相同。
将X个第一类样本负荷量、X个第二类样本负荷量、X个样本负荷量、Y个样本时刻的样本温度以及Y个样本时刻作为输入,将Y个样本负荷量作为输出,训练得到能源负荷预测模型;Z=X+Y,且X个样本时刻的任一样本时刻,早于Y个样本时刻的任一样本时刻。
可选的,获取模块601,在获取样本区域内Z个样本时刻、Z个样本时刻的样本温度、待训练能源的Z个样本负荷量、第一类样本相关能源的Z个第一类样本负荷量、第二类样本相关能源的Z个第二类样本负荷量,之前,还用于:
获取样本区域内待训练能源的多个抽样负荷量,以及其他类能源的其他类多个抽样负荷量;一类多个抽样负荷量对应一类能源。
处理模块602,还用于将多个抽样负荷量,与其他类多个抽样负荷量,进行相关性分析,确定与待训练能源具有关联关系的第一类相关能源以及第二类相关能源。
可选的,处理模块602,具体用于:
将多个抽样负荷量,与其他类多个抽样负荷量,利用皮尔逊相关系数进行相关性分析,确定与待训练能源具有关联关系的第一类相关能源以及第二类相关能源。
可选的,待预测能源包括以下至少一类:
电能源、气能源以及热能源。
本申请在预测某种特定类能源的负荷量时,考虑了其他类的能源对此能源的影响,能够提高对特定类能源负荷量的预测精度。
本发明可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种区域内能源负荷量的预测方法,其特征在于,所述方法包括:
获取待预测区域内的待预测时刻、待预测时刻的预估温度、待预测能源的多个历史负荷量,第一类相关能源的多个第一类历史负荷量,第二类相关能源的多个第二类历史负荷量;所述第一类相关能源为已预先确定与所述待预测能源具有关联关系的一类能源;所述第二类相关能源为已预先确定与所述待预测能源具有关联关系的另一类能源;一个历史负荷量对应一个历史时刻;多个所述历史负荷量、多个所述第一类历史负荷量以及多个所述第二类历史负荷量对应的历史时刻相同;
将所述待预测时刻、所述待预测时刻的预估温度、所述多个历史负荷量、所述多个第一类历史负荷量以及多个所述第二类历史负荷量输入能源负荷预测模型中,得到待预测能源的预测负荷量;所述能源负荷预测模型是根据待训练能源的样本时刻对应的样本负荷量、第一类样本相关能源的第一类样本负荷量、第二类样本相关能源的第二类样本负荷量以及样本时刻的样本温度确定的。
2.根据权利要求1所述的方法,其特征在于,所述能源负荷预测模型采用以下方法确定:
获取样本区域内Z个所述样本时刻、Z个所述样本时刻的样本温度、所述待训练能源的Z个所述样本负荷量、所述第一类样本相关能源的Z个所述第一类样本负荷量、所述第二类样本相关能源的Z个所述第二类样本负荷量;一个所述样本负荷量对应一个所述样本时刻;所述第一类样本相关能源为已预先确定与所述待训练能源具有关联关系的一类能源;所述第二类样本相关能源为已预先确定与所述待训练能源具有关联关系的另一类能源;多个所述样本负荷量、多个所述第一类样本负荷量以及多个所述第二类样本负荷量对应的所述样本时刻相同;
将X个所述第一类样本负荷量、X个所述第二类样本负荷量、X个所述样本负荷量、Y个所述样本时刻的样本温度以及Y个所述样本时刻作为输入,将Y个所述样本负荷量作为输出,训练得到所述能源负荷预测模型;Z=X+Y,且X个所述样本时刻的任一样本时刻,早于Y个所述样本时刻的任一样本时刻。
3.根据权利要求2所述的方法,其特征在于,获取样本区域内Z个所述样本时刻、Z个所述样本时刻的样本温度、所述待训练能源的Z个所述样本负荷量、所述第一类样本相关能源的Z个所述第一类样本负荷量、所述第二类样本相关能源的Z个所述第二类样本负荷量,之前,还包括:
获取所述样本区域内所述待训练能源的多个抽样负荷量,以及其他类能源的其他类多个抽样负荷量;一类多个抽样负荷量对应一类能源;
将所述多个抽样负荷量,与所述其他类多个抽样负荷量,进行相关性分析,确定与所述待训练能源具有关联关系的所述第一类相关能源以及所述第二类相关能源。
4.根据权利要求3所述的方法,其特征在于,将所述多个抽样负荷量,与所述其他类多个抽样负荷量,进行相关性分析,确定与所述待训练能源具有关联关系的所述第一类相关能源以及所述第二类相关能源,包括:
将所述多个抽样负荷量,与所述其他类多个抽样负荷量,利用皮尔逊相关系数进行相关性分析,确定与所述待训练能源具有关联关系的所述第一类相关能源以及所述第二类相关能源。
5.根据权利要求1所述的方法,其特征在于,所述待预测能源包括以下至少一类:
电能源、气能源以及热能源。
6.一种区域内能源负荷量的预测装置,其特征在于,所述装置包括:
获取模块,用于获取待预测区域内的待预测时刻、待预测时刻的预估温度、待预测能源的多个历史负荷量,第一类相关能源的多个第一类历史负荷量,第二类相关能源的多个第二类历史负荷量;所述第一类相关能源为已预先确定与所述待预测能源具有关联关系的一类能源;所述第二类相关能源为已预先确定与所述待预测能源具有关联关系的另一类能源;一个历史负荷量对应一个历史时刻;多个所述历史负荷量、多个所述第一类历史负荷量以及多个所述第二类历史负荷量对应的历史时刻相同;
处理模块,用于将所述待预测时刻、所述待预测时刻的预估温度、所述多个历史负荷量、所述多个第一类历史负荷量以及多个所述第二类历史负荷量输入能源负荷预测模型中,得到待预测能源的预测负荷量;所述能源负荷预测模型是根据待训练能源的样本时刻对应的样本负荷量、第一类样本相关能源的第一类样本负荷量、第二类样本相关能源的第二类样本负荷量以及样本时刻的样本温度确定的。
7.根据权利要求6所述的装置,其特征在于,所述能源负荷预测模型采用以下方法确定:
