CN112365056A - 一种电气负荷联合预测方法、装置、终端及存储介质 - Google Patents
一种电气负荷联合预测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN112365056A CN112365056A CN202011261061.5A CN202011261061A CN112365056A CN 112365056 A CN112365056 A CN 112365056A CN 202011261061 A CN202011261061 A CN 202011261061A CN 112365056 A CN112365056 A CN 112365056A
- Authority
- CN
- China
- Prior art keywords
- load
- meteorological
- data
- prediction
- historical
- 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 55
- 230000015654 memory Effects 0.000 claims abstract description 24
- 239000007789 gas Substances 0.000 claims description 48
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 26
- 239000003345 natural gas Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 13
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 13
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 12
- 238000013486 operation strategy Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012886 linear function 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
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002759 z-score normalization Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明涉及一种电气负荷联合预测方法、装置、终端及存储介质,方法包括:根据各气象因素对电负荷和气负荷的影响程度,确定影响电负荷和气负荷的主要气象因素;获取电负荷、气负荷的历史数据和主要气象因素对应的历史气象数据;根据电负荷、气负荷的历史数据和历史气象数据构建长短期记忆网络LSTMS模型;根据构建的LSTMS模型对电负荷和气负荷进行预测,得到预测结果;考虑气象因素对电负荷和气负荷变化的影响,且通过LSTMS模型进行电负荷和气负荷的预测,预测精度较高,能够较好的模拟电负荷和气负荷的变化趋势,能够为综合能源系统制定日前运行策略提供参考。
Description
技术领域
本发明涉及能源负荷预测技术领域,具体涉及一种电气负荷联合预测方法、装置、终端及存储介质。
背景技术
在目前节能减排和可再生能源快速增长的大背景下,构建清洁、低碳、环保的综合能源系统被提上了我国能源发展的历程,也已经成为了能源转型过程中一种重要的能源利用方式。综合能源系统是一种存在多种能源交互混合的能源综合网络,是目前能源领域发展的重要形态。
因此,准确的用能需求预测将成为综合能源系统经济调度和优化运行中重要的一环;在传统能源预测问题中,通常只计及单一能源类型的变化情况,这种针对单一目标进行预测的过程中显然忽略了不同类型负荷之间的相互转换与枢纽关系。
传统能源预测方法包括ARMA时间序列预测方法、径向基函数神经网络法、BP神经网络方法等,BP神经网络算法在计算过程中容易受局部极小值影响,使得整体泛化性不高;径向基函数神经网络算法对数据筛选和信息提取的能力不足;时间序列算法仅以单一能源的历史数据为基础进行负荷预测,无法对突发及异常情况及时反应,预测精度低。
发明内容
本发明所要解决的技术问题是提供一种电气负荷联合预测方法、装置、终端及存储介质,考虑气象因素对电负荷和气负荷变化的影响,且通过LSTMS模型进行电气负荷的预测,预测精度较高,能够较好的电气负荷的变化趋势,能够为综合能源系统制定日前运行策略提供参考。
本发明解决上述技术问题的技术方案如下:一种电气负荷联合预测方法包括:
根据各气象因素对电负荷和气负荷的影响程度,确定影响电负荷和气负荷的主要气象因素;
获取电负荷、气负荷的历史数据和所述主要气象因素对应的历史气象数据;
根据所述电负荷、气负荷的历史数据和历史气象数据构建长短期记忆网络LSTMS模型;
根据构建的所述LSTMS模型对所述电负荷和气负荷进行预测,得到预测结果。
本发明的有益效果是:电负荷需求与天然气需求的变化与气象信息也有着较高的相关度,通过确定影响电负荷和气负荷的主要气象因素,将主要气象因素对应的历史气象数据作为辅助数据,由于电力系统与天然气系统的负荷需求与多种异质能源的需求息息相关,采用LSTMS模型有效计算多种异质能源之间的转化关系,能够增强模型的泛化性与鲁棒性,通过LSTMS模型进行电气负荷的预测,预测精度较高,能够较好模拟的电气负荷的变化趋势,能够为综合能源系统制定日前运行策略提供参考。
在上述技术方案的基础上,本发明还可以做如下改进:
进一步,所述根据各气象因素对能源负荷的影响程度,确定影响能源负荷的主要气象因素包括:
计算各气象因素与电负荷和气负荷的皮尔逊相关系数;
选取各皮尔逊相关系数中最大的k个气象因素作为主要气象因素,所述k为正整数;
所述皮尔逊相关系数计算如下:
采用上述进一步方案的有益效果是:使用皮尔逊相关系数量化分析气象特征与能源消耗之间的关系,通过皮尔逊相关系数的大小确定影响程度,避免LSTM网络输入变量中存在冗余信息。
进一步,所述主要气象因素包括温度和湿度。
采用上述进一步方案的有益效果是:选取对电负荷和气负荷影响最大气象因素,减少模型运算的数据量,且保证模型运算的准确性。
进一步,所述获取电负荷、气负荷的历史数据和主要气象因素对应的历史气象数据包括:
获取同一预设时间段内的电负荷、气负荷的历史数据和历史气象数据,所述预设时间段跨越至少两个季节。
采用上述进一步方案的有益效果是:获取同一预设时间段内的负荷数据和气象数据,保证模型预测的准确性,同时在不同季节中,气象因素作用也不同,针对不同季节选用差异化的气象数据,提高模型的泛化能力。
进一步,所述根据所述电负荷、气负荷的历史数据和历史气象数据构建LSTMS模型包括:
对所述电负荷、气负荷的历史数据和历史气象数据进行数据归一化处理,得到样本数据;
将所述样本数据划分为训练样本和测试样本;
将所述训练样本输入到初始LSTMS模型中,得到构建的所述LSTMS模型。
采用上述进一步方案的有益效果是:通过对电负荷、气负荷的历史数据和历史气象数据进行归一化处理,提高模型的收敛速度和提升模型的精度,通过对样本数据的划分,更好的验证LSTMS模型。
进一步,所述根据所述LSTMS模型对所述电气负荷进行预测,得到预测结果包括:
将所述测试样本输入到所述LSTMS模型;
采用自适应时刻估计方法ADAM对所述LSTMS模型的网络参数进行修正,得到所述电气负荷的预测结果。
采用上述进一步方案的有益效果是:ADAM在计算过程中会以参数状态为参考,制定自适应性学习率,从而扩大ADAM算法的适用范围,不断修正LSTMS的参数,充分学习负荷变化的趋势,以便提高电负荷和气负荷预测的精度。
进一步,所述得到预测结果之后包括:
采用平均相对误差MAPE与均方根误差RMSE对所述预测结果的准确度进行分析;
根据分析结果确定所述LSTMS模型预测的精度;
所述平均相对误差MAPE和均方根误差RMSE计算公式如下:
式中n为测试样本的个数,ai为测试样本中每个预测任务在i时刻的真实数值,bi为测试样本中每个预测任务在i时刻的预测数;
采用上述进一步方案的有益效果是:采用MAPE和RMSE作为预测结果的平均指标,便于对预测结果的准确性进行分析,根据分析结果确定LSTMS模型预测的精度,为综合能源系统制定日前运行策略提供参考。
为了解决上述问题,本发明实施例还提供一种电气负荷联合预测装置,所述电气负荷联合预测装置包括:确定模块、获取模块、模型构建模块和预测模块;
所述确定模块用于根据各气象因素对电负荷和气负荷的影响程度,确定影响电负荷和气负荷的主要气象因素;
所述获取模块用于获取电负荷、气负荷的历史数据和所述主要气象因素对应的历史气象数据;
所述模型构建模块用于根据所述电负荷、气负荷的历史数据和历史气象数据构建长短期记忆网络LSTMS模型;
所述预测模块用于根据构建的所述LSTMS模型对所述电负荷和气负荷进行预测,得到预测结果。
为了解决上述问题,本发明实施例还提供一种终端,所述终端包括处理器和存储器;
所述处理器用于执行存储器中存储的一个或者多个计算机程序,以实现如上所述的电气负荷联合预测方法的步骤。
为了解决上述问题,本发明实施例还提供一种存储介质,所述存储介质存储一个或者多个计算机程序,所述一个或者多个计算机程序可被一个或者多个处理器执行,以实现如上所述的电气负荷联合预测方法的步骤。
附图说明
图1为本发明一实施例提供的一种电气负荷联合预测方法的流程示意图;
图2为本发明一实施例提供的LSTMS模型记忆单元的具体结构示意图;
图3为本发明一实施例提供的电负荷的联合预测与分别预测结果示意图;
图4为本发明一实施例提供的气负荷的联合预测与分别预测结果示意图;
图5为本发明一实施例提供的另一种电气负荷联合预测方法的流程示意图;
图6为本发明一实施例提供的气象因素对于电负荷影响示意图;
图7为本发明一实施例提供的气象因素对于气负荷影响示意图;
图8为本发明一实施例提供的一种电气负荷联合预测装置的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,图1为本实施例提供的一种电气负荷联合预测方法,该电气负荷联合预测方法包括:
S101、根据各气象因素对电负荷和气负荷的影响程度,确定影响电负荷和气负荷的主要气象因素;
S102、获取电负荷、气负荷的历史数据和主要气象因素对应的历史气象数据;
S103、根据电负荷、气负荷的历史数据和历史气象数据构建长短期记忆网络LSTMS模型;
S104、根据构建的LSTMS模型对电负荷和气负荷进行预测,得到预测结果。
在本实施例中,电负荷需求与天然气需求的变化与气象信息也有着较高的相关度,通过确定影响电负荷和气负荷的主要气象因素,将主要气象因素对应的历史气象数据作为辅助数据,由于电力系统与天然气系统的负荷需求与多种异质能源的需求息息相关,采用LSTMS模型有效计算多种异质能源之间的转化关系,能够增强模型的泛化性与鲁棒性,通过LSTMS模型进行电负荷和气负荷的预测,预测精度较高,能够较好的模拟电负荷和气负荷的变化趋势,能够为综合能源系统制定日前运行策略提供参考。
可以理解的是,气象信息会影响到电负荷和气负荷的变化,需要在众多气象信息中选出有效部分对电负荷和气负荷提供辅助;在本实施例中,使用皮尔逊相关系数量化分析气象特征与能源消耗之间的关系,避免LSTM网络输入变量中存在冗余信息。具体的,根据各气象因素对电负荷和气负荷的影响程度,确定影响电负荷和气负荷的主要气象因素包括:
计算各气象因素与电负荷和气负荷的皮尔逊相关系数;
选取皮尔逊相关系数中最大的k个气象因素作为主要气象因素,k为正整数;
皮尔逊相关系数计算如下:
在本实施例中,气象因素包括但不限于温度、湿度、降水量、风速、日照辐射强度、空气质量,分别计算各气象因素与电负荷的皮尔逊相关系数,各气象因素对气负荷的皮尔逊相关系数,即通过积差方法进行计算,即首先分别计算两个变量的平均值,然后分别计算两变量与各自平均值之间的离差,以两个离差相乘得出皮尔逊相关系数,通过皮尔逊相关系数的大小确定影响程度,皮尔逊相关系数越大,影响程度越高,进而选取皮尔逊相关系数中最大的k个气象因素作为主要气象因素。
可选的,k大于或等于2,根据皮尔逊相关系数大小确定主要气象因素包括温度和湿度。
在本实施例中,获取电负荷、气负荷的历史数据和主要气象因素对应的历史气象数据作为模型的输入,为了保证模型预测的准确性,获取同一预设时间段内的电负荷、气负荷的历史数据和历史气象数据,例如获取某地区的1-2月的电负荷、气负荷的历史数据和历史气象数据;值得注意的是,在不同季节中,气象因素作用也不同,较有的,预设时间段跨越至少两个季节的历史气象数据,例如获取6月到12月的电负荷、气负荷的历史数据和历史气象数据,6月到12月跨越了夏季、秋季和冬季。
在本实施例中,根据电负荷、气负荷的历史数据和历史气象数据构建长短期记忆网络LSTMS模型包括:对电负荷、气负荷的历史数据和历史气象数据进行数据归一化处理,得到样本数据;将样本数据划分为训练样本和测试样本;将训练样本输入到初始LSTMS模型中,得到构建的LSTMS模型。
为了提高模型的收敛速度和提升模型的精度,对电负荷、气负荷的历史数据和历史气象数据进行归一化处理,其中归一化处理方法包括min-max标准化或Z-score标准化方法。在本实施例中,在对样本数据进行划分时,可以选择前3/4时间段内的作为训练样本,后1/4作为测试样本;当然训练样本和测试样本的划分可以进行灵活调整。其中在对训练样本进行构建LSTMS模型时,还可以将LSTMS模型的训练样本的预测结果和测试样本进行对比,验证LSTMS模型的合理性;例如,预测结果和测试样本误差小于阈值时,则表示LSTMS模型合理。
应当理解的是,长短期记忆网络是对循环神经网络模型进行优化后得出的新模型,标准循环神经网络模型的隐含层中只计及了简单记忆模块的影响,在进行模型训练时梯度消失问题经常发生。为了对循环神经网络模型进行优化处理,长短记忆网络(LSTMS)模型中对隐含层结构进行处理,主要通过遗忘门、输入门、输出门对记忆单元进行处理,增减相关信息数据,记忆单元的具体结构如图2所示。
