CN112928752A - 一种用电负荷预测方法、装置及存储介质 - Google Patents

一种用电负荷预测方法、装置及存储介质 Download PDF

Info

Publication number
CN112928752A
CN112928752A CN202110149979.9A CN202110149979A CN112928752A CN 112928752 A CN112928752 A CN 112928752A CN 202110149979 A CN202110149979 A CN 202110149979A CN 112928752 A CN112928752 A CN 112928752A
Authority
CN
China
Prior art keywords
feature
characteristic
load
user power
power curve
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
Application number
CN202110149979.9A
Other languages
English (en)
Inventor
郝桂芹
李嘉业
黄剑慧
廖晓苏
熊志武
刘福来
王军
马晶
喻亮
严韦
陈秀珍
宋芳超
李福荣
梁国锐
廖鹏
刘立城
李杰祎
常红梅
谢剑锋
梁春慧
马志千
方丽娟
庞世彪
李振中
赖健平
雷龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Electric Power Engineering Design Institute Co ltd
Original Assignee
Guangzhou Electric Power Engineering Design Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Electric Power Engineering Design Institute Co ltd filed Critical Guangzhou Electric Power Engineering Design Institute Co ltd
Priority to CN202110149979.9A priority Critical patent/CN112928752A/zh
Publication of CN112928752A publication Critical patent/CN112928752A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • 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)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用电负荷预测方法、装置及存储介质，其中方法包括：根据负荷特性指标将多个用户电力曲线聚类；提取每个类别的用户电力曲线的对应静态的负荷特性指标的第一特征以及对应动态时序的第二特征；融合第一特征和第二特征得到融合特征；根据融合特征得到用电负荷预测结果；针对用户行为的不确定及随机性，以模型分类为前提，结合历史数据，充分考虑日期类型、季节、温度等因素，充分发挥静态特征和动态特征的优势，实现用电负荷的有效预测。

Description

一种用电负荷预测方法、装置及存储介质
技术领域
本发明涉及人工智能与用电负荷预测交叉领域，特别是一种用电负荷预测方法、装置及存储介质。
背景技术
随着电网发展扩大，用户负荷类型变得丰富，不同类型的用电用户的用电负荷特征不尽相同。用户用电负荷的多样性和差异性，导致各类型非线性的用电负荷难以描述，同样也提高了用户负荷预测的困难度。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种用电负荷预测方法、装置及存储介质。
本发明解决其问题所采用的技术方案是：
本发明的第一方面，一种用电负荷预测方法，包括以下步骤：
获取多个用户电力曲线；
根据每个所述用户电力曲线的负荷特性指标将多个所述用户电力曲线聚类；
提取每个类别的所述用户电力曲线的第一特征，其中所述第一特征用于描述所述用户电力曲线的静态的负荷特性指标；
对每个类别的所述用户电力曲线进行动态时序分析，得到每个类别的所述用户电力曲线的第二特征；
融合所述第一特征和所述第二特征，并根据设定条件动态调整对所述第一特征和所述第二特征的依赖程度，进而得到融合特征；
根据所述融合特征得到用电负荷预测结果。
根据本发明的第一方面，所述设定条件包括日期类型、季节和温度。
根据本发明的第一方面，所述根据每个所述用户电力曲线的负荷特性指标将多个所述用户电力曲线聚类的步骤包括：
计算每个所述用户电力曲线的负荷特性指标；
根据所述负荷特性指标执行迭代步骤直至满足收敛条件，其中迭代步骤包括计算隶属度矩阵和调整聚类中心值；
输出聚类结果。
根据本发明的第一方面，融合所述第一特征和所述第二特征，并根据设定条件动态调整对所述第一特征和所述第二特征的依赖程度，进而得到融合特征的步骤，通过以下公式实现：
F＝tanh(GWaCT+ba)；
Figure RE-GDA0003000561240000021
Figure RE-GDA0003000561240000022
其中，G为所述第一特征，C为所述第二特征，Wa为权重，ba为偏置，Fi为第i个历史负荷特征，FA为所述融合特征。
本发明的第二方面，一种用电负荷预测装置，包括：
输入模块，用于获取多个用户电力曲线；
聚类模块，用于根据每个所述用户电力曲线的负荷特性指标将多个所述用户电力曲线聚类；
第一特征提取模块，用于提取每个类别的所述用户电力曲线的第一特征，其中所述第一特征用于描述所述用户电力曲线的负荷特性指标；
第二特征提取模块，用于对每个类别的所述用户电力曲线进行动态时序分析，得到每个类别的所述用户电力曲线的第二特征；
特征融合模块，用于融合所述第一特征和所述第二特征，并根据设定条件动态调整对所述第一特征和所述第二特征的依赖程度，进而得到融合特征；
输出模块，用于根据所述融合特征得到用电负荷预测结果。
根据本发明的第二方面，所述设定条件包括日期类型、季节和温度。
根据本发明的第二方面，所述聚类模块包括：
计算子模块，用于计算每个所述用户电力曲线的负荷特性指标；
迭代子模块，用于根据所述负荷特性指标执行迭代步骤直至满足收敛条件，其中迭代步骤包括计算隶属度矩阵和调整聚类中心值；
输出子模块，用于输出聚类结果。
根据本发明的第二方面，所述特征融合模块通过以下公式得到所述融合特征：
F＝tanh(GWaCT+ba)；
Figure RE-GDA0003000561240000041
Figure RE-GDA0003000561240000042
其中，G为所述第一特征，C为所述第二特征，Wa为权重，ba为偏置，Fi为第i个历史负荷特征，FA为所述融合特征。
根据本发明的第二方面，所述第一特征提取模块为CNN网络，所述第二特征提取模块是由4层GRU堆叠的网络。
本发明的第三方面，存储介质，存储有能被处理器执行的指令，所述指令被处理器执行以实现如本发明的第一方面所述的用电负荷预测方法。
上述方案至少具有以下的有益效果是：将不同的用户电力曲线归一化处理，将负荷特性相同或相近的用户电力曲线聚类，有利于减少用户电力曲线的差异性，和从总多用户电力曲线找到共同点以挖掘特征；提取每个类别的用户电力曲线模型的静态的负荷特性指标以及动态时序特征；融合静态的第一特征和动态的第二特征，并根据设定条件动态调整对所述第一特征和所述第二特征的依赖程度进而得到融合特征，使得融合特征更准确；进而使得根据所述融合特征得到用的电负荷预测结果更准确。
本发明的附加方面和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，或通过本发明的实践了解到。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例一种用户电荷预测方法的流程图；
图2是本发明实施例一种用户电荷预测装置的架构图；
图3是本发明实施例一种用户电荷预测装置的另一架构图；
图4是图3中的聚类模块的结构图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1，本发明的第一实施例，提供了一种用电负荷预测方法，包括以下步骤：
步骤S100、获取多个用户电力曲线；
步骤S200、根据每个用户电力曲线的负荷特性指标将多个用户电力曲线聚类；
步骤S300、提取每个类别的用户电力曲线的用于描述用户电力曲线的静态的负荷特性指标的第一特征；
步骤S400、对每个类别的用户电力曲线进行动态时序分析，得到每个类别的用户电力曲线的第二特征；
步骤S500、融合第一特征和第二特征，并根据设定条件动态调整对第一特征和第二特征的依赖程度，进而得到融合特征；
步骤S600、根据融合特征得到用电负荷预测结果。
在该实施例中，将不同的用户电力曲线归一化处理，将负荷特性相同或相近的用户电力曲线聚类，有利于减少用户电力曲线的差异性，和从总多用户电力曲线找到共同点以挖掘特征；提取每个类别的用户电力曲线模型的静态的负荷特性指标以及动态时序特征；融合静态的第一特征和动态的第二特征，并根据设定条件动态调整对第一特征和第二特征的依赖程度进而得到融合特征，使得融合特征更准确；进而使得根据融合特征得到用的电负荷预测结果更准确。
需要说明的是，在对用户电力曲线聚类前，可以对步骤S100中获取的用户电力曲线进行预处理，优化用户电力曲线。
本发明的某些实施例，对于步骤S200，其具体包括：
通过最小二乘法计算每个用户电力曲线的负荷特性指标，其中负荷特性指标可以是平均负荷、峰谷差、峰时耗电量、日负荷率、日峰谷差率和最大负荷利用时间等与时序无关的静态的负荷特性；
设定聚类类别数c、模糊指数m以及收敛条件，并初始化各个聚类的中心值；将每个用户电力曲线的负荷特性指标作为特征量，重复执行迭代步骤直至满足收敛条件，通常当算法满足收敛条件时各个特征量的隶属度趋于稳定，并能得到各类别的聚类中心和各个特征量对于各个类别的隶属度；
需要说明的是，根据用户的用电行为模式，类别数为3，类别分为工业用户、商业用户和居民用户；
迭代步骤包括：
通过
Figure RE-GDA0003000561240000071
计算隶属度矩阵，其中uij表示第i个特征量xi属于第j类的隶属度，dij表示第i个特征量xi与第j类的中心值pj的欧几里得距离；另外，对于每个特征量xi，其对于每个类别的隶属度之和始终保持为1；
通过
Figure RE-GDA0003000561240000081
调整聚类中心值；
另外，具体地，收敛条件为maxij{|uij kt1-uij k|}，其中k为迭代步数，ε是误差阈值；
输出聚类结果。
对于步骤S300，能通过CNN网络提取每个类别的用户电力曲线的第一特征，其中第一特征用于描述用户电力曲线的静态的负荷特性指标。
对于步骤S400，采用4层GRU网络堆叠而成的网络，其时间步数设定为7，4层GRU网络的神经元个数依次为128、64、64和32。对每个类别的用户电力曲线进行动态时序分析，得到每个类别的用户电力曲线的第二特征。
需要说明的是，时序性是用电负荷的重要属性。通过动态时序分析可以学习到较长时间跨度内用电负荷数据间的时间序列关系。通过 GRU网络独特的更新门和重置门机制实现对历史负荷动态时序特征的加强与遗忘。
本发明的某些实施例，对于步骤S500，融合第一特征和第二特征，并根据设定条件动态调整对第一特征和第二特征的依赖程度，进而得到融合特征，通过以下公式实现：
F＝tanh(GWaCT+ba)，该式子表示对第一特征和第二特征进行融合， Wa和ba根据设定条件而定，设定条件具体为日期类型、季节和温度，根据设定条件动态调整对第一特征和第二特征的依赖程度；
Figure RE-GDA0003000561240000091
衡量F与第i个历史负荷特征Fi的相关性，需要说明的是，A取值范围为[0,1]，所有A值之和为1；
Figure RE-GDA0003000561240000092
其中，G为第一特征，C为第二特征，Wa为权重，ba为偏置，Fi为第i个历史负荷特征，FA为融合特征。
通过步骤S500，能更完备地以静态的第一特征和动态的第二特征为依据，挖掘特征的重要性，并据此动态调整其对预测结果的影响。
对于步骤S600，通过全连接层后增加Maxout层实现，其实际上是具有激活函数功能的网络层，其隐藏层节点的关系及激活函数均是通过学习不断更新，采用分段线性化的方式对输入的融合特征进行拟合，进而可以增强网络的非线性表示能力，提升网络的鲁棒性。
步骤S600通过以下公式实现：
hi(x)＝max(Oij)；
Oij＝xTWij+bij；
其中，hi为第i层输出状态，x为输入的融合特征，Oij为第i层第j个神经元的输出值，Wij为权重，bij为偏置。
综上，针对用户行为的不确定及随机性，以模型分类为前提，结合历史数据，充分考虑日期类型、季节、温度等因素，充分发挥静态特征和动态特征的优势，实现用电负荷的有效预测；该预测方法能采用以下公式表示：Lt＝f(lt-k,dt,st,mt)；其中，f表示对应该预测方法的模型从多个用户负荷曲线中学习得到的隐含关系，lt-k表示输入的用户负荷曲线中对应t-k时间段的数据，dt表示日期类型，st表示季节，mt表示温度，Lt表示输出的用户电荷预测结果。
参照图2，本发明的第二实施例，提供了一种用电负荷预测装置。一种用电负荷预测装置包括：
输入模块10，用于获取多个用户电力曲线；
聚类模块20，用于根据每个用户电力曲线的负荷特性指标将多个用户电力曲线聚类；
第一特征提取模块31，用于提取每个类别的用户电力曲线的第一特征，其中第一特征用于描述用户电力曲线的负荷特性指标；
第二特征提取模块32，用于对每个类别的用户电力曲线进行动态时序分析，得到每个类别的用户电力曲线的第二特征；
特征融合模块40，用于融合第一特征和第二特征，并根据设定条件动态调整对第一特征和第二特征的依赖程度，进而得到融合特征；
输出模块50，用于根据融合特征得到用电负荷预测结果。
即实际上，本发明的第二实施例所提供的用电负荷预测装置的各部件与本发明的第一实施例所提供的用电负荷预测方法的各步骤一一对应，输入模块10用于执行步骤S100；聚类模块20用于执行步骤S200；第一特征提取模块31用于执行步骤S300；第二特征提取模块32用于执行步骤S400；特征融合模块40用于执行步骤S500；输出模块50用于步骤S600。
在该实施例中，通过聚类模块20将不同的用户电力曲线归一化处理，将负荷特性相同或相近的用户电力曲线聚类，有利于减少用户电力曲线的差异性，和从总多用户电力曲线找到共同点以挖掘特征；通过第一特征提取模块31和第二特征提取模块32提取每个类别的用户电力曲线模型的静态的负荷特性指标以及动态时序特征；通过特征融合模块40融合静态的第一特征和动态的第二特征，并根据设定条件动态调整对第一特征和第二特征的依赖程度进而得到融合特征，使得融合特征更准确；进而使得输出模块50根据融合特征得到用的电负荷预测结果更准确。
在输入模块10与聚类模块20之间增加预处理模块11，优化用户电力曲线。
参照图4，本发明的某些实施例，聚类模块20包括：
计算子模块21，用于通过最小二乘法计算每个用户电力曲线的负荷特性指标，其中负荷特性指标可以是平均负荷、峰谷差、峰时耗电量、日负荷率、日峰谷差率和最大负荷利用时间等与时序无关的静态的负荷特性；
迭代子模块22，用于根据负荷特性指标执行迭代步骤直至满足收敛条件，其中迭代步骤包括计算隶属度矩阵和调整聚类中心值；
输出子模块23，用于输出聚类结果。
需要说明的是，迭代子模块22的工作流程如下：
设定聚类类别数c、模糊指数m以及收敛条件，并初始化各个聚类的中心值；将每个用户电力曲线的负荷特性指标作为特征量，重复执行迭代步骤直至满足收敛条件，通常当算法满足收敛条件时各个特征量的隶属度趋于稳定，并能得到各类别的聚类中心和各个特征量对于各个类别的隶属度；
需要说明的是，根据用户的用电行为模式，类别数为3，类别分为工业用户、商业用户和居民用户；
迭代步骤包括：
通过
Figure RE-GDA0003000561240000121
计算隶属度矩阵，其中uij表示第i个特征量xi属于第j类的隶属度，dij表示第i个特征量xi与第j类的中心值pj的欧几里得距离；另外，对于每个特征量xi，其对于每个类别的隶属度之和始终保持为1；
通过
Figure RE-GDA0003000561240000122
调整聚类中心值；
另外，具体地，收敛条件为maxij{|uij kt1-uij k|}，其中k为迭代步数，ε是误差阈值。
对于第一特征提取模块31，能通过CNN网络提取每个类别的用户电力曲线的第一特征，其中第一特征用于描述用户电力曲线的静态的负荷特性指标。
参照图3，需要说明的是，实际上聚类模块20与第一特征提取模块31也可以直接用同一个网络实现，即将CNN网络的部分结构直接连接在聚类模块20的后方，由聚类模块20直接输出第一特征至特征融合模块40。
对于第二特征提取模块32，采用4层GRU网络堆叠而成的网络，其时间步数设定为7，4层GRU网络的神经元个数依次为128、64、 64和32。对每个类别的用户电力曲线进行动态时序分析，得到每个类别的用户电力曲线的第二特征。
需要说明的是，时序性是用电负荷的重要属性。通过动态时序分析可以学习到较长时间跨度内用电负荷数据间的时间序列关系。通过 GRU网络独特的更新门和重置门机制实现对历史负荷动态时序特征的加强与遗忘。
本发明的某些实施例，特征融合模块40通过以下公式得到融合特征：
F＝tanh(GWaCT+ba)，该式子表示对第一特征和第二特征进行融合， Wa和ba根据设定条件而定，设定条件具体为日期类型、季节和温度，根据设定条件动态调整对第一特征和第二特征的依赖程度；
Figure RE-GDA0003000561240000131
衡量F与第i个历史负荷特征Fi的相关性，需要说明的是，A取值范围为[0,1]，所有A值之和为1；
Figure RE-GDA0003000561240000132
其中，G为第一特征，C为第二特征，Wa为权重，ba为偏置，Fi为第i个历史负荷特征，FA为融合特征。
通过特征融合模块40，能更完备地以静态的第一特征和动态的第二特征为依据，挖掘特征的重要性，并据此动态调整其对预测结果的影响。
对于输出模块50，通过全连接层后增加Maxout层实现，其实际上是具有激活函数功能的网络层，其隐藏层节点的关系及激活函数均是通过学习不断更新，采用分段线性化的方式对输入的融合特征进行拟合，进而可以增强网络的非线性表示能力，提升网络的鲁棒性。
输出模块50可以通过以下公式表达：
hi(x)＝max(Oij)；
Oij＝xTWij+bij；
其中，hi为第i层输出状态，x为输入的融合特征，Oij为第i层第j个神经元的输出值，Wij为权重，bij为偏置。
综上，针对用户行为的不确定及随机性，以模型分类为前提，结合历史数据，充分考虑日期类型、季节、温度等因素，充分发挥静态特征和动态特征的优势，实现用电负荷的有效预测；该预测方法能采用以下公式表示：Lt＝f(lt-k,dt,st,mt)；其中，f表示对应该预测方法的模型从多个用户负荷曲线中学习得到的隐含关系，lt-k表示输入的用户负荷曲线中对应t-k时间段的数据，dt表示日期类型，st表示季节，mt表示温度，Lt表示输出的用户电荷预测结果。
本发明的第三实施例，提供了存储介质，存储介质存储有能被处理器执行的指令，所述指令被处理器执行以实现如本发明的第一实施例所述的用电负荷预测方法。
存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (10)

1.一种用电负荷预测方法，其特征在于，包括以下步骤：
获取多个用户电力曲线；
根据每个所述用户电力曲线的负荷特性指标将多个所述用户电力曲线聚类；
提取每个类别的所述用户电力曲线的第一特征，其中所述第一特征用于描述所述用户电力曲线的静态的负荷特性指标；
对每个类别的所述用户电力曲线进行动态时序分析，得到每个类别的所述用户电力曲线的第二特征；
融合所述第一特征和所述第二特征，并根据设定条件动态调整对所述第一特征和所述第二特征的依赖程度，进而得到融合特征；
根据所述融合特征得到用电负荷预测结果。
2.根据权利要求1所述的一种用电负荷预测方法，其特征在于，所述设定条件包括日期类型、季节和温度。
3.根据权利要求1所述的一种用电负荷预测方法，其特征在于，所述根据每个所述用户电力曲线的负荷特性指标将多个所述用户电力曲线聚类的步骤包括：
计算每个所述用户电力曲线的负荷特性指标；
根据所述负荷特性指标执行迭代步骤直至满足收敛条件，其中迭代步骤包括计算隶属度矩阵和调整聚类中心值；
输出聚类结果。
4.根据权利要求1所述的一种用电负荷预测方法，其特征在于，融合所述第一特征和所述第二特征，并根据设定条件动态调整对所述第一特征和所述第二特征的依赖程度，进而得到融合特征的步骤，通过以下公式实现：
F＝tanh(GWaCT+ba)；
Figure FDA0002931923910000021
；
Figure FDA0002931923910000022
；
其中，G为所述第一特征，C为所述第二特征，Wa为权重，ba为偏置，Fi为第i个历史负荷特征，FA为所述融合特征。
5.一种用电负荷预测装置，其特征在于，包括：
输入模块，用于获取多个用户电力曲线；
聚类模块，用于根据每个所述用户电力曲线的负荷特性指标将多个所述用户电力曲线聚类；
第一特征提取模块，用于提取每个类别的所述用户电力曲线的第一特征，其中所述第一特征用于描述所述用户电力曲线的负荷特性指标；
第二特征提取模块，用于对每个类别的所述用户电力曲线进行动态时序分析，得到每个类别的所述用户电力曲线的第二特征；
特征融合模块，用于融合所述第一特征和所述第二特征，并根据设定条件动态调整对所述第一特征和所述第二特征的依赖程度，进而得到融合特征；
输出模块，用于根据所述融合特征得到用电负荷预测结果。
6.根据权利要求5所述的一种用电负荷预测装置，其特征在于，所述设定条件包括日期类型、季节和温度。
7.根据权利要求5所述的一种用电负荷预测装置，其特征在于，所述聚类模块包括：
计算子模块，用于计算每个所述用户电力曲线的负荷特性指标；
迭代子模块，用于根据所述负荷特性指标执行迭代步骤直至满足收敛条件，其中迭代步骤包括计算隶属度矩阵和调整聚类中心值；
输出子模块，用于输出聚类结果。
8.根据权利要求5所述的一种用电负荷预测装置，其特征在于，所述特征融合模块通过以下公式得到所述融合特征：
Figure FDA0002931923910000031
；
Figure FDA0002931923910000032
；
Figure FDA0002931923910000033
；
其中，G为所述第一特征，C为所述第二特征，Wa为权重，ba为偏置，Fi为第i个历史负荷特征，FA为所述融合特征。
9.根据权利要求5所述的一种用电负荷预测装置，其特征在于，所述第一特征提取模块为CNN网络，所述第二特征提取模块是由4层GRU堆叠的网络。
10.一种存储介质，其特征在于，所述存储介质存储有能被处理器执行的指令，所述指令被处理器执行以实现如权利要求1至4任一项所述的用电负荷预测方法。
CN202110149979.9A 2021-02-03 2021-02-03 一种用电负荷预测方法、装置及存储介质 Pending CN112928752A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110149979.9A CN112928752A (zh) 2021-02-03 2021-02-03 一种用电负荷预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110149979.9A CN112928752A (zh) 2021-02-03 2021-02-03 一种用电负荷预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN112928752A true CN112928752A (zh) 2021-06-08

Family

ID=76169708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110149979.9A Pending CN112928752A (zh) 2021-02-03 2021-02-03 一种用电负荷预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112928752A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303263A (zh) * 2015-11-16 2016-02-03 深圳合纵能源技术有限公司 一种区域电网的负荷预测系统及其方法
CN105631483A (zh) * 2016-03-08 2016-06-01 国家电网公司 一种短期用电负荷预测方法及装置
CN105701554A (zh) * 2014-11-28 2016-06-22 国家电网公司 基于海量计量数据的用电设备能效混沌分析方法
CN110097474A (zh) * 2019-03-25 2019-08-06 国网辽宁省电力有限公司 一种实现配电网削峰填谷的负荷控制方法
CN111353653A (zh) * 2020-03-13 2020-06-30 大连理工大学 一种光伏出力短期区间预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701554A (zh) * 2014-11-28 2016-06-22 国家电网公司 基于海量计量数据的用电设备能效混沌分析方法
CN105303263A (zh) * 2015-11-16 2016-02-03 深圳合纵能源技术有限公司 一种区域电网的负荷预测系统及其方法
CN105631483A (zh) * 2016-03-08 2016-06-01 国家电网公司 一种短期用电负荷预测方法及装置
CN110097474A (zh) * 2019-03-25 2019-08-06 国网辽宁省电力有限公司 一种实现配电网削峰填谷的负荷控制方法
CN111353653A (zh) * 2020-03-13 2020-06-30 大连理工大学 一种光伏出力短期区间预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
庞昊 等: "基于多神经网络融合的短期负荷预测方法", 《电力系统自动化》 *

Similar Documents

Publication Publication Date Title
Tang et al. Short‐term power load forecasting based on multi‐layer bidirectional recurrent neural network
Nalcaci et al. Long-term load forecasting: models based on MARS, ANN and LR methods
Saleh et al. A data mining based load forecasting strategy for smart electrical grids
CN112529168B (zh) 一种基于gcn的属性多层网络表示学习方法
CN112861967B (zh) 基于异构图神经网络的社交网络异常用户检测方法及设备
US11042802B2 (en) System and method for hierarchically building predictive analytic models on a dataset
CN110570111A (zh) 企业风险预测方法、模型训练方法、装置及设备
Heidarpanah et al. Daily electricity price forecasting using artificial intelligence models in the Iranian electricity market
CN111027772A (zh) 基于pca-dbilstm的多因素短期负荷预测方法
Goodwin et al. A pattern recognition approach for peak prediction of electrical consumption
CN110264270A (zh) 一种行为预测方法、装置、设备和存储介质
CN116449218B (zh) 一种锂电池健康状态的估计方法
Wang et al. Short-term load forecasting with LSTM based ensemble learning
Binna et al. Subset level detection of false data injection attacks in smart grids
Joshi et al. Comparative analysis of Vanilla LSTM and Peephole LSTM for stock market price prediction
Syu et al. Energy grid management system with anomaly detection and Q-learning decision modules
Tian et al. Method for predicting the remaining mileage of electric vehicles based on dimension expansion and model fusion
Kuo et al. Integration of growing self-organizing map and continuous genetic algorithm for grading lithium-ion battery cells
CN112928752A (zh) 一种用电负荷预测方法、装置及存储介质
CN116992151A (zh) 一种基于双塔图卷积神经网络的在线课程推荐方法
Hajirahimi et al. A novel class of reliability-based parallel hybridization (RPH) models for time series forecasting
CN117034762A (zh) 一种基于多算法加权和的复合模型锂电池寿命预测方法
Adika et al. Short term energy consumption prediction using bio-inspired fuzzy systems
CN115730248A (zh) 一种机器账号检测方法、系统、设备及存储介质
Batish et al. Building Energy Prediction for Early Design Stage Decision Support: A Review of Data-driven Techniques

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: 20210608

RJ01 Rejection of invention patent application after publication