获取样本区域内Z个所述样本时刻、Z个所述样本时刻的样本温度、所述待训练能源的Z个所述样本负荷量、所述第一类样本相关能源的Z个所述第一类样本负荷量、所述第二类样本相关能源的Z个所述第二类样本负荷量;一个所述样本负荷量对应一个所述样本时刻;所述第一类样本相关能源为已预先确定与所述待训练能源具有关联关系的一类能源;所述第二类样本相关能源为已预先确定与所述待训练能源具有关联关系的另一类能源;多个所述样本负荷量、多个所述第一类样本负荷量以及多个所述第二类样本负荷量对应的所述样本时刻相同;
将X个所述第一类样本负荷量、X个所述第二类样本负荷量、X个所述样本负荷量、Y个所述样本时刻的样本温度以及Y个所述样本时刻作为输入,将Y个所述样本负荷量作为输出,训练得到所述能源负荷预测模型;Z=X+Y,且X个所述样本时刻的任一样本时刻,早于Y个所述样本时刻的任一样本时刻。
8.根据权利要求7所述的装置,其特征在于,所述获取模块,在获取样本区域内Z个所述样本时刻、Z个所述样本时刻的样本温度、所述待训练能源的Z个所述样本负荷量、所述第一类样本相关能源的Z个所述第一类样本负荷量、所述第二类样本相关能源的Z个所述第二类样本负荷量,之前,还用于:
获取所述样本区域内所述待训练能源的多个抽样负荷量,以及其他类能源的其他类多个抽样负荷量;一类多个抽样负荷量对应一类能源;
所述处理模块,还用于将所述多个抽样负荷量,与所述其他类多个抽样负荷量,进行相关性分析,确定与所述待训练能源具有关联关系的所述第一类相关能源以及所述第二类相关能源。
9.根据权利要求8所述的装置,其特征在于,所述处理模块,具体用于:
将所述多个抽样负荷量,与所述其他类多个抽样负荷量,利用皮尔逊相关系数进行相关性分析,确定与所述待训练能源具有关联关系的所述第一类相关能源以及所述第二类相关能源。
10.根据权利要求6所述的装置,其特征在于,所述待预测能源包括以下至少一类:
电能源、气能源以及热能源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010944713.9A CN112070307B (zh) | 2020-09-10 | 2020-09-10 | 一种区域内能源负荷量的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010944713.9A CN112070307B (zh) | 2020-09-10 | 2020-09-10 | 一种区域内能源负荷量的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070307A CN112070307A (zh) | 2020-12-11 |
CN112070307B true CN112070307B (zh) | 2023-01-20 |
Family
ID=73663518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010944713.9A Active CN112070307B (zh) | 2020-09-10 | 2020-09-10 | 一种区域内能源负荷量的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070307B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862216B (zh) * | 2021-03-10 | 2022-09-20 | 广东电网有限责任公司 | 一种基于深度置信网络的多行业能源需求预测方法 |
CN113377841A (zh) * | 2021-06-21 | 2021-09-10 | 国网宁夏电力有限公司电力科学研究院 | 一种基于大数据的能源负荷预测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
CN109034504A (zh) * | 2018-09-14 | 2018-12-18 | 云南电网有限责任公司 | 一种短期负荷预测模型建立方法及装置 |
CN111612275A (zh) * | 2020-05-29 | 2020-09-01 | 云南电网有限责任公司 | 一种预测区域用户负荷量的方法及装置 |
-
2020
- 2020-09-10 CN CN202010944713.9A patent/CN112070307B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
CN109034504A (zh) * | 2018-09-14 | 2018-12-18 | 云南电网有限责任公司 | 一种短期负荷预测模型建立方法及装置 |
CN111612275A (zh) * | 2020-05-29 | 2020-09-01 | 云南电网有限责任公司 | 一种预测区域用户负荷量的方法及装置 |
Non-Patent Citations (2)
Title |
---|
区域能源站空调负荷的实时预测研究;方波等;《建筑热能通风空调》;20160525(第05期);全文 * |
基于负荷特性聚类的样本自适应神经网络台区短期负荷预测;方芳等;《科技导报》;20171228(第24期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112070307A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Egilmez et al. | Stochastic cellular manufacturing system design subject to maximum acceptable risk level | |
