CN112215426A - 一种短期用电负荷预测方法 - Google Patents
一种短期用电负荷预测方法 Download PDFInfo
- Publication number
- CN112215426A CN112215426A CN202011114976.3A CN202011114976A CN112215426A CN 112215426 A CN112215426 A CN 112215426A CN 202011114976 A CN202011114976 A CN 202011114976A CN 112215426 A CN112215426 A CN 112215426A
- Authority
- CN
- China
- Prior art keywords
- gru
- short
- load
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 58
- 230000005611 electricity Effects 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 238000013277 forecasting method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000007500 overflow downdraw method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003442 weekly effect Effects 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
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种短期用电负荷预测方法,包括:收集短期用电的历史环境数据和历史负荷数据,对收集的数据进行预处理,划分为历史短期用电数据的训练集sql1和测试集sql2;搭建GRU‑LightGBM模型;GRU神经网络模型的输入量为短期用电环境数据,输出量为GRU预测用电负荷Ep1;LightGBM模型的输入量为短期用电环境数据和GRU预测用电负荷Ep1,输出量为LightGBM预测用电负荷Ep2;采用训练集sql1训练所述GRU‑LightGBM模型;采用测试集sql2验证模型训练完成;将待预测用电负荷时段的用电环境数据输入训练完成的GRU‑LightGBM模型,输出的LightGBM预测用电负荷Ep2作为短期用电负荷的预测结果。本发明采用LightGBM和GRU模型融合方法,综合各类环境影响因素,能够实现对短期用电负荷的精准预测。
Description
技术领域
本发明涉及电力负荷预测领域,具体涉及一种短期用电负荷预测方法。
背景技术
电力负荷预测是指从已知的用电需求出发,考虑政治、气候、社会等相关因素,在满足一定精度要求的意义下,确定未来特定时刻的电力负荷数值。提高负荷预测技术,有利于计划用电管理,制定合理电网运行方式和机组检修计划,从而提升电力系统整体经济效益和社会效益,因此,电力负荷预测已成为实现电力系统管理现代化的重要内容。
电力负荷预测按时间可分为中长期负荷预测和短期负荷预测。中长期负荷预测是指未来几年或几十年的负荷预测,主要用于电网改造和扩建的远景规划;而短期负荷预测则是对日负荷或周负荷进行预测,主要用于经济调度和电力系统的安全评估,是保障居民用电安全稳定的重要辅助手段。
短期居民用电负荷情况既受气象等自然条件影响,也受社会、经济方面的主观影响,其中主要影响因素有以下两点:
(1)气象因素影响:随着生活水平的不断提高,空调负荷在夏冬两季居民用电负荷所占比重日益上升。在夏季,温度和湿度均处于较高值水平,人们居家时间增长,空调使用量增加,从而造成用电负荷骤增;而在冬季,随着温湿度不断降低,人们对于供暖的需求也会影响用电量变化趋势。由此可以看出,气象因素在居民用电行为中发挥着关键作用。
(2)节假日影响:与正常工作日相比,一般的周末、节假日居民用户负荷都会明显上升,而对于春节等重要节日,受人口流动影响,市区居民用电负荷会出现大幅度的下降变形,因此节假日对居民用电负荷影响呈现一定程度的不确定性。但总体来看,在同一个节假日的横向比较中,每年的负荷曲线都呈现出较为相似的变化趋势。
历史数据信息的可靠性和预测模型的精度是影响短期居民负荷预测精度的主要因素。随着现在电力系统管理信息系统的逐步建立,以及天气预测水平的提高,准确获取各种历史数据已不再困难,而选用合适模型则成为短期负荷预测精度提升的关键。目前用于短期居民用电负荷预测的方法很多,有灰色理论法、时间序列法、回归分析法、支持向量机法、神经网络法等,但从实际使用来看,上述预测模型的精度仍然不能满足生产需求,因此需要新技术来突破限制,达到更好的预测效果。
发明内容
为了解决上述技术问题,本发明提出了一种短期用电负荷预测方法,能够综合各类环境影响因素,实现对短期用电负荷的精准预测。
