CN112598181A - 负荷预测方法、装置、设备和存储介质 - Google Patents

负荷预测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112598181A
CN112598181A CN202011546942.1A CN202011546942A CN112598181A CN 112598181 A CN112598181 A CN 112598181A CN 202011546942 A CN202011546942 A CN 202011546942A CN 112598181 A CN112598181 A CN 112598181A
Authority
CN
China
Prior art keywords
data
variable
target
value
preset
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
Application number
CN202011546942.1A
Other languages
English (en)
Inventor
赵阳
贺春光
韩长占
韩光
杨书强
吴向明
安佳坤
檀晓林
黄凯
刘梅
韩俊杰
孙鹏飞
郭伟
王雨薇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Tsingsoft Technology Co ltd
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
Beijing Tsingsoft Technology Co ltd
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Tsingsoft Technology Co ltd, State Grid Corp of China SGCC, State Grid Hebei Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd filed Critical Beijing Tsingsoft Technology Co ltd
Priority to CN202011546942.1A priority Critical patent/CN112598181A/zh
Publication of CN112598181A publication Critical patent/CN112598181A/zh
Pending legal-status Critical Current

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明适用于电力系统技术领域，提供了一种负荷预测方法、装置、设备和存储介质，该方法包括：获取预设时段内影响目标电力系统的电力负荷的多组变量数据；根据时差相关分析算法，分别计算每组变量数据中各个变量值与电力负荷的相关系数；按照预设方式从目标组变量数据中确定至少一个目标变量值；其中，目标组变量数据中存在至少一个相关系数大于第一预设阈值的变量值，目标变量值的相关系数大于本组变量数据中其余变量值的相关系数；将目标变量值输入至预设预测模型，得到目标电力系统的预测负荷。采用本发明，可以提高负荷预测准确率。

Description

负荷预测方法、装置、设备和存储介质
技术领域
本发明属于电力系统技术领域，尤其涉及一种负荷预测方法、装置、设备和存储介质。
背景技术
电力系统的负荷预测是电力系统规划、决策和经济运行的前提和基础，电力负荷的准确预测对电力系统安全经济运行和区域国民经济发展具有重要意义。传统的负荷预测主要依靠调度员或专家进行主观判断。随着人工智能技术的发展，一系列智能算法被应用到电力负荷预测中，如神经网络、遗传灰色径向基函数模型、增量优化极值学习机、正则化极值学习机、支持向量机等。
然而，目前的电力负荷的预测方式，通常是在预测算法的复杂度上进行优化，预测准确率很难有明显的提升，导致预测准确率较低。
发明内容
有鉴于此，本发明实施例提供了一种负荷预测方法、装置、设备和存储介质，以解决现有技术中预测准确率较低的问题。
本发明实施例的第一方面提供了一种负荷预测方法，包括：
获取预设时段内影响目标电力系统的电力负荷的多组变量数据；
根据时差相关分析算法，分别计算每组变量数据中各个变量值与电力负荷的相关系数；
按照预设方式从目标组变量数据中确定至少一个目标变量值；其中，目标组变量数据中存在至少一个相关系数大于第一预设阈值的变量值，目标变量值的相关系数大于本组变量数据中其余变量值的相关系数；
将目标变量值输入至预设预测模型，得到目标电力系统的预测负荷；其中，预设预测模型基于极值梯度提升算法训练得到，预设预测模型的目标函数以损失函数和正则项同时最小化为目标。
可选的，按照预设方式从目标组变量数据中确定至少一个目标变量值，包括：
将目标组变量数据中相关系数大于第二预设阈值的变量值，确定为目标变量值；
或者，将目标组变量数据中预设比例的变量值，确定为目标变量值；其中，预设比例的变量值的相关系数大于本组变量数据中其余变量值的相关系数。
可选的，损失函数为由一阶项和二次项组成的均方误差函数。
可选的，多组变量数据至少包括经济数据、气象数据、上下游产业链数据、日历数据以及电网数据中的一种；
其中，经济数据至少包括国民生产总值、固定资产投资额、进出口额以及三产增加值中的一种；
气象数据至少包括温度、湿度、降雨量以及风速中的一种；
上下游产业链数据至少包括汽车产量、钢铁产量、煤炭价格以及钢铁价格中的一种；
日历数据至少包括星期类型或节假日中的一种；
电网数据至少包括检修数据或者口径数据中的一种。
本发明实施例的第二方面提供了一种负荷预测装置，包括：
获取模块，用于获取预设时段内影响目标电力系统的电力负荷的多组变量数据；
计算模块，用于根据时差相关分析算法，分别计算每组变量数据中各个变量值与电力负荷的相关系数；
确定模块，用于按照预设方式从目标组变量数据中确定至少一个目标变量值；其中，目标组变量数据中存在至少一个相关系数大于第一预设阈值的变量值，目标变量值的相关系数大于本组变量数据中其余变量值的相关系数；
预测模块，用于将目标变量值输入至预设预测模型，得到目标电力系统的预测负荷；其中，预设预测模型基于极值梯度提升算法训练得到，预设预测模型的目标函数以损失函数和正则项同时最小化为目标。
可选的，确定模块，还用于：
将目标组变量数据中相关系数大于第二预设阈值的变量值，确定为目标变量值；
或者，将目标组变量数据中预设比例的变量值，确定为目标变量值；其中，预设比例的变量值的相关系数大于本组变量数据中其余变量值的相关系数。
可选的，损失函数为由一阶项和二次项组成的均方误差函数。
可选的，多组变量数据至少包括经济数据、气象数据、上下游产业链数据、日历数据以及电网数据中的一种；
其中，经济数据至少包括国民生产总值、固定资产投资额、进出口额以及三产增加值中的一种；
气象数据至少包括温度、湿度、降雨量以及风速中的一种；
上下游产业链数据至少包括汽车产量、钢铁产量、煤炭价格以及钢铁价格中的一种；
日历数据至少包括星期类型或节假日中的一种；
电网数据至少包括检修数据或者口径数据中的一种。
本发明实施例的第三方面提供了一种电力设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明实施例可以将目标变量值输入至预设预测模型，得到目标电力系统的预测负荷。由于目标变量值是通过时差相关分析算法，对获取的预设时段内影响目标电力系统的电力负荷的多组变量数据进行时差相关分析后得到的，因此，可以从电力负荷自身的发展规律和影响因素对电力负荷进行预测，能够提高负荷预测的准确率。
此外，由于预设预测模型是基于极值梯度提升算法训练得到，且预设预测模型的目标函数以损失函数和正则项同时最小化为目标，因此，可以利用自定义的极值梯度提升算法，进一步提升负荷预测的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种负荷预测方法的步骤流程图；
图2为本发明实施例提供的一种负荷预测装置的示意图；
图3为本发明实施例提供的一种电力设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
如背景技术所描述的，传统的负荷预测主要依靠调度员或专家进行主观判断。后来，随着人工智能技术的发展，一系列智能算法被应用到电力负荷预测中，如神经网络、遗传灰色径向基函数模型、增量优化极值学习机、正则化极值学习机、支持向量机等。
然而，目前的电力负荷的预测方式，通常是在预测算法的复杂度上进行优化，预测准确率很难有明显的提升，导致预测准确率较低。
发明人发现，电力负荷自身的发展规律和影响因素对电力负荷的预测也有影响，例如国民经济发展、产业结构调整、气象等外部条件变化等因素。如此，发明人基于上述角度，提出了一种负荷预测方法。
为了解决现有技术问题，本发明实施例提供了一种负荷预测方法、装置、设备和存储介质。下面首先对本发明实施例所提供的负荷预测方法进行介绍。
负荷预测方法的执行主体，可以是负荷预测装置，该负荷预测装置可以是电力系统中具备数据处理能力的电力设备，例如移动电子设备或者非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)或者个人计算机(personal computer，PC)等，本发明实施例不作具体限定。
如图1所示，本发明实施例提供的负荷预测方法包括以下步骤：
步骤S110、获取预设时段内影响目标电力系统的电力负荷的多组变量数据。
在一些实施例中，目标电力系统可以任意的电力系统，电力负荷可以是电能用户的用电设备在某一时刻向目标电力系统取用的电功率或电量的总和。影响目标电力系统的电力负荷的多组变量数据，可以是任意类型的变量数据，例如经济数据、气象数据、上下游产业链数据、日历数据以及电网数据。具体的，经济数据可以至少包括国民生产总值、固定资产投资额、进出口额以及三产增加值中的一种。气象数据可以至少包括温度、湿度、降雨量以及风速中的一种。上下游产业链数据可以至少包括汽车、钢铁等产品的产量及价格。日历数据至少包括星期类型或节假日中的一种。电网数据至少包括检修数据或者口径数据中的一种。
在一些实施例中，每组变量数据中可以包括至少一个变量值，以汽车产量数据为例，汽车产量数据中可以包括当前时刻前12个月的月度产量，如此，汽车产量数据中可以包括12个变量值，即每月的汽车产量值。
影响目标电力系统的电力负荷的多组变量数据可以预先由人工整理到数据库中，然后由负荷预测装置从数据库中进行获取。
值得一提的是，影响目标电力系统的电力负荷的变量数据是存在时效性的，通常而言，时间越久，时效性越差。这样，可以获取较高时效性对应的预设时段内的多组变量数据，例如当前时刻之前的一年内或者半年内的变量数据，如此，基于时效性较高的变量数据，可以提高负荷预测的准确率。
步骤S120、根据时差相关分析算法，分别计算每组变量数据中各个变量值与电力负荷的相关系数。
在一些实施例中，时差相关分析算法的原理如下：
Figure BDA0002855952650000061
在上式中，y＝{yl，y2，y3，…，yn}为基准指标，x＝{x1，x2，x3，…，xn}为被选择的指标，r为相关系数，l为时差，l取零时表示与当前时刻同步，l取负数时表示超前当前时刻，l取正数时表示滞后当前时刻，L是最大延迟数，n是数据总个数。相关系数反映了被选择指标与基准指标的时差相关关系。
负荷预测装置在获取到预设时段内影响目标电力系统的电力负荷的多组变量数据后，可以根据时差相关分析算法，分别计算每组变量数据中各个变量值与电力负荷的相关系数。
以目标电力系统的某月度电量y、汽车产量x为例，分别计算同步及超前该某月度1-12个月的相关系数，其中，l＝0为汽车产量和电量同步，l＝-1为汽车产量超前电量1个月，依次类推，l＝-12为汽车产量超前电量12个月，分别计算到的同步及超前1-12个月的相关系数如表一所示。
表一
延迟数 相关系数 释义
l＝0 0.6545 汽车产量与电量同步
l＝-1 0.6046 汽车产量超前电量1个月
l＝-2 0.8664 汽车产量超前电量2个月
l＝-3 0.5512 汽车产量超前电量3个月
l＝-4 0.4434 汽车产量超前电量4个月
l＝-5 0.4765 汽车产量超前电量5个月
l＝-6 0.4498 汽车产量超前电量6个月
l＝-7 0.5088 汽车产量超前电量7个月
l＝-8 0.4900 汽车产量超前电量8个月
l＝-9 0.4866 汽车产量超前电量9个月
l＝-10 0.4788 汽车产量超前电量10个月
l＝-11 0.4640 汽车产量超前电量11个月
l＝-12 0.4533 汽车产量超前电量12个月
从表一中可以看出，汽车产量超前电量2个月时，即l＝2，相关系数最大。
如此，可以计算得到每组变量数据中各个变量值与电力负荷的相关系数。
步骤S130、按照预设方式从目标组变量数据中确定至少一个目标变量值。
在一些实施例中，目标组变量数据，可以是上述多组变量数据中在组内存在至少一个相关系数大于第一预设阈值的变量值的任意组变量数据，目标变量值，可以是相关系数大于本组变量数据中其余变量值的相关系数，其中，其余变量值是指本组变量数据中除目标变量值以外的变量值。
以上述表一中数据为例，当第一预设阈值设置为0.9时，由于汽车产量数据中所有的相关系数均小于0.9，因此，汽车产量数据不是目标组变量数据；当第一预设阈值设置为0.8时，由于汽车产量数据中l＝-2对应的相关系数0.8664＞0.8，因此，汽车产量数据是目标组变量数据。
可选的，可以通过预设比例或者第二预设阈值的方式，从目标组变量数据中确定至少一个目标变量值，相应的处理可以如下：将目标组变量数据中相关系数大于第二预设阈值的变量值，确定为目标变量值；或者，将目标组变量数据中预设比例的变量值，确定为目标变量值；其中，预设比例的变量值的相关系数大于本组变量数据中其余变量值的相关系数，其中，其余变量值是指本组变量数据中除预设比例的变量值以外的变量值。
在一些实施例中，第二预设阈值可以是目标组变量数据中所有变量值的相关系数的平均值，也可以是目标组变量数据中所有变量值的相关系数的中位值，这里不作为其具体限定。预设比例可以是三分之一或者二分之一，这里不作为其具体限定。
步骤S140、将目标变量值输入至预设预测模型，得到目标电力系统的预测负荷。
在一些实施例中，预设预测模型可以基于极值梯度提升算法训练得到，预设预测模型的目标函数可以是以损失函数和正则项同时最小化为目标的函数。
具体的，极值梯度提升算法可以使用训练数据预测目标变量，训练数据可以包括前述得到的所有目标变量值中的部分或全部。极值梯度提升算法可以选择决策树作为其弱学习者，每次可以训练一个弱学习者，在训练下一个弱学习者之前，当前最后一个错误数据的权重会增加一点，然后尝试通过添加一个新的弱学习者来修正之前所有弱学习者的残差，最后使用多个弱学习者的加权和，来进行最终预测。极值梯度提升算法可以看作是由K个决策树组成的加法模型，其公式可以如下：
Figure BDA0002855952650000081
其中，fk是每个决策树，F是由所有决策树组成的函数空间。
在回归过程中，参数Θ＝{f1,f2,…,fK}，故加法模型下的目标函数可以为：
Figure BDA0002855952650000082
其中，对于决策树的正则化项，可以通过向量映射对每个决策树进行改进，如此，极值梯度提升算法的正则化项Ω(f)可以为：
Figure BDA0002855952650000091
此外，采用前向分布算法可以简化算法的复杂度。具体的，从开始到结束，每一步可以只学习一个基函数及其系数，然后逐步逼近优化目标函数。在第t步中，xi如下：
Figure BDA0002855952650000092
其中，ft(xi)是本轮学习的决策树。
如此，目标函数可以改进为：
Figure BDA0002855952650000093
在本发明实施例中，提出一种预设预测模型的配置过程，首先，定义预设预测模型的目标函数，该目标函数以同时最小化损失函数和正则项为目标，包括训练损失L(Θ)和正则化Ω(Θ)两部分：
Obj(Θ)＝L(Θ)+Ω(Θ)
最小化损失函数意味着该模型能更好地拟合训练数据，也意味着模型能更好地拟合实际数据。最小化正则项的优化可以降低模型的复杂度，并鼓励算法学习更简单的模型。因此，优化损失函数可以使模型脱离欠拟合状态，优化正则项可以防止模型过度拟合。如此，当整个目标函数值达到较小值时，该模型具有较好的预测效果。
然后，定义损失函数L(Θ)。在一些实施例中，损失函数可以是包括一阶项和二次项的均方误差(Mean Squared Error，MSE)，即：
Figure BDA0002855952650000094
如此，基于极值梯度提升算法的预设预测模型第t步的目标函数为：
Figure BDA0002855952650000101
其中，
Figure BDA0002855952650000102
是残差，将
Figure BDA0002855952650000103
带入上述目标函数，结合前面对正则化项的改进公式，使
Figure BDA0002855952650000104
如此，目标函数的最终公式如下：
Figure BDA0002855952650000105
值得一提的是，假设极值梯度提升算法的决策树的结构是固定的，且一阶导数为0，那么，这意味着目标函数是最优的，不能再沿梯度下降，进而可以得到叶节点j的相应参数值：
Figure BDA0002855952650000106
此时，目标函数的值为：
Figure BDA0002855952650000107
综上，采用极值梯度提升算法的预设预测模型的计算步骤可以包括：
第一步：在算法的每次迭代中生成一个新的决策树。
第二步：在每次迭代开始之前，计算每个训练样本点的损失函数的一阶和二阶导数。
第三步：利用贪心策略生成新的决策树，计算每个叶节点的预测值。
第四步：将新生成的决策树ft(x)添加到模型中：
Figure BDA0002855952650000108
需要说明的是，可以在第四步中，将模型的公式更新为：
Figure BDA0002855952650000109
其中α是步长或学习速率，如此，可以避免模型过度拟合。
在本发明实施例中，可以将目标变量值输入至预设预测模型，得到目标电力系统的预测负荷。由于目标变量值是通过时差相关分析算法，对获取的预设时段内影响目标电力系统的电力负荷的多组变量数据进行时差相关分析后得到的，因此，可以从电力负荷自身的发展规律和影响因素对电力负荷进行预测，能够提高负荷预测的准确率。此外，由于预设预测模型是基于极值梯度提升算法训练得到，且预设预测模型的目标函数以损失函数和正则项同时最小化为目标，因此，可以利用自定义的极值梯度提升算法，进一步提升负荷预测的准确率。
为了更好的理解上述实施例提供的负荷预测方法，下面给出一种具体应用场景的实施方式。
目标电力系统为某地区的高新园区的电力系统，采用该高新园区2018年全年负荷为预设预测模型的训练数据集，该高新园区2019年7月第一周的负荷数据作为测试数据，预测目标是当前时刻的下一小时的负荷。
经过分析发现，影响目标电力系统的电力负荷的多组变量数据包括：气象数据、经济数据、日历数据以及电网数据。其中，气象数据采用预测日期的前一个月的最高温度、最低温度和风速各自的平均值、方差、中值、四分位数；日历数据包括法定节假日、工作日、周六、周日(部分企业有不同的单休和双休日制度)；电网数据包括该高新园区中各企业历史负荷数据和该地区电网检修计划；经济数据包括该地区规模以上工业总产值、新兴产业固定资产投资、从业人数和房地产投资相关数据。此外，该高新园区有不同的支柱产业，不同行业的企业生产各类产品(例如电子设备，洗涤产品，汽车配件，生物医学，新能源发电设备等)，为了定量分析行业动态，可以将与该高新园区支柱产业相对应的产业库存趋势量化也作为变量数据。此外，该高新园区中77％的行业以电机和设备制造为主，还可以将输配电行业的股票指数作为变量数据。
通过时差相关分析后，发现天气和经济指标是主导影响因素，其中最高温度的平均值，方差和中值对模型的影响更大。在经济数据中，规模以上的工业库存指数和工业产出也很重要，这是引起负荷变化的重要经济指标。此外，检修计划与假期和负荷变化密切相关。
这样，可以将上述最高温度的平均值、方差和中值，规模以上的工业库存指数和工业产出，以及检修计划与假期输入至预设预测模型，可以得出预测日期的负荷。
基于上述实施例提供的负荷预测方法，相应地，本发明还提供了应用于该负荷预测方法的负荷预测装置的具体实现方式。请参见以下实施例。
如图2所示，提供了一种负荷预测装置，该装置包括：
获取模块210，用于获取预设时段内影响目标电力系统的电力负荷的多组变量数据；
计算模块220，用于根据时差相关分析算法，分别计算每组变量数据中各个变量值与电力负荷的相关系数；
确定模块230，用于按照预设方式从目标组变量数据中确定至少一个目标变量值；其中，目标组变量数据中存在至少一个相关系数大于第一预设阈值的变量值，目标变量值的相关系数大于本组变量数据中其余变量值的相关系数；
预测模块240，用于将目标变量值输入至预设预测模型，得到目标电力系统的预测负荷；其中，预设预测模型基于极值梯度提升算法训练得到，预设预测模型的目标函数以损失函数和正则项同时最小化为目标。
可选的，确定模块230，还用于：
将目标组变量数据中相关系数大于第二预设阈值的变量值，确定为目标变量值；
或者，将目标组变量数据中预设比例的变量值，确定为目标变量值；其中，预设比例的变量值的相关系数大于本组变量数据中其余变量值的相关系数。
可选的，损失函数为由一阶项和二次项组成的均方误差函数。
可选的，多组变量数据至少包括经济数据、气象数据、上下游产业链数据、日历数据以及电网数据中的一种；
其中，经济数据至少包括国民生产总值、固定资产投资额、进出口额以及三产增加值中的一种；
气象数据至少包括温度、湿度、降雨量以及风速中的一种；
上下游产业链数据至少包括汽车产量、钢铁产量、煤炭价格以及钢铁价格中的一种；
日历数据至少包括星期类型或节假日中的一种；
电网数据至少包括检修数据或者口径数据中的一种。
在本发明实施例中，可以将目标变量值输入至预设预测模型，得到目标电力系统的预测负荷。由于目标变量值是通过时差相关分析算法，对获取的预设时段内影响目标电力系统的电力负荷的多组变量数据进行时差相关分析后得到的，因此，可以从电力负荷自身的发展规律和影响因素对电力负荷进行预测，能够提高负荷预测的准确率。
此外，由于预设预测模型是基于极值梯度提升算法训练得到，且预设预测模型的目标函数以损失函数和正则项同时最小化为目标，因此，可以利用自定义的极值梯度提升算法，进一步提升负荷预测的准确率。
图3是本发明一实施例提供的电力设备的示意图。如图3所示，该实施例的电力设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个负荷预测方法实施例中的步骤。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述电力设备3中的执行过程。例如，所述计算机程序32可以被分割成获取模块、计算模块、确定模块以及预测模块，各模块具体功能如下：
获取模块，用于获取预设时段内影响目标电力系统的电力负荷的多组变量数据；
计算模块，用于根据时差相关分析算法，分别计算每组变量数据中各个变量值与电力负荷的相关系数；
确定模块，用于按照预设方式从目标组变量数据中确定至少一个目标变量值；其中，目标组变量数据中存在至少一个相关系数大于第一预设阈值的变量值，目标变量值的相关系数大于本组变量数据中其余变量值的相关系数；
预测模块，用于将目标变量值输入至预设预测模型，得到目标电力系统的预测负荷；其中，预设预测模型基于极值梯度提升算法训练得到，预设预测模型的目标函数以损失函数和正则项同时最小化为目标。
所述电力设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电力设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是电力设备3的示例，并不构成对电力设备3的限定，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，例如所述电力设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述电力设备3的内部存储单元，例如电力设备3的硬盘或内存。所述存储器31也可以是所述电力设备3的外部存储设备，例如所述电力设备3上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述电力设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述电力设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。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，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。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。
所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种负荷预测方法，其特征在于，包括：
获取预设时段内影响目标电力系统的电力负荷的多组变量数据；
根据时差相关分析算法，分别计算每组变量数据中各个变量值与所述电力负荷的相关系数；
按照预设方式从目标组变量数据中确定至少一个目标变量值；其中，所述目标组变量数据中存在至少一个相关系数大于第一预设阈值的变量值，所述目标变量值的相关系数大于本组变量数据中其余变量值的相关系数；
将所述目标变量值输入至预设预测模型，得到所述目标电力系统的预测负荷；其中，所述预设预测模型基于极值梯度提升算法训练得到，所述预设预测模型的目标函数以损失函数和正则项同时最小化为目标。
2.如权利要求1所述的负荷预测方法，其特征在于，所述按照预设方式从目标组变量数据中确定至少一个目标变量值，包括：
将目标组变量数据中相关系数大于第二预设阈值的变量值，确定为所述目标变量值；
或者，将目标组变量数据中预设比例的变量值，确定为所述目标变量值；其中，所述预设比例的变量值的相关系数大于本组变量数据中其余变量值的相关系数。
3.如权利要求1所述的负荷预测方法，其特征在于，所述损失函数为由一阶项和二次项组成的均方误差函数。
4.如权利要求1所述的负荷预测方法，其特征在于，所述多组变量数据至少包括经济数据、气象数据、上下游产业链数据、日历数据以及电网数据中的一种；
其中，所述经济数据至少包括国民生产总值、固定资产投资额、进出口额以及三产增加值中的一种；
所述气象数据至少包括温度、湿度、降雨量以及风速中的一种；
所述上下游产业链数据至少包括汽车产量、钢铁产量、煤炭价格以及钢铁价格中的一种；
所述日历数据至少包括星期类型或节假日中的一种；
所述电网数据至少包括检修数据或者口径数据中的一种。
5.一种负荷预测装置，其特征在于，包括：
获取模块，用于获取预设时段内影响目标电力系统的电力负荷的多组变量数据；
计算模块，用于根据时差相关分析算法，分别计算每组变量数据中各个变量值与所述电力负荷的相关系数；
确定模块，用于按照预设方式从目标组变量数据中确定至少一个目标变量值；其中，所述目标组变量数据中存在至少一个相关系数大于第一预设阈值的变量值，所述目标变量值的相关系数大于本组变量数据中其余变量值的相关系数；
预测模块，用于将所述目标变量值输入至预设预测模型，得到所述目标电力系统的预测负荷；其中，所述预设预测模型基于极值梯度提升算法训练得到，所述预设预测模型的目标函数以损失函数和正则项同时最小化为目标。
6.如权利要求5所述的负荷预测装置，其特征在于，所述确定模块，还用于：
将目标组变量数据中相关系数大于第二预设阈值的变量值，确定为所述目标变量值；
或者，将目标组变量数据中预设比例的变量值，确定为所述目标变量值；其中，所述预设比例的变量值的相关系数大于本组变量数据中其余变量值的相关系数。
7.如权利要求5所述的负荷预测装置，其特征在于，所述损失函数为由一阶项和二次项组成的均方误差函数。
8.如权利要求5所述的负荷预测装置，其特征在于，所述多组变量数据至少包括经济数据、气象数据、上下游产业链数据、日历数据以及电网数据中的一种；
其中，所述经济数据至少包括国民生产总值、固定资产投资额、进出口额以及三产增加值中的一种；
所述气象数据至少包括温度、湿度、降雨量以及风速中的一种；
所述上下游产业链数据至少包括汽车产量、钢铁产量、煤炭价格以及钢铁价格中的一种；
所述日历数据至少包括星期类型或节假日中的一种；
所述电网数据至少包括检修数据或者口径数据中的一种。
9.一种电力设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
CN202011546942.1A 2020-12-23 2020-12-23 负荷预测方法、装置、设备和存储介质 Pending CN112598181A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011546942.1A CN112598181A (zh) 2020-12-23 2020-12-23 负荷预测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011546942.1A CN112598181A (zh) 2020-12-23 2020-12-23 负荷预测方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN112598181A true CN112598181A (zh) 2021-04-02

Family

ID=75200805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011546942.1A Pending CN112598181A (zh) 2020-12-23 2020-12-23 负荷预测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112598181A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841457A (zh) * 2022-05-18 2022-08-02 上海玫克生储能科技有限公司 电力负荷估计方法及系统、电子设备及存储介质
CN114971090A (zh) * 2022-07-27 2022-08-30 中国电力科学研究院有限公司 一种电供暖负荷预测方法、系统、设备和介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053066A (zh) * 2017-12-12 2018-05-18 中国西电电气股份有限公司 工业生产用户能源管理系统中可调电力负荷的预测方法
CN108446795A (zh) * 2018-02-28 2018-08-24 广东电网有限责任公司电力调度控制中心 电力系统负荷波动分析方法、装置及可读存储介质
CN108846528A (zh) * 2018-09-19 2018-11-20 云南电网有限责任公司信息中心 一种大工业电力用户长期负荷预测方法
CN111680841A (zh) * 2020-06-10 2020-09-18 广东电网有限责任公司 基于主成分分析的短期负荷预测方法、系统及终端设备
CN111967655A (zh) * 2020-07-28 2020-11-20 中国南方电网有限责任公司 一种短期负荷预测方法及系统
CN112001439A (zh) * 2020-08-19 2020-11-27 西安建筑科技大学 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053066A (zh) * 2017-12-12 2018-05-18 中国西电电气股份有限公司 工业生产用户能源管理系统中可调电力负荷的预测方法
CN108446795A (zh) * 2018-02-28 2018-08-24 广东电网有限责任公司电力调度控制中心 电力系统负荷波动分析方法、装置及可读存储介质
CN108846528A (zh) * 2018-09-19 2018-11-20 云南电网有限责任公司信息中心 一种大工业电力用户长期负荷预测方法
CN111680841A (zh) * 2020-06-10 2020-09-18 广东电网有限责任公司 基于主成分分析的短期负荷预测方法、系统及终端设备
CN111967655A (zh) * 2020-07-28 2020-11-20 中国南方电网有限责任公司 一种短期负荷预测方法及系统
CN112001439A (zh) * 2020-08-19 2020-11-27 西安建筑科技大学 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841457A (zh) * 2022-05-18 2022-08-02 上海玫克生储能科技有限公司 电力负荷估计方法及系统、电子设备及存储介质
CN114971090A (zh) * 2022-07-27 2022-08-30 中国电力科学研究院有限公司 一种电供暖负荷预测方法、系统、设备和介质

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
CN112488395B (zh) 一种配电网线损预测方法及系统
López et al. Application of SOM neural networks to short-term load forecasting: The Spanish electricity market case study
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN110889527B (zh) 一种基于lstm神经网络的电动汽车充电负荷预测方法
Yu et al. Error correction method based on data transformational GM (1, 1) and application on tax forecasting
CN113743673B (zh) 一种台风期间的电力负荷预测方法
CN113705929B (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN114372360A (zh) 用于电力负荷预测的方法、终端及存储介质
CN113361195B (zh) 一种基于lstm和相似日的配电网线路超短期负荷预测方法
CN113177366B (zh) 一种综合能源系统规划方法、装置和终端设备
CN112598181A (zh) 负荷预测方法、装置、设备和存储介质
CN115860797B (zh) 一种适应新电价改革形势的电量需求预测方法
CN112651563A (zh) 负荷预测方法、装置、计算机可读存储介质及电子设备
CN112288140A (zh) 一种基于Keras的短期电力负荷预测方法、存储介质和设备
CN112508299A (zh) 一种电力负荷预测方法、装置、终端设备及存储介质
CN113240153A (zh) 光伏发电数据预测方法、装置、计算设备及存储介质
CN113112099A (zh) 电网日电量预测模型训练方法和电网日电量预测方法
CN111697560B (zh) 一种基于lstm预测电力系统负荷的方法及系统
Zhang et al. Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM
CN112308335A (zh) 一种基于xgboost算法的短期电价预测方法及装置
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
CN114943565A (zh) 基于智能算法的电力现货价格预测方法及装置
CN116663746A (zh) 一种电力负荷预测方法、装置、计算机设备及存储介质
CN113657936A (zh) 电力负荷预测方法及终端

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: 20210402

RJ01 Rejection of invention patent application after publication