Kou et al. | A sparse heteroscedastic model for the probabilistic load forecasting in energy-intensive enterprises | |
Gong et al. | Bottom-up load forecasting with Markov-based error reduction method for aggregated domestic electric water heaters | |
EP2085843A2 (en) | Method and system for analyzing performance of a wind farm | |
CN112070307B (zh) | 一种区域内能源负荷量的预测方法及装置 | |
Liu et al. | Real-time complex event processing and analytics for smart grid | |
Sanyal et al. | Calibrating building energy models using supercomputer trained machine learning agents | |
Farhang-Mehr et al. | An information-theoretic entropy metric for assessing multi-objective optimization solution set quality | |
Hsieh | Hybrid analytic and simulation models for assembly line design and production planning | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
Marsudi et al. | The application of queuing theory in multi-stage production line | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
Gu et al. | Two improvements of similarity-based residual life prediction methods | |
Jung et al. | Simulation-based hybrid optimization method for the digital twin of garment production lines | |
Ma et al. | Characterizations and optimization for resilient manufacturing systems with considerations of process uncertainties | |
Samigulina et al. | Biologically Inspired Unified Artificial Immune System for Industrial Equipment Diagnostic | |
CN112085257B (zh) | 一种基于时序分析的综合能源业务潜力预测模型 | |
Li et al. | Performance prediction and evaluation based on the variability theory in production lines using arena simulation | |
Liao et al. | Forecasting repair and maintenance services of medical devices using support vector machine | |
Uakhitova | Electricity Consumption Forecast Based on Neural Networks | |
Khalyasmaa | Integral assessment of power network equipment operational risks: Special aspects | |
CN112949908A (zh) | 一种电价概率预测方法及装置 | |
Gallagher et al. | Utilising the Cross Industry Standard Process for Data Mining to reduce uncertainty in the Measurement and Verification of energy savings | |
Rohan et al. | Multivariable Load Prediction Using LSTM | |
Diedrich | Framework for digitalized proactive supply chain risk management |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |