CN112926777B - 考虑商业建筑用能行为的日前负荷预测方法及系统 - Google Patents
考虑商业建筑用能行为的日前负荷预测方法及系统 Download PDFInfo
- Publication number
- CN112926777B CN112926777B CN202110211707.7A CN202110211707A CN112926777B CN 112926777 B CN112926777 B CN 112926777B CN 202110211707 A CN202110211707 A CN 202110211707A CN 112926777 B CN112926777 B CN 112926777B
- Authority
- CN
- China
- Prior art keywords
- data
- points
- day
- prediction result
- load
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000006399 behavior Effects 0.000 title claims abstract description 44
- 238000005265 energy consumption Methods 0.000 title claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 16
- 230000007787 long-term memory Effects 0.000 claims abstract description 8
- 230000006403 short-term memory Effects 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 9
- 230000000284 resting effect Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims 5
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G06Q50/08—Construction
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开提供了一种考虑商业建筑用能行为的日前负荷预测方法及系统,获取待预测日之前预设时间段的历史电力负荷数据;根据获取的数据构建负荷预测模型,得到待预测日的初始负荷预测结果;根据获取的数据提取电力负荷数据的特征点,与用能行为匹配后输入到预设长短期记忆网络中,得到辅助预测结果;根据辅助预测结果的特征点的时间值,在初始负荷预测结果中挑选相应的点,比较二者的纵坐标值,如果二者做差的归一化结果不在阈值范围内,则用辅助预测结果取代初始负荷预测结果,否则,以初始负荷预测结果为最终预测结果;本公开在考虑用户用电时序数据周期性和季节性的同时,又结合用户行为习惯挖掘负荷数据特征点并建立辅助模型,提高了日前电力负荷预测的准确度。
Description
技术领域
本公开涉及负荷预测技术领域,特别涉及一种考虑商业建筑用能行为的日前负荷预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
作为电网系统运行调度的重要一环,精准的日前电力负荷预测技术能够保证电网安全、稳定运行。一直以来,电力负荷预测受数据强随机性、干扰因素多等困扰,预测精度无法显著提升。尤其是日前电力负荷预测,时间跨度大,相比超短期电力负荷,其预测精度更难提升。
发明人发现,现有技术中的负荷预测,多为普适性的日前电力负荷预测技术,无法针对单一用电类型区域进行精准预测;此外,现有技术中提到的日前电力负荷预测技术缺乏对用户用能行为习惯的分析,难以突破负荷预测精度的瓶颈。
发明内容
为了解决现有技术的不足,本公开提供了一种考虑商业建筑用能行为的日前负荷预测方法及系统,在考虑用户用电时序数据周期性和季节性的同时,又结合用户行为习惯挖掘负荷数据特征点并建立辅助模型,提高了日前电力负荷预测的准确度。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种考虑商业建筑用能行为的日前负荷预测方法。
一种考虑商业建筑用能行为的日前负荷预测方法,包括以下步骤:
获取待预测日之前预设时间段的历史电力负荷数据;
根据获取的数据构建负荷预测模型,得到待预测日的初始负荷预测结果;
根据获取的数据提取电力负荷数据的特征点,与用能行为匹配后输入到预设长短期记忆网络中,得到辅助预测结果;
根据辅助预测结果的特征点的时间值,在初始负荷预测结果中挑选相应的点,比较二者的纵坐标值,如果二者做差的归一化结果不在阈值范围内,则用辅助预测结果取代初始负荷预测结果,否则,以初始负荷预测结果为最终预测结果。
