CN112508259A - 一种针对独立用户类别的中长期用电量预测方法及系统 - Google Patents
一种针对独立用户类别的中长期用电量预测方法及系统 Download PDFInfo
- Publication number
- CN112508259A CN112508259A CN202011394547.6A CN202011394547A CN112508259A CN 112508259 A CN112508259 A CN 112508259A CN 202011394547 A CN202011394547 A CN 202011394547A CN 112508259 A CN112508259 A CN 112508259A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- users
- data
- medium
- prediction
- 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 73
- 230000007774 longterm Effects 0.000 claims abstract description 34
- 230000005611 electricity Effects 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000000306 recurrent effect Effects 0.000 claims abstract description 8
- 238000005452 bending Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 9
- XEBWQGVWTUSTLN-UHFFFAOYSA-M phenylmercury acetate Chemical compound CC(=O)O[Hg]C1=CC=CC=C1 XEBWQGVWTUSTLN-UHFFFAOYSA-M 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000005612 types of electricity 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (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)
Abstract
一种针对独立用户类别的中长期用电量预测方法和系统,根据所采集的用电量数据计算目标区域全部用户年用电量数据的动态时间规整距离;以动态时间规整距离为定量指标,利用层次聚类法绘制层次聚类树对用户进行分类,并建立每类用户的独立数据集;利用离差标准差法约束原始数据范围,其中,原始数据为已经完成分类的用电量数据;通过循环神经网络建立针对每类用户的预测模型,用于用电量中长期预测。该方法通过对用户用电量曲线的形状相似性进行定量计算,采用数据聚类方法获取用户类别,并针对不同的用户类别单独建立深度学习网络模型,有效地提升中长期用电量的预测精度,具有较高实用性。为用电用户分类、用电量预测提供了一种新思路。
Description
技术领域
本发明属于电力系统优化与调度领域,涉及一种针对独立用户类别的中长期用电量预测方法及系统。
背景技术
目前,我国根据电价类型和负荷特性将电力用户划分为居民用户、商业用户、工业用户、非工业用户和其他用户共五类。其他用户是指除了居民用户、商业用户、工业用户和非工业用户以外的用户,例如农业生产用户和稻田排灌用户。其中,居民用户和商业用户的用电主体为个人,因此人口数量对居民用户和商业用户的用电量数值影响较大。目前,用电量预测方法主要存在以下两点问题,一是追求对电网总电量原始数据的拟合精度,二是追求基于大容量样本前提的复杂算法,而忽视了人口数量变化的影响。在电量预测工作中,由于人口因素对居民用户和商业用户两类用户的用电量影响较大,导致该两类用户的用电量可能与工业用户、非工业用户和其他用户这三类用户的用电量发展规律存在较大差异,如果一味追求数据的拟合精度,会降低预测方法的泛化性;如果过于追求复杂算法,则会由于数据需求量太大而降低可操作性。以上问题不利于供电企业对于各个地区用电量进行预测以及提高预测结果精度;因此,需要从新的思路出发,采用新的方法进行中长期用电量预测。
受经济转型、产业结构调整、人口迀移频繁等因素的影响,电网的总用电量也相应发生变化。电量预测是电力市场中的一项基本工作,结合行业用电特点来正确地进行电量预测,为供电企业提供营销决策支持,对电网的安全经济运行以及电力市场的建设和发展都具有十分重要的意义。
准确的用电量预测对电网规划和经济部门的管理决策具有重要的指导意义。传统的用电量预测方法提出了基于数据本身进行合理聚类,归纳同类型数据的统一特征,通过对应的特性提高预测的准确性和预测的效率。
然而,传统的方法往往依照时间点聚类,即以欧几里得距离作为定量评价数据相似性的指标,该方法忽视了对用电曲线本身“形状”这一特点的分析。需要提出新的方法来对用户的类别进行合理的定量区分,以更明显地规律性来准确地提升每类用户的预测准确率。
发明内容
为解决现有技术中的不足,本发明的目的在于,提供一种针对独立用户类别的中长期用电量预测方法,以动态时间规整距离作为区分用户类别的定量依据并进行分类,融合深度循环神经网络,提升用户中长期用电量的预测效果。
本发明采用如下的技术方案:
一种针对独立用户类别的中长期用电量预测方法,所述中长期用电量预测方法包括以下步骤:
步骤1:根据所采集的用电量数据计算目标区域全部用户年用电量数据的动态时间规整距离;
其中,年用电量指一个用户一年的用电量;
步骤2:以步骤1所得的动态时间规整距离为定量指标,利用层次聚类法绘制层次聚类树对用户进行分类,并建立每类用户的独立数据集;
步骤3:利用离差标准差法约束步骤1中的原始数据范围,
其中,原始数据为已经完成分类的用电量数据;
步骤4:通过循环神经网络建立针对每类用户的预测模型,用于用电量中长期预测,
其中,独立用户类别为具备相同函数的用电量数据曲线的一类用户,中长期为1至2个月的时间长度,并且中长期是步骤1中选择的年紧接着的中长期。
步骤1中所述动态时间规整距离计算步骤为:
步骤1.1:选取时间序列X和Y,设X=(x1,x2,…,xn),Y=(y1,y2,…,ym),其中,时间序列X和Y指两个用户一年的用电量数据,两个用户的年用电量数据是时间序列数据;
xi和yj为时间序列X和Y的元素,i=1,…,n,j=1,…,m;
步骤1.2:定义非负函数f(x)为每一对元素xi和yj局部相异性测度函数为:
d(i,j)=f(xi,yj)≥0 (1);
步骤1.3:定义弯曲曲线为:
Φ(k)=(Φx(k),Φy(k)) (2)
其中,Φx(k)和Φy(k)分别为映射X和Y的时间指数,并且Φx(k)、Φy(k)∈{1,…,t},k=1,…,T,T为最大样本数;
步骤1.4:对于给定φ,计算弯曲时间序列X和Y的平均累积变形为:
其中,mφ(k)是权重系数,Mφ(k)是对应的归一化常数,φ是式(2)所定义的弯曲曲线组合。
所述步骤1.4中,当Φx(k)≤Φx(k+1)时,动态时间规整距离通过X和Y的求解组合,寻求多个曲线的最优对齐弯曲路径,即:
所述步骤2中,层次聚类法包括以下步骤:
步骤2.1:移除网络中的所有边,得到有s个孤立节点的初始状态;
其中,网络是将全部用电量数据以用户为单位,将全部用电量数据纵向排列,每条数据间保持孤立节点,s个孤立节点是s个用户的年用电量数据;
步骤2.2:计算网络中每对节点彼此的相似度,即计算各条用电曲线之间的动态时间规整距离;
步骤2.3:根据相似度从强到弱连接相应节点对,形成树状图;
步骤2.4:按照相似度的大小横切树状图,使得每个簇中的曲线具备形状相似性。
步骤3中所述离差标准差法约束原始数据范围,Min-Max标准化的数学描述如下所示,对时间序列x1,x2,…,xn,进行变换的公式为:
其中,i=1,…,n,z1,z2,…,zn是产生的无量纲新序列。
所述z1,z2,…,zn的数值区间为[0,1]。
步骤3中所述离差标准差法约束原始数据范围,Min-Max标准化的数学描述如下所示,对时间序列y1,y2,…,ym,进行变换的公式为:
其中,j=1,…,m,z′1,z′2,…,z′m是产生的无量纲新序列。
所述z′1,z′2,…,z′m的数值区间为[0,1]。
所述步骤4中,使用LSTM及GRU作为训练网络,对聚类后每个类别的用户单独建立预测器,并且在网络训练前进行调参,以提升中长期用电量预测效果,通过MSE作为定量评价预测效果的依据,
其中,LSTM为长短时记忆神经网络,GRU为门循环单元,MSE为均方根误差。
所述中长期用电量预测系统包括动态时间规整距离计算模块、用户分类模块、离差标准差法约束模块和预测模块,
所述动态时间规整距离计算模块计算目标区域全部用户年用电量数据的动态时间规整距离;
所述用户分类模块以动态时间规整距离为定量指标,利用层次聚类法绘制层次聚类树对用户进行分类,并建立每类用户的独立数据集;
所述离差标准差法约束模块利用离差标准差法约束原始数据范围;
所述预测模块通过循环神经网络建立针对每类用户的预测模型,用于用电量中长期预测。
本发明的有益效果在于,与现有技术相比,本发明以用电用户类别聚类及数据回归为核心,提出了提升中长期用电量预测精度的方法。通过动态时间规整距离定义了不同用户用电量曲线的形状相似性,利用层次聚类法根据动态时间规整距离绘制了层次聚类树,并分类原始数据集。然后,根据分类的结果,将数据集训练对应的LSTM、GRU深度网络模型,实现中长期用电量预测。能有效地提升中长期用电量的预测精度,具有较高实用性。为今后用电用户分类、用电量预测提供了一种新思路。
附图说明
图1是一种针对独立用户类别的中长期用电量预测方法的流程图;
图2是计算动态时间规整距离的示意图;
图3是计算动态时间规整距离后通过层次聚类法聚类的层次聚类树;
图4是GRU网络预测的用户类别1的中长期用电量;
图5是GRU网络预测的用户类别2的中长期用电量;
图6是GRU网络预测的用户类别3的中长期用电量;
图7是一种针对独立用户类别的中长期用电量预测系统具体工作流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,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它实施例,都属于本发明的保护范围。
如图1所示,本申请的一种针对独立用户类别的中长期用电量预测方法,所述方法包括以下步骤:
步骤1:根据所采集的用电量数据计算目标区域全部用户年用电量数据的动态时间规整距离;
独立用户类别为具备相同函数的用电量数据曲线的一类用户,中长期为1至2个月的时间长度,并且中长期是步骤1中选择的年紧接着的中长期。
用电量数据中每条用电曲线代表一个单独的用户,曲线的每个数值点表示当日的用电量;动态时间规整距离指通过局部拉伸或压缩两个时间序列以便汇总每一个对齐元素的距离,从而得到两个时间序列的相似性。
本申请实施例中,以10个用户为例,方法可推广至任意用户数量的场景。计算各个用户之间的动态时间规整距离:
步骤1中所述动态时间规整距离计算步骤为:
步骤1.1:选取时间序列X和Y,设X=(x1,x2,…,xn),Y=(y1,y2,…,ym),其中,时间序列X和Y指两个用户一年的用电量数据,两个用户的年用电量数据是时间序列数据;
xi和yj为时间序列X和Y的元素,i=1,…,n,j=1,…,m;
步骤1.2:定义非负函数f(x)为每一对元素xi和yj局部相异性测度函数为:
d(i,j)=f(xi,yj)≥0 (1);
步骤1.3:定义弯曲曲线为:
Φ(k)=(Φx(k),Φy(k)) (2)
其中,Φx(k)和Φy(k)分别为映射X和Y的时间指数,并且Φx(k)、Φy(k)∈{1,…,t},k=1,…,T,T为最大样本数;
步骤1.4:对于给定φ,计算弯曲时间序列X和Y的平均累积变形为:
其中,mφ(k)是权重系数,Mφ(k)是对应的归一化常数,φ是式(2)所定义的弯曲曲线组合。
所述步骤1.4中,当Φx(k)≤Φx(k+1)时,动态时间规整距离通过X和Y的求解组合,寻求多个曲线的最优对齐弯曲路径,即:
本申请实施例中,步骤1计算动态时间规整距离的示意图如图2所示。
步骤2:以该距离为定量指标,利用层次聚类法绘制层次聚类树对用户进行分类,并建立每类用户的独立数据集;
步骤2以动态规整距离作为定量指标,采用层次聚类法进行聚类,并通过层次聚类树进行展示,以获取每条用电量所属的用户类别,层次聚类法具体包括以下步骤:
步骤2.1:移除网络中的所有边,得到有s个孤立节点的初始状态;
其中,网络是将全部用电量数据以用户为单位,将全部用电量数据纵向排列,每条数据间保持孤立节点,s个孤立节点是s个用户的年用电量数据;
步骤2.2:计算网络中每对节点彼此的相似度,即计算各条用电曲线之间的动态时间规整距离;
步骤2.3:根据相似度从强到弱连接相应节点对,形成树状图;
步骤2.4:按照相似度的大小横切树状图,使得每个簇中的曲线具备形状相似性。
本申请实施例中,步骤1、2计算动态时间规整距离,并绘制层次聚类树的结果如图3所示。图3中的层次聚类树为例,应当将数据分为三大类,编号0、2、6为同一类别;编号3、8、7为同一类别;编号1、4、5为同一类别。
步骤3:利用离差标准差法约束步骤1中的原始数据范围,其中,原始数据为已经完成分类的用电量数据;
步骤3中离差标准差法约束原始数据范围,Min-Max标准化的数学描述如下所示,对时间序列x1,x2,…,xn,进行变换的公式为:
其中,i=1,…,n,z1,z2,…,zn是产生的无量纲新序列。
z1,z2,…,zn的数值区间为[0,1]。
步骤3中离差标准差法约束原始数据范围,Min-Max标准化的数学描述如下所示,对时间序列y1,y2,…,ym,进行变换的公式为:
其中,j=1,…,m,z′1,z′2,…,z′m是产生的无量纲新序列。
z′1,z′2,…,z′m的数值区间为[0,1]。
步骤4:通过循环神经网络建立针对每类用户的预测模型,实现用电量中长期预测。
通过循环神经网络建立针对每类用户的预测模型,实现用电量中长期预测。使用长短时记忆神经网络(LSTM)及其变体GRU网络作为训练网络。对聚类后每个类别的用户单独建立预测器,并且对网络进行深度调参,以提升中长期用电量预测效果。通过均方根误差(MSE)作为定量评价预测效果的依据。
本申请实施例中,步骤4中设置超参数及实验结果如表1所示。对各类用户进行中长期用电量预测的结果如图4-6所示。
表1神经网络超参数设置及实验结果
本申请可以在数据聚类的基础上提升针对独立用户类别的中长期用电量预测效果。为基于用户用电行为的类别划分提出了新的研究思路,通过实验证明了基于空间相似度指标的用户类别划分是有效的,深度循环神经网络GRU具备良好的数据预测性能。
本申请还同时公开了一种针对独立用户类别的中长期用电量预测系统,具体工作流程如图7所示。
中长期用电量预测系统包括动态时间规整距离计算模块、用户分类模块、离差标准差法约束模块和预测模块,
动态时间规整距离计算模块计算目标区域全部用户年用电量数据的动态时间规整距离;
用户分类模块以动态时间规整距离为定量指标,利用层次聚类法绘制层次聚类树对用户进行分类,并建立每类用户的独立数据集;
离差标准差法约束模块利用离差标准差法约束原始数据范围;
预测模块通过循环神经网络建立针对每类用户的预测模型,用于用电量中长期预测。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种针对独立用户类别的中长期用电量预测方法,其特征在于,所述中长期用电量预测方法包括以下步骤:
步骤1:根据所采集的用电量数据计算目标区域全部用户年用电量数据的动态时间规整距离;
其中,年用电量指一个用户一年的用电量;
步骤2:以步骤1所得的动态时间规整距离为定量指标,利用层次聚类法绘制层次聚类树对用户进行分类,并建立每类用户的独立数据集;
步骤3:利用离差标准差法约束步骤1中的原始数据范围,
其中,原始数据为已经完成分类的用电量数据;
步骤4:通过循环神经网络建立针对每类用户的预测模型,用于用电量中长期预测,
其中,独立用户类别为具备相同函数的用电量数据曲线的一类用户,中长期为1至2个月的时间长度,并且中长期是步骤1中选择的年紧接着的中长期。
2.根据权利要求1所述的一种针对独立用户类别的中长期用电量预测方法,其特征在于:
步骤1中所述动态时间规整距离计算步骤为:
步骤1.1:选取时间序列X和Y,设X=(x1,x2,…,xn),Y=(y1,y2,…,ym),
其中,时间序列X和Y指两个用户一年的用电量数据,两个用户的年用电量数据是时间序列数据;
xi和yj为时间序列X和Y的元素,i=1,…,n,j=1,…,m;
步骤1.2:定义非负函数f(x)为每一对元素xi和yj局部相异性测度函数为:
d(i,j)=f(xi,yj)≥0 (1);
步骤1.3:定义弯曲曲线为:
Φ(k)=(Φx(k),Φy(k)) (2)
其中,Φx(k)和Φy(k)分别为映射X和Y的时间指数,并且Φx(k)、Φy(k)∈{1,…,t},k=1,…,T,T为最大样本数;
步骤1.4:对于给定φ,计算弯曲时间序列X和Y的平均累积变形为:
其中,mφ(k)是权重系数,Mφ(k)是对应的归一化常数,φ是式(2)所定义的弯曲曲线组合。
4.根据权利要求1所述的一种针对独立用户类别的中长期用电量预测方法,其特征在于:
所述步骤2中,层次聚类法包括以下步骤:
步骤2.1:移除网络中的所有边,得到有s个孤立节点的初始状态;
其中,网络是将全部用电量数据以用户为单位,将全部用电量数据纵向排列,每条数据间保持孤立节点,s个孤立节点是s个用户的年用电量数据;
步骤2.2:计算网络中每对节点彼此的相似度,即计算各条用电曲线之间的动态时间规整距离;
步骤2.3:根据相似度从强到弱连接相应节点对,形成树状图;
步骤2.4:按照相似度的大小横切树状图,使得每个簇中的曲线具备形状相似性。
6.根据权利要求5所述的一种针对独立用户类别的中长期用电量预测方法,其特征在于:
所述z1,z2,…,zn的数值区间为[0,1]。
8.根据权利要求7所述的一种针对独立用户类别的中长期用电量预测方法,其特征在于:
所述z′1,z′2,…,z′m的数值区间为[0,1]。
9.根据权利要求1所述的一种针对独立用户类别的中长期用电量预测方法,其特征在于:
所述步骤4中,使用LSTM及GRU作为训练网络,对聚类后每个类别的用户单独建立预测器,并且在网络训练前进行调参,以提升中长期用电量预测效果,通过MSE作为定量评价预测效果的依据,
其中,LSTM为长短时记忆神经网络,GRU为门循环单元,MSE为均方根误差。
10.一种利用权利要求1-9中任一权利要求所述一种针对独立用户类别的中长期用电量预测系统,所述中长期用电量预测系统包括动态时间规整距离计算模块、用户分类模块、离差标准差法约束模块和预测模块,其特征在于:
所述动态时间规整距离计算模块计算目标区域全部用户年用电量数据的动态时间规整距离;
所述用户分类模块以动态时间规整距离为定量指标,利用层次聚类法绘制层次聚类树对用户进行分类,并建立每类用户的独立数据集;
所述离差标准差法约束模块利用离差标准差法约束原始数据范围;
所述预测模块通过循环神经网络建立针对每类用户的预测模型,用于用电量中长期预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394547.6A CN112508259A (zh) | 2020-12-02 | 2020-12-02 | 一种针对独立用户类别的中长期用电量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394547.6A CN112508259A (zh) | 2020-12-02 | 2020-12-02 | 一种针对独立用户类别的中长期用电量预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112508259A true CN112508259A (zh) | 2021-03-16 |
Family
ID=74969421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011394547.6A Pending CN112508259A (zh) | 2020-12-02 | 2020-12-02 | 一种针对独立用户类别的中长期用电量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508259A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962456A (zh) * | 2021-10-19 | 2022-01-21 | 江苏方天电力技术有限公司 | 一种计及行业关联性的中长期负荷预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985515A (zh) * | 2018-07-24 | 2018-12-11 | 国网河南省电力公司电力科学研究院 | 一种基于独立循环神经网络的新能源出力预测方法及系统 |
CN109754113A (zh) * | 2018-11-29 | 2019-05-14 | 南京邮电大学 | 基于动态时间规整与长短时间记忆的负荷预测方法 |
-
2020
- 2020-12-02 CN CN202011394547.6A patent/CN112508259A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985515A (zh) * | 2018-07-24 | 2018-12-11 | 国网河南省电力公司电力科学研究院 | 一种基于独立循环神经网络的新能源出力预测方法及系统 |
CN109754113A (zh) * | 2018-11-29 | 2019-05-14 | 南京邮电大学 | 基于动态时间规整与长短时间记忆的负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
刘云霞: "基于动态时间规整的面板数据聚类方法研究及应用", 《统计研究》, vol. 33, no. 11, pages 93 - 101 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962456A (zh) * | 2021-10-19 | 2022-01-21 | 江苏方天电力技术有限公司 | 一种计及行业关联性的中长期负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Data mining in building automation system for improving building operational performance | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
CN110264107B (zh) | 一种基于大数据技术的台区线损率异常诊断方法 | |
CN113177366B (zh) | 一种综合能源系统规划方法、装置和终端设备 | |
CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
CN109685567A (zh) | 一种基于卷积神经网络和模糊聚类的用电客户画像新方法 | |
CN114066071A (zh) | 一种基于能耗的电力参数优化方法、终端设备及存储介质 | |
CN105787259A (zh) | 一种多元气象因素对负荷变化影响相关性的分析方法 | |
CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
Justo et al. | Behavioral similarity of residential customers using a neural network based on adaptive resonance theory | |
CN111428766B (zh) | 一种高维海量量测数据的用电模式分类方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN111798333A (zh) | 一种用能评估与用电安全分析方法和系统 | |
CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
CN117314266B (zh) | 一种基于超图注意力机制的新型科技人才智能评价方法 | |
CN112508259A (zh) | 一种针对独立用户类别的中长期用电量预测方法及系统 | |
CN115829418B (zh) | 适用于负荷管理的电力用户负荷特性画像构建方法和系统 | |
CN117034046A (zh) | 一种基于isodata聚类的柔性负荷可调潜力评估方法 | |
CN111582588A (zh) | 一种基于三重卷积融合gru的建筑物能耗预测方法 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
CN114444760A (zh) | 一种基于模式提取和误差调整的行业用户电量预测方法 | |
CN114818849A (zh) | 基于大数据信息的卷积神经网络和遗传算法的反窃电方法 | |
Kumar et al. | A deep clustering framework for load pattern segmentation | |
Zhang et al. | Load prediction based on depthwise separable convolution model | |
CN115013858B (zh) | 一种基于滞后时间辨识的供热二级网分户调控方法 |
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 |