CN112734072A - 电力负荷预测方法、系统、终端设备及介质 - Google Patents
电力负荷预测方法、系统、终端设备及介质 Download PDFInfo
- Publication number
- CN112734072A CN112734072A CN201911028883.6A CN201911028883A CN112734072A CN 112734072 A CN112734072 A CN 112734072A CN 201911028883 A CN201911028883 A CN 201911028883A CN 112734072 A CN112734072 A CN 112734072A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- characteristic data
- model
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000012821 model calculation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012417 linear regression 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
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例适用于电力调度技术领域,提供了一种电力负荷预测方法、系统、终端设备及介质,所述方法包括:获取电力系统的运行数据,所述运行数据包括多种特征数据;确定所述多种特征数据中的目标特征数据,并从所述多种特征数据中识别出与所述目标特征数据具有关联关系的关联特征数据;从所述目标特征数据和所述关联特征数据中读取预设数据量的训练数据,根据所述训练数据和预置模型库中的多个模型生成目标预测模型;采用所述目标预测模型进行电力负荷预测,提高了负荷预测的准确性。
Description
技术领域
本申请属于电力调度技术领域,特别是涉及一种电力负荷预测方法、系统、终端设备及介质。
背景技术
电力负荷预测是电力系统规划的重要组成部分,也是电力系统经济运行的基础。准确的负荷预测对于确保整个电力系统的安全性和经济性具有重要意义。
通常,电力系统的负荷预测都是基于算法模型来进行的,通过收集系统运行过程中的各种数据,然后由模型自动计算出预测结果,供相关工作人员参考。但是,对于不同行业、不同领域的用电方,其电力运行情况存在极大差异,甚至同一用电方在不同时段的用电情况也不同。采用目前通用的算法模型完成的负荷预测准确率较低。
发明内容
有鉴于此,本申请实施例提供了一种电力负荷预测方法、系统、终端设备及介质,以解决现有技术中采用通用的算法模型进行负荷预测准确率较低的问题。
本申请实施例的第一方面提供了一种电力负荷预测方法,包括:
获取电力系统的运行数据,所述运行数据包括多种特征数据;
确定所述多种特征数据中的目标特征数据,并从所述多种特征数据中识别出与所述目标特征数据具有关联关系的关联特征数据;
从所述目标特征数据和所述关联特征数据中读取预设数据量的训练数据,根据所述训练数据和预置模型库中的多个模型生成目标预测模型;
采用所述目标预测模型进行电力负荷预测。
本申请实施例的第二方面提供了一种电力负荷预测系统,包括:
运行数据获取模块,用于获取电力系统的运行数据,所述运行数据包括多种特征数据;
关联特征数据识别模块,用于确定所述多种特征数据中的目标特征数据,并从所述多种特征数据中识别出与所述目标特征数据具有关联关系的关联特征数据;
目标预测模型生成模块,用于从所述目标特征数据和所述关联特征数据中读取预设数据量的训练数据,根据所述训练数据和预置模型库中的多个模型生成目标预测模型;
电力负荷预测模块,用于采用所述目标预测模型进行电力负荷预测。
本申请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第一方面所述电力负荷预测方法的步骤。
本申请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第一方面所述电力负荷预测方法的步骤。
与现有技术相比,本申请实施例包括以下优点:
本申请实施例,通过获取电力系统的运行数据,并从运行数据的多种特征数据中确定出目标特征数据,以及与目标特征数据具有关联关系的关联特征数据,然后再从目标特征数据和关联特征数据中读取预设数据量的训练数据,可以根据训练数据和预置模型库中的多个模型生成目标预测模型,在采用目标预测模型进行电力负荷预测时,能够获得更好的预测结果。本实施例结合不同的数据分布情形,可以基于多个模型生成最优的目标预测模型,保证了目标预测模型与数据形态的匹配,解决了现有技术中采用一种通用的预测模型对全部数据进行预测准确率较低的问题,提高了负荷预测的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例的一种电力负荷预测方法的步骤流程示意图;
图2是本申请一个实施例的另一种电力负荷预测方法的步骤流程示意图;
图3是本申请一个实施例的一种目标预测模型生成过程示意图;
图4是本申请一个实施例的一种更新目标预测模型的过程示意图;
图5是本申请一个实施例的一种电力负荷预测系统的示意图;
图6是本申请一个实施例的一种终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域技术人员应当清楚,在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
下面通过具体实施例来说明本申请的技术方案。
参照图1,示出了本申请一个实施例的一种电力负荷预测方法的步骤流程示意图,具体可以包括如下步骤:
S101、获取电力系统的运行数据,所述运行数据包括多种特征数据;
需要说明的是,本实施例可以适用于终端设备中。即,通过采集电力系统的运行数据,由终端设备对这些运行数据进行分析、处理,来对电力系统的负荷进行预测。
本实施例中的运行数据可以是指对原始数据进行处理后得到的运行数据。
在具体实现中,电力系统的末端采样点可以采集系统在运行过程中的负荷、温度、湿度、生产数据等影响电力负荷的数值型数据,然后将这些数值型数据存入到数据库中。待需要对电力负荷进行预测时,可以从数据库中读取出上述数据,然后经过处理获得可以用于进行负荷预测的运行数据。
本实施例中对原始数据进行处理可以包括对原始数据中的缺失值、异常值的处理,也可以包括对原始数据的数据格式进行规范等等,本实施例对此不作限定。
经过处理后的运行数据可以按照实际的数据类型被划分为多种特征数据。例如,负荷特征数据、温度特征数据、湿度特征数据,等等。
S102、确定所述多种特征数据中的目标特征数据,并从所述多种特征数据中识别出与所述目标特征数据具有关联关系的关联特征数据;
本实施例中的目标特征数据可以是指具体需要进行预测的某一项特征数据,例如负荷特征数据。
通常,各种特征数据都是相互作用的。因此,在确定出目标特征数据后,还需要从剩余的其他几种特征数据中选择出与其具有较强相关性的关联特征数据。具有较强相关性可以是指对于目标特征数据,在加入另外某一种或某几种特征数据后,对于最终的预测结果具有较大的影响。
例如,对于负荷特征数据,由于在不同的温度和湿度下,电力系统的负荷会呈现出显著的不同。因此,可以将温度特征数据和湿度特征数据作为与负荷特征数据具有强相关性的关联特征数据。
S103、从所述目标特征数据和所述关联特征数据中读取预设数据量的训练数据,根据所述训练数据和预置模型库中的多个模型生成目标预测模型;
在本实施例中,可以从目标特征数据和关联特征数据中读取一定量的数据作为训练数据,即,训练数据可以看作是目标特征数据和关联特征数据的一个子集。读取出的训练数据可以用于筛选出最优的模型和模型参数。
在具体实现中,可以预置一模型库,并在模型库中内置一些分类模型和回归模型。例如,决策树模型、线性回归模型、XGBoost模型等等。模型库中还可以包括一些针对时序序列的预测模型。例如,灰色预测模型、ARIMA模型、Holt-Winters模型等等。本实施例对模型库中所包含的具体模型类型不作限定。
对于模型库中的任一模型,可以通过输入数据,由该模型计算出预测数据,然后依据损失函数计算出模型的适应度。
在本实施例中,通过读取训练数据,可以基于特定的算法,如遗传算法等,对模型库中的一个或多个模型进行改进,生成最终用于负荷预测的目标预测模型和模型参数。
S104、采用所述目标预测模型进行电力负荷预测。
基于训练数据和模型库中的各个模型所生成的目标预测模型可以看作是经过一系列处理所选择出的效果最佳的模型,采用该模型对当前获得的电力系统的运行数据进行电力负荷预测,可以获得更好的预测结果。
在本申请实施例中,通过获取电力系统的运行数据,并从运行数据的多种特征数据中确定出目标特征数据,以及与目标特征数据具有关联关系的关联特征数据,然后再从目标特征数据和关联特征数据中读取预设数据量的训练数据,可以根据训练数据和预置模型库中的多个模型生成目标预测模型,在采用目标预测模型进行电力负荷预测时,能够获得更好的预测结果。本实施例结合不同的数据分布情形,可以基于多个模型生成最优的目标预测模型,保证了目标预测模型与数据形态的匹配,解决了现有技术中采用一种通用的预测模型对全部数据进行预测准确率较低的问题,提高了负荷预测的准确性。
参照图2,示出了本申请一个实施例的另一种电力负荷预测方法的步骤流程示意图,具体可以包括如下步骤:
S201、获取电力系统的运行数据,所述运行数据包括多种特征数据;
本实施例可以适用于终端设备中。即,通过采集电力系统的运行数据,由终端设备对这些运行数据进行分析、处理,来实现对电力系统的负荷预测。上述运行数据可以是指对原始数据进行处理后得到的运行数据。
在本实施例中,可以通过在电力系统的各个末端采样点配置的数据采集装置采集采集电力系统的原始运行数据,这些原始运行数据可以包括多种特征数据的原始数据。例如,负荷特征数据、温度特征数据、湿度特征数据,等等。在末端采样点采集的各种原始数据将会被存入数据库。
需要说明的是,受电力系统的实际运行状况和数据采集装置的影响,原始数据中可能存在部分缺失值。在将原始数据存入数据库中时,对于缺失值,可以将其标注为NULL。
在需要进行负荷预测时,终端设备可以从数据库中读取出这些原始数据,然后对原始数据进行数据清洗。
在具体实现中,对于任一特征数据,例如负荷特征数据,可以根据该特征数据的原始数据绘制箱线图,然后基于绘制出的箱线图,识别出原始数据中的异常值和缺失值,并采用原始数据中各个数据值的平均值或中位数等数值替换掉原始数据中的异常值和缺失值,获得运行数据。
例如,对于负荷特征Q,在采用负荷特征的原始数据绘制出负荷特征的箱线图后,可以读取该箱线图中的下四分位数Q1和上四分位数Q3,然后计算二者之间的差值IQR=Q3-Q1,并根据该差值和一定的比值,确定出原始数据的上限值和下限值。例如,可以定义上限值U=Q3+1.5IQR,定义下限值L=Q1-1.5IQR。再根据数据值是否大于上述上限值或是否小于上述下限值,来识别出原始数据中的异常值。
在具体实现中,若第一数据值大于上述上限值或小于上述下限值,则可以将该第一数据值识别为异常值,上述第一数据值为原始数据中的任一数据值。即,对于某个特征值q∈Q,如果q>U,或者q<L,则可以将该特征值识别为异常值进行处理,否则将其作为正常值。
对于缺失值和异常值,可以通过中位数或者平均值进行填充。记med为Q的中位数,avg为Q的均值,则可以使用med或者avg代替原始数据中的缺失值或者异常值,将处理后获得的数据作为用于后续计算的有效运行数据。
S202、确定所述多种特征数据中的目标特征数据,分别计算所述目标特征数据与其他各种特征数据之间的相关性系数;
目标特征数据可以是指后续用于预测的那个特征数据。例如,可以是负荷特征。在确定出目标特征数据后,剩余的其他特征数据即是非目标特征数据,需要从非目标特征数据中识别出与目标特征数据具有较强关联性的关联特征数据。
在具体实现中,在确定出目标特征数据后,可以使用线性相关性分析,计算出各个非目标特征数据与目标特征数据之间的相关性系数。
S203、识别所述相关性系数超过预设阈值的特征数据为所述目标特征数据的关联特征数据;
一般地,相关性系数超过0.8可以认为两个特征数据之间具有强相关性,可以将其作为关联特征数据。对于其他相关性系数在0.8以下的非关联特征数据,则无需再考虑。
作为本实施例的一种示例,还可以对多种特征数据进行特征重建,生成重建特征数据,通过计算目标特征数据与重建特征数据之间的相关性系数,确认是否可以将重建后获得的特征数据作为关联特征数据。
在具体实现中,若目标特征数据与重建特征数据之间的相关性系数超过上述预设阈值,则可以将重建特征数据识别为目标特征数据的关联特征数据。
特征重建的过程可以是将不同特征进行组合。例如,将能耗特征除以产量特征,得到单位产量的能耗kpi特征这一类新的特征,然后使用相关性分析筛选选择出具有较强相关性的特征。
需要说明的是,在识别出关联特征数据后,还需要对目标特征数据和关联特征数据进行预处理,从而才能将上述数据输入到模型中进行负荷预测。
在本实施例中,对特征数据的预处理可以包括对目标特征数据和关联特征数据的归一化处理。例如,使用均值方差或者最大值最小值对特征数据进行归一化数据;而对于离散数据则可以使用独热编码(one-hot)进行处理,并将时间数据拆分为年月日等信息。
当然,对于特征数据的预处理还采用其他方式进行,本实施例对此不作限定。
S204、从所述目标特征数据和所述关联特征数据中读取预设数据量的训练数据,根据所述训练数据和预设的遗传算法对预置模型库中的多个模型进行迭代计算,生成多个目标模型;
本实施例中的训练数据可以用于筛选或迭代出最优的预测模型及模型参数。上述训练数据可以是目标特征数据和关联特征数据的一个子集,具体的数据量可以根据实际需要确定,本实施例对此不作限定。
如图3所示,是本实施例的目标预测模型生成过程示意图。在采用训练数据筛选或迭代出最优模型和模型参数前,需要设置损失函数。
然后,可以将各个特征数据编码为染色体基因,使用遗传算法初始化种群,从模型库中随机选择一些模型和参数,进行迭代计算,生成多个目标模型。
需要说明的是,本实施例中的模型库,可以一些分类模型和回归模型,如决策树模型、线性回归模型、XGBoost模型,等等;还可以包括一些针对时序序列的预测模型,如灰色预测模型、ARIMA模型、Holt-Winters模型,等等。本实施例对模型库中所包含的具体模型类型不作限定。
S205、将所述训练数据输入各个目标模型进行模型计算,得到所述目标特征数据的预测值;
针对各个目标模型,可以将训练数据输入至目标模型中进行模型计算,得到模型预测值。
S206、根据所述训练数据、所述预测值和预设的损失函数,计算所述各个目标模型的模型适应度,提取所述模型适应度最小值对应的目标模型为目标预测模型;
然后,根据上述预先定义的损失函数可以计算出模型的适应度,经过选择、交叉、变异,迭代出使得损失函数和模型适应度最小的解,这个解对应的模型和参数即为需要选择的最优的目标预测模型和参数。
在本实施例中,对于曾经迭代出的最优模型,可以将其存储在最优模型库中。当后续迭代出新的目标预测模型这一最优模型时,可以根据历史最优模型对目标预测模型进行更新。上述历史最优模型即是依据电力系统的历史运行数据生成,且模型适应度较小,例如小于预设适应度阈值的那个模型。
在本实施例中,可以通过获取历史最优模型,计算历史最优模型与迭代出的目标预测模型之间的损失值。若损失值大于预设损失阈值,则可以根据历史最优模型对目标预测模型进行更新,获得更新后的目标预测模型;若损失值小于或等于预设损失阈值,则可以执行步骤S207,采用目标预测模型进行电力负荷预测。
如图4所示,是本实施例的更新目标预测模型的过程示意图。根据当前的训练数据得到的目标预测模型和参数,以及历史最优模型,可以计算出当前的目标预测模型和历史最优模型预测的损失函数值。然后,通过设置损失阈值α,例如α=5%,如果目标预测模型的损失值并未优于历史最优模型预测的损失值5%,则不用更新目标预测模型;否则,可以对目标预测模型进行更新。
通过比较当前的目标预测模型和历史最优模型,可以判断相对于历史数据,当前新增的部分数据是否包含较多的局部扰动特征。如果当前新增的部分数据包含较多的局部扰动特征,那么新迭代出的目标预测模型可能过多的注重于局部信息而忽略了全局的信息,通过历史最优模型有益于修正局部特征的偏差。
S207、采用所述目标预测模型进行电力负荷预测。
在本申请实施例中,通过读取电力系统运行过程中的原始数据,然后完成对数据的清洗和预处理,并进行负荷影响特征的选择以及特征的重建,从而可以通过模拟自然进化过程自动选择出效果最佳的目标预测模型,并进行模型参数的自动调优,无需指定某一种算法模型即可实现电力负荷预测算法模型的自动更新。本实施例可以实现负荷预测模型的自动选择、存储以及更新,能够适应不同的数据分布情形,为模型、参数找到最优的组合,从而得到最佳的预测结果。
需要说明的是,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
参照图5,示出了本申请一个实施例的一种电力负荷预测系统的示意图,具体可以包括如下模块:
运行数据获取模块501,用于获取电力系统的运行数据,所述运行数据包括多种特征数据;
关联特征数据识别模块502,用于确定所述多种特征数据中的目标特征数据,并从所述多种特征数据中识别出与所述目标特征数据具有关联关系的关联特征数据;
目标预测模型生成模块503,用于从所述目标特征数据和所述关联特征数据中读取预设数据量的训练数据,根据所述训练数据和预置模型库中的多个模型生成目标预测模型;
电力负荷预测模块504,用于采用所述目标预测模型进行电力负荷预测。
在本申请实施例中,所述运行数据获取模块501具体可以包括如下子模块:
原始运行数据采集子模块,用于采集电力系统的原始运行数据,所述原始运行数据包括所述多种特征数据的原始数据;
箱线图绘制子模块,用于针对任一特征数据,根据所述特征数据的原始数据绘制箱线图;
异常值和缺失值识别子模块,用于基于所述箱线图,识别所述原始数据中的异常值,以及,识别所述原始数据中的缺失值;
异常值和缺失值替换子模块,用于采用预设数值替换所述原始数据中的所述异常值和所述缺失值,获得所述运行数据,所述预设数值为所述原始数据中各个数据值的平均值或中位数。
在本申请实施例中,所述异常值和缺失值识别子模块具体可以包括如下单元:
四分位数差值计算单元,用于读取所述箱线图中的上四分位数和下四分位数,计算所述上四分位数和所述下四分位数之间的差值;
上下限值确定单元,用于根据所述差值和预设比值,确定所述原始数据的上限值和下限值;
异常值识别单元,用于若第一数据值大于所述上限值或小于所述下限值,则将所述第一数据值识别为异常值,所述第一数据值为所述原始数据中的任一数据值。
在本申请实施例中,所述关联特征数据识别模块502具体可以包括如下子模块:
相关性系数计算子模块,用于确定所述多种特征数据中的目标特征数据,分别计算所述目标特征数据与其他各种特征数据之间的相关性系数;
关联特征数据识别子模块,用于识别所述相关性系数超过预设阈值的特征数据为所述目标特征数据的关联特征数据。
在本申请实施例中,所述关联特征数据识别模块502还可以包括如下子模块:
重建特征数据生成子模块,用于对所述多种特征数据进行特征重建,生成重建特征数据。
所述相关性系数计算子模块,还用于计算所述目标特征数据与所述重建特征数据之间的相关性系数;
所述关联特征数据识别子模块,还用于若所述目标特征数据与所述重建特征数据之间的相关性系数超过所述预设阈值,则将所述重建特征数据识别为所述目标特征数据的关联特征数据。
在本申请实施例中,所述目标预测模型生成模块503具体可以包括如下子模块:
目标模型生成子模块,用于从所述目标特征数据和所述关联特征数据中读取预设数据量的训练数据,根据所述训练数据和预设的遗传算法对预置模型库中的多个模型进行迭代计算,生成多个目标模型;
预测值计算子模块,用于将所述训练数据输入各个目标模型进行模型计算,得到所述目标特征数据的预测值;
模型适应度计算子模块,用于根据所述训练数据、所述预测值和预设的损失函数,计算所述各个目标模型的模型适应度;
目标预测模型提取子模块,用于提取所述模型适应度最小值对应的目标模型为目标预测模型。
在本申请实施例中,所述系统还可以包括如下模块:
损失值计算模块,用于获取历史最优模型,计算所述历史最优模型与所述目标预测模型之间的损失值,所述历史最优模型依据所述电力系统的历史运行数据生成,且所述历史最优模型的模型适应度小于预设适应度阈值;
目标预测模型更新模块,用于若所述损失值大于预设损失阈值,则根据所述历史最优模型对所述目标预测模型进行更新,获得更新后的目标预测模型;否则调用所述电力负荷预测模块504,采用所述目标预测模型进行电力负荷预测。
对于系统实施例而言,由于其与方法实施例基本相似,所以描述得比较简单,相关之处参见方法实施例部分的说明即可。
参照图6,示出了本申请一个实施例的一种终端设备的示意图。如图6所示,本实施例的终端设备600包括:处理器610、存储器620以及存储在所述存储器620中并可在所述处理器610上运行的计算机程序621。所述处理器610执行所述计算机程序621时实现上述电力负荷预测方法各个实施例中的步骤,例如图1所示的步骤S101至S104。或者,所述处理器610执行所述计算机程序621时实现上述各系统实施例中各模块/单元的功能,例如图5所示模块501至504的功能。
示例性的,所述计算机程序621可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器620中,并由所述处理器610执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段可以用于描述所述计算机程序621在所述终端设备600中的执行过程。例如,所述计算机程序621可以被分割成运行数据获取模块、关联特征数据识别模块、目标预测模型生成模块和电力负荷预测模块,各模块具体功能如下:
运行数据获取模块,用于获取电力系统的运行数据,所述运行数据包括多种特征数据;
关联特征数据识别模块,用于确定所述多种特征数据中的目标特征数据,并从所述多种特征数据中识别出与所述目标特征数据具有关联关系的关联特征数据;
目标预测模型生成模块,用于从所述目标特征数据和所述关联特征数据中读取预设数据量的训练数据,根据所述训练数据和预置模型库中的多个模型生成目标预测模型;
电力负荷预测模块,用于采用所述目标预测模型进行电力负荷预测。
所述终端设备600可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备600可包括,但不仅限于,处理器610、存储器620。本领域技术人员可以理解,图6仅仅是终端设备600的一种示例,并不构成对终端设备600的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备600还可以包括输入输出设备、网络接入设备、总线等。
所述处理器610可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器620可以是所述终端设备600的内部存储单元,例如终端设备600的硬盘或内存。所述存储器620也可以是所述终端设备600的外部存储设备,例如所述终端设备600上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等等。进一步地,所述存储器620还可以既包括所述终端设备600的内部存储单元也包括外部存储设备。所述存储器620用于存储所述计算机程序621以及所述终端设备600所需的其他程序和数据。所述存储器620还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制。尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种电力负荷预测方法,其特征在于,包括:
获取电力系统的运行数据,所述运行数据包括多种特征数据;
确定所述多种特征数据中的目标特征数据,并从所述多种特征数据中识别出与所述目标特征数据具有关联关系的关联特征数据;
从所述目标特征数据和所述关联特征数据中读取预设数据量的训练数据,根据所述训练数据和预置模型库中的多个模型生成目标预测模型;
采用所述目标预测模型进行电力负荷预测。
2.根据权利要求1所述的方法,其特征在于,所述获取电力系统的运行数据,包括:
采集电力系统的原始运行数据,所述原始运行数据包括所述多种特征数据的原始数据;
针对任一特征数据,根据所述特征数据的原始数据绘制箱线图;
基于所述箱线图,识别所述原始数据中的异常值,以及,识别所述原始数据中的缺失值;
采用预设数值替换所述原始数据中的所述异常值和所述缺失值,获得所述运行数据,所述预设数值为所述原始数据中各个数据值的平均值或中位数。
3.根据权利要求2所述的方法,其特征在于,所述基于所述箱线图,识别所述原始数据中的异常值,包括:
读取所述箱线图中的上四分位数和下四分位数,计算所述上四分位数和所述下四分位数之间的差值;
根据所述差值和预设比值,确定所述原始数据的上限值和下限值;
若第一数据值大于所述上限值或小于所述下限值,则将所述第一数据值识别为异常值,所述第一数据值为所述原始数据中的任一数据值。
4.根据权利要求1所述的方法,其特征在于,所述确定所述多种特征数据中的目标特征数据,并从所述多种特征数据中识别出与所述目标特征数据具有关联关系的关联特征数据,包括:
确定所述多种特征数据中的目标特征数据,分别计算所述目标特征数据与其他各种特征数据之间的相关性系数;
识别所述相关性系数超过预设阈值的特征数据为所述目标特征数据的关联特征数据。
5.根据权利要求4所述的方法,其特征在于,还包括:
对所述多种特征数据进行特征重建,生成重建特征数据;
计算所述目标特征数据与所述重建特征数据之间的相关性系数;
若所述目标特征数据与所述重建特征数据之间的相关性系数超过所述预设阈值,则将所述重建特征数据识别为所述目标特征数据的关联特征数据。
6.根据权利要求1所述的方法,其特征在于,所述从所述目标特征数据和所述关联特征数据中读取预设数据量的训练数据,根据所述训练数据和预置模型库中的多个模型生成目标预测模型,包括:
从所述目标特征数据和所述关联特征数据中读取预设数据量的训练数据,根据所述训练数据和预设的遗传算法对预置模型库中的多个模型进行迭代计算,生成多个目标模型;
将所述训练数据输入各个目标模型进行模型计算,得到所述目标特征数据的预测值;
根据所述训练数据、所述预测值和预设的损失函数,计算所述各个目标模型的模型适应度;
提取所述模型适应度最小值对应的目标模型为目标预测模型。
7.根据权利要求1所述的方法,其特征在于,在所述采用所述目标预测模型进行电力负荷预测之前,还包括:
获取历史最优模型,计算所述历史最优模型与所述目标预测模型之间的损失值,所述历史最优模型依据所述电力系统的历史运行数据生成,且所述历史最优模型的模型适应度小于预设适应度阈值;
若所述损失值大于预设损失阈值,则根据所述历史最优模型对所述目标预测模型进行更新,获得更新后的目标预测模型;
若所述损失值小于或等于所述预设损失阈值,则执行所述采用所述目标预测模型进行电力负荷预测的步骤。
8.一种电力负荷预测系统,其特征在于,包括:
运行数据获取模块,用于获取电力系统的运行数据,所述运行数据包括多种特征数据;
关联特征数据识别模块,用于确定所述多种特征数据中的目标特征数据,并从所述多种特征数据中识别出与所述目标特征数据具有关联关系的关联特征数据;
目标预测模型生成模块,用于从所述目标特征数据和所述关联特征数据中读取预设数据量的训练数据,根据所述训练数据和预置模型库中的多个模型生成目标预测模型;
电力负荷预测模块,用于采用所述目标预测模型进行电力负荷预测。
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任一项所述电力负荷预测方法的步骤。
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任一项所述电力负荷预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911028883.6A CN112734072A (zh) | 2019-10-28 | 2019-10-28 | 电力负荷预测方法、系统、终端设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911028883.6A CN112734072A (zh) | 2019-10-28 | 2019-10-28 | 电力负荷预测方法、系统、终端设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112734072A true CN112734072A (zh) | 2021-04-30 |
Family
ID=75588732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911028883.6A Pending CN112734072A (zh) | 2019-10-28 | 2019-10-28 | 电力负荷预测方法、系统、终端设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734072A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115565379A (zh) * | 2022-12-06 | 2023-01-03 | 成都智元汇信息技术股份有限公司 | 一种替换历史客流数据中异常客流数据的方法及系统 |
CN117039855A (zh) * | 2023-07-27 | 2023-11-10 | 广州鑫广源电力设计有限公司 | 一种电力系统的负荷智能预测方法及系统 |
Citations (5)
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 |
CN107977737A (zh) * | 2017-11-19 | 2018-05-01 | 国网浙江省电力公司信息通信分公司 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
CN108197773A (zh) * | 2017-12-08 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力负荷预测方法、电力负荷预测装置及终端设备 |
CN108898259A (zh) * | 2018-07-10 | 2018-11-27 | 国网山东省电力公司济宁供电公司 | 基于多因素综合的自适应进化规划电力负荷预测方法及系统 |
CN109978253A (zh) * | 2019-03-22 | 2019-07-05 | 电子科技大学 | 一种基于增量学习的短期负荷预测方法 |
-
2019
- 2019-10-28 CN CN201911028883.6A patent/CN112734072A/zh active Pending
Patent Citations (5)
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 |
CN107977737A (zh) * | 2017-11-19 | 2018-05-01 | 国网浙江省电力公司信息通信分公司 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
CN108197773A (zh) * | 2017-12-08 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力负荷预测方法、电力负荷预测装置及终端设备 |
CN108898259A (zh) * | 2018-07-10 | 2018-11-27 | 国网山东省电力公司济宁供电公司 | 基于多因素综合的自适应进化规划电力负荷预测方法及系统 |
CN109978253A (zh) * | 2019-03-22 | 2019-07-05 | 电子科技大学 | 一种基于增量学习的短期负荷预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115565379A (zh) * | 2022-12-06 | 2023-01-03 | 成都智元汇信息技术股份有限公司 | 一种替换历史客流数据中异常客流数据的方法及系统 |
CN117039855A (zh) * | 2023-07-27 | 2023-11-10 | 广州鑫广源电力设计有限公司 | 一种电力系统的负荷智能预测方法及系统 |
CN117039855B (zh) * | 2023-07-27 | 2024-02-09 | 广州鑫广源电力设计有限公司 | 一种电力系统的负荷智能预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858740B (zh) | 企业风险的评估方法、装置、计算机设备及存储介质 | |
Wen et al. | Remaining useful life prediction of IIoT-enabled complex industrial systems with hybrid fusion of multiple information sources | |
CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
Park et al. | Missing-insensitive short-term load forecasting leveraging autoencoder and LSTM | |
CN112734072A (zh) | 电力负荷预测方法、系统、终端设备及介质 | |
CN113723861A (zh) | 异常用电行为检测方法、装置、计算机设备和存储介质 | |
CN115699044A (zh) | 软件项目的风险评估方法、装置、计算机设备、存储介质 | |
CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
CN112508260B (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
CN114239697A (zh) | 目标对象的分类方法、装置、电子设备及存储介质 | |
CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
Liu et al. | An automatic forecasting method for time series | |
JP6207405B2 (ja) | データ処理装置 | |
CN115271277A (zh) | 电力设备画像构建方法、系统、计算机设备及存储介质 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN107704723A (zh) | 一种基于斜率关联度的显著变量选择方法 | |
CN113591266A (zh) | 一种电能表故障概率的分析方法及系统 | |
CN113869601A (zh) | 一种电力用户负荷预测方法、装置及设备 | |
CN113205257A (zh) | 房产指数数据分析方法、装置、设备及存储介质 | |
CN112529319A (zh) | 基于多维特征的评分方法、装置、计算机设备及存储介质 | |
JP6611268B2 (ja) | 特定装置、分析システム、特定方法及び特定プログラム | |
CN113487080B (zh) | 一种基于风速分类的风速动态场景生成方法、系统及终端 | |
US20240070160A1 (en) | Data processing method and electronic device | |
CN113724098B (zh) | 一种基于聚类和神经网络的窃电用户检测方法及系统 |
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: 20210430 |
|
RJ01 | Rejection of invention patent application after publication |