CN112488404A - 一种配电网大规模电力负荷多线程高效预测方法及系统 - Google Patents
一种配电网大规模电力负荷多线程高效预测方法及系统 Download PDFInfo
- Publication number
- CN112488404A CN112488404A CN202011439594.8A CN202011439594A CN112488404A CN 112488404 A CN112488404 A CN 112488404A CN 202011439594 A CN202011439594 A CN 202011439594A CN 112488404 A CN112488404 A CN 112488404A
- Authority
- CN
- China
- Prior art keywords
- lstm
- model
- prediction
- training
- arima
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 66
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 54
- 230000009466 transformation Effects 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000005516 engineering process Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 4
- 238000000844 transformation Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 17
- 230000000694 effects Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method 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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5018—Thread allocation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配电网大规模电力负荷多线程高效预测方法及系统,其方法,包括:将数据库中所需数据读入内存,进行数据预处理,选取初始训练次数epoch以及重要配变占比P,建立LSTM;输入历史数据,利用LSTM超参数预测重点配变的未来负荷值;将预测值存入数据库中,利用多线程技术启用ARIMA模型对非重点配变进行预测;根据更新的数据集利用多线程技术对LSTM进行训练;计算LSTM神经网络预测准确率,调整epoch;计算LSTM神经网络平均训练时间,以及ARIMA模型平均预测时间,调整重要配变占比P。利用LSTM预测与训练的并行技术,有效提升LSTM算法的计算效率。利用计算效率更高的ARIMA算法与准确率高的LSTM算法结合,在保证准确率的基础上进一步提升计算效率。
Description
技术领域
本发明涉及电力负荷领域,尤其涉及了一种配电网大规模电力负荷多线程高效预测方法及系统。
背景技术
电力负荷预测需要研究历史负荷数据的变化规律,考虑对于用户用电行为造成影响的种种因素,通过建立恰当的数学模型来描述电力负荷与影响因素间的关系,然后在此基础上给出未来一段时期内的电力负荷预测值。
为提高短期负荷预测的精度,过去数十年间国内外学者提出了很多预测方法,大致可分为经典预测算法和现代预测算法。经典预测算法通常使用早期的统计分析模型,如趋势外推法、时间序列法、回归分析法等,这些方法对于平稳时间序列负荷信号有较好的预测效果,但无法进行非线性拟合分析,因此对于非平稳时间序列负荷信号的预测效果往往较差。
LSTM模型应用于负载率较高的预测场景时具有应用准确率高、却性能差的特点,ARIMA模型应用于负载率较低的场景时具有准确率较低、性能高的特点。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种配电网大规模电力负荷多线程高效预测方法及系统,利用LSTM预测与训练的并行技术,有效提升LSTM算法的计算效率。利用计算效率更高的ARIMA算法与准确率高的LSTM算法结合,在保证准确率的基础上进一步提升计算效率。
为了解决上述技术问题,本发明实施例提供了一种配电网大规模电力负荷多线程高效预测方法,其方法,包括:
将数据库中所需数据读入内存,进行数据预处理,选取初始训练次数epoch以及重要配变占比P,建立LSTM;
输入历史数据,利用LSTM超参数预测重点配变的未来负荷值;
将预测值存入数据库中,利用多线程技术启用ARIMA模型对非重点配变进行预测;
根据更新的数据集利用多线程技术对LSTM进行训练;
计算LSTM神经网络预测准确率,调整epoch;
计算LSTM神经网络平均训练时间,以及ARIMA模型平均预测时间,调整重要配变占比P。
所述数据预处理是对现场数据去重、去异常值、以及对缺失值进行补差值。
所述建立LSTM,包括:
