CN112381266B - 基于历史供电及天气数据预测未来供电量的系统及其方法 - Google Patents
基于历史供电及天气数据预测未来供电量的系统及其方法 Download PDFInfo
- Publication number
- CN112381266B CN112381266B CN202011136016.7A CN202011136016A CN112381266B CN 112381266 B CN112381266 B CN 112381266B CN 202011136016 A CN202011136016 A CN 202011136016A CN 112381266 B CN112381266 B CN 112381266B
- Authority
- CN
- China
- Prior art keywords
- data
- power supply
- historical
- training
- prediction model
- 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 33
- 238000012549 training Methods 0.000 claims description 62
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
Abstract
本发明公开了一种基于历史供电及天气数据预测未来供电量的系统及其方法,本发明方法通过历史的供电量数据,并结合不连续、有所缺失的天气数据,运用智能算法,人工模拟补全缺失的天气数据,以实现“完整数据”情形下,预测模型的智能训练,在保证高效、低延时的运算速度下,实现供电量的精准预测。
Description
技术领域
本发明涉及一种基于历史供电及天气数据预测未来供电量的系统及其方法,属于人工智能及机器学习领域技术领域。
背景技术
城市电网供电量预测是电气工程领域的一项基本工作。做好城市电网电量预测工作可以科学指导发电机的出力和变压器的经济运行以及电气设备检修的合理安排,可以在满足安全和质量的要求下,合理利用各种设备,优化用电方式,避峰、错峰用电,达到以最少的运行成本保证对用户可靠地供电。
目前,基于各种理论方法的供电量预测已经取得了较好的预测结果,为后续的用电计划、供电方式提供了有力参考。然而,绝大多数数的这些供电量预测模型,往往需要较为完备的数据支撑,需要历史同期供电数据,以及影响用户用电的其它影响因素数据,包括:区域企业社区的空间分布、按小时统计的降雨量、温度等等。这些影响因素的数据往往来源于不同渠道,往往获取难度较大,甚至在部分较为偏远地区,存在数据缺失的情况。这些与区域供电量息息相关的数据缺失,会对传统的预测模型造成影响,致使预测结果误差较大,无法为后续供售电提供数据与决策辅助。
发明内容
本发明为了解决现有技术存在的问题,提出了一种基于历史供电及天气数据预测未来供电量的系统及其方法,该方法通过历史的供电量数据,并结合不连续、有所缺失的天气数据,运用智能算法,人工模拟补全缺失的天气数据,以实现“完整数据”情形下,预测模型的智能训练,在实现供电量天气依赖条件下预测的同时,也保证高效、低延时的运算速度。本发明具体技术方案如下:基于历史供电及天气数据预测未来供电量的系统,包括供电量数据整理模块、天气数据整理模块、机器学习训练模块、预测模型生成及验证模块以及实时供电量预测模块,
所述供电量数据整理模块收集历史供电量数据以备用,
所述天气数据整理模块收集历史天气数据以备用,
所述机器学习训练模块将收集的历史供电量数据和历史天气数据整合以待生成预测模型,并构建机器学习网络,
所述预测模型生成及验证模块生成预测模型并不断验证至所述预测模型合格,
所述实时供电量预测模块利用合格的预测模型结合未来时间段内预测的天气数据,进行未来该时间段内供电量的预测。
基于历史供电及天气数据预测未来供电量的预测方法,包括以下步骤:
步骤1:将所有未按小时统计的历史供电量数据,模拟为按小时统计的供电量数据,然后整合将按小时统计的历史供电量数据,一起训练生成供电量数据的分时供电模型;
步骤2:整理已有的历史天气数据,通过智能算法补全缺失数据段,得到天气数据的样本集;
步骤3:构建机器学习网络,并用步骤1中的供电量数据和步骤2中的样本集训练生成预测模型;
步骤4:将生成的预测模型进行验证,若预测模型不合格,则重新调整预测模型后再次训练,重复训练过程至预测模型验证合格;
步骤5:采集未来某天预测的天气数据,将其导入步骤4中生成的合格预测模型,预测出该天的供电量数据。
进一步的,所述步骤1具体操作过程为:
步骤1.1:排查按天统计的历史供电量数据,重新核实修正数据异常部分,
步骤1.2:将区域内按天统计的历史供电量数据均分为24份,用每份来模拟每个小时段的供电量数据,记为均分数据Dt,其中t为小时时刻段,
步骤1.3:将按小时统计的历史供电量数据,记为Pt,其中t为小时时刻段,
步骤1.4:在按小时统计的历史供电量数据中,计算Pt - Dt的值,即为每小时真实供电量数据与均分数据之间的误差值,记为Et = Pt - Dt,
步骤1.5:将全部按天统计的历史供电量数据,运用公式Pt = Dt + Et,计算模拟的每小时供电量数据,
步骤1.6:将每天数据的小时时刻段t,转换为全部数据的小时时刻段T,因此有PT= DT + ET。
进一步的,所述步骤2具体操作过程为:
步骤2.1:所述历史天气数据选用气温数据和降雨量数据作为天气数据的样本集,
步骤2.2:通过网络爬虫,获取与历史供电量数据时间段吻合的历史天气数据,并进行数据清洗,
步骤2.3:将所有清洗后的数据进行归一化处理,使历史气温数据和历史降雨量数据的取值范围在0-1之间,
步骤2.4:将按小时统计的历史气温数据记为Tt,历史降雨量数据记为Rt,其中t为小时时刻段,
步骤2.5:将每天数据的小时时刻段t,转换为全部数据的小时时刻段T,得出按小时统计的历史气温数据记为TT,历史降雨量数据记为RT。
进一步的,所述步骤3具体操作过程为:
步骤3.1:布设机器学习训练框架,包括Ubuntu操作系统和Tensorflow2.0的安装与调试,
步骤3.2:选用残差神经网络模型,训练样本集,样本集的制作步骤为:
步骤3.2.1:将历史气温数据TT和历史降雨量RT以及T作为单一样本,其中T转换为具体日期,标识该日期的某时刻,
步骤3.2.2:将与历史气温数据TT和历史降雨量RT对应的PT作为样本标签,
步骤3.2.3:每个T对应于一组样本,所有样本构成整个样本集,
步骤3.2.4:若构建的样本集中样本量不足,则继续采集数据增加样本集,至满足深度学习训练的需求,
步骤3.3:将样本集按照7:2:1的比例划分为训练集、验证集以及测试集,
步骤3.3:将样本集导入残差神经网络中进行训练,
步骤3.5:根据样本集质量和数量,调整残差神经网络的训练参数,使训练结果精确,避免过拟合和欠拟合现象。
进一步的,所述步骤4具体操作过程为:
步骤4.1:运用生成的预测模型,预测24小时的连续每小时段的供电量,得出24个预测结果,
步骤4.2:将上述24个预测结果相加,得到按天统计的历史供电量数据预测结果Cd,
步骤4.3:将Cd与该天真实的供电量数据比对,计算两者间误差,若误差小于等于设定标准,则预测模型合格,进入步骤5;若误差大于设定标准,则预测模型不合格,进入步骤4.4,重新调整预测模型后再次训练,具体调整方法为:
步骤4.4:重新构建样本集,包括样本和样本标签,
步骤4.5:将一天24小时的24个样本,线性组合成1个样本,
Rd =a1 RT1 +a2 RT2 + … +a24 RT24
Td =b1 TT1 +b2 TT2 + … +b24 TT24
其中,a1、a2、…、a24,b1、b2、… 、b24,为待定系数,由预测模型训练所得;
同样,将样本标签重新定义为24小时的供电量和:
Pd = PT1 + PT2 + … + PT24,
重新组合样本和样本标签,进行预测模型训练,至预测模型验证合格。
进一步的,所述步骤5具体操作过程为:
步骤5.1:根据气象局的天气预报数据来源,获取未来某天每小时的降雨量预测数据和气温预测数据,
步骤5.2:将该天24组降雨量预测数据和气温预测数据导入步骤4中所述验证合格的预测模型,
步骤5.3:预测出该天的供电量数据。
有益效果:本发明方法通过历史的供电量数据,并结合不连续、有所缺失的天气数据,运用智能算法,人工模拟补全缺失的天气数据,以实现“完整数据”情形下,预测模型的智能训练,在保证高效、低延时的运算速度下,实现供电量的精准预测。
附图说明
图1是本发明基于历史供电及天气数据预测未来供电量的系统结构示意图,
图2是本发明基于历史供电及天气数据预测未来供电量的预测方法的步骤框图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,本发明基于历史供电及天气数据预测未来供电量的系统,包括:
供电量数据整理模块,此模块的主体功能为实现供电量历史数据的清洗与整理,使之成为能够运用于预测模型深度学习训练的样本。首先,需要对原始数据进行清理,人工排查按天统计的历史供电量数据,重新核实修正数据异常部分(单日供电量明显过高或过低);将区域每天的供电量数据均分为24份(除以24),用每份来模拟每个小时段的供电量数据,这种将每天供电量数据均分为24份,记为Dt,其中t为小时时刻段。同时,将少量按时统计的数据,记为Pt,其中t为小时时刻段;在少量按时统计的数据中,计算Pt - Dt的值,即为每小时真实供电量数据与均分数据之间的误差值,记为Et = Pt - Dt 。同样将全部按天统计的历史供电量数据,运用公式Pt = Dt + Et,计算模拟的每小时供电量数据,将每天小时时刻段的单位t,转换为全部数据的历史小时段单位T,因此有PT = DT + ET,最终实现供电量数据整理模块的完整功能。
