CN112801374A - 模型训练方法、用电负荷预测方法、装置及设备 - Google Patents
模型训练方法、用电负荷预测方法、装置及设备 Download PDFInfo
- Publication number
- CN112801374A CN112801374A CN202110129589.5A CN202110129589A CN112801374A CN 112801374 A CN112801374 A CN 112801374A CN 202110129589 A CN202110129589 A CN 202110129589A CN 112801374 A CN112801374 A CN 112801374A
- Authority
- CN
- China
- Prior art keywords
- historical
- sub
- load
- predicted
- target
- 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 83
- 238000012549 training Methods 0.000 title claims abstract description 70
- 238000010801 machine learning Methods 0.000 claims abstract description 153
- 238000012545 processing Methods 0.000 claims abstract description 74
- 230000015654 memory Effects 0.000 claims description 19
- 230000005611 electricity Effects 0.000 abstract description 27
- 238000013461 design Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种模型训练方法、用电负荷预测方法、装置及设备,属于电力系统供电技术领域。所述方法包括:获取历史时刻的历史气象数据以及历史用电负荷,历史用电负荷包括待预测区域的至少两个子区域的历史子负荷,历史气象数据包括至少两个子区域的历史子区域气象;对历史用电负荷进行特征工程处理,得到目标历史负荷;以及,对历史气象数据进行特征工程处理,得到目标历史气象;根据目标历史负荷以及目标历史气象训练机器学习模型,机器学习模型用于根据预报气象数据预测待预测区域的用电负荷。训练的机器学习模型能够学习到待预测区域中各个子区域的用电特性,从而能够提升预测用电负荷的准确度。
Description
技术领域
本申请涉及电力系统供电技术领域,特别涉及一种模型训练方法、用电负荷预测方法、装置及设备。
背景技术
电网用电侧的用电负荷具有多样性和多变性的特点,从而可能会影响到电网的电力系统的安全运行。因此需要预测电网用电侧的用电负荷。
由于用电侧的用电负荷受天气的影响较大,例如低温和高温情况下会导致用电负荷激增。目前,通常由电网的工作人员,基于待预测区域的历史气象数据以及该历史气象数据对应的时段的历史用电负荷,结合自身经验,根据待预测区域需要进行用电负荷预测的时段的预报气象数据,对用电负荷进行预测。
但是,待预测区域中不同用户在用电时存在不同的用电行为特点,导致基于待预测区域的历史用电负荷预测出的用电负荷的准确度较低。
发明内容
本申请提供了一种模型训练方法、用电负荷预测方法、装置及设备,可以提升预测用电负荷的准确度。所述技术方案如下:
根据本申请的一方面,提供了一种模型训练方法,所述方法包括:
获取历史时刻的历史气象数据以及历史用电负荷,所述历史用电负荷包括待预测区域的至少两个子区域的历史子负荷,所述历史气象数据包括所述至少两个子区域的历史子区域气象;
对所述历史用电负荷进行特征工程处理,得到目标历史负荷;以及,对所述历史气象数据进行特征工程处理,得到目标历史气象;
根据所述目标历史负荷以及所述目标历史气象训练机器学习模型,所述机器学习模型用于根据预报气象数据预测所述待预测区域的用电负荷。
根据本申请的另一方面,提供了一种用电负荷预测方法,所述方法包括:
获取预测时段的预报气象数据,所述预报气象数据包括待预测区域的至少两个子区域的预报子区域气象;
对所述预报气象数据进行特征工程处理,得到目标预报气象;
将所述目标预报气象输入机器学习模型,输出所述待预测区域的预测用电负荷,所述机器学习模型是通过目标历史负荷以及目标历史气象训练得到的,所述目标历史负荷是通过对历史用电负荷进行特征工程处理得到的,所述目标历史气象是通过对历史气象数据进行特征工程处理得到的,所述历史用电负荷包括所述至少两个子区域的历史子负荷,所述历史气象数据包括所述至少两个子区域的历史子区域气象。
根据本申请的另一方面,提供了一种模型训练装置,所述装置包括:
获取模块,用于获取历史时刻的历史气象数据以及历史用电负荷,所述历史用电负荷包括待预测区域的至少两个子区域的历史子负荷,所述历史气象数据包括所述至少两个子区域的历史子区域气象;
处理模块,用于对所述历史用电负荷进行特征工程处理,得到目标历史负荷;以及,对所述历史气象数据进行特征工程处理,得到目标历史气象;
训练模块,用于根据所述目标历史负荷以及所述目标历史气象训练机器学习模型,所述机器学习模型用于根据预报气象数据预测所述待预测区域的用电负荷。
在一个可选的设计中,所述历史用电负荷还包括所述待预测区域的历史总负荷,所述历史气象数据还包括所述待预测区域的历史区域气象,所述机器学习模型包括第一机器学习模型和第二机器学习模型,所述第一机器学习模型用于预测所述待预测区域的用电负荷,所述第二机器学习模型用于预测所述子区域的用电负荷;所述训练模块,用于:
根据第一目标历史负荷以及第一目标历史气象训练所述第一机器学习模型,所述第一目标历史负荷为所述目标历史负荷中属于所述待预测区域的数据,所述第一目标历史气象为所述目标历史气象中属于所述待预测区域的数据;
根据第二目标历史负荷以及第二目标历史气象训练所述第二机器学习模型,所述第二目标历史负荷为所述目标历史负荷中属于所述子区域的数据,所述第二目标历史气象为所述目标历史气象中属于所述子区域的数据。
在一个可选的设计中,所述第二机器学习模型包括至少两个子模型,所述子模型与所述子区域对应;所述训练模块,用于:
根据所述第二目标历史负荷以及所述第二目标历史气象,训练所述第二目标历史负荷以及所述第二目标历史气象所属的子区域对应的子模型。
在一个可选的设计中,所述处理模块,用于:
确定与所述历史子区域气象匹配的子区域经验气象;
根据所述子区域经验气象对应的子区域经验负荷对所述历史子负荷进行缺失值填补。
在一个可选的设计中,所述处理模块,用于:
获取校准系数,所述校准系数是根据子区域经验负荷与所述待预测区域的总经验负荷的比值确定的;
根据所述校准系数对历史合并负荷进行校准,所述历史合并负荷是根据所述历史子负荷的和确定的。
在一个可选的设计中,所述历史气象数据属于至少两个来源;所述处理模块,用于:
通过不同来源的所述历史气象数据的平均值,对所述历史气象数据进行缺失值填补。
根据本申请的另一方面,提供了一种用电负荷预测装置,所述装置包括:
获取模块,用于获取预测时段的预报气象数据,所述预报气象数据包括待预测区域的至少两个子区域的预报子区域气象;
处理模块,用于对所述预报气象数据进行特征工程处理,得到目标预报气象;
预测模块,用于将所述目标预报气象输入机器学习模型,输出所述待预测区域的预测用电负荷,所述机器学习模型是通过目标历史负荷以及目标历史气象训练得到的,所述目标历史负荷是通过对历史用电负荷进行特征工程处理得到的,所述目标历史气象是通过对历史气象数据进行特征工程处理得到的,所述历史用电负荷包括所述至少两个子区域的历史子负荷,所述历史气象数据包括所述至少两个子区域的历史子区域气象。
在一个可选的设计中,所述预报气象数据还包括所述待预测区域的预报区域气象,所述机器学习模型包括第一机器学习模型和第二机器学习模型,所述第一机器学习模型用于预测所述待预测区域的用电负荷,所述第二机器学习模型用于预测所述子区域的用电负荷;所述预测模块,用于:
将第一目标预报气象输入所述第一机器学习模型,输出预测总负荷,所述第一目标预报气象为所述目标预报气象中属于所述待预测区域的数据;
将第二目标预报气象输入所述第二机器学习模型,输出预测子负荷,所述第二目标预报气象为所述目标预报气象中属于所述子区域的数据;
将所述预测总负荷和所述预测子负荷进行融合,得到所述预测用电负荷。
在一个可选的设计中,所述第二机器学习模型包括至少两个子模型,所述子模型与所述子区域对应;所述预测模块,用于:
将所述第二目标预报气象输入所述第二目标预报气象所属的子区域对应的子模型,输出预测区域子负荷;
将所述预测总负荷与所述预测区域子负荷的和进行融合。
在一个可选的设计中,所述预测模块,用于:
将所述预测子负荷的和与所述预测总负荷的算术平均数确定为所述预测用电负荷;或,将所述预测子负荷的和与所述预测总负荷的加权平均数确定为所述预测用电负荷。
在一个可选的设计中,预报气象数据属于至少两个来源。所述处理模块,用于:
通过不同来源的所述预报气象数据的平均值,对所述预报气象数据进行缺失值填补。
根据本申请的另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上方面所述的模型训练方法或用电负荷预测方法。
根据本申请的另一方面,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中存储有至少一条程序代码,所述程序代码由处理器加载并执行以实现如上方面所述的模型训练方法或用电负荷预测方法。
根据本申请的另一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述方面的各种可选实现方式中提供的模型训练方法或用电负荷预测方法。
本申请提供的技术方案带来的有益效果至少包括:
通过对历史用电负荷以及历史气象数据进行特征工程处理,并通过处理得到的目标历史负荷以及目标历史气象训练机器学习模型。该机器学习模型能够预测待预测区域的用电负荷。通过待预测区域的子区域的历史子负荷训练机器学习模型,能够使机器学习模型学习到待预测区域中各个子区域的用电特性,从而能够提升预测用电负荷的准确度。并且,通过对历史子负荷进行特征工程处理,能够提升训练机器学习模型的数据的准确度,从而提升预测用电负荷的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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是本申请一个示例性实施例提供的实现预测用电负荷的过程的示意图;
图2是本申请一个示例性实施例提供的模型训练方法的流程示意图;
图3是本申请一个示例性实施例提供的用电负荷预测方法的流程示意图;
图4是本申请另一个示例性实施例提供的用电负荷预测方法的流程示意图;
图5是本申请一个示例性实施例提供的通过机器学习模型预测用电负荷的原理的示意图;
图6是本申请一个示例性实施例提供的模型训练装置的结构示意图;
图7是本申请一个示例性实施例提供的用电负荷预测装置的结构示意图;
图8是本申请一个示例性实施例提供的服务器的结构示意图。
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
图1是本申请一个示例性实施例提供的实现预测用电负荷的过程的示意图。如图1所示,在训练机器学习模型的阶段中,在步骤A1(包括A11、A12、A13)中,计算机设备获取历史时刻的历史气象数据以及历史用电负荷。该历史用电负荷包括待预测区域的历史总负荷以及待预测区域的至少两个子区域的历史子负荷,该历史气象数据包括待预测区域的历史区域气象以及该至少两个子区域的历史子区域气象。在步骤A2中,计算机设备对历史子负荷以及历史气象数据进行特征工程处理,包括根据子区域经验负荷对历史子负荷进行缺失值填补,得到目标历史子负荷。以及,根据校准系数校准各历史子负荷之和,得到目标历史合并负荷。以及,根据各来源的历史气象数据的平均值对历史气象数据进行缺失值填补,得到目标历史气象。其中,该校准系数是根据子区域经验负荷与待预测区域的总经验负荷的比值确定的。在步骤A3(包括A31、A32、A33)中,计算机设备通过历史总负荷,目标历史合并负荷以及目标历史气象中属于待预测区域的数据对第一机器学习模型101进行训练。计算机设备通过目标历史子负荷以及完整的历史气象数据中属于待预测区域的子区域的数据对第二机器学习模型102进行训练。其中,第一机器学习模型101用于预测待预测区域的用电负荷,第二机器学习模型102用于预测子区域的用电负荷。
在通过机器学习模型预测用电负荷的阶段中,在步骤B1中,计算机设备获取预报气象数据,该预报气象数据包括待预测区域的预报区域气象以及待预测区域的至少两个子区域的预报子区域气象。在步骤B2中,计算机设备通过不同来源的预报气象数据的平均值,对预报气象数据进行缺失值填补,得到目标预报气象。在步骤B3中,计算机设备将目标预报气象中属于待预测区域的数据输入第一机器学习模型101,输出预测总负荷。将目标预报气象中属于子区域的数据输入第二机器学习模型102,输出预测子负荷。并将预测总负荷和预测子负荷进行融合,得到预测用电负荷。例如计算机设备将预测总负荷和各预测子负荷的和之间的算术平均数或加权平均数确定为该预测用电负荷。
在通过上述方式预测用电负荷时,无需人工进行计算,从而提升了预测用电负荷的效率。并且,通过待预测区域的历史总负荷以及待预测区域的子区域的历史子负荷分别训练机器学习模型,使得机器学习模型能够学习到待预测区域整体的用电特性以及各个子区域的用电特性,从而能够提升预测用电负荷的准确度。并且,通过对历史气象数据以及历史子负荷进行特征工程处理,能够提升训练机器学习模型的数据的准确度,从而提升预测用电负荷的准确度。
图2是本申请一个示例性实施例提供的模型训练方法的流程示意图。该方法可以用于计算机设备或计算机设备上的客户端。如图2所示,该方法包括:
步骤201:获取历史时刻的历史气象数据以及历史用电负荷。
该历史时刻包括过去的任一时刻。用电负荷指电网中用户的用电设备在某一时刻的电功率的总和。该历史用电负荷包括待预测区域的至少两个子区域的历史子负荷,该历史气象数据包括至少两个子区域的历史子区域气象。其中,待预测区域是需要进行用电负荷预测的区域。待预测区域的子区域是根据位置划分的,还能够是根据电网供电的电压等级划分的。例如待预测区域为市区,待预测区域的子区域为该市区中的行政区。或者,待预测区域的电压等级为超高压,子区域的电压等级为高压。
可选地,历史气象数据还能够包括待预测区域的历史区域气象。历史用电负荷还能够包括待预测区域的历史总负荷。
历史气象数据以及历史用电负荷是电网的管理人员上传至计算机设备中的。还能够是电网的管理人员通过在计算机设备中设置历史气象数据以及历史用电负荷的数据源地址,由计算机即设备通过该数据源地址获取的。
步骤202:对历史用电负荷进行特征工程处理,得到目标历史负荷。
该特征工程处理用于提升历史用电负荷以及地市气象数据的准确度。可选地,计算机设备确定与历史子区域气象匹配的子区域经验气象,之后根据子区域经验气象对应的子区域经验负荷对历史子负荷进行缺失值填补,得到目标历史负荷中的目标历史子负荷。该子区域经验气象以及子区域经验负荷是电网的管理人员确定的。计算机设备还能够获取校准系数,并根据校准系数对历史合并负荷进行校准,得到目标历史负荷中的目标历史合并负荷,历史合并负荷是根据历史子负荷的和确定的。该校准系数是根据子区域经验负荷的和与待预测区域的总经验负荷的比值确定的。计算机设备还能够对历史总负荷进行上述缺失值填补的处理。
步骤203:对历史气象数据进行特征工程处理,得到目标历史气象。
该特征工程处理包括对历史气象数据进行缺失值填补。可选地,历史气象数据属于至少两个来源(例如不同的气象数据供应商),计算机设备根据不同来源的历史气象数据的平均值,对历史气象数据进行缺失值填补。并且,计算机设备还能够根据历史气象数据之前时段或之后时段的数据对历史气象数据进行缺失值填补,从而得到完整的历史气象数据。
步骤204:根据目标历史负荷以及目标历史气象训练机器学习模型。
该机器学习模型用于根据预报气象数据预测待预测区域的用电负荷。当满足训练条件时,计算机设备确定训练结束。该训练条件包括排机器学习模型收敛,是否满足该训练条件还能够由人工判断。
可选地,机器学习模型包括第一机器学习模型和第二机器学习模型。第一机器学习模型用于预测待预测区域的用电负荷,第二机器学习模型用于预测子区域的用电负荷。计算机设备根据历史气象数据中属于待预测区域的数据、目标历史合并负荷以及历史总负荷训练第一机器学习模型,根据历史气象数据中属于子区域的数据以及目标历史子负荷训练第二机器学习模型。
该机器学习模型包括极限梯度提升(Extreme Gradient Boosting,XGBoost)模型、自然梯度提升(Natural Gradient Boosting,NGBoost)模型、轻量梯度提升树算法(Light Gradient Boosting Machine,LightGBM)模型以及长短期记忆(Long Short-TermMemory,LSTM)模型中的至少之一。其中,XGBoost模型能够提供并行树提升,从而快速准确地解决数据科学问题。NGBoost模型基于自然梯度,使得梯度提升算法具有概率预测能力。LightGBM模型和XGBoost类似,都采用损失函数的负梯度作为当前决策树的残差近似值,去拟合新的决策树。LSTM模型是一种时间循环神经网络,是能够解决一般的循环神经网络存在的长期依赖的问题。
综上所述,本实施例提供的方法,对历史用电负荷以及历史气象数据进行特征工程处理,并通过处理得到的目标历史负荷以及目标历史气象训练机器学习模型。该机器学习模型能够预测待预测区域的用电负荷。通过待预测区域的子区域的历史子负荷训练机器学习模型,能够使机器学习模型学习到待预测区域中各个子区域的用电特性,从而能够提升预测用电负荷的准确度。并且,通过对历史子负荷进行特征工程处理,能够提升训练机器学习模型的数据的准确度,从而提升预测用电负荷的准确度。
图3是本申请一个示例性实施例提供的用电负荷预测方法的流程示意图。该方法可以用于计算机设备或计算机设备上的客户端。如图3所示,该方法包括:
步骤301:获取预测时段的预报气象数据。
该预测时段为包括未来的任一时段,该预测时段是需要进行用电负荷的人员确定并在计算机设备中设置的。该预报气象数据包括待预测区域的至少两个子区域的预报子区域气象。可选地,该预报气象数据还包括待预测区域的预报区域气象。
步骤302:对预报气象数据进行特征工程处理,得到目标预报气象。
该特征工程处理用于提升预报气象数据的准确度。该特征工程处理包括对预报气象数据进行缺失值填补。可选地,预报气象数据属于至少两个来源,计算机设备能够根据不同来源的预报气象数据的平均值,对预报气象数据进行缺失值填补。并且,计算机设备还能够根据预报气象数据之前时段或之后时段的数据对预报气象数据进行缺失值填补,从而得到完整的预报气象数据。
需要说明的是,计算机设备对预报气象数据进行特征处理的过程与对历史气象数据进行特征处理的过程相同,从而保证在训练机器学习模型和使用机器学习模型进行预测时输入的数据的对齐。
步骤303:将目标预报气象输入机器学习模型,输出待预测区域的预测用电负荷。
该机器学习模型是通过目标历史负荷以及目标历史气象训练得到的。目标历史负荷是通过对历史用电负荷进行特征工程处理得到的,目标历史气象是通过对历史气象数据进行特征工程处理得到的。历史用电负荷包括至少两个子区域的历史子负荷,历史气象数据包括至少两个子区域的历史子区域气象。可选地,历史气象数据还能够包括待预测区域的历史区域气象。历史用电负荷还能够包括待预测区域的历史总负荷。
可选地,机器学习模型包括XGBoost模型、NGBoost模型、LightGBM模型以及LSTM模型中的至少之一。计算机设备将目标预报气象输入机器学习模型,能够输出各子区域的预测用电负荷。之后将各子区域的预测用电负荷相加,从而能够得到待预测区域的预测用电负荷。
可选地,该机器学习模型包括第一机器学习模型和第二机器学习模型。第一机器学习模型用于预测待预测区域的用电负荷,第二机器学习模型用于预测子区域的用电负荷。计算机设备将目标预报气象中属于待预测区域的数据输入第一机器学习模型,输出预测总负荷。将目标预报气象中属于子区域的数据输入第二机器学习模型,输出预测子负荷。并将预测总负荷和预测子负荷进行融合,从而能够得到预测用电负荷。
综上所述,本实施例提供的方法,对预报气象数据进行特征工程处理,并将得到的目标预报气象输入机器学习模型,从而得到待预测区域的预测用电负荷。该机器学习模型是通过待预测区域的子区域的历史子负荷训练得到的,因此该机器学习模型能够学习到待预测区域中各个子区域的用电特性,从而能够提升预测用电负荷的准确度。并且,通过对预报气象数据进行特征工程处理,能够提升预测用电负荷时使用的数据的准确度,从而提升预测用电负荷的准确度。
图4是本申请另一个示例性实施例提供的用电负荷预测方法的流程示意图。该方法可以用于计算机设备或计算机设备上的客户端。如图4所示,该方法包括:
步骤401:获取历史时刻的历史气象数据以及历史用电负荷。
该历史时刻包括过去的任一时刻。该历史用电负荷包括待预测区域的至少两个子区域的历史子负荷,该历史气象数据包括至少两个子区域的历史子区域气象。可选地,历史气象数据还能够包括待预测区域的历史区域气象。历史用电负荷还能够包括待预测区域的历史总负荷。
步骤402:对历史用电负荷进行特征工程处理,得到目标历史负荷。
该特征工程处理用于提升历史用电负荷以及地市气象数据的准确度。
可选地,计算机设备获取校准系数,并根据校准系数对历史合并负荷进行校准,从而得到目标历史负荷中的目标历史合并负荷。其中,历史合并负荷是根据历史子负荷的和确定的,校准系数是根据子区域经验负荷与待预测区域的总经验负荷的比值确定的。
由于电网在进行电力传输的过程中,存在一定的损耗,因此子区域经验负荷的和与待预测区域的总经验负荷存在偏差。示例地,子区域经验负荷分别为1500kw、1600kw和1400kw,总经验负荷为4200kw。则校准系数为(1500+1600+1400)/4200=1.07。历史子负荷为1400kw、1500kw和1300kw,则计算机设备确定的目标历史合并负荷为(1400+1500+1300)*1.07=4494。
可选地,计算机设备确定与历史子区域气象匹配的子区域经验气象,并根据子区域经验气象对应的子区域经验负荷对历史子负荷进行缺失值填补,从而得到目标历史负荷中的目标历史子负荷。
采集用电负荷的设备在采集用电负荷或向计算机设备传输用电负荷时,可能存在数据丢失的情况。示例地,待预测区域中第一子区域的历史子负荷在1月3日12:00的数据存在缺失,对应的历史子区域气象为晴朗-24℃-60%(湿度)。计算机设备确定与该历史子区域气象相同的区域经验气象的时刻为1月1日12:00。则计算机设备会将1月1日12:00的子区域经验负荷确定为该缺失的历史子负荷的数值,实现对历史子负荷进行缺失值填补。
可选地,在历史用电负荷包括待预测区域的历史总负荷时,计算机设备还能够对历史总负荷进行上述缺失值填补的处理。
步骤403:对历史气象数据进行特征工程处理,得到目标历史气象。
该特征工程处理包括对历史气象数据进行缺失值填补。可选地,历史气象数据属于至少两个来源。计算机设备通过不同来源的历史气象数据的平均值,对历史气象数据进行缺失值填补。并且,计算机设备还能够根据历史气象数据之前时段或之后时段的数据对历史气象数据进行缺失值填补,从而得到完整的历史气象数据。并且,计算机设备还能够采用线性插值的方式对历史气象数据进行缺失值填补。
示例地,历史气象数据属于3个来源,其中一个来源的数据中12:00的温度字段的值缺失,另外两个来源的数据中12:00的温度字段的值分别为17℃和19℃,则计算机设备会将(17+19)/2=18确定为上述缺失的温度字段的数值。示例地,历史气象数据属于3个来源,其中一个来源的数据中不存在湿度字段,另外两个来源的历史气象数据存在湿度字段,则计算机设备将存在湿度字段的历史气象数据的湿度字段的值的平均值,确定为不存在湿度字段的历史气象数据的湿度字段的值。示例地,当历史气象数据中不存在1月3日的数据时,计算机设备将该历史气象数据中1月2日的数据或1月4日的数据确定为该历史气象数据在1月3日时的数据。示例地,历史气象数据中某一时刻的数据缺失,计算机设备将该时刻的前一个时刻与后一个时刻的数据平均值,确定为该时刻的数据。
步骤404:根据目标历史负荷以及目标历史气象训练机器学习模型。
该机器学习模型用于根据预报气象数据预测待预测区域的用电负荷。可选地,机器学习模型包括XGBoost模型、NGBoost模型、LightGBM模型以及LSTM模型中的至少之一。
可选地,历史用电负荷还包括待预测区域的历史总负荷,历史气象数据还包括待预测区域的历史区域气象。机器学习模型包括第一机器学习模型和第二机器学习模型,第一机器学习模型用于预测待预测区域的用电负荷,第二机器学习模型用于预测子区域的用电负荷。其中。第一机器学习模型与第二机器学习模型相同或不相同。计算机设备根据第一目标历史负荷以及第一目标历史气象训练第一机器学习模型。根据第二目标历史负荷以及第二目标历史气象训练第二机器学习模型。其中,第一目标历史负荷为目标历史负荷中属于待预测区域的数据(历史总负荷、目标历史合并负荷),第一目标历史气象为目标历史气象中属于待预测区域的数据。第二目标历史负荷为目标历史负荷中属于子区域的数据(目标历史子负荷),第二目标历史气象为目标历史气象中属于子区域的数据。
可选地,第二机器学习模型还能够包括至少两个子模型,子模型与子区域对应,即每个子区域对应至少一个子模型。计算机设备根据第二目标历史负荷以及第二目标历史气象,训练第二目标历史负荷以及第二目标历史气象所属的子区域对应的子模型。示例地,待预测区域中的第一子区域对应的子模型为第一子模型,计算机设备根据第一子区域的目标历史子负荷以及目标历史气象训练该第一子模型。
步骤405:获取预测时段的预报气象数据。
该预测时段为包括未来的任一时段。预报气象数据包括待预测区域的至少两个子区域的预报子区域气象。可选地,该预报气象数据还包括待预测区域的预报区域气象。
步骤406:对预报气象数据进行特征工程处理,得到目标预报气象。
该特征工程处理用于提升预报气象数据的准确度。计算机设备对预报气象数据进行特征处理的过程与对历史气象数据进行特征处理的过程相同,具体可参照上述对历史气象数据进行特征处理的过程,本申请实施例在此不作赘述。
步骤407:将目标预报气象输入机器学习模型,输出待预测区域的预测用电负荷。
该机器学习模型是通过目标历史负荷以及目标历史气象训练得到的。目标历史负荷是通过对历史用电负荷进行特征工程处理得到的,目标历史气象是通过对历史气象数据进行特征工程处理得到的。历史用电负荷包括至少两个子区域的历史子负荷,历史气象数据包括至少两个子区域的历史子区域气象。可选地,历史气象数据还能够包括待预测区域的历史区域气象。历史用电负荷还能够包括待预测区域的历史总负荷。计算机设备将各预报子区域气象输入机器学习模型,能够得到各待预测区域的预测用电负荷,之后将各待预测区域的预测用电负荷的和输出为待预测区域的预测用电负荷。
可选地,预报气象数据还包括待预测区域的预报区域气象。机器学习模型包括第一机器学习模型和第二机器学习模型,第一机器学习模型用于预测待预测区域的用电负荷,第二机器学习模型用于预测子区域的用电负荷。计算机设备将第一目标预报气象输入第一机器学习模型,输出预测总负荷。将第二目标预报气象输入第二机器学习模型,输出预测子负荷。之后计算机设备将预测总负荷和预测子负荷进行融合,得到预测用电负荷。其中,第一目标预报气象为目标预报气象中属于待预测区域的数据。第二目标预报气象为目标预报气象中属于子区域的数据。
计算机设备将预测总负荷和预测子负荷进行融合,包括将预测子负荷的和与预测总负荷的算术平均数确定为预测用电负荷。或,将预测子负荷的和与预测总负荷的加权平均数确定为预测用电负荷。其中,预测子负荷的和与预测总负荷的权重是由预测用电负荷的人员确定的,例如根据预报区域气象与预报子区域气象的准确度确定,准确度越高则权重越高。
可选地,第二机器学习模型还能够包括至少两个子模型,子模型与子区域对应,即每个子区域对应至少一个子模型。每个子区域对应的子模型相同或不相同。计算机设备将第二目标预报气象输入第二目标预报气象所属的子区域对应的子模型,输出预测区域子负荷。之后将预测总负荷与预测区域子负荷的和进行融合,从而得到待预测区域的预测用电负荷。
示例地,图5是本申请一个示例性实施例提供的通过机器学习模型预测用电负荷的原理的示意图。如图5所示,在步骤S1中,计算设备获取预报区域气象以及预报子区域气象。在步骤S21中,计算机设备对预报区域气象进行缺失值填补。在步骤S22中,计算机设备对预报子区域气象进行缺失值填补。在步骤S31中,计算机设备将完整的预报区域气象输入第一机器学习模型。第一机器学习模型包括m个子模型,计算机设备将m个子模型输出的m个预测结果的平均值确定为预测总负荷。在步骤S32中,计算机设备将完整的预报子区域气象输入第二机器学习模型。第二机器学习模型包括n个子模型,在输入时,计算机设备会将完整的预报子区域气象输入该完整的预报子区域气象所属的子区域对应的子模型。在子区域对应多个子模型时,计算机设备将子区域对应的每个子模型的预测结果的平均值确定为该子区域的预测子负荷。在步骤S4中,计算机设备将预测总负荷与预测子负荷进行融合,从而得到待预测区域的预测用电负荷。
需要说明的是,上述计算机设备能够为服务器,例如为一台服务器,或者由若干台服务器组成的服务器集群,或者是一个云计算服务中心中的虚拟服务器等等,在此不做限定。该服务器用于实现上述预测用电负荷的服务。上述计算机设备还能够为智能手机、平板电脑、台式电脑和笔记本电脑等,此时计算机设备通过安装能够实现上述预测用电负荷的服务的客户端实现预测用电负荷。
综上所述,本实施例提供的方法,对预报气象数据进行特征工程处理,并将得到的目标预报气象输入机器学习模型,从而得到待预测区域的预测用电负荷。该机器学习模型是通过待预测区域的子区域的历史子负荷训练得到的,因此该机器学习模型能够学习到待预测区域中各个子区域的用电特性,从而能够提升预测用电负荷的准确度。并且,通过对预报气象数据进行特征工程处理,能够提升预测用电负荷时使用的数据的准确度,从而提升预测用电负荷的准确度。
另外,在通过机器学习模型预测用电负荷时,无需人工计算,提升了预测用电负荷的效率。在训练机器模型时对输入的数据进行特征工程处理,能够提升机器学习模型预测用电负荷时的准确度。第一机器学习模型和第二机器学习模型在训练以及预测时互相独立,因此能够充分学习到待预测区域与子区域的用电特性,避免了干扰,提升了预测用电负荷时的准确度。每个子区域对应一个子模型,使得子模型能够充分学习到对应的子区域的用电特性,避免了其他子区域的数据的干扰,提升了预测用电负荷时的准确度。将预测总负荷与预测子负荷进行融合,能够考虑到待预测区域的用电特性和子区域的用电特性,同样能够提升预测用电负荷时的准确度。
需要说明的是,本申请实施例提供的方法步骤的先后顺序可以进行适当调整,步骤也可以根据情况进行相应增减,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本申请的保护范围之内,因此不再赘述。
图6是本申请一个示例性实施例提供的模型训练装置的结构示意图。该装置可以用于计算机设备或计算机设备上的客户端。如图6所示,该装置60包括:
获取模块601,用于获取历史时刻的历史气象数据以及历史用电负荷,历史用电负荷包括待预测区域的至少两个子区域的历史子负荷,历史气象数据包括至少两个子区域的历史子区域气象。
处理模块602,用于对历史用电负荷进行特征工程处理,得到目标历史负荷。以及,对历史气象数据进行特征工程处理,得到目标历史气象。
训练模块603,用于根据目标历史负荷以及目标历史气象训练机器学习模型,机器学习模型用于根据预报气象数据预测待预测区域的用电负荷。
在一个可选的设计中,历史用电负荷还包括待预测区域的历史总负荷,历史气象数据还包括待预测区域的历史区域气象,机器学习模型包括第一机器学习模型和第二机器学习模型,第一机器学习模型用于预测待预测区域的用电负荷,第二机器学习模型用于预测子区域的用电负荷。训练模块603,用于:
根据第一目标历史负荷以及第一目标历史气象训练第一机器学习模型,第一目标历史负荷为目标历史负荷中属于待预测区域的数据,第一目标历史气象为目标历史气象中属于待预测区域的数据。根据第二目标历史负荷以及第二目标历史气象训练第二机器学习模型,第二目标历史负荷为目标历史负荷中属于子区域的数据,第二目标历史气象为目标历史气象中属于子区域的数据。
在一个可选的设计中,第二机器学习模型包括至少两个子模型,子模型与子区域对应。训练模块603,用于:
根据第二目标历史负荷以及第二目标历史气象,训练第二目标历史负荷以及第二目标历史气象所属的子区域对应的子模型。
在一个可选的设计中,处理模块602,用于:
确定与历史子区域气象匹配的子区域经验气象。根据子区域经验气象对应的子区域经验负荷对历史子负荷进行缺失值填补。
在一个可选的设计中,处理模块602,用于:
获取校准系数,校准系数是根据子区域经验负荷与待预测区域的总经验负荷的比值确定的。根据校准系数对历史合并负荷进行校准,历史合并负荷是根据历史子负荷的和确定的。
在一个可选的设计中,历史气象数据属于至少两个来源。处理模块602,用于:
通过不同来源的历史气象数据的平均值,对历史气象数据进行缺失值填补。
图7是本申请一个示例性实施例提供的用电负荷预测装置的结构示意图。该装置可以用于计算机设备或计算机设备上的客户端。如图7所示,该装置70包括:
获取模块701,用于获取预测时段的预报气象数据,预报气象数据包括待预测区域的至少两个子区域的预报子区域气象。
处理模块702,用于对预报气象数据进行特征工程处理,得到目标预报气象。
预测模块703,用于将目标预报气象输入机器学习模型,输出待预测区域的预测用电负荷,机器学习模型是通过目标历史负荷以及目标历史气象训练得到的,目标历史负荷是通过对历史用电负荷进行特征工程处理得到的,目标历史气象是通过对历史气象数据进行特征工程处理得到的,历史用电负荷包括至少两个子区域的历史子负荷,历史气象数据包括至少两个子区域的历史子区域气象。
在一个可选的设计中,预报气象数据还包括待预测区域的预报区域气象,机器学习模型包括第一机器学习模型和第二机器学习模型,第一机器学习模型用于预测待预测区域的用电负荷,第二机器学习模型用于预测子区域的用电负荷。预测模块703,用于:
将第一目标预报气象输入第一机器学习模型,输出预测总负荷,第一目标预报气象为目标预报气象中属于待预测区域的数据。将第二目标预报气象输入第二机器学习模型,输出预测子负荷,第二目标预报气象为目标预报气象中属于子区域的数据。将预测总负荷和预测子负荷进行融合,得到预测用电负荷。
在一个可选的设计中,第二机器学习模型包括至少两个子模型,子模型与子区域对应。预测模块703,用于:
将第二目标预报气象输入第二目标预报气象所属的子区域对应的子模型,输出预测区域子负荷。将预测总负荷与预测区域子负荷的和进行融合。
在一个可选的设计中,预测模块703,用于:
将预测子负荷的和与预测总负荷的算术平均数确定为预测用电负荷。或,将预测子负荷的和与预测总负荷的加权平均数确定为预测用电负荷。
在一个可选的设计中,预报气象数据属于至少两个来源。处理模块702,用于:
通过不同来源的预报气象数据的平均值,对预报气象数据进行缺失值填补。
需要说明的是:上述实施例提供的模型训练装置,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的模型训练装置与模型训练方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
同理,上述实施例提供的用电负荷预测装置,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的用电负荷预测装置与用电负荷预测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请的实施例还提供了一种计算机设备,该计算机设备包括:处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的模型训练方法或用电负荷预测方法。