为实现上述目的,本发明采用以下技术方案:
一种短期用电负荷预测方法,包括:
收集短期用电的历史环境数据和历史负荷数据,对收集的数据进行预处理,划分为历史短期用电数据的训练集sql1和测试集sql2;
搭建GRU-LightGBM模型;GRU神经网络模型的输入量为短期用电环境数据,输出量为GRU预测用电负荷Ep1;LightGBM模型的输入量为短期用电环境数据和GRU预测用电负荷Ep1,输出量为LightGBM预测用电负荷Ep2;采用训练集sql1训练所述GRU-LightGBM模型;采用测试集sql2验证模型训练完成;
将待预测用电负荷时段的用电环境数据输入训练完成的GRU-LightGBM模型,输出的LightGBM预测用电负荷Ep2作为短期用电负荷的预测结果。
进一步地,所述采用训练集sql1训练所述GRU-LightGBM模型;采用测试集sql2验证模型训练完成,包括:
采用训练集sql1训练所述GRU神经网络模型;采用测试集sql2验证GRU神经网络模型训练完成;
通过训练完成的GRU神经网络模型计算训练集sql1中短期用电环境数据对应的GRU预测用电负荷,并添加至训练集sql1中形成训练集sql1’;通过训练完成的GRU神经网络模型计算测试集sql2中短期用电环境数据对应的GRU预测用电负荷,并添加至测试集sql2中形成测试集sql2’;
采用训练集sql1’训练所述LightGBM模型;采用测试集sql2’验证LightGBM模型训练完成。
进一步地,所述对收集的数据进行预处理,包括:
通过检查数据的平稳性剔除极端数据,采用前值补充空值。
进一步地,所述GRU神经网络模型包括:模型层数设置为2,隐藏层神经元个数为64,每一个神经元均设置前向与后向反馈,构成双向GRU通道。
进一步地,所述GRU神经网络模型通过SDG方法学习。
进一步地,所述历史环境数据包括:时间、温度、湿度、节假日类型、当天温度均值、当天湿度均值、当天最高温度、当天最高湿度、当天最低温度、当天最低湿度。
进一步地,所述LightGBM模型采用梯度提升的方法进行训练。
进一步地,所述待预测用电负荷时段为未来24小时。
进一步地,所述方法还包括:
根据输出的短期用电负荷预测结果与其对应时间绘制时间-预测值曲线,监控预测的用电负荷超过最大容量80%的高负载台区。
本发明的有益效果是:
本发明通过提出一种短期用电负荷预测方法,综合分析了温湿度、节假日、重大活动等各类影响因素,融合LightGBM和GRU多模型的优势特点,摆脱对于单一特征组合的依赖,增加了模型的泛化能力,提高预测结果的准确程度,实现了居民用电负荷小时级别精准预测,降低了高负载台区的风险隐患,保障居民高峰时段的有序用电,同时为电力系统规划和运行提供可靠的决策依据。
本发明将未来24小时的时间信息、温湿度数据、节假日情况作为预测模型的输入数据,采用LightGBM和GRU模型融合方法对输入数据进行训练,结合GRU良好的时序预测能力与LightGBM非线性数据的高效处理能力,实现居民用电负荷小时级别的精准预测。
本发明帮助运维人员根据预测结果有效识别负载值超过80%最大容量的高负载台区,能够及时消缺安全隐患,确保电网负荷均衡,运行可靠,最大限度保障居民生活用电。
附图说明
图1是本发明实施例短期用电负荷预测方法流程示意图;
图2是GRU模型结构示意图;
图3是本发明实施例GRU-LightGBM模型结构示意图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示,本发明实施例公开了一种短期用电负荷预测方法,融合了GRU(GateRecurrent Unit)与LightGBM(Light Gradient Boosting Machine)模型。包括:
收集短期用电的历史环境数据和历史负荷数据,对收集的数据进行预处理,划分为历史短期用电数据的训练集sql1和测试集sql2;
搭建GRU-LightGBM模型;GRU神经网络模型的输入量为短期用电环境数据,输出量为GRU预测用电负荷Ep1;LightGBM模型的输入量为短期用电环境数据和GRU预测用电负荷Ep1,输出量为LightGBM预测用电负荷Ep2;采用训练集sql1训练所述GRU-LightGBM模型;采用测试集sql2验证模型训练完成;
将待预测用电负荷时段的用电环境数据输入训练完成的GRU-LightGBM模型,输出的LightGBM预测用电负荷Ep2作为短期用电负荷的预测结果。
其中,GRU是在LSTM(Long Short-Term Memory,长短期记忆网络)基础上衍生出的另外一种RNN(Recurrent Neural Network,循环神经网络)变种,它合并了细胞状态和隐藏状态,由重置门和更新门对信息进行存储和过滤。更新门控制前一时刻的状态信息保留到当前状态中的程度,值越大表示前一时刻的状态信息保留越多。重置门控制当前状态与先前的信息结合的程度,值越小说明忽略的信息越多。GRU结构如图2所示,图2中箭头所指方向为数据流动方向,其中×为矩阵的数乘,σ为激活函数sigmoid函数,tanh为激活函数,1-表示该链路前向传播数据为1-zt。
更新门和重置门分别为zt、rt、xt的输入,ht为隐藏层输出,基于GRU的单元通过以下公式计算ht。
zt=σ(W(z)xt+U(z)ht-1)
rt=σ(W(r)xt+U(r)ht-1)
LightGBM是一个梯度提升框架,它的训练效率更快,使用内存更低,准确率更高,除此之外,它还支持并行学习,可以处理规模庞大的数据。LightGBM采用了直方图(histogram)决策树算法,将样本中连续的浮点特征值离散化成K个整数,同时构造一个宽度为K的直方图,遍历时,将离散化后的值作为索引在直方图中的累计统计量,然后根据直方图的离散值,遍历寻找最优的分割点。此外,LightGBM采用一种更为高效的叶子生产策略,即带深度限制的按叶子生长策略(Leaf-wise)。该策略在分裂前会遍历所有叶子,然后找到分裂增益最大的叶子进行分裂,并循环往复。在相同分裂次数下,Leaf-wise能够得到更好的精度。
LightGBM的另一个优化是histogram作差加速。一般情况下,构造一个叶子的直方图,而且父亲节点和兄弟节点直方图的宽度均为K,因此作差过程中仅需要计算K次,从而在运行速度上得到很大提升。
本发明实施例公开的短期用电负荷预测方法具体步骤如下:
S1)数据的采集与预处理
收集短期用电的历史环境数据和历史负荷数据,对收集的数据进行预处理,划分为历史短期用电数据的训练集sql1和测试集sql2。
具体地,收集居民历史用电负荷及对应的时间序列、所在地的温、湿度、节假日信息、重大活动信息等环境数据,通过检查数据的平稳性剔除个别极端数据,遇到有空值的情况用前值进行补充,将以上数据按如下形式排列:
{时间、温度、湿度、节假日类型、当天温度均值、当天湿度均值、当天最高温度、当天最高湿度、当天最低温度、当天最低湿度}
其中,时间写为:年/月/日/时刻;节假日按当年法定节假日进行顺序排序,普通周末设为1、元旦设为2、春节设为3……以此类推,工作日设置为0;而其余各数均按实际取值即可,然后将上述各类数据划分为训练集sql1和测试集sql2。
S2)GRU神经网络模型训练与预测
GRU神经网络模型的输入量为短期用电环境数据,输出量为GRU预测用电负荷Ep1;采用训练集sql1训练所述GRU神经网络模型;采用测试集sql2验证模型训练完成。
具体地,所述GRU神经网络模型层数设置为layer=2,隐藏层神经元个数hidden_size=64,每一个神经元均设置前向与后向反馈构成双向GRU通道,GRU神经网络模型通过SDG方法学习。采用训练集sql1训练所述GRU神经网络模型;采用测试集sql2验证GRU神经网络模型训练完成。
训练完成后,利用训练完成的GRU神经网络模型计算训练集sql1中短期用电环境数据对应的GRU预测用电负荷,并添加至训练集sql1中形成训练集sql1’;利用训练完成的GRU神经网络模型计算测试集sql2中短期用电环境数据对应的GRU预测用电负荷,并添加至测试集sql2中形成测试集sql2’。
S3)LightGBM模型训练
LightGBM模型的输入量为短期用电环境数据和GRU预测用电负荷Ep1,输出量为LightGBM预测用电负荷Ep2;采用训练集sql1’训练所述LightGBM模型;采用测试集sql2’验证模型训练完成。
具体地,将训练集sql1’和测试集sql2’中的数据按以下形式进行排列:
{GRU预测用电负荷、时间、温度、湿度、节假日类型、当天温度均值、当天湿度均值、当天最高温度、当天最高湿度、当天最低温度、当天最低湿度}
将其结合形成输入参数,采用梯度提升的方法进行训练,得到LightGBM预测模型。采用测试集sql2’验证模型训练完成。
上述GRU神经网络模型和LightGBM模型融合构成本发明短期用电负荷预测方法的GRU-LightGBM模型,其结构如图3所示,输入的训练数据特征1-特征n表示时间、温度、湿度、节假日类型、当天温度均值、当天湿度均值、当天最高温度、当天最高湿度、当天最低温度、当天最低湿度等环境数据,GRU神经网络模型的输出量为GRU预测用电负荷Ep1,作为LightGBM模型的输入特征n+1,LightGBM模型的输出量LightGBM预测用电负荷Ep2即为融合模型的输出量。
S4)预测负荷计算
将待预测用电负荷时段的用电环境数据输入训练完成的GRU-LightGBM模型,输出的LightGBM预测用电负荷Ep2作为短期用电负荷的预测结果。
具体地,所述待预测用电负荷时段为未来24小时,数据粒度为小时。
S5)预测结果展示与分析
根据输出的短期用电负荷预测结果与其对应时间绘制时间-预测值曲线,展示未来24小时内电网空调负荷变化情况,监控预测的用电负荷超过最大容量80%的高负载台区。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制。对于所属领域的技术人员来说,在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种短期用电负荷预测方法,其特征在于,包括:
收集短期用电的历史环境数据和历史负荷数据,对收集的数据进行预处理,划分为历史短期用电数据的训练集sql1和测试集sql2;
搭建GRU-LightGBM模型;GRU神经网络模型的输入量为短期用电环境数据,输出量为GRU预测用电负荷Ep1;LightGBM模型的输入量为短期用电环境数据和GRU预测用电负荷Ep1,输出量为LightGBM预测用电负荷Ep2;采用训练集sql1训练所述GRU-LightGBM模型;采用测试集sql2验证模型训练完成;
将待预测用电负荷时段的用电环境数据输入训练完成的GRU-LightGBM模型,输出的LightGBM预测用电负荷Ep2作为短期用电负荷的预测结果。
2.根据权利要求1所述的短期用电负荷预测方法,其特征在于,所述采用训练集sql1训练所述GRU-LightGBM模型;采用测试集sql2验证模型训练完成,包括:
采用训练集sql1训练所述GRU神经网络模型;采用测试集sql2验证GRU神经网络模型训练完成;
通过训练完成的GRU神经网络模型计算训练集sql1中短期用电环境数据对应的GRU预测用电负荷,并添加至训练集sql1中形成训练集sql1’;通过训练完成的GRU神经网络模型计算测试集sql2中短期用电环境数据对应的GRU预测用电负荷,并添加至测试集sql2中形成测试集sql2’;
采用训练集sql1’训练所述LightGBM模型;采用测试集sql2’验证LightGBM模型训练完成。
3.根据权利要求1所述的短期用电负荷预测方法,其特征在于,所述对收集的数据进行预处理,包括:
通过检查数据的平稳性剔除极端数据,采用前值补充空值。
4.根据权利要求1所述的短期用电负荷预测方法,其特征在于,所述GRU神经网络模型包括:模型层数设置为2,隐藏层神经元个数为64,每一个神经元均设置前向与后向反馈,构成双向GRU通道。
5.根据权利要求4所述的短期用电负荷预测方法,其特征在于,所述GRU神经网络模型通过SDG方法学习。
6.根据权利要求1所述的短期用电负荷预测方法,其特征在于,所述历史环境数据包括:时间、温度、湿度、节假日类型、当天温度均值、当天湿度均值、当天最高温度、当天最高湿度、当天最低温度、当天最低湿度。
7.根据权利要求1所述的短期用电负荷预测方法,其特征在于,所述LightGBM模型采用梯度提升的方法进行训练。
8.根据权利要求1所述的短期用电负荷预测方法,其特征在于,所述待预测用电负荷时段为未来24小时。
9.根据权利要求1所述的短期用电负荷预测方法,其特征在于,所述方法还包括:
根据输出的短期用电负荷预测结果与其对应时间绘制时间-预测值曲线,监控预测的用电负荷超过最大容量80%的高负载台区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011114976.3A CN112215426A (zh) | 2020-10-16 | 2020-10-16 | 一种短期用电负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011114976.3A CN112215426A (zh) | 2020-10-16 | 2020-10-16 | 一种短期用电负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112215426A true CN112215426A (zh) | 2021-01-12 |
Family
ID=74055731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011114976.3A Pending CN112215426A (zh) | 2020-10-16 | 2020-10-16 | 一种短期用电负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215426A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734135A (zh) * | 2021-01-26 | 2021-04-30 | 吉林大学 | 一种电力负荷预测方法、智能终端及计算机可读存储介质 |
CN113537571A (zh) * | 2021-06-19 | 2021-10-22 | 复旦大学 | 基于cnn-lstm混合网络模型的建筑能耗电负荷预测方法及装置 |
CN113610217A (zh) * | 2021-07-14 | 2021-11-05 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 客运站环境温度预测方法及装置 |
CN113657687A (zh) * | 2021-08-30 | 2021-11-16 | 国家电网有限公司 | 基于特征工程和多路深度学习的电力负荷预测方法 |
