CN113268929B - 短期负荷区间预测方法及装置 - Google Patents
短期负荷区间预测方法及装置 Download PDFInfo
- Publication number
- CN113268929B CN113268929B CN202110636417.7A CN202110636417A CN113268929B CN 113268929 B CN113268929 B CN 113268929B CN 202110636417 A CN202110636417 A CN 202110636417A CN 113268929 B CN113268929 B CN 113268929B
- Authority
- CN
- China
- Prior art keywords
- load
- value
- data
- short
- interval
- 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
- 238000013528 artificial neural network Methods 0.000 claims abstract description 56
- 241000039077 Copula Species 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 43
- 238000005315 distribution function Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种短期负荷区间预测方法及装置,短期负荷区间预测方法包括获取当前输入数据,当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷;将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值,将当前日的预测负荷值输入基于欧氏距离的Copula函数模型,以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间。本申请不仅可以实现短期负荷区间预测,并且,通过根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间可以提高预测区间的合理性,为电力调度人员进行调度决策提供了更确定性的依据。
Description
技术领域
本申请属于电力系统负荷预测技术领域,具体涉及一种短期负荷区间预测方法及装置。
背景技术
电力系统短期负荷预测是电力负荷预测的重要组成部分,其重要性早已被人们所认识。然而只有相对准确的预测结果才具有指导意义,因此,国内外学者对负荷预测方法的研究从未间断,现已形成以时间序列法为代表的传统方法和以人工神经网络法ANN(artificial neural network)为代表的人工智能方法。近年来,支持向量机SVM(supportvector machine)等新的机器学习算法,也在电力负荷预测中得到了越来越广泛的应用。然而上述方法都只能得到确定的点预测结果,只给出一个确定的数值,无法确定预测结果可能的波动范围。而实际电力系统中蕴含了各种不确定因素,点预测结果必然存在不同程度的误差,从而使决策工作面临一定程度的风险。相关技术中,使用概率式预测法进行区间负荷预测。概率式预测法多为基于Copula理论,该方法对负荷值、气象数据的相关性进行分析,并选择最优的Copula函数描述风电功率实际值和预测值分布特性的联合分布函数建模,因而可以更为方便地得出任意置信水平下的区间预测结果。但由于在进行区间预测时同等地考虑了历史上每个预测值,由于每个预测值的条件不同,导致最终形成的预测区间不合理。
发明内容
为至少在一定程度上克服传统基于概率式区间负荷预测法在进行区间预测时同等地考虑了历史上每个预测值,由于每个预测值的条件不同,导致最终形成的预测区间不合理的问题,本申请提供一种短期负荷区间预测方法及装置。
第一方面,本申请提供一种短期负荷区间预测方法,包括:
获取当前输入数据,所述当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷;
将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值;
将当前日的预测负荷值输入基于欧氏距离的Copula函数模型,以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间。
进一步的,所述将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值,包括:
获取历史输入数据,所述历史输入数据包括历史日类型数据、历史负荷数据和历史气象数据;
将所述历史输入数据拆分为互斥的三组数据集;所述数据集包括训练集、验证集和测试集;
将训练集中数据输入基于人工神经网络的短期负荷值预测模型进行模型训练;
将验证集中数据输入基于人工神经网络的短期负荷值预测模型进行超参数调优得到最终基于人工神经网络的短期负荷值预测模型;
将测试集中数据输入基于人工神经网络的短期负荷值预测模型进行模型测试;
将当前输入数据输入到测试后的基于人工神经网络的短期负荷值预测模型以输出当前日的预测负荷值。
进一步的,所述将训练集中数据输入基于人工神经网络的短期负荷值预测模型进行模型训练,包括:
根据输入层节点、输出层节点和隐含层节点数构建基于人工神经网络的短期负荷值预测模型,输入层节点包括输入的负荷点、最高气温、最低气温、平均气温、相对湿度、降雨量和风速,输出层节点数为负荷点数量,隐含层节点数为其中,m为隐含层节点数,n为输入层节点数,l为输出层节点数,a为1~10之间的常数;
初始化神经网络权值和随机梯度下降优化算法参数;
将训练集中数据中对应的输入层节点数据输入基于人工神经网络的短期负荷值预测模型,输出层节点输出训练结果;
进一步的,还包括:
归一化训练集、验证集和测试集中数据;
归一化公式为:
其中,Xmax为数据最大值,Xmin为数据最小值,Xn为经过归一化处理后的数据集矩阵,X为输入的数据集样本矩阵。
进一步的,还包括:
将基于人工神经网络的短期负荷值预测模型对验证集进行预测得到的预测结果行反归一化处理,反归一化公式如下:
Y=(Tmax-Tmin)Yn+Tmin
其中,Yn为基于人工神经网络的短期负荷值预测模型输出结果,Y为最终的反归一化预测结果,Tmax为负荷的最大值,Tmin为负荷的最小值。
进一步的,所述将当前日的预测负荷值输入基于欧氏距离的Copula函数模型,以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间,包括:
收集负荷实际值pt和对应负荷预测值的历史数据,t∈[1,T]表示时间序号;
统计负荷实际值pt的边缘概率分布函数FX和负荷预测值的边缘概率分布函数FY;
分别将收集到的负荷实际值及其预测值通过其概率分布函数计算其分位数:
根据ut与t∈[1,T]进行Copula函数的拟合,选择最适合的Copula函数表示负荷实际值与其预测值之间的相依结构函数;
给定的负荷预测计算负荷预测误差的条件概率密度:
其中x表示实际负荷对应的随机变量,y表示预测值对应的随机变量,预测误差为e=y-x,设x与y之间的联合概率分布函数为Fxy(x,y),FX(x)与FY(y)分别为负荷实际值与预测值的边缘概率分布函数,fX(x)与fY(y)分别是负荷实际值与预测值的边缘概率密度函数,c为最适合的Copula函数表示负荷实际值与其预测值之间的相依结构函数对应的概率密度函数;
由条件概率密度,计算指定置信度下的置信区间:
Pr(c1≤μ≤c2)=1-α
其中:α是显著性水平,Pr表示概率,c1为区间下界,c2为区间上界,μ为随机变量。
进一步的,所述统计负荷实际值pt的边缘概率分布函数FX,包括:
根据日类型、气象数据和负荷数据构造特征向量;
对特征向量进行归一化;
计算当前日的特征向量与历史区间段内每日的特征向量的欧式距离disi;
根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离disi得到重要性系数其中,m为样本个数;
根据重要性系数确定负荷实际值pt的边缘概率分布函数FX。
进一步的,所述根据重要性系数确定负荷实际值pt的边缘概率分布函数FX,包括:
确定设选控制参数c,
计算历史区间段内每日预测偏差;
在历史区间段内任一日预测偏差大于设选控制参数c时,剔除大于设选控制参数c的预测偏差对应的历史输入数据;
根据重要性系数和设选控制参数c确定负荷实际值pt的边缘概率分布函数FX为:
其中,mapei为历史数据中每日的预测精度,ζ为随机变量,x为自变量,n为小于自变量x的样本个数,m为总样本个数。
进一步的,所述确定设选控制参数c,包括:
设选控制参数c=q0.25-(q0.75-q0.25)*1.5
其中,q0.25为预测精度的0.25分位数,q0.75为预测精度的0.75分位数。
第二方面,本申请提供一种短期负荷区间预测装置,包括:
获取模块,用于获取当前输入数据,所述当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷;
第一输出模块,用于将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值;
第二输出模块,用于将当前日的预测负荷值输入基于欧氏距离的Copula函数模型,以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间。
本申请的实施例提供的技术方案可以包括以下有益效果:
本发明实施例提供的短期负荷区间预测方法及装置,通过获取当前输入数据,当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷;将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值;将当前日的预测负荷值输入基于欧氏距离的Copula函数模型,以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间,不仅可以实现短期负荷区间预测,并且,通过根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间可以提高预测区间的合理性,为电力调度人员进行调度决策提供了更确定性的依据。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
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。
图1为本申请一个实施例提供的一种短期负荷区间预测方法的流程图。
图2为本申请另一个实施例提供的一种短期负荷区间预测方法的流程图。
图3为本申请一个实施例提供的一种80%的置信度下短期负荷区间预测方法的预测结果图。
图4为本申请一个实施例提供的一种90%的置信度下短期负荷区间预测方法的预测结果图。
图5为本申请一个实施例提供的一种95%的置信度下传统方法预测结果图。
图6为本申请一个实施例提供的一种95%的置信度下短期负荷区间预测方法的预测结果图。
图7为本申请一个实施例提供的一种短期负荷区间预测装置的功能结构图。
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,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
图1为本申请一个实施例提供的短期负荷区间预测方法的流程图,如图1所示,该短期负荷区间预测方法,包括:
S11:获取当前输入数据,所述当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷;
S12:将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值;
S13:将当前日的预测负荷值输入基于欧氏距离的Copula函数模型,以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间。
传统负荷预测方法都只能得到确定的点预测结果,只给出一个确定的数值,无法确定预测结果可能的波动范围。而实际电力系统中蕴含了各种不确定因素,点预测结果必然存在不同程度的误差,从而使决策工作面临一定程度的风险。相关技术中,使用概率式预测法进行区间负荷预测,但由于在进行区间预测时同等地考虑了历史上每个预测值,由于每个预测值的条件不同,导致最终形成的预测区间不合理。
在进行时序预测时,预测结果并不符合独立同分布的假设,预测结果的分布是由多个未知的分布叠加而成的一个复杂的分布。在进行区间预测时同等地考虑每个预测值,形成最终的预测区间是不合理的。因此需要根据要预测的区间,有区别的对待历史上的预测值。根据经验,在相同的条件(如气象水平类似,负荷水平类似)下,趋向于有类似的预测结果(如预测偏高或者偏低)。因此在进行数据分布统计时需要区别的对待每个历史上的预测结果。
通过计算当前日的特征向量与历史区间段内每日的特征向量的欧式距离,统计数据分布时给不同样本以不同的权重,也就是和待预测日相似的样本更大的权重,因此可以使预测结果更加合理。
本实施例中,通过获取当前输入数据,当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷;将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值,将当前日的预测负荷值输入基于欧氏距离的Copula函数模型,以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间,不仅可以实现短期负荷区间预测,并且,通过根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间可以提高预测区间的合理性,为电力调度人员进行调度决策提供了更确定性的依据。
图2为本申请另一个实施例提供的一种短期负荷区间预测方法的流程图,如图2所示,该短期负荷区间预测方法,包括:
S201:获取当前输入数据,所述当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷;
日类型包括周几,月份,年份,是否为节假日,是否为调休日,是否节假日等标记信息;
气象数据包括每日最高气温、最低气温、平均气温、相对湿度、降雨量和风速等。
S202:将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值;
一些实施例中,将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值,包括:
S2021:获取历史输入数据,所述历史输入数据包括历史日类型数据、历史负荷数据和历史气象数据;
S2022:将所述历史输入数据拆分为互斥的三组数据集;所述数据集包括训练集、验证集和测试集;
S2023:归一化训练集、验证集和测试集中数据;
归一化公式为:
其中,Xmax为数据最大值,Xmin为数据最小值,Xn为经过归一化处理后的数据集矩阵,X为输入的数据集样本矩阵。
S2024:将训练集中数据输入基于人工神经网络的短期负荷值预测模型进行模型训练;
一些实施例中,将训练集中数据输入基于人工神经网络的短期负荷值预测模型进行模型训练,包括:
根据输入层节点、输出层节点和隐含层节点数构建基于人工神经网络的短期负荷值预测模型,输入层节点包括输入的负荷点、最高气温、最低气温、平均气温、相对湿度、降雨量和风速,输出层节点数为负荷点数量,隐含层节点数为其中,m为隐含层节点数,n为输入层节点数,l为输出层节点数,a为1~10之间的常数;
初始化神经网络权值和随机梯度下降优化算法参数;
将训练集中数据中对应的输入层节点数据输入基于人工神经网络的短期负荷值预测模型,输出层节点输出训练结果;
S2025:将验证集中数据输入基于人工神经网络的短期负荷值预测模型进行超参数调优得到最终基于人工神经网络的短期负荷值预测模型;
S2026:将基于人工神经网络的短期负荷值预测模型对验证集进行预测得到的预测结果行反归一化处理,反归一化公式如下:
Y=(Tmax-Tmin)Yn+Tmin
其中,Yn为基于人工神经网络的短期负荷值预测模型输出结果,Y为最终的反归一化预测结果,Tmax为负荷的最大值,Tmin为负荷的最小值。
通过归一化和反归一化处理,可以降低数据计算复杂度,提高计算效率。
S2027:将测试集中数据输入基于人工神经网络的短期负荷值预测模型进行模型测试;