确定模型的输入输出变量,对输入输出数据集进行预处理,并将预处理后的数据集划分成为训练集、验证集以及测试集3个部分;
构造深度LSTM负荷预测模型,利用训练集对模型进行训练,验证集判断模型在训练过程中的泛化能力,测试集判断模型对于未知数据的预测性能。
所述LSTM超参数预测重点配变,包括:
①开启多个线程;
②每个线程搭建一个神经网络;
③每一个神经网络分配多组配变数据;
④读取指定配变超参数;
⑤利用LSTM进行预测并输出预测数据。
所述利用多线程技术启用ARIMA模型对非重点配变进行预测,包括:
通过多线程技术,开启多个配变的ARIMA模型,同时运行对非重点配变预测。
所述ARIMA模型,包括:
(1)首先利用单位根检验,判断预处理后的序列是否稳定,将非平稳序列都将通过差分计算转化为平稳序列;
(2)为平稳负荷序列构造ARIMA(p,d,q)乘积模型,调整参数p和q;计算自相关系数和偏自相关系数确定p、q的范围,同时由于序列长度有限,将p和q限制在一个相对较低的阶数,以避免过拟合;令p=0,1,2;q=0,1,2;q<=p;
(3)在步骤2构建的所有ARIMA模型中,利用AIC找到每个平稳序列的最优模型:
AIC=2n+T ln(fRSS/T)
式中:n为构建模型的参数个数;T是序列的长度;fRSS是残差平方和,反映了建模精度;具有最小的AIC值的模型为最优模型,因此为Si,t的最优ARIMA模型数学表达式如下:
(4)利用最优的ARIMA模型进行预测,输出预测结果。
所述对LSTM利用更新的数据集进行训练,包括:
开启多个线程;
每个线程搭建一个神经网络;
每一个神经网络分配多组配变数据;
读取指定超参数;
利用LSTM进行训练并更新参数。
一种配电网大规模电力负荷多线程高效预测系统,其系统,包括:
LSTM模块将数据库中所需数据读入内存,进行数据预处理,选取初始训练次数epoch以及重要配变占比P,建立LSTM;
重点配变模块用于输入历史数据,利用LSTM超参数预测重点配变的未来负荷值;
非重点配变模块将预测值存入数据库中,利用多线程技术启用ARIMA模型对非重点配变进行预测;
优化LSTM模块用于根据更新的数据集利用多线程技术对LSTM进行训练;
准确率模块用于计算LSTM神经网络预测准确率,调整epoch;
配变调整模块用于计算LSTM神经网络平均训练时间,以及ARIMA模型平均预测时间,调整重要配变占比P。
所述LSTM模块,包括:确定模型的输入输出变量,对输入输出数据集进行预处理,并将预处理后的数据集划分成为训练集、验证集以及测试集3个部分;构造深度LSTM负荷预测模型,利用训练集对模型进行训练,验证集判断模型在训练过程中的泛化能力,测试集判断模型对于未知数据的预测性能。
所述非重点配变模块通过多线程技术,开启多个配变的ARIMA模型,同时运行对非重点配变预测。
本发明提供了一种配电网大规模电力负荷多线程高效预测方法及系统,针对负载率较高的负荷应用准确率高、性能差的LSTM模型,利用LSTM预测与训练的并行技术,有效提升LSTM算法的计算效率;针对负载率较低的负荷应用准确率较低、性能高的ARIMA模型,利用计算效率更高的ARIMA算法与准确率高的LSTM算法结合。并应用多线程技术充分开发计算性能潜力。
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,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,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它的附图。
图1是一种配电网大规模电力负荷多线程高效预测方法的流程示意图。
图2是一种配电网大规模电力负荷多线程高效预测系统的结构示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例
参阅图1,图1是一种配电网大规模电力负荷多线程高效预测方法的流程示意图。
一种配电网大规模电力负荷多线程高效预测方法,其方法,包括:
S101将数据库中所需数据读入内存,进行数据预处理,选取初始训练次数epoch以及重要配变占比P,建立LSTM。
确定模型的输入输出变量,对输入输出数据集进行预处理,并将预处理后的数据集划分成为训练集、验证集以及测试集3个部分;
构造深度LSTM负荷预测模型,利用训练集对模型进行训练,验证集判断模型在训练过程中的泛化能力,测试集判断模型对于未知数据的预测性能。
需要说明的是,所述数据预处理是对现场数据去重、去异常值、以及对缺失值进行补差值。
S102输入历史数据,利用LSTM超参数预测重点配变的未来负荷值。根据配变的过去一月的最大负载率将所有配变重要性进行排序,最大负载率越大的配变重要性越高,即需要采用LSTM获得更高的准确性,最大负载率较小的配变可以采用ARIMA模型适当降低准确率提升效率。重要配变占比为最大负载率大于等于30%的配变以及需要重点观测的配变。具体预测重点配变流程如下:
①开启多个线程;
②每个线程搭建一个神经网络;
③每一个神经网络分配多组配变数据;
④读取指定配变超参数;
⑤利用LSTM进行预测并输出预测数据。
S103将预测值存入数据库中,利用多线程技术启用ARIMA模型对非重点配变进行预测。单个ARIMA模型运行时,cpu利用率较低,因此通过多线程技术,开启多个配变的ARIMA模型,同时运行对非重点配变预测,提高运行效率。
