CN113283657B - 一种电力应急物资需求的预测方法 - Google Patents

一种电力应急物资需求的预测方法 Download PDF

Info

Publication number
CN113283657B
CN113283657B CN202110609002.0A CN202110609002A CN113283657B CN 113283657 B CN113283657 B CN 113283657B CN 202110609002 A CN202110609002 A CN 202110609002A CN 113283657 B CN113283657 B CN 113283657B
Authority
CN
China
Prior art keywords
power emergency
prediction model
emergency material
model
material demand
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
Application number
CN202110609002.0A
Other languages
English (en)
Other versions
CN113283657A (zh
Inventor
田彦孜
朱国栋
李烁辉
侯甜
张利平
韩海霞
赵颜
郭建国
王福玲
孔祥卫
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.)
State Grid Shandong Electric Power Co Jiaxiang Power Supply Co Branch
State Grid Corp of China SGCC
Jining Power Supply Co
Original Assignee
State Grid Shandong Electric Power Co Jiaxiang Power Supply Co Branch
State Grid Corp of China SGCC
Jining Power Supply Co
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 State Grid Shandong Electric Power Co Jiaxiang Power Supply Co Branch, State Grid Corp of China SGCC, Jining Power Supply Co filed Critical State Grid Shandong Electric Power Co Jiaxiang Power Supply Co Branch
Priority to CN202110609002.0A priority Critical patent/CN113283657B/zh
Publication of CN113283657A publication Critical patent/CN113283657A/zh
Application granted granted Critical
Publication of CN113283657B publication Critical patent/CN113283657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种电力应急物资需求的预测方法，包括以下步骤：获取电力应急物资的影响因子，构建电力应急物资需求的特征向量；基于所构建的电力应急物资需求的特征向量，分别建立基于深度学习网络的电力应急物资需求预测模型、基于SVM的电力应急物资需求预测模型和基于ARMA的电力应急物资需求预测模型；基于最大信息熵原理构建电力应急物资需求的组合预测模型，对组合预测模型进行自适应调整，得到最优预测结果。本公开所提出的电力应急物资需求的预测方法，通过建模分析预测电力应急物资的需求量，并提高了电力应急物资需求量预测的精度，增强了电网运行的可靠性。

Description

一种电力应急物资需求的预测方法
技术领域
本公开属于物资管理技术领域，具体涉及一种电力应急物资需求的预测方法。
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信息，不必然构成在先技术。
电力应急物资是在应急物流的实施和保障中所采用的各类物质，与一般的应急物资相比较，电力应急物资的需求比较难以确定、时间响应的要求比较高，偶然状况的发生概率较高，并且电力抢修的环境较为恶劣，抢修过程中容易出现异常情况。电力应急物资需求与灾难状况息息相关，通常情况下受灾难的性质、灾难的等级持续时间、灾情所在地区、原有应急物资储备量等因素的影响。
在电力行业中，电力物资的充分供应是电力设施正常运转的必要条件。在电力救灾抢险工作中，需要合理调配电力应急物资，保证电力应急物资的供给到位，充分发挥电网的保障功能，提升电网应急保障能力。
电力应急物资供应不及时将会对电力的电力设置的正常运转带来极大的威胁，配电设备受损，主线路崩溃，延长电力系统恢复运作的时间；电力应急物资供应过多会增加库存成本，甚至影响其他地区的调配。因此，准确进行电力应急物资需求的预测对于保障电力设施的正常运转具有重要意义，有助于电网的统筹规划，合理调度相关的物资进行电网的抢修。
发明内容
为了解决上述问题，本公开提出了一种电力应急物资需求的预测方法，通过建模分析预测电力应急物资的需求量，并提高了电力应急物资需求量预测的精度，增强了电网运行的可靠性。
根据一些实施例，本公开的方案提供了一种电力应急物资需求的预测方法，采用如下技术方案：
一种电力应急物资需求的预测方法，包括以下步骤：
获取电力应急物资的影响因子，构建电力应急物资需求的特征向量；
基于所构建的电力应急物资需求的特征向量，分别建立基于深度学习网络的电力应急物资需求预测模型、基于SVM的电力应急物资需求预测模型和基于ARMA的电力应急物资需求预测模型；
基于最大信息熵原理构建电力应急物资需求的组合预测模型，对组合预测模型进行自适应调整，得到最优预测结果。
与现有技术相比，本公开的有益效果为：
本公开充分利用电力应急物资的影响因子，提取最有效的电力应急物资需求的特征向量，分别建立不同的电力应急物资需求的预测模型，提取单一预测模型中被预测量的统计特征，利用最大信息熵原理来确定每一个单一预测模型的权重，在增强预测精度稳定性的同时提高预测精度，有助于电网的统筹规划管理，合理调配相关的电力应急物资，缩短电网的停电抢修时间，将损失降低到最小。
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是本公开实施例所提供的一种电力应急物资需求的预测方法的流程图；
图2是本公开实施例所提供的基于深度学习网络的电力应急物资需求预测模型进行网络模型训练和预测的流程图；
图3是本公开实施例支持向量机的体系结构图；
图4是本公开实施例所提供的基于SVM的电力应急物资需求预测模型建模的流程图；
图5是本公开实施例所提供的基于ARMA的电力应急物资需求预测模型建模的流程图；
图6是本公开实施例所提供的基于最大信息熵原理构建电力应急物资需求的组合预测模型建模的流程图。
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，以下详细说明都是例示性的，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。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”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，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本实公开中的具体含义，不能理解为对本公开的限制。
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。
本实施例介绍了一种电力应急物资需求的预测方法，如图1所示，具体步骤包括：
步骤S01：获取电力应急物资的影响因子，构建电力应急物资需求的特征向量；
步骤S02：基于所构建的电力应急物资需求的特征向量，分别建立基于深度学习网络的电力应急物资需求预测模型、基于SVM的电力应急物资需求预测模型和基于ARMA的电力应急物资需求预测模型；
步骤S03：基于最大信息熵原理的电力应急物资需求的组合预测模型，对组合预测模型进行自适应调整，得到最优预测结果。
作为一种或多种实施方式，在步骤S01中，电力应急物资需求的影响因素包括：
a.灾难的性质。不同的灾难，对物品的需求数量和种类是有差异的。
b.灾难的等级。通常情况下，灾难的等级越高，应急物资的需求量就越高，二者之间存在着一种正比例关系。
c.灾难的持续时间。通常情况下，灾难持续时间与所需应急物资成正相关关系。
d.灾情的所在地。通过研究发现，各个地区的物资需求量和他们的经济水平、人口密集程度息息相关，可通过地区系数来表示地区的差异。
e.原有库存的应急物资，若某地区原有库存的储备量较多，则应急需求就越少。
在本实施例中，主要结合灾难的性质和灾难的等级进行相关电力应急物资需求的研究。
台风是导致电网被破坏的主要原因，据国家电网的相关部门统计，台风的致灾因子是狂风和暴雨两个因素，狂风暴雨会破坏电力设施，毁坏电力建设，在台风灾害的过程中，风雨还会产生叠加效应，对地区电力设施造成更加严重的破坏。台风灾害的影响等级与台风强度紧密相关，不同强度的台风造成的灾害有着明显差别。