S2028:将当前输入数据输入到测试后的基于人工神经网络的短期负荷值预测模型以输出当前日的预测负荷值。
S203:收集负荷实际值pt和对应负荷预测值的历史数据,t∈[1,T]表示时间序号;
S204:统计负荷实际值pt的边缘概率分布函数FX和负荷预测值的边缘概率分布函数FY;
一些实施例中,统计负荷实际值pt的边缘概率分布函数FX,包括:
S2041:根据日类型、气象数据和负荷数据构造特征向量;
S2042:对特征向量进行归一化;
S2043:计算当前日的特征向量与历史区间段内每日的特征向量的欧式距离disi;
S2044:根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离disi得到重要性系数其中,m为样本个数;
通过计算当前日的特征向量与历史区间段内每日的特征向量的欧式距离,统计数据分布时给不同样本以不同的权重,也就是和待预测日相似的样本更大的权重,因此可以使预测结果更加合理。
S2045:根据重要性系数确定负荷实际值pt的边缘概率分布函数FX。
一些实施例中,根据重要性系数确定负荷实际值pt的边缘概率分布函数FX,包括:
确定设选控制参数c,
计算历史区间段内每日预测偏差;
在历史区间段内任一日预测偏差大于设选控制参数c时,剔除大于设选控制参数c的预测偏差对应的历史输入数据;
根据重要性系数和设选控制参数c确定负荷实际值pt的边缘概率分布函数FX为:
其中,mapei为历史数据中每日的预测精度,ζ为随机变量,x为自变量,n为小于自变量x样本个数,m为总样本个数。
进一步的,所述确定设选控制参数c,包括:
设选控制参数c=q0.25-(q0.75-q0.25)*1.5
其中,q0.25为预测精度的0.25分位数,q0.75为预测精度的0.75分位数。
考虑到历史上可能因为数据异常等因素,导致算法预测偏差过大,因此,应考虑在计算分布时去除这些异常值的影响,通过设选控制参数c。当某日的预测偏差过大时,应不考虑此样本,以避免在历史上由于数据异常等因素导致预测偏差过大的情况。
S205:分别将收集到的负荷实际值及其预测值通过其概率分布函数计算其分位数:
S206:根据ut与t∈[1,T]进行Copula函数的拟合,选择最适合的Copula函数表示负荷实际值与其预测值之间的相依结构函数;
S207:给定的负荷预测计算负荷预测误差的条件概率密度:
其中x表示实际负荷对应的随机变量,y表示预测值对应的随机变量,预测误差为e=y-x,设x与y之间的联合概率分布函数为Fxy(x,y),FX(x)与FY(y)分别为负荷实际值与预测值的边缘概率分布函数,fX(x)与fY(y)分别是负荷实际值与预测值的边缘概率密度函数,c为最适合的Copula函数表示负荷实际值与其预测值之间的相依结构函数对应的概率密度函数;
S208:由条件概率密度,计算指定置信度下的置信区间:
Pr(c1≤μ≤c2)=1-α
其中:α是显著性水平,Pr表示概率,c1为区间下界,c2为区间上界,μ为随机变量。
根据指定置信度进行区间预测时,由图3和图4可知,本实施例提高的预测方法随着置信度参数的增大,区间宽度逐渐增加,在置信度为80的情况下,区间覆盖率(区间覆盖率为实际值落在区间内部的点数除以总点数)达到了84.2%平均带宽为10.2。在置信度为90的情况下,区间覆盖率达到了94.2%平均带宽为13.6。
由图5和图6可知,在95%的置信度下,传统方法的区间覆盖率(达到了100%。本实施例提供的方法的区间覆盖率同样达到了100%,但是本实施例提供的方法平均带宽为16.8314,而传统方法的平均带宽为24.0193。因此本实施例提供的方法区间相对较窄,这为电力调度人员进行调度决策提供了更确定性的依据。
本实施例中,通过计算当前日的特征向量与历史区间段内每日的特征向量的欧式距离,统计数据分布时给不同样本以不同的权重,同时,设选控制参数,当某日的预测偏差过大时,剔除此样本,以避免在历史上由于数据异常等因素导致预测偏差过大的情况,实现区间窄同时区间覆盖率更高,为电力调度人员进行调度决策提供了更确定性的依据。
本发明实施例提供一种短期负荷区间预测装置,如图7所示的功能结构图,该短期负荷区间预测装置包括:
获取模块71,用于获取当前输入数据,所述当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷;
第一输出模块72,用于将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值;
第二输出模块73,用于将当前日的预测负荷值输入基于欧氏距离的Copula函数模型,以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间。
本实施例中,通过获取模块获取当前输入数据,当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷,第一输出模块将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值,第二输出模块将当前日的预测负荷值输入基于欧氏距离的Copula函数模型,以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间,不仅可以实现短期负荷区间预测,并且,通过根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间可以提高预测区间的合理性,为电力调度人员进行调度决策提供了更确定性的依据。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能组件的形式实现。所述集成的模块如果以软件功能组件的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
需要说明的是,本发明不局限于上述最佳实施方式,本领域技术人员在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是具有与本申请相同或相近似的技术方案,均落在本发明的保护范围之内。
Claims (7)
1.一种短期负荷区间预测方法,其特征在于,包括:
获取当前输入数据,所述当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷;
将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值,包括:
获取历史输入数据,所述历史输入数据包括历史日类型数据、历史负荷数据和历史气象数据;
将所述历史输入数据拆分为互斥的三组数据集;所述数据集包括训练集、验证集和测试集;
将训练集中数据输入基于人工神经网络的短期负荷值预测模型进行模型训练,包括:根据输入层节点、输出层节点和隐含层节点数构建基于人工神经网络的短期负荷值预测模型,输入层节点包括输入的负荷点、最高气温、最低气温、平均气温、相对湿度、降雨量和风速,输出层节点数为负荷点数量,隐含层节点数为其中,m为隐含层节点数,n为输入层节点数,l为输出层节点数,a为1~10之间的常数;初始化神经网络权值和随机梯度下降优化算法参数;将训练集中数据中对应的输入层节点数据输入基于人工神经网络的短期负荷值预测模型,输出层节点输出训练结果;
将验证集中数据输入基于人工神经网络的短期负荷值预测模型进行超参数调优得到最终的基于人工神经网络的短期负荷值预测模型;
将测试集中数据输入基于人工神经网络的短期负荷值预测模型进行模型测试;
将当前输入数据输入到测试后的基于人工神经网络的短期负荷值预测模型以输出当前日的预测负荷值;
将当前日的预测负荷值输入基于欧氏距离的Copula函数模型,以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间,包括:
收集负荷实际值pt和对应负荷预测值的历史数据,t∈[1,T]表示时间序号;
统计负荷实际值pt的边缘概率分布函数FX和负荷预测值的边缘概率分布函数FY;
分别将收集到的负荷实际值及其预测值通过其概率分布函数计算其分位数:
根据ut与t∈[1,T]进行Copula函数的拟合,选择最适合的Copula函数表示负荷实际值与其预测值之间的相依结构函数;
给定的负荷预测计算负荷预测误差的条件概率密度:
其中x表示实际负荷对应的随机变量,y表示预测值对应的随机变量,预测误差为e=y-x,设x与y之间的联合概率分布函数为Fxy(x,y),FX(x)与FY(y)分别为负荷实际值与预测值的边缘概率分布函数,fX(x)与fY(y)分别是负荷实际值与预测值的边缘概率密度函数,c为最适合的Copula函数表示负荷实际值与其预测值之间的相依结构函数对应的概率密度函数;
由条件概率密度,计算指定置信度下的置信区间:
Pr(c1≤μ≤c2)=1-α
其中:α是显著性水平,Pr表示概率,c1为区间下界,c2为区间上界,μ为随机变量。
2.根据权利要求1所述的短期负荷区间预测方法,其特征在于,还包括:
归一化训练集、验证集和测试集中数据;
归一化公式为:
其中,Xmax为数据最大值,Xmin为数据最小值,Xn为经过归一化处理后的数据集矩阵,X为输入的数据集样本矩阵。
3.根据权利要求2所述的短期负荷区间预测方法,其特征在于,还包括:
将基于人工神经网络的短期负荷值预测模型对验证集进行预测得到的预测结果行反归一化处理,反归一化公式如下:
Y=(Tmax-Tmin)Yn+Tmin
其中,Yn为基于人工神经网络的短期负荷值预测模型输出结果,Y为最终的反归一化预测结果,Tmax为负荷的最大值,Tmin为负荷的最小值。
4.根据权利要求1所述的短期负荷区间预测方法,其特征在于,所述统计负荷实际值pt的边缘概率分布函数FX,包括:
根据日类型、气象数据和负荷数据构造特征向量;
对特征向量进行归一化;
计算当前日的特征向量与历史区间段内每日的特征向量的欧式距离disi;
根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离disi得到重要性系数其中,m为样本个数;
根据重要性系数确定负荷实际值pt的边缘概率分布函数FX。
5.根据权利要求4所述的短期负荷区间预测方法,其特征在于,所述根据重要性系数确定负荷实际值pt的边缘概率分布函数FX,包括:
确定设选控制参数r,
计算历史区间段内每日预测偏差;
在历史区间段内任一日预测偏差大于设选控制参数r时,剔除大于设选控制参数r的预测偏差对应的历史输入数据;
根据重要性系数和设选控制参数r确定负荷实际值pt的边缘概率分布FX(pt)函数为:
其中,mapei为历史数据中每日的预测精度,ζ为随机变量,x为自变量,n为小于自变量x的样本个数,m为总样本个数。
6.根据权利要求5所述的短期负荷区间预测方法,其特征在于,所述确定设选控制参数c,包括:
设选控制参数c=q0.25-(q0.75-q0.25)*1.5
其中,q0.25为预测精度的0.25分位数,q0.75为预测精度的0.75分位数。
7.一种短期负荷区间预测装置,其特征在于,包括:
获取模块,用于获取当前输入数据,所述当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷;
