CN112085285B - 母线负荷预测方法、装置、计算机设备和存储介质 - Google Patents
母线负荷预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112085285B CN112085285B CN202010962194.9A CN202010962194A CN112085285B CN 112085285 B CN112085285 B CN 112085285B CN 202010962194 A CN202010962194 A CN 202010962194A CN 112085285 B CN112085285 B CN 112085285B
- Authority
- CN
- China
- Prior art keywords
- data
- bus
- load
- model
- predicted
- 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 46
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012423 maintenance Methods 0.000 claims abstract description 45
- 230000010354 integration Effects 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 86
- 230000005856 abnormality Effects 0.000 claims description 46
- 238000004140 cleaning Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 18
- 238000013473 artificial intelligence Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 10
- 230000007774 longterm Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement 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
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- G06N3/045—Combinations of networks
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及配电技术领域，提供了一种母线负荷预测方法、装置、计算机设备和存储介质。该方法包括：通过获取待预测母线的负荷数据和每日检修单，将负荷数据预处理后转化为模型输入数据后，输入到预先训练的人工智能预测模型，获得模型预测值，根据母线的当日检修状态信息调整该模型预测值，得到待预测母线的母线负荷的当前预测值，其中，人工智能预测模型根据至少两类模型获取模型输入数据的至少两个预测值，并通过集成算法融合至少两个预测值，得到母线负荷的模型预测值。本申请的方案，通过使用集成算法融合的至少两类模型的人工智能预测模型进行预测，并通过每日检修单进行调整，提高了获得母线负荷的当前预测值的准确性。
Description
技术领域
本申请涉及配电技术领域，特别是涉及一种母线负荷预测方法、装置、计算机设备和存储介质。
背景技术
电力负荷的预测可以确定各区域的电力能源消耗情况，也是电网调度和运行控制的基础。母线负荷预测是电力负荷的主要方向，预测的对象主要是地区的变电站。
目前的技术中，在进行母线负荷预测时，主要通过系统负荷分配的方式进行，获取某一时刻的系统负荷值，分配到各母线上，因系统影响因素多变，母线负荷预测的准确性低。
发明内容
基于此，有必要针对目前技术中存在的母线负荷预测的准确性低的技术问题，提供一种母线负荷预测方法、装置、计算机设备和存储介质。
一种母线负荷预测方法，所述方法包括：
获取待预测母线的负荷数据和每日检修单；所述每日检修单包括所述待预测母线的当日检修状态信息；
将所述负荷数据进行预处理后转化为模型输入数据；
将所述模型输入数据输入到预先训练的人工智能预测模型；所述人工智能预测模型包括通过集成算法融合的至少两类模型；所述人工智能预测模型用于根据所述至少两类模型获取所述模型输入数据的至少两个预测值，并通过集成算法融合所述至少两个预测值，得到所述待预测母线的母线负荷的模型预测值；
根据所述每日检修单中所述待预测母线的当日检修状态信息，调整所述母线负荷的模型预测值，得到所述待预测母线的母线负荷的当前预测值。
在其中一个实施例中，所述至少两类模型包括XGBoost模型和LSTM模型，所述方法还包括：
获得用于进行母线负荷预测的训练样本；所述训练样本包括母线的历史特征数据和与历史特征数据对应的历史实际负荷数据；
对所述训练样本进行抽样，得到第一训练样本和第二训练样本；
将所述第一训练样本输入到待训练的XGBoost模型进行训练，得到训练后的用于进行母线负荷预测的XGBoost模型；
以及，将所述第二训练样本输入到待训练的LSTM模型进行训练，得到训练后的用于进行母线负荷预测的LSTM模型；
根据所述XGBoost模型和所述LSTM模型，得到所述人工智能预测模型。
在其中一个实施例中，所述获得用于进行母线负荷预测的训练样本将所述负荷数据通过特征工程转化为模型输入数据之前述方法，还包括：
获取用于进行母线负荷预测的初始负荷数据；所述初始负荷数据包括母线的历史实际负荷数据；
根据所述初始负荷数据的数据异常情况，对所述初始负荷数据进行数据清洗；
将数据清洗后的所述初始负荷数据通过特征工程处理，转化为所述训练样本。
在其中一个实施例中，所述数据异常情况包括短时数据异常和长时数据异常；所述根据所述初始负荷数据的数据异常情况，对所述初始负荷数据进行数据清洗，包括：
若确定所述数据异常是短时数据异常，按照临近时刻差值处理方式对所述初始负荷数据进行数据清洗；
若确定所述数据异常为长时数据异常，按照建模补全和用户修正指令对所述初始负荷数据进行数据清洗。
在其中一个实施例中，所述特征工程的特征包括历史负荷值、特定日期标签、气象数据和母线特性标识；所述将数据清洗后的所述初始负荷数据通过特征工程处理，转化为所述训练样本，包括：
根据所述历史负荷值、特定日期标签、气象数据和母线特性标识，提取所述初始负荷数据的特征数据，作为所述历史特征数据；
获取所述初始负荷数据对应的实际历史负荷数据；
根据所述历史特征数据和所述实际历史负荷数据，获得所述训练样本。
在其中一个实施例中，所述根据所述XGBoost模型和所述LSTM模型，得到所述人工智能预测模型，包括：
确定所述XGBoost模型和所述LSTM模型各自对应的集成权重，得到所述人工智能预测模型。
在其中一个实施例中，所述根据所述每日检修单中所述待预测母线的当日检修状态信息，调整所述母线负荷的模型预测值，得到所述待预测母线的母线负荷的当前预测值，包括：
根据所述每日检修单中所述待预测母线的当日检修状态信息，获取所述待预测母线的当日检修状态；
若确定所述待预测母线的当日检修状态为待检修，将所述待预测母线的母线负荷当前预测值调整为零；
若确定所述待预测母线的当日检修状态为不检修，且所述待预测母线所属的变电站包含有当日检修状态为待检修的母线，将所述待检修的母线的负荷值分配到所述待预测母线的模型预测值上，得到所述待预测母线的母线负荷的当前预测值。
一种母线负荷预测装置，所述装置包括：
数据获取模块，用于获取待预测母线的负荷数据和每日检修单；所述每日检修单包括所述待预测母线的当日检修状态信息；
数据转化模块，用于将所述负荷数据进行预处理后转化为模型输入数据；
模型预测模块，用于将所述模型输入数据输入到预先训练的人工智能预测模型；所述人工智能预测模型包括通过集成算法融合的至少两类模型；所述人工智能预测模型用于根据所述至少两类模型获取所述模型输入数据的至少两个预测值，并通过集成算法融合所述至少两个预测值，得到所述待预测母线的母线负荷的模型预测值；
预测值获取模块，用于根据所述每日检修单中所述待预测母线的当日检修状态信息，调整所述母线负荷的模型预测值，得到所述待预测母线的母线负荷的当前预测值。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待预测母线的负荷数据和每日检修单；所述每日检修单包括所述待预测母线的当日检修状态信息；将所述负荷数据进行预处理后转化为模型输入数据；将所述模型输入数据输入到预先训练的人工智能预测模型；所述人工智能预测模型包括通过集成算法融合的至少两类模型；所述人工智能预测模型用于根据所述至少两类模型获取所述模型输入数据的至少两个预测值，并通过集成算法融合所述至少两个预测值，得到所述待预测母线的母线负荷的模型预测值；根据所述每日检修单中所述待预测母线的当日检修状态信息，调整所述母线负荷的模型预测值，得到所述待预测母线的母线负荷的当前预测值。
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以下步骤：
获取待预测母线的负荷数据和每日检修单；所述每日检修单包括所述待预测母线的当日检修状态信息；将所述负荷数据进行预处理后转化为模型输入数据；将所述模型输入数据输入到预先训练的人工智能预测模型；所述人工智能预测模型包括通过集成算法融合的至少两类模型；所述人工智能预测模型用于根据所述至少两类模型获取所述模型输入数据的至少两个预测值，并通过集成算法融合所述至少两个预测值，得到所述待预测母线的母线负荷的模型预测值；根据所述每日检修单中所述待预测母线的当日检修状态信息，调整所述母线负荷的模型预测值，得到所述待预测母线的母线负荷的当前预测值。
上述母线负荷预测方法、装置、计算机设备和存储介质，通过获取待预测母线的负荷数据和每日检修单，将负荷数据预处理后转化为模型输入数据后，输入到预先训练的人工智能预测模型，获得模型预测值，根据母线的当日检修状态信息调整该模型预测值，得到待预测母线的母线负荷的当前预测值，其中，人工智能预测模型包括通过集成算法融合的至少两类模型，根据至少两类模型获取模型输入数据获得至少两个预测值，并通过集成算法融合至少两个预测值，得到待预测母线的母线负荷的模型预测值。本申请的方案，通过使用集成算法融合的至少两类模型的人工智能预测模型进行预测，并通过每日检修单进行调整，提高了获得母线负荷的当前预测值的准确性。
附图说明
图1为一个实施例中母线负荷预测方法的流程示意图；
图2为一个实施例中人工智能预测模型参数调整流程图；
图3为一个实施例中人工智能预测模型参数调整流程图；
图4为一个实施例中人工智能预测模型融合示意图；
图5为一个实施例中母线负荷预测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
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，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本发明实施例所涉及的术语“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
在一个实施例中，如图1所示，提供了一种母线负荷预测方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤S101，获取待预测母线的负荷数据和每日检修单。
其中，在电力系统中，母线可以将配电装置中的各个载流分支回路连接在一起，起着汇集、分配和传送电能的作用。母线负荷可以是所有负荷电流都要流经母线的负荷，不仅包括输出负荷，还可以包括供电内部用电、继电保护、电气测量等用电负荷。用于进行母线负荷预测的负荷数据可以包括待预测母线在历史日期以及当前实时状态下的真实负荷数据和其他特征数据，例如特定日期标签、气象数据和母线特性标识等。每日检修单可以是当日的母线检修计划安排，可以包括待预测母线的当日检修状态信息。
具体实现中，服务器可以根据获得母线真实负荷数据以及特征数据，获取待预测母线的负荷数据，以及从数据库或其他系统中获得包括待预测母线的当日检修状态信息的每日检修单。
步骤S102，将负荷数据进行预处理后模型输入数据。
其中，数据预处理可以是在对数据输入模型之前进行的处理工作，以解决原始数据缺失、噪声、不一致、重复等问题，提高输入模型的数值的精确程度，数据处理可以通过数据删除、手工填补等方式进行。人工智能预测模型可以设置模型输入数据的数据量要求、数据格式要求等，因此，预处理的过程就尤为重要。
具体实现中，服务器可以将获取到的负荷数据，通过数据预处理，剔除掉噪声数据、填补缺失后，转化为可以输入到人工智能预测模型进行母线负荷预测的模型输入数据。
步骤S103，将模型输入数据输入到预先训练的人工智能预测模型。
其中，人工智能预测模型可以包括通过集成算法融合的至少两类模型；人工智能预测模型可以用于根据至少两类模型获取模型输入数据获的至少两个预测值，并通过集成算法融合至少两个预测值，得到待预测母线的母线负荷的模型预测值。
负荷数据的数据特征具有不规则性和时序性，服务器可以根据负荷数据的数据特性选择对应的模型进行训练和预测。例如，可以采用XGBoost模型(eXtreme GradientBoosting，极端梯度提升)和LSTM模型(Long Short-Term Memory，长短期记忆网络)，其中，XGBoost是一个优化的分布式梯度增强库，对于不规则数据具有更好的预测效果，而LSTM是一种时间循环神经网络，更适用于规律性较强的时间序列。集成算法可以将多个简单的算法组织起来，由多个专家共同决定结果，可以包括Bagging算法、Boosting算法、Stacking等。模型预测值可以是通过人工智能预测模型根据输入的数据，输出的待预测母线的母线负荷预测值。
具体实现中，服务器可以将模型输入数据输入到训练好的人工智能预测模型，根据至少两类模型获取模型输入数据的至少两个预测值，并通过集成算法融合至少两个预测值，得到母线负荷的模型预测值。
步骤S104，根据每日检修单中待预测母线的当日检修状态信息，调整母线负荷的模型预测值，得到待预测母线的母线负荷的当前预测值。
其中，当前预测值可以是母线的模型预测值经过检修状态规则调整后的预测值。母线在投入使用后，需按照计划进行检修和维护，在发生故障时，也需要进行临时性维修。检修状态下，待预测母线停止工作，母线负荷将会受到影响。同时，待预测母线所属的变电站的其他母线处在检修状态时，待预测母线的负荷也会因为转供导致增加，因此，需要根据每日检修单确定母线的检修状态，以调整待预测母线的母线负荷预测值，提高母线负荷预测的准确程度，避免预测值与事实情况发生偏离。服务器可以预先设置母线检修状态和母线负荷值调整的对应关系。
具体实现中，服务器可以根据获取到的每日检修单，确定待预测母线的当日检修状态信息，根据检修状态信息，调整母线负荷的模型预测值，以得到待预测母线的母线负荷的当前预测值。
上述母线负荷预测方法中，通过获取待预测母线的负荷数据和每日检修单，将负荷数据预处理后转化为模型输入数据后，输入到预先训练的人工智能预测模型，获得模型预测值，根据母线的当日检修状态信息调整该模型预测值，得到待预测母线的母线负荷的当前预测值，其中，人工智能预测模型包括通过集成算法融合的至少两类模型，根据模型输入数据获得至少两类模型的预测值，并通过集成算法融合至少两类模型的预测值，得到待预测母线的母线负荷的模型预测值。本申请的方案，通过使用集成算法融合的至少两类模型的人工智能预测模型进行预测，并通过每日检修单进行调整，提高了获得母线负荷的当前预测值的准确性。
在一个实施例中，至少两类模型包括XGBoost模型和LSTM模型，上述方法还包括：
获得用于进行母线负荷预测的训练样本；对训练样本进行抽样，得到第一训练样本和第二训练样本；将第一训练样本输入到待训练的XGBoost模型进行训练，得到训练后的用于进行母线负荷预测的XGBoost模型；以及，将第二训练样本输入到待训练的LSTM模型进行训练，得到训练后的用于进行母线负荷预测的LSTM模型；根据XGBoost模型和LSTM模型，得到人工智能预测模型。
本实施例中，训练样本可以包括母线的历史特征数据和与历史特征数据对应的历史实际负荷数据。历史特征可以包括历史负荷值、特定日期标签、气象数据和母线特性标识，母线负荷历史数据具有时间序列性和不规则性。其中，历史负荷值可以是历史日期中，目标日期前某一时间范围的母线的负荷值，可以是一组数据。服务器可以根据获取到的初始负荷数据，通过特征提取，提取出历史负荷值、特定日期标签、气象数据和母线特性标识等特征，作为历史特征数据。历史实际负荷数据可以是母线在过去某一日或某一时刻的实际负荷值。服务器可以根据获得的训练样本，通过抽样算法，从中获取第一训练样本和第二训练样本，例如可以通过用Bootstrap算法进行抽样来进行，进而分别即根据第一训练样本和第二训练样本进行模型训练。这里待训练的模型可以包括XGBoost模型和LSTM模型。
XGBoost模型和LSTM模型可以调用并调试后使用。其中，图2是XGBoost模型的调用和调试过程，图3是LSTM模型的调用和调试过程。模型调用阶段，服务器安装Python第三方XGBoost库，调用库中XGBoost模型，以及安装Tensorflow框架，利用框架调用Keras库中LSTM模型。模型调试阶段，在LSTM和XGBoost模型库导入成功后，需要对其特定的超参数进行调试，以期预测效果达到最佳。
针对XGBoost，主要包含初始化树结构、迭代寻找最佳超参数、拟合程度分析三个部分，其中初始化树结构可以用于设置树的个数、树的深度和树的叶子节点数量，设定合适的loss函数，例如可以将loss函数设置为均方根误差(RMSE)，设置上述超参数在固定区间内迭代寻优；在得到最优超参数后，进一步对模型进行拟合程度分析，模型拟合分析可以分为两种处理方式，针对过拟合，减少树的个数、减少树的深度和增大伽马值，也即限制叶子节点总数，针对欠拟合，可以增加树的个数、增加树的深度和增加训练样本数据。
针对LSTM，主要包含初始化神经网络结构、迭代寻找最佳超参数、拟合程度分析三个部分，初始化神经网络结构可以通过是设置神经网络层数和相应层神经元个数的区间实现，设定合适的loss函数和优化算法，例如loss函数可以为均方误差(MSE)，优化算法可以为Adam(adaptive moment estimation，适应性矩估计)，让超参数在固定区间内迭代寻优，得到最优超参数后，对模型进行拟合程度分析，模型拟合分析可以分为两种处理方式，针对过拟合，可以采用L1和L2正则化、Dropout减少训练迭代次数、减少神经元和减少网络层数等方法，针对欠拟合，可以采用去除正则化、增加训练样本数据、增加神经元和增加网络层数等方法。
在完成XGBoost模型和LSTM模型调用和调试之后，服务器可以将第一训练样本输入到待训练的XGBoost模型进行训练，获得可以用于进行母线负荷预测的XGBoost模型，以及将第二训练样本输入到待训练的LSTM模型进行训练，获得可以用于进行母线负荷预测的LSTM模型。XGBoost模型和LSTM模型可以作为基础分类器，获得各自对应的预测结果，服务器可以基于集成算法，将XGBoost模型和LSTM模型的预测的结果进行组合，得到训练好的人工智能预测模型。
上述实施例的方案，通过获取训练样本，并将训练样本通过抽样得到第一训练样本和第二训练样本，根据第一训练样本训练的XGBoost模型，根据第二训练样本训练的LSTM模型，进而根据训练好的XGBoost模型和LSTM模型获得人工智能预测模型，通过训练XGBoost模型和LSTM模型得到人工智能预测模型，充分考虑母线负荷基础数据的时间序列性和不规则性特点，提高了人工智能预测模型的准确度。
在一个实施例中，获得用于进行母线负荷预测的训练样本包括：
获取用于进行母线负荷预测的初始负荷数据；根据初始负荷数据的数据异常情况，对初始负荷数据进行数据清洗；将数据清洗后的初始负荷数据通过特征工程处理，转化为训练样本。
本实施例中，服务器可以根据获取到的初始负荷数据进行数据处理后，得到训练样本。其中，初始负荷数据可以是与母线负荷有关的数据，可以包括母线的历史实际负荷数据，以及历史日期中与某一日期关系较强的真实负荷、特定日期、气象因素、母线特征标识等信息。服务器获取到的母线负荷数据来源可以多样，对于数据中存在的异常情况也需要进行处理，以确保数据的一致性和有效性。数据异常情况可以包括数据缺失、数据突变等。根据数据异常情况不同，可以采用不同的数据清洗方式，例如差值处理、数据补全等。
服务器对于数据清洗后的初始负荷数据，可以通过特征工程进行转化处理，以符合模型训练需要。特征工程可以是一项工程活动，用于最大限度地从原始数据中提取特征以供算法和模型使用，可以包括特征选择、降维等。对于母线负荷预测来说，可提取的主要特征包括历史负荷、特定日期标签、气象数据和母线特性标识等。常用的特征选择算法可以包括方差选择法、相关系数法等，也可以根据数据处理需求，将数据进行降维处理。
上述实施例的方案，通过将获取到的初始负荷数据进行数据清洗，并通过特征工程处理转化为训练样本，提升了获取到的模型训练样本的精度。
在一个实施例中，数据异常情况包括短时数据异常和长时数据异常，根据数据异常情况，对负荷数据进行数据清洗，包括：
若确定数据异常是短时数据异常，按照临近时刻差值处理方式对初始负荷数据进行数据清洗；若确定数据异常为长时数据异常，按照建模补全和用户修正指令对初始负荷数据进行数据清洗。
本实施例中，短时数据异常可以包括短时数据缺失异常和短时数据突变异常，其中，若母线负荷值存在连续5个时刻以内的0值，可以认定为短时数据缺失异常，若某一时刻母线负荷值远远超出当前一段负荷的平均值，则认定为短时数据突变异常，这里的时刻的范围可以根据电力领域的规则设定，也可以根据实际需求设定。长时数据异常可以包括长时数据缺失异常和长时数据采集异常，其中，若母线负荷值存在连续5个时刻以上的0值，则认定为长时数据缺失异常，若某一段时间母线负荷值保持同一数值无变化，则认定为长时数据采集异常。
服务器根据数据异常的类型，确定不同的数据清洗方式，例如，可以对短时数据缺失异常和短时数据突变异常，采用临近时刻插值处理，可以对长时数据缺失异常和长时数据采集异常，采用建模补全，并结合同时期、同气候的数据进行用户修正指令。
上述实施例的方案，通过根据数据异常的情况，采用对应的数据清洗方式，提升了获取到的模型训练样本的精度。
在一个实施例中，特征工程的特征包括历史负荷值、特定日期标签、气象数据和母线特性标识，将数据清洗后的初始负荷数据通过特征工程，转化训练样本，包括：
根据历史负荷值、特定日期标签、气象数据和母线特性标识，提取负荷数据的特征数据，作为历史特征数据；获取所述初始负荷数据对应的实际历史负荷数据；根据历史特征数据和所述实际历史负荷数据，获得训练样本。
本实施例中，服务器可以根据母线负荷预测的数据特点，确定历史负荷值、特定日期标签、气象数据和母线特性标识作为数据特征，提取对应的历史特征数据，以及获取初始负荷数据对应的实际历史负荷数据，进而根据历史特征数据和实际历史负荷数据，获取人工智能预测模型的训练样本。服务器可以根据数据类型和数据特点的不同，选择对应的特征提取算法，在此不做具体限定。其中，历史负荷值可以是历史日期中，与目标日期关系较强的真实负荷，例如可以包括：待预测日前1～7天同一时刻和相邻两个时刻的负荷值；待预测日前14天同一时刻和相邻两个时刻的负荷值；待预测日前21天同一时刻和相邻两个时刻的负荷值；待预测日前一个月同一天同一时刻和相邻两个时刻的负荷值。特定日期标签，可以对特定日期进行标注，例如法定节假日等，以及对特定日期的前后若干天做出相应的标识，也可以采用Python第三方Chinese-calendar节假日工具包做基准，配合先验知识，完成具体日期判定。气象数据会影响电力负荷，在进行特征提取时，可以将电站地区气象环境考虑进去，并在获取多种气象特征后，对所有气象特征做主成分分析处理，抽取主要特征成分，例如可以包括：地面以上2米的大气温度(单位：摄氏度)、气象站水平的大气压(单位：毫米汞柱)、平均海平面的大气压(单位：毫米汞柱)、地面高度2米除的相对湿度(单位：百分比)、观测前10分钟内地面高度10-12米处的风速(单位：米每秒)、观测前10分钟内地面高度10-12米处的最大阵风(单位：米每秒)等。母线特性标识可以用于分析待预测母线的所在电站的电源属性和负荷属性，电源属性可以考虑常规、光伏、风电、生物质、火电、海上风电等，负荷属性可以考虑钢厂、居民、石化、高铁等。
上述实施例的方案，通过历史负荷值、特定日期标签、气象数据和母线特性标识，提取特征数据作为历史特征数据，并根据历史特征数据和历史特征数据对应的实际历史负荷数据，得到训练样本，充分考虑历史数据的数据特征和关联程度，提升了获取到的模型训练样本的精度。
在一个实施例中，根据XGBoost模型和所述LSTM模型，得到人工智能预测模型，包括：
确定XGBoost模型和LSTM模型各自对应的集成权重，得到该人工智能预测模型。