在输入X={x1,x2,…xT}给定的条件下,长短期记忆网络的输出可表示为H={h1,h2,…hT},各时刻记忆单元需通过各个门接受多个相关数据,其中主要包括此刻的输入xt、上一隐藏状态的输出ht-1和内部单元的状态ct-1,长短记忆网络(LSTMS)的计算过程如下:
(一)遗忘门ft负责筛选出需要从记忆单元状态Ct-1中删除的信息,其中,遗忘门的激活状态主要由激活函数σ(·)来决定:
ft=σ(Wfxxt+Wfhht-1+WfcCt-1+bf) (2)
式中输出ft对应于最后一个单元状态Ct-1,取值范围在0到1之间。当Ct-1取0时表示完全忘记最后状态,当Ct-1取1时表示完全保持最后状态。
(二)输入门it负责决定哪些新信息将要存储到新单元状态Ct中,计算过程如公式(3)和公式(4)所示:
it=σ(Wixxt+Wihht-1+WicCt-1+bi) (3)
Ut=g(Wcxxt+Wchht-1+bc) (4)
式中Ut作为新单元状态Ct存储信息的候选,且其激活状态主要由激活函数g(·)决定。
(三)新旧记忆单元状态更替过程如公式(5)所示:
Ct=Ct-1ft+Utit (5)
式中Ct-1ft决定了有多少信息将从旧记忆单元状态Ct-1中遗忘或删除,Utit决定了有多少信息将被添加到新记忆单元状态Ct中。
(四)最后,通过输出门ot计算ht,具体过程如公式(6)和公式(7)所示:
ot=σ(Woxxt+Wohht-1+WocCt-1+bo) (6)
ht=otl(Ct) (7)
式中激活函数σ(·)采用sigmoid函数;函数l()采用tanh函数;Wix,Wfx,Wox,Wcx为矩阵形式,用来表示输入信息xt的权值关系;同理,Wih,Wfh,Woh,Wch矩阵用于表示输出信号ht的权值关系;Wic,Wfc,Woc矩阵用于表示输出矢量ct和门函数的关系;bi,bf,bo,bc用于表示各个门对应的偏置。
在本实施例中,为了提高LSEMS模型预测的精度,根据LSTMS模型对电负荷和气负荷进行预测包括:将测试样本输入到LSTMS模型;采用自适应时刻估计方法ADAM对LSTMS模型的网络参数进行修正,得到电负荷和气负荷的预测结果。ADAM在计算过程中会以参数状态为参考,制定自适应性学习率,从而扩大ADAM算法的适用范围,不断修正长短记忆网络(LSTMS)的参数,充分学习负荷变化的趋势,以便提高电-气负荷预测的精度。其中ADAM算法优化LSTMS包括:
θ=θ+Δθ
其中,s、r分别对应梯度的一阶矩估计和二阶矩估计,分别为对s、r的偏差校正,α为学习率,为恒值;ρ1为一阶动量衰减系数,ρ2为一阶动量衰减系数,δ为平滑项,Δθ为θ的变化量,L为目标函数,θ为对应LSTMS网络的初始权值和阈值的初始参数,f为非线性函数,xi为LSTMS的输入样本,yi为LSTMS输出样本。
在本实施例中,根据LSTMS模型预测得到预测结果之后,还可以对采用平均相对误差MAPE与均方根误差RMSE对预测结果的准确度进行分析,根据分析结果确定LSTMS模型预测的精度;
平均相对误差MAPE和均方根误差RMSE计算公式如下:
式中n为测试样本的个数,ai为测试样本中每个预测任务在i时刻的真实数值,bi为测试样本中每个预测任务在i时刻的预测数。在本实施例中,根据分析结果确定LSTMS模型预测的精度,平均相对误差MAPE与均方根误差RMSE越小,预测精度越高,为综合能源系统制定日前运行策略提供参考。
例如在一些实施例中,根据构建的LSTMS模型对电负荷和气负荷进行预测,分别进行联合预测和分别预测,得到联合预测结果和分别预测结果,其中联合预测指的,采用温度和湿度作为辅助数据,结合电负荷和气负荷数据进行预测,分别预测指的是,采用温度作为辅助数据,结合电负荷和气负荷数据进行预测,进而通过平均相对误差MAPE与均方根误差RMSE进行分析;如图3和图4所示,联合预测所得结果始终优于分别预测所得结果,联合预测能够较好的拟合天然气与电力需求的变化趋势,联合模型中电力负荷的MAPE和RMSE误差为3.41%,135.52kW;天然气负荷的预测误差为4.87%,145.19Nm3。分别预测模型中电力负荷的预测误差为3.97%,144.23kW;天然气负荷的预测误差为5.01%,159.62Nm3。
在一些实施例中,通过平均相对误差MAPE与均方根误差RMSE进行分析,根据分析结果确定LSTMS模型预测的精度;还可以是将本实施例LSTMS得到的预测结果,与BP神经网络算法、径向基函数神经网络算法和时间序列算法的预测结果进行评价分析,如表1所示,由表1中所列数据可知,在对电力负荷与天然气负荷进行联合预测时,LSTMS算法均获得了最高精度,这是由于长短记忆网络(LSTMS)能够增强模型的泛化性与鲁棒性。而另外几种算法中,BP神经网络算法在计算过程中容易受局部极小值影响,使得整体泛化性不高;径向基函数神经网络算法对数据筛选和信息提取的能力不足,因此其预测精度仍然低于LSTMS;时间序列算法仅以电力负荷和天然气负荷的历史数据为基础进行负荷预测,因此其预测精度通常低于其他几种算法。综上,本实施例提供的LSTMS预测模型预测精度较高,能够较好的模拟电负荷和气负荷的变化趋势,能够为综合能源系统制定日前运行策略提供参考。
表1考虑多个模型的预测误差评价
为了便于理解,本实施例还提供一种较为具体的电负荷和气负荷联合预测方法,如图5所示,该电负荷和气负荷联合预测方法包括:
S501、计算各气象因素与电负荷和气负荷的皮尔逊相关系数。
人类对能源的需求量大小与天气状况息息相关。通常情况下,当天气炎热温度较高时,空调制冷需求变大,随之导致电力负荷需求也大幅度提升;当天气寒冷温度较低时,需要燃烧天然气以满足人类的取暖需求,尤其每年冬季通常会出现用气高峰时段。尽管从直观角度即可发现天然气负荷及电力负荷与气象因素有较大关联,但是其具体关联程度很难直观进行表述,本实施例皮尔逊相关系数确定气象因素与电负荷和气符合的相关性。本实施例选取温度、湿度、降水量、风速、日照辐射强度、空气质量作为研究对象,各气象因素与电-气负荷的皮尔逊系数如图6、7所示。
S502、选取各皮尔逊相关系数中最大的2个气象因素作为主要气象因素。
温度对于电力负荷和天然气负荷的影响最大,由于天然气负荷存在一定惯性因素,温度对电力负荷的影响更为明显,因此皮尔逊系数值也就更高。此外,湿度、降水量对电力负荷与天然气负荷也产生了一定的影响,但是此两种因素对能源消耗的影响明显低于温度的影响。随着环境污染问题的日益严重,人们越来越关注空气质量对健康情况的影响,当空气质量较差时,更倾向于居家生活,由此导致消耗的电能与天然气量整体提升。在本实施例中,根据图6和图7所示,选择温度和湿度作为主要气象因素。
S503、获取同一预设时间段内的电负荷、气负荷的历史数据和历史气象数据,预设时间段跨越三个季节。
S504、对电负荷、气负荷的历史数据和历史气象数据进行数据归一化处理,得到样本数据。
S505、将样本数据划分为训练样本和测试样本。
2018年6月到12月为训练样本,2019年1月为测试样本。
S506、将训练样本输入到初始LSTMS模型中,得到构建的LSTMS模型。
S507、将测试样本输入到LSTMS模型。
S508、采用自适应时刻估计方法ADAM对LSTMS模型的网络参数进行修正,得到电负荷和气负荷的预测结果。
本实施例还提供一种电气负荷联合预测装置,如图8所示,电气负荷联合预测装置包括:确定模块801、获取模块802、模型构建模块803和预测模块804;
确定模块801用于根据各气象因素对电负荷和气负荷的影响程度,确定影响电负荷和气负荷的主要气象因素;
获取模块802用于获取电负荷、气负荷的历史数据和主要气象因素对应的历史气象数据;
模型构建模块803用于根据电负荷、气负荷的历史数据和历史气象数据构建长短期记忆网络LSTMS模型;
预测模块804用于根据构建的LSTMS模型对电负荷和气负荷进行预测,得到预测结果。
在本实施例,确定模块801具体用于计算各气象因素与电负荷和气负荷的皮尔逊相关系数;选取各皮尔逊相关系数中最大的k个气象因素作为主要气象因素,k为正整数;
皮尔逊相关系数计算如下:
式中,xi为气象因素,x为气象因素数据的平均值,yi为电负荷或气负荷,y为电负荷或天然气负荷数据的平均值;rxy为不同变量之间的相关程度;m为数据的数量。
可选的,主要气象因素包括温度和湿度。
可选的,获取模块802具体用于获取同一预设时间段内的电负荷、气负荷的历史数据和历史气象数据,预设时间段跨越至少两个季节。
可选的,模型构建模块803具体用于对电负荷、气负荷的历史数据和历史气象数据进行数据归一化处理,得到样本数据;将样本数据划分为训练样本和测试样本;将训练样本输入到初始LSTMS模型中,得到构建的LSTMS模型。
可选的,预测模块804具体用于将测试样本输入到LSTMS模型;采用自适应时刻估计方法ADAM对LSTMS模型的网络参数进行修正,得到电负荷和气负荷的预测结果。预测模块804还用于采用平均相对误差MAPE与均方根误差RMSE对预测结果的准确度进行分析;根据分析结果确定LSTMS模型预测的精度;
平均相对误差MAPE和均方根误差RMSE计算公式如下:
式中n为测试样本的个数,ai为测试样本中每个预测任务在i时刻的真实数值,bi为每个预测任务在i时刻的预测数。
本实施例提供一种终端,该终端包括处理器、存储器;
处理器用于执行存储器中存储的一个或者多个计算机程序,以实现上述各实施例中的电气负荷联合预测方法的步骤,在此不再一一赘述。