第一输出模块,用于将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值;具体用于获取历史输入数据,所述历史输入数据包括历史日类型数据、历史负荷数据和历史气象数据;
将所述历史输入数据拆分为互斥的三组数据集;所述数据集包括训练集、验证集和测试集;
将训练集中数据输入基于人工神经网络的短期负荷值预测模型进行模型训练,包括:根据输入层节点、输出层节点和隐含层节点数构建基于人工神经网络的短期负荷值预测模型,输入层节点包括输入的负荷点、最高气温、最低气温、平均气温、相对湿度、降雨量和风速,输出层节点数为负荷点数量,隐含层节点数为其中,m为隐含层节点数,n为输入层节点数,l为输出层节点数,a为1~10之间的常数;初始化神经网络权值和随机梯度下降优化算法参数;将训练集中数据中对应的输入层节点数据输入基于人工神经网络的短期负荷值预测模型,输出层节点输出训练结果;
将验证集中数据输入基于人工神经网络的短期负荷值预测模型进行超参数调优得到最终的基于人工神经网络的短期负荷值预测模型;
将测试集中数据输入基于人工神经网络的短期负荷值预测模型进行模型测试;
将当前输入数据输入到测试后的基于人工神经网络的短期负荷值预测模型以输出当前日的预测负荷值;
第二输出模块,用于将当前日的预测负荷值输入基于欧氏距离的Copula函数模型,以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间;具体用于收集负荷实际值pt和对应负荷预测值的历史数据,t∈[1,T]表示时间序号;
统计负荷实际值pt的边缘概率分布函数FX和负荷预测值的边缘概率分布函数FY;
分别将收集到的负荷实际值及其预测值通过其概率分布函数计算其分位数:
根据ut与t∈[1,T]进行Copula函数的拟合,选择最适合的Copula函数表示负荷实际值与其预测值之间的相依结构函数;
给定的负荷预测计算负荷预测误差的条件概率密度:
其中x表示实际负荷对应的随机变量,y表示预测值对应的随机变量,预测误差为e=y-x,设x与y之间的联合概率分布函数为Fxy(x,y),FX(x)与FY(y)分别为负荷实际值与预测值的边缘概率分布函数,fX(x)与fY(y)分别是负荷实际值与预测值的边缘概率密度函数,c为最适合的Copula函数表示负荷实际值与其预测值之间的相依结构函数对应的概率密度函数;
由条件概率密度,计算指定置信度下的置信区间:
Pr(c1≤μ≤c2)=1-α
其中:α是显著性水平,Pr表示概率,c1为区间下界,c2为区间上界,μ为随机变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636417.7A CN113268929B (zh) | 2021-06-08 | 2021-06-08 | 短期负荷区间预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636417.7A CN113268929B (zh) | 2021-06-08 | 2021-06-08 | 短期负荷区间预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113268929A CN113268929A (zh) | 2021-08-17 |
CN113268929B true CN113268929B (zh) | 2024-05-14 |
Family
ID=77234664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110636417.7A Active CN113268929B (zh) | 2021-06-08 | 2021-06-08 | 短期负荷区间预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113268929B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988363A (zh) * | 2021-09-16 | 2022-01-28 | 广西电网有限责任公司 | 一种预测新能源中长期电量的方法及其设备 |
CN114066089A (zh) * | 2021-11-25 | 2022-02-18 | 中国工商银行股份有限公司 | 批量作业运行耗时区间确定方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116153A (zh) * | 2020-09-18 | 2020-12-22 | 上海电力大学 | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 |
CN112132347A (zh) * | 2020-09-24 | 2020-12-25 | 华北电力大学 | 一种基于数据挖掘的短期电力负荷预测方法 |
CN112183849A (zh) * | 2020-09-25 | 2021-01-05 | 贵州乌江水电开发有限责任公司 | 一种基于人工神经网络的短期电力电量预测方法 |
CN112232575A (zh) * | 2020-10-21 | 2021-01-15 | 国网山西省电力公司经济技术研究院 | 一种基于多元负荷预测的综合能源系统调控方法和装置 |
-
2021
- 2021-06-08 CN CN202110636417.7A patent/CN113268929B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116153A (zh) * | 2020-09-18 | 2020-12-22 | 上海电力大学 | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 |
CN112132347A (zh) * | 2020-09-24 | 2020-12-25 | 华北电力大学 | 一种基于数据挖掘的短期电力负荷预测方法 |
CN112183849A (zh) * | 2020-09-25 | 2021-01-05 | 贵州乌江水电开发有限责任公司 | 一种基于人工神经网络的短期电力电量预测方法 |
CN112232575A (zh) * | 2020-10-21 | 2021-01-15 | 国网山西省电力公司经济技术研究院 | 一种基于多元负荷预测的综合能源系统调控方法和装置 |
Non-Patent Citations (3)
Title |
---|
Mid-to-long term wind and photovoltaic power generation prediction based on copula function and long short term memory network;Han, Shuang等;APPLIED ENERGY;第239卷;181-191 * |
基于GRA-LSTM神经网络的区域综合能源系统多元负荷短期预测模型;田浩含;撖奥洋;于立涛;张智晟;;广东电力(第05期);50-57 * |
基于条件Copula函数的风电功率区间预测;兰飞;桑川川;梁浚杰;黎静华;;中国电机工程学报(第S1期);82-89 * |
Also Published As
Publication number | Publication date |
---|---|
CN113268929A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046743B (zh) | 基于ga-ann的公共建筑能耗预测方法和系统 | |
Csikós et al. | Traffic speed prediction method for urban networks—An ANN approach | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
Garg | Reliability, availability and maintainability analysis of industrial systems using PSO and fuzzy methodology | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
CN113268929B (zh) | 短期负荷区间预测方法及装置 | |
CN112363896A (zh) | 日志异常检测系统 | |
Massaoudi et al. | Performance evaluation of deep recurrent neural networks architectures: Application to PV power forecasting | |
CN111723523B (zh) | 一种基于级联神经网络的河口余水位预测方法 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN117543544A (zh) | 一种负荷预测方法、装置、设备及存储介质 | |
Zhu et al. | Time-varying interval prediction and decision-making for short-term wind power using convolutional gated recurrent unit and multi-objective elephant clan optimization | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN117252288A (zh) | 一种区域资源有功支撑能力预测方法及系统 | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
CN110009132A (zh) | 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 | |
CN108596781A (zh) | 一种电力系统数据挖掘与预测整合方法 | |
Yang et al. | Forecasting model for urban traffic flow with BP neural network based on genetic algorithm | |
CN111554089A (zh) | 一种基于深度学习的交通状态预测方法及装置 | |
Gavoyiannis et al. | On-line supervised learning for dynamic security classification using probabilistic neural networks | |
Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors |
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 |