CN112633556A - 一种基于混合模型的短期电力负荷预测方法 - Google Patents
一种基于混合模型的短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN112633556A CN112633556A CN202011383099.XA CN202011383099A CN112633556A CN 112633556 A CN112633556 A CN 112633556A CN 202011383099 A CN202011383099 A CN 202011383099A CN 112633556 A CN112633556 A CN 112633556A
- Authority
- CN
- China
- Prior art keywords
- model
- sequence
- power load
- prediction
- moving average
- 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 45
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000009499 grossing Methods 0.000 claims abstract description 5
- 238000005311 autocorrelation function Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000013277 forecasting method Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 12
- 230000004913 activation Effects 0.000 description 6
- 239000002131 composite material Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000012731 temporal analysis Methods 0.000 description 5
- 238000000700 time series analysis Methods 0.000 description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000012549 training 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- 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
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明涉及一种基于混合模型的短期电力负荷预测方法，包括以下步骤：基于原始电力负荷数据建立自回归差分移动平均模型，得到平稳序列yt与预测值
通过平稳序列yt与预测值
得到残差序列et；针对残差序列et采用时间卷积网络模型建模，得到结果
将自回归差分移动平均模型和时间卷积网络模型的预测结果进行线性组合，得到预测结果；对预测结果，利用步骤S3计算性能指标，来评价预测效果。混合模型结构为自回归差分移动平均模型和时间卷积网络模型的组合。其中，自回归差分移动平均模型学习负荷数据的线性特征；时间卷积网络模型学习负荷数据的非线性特征；两个模型最优参数选择均通过比较性能指标选择最小值来确定。
Description
技术领域
本发明涉及电力系统领域，更具体地，涉及一种基于混合模型的短期电力负荷预测方法。
背景技术
随着智能电网技术的不断发展，以及各种可再生能源在电网中渗透率的不断提升，电力系统的经济稳定运行、资源的有效利用和能量管理等问题变得愈发复杂。如果发电侧未能产生足够量的电能会导致电网故障，而供过于求又会导致能源和资源的浪费。因此，准确的电力系统负荷预测不仅可以减少不必要的发电量，从而降低资源浪费，实现节能使用；还可以为输配电规划、用电需求管理、能源市场中的智能化交易等提供重要数据支撑。
短期负荷预测信息以日度为预测单位，其预测结果对于发电单元的启停安排，提升可再生能源的渗透率以及用电需求侧的有效管理等方面具有重要作用。即基于短期负荷预测信息可以为发电侧设备运行控制提供参考依据，从而尽可能避免因供需之间的不匹配造成的电网故障或资源浪费等问题。短期负荷受用电终端用户的使用习惯和天气因素的影响，使得数据呈现出强非线性、随机性和时变特征，增加了准确预测的难度。在此背景下，高精度和高鲁棒性的短期负荷建模和预测方法的研究一直是负荷预测领域的研究重点。国内外研究学者主要研究目标也大多集中在采用不同的建模和预测方法来提高短期负荷预测的精度。负荷预测精度越高，越有利于提高发电设备的利用率和经济调度的有效性。目前，从建模和预测方法来看，短期负荷预测的实现手段主要有：基于数学统计分析的时间序列预测方法和基于数据驱动的机器学习类方法。时间序列分析类方法主要有：自回归、移动平均、自回归移动平均、自回归差分移动平均和指数平滑等。此类方法在学习数据的线性特征方面具有较好的性能，但对于数据的非线性特性处理较差；机器学习类方法主要有：支持向量回归、高斯过程回归、聚类、神经网络以及深度学习模型等。机器学习方法具有较强的非线性学习能力，因此在处理具有强非线性和随机性等特征的短时负荷数据方面具有更大的潜在优势。但是支持向量回归、高斯过程回归和浅层神经网络等机器学习方法比较适用于小样本的学习。当电力负荷样本数据量比较大时，适合采用深度学习方法来建立模型实现预测。
现有的技术中，中国发明专利CN101231508公开了“采用时间序列分析预测-校正集成电路制造工艺控制方法”，公开日为2008年07月30日，将与集成电路制造工艺结果有关的数据，通过建立工艺模型的方式进行分离，剥离出其中与工艺结果有关且易于进行调控的工艺参数；其他参数的影响值按时间顺序排列，形成时间序列；采用时间序列分析的算法处理，例如应用自回归差分移动平均模型的建模方法，对该时间序列的总的变化趋势(因而工艺结果的可能的变化趋势)进行预测；通过调整易于调控的工艺参数，补偿所预测到的工艺波动，使工艺结果达到平稳，从而实现工艺条件的动态化处理；该发明中，应用自回归差分移动平均模型的建模方法，对该时间序列的总的变化趋势进行预测，自回归差分移动平均模型只能学习线性特征，对于非线性特征的变化趋势无法进行预测。
发明内容
本发明为解决采用单一类型模型(如回归分析、时间序列分析、支持向量回归等)对于含有线性和非线性复合特征的数据预测误差大的缺点，提供了一种基于混合模型的短期电力负荷预测方法。
为实现以上发明目的，采用的技术方案是：
一种基于混合模型的短期电力负荷预测方法，包括以下步骤：
S1：基于原始电力负荷数据建立自回归差分移动平均模型，得到平稳序列yt与预测值
S2：通过平稳序列yt与预测值
得到残差序列et；
S3：针对残差序列et采用时间卷积网络模型建模，得到结果
S4：将自回归差分移动平均模型和时间卷积网络模型的预测结果进行线性组合，得到最终的预测结果；
S5：对最终得到的预测结果，利用步骤S3的模型来计算性能指标，来评价预测效果。
上述方案中，混合模型结构为自回归差分移动平均模型和时间卷积网络模型的组合。其中，自回归差分移动平均模型用于学习负荷数据的线性特征；时间卷积网络模型用于学习负荷数据的非线性特征；两个模型最优参数选择均通过比较性能指标选择最小值来确定，应用于短期电力负荷预测，还应用于其他含有复合数据特征的时间序列的建模和预测中。
在步骤S1中，包括以下子步骤：
S11：对原始电力负荷数据进行平稳性检验，如果该时间序列为非平稳时间序列，则进入步骤S12；
S12：绘制原始时间序列曲线，观察其水平方向和坡度的变化特征，初步判断差分阶次d，然后对原始数据进行差分处理，并判断处理后序列的平稳性，当处理后的数据通过平稳性检验，差分处理后的平稳序列记为yt；
S13：计算差分序列的平均值、方差、自方差函数、自相关函数和偏自相关函数等。绘制自相关函数和偏自相关函数图，并初步确定自回归差分移动平均模型中的参数p和q的组合；
S14：对每种参数组合的候选模型的自回归系数
和移动平均系数
进行参数估计；
S15：分别计算每个候选模型的残差平方和，然后选择使残差平方和达到最小值的模型参数p和q；
S16：基于最终确定的自回归差分移动平均模型，实现对负荷数据的预测，并记预测值记为
在步骤S2中，通过以下公式，得到残差序列et，其公式为：
残差序列et包含了原始电力负荷序列中的非线性特征。
在步骤S3中，包括以下子步骤：
S31：取不同扩大因子d和不同卷积核k进行组合，不同参数组合对应一个候选模型；
S32：针对每一候选模型进行建模和预测，并计算对应的预测性能指标值；
S33：通过比较所有候选模型的预测性能指标值，选择最小值对应的参数组合作为时间卷积网络模型的最终参数，并将该参数对应时间卷积网络模型的预测结果记为
在步骤S32中，预测性能指标值包括平均绝对误差和均方根误差。
所述平均绝对误差通过以下算法得到：
其中，
为预测值，xi为原始值，n为序列长度。
所述均方根误差通过以下算法得到：
其中，
为预测值，xi为原始值，n为序列长度。
时间卷积网络模型的核心结构为扩大因果卷积和残差网络连接，扩大因果卷积表达式如下式所示：
其中，l是网络层数，Ml(h＝1,...,Ml)是每层的通道数，
是滤波器，d是扩大因子，k是滤波器卷积核的大小，f为网络层的输出。
残差块的输出o为残差和输入线性变换后经激活函数Activaion(x)映射得到的结果，如下式所示：
o＝Activation(x+F(x))
其中，x是残差块的输入，F(x)为残差。由于在实际中残差F(x)不会为0，故堆叠层总能学习到新的特征，从而使得深层网络的学习性能不会发生退化，提高了网络的鲁棒性。
在步骤S4中，将自回归差分移动平均模型和时间卷积网络模型的预测结果根据以下算法进行线性组合：
在步骤S5中，对最终得到的预测结果，利用平均绝对误差的算法和均方根误差的算法计算性能指标，来评价预测效果。
本发明提出了基于混合模型实现短期电力负荷预测，克服了采用单一类型模型(如回归分析、时间序列分析、支持向量回归等)对于含有线性和非线性复合特征的数据预测误差大的缺点。由于混合模型具有更好的学习能力，可以充分发挥自回归差分移动平均模型适用于学习线性特征和时间卷积网络模型擅长学习非线性特征的优势，从而可以有效提高短期电力负荷预测的精度，为电力系统经济运行和能量优化管理提供数据支持。
与现有技术相比，本发明的有益效果是：
本发明提供一种基于混合模型的短期电力负荷预测方法，混合模型结构为自回归差分移动平均模型和时间卷积网络模型的组合。其中，自回归差分移动平均模型用于学习负荷数据的线性特征；时间卷积网络模型用于学习负荷数据的非线性特征；两个模型最优参数选择均通过比较性能指标选择最小值来确定，应用于短期电力负荷预测，还应用于其他含有复合数据特征的时间序列的建模和预测中。
附图说明
图1为本发明的基于混合模型的短期电力负荷预测流程图；
图2为本发明的自回归差分移动平均模型建模流程示意图；
图3为本发明的时间卷积网络模型建模流程示意图；
图4为本发明的某地真实电力负荷原始数据样本图；
图5为本发明的原始电力负荷数据1阶差分序列图；
图6为本发明的基于混合模型的短期电力负荷预测结果图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1、图2和图3所示，一种基于混合模型的短期电力负荷预测方法，包括以下步骤：
S1：基于原始电力负荷数据建立自回归差分移动平均模型，得到平稳序列yt与预测值
S2：通过平稳序列yt与预测值
得到残差序列et；
S3：针对残差序列et采用时间卷积网络模型建模，得到结果
S4：将自回归差分移动平均模型和时间卷积网络模型的预测结果进行线性组合，得到最终的预测结果；
S5：对最终得到的预测结果，利用步骤S3的模型来计算性能指标，来评价预测效果。
上述方案中，混合模型结构为自回归差分移动平均模型和时间卷积网络模型的组合。其中，自回归差分移动平均模型用于学习负荷数据的线性特征；时间卷积网络模型用于学习负荷数据的非线性特征；两个模型最优参数选择均通过比较性能指标选择最小值来确定，应用于短期电力负荷预测，还应用于其他含有复合数据特征的时间序列的建模和预测中。
在步骤S1中，包括以下子步骤：
S11：对原始电力负荷数据进行平稳性检验，如果该时间序列为非平稳时间序列，则进入步骤S12；
S12：绘制原始时间序列曲线，观察其水平方向和坡度的变化特征，初步判断差分阶次d，然后对原始数据进行差分处理，并判断处理后序列的平稳性，当处理后的数据通过平稳性检验，差分处理后的平稳序列记为yt；
S13：计算差分序列的平均值、方差、自方差函数、自相关函数和偏自相关函数等。绘制自相关函数和偏自相关函数图，并初步确定自回归差分移动平均模型中的参数p和q的组合；
S14：对每种参数组合的候选模型的自回归系数
和移动平均系数
进行参数估计；
S15：分别计算每个候选模型的残差平方和，然后选择使残差平方和达到最小值的模型参数p和q；
S16：基于最终确定的自回归差分移动平均模型，实现对负荷数据的预测，并记预测值记为
在步骤S2中，通过以下公式，得到残差序列et，其公式为：
残差序列et包含了原始电力负荷序列中的非线性特征。
在步骤S3中，包括以下子步骤：
S31：取不同扩大因子d和不同卷积核k进行组合，不同参数组合对应一个候选模型；
S32：针对每一候选模型进行建模和预测，并计算对应的预测性能指标值；
S33：通过比较所有候选模型的预测性能指标值，选择最小值对应的参数组合作为时间卷积网络模型的最终参数，并将该参数对应时间卷积网络模型的预测结果记为
在步骤S32中，预测性能指标值包括平均绝对误差和均方根误差。
所述平均绝对误差通过以下算法得到：
其中，
为预测值，xi为原始值，n为序列长度。
所述均方根误差通过以下算法得到：
其中，
为预测值，xi为原始值，n为序列长度。
时间卷积网络模型的核心结构为扩大因果卷积和残差网络连接，扩大因果卷积表达式如下式所示：
其中，l是网络层数，Ml(h＝1,...,Ml)是每层的通道数，
是滤波器，d是扩大因子，k是滤波器卷积核的大小，f为网络层的输出。
残差块的输出o为残差和输入线性变换后经激活函数Activaion(x)映射得到的结果，如下式所示：
o＝Activation(x+F(x))
其中，x是残差块的输入，F(x)为残差。由于在实际中残差F(x)不会为0，故堆叠层总能学习到新的特征，从而使得深层网络的学习性能不会发生退化，提高了网络的鲁棒性。
在步骤S4中，将自回归差分移动平均模型和时间卷积网络模型的预测结果根据以下算法进行线性组合：
在步骤S5中，对最终得到的预测结果，利用平均绝对误差的算法和均方根误差的算法计算性能指标，来评价预测效果。
实施例2
如图4、图5和图6所示，对图4所示的某地真实原始电力负荷数据进行ARIMA建模；该数据为本实施例中的训练样本，为某地2016年5月1日—2016年12月5日的负荷数据，采样频率为1小时1次，共5256个小时的负荷数据。
1.1)对原始数据进行平稳性检验，确定该数据不平稳。
1.2)根据该原始数据的变化趋势，初步判定其差分阶次d＝1。对原始数据1阶差分后可以得到图5所示的差分序列图。对图5所示的数据进行平稳性检验，发现序列已经平稳。
1.3)计算该计算差分序列的平均值、方差、自方差函数、自相关函数和偏自相关函数等。绘制自相关函数和偏自相关函数图，并初步确定自回归差分移动平均模型中的参数p和q的组合。
1.4)对每种参数组合的候选模型的自回归系数
和移动平均系数
进行参数估计。
1.5)对于每个候选模型进行模型验证。验证方法为，分别计算每个候选模型的残差平方和，然后选择使残差平方和达到最小值的模型参数p和q。
针对图5数据经过步骤1.1)-1.5)的操作，可以得出自回归差分移动平均模型的最优参数为p＝2和q＝4。因此，最终得到的自回归差分移动平均模型为ARIMA(2,1,4)。
1.6)基于最终确定的自回归差分移动平均模型，实现对负荷数据的预测，并记预测序列记为
2)由下式计算得到原始数据yt与预测值
之间的残差et
3)对序列et采用时间卷积网络模型建模。
3.1)取不同扩大因子d和不同卷积核k进行组合，不同参数组合对应一个候选模型。本实施例中，扩大因子d分别取值为：2，4，8，16，卷积核k分别取为：3*3、5*5、7*7，共构成12种组合形式。
3.2)针对每一候选模型进行建模和预测，并根据下式计算对应的预测性能指标MAE值和RMSE值。
3.3)通过比较所有候选模型的预测性能指标值，选择最小值对应的参数组合作为时间卷积网络模型的最终参数。基于本实施例的原始数据最终确定的时间卷积网络模型参数为：扩大因子d＝8和卷积核大小k＝5*5。将该时间卷积网络模型的预测结果记为
4)将自回归差分移动平均模型和时间卷积网络模型的预测结果求和即得到最终的预测结果。预测曲线如图6所示，图6的测试样本数据为某地2016年12月6日—2016年12月12日的负荷数据，采样频率为1小时1次，共168个小时的负荷数据。
5)对最终预测得到的数据，利用3.2)中的算法计算性能指标分别为MAE＝0.199，RMSE＝0.27。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于混合模型的短期电力负荷预测方法，其特征在于，包括以下步骤：
S1：基于原始电力负荷数据建立自回归差分移动平均模型，得到平稳序列yt与预测值
S2：通过平稳序列yt与预测值
得到残差序列et；
S3：针对残差序列et采用时间卷积网络模型建模，得到结果
S4：将自回归差分移动平均模型和时间卷积网络模型的预测结果进行线性组合，得到最终的预测结果；
S5：对最终得到的预测结果，利用步骤S3的模型来计算性能指标，来评价预测效果。
2.根据权利要求1所述的一种基于混合模型的短期电力负荷预测方法，其特征在于，在步骤S1中，包括以下子步骤：
S11：对原始电力负荷数据进行平稳性检验，如果该时间序列为非平稳时间序列，则进入步骤S12；
S12：绘制原始时间序列曲线，观察其水平方向和坡度的变化特征，初步判断差分阶次d，然后对原始数据进行差分处理，并判断处理后序列的平稳性，当处理后的数据通过平稳性检验，差分处理后的平稳序列记为yt；
S13：计算差分序列的平均值、方差、自方差函数、自相关函数和偏自相关函数等。绘制自相关函数和偏自相关函数图，并初步确定自回归差分移动平均模型中的参数p和q的组合；
S14：对每种参数组合的候选模型的自回归系数
和移动平均系数
进行参数估计；
S15：分别计算每个候选模型的残差平方和，然后选择使残差平方和达到最小值的模型参数p和q；
S16：基于最终确定的自回归差分移动平均模型，实现对负荷数据的预测，并记预测值记为
3.根据权利要求2所述的一种基于混合模型的短期电力负荷预测方法，其特征在于，在步骤S2中，通过以下公式，得到残差序列et，其公式为：
4.根据权利要求2所述的一种基于混合模型的短期电力负荷预测方法，其特征在于，残差序列et包含了原始电力负荷序列中的非线性特征。
5.根据权利要求3所述的一种基于混合模型的短期电力负荷预测方法，其特征在于，在步骤S3中，包括以下子步骤：
S31：取不同扩大因子d和不同卷积核k进行组合，不同参数组合对应一个候选模型；
S32：针对每一候选模型进行建模和预测，并计算对应的预测性能指标值；
S33：通过比较所有候选模型的预测性能指标值，选择最小值对应的参数组合作为时间卷积网络模型的最终参数，并将该参数对应时间卷积网络模型的预测结果记为
6.根据权利要求5所述的一种基于混合模型的短期电力负荷预测方法，其特征在于，在步骤S32中，预测性能指标值包括平均绝对误差和均方根误差。
7.根据权利要求6所述的一种基于混合模型的短期电力负荷预测方法，其特征在于，所述平均绝对误差通过以下算法得到：
其中，
为预测值，xi为原始值，n为序列长度。
8.根据权利要求6所述的一种基于混合模型的短期电力负荷预测方法，其特征在于，所述均方根误差通过以下算法得到：
其中，
为预测值，xi为原始值，n为序列长度。
9.根据权利要求6所述的一种基于混合模型的短期电力负荷预测方法，其特征在于，在步骤S4中，将自回归差分移动平均模型和时间卷积网络模型的预测结果根据以下算法进行线性组合：
10.根据权利要求9所述的一种基于混合模型的短期电力负荷预测方法，其特征在于，在步骤S5中，对最终得到的预测结果，利用平均绝对误差的算法和均方根误差的算法计算性能指标，来评价预测效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011383099.XA CN112633556A (zh) | 2020-12-01 | 2020-12-01 | 一种基于混合模型的短期电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011383099.XA CN112633556A (zh) | 2020-12-01 | 2020-12-01 | 一种基于混合模型的短期电力负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112633556A true CN112633556A (zh) | 2021-04-09 |
Family
ID=75307142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011383099.XA Pending CN112633556A (zh) | 2020-12-01 | 2020-12-01 | 一种基于混合模型的短期电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112633556A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113672642A (zh) * | 2021-07-07 | 2021-11-19 | 德特赛维技术有限公司 | 一种基于时序预测移动网络性能的方法及其系统 |
| CN114221877A (zh) * | 2021-12-14 | 2022-03-22 | 中国联合网络通信集团有限公司 | 负载预测方法、装置、设备和计算机可读介质 |
| CN114781945A (zh) * | 2022-06-21 | 2022-07-22 | 汉谷云智(武汉)科技有限公司 | 热电联产机组负荷分配方法、设备、终端及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
| CN110472779A (zh) * | 2019-07-30 | 2019-11-19 | 东莞理工学院 | 一种基于时间卷积网络的电力系统短期负荷预测方法 |
| CN111080032A (zh) * | 2019-12-30 | 2020-04-28 | 成都数之联科技有限公司 | 一种基于Transformer结构的负荷预测方法 |
-
2020
- 2020-12-01 CN CN202011383099.XA patent/CN112633556A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
| CN110472779A (zh) * | 2019-07-30 | 2019-11-19 | 东莞理工学院 | 一种基于时间卷积网络的电力系统短期负荷预测方法 |
| CN111080032A (zh) * | 2019-12-30 | 2020-04-28 | 成都数之联科技有限公司 | 一种基于Transformer结构的负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李丽娜等: "电动汽车参与直流微电网互动的协调控制研究", 《电测与仪表》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113672642A (zh) * | 2021-07-07 | 2021-11-19 | 德特赛维技术有限公司 | 一种基于时序预测移动网络性能的方法及其系统 |
| CN114221877A (zh) * | 2021-12-14 | 2022-03-22 | 中国联合网络通信集团有限公司 | 负载预测方法、装置、设备和计算机可读介质 |
| CN114781945A (zh) * | 2022-06-21 | 2022-07-22 | 汉谷云智(武汉)科技有限公司 | 热电联产机组负荷分配方法、设备、终端及存储介质 |
| CN114781945B (zh) * | 2022-06-21 | 2022-11-04 | 汉谷云智(武汉)科技有限公司 | 热电联产机组负荷分配方法、设备、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112633556A (zh) | 一种基于混合模型的短期电力负荷预测方法 | |
| CN107505837A (zh) | 一种半监督神经网络模型及基于该模型的软测量建模方法 | |
| CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
| CN106126944B (zh) | 一种电力变压器顶层油温区间预测方法及系统 | |
| CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
| CN110852476A (zh) | 客流预测方法、装置、计算机设备和存储介质 | |
| CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
| CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
| CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
| CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| CN115456287A (zh) | 一种基于长短时记忆网络的综合能源系统多元负荷预测方法 | |
| CN112614004A (zh) | 用电信息的处理方法及装置 | |
| Wang et al. | A transformer-based multi-entity load forecasting method for integrated energy systems | |
| CN112950048A (zh) | 基于模糊综合评价的国家高等教育体系健康评价 | |
| CN110110784B (zh) | 一种基于变压器相关运行数据的变压器故障辨识方法 | |
| CN110740063B (zh) | 基于信号分解和周期特性的网络流量特征指标预测方法 | |
| CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
| CN113919162B (zh) | 基于仿真与多源实测数据融合的电压暂降风险预警方法 | |
| CN111080037A (zh) | 一种基于深度神经网络的短期电力负荷预测方法及装置 | |
| CN116911419A (zh) | 一种基于趋势相关性特征学习的长时序预测方法 | |
| CN114595952A (zh) | 基于注意力网络改进卷积神经网络的窃电行为检测方法 | |
| CN112614006A (zh) | 负荷预测方法、装置、计算机可读存储介质以及处理器 |
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: 20210409 |
|
| RJ01 | Rejection of invention patent application after publication |