CN113256022A - 一种台区用电负荷预测方法及系统 - Google Patents
一种台区用电负荷预测方法及系统 Download PDFInfo
- Publication number
- CN113256022A CN113256022A CN202110664695.3A CN202110664695A CN113256022A CN 113256022 A CN113256022 A CN 113256022A CN 202110664695 A CN202110664695 A CN 202110664695A CN 113256022 A CN113256022 A CN 113256022A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- channel
- communication
- reliability
- 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 50
- 230000006854 communication Effects 0.000 claims abstract description 195
- 238000004891 communication Methods 0.000 claims abstract description 192
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 38
- 238000009826 distribution Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 28
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000013480 data collection Methods 0.000 claims description 8
- 238000013475 authorization Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013215 result calculation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 13
- 230000001149 cognitive effect Effects 0.000 abstract description 12
- 238000001228 spectrum Methods 0.000 abstract description 8
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000013277 forecasting method Methods 0.000 abstract 1
- 238000003860 storage Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供一种台区用电负荷预测方法及系统，该方法首先不考虑通信延迟和丢包率的影响，选取用户电力负荷数据和气象因素数据特征，基于非线性预测算法如可解释神经网络对台区用户负荷进行初步预测；其次，基于认知无线电数据通信，本专利考虑通信延时和丢包率对通信质量的影响，以授权频谱资源下的动态信道分配用户量为优化变量，分别建立以通信延时最小、丢包率最小为目标函数的多目标优化模型，交互优化通信延时和丢包率并建立最终的数据通信可靠度模型；最后，建立考虑服务质量指标的台区负荷预测模型并得到最终的预测结果。本发明在对台区用户电力负荷进行预测时考虑了通信质量服务质量指标的影响，提高了电力负荷预测的准确度和可靠度。
Description
技术领域
本发明涉及智能电网中信息处理技术领域，特别是涉及一种台区用电负荷预测方法及系统。
背景技术
配变台区是连接智能电网与用户侧的纽带，台区物联网关基于电力通信技术将所有用户侧的智能电表数据上传至集中器，从而获得台区用户的用电数据。但是庞大的抄表数据和有限的频谱资源使配变台区通信不可避免的出现了丢包、延时等现象，造成了采集数据的不可靠性，从而影响了数据利用(如负荷预测)的准确性。配变台区的负荷预测是低压配电网规划调度时的关键环节，不可靠的数据通信会极大地降低负荷预测的准确度。
由于电力用户侧的数据量大，数据种类繁多，数据更新速度较快，所以许多地区的负荷种类结构在不断变化，采用的电力负荷预测方法也不相同。由于台区用户电力负荷数据通常受到非周期性社会事件、年份日期(工作日与非工作日、法定节假日)、天气气候(高温雷雨)、季节更替(春夏秋冬)等非量化因素的影响，因此现有研究者从地区生产总值、用电单耗、人口数量、用电结构和电力负荷的历史数据做回归分析，建立线性模型如回归分析模型、时间序列模型等，从而对未来电力负荷进行预测。在不考虑数据采集通信质量的前提下，非线性方法具有强大的计算能力、记忆能力、复杂映射能力，可以很好地挖掘用电负荷与电力用户所在的温度、湿度等环境因素相关的非线性关系，可以有效地提高负荷预测的准确度。不考虑数据采集的可靠性，将深度学习算法如循环神经网络应用到用户负荷预测，可以利用算法的多层非线性结构提取大量用户负荷数据中的抽象特征，实现对用电负荷较为准确的预测。考虑通信传输的可靠性，基于认知无线电感知的通信方式，在有限的授权频谱资源环境下，合理利用频谱资源进行动态信道分配，可以提高物联网业务通信的Qos指标。
对于台区用户电力负荷的预测，现有技术主要存在以下不足：
(1)线性预测模型如回归分析的难点在于回归线类型的选取、回归变量的选取与回归变量因素之间关系的构建，这些因素的选取直接影响电力负荷的预测精度。
(2)非线性模型如机器学习方法虽然有强大的特征提取以及特征映射能力，但是在对台区用户负荷进行预测时，未考虑台区用户负荷数据采集与通信的可靠性。根据智能配用电通信业务可知，当物联网业务采用认知无线电感知的方式通过同一授权频谱资源进行传输时，业务间的相互作用必然会产生信道资源的争夺，从而会产生数据通信的丢包、延时等问题，使得网关采集数据不完善、不准确，影响负荷预测的可靠性。
发明内容
为解决以上技术问题，本发明提供一种台区用电负荷预测方法及系统，提高电负荷预测的准确性。
本发明第一方面提供一种台区用电负荷预测方法，包括：
根据预设规则选取台区用电侧的历史电力负荷数据及气象因素数据中的特征数据，得到电力负荷特征数据及气象因素特征数据；
根据所述电力负荷特征数据及气象因素特征数据建立可解释神经网络预测算法，并通过所述历史电力负荷数据中的训练数据及气象因素数据中的训练数据训练所述可解释神经网络预测算法，当训练误差值满足预设值时结束训练，得到负荷初步预测神经网络算法；将所述历史电力负荷数据中的测试数据及气象因素数据中的测试数据输入至所述负荷初步预测神经网络算法中，得到负荷初步预测结果；
通过动态信道分配策略建立丢包率目标规划模型，并求得最小丢包率；
根据单一信道的业务数据传输排队规则建立以通信延时最小为目标函数的规划模型，并根据所述目标函数的规划模型及所述丢包率目标规划模型，优化通信质量Qos指标；
根据所述通信质量Qos指标计算数据采集可靠度；
根据所述负荷初步预测结果及所述数据采集可靠度得到计及数据采集通信可靠度的负荷预测结果。
进一步地，所述通过动态信道分配策略建立丢包率目标规划模型，具体地：
其中，
为丢包率，
为丢失的数据包总数，Wl为信道l被分配的数据包量，M为用户需要传输的数据包总数，nl为第l条信道分配的用户量，l表示信道；
所述求得最小丢包率，通过以下公式计算：
其中，
为最小丢包率，nl为待优化的第l条信道被分配的用户量，
为丢包率，
为丢失的数据包总数，Wl为信道l被分配的数据包量，M为用户需要传输的数据包总数，nl为第l条信道分配的用户量，l表示信道。
进一步地，所述将所述历史电力负荷数据中的测试数据及气象因素数据中的测试数据输入至所述负荷初步预测神经网络算法中，得到负荷初步预测结果，通过以下公式计算：
其中，Lt为负荷初步预测结果，Xt为电力负荷特征数据的组合向量，具体包括：变量日最高负荷、日最低负荷、日平均负荷以及日峰谷差的组合；Mt为气象因素特征数据的组合向量，具体包括：变量日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量的组合；Wi和γi分别表示输入层和输出层变量的权值；μ表示偏置值。
进一步地，所述根据所述通信质量Qos指标计算数据采集可靠度，通过以下公式计算：
εt＝α1*ε0+(1-α1)*[α2*(1-Ploss)+(1-α2)*(1-Tdelay/T)；
其中，εt为数据采集可靠度，ε0为不同通信方式下的数据采集通信初始可靠度，T为一个数据采样周期，α1为初始可靠度对数据采集通信可靠度的影响系数，α2为Qos指标对数据采集通信可靠度的影响系数，Ploss为数据采集通信的丢包率；Tdelay为通信延迟时间。
进一步地，所述根据所述通信质量Qos指标计算数据采集可靠度之前，还包括：
根据信道l的平均排队队长Ll及通信节点实际到达速率
计算信道l的通信延时；
信道l的通信延时通过以下公式计算：
其中，
为信道l的通信延时，Ll为信道l的平均排队队长，
为通信节点实际到达速率，Wl为等待处理的数据包，i为第i个数据包，
为第i个数据包在排队等待传输的概率，λl为第l条授权信道的业务数据到达速率，
为第l条授权信道的数据采集通信的丢包率。
进一步地，所述根据所述负荷初步预测结果及所述数据采集可靠度得到计及数据采集通信可靠度的负荷预测结果，通过以下公式计算：
其中，
为计及数据采集通信可靠度的负荷预测结果，εt为数据采集可靠度，Lt为负荷初步预测结果，ΔLt为负荷预测值与负荷实际值的偏差。
本发明第二方面提供一种台区用电负荷预测系统，包括：
特征提取模块，用于根据预设规则选取台区用电侧的历史电力负荷数据及气象因素数据中的特征数据，得到电力负荷特征数据及气象因素特征数据；
负荷初步预测结果计算模块，用于根据所述电力负荷特征数据及气象因素特征数据建立可解释神经网络预测算法，并通过所述历史电力负荷数据中的训练数据及气象因素数据中的训练数据训练所述可解释神经网络预测算法，当训练误差值满足预设值时结束训练，得到负荷初步预测神经网络算法；将所述历史电力负荷数据中的测试数据及气象因素数据中的测试数据输入至所述负荷初步预测神经网络算法中，得到负荷初步预测结果；
丢包率目标规划模型建立模块，用于通过动态信道分配策略建立丢包率目标规划模型，并求得最小丢包率；
优化通信质量Qos指标模块，用于根据单一信道的业务数据传输排队规则建立以通信延时最小为目标函数的规划模型，并根据所述目标函数的规划模型及所述丢包率目标规划模型，优化通信质量Qos指标；
数据采集可靠度运算模块，用于根据所述通信质量Qos指标计算数据采集可靠度；
负荷预测值计算模块，用于根据所述负荷初步预测结果及所述数据采集可靠度得到计及数据采集通信可靠度的负荷预测结果。
进一步地，所述通过动态信道分配策略建立丢包率目标规划模型，具体地：
其中，
为丢包率，
为丢失的数据包总数，Wl为信道l被分配的数据包量，M为用户需要传输的数据包总数，nl为第l条信道分配的用户量，l表示信道；
所述求得最小丢包率，通过以下公式计算：
其中，
为最小丢包率，nl为待优化的第l条信道被分配的用户量，
为丢包率，
为丢失的数据包总数，Wl为信道l被分配的数据包量，M为用户需要传输的数据包总数，nl为第l条信道分配的用户量，l表示信道。
进一步地，所述将所述历史电力负荷数据中的测试数据及气象因素数据中的测试数据输入至所述负荷初步预测神经网络算法中，得到负荷初步预测结果，通过以下公式计算：
其中，Lt为负荷初步预测结果，Xt为电力负荷特征数据的组合向量，具体包括：变量日最高负荷、日最低负荷、日平均负荷以及日峰谷差的组合；Mt为气象因素特征数据的组合向量，具体包括：变量日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量的组合；Wi和γi分别表示输入层和输出层变量的权值；μ表示偏置值。
进一步地，所述根据所述通信质量Qos指标计算数据采集可靠度，通过以下公式计算：
εt＝α1*ε0+(1-α1)*[αa*(1-Ploss)+(1-α2)*(1-Tdelay/T)；
其中，εt为数据采集可靠度，ε0为不同通信方式下的数据采集通信初始可靠度，T为一个数据采样周期，α1为初始可靠度对数据采集通信可靠度的影响系数，α2为Qos指标对数据采集通信可靠度的影响系数，Ploss为数据采集通信的丢包率；Tdelay为通信延迟时间。
进一步地，所述根据所述通信质量Qos指标计算数据采集可靠度之前，还包括：
根据信道l的平均排队队长Ll及通信节点实际到达速率
计算信道l的通信延时；
信道l的通信延时通过以下公式计算：
其中，
为信道l的通信延时，Ll为信道l的平均排队队长，
为通信节点实际到达速率，Wl为等待处理的数据包，i为第i个数据包，
为第i个数据包在排队等待传输的概率，λl为第l条授权信道的业务数据到达速率，
为第l条授权信道的数据采集通信的丢包率。
进一步地，所述根据所述负荷初步预测结果及所述数据采集可靠度得到计及数据采集通信可靠度的负荷预测结果，通过以下公式计算：
其中，
为计及数据采集通信可靠度的负荷预测结果，εt为数据采集可靠度，Lt为负荷初步预测结果，ΔLt为负荷预测值与负荷实际值的偏差。
与现有技术相比，本发明实施例的有益效果在于：
本发明提供本发明第一方面提供一种台区用电负荷预测方法，包括：根据预设规则选取台区用电侧的历史电力负荷数据及气象因素数据中的特征数据，得到电力负荷特征数据及气象因素特征数据；根据所述电力负荷特征数据及气象因素特征数据建立可解释神经网络预测算法，并通过所述历史电力负荷数据中的训练数据及气象因素数据中的训练数据训练所述可解释神经网络预测算法，当训练误差值满足预设值时结束训练，得到负荷初步预测神经网络算法；将所述历史电力负荷数据中的测试数据及气象因素数据中的测试数据输入至所述负荷初步预测神经网络算法中，得到负荷初步预测结果；通过动态信道分配策略建立丢包率目标规划模型，并求得最小丢包率；根据单一信道的业务数据传输排队规则建立以通信延时最小为目标函数的规划模型，并根据所述目标函数的规划模型及所述丢包率目标规划模型，优化通信质量Qos指标；根据所述通信质量Qos指标计算数据采集可靠度；根据所述负荷初步预测结果及所述数据采集可靠度得到计及数据采集通信可靠度的负荷预测结果。相比于其他台区电力负荷预测方案，本发明在对台区用户电力负荷进行预测时考虑了通信质量Qos指标的影响，提高了电力负荷预测的准确度和可靠度，为电力低压配网对台区用户的电力分配提供依据，从而优化电网的调度运行。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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方式，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是本发明某一实施例提供的一种台区用电负荷预测方法的流程图；
图2是本发明另一实施例提供的一种台区用电负荷预测方法的流程图；
图3是本发明某一实施例提供的信道l在k个时隙里的状态的示意图；
图4是本发明某一实施例提供的通信业务下多个信道的M/M/l/k排队模型的示意图；
图5是本发明某一实施例提供的一种台区用电负荷预测系统的装置图；
图6是本发明某一实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
第一方面。
请参阅图1，本发明一实施例提供一种台区用电负荷预测方法，包括：
S10、根据预设规则选取台区用电侧的历史电力负荷数据及气象因素数据中的特征数据，得到电力负荷特征数据及气象因素特征数据。
S20、根据所述电力负荷特征数据及气象因素特征数据建立可解释神经网络预测算法，并通过所述历史电力负荷数据中的训练数据及气象因素数据中的训练数据训练所述可解释神经网络预测算法，当训练误差值满足预设值时结束训练，得到负荷初步预测神经网络算法；将所述历史电力负荷数据中的测试数据及气象因素数据中的测试数据输入至所述负荷初步预测神经网络算法中，得到负荷初步预测结果。
优选地，所述将所述历史电力负荷数据中的测试数据及气象因素数据中的测试数据输入至所述负荷初步预测神经网络算法中，得到负荷初步预测结果，通过以下公式计算：
其中，Lt为负荷初步预测结果，Xt为电力负荷特征数据的组合向量，具体包括：变量日最高负荷、日最低负荷、日平均负荷以及日峰谷差的组合；Mt为气象因素特征数据的组合向量，具体包括：变量日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量的组合；Wi和γi分别表示输入层和输出层变量的权值；μ表示偏置值。
S30、通过动态信道分配策略建立丢包率目标规划模型，并求得最小丢包率。
优选地，所述通过动态信道分配策略建立丢包率目标规划模型，具体地：
其中，
为丢包率，
为丢失的数据包总数，Wl为信道l被分配的数据包量，M为用户需要传输的数据包总数，nl为第l条信道分配的用户量，l表示信道；
所述求得最小丢包率，通过以下公式计算：
其中，
为最小丢包率，nl为待优化的第l条信道被分配的用户量，
为丢包率，
为丢失的数据包总数，Wl为信道l被分配的数据包量，M为用户需要传输的数据包总数，nl为第l条信道分配的用户量，l表示信道。
S40、根据单一信道的业务数据传输排队规则建立以通信延时最小为目标函数的规划模型，并根据所述目标函数的规划模型及所述丢包率目标规划模型，交互优化通信质量Qos指标。
S50、根据所述通信质量Qos指标计算数据采集可靠度。
优选地，所述根据所述通信质量Qos指标计算数据采集可靠度，通过以下公式计算：
εt＝α1*ε0+(1-α1)*[αa*(1-Ploss)+(1-α2)*(1-Tdelay/T)；
其中，εt为数据采集可靠度，ε0为不同通信方式下的数据采集通信初始可靠度，T为一个数据采样周期，α1为初始可靠度对数据采集通信可靠度的影响系数，α2为Qos指标对数据采集通信可靠度的影响系数，Ploss为数据采集通信的丢包率；Tdelay为通信延迟时间。
优选地，所述根据所述通信质量Qos指标计算数据采集可靠度之前，还包括：
根据信道l的平均排队队长Ll及通信节点实际到达速率
计算信道l的通信延时；
信道l的通信延时通过以下公式计算：
其中，
为信道l的通信延时，Ll为信道l的平均排队队长，
为通信节点实际到达速率，Wl为等待处理的数据包，i为第i个数据包，
为第i个数据包在排队等待传输的概率，λl为第l条授权信道的业务数据到达速率，
为第l条授权信道的数据采集通信的丢包率。
S60、根据所述负荷初步预测结果及所述数据采集可靠度得到计及数据采集通信可靠度的负荷预测结果。
优选地，所述根据所述负荷初步预测结果及所述数据采集可靠度得到计及数据采集通信可靠度的负荷预测结果，通过以下公式计算：
其中，
为计及数据采集通信可靠度的负荷预测结果，εt为数据采集可靠度，Lt为负荷初步预测结果，ΔLt为负荷预测值与负荷实际值的偏差。
请参阅图2，在某一具体实施例中，本发明包括以下步骤：
1.选定待预测台区，基于认知无线电的通信方式获取台区用户历史电力负荷数据、气象因素数据；
2.对步骤1中的数据按照季节特性进行划分，并选取预测特征变量；
3.将步骤2得到的特征数据集作为输入变量，基于可解释神经网络算法对台区负荷进行初步预测；
4.基于认知无线电感知通信方式，建立丢包率目标规划模型，动态优化信道分配用户量，求得最小丢包率；
5.基于单一信道的业务数据传输排队规则，建立以通信延时最小为目标函数的规划模型，基于步骤4的最小丢包规划模型，交互优化通信质量Qos指标；
6.建立考虑通信质量Qos指标(通信延时、丢包率)的数据采集可靠度εt；
7.建立计及数据采集可靠度的负荷预测模型
8.基于步骤3的可解释神经网络的初步预测结果以及步骤6的数据采集可靠度，使用步骤7建立的负荷预测模型，计算得到考虑Qos指标的负荷预测值。
具体地，步骤1：
本专利考虑将边缘物联网关整合原有集中器功能，直接接入台区用户侧智能电表，实行“一户一表”原则，共有N个用户。用户侧智能电表采用认知无线电的通信方式接入边缘物联网关，网关采集的数据包括历史电力负荷数据和气象因素数据。
步骤2：
将步骤1的数据集按照季节划分为四部分，选取气象因素特征如日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量；电力负荷数据特征如日最高负荷、日最低负荷、日平均负荷以及日峰谷差。
步骤3：
将步骤2得到的特征数据集作为输入变量，基于可解释神经网络算法，在不考虑通信质量的情况下对台区负荷进行初步预测。
(1)首先针对负荷特征数据建立可解释神经网络预测算法，如下表达式(1)：
Lt＝γ1(W1[Xt,Mt])+γ2(W2[Xt,Mt])2+γ3(W3[Xt,Mt])+μ (1)
其中，Lt表示不计及通信质量影响的使用可解释神经网络算法预测的负荷值；Xt表示电力负荷特征组合向量，是变量日最高负荷、日最低负荷、日平均负荷以及日峰谷差的组合；Mt表示气象因素特征组合向量，是变量日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量的组合；Wi和γi分别表示输入层和输出层变量的权值；μ表示偏置。
(2)基于步骤2得到的训练集数据，训练可解释预测算法的权重及偏置参数，设置迭代次数上限值及误差允许最小值。当训练次数达到上限，并且误差值在允许范围内时，保存算法参数值，确定算法预测结构。
(3)使用步骤3.(2)中的算法对测试集负荷特征数据进行测试，在不计及通信质量Qos指标影响的情况下，得到负荷初步预测结果Lt。
步骤4：
该台区用户用电数据传输采用认知无线电感知通信方式，在授权频谱资源下采用动态信道分配策略建立丢包率目标规划模型，动态优化信道分配用户量，求得最小丢包率。在认知无线电感知通信方式下，授权用户为第一用户，对信道的使用具有优先权；智能电表作为第二用户，动态利用第一用户的授权频谱资源，而在第一用户开始工作时立即退出该信道以避免干扰，部分变量表示含义如表1所示。
表1 部分变量含义
(1)在数据传输过程中，信道l在当前时隙与下一时隙被第一
用户占用的状态情况，具有马尔可夫性，如图3所示。
用0表示当前信道不可被第二用户使用，1表示当前信道可被第二用户使用，则该两状态离散时间马尔可夫链对应的转移概率矩阵表示为：
则可得到在任意时隙第l条授权信道可以被第二用户使用的概率：
(2)认知无线电通信方式下，第二用户对信道l的访问采用always-stay策略，即授权信道l被第一用户占用或者被第二用户占用，导致第二用户w在当前时隙不能接入授权信道l，那么在之后的时隙里，第二用户w都会继续尝试访问该条信道，直到把数据包都全部传输完毕。always-stay原则的数学表达式如下：
Sl(n)＝Sl(n+1),n∈{1,2,…,k} (4)
其中Sl(n)表示第二用户w想在第n时隙访问信道l，k表示该通信周期内数据传输的全部可用时隙。则第二用户w可以接入第l条授权信道的概率为：
其中Wl表示信道l需要传输的数据包数量。
(3)用Pi,i′表示在当前时隙信道l有i个数据包需要传递，且在下一时隙有i′个数据包需要传递的概率，则可表达为:
(4)对于任一通信周期，第l条授权信道(对每条授权信道具有普适性)的马尔科夫转移概率矩阵可表示为Pl：
此处用W代替Wl表示第l条授权信道的数据包量；用
表示第l条授权信道有i个数据包在排队等待传输的概率，则
(5)根据马尔可夫过程的基本原理，信道l在经历了k个传输时隙后，可计算得到丢失的数据包总数为：
(6)每个用户需要传输的数据包有M个，第l条信道分配的用户量(智能电表量)是nl，用Wl表示信道l被分配的数据包量，则计算第l条信道的丢包率为：
每个通信周期的所有信道的最小平均丢包率为：
待优化变量是第l条信道被分配的用户量(智能电表量)，nl。
步骤5：
在数据通信过程中，通信延时主要是由排队延时、传输延时、处理延时、接受延时造成的，因此在认知无线电通信过程中，为解决数据传输的不确定延时，本专利采用排队论对系统延时进行优化。基于认知无线电感知通信方式的信息采集类业务，业务数据到达系统的分组数量无限多，各个分组数据到达系统的过程(到达率)服从泊松分布，到达时间间隔服从指数分布。设定系统的服务规则为先到先服务，假设该通信业务的授权频带有L条可用信道，则数据通信符合M/M/l/k排队模型，且每一条信道的数据传输过程符合M/M/1/k排队模型，如图4所示。
(1)在认知无线电数据通信过程中，将该台区智能电表传输的M*N个数据包看作排队系统等待队列中的数据帧。根据步骤4，通过信道分配方法将M*N个数据包分成了L组，则第l个排队队列中等待处理的数据帧(数据包)有M*nl个，记为Wl。由步骤4(4)可知，第l条授权信道有i个数据包在排队等待传输的概率为
则可计算得到该信道l的平均排队队长为：
(2)在该排队模型中，智能电表数据包到达速率用λ表示(即业务流量，单位bit/s)，则可得到第l条授权信道的业务数据到达速率为：
λl＝B*nl*F (12)
其中B表示用户一台智能电表的数据流量(按照80kbit/s计算)，nl表示分配给信道l的用户量(即智能电表数量)，F表示用户智能电表数据上送至边缘物联网关的并发因子，取5％。
(3)基于步骤4，排队等待处理转发的数据包有丢失的可能，考虑丢包率的影响，可计算得到业务数据实际到达通信信道进行处理转发的速率
为：
其中
由步骤4(6)通过信道优化分配得到。
(4)由步骤(1)得到的信道l的平均排队队长Ll和步骤(3)得到的通信节点实际到达速率
可计算得到信道l的通信延时为：
每个通信周期的所有信道的最小平均通信延时为：
其中
为优化变量，基于步骤4的最小丢包规划模型，通过信道动态优化分配，交互优化求解多目标规划模型的通信质量Qos指标。
步骤6：
以Qos指标(通信延时、丢包率)为变量建立计及通信质量的数据采集通信可靠度εt的数学模型，如表达式(2)：
εt＝α1*ε0+(1-α1)*[α2*(1-Ploss)+(1-α2)*(1-Tdelay/T) (16)
其中ε0表示不同通信方式下的数据采集通信初始可靠度，根据通信方式的不同，有不同的初值；T表示一个数据采样周期，智能电表每15min上传一次数据。α1表示初始可靠度对数据采集通信可靠度的影响系数；α2表示Qos指标(通信延时和丢包率)对数据采集通信可靠度的影响系数。α1和α2可以利用历史通信数据基于多元线性回归方法来确定和求解，已有比较研究和数值结果表明α1通常取值在0.7～0,85，α2通常取值在0.4～0.6，本发明在仿真计算应用时将α1和α2分别取值为0.8和0.5。
步骤7：
考虑不同通信方式，建立计及数据采集通信可靠度的负荷预测模型
如下表达式(5)：
其中，Lt表示使用可解释神经网络算法预测的初值，ΔLt表示预测值与真实值
的偏差值，遵循高斯分布ΔLt～N(0,σ2)。
即表示考虑通信可靠性Qos指标(丢包率和通信延时)的台区负荷预测值。
步骤8：
基于步骤3的可解释神经网络的初步预测结果以及步骤6计算得到的计及丢包率和通信延时的数据采集可靠度，使用步骤7建立的负荷预测模型，计算得到考虑Qos指标丢包率以及通信延时的负荷预测值。
本发明选取了台区的气象因素和历史电力负荷数据作为用户负荷特征，基于可解释神经网络算法对台区负荷进行了初步预测。其中气象因素特征包括日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量；电力负荷数据特征包括日最高负荷、日最低负荷、日平均负荷以及日峰谷差。
本发明建立了数据通信可靠性指标与丢包率和通信延时时间的关系模型。首先该模型通过优化分配授权频谱的信道用户量，得到最小丢包率；然后基于通信排队论原理建立最小延时数据模型，通过交互优化丢包率对通信延时的影响，求得最小通信延时；最后，建立数据采集可靠性模型，设定相关性参数并求得数据通信可靠度的大小。
本发明基于通信可靠性指标和可解释神经网络的负荷初步预测结果，实现了最终的台区负荷预测。
相比于其他台区电力负荷预测方案，本发明在对台区用户电力负荷进行预测时考虑了通信质量Qos指标的影响，提高了电力负荷预测的准确度和可靠度，为电力低压配网对台区用户的电力分配提供依据，从而优化电网的调度运行。
第二方面。
请参阅图5，本发明一实施例提供一种台区用电负荷预测系统，包括：
特征提取模块10，用于根据预设规则选取台区用电侧的历史电力负荷数据及气象因素数据中的特征数据，得到电力负荷特征数据及气象因素特征数据。
负荷初步预测结果计算模块20，用于根据所述电力负荷特征数据及气象因素特征数据建立可解释神经网络预测算法，并通过所述历史电力负荷数据中的训练数据及气象因素数据中的训练数据训练所述可解释神经网络预测算法，当训练误差值满足预设值时结束训练，得到负荷初步预测神经网络算法；将所述历史电力负荷数据中的测试数据及气象因素数据中的测试数据输入至所述负荷初步预测神经网络算法中，得到负荷初步预测结果。
优选地，所述将所述历史电力负荷数据中的测试数据及气象因素数据中的测试数据输入至所述负荷初步预测神经网络算法中，得到负荷初步预测结果，通过以下公式计算：
其中，Lt为负荷初步预测结果，Xt为电力负荷特征数据的组合向量，具体包括：变量日最高负荷、日最低负荷、日平均负荷以及日峰谷差的组合；Mt为气象因素特征数据的组合向量，具体包括：变量日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量的组合；Wi和γi分别表示输入层和输出层变量的权值；μ表示偏置值。
丢包率目标规划模型建立模块30，用于通过动态信道分配策略建立丢包率目标规划模型，并求得最小丢包率。
优选地，所述通过动态信道分配策略建立丢包率目标规划模型，具体地：
其中，
为丢包率，
为丢失的数据包总数，Wl为信道l被分配的数据包量，M为用户需要传输的数据包总数，nl为第l条信道分配的用户量，l表示信道；
所述求得最小丢包率，通过以下公式计算：
其中，
为最小丢包率，nl为待优化的第l条信道被分配的用户量，
为丢包率，
为丢失的数据包总数，Wl为信道l被分配的数据包量，M为用户需要传输的数据包总数，nl为第l条信道分配的用户量，l表示信道。
优化通信质量Qos指标模块40，用于根据单一信道的业务数据传输排队规则建立以通信延时最小为目标函数的规划模型，并根据所述目标函数的规划模型及所述丢包率目标规划模型，优化通信质量Qos指标。
数据采集可靠度运算模块50，用于根据所述通信质量Qos指标计算数据采集可靠度。
优选地，所述根据所述通信质量Qos指标计算数据采集可靠度，通过以下公式计算：
εt＝α1*ε0+(1-α1)*[α2*(1-Ploss)+(1-α2)*(1-Tdelay/T)；
其中，εt为数据采集可靠度，ε0为不同通信方式下的数据采集通信初始可靠度，T为一个数据采样周期，α1为初始可靠度对数据采集通信可靠度的影响系数，α2为Qos指标对数据采集通信可靠度的影响系数，Ploss为数据采集通信的丢包率；Tdelay为通信延迟时间。
优选地，所述根据所述通信质量Qos指标计算数据采集可靠度之前，还包括：
根据信道l的平均排队队长Ll及通信节点实际到达速率
计算信道l的通信延时；
信道l的通信延时通过以下公式计算：
其中，
为信道l的通信延时，Ll为信道l的平均排队队长，
为通信节点实际到达速率，Wl为等待处理的数据包，i为第i个数据包，
为第i个数据包在排队等待传输的概率，λl为第l条授权信道的业务数据到达速率，
为第l条授权信道的数据采集通信的丢包率。
负荷预测值计算模块60，用于根据所述负荷初步预测结果及所述数据采集可靠度得到计及数据采集通信可靠度的负荷预测结果。
优选地，所述根据所述负荷初步预测结果及所述数据采集可靠度得到计及数据采集通信可靠度的负荷预测结果，通过以下公式计算：
其中，
为计及数据采集通信可靠度的负荷预测结果，εt为数据采集可靠度，Lt为负荷初步预测结果，ΔLt为负荷预测值与负荷实际值的偏差。
相比于其他台区电力负荷预测方案，本发明在对台区用户电力负荷进行预测时考虑了通信质量Qos指标的影响，提高了电力负荷预测的准确度和可靠度，为电力低压配网对台区用户的电力分配提供依据，从而优化电网的调度运行。
第三方面。
本发明提供了一种电子设备，该电子设备包括：
处理器、存储器和总线；
所述总线，用于连接所述处理器和所述存储器；
所述存储器，用于存储操作指令；
所述处理器，用于通过调用所述操作指令，可执行指令使处理器执行如本申请的第一方面所示的一种台区用电负荷预测方法对应的操作。
在一个可选实施例中提供了一种电子设备，如图6所示，图6所示的电子设备5000包括：处理器5001和存储器5003。其中，处理器5001和存储器5003相连，如通过总线5002相连。可选地，电子设备5000还可以包括收发器5004。需要说明的是，实际应用中收发器5004不限于一个，该电子设备5000的结构并不构成对本申请实施例的限定。
处理器5001可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器5001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线5002可包括一通路，在上述组件之间传送信息。总线5002可以是PCI总线或EISA总线等。总线5002可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器5003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器5003用于存储执行本申请方案的应用程序代码，并由处理器5001来控制执行。处理器5001用于执行存储器5003中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
第四方面。
本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现本申请第一方面所示的一种台区用电负荷预测方法。
本申请的又一实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
Claims (12)
1.一种台区用电负荷预测方法，其特征在于，包括：
根据预设规则选取台区用电侧的历史电力负荷数据及气象因素数据中的特征数据，得到电力负荷特征数据及气象因素特征数据；
根据所述电力负荷特征数据及气象因素特征数据建立可解释神经网络预测算法，并通过所述历史电力负荷数据中的训练数据及气象因素数据中的训练数据训练所述可解释神经网络预测算法，当训练误差值满足预设值时结束训练，得到负荷初步预测神经网络算法；将所述历史电力负荷数据中的测试数据及气象因素数据中的测试数据输入至所述负荷初步预测神经网络算法中，得到负荷初步预测结果；
通过动态信道分配策略建立丢包率目标规划模型，并求得最小丢包率；
根据单一信道的业务数据传输排队规则建立以通信延时最小为目标函数的规划模型，并根据所述目标函数的规划模型及所述丢包率目标规划模型，交互优化通信质量Qos指标；
根据所述通信质量Qos指标计算数据采集可靠度；
根据所述负荷初步预测结果及所述数据采集可靠度得到计及数据采集通信可靠度的负荷预测结果。
2.如权利要求1所述的一种台区用电负荷预测方法，其特征在于，所述通过动态信道分配策略建立丢包率目标规划模型，具体地：
其中，
为丢包率，
为丢失的数据包总数，Wl为信道l被分配的数据包量，M为用户需要传输的数据包总数，nl为第1条信道分配的用户量，l表示信道；
所述求得最小丢包率，通过以下公式计算：
其中，
为最小丢包率，nl为待优化的第l条信道被分配的用户量，
为丢包率，
为丢失的数据包总数，Wl为信道l被分配的数据包量，M为用户需要传输的数据包总数，nl为第1条信道分配的用户量，l表示信道。
3.如权利要求1所述的一种台区用电负荷预测方法，其特征在于，所述将所述历史电力负荷数据中的测试数据及气象因素数据中的测试数据输入至所述负荷初步预测神经网络算法中，得到负荷初步预测结果，通过以下公式计算：
其中，Lt为负荷初步预测结果，Xt为电力负荷特征数据的组合向量，具体包括：变量日最高负荷、日最低负荷、日平均负荷以及日峰谷差的组合；Mt为气象因素特征数据的组合向量，具体包括：变量日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量的组合；Wi和γi分别表示输入层和输出层变量的权值；μ表示偏置值。
4.如权利要求1所述的一种台区用电负荷预测方法，其特征在于，所述根据所述通信质量Qos指标计算数据采集可靠度，通过以下公式计算：
εt＝α1*ε0+(1-α1)*[α2*(1-Ploss)+(1-α2)*(1-Tdelay/T)；
其中，εt为数据采集可靠度，ε0为不同通信方式下的数据采集通信初始可靠度，T为一个数据采样周期，α1为初始可靠度对数据采集通信可靠度的影响系数，α2为Qos指标对数据采集通信可靠度的影响系数，Ploss为数据采集通信的丢包率；Tdelay为通信延迟时间。
5.如权利要求4所述的一种台区用电负荷预测方法，其特征在于，所述根据所述通信质量Qos指标计算数据采集可靠度之前，还包括：
根据信道l的平均排队队长Ll及通信节点实际到达速率
计算信道l的通信延时；
信道l的通信延时通过以下公式计算：
其中，
为信道l的通信延时，Ll为信道l的平均排队队长，
为通信节点实际到达速率，Wl为等待处理的数据包，i为第i个数据包，
为第i个数据包在排队等待传输的概率，λl为第l条授权信道的业务数据到达速率，
为第l条授权信道的数据采集通信的丢包率。
6.如权利要求1所述的一种台区用电负荷预测方法，其特征在于，所述根据所述负荷初步预测结果及所述数据采集可靠度得到计及数据采集通信可靠度的负荷预测结果，通过以下公式计算：
其中，
为计及数据采集通信可靠度的负荷预测结果，εt为数据采集可靠度，Lt为负荷初步预测结果，ΔLt为负荷预测值与负荷实际值的偏差。
7.一种台区用电负荷预测系统，其特征在于，包括：
特征提取模块，用于根据预设规则选取台区用电侧的历史电力负荷数据及气象因素数据中的特征数据，得到电力负荷特征数据及气象因素特征数据；
负荷初步预测结果计算模块，用于根据所述电力负荷特征数据及气象因素特征数据建立可解释神经网络预测算法，并通过所述历史电力负荷数据中的训练数据及气象因素数据中的训练数据训练所述可解释神经网络预测算法，当训练误差值满足预设值时结束训练，得到负荷初步预测神经网络算法；将所述历史电力负荷数据中的测试数据及气象因素数据中的测试数据输入至所述负荷初步预测神经网络算法中，得到负荷初步预测结果；
丢包率目标规划模型建立模块，用于通过动态信道分配策略建立丢包率目标规划模型，并求得最小丢包率；
优化通信质量Qos指标模块，用于根据单一信道的业务数据传输排队规则建立以通信延时最小为目标函数的规划模型，并根据所述目标函数的规划模型及所述丢包率目标规划模型，优化通信质量Qos指标；
数据采集可靠度运算模块，用于根据所述通信质量Qos指标计算数据采集可靠度；
负荷预测值计算模块，用于根据所述负荷初步预测结果及所述数据采集可靠度得到计及数据采集通信可靠度的负荷预测结果。
8.如权利要求7所述的一种台区用电负荷预测系统，其特征在于，所述通过动态信道分配策略建立丢包率目标规划模型，具体地：
其中，
为丢包率，
为丢失的数据包总数，Wl为信道l被分配的数据包量，M为用户需要传输的数据包总数，nl为第l条信道分配的用户量，l表示信道；
所述求得最小丢包率，通过以下公式计算：
其中，
为最小丢包率，nl为待优化的第l条信道被分配的用户量，
为丢包率，
为丢失的数据包总数，Wl为信道l被分配的数据包量，M为用户需要传输的数据包总数，nl为第1条信道分配的用户量，l表示信道。
9.如权利要求7所述的一种台区用电负荷预测系统，其特征在于，所述将所述历史电力负荷数据中的测试数据及气象因素数据中的测试数据输入至所述负荷初步预测神经网络算法中，得到负荷初步预测结果，通过以下公式计算：
其中，Lt为负荷初步预测结果，Xt为电力负荷特征数据的组合向量，具体包括：变量日最高负荷、日最低负荷、日平均负荷以及日峰谷差的组合；Mt为气象因素特征数据的组合向量，具体包括：变量日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量的组合；Wi和γi分别表示输入层和输出层变量的权值；μ表示偏置值。
10.如权利要求6所述的一种台区用电负荷预测系统，其特征在于，所述根据所述通信质量Qos指标计算数据采集可靠度，通过以下公式计算：
εt＝α1*ε0+(1-α1)*[α2*(1-Ploss)+(1-α2)*(1-Tdelay/T)；
其中，εt为数据采集可靠度，ε0为不同通信方式下的数据采集通信初始可靠度，T为一个数据采样周期，α1为初始可靠度对数据采集通信可靠度的影响系数，α2为Qos指标对数据采集通信可靠度的影响系数，Ploss为数据采集通信的丢包率；Tdelay为通信延迟时间。
11.如权利要求6所述的一种台区用电负荷预测系统，其特征在于，所述根据所述通信质量Qos指标计算数据采集可靠度之前，还包括：
根据信道l的平均排队队长Ll及通信节点实际到达速率
计算信道l的通信延时；
信道l的通信延时通过以下公式计算：
其中，
为信道l的通信延时，Ll为信道l的平均排队队长，
为通信节点实际到达速率，Wl为等待处理的数据包，i为第f个数据包，
为第i个数据包在排队等待传输的概率，λl为第l条授权信道的业务数据到达速率，
为第l条授权信道的数据采集通信的丢包率。
12.如权利要求7所述的一种台区用电负荷预测系统，其特征在于，所述根据所述负荷初步预测结果及所述数据采集可靠度得到计及数据采集通信可靠度的负荷预测结果，通过以下公式计算：
其中，
为计及数据采集通信可靠度的负荷预测结果，εt为数据采集可靠度，Lt为负荷初步预测结果，ΔLt为负荷预测值与负荷实际值的偏差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110664695.3A CN113256022B (zh) | 2021-06-16 | 2021-06-16 | 一种台区用电负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110664695.3A CN113256022B (zh) | 2021-06-16 | 2021-06-16 | 一种台区用电负荷预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113256022A true CN113256022A (zh) | 2021-08-13 |
| CN113256022B CN113256022B (zh) | 2023-02-24 |
Family
ID=77188155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110664695.3A Active CN113256022B (zh) | 2021-06-16 | 2021-06-16 | 一种台区用电负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113256022B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113642677A (zh) * | 2021-10-12 | 2021-11-12 | 华北电力大学 | 一种区域电网负荷预测方法和装置 |
| CN113792828A (zh) * | 2021-11-18 | 2021-12-14 | 成都数联云算科技有限公司 | 基于深度学习的电网负荷预测方法、系统、设备及介质 |
| CN116916362A (zh) * | 2023-09-12 | 2023-10-20 | 中国铁路设计集团有限公司 | 一种多目标优化的lte-r基站通信质量预测方法 |
| CN117239739A (zh) * | 2023-11-13 | 2023-12-15 | 国网冀北电力有限公司 | 一种知识大模型预测用户侧负荷方法、装置及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011141586A1 (es) * | 2010-05-14 | 2011-11-17 | Telefonica, S.A. | Método para calcular la percepción de experiencia de usuario de la calidad de los servicios monitorizados integrados en operadores de telecomunicaciones |
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN110739991A (zh) * | 2019-10-21 | 2020-01-31 | 大连大学 | 一种基于QoS的卫星网络端-端通信可靠性分析方法 |
| CN111985701A (zh) * | 2020-07-31 | 2020-11-24 | 国网上海市电力公司 | 一种基于供电企业大数据模型库的用电预测方法 |
| CN112203300A (zh) * | 2020-08-07 | 2021-01-08 | 杭州电子科技大学 | 一种电力物联网无线通信节点路由性能评价方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
-
2021
- 2021-06-16 CN CN202110664695.3A patent/CN113256022B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011141586A1 (es) * | 2010-05-14 | 2011-11-17 | Telefonica, S.A. | Método para calcular la percepción de experiencia de usuario de la calidad de los servicios monitorizados integrados en operadores de telecomunicaciones |
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN110739991A (zh) * | 2019-10-21 | 2020-01-31 | 大连大学 | 一种基于QoS的卫星网络端-端通信可靠性分析方法 |
| CN111985701A (zh) * | 2020-07-31 | 2020-11-24 | 国网上海市电力公司 | 一种基于供电企业大数据模型库的用电预测方法 |
| CN112203300A (zh) * | 2020-08-07 | 2021-01-08 | 杭州电子科技大学 | 一种电力物联网无线通信节点路由性能评价方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
Non-Patent Citations (2)
| Title |
|---|
| 聂敬等: "基于XNN的库存需求预测", 《物流科技》 * |
| 高会生等: "电力调度数据网中服务质量路由优化", 《光通信研究》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113642677A (zh) * | 2021-10-12 | 2021-11-12 | 华北电力大学 | 一种区域电网负荷预测方法和装置 |
| CN113792828A (zh) * | 2021-11-18 | 2021-12-14 | 成都数联云算科技有限公司 | 基于深度学习的电网负荷预测方法、系统、设备及介质 |
| CN116916362A (zh) * | 2023-09-12 | 2023-10-20 | 中国铁路设计集团有限公司 | 一种多目标优化的lte-r基站通信质量预测方法 |
| CN116916362B (zh) * | 2023-09-12 | 2023-12-12 | 中国铁路设计集团有限公司 | 一种多目标优化的lte-r基站通信质量预测方法 |
| CN117239739A (zh) * | 2023-11-13 | 2023-12-15 | 国网冀北电力有限公司 | 一种知识大模型预测用户侧负荷方法、装置及设备 |
| CN117239739B (zh) * | 2023-11-13 | 2024-02-02 | 国网冀北电力有限公司 | 一种知识大模型预测用户侧负荷方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113256022B (zh) | 2023-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113256022B (zh) | 一种台区用电负荷预测方法及系统 | |
| CN112566196B (zh) | 一种基于智能电网的异构网络接入选择方法及相关设备 | |
| CN108846517A (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
| CN108924198A (zh) | 一种基于边缘计算的数据调度方法、装置及系统 | |
| CN107426759A (zh) | 新增基站数据业务量的预测方法和系统 | |
| CN102711177A (zh) | 基于业务预测的负载均衡方法 | |
| CN103338461B (zh) | 基于业务量预测的网络规划方法及装置 | |
| CN104504619B (zh) | 两种考虑温度和经济增长因素的月度统调用电量预测方法 | |
| WO2023124947A1 (zh) | 一种任务处理方法、装置及相关设备 | |
| Zhao et al. | Improved dynamic programming for reservoir flood control operation | |
| CN110380881B (zh) | 一种网络扩容预测方法及装置 | |
| CN112306658B (zh) | 一种多能源系统数字孪生应用管理调度方法 | |
| CN111680841A (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
| CN110751416A (zh) | 一种用水量的预测方法、装置及设备 | |
| CN114462722B (zh) | 新能源发电功率轻量化高精度云预测系统、方法和装置 | |
| CN115794341A (zh) | 基于人工智能的任务调度方法、装置、设备及存储介质 | |
| CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
| CN112287503A (zh) | 用于交通需求预测的动态空间网络构建方法 | |
| CN116795553A (zh) | 算力资源的调度方法及装置、存储介质及电子装置 | |
| CN111194045A (zh) | 一种基于用户群体聚集行为模型进行节能的方法 | |
| CN113315173B (zh) | 基于大数据分析和供需双侧协同优化的配电网规划方法、设备、系统及存储介质 | |
| CN110505635A (zh) | 一种终端渗透率预测方法及装置 | |
| CN113486933B (zh) | 模型训练方法、用户身份信息预测方法及装置 | |
| CN105701591A (zh) | 一种基于神经网络的电网业务分类方法 | |
| CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 |
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 |