本发明实施例还提供一种存储介质,存储介质存储一个或者多个计算机程序,一个或者多个计算机程序可被一个或者多个处理器执行,以实现上述各实施例中的电气负荷联合预测方法的步骤,在此不再一一赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本发明实施例所提供的技术方案进行了详细介绍,本专利中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述,以上实施例的说明只适用于帮助理解本发明实施例的原理;以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电气负荷联合预测方法,其特征在于,所述电气负荷联合预测方法包括:
根据各气象因素对电负荷和气负荷的影响程度,确定影响电负荷和气负荷的主要气象因素;
获取电负荷、气负荷的历史数据和所述主要气象因素对应的历史气象数据;
根据所述电负荷、气负荷的历史数据和历史气象数据构建长短期记忆网络LSTMS模型;
根据构建的所述LSTMS模型对所述电负荷和气负荷进行预测,得到预测结果。
3.根据权利要求2所述的电气负荷联合预测方法,其特征在于,所述主要气象因素包括温度和湿度。
4.根据权利要求1所述的电气负荷联合预测方法,其特征在于,所述获取电负荷、气负荷的历史数据和主要气象因素对应的历史气象数据包括:
获取同一预设时间段内的电负荷、气负荷的历史数据和历史气象数据,所述预设时间段跨越至少两个季节。
5.根据权利要求4所述的电气负荷联合预测方法,其特征在于,所述根据所述电负荷、气负荷的历史数据和历史气象数据构建LSTMS模型包括:
对所述电负荷、气负荷的历史数据和历史气象数据进行数据归一化处理,得到样本数据;
将所述样本数据划分为训练样本和测试样本;
将所述训练样本输入到初始LSTMS模型中,得到构建的所述LSTMS模型。
6.根据权利要求5所述的电气负荷联合预测方法,其特征在于,所述根据构建的所述LSTMS模型对所述电负荷和气负荷进行预测,得到预测结果包括:
将所述测试样本输入到所述LSTMS模型;
采用自适应时刻估计方法ADAM对所述LSTMS模型的网络参数进行修正,得到所述电负荷和气负荷的预测结果。
8.一种电气负荷联合预测装置,其特征在于,所述电气负荷联合预测装置包括:确定模块、获取模块、模型构建模块和预测模块;
所述确定模块用于根据各气象因素对电负荷和气负荷的影响程度,确定影响电负荷和气负荷的主要气象因素;
所述获取模块用于获取电负荷、气负荷的历史数据和所述主要气象因素对应的历史气象数据;
所述模型构建模块用于根据所述电负荷、气负荷的历史数据和历史气象数据构建长短期记忆网络LSTMS模型;
所述预测模块用于根据构建的所述LSTMS模型对所述电负荷和气负荷进行预测,得到预测结果。
9.一种终端,其特征在于,所述终端包括处理器和存储器;
所述处理器用于执行存储器中存储的一个或者多个计算机程序,以实现根据权利要求1至7中任一项所述的电气负荷联合预测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质存储一个或者多个计算机程序,所述一个或者多个计算机程序可被一个或者多个处理器执行,以实现根据权利要求1至7中任一项所述的电气负荷联合预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011261061.5A CN112365056A (zh) | 2020-11-12 | 2020-11-12 | 一种电气负荷联合预测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011261061.5A CN112365056A (zh) | 2020-11-12 | 2020-11-12 | 一种电气负荷联合预测方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365056A true CN112365056A (zh) | 2021-02-12 |
Family
ID=74515378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011261061.5A Pending CN112365056A (zh) | 2020-11-12 | 2020-11-12 | 一种电气负荷联合预测方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365056A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114389361A (zh) * | 2021-12-30 | 2022-04-22 | 国网江苏省电力有限公司连云港供电分公司 | 一种面向县域电网零碳运行的电网全景控制方法和系统 |
CN116186548A (zh) * | 2023-05-04 | 2023-05-30 | 广州三晶电气股份有限公司 | 电力负荷预测模型训练方法及电力负荷预测方法 |
CN116432991A (zh) * | 2023-06-14 | 2023-07-14 | 国网浙江省电力有限公司嘉兴供电公司 | 考虑时空特性的园区多能供需匹配度量化评估方法 |
CN117610720A (zh) * | 2023-11-20 | 2024-02-27 | 武汉城市数字科技有限公司 | 一种基于大数据平台和神经网络的气量负荷预测系统 |
CN117833361A (zh) * | 2024-01-02 | 2024-04-05 | 中国电力工程顾问集团有限公司 | 基于时间序列分析的燃煤电厂深度调峰预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
CN110490385A (zh) * | 2019-08-22 | 2019-11-22 | 广东电网有限责任公司 | 一种综合能源系统中电负荷和热负荷的联合预测方法 |
-
2020
- 2020-11-12 CN CN202011261061.5A patent/CN112365056A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
CN110490385A (zh) * | 2019-08-22 | 2019-11-22 | 广东电网有限责任公司 | 一种综合能源系统中电负荷和热负荷的联合预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114389361A (zh) * | 2021-12-30 | 2022-04-22 | 国网江苏省电力有限公司连云港供电分公司 | 一种面向县域电网零碳运行的电网全景控制方法和系统 |
CN116186548A (zh) * | 2023-05-04 | 2023-05-30 | 广州三晶电气股份有限公司 | 电力负荷预测模型训练方法及电力负荷预测方法 |
CN116432991A (zh) * | 2023-06-14 | 2023-07-14 | 国网浙江省电力有限公司嘉兴供电公司 | 考虑时空特性的园区多能供需匹配度量化评估方法 |
CN117610720A (zh) * | 2023-11-20 | 2024-02-27 | 武汉城市数字科技有限公司 | 一种基于大数据平台和神经网络的气量负荷预测系统 |
CN117833361A (zh) * | 2024-01-02 | 2024-04-05 | 中国电力工程顾问集团有限公司 | 基于时间序列分析的燃煤电厂深度调峰预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN110796307B (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN113822481A (zh) | 基于多任务学习策略和深度学习的综合能源负荷预测方法 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
CN112381673A (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
Fan | Research on deep learning energy consumption prediction based on generating confrontation network | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN114240687A (zh) | 一种适用于综合能源系统的能源托管效率分析方法 | |
Zhang et al. | Ensemble learning-based approach for residential building heating energy prediction and optimization | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
CN113762591A (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 | |
CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 |
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: 20210212 |
|
RJ01 | Rejection of invention patent application after publication |