所述ARIMA模型,包括:
(1)首先利用单位根检验,判断预处理后的序列是否稳定,将非平稳序列都将通过差分计算转化为平稳序列;
(2)为平稳负荷序列构造ARIMA(p,d,q)乘积模型,调整参数p和q;计算自相关系数和偏自相关系数确定p、q的范围,同时由于序列长度有限,将p和q限制在一个相对较低的阶数,以避免过拟合;令p=0,1,2;q=0,1,2;q<=p;
(3)在步骤2构建的所有ARIMA模型中,利用AIC找到每个平稳序列的最优模型:
AIC=2n+T ln(fRSS/T)
式中:n为构建模型的参数个数;T是序列的长度;fRSS是残差平方和,反映了建模精度;具有最小的AIC值的模型为最优模型,因此为Si,t的最优ARIMA模型数学表达式如下:
(4)利用最优的ARIMA模型进行预测,输出预测结果。
S104根据更新的数据集利用多线程技术对LSTM进行训练。待非重点配变预测完成后,对LSTM利用更新的数据集进行训练。
开启多个线程;
每个线程搭建一个神经网络;
每一个神经网络分配多组配变数据;
读取指定超参数;
利用LSTM进行训练并更新参数。
S105计算LSTM神经网络预测准确率,调整epoch。LSTM网络的准确率随训练次数增大而上升,当准确率不足时,需要增加训练次数。随着训练次数的提升,准确率存在阈值,因此过高的训练次数浪费计算资源却对准确率的提升作用较低。因此当准确率满足要求则减小epoch。
S106计算LSTM神经网络平均训练时间,以及ARIMA模型平均预测时间,调整重要配变占比P。调整了训练次数,需要调整重要配变占比,以满足计算资源的要求。
本发明提供了一种配电网大规模电力负荷多线程高效预测方法,利用LSTM预测与训练的并行技术,有效提升LSTM算法的计算效率。利用计算效率更高的ARIMA算法与准确率高的LSTM算法结合,在保证准确率的基础上进一步提升计算效率。
参阅图2,图2是一种配电网大规模电力负荷多线程高效预测系统的结构示意图。
一种配电网大规模电力负荷多线程高效预测系统,其系统,包括:
LSTM模块201将数据库中所需数据读入内存,进行数据预处理,选取初始训练次数epoch以及重要配变占比P,建立LSTM;
重点配变模块202用于输入历史数据,利用LSTM超参数预测重点配变的未来负荷值;
非重点配变模块203将预测值存入数据库中,利用多线程技术启用ARIMA模型对非重点配变进行预测;
优化LSTM模块204用于根据更新的数据集利用多线程技术对LSTM进行训练;
准确率模块205用于计算LSTM神经网络预测准确率,调整epoch;
配变调整模块206用于计算LSTM神经网络平均训练时间,以及ARIMA模型平均预测时间,调整重要配变占比P。
LSTM模块201:确定模型的输入输出变量,对输入输出数据集进行预处理,并将预处理后的数据集划分成为训练集、验证集以及测试集3个部分;构造深度LSTM负荷预测模型,利用训练集对模型进行训练,验证集判断模型在训练过程中的泛化能力,测试集判断模型对于未知数据的预测性能。
重点配变模块202,根据配变的过去一月的最大负载率将所有配变重要性进行排序,最大负载率越大的配变重要性越高,即需要采用LSTM获得更高的准确性,最大负载率较小的配变可以采用ARIMA模型适当降低准确率提升效率。重要配变占比为最大负载率大于等于30%的配变以及需要重点观测的配变。具体预测重点配变流程如下:
①开启多个线程;
②每个线程搭建一个神经网络;
③每一个神经网络分配多组配变数据;
④读取指定配变超参数;
⑤利用LSTM进行预测并输出预测数据。
非重点配变模块203,单个ARIMA模型运行时,cpu利用率较低,因此通过多线程技术,开启多个配变的ARIMA模型,同时运行对非重点配变预测,提高运行效率。
所述ARIMA模型,包括:
(1)首先利用单位根检验,判断预处理后的序列是否稳定,将非平稳序列都将通过差分计算转化为平稳序列;
(2)为平稳负荷序列构造ARIMA(p,d,q)乘积模型,调整参数p和q;计算自相关系数和偏自相关系数确定p、q的范围,同时由于序列长度有限,将p和q限制在一个相对较低的阶数,以避免过拟合;令p=0,1,2;q=0,1,2;q<=p;
(3)在步骤2构建的所有ARIMA模型中,利用AIC找到每个平稳序列的最优模型:
AIC=2n+T ln(fRSS/T)
式中:n为构建模型的参数个数;T是序列的长度;fRSS是残差平方和,反映了建模精度;具有最小的AIC值的模型为最优模型,因此为Si,t的最优ARIMA模型数学表达式如下:
(4)利用最优的ARIMA模型进行预测,输出预测结果。
优化LSTM模块204,包括:
开启多个线程;
每个线程搭建一个神经网络;
每一个神经网络分配多组配变数据;
读取指定超参数;
利用LSTM进行训练并更新参数。
准确率模块205,LSTM网络的准确率随训练次数增大而上升,当准确率不足时,需要增加训练次数。随着训练次数的提升,准确率存在阈值,因此过高的训练次数浪费计算资源却对准确率的提升作用较低。因此当准确率满足要求则减小epoch。
配变调整模块206,调整了训练次数,根据LSTM神经网络平均训练时间、ARIMA模型平均预测时间调整重要配变占比,以满足计算资源的要求。
本发明提供了一种配电网大规模电力负荷多线程高效预测方法及系统,针对负载率较高的负荷应用准确率高、性能差的LSTM模型,利用LSTM预测与训练的并行技术,有效提升LSTM算法的计算效率;针对负载率较低的负荷应用准确率较低、性能高的ARIMA模型,利用计算效率更高的ARIMA算法与准确率高的LSTM算法结合。并应用多线程技术充分开发计算性能潜力。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,ReadOnly Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种配电网大规模电力负荷多线程高效预测方法及系统进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种配电网大规模电力负荷多线程高效预测方法,其特征在于,所述方法,包括:
将数据库中所需数据读入内存,进行数据预处理,选取初始训练次数epoch以及重要配变占比P,建立LSTM;
输入历史数据,利用LSTM超参数预测重点配变的未来负荷值;
将预测值存入数据库中,利用多线程技术启用ARIMA模型对非重点配变进行预测;
根据更新的数据集利用多线程技术对LSTM进行训练;
计算LSTM神经网络预测准确率,调整epoch;
计算LSTM神经网络平均训练时间,以及ARIMA模型平均预测时间,调整重要配变占比P。
2.根据权利要求1所述的方法,其特征在于,所述数据预处理是对现场数据去重、去异常值、以及对缺失值进行补差值。
3.根据权利要求1所述的方法,其特征在于,所述建立LSTM,包括:
确定模型的输入输出变量,对输入输出数据集进行预处理,并将预处理后的数据集划分成为训练集、验证集以及测试集3个部分;
构造深度LSTM负荷预测模型,利用训练集对模型进行训练,验证集判断模型在训练过程中的泛化能力,测试集判断模型对于未知数据的预测性能。
4.根据权利要求1所述的方法,其特征在于,所述LSTM超参数预测重点配变,包括:
①开启多个线程;
②每个线程搭建一个神经网络;
③每一个神经网络分配多组配变数据;
④读取指定配变超参数;
⑤利用LSTM进行预测并输出预测数据。
5.根据权利要求1所述的方法,其特征在于,所述利用多线程技术启用ARIMA模型对非重点配变进行预测,包括:
通过多线程技术,开启多个配变的ARIMA模型,同时运行对非重点配变预测。
6.根据权利要求1所述的方法,其特征在于,所述ARIMA模型,包括:
(1)首先利用单位根检验,判断预处理后的序列是否稳定,将非平稳序列都将通过差分计算转化为平稳序列;
(2)为平稳负荷序列构造ARIMA(p,d,q)乘积模型,调整参数p和q;计算自相关系数和偏自相关系数确定p、q的范围,同时由于序列长度有限,将p和q限制在一个相对较低的阶数,以避免过拟合;令p=0,1,2;q=0,1,2;q<=p;
(3)在步骤2构建的所有ARIMA模型中,利用AIC找到每个平稳序列的最优模型:
AIC=2n+Tln(fRSS/T)
式中:n为构建模型的参数个数;T是序列的长度;fRSS是残差平方和,反映了建模精度;具有最小的AIC值的模型为最优模型,因此为Si,t的最优ARIMA模型数学表达式如下:
(4)利用最优的ARIMA模型进行预测,输出预测结果。
7.根据权利要求1所述的方法,其特征在于,所述对LSTM利用更新的数据集进行训练,包括:
开启多个线程;
每个线程搭建一个神经网络;
每一个神经网络分配多组配变数据;
读取指定超参数;
利用LSTM进行训练并更新参数。
8.一种配电网大规模电力负荷多线程高效预测系统,其特征在于,所述系统,包括:
LSTM模块将数据库中所需数据读入内存,进行数据预处理,选取初始训练次数epoch以及重要配变占比P,建立LSTM;
重点配变模块用于输入历史数据,利用LSTM超参数预测重点配变的未来负荷值;
非重点配变模块将预测值存入数据库中,利用多线程技术启用ARIMA模型对非重点配变进行预测;
优化LSTM模块用于根据更新的数据集利用多线程技术对LSTM进行训练;
准确率模块用于计算LSTM神经网络预测准确率,调整epoch;
配变调整模块用于计算LSTM神经网络平均训练时间,以及ARIMA模型平均预测时间,调整重要配变占比P。
9.根据权利要求8所述的系统,其特征在于,所述LSTM模块,包括:
确定模型的输入输出变量,对输入输出数据集进行预处理,并将预处理后的数据集划分成为训练集、验证集以及测试集3个部分;
构造深度LSTM负荷预测模型,利用训练集对模型进行训练,验证集判断模型在训练过程中的泛化能力,测试集判断模型对于未知数据的预测性能。
10.根据权利要求8所述的系统,其特征在于,所述非重点配变模块通过多线程技术,开启多个配变的ARIMA模型,同时运行对非重点配变预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011439594.8A CN112488404B (zh) | 2020-12-07 | 2020-12-07 | 一种配电网大规模电力负荷多线程高效预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011439594.8A CN112488404B (zh) | 2020-12-07 | 2020-12-07 | 一种配电网大规模电力负荷多线程高效预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112488404A true CN112488404A (zh) | 2021-03-12 |
