CN112381272A - 一种电网负荷预测方法、系统、终端及存储介质 - Google Patents
一种电网负荷预测方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN112381272A CN112381272A CN202011191041.5A CN202011191041A CN112381272A CN 112381272 A CN112381272 A CN 112381272A CN 202011191041 A CN202011191041 A CN 202011191041A CN 112381272 A CN112381272 A CN 112381272A
- Authority
- CN
- China
- Prior art keywords
- statistic
- time sequence
- linear regression
- historical load
- 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
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电网负荷预测方法、系统、终端及存储介质,包括:采集历史负荷数据,并根据所述历史负荷数据生成历史负荷时间序列;根据所述历史负荷时间序列构建线性回归模型;利用统计法根据所述线性回归模型对所述历史负荷时间序列进行变点检测;根据变点检测结果对所述历史负荷时间序列进行分段,并利用分段历史时间序列训练预先构建好的LSTM模型,利用训练好的LSTM模型预测电网负荷。本发明通过构建线性回归模型并对变点进行检测,从而提高了电网负荷的预测准确度。
Description
技术领域
本发明涉及电力技术领域,具体涉及一种电网负荷预测方法、系统、终端及存储介质。
背景技术
电网负荷预测是电力设备调度分配的数据支撑,是科学构建电网的基础。现有电网负荷预测模型大多没有考虑节假日以及天气变化等因素对电网负荷的影响。这就导致现有电网负荷预测模型的预测结果准确率较低。
发明内容
针对现有技术的上述不足,本发明提供一种电网负荷预测方法、系统、终端及存储介质,以解决上述技术问题。
第一方面,本发明提供一种电网负荷预测方法,包括:
采集历史负荷数据,并根据所述历史负荷数据生成历史负荷时间序列;
根据所述历史负荷时间序列构建线性回归模型;
利用统计法根据所述线性回归模型对所述历史负荷时间序列进行变点检测;
根据变点检测结果对所述历史负荷时间序列进行分段,并利用分段历史时间序列训练预先构建好的LSTM模型,利用训练好的LSTM模型预测电网负荷。
进一步的,所述根据历史负荷时间序列构建线性回归模型,包括:
计算所述历史负荷时间序列的均值偏移项、变点前序列均值、误差项和斜率;
根据均值偏移项、变点前序列均值、误差项和斜率构建线性回归模型。
进一步的,所述利用统计法根据所述线性回归模型对所述历史负荷时间序列进行变点检测,包括:
通过最小二乘方法估算所述线性回归模型的线性回归参数,所述线性回归参数包括变点前序列均值、斜率和增量,所述增量为均值偏移项与误差项之和;
根据线性回归参数构建变点的T统计量和D统计量;
构建T统计量与变点D统计量的关系式;
设置防止变点逼近边界点的限定参数,并根据所述限定参数构建检验统计函数;
根据D统计函数的渐进布朗运动原则确定所述限定参数置信度对应的D 统计量临界值,并通过将所述D统计量临近值代入所述检验统计函数得到与所述置信度对应的拒绝域临界值;
将所述D统计量和限制参数代入所述检验统计函数得到实际最大统计量;
比对所述实际最大统计量与所述拒绝域临界值,若所述实际最大统计量大于所述拒绝域临界值,则确认存在变点,且所述变点发生时间在所述最大统计量所在时间。
进一步的,所述根据变点检测结果对所述历史负荷时间序列进行分段,包括:
对历史负荷时间序列分段后得到的子时间序列进行变点检测,若所述子时间序列存在变点则对所述子时间序列进行分段,直至将历史负荷时间序列分解为不存在变点的最小时间序列段。
第二方面,本发明提供一种电网负荷预测系统,包括:
序列生成单元,配置用于采集历史负荷数据,并根据所述历史负荷数据生成历史负荷时间序列;
模型构建单元,配置用于根据所述历史负荷时间序列构建线性回归模型;
变点检测单元,配置用于利用统计法根据所述线性回归模型对所述历史负荷时间序列进行变点检测;
负荷预测单元,配置用于根据变点检测结果对所述历史负荷时间序列进行分段,并利用分段历史时间序列训练预先构建好的LSTM模型,利用训练好的LSTM模型预测电网负荷。
进一步的,所述模型构建单元包括:
历史计算模块,配置用于计算所述历史负荷时间序列的均值偏移项、变点前序列均值、误差项和斜率;
模型构建模块,配置用于根据均值偏移项、变点前序列均值、误差项和斜率构建线性回归模型。
进一步的,所述变点检测单元包括:
参数估算模块,配置用于通过最小二乘方法估算所述线性回归模型的线性回归参数,所述线性回归参数包括变点前序列均值、斜率和增量,所述增量为均值偏移项与误差项之和;
统计构建模块,配置用于根据线性回归参数构建变点的T统计量和D统计量;
关系构建模块,配置用于构建T统计量与变点D统计量的关系式;
限定设置模块,配置用于设置防止变点逼近边界点的限定参数,并根据所述限定参数构建检验统计函数;
临界计算模块,配置用于根据D统计函数的渐进布朗运动原则确定所述限定参数置信度对应的D统计量临界值,并通过将所述D统计量临近值代入所述检验统计函数得到与所述置信度对应的拒绝域临界值;
实际计算模块,配置用于将所述D统计量和限制参数代入所述检验统计函数得到实际最大统计量;
变点判断模块,配置用于比对所述实际最大统计量与所述拒绝域临界值,若所述实际最大统计量大于所述拒绝域临界值,则确认存在变点,且所述变点发生时间在所述最大统计量所在时间。
进一步的,所述负荷预测单元包括:
分段检测模块,配置用于对历史负荷时间序列分段后得到的子时间序列进行变点检测,若所述子时间序列存在变点则对所述子时间序列进行分段,直至将历史负荷时间序列分解为不存在变点的最小时间序列段。
第三方面,提供一种终端,包括:
处理器、存储器,其中,
该存储器用于存储计算机程序,
该处理器用于从存储器中调用并运行该计算机程序,使得终端执行上述的终端的方法。
第四方面,提供了一种计算机存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
本发明的有益效果在于,
本发明提供的电网负荷预测方法、系统、终端及存储介质,通过构建线性回归模型并对变点进行检测,从而提高了电网负荷的预测准确度。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
附图说明
为了更清楚地说明本发明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,对于本领域普通技术人员而言,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是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的系统的示意性框图。
图3为本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
图1是本发明一个实施例的方法的示意性流程图。其中,图1执行主体可以为一种电网负荷预测系统。
如图1所示,该方法包括:
步骤110,采集历史负荷数据,并根据所述历史负荷数据生成历史负荷时间序列;
步骤120,根据所述历史负荷时间序列构建线性回归模型;
步骤130,利用统计法根据所述线性回归模型对所述历史负荷时间序列进行变点检测;
步骤140,根据变点检测结果对所述历史负荷时间序列进行分段,并利用分段历史时间序列训练预先构建好的LSTM模型,利用训练好的LSTM模型预测电网负荷。
具体的,所述电网负荷预测方法包括:
S1、采集历史负荷数据,并根据所述历史负荷数据生成历史负荷时间序列。
S2、根据所述历史负荷时间序列构建线性回归模型。
构建线性回归函数如下:
Xt=μ+βt+δt+εt
S3、利用统计法根据所述线性回归模型对所述历史负荷时间序列进行变点检测。
通过最小二乘方法估算所述线性回归模型的线性回归参数,建立最小化目标函数:
根据最小化目标函数得到线性回归参数的估计值:
时间点在t=1,2,…c间的均值:
由式(1)、(2)(3)得到:
根据上述线性回归参数(3-6)构建变点的T统计量和D统计量:
令r=c/n,将式(5)和式(6)代入T统计量公式,可得:
D统计量:
根据式(7)和式(8)可得变点T统计量与变点D统计量的关系式:
式(9)中h是防止变点逼近边界点。
设置h限制参数取值和h值对应的置信度,h取值和对应置信度采用统计学的常规方法。拒绝域为大于统计量对应的临界值的区域,根据D统计方法的渐进分布性质,可以得到置信度的D统计量临界值,如表1:
表1置信度与D统计量临界值对应表
置信度 | 临界值 |
90.0 | 1.224 |
95.0 | 1.358 |
97.5 | 1.480 |
99.0 | 1.628 |
99.9 | 1.949 |
将表1中的各执行度对应的D统计量临界值作为D(c)的取值,计算得到|T(c)|的取值,将|T(c)|的取值和h取值代入检验统计量计算公式(9)计算 T(c)2的值作为相应的检验最大统计量的拒绝域临界值。由此可以计算出不同h取值和不同置信度对应的检验最大统计量的拒绝域临界值。
S4、根据变点检测结果对所述历史负荷时间序列进行分段,并利用分段历史时间序列训练预先构建好的LSTM模型,利用训练好的LSTM模型预测电网负荷。
若步骤S3检测出变点,则对历史负荷时间序列以变点发生时间为分界点进行分段,对历史负荷时间序列分段后得到的子时间序列再次进行变点检测,若子时间序列存在变点则对子时间序列再以变点为分界点进行分段,直至将历史负荷时间序列分解为不存在变点的最小时间序列段。
利用分段的历史负荷时间序列对LSTM模型进行训练,利用训练好的LSTM 模型预测电网负荷。
如图2所示,该系统200包括:
序列生成单元210,配置用于采集历史负荷数据,并根据所述历史负荷数据生成历史负荷时间序列;
模型构建单元220,配置用于根据所述历史负荷时间序列构建线性回归模型;
变点检测单元230,配置用于利用统计法根据所述线性回归模型对所述历史负荷时间序列进行变点检测;
负荷预测单元240,配置用于根据变点检测结果对所述历史负荷时间序列进行分段,并利用分段历史时间序列训练预先构建好的LSTM模型,利用训练好的LSTM模型预测电网负荷。
可选地,作为本发明一个实施例,所述模型构建单元包括:
历史计算模块,配置用于计算所述历史负荷时间序列的均值偏移项、变点前序列均值、误差项和斜率;
模型构建模块,配置用于根据均值偏移项、变点前序列均值、误差项和斜率构建线性回归模型。
可选地,作为本发明一个实施例,所述变点检测单元包括:
参数估算模块,配置用于通过最小二乘方法估算所述线性回归模型的线性回归参数,所述线性回归参数包括变点前序列均值、斜率和增量,所述增量为均值偏移项与误差项之和;
统计构建模块,配置用于根据线性回归参数构建变点的T统计量和D统计量;
关系构建模块,配置用于构建T统计量与变点D统计量的关系式;
限定设置模块,配置用于设置防止变点逼近边界点的限定参数,并根据所述限定参数构建检验统计函数;
临界计算模块,配置用于根据D统计函数的渐进布朗运动原则确定所述限定参数置信度对应的D统计量临界值,并通过将所述D统计量临近值代入所述检验统计函数得到与所述置信度对应的拒绝域临界值;
实际计算模块,配置用于将所述D统计量和限制参数代入所述检验统计函数得到实际最大统计量;
变点判断模块,配置用于比对所述实际最大统计量与所述拒绝域临界值,若所述实际最大统计量大于所述拒绝域临界值,则确认存在变点,且所述变点发生时间在所述最大统计量所在时间。
可选地,作为本发明一个实施例,所述负荷预测单元包括:
分段检测模块,配置用于对历史负荷时间序列分段后得到的子时间序列进行变点检测,若所述子时间序列存在变点则对所述子时间序列进行分段,直至将历史负荷时间序列分解为不存在变点的最小时间序列段。
图3为本发明实施例提供的一种终端300的结构示意图,该终端300可以用于执行本发明实施例提供的电网负荷预测方法。
其中,该终端300可以包括:处理器310、存储器320及通信单元330。这些组件通过一条或多条总线进行通信,本领域技术人员可以理解,图中示出的服务器的结构并不构成对本发明的限定,它既可以是总线形结构,也可以是星型结构,还可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
其中,该存储器320可以用于存储处理器310的执行指令,存储器320 可以由任何类型的易失性或非易失性存储终端或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。当存储器320中的执行指令由处理器 310执行时,使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
处理器310为存储终端的控制中心,利用各种接口和线路连接整个电子终端的各个部分,通过运行或执行存储在存储器320内的软件程序和/或模块,以及调用存储在存储器内的数据,以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit,简称IC)组成,例如可以由单颗封装的IC所组成,也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说,处理器310可以仅包括中央处理器(Central Processing Unit,简称CPU)。在本发明实施方式中,CPU可以是单运算核心,也可以包括多运算核心。
通信单元330,用于建立通信信道,从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文:read-only memory,简称:ROM)或随机存储记忆体(英文:random access memory,简称:RAM) 等。
因此,本发明通过构建线性回归模型并对变点进行检测,从而提高了电网负荷的预测准确度,本实施例所能达到的技术效果可以参见上文中的描述,此处不再赘述。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的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如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,包括若干指令用以使得一台计算机终端(可以是个人计算机,服务器,或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于终端实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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,也可以两个或两个以上单元集成在一个单元中。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种电网负荷预测方法,其特征在于,包括:
采集历史负荷数据,并根据所述历史负荷数据生成历史负荷时间序列;
根据所述历史负荷时间序列构建线性回归模型;
利用统计法根据所述线性回归模型对所述历史负荷时间序列进行变点检测;
根据变点检测结果对所述历史负荷时间序列进行分段,并利用分段历史时间序列训练预先构建好的LSTM模型,利用训练好的LSTM模型预测电网负荷。
2.根据权利要求1所述的方法,其特征在于,所述根据历史负荷时间序列构建线性回归模型,包括:
计算所述历史负荷时间序列的均值偏移项、变点前序列均值、误差项和斜率;
根据均值偏移项、变点前序列均值、误差项和斜率构建线性回归模型。
3.根据权利要求1所述的方法,其特征在于,所述利用统计法根据所述线性回归模型对所述历史负荷时间序列进行变点检测,包括:
通过最小二乘方法估算所述线性回归模型的线性回归参数,所述线性回归参数包括变点前序列均值、斜率和增量,所述增量为均值偏移项与误差项之和;
根据线性回归参数构建变点的T统计量和D统计量;
构建T统计量与变点D统计量的关系式;
设置防止变点逼近边界点的限定参数,并根据所述限定参数构建检验统计函数;
根据D统计函数的渐进布朗运动原则确定所述限定参数置信度对应的D统计量临界值,并通过将所述D统计量临近值代入所述检验统计函数得到与所述置信度对应的拒绝域临界值;
将所述D统计量和限制参数代入所述检验统计函数得到实际最大统计量;
比对所述实际最大统计量与所述拒绝域临界值,若所述实际最大统计量大于所述拒绝域临界值,则确认存在变点,且所述变点发生时间在所述最大统计量所在时间。
4.根据权利要求1所述的方法,其特征在于,所述根据变点检测结果对所述历史负荷时间序列进行分段,包括:
分段检测模块,配置用于对历史负荷时间序列分段后得到的子时间序列进行变点检测,若所述子时间序列存在变点则对所述子时间序列进行分段,直至将历史负荷时间序列分解为不存在变点的最小时间序列段。
5.一种电网负荷预测系统,其特征在于,包括:
序列生成单元,配置用于采集历史负荷数据,并根据所述历史负荷数据生成历史负荷时间序列;
模型构建单元,配置用于根据所述历史负荷时间序列构建线性回归模型;
变点检测单元,配置用于利用统计法根据所述线性回归模型对所述历史负荷时间序列进行变点检测;
负荷预测单元,配置用于根据变点检测结果对所述历史负荷时间序列进行分段,并利用分段历史时间序列训练预先构建好的LSTM模型,利用训练好的LSTM模型预测电网负荷。
6.根据权利要求5所述的系统,其特征在于,所述模型构建单元包括:
历史计算模块,配置用于计算所述历史负荷时间序列的均值偏移项、变点前序列均值、误差项和斜率;
模型构建模块,配置用于根据均值偏移项、变点前序列均值、误差项和斜率构建线性回归模型。
7.根据权利要求5所述的系统,其特征在于,所述变点检测单元包括:
参数估算模块,配置用于通过最小二乘方法估算所述线性回归模型的线性回归参数,所述线性回归参数包括变点前序列均值、斜率和增量,所述增量为均值偏移项与误差项之和;
统计构建模块,配置用于根据线性回归参数构建变点的T统计量和D统计量;
关系构建模块,配置用于构建T统计量与变点D统计量的关系式;
限定设置模块,配置用于设置防止变点逼近边界点的限定参数,并根据所述限定参数构建检验统计函数;
临界计算模块,配置用于根据D统计函数的渐进布朗运动原则确定所述限定参数置信度对应的D统计量临界值,并通过将所述D统计量临近值代入所述检验统计函数得到与所述置信度对应的拒绝域临界值;
实际计算模块,配置用于将所述D统计量和限制参数代入所述检验统计函数得到实际最大统计量;
变点判断模块,配置用于比对所述实际最大统计量与所述拒绝域临界值,若所述实际最大统计量大于所述拒绝域临界值,则确认存在变点,且所述变点发生时间在所述最大统计量所在时间。
8.根据权利要求5所述的系统,其特征在于,所述负荷预测单元包括:
分段检测模块,配置用于对历史负荷时间序列分段后得到的子时间序列进行变点检测,若所述子时间序列存在变点则对所述子时间序列进行分段,直至将历史负荷时间序列分解为不存在变点的最小时间序列段。
9.一种终端,其特征在于,包括:
处理器;
用于存储处理器的执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-4任一项所述的方法。
10.一种存储有计算机程序的计算机可读存储介质,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011191041.5A CN112381272A (zh) | 2020-10-30 | 2020-10-30 | 一种电网负荷预测方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011191041.5A CN112381272A (zh) | 2020-10-30 | 2020-10-30 | 一种电网负荷预测方法、系统、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112381272A true CN112381272A (zh) | 2021-02-19 |
Family
ID=74576422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011191041.5A Pending CN112381272A (zh) | 2020-10-30 | 2020-10-30 | 一种电网负荷预测方法、系统、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381272A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115455866A (zh) * | 2022-10-31 | 2022-12-09 | 北京寄云鼎城科技有限公司 | 稳定工况识别方法及系统、设备及介质 |
CN116992274A (zh) * | 2023-09-28 | 2023-11-03 | 国网山东省电力公司滨州市滨城区供电公司 | 基于改进主成分回归模型的短期风速预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105305426A (zh) * | 2015-10-20 | 2016-02-03 | 国网山东省电力公司菏泽供电公司 | 基于偏差控制机制的Mapreduce化两步法短期负荷预测方法 |
CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
CN110826750A (zh) * | 2018-08-08 | 2020-02-21 | 阿里巴巴集团控股有限公司 | 一种电力负荷预测方法、装置、设备及系统 |
CN111237989A (zh) * | 2020-02-04 | 2020-06-05 | 青岛海信网络科技股份有限公司 | 一种基于负荷预测的楼宇通风空调控制方法及装置 |
CN111353127A (zh) * | 2018-12-24 | 2020-06-30 | 顺丰科技有限公司 | 一种单变点检测方法、系统、设备及存储介质 |
-
2020