作为可选的一些实现方式,历史电力负荷数据包括工作日历史电力负荷数据和休息日历史电力负荷数据,根据获取的数据分别构建工作日预测模型和休息日预测模型,用于工作日和休息日的负荷预测。
作为可选的一些实现方式,对获取的历史电力负荷数据进行预处理,利用决策树归纳法推算缺失值,修改超出阈值的异常数据并用该点当月历史数据平均值替代。
作为进一步的限定,利用分箱法处理噪声数据,检查噪声数据位置,根据噪声数据周围的邻近值来做局部光滑处理。
作为可选的一些实现方式,利用Holt-Winter算法构建工作日预测模型和/或休息日预测模型。
作为可选的一些实现方式,电力负荷数据的特征点至少包括拐点、极值点、最值点和过零点,用能行为习惯至少包括上班、午休、下班和加班。
作为可选的一些实现方式,预测结果的评估,包括:计算每一日预测结果的均方根误差、均方误差和平均绝对误差,以月为单位,计算均方根误差、均方误差和平均绝对误差三个性能指标的平均值。
本公开第二方面提供了一种考虑商业建筑用能行为的日前负荷预测系统。
一种考虑商业建筑用能行为的日前负荷预测系统,包括:
数据获取模块,被配置为:获取待预测日之前预设时间段的历史电力负荷数据;
初始预测模块,被配置为:根据获取的数据构建负荷预测模型,得到待预测日的初始负荷预测结果;
辅助预测模块,被配置为:根据获取的数据提取电力负荷数据的特征点,与用能行为匹配后输入到预设长短期记忆网络中,得到辅助预测结果;
预测融合模块,被配置为:根据辅助预测结果的特征点的时间值,在初始负荷预测结果中挑选相应的点,比较二者的纵坐标值,如果二者做差的归一化结果不在阈值范围内,则用辅助预测结果取代初始负荷预测结果,否则,以初始负荷预测结果为最终预测结果。
本公开第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的考虑商业建筑用能行为的日前负荷预测方法中的步骤。
本公开第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的考虑商业建筑用能行为的日前负荷预测方法中的步骤。
与现有技术相比,本公开的有益效果是:
本公开所述的方法、系统、介质或电子设备,在考虑负荷时序性数据周期性和季节性建立主模型的同时,通过辅助模型校验、纠正主模型得到的结果,从而进一步的提高了日前电力负荷预测的准确性。
本公开所述的方法、系统、介质或电子设备,在传统单一使用HW算法预测或单一使用LSTM网络预测的基础上进行了升级,创新性的将用户用能行为分析融合到预测方法中,将HW作为主预测方法,将LSTM作为辅助预测修正主预测的结果;充分发挥了多种算法各自的优势,考虑用户用能行为,提高预测精度。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1提供的考虑商业建筑用能行为的日前负荷预测方法的流程示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本公开实施例1提供了一种考虑商业建筑用能行为的日前负荷预测方法,基于工作日历史电力负荷数据和休息日历史电力负荷数据分别建立主预测模型,同时挖掘负荷时序数据的特征点单独训练建立辅助预测模型。
首先,发挥HW算法处理周期性和季节性时序数据的优势,利用HW算法分析用户用电行为的周期性,根据分析结果,分别建立工作日电力负荷预测模型和休息日电力负荷预测模型;
然后,利用基于统计特征的分类特征提取方法分析历史负荷数据的拐点、极值点、最值点和过零点,并结合用户典型的用能行为习惯,送入LSTM网络单独训练,建立辅助预测模型;
最后,将利用HW算法获得的主预测模型与利用LSTM网络获得的辅助预测模型结合,即用辅助模型来校验、纠正主模型结果中的关键点,并通过测试集对结合之后的模型予以验证。
具体的,包括以下步骤:
S1:数据预处理
数据纠错:利用决策树归纳法(DTI)推算缺失值,修改超出阈值的异常数据用该点当月历史数据平均值替代;
数据滤波:利用分箱法处理噪声数据,检查噪声数据位置,根据噪声数据周围的邻近值来做局部光滑处理。
S2:建立主预测模型
首先,商业建筑电负荷的变化趋势有明显的季节性,受各季节气候的影响,夏季商业建筑日平均耗电量高于冬季、雨季平均耗电量高于旱季;
其次,商业建筑电力负荷趋势也会随用户工作日进入商业建筑、休息日离开商业建筑的规律发生变化,即商业建筑耗电量有明显的周期性,工作日的平均耗电量高于休息日,且工作日与工作日之间、休息日与休息日之间的峰值、谷值、拐点等变化趋势相差不大。
鉴于此,本实施例基于工作日电力负荷历史数据和休息日电力负荷历史数据利用Holt-Winter方法分别建立主预测模型。
S3:建立辅助预测模型
商业建筑电力负荷趋势具有工作日、休息日周期性是用户行为习惯的一种体现,但如果不分析电力负荷数据每一日特征点,仍然很难克服用户行为习惯强随机性的障碍。鉴于此,本发明利用统计特征的分类特征提取方法分析电力负荷数据每一日的拐点、极值点、最值点和过零点,并结合用户典型的用能行为习惯(如:上班、午休、下班、加班等)赋予每个特征点实际意义,然后用LSTM网络单独训练这些特征点形成辅助预测模型。
S4:模型结合处理
利用辅助预测模型纠正主预测模型,即首先记录辅助预测模型所得预测结果特征点的时间值,然后在主预测模型所得预测结果中挑选相应的点,比较二者的纵坐标值,如果二者做差的归一化结果不在阈值范围内,则用辅助预测模型所得预测结果替代主预测模型对应时刻的结果。
S5:模型性能评估
首先计算每一日利用本实施例所得预测结果的均方根误差(RMSE)、均方误差(MSE)和平均绝对误差(MAE),然后以月为单位,计算RMSE、MSE、MAE三个性能指标的平均值评估本实施例预测方法的性能。
实施例2:
本公开实施例2提供了一种考虑商业建筑用能行为的日前负荷预测系统,包括:
数据获取模块,被配置为:获取待预测日之前预设时间段的历史电力负荷数据;
初始预测模块,被配置为:根据获取的数据构建负荷预测模型,得到待预测日的初始负荷预测结果;
辅助预测模块,被配置为:根据获取的数据提取电力负荷数据的特征点,与用能行为匹配后输入到预设长短期记忆网络中,得到辅助预测结果;
预测融合模块,被配置为:根据辅助预测结果的特征点的时间值,在初始负荷预测结果中挑选相应的点,比较二者的纵坐标值,如果二者做差的归一化结果不在阈值范围内,则用辅助预测结果取代初始负荷预测结果,否则,以初始负荷预测结果为最终预测结果。
所述系统的工作方法与实施例1提供的考虑商业建筑用能行为的日前负荷预测方法相同,这里不再赘述。
实施例3:
本公开实施例3提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例1所述的考虑商业建筑用能行为的日前负荷预测方法中的步骤,所述步骤为:
获取待预测日之前预设时间段的历史电力负荷数据;
根据获取的数据构建负荷预测模型,得到待预测日的初始负荷预测结果;
根据获取的数据提取电力负荷数据的特征点,与用能行为匹配后输入到预设长短期记忆网络中,得到辅助预测结果;
根据辅助预测结果的特征点的时间值,在初始负荷预测结果中挑选相应的点,比较二者的纵坐标值,如果二者做差的归一化结果不在阈值范围内,则用辅助预测结果取代初始负荷预测结果,否则,以初始负荷预测结果为最终预测结果。
详细步骤与实施例1提供的考虑商业建筑用能行为的日前负荷预测方法相同,这里不再赘述。
实施例4:
本公开实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的考虑商业建筑用能行为的日前负荷预测方法中的步骤,所述步骤为:
获取待预测日之前预设时间段的历史电力负荷数据;
根据获取的数据构建负荷预测模型,得到待预测日的初始负荷预测结果;
根据获取的数据提取电力负荷数据的特征点,与用能行为匹配后输入到预设长短期记忆网络中,得到辅助预测结果;
根据辅助预测结果的特征点的时间值,在初始负荷预测结果中挑选相应的点,比较二者的纵坐标值,如果二者做差的归一化结果不在阈值范围内,则用辅助预测结果取代初始负荷预测结果,否则,以初始负荷预测结果为最终预测结果。
详细步骤与实施例1提供的考虑商业建筑用能行为的日前负荷预测方法相同,这里不再赘述。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种考虑商业建筑用能行为的日前负荷预测方法,其特征在于:包括以下步骤:
获取待预测日之前预设时间段的历史电力负荷数据;
根据获取的数据构建负荷预测模型,得到待预测日的初始负荷预测结果;
根据获取的数据提取电力负荷数据的特征点,与用能行为匹配后输入到预设长短期记忆网络中,得到辅助预测结果;
根据辅助预测结果的特征点的时间值,在初始负荷预测结果中挑选相应的点,比较二者的纵坐标值,如果二者做差的归一化结果不在阈值范围内,则用辅助预测结果取代初始负荷预测结果,否则,以初始负荷预测结果为最终预测结果;
利用基于统计特征的分类特征提取方法分析历史负荷数据的拐点、极值点、最值点和过零点,并结合用户典型的用能行为习惯,送入LSTM网络单独训练,建立辅助预测模型。
2.如权利要求1所述的考虑商业建筑用能行为的日前负荷预测方法,其特征在于:
历史电力负荷数据包括工作日历史电力负荷数据和休息日历史电力负荷数据,根据获取的数据分别构建工作日预测模型和休息日预测模型,用于工作日和休息日的负荷预测。
3.如权利要求1所述的考虑商业建筑用能行为的日前负荷预测方法,其特征在于:
对获取的历史电力负荷数据进行预处理,利用决策树归纳法推算缺失值,修改超出阈值的异常数据并用该点当月历史数据平均值替代。
4.如权利要求3所述的考虑商业建筑用能行为的日前负荷预测方法,其特征在于:
利用分箱法处理噪声数据,检查噪声数据位置,根据噪声数据周围的邻近值来做局部光滑处理。
5.如权利要求1所述的考虑商业建筑用能行为的日前负荷预测方法,其特征在于:
利用Holt-Winter算法构建工作日预测模型和/或休息日预测模型。
6.如权利要求1所述的考虑商业建筑用能行为的日前负荷预测方法,其特征在于:
电力负荷数据的特征点至少包括拐点、极值点、最值点和过零点,用能行为习惯至少包括上班、午休、下班和加班。