CN112488404B CN112488404B (zh) | 2022-09-23 |
Family
ID=74941437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011439594.8A Active CN112488404B (zh) | 2020-12-07 | 2020-12-07 | 一种配电网大规模电力负荷多线程高效预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488404B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801418A (zh) * | 2021-03-16 | 2021-05-14 | 贵州电网有限责任公司 | 一种电网缺陷物资预测方法 |
CN113762961A (zh) * | 2021-08-17 | 2021-12-07 | 国网山东省电力公司信息通信公司 | 一种可信智能交易方法、系统、计算机设备、终端 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908638A (zh) * | 2017-09-26 | 2018-04-13 | 国网甘肃省电力公司 | 基于大数据挖掘配的电网运行效率评价方法及系统 |
CN107944612A (zh) * | 2017-11-17 | 2018-04-20 | 河海大学 | 一种基于arima和相空间重构svr的母线净负荷预测方法 |
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 |
CN109376896A (zh) * | 2018-08-29 | 2019-02-22 | 国网重庆市电力公司南岸供电分公司 | 一种基于多模融合的配电网短期负荷预测方法 |
CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
CN109636059A (zh) * | 2018-12-24 | 2019-04-16 | 国网北京市电力公司 | 电采暖配电变压器负荷预测方法及装置 |
CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
CN110456026A (zh) * | 2019-08-13 | 2019-11-15 | 北京农业信息技术研究中心 | 一种土壤墒情监测方法及装置 |
US20200041972A1 (en) * | 2018-07-31 | 2020-02-06 | University - Industry Cooperation Group of Kyung Hee University | Method and system for creating energy demand model |
CN110874671A (zh) * | 2019-10-24 | 2020-03-10 | 腾讯科技(深圳)有限公司 | 一种配电网的电力负荷预测方法、装置及存储介质 |
CN110909941A (zh) * | 2019-11-26 | 2020-03-24 | 广州供电局有限公司 | 基于lstm神经网络的电力负荷预测方法、装置及系统 |
CN111027775A (zh) * | 2019-12-12 | 2020-04-17 | 中国长江三峡集团有限公司 | 基于长短期记忆网络的梯级水电站发电量预测方法 |
CN111148118A (zh) * | 2019-12-18 | 2020-05-12 | 福建省南鸿通讯科技有限公司 | 基于时间序列的流量预测和载波关断方法和系统 |
CN111260136A (zh) * | 2020-01-17 | 2020-06-09 | 上海电力大学 | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 |
CN111310980A (zh) * | 2020-01-20 | 2020-06-19 | 长沙理工大学 | 考虑负荷分布及经济运行区间动态重构的配变优选方法 |
CN111612053A (zh) * | 2020-05-14 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种线损率合理区间的计算方法 |
CN111985718A (zh) * | 2020-08-25 | 2020-11-24 | 国网河南省电力公司电力科学研究院 | 一种基于数据驱动的配电变压器选型推荐方法 |
CN113298318A (zh) * | 2021-06-18 | 2021-08-24 | 国网福建省电力有限公司电力科学研究院 | 一种新型的配电变压器重过载预测方法 |
-
2020