- 2020-10-30 CN CN202011191041.5A patent/CN112381272A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105305426A (zh) * | 2015-10-20 | 2016-02-03 | 国网山东省电力公司菏泽供电公司 | 基于偏差控制机制的Mapreduce化两步法短期负荷预测方法 |
CN110826750A (zh) * | 2018-08-08 | 2020-02-21 | 阿里巴巴集团控股有限公司 | 一种电力负荷预测方法、装置、设备及系统 |
CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
CN111353127A (zh) * | 2018-12-24 | 2020-06-30 | 顺丰科技有限公司 | 一种单变点检测方法、系统、设备及存储介质 |
CN111237989A (zh) * | 2020-02-04 | 2020-06-05 | 青岛海信网络科技股份有限公司 | 一种基于负荷预测的楼宇通风空调控制方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115455866A (zh) * | 2022-10-31 | 2022-12-09 | 北京寄云鼎城科技有限公司 | 稳定工况识别方法及系统、设备及介质 |
CN115455866B (zh) * | 2022-10-31 | 2023-02-24 | 北京寄云鼎城科技有限公司 | 稳定工况识别方法及系统、设备及介质 |
CN116992274A (zh) * | 2023-09-28 | 2023-11-03 | 国网山东省电力公司滨州市滨城区供电公司 | 基于改进主成分回归模型的短期风速预测方法及系统 |
CN116992274B (zh) * | 2023-09-28 | 2024-02-02 | 国网山东省电力公司滨州市滨城区供电公司 | 基于改进主成分回归模型的短期风速预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110988422B (zh) | 一种窃电识别方法、装置及电子设备 | |
CN111314173B (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
CN112381272A (zh) | 一种电网负荷预测方法、系统、终端及存储介质 | |
CN105225026A (zh) | 一种基于电能服务管理平台的住房空置率评估方法 | |
CN110391840B (zh) | 太阳同步轨道卫星遥测参数异常判断方法和系统 | |
CN115936448A (zh) | 一种基于大数据的城市配电网电力评估系统及方法 | |
CN111624986A (zh) | 基于案例库的故障诊断方法和系统 | |
CN112232559A (zh) | 一种电力区域负荷的短期预测方法及装置 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
CN113268403A (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
Groß et al. | Comparison of stochastic load profile modeling approaches for low voltage residential consumers | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
CN111752481A (zh) | 一种基于spd的内存监控及寿命预测方法和系统 | |
Bin Othman et al. | Determination of transmission reliability margin using parametric bootstrap technique | |
CN116882804A (zh) | 一种智能电力监控方法及系统 | |
CN111062590A (zh) | 用电异常行为检测方法、装置、计算机设备和存储介质 | |
CN108197347B (zh) | 连续不规则区域采样点的地理空间分布均匀度检测方法 | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
CN112016856B (zh) | 综合倍率异常识别方法、装置、计量系统和存储介质 | |
Chihota et al. | Impact of input model accuracy on probabilistic load flow outputs | |
CN113300373A (zh) | 一种基于prmse评价指标的稳定裕度值预测方法及装置 | |
CN116249186A (zh) | 无线网设备的数据处理方法、装置、存储介质及电子设备 | |
Mohanta et al. | Importance and uncertainty analysis in software reliability assessment of computer relay | |
CN106529805B (zh) | 一种基于发电机重要度的发电系统可靠性评估方法 | |
CN114819596A (zh) | 一种区域变电站规划方法、系统、终端及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210219 |
|
RJ01 | Rejection of invention patent application after publication |