可选地,该计算机设备为服务器。示例地,图8是本申请一个示例性实施例提供的服务器的结构示意图。
所述服务器800包括中央处理单元(Central Processing Unit,CPU)801、包括随机存取存储器(Random Access Memory,RAM)802和只读存储器(Read-Only Memory,ROM)803的系统存储器804,以及连接系统存储器804和中央处理单元801的系统总线805。所述计算机设备800还包括帮助计算机设备内的各个器件之间传输信息的基本输入/输出系统(Input/Output系统,I/O系统)806,和用于存储操作系统813、应用程序814和其他程序模块815的大容量存储设备807。
所述基本输入/输出系统806包括有用于显示信息的显示器808和用于用户输入信息的诸如鼠标、键盘之类的输入设备809。其中所述显示器808和输入设备809都通过连接到系统总线805的输入输出控制器810连接到中央处理单元801。所述基本输入/输出系统806还可以包括输入输出控制器810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器810还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备807通过连接到系统总线805的大容量存储控制器(未示出)连接到中央处理单元801。所述大容量存储设备807及其相关联的计算机可读存储介质为服务器800提供非易失性存储。也就是说,所述大容量存储设备807可以包括诸如硬盘或者只读光盘(Compact Disc Read-Only Memory,CD-ROM)驱动器之类的计算机可读存储介质(未示出)。
不失一般性,所述计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读存储指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读寄存器(Erasable Programmable Read OnlyMemory,EPROM)、电子抹除式可复写只读存储器(Electrically-Erasable ProgrammableRead-Only Memory,EEPROM)、闪存或其他固态存储设备,CD-ROM、数字多功能光盘(DigitalVersatile Disc,DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器804和大容量存储设备807可以统称为存储器。
存储器存储有一个或多个程序,一个或多个程序被配置成由一个或多个中央处理单元801执行,一个或多个程序包含用于实现上述方法实施例的指令,中央处理单元801执行该一个或多个程序实现上述各个方法实施例提供的方法。
根据本申请的各种实施例,所述服务器800还可以通过诸如因特网等网络连接到网络上的远程服务器运行。也即服务器800可以通过连接在所述系统总线805上的网络接口单811连接到网络812,或者说,也可以使用网络接口单元811来连接到其他类型的网络或远程服务器系统(未示出)。
所述存储器还包括一个或者一个以上的程序,所述一个或者一个以上程序存储于存储器中,所述一个或者一个以上程序包含用于进行本申请实施例提供的方法中由服务器所执行的步骤。
本申请实施例中还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条程序代码,当该程序代码由计算机设备的处理器加载并执行时,实现上述各方法实施例提供的模型训练方法或用电负荷预测方法。
本申请还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例提供的模型训练方法或用电负荷预测方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的可读存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同切换、改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种模型训练方法,其特征在于,所述方法包括:
获取历史时刻的历史气象数据以及历史用电负荷,所述历史用电负荷包括待预测区域的至少两个子区域的历史子负荷,所述历史气象数据包括所述至少两个子区域的历史子区域气象;
对所述历史用电负荷进行特征工程处理,得到目标历史负荷;以及,对所述历史气象数据进行特征工程处理,得到目标历史气象;
根据所述目标历史负荷以及所述目标历史气象训练机器学习模型,所述机器学习模型用于根据预报气象数据预测所述待预测区域的用电负荷。
2.根据权利要求1所述的方法,其特征在于,所述历史用电负荷还包括所述待预测区域的历史总负荷,所述历史气象数据还包括所述待预测区域的历史区域气象,所述机器学习模型包括第一机器学习模型和第二机器学习模型,所述第一机器学习模型用于预测所述待预测区域的用电负荷,所述第二机器学习模型用于预测所述子区域的用电负荷;
所述根据所述目标历史负荷以及所述目标历史气象训练机器学习模型,包括:
根据第一目标历史负荷以及第一目标历史气象训练所述第一机器学习模型,所述第一目标历史负荷为所述目标历史负荷中属于所述待预测区域的数据,所述第一目标历史气象为所述目标历史气象中属于所述待预测区域的数据;
根据第二目标历史负荷以及第二目标历史气象训练所述第二机器学习模型,所述第二目标历史负荷为所述目标历史负荷中属于所述子区域的数据,所述第二目标历史气象为所述目标历史气象中属于所述子区域的数据。
3.根据权利要求2所述的方法,其特征在于,所述第二机器学习模型包括至少两个子模型,所述子模型与所述子区域对应;所述根据第二目标历史负荷以及第二目标历史气象训练所述第二机器学习模型,包括:
根据所述第二目标历史负荷以及所述第二目标历史气象,训练所述第二目标历史负荷以及所述第二目标历史气象所属的子区域对应的子模型。
4.根据权利要求1至3任一所述的方法,其特征在于,所述对所述历史用电负荷进行特征工程处理,包括:
确定与所述历史子区域气象匹配的子区域经验气象;
根据所述子区域经验气象对应的子区域经验负荷对所述历史子负荷进行缺失值填补。
5.根据权利要求1至3任一所述的方法,其特征在于,所述对所述历史用电负荷进行特征工程处理,包括:
获取校准系数,所述校准系数是根据子区域经验负荷与所述待预测区域的总经验负荷的比值确定的;
根据所述校准系数对历史合并负荷进行校准,所述历史合并负荷是根据所述历史子负荷的和确定的。
6.根据权利要求1至3任一所述的方法,其特征在于,所述历史气象数据属于至少两个来源;所述对所述历史气象数据进行特征工程处理,包括:
通过不同来源的所述历史气象数据的平均值,对所述历史气象数据进行缺失值填补。
7.一种用电负荷预测方法,其特征在于,所述方法包括:
获取预测时段的预报气象数据,所述预报气象数据包括待预测区域的至少两个子区域的预报子区域气象;
对所述预报气象数据进行特征工程处理,得到目标预报气象;
将所述目标预报气象输入机器学习模型,输出所述待预测区域的预测用电负荷,所述机器学习模型是通过目标历史负荷以及目标历史气象训练得到的,所述目标历史负荷是通过对历史用电负荷进行特征工程处理得到的,所述目标历史气象是通过对历史气象数据进行特征工程处理得到的,所述历史用电负荷包括所述至少两个子区域的历史子负荷,所述历史气象数据包括所述至少两个子区域的历史子区域气象。
8.根据权利要求7所述的方法,其特征在于,所述预报气象数据还包括所述待预测区域的预报区域气象,所述机器学习模型包括第一机器学习模型和第二机器学习模型,所述第一机器学习模型用于预测所述待预测区域的用电负荷,所述第二机器学习模型用于预测所述子区域的用电负荷;
所述将所述目标预报气象输入机器学习模型,输出所述待预测区域的预测用电负荷,包括:
将第一目标预报气象输入所述第一机器学习模型,输出预测总负荷,所述第一目标预报气象为所述目标预报气象中属于所述待预测区域的数据;
将第二目标预报气象输入所述第二机器学习模型,输出预测子负荷,所述第二目标预报气象为所述目标预报气象中属于所述子区域的数据;
将所述预测总负荷和所述预测子负荷进行融合,得到所述预测用电负荷。
9.根据权利要求8所述的方法,其特征在于,所述第二机器学习模型包括至少两个子模型,所述子模型与所述子区域对应;所述将第二目标预报气象输入所述第二机器学习模型,输出预测子负荷,包括:
将所述第二目标预报气象输入所述第二目标预报气象所属的子区域对应的子模型,输出预测区域子负荷;
所述将所述预测总负荷和所述预测子负荷进行融合,包括:
将所述预测总负荷与所述预测区域子负荷的和进行融合。
10.根据权利要求8或9所述的方法,其特征在于,所述将所述预测总负荷和所述预测子负荷进行融合,得到所述预测用电负荷,包括:
将所述预测子负荷的和与所述预测总负荷的算术平均数确定为所述预测用电负荷;或,将所述预测子负荷的和与所述预测总负荷的加权平均数确定为所述预测用电负荷。
11.根据权利要求7至9任一所述的方法,其特征在于,所述预报气象数据属于至少两个来源;所述对所述预报气象数据进行特征工程处理,包括:
通过不同来源的所述预报气象数据的平均值,对所述预报气象数据进行缺失值填补。
12.一种模型训练装置,其特征在于,所述装置包括:
获取模块,用于获取历史时刻的历史气象数据以及历史用电负荷,所述历史用电负荷包括待预测区域的至少两个子区域的历史子负荷,所述历史气象数据包括所述至少两个子区域的历史子区域气象;
处理模块,用于对所述历史用电负荷进行特征工程处理,得到目标历史负荷;以及,对所述历史气象数据进行特征工程处理,得到目标历史气象;
训练模块,用于根据所述目标历史负荷以及所述目标历史气象训练机器学习模型,所述机器学习模型用于根据预报气象数据预测所述待预测区域的用电负荷。
13.一种用电负荷预测装置,其特征在于,所述装置包括:
获取模块,用于获取预测时段的预报气象数据,所述预报气象数据包括待预测区域的至少两个子区域的预报子区域气象;
处理模块,用于对所述预报气象数据进行特征工程处理,得到目标预报气象;
预测模块,用于将所述目标预报气象输入机器学习模型,输出所述待预测区域的预测用电负荷,所述机器学习模型是通过目标历史负荷以及目标历史气象训练得到的,所述目标历史负荷是通过对历史用电负荷进行特征工程处理得到的,所述目标历史气象是通过对历史气象数据进行特征工程处理得到的,所述历史用电负荷包括所述至少两个子区域的历史子负荷,所述历史气象数据包括所述至少两个子区域的历史子区域气象。
14.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现如权利要求1至6任一所述的模型训练方法或权利要求7至11任一所述的用电负荷预测方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条程序代码,所述程序代码由处理器加载并执行以实现如权利要求1至6任一所述的模型训练方法或权利要求7至11任一所述的用电负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110129589.5A CN112801374B (zh) | 2021-01-29 | 2021-01-29 | 模型训练方法、用电负荷预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110129589.5A CN112801374B (zh) | 2021-01-29 | 2021-01-29 | 模型训练方法、用电负荷预测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801374A true CN112801374A (zh) | 2021-05-14 |
CN112801374B CN112801374B (zh) | 2023-01-13 |
Family
ID=75813014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110129589.5A Active CN112801374B (zh) | 2021-01-29 | 2021-01-29 | 模型训练方法、用电负荷预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801374B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
WO2023029853A1 (zh) * | 2021-09-02 | 2023-03-09 | 中兴通讯股份有限公司 | 模型训练方法、数据处理方法、电子设备、以及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093288A (zh) * | 2013-02-21 | 2013-05-08 | 江苏省电力公司电力科学研究院 | 基于气象信息的分区电网母线负荷预测系统 |
CN103544537A (zh) * | 2013-09-25 | 2014-01-29 | 国网安徽省电力公司 | 基于预测可信度评估的综合子网累加的短期负荷预测方法 |
CN108876019A (zh) * | 2018-05-31 | 2018-11-23 | 中国电力科学研究院有限公司 | 一种基于大数据的用电负荷预测方法及系统 |
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
CN110909958A (zh) * | 2019-12-05 | 2020-03-24 | 国网江苏省电力有限公司南通供电分公司 | 一种计及光伏并网功率的短期负荷预测方法 |
CN111340302A (zh) * | 2020-03-05 | 2020-06-26 | 国惠环保新能源有限公司 | 一种基于局部气象预测的精准供热负荷预测方法及系统 |
-
2021
- 2021-01-29 CN CN202110129589.5A patent/CN112801374B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093288A (zh) * | 2013-02-21 | 2013-05-08 | 江苏省电力公司电力科学研究院 | 基于气象信息的分区电网母线负荷预测系统 |
CN103544537A (zh) * | 2013-09-25 | 2014-01-29 | 国网安徽省电力公司 | 基于预测可信度评估的综合子网累加的短期负荷预测方法 |
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
CN108876019A (zh) * | 2018-05-31 | 2018-11-23 | 中国电力科学研究院有限公司 | 一种基于大数据的用电负荷预测方法及系统 |
CN110909958A (zh) * | 2019-12-05 | 2020-03-24 | 国网江苏省电力有限公司南通供电分公司 | 一种计及光伏并网功率的短期负荷预测方法 |
CN111340302A (zh) * | 2020-03-05 | 2020-06-26 | 国惠环保新能源有限公司 | 一种基于局部气象预测的精准供热负荷预测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
CN113435923B (zh) * | 2021-06-15 | 2022-09-27 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
WO2023029853A1 (zh) * | 2021-09-02 | 2023-03-09 | 中兴通讯股份有限公司 | 模型训练方法、数据处理方法、电子设备、以及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112801374B (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hamian et al. | A framework to expedite joint energy-reserve payment cost minimization using a custom-designed method based on mixed integer genetic algorithm | |
CN111461392B (zh) | 一种基于图神经网络的电力故障预测方法及系统 | |
Shin et al. | Operational planning and optimal sizing of microgrid considering multi-scale wind uncertainty | |
Zhang et al. | Unified unit commitment formulation and fast multi-service LP model for flexibility evaluation in sustainable power systems | |
Henri et al. | A supervised machine learning approach to control energy storage devices | |
Barnacle et al. | Modelling generation and infrastructure requirements for transition pathways | |
Lezama et al. | Agent-based microgrid scheduling: An ICT perspective | |
Vergara et al. | A stochastic programming model for the optimal operation of unbalanced three-phase islanded microgrids | |
CN112801374B (zh) | 模型训练方法、用电负荷预测方法、装置及设备 | |
JPWO2018147194A1 (ja) | 蓄電池制御装置、充放電制御方法、及びプログラム | |
Tang et al. | Efficient scenario generation of multiple renewable power plants considering spatial and temporal correlations | |
CN111466063A (zh) | 储能管理及控制方法、系统、计算机设备、存储介质 | |
US20220376499A1 (en) | System and method for load and source forecasting for increasing electrical grid component longevity | |
Ruelens et al. | Demand side management of electric vehicles with uncertainty on arrival and departure times | |
CN112163304B (zh) | 一种输电网冗余约束识别方法、存储介质及计算设备 | |
Shayesteh et al. | Scenario reduction, network aggregation, and DC linearisation: which simplifications matter most in operations and planning optimisation? | |
Aaslid et al. | Pricing electricity in constrained networks dominated by stochastic renewable generation and electric energy storage | |
Munir et al. | RNN based energy demand prediction for smart-home in smart-grid framework | |
CN112906757A (zh) | 模型训练方法、光功率预测方法、装置、设备及存储介质 | |
Schumacher et al. | Transmission expansion with smart switching under demand uncertainty and line failures | |
CN116502771B (zh) | 一种基于电力物资预测的配电方法及系统 | |
Yan et al. | Grid integration of wind generation considering remote wind farms: Hybrid Markovian and interval unit commitment | |
CN116093995B (zh) | 一种配电系统多目标网络重构方法及系统 | |
CN115525979B (zh) | 一种主动配电网可调度能力的多时间尺度评估方法及系统 | |
CN115034507A (zh) | 一种充电桩的电力负荷预测方法及相关组件 |
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 |