CN113822344A (zh) * | 2021-08-30 | 2021-12-21 | 中能电力科技开发有限公司 | 基于数据驱动的风电机组发电机前轴承状态监测方法 |
CN113837480A (zh) * | 2021-09-29 | 2021-12-24 | 河北工业大学 | 基于改进gru和差分误差补偿的冲击性负荷预测方法 |
CN114065898A (zh) * | 2021-12-21 | 2022-02-18 | 特斯联科技集团有限公司 | 基于决策技术的空调机能量使用测控方法及系统 |
CN114925931A (zh) * | 2022-06-10 | 2022-08-19 | 北京中恒博瑞数字电力科技有限公司 | 台区负荷预测方法及系统 |
CN115270921A (zh) * | 2022-06-22 | 2022-11-01 | 天纳能源科技(上海)有限公司 | 基于组合预测模型的电力负载预测方法、系统及存储介质 |
TWI831033B (zh) * | 2021-07-28 | 2024-02-01 | 財團法人紡織產業綜合研究所 | 用電排程系統以及用電排程方法 |
TWI839196B (zh) * | 2023-04-27 | 2024-04-11 | 台灣電力股份有限公司 | 長期電力負載預測系統 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255505A (zh) * | 2018-11-20 | 2019-01-22 | 国网辽宁省电力有限公司经济技术研究院 | 一种多模型融合神经网络的短期负荷预测方法 |
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
CN110472236A (zh) * | 2019-07-23 | 2019-11-19 | 浙江大学城市学院 | 一种基于注意力机制的双向gru文本可读性评估方法 |
CN111191897A (zh) * | 2019-12-23 | 2020-05-22 | 浙江传媒学院 | 基于双向gru神经网络的业务流程在线合规性预测方法及系统 |
CN111191826A (zh) * | 2019-12-23 | 2020-05-22 | 南京易司拓电力科技股份有限公司 | 一种基于余弦相似度分类的负荷预测方法 |
-
2020
- 2020-10-16 CN CN202011114976.3A patent/CN112215426A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255505A (zh) * | 2018-11-20 | 2019-01-22 | 国网辽宁省电力有限公司经济技术研究院 | 一种多模型融合神经网络的短期负荷预测方法 |
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
CN110472236A (zh) * | 2019-07-23 | 2019-11-19 | 浙江大学城市学院 | 一种基于注意力机制的双向gru文本可读性评估方法 |
CN111191897A (zh) * | 2019-12-23 | 2020-05-22 | 浙江传媒学院 | 基于双向gru神经网络的业务流程在线合规性预测方法及系统 |
CN111191826A (zh) * | 2019-12-23 | 2020-05-22 | 南京易司拓电力科技股份有限公司 | 一种基于余弦相似度分类的负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
张雷东等: "多种算法融合的产品销售预测模型应用", 《计算机系统应用》 * |
许国艳等: "基于GRU和LightGBM特征选择的水位时间序列预测模型", 《计算机应用与软件》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734135B (zh) * | 2021-01-26 | 2022-07-15 | 吉林大学 | 一种电力负荷预测方法、智能终端及计算机可读存储介质 |
CN112734135A (zh) * | 2021-01-26 | 2021-04-30 | 吉林大学 | 一种电力负荷预测方法、智能终端及计算机可读存储介质 |
CN113537571A (zh) * | 2021-06-19 | 2021-10-22 | 复旦大学 | 基于cnn-lstm混合网络模型的建筑能耗电负荷预测方法及装置 |
CN113610217A (zh) * | 2021-07-14 | 2021-11-05 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 客运站环境温度预测方法及装置 |