- 2020-12-07 CN CN202011439594.8A patent/CN112488404B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908638A (zh) * | 2017-09-26 | 2018-04-13 | 国网甘肃省电力公司 | 基于大数据挖掘配的电网运行效率评价方法及系统 |
CN107944612A (zh) * | 2017-11-17 | 2018-04-20 | 河海大学 | 一种基于arima和相空间重构svr的母线净负荷预测方法 |
US20200041972A1 (en) * | 2018-07-31 | 2020-02-06 | University - Industry Cooperation Group of Kyung Hee University | Method and system for creating energy demand model |
CN109376896A (zh) * | 2018-08-29 | 2019-02-22 | 国网重庆市电力公司南岸供电分公司 | 一种基于多模融合的配电网短期负荷预测方法 |
CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
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 |
CN109636059A (zh) * | 2018-12-24 | 2019-04-16 | 国网北京市电力公司 | 电采暖配电变压器负荷预测方法及装置 |
CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
CN110456026A (zh) * | 2019-08-13 | 2019-11-15 | 北京农业信息技术研究中心 | 一种土壤墒情监测方法及装置 |
CN110874671A (zh) * | 2019-10-24 | 2020-03-10 | 腾讯科技(深圳)有限公司 | 一种配电网的电力负荷预测方法、装置及存储介质 |
CN110909941A (zh) * | 2019-11-26 | 2020-03-24 | 广州供电局有限公司 | 基于lstm神经网络的电力负荷预测方法、装置及系统 |
CN111027775A (zh) * | 2019-12-12 | 2020-04-17 | 中国长江三峡集团有限公司 | 基于长短期记忆网络的梯级水电站发电量预测方法 |
CN111148118A (zh) * | 2019-12-18 | 2020-05-12 | 福建省南鸿通讯科技有限公司 | 基于时间序列的流量预测和载波关断方法和系统 |
CN111260136A (zh) * | 2020-01-17 | 2020-06-09 | 上海电力大学 | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 |
CN111310980A (zh) * | 2020-01-20 | 2020-06-19 | 长沙理工大学 | 考虑负荷分布及经济运行区间动态重构的配变优选方法 |
CN111612053A (zh) * | 2020-05-14 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种线损率合理区间的计算方法 |
CN111985718A (zh) * | 2020-08-25 | 2020-11-24 | 国网河南省电力公司电力科学研究院 | 一种基于数据驱动的配电变压器选型推荐方法 |
CN113298318A (zh) * | 2021-06-18 | 2021-08-24 | 国网福建省电力有限公司电力科学研究院 | 一种新型的配电变压器重过载预测方法 |
Non-Patent Citations (7)
Title |
---|
BIN YAN: "Power Flow Prediction: A Case in Ningxia Electricity Market", 《2019 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE (PHM-QINGDAO)》 * |
LINGLING TANG: "An ensemble deep learning model for short-term load forecasting based on ARIMA and LSTM", 《2019 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS, CONTROL, AND COMPUTING TECHNOLOGIES FOR SMART GRIDS (SMARTGRIDCOMM)》 * |
张承彪: "主成分分析在变压器故障诊断中的应用研究", 《高电压技术》 * |
李鹏辉等: "基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究", 《上海电力学院学报》 * |
谷明: "基于需求预测的莘县配电网规划研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
雷铮等: "基于ARIMA-TARCH-BP神经网络模型的中长期负荷预测方法", 《电子器件》 * |
