CN112598248B - 负荷预测方法、装置、计算机设备和存储介质 - Google Patents
负荷预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112598248B CN112598248B CN202011485775.4A CN202011485775A CN112598248B CN 112598248 B CN112598248 B CN 112598248B CN 202011485775 A CN202011485775 A CN 202011485775A CN 112598248 B CN112598248 B CN 112598248B
- Authority
- CN
- China
- Prior art keywords
- load data
- historical load
- statistical
- time period
- statistical characteristic
- 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 84
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 91
- 238000004364 calculation method Methods 0.000 claims abstract description 90
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 76
- 238000004458 analytical method Methods 0.000 claims description 61
- 238000012360 testing method Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000013598 vector Substances 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (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
本申请涉及一种负荷预测方法、装置、计算机设备和存储介质,适用于电力系统技术领域。方法包括:获取待预测的目标时间段之前的预设时间段内,目标台区中配电变压器的历史负荷数据;按照预设的统计策略对历史负荷数据进行统计学计算,得到历史负荷数据对应的N个统计特征参数,N为正整数;将N个统计特征参数输入至预测模型中,得到预测模型输出的目标时间段内配电变压器的负荷数据,预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层。采用本方法能够针对不同的台区配电变压器,将不同的统计特征参数输至预测模型,从而解决了台区配电变压器,随机波动大的问题,使得对台区配电变压器变进行负荷预测得到的预测结果更加准确。
Description
技术领域
本申请涉及电力系统技术领域,特别是涉及一种负荷预测方法、装置、计算机设备和存储介质。
背景技术
随着科学技术的发展,电力系统的发展已经越来越成熟。为了保证电力系统的正常运行,通常需要对电力系统的负荷进行预测,防止过大的电力负荷损坏电力系统。因此,负荷预测对于电力系统规划、保障电网安全运行及经济效益具有重大的作用,那么如何进行有效的负荷预测已经成为电力系统中的一个重要问题。
传统技术中,负荷预测的研究主要是针对市、区、县等系统级的总负荷,这些系统级的负荷都在MW以上。
然而,目前对于台区配电变压器的负荷预测的研究相对较少,由于配电变压器的负荷等级为kW,配变的容量小、负荷区域有限,随机波动性大,所以对台区配电变压器变进行负荷预测较为困难。
发明内容
基于此,有必要针对上述技术问题,提供一种负荷预测方法、装置、计算机设备和存储介质,能够解决台区配电变压器的负荷预测困难的问题。
第一方面,提供了一种负荷预测方法,方法包括:获取待预测的目标时间段之前的预设时间段内,目标台区中配电变压器的历史负荷数据;按照预设的统计策略对历史负荷数据进行统计学计算,得到历史负荷数据对应的N个统计特征参数,N为正整数;将N个统计特征参数输入至预测模型中,得到预测模型输出的目标时间段内配电变压器的负荷数据,预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层。
在其中一个实施例中,按照预设的统计策略对历史负荷数据进行统计学计算,得到历史负荷数据对应的N个统计特征参数,包括:对预设时间段最后一天的历史负荷数据进行统计学计算,得到第一统计特征参数;对预设时间段最后三天的历史负荷数据进行统计学计算,得到第二统计特征参数;对预设时间段最后七天的历史负荷数据进行统计学计算,得到第三统计特征参数;对预设时间段最后四个同一星期类型的历史负荷数据进行统计学计算,得到第四统计特征参数;对预设时间段最后三十天的历史负荷数据进行统计学计算,得到第五统计特征参数。
在其中一个实施例中,第一统计特征参数包括:预设时间段最后一天的历史负荷数据对应的每时的负荷数据、日负荷数据均值、日负荷数据最低值以及日负荷数据最高值;第二统计特征参数,包括:预设时间段最后三天的历史负荷数据对应的日负荷数据均值;第三统计特征参数,包括:预设时间段最后七天的历史负荷数据对应的每时的负荷数据以及日负荷数据均值;第四统计特征参数,包括:预设时间段最后四个同一星期类型的历史负荷数据对应的每时的负荷数据;第五统计特征参数,包括:预设时间段最后三十天的历史负荷数据对应的每时的负荷数据均值。
在其中一个实施例中,模型的训练过程包括:获取配电变压器的多个样本历史负荷数据;对多个样本历史负荷数据进行预处理,得到预处理后的多个样本历史负荷数据;对预处理后的多个样本历史负荷数据进行随机性分析,剔除随机性较大的样本历史负荷数据,得到随机性分析处理后的样本历史负荷数据;从随机性分析处理后的样本历史负荷数据中抽取多个训练样本历史负荷数据;按照预设的统计策略对各训练样本历史负荷数据进行统计学计算,得到各训练样本历史负荷数据对应的M个统计特征参数;对M个统计特征参数进行提取,得到N个统计特征参数;基于多个训练样本历史负荷数据中的N个统计特征参数,对未经训练的预测模型进行训练,得到预测模型。
在其中一个实施例中,对多个样本历史负荷数据进行预处理,得到预处理后的多个样本历史负荷数据,包括:去除样本历史负荷数据中的错误值与冗余值;查询样本历史负荷数据中缺失的数据段,并确定缺失的数据段对应的缺失时间长度,依据缺失时间长度补全缺失的数据段。
在其中一个实施例中,依据缺失时间长度补全缺失的数据段,包括:若缺失时间长度在1小时以内,则采用插值法填补全缺失的数据段;若缺失时间长度大于1小时小于24小时,则采用目标时间段最后三天相同时间段的负荷数据的平均值补全缺失的数据段;若缺失时间长度大于等于24小时,采用目标时间段最后七天相同时间段的负荷数据的平均值补全缺失的数据段。
在其中一个实施例中,对预处理后的多个样本历史负荷数据进行随机性分析,剔除随机性较大的样本历史负荷数据,得到随机性分析处理后的样本历史负荷数据,包括:基于LB统计量对预处理后的多个样本历史负荷数据的时间序列进行白噪声检验;根据白噪声检验结果,判断时间序列是否具有随机性分析,剔除随机性较大的样本历史负荷数据的时间序列,得到随机性分析处理后的样本历史负荷数据。
在其中一个实施例中,对M个统计特征参数进行提取,得到N个统计特征参数,包括:基于皮尔森相关系数法,分别计算各样本历史负荷数据中M个统计特征参数与作为预测模型输出的真实历史负荷数据之间的相关系数;并基于相关系数,提取相关系数大于预设相关系数阈值的统计特征参数,得到N个统计特征参数。
在其中一个实施例中,基于多个训练样本历史负荷数据中的N个统计特征参数,对未经训练的预测模型进行训练,得到预测模型,包括:采用Adam优化算法,将平均绝对误差作为预测模型的损失函数,对预测模型进行训练。
第二方面,提供了一种负荷预测装置,装置包括:
获取模块,用于获取待预测的目标时间段之前的预设时间段内,目标台区中配电变压器的历史负荷数据;
计算模块,用于按照预设的统计策略对历史负荷数据进行统计学计算,得到历史负荷数据对应的N个统计特征参数,N为正整数;
预测模块,用于将N个统计特征参数输入至预测模型中,得到预测模型输出的目标时间段内配电变压器的负荷数据,预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层。
在其中一个实施例中,上述计算模块,具体用于:对预设时间段最后一天的历史负荷数据进行统计学计算,得到第一统计特征参数;对预设时间段最后三天的历史负荷数据进行统计学计算,得到第二统计特征参数;对预设时间段最后七天的历史负荷数据进行统计学计算,得到第三统计特征参数;对预设时间段最后四个同一星期类型的历史负荷数据进行统计学计算,得到第四统计特征参数;对预设时间段最后三十天的历史负荷数据进行统计学计算,得到第五统计特征参数。
在其中一个实施例中,计算模块计算得到的第一统计特征参数,包括:预设时间段最后一天的历史负荷数据对应的每时的负荷数据、日负荷数据均值、日负荷数据最低值以及日负荷数据最高值;第二统计特征参数,包括:预设时间段最后三天的历史负荷数据对应的日负荷数据均值;第三统计特征参数,包括:预设时间段最后七天的历史负荷数据对应的每时的负荷数据以及日负荷数据均值;第四统计特征参数,包括:预设时间段最后四个同一星期类型的历史负荷数据对应的每时的负荷数据;第五统计特征参数,包括:预设时间段最后三十天的历史负荷数据对应的每时的负荷数据均值。
在其中一个实施例中,上述预测模块,具体用于:获取配电变压器的多个样本历史负荷数据;对多个样本历史负荷数据进行预处理,得到预处理后的多个样本历史负荷数据;对预处理后的多个样本历史负荷数据进行随机性分析,剔除随机性较大的样本历史负荷数据,得到随机性分析处理后的样本历史负荷数据;从随机性分析处理后的样本历史负荷数据中抽取多个训练样本历史负荷数据;按照预设的统计策略对各训练样本历史负荷数据进行统计学计算,得到各训练样本历史负荷数据对应的M个统计特征参数;对M个统计特征参数进行提取,得到N个统计特征参数;基于多个训练样本历史负荷数据中的N个统计特征参数,对未经训练的预测模型进行训练,得到预测模型。
在其中一个实施例中,上述预测模块,具体用于:去除样本历史负荷数据中的错误值与冗余值;查询样本历史负荷数据中缺失的数据段,并确定缺失的数据段对应的缺失时间长度,依据缺失时间长度补全缺失的数据段。
在其中一个实施例中,上述预测模块,具体用于:若缺失时间长度在1小时以内,则采用插值法填补全缺失的数据段;若缺失时间长度大于1小时小于24小时,则采用目标时间段最后三天相同时间段的负荷数据的平均值补全缺失的数据段;若缺失时间长度大于等于24小时,采用目标时间段最后七天相同时间段的负荷数据的平均值补全缺失的数据段。
在其中一个实施例中,上述预测模块,具体用于:基于LB统计量对预处理后的多个样本历史负荷数据的时间序列进行白噪声检验;根据白噪声检验结果,判断时间序列是否具有随机性分析,剔除随机性较大的样本历史负荷数据的时间序列,得到随机性分析处理后的样本历史负荷数据。
在其中一个实施例中,上述预测模块,具体用于:基于皮尔森相关系数法,分别计算各样本历史负荷数据中M个统计特征参数与作为预测模型输出的真实历史负荷数据之间的相关系数;并基于相关系数,提取相关系数大于预设相关系数阈值的统计特征参数,得到N个统计特征参数。
在其中一个实施例中,上述预测模块,具体用于:采用Adam优化算法,将平均绝对误差作为预测模型的损失函数,对预测模型进行训练。
第三方面,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面任一所述的负荷预测方法。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一所述的负荷预测方法。
上述负荷预测方法、装置、计算机设备和存储介质,通过获取待预测的目标时间段之前的预设时间段内,目标台区中配电变压器的历史负荷数据,并按照预设的统计策略对历史负荷数据进行统计学计算,得到历史负荷数据对应的N个统计特征参数,N为正整数。将N个统计特征参数输入至预测模型中,得到预测模型输出的目标时间段内配电变压器的负荷数据,预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层。上述方法,由于获取待预测的目标时间段之间的预设时间段内,目标台区中配电变压器的历史符合数据,使得用于预测的历史负荷数据与待预测的目标时间段内的负荷数据更加相似,从而保证负荷预测的准确性,此外,按照预设的统计策略对历史负荷数据进行统计学计算,得到历史负荷数据对应的N个统计特征参数。在上述方法中针对不同的台区配电变压器,预设的统计策略不同,从而得到的统计特征参数不同,针对的预测模型也不同。将不同的统计特征参数输入至不同的预测模型中,预测模型输出的负荷数据也不同。因此,本方法针对不同的台区配电变压器,基于不同的统计策略计算得到不同的统计特征参数,从而将不同的统计特征参数输至预测模型,从而解决了台区配电变压器,随机波动大的问题,使得对台区配电变压器变进行负荷预测得到的预测结果更加准确。
附图说明
图1为一个实施例中负荷预测方法的应用环境图;
图2为一个实施例中负荷预测方法的流程示意图;
图3为一个实施例中负荷预测步骤的流程示意图;
图4为另一个实施例中负荷预测方法的流程示意图;
图5为另一个实施例中负荷预测步骤的流程示意图;
图6为另一个实施例中负荷预测方法的流程示意图;
图7为另一个实施例中负荷预测步骤的流程示意图;
图8为另一个实施例中负荷预测方法的流程示意图;
图9为一个实施例中负荷预测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的负荷预测方法,可以应用于如图1所示的应用环境中。该应用环境提供了一种计算机设备,该计算机设备可以是服务器也可以是终端,当该计算机设备是终端时,计算机设备可以为笔记本电脑、台式电脑、工业电脑等。其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储负荷预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种负荷预测方法。当该计算机设备为终端时,该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个本申请可选的实施例中,如图2所示,提供了一种负荷预测方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
步骤201,计算机设备获取待预测的目标时间段之前的预设时间段内,目标台区中配电变压器的历史负荷数据。
在本申请实施例中,计算机设备获取待预测的目标时间段之前的预设时间段内目标台区中配电变压器的历史负荷数据。其中,待预测的目标时间段可以为一个月,也可以为15天,还可以为1天,还可以为1个小时,本申请对待预测的目标时间段不做具体限定。预设时间段可以为三个月,也可以为30天,还可以为15天,本申请对预设时间段不做具体限定。
在本申请实施例中,目标台区中配电变压器是指针对各台区的配电变压器,台区中配电变压器负荷等级为KW,配变的容量相对较小。目标台区中配电变压器的历史负荷数据可以为配电变压器实际功率与上配电变压器的额定功率的比值。
在本申请实施例中,配电变压器的历史负荷数据可以每隔15分钟获取一次,也可以每隔半个小时获取一次。因此,计算机设备可以从目标台区中的配电变压器提取出多个待预测的目标时间段之前的预设时间段内,目标台区中配电变压器的历史负荷数据。
步骤202,计算机设备按照预设的统计策略对历史负荷数据进行统计学计算,得到历史负荷数据对应的N个统计特征参数,N为正整数。
在本申请实施例中,计算机设备获取到目标台区中配电变压器的历史负荷数据之后,可以按照预设的统计策略对历史负荷数据进行统计学计算。其中,预设的统计策略可以包括计算每日历史负荷数据的均值、最大值、最小值以及方差等,还可以包括计算多日历史负荷数据的均值、最大值、最小值以及方差等,本申请实施例对预设的统计策略不做具体限定。此外,预设的统计策略还可以针对不同的目标台区中的配电变压器而不同。
在本申请实施例中,计算机设备按照预设的统计策略对历史负荷数据进行统计学计算,可以得到历史负荷数据对应的N个统计特征参数,N为正整数。其中,N个统计特征参数可以包括每日历史负荷数据的均值、最大值、最小值以及方差等统计特征参数,还可以包括多日历史负荷数据的均值、最大值、最小值以及方差等统计特征参数,本申请实施例对N个统计特征参数的具体统计特征参数不做具体限定,对N的具体数值也不做具体限定。
步骤203,计算机设备将N个统计特征参数输入至预测模型中,得到预测模型输出的目标时间段内配电变压器的负荷数据。
在本申请实施例中,预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层。
在本申请实施例中,计算机设备将N个统计特征参数输入至预测模型,其中,预测模型可以由1个输入层、1个CNN层、2个LSTM层以及1个输出层构成。其中,输入层采用全连接层,起到分类器的作用,目的是为了将输入的N个统计特征参数映射到样本标记空间。CNN层为一维卷积网络,由1个卷积层、1个池化层、1个Dropout层组成和1个全连接层组成,卷积层是用于特征提取,为了得到更深层次的特征。设定其参数为:感受野为7,卷积核为16,使用relu作为激活函数,激活函数是用来加入非线性因素的,线性模型无法表达出复杂的对应关系。池化层也称为欠采样或下采样。主要用于特征降维,压缩数据和参数的数量,减小过拟合,同时提高模型的容错性。池化层的采样因子为2。Dropout层用于减少过拟合,配置为随机排除层中20%的神经元,以减少过度拟合,全连接层具有64个神经元,采用sigmoid作为激活函数。综上,CNN层的输入的为全连接层输出的结果,经过卷积层来获得输出为高级特征,经过池化层进行特征降维,最后Dropout层进行减少过拟合,得到的特征数据作为LSTM层的输入量。
在本申请实施例中,预测模型可以包括2个LSTM层,其中,2个LSTM层对CNN层提取的特征向量进行学习。在本申请实施例中,长短期记忆网络LSTM是一种特殊的循环神经网络RNN,主要通过三个门控逻辑实现(遗忘门、输入门、输出门)。它的提出就是为了解决长序列训练过程中的梯度消失和梯度爆炸问题,非常适合处理长时间序列。首先将判断模型网络的记忆态(之前网络的状态)在该层输出的结果是否达到阈值,从而判断是否加入到当前该层的计算中。门节点利用sigmoid函数将网络的记忆态作为输入计算;如果输出结果达到阈值则将该门输出与当前层的的计算结果相乘作为下一层的输入如果没有达到阈值则将该输出结果遗忘掉。每一层包括门节点的权重都会在每一次模型反向传播训练过程中更新。
在本申请实施例中,2个LSTM层中的第1个LSTM层具有64个神经元,第2个LSTM层具有32个神经元。预测模型中的输出层为全连接层Dense,输出维度为24,采用sigmoid的作为激活函数,输出结果为未来24小时的负荷预测数据。
上述负荷预测方法,计算机设备通过获取待预测的目标时间段之前的预设时间段内,目标台区中配电变压器的历史负荷数据,并按照预设的统计策略对历史负荷数据进行统计学计算,得到历史负荷数据对应的N个统计特征参数,N为正整数。将N个统计特征参数输入至预测模型中,得到预测模型输出的目标时间段内配电变压器的负荷数据,预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层。上述方法,由于计算机设备获取待预测的目标时间段之间的预设时间段内,目标台区中配电变压器的历史负荷数据,使得用于预测的历史负荷数据与待预测的目标时间段内的负荷数据具有更大的相关性,从而保证负荷预测的准确性,此外,按照预设的统计策略对历史负荷数据进行统计学计算,得到历史负荷数据对应的N个统计特征参数。在上述方法中针对不同的台区配电变压器,预设的统计策略不同,从而得到的统计特征参数不同,针对的预测模型也不同。将不同的统计特征参数输入至不同的预测模型中,预测模型输出的负荷数据也不同。因此,本方法针对不同的台区配电变压器,基于不同的统计策略计算得到不同的统计特征参数,从而将不同的统计特征参数输至预测模型,从而解决了台区配电变压器,随机波动大的问题,使得对台区配电变压器变进行负荷预测得到的预测结果更加准确。
在一个本申请可选的实施例中,如图3所示,按照预设的统计策略对历史负荷数据进行统计学计算,得到历史负荷数据对应的N个统计特征参数,可以包括以下步骤:
步骤301,计算机设备对预设时间段最后一天的历史负荷数据进行统计学计算,得到第一统计特征参数。其中,第一统计特征参数包括预设时间段最后一天的历史负荷数据对应的每时的负荷数据、日负荷数据均值、日负荷数据最低值以及日负荷数据最高值。
在本申请实施例中,计算机设备获取到历史负荷数据之后,针对预设时间段最后一天的历史负荷数据,计算预设时间段最后一天的历史负荷数据每时的负荷数据、日负荷数据均值、日负荷数据最低值以及日负荷数据最高值,得到第一统计特征参数。
例如,在本申请实施例中,配电变压器的历史负荷数据可以每隔15分钟获取一次,目标时间段为2020年12月1日这一天,预设时间段可以为待预测的目标时间段之前的30天,即2020年11月1日-2020年11月30日。计算机设备获取2020年11月1日-2020年11月30日的历史负荷数据,并针对2020年11月30日的历史负荷数据,将每个小时获取到的4个历史负荷数据进行求平均值计算,得到每时的负荷数;将得到的每时的负荷数据进行相加之后除以24,得到日负荷数据均值;从2020年11月30日获取到的所有负荷数据中提取最小值,得到日负荷数据最低值;从2020年11月30日获取到的所有负荷数据中提取最大值,得到日负荷数据最高值。针对计算得到每时的负荷数据、日负荷数据均值、日负荷数据最低值以及日负荷数据最高值,得到第一统计特征参数。
步骤302,计算机设备对预设时间段最后三天的历史负荷数据进行统计学计算,得到第二统计特征参数。其中,第二统计特征参数,包括:预设时间段最后三天的历史负荷数据对应的日负荷数据均值。
在本申请实施例中,计算机设备获取到历史负荷数据之后,针对预设时间段最后三天的历史负荷数据,计算预设时间段最后三天的历史负荷数据每日负荷数据的均值,得到第二统计特征参数。
例如,在本申请实施例中,配电变压器的历史负荷数据可以每隔15分钟获取一次,目标时间段为2020年12月1日这一天,预设时间段可以为待预测的目标时间段之前的30天,即2020年11月1日-2020年11月30日。计算机设备获取2020年11月1日-2020年11月30日的历史负荷数据,并针对2020年11月28日-2020年11月30日的历史负荷数据,并分别计算2020年11月28日-2020年11月30日每日的对应的日负荷数据均值,得到第三统计特征参数。
步骤303,计算机设备对预设时间段最后七天的历史负荷数据进行统计学计算,得到第三统计特征参数。其中,第三统计特征参数,包括:预设时间段最后七天的历史负荷数据对应的每时的负荷数据以及日负荷数据均值。
在本申请实施例中,计算机设备获取到历史负荷数据之后,对预设时间段最后七天的历史负荷数据进行统计学计算,计算预设时间段最后七天的历史负荷数据对应的每时的负荷数据以及日负荷数据均值,得到第三统计特征参数。
例如,在本申请实施例中,配电变压器的历史负荷数据可以每隔15分钟获取一次,目标时间段为2020年12月1日这一天,预设时间段可以为待预测的目标时间段之前的30天,即2020年11月1日-2020年11月30日。计算机设备获取2020年11月1日-2020年11月30日的历史负荷数据,并针对2020年11月28日-2020年11月30日的历史负荷数据,并分别计算2020年11月24日-2020年11月30日对应的每时的负荷数据以及日负荷数据均值,得到第三统计特征参数。
步骤304,计算机设备对预设时间段最后四个同一星期类型的历史负荷数据进行统计学计算,得到第四统计特征参数。其中,第四统计特征参数,包括:预设时间段最后四个同一星期类型的历史负荷数据对应的每时的负荷数据。
在本申请实施例中,获取到历史负荷数据之后,对预设时间段最后四个同一星期类型的历史负荷数据进行统计学计算,计算预设时间段最后四个同一星期类型的历史负荷数据对应的每时的负荷数据,得到第四统计特征参数。
例如,在本申请实施例中,配电变压器的历史负荷数据可以每隔15分钟获取一次,目标时间段为2020年12月1日这一天,预设时间段可以为待预测的目标时间段之前的30天,即2020年11月1日-2020年11月30日。计算机设备获取2020年11月1日-2020年11月30日的历史负荷数据,并针对2020年11月3日、2020年11月10日、2020年11月17日以及2020年11月24日的历史负荷数据,并分别计算2020年11月3日、2020年11月10日、2020年11月17日以及2020年11月24日对应的每时的负荷数据以及日负荷数据均值,得到第四统计特征参数。
步骤305,计算机设备对预设时间段最后三十天的历史负荷数据进行统计学计算,得到第五统计特征参数。其中,第五统计特征参数,包括:预设时间段最后三十天的历史负荷数据对应的每时的负荷数据均值。
在本申请实施例中,获取到历史负荷数据之后,对预设时间段最后三十天的历史负荷数据进行统计学计算,计算预设时间段最后三十天的历史负荷数据对应的每时的负荷数据对应的每时的负荷数据均值,得到第五统计特征参数。
本申请实施例中,通过分别对预设时间段最后一天的历史负荷数据进行统计学计算,得到第一统计特征参数;对预设时间段最后三天的历史负荷数据进行统计学计算,得到第二统计特征参数;对预设时间段最后七天的历史负荷数据进行统计学计算,得到第三统计特征参数;对预设时间段最后四个同一星期类型的历史负荷数据进行统计学计算,得到第四统计特征参数;对预设时间段最后三十天的历史负荷数据进行统计学计算,得到第五统计特征参数。从而获取到针对目标台区中的配电变压器的特有的统计特征参数,将这些特有的统计特征参数输入至针对目标台区中的配电变压器特有的预测模型,从而能够预测得到针对目标台区中的配电变压器的负荷数据,从而有效解决了配电变压器随机波动大的问题,使得预测得到的目标台区配电变压的负荷数据更加准确。
在一个本申请可选的实施例中,如图4所示,上述预测模型的训练过程可以包括以下步骤:
步骤401,计算机设备获取配电变压器的多个样本历史负荷数据。
在本申请实施例中,计算机设备获取目标台区中配电变压器的多个样本历史负荷数据,多个样本历史负荷数据可以是过去一年内的历史负荷数据,也可以是过去半年内的历史负荷数据,本申请对获取到的多个样本历史负荷数据的数量不做具体限定。
在本申请实施例中,获取多个样本历史负荷数据的方法与上述步骤202获取历史负荷数据的方法可以相同,也可以不同,本申请实施例对获取样本历史负荷数据的方式不做具体限定。
步骤402,计算机设备对多个样本历史负荷数据进行预处理,得到预处理后的多个样本历史负荷数据。
在本申请实施例中,计算机设备获取到多个样本历史负荷数据之后,为了保证多个历史负荷数据的准确性,要对获取到的多个样本历史负荷数据进行数据清洗,从中删除错误值和冗余值,对于缺失值可以采用插值的方式补全。本申请实施例对多个样本历史负荷数据的预处理过程不做具体限定。
步骤403,计算机设备对预处理后的多个样本历史负荷数据进行随机性分析,剔除随机性较大的样本历史负荷数据,得到随机性分析处理后的样本历史负荷数据。
在本申请实施例中,计算机设备对预处理后的多个样本历史负荷数据进行随机性分析。其中,随机性分析一般也称白噪声检验,常用构建统计量来对时间序列的随机性进行检验,常用的检测方法可以包括:游程检验,反演总数检验,递差检验,递差符号游程检验,临界点频数检验,相频数检验,相长度检验、Q统计量检验以及LB统计量检验,本申请对随机性分析使用的方法不做具体限定。
在本申请实施例中,计算机设备可以将样本历史负荷数据分割为多个时间序列数据,并分别检测各时间序列数据中的任一历史负荷数据与其他历史负荷数据之间的相关性,并根据相关性结果,判断各时间序列数据是否为随机序列数据,从而得到随机性分析结果。计算机设备根据随机性分析的结果,从中剔除随机性较大的样本历史负荷数据,得到随机性分析处理后的样本历史负荷数据。
步骤404,计算机设备从随机性分析处理后的样本历史负荷数据中抽取多个训练样本历史负荷数据。
在本申请实施例中,计算机设备将随机性分析处理后的样本历史负荷数据分割为多个训练样本历史负荷数据。其中,每个训练样本历史负荷数据中分别包括用于训练预测模型的输入数据与输出数据。其中,输入数据为多个历史负荷数据,输出数据为输入数据对应的进行标注后的真实历史负荷数据。
步骤405,计算机设备按照预设的统计策略对各训练样本历史负荷数据进行统计学计算,得到各训练样本历史负荷数据对应的M个统计特征参数。
在本申请实施例中,计算机设备根据预设的统计策略计算各训练样本历史负荷数据对应的每日中每时的历史负荷数据,每日历史负荷数据的均值、每日历史负荷数据的最高值以及每日历史负荷数据的最小值,根据计算结果,得到各训练样本历史负荷数据对应的M个统计特征参数。
步骤406,计算机设备对M个统计特征参数进行提取,得到N个统计特征参数。
在本申请实施例中,为了保证训练的预测模型的准确性,需要从M个统计特征参数中提取出与预测模型输出的预测数据之间的相关性较大的N个统计特征参数。因此,计算机设备在计算得到M个统计特征参数后,需要分别计算M个统计特征参数与预测数据之间的相关性,并对基于M个统计特征参数与预测数据之间的相关性由大到小进性排序,从中提取出排在前N个的统计特征参数,从而,得到N个统计特征参数。其中,预测数据为各训练样本历史负荷数据对应的进行标注后的真实历史负荷数据。
步骤407,计算机设备基于多个训练样本历史负荷数据中的N个统计特征参数,对未经训练的预测模型进行训练,得到预测模型。
在本申请实施例中,从M个统计特征参数进行提取N个统计特征参数后,基于多个训练样本历史负荷数据中的N个统计特征参数,对未经训练的预测模型进行训练,得到预测模型。
可选的,在本申请实施例中,以CNN与LSTM网络模型为例说明,CNN与LSTM网络模型的正向传播过程中,输入数据从输入层输入,经由隐藏层逐层处理,最后通过输出层输出结果,为了使输出层的输出结果精度更高,更准确,在训练过程中,计算机设备可以根据每一次的训练结果的误差平方和,调整以CNN与LSTM网络模型的学习速度,或根据每一次的训练结果的误差平方和,采用反向传播,调整以CNN与LSTM网络模型输入参数,多次执行调整操作,直到该以CNN与LSTM网络模型的输出结果满足数据精度要求,或者达到预设的训练次数,停止训练,得到负荷预测模型,本实施例对此不做限定。
在本申请实施例中,通过获取配电变压器的多个样本历史负荷数据,并对多个样本历史负荷数据进行预处理,得到预处理后的多个样本历史负荷数据,从而保证了样本历史负荷数据的准确性,避免了因为数据不准确而导致预测模型不准确的问题。对预处理后的多个样本历史负荷数据进行随机性分析,剔除随机性较大的样本历史负荷数据,得到随机性分析处理后的样本历史负荷数据,从随机性分析处理后的样本历史负荷数据中抽取多个训练样本历史负荷数据。在本申请实施例中,通常配电变压器的负荷数据具有随机性,不利于对负荷数据进行预测。因此,如果配电变压器的负荷数据随机性较大,那么将无法实现对配电变压器负荷数据的预测。因此,需要对预处理后的多个样本历史负荷数据进行随机性分析,并且从中剔除随机性较大的样本历史负荷数据,保证获取的样本历史负荷数据为非随机性历史负荷数据。然后从随机性分析处理后的样本历史负荷数据中抽取多个训练样本历史负荷数据,按照预设的统计策略对各训练样本历史负荷数据进行统计学计算,得到针对目标台中配电变压器中的各训练样本历史负荷数据对应的M个统计特征参数。对M个统计特征参数进行提取,从中提取出与预测结果数据相关性较大的N个统计特征参数,基于多个训练样本历史负荷数据中的N个统计特征参数,对未经训练的预测模型进行训练,得到预测模型。使得最终训练出的预测模型更加适用于目标台区的配电变压器,解决配电变压器负荷预测随机波动大的问题。
在一个本申请可选的实施例中,如图5所示,上述对多个样本历史负荷数据进行预处理,得到预处理后的多个样本历史负荷数据,可以包括以下步骤:
步骤501,计算机设备去除样本历史负荷数据中的错误值与冗余值。
在本申请实施例中,由于历史负荷数据可以为配电变压器实际功率与上配电变压器的额定功率的比值,因此负荷数据应该大于0且小于100。本申请实施例中的错误值为小于0或大于100的样本历史负载数据,冗余值为重复出现的相同的样本历史负荷数据。使用数据筛选的方法,筛选出小于0或大于100的样本历史负载数据,并将筛选出的小于0或大于100的样本历史负载数据删除,然后利用删除重复数据的方式将样本历史负荷数据中的冗余值去掉。
步骤502,计算机设备查询样本历史负荷数据中缺失的数据段,并确定缺失的数据段对应的缺失时间长度,依据缺失时间长度补全缺失的数据段。
其中一种情况,若缺失时间长度在1小时以内,则采用插值法填补全缺失的数据段。
其中另一种情况,若缺失时间长度大于1小时小于24小时,则采用目标时间段最后三天相同时间段的负荷数据的平均值补全缺失的数据段。
其中另一种情况,若缺失时间长度大于等于24小时,采用目标时间段最后七天相同时间段的负荷数据的平均值补全缺失的数据段。
在本申请实施例中,存在由于某些原因,使得配电变压器没有采集到负荷数据的情况。因此,当存在缺失的历史负荷数据的情况下,首先需要找到样本历史负荷数据中缺失的数据段,并确定缺失的数据段对应的缺失时间长度。若缺失时间长度在1小时以内,则采用插值法填补全缺失的数据段;若缺失时间长度大于1小时小于24小时,则采用目标时间段最后三天相同时间段的负荷数据的平均值补全缺失的数据段;若缺失时间长度大于等于24小时,采用目标时间段最后七天相同时间段的负荷数据的平均值补全缺失的数据段。例如,如果样本历史负荷数据缺失的是2020年6月7日上午7:00-7:45之间的数据段,样本历史负荷数据局之间的时间间隔为15分钟,由于缺失时间长度为45分钟,因此,可以采用插值法将缺失的45分钟的数据进行补全。常用的插值法可以包括分段插值法和样条插值法,本申请对使用的插值法不做具体限定。例如,如果样本历史负荷数据缺失的是2020年6月6日上午9:00-12:00之间的数据段,由于缺失时间长度为3个小时,而样本历史负荷数据局之间的时间间隔为15分钟,则采用目标时间段最后三天上午9:00-12:00之间的数据段的负荷数据,分别计算9:00、9:15、9:30、9:45…11:15、11:30、11:45、12:00对应的平均值补全缺失的数据段。例如,如果样本历史负荷数据缺失的是2020年6月5日上午9:00-2020年6月6日上午11:00之间的数据段,由于缺失时间长度为26个小时,样本历史负荷数据局之间的时间间隔为15分钟,则需要采用目标时间段最后七天相同时间段的负荷数据的平均值补全缺失的数据段。
在本申请实施例中,首先去除样本历史负荷数据中的错误值与冗余值,然后查询样本历史负荷数据中缺失的数据段,并确定缺失的数据段对应的缺失时间长度,依据时间长度补全缺失的数据段。若缺失时间长度在1小时以内,则采用插值法填补全缺失的数据段;若缺失时间长度大于1小时小于24小时,则采用目标时间段最后三天相同时间段的负荷数据的平均值补全缺失的数据段;若缺失时间长度大于等于24小时,采用目标时间段最后七天相同时间段的负荷数据的平均值补全缺失的数据段。本申请实施例通过对样本历史负荷数据进行错误值与冗余值,并补全缺失值,使得样本历史负荷数据更加准确,从而保证使用历史负荷数据训练出的预测模型更加准确。
在一个本申请可选的实施例中,如图6所示,对预处理后的多个样本历史负荷数据进行随机性分析,剔除随机性较大的样本历史负荷数据,得到随机性分析处理后的样本历史负荷数据,可以包括以下步骤:
步骤601,计算机设备基于LB统计量对预处理后的多个样本历史负荷数据的时间序列进行白噪声检验。
步骤602,计算机设备根据白噪声检验结果,判断时间序列是否具有随机性分析,剔除随机性较大的样本历史负荷数据的时间序列,得到随机性分析处理后的样本历史负荷数据。
在本申请实施例中,对多个样本历史负荷数据的时间序列进行白噪声检验,即验证多个样本历史负荷数据的时间序列是否为白噪声。若时间序列为白噪声,则时间序列中的各项历史负荷数据之间没有任何的关系。
在本申请实施例中,若配电变压器的样本历史负荷数据为白噪声序列,则应中止对此样本历史负荷数据的分析,因为在白噪声序列中无法挖掘出此样本历史负荷变化的相关规律,从而将剔除随机性较大的样本历史负荷数据的时间序列。
噪声检验是利用统计量来判断时间序列是否为纯随机性的序列,常用的检测方法有为Q统计量法和LB(Ljung-Box)统计量法。本文选用LB统计量法进行白噪声检验,即:
式中,n为时间序列观察期数,m为给定的延迟期数。
LB统计量可以认为是近似服从自由度为m的χ2分布,根据样本延迟期数的自相关性系数可以计算得到LB统计量与p值。一般的,若p值大于显著性水平α,则不能拒绝该序列为纯随机序列(即白噪声序列)的假设,应停止对此时间序列的预测分析。在本申请实施例中,α可以取0.05或0.01,本申请实施例对α的取值范围不做具体限定。
在本申请实施例中,基于LB统计量对预处理后的多个样本历史负荷数据的时间序列进行白噪声检验,并根据白噪声检验结果,判断时间序列是否具有随机性分析,剔除随机性较大的样本历史负荷数据的时间序列,得到随机性分析处理后的样本历史负荷数据。通过对时间序列进行白噪声检验,可以从样本历史负荷数据中提出随机性较大的样本历史负荷数据的时间序列,从而可以保证用于训练预测模型的历史样本数据之间的相关性较大,减小了训练预测模型的误差,使得训练得到的预测模型更加准确。
在一个本申请可选的实施例中,如图7所示,上述对M个统计特征参数进行提取,得到N个统计特征参数,可以包括以下步骤:
步骤701,计算机设备基于皮尔森相关系数法,分别计算各样本历史负荷数据中M个统计特征参数与作为预测模型输出的真实历史负荷数据之间的相关系数。
步骤702,计算机设备基于相关系数,提取相关系数大于预设相关系数阈值的统计特征参数,得到N个统计特征参数。
在本申请实施例中,采用皮尔森相关系数法计算计算各样本历史负荷数据中M个统计特征参数与作为预测模型输出的真实历史负荷数据之间的相关系数ρ:
cov(X,Y)=E[(X-μX)(Y-μX)];
其中,X为M个统计特征参数中的某一个特征参数的时间序列,Y为预测模型输出的真实历史负荷数据对应的时间序列,μX为X的数据期望,μY为Y的数据期望,σX为X的方差,σY为Y的方差,cov(X,Y)为X和Y的协方差。在进行计算后,提取相关系数大于预设的相关系数阈值的统计特征参数,作为与预测模型输出的真实历史负荷数据最为关联的历史负荷数据的统计特征参数,进行后续的预测工作。
在本身实施例中,通过基于皮尔森相关系数法,分别计算各样本历史负荷数据中M个统计特征参数与作为预测模型输出的真实历史负荷数据之间的相关系数,并基于相关系数,提取相关系数大于预设相关系数阈值的统计特征参数,得到N个统计特征参数。使得可以从M个统计特征参数中筛选与预测模型输出的真实历史负荷数据相关性较大的N个统计特征参数,从而利用N个统计特征参数训练预测模型,使得训练得到的预测模型更加准确。
在一个本申请可选的实施例中,基于多个训练样本历史负荷数据中的N个统计特征参数,对未经训练的预测模型进行训练,得到预测模型的过程中,计算机设备采用Adam优化算法,平均绝对误差作为预测模型的损失函数,对预测模型进行训练。
在本申请实施例中,采用Adam优化算法对预测模型进行优化,从而可以使预测模型能够快速收敛,并具有很好的泛化能力。对模型进行训练时,LSTM神经网络的网络层保持不变,epochs选取400,batch_size选取70。为了得到更贴近真实的预测数据可以通过增加epoch的数量训练更加复杂的LSTM神经网络模型。
在上述利用Adam优化算法对预测模型进行优化时,也可以为优化算法设置一个学习率,在这里可以采用学习率范围测试(LR Range Test)的技术选择最佳学习率,并设置给优化算法。该测试技术的学习率选择过程为:首先将学习率设置为一个很小的值,接着将预测模型和样本历史负荷数据简单的迭代几次,每次迭代完成后增加学习率,并记录每次的训练损失(loss),然后绘制LR Range Test图,一般理想的LR Range Test图包含三个区域:第一个区域学习率太小损失基本不变,第二个区域损失减小收敛很快,最后一个区域学习率太大以至于损失开始发散,那么可以将LR Range Test图中的最低点所对应的学习率作为最佳学习率,并将该最佳学习率作为Adam优化算法的初始学习率,设置给优化算法。
预测模型训练完成之后,根据预测结果对预测模型进行评估,以平均相对误差emape作为模型预测的误差,检验模型的准确度,以相对均方误差ermse作为模型预测误差的波动程度,检验模型的鲁棒性和稳定性,基于上述emape和ermse作为评价指标对预测模型进行评估。
其中x(i)为i时刻时样本历史负荷数据对应的真实负荷数据值,y(i)为预测模型输出的预测负荷数据,n为输出的预测负荷数据的数量。
在本申请实施例中,采用Adam优化算法,平均绝对误差作为预测模型的损失函数,对预测模型进行训练,使得预测模型能够快速收敛,并具有很好的泛化能力。
请参考图8,其示出了本申请实施例提供的一种示例性的负荷预测方法流程图,该方法可以应用于图1所示实施环境中的计算机设备中。如图8所示,该方法可以包括以下步骤:
步骤801,计算机设备获取配电变压器的多个样本历史负荷数据。
步骤802,计算机设备去除样本历史负荷数据中的错误值与冗余值。
步骤803,计算机设备查询样本历史负荷数据中缺失的数据段,并确定缺失的数据段对应的缺失时间长度,依据时间长度补全缺失的数据段。
步骤804,计算机设备基于LB统计量对预处理后的多个样本历史负荷数据的时间序列进行白噪声检验。
步骤805,计算机设备根据白噪声检验结果,判断时间序列是否具有随机性分析,剔除随机性较大的样本历史负荷数据的时间序列,得到随机性分析处理后的样本历史负荷数据。
步骤806,计算机设备基于皮尔森相关系数法,分别计算各样本历史负荷数据中M个统计特征参数与作为预测模型输出的真实历史负荷数据之间的相关系数。
步骤807,计算机设备基于相关系数,提取相关系数大于预设相关系数阈值的统计特征参数,得到N个统计特征参数。
步骤808,计算机设备采用Adam优化算法,平均绝对误差作为预测模型的损失函数,对预测模型进行训练。
步骤809,计算机设备获取待预测的目标时间段之前的预设时间段内,目标台区中配电变压器的历史负荷数据。
步骤810,计算机设备对预设时间段最后一天的历史负荷数据进行统计学计算,得到第一统计特征参数。
步骤811,计算机设备对预设时间段最后三天的历史负荷数据进行统计学计算,得到第二统计特征参数。
步骤812,计算机设备对预设时间段最后七天的历史负荷数据进行统计学计算,得到第三统计特征参数。
步骤813,计算机设备对预设时间段最后四个同一星期类型的历史负荷数据进行统计学计算,得到第四统计特征参数。
步骤814,计算机设备对预设时间段最后三十天的历史负荷数据进行统计学计算,得到第五统计特征参数。
步骤815,计算机设备将N个统计特征参数输入至预测模型中,得到预测模型输出的目标时间段内配电变压器的负荷数据。
应该理解的是,虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-8中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种负荷预测装置900,包括:获取模块901、计算模块902和预测模块903,其中:
获取模块901,用于获取待预测的目标时间段之前的预设时间段内,目标台区中配电变压器的历史负荷数据;
计算模块902,用于按照预设的统计策略对历史负荷数据进行统计学计算,得到历史负荷数据对应的N个统计特征参数,N为正整数;
预测模块903,用于将N个统计特征参数输入至预测模型中,得到预测模型输出的目标时间段内配电变压器的负荷数据,预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层。
在其中一个实施例中,上述计算模块902,具体用于:对预设时间段最后一天的历史负荷数据进行统计学计算,得到第一统计特征参数;对预设时间段最后三天的历史负荷数据进行统计学计算,得到第二统计特征参数;对预设时间段最后七天的历史负荷数据进行统计学计算,得到第三统计特征参数;对预设时间段最后四个同一星期类型的历史负荷数据进行统计学计算,得到第四统计特征参数;对预设时间段前最后三十天的历史负荷数据进行统计学计算,得到第五统计特征参数。
在其中一个实施例中,计算模块902计算得到的第一统计特征参数包括:预设时间段最后一天的历史负荷数据对应的每时的负荷数据、日负荷数据均值、日负荷数据最低值以及日负荷数据最高值;第二统计特征参数,包括:预设时间段最后三天的历史负荷数据对应的日负荷数据均值;第三统计特征参数,包括:预设时间段最后七天的历史负荷数据对应的每时的负荷数据以及日负荷数据均值;第四统计特征参数,包括:预设时间段最后四个同一星期类型的历史负荷数据对应的每时的负荷数据;第五统计特征参数,包括:预设时间段最后三十天的历史负荷数据对应的每时的负荷数据均值。
在其中一个实施例中,上述预测模块903,具体用于:获取配电变压器的多个样本历史负荷数据;对多个样本历史负荷数据进行预处理,得到预处理后的多个样本历史负荷数据;对预处理后的多个样本历史负荷数据进行随机性分析,剔除随机性较大的样本历史负荷数据,得到随机性分析处理后的样本历史负荷数据;从随机性分析处理后的样本历史负荷数据中抽取多个训练样本历史负荷数据;按照预设的统计策略对各训练样本历史负荷数据进行统计学计算,得到各训练样本历史负荷数据对应的M个统计特征参数;对M个统计特征参数进行提取,得到N个统计特征参数;基于多个训练样本历史负荷数据中的N个统计特征参数,对未经训练的预测模型进行训练,得到预测模型。
在其中一个实施例中,上述预测模块903,具体用于:去除样本历史负荷数据中的错误值与冗余值;查询样本历史负荷数据中缺失的数据段,并确定缺失的数据段对应的缺失时间长度,依据缺失时间长度补全缺失的数据段。
在其中一个实施例中,上述预测模块903,具体用于:若缺失时间长度在1小时以内,则采用插值法填补全缺失的数据段;若缺失时间长度大于1小时小于24小时,则采用目标时间段最后三天相同时间段的负荷数据的平均值补全缺失的数据段;若缺失时间长度大于等于24小时,采用目标时间段最后七天相同时间段的负荷数据的平均值补全缺失的数据段。
在其中一个实施例中,上述预测模块903,具体用于:基于LB统计量对预处理后的多个样本历史负荷数据的时间序列进行白噪声检验;根据白噪声检验结果,判断时间序列是否具有随机性分析,剔除随机性较大的样本历史负荷数据的时间序列,得到随机性分析处理后的样本历史负荷数据。
在其中一个实施例中,上述预测模块903,具体用于:基于皮尔森相关系数法,分别计算各样本历史负荷数据中M个统计特征参数与作为预测模型输出的真实历史负荷数据之间的相关系数;并基于相关系数,提取相关系数大于预设相关系数阈值的统计特征参数,得到N个统计特征参数。
在其中一个实施例中,上述预测模块903,具体用于:采用Adam优化算法,平均绝对误差作为预测模型的损失函数,对预测模型进行训练。
关于负荷预测装置的具体限定可以参见上文中对于负荷预测方法的限定,在此不再赘述。上述负荷预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待预测的目标时间段之前的预设时间段内,目标台区中配电变压器的历史负荷数据;按照预设的统计策略对历史负荷数据进行统计学计算,得到历史负荷数据对应的N个统计特征参数,N为正整数;将N个统计特征参数输入至预测模型中,得到预测模型输出的目标时间段内配电变压器的负荷数据,预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对预设时间段最后一天的历史负荷数据进行统计学计算,得到第一统计特征参数;对预设时间段最后三天的历史负荷数据进行统计学计算,得到第二统计特征参数;对预设时间段最后七天的历史负荷数据进行统计学计算,得到第三统计特征参数;对预设时间段最后四个同一星期类型的历史负荷数据进行统计学计算,得到第四统计特征参数;对预设时间段最后三十天的历史负荷数据进行统计学计算,得到第五统计特征参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:第一统计特征参数包括:预设时间段最后一天的历史负荷数据对应的每时的负荷数据、日负荷数据均值、日负荷数据最低值以及日负荷数据最高值;第二统计特征参数,包括:预设时间段最后三天的历史负荷数据对应的日负荷数据均值;第三统计特征参数,包括:预设标时间段最后七天的历史负荷数据对应的每时的负荷数据以及日负荷数据均值;第四统计特征参数,包括:预设时间段最后四个同一星期类型的历史负荷数据对应的每时的负荷数据;第五统计特征参数,包括:预设时间段最后三十天的历史负荷数据对应的每时的负荷数据均值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取配电变压器的多个样本历史负荷数据;对多个样本历史负荷数据进行预处理,得到预处理后的多个样本历史负荷数据;对预处理后的多个样本历史负荷数据进行随机性分析,剔除随机性较大的样本历史负荷数据,得到随机性分析处理后的样本历史负荷数据;从随机性分析处理后的样本历史负荷数据中抽取多个训练样本历史负荷数据;按照预设的统计策略对各训练样本历史负荷数据进行统计学计算,得到各训练样本历史负荷数据对应的M个统计特征参数;对M个统计特征参数进行提取,得到N个统计特征参数;基于多个训练样本历史负荷数据中的N个统计特征参数,对未经训练的预测模型进行训练,得到预测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:去除样本历史负荷数据中的错误值与冗余值;查询样本历史负荷数据中缺失的数据段,并确定缺失的数据段对应的缺失时间长度,依据缺失时间长度补全缺失的数据段。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若缺失时间长度在1小时以内,则采用插值法填补全缺失的数据段;若缺失时间长度大于1小时小于24小时,则采用目标时间段最后三天相同时间段的负荷数据的平均值补全缺失的数据段;若缺失时间长度大于等于24小时,采用目标时间段最后七天相同时间段的负荷数据的平均值补全缺失的数据段。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于LB统计量对预处理后的多个样本历史负荷数据的时间序列进行白噪声检验;根据白噪声检验结果,判断时间序列是否具有随机性分析,剔除随机性较大的样本历史负荷数据的时间序列,得到随机性分析处理后的样本历史负荷数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于皮尔森相关系数法,分别计算各样本历史负荷数据中M个统计特征参数与作为预测模型输出的真实历史负荷数据之间的相关系数;基于相关系数,提取相关系数大于预设相关系数阈值的统计特征参数,得到N个统计特征参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:采用Adam优化算法,平均绝对误差作为预测模型的损失函数,对预测模型进行训练。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待预测的目标时间段之前的预设时间段内,目标台区中配电变压器的历史负荷数据;按照预设的统计策略对历史负荷数据进行统计学计算,得到历史负荷数据对应的N个统计特征参数,N为正整数;将N个统计特征参数输入至预测模型中,得到预测模型输出的目标时间段内配电变压器的负荷数据,预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对预设时间段最后一天的历史负荷数据进行统计学计算,得到第一统计特征参数;对预设时间段最后三天的历史负荷数据进行统计学计算,得到第二统计特征参数;对预设时间段最后七天的历史负荷数据进行统计学计算,得到第三统计特征参数;对预设时间段最后四个同一星期类型的历史负荷数据进行统计学计算,得到第四统计特征参数;对预设时间段前三十天的历史负荷数据进行统计学计算,得到第五统计特征参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:第一统计特征参数包括:预设时间段最后一天的历史负荷数据对应的每时的负荷数据、日负荷数据均值、日负荷数据最低值以及日负荷数据最高值;第二统计特征参数,包括:预设时间段最后三天的历史负荷数据对应的日负荷数据均值;第三统计特征参数,包括:预设时间段最后七天的历史负荷数据对应的每时的负荷数据以及日负荷数据均值;第四统计特征参数,包括:预设时间段最后四个同一星期类型的历史负荷数据对应的每时的负荷数据;第五统计特征参数,包括:预设时间段最后三十天的历史负荷数据对应的每时的负荷数据均值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取配电变压器的多个样本历史负荷数据;对多个样本历史负荷数据进行预处理,得到预处理后的多个样本历史负荷数据;对预处理后的多个样本历史负荷数据进行随机性分析,剔除随机性较大的样本历史负荷数据,得到随机性分析处理后的样本历史负荷数据;从随机性分析处理后的样本历史负荷数据中抽取多个训练样本历史负荷数据;按照预设的统计策略对各训练样本历史负荷数据进行统计学计算,得到各训练样本历史负荷数据对应的M个统计特征参数;对M个统计特征参数进行提取,得到N个统计特征参数;基于多个训练样本历史负荷数据中的N个统计特征参数,对未经训练的预测模型进行训练,得到预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:去除样本历史负荷数据中的错误值与冗余值;查询样本历史负荷数据中缺失的数据段,并确定缺失的数据段对应的缺失时间长度,依据缺失时间长度补全缺失的数据段。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若缺失时间长度在1小时以内,则采用插值法填补全缺失的数据段;若缺失时间长度大于1小时小于24小时,则采用目标时间段最后三天相同时间段的负荷数据的平均值补全缺失的数据段;若缺失时间长度大于等于24小时,采用目标时间段最后七天相同时间段的负荷数据的平均值补全缺失的数据段。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于LB统计量对预处理后的多个样本历史负荷数据的时间序列进行白噪声检验;根据白噪声检验结果,判断时间序列是否具有随机性分析,剔除随机性较大的样本历史负荷数据的时间序列,得到随机性分析处理后的样本历史负荷数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于皮尔森相关系数法,分别计算各样本历史负荷数据中M个统计特征参数与作为预测模型输出的真实历史负荷数据之间的相关系数;基于相关系数,提取相关系数大于预设相关系数阈值的统计特征参数,得到N个统计特征参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采用Adam优化算法,平均绝对误差作为预测模型的损失函数,对预测模型进行训练。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种负荷预测方法,其特征在于,所述方法包括:
获取待预测的目标时间段之前的预设时间段内,目标台区中配电变压器的历史负荷数据;
按照与配电变压器对应的预设的统计策略对所述历史负荷数据进行统计学计算,得到所述历史负荷数据对应的N个统计特征参数,N为正整数;
将所述N个统计特征参数输入至预测模型中,得到所述预测模型输出的所述目标时间段内所述配电变压器的负荷数据,所述预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层;
其中,所述按照与配电变压器对应的预设的统计策略对所述历史负荷数据进行统计学计算,得到所述历史负荷数据对应的N个统计特征参数,包括:
对所述预设时间段最后一天的历史负荷数据进行统计学计算,得到第一统计特征参数;
对所述预设时间段最后三天的历史负荷数据进行统计学计算,得到第二统计特征参数;
对所述预设时间段最后七天的历史负荷数据进行统计学计算,得到第三统计特征参数;
对所述预设时间段最后四个同一星期类型的历史负荷数据进行统计学计算,得到第四统计特征参数;
对所述预设时间段最后三十天的历史负荷数据进行统计学计算,得到第五统计特征参数;
所述预测模型的训练过程包括:
获取所述配电变压器的多个样本历史负荷数据;
对所述多个样本历史负荷数据进行预处理,得到预处理后的多个样本历史负荷数据;
对所述预处理后的多个样本历史负荷数据进行随机性分析,剔除随机性较大的样本历史负荷数据,得到随机性分析处理后的样本历史负荷数据;
从所述随机性分析处理后的样本历史负荷数据中抽取多个训练样本历史负荷数据;
按照所述预设的统计策略对各所述训练样本历史负荷数据进行统计学计算,得到各所述训练样本历史负荷数据对应的M个统计特征参数;
对所述M个统计特征参数进行提取,得到N个统计特征参数;
基于所述多个训练样本历史负荷数据中的N个统计特征参数,对未经训练的预测模型进行训练,得到所述预测模型。
2.根据权利要求1所述的方法,其特征在于,所述第一统计特征参数包括所述预设时间段最后一天的历史负荷数据对应的每时的负荷数据、日负荷数据均值、日负荷数据最低值以及日负荷数据最高值;
所述第二统计特征参数,包括:所述预设时间段最后三天的历史负荷数据对应的日负荷数据均值;
所述第三统计特征参数,包括:所述预设时间段最后七天的历史负荷数据对应的每时的负荷数据以及日负荷数据均值;
所述第四统计特征参数,包括:所述预设时间段最后四个同一星期类型的历史负荷数据对应的每时的负荷数据;
所述第五统计特征参数,包括:所述预设时间段最后三十天的历史负荷数据对应的每时的负荷数据均值。
3.根据权利要求1所述的方法,其特征在于,所述对所述多个样本历史负荷数据进行预处理,得到预处理后的多个样本历史负荷数据,包括:
去除所述样本历史负荷数据中的错误值与冗余值;
查询所述样本历史负荷数据中缺失的数据段,并确定所述缺失的数据段对应的缺失时间长度,依据所述缺失时间长度补全所述缺失的数据段。
4.根据权利要求3所述的方法,其特征在于,所述依据所述缺失时间长度补全所述缺失的数据段,包括:
若所述缺失时间长度在1小时以内,则采用插值法填补全所述缺失的数据段;
若所述缺失时间长度大于1小时小于24小时,则采用所述目标时间段最后三天相同时间段的负荷数据的平均值补全所述缺失的数据段;
若所述缺失时间长度大于等于24小时,采用所述目标时间段最后七天相同时间段的负荷数据的平均值补全所述缺失的数据段。
5.根据权利要求1所述的方法,其特征在于,所述对所述预处理后的多个样本历史负荷数据进行随机性分析,剔除随机性较大的样本历史负荷数据,得到随机性分析处理后的样本历史负荷数据,包括:
基于LB统计量对所述预处理后的多个样本历史负荷数据的时间序列进行白噪声检验;
根据所述白噪声检验结果,判断所述时间序列是否具有随机性分析,剔除随机性较大的样本历史负荷数据的时间序列,得到随机性分析处理后的样本历史负荷数据。
6.根据权利要求1所述的方法,其特征在于,所述对所述M个统计特征参数进行提取,得到N个统计特征参数,包括:
基于皮尔森相关系数法,分别计算各所述样本历史负荷数据中M个统计特征参数与作为所述预测模型输出的真实历史负荷数据之间的相关系数;
基于所述相关系数,提取所述相关系数大于预设相关系数阈值的统计特征参数,得到所述N个统计特征参数。
7.根据权利要求1所述的方法,其特征在于,所述基于所述多个训练样本历史负荷数据中的N个统计特征参数,对未经训练的预测模型进行训练,得到所述预测模型,包括:
采用Adam优化算法,将平均绝对误差作为所述预测模型的损失函数,对所述预测模型进行训练。
8.一种负荷预测装置,其特征在于,所述装置包括:
获取模块,用于获取待预测的目标时间段之前的预设时间段内,目标台区中配电变压器的历史负荷数据;
计算模块,用于按照与配电变压器对应的预设的统计策略对所述历史负荷数据进行统计学计算,得到所述历史负荷数据对应的N个统计特征参数,N为正整数;
预测模块,用于将所述N个统计特征参数输入至预测模型中,得到所述预测模型输出的所述目标时间段内所述配电变压器的负荷数据,所述预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层;
计算模块,具体用于:对所述预设时间段最后一天的历史负荷数据进行统计学计算,得到第一统计特征参数;对所述预设时间段最后三天的历史负荷数据进行统计学计算,得到第二统计特征参数;对所述预设时间段最后七天的历史负荷数据进行统计学计算,得到第三统计特征参数;对所述预设时间段最后四个同一星期类型的历史负荷数据进行统计学计算,得到第四统计特征参数;对所述预设时间段最后三十天的历史负荷数据进行统计学计算,得到第五统计特征参数;
预测模块,具体用于:获取所述配电变压器的多个样本历史负荷数据;对所述多个样本历史负荷数据进行预处理,得到预处理后的多个样本历史负荷数据;对所述预处理后的多个样本历史负荷数据进行随机性分析,剔除随机性较大的样本历史负荷数据,得到随机性分析处理后的样本历史负荷数据;从所述随机性分析处理后的样本历史负荷数据中抽取多个训练样本历史负荷数据;按照所述预设的统计策略对各所述训练样本历史负荷数据进行统计学计算,得到各所述训练样本历史负荷数据对应的M个统计特征参数;对所述M个统计特征参数进行提取,得到N个统计特征参数;基于所述多个训练样本历史负荷数据中的N个统计特征参数,对未经训练的预测模型进行训练,得到所述预测模型。
9.根据权利要求8所述的负荷预测装置,其特征在于,所述计算模块计算得到的所述第一统计特征参数包括所述预设时间段最后一天的历史负荷数据对应的每时的负荷数据、日负荷数据均值、日负荷数据最低值以及日负荷数据最高值;所述第二统计特征参数,包括:所述预设时间段最后三天的历史负荷数据对应的日负荷数据均值;所述第三统计特征参数,包括:所述预设时间段最后七天的历史负荷数据对应的每时的负荷数据以及日负荷数据均值;所述第四统计特征参数,包括:所述预设时间段最后四个同一星期类型的历史负荷数据对应的每时的负荷数据;所述第五统计特征参数,包括:所述预设时间段最后三十天的历史负荷数据对应的每时的负荷数据均值。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485775.4A CN112598248B (zh) | 2020-12-16 | 2020-12-16 | 负荷预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485775.4A CN112598248B (zh) | 2020-12-16 | 2020-12-16 | 负荷预测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598248A CN112598248A (zh) | 2021-04-02 |
CN112598248B true CN112598248B (zh) | 2023-03-28 |
Family
ID=75196279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011485775.4A Active CN112598248B (zh) | 2020-12-16 | 2020-12-16 | 负荷预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598248B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112158B (zh) * | 2021-04-13 | 2023-06-20 | 青岛海尔科技有限公司 | 设备使用数据的处理方法及装置、存储介质及电子装置 |
CN113435663A (zh) * | 2021-07-15 | 2021-09-24 | 国网冀北电力有限公司唐山供电公司 | 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法 |
CN113554105B (zh) * | 2021-07-28 | 2023-04-18 | 桂林电子科技大学 | 一种基于时空融合的物联网缺失数据补全方法 |
CN113809789A (zh) * | 2021-08-04 | 2021-12-17 | 南方电网电动汽车服务有限公司 | 功率控制方法、能量路由器、功率控制系统及存储介质 |
CN113743667A (zh) * | 2021-09-06 | 2021-12-03 | 广东电网有限责任公司 | 一种台区用电量预测方法、装置、设备及存储介质 |
CN113541320B (zh) * | 2021-09-17 | 2022-01-25 | 广东电网有限责任公司东莞供电局 | 一种电网停复电可视化监控方法、系统及存储介质 |
CN116258355B (zh) * | 2023-05-15 | 2023-08-11 | 国网浙江省电力有限公司永康市供电公司 | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106354995A (zh) * | 2016-08-24 | 2017-01-25 | 华北电力大学(保定) | 一种基于拉格朗日插值与时间序列的预测方法 |
CN109934392A (zh) * | 2019-02-28 | 2019-06-25 | 武汉大学 | 一种基于深度学习的微电网短期负荷预测方法 |
JP7320368B2 (ja) * | 2019-04-09 | 2023-08-03 | ナブテスコ株式会社 | 故障予測装置、故障予測方法およびコンピュータプログラム |
CN111144643A (zh) * | 2019-12-24 | 2020-05-12 | 天津相和电气科技有限公司 | 基于双端自动编码的日前电力负荷预测方法及装置 |
CN111652355B (zh) * | 2020-06-02 | 2023-04-07 | 中南大学 | 一种基于lstm&dnn的高炉铁水硅含量预测方法及装置 |
CN111947795B (zh) * | 2020-08-18 | 2022-07-12 | 广东电网有限责任公司广州供电局 | 一种变压器过热预警方法 |
-
2020
- 2020-12-16 CN CN202011485775.4A patent/CN112598248B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于CNN-LSTM的短期电力负荷预测研究;刘月峰等;《科技创新与应用》;20200108(第01期);第84-85页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112598248A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598248B (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
Alencar et al. | Hybrid approach combining SARIMA and neural networks for multi-step ahead wind speed forecasting in Brazil | |
Jones | New tools in non-linear modelling and prediction | |
CN113496104B (zh) | 基于深度学习的降水预报订正方法及系统 | |
CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
Qin et al. | Simulating and Predicting of Hydrological Time Series Based on TensorFlow Deep Learning. | |
CN107153874A (zh) | 水质预测方法及系统 | |
CN105677791A (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN113507118B (zh) | 一种风电功率预测方法及系统 | |
CN112733997A (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
CN116432861A (zh) | 一种综合能源系统源荷价多任务联合预测方法及系统 | |
Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
Muruganandam et al. | Dynamic Ensemble Multivariate Time Series Forecasting Model for PM2. 5. | |
Li et al. | Short-term probabilistic load forecasting method based on uncertainty estimation and deep learning model considering meteorological factors | |
Xu et al. | Residual autoencoder-LSTM for city region vehicle emission pollution prediction | |
Chinforoush et al. | A novel method for forecasting surface wind speed using wind-direction based on hierarchical markov model | |
CN115217152A (zh) | 一种沉管隧道管节接头张合变形的预测方法及装置 | |
CN113627677A (zh) | 多区域能源需求预测方法、装置、终端设备及存储介质 | |
Jabeen et al. | Application of Grey-Markov Chain model in software reliability prediction | |
He et al. | Crude Oil Price Prediction using Embedding Convolutional Neural Network Model | |
CN116776134B (zh) | 一种基于PCA-SFFS-BiGRU的光伏出力预测方法 | |
CN118094454B (zh) | 一种配电网负荷数据异常检测方法及系统 | |
Mohan et al. | Temporal data mining of uncertain water reservoir data | |
CN117827863B (zh) | 基于cldas数据库的大气环境监测分析方法及系统 | |
CN117172085B (zh) | 一种pccp断丝预测方法、装置、计算机设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |