CN112686470A - 电网饱和负荷预测方法、装置及终端设备 - Google Patents
电网饱和负荷预测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN112686470A CN112686470A CN202110064276.6A CN202110064276A CN112686470A CN 112686470 A CN112686470 A CN 112686470A CN 202110064276 A CN202110064276 A CN 202110064276A CN 112686470 A CN112686470 A CN 112686470A
- Authority
- CN
- China
- Prior art keywords
- power grid
- load
- value
- predicted
- factor
- 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
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种电网饱和负荷预测方法、装置及终端设备,该方法包括:基于预设的格兰杰因果分析结果获取待预测电网的影响因素的当前值;将待预测电网的影响因素的当前值输入至预设的高斯过程回归模型中,确定待预测电网的负荷预测值;基于负荷预测值确定待预测电网的影响因素的未来规划值;将待预测电网的影响因素的未来规划值输入至预设的高斯过程回归模型中,确定待预测电网的饱和负荷预测值。本发明提供的电网饱和负荷预测方法、装置及终端设备,通过引入格兰杰因果分析实现对影响电网负荷的外部因素进行筛选,减少了不必要的外部因素,解决了电网饱和负荷预测过程中产生的伪回归问题,提高了电网饱和负荷预测的准确度。
Description
技术领域
本发明涉及电网规划领域,尤其涉及一种用于电网饱和负荷预测方法、装置及终端设备。
背景技术
饱和区间预测针对电网最终规模的电力需求进行预测,能为电网规划及中长期电力市场交易提供指导。目前,现有的饱和区间预测技术主要利用现有的区间时间序列进行外推,并结合饱和区间的时间判据实现饱和区间预测,例如:生长曲线模型;或者利用常见的经济或人口因素,结合规划值,建立回归模型实现饱和区间预测,例如:协整回归模型。
然而,影响电力需求的外部因素众多,不加筛选地融入建模容易产生伪回归的问题,而且外部因素还会随时间不断变化,现有预测方法对电力需求的饱和时间及饱和负荷预测结果准确度偏低。
发明内容
本发明实施例提供了一种电网饱和负荷预测方法,旨在解决现有预测方法对电力需求的饱和时间及负荷预测结果准确度偏低的问题。
为解决上述问题,本发明实施例的第一方面提供了一种电网饱和负荷预测方法,所述电网饱和负荷预测方法包括:
基于预设的格兰杰因果分析结果获取待预测电网的影响因素的当前值;
将待预测电网的影响因素的当前值输入至预设的高斯过程回归模型中,确定待预测电网的负荷预测值;
基于所述负荷预测值确定待预测电网的影响因素的未来规划值;
将待预测电网的影响因素的未来规划值输入至预设的高斯过程回归模型中,确定待预测电网的饱和负荷预测值。
本发明实施例的第二方面提供了一种电网饱和负荷预测装置,包括:
第一数据获取模块,基于预设的格兰杰因果分析结果获取待预测电网的影响因素的当前值;
第一负荷预测模块,将待预测电网的影响因素的当前值输入至预设的高斯过程回归模型中,确定待预测电网的负荷预测值;
第二数据获取模块,基于所述负荷预测值确定待预测电网的影响因素的未来规划值;
第二负荷预测模块,将待预测电网的影响因素的未来规划值输入至预设的高斯过程回归模型中,确定待预测电网的饱和负荷预测值。
本发明实施例的第三方面,提供了一种终端设备,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上述的电网饱和负荷预测方法的步骤。
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上述的电网饱和负荷预测方法的步骤。
本发明实施例提供电网饱和负荷预测方法的有益效果在于:在利用预设的高斯过程回归模型实现了对电网饱和负荷时间点以及饱和负荷值预测的基础上,进一步引入格兰杰因果分析实现对影响电网负荷的外部因素进行筛选,减少不必要的外部因素,解决电网饱和负荷预测过程中产生的伪回归问题,从而提高电网饱和负荷预测过程的计算速度和电网饱和负荷预测的精准度。
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为本发明一实施例提供的电网饱和负荷预测方法的流程示意图;
图2为本发明一实施例提供的某连续时间段内某电网的饱和负荷预测值的预测结果;
图3为本发明另一实施例提供的电网饱和负荷预测方法的流程示意图;
图4为本发明一实施例提供的电网饱和负荷预测装置的结构框图;
图5为本发明一实施例提供的终端设备的示意框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,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。
请参考图1,图1为本发明一实施例提供的电网饱和负荷预测方法的流程示意图,该方法包括:
S101:基于预设的格兰杰因果分析结果获取待预测电网的影响因素的当前值。
S102:将待预测电网的影响因素的当前值输入至预设的高斯过程回归模型中,确定待预测电网的负荷预测值;
S103:基于负荷预测值确定待预测电网的影响因素的未来规划值;
S104:将待预测电网的影响因素的未来规划值输入至预设的高斯过程回归模型中,确定待预测电网的饱和负荷预测值。
由上可以得出,在利用预设的高斯过程回归模型实现了对电网饱和负荷时间点以及饱和负荷预测的基础上,进一步引入格兰杰因果分析实现对影响电网负荷的外部因素进行筛选,减少不必要的外部因素,解决电网饱和负荷预测过程中产生的伪回归问题,从而提高电网饱和负荷预测过程的计算速度和电网饱和负荷时间点、饱和负荷预测值的精准度。
可选地,作为本发明实施例提供的电网饱和负荷预测方法的一种具体实施方式,格兰杰因果分析结果为影响待预测电网负荷的外部因素的筛选结果,电网饱和负荷预测方法还包括对影响待预测电网负荷的外部因素进行筛选的过程。
对影响待预测电网负荷的外部因素进行筛选的过程包括:
获取影响待预测电网负荷的外部因素的历史因素值以及与历史因素值对应的历史负荷序列。
将历史因素值以及与历史因素值对应的历史负荷序列输入至预设的格兰杰因果分析模型,筛选出待预测电网负荷的影响因素。
在本实施例中,外部因素可以按经济、人口、技术及气候的类别进行划分,并选取各类别中容易量化的外部因素。可选地,经济因素可包含GDP、产业结构、人均可支配收入及人均消费支出等因素,人口因素可包含常住人口及城镇化率等因素,技术因素可包含电力弹性系数及单位GDP电耗等因素,市场因素可包含CPI、社会零售消费品总额及固定资产投资总额等因素,气象因素可包含年平均温度及年平均降雨量等因素。
可选地,本发明实施例提供的电网饱和负荷预测方法的一种具体实施方式,格兰杰因果分析模型为F统计量模型;
F统计量模型为:
其中,Rr为无约束回归模型对应的残差平方和,Ru为有约束回归模型对应的残差平方和,q为外部因素的最大滞后周期数,p为历史负荷序列的最大滞后周期数,n为影响因素的个数;
其中,无约束回归模型为:
其中,yt为t时刻的待预测电网在无约束条件下的负荷值,α0为初始时刻的待预测电网的负荷,αk为历史负荷序列在第k个滞后周期的负荷系数,yt-k为t-k时刻的待预测电网的负荷值,εt为t时刻的白噪声;
其中,有约束回归模型为:
其中,yt′为t时刻的待预测电网在有约束条件下的历史负荷值,βj为外部因素在第j个滞后周期的影响系数,xt-j为外部因素在t-j时刻的历史因素值。
可选地,作为本发明实施例提供的电网饱和负荷预测方法的一种具体实施方式,将历史因素值以及与历史因素值对应的历史负荷序列输入至预设的格兰杰因果分析模型,筛选出待预测电网负荷的影响因素,包括:
将历史因素值以及与历史因素值对应的历史负荷序列输入至F统计量模型中,若在选定的显著性水平α上计算得到的某个外部因素对应的F统计量的值超过临界值Fα,则拒绝零假设,将该外部因素作为待预测电网的影响因素。
在本实施例中,显著性水平α可以取0.05。
可选地,作为本发明实施例提供的电网饱和负荷预测方法的一种具体实施方式,高斯过程回归模型为:
其中,y*为负荷预测值,为负荷预测值的均值,X为影响因素值,K(X,X)为影响因素值的协方差函数矩阵,y为负荷历史预测值,x*为影响因素外推值,cov(y*)为负荷预测值的方差,K(x*,x*)为影响因素外推值的协方差函数矩阵,K(X,x*)为影响因素值与影响因素外推值的协方差函数矩阵,为白噪声的方差,I为单位矩阵。其中,影响因素外推值可以根据影响因素值外推得到。
在本实施例中,高斯过程回归模型的构建方法为:
步骤1:构建影响因素与影响因素的高斯过程回归模型,为:
f(X)~GP(m(X),K(X,X))
其中,m(X)表示均值函数,f、GP表示高斯过程。
步骤2:
(1)建立训练集D,为:
D={(X,y)|X∈Rn×d,y∈Rn}
其中,Rn×d为影响因素测试样本值的集合,Rn为目标负荷样本值的集合,y为负荷历史预测值。
(2)将影响因素值与负荷历史预测值之间的关系视作高斯过程f,将独立的白噪声叠加到f,建立标准高斯过程回归模型,即:
y=f(X)+ε
其中,ε为白噪声,N表示高斯过程。
步骤3:
(1)根据贝叶斯原理,在给定的训练集内,建立负荷历史预测值的先验分布,即:
(2)设x*为影响因素外推值,由高斯过程的性质可知,负荷历史预测值与负荷预测值服从联合高斯分布:
(3)利用贝叶斯后验概率公式,在影响因素外推值与训练集的条件下,对应的负荷预测值满足:
(4)综合以上内容,构建高斯过程回归模型,为:
在本实施例中,上述协方差函数矩阵的展开式为:
K(x*,x*)=k(x*,x*)
其中,k表示核函数,xi为第i个影响因素值,xj为第j个影响因素值。
在本实施例中,由于协方差函数满足Mercer定理,因此其功能等价于核函数,考虑到负荷预测近大远小的原则,同时符合远景负荷单调发展趋势,选择平方指数核函数作为协方差函数,平方指数核函数为:
在本实施例中,电网饱和负荷预测方法还包括利用高斯分布的“3σ原理”获取饱和负荷预测值的置信区间,
饱和负荷预测值的置信区间为:
在本实施例中,为了更清楚地展示饱和负荷预测值的预测结果,本发明给出了某连续时间段内某电网的饱和负荷预测值的预测结果,如图2。
请一并参考图1及图3,作为本发明提供的电网饱和负荷预测方法的一个具体实施方式,在上述实施例的基础上,电网饱和负荷预测方法还包括对预设的高斯过程回归模型的超参数进行优化的过程,可以详述为:
S11:建立待预测电网的训练集,训练集包括影响因素测试样本值和目标负荷样本值;
S12:随机生成m个粒子,并初始化预设高斯过程回归模型的训练参数;其中,训练参数包括惯性权重、学习因子、混沌变量以及混沌因子;
S13:基于预设的高斯过程回归模型的超参数和超参数约束条件初始化每个粒子速度参数和位置参数;
在本实施例中,超参数约束条件为:
|l|≤b
其中,a,b,c均为大于0的常数。
S14:将影响因素测试样本值和目标负荷样本值输入预设高斯过程回归模型得到样本预测值,并计算每个粒子的适应度;其中,适应度为样本预测值和目标负荷样本值的和方差;
在本实施例中,样本预测值和目标负荷样本值的和方差的计算方法为:
S15:基于样本预测值和目标负荷值计算预设的高斯过程回归模型的相对误差百分比;检测步骤S14的执行次数是否达到第一预设阈值、或相对误差百分比小于第二预设阈值,若步骤S14的执行次数达到第一预设阈值、或相对误差百分比小于第二预设阈值,则将粒子中适应度最低的粒子的位置参数作为最优超参数输出;若执行次数小于第一预设阈值、且相对误差百分比大于第二预设阈值,则先更新所述训练参数,再更新每个粒子的速度信息和位置信息,最后返回执行步骤S14。
在本实施例中,步骤S15中将粒子中适应度最低的粒子的位置参数作为最优参数的方法为:
Smin=min(S)
其中,Smin为样本预测值和目标负荷值的最小和方差。
在本实施例中,相对误差百分比的计算方法为:
在本实施例中,相对误差百分比的值越低,高斯过程回归模型的预测精度越高。可选地,本发明还给出了某次高斯过程回归模型的预测精度与生长曲线模型的预测精度、协整回归模型的预测精度对比结果表,如表1:
表1预测精度对比结果表
在本实施例中,粒子的速度信息和位置信息的更新方法为:
其中,w为惯性权重,c1个体学习因子,c2群体学习因子,ξ和η为区间[0,1]的随机数,分别为第i个粒子在第d维搜索空间和第k次迭代中的速度参数、混沌变量、位置参数、个体历史最优位置、群体历史最优位置,分别为第i个粒子在第d维搜索空间和第k+1次迭代中的速度参数、混沌变量、位置参数、个体历史最优位置、群体历史最优位置,rid为混沌因子,B为极值变异因子,U(0,1)为均匀分布,ψd为搜索范围,Mid为延反向搜索的比例,tp为粒子停滞次数,Tp为预设停滞次数阈值。
可选地,作为本发明实施例提供的电网饱和负荷预测方法的一种具体实施方式,基于负荷预测值确定待预测电网的影响因素的未来规划值,包括:
基于负荷预测值和预设饱和负荷判据确定待预测电网到达饱和负荷的最大时间点。
在本实施例中,预设饱和负荷判据为:
根据连续时限内用电负荷增长率处处小于2%,确定负荷进入饱和阶段的时间点,并对待预测电网在该时间点下的各影响因素的作用情况进行分析,筛选出满足界定条件的时间点,取其中的最大年份作为最大时间点。
基于最大时间点、平均增长率法、待预测电网的影响因素的当前值确定影响因素的未来规划值。
在本实施例中,根据待预测电网的影响因素的当前值和平均增长率法计算影响因素的平均增长率,再根据平均增长率和最大时间点计算影响因素的未来规划值。
对应于上文实施例的电网饱和负荷预测方法,图4为本发明一实施例提供的电网饱和负荷预测装置的结构框图。为了便于说明,仅示出了与本发明实施例相关的部分。参考图4,该电网饱和负荷预测装置400包括:
第一数据获取模块401,基于预设的格兰杰因果分析结果获取待预测电网的影响因素的当前值。
第一负荷预测模块402,将待预测电网的影响因素的当前值输入至预设的高斯过程回归模型中,确定待预测电网的负荷预测值。
第二数据获取模块403,基于负荷预测值确定待预测电网的影响因素的未来规划值。
第二负荷预测模块404,将待预测电网的影响因素的未来规划值输入至预设的高斯过程回归模型中,确定待预测电网的饱和负荷预测值。
参见图4,作为本发明实施例提供的电网饱和负荷预测装置的一种具体实施方式,格兰杰因果分析结果为影响待预测电网负荷的外部因素的筛选结果,电网饱和负荷预测装置400还包括数据筛选模块405,数据筛选模块405用于执行对影响待预测电网负荷的外部因素进行筛选的过程。
对影响待预测电网负荷的外部因素进行筛选的过程包括:
获取影响待预测电网负荷的外部因素的历史因素值以及与历史因素值对应的历史负荷序列。
将历史因素值以及与历史因素值对应的历史负荷序列输入至预设的格兰杰因果分析模型,筛选出待预测电网负荷的影响因素。
可选地,本发明实施例提供的电网饱和负荷预测装置的一种具体实施方式,格兰杰因果分析模型为F统计量模型;
F统计量模型为:
其中,Rr为无约束回归模型对应的残差平方和,Ru为有约束回归模型对应的残差平方和,q为外部因素的最大滞后周期数,p为历史负荷序列的最大滞后周期数,n为影响因素的个数;
其中,无约束回归模型为:
其中,yt为t时刻的待预测电网在无约束条件下的负荷值,α0为初始时刻的待预测电网的负荷,αk为历史负荷序列在第k个滞后周期的负荷系数,yt-k为t-k时刻的待预测电网的负荷值,εt为t时刻的白噪声;
其中,有约束回归模型为:
其中,yt′为t时刻的待预测电网在有约束条件下的历史负荷值,βj为外部因素在第j个滞后周期的影响系数,xt-j为外部因素在t-j时刻的历史因素值。
可选地,作为本发明实施例提供的电网饱和负荷预测装置的一种具体实施方式,将历史因素值以及与历史因素值对应的历史负荷序列输入至预设的格兰杰因果分析模型,筛选出待预测电网负荷的影响因素,包括:
将历史因素值以及与历史因素值对应的历史负荷序列输入至F统计量模型中,若在选定的显著性水平α上计算得到的某个外部因素对应的F统计量的值超过临界值Fα,则拒绝零假设,将该外部因素作为待预测电网的影响因素。
可选地,作为本发明实施例提供的电网饱和负荷预测装置的一种具体实施方式,高斯过程回归模型为:
其中,y*为负荷预测值,为负荷预测值的均值,X为影响因素值,K(X,X)为影响因素值的协方差函数矩阵,y为负荷历史预测值,x*为影响因素外推值,cov(y*)为负荷预测值的方差,K(x*,x*)为影响因素外推值的协方差函数矩阵,K(X,x*)为影响因素值与影响因素外推值的协方差函数矩阵,为白噪声的方差,I为单位矩阵。其中,影响因素外推值可以根据影响因素值外推得到。
请一并参考图3及图4,作为本发明提供的电网饱和负荷预测装置的一个具体实施方式,在上述实施例的基础上,电网饱和负荷预测装置400还包括超参数优化模块406,超参数优化模块406用于执行对预设的高斯过程回归模型的超参数进行优化的过程,可以详述为:
S11:建立待预测电网的训练集,训练集包括影响因素测试样本值和目标负荷样本值;
S12:随机生成m个粒子,并初始化预设高斯过程回归模型的训练参数;其中,训练参数包括惯性权重、学习因子、混沌变量以及混沌因子;
S13:基于预设的高斯过程回归模型的超参数和超参数约束条件初始化每个粒子速度参数和位置参数;
S14:将影响因素测试样本值和目标负荷样本值输入预设高斯过程回归模型得到样本预测值,并计算每个粒子的适应度;其中,适应度为样本预测值和目标负荷样本值的和方差;
S15:基于样本预测值和目标负荷值计算预设的高斯过程回归模型的相对误差百分比;检测步骤S14的执行次数是否达到第一预设阈值、或相对误差百分比小于第二预设阈值,若步骤S14的执行次数达到第一预设阈值、或相对误差百分比小于第二预设阈值,则将粒子中适应度最低的粒子的位置参数作为最优超参数输出;若执行次数小于第一预设阈值、且相对误差百分比大于第二预设阈值,则先更新所述训练参数,再更新每个粒子的速度信息和位置信息,最后返回执行步骤S14。
可选地,作为本发明实施例提供的电网饱和负荷预测装置的一种具体实施方式,基于负荷预测值确定待预测电网的影响因素的未来规划值,包括:基于负荷预测值和预设饱和负荷判据确定待预测电网到达饱和负荷的最大时间点。
基于最大时间点、平均增长率法、待预测电网的影响因素的当前值确定影响因素的未来规划值。
参见图5,图5为本发明一实施例提供的终端设备的示意框图。如图3所示的本实施例中的终端500可以包括:一个或多个处理器501、一个或多个输入设备502、一个或多个输出设备503及一个或多个存储器504。上述处理器501、输入设备502、输出设备503及存储器504通过通信总线505完成相互间的通信。存储器504用于存储计算机程序,计算机程序包括程序指令。处理器501用于执行存储器504存储的程序指令。其中,处理器501被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能,例如图4所示模块401至404的功能。
应当理解,在本发明实施例中,所称处理器501可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal 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。
输入设备502可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备503可以包括显示器(LCD等)、扬声器等。
该存储器504可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器504的一部分还可以包括非易失性随机存取存储器。例如,存储器504还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器501、输入设备502、输出设备503可执行本发明实施例提供的电网饱和负荷预测方法的第一实施例和第二实施例中所描述的实现方式,也可执行本发明实施例所描述的终端的实现方式,在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令被处理器执行时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,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,计算机程序包括计算机程序代码,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。计算机可读介质可以包括:能够携带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,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是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端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,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
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,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,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。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
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发明实施例方案的目的。
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,也可以是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。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种电网饱和负荷预测方法,其特征在于,包括:
基于预设的格兰杰因果分析结果获取待预测电网的影响因素的当前值;
将待预测电网的影响因素的当前值输入至预设的高斯过程回归模型中,确定待预测电网的负荷预测值;
基于所述负荷预测值确定待预测电网的影响因素的未来规划值;
将待预测电网的影响因素的未来规划值输入至预设的高斯过程回归模型中,确定待预测电网的饱和负荷预测值。
2.如权利要求1所述的电网饱和负荷预测方法,其特征在于,所述格兰杰因果分析结果为影响待预测电网负荷的外部因素的筛选结果,所述电网饱和负荷预测方法还包括对影响待预测电网负荷的外部因素进行筛选的过程;
所述对影响待预测电网负荷的外部因素进行筛选的过程包括:
获取影响待预测电网负荷的外部因素的历史因素值以及与所述历史因素值对应的历史负荷序列;
将所述历史因素值以及与所述历史因素值对应的历史负荷序列输入至预设的格兰杰因果分析模型,筛选出待预测电网负荷的影响因素。
3.如权利要求2所述的电网饱和负荷预测方法,其特征在于,所述格兰杰因果分析模型为F统计量模型;
所述F统计量模型为:
其中,Rr为无约束回归模型对应的残差平方和,Ru为有约束回归模型对应的残差平方和,q为所述外部因素的最大滞后周期数,p为所述历史负荷序列的最大滞后周期数,n为所述影响因素的个数;
其中,所述无约束回归模型为:
其中,yt为t时刻的待预测电网在无约束条件下的负荷值,α0为初始时刻的待预测电网的负荷,αk为所述历史负荷序列在第k个滞后周期的负荷系数,yt-k为t-k时刻的待预测电网的负荷值,εt为白噪声;
其中,所述有约束回归模型为:
其中,yt′为t时刻的待预测电网在有约束条件下的历史负荷值,βj为所述外部因素在第j个滞后周期的影响系数,xt-j为所述外部因素在t-j时刻的历史因素值。
4.如权利要求3所述的电网饱和负荷预测方法,其特征在于,所述将所述历史因素值以及与所述历史因素值对应的历史负荷序列输入至预设的格兰杰因果分析模型,筛选出待预测电网负荷的影响因素,包括:
将所述历史因素值以及与所述历史因素值对应的历史负荷序列输入至F统计量模型中,若在选定的显著性水平α上计算得到的某个外部因素对应的F统计量的值超过临界值Fα,则拒绝零假设,将该外部因素作为待预测电网的影响因素。
6.如权利要求5所述的电网饱和负荷预测方法,其特征在于,所述电网饱和负荷预测方法还包括对所述预设的高斯过程回归模型的超参数进行优化的过程;
所述对所述预设的高斯过程回归模型的超参数进行优化的过程为:
S11:建立所述待预测电网的训练集,训练集包括影响因素测试样本值和目标负荷样本值;
S12:随机生成m个粒子,并初始化预设高斯过程回归模型的训练参数;其中,训练参数包括惯性权重、学习因子、混沌变量以及混沌因子;
S13:基于预设的高斯过程回归模型的超参数和超参数约束条件初始化每个粒子速度参数和位置参数;
S14:将影响因素测试样本值和目标负荷样本值输入所述预设高斯过程回归模型得到样本预测值,并计算每个粒子的适应度;其中,适应度为所述样本预测值和所述目标负荷样本值的和方差;
S15:基于所述样本预测值和所述目标负荷值计算所述预设的高斯过程回归模型的相对误差百分比;检测步骤S14的执行次数是否达到第一预设阈值、或相对误差百分比小于第二预设阈值,若步骤S14的执行次数达到第一预设阈值、或相对误差百分比小于第二预设阈值,则将粒子中适应度最低的粒子的位置参数作为最优超参数输出;若所述执行次数小于所述第一预设阈值、且所述相对误差百分比小于第二预设阈值,则先更新所述训练参数,再更新每个粒子的速度信息和位置信息,最后返回执行步骤S14。
7.如权利要求1所述的电网饱和负荷预测方法,其特征在于,所述基于所述负荷预测值确定待预测电网的影响因素的未来规划值,包括:
基于所述负荷预测值和预设饱和负荷判据确定所述待预测电网到达饱和负荷的最大时间点;
基于最大时间点、平均增长率法、待预测电网的影响因素的当前值确定影响因素的未来规划值。
8.一种电网饱和负荷预测装置,其特征在于,包括:
第一数据获取模块,基于预设的格兰杰因果分析结果获取待预测电网的影响因素的当前值;
第一负荷预测模块,将待预测电网的影响因素的当前值输入至预设的高斯过程回归模型中,确定待预测电网的负荷预测值;
第二数据获取模块,基于所述负荷预测值确定待预测电网的影响因素的未来规划值;
第二负荷预测模块,将待预测电网的影响因素的未来规划值输入至预设的高斯过程回归模型中,确定待预测电网的饱和负荷预测值。
9.一种终端设备,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7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7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064276.6A CN112686470A (zh) | 2021-01-18 | 2021-01-18 | 电网饱和负荷预测方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064276.6A CN112686470A (zh) | 2021-01-18 | 2021-01-18 | 电网饱和负荷预测方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112686470A true CN112686470A (zh) | 2021-04-20 |
Family
ID=75458487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110064276.6A Pending CN112686470A (zh) | 2021-01-18 | 2021-01-18 | 电网饱和负荷预测方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686470A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326983A (zh) * | 2021-05-28 | 2021-08-31 | 重庆能源大数据中心有限公司 | 一种天然气消费量预测系统及方法 |
CN114648156A (zh) * | 2022-03-02 | 2022-06-21 | 贵州电网有限责任公司 | 一种基于卷积神经网络的时间序列负荷预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934500A (zh) * | 2017-03-15 | 2017-07-07 | 国网山东省电力公司经济技术研究院 | 一种基于非参数模型对地区饱和电量进行预测的方法 |
CN107992991A (zh) * | 2017-11-07 | 2018-05-04 | 国家电网公司 | 基于外部环境因素和协整理论的年度售电量预测方法 |
CN110135635A (zh) * | 2019-04-29 | 2019-08-16 | 国网山东省电力公司经济技术研究院 | 一种区域电力饱和负荷预测方法及系统 |
CN110332647A (zh) * | 2019-07-11 | 2019-10-15 | 四川聚智精创轨道交通科技有限公司 | 地铁地下车站空调系统负荷预测方法及空调系统 |
CN110991843A (zh) * | 2019-11-22 | 2020-04-10 | 国网山东省电力公司临沂供电公司 | 考虑城市化发展及电能替代效应的饱和电力需求预测方法 |
-
2021
- 2021-01-18 CN CN202110064276.6A patent/CN112686470A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934500A (zh) * | 2017-03-15 | 2017-07-07 | 国网山东省电力公司经济技术研究院 | 一种基于非参数模型对地区饱和电量进行预测的方法 |
CN107992991A (zh) * | 2017-11-07 | 2018-05-04 | 国家电网公司 | 基于外部环境因素和协整理论的年度售电量预测方法 |
CN110135635A (zh) * | 2019-04-29 | 2019-08-16 | 国网山东省电力公司经济技术研究院 | 一种区域电力饱和负荷预测方法及系统 |
CN110332647A (zh) * | 2019-07-11 | 2019-10-15 | 四川聚智精创轨道交通科技有限公司 | 地铁地下车站空调系统负荷预测方法及空调系统 |
CN110991843A (zh) * | 2019-11-22 | 2020-04-10 | 国网山东省电力公司临沂供电公司 | 考虑城市化发展及电能替代效应的饱和电力需求预测方法 |
Non-Patent Citations (8)
Title |
---|
JIAKUN AN ETAL: "A investment scale determination method of distribution network based on big data", 《IEEE》 * |
MANJAREE PANDIT ETAL: "Multi-period wind integrated optimal dispatch using series PSO-DE with time-varying Gaussian membership function based fuzzy selection", 《ELECTRICAL POWER AND ENERGY SYSTEMS》 * |
付智江等: "基于相关性分析的高压配网运行效率评级指标体系研究", 《电网与清洁能源》 * |
张磊等: "基于配电网拉手式接线的电压等级序列合理配置研究", 《河北电力技术》 * |
彭虹桥等: "基于多维变量筛选-非参数组合回归的长期负荷概率预测模型", 《电网技术》 * |
彭虹桥等: "基于混沌粒子群—高斯过程回归的饱和负荷概率预测模型", 《电力系统自动化》 * |
毛雪娇等: "基于长短期记忆神经网络的饱和负荷预测方法及应用", 《水电能源科学》 * |
陈屹东: "基于经济发展阶段的饱和负荷分析与研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326983A (zh) * | 2021-05-28 | 2021-08-31 | 重庆能源大数据中心有限公司 | 一种天然气消费量预测系统及方法 |
CN114648156A (zh) * | 2022-03-02 | 2022-06-21 | 贵州电网有限责任公司 | 一种基于卷积神经网络的时间序列负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | A deep reinforcement learning framework for the financial portfolio management problem | |
Verbraken et al. | Development and application of consumer credit scoring models using profit-based classification measures | |
Triantafyllopoulos et al. | Dynamic modeling of mean-reverting spreads for statistical arbitrage | |
CN110400021B (zh) | 银行网点现金用量预测方法及装置 | |
US11222262B2 (en) | Non-Markovian control with gated end-to-end memory policy networks | |
Ayvaz et al. | An integrated LSTM neural networks approach to sustainable balanced scorecard-based early warning system | |
Qiu et al. | MRI appointment scheduling with uncertain examination time | |
CN112686470A (zh) | 电网饱和负荷预测方法、装置及终端设备 | |
CN113240153A (zh) | 光伏发电数据预测方法、装置、计算设备及存储介质 | |
CN115587666A (zh) | 基于季节趋势分解和混合神经网络的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 | |
Memon et al. | Short-term prediction model for multi-currency exchange using artificial neural network | |
CN112819256A (zh) | 一种基于注意力机制的卷积时序房价预测方法 | |
Mulesa et al. | Devising a method for constructing the optimal model of time series forecasting based on the principles of competition | |
CN115563568A (zh) | 异常数据的检测方法及其装置、电子设备及存储介质 | |
Beliakov et al. | Robust fitting for the Sugeno integral with respect to general fuzzy measures | |
CN113222767A (zh) | 指数化证券组合的数据处理方法及装置 | |
CN114638405A (zh) | 能源需求预测方法、装置及计算机设备 | |
CN114612231A (zh) | 股票量化交易方法、装置、终端设备及可读存储介质 | |
CN113705929A (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 | |
CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
Ali et al. | Deployment of a smart trading system for intelligent stock trading | |
CN111179070A (zh) | 一种基于lstm的借贷风险时效性预测系统及方法 | |
Emamverdi et al. | FORECASTING THE TOTAL INDEX OF TEHRAN STOCK EXCHANGE. | |
Mahmoud et al. | Prediction of economic value added of Iranian listed companies |
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 |