7.如权利要求1所述的考虑商业建筑用能行为的日前负荷预测方法,其特征在于:
预测结果的评估,包括:计算每一日预测结果的均方根误差、均方误差和平均绝对误差,以月为单位,计算均方根误差、均方误差和平均绝对误差三个性能指标的平均值。
8.一种考虑商业建筑用能行为的日前负荷预测系统,其特征在于:包括:
数据获取模块,被配置为:获取待预测日之前预设时间段的历史电力负荷数据;
初始预测模块,被配置为:根据获取的数据构建负荷预测模型,得到待预测日的初始负荷预测结果;
辅助预测模块,被配置为:根据获取的数据提取电力负荷数据的特征点,与用能行为匹配后输入到预设长短期记忆网络中,得到辅助预测结果;
预测融合模块,被配置为:根据辅助预测结果的特征点的时间值,在初始负荷预测结果中挑选相应的点,比较二者的纵坐标值,如果二者做差的归一化结果不在阈值范围内,则用辅助预测结果取代初始负荷预测结果,否则,以初始负荷预测结果为最终预测结果;
利用基于统计特征的分类特征提取方法分析历史负荷数据的拐点、极值点、最值点和过零点,并结合用户典型的用能行为习惯,送入LSTM网络单独训练,建立辅助预测模型。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的考虑商业建筑用能行为的日前负荷预测方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的考虑商业建筑用能行为的日前负荷预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110211707.7A CN112926777B (zh) | 2021-02-25 | 2021-02-25 | 考虑商业建筑用能行为的日前负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110211707.7A CN112926777B (zh) | 2021-02-25 | 2021-02-25 | 考虑商业建筑用能行为的日前负荷预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926777A CN112926777A (zh) | 2021-06-08 |
CN112926777B true CN112926777B (zh) | 2023-03-10 |
Family
ID=76171828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110211707.7A Active CN112926777B (zh) | 2021-02-25 | 2021-02-25 | 考虑商业建筑用能行为的日前负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926777B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116436002B (zh) * | 2023-06-13 | 2023-09-05 | 成都航空职业技术学院 | 一种楼宇用电预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976051A (zh) * | 2016-04-29 | 2016-09-28 | 武汉大学 | 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法 |
CN106355278A (zh) * | 2016-08-30 | 2017-01-25 | 新奥泛能网络科技股份有限公司 | 一种负荷预测方法及设备 |
CN109002937A (zh) * | 2018-09-07 | 2018-12-14 | 深圳供电局有限公司 | 电网负荷预测方法、装置、计算机设备和存储介质 |
CN111178621A (zh) * | 2019-12-25 | 2020-05-19 | 国网河北省电力有限公司 | 一种电采暖负荷预测支持向量回归机模型的参数优化方法 |
CN112365094A (zh) * | 2020-12-02 | 2021-02-12 | 四川长虹电器股份有限公司 | 提高预测系统准确率的方法、计算机设备、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447522A (zh) * | 2016-06-30 | 2017-02-22 | 国网福建省电力有限公司电力科学研究院 | 一种全电压序列一体化电网的可靠性与风险评估方法 |
-
2021
- 2021-02-25 CN CN202110211707.7A patent/CN112926777B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976051A (zh) * | 2016-04-29 | 2016-09-28 | 武汉大学 | 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法 |
CN106355278A (zh) * | 2016-08-30 | 2017-01-25 | 新奥泛能网络科技股份有限公司 | 一种负荷预测方法及设备 |
CN109002937A (zh) * | 2018-09-07 | 2018-12-14 | 深圳供电局有限公司 | 电网负荷预测方法、装置、计算机设备和存储介质 |
CN111178621A (zh) * | 2019-12-25 | 2020-05-19 | 国网河北省电力有限公司 | 一种电采暖负荷预测支持向量回归机模型的参数优化方法 |
CN112365094A (zh) * | 2020-12-02 | 2021-02-12 | 四川长虹电器股份有限公司 | 提高预测系统准确率的方法、计算机设备、存储介质 |
Non-Patent Citations (1)
Title |
---|
基于 Holt-Winters 和 LSTM 的组合模型在电能表需求预测中的应用;程诗尧 等;《中国设备工程》;20200831(第8期);第207-209页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112926777A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saraiva et al. | Generation/transmission power system reliability evaluation by Monte-Carlo simulation assuming a fuzzy load description | |
CN111489036B (zh) | 基于电器负荷特性和深度学习的居民负荷预测方法、装置 | |
CN112085285B (zh) | 母线负荷预测方法、装置、计算机设备和存储介质 | |
CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
CN102185731B (zh) | 网络健康度测试方法及系统 | |
KR20200128232A (ko) | 전력 수요 예측 장치 및 그 방법 | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
CN112926777B (zh) | 考虑商业建筑用能行为的日前负荷预测方法及系统 | |
CN108898239A (zh) | 一种基于数据分析的配电变压器选址方法 | |
CN113361745A (zh) | 一种配电网物资需求预测方法及系统 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN110837934B (zh) | 一种基于深度学习的智能电网短期住宅负荷预测方法 | |
CN114897248A (zh) | 一种基于人工智能的电网负荷预测方法 | |
Bashawyah et al. | Machine learning based short-term load forecasting for smart meter energy consumption data in london households | |
Lizondo et al. | Multiagent model for distributed peak shaving system with demand-side management approach | |
CN117236380A (zh) | 一种电力系统故障预测方法、系统、电子设备和介质 | |
CN112365090A (zh) | 一种基于深度学习的非入侵式用电负荷识别方法及装置 | |
CN111864728B (zh) | 一种可重构配电网重要设备识别方法和系统 | |
CN109389522B (zh) | 一种柔性负荷的能量区块化方法及系统 | |
CN115859808A (zh) | 一种泵组工作预测方法、装置、电子设备及存储介质 | |
CN110766286B (zh) | 配电网拓扑校核方法、装置、计算机设备和可读存储介质 | |
Haben et al. | Mathematical solutions for electricity networks in a low carbon future | |
CN114169648A (zh) | 基于narnn模型的电力负荷预测方法、系统及设备 | |
CN113449933A (zh) | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 | |
CN106845672B (zh) | 电力系统中负荷的预测方法和装置 |
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 |