天气数据整理模块,此模块的主体功能为天气历史数据的清洗与整理,使之成为能够运用于预测模型深度学习训练的样本。天气数据,主要包括气温数据、气压数据、降雨量数据、湿度数据、降雪量数据等,本实施例选用与区域用电量最为相关的气温数据和降雨量数据作为样本训练模型。模型功能首先需要通过网络爬虫,获取历史天气数据,获取数据时间段需与历史供电量数据的历史时间段吻合。进而进行数据清洗,剔除明显偏移过大、且不连续的天气数据,并将所有清洗后的数据进行归一化处理,使气温数据和降雨量数据的取值范围在0和1之间。同时,将按小时统计的气温数据记为Tt,降雨量数据记为Rt,其中t为小时时刻段,与历史供电量数据处理方式类似,将每天小时时刻段的单位t,转换为全部数据的历史小时段单位T,因此按小时统计的气温数据记为TT,降雨量数据记为RT。最终实现天气数据的整理与准备。
特别的,对于某些无法网络爬取到的历史天气数据的区域,开采用其它数据收集方式,包括向当地气象部门购买、使用天气服务网站外部接口等。
机器学习训练模块,此模块的主体功能为实现深度学习训练网络的搭建,及供电量预测模型的训练。实施例选用残差神经网络模型,训练模型。功能模块首先需要完成最终所需样本的制作,将气温数据TT和降雨量RT以及时刻T作为单一样本,其中T可转换为具体日期,标识该日期的某时刻;同时将与气温数据TT和降雨量RT对应的PT作为样本标签,每个T对应于一组样本,所有样本构成整个样本集。例如若历史数据包含一年的数据,则样本集共有365*24 = 8760个数据,满足本发明模型训练需求。将样本集按照7:2:1的比例,划分为训练集、验证集、测试集;将样本集导入残差神经网络中训练;为满足训练结果足够精确,尽量避免过拟合和欠拟合,需根据样本质量和数量,灵活调整残差神经网络的训练参数。
特别的,若历史数据量过小,导致构建的样本集样本量不足时(小于1000个样本),为避免最终训练所得模型欠拟合,则需重新采集数据,增加样本集,以满足深度学习训练的需求。
特别的,若样本量不足,且重新采集数据过于困难时,可考虑采用模拟数据进行样本增强,按照原本样本的概率分布,生成新的同分布数据,以扩充样本集空间。
预测模型生成及建立模块,此模块的主体功能为,当前述步骤训练构建的预测模型,精度无法满足使用需求时,重新构建预测精度更高(但训练效率将大幅降低)的替代模型。模块功能主要分为样本集的重新构建和模型重新训练。样本集重新构建包括样本和样本标签的生成:将一天24小时的24个样本,线性组合成1个样本,如Rd =a1 RT1 +a2 RT2 +… + a24RT24,Td =b1 TT1 +b2 TT2 + … +b24 TT24,其中,a1、a2、…、a24,b1、b2、… 、b24,为待定系数,有模型训练所得;同样,将样本标签重新定义为24小时的供电量和:Pd =PT1 + PT2 + … + PT24;重新组合样本和样本标签。接着,功能模块将针对重新构建的样本集,运用残差神经网络重新训练,生成新的预测模型。
实时供电量预测模块,此模块的主体功能为实现最终供电量的预测(按天)。首先,用户需要根据气象局、天气预报等数据来源,获取未来某天每小时的降雨量和气温预测数据;将要预测当天的24组气温、降雨量数据作为输入导入前述步骤训练好的预测模型。若预测结果为按小时统计的供电量数据,则将24个数据相加,即为当天的供电量预测结果;若预测模型为调整后的模型,预测结果本身即为该天整天的供电量,则直接作为供电量最终预测结果。最终,将某天的供电量预测结果输出,为供电规划、用电统计等提供数据支撑与辅助决策。
专业人员可以进一步意识到,结合本文中所公开的实施例描述的示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能性一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应超过本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。
如图2所示,本发明基于历史供电及天气数据预测未来供电量的预测方法,包括以下步骤:
步骤1:将所有未按小时统计的历史供电量数据,模拟为按小时统计的供电量数据,然后整合将按小时统计的历史供电量数据,一起训练生成供电量数据的分时供电模型,具体操作如下,
步骤1.1:排查按天统计的历史供电量数据,重新核实修正数据异常部分,
步骤1.2:将区域内按天统计的历史供电量数据均分为24份,用每份来模拟每个小时段的供电量数据,记为均分数据Dt,其中t为小时时刻段,
步骤1.3:将按小时统计的历史供电量数据,记为Pt,其中t为小时时刻段,
步骤1.4:在按小时统计的历史供电量数据中,计算Pt - Dt的值,即为每小时真实供电量数据与均分数据之间的误差值,记为Et = Pt - Dt,
步骤1.5:将全部按天统计的历史供电量数据,运用公式Pt = Dt + Et,计算模拟的每小时供电量数据,
步骤1.6:将每天数据的小时时刻段t,转换为全部数据的小时时刻段T,因此有PT= DT + ET;
步骤2:整理已有的历史天气数据,通过智能算法补全缺失数据段,得到天气数据的样本集,具体操作如下,
步骤2.1:所述历史天气数据选用气温数据和降雨量数据作为天气数据的样本集,
步骤2.2:通过网络爬虫,获取与历史供电量数据时间段吻合的历史天气数据,并进行数据清洗,
步骤2.3:将所有清洗后的数据进行归一化处理,使历史气温数据和历史降雨量数据的取值范围在0-1之间,
步骤2.4:将按小时统计的历史气温数据记为Tt,历史降雨量数据记为Rt,其中t为小时时刻段,
步骤2.5:将每天数据的小时时刻段t,转换为全部数据的小时时刻段T,得出按小时统计的历史气温数据记为TT,历史降雨量数据记为RT;
步骤3:构建机器学习网络,并用步骤1中的供电量数据和步骤2中的样本集训练生成预测模型,具体操作如下,
步骤3.1:布设机器学习训练框架,包括Ubuntu操作系统和Tensorflow2.0的安装与调试,
步骤3.2:选用残差神经网络模型,训练样本集,样本集的制作步骤为:
步骤3.2.1:将历史气温数据TT和历史降雨量RT以及T作为单一样本,其中T转换为具体日期,标识该日期的某时刻,
步骤3.2.2:将与历史气温数据TT和历史降雨量RT对应的PT作为样本标签,
步骤3.2.3:每个T对应于一组样本,所有样本构成整个样本集,
步骤3.2.4:若构建的样本集中样本量不足,则继续采集数据增加样本集,至满足深度学习训练的需求,
步骤3.3:将样本集按照7:2:1的比例划分为训练集、验证集以及测试集,
步骤3.3:将样本集导入残差神经网络中进行训练,
步骤3.5:根据样本集质量和数量,调整残差神经网络的训练参数,使训练结果精确,避免过拟合和欠拟合现象;
步骤4:将生成的预测模型进行验证,若预测模型不合格,则重新调整预测模型后再次训练,重复训练过程至预测模型验证合格,具体操作如下,
步骤4.1:运用生成的预测模型,预测24小时的连续每小时段的供电量,得出24个预测结果,
步骤4.2:将上述24个预测结果相加,得到按天统计的历史供电量数据预测结果Cd,
步骤4.3:将Cd与该天真实的供电量数据比对,计算两者间误差,若误差小于等于设定标准,则预测模型合格,进入步骤5;若误差大于设定标准,则预测模型不合格,进入步骤4.4,重新调整预测模型后再次训练,具体调整方法为:
步骤4.4:重新构建样本集,包括样本和样本标签,
步骤4.5:将一天24小时的24个样本,线性组合成1个样本,
Rd =a1 RT1 +a2 RT2 + … +a24 RT24
Td =b1 TT1 +b2 TT2 + … +b24 TT24
其中,a1、a2、…、a24,b1、b2、… 、b24,为待定系数,由预测模型训练所得;
同样,将样本标签重新定义为24小时的供电量和:
Pd = PT1 + PT2 + … + PT24,
重新组合样本和样本标签,进行预测模型训练,至预测模型验证合格;
步骤5:采集未来某天预测的天气数据,将其导入步骤4中生成的合格预测模型,预测出该天的供电量数据,具体操作如下,
步骤5.1:根据气象局的天气预报数据来源,获取未来某天每小时的降雨量预测数据和气温预测数据,
步骤5.2:将该天24组降雨量预测数据和气温预测数据导入步骤4中所述验证合格的预测模型,
步骤5.3:预测出该天的供电量数据。
本发明方法通过历史的供电量数据,并结合不连续、有所缺失的天气数据,运用智能算法,人工模拟补全缺失的天气数据,以实现“完整数据”情形下,预测模型的智能训练,在保证高效、低延时的运算速度下,实现供电量的精准预测。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.基于历史供电及天气数据预测未来供电量的预测方法,其特征在于,包括以下步骤:
步骤1:将所有未按小时统计的历史供电量数据,模拟为按小时统计的供电量数据,然后整合将按小时统计的历史供电量数据,一起训练生成供电量数据的分时供电模型;
所述步骤1具体操作过程为:
步骤1.1:排查按天统计的历史供电量数据,重新核实修正数据异常部分,
步骤1.2:将区域内按天统计的历史供电量数据均分为24份,用每份来模拟每个小时段的供电量数据,记为均分数据Dt,其中t为小时时刻段,
步骤1.3:将按小时统计的历史供电量数据,记为Pt,其中t为小时时刻段,
步骤1.4:在按小时统计的历史供电量数据中,计算Pt - Dt的值,即为每小时真实供电量数据与均分数据之间的误差值,记为Et = Pt - Dt,
步骤1.5:将全部按天统计的历史供电量数据,运用公式Pt = Dt + Et,计算模拟的每小时供电量数据,
步骤1.6:将每天数据的小时时刻段t,转换为全部数据的小时时刻段T,因此有PT = DT+ ET;
步骤2:整理已有的历史天气数据,通过智能算法补全缺失数据段,得到天气数据的样本集;
步骤3:构建机器学习网络,并用步骤1中的供电量数据和步骤2中的样本集训练生成预测模型;
步骤4:将生成的预测模型进行验证,若预测模型不合格,则重新调整预测模型后再次训练,重复训练过程至预测模型验证合格;
步骤5:采集未来某天预测的天气数据,将其导入步骤4中生成的合格预测模型,预测出该天的供电量数据。
2.根据权利要求1所述的基于历史供电及天气数据预测未来供电量的预测方法,其特征在于,所述步骤2具体操作过程为:
步骤2.1:所述历史天气数据选用气温数据和降雨量数据作为天气数据的样本集,
步骤2.2:通过网络爬虫,获取与历史供电量数据时间段吻合的历史天气数据,并进行数据清洗,
步骤2.3:将所有清洗后的数据进行归一化处理,使历史气温数据和历史降雨量数据的取值范围在0-1之间,
步骤2.4:将按小时统计的历史气温数据记为Tt,历史降雨量数据记为Rt,其中t为小时时刻段,
步骤2.5:将每天数据的小时时刻段t,转换为全部数据的小时时刻段T,得出按小时统计的历史气温数据记为TT,历史降雨量数据记为RT。
3.根据权利要求1所述的基于历史供电及天气数据预测未来供电量的预测方法,其特征在于,所述步骤3具体操作过程为:
步骤3.1:布设机器学习训练框架,包括Ubuntu操作系统和Tensorflow2.0的安装与调试,
步骤3.2:选用残差神经网络模型,训练样本集,样本集的制作步骤为:
步骤3.2.1:将历史气温数据TT和历史降雨量RT以及T作为单一样本,其中T转换为具体日期,标识该日期的某时刻,
步骤3.2.2:将与历史气温数据TT和历史降雨量RT对应的PT作为样本标签,
步骤3.2.3:每个T对应于一组样本,所有样本构成整个样本集,
步骤3.2.4:若构建的样本集中样本量不足,则继续采集数据增加样本集,至满足深度学习训练的需求,
步骤3.3:将样本集按照7:2:1的比例划分为训练集、验证集以及测试集,
步骤3.4:将样本集导入残差神经网络中进行训练,
步骤3.5:根据样本集质量和数量,调整残差神经网络的训练参数,使训练结果精确,避免过拟合和欠拟合现象。
4.根据权利要求1所述的基于历史供电及天气数据预测未来供电量的预测方法,其特征在于,所述步骤4具体操作过程为:
步骤4.1:运用生成的预测模型,预测24小时的连续每小时段的供电量,得出24个预测结果,
步骤4.2:将上述24个预测结果相加,得到按天统计的历史供电量数据预测结果Cd,
步骤4.3:将Cd与该天真实的供电量数据比对,计算两者间误差,若误差小于等于设定标准,则预测模型合格,进入步骤5;若误差大于设定标准,则预测模型不合格,进入步骤4.4,重新调整预测模型后再次训练,具体调整方法为:
步骤4.4:重新构建样本集,包括样本和样本标签,
步骤4.5:将一天24小时的24个样本,线性组合成1个样本,
Rd =a1 RT1 +a2 RT2 + … +a24 RT24
Td =b1 TT1 +b2 TT2 + … +b24 TT24
其中,a1、a2、…、a24,b1、b2、… 、b24,为待定系数,由预测模型训练所得;
同样,将样本标签重新定义为24小时的供电量和:
Pd = PT1 + PT2 + … + PT24,
重新组合样本和样本标签,进行预测模型训练,至预测模型验证合格。
5.根据权利要求1所述的基于历史供电及天气数据预测未来供电量的预测方法,其特征在于,所述步骤5具体操作过程为:
步骤5.1:根据气象局的天气预报数据来源,获取未来某天每小时的降雨量预测数据和气温预测数据,
步骤5.2:将该天24组降雨量预测数据和气温预测数据导入步骤4中所述验证合格的预测模型,
步骤5.3:预测出该天的供电量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011136016.7A CN112381266B (zh) | 2020-10-22 | 2020-10-22 | 基于历史供电及天气数据预测未来供电量的系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011136016.7A CN112381266B (zh) | 2020-10-22 | 2020-10-22 | 基于历史供电及天气数据预测未来供电量的系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381266A CN112381266A (zh) | 2021-02-19 |
CN112381266B true CN112381266B (zh) | 2024-01-09 |
Family
ID=74580621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011136016.7A Active CN112381266B (zh) | 2020-10-22 | 2020-10-22 | 基于历史供电及天气数据预测未来供电量的系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381266B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116365513B (zh) * | 2023-04-17 | 2023-10-27 | 国网江苏省电力有限公司 | 一种基于电网态势指挥网络交互方法及其系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631483A (zh) * | 2016-03-08 | 2016-06-01 | 国家电网公司 | 一种短期用电负荷预测方法及装置 |
CN105809264A (zh) * | 2014-12-29 | 2016-07-27 | 西门子公司 | 电力负载预测方法和装置 |
CN106779223A (zh) * | 2016-12-21 | 2017-05-31 | 创维互联(北京)新能源科技有限公司 | 一种光伏系统发电功率实时预测方法及装置 |
CN107704966A (zh) * | 2017-10-17 | 2018-02-16 | 华南理工大学 | 一种基于天气大数据的能源负荷预测系统及方法 |
CN108876019A (zh) * | 2018-05-31 | 2018-11-23 | 中国电力科学研究院有限公司 | 一种基于大数据的用电负荷预测方法及系统 |
CN110264001A (zh) * | 2019-06-20 | 2019-09-20 | 国网上海市电力公司 | 基于多时序的用电负荷预测方法 |
CN110348592A (zh) * | 2019-05-21 | 2019-10-18 | 华电电力科学研究院有限公司 | 一种基于人工神经网络的负荷模型预测方法及预测系统 |
CN111178587A (zh) * | 2019-12-06 | 2020-05-19 | 广东工业大学 | 一种基于spark框架的短期电力负荷快速预测方法 |
CN111191858A (zh) * | 2020-02-25 | 2020-05-22 | 上海积成能源科技有限公司 | 一种基于梯度提升算法预测短期电力负荷的系统模型 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9053439B2 (en) * | 2012-09-28 | 2015-06-09 | Hewlett-Packard Development Company, L.P. | Predicting near-future photovoltaic generation |
CN108416695B (zh) * | 2018-02-24 | 2020-07-07 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和系统、介质 |
-
2020
- 2020-10-22 CN CN202011136016.7A patent/CN112381266B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809264A (zh) * | 2014-12-29 | 2016-07-27 | 西门子公司 | 电力负载预测方法和装置 |
CN105631483A (zh) * | 2016-03-08 | 2016-06-01 | 国家电网公司 | 一种短期用电负荷预测方法及装置 |
CN106779223A (zh) * | 2016-12-21 | 2017-05-31 | 创维互联(北京)新能源科技有限公司 | 一种光伏系统发电功率实时预测方法及装置 |
CN107704966A (zh) * | 2017-10-17 | 2018-02-16 | 华南理工大学 | 一种基于天气大数据的能源负荷预测系统及方法 |
CN108876019A (zh) * | 2018-05-31 | 2018-11-23 | 中国电力科学研究院有限公司 | 一种基于大数据的用电负荷预测方法及系统 |
CN110348592A (zh) * | 2019-05-21 | 2019-10-18 | 华电电力科学研究院有限公司 | 一种基于人工神经网络的负荷模型预测方法及预测系统 |
CN110264001A (zh) * | 2019-06-20 | 2019-09-20 | 国网上海市电力公司 | 基于多时序的用电负荷预测方法 |
CN111178587A (zh) * | 2019-12-06 | 2020-05-19 | 广东工业大学 | 一种基于spark框架的短期电力负荷快速预测方法 |
CN111191858A (zh) * | 2020-02-25 | 2020-05-22 | 上海积成能源科技有限公司 | 一种基于梯度提升算法预测短期电力负荷的系统模型 |
Also Published As
Publication number | Publication date |
---|---|
CN112381266A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108490904B (zh) | 一种基于设备多工况运行的能源系统优化调度方法 | |
Garcia et al. | A GARCH forecasting model to predict day-ahead electricity prices | |
Tascikaraoglu et al. | An adaptive load dispatching and forecasting strategy for a virtual power plant including renewable energy conversion units | |
US7844568B2 (en) | System and method for data processing and transferring in a multi computer environment for energy reporting and forecasting | |
CN107123982B (zh) | 一种基于设备异动的配电网可靠性经济效益分析方法 | |
Guerrero-Mestre et al. | Optimal bidding of a group of wind farms in day-ahead markets through an external agent | |
CN108282026A (zh) | 一种高压开关设备远程运维系统 | |
Möst et al. | Market power in the German wholesale electricity market | |
Velasco et al. | Next day electric load forecasting using Artificial Neural Networks | |
Zhang et al. | Highly accurate peak and valley prediction short-term net load forecasting approach based on decomposition for power systems with high PV penetration | |
Day et al. | Residential power load forecasting | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
Brahimi et al. | Prediction of wind speed distribution using artificial neural network: The case of Saudi Arabia | |
CN112381266B (zh) | 基于历史供电及天气数据预测未来供电量的系统及其方法 | |
CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
Guo et al. | Forecast aggregated supply curves in power markets based on LSTM model | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
Rahman et al. | Forecasting the long term energy demand of Bangladesh using SPSS from 2011–2040 | |
Kennedy et al. | A probabilistic model for simulating long-term wind-power output | |
CN117013527A (zh) | 一种分布式光伏发电功率预测方法 | |
Pappas et al. | Adaptive load forecasting of the Hellenic electric grid | |
CN117010946A (zh) | 一种火电厂生产经营成本核算系统及其使用方法 | |
CN116739368A (zh) | 基于能源大数据的工业园区碳排放水平监测及评估方法 | |
Gomez-Martinez et al. | Scenario selection of wind forecast errors for stochastic unit commitment: A uk case study | |
Siddiqui et al. | Addressing an uncertain future using scenario analysis |
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 |