CN113610217B (zh) * | 2021-07-14 | 2024-04-02 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 客运站环境温度预测方法及装置 |
TWI831033B (zh) * | 2021-07-28 | 2024-02-01 | 財團法人紡織產業綜合研究所 | 用電排程系統以及用電排程方法 |
CN113822344A (zh) * | 2021-08-30 | 2021-12-21 | 中能电力科技开发有限公司 | 基于数据驱动的风电机组发电机前轴承状态监测方法 |
CN113657687B (zh) * | 2021-08-30 | 2023-09-29 | 国家电网有限公司 | 基于特征工程和多路深度学习的电力负荷预测方法 |
CN113657687A (zh) * | 2021-08-30 | 2021-11-16 | 国家电网有限公司 | 基于特征工程和多路深度学习的电力负荷预测方法 |
CN113822344B (zh) * | 2021-08-30 | 2024-05-31 | 龙源(北京)新能源工程技术有限公司 | 基于数据驱动的风电机组发电机前轴承状态监测方法 |
CN113837480B (zh) * | 2021-09-29 | 2023-11-07 | 河北工业大学 | 基于改进gru和差分误差补偿的冲击性负荷预测方法 |
CN113837480A (zh) * | 2021-09-29 | 2021-12-24 | 河北工业大学 | 基于改进gru和差分误差补偿的冲击性负荷预测方法 |
CN114065898B (zh) * | 2021-12-21 | 2022-05-17 | 特斯联科技集团有限公司 | 基于决策技术的空调机能量使用测控方法及系统 |
CN114065898A (zh) * | 2021-12-21 | 2022-02-18 | 特斯联科技集团有限公司 | 基于决策技术的空调机能量使用测控方法及系统 |
CN114925931A (zh) * | 2022-06-10 | 2022-08-19 | 北京中恒博瑞数字电力科技有限公司 | 台区负荷预测方法及系统 |
CN115270921A (zh) * | 2022-06-22 | 2022-11-01 | 天纳能源科技(上海)有限公司 | 基于组合预测模型的电力负载预测方法、系统及存储介质 |
TWI839196B (zh) * | 2023-04-27 | 2024-04-11 | 台灣電力股份有限公司 | 長期電力負載預測系統 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112215426A (zh) | 一种短期用电负荷预测方法 | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
CN106022549A (zh) | 基于神经网络和思维演化搜索的短期负荷预测方法 | |
CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
CN114065646B (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
CN112163689A (zh) | 基于深度Attention-LSTM的短期负荷分位点概率预测方法 | |
CN115860286B (zh) | 一种基于时序门机制的空气质量预测方法及系统 | |
CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
CN110188956A (zh) | 基于蚁群神经网络的负荷预测方法及包含该方法的系统、存储器 | |
CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN115409369A (zh) | 基于机理和数据混合驱动的综合能源系统可靠性评估方法 | |
CN108960522A (zh) | 一种光伏发电量预测分析方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
Meng et al. | A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
Khan et al. | Adaptive Error Curve Learning Ensemble Model for Improving Energy Consumption Forecasting. | |
CN117634678A (zh) | 基于实际运行场景的低碳园区碳排放预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210112 |
|
RJ01 | Rejection of invention patent application after publication |