CN112215398A - 电力用户负荷预测模型建立方法、装置、设备及存储介质 - Google Patents

电力用户负荷预测模型建立方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112215398A
CN112215398A CN202010939050.1A CN202010939050A CN112215398A CN 112215398 A CN112215398 A CN 112215398A CN 202010939050 A CN202010939050 A CN 202010939050A CN 112215398 A CN112215398 A CN 112215398A
Authority
CN
China
Prior art keywords
data
historical
load
prediction model
sample data
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
CN202010939050.1A
Other languages
English (en)
Inventor
刘泽健
吴天文
周卓伟
郑群儒
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.)
Shenzhen Huagong Energy Technology Co ltd
Original Assignee
Shenzhen Huagong Energy Technology 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 Shenzhen Huagong Energy Technology Co ltd filed Critical Shenzhen Huagong Energy Technology Co ltd
Publication of CN112215398A publication Critical patent/CN112215398A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本申请实施例涉及一种电力用户负荷预测模型建立方法、装置、电子设备及可读存储介质。上述方法包括：获取历史负荷数据和对应的历史条件数据；对所述历史负荷数据和所述历史条件数据进行预处理，得到样本数据集；对所述样本数据集中样本数据进行训练得到训练结果，并剔除其中异常的训练结果；对样本数据集中样本数据进行归一化处理并输入初始预测模型，所述初始预测模型是对所述样本数据集中样本数据进行训练得到的；采用支持向量机为算法得到负荷预测模型。申请中模型建立方法、装置、设备以及可读存储介质可以提高负荷预测模型进行电力负荷预测的准确度。

Description

电力用户负荷预测模型建立方法、装置、设备及存储介质
技术领域
本申请涉及电力负荷预测技术领域，特别地涉及一种电力用户负荷预测模型建立方法、装置、电子设备及可读存储介质。
背景技术
面向电力用户的电力负荷预测是电力系统中经济调度的一项重要内容，准确的电力负荷预测，能够使电力用户合理安排用电时间，降低电力费用。随着社会经济与电力市场的发展，电力负荷预测越来越重要，对电力负荷预测精度的要求也越来越高。传统技术中，采用电力负荷预测模型进行的电力负荷预测往往准确度不高，误差较大。
发明内容
本申请提供一种电力用户负荷预测模型建立方法、装置、电子设备及可读存储介质，可以提高负荷预测模型进行电力负荷预测的准确度。
一种电力用户负荷预测模型建立方法，包括：
获取历史负荷数据和对应的历史条件数据；
对所述历史负荷数据和所述历史条件数据进行预处理，得到样本数据集；
对所述样本数据集中样本数据进行训练得到训练结果，并剔除其中异常的训练结果；
对样本数据集中样本数据进行归一化处理并输入初始预测模型，所述初始预测模型是对所述样本数据集中样本数据进行训练得到的；
采用支持向量机为算法得到负荷预测模型。
在一个实施例中，所述获取历史负荷数据和对应的历史条件数据包括：确定需要采集所述历史负荷数据的时间段；按照预设的时间间隔采集所述时间段内历史负荷数据，并获取与所述历史负荷数据对应的历史条件数据。
在一个实施例中，对所述历史负荷数据和所述历史条件数据进行预处理包括：若所述历史负荷数据存在数据缺失，对缺失点的历史负荷数据进行填补；若所述历史条件数据中存在数据缺失，对缺失点的历史条件数据进行填补。
在一个实施例中，所述采用支持向量机为算法得到负荷预测模型包括：根据至少一种所述初始预测模型对所述历史条件数据对应的负荷数据进行预测，得到至少一个历史负荷预测数据；将各个所述历史负荷预测数据与同一所述历史条件数据对应的历史负荷数据进行对比，确定所述历史负荷预测数据与对应的历史负荷数据的误差关系；将所述误差关系符合预设条件的初始预测模型作为负荷预测模型。
在一个实施例中，所述确定所述历史负荷预测数据与对应的历史负荷数据的误差关系包括：获取每种初始预测模型预测出的各个历史负荷预测数据与对应的历史负荷数据之间误差的平方和；所述将所述误差关系符合预设条件的初始预测模型作为负荷预测模型包括：将所述误差的平方和最小的初始预测模型作为负荷预测模型。
在一个实施例中，所述历史条件数据包括日期属性、环境数据以及各个历史负荷数据对应的生产指数；根据各个历史负荷数据与对应的生产指数获取对应的电力满负荷值，将所述各个历史负荷数据对应的电力满负荷值作为历史条件数据。
在一个实施例中，对所述样本数据集中样本数据进行训练得到训练结果，并剔除其中异常的训练结果包括：对所述样本数据集中样本数据进行训练得到训练结果；当所述训练结果为极大值或极小值时，判定所述训练结果异常，剔除异常的训练结果。
一种电力用户负荷预测模型建立装置，包括：
获取模块，用于获取历史负荷数据和对应的历史条件数据；
预处理模块，用于对所述历史负荷数据和所述历史条件数据进行预处理，得到样本数据集；
训练模块，用于对所述样本数据集中样本数据进行训练得到训练结果，并剔除其中异常的训练结果；
后处理模块，用于对样本数据集中样本数据进行归一化处理并输入初始预测模型，所述初始预测模型是对所述样本数据集中样本数据进行训练得到的；
模型确定模块，用于采用支持向量机为算法得到负荷预测模型。
一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现如上任一所述的方法。
一种计算机可读存储介质，其上存储有计算机程序，其所述计算机程序被处理器执行时实现如上任一所述的方法。
本申请实施例中电力用户负荷预测模型建立方法、装置、电子设备及可读存储介质，在获取到样本数据后，对样本数据进行预处理和归一化处理，再采用支持向量机算法来获取负荷预测模型。相对于传统负荷预测模型算法，对样本数据进行预处理和归一化处理可使得样本数据的特征更统一，在计算时速度更快，收敛更快；而采用支持向量机来获取负荷预测模型在面对非线性、高维度模型时更具有优越性，得到的负荷预测模型预测的准确度也越高。因此，本申请中模型建立方法、装置、设备以及可读存储介质可以提高负荷预测模型进行电力负荷预测的准确度。
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的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中电力用户负荷预测模型建立方法的流程图；
图2为一个实施例中历史负荷数据对应的散点图；
图3为一个实施例中对图2进行拟合得到的曲线图；
图4为一个实施例中电力用户负荷预测模型建立装置的结构图；
图5为一个实施例中电子设备的结构图。
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，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一客户端称为第二客户端，且类似地，可将第二客户端称为第一客户端。第一客户端和第二客户端两者都是客户端，但其不是同一客户端。
本申请提供了一种电力用户负荷预测模型建立方法，如图1所示，该电力用户负荷预测模型建立方法包括：
步骤101，获取历史负荷数据和对应的历史条件数据。
在一个实施例中，获取历史负荷数据和对应的历史条件数据包括：确定需要采集历史负荷数据的时间段；按照预设的时间间隔采集时间段内历史负荷数据，并获取与历史负荷数据对应的历史条件数据。
在建立负荷预测模型之前，需要获取历史负荷数据和上述历史负荷数据对应的历史条件数据。上述历史负荷数据是指历史时间点对应的电力负荷。上述历史条件数据包括历史时间点对应的日期属性、环境数据和生产指数等。进一步的，上述日期属性包括工作日和节假日。上述环境数据包括温度、风速和降水量等，上述环境数据可通过第三方机构获取。上述生产指数是历史负荷数据与电力满负荷值之间的比值，可以反映电力负荷的增减变动方向和幅度。上述满负荷值表示电网所能达到的最高负荷；上述生产指数为已知数，通过对用户市场调研获取。在一个实施例中，根据各个历史负荷数据与对应的生产指数获取对应的电力满负荷值，将各个历史负荷数据对应的电力满负荷值作为历史条件数据。具体的，上述生产指数表示历史负荷数据与电力满负荷值之间的比值且为已知值，则将各个时间点的历史负荷数据除以对应的生产指数则可得到各个时间点的电力满负荷值，并将各个时间点的电力满负荷值作为历史条件数据。
在采集历史负荷数据之前，还需要确定采集历史负荷数据的时间段以及采集的时间间隔，根据上述采集历史负荷数据的时间段以及采集的时间间隔可以确定采集的样本数据量的多少。在确定采集历史负荷数据的时间段后，根据预设的时间间隔采集各个时间点的历史负荷数据以及各个时间点对应的历史条件数据。例如，确定采集历史负荷数据的时间段为2020年1月6日至2020年1月12日，采集的时间间隔为15分钟，则从2020年1月6日起按照15分钟的时间间隔采集各个时间点的历史负荷数据、日期属性、温度、风速、降水量和生产指数，并根据各个时间点的历史负荷数据与对应的生产指数获取各个时间点的满负荷值。
步骤102，对历史负荷数据和历史条件数据进行预处理，得到样本数据集。
在采集到各个时间点的历史负荷数据和对应的历史条件数据后，需要对采集到的历史负荷数据和历史条件数据进行预处理。在一个实施例中，对历史负荷数据和历史条件数据进行预处理包括：检测采集到的历史负荷数据和历史条件数据中是否存在数据缺失。若存在数据缺失，需要对缺失点的历史负荷数据和/或缺失点的历史条件数据进行填补。具体的，当采集的历史负荷数据中某一时间点的数据缺失时，采集紧邻该时间点的前后时间点的历史负荷数据，取前后时间点的历史负荷数据的均值为该时间点的历史负荷数据：当该时间点的前一个时间点的历史负荷数据不存在时，获取后一时间点的历史负荷数据作为该时间点的历史负荷数据；当该时间点的后一时间点的历史负荷数据不存在时，获取前一时间点的历史负荷数据作为该时间点的历史负荷数据。当采集的历史条件数据中某一时间点的数据缺失时，可获取该时间点对应的历史时间点的历史条件数据，将历史时间点的历史条件数据的均值作为该时间点的历史条件数据。例如，在采集各个时间点的历史负荷数据和历史条件数据时，当某一时间点的生产指数缺失时，查找前N天中该时间点的历史生产指数，将前N天的历史生产指数的均值作为该时间点的生产指数。
在对采集到的历史负荷数据和历史条件数据进行预处理后，将采集的历史负荷数据、填补的历史负荷数据、采集的历史条件数据和填补的历史条件数据共同作为样本数据集。上述样本数据集即为待训练的样本数据的集合。
步骤103，对样本数据集中样本数据进行训练得到训练结果，并剔除其中异常的训练结果。
在获取到样本数据集后，可对上述样本数据集中样本数据进行训练，获取训练结果。其中对样本数据集中样本数据进行训练包括：获取样本数据集中样本数据并遍历上述样本数据集中样本数据，根据遍历结果确定初始预测模型，将样本数据集中各个时间点的历史条件数据输入初始预测模型，上述初始预测模型可用于预测各个时间点的用电负荷量，上述预测出的各个时间点的用电负荷量即为训练结果。
在一个实施例中，对样本数据集中样本数据进行训练得到训练结果，并剔除其中异常的训练结果包括：对样本数据集中样本数据进行训练得到训练结果，当训练结果为极大值或极小值时，判定训练结果异常，剔除异常的训练结果。在实际情况中，用户某一天的用电负荷量通常在历史用电负荷量平均值的上下波动，则当预测出的用电负荷量为极大值或极小值时，判定该预测出的用电负荷量不符合实际，即该训练结果异常，则剔除异常的训练结果。其中，训练结果异常通常是由于算法学习率过高或在学习是梯度爆炸。
步骤104，对样本数据集中样本数据进行归一化处理并输入初始预测模型，初始预测模型是对样本数据集中样本数据进行训练得到的。
在剔除异常的训练结果后，可对样本数据集中样本数据进行归一化处理。其中，归一化处理是一种无量纲处理手段，使物理系统数值的绝对值变成某种相对值关系。通过对样本数据的归一化处理，可使得样本数据的特征更统一，从而简化运算，加快训练速度与收敛速度。在将样本数据集中样本数据进行归一化处理后，将归一化处理后样本数据输入上述初始预测模型。
步骤105，采用支持向量机为算法得到负荷预测模型。
将归一化处理后的样本数据输入初始预测模型后，可采用SVR(Support VectorRegression，支持向量回归)支持向量机为算法从初始预测模型中确定负荷预测模型。
在一个实施例中，采用支持向量机为算法得到负荷预测模型包括：根据至少一种初始预测模型对历史条件数据对应的负荷数据进行预测，得到至少一个历史负荷预测数据；将各个历史负荷预测数据与同一历史条件数据对应的历史负荷数据进行对比，确定历史负荷预测数据与对应的历史负荷数据的误差关系；将误差关系符合预设条件的初始预测模型作为负荷预测模型。其中，上述初始预测模型运算使用的历史条件数据、预测得到的历史负荷预测数据、以及历史负荷数据均为归一化处理后数据。
例如，表1中为样本数据集中归一化处理后历史负荷数据。图2为归一化处理后历史负荷数据对应的散点图。图3为对图2中散点图进行拟合的示意图。假设历史负荷数据对应的函数为
Figure 220165DEST_PATH_IMAGE001
，图3中对图2中散点图进行拟合得到的函数为
Figure 705680DEST_PATH_IMAGE002
，即上述
Figure 16576DEST_PATH_IMAGE001
为待求取的负荷预测模型，上述
Figure 942944DEST_PATH_IMAGE002
为初始预测模型。其中，x表示时间变量，
Figure 101524DEST_PATH_IMAGE001
为各个时间变量对应的实际发电量，
Figure 189566DEST_PATH_IMAGE002
为各个时间变量对应的预测发电量。由于对散点图进行拟合得到的函数
Figure 237025DEST_PATH_IMAGE002
可为一个或多个，因此初始预测模型也可为一个或多个。采用支持向量机为算法从初始预测模型中确定负荷预测模型包括：将一个或多个函数
Figure 967083DEST_PATH_IMAGE002
逼近函数
Figure 963858DEST_PATH_IMAGE001
，当
Figure 973534DEST_PATH_IMAGE002
与
Figure 259022DEST_PATH_IMAGE001
两者之间的误差关系达到预设条件时，选定误差关系达到预设条件的
Figure 323930DEST_PATH_IMAGE002
为预测负荷模型。
表1 样本数据集中归一化处理后历史负荷数据
序号 1 2 3 4 5 6 7 8 9 10
年份 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992
发电量 1.0 1.07 1.16 1.21 1.27 1.37 1.47 1.59 1.75 1.95
在一个实施例中，确定历史负荷预测数据与对应的历史负荷数据的误差关系包括：获取每种初始预测模型预测出的各个历史负荷预测数据与对应的历史负荷数据之间误差的平方和。将误差关系符合预设条件的初始预测模型作为负荷预测模型包括：将误差的平方和最小的初始预测模型作为负荷预测模型。
在获取
Figure 630670DEST_PATH_IMAGE002
与
Figure 591673DEST_PATH_IMAGE001
两者之间的误差关系，可采用
Figure 364457DEST_PATH_IMAGE003
表示函数
Figure 905160DEST_PATH_IMAGE002
在
Figure 830522DEST_PATH_IMAGE004
点的误差：
Figure 493584DEST_PATH_IMAGE005
则求取
Figure 753664DEST_PATH_IMAGE002
与
Figure 612905DEST_PATH_IMAGE001
两者之间的误差关系包括求取各个
Figure 642041DEST_PATH_IMAGE004
点的绝对误差之和。采用支持向量机算法来进行求解，则模型可表示为
Figure 944846DEST_PATH_IMAGE006
Figure 161064DEST_PATH_IMAGE007
Figure 325460DEST_PATH_IMAGE008
其中，
Figure 209102DEST_PATH_IMAGE009
和
Figure 479547DEST_PATH_IMAGE010
为要求的曲线参数，
Figure 700837DEST_PATH_IMAGE011
表示误差，
Figure 652612DEST_PATH_IMAGE012
表示各个
Figure 656341DEST_PATH_IMAGE004
点的绝对误差之和的最小值。当存在多个初始预测模型
Figure 300949DEST_PATH_IMAGE002
时，选取各个
Figure 508070DEST_PATH_IMAGE004
点的绝对误差之和的最小值最小的初始预测模型
Figure 997957DEST_PATH_IMAGE002
作为负荷预测模型
Figure 387350DEST_PATH_IMAGE001
。当存在一个初始预测模型
Figure 452127DEST_PATH_IMAGE002
时，当各个
Figure 395812DEST_PATH_IMAGE004
点的绝对误差之和的最小值在预设阈值内时，将初始预测模型
Figure 954970DEST_PATH_IMAGE013
作为负荷预测模型
Figure 402131DEST_PATH_IMAGE001
。最终得到的负荷预测模型
Figure 873695DEST_PATH_IMAGE001
即可表示条件数据与负荷数据之间的函数关系。采用上述负荷预测模型
Figure 304677DEST_PATH_IMAGE001
进行预测时，仅需把需要预测时间段对应的条件数据输入到负荷预测模型
Figure 401946DEST_PATH_IMAGE001
，则上述负荷预测模型
Figure 234772DEST_PATH_IMAGE001
则可根据条件数据预测出对应的负荷数据。例如，负荷预测模型
Figure 378702DEST_PATH_IMAGE001
中影响输出结果的参数包括日期属性、温度、风速、降水量等，在采用负荷预测模型
Figure 93717DEST_PATH_IMAGE001
进行预测时，获取到预测时间段对应的日期属性、温度、风速、降水量并输入
Figure 994677DEST_PATH_IMAGE001
，则负荷预测模型
Figure 167164DEST_PATH_IMAGE001
可根据输入数据预测出对应的负荷数据。
本申请实施例中电力用户负荷预测模型建立方法，在获取到样本数据后，对样本数据进行预处理和归一化处理，再采用支持向量机算法来获取负荷预测模型。相对于传统负荷预测模型算法，对样本数据进行预处理和归一化处理可使得样本数据的特征更统一，在计算时速度更快，收敛更快；而采用支持向量机来获取负荷预测模型在面对非线性、高维度模型时更具有优越性，得到的负荷预测模型预测的准确度也越高。因此，本申请中模型建立方法可以提高负荷预测模型进行电力负荷预测的准确度。
应该理解的是，虽然上述各个流程示意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，上述各个流程示意图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
图4为一个实施例中电力用户负荷预测模型建立装置的示意图。如图4所示，一种电力用户负荷预测模型建立装置包括获取模块401、预处理模块402、训练模块403、后处理模块404以及模型确定模块405，其中：
获取模块401，用于获取历史负荷数据和对应的历史条件数据。
预处理模块402，用于对历史负荷数据和历史条件数据进行预处理，得到样本数据集。
训练模块403，用于对样本数据集中样本数据进行训练得到训练结果，并剔除其中异常的训练结果。
后处理模块404，用于对样本数据集中样本数据进行归一化处理并输入初始预测模型，初始预测模型是对样本数据集中样本数据进行训练得到的。
模型确定模块405，用于采用支持向量机为算法得到负荷预测模型。
在一个实施例中，获取模块401获取历史负荷数据和对应的历史条件数据包括：确定需要采集历史负荷数据的时间段；按照预设的时间间隔采集时间段内历史负荷数据，并获取与历史负荷数据对应的历史条件数据。
在一个实施例中，预处理模块402对历史负荷数据和历史条件数据进行预处理包括：若历史负荷数据存在数据缺失，对缺失点的历史负荷数据进行填补；若历史条件数据中存在数据缺失，对缺失点的历史条件数据进行填补。
在一个实施例中，模型确定模块405采用支持向量机为算法得到负荷预测模型包括：根据至少一种初始预测模型对历史条件数据对应的负荷数据进行预测，得到至少一个历史负荷预测数据；将各个历史负荷预测数据与同一历史条件数据对应的历史负荷数据进行对比，确定历史负荷预测数据与对应的历史负荷数据的误差关系；将误差关系符合预设条件的初始预测模型作为负荷预测模型。
在一个实施例中，模型确定模块405确定历史负荷预测数据与对应的历史负荷数据的误差关系包括：获取每种初始预测模型预测出的各个历史负荷预测数据与对应的历史负荷数据之间误差的平方和。模型确定模块405将误差关系符合预设条件的初始预测模型作为负荷预测模型包括：将误差的平方和最小的初始预测模型作为负荷预测模型。
在一个实施例中，历史条件数据包括日期属性、环境数据以及各个历史负荷数据对应的生产指数。获取模块401还用于根据各个历史负荷数据与对应的生产指数获取对应的电力满负荷值，将各个历史负荷数据对应的电力满负荷值作为历史条件数据。
在一个实施例中，训练模块403对样本数据集中样本数据进行训练得到训练结果，并剔除其中异常的训练结果包括：对样本数据集中样本数据进行训练得到训练结果；当训练结果为极大值或极小值时，判定训练结果异常，剔除异常的训练结果。
本申请实施例中电力用户负荷预测模型建立装置，在获取到样本数据后，对样本数据进行预处理和归一化处理，再采用支持向量机算法来获取负荷预测模型。相对于传统负荷预测模型算法，对样本数据进行预处理和归一化处理可使得样本数据的特征更统一，在计算时速度更快，收敛更快；而采用支持向量机来获取负荷预测模型在面对非线性、高维度模型时更具有优越性，得到的负荷预测模型预测的准确度也越高。因此，本申请中模型建立方法可以提高负荷预测模型进行电力负荷预测的准确度。
图5为一个实施例中电子设备的结构框图。如图5所示，在一个实施例中，该电子设备500可以是服务器。电子设备500可以包括一个或多个如下部件：处理器510和存储器520，其中一个或多个应用程序可以被存储在存储器520中并被配置为由一个或多个处理器510执行，一个或多个程序配置用于执行如上述的方法。
处理器510可以包括一个或者多个处理核。处理器510利用各种接口和线路连接整个电子设备500内的各个部分，通过运行或执行存储在存储器520内的指令、程序、代码集或指令集，以及调用存储在存储器520内的数据，执行电子设备500的各种功能和处理数据。可选地，处理器510可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器510可集成中央处理器（CentralProcessing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器510中，单独通过一块通信芯片进行实现。
存储器520可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。存储器520可用于存储指令、程序、代码、代码集或指令集。存储器520可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等。存储数据区还可以存储电子设备500在使用中所创建的数据等。
可以理解地，电子设备500可包括比上述结构框图中更多或更少的结构元件，在此不进行限定。
在一个实施例中，本申请提供的电子设备可以实现为一种计算机程序的形式，计算机程序可在如图5所示的设备上运行，设备的非易失性存储介质可存储组成该电力用户负荷预测模型建立装置的各个程序模块，比如，图4所示的获取模块401、预处理模块402、训练模块403、后处理模块404以及模型确定模块405。各个程序模块组成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的图像处理方法中的步骤。
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，的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）等。
如此处所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM），它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态 RAM （SRAM）、动态 RAM （DRAM）、同步 DRAM （SDRAM）、双数据率 SDRAM （DDR SDRAM）、增强型 SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）。
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)

1.一种电力用户负荷预测模型建立方法，其特征在于，包括：
获取历史负荷数据和对应的历史条件数据；
对所述历史负荷数据和所述历史条件数据进行预处理，得到样本数据集；
对所述样本数据集中样本数据进行训练得到训练结果，并剔除其中异常的训练结果；
对样本数据集中样本数据进行归一化处理并输入初始预测模型，所述初始预测模型是对所述样本数据集中样本数据进行训练得到的；
采用支持向量机为算法得到负荷预测模型。
2.根据权利要求1所述的电力用户负荷预测模型建立方法，其特征在于，所述获取历史负荷数据和对应的历史条件数据包括：
确定需要采集所述历史负荷数据的时间段；
按照预设的时间间隔采集所述时间段内历史负荷数据，并获取与所述历史负荷数据对应的历史条件数据。
3.根据权利要求1所述的电力用户负荷预测模型建立方法，其特征在于，对所述历史负荷数据和所述历史条件数据进行预处理包括：
若所述历史负荷数据存在数据缺失，对缺失点的历史负荷数据进行填补；
若所述历史条件数据中存在数据缺失，对缺失点的历史条件数据进行填补。
4.根据权利要求1所述的电力用户负荷预测模型建立方法，其特征在于，所述采用支持向量机为算法得到负荷预测模型包括：
根据至少一种所述初始预测模型对所述历史条件数据对应的负荷数据进行预测，得到至少一个历史负荷预测数据；
将各个所述历史负荷预测数据与同一所述历史条件数据对应的历史负荷数据进行对比，确定所述历史负荷预测数据与对应的历史负荷数据的误差关系；
将所述误差关系符合预设条件的初始预测模型作为负荷预测模型。
5.根据权利要求4所述的电力用户负荷预测模型建立方法，其特征在于：
所述确定所述历史负荷预测数据与对应的历史负荷数据的误差关系包括：获取每种初始预测模型预测出的各个历史负荷预测数据与对应的历史负荷数据之间误差的平方和；
所述将所述误差关系符合预设条件的初始预测模型作为负荷预测模型包括：将所述误差的平方和最小的初始预测模型作为负荷预测模型。
6.根据权利要求1所述的电力用户负荷预测模型建立方法，其特征在于：
所述历史条件数据包括日期属性、环境数据以及各个历史负荷数据对应的生产指数；
根据各个历史负荷数据与对应的生产指数获取对应的电力满负荷值，将所述各个历史负荷数据对应的电力满负荷值作为历史条件数据。
7.根据权利要求1所述的电力用户负荷预测模型建立方法，其特征在于，对所述样本数据集中样本数据进行训练得到训练结果，并剔除其中异常的训练结果包括：
对所述样本数据集中样本数据进行训练得到训练结果；
当所述训练结果为极大值或极小值时，判定所述训练结果异常，剔除异常的训练结果。
8.一种电力用户负荷预测模型建立装置，其特征在于，包括：
获取模块，用于获取历史负荷数据和对应的历史条件数据；
预处理模块，用于对所述历史负荷数据和所述历史条件数据进行预处理，得到样本数据集；
训练模块，用于对所述样本数据集中样本数据进行训练得到训练结果，并剔除其中异常的训练结果；
后处理模块，用于对样本数据集中样本数据进行归一化处理并输入初始预测模型，所述初始预测模型是对所述样本数据集中样本数据进行训练得到的；
模型确定模块，用于采用支持向量机为算法得到负荷预测模型。
9.一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1至7任一所述的方法。
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如权利要求1至7任一所述的方法。
CN202010939050.1A 2020-04-27 2020-09-09 电力用户负荷预测模型建立方法、装置、设备及存储介质 Pending CN112215398A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010343056 2020-04-27
CN2020103430562 2020-04-27

Publications (1)

Publication Number Publication Date
CN112215398A true CN112215398A (zh) 2021-01-12

Family

ID=74049254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010939050.1A Pending CN112215398A (zh) 2020-04-27 2020-09-09 电力用户负荷预测模型建立方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112215398A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990682A (zh) * 2021-03-09 2021-06-18 万华化学集团股份有限公司 一种基于大数据的化工装置控制参数优化方法和系统
CN113255973A (zh) * 2021-05-10 2021-08-13 曙光信息产业(北京)有限公司 电力负荷预测方法、装置、计算机设备和存储介质
CN113284001A (zh) * 2021-04-08 2021-08-20 南方电网数字电网研究院有限公司 用电量预测方法、装置、计算机设备和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990682A (zh) * 2021-03-09 2021-06-18 万华化学集团股份有限公司 一种基于大数据的化工装置控制参数优化方法和系统
CN113284001A (zh) * 2021-04-08 2021-08-20 南方电网数字电网研究院有限公司 用电量预测方法、装置、计算机设备和存储介质
CN113255973A (zh) * 2021-05-10 2021-08-13 曙光信息产业(北京)有限公司 电力负荷预测方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN110400021B (zh) 银行网点现金用量预测方法及装置
CN112215398A (zh) 电力用户负荷预测模型建立方法、装置、设备及存储介质
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN111709548A (zh) 基于支持向量机的电力用户负荷预测方法、装置、设备及存储介质
CN116596095B (zh) 基于机器学习的碳排放量预测模型的训练方法及装置
Zhou et al. Numerical solution for ruin probability of continuous time model based on neural network algorithm
CN111259167B (zh) 用户请求风险识别方法及装置
CN112529053A (zh) 一种服务器中时序数据短期预测方法及系统
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN116091118A (zh) 电价预测方法、装置、设备、介质及产品
CN115358437A (zh) 基于卷积神经网络的供电负荷预测方法
CN113570106B (zh) 基于高速公路神经网络的电力负荷预测方法及设备
CN104636318A (zh) 一种大数据方差标准差的分布式或增量计算方法
CN115204501A (zh) 企业评估方法、装置、计算机设备和存储介质
CN114493035A (zh) 一种企业违约概率预测方法及装置
CN114565196A (zh) 基于政务热线的多事件趋势预判方法、装置、设备及介质
Wang et al. Log-periodic power law hybrid model based on BP neural network
CN113011748A (zh) 推荐效果的评估方法、装置、电子设备及可读存储介质
CN110991685A (zh) 一种气象温度预测方法
CN113435058B (zh) 配网自愈测试模型的数据降维方法、系统、终端及介质
WO2022156743A1 (zh) 特征构建方法和装置、模型训练方法和装置、设备、介质
CN117494947A (zh) 基于机器学习的居民用电量预测方法、装置、设备及介质
Wu et al. The study on feature selection in customer churn prediction modeling
CN115545490A (zh) 基于小样本机器学习的电站工程造价分析方法及装置
CN117913796A (zh) 电力经济耦合协调关系确定方法、装置、设备和存储介质

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