本实施例中，服务器可以通过集成算法对XGBoost模型和LSTM模型进行集成，例如Bagging算法、Stacking算法等。以下以Bagging算法为例进行说明，Bagging算法可以把各个子模型的结果组织起来，并可选择多个不同的子模型，分别进行预测，将各个子模型的预测结果按照权重或按照投票的方式决定最终预测结果。在得到训练好的XGBoost模型和LSTM模型后，可以根据XGBoost模型和LSTM模型预设的权重将两个模型的预测结果组合，以得到该人工智能预测模型。
在一些实施例中，如图4所示，提供了一种人工智能预测模型融合示意图。
上述实施例的方案，通过确定XGBoost模型和LSTM模型各自对应的集成权重，得到该人工智能预测模型，将至少两个模型的预测结果进行组合，提高了模型预测的准确度。
在一个实施例中，步骤S104中确定的根据每日检修单中待预测母线的当日检修状态信息，调整母线负荷的模型预测值，得到待预测母线的母线负荷的当前预测值，包括：
根据每日检修单中待预测母线的当日检修状态信息，获取待预测母线的当日检修状态；若确定待预测母线的当日检修状态为待检修，将待预测母线的母线负荷当前预测值调整为零；若确定待预测母线的当日检修状态为不检修，且待预测母线所属的变电站包含有当日检修状态为待检修的母线，将待检修的母线的负荷值分配到待预测母线的模型预测值上，得到待预测母线的母线负荷的当前预测值。
本实施例中，在模型预测阶段，待预测母线的当日检修状态和母线所在变电站的其他母线的检修状态，都可能会对待预测母线的母线负荷的当前预测值产生影响，因此，需要引入每日检修单调整模型预测值，以得到符合实际情况的当前预测值。每日检修单中可以包括母线的当日检修状态信息，和其他母线的当日检修装状态信息。服务器可以获取待预测母线的当日检修状态，以确定待预测母线是否进行检修，以及检修的时刻。若待预测母线当日检修状态为待检修，则服务器可以将检修时刻的当前预测值调整为零，且不采纳模型预测值。若待预测母线当日不检修，则说明待预测母线当日处于正常工作状态，服务器可以获取待预测母线所在变电站的其他母线的检修状态，并将其他待检修的母线的检修时刻的负荷值分配到本次待预测母线的模型预测值上，得到当前预测值。在一些实施例中，变电站可以存在单母线、双母线和三母线的情况，当变电站为单母线状态，该母线处于待检修时，则令此母线检修时刻当前预测值为零；当变电站包含两条母线A母线和B母线，且A母线为本次待预测母线，B母线发生检修时，B母线检修时刻负荷值需全部分配到A母线的模型预测值上，作为A母线的当前预测值；当变电站包含三条母线A母线、B母线和C母线，且A母线为本次待预测母线，B母线发生检修时，B母线检修时刻的负荷值需平均分配给A和C母线。
上述实施例的方法，根据每日检修单确定待预测母线的当期检修状态以及待预测母线所属的变电站的其他母线的检修状态，调整待预测母线的母线负荷的模型预测值，提高了待预测母线当前预测值准确性。
应该理解的是，虽然图1-4的流程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，图1-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种母线负荷预测装置，该装置500包括：
数据获取模块501，用于获取待预测母线的负荷数据和每日检修单；每日检修单包括待预测母线的当日检修状态信息；
数据转化模块502，用于将负荷数据进行预处理后转化为模型输入数据；
模型预测模块503，用于将模型输入数据输入到预先训练的人工智能预测模型；人工智能预测模型包括通过集成算法融合的至少两类模型；人工智能预测模型用于根据至少两类模型获取模型输入数据的至少两个预测值，并通过集成算法融合至少两个预测值，得到待预测母线的母线负荷的模型预测值；
预测值获取模块504，用于根据每日检修单中待预测母线的当日检修状态信息，调整母线负荷的模型预测值，得到待预测母线的母线负荷的当前预测值。
在一个实施例中，至少两类模型包括XGBoost模型和LSTM模型，装置500还包括：样本获取单元，用于获得用于进行母线负荷预测的训练样本；训练样本包括母线的历史特征数据和与历史特征数据对应的历史实际负荷数据；抽样单元，用于对训练样本进行抽样，得到第一训练样本和第二训练样本；模型训练单元，用于将第一训练样本输入到待训练的XGBoost模型进行训练，得到训练后的用于进行母线负荷预测的XGBoost模型；以及，将第二训练样本输入到待训练的LSTM模型进行训练，得到训练后的用于进行母线负荷预测的LSTM模型；模型获取单元，用于根据XGBoost模型和所述LSTM模型，得到人工智能预测模型。
在一个实施例中，样本获取单元进一步用于获取用于进行母线负荷预测的初始负荷数据；初始负荷数据包括母线的历史实际负荷数据；根据初始负荷数据的数据异常情况，对初始负荷数据进行数据清洗；将数据清洗后的初始负荷数据通过特征工程处理，转化为训练样本。
在一个实施例中，数据异常情况包括短时数据异常和长时数据异常，样本获取单元进一步用于：若确定数据异常是短时数据异常，按照临近时刻差值处理方式对初始负荷数据进行数据清洗；若确定数据异常为长时数据异常，按照建模补全和用户修正指令对初始负荷数据进行数据清洗。
在一个实施例中，特征工程的特征包括历史负荷值、特定日期标签、气象数据和母线特性标识，样本获取单元进一步用于根据历史负荷值、特定日期标签、气象数据和母线特性标识，提取负荷数据的特征数据，作为模型输入数据历史特征数据；获取初始负荷数据对应的实际历史负荷数据；根据历史特征数据和实际历史负荷数据，获得训练样本。
在一个实施例中，模型获取单元进一步用于确定XGBoost模型和LSTM模型各自对应的集成权重，得到人工智能预测模型。
在一个实施例中，预测值获取模块504进一步用于根据每日检修单中待预测母线的当日检修状态信息，获取待预测母线的当日检修状态；若确定待预测母线的当日检修状态为待检修，将待预测母线的母线负荷当前预测值调整为零；若确定待预测母线的当日检修状态为不检修，且待预测母线所属的变电站包含有当日检修状态为待检修的母线，将待检修的母线的负荷值分配到待预测母线的模型预测值上，得到待预测母线的母线负荷的当前预测值。
关于母线负荷预测装置的具体限定可以参见上文中对于母线负荷预测方法的限定，在此不再赘述。上述母线负荷预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请提供的母线负荷预测方法，可以应用于计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储获取到的训练数据和人工智能预测模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种母线负荷预测方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
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。
以上所述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)
1.一种母线负荷预测方法，其特征在于，所述方法包括：
获取待预测母线的负荷数据和每日检修单；所述每日检修单包括所述待预测母线的当日检修状态信息；
将所述负荷数据进行预处理后转化为模型输入数据；
将所述模型输入数据输入到预先训练的人工智能预测模型；所述人工智能预测模型包括通过集成算法融合的至少两类模型；所述人工智能预测模型用于根据所述至少两类模型获取所述模型输入数据的至少两个预测值，并通过集成算法融合所述至少两个预测值，得到所述待预测母线的母线负荷的模型预测值；
根据所述每日检修单中所述待预测母线的当日检修状态信息，调整所述母线负荷的模型预测值，得到所述待预测母线的母线负荷的当前预测值；
其中，所述至少两类模型包括XGBoost模型和LSTM模型，所述方法还包括：
获得用于进行母线负荷预测的训练样本；所述训练样本包括母线的历史特征数据和与历史特征数据对应的历史实际负荷数据；
对所述训练样本进行抽样，得到第一训练样本和第二训练样本；
将所述第一训练样本输入到待训练的XGBoost模型进行训练，得到训练后的用于进行母线负荷预测的XGBoost模型；
以及，将所述第二训练样本输入到待训练的LSTM模型进行训练，得到训练后的用于进行母线负荷预测的LSTM模型；
根据所述XGBoost模型和所述LSTM模型，得到所述人工智能预测模型；
其中，所述获得用于进行母线负荷预测的训练样本包括：
获取用于进行母线负荷预测的初始负荷数据；所述初始负荷数据包括母线的历史实际负荷数据；
若确定所述初始负荷数据的数据异常是短时数据异常，按照临近时刻差值处理方式对所述初始负荷数据进行数据清洗；若确定所述初始负荷数据的数据异常为长时数据异常，按照建模补全和用户修正指令对所述初始负荷数据进行数据清洗，其中，所述短时数据异常包括短时数据缺失异常和短时数据突变异常，若母线负荷值存在连续预设个时刻以内的0值，所述初始负荷数据的异常情况为短时数据缺失异常，若某一时刻母线负荷值与当前一段时间内母线负荷值的平均值之间的差值大于阈值，则初始负荷数据的异常情况为是短时数据突变异常；所述长时数据异常包括长时数据缺失异常和长时数据采集异常，若母线负荷值存在连续预设个时刻以上的0值，所述初始负荷数据的异常情况为长时数据缺失异常，若某一段时间母线负荷值保持同一数值，则初始负荷数据的异常情况为长时数据采集异常；将数据清洗后的所述初始负荷数据通过特征工程处理，转化为所述训练样本。
2.根据权利要求1所述的方法，其特征在于，所述特征工程的特征包括历史负荷值、特定日期标签、气象数据和母线特性标识；所述将数据清洗后的所述初始负荷数据通过特征工程处理，转化为所述训练样本，包括：
根据所述历史负荷值、特定日期标签、气象数据和母线特性标识，提取所述初始负荷数据的特征数据，作为所述历史特征数据；
获取所述初始负荷数据对应的实际历史负荷数据；
根据所述历史特征数据和所述实际历史负荷数据，获得所述训练样本。
3.根据权利要求2所述的方法，其特征在于，所述历史负荷值包括待测日前N天同一时刻和相邻两个时刻的负荷值、或者待预测日前一个月同一天同一时刻和相邻两个时刻的负荷值，所述N的数值为正整数，且小于一个月。
4.根据权利要求1所述的方法，其特征在于，所述根据所述XGBoost模型和所述LSTM模型，得到所述人工智能预测模型，包括：
确定所述XGBoost模型和所述LSTM模型各自对应的集成权重，得到所述人工智能预测模型。
5.根据权利要求1所述的方法，其特征在于，所述根据所述每日检修单中所述待预测母线的当日检修状态信息，调整所述母线负荷的模型预测值，得到所述待预测母线的母线负荷的当前预测值，包括：
根据所述每日检修单中所述待预测母线的当日检修状态信息，获取所述待预测母线的当日检修状态；
若确定所述待预测母线的当日检修状态为待检修，将所述待预测母线的母线负荷当前预测值调整为零；
若确定所述待预测母线的当日检修状态为不检修，且所述待预测母线所属的变电站包含有当日检修状态为待检修的母线，将所述待检修的母线的负荷值分配到所述待预测母线的模型预测值上，得到所述待预测母线的母线负荷的当前预测值。
6.一种母线负荷预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取待预测母线的负荷数据和每日检修单；所述每日检修单包括所述待预测母线的当日检修状态信息；
数据转化模块，用于将所述负荷数据进行预处理后转化为模型输入数据；
模型预测模块，用于将所述模型输入数据输入到预先训练的人工智能预测模型；所述人工智能预测模型包括通过集成算法融合的至少两类模型；所述人工智能预测模型用于根据所述至少两类模型获取所述模型输入数据的至少两个预测值，并通过集成算法融合所述至少两个预测值，得到所述待预测母线的母线负荷的模型预测值；
预测值获取模块，用于根据所述每日检修单中所述待预测母线的当日检修状态信息，调整所述母线负荷的模型预测值，得到所述待预测母线的母线负荷的当前预测值；
所述至少两类模型包括XGBoost模型和LSTM模型，所述装置还包括：
样本获取单元，获得用于进行母线负荷预测的训练样本；所述训练样本包括母线的历史特征数据和与历史特征数据对应的历史实际负荷数据；
抽样单元，用于对所述训练样本进行抽样，得到第一训练样本和第二训练样本；
模型训练单元，用于将所述第一训练样本输入到待训练的XGBoost模型进行训练，得到训练后的用于进行母线负荷预测的XGBoost模型；以及，将所述第二训练样本输入到待训练的LSTM模型进行训练，得到训练后的用于进行母线负荷预测的LSTM模型；
模型获取单元，用于根据所述XGBoost模型和所述LSTM模型，得到所述人工智能预测模型；
所述样本获取单元在获得用于进行母线负荷预测的训练样本时，具体用于：
获取用于进行母线负荷预测的初始负荷数据；所述初始负荷数据包括母线的历史实际负荷数据；
若确定所述初始负荷数据的数据异常是短时数据异常，按照临近时刻差值处理方式对所述初始负荷数据进行数据清洗；若确定所述初始负荷数据的数据异常为长时数据异常，按照建模补全和用户修正指令对所述初始负荷数据进行数据清洗，其中，所述短时数据异常包括短时数据缺失异常和短时数据突变异常，若母线负荷值存在连续预设个时刻以内的0值，所述初始负荷数据的异常情况为短时数据缺失异常，若某一时刻母线负荷值与当前一段时间内母线负荷值的平均值之间的差值大于阈值，则初始负荷数据的异常情况为是短时数据突变异常；所述长时数据异常包括长时数据缺失异常和长时数据采集异常，若母线负荷值存在连续预设个时刻以上的0值，所述初始负荷数据的异常情况为长时数据缺失异常，若某一段时间母线负荷值保持同一数值，则初始负荷数据的异常情况为长时数据采集异常；
将数据清洗后的所述初始负荷数据通过特征工程处理，转化为所述训练样本。
7.根据权利要求6所述的装置，其特征在于，所述特征工程的特征包括历史负荷值、特定日期标签、气象数据和母线特性标识；所述样本获取单元进一步用于：
根据所述历史负荷值、特定日期标签、气象数据和母线特性标识，提取所述初始负荷数据的特征数据，作为所述历史特征数据；
获取所述初始负荷数据对应的实际历史负荷数据；
根据所述历史特征数据和所述实际历史负荷数据，获得所述训练样本。
8.根据权利要求6所述的装置，其特征在于，所述模型获取单元进一步用于：
确定所述XGBoost模型和所述LSTM模型各自对应的集成权重，得到所述人工智能预测模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
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权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010962194.9A CN112085285B (zh) | 2020-09-14 | 2020-09-14 | 母线负荷预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010962194.9A CN112085285B (zh) | 2020-09-14 | 2020-09-14 | 母线负荷预测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112085285A CN112085285A (zh) | 2020-12-15 |
| CN112085285B true CN112085285B (zh) | 2023-12-15 |
Family
ID=73737033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010962194.9A Active CN112085285B (zh) | 2020-09-14 | 2020-09-14 | 母线负荷预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085285B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113028610B (zh) * | 2021-04-12 | 2021-12-07 | 北京信息科技大学 | 中央空调动态负荷全局优化与节能控制的方法和装置 |
| CN113379153A (zh) * | 2021-06-28 | 2021-09-10 | 北京百度网讯科技有限公司 | 用于预测电力负荷的方法、预测模型训练方法及装置 |
| CN113569555B (zh) * | 2021-07-27 | 2024-06-21 | 广东电网有限责任公司 | 一种演绎电网拓扑结构随时序变化的方法及系统 |
| CN114692386B (zh) * | 2022-01-26 | 2024-02-06 | 天津大学 | 一种面向工业母线的运行状态异常监控方法 |
| CN114379325A (zh) * | 2022-02-22 | 2022-04-22 | 上海汽车集团股份有限公司 | 一种车载空调温度的调节方法及相关装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570250A (zh) * | 2016-11-02 | 2017-04-19 | 华北电力大学（保定） | 面向电力大数据的微电网短期负荷预测方法 |
| CN108320063A (zh) * | 2018-03-26 | 2018-07-24 | 上海积成能源科技有限公司 | 一种电力负荷预测中对异常数据剔除和去噪处理的方法 |
| CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及系统 |
| CN110633842A (zh) * | 2019-08-20 | 2019-12-31 | 广州供电局有限公司 | 一种220kV母线负荷预测结果调整方法、系统、介质及设备 |
| CN110929954A (zh) * | 2019-12-05 | 2020-03-27 | 中国南方电网有限责任公司 | 负荷预测方法、装置、计算机设备和存储介质 |
| CN111553516A (zh) * | 2020-04-17 | 2020-08-18 | 贵州电网有限责任公司 | 一种短期电量负荷精准预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170316324A1 (en) * | 2016-04-27 | 2017-11-02 | Virginia Polytechnic Institute And State University | Computerized Event-Forecasting System and User Interface |
-
2020
- 2020-09-14 CN CN202010962194.9A patent/CN112085285B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570250A (zh) * | 2016-11-02 | 2017-04-19 | 华北电力大学（保定） | 面向电力大数据的微电网短期负荷预测方法 |
| CN108320063A (zh) * | 2018-03-26 | 2018-07-24 | 上海积成能源科技有限公司 | 一种电力负荷预测中对异常数据剔除和去噪处理的方法 |
| CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及系统 |
| CN110633842A (zh) * | 2019-08-20 | 2019-12-31 | 广州供电局有限公司 | 一种220kV母线负荷预测结果调整方法、系统、介质及设备 |
| CN110929954A (zh) * | 2019-12-05 | 2020-03-27 | 中国南方电网有限责任公司 | 负荷预测方法、装置、计算机设备和存储介质 |
| CN111553516A (zh) * | 2020-04-17 | 2020-08-18 | 贵州电网有限责任公司 | 一种短期电量负荷精准预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于LSTM与XGBoost组合模型的超短期电力负荷预测;陈振宇 等;《电网技术》;20200229;第44卷(第2期);第614-620页 * |
| 基于Stacking多GＲU模型的风电场短期功率预测;高金兰 等;《吉林大学学报(信息科学版)》;20200731;第38卷(第4期);第482-490页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112085285A (zh) | 2020-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112085285B (zh) | 母线负荷预测方法、装置、计算机设备和存储介质 | |
| US10700523B2 (en) | System and method for distribution load forecasting in a power grid | |
| CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
| CN109615124B (zh) | 一种基于深度学习的scada主站负荷预测方法 | |
| CN117013527A (zh) | 一种分布式光伏发电功率预测方法 | |
| CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
| CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
| CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
| CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
| CN111080472A (zh) | 一种电力系统负荷预测和分析方法 | |
| Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
| CN110866658A (zh) | 一种城市电网中长期负荷预测方法 | |
| CN114626640A (zh) | 基于特征工程和lstm神经网络的天然气负荷预测方法及系统 | |
| CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
| CN106849064B (zh) | 一种基于气象数据的区域电网负荷预测管理系统 | |
| CN115759465A (zh) | 基于多目标协同训练和nwp隐式校正的风电功率预测方法 | |
| CN108846488A (zh) | 风电场的检修调度方法和装置 | |
| CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
| CN109726880B (zh) | 一种输电线路参数合理性评估方法及系统 | |
| CN118017624A (zh) | 基于配网重构的多时间尺度的无功优化方法 | |
| CN103632314A (zh) | 基于概率统计的广义节点特征建模方法 | |
| CN110414776B (zh) | 分行业用电特性快速响应分析系统 | |
| CN117374920A (zh) | 考虑环境因素的超短期预测方法、装置及介质 | |
| CN116050072A (zh) | 一种基于随机采样一致性的风电机组理论功率曲线识别方法和装置 | |
| CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 |
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 | ||
| CP03 | Change of name, title or address |
Address after: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Patentee after: Southern Power Grid Digital Grid Research Institute Co.,Ltd. Country or region after: China Address before: Room 86, room 406, No. 1, Yichuang street, Zhongxin knowledge city, Huangpu District, Guangzhou, Guangdong 510700 Patentee before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. Country or region before: China |