高立克: "多级负荷聚类和解耦机制的配电网短期负荷预测方法", 《电力系统及其自动化学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801418A (zh) * | 2021-03-16 | 2021-05-14 | 贵州电网有限责任公司 | 一种电网缺陷物资预测方法 |
CN112801418B (zh) * | 2021-03-16 | 2023-10-10 | 贵州电网有限责任公司 | 一种电网缺陷物资预测方法 |
CN113762961A (zh) * | 2021-08-17 | 2021-12-07 | 国网山东省电力公司信息通信公司 | 一种可信智能交易方法、系统、计算机设备、终端 |
CN113762961B (zh) * | 2021-08-17 | 2023-08-11 | 国网山东省电力公司信息通信公司 | 一种可信智能交易方法、系统、计算机设备、终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112488404B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Orero et al. | Large scale unit commitment using a hybrid genetic algorithm | |
Khotanzad et al. | A neuro-fuzzy approach to short-term load forecasting in a price-sensitive environment | |
Senjyu et al. | Emerging solution of large-scale unit commitment problem by stochastic priority list | |
CN112488404B (zh) | 一种配电网大规模电力负荷多线程高效预测方法及系统 | |
CN112633316B (zh) | 一种基于边界估值理论的负荷预测方法和装置 | |
CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及系统 | |
CN109861211B (zh) | 一种基于数据驱动的配电网动态重构方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN110309949A (zh) | 一种区域电能替代潜力预测方法及系统 | |
CN106980906B (zh) | 一种基于spark的Ftrl电压预测方法 | |
CN109445903A (zh) | 基于QoS特征发现的云计算节能调度实现方法 | |
CN107871157B (zh) | 基于bp和pso的数据预测方法、系统及相关装置 | |
Zhang et al. | A novel decomposition and combination technique for forecasting monthly electricity consumption | |
CN113919763A (zh) | 一种基于模糊评判矩阵的电网灾害分析方法及装置 | |
CN115528750B (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 | |
CN116415732A (zh) | 一种基于改进arnn的用户侧电力负荷数据处理方法 | |
Mosiño | Producing energy in a stochastic environment: Switching from non-renewable to renewable resources | |
Huan et al. | Research on short term load forecasting method of distribution network based on wavelet clustering analysis | |
CN113128130B (zh) | 一种判断直流配电系统稳定性的实时监测方法及装置 | |
CN115759418A (zh) | 一种电力零售用户的可调容量预测方法及系统 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
CN113988549A (zh) | 一种基于风电反调峰特性的储能实时优化方法 | |
Chen et al. | Spatial–temporal information model-based load current interval prediction for transmission lines | |
Liu et al. | Grey-RBF neural network prediction model for city electricity demand forecasting | |
CN110633917A (zh) | 基于电力大数据的新能源政策实施效果综合评价方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |