CN112668770A - 一种基于信息与波形总体相似度的电力负荷预测方法 - Google Patents
一种基于信息与波形总体相似度的电力负荷预测方法 Download PDFInfo
- Publication number
- CN112668770A CN112668770A CN202011548324.0A CN202011548324A CN112668770A CN 112668770 A CN112668770 A CN 112668770A CN 202011548324 A CN202011548324 A CN 202011548324A CN 112668770 A CN112668770 A CN 112668770A
- Authority
- CN
- China
- Prior art keywords
- day
- information
- predicted
- historical
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 118
- 230000009466 transformation Effects 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000013519 translation Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008034 disappearance Effects 0.000 description 6
- 238000004880 explosion Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001497337 Euscorpius gamma Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于信息与波形总体相似度的电力负荷预测方法,属于电力负荷预测领域,包括:将以待预测时刻为下一时刻的指定长度的时间段作为待预测日,将同期的多个历史时间段作为历史日,分别获得各历史日与待预测日之间的负荷曲线波形相似度;将待预测日和各历史日的日期信息和天气信息转化为向量并进行线性变换,得到对应的日信息向量,计算各历史日与待预测日之间的日信息向量相似度;将各历史日与待预测日之间的负荷曲线波形相似度和日信息向量相似度进行加权求和并归一化,作为对应历史日的总体相似权重,对各历史日的下一时刻负荷值进行加权求和,得到负荷预测结果。本发明中各历史日相关的信息可以并行计算,计算速度快,预测精度高。
Description
技术领域
本发明属于电力负荷预测领域,更具体地,涉及一种基于信息与波形总体相似度的电力负荷预测方法。
背景技术
电力工业是国家在能源领域的重大基础行业,也是国民经济的命脉。经济要发展,电力是先行,电力行业的发展建设对国家各行业起到至关重要的作用。我国发电机装机容量在不断扩大,电网在不断发展建设,随之而来的便是电力负荷的变化越加复杂,所以对于电力负荷的预测研究越来越重要。负荷预测对于制定发、送电计划、降低电力存储容量、避免重大事故、保障生产和生活的安全、经济以及社会效益等方面有重大的意义。
早期短期电力负荷预测常常采用回归预测法、时间序列法、指数平滑法、灰色预测法等,并取得了一定的效果。随着人工智能的发展,人工神经网络方法、机器学习方法、组合预测方法等被广泛应用于短期负荷预测。BP神经网络由于能够实现对复杂非线性结构的拟合,因此被广泛应用于电力系统领域的负荷预测研究。长短期记忆神经网络应用于包含时序关系的电力负荷建模研究时,往往能取得较好的预测效果。支持向量机在小样本数据上能够取得较为优异的泛化效果,常被应用于负荷预测领域。卷积神经网络可用于处理海量规模数据信息,并从中提取出目标的隐含信息,进行数据的预测或者分类。
近年来,随着深度学习的发展,数据驱动的端到端的用电用户负荷预测模型日益流行,通常使用的是RNN(循环神经网络)这种序列模型,相较于BP神经网络模型,RNN神经网络模型通过在不同层级之间的隐藏层之间建立联系,从而赋予了RNN神经网络模型对于之前时间输入信息的“记忆”功能,使RNN神经网络模型能够较好处理时序问题。具体的做法通常为先通过分析得到影响用户用电负荷的各项影响因素,然后基于这些影响因素构建训练样本,再利用这些训练样本训练出预测模型,以便利用训练好的预测模型进行用电用户的短期负荷预测,但在实际使用中,现有的时间序列模型由于只能顺序计算不能并行计算的缘故导致计算速度慢,且在模型考虑的历史负荷数据较多的情况下容易遗忘距离当前时刻较远的历史负荷数据,导致预测精度低,除此之外,用于计算长时间序列的深度学习模型容易出现“梯度消失”或“梯度爆炸”的问题,导致模型训练困难。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种基于信息与波形总体相似度的电力负荷预测方法,其目的在于,解决现有的电力负荷预测方法计算速度慢、预测精度低、容易出现“梯度消失”或“梯度爆炸”的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于信息与波形总体相似度的电力负荷预测方法,包括:
将以待预测时刻为下一时刻的指定长度的时间段作为待预测日,并将与待预测日同期的多个历史时间段作为历史日,分别获得待预测日和各历史日的负荷曲线,并计算各历史日与待预测日之间的负荷曲线波形相似度;
将待预测日的日期信息和天气信息转化为向量并进行线性变换,得到待预测日的日信息向量,分别将各历史日的日期信息和天气信息转化为向量并进行线性变换,得到对应历史日的日信息向量,计算各历史日与待预测日之间的日信息向量相似度;
对于每一个历史日,按照预设的权重系数将该历史日与待预测日之间的负荷曲线波形相似度和日信息向量相似度进行加权求和,作为该历史日与待预测日之间的总体相似度;对所有总体相似度进行归一化之后,作为对应历史日的总体相似权重;
按照各历史日的总体相似权重,对各历史日的下一时刻负荷值进行加权求和,得到待预测时刻的负荷预测结果。
本发明将以待预测时刻为下一时刻的时间段作为待预测日,并确定历史上同期的多个时间段作为历史日,分别计算各历史日与待预测日之间的日信息相似度和负荷曲线波形相似度,并依此计算各历史日的总体相似权重,对各历史日的下一时刻进行加权求和,作为待预测日下一时刻,即待预测时刻的负荷预测结果,此过程充分考虑了各历史日与待预测日之间的相似度,并且各历史日的总体相似度权重的确定过程没有前后依赖关系,因此,各历史日相关的信息可以并行计算,计算速度快,不会遗忘距离预测点较远的历史负荷数据,预测精度高,也不会产生“梯度消失”或“梯度爆炸”的问题。
进一步地,本发明提供的基于信息与波形总体相似度的电力负荷预测方法,在计算各历史日与待预测日之间的负荷曲线波形相似度之前,还包括:对负荷曲线进行去噪处理。
负荷曲线中的高频分量包括测量噪声以及用户本身用电的随机行为,对负荷预测价值不高,而低频分量能够较好的反映用户电力负荷波动规律;本发明在计算历史日与待预测日之间的负荷曲线波形相似度之前,对负荷曲线进行去噪处理,去除一系列细节分量,从含有噪声的负荷曲线中提取出有用的低频成分,从而去除了噪声及负荷数据异常值的影响,能够提高预测精度。
进一步地,采用Mallat算法对负荷曲线进行去噪处理。
Mallat算法(快速离散小波变换算法)在离散小波变换的基础上,使用低通滤波器和高通滤波器代替了父小波和母小波,可以从原始信号中提取不规律信息;本发明采用Mallat算法对负荷曲线进行去噪处理,能够有效提取出负荷曲线中的有效成分,提高预测精度。
进一步地,将待预测日的日期信息和天气信息转化为向量并进行线性变换,作为待预测日的日信息向量,分别将各历史日的日期信息和天气信息转化为向量并进行线性变换,作为对应历史日的日信息向量,计算各历史日与待预测日之间的日信息向量相似度,包括:
单日信息向量获取步骤:将目标时间段所属日的各项日期信息以及各项天气信息分别转换为向量后,连接为一个整体,并利用变换矩阵进行线性变换,得到目标时间段对应的日信息向量;变换矩阵通过训练自动调整日信息向量之间的相似度;目标时间段内各时刻属于同一日;
日信息向量获取步骤:将待预测日或历史日划分为一个或多个时间段,每个时间段中的各时刻属于同一日,且不同时间段属于不同日;将各时间段作为目标时间段,分别执行单日信息向量获取步骤,得到待预测日或历史日中各时间段对应的日信息向量;
日信息向量相似度计算步骤:对待预测日和各历史日分别执行日信息向量获取步骤,得到待预测日和各历史日中各时间段对应的日信息向量;对于每一个历史日,计算其与待预测日中相应时间段对应的日信息向量之间的相似度,将各时间段与指定长度的比值作为对应时间段的权值,对各时间段对应的日信息向量之间的相似度进行加权求和,得到该历史日与待预测日之间的日信息向量相似度。
本发明通过上述获取日信息向量的方式将所选取的待预测日和历史日的日期信息和天气信息转化为对应的日信息向量,能够有效地将待预测日与历史日的信息映射到低维空间,便于计算历史日与待预测日之间的日信息相似度。
进一步地,日期信息包括:月份、日期、周几以及是否是节假日;
天气信息包括:天气、温度和湿度。
月份、日期、周几以及是否是节假日这些日期信息,以及天气、温度和湿度这些天气信息,对电力系统的负荷存在较大影响,本发明通过将待预测日和历史日的这些日期信息和天气信息转换为对应的日信息向量后,基于此衡量历史日与待预测日之间的日信息相似度,能够准确挖掘出历史负荷数据对待预测结果的影响,有效提高预测精度。
进一步地,负荷曲线波形相似度为负荷曲线之间的DTW距离标幺化之后的结果。
用户每日的用电负荷规律不一定在时间轴上完全符合,可能存在时间上的平移,DTW(Dynamic Time Warping,动态时间归整)能够自动微调这种时间上的平移;本发明以DTW距离标幺化之后的结果作为历史日与待预测日之间的负荷曲线波形相似度,能够利用DTW自动微调电力负荷在时间上的平移,更为准确地计算两负荷曲线波形相似度。
进一步地,日信息向量相似度为日信息向量之间的点积运算结果标幺化之后的结果。
进一步地,通过softmax函数对所有总体相似度进行归一化。
按照本发明的另一个方面,提供了一种计算机可读存储介质,包括存储的计算机程序;计算机程序被处理器执行时,控制计算机可读存储介质所在设备执行本发明提供的基于信息与波形总体相似度的电力负荷预测方法。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)本发明将以待预测时刻为下一时刻的时间段作为待预测日,并确定历史上同期的多个时间段作为历史日,分别计算各历史日与待预测日之间的日信息相似度和负荷曲线波形相似度,并依此计算各历史日的总体相似权重,对各历史日的下一时刻进行加权求和,作为待预测日下一时刻,即待预测时刻的负荷预测结果,此过程充分考虑了各历史日与待预测日之间的相似度,并且各历史日的总体相似度权重的确定过程没有前后依赖关系,因此,各历史日相关的信息可以并行计算,计算速度快,不会遗忘距离预测点较远的历史负荷数据,预测精度高,也不会产生“梯度消失”或“梯度爆炸”的问题。
(2)本发明在计算历史日与待预测日之间的负荷曲线波形相似度之前,对负荷曲线进行去噪处理,去除一系列细节分量,从含有噪声的负荷曲线中提取出有用的低频成分,从而去除了噪声及负荷数据异常值的影响,能够提高预测精度;在其优选方案中,本发明采用Mallat算法对负荷曲线进行去噪处理,能够有效提取出负荷曲线中的有效成分,提高预测精度。
附图说明
图1为本发明实施例提供的基于信息与波形总体相似度的电力负荷预测方法流程图;
图2为本发明实施例提供的计算历史日与待预测日之间的负荷曲线波形相似度的流程图;
图3为本发明实施例提供的将日期信息和天气信息转换为日信息向量的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中,本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
针对传统的电力负荷预测方法由于采用顺序计算的序列模型,而存在的计算速度慢、预测精度低、容易出现“梯度消失”或“梯度爆炸”的技术问题,本发明提供了一种基于信息与波形总体相似度的电力负荷预测方法,其整体思路在于:确定待预测日和历史日后,分别计算各历史日与待预测日之间的相似度,包括日信息相似度和负荷曲线波形相似度,并以此为基础,计算出各历史日的负荷数据对于预测结果的权重,由此避免历史负荷数据之间的前后顺序依赖关系,使得相关计算可并行计算,计算速度快,不会遗忘距离预测点较远的历史负荷数据,预测精度高,也不会产生“梯度消失”或“梯度爆炸”的问题;将各历史日下一时刻的负荷值加权求和,即可得到待预测时刻的负荷预测结果。
以下为实施例。
实施例1:
一种基于信息与波形总体相似度的电力负荷预测方法,如图1所示,包括:预处理步骤、负荷波形相似度获取步骤、日信息相似度获取步骤、整体相似度获取步骤以及负荷预测步骤。
如图1所示,本实施例中,预处理步骤具体如下:
将以待预测时刻为下一时刻的指定长度的时间段作为待预测日,并将与待预测日同期的多个历史时间段作为历史日;
待预测日及历史日的长度,可根据实际的负荷特性及预测精度相应确定,可选地,本实施例中,待预测日及历史日的长度为x=24小时;可选地,本实施例中,待预测日和历史日中24小时内包含48个负荷计算点;
所选取的历史日的数量,可根据实际的负荷特性及预测精度相应确定,可选地,本实施例中,所截取的历史日数量为k=100;
容易理解的是,本实施例中,历史日与待预测日同期,是指历史日与待预测日的长度相同,且历史日与待预测日的开始时刻是不同日中的同一时刻,结束时刻也是不同日中的同一时刻;例如,待预测时刻为12月16日14点,向前推24小时得到待预测日为12月15日14点至16日14点,12月1日14点至12月2日14点就是与待预测日同期的一个历史时间段;
如图1所示,本实施例中,负荷波形相似度获取步骤具体如下:
分别获得待预测日和各历史日的负荷曲线,并计算各历史日与待预测日之间的负荷曲线波形相似度;
作为一种优选的实施方式,本实施例中,负荷曲线波形相似度为负荷曲线之间的DTW距离标幺化之后的结果;
用户每日的用电负荷规律不一定在时间轴上完全符合,可能存在时间上的平移,DTW能够自动微调这种时间上的平移;本实施例以DTW距离标幺化之后的结果作为历史日与待预测日之间的负荷曲线波形相似度,能够利用DTW自动微调电力负荷在时间上的平移,更为准确地计算两负荷曲线波形相似度;本实施例对于待预测日以及任意一个历史日,负荷数据均是长度为48的时间序列,分别记为Q={q1,q2,...,q48}和C={c1,c2,...,c48},如图2所示,该历史日与待预测日之间的负荷曲线波形相似度的计算具体包括如下步骤:
(S1)为了用DTW将两个序列对齐,首先构造一个48×48的矩阵A,元素A(i,j)=d(qi,cj)=|qi-cj|,即矩阵中的每个元素A(i,j)对应qi和cj的距离;
(S2)定义一条起点为A(1,1),终点为A(48,48)的弯曲路径W,W即为序列Q和C之间的一种对齐方式;W的第k个元素为wk,它的值对应矩阵A中的某个元素,于是有:
W={w1,w2,...,wK},48≤K≤95
其中,弯曲路径W必须满足如下限制:
(1)w1=A(1,1),wK=A(48,48)。即要求弯曲路径从矩阵的左上角起始,一直到右下角结束;
(2)对于wk=A(a,b),和wk-1=A(a′,b′),则a-a′≤1,且b-b′≤1。即限制了弯曲路径上的两个相邻点,只能对应矩阵中的相邻元素(对角也视为相邻);
(3)对于wk=A(a,b),和wk-1=A(a′,b′),则a-a′≥0,且b-b′≥0。即路径W上的点始终沿着对应矩阵A向下和向右的方向前进;
(S3)在满足条件的诸多弯曲路径中,选择具有最小弯曲代价(即DTW距离最小)的那条路径,即:
选择最小弯曲代价的路径,具体实现过程为:
引入累积距离γ(i,j),它表示到qi和cj为止的最小弯曲路径,用迭代式表示为:
γ(i,j)=d(qi,cj)+min{γ(i-1,j-1),γ(i-1,j),γ(i,j-1)}
即γ(i,j)是d(qi,cj)与相邻的前一步最小累积距离之和;
根据上述表达式,可以从γ(1,1)向γ(48,48)逐步计算,构建一张累计距离表,求出γ(48,48),则DTW(Q,C)=γ(48,48);
(S4)将所求DTW距离标幺化,计算公式如下:
计算结果所求的负荷曲线波形相似度。
负荷曲线中的高频分量包括测量噪声以及用户本身用电的随机行为,对负荷预测价值不高,而低频分量能够较好的反映用户电力负荷波动规律;基于此考虑,作为一种优选的实施方式,如图1所示,本实施例的负荷波形相似度获取步骤中,在计算各历史日与待预测日之间的负荷曲线波形相似度之前,还包括:对负荷曲线进行去噪处理;
本实施例在计算历史日与待预测日之间的负荷曲线波形相似度之前,对负荷曲线进行去噪处理,去除一系列细节分量,从含有噪声的负荷曲线中提取出有用的低频成分,从而去除了噪声及负荷数据异常值的影响,能够提高预测精度;作为一种优选的实施方式,本实施例中,采用Mallat算法对负荷曲线进行去噪处理;
离散小波的定义为:
Mallat算法(快速离散小波变换算法)在离散小波变换的基础上,使用低通滤波器和高通滤波器代替了父小波和母小波,可以从原始信号中提取不规律信息;低通滤波器称为尺度函数,用来分析低频分量,而高通滤波器称为小波函数,用来分析高频分量;根据给定的信号F(t),使用Mallat算法得到一个近似分量和若干个细节分量;原始序列首先经过第一层分解,得到第一层的近似分量和细节分量,再在第一层近似分量的基础上进行第二层分解,得到第二层的近似分量和细节分量,以此类推进行四层分解后得到最终的近似分量c和细节分量(d1,d2,d3,d4);
本实施例采用Mallat算法对负荷曲线进行去噪处理,能够有效提取出负荷曲线中的有效成分,提高预测精度;应当说明的是,Mallat算法仅为本发明一种优选的实施方式,在预测精度可满足应用需求的情况下,在本发明其他的一些实施例中,也可以直接采用离散小波变换等其他的去噪方式。
如图1所示,本实施例中,日信息相似度获取步骤具体如下:
将待预测日的日期信息和天气信息转化为向量并进行线性变换,得到待预测日的日信息向量,分别将各历史日的日期信息和天气信息转化为向量并进行线性变换,得到对应历史日的日信息向量,计算各历史日与待预测日之间的日信息向量相似度;
可选地,本实施例中,日期信息包括:月份、日期、周几以及是否是节假日;天气信息包括:天气、温度和湿度;月份、日期、周几以及是否是节假日这些日期信息,以及天气、温度和湿度这些天气信息,对电力系统的负荷存在较大影响,本实施例通过将待预测日和历史日的这些日期信息和天气信息转换为对应的日信息向量后,基于此衡量历史日与待预测日之间的日信息相似度,能够准确挖掘出历史负荷数据对待预测结果的影响,有效提高预测精度;应当说明的是,具体选取哪些日期信息和天气信息,可根据实际的电力负荷特性相应确定,在本发明其他的一些实施例中,日期信息和天气信息的选取也可能发生变化;
对于待预测日或任意一个历史日,可以采用嵌入(embedding)的方式将待预测日的日期信息和天气信息映射到低维空间,从而转换得到相应的日信息向量;以待预测日为例,将其日期信息和天气信息转化为向量的方式包括:
若待预测日中各时刻属于同一日,则分别获得待预测日所属日的各项日期信息以及各项天气信息分别转换为向量,例如,“晴天”转换为三维向量[0.1 0.8 0.4],每个信息的维度记为di,i=1,2,...,n,n表示信息总数;
为了在后期训练的过程中,模型可以调整各个日信息向量之间的相关度,利用一个变换矩阵对连接后的整体向量,进行线性变换,得到待预测日的日信息向量;经过线性变之后,向量由d维变为d′维的向量;其中的变换矩阵通过训练自动调整日信息向量之间的相似度;
若待预测日中各时刻属于多日,例如,上述示例中,待预测日为12月15日14点至16日14点,涉及到两日,分别是12月15日和12月16日;对于待预测日所关联的每一日,分别获得该日的各项日期信息以及各项天气信息分别转换为向量后,连接为一个整体向量并利用变换矩阵进行线性变换,作为该日所对应的日信息向量,具体可参考待预测日中各时刻属于同一日时,其日信息向量获取方式的描述;
基于上述获取待预测日或历史日的日信息向量的方式,本实施例中,将待预测日的日期信息和天气信息转化为向量并进行线性变换,作为待预测日的日信息向量,分别将各历史日的日期信息和天气信息转化为向量并进行线性变换,作为对应历史日的日信息向量,计算各历史日与待预测日之间的日信息向量相似度,具体包括:
单日信息向量获取步骤:将目标时间段所属日的各项日期信息以及各项天气信息分别转换为向量后,连接为一个整体,并利用变换矩阵进行线性变换,得到目标时间段对应的日信息向量;变换矩阵通过训练自动调整日信息向量之间的相似度;目标时间段内各时刻属于同一日;
日信息向量获取步骤:将待预测日或历史日划分为一个或多个时间段,每个时间段中的各时刻属于同一日,且不同时间段属于不同日;将各时间段作为目标时间段,分别执行单日信息向量获取步骤,得到待预测日或历史日中各时间段对应的日信息向量;在上述实例中,待预测日为12月15日14点至16日14点,相应地,会划分为两个时间段,分别是12月15日14点至24点,和12月16日0点至14点,各历史日也会划分为同期的两个时间段;
日信息向量相似度计算步骤:对待预测日和各历史日分别执行日信息向量获取步骤,得到待预测日和各历史日中各时间段对应的日信息向量;对于每一个历史日,计算其与待预测日中相应时间段对应的日信息向量之间的相似度,将各时间段与指定长度的比值作为对应时间段的权值,对各时间段对应的日信息向量之间的相似度进行加权求和,得到该历史日与待预测日之间的日信息向量相似度;在上述实例中,待预测日和历史日都会被划分为长度为10和14的两个时间段,这两个时间段的权值分别是5/12和7/12,计算各对应时间段之间的日信息向量相似度之后,按照这两个权值进行加权求和,即可得到历史日与待预测日之间的日信息向量相似度;对于历史日与待预测日中任意一个相应的时间段,对应的日信息向量的相似度的计算过程如图3所示。
本实施例通过上述获取日信息向量的方式将所选取的待预测日和历史日的日期信息和天气信息转化为对应的日信息向量,能够有效地将待预测日与历史日的信息映射到低维空间,便于计算历史日与待预测日之间的日信息相似度;
作为一种可选的实施方式,本实施例中,日信息向量相似度为日信息向量之间的点积运算结果标幺化之后的结果;点积运算的公式如下:
s(x,y)=xTy
其中,x、y分别表示两个日信息向量,该点积运算结果可用于评估两个日信息向量之间的评分,评分越高代表两向量相关度越高;
将评分标幺化,相关计算公式如下:
计算结果即为日信息向量相似度。
如图1所示,本实施例中,整体相似度获取步骤具体如下:
对于每一个历史日,按照预设的权重系数将该历史日与待预测日之间的负荷曲线波形相似度和日信息向量相似度进行加权求和,作为该历史日与待预测日之间的总体相似度;对所有总体相似度进行归一化之后,作为对应历史日的总体相似权重;
权重系数可以根据日信息相似度和负荷曲线波形相似度在电力负荷预测中的重要性相应设定,以α表示权重系数中中,日信息相似度的加权系数,则历史日与待预测日之间的总体相似度为:
S=α×Sa+(1-α)×Sb
式中,S为总体相似度,Sa为日信息相似度,Sb为曲线相似度,α为加权系数;
可选地,本实施例中,通过softmax函数对所有总体相似度进行归一化,具体计算公式如下:
其中,i=1,2,...,k,pi为第i个历史负荷曲线的总体相似权重,Si为第i个历史日与待预测日之间的总体相似度;应当说明的是,softmax函数仅为一种可选的归一化方式,不应理解为对本发明的唯一限定,只要保证归一化之后,各结果非负,且和为1,其他的归一化方式也可应用于本发明。
如图1所示,本实施例中,负荷预测步骤具体如下:
按照各历史日的总体相似权重,对各历史日的下一时刻负荷值进行加权求和,得到待预测时刻的负荷预测结果。
总体而言,本实施例将以待预测时刻为下一时刻的时间段作为待预测日,并确定历史上同期的多个时间段作为历史日,分别计算各历史日与待预测日之间的日信息相似度和负荷曲线波形相似度,并依此计算各历史日的总体相似权重,对各历史日的下一时刻进行加权求和,作为待预测日下一时刻,即待预测时刻的负荷预测结果,此过程充分考虑了各历史日与待预测日之间的相似度,并且各历史日的总体相似度权重的确定过程没有前后依赖关系,因此,各历史日相关的信息可以并行计算,计算速度快,不会遗忘距离预测点较远的历史负荷数据,预测精度高,也不会产生“梯度消失”或“梯度爆炸”的问题。
实施例2:
一种计算机可读存储介质,包括存储的计算机程序;计算机程序被处理器执行时,控制计算机可读存储介质所在设备执行上述实施例1提供的基于信息与波形总体相似度的电力负荷预测方法。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于信息与波形总体相似度的电力负荷预测方法,其特征在于,包括:
将以待预测时刻为下一时刻的指定长度的时间段作为待预测日,并将与所述待预测日同期的多个历史时间段作为历史日,分别获得所述待预测日和各历史日的负荷曲线,并计算各历史日与所述待预测日之间的负荷曲线波形相似度;
将所述待预测日的日期信息和天气信息转化为向量并进行线性变换,得到所述待预测日的日信息向量,分别将各历史日的日期信息和天气信息转化为向量并进行线性变换,得到对应历史日的日信息向量,计算各历史日与所述待预测日之间的日信息向量相似度;
对于每一个历史日,按照预设的权重系数将该历史日与所述待预测日之间的负荷曲线波形相似度和日信息向量相似度进行加权求和,作为该历史日与所述待预测日之间的总体相似度;对所有总体相似度进行归一化之后,作为对应历史日的总体相似权重;
按照各历史日的总体相似权重,对各历史日的下一时刻负荷值进行加权求和,得到所述待预测时刻的负荷预测结果。
2.如权利要求1所述的基于信息与波形总体相似度的电力负荷预测方法,其特征在于,在计算各历史日与所述待预测日之间的负荷曲线波形相似度之前,还包括:对负荷曲线进行去噪处理。
3.如权利要求2所述的基于信息与波形总体相似度的电力负荷预测方法,其特征在于,采用Mallat算法对负荷曲线进行去噪处理。
4.如权利要求1-3任一项所述的基于信息与波形总体相似度的电力负荷预测方法,其特征在于,将所述待预测日的日期信息和天气信息转化为向量并进行线性变换,作为所述待预测日的日信息向量,分别将各历史日的日期信息和天气信息转化为向量并进行线性变换,作为对应历史日的日信息向量,计算各历史日与所述待预测日之间的日信息向量相似度,包括:
单日信息向量获取步骤:将目标时间段所属日的各项日期信息以及各项天气信息分别转换为向量后,连接为一个整体,并利用变换矩阵进行线性变换,得到所述目标时间段对应的日信息向量;所述变换矩阵通过训练自动调整日信息向量之间的相似度;所述目标时间段内各时刻属于同一日;
日信息向量获取步骤:将所述待预测日或历史日划分为一个或多个时间段,每个时间段中的各时刻属于同一日,且不同时间段属于不同日;将各时间段作为目标时间段,分别执行所述单日信息向量获取步骤,得到所述待预测日或历史日中各时间段对应的日信息向量;
日信息向量相似度计算步骤:对所述待预测日和各历史日分别执行所述日信息向量获取步骤,得到所述待预测日和各历史日中各时间段对应的日信息向量;对于每一个历史日,计算其与所述待预测日中相应时间段对应的日信息向量之间的相似度,将各时间段与所述指定长度的比值作为对应时间段的权值,对各时间段对应的日信息向量之间的相似度进行加权求和,得到该历史日与所述待预测日之间的日信息向量相似度。
5.如权利要求4所述的基于信息与波形总体相似度的电力负荷预测方法,其特征在于,所述日期信息包括:月份、日期、周几以及是否是节假日;
所述天气信息包括:天气、温度和湿度。
6.如权利要求1-3任一项所述的基于信息与波形总体相似度的电力负荷预测方法,其特征在于,负荷曲线波形相似度为负荷曲线之间的DTW距离标幺化之后的结果。
7.如权利要求1-3任一项所述的基于信息与波形总体相似度的电力负荷预测方法,其特征在于,日信息向量相似度为日信息向量之间的点积运算结果标幺化之后的结果。
8.如权利要求1-3任一项所述的基于信息与波形总体相似度的电力负荷预测方法,其特征在于,通过softmax函数对所有总体相似度进行归一化。
9.一种计算机可读存储介质,其特征在于,包括存储的计算机程序;所述计算机程序被处理器执行时,控制所述计算机可读存储介质所在设备执行权利要求1-8任一项所述的基于信息与波形总体相似度的电力负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011548324.0A CN112668770B (zh) | 2020-12-24 | 2020-12-24 | 一种基于信息与波形总体相似度的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011548324.0A CN112668770B (zh) | 2020-12-24 | 2020-12-24 | 一种基于信息与波形总体相似度的电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668770A true CN112668770A (zh) | 2021-04-16 |
CN112668770B CN112668770B (zh) | 2024-07-09 |
Family
ID=75409921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011548324.0A Active CN112668770B (zh) | 2020-12-24 | 2020-12-24 | 一种基于信息与波形总体相似度的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668770B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449904A (zh) * | 2021-05-12 | 2021-09-28 | 国网河北省电力有限公司衡水供电分公司 | 多能负荷预测方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794538A (zh) * | 2015-04-20 | 2015-07-22 | 浙江大学 | 基于ieemd-bpnn的电力系统短期负荷预测方法 |
CN105844371A (zh) * | 2016-05-19 | 2016-08-10 | 北京中电普华信息技术有限公司 | 一种用电客户短期负荷需求预测方法及装置 |
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
-
2020
- 2020-12-24 CN CN202011548324.0A patent/CN112668770B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794538A (zh) * | 2015-04-20 | 2015-07-22 | 浙江大学 | 基于ieemd-bpnn的电力系统短期负荷预测方法 |
CN105844371A (zh) * | 2016-05-19 | 2016-08-10 | 北京中电普华信息技术有限公司 | 一种用电客户短期负荷需求预测方法及装置 |
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
周晖 等: "基于多时段气象数据判断相似日的日负荷曲线预测研究", 继电器, no. 23, pages 46 - 50 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449904A (zh) * | 2021-05-12 | 2021-09-28 | 国网河北省电力有限公司衡水供电分公司 | 多能负荷预测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112668770B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105391083B (zh) | 基于变分模态分解和相关向量机的风功率区间短期预测方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN111144542A (zh) | 油井产能预测方法、装置和设备 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN113469470B (zh) | 基于电力大脑中枢的用能数据与碳排放量关联分析方法 | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN111967688A (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 | |
CN109635245A (zh) | 一种鲁棒宽度学习系统 | |
Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
CN117132135B (zh) | 基于数字孪生的城市信息化管理系统及方法 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
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 | |
CN116384244A (zh) | 一种基于物理增强神经网络的电磁场预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
Damaševičius et al. | Decomposition aided attention-based recurrent neural networks for multistep ahead time-series forecasting of renewable power generation | |
CN112668770A (zh) | 一种基于信息与波形总体相似度的电力负荷预测方法 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN117094431A (zh) | 一种多尺度熵门控的DWTformer气象数据时序预测方法及设备 | |
CN114692529B (zh) | 一种cfd高维响应的不确定度量化方法、装置、计算机设备 | |
CN116865254A (zh) | 一种电力负荷指标预测方法、系统、设备及介质 | |
CN113835964B (zh) | 基于小样本学习的云数据中心服务器能耗预测方法 | |
CN116341929A (zh) | 一种基于聚类和自适应梯度提升决策树的预测方法 | |
CN116011655A (zh) | 基于两阶段智能特征工程的负荷超短期预测方法及系统 | |
CN115130584A (zh) | 时间序列预测方法、装置、设备及存储介质 |
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 |