台风的风力情况可分为以下六个等级：热带低压(最大风速6-7级)、热带风暴(最大风速8-9级)、强热带风暴(最大风速10-11级)、台风(最大风速12-13级)、强台风(最大风速14-15级)和超强台风(最大风速大于16级)。
因台风发生时，各个地区的风力大小不同，存在着不限于具体台风等级的约束。在本实施例中，将每次台风的最低风速等级和最高风速等级作为该次台风事件中的电力应急物资需求的特征向量的两个维度。
作为一种或多种实施方式，在步骤S02中，基于所构建的电力应急物资需求的特征向量，分别建立基于深度学习网络的电力应急物资需求预测模型、基于SVM的电力应急物资需求预测模型和基于ARMA的电力应急物资需求预测模型。下面分别展开详细的介绍：
1.基于深度学习网络的电力应急物资需求预测模型
仅仅通过研究数据之间的关系来预测电力应急物资需求的变化是远远不够的。在进行电力应急物资需求预测的过程中，需要实现获得电力应急物资需求的特征向量，参考历史的电力应急物资需求量，搭建预测模型并进行电力应急物资需求的预测。
其中，深度学习网络预测过程中，具体的网络模型的训练和预测的流程如图2所示。
所述基于深度学习网络的电力应急物资需求预测模型进行网络模型训练和预测，具体包括以下步骤：
步骤S2101：输入原库存的电力应急物资和电力应急物资需求的特征向量；
步骤S2102：进行模型中输出层各节点的输出，并将输出值与目标值相比较，进行输出值与目标值之间偏差大小的判断；
步骤S2103：若偏差小于预设值，则生成深度学习网络模型，进入步骤S2104；否则，重复步骤S2102；
步骤S2104：完成电力应急物资需求预测模型的深度学习网络训练，预测输出向量值。
利用历史的电力应急物资需求量数据训练深度学习网络的过程可以分为无监督的特征学习过程和监督学习过程。无监督的特征学习过程是完成对数据的理解(表示)和判断(分类)的一个过程，深度学习网络在这一过程中完成对台风变化模式及电力应急物资需求变化模式的提取和分类。有监督的学习过程则是通过对带标签数据的校正完成对参数的进一步微调，对深度学习网络的自主判断结果进行校正。虽然在特征学习的过程中，特征是通过自主深层次的学习获得的，但是网络的结构还是人工植入的。利用深度学习网络对电力应急物资需求进行预测可以理解为对原始数据从低级抽象到高级抽象迭代的过程。
从国网数据库中采集历史台风事件发生之后，各种应急物资的需求量，选三种典型的物质作为研究对象，能够清楚的发现，本实施例中所选的深度学习网络模型的预测误差为15.78％，最为参考的BP神经网络的预测误差为43.75，明显发现，本实施例中所选用的深度学习网络模型能够显著提高电力应急物资需求的预测精度，并且预测误差满足低于25％的要求。
2.基于SVM的电力应急物资需求预测模型
支持向量机(Support Vector Machine,SVM)，与径向基函数网络和多层感知器网络类似，主要用于非线性回归预测和模式识别。VC维(Vapnik-Chervonenkis dimension)理论和结构风险最小原理是支持向量机方法的基础。支持向量机是根据有限的样本信息在学习能力和模型的复杂性之间求得最佳协调的一种方法，最终可以获得较好的泛化推广能力。其基本原理是通过以一个分类超平面作为决策曲线，寻找参数使得不同类之间的隔离边缘最大化。因此，支持向量机能够在模式分类问题上获得较好的泛化能力，这个属性是支持向量机所特有的。
组成支持向量机的关键包括支持向量xi和输入空间抽取的向量x之间的内积核。从训练数据中抽取子集构成支持向量，如图3所示的三层网络结构，其中，输入样本x1，x2，x3，…，xn位于结构最底层，k(xi，x)(i＝1,2,…,n)是支持向量xi与样本x在特定空间的内积，αi(i＝1,2,…,n)是拉格朗日乘子，f(x)是决策函数的输出。图3所示的一种支持向量机的体系结构图，首先要确定输入的训练样本，然后对核函数(对训练样本进行高维映射)进行选择，最后根据相应优化问题求解出来的支持向量最终得到决策函数f(x)。支持向量机相对传统的神经网络而言，最大的不同点是：我们一般都是凭经验来确定神经网络的结构，因此避免不了盲目性，其泛化的置信空间界限难以确定，所以网络的泛化能力无法得到保证，甚至可能出现过学习的现象。在支持向量机中，学习单元的VC维的上界通过结构化风险最小化原理得到了控制，学习单元的能力得到限制，也就相当于在一定程度上避免了过学习的发生。
支持向量机模型的建立和训练实际上是一个带有线性约束的凸二次规划问题，其建模过程如图4所示，具体包括：
步骤S2201：基于电力应急物资需求的特征向量选择合适的电力应急物资的影响因子，并对影响因子进行统一的归一化处理；
步骤S2202：进行支持向量机核函数的选取和参数的选取优化，通过交叉验证进行参数的寻优，以得到最优参数；
核函数的选择将直接影响模型的预测结果，很多研究表明拟合中选用RBF径向基核函数做为SVM的核函数可以得到较好的预测精度，首先对核函数的宽度参数g和惩罚系数c进行选取和寻优。
在本实施例中，采用交叉验证的方法对g和c进行寻优，先在较大的范围内寻找比较理想的g和c，然后在较小的范围内寻找更加理想的g和c。
需要说明的是，参数寻优和交叉验证是不同的两个步骤，交叉验证来要对每一次更新的参数进行验证，以确定其是否是最优参数。本在本实施例中主要通过Matlab中的Libsvm工具箱完成，其具体函数为：[bestCVmse,bestc,bestg]＝SVMcgForregress(train_label,train,cmin,cmax,gmin,gmax,v,cstep,gstep,msestep)。
步骤S2203：基于所得到的最优参数，调用工具箱中的svmtrain函数进行支持向量机的训练，再调用工具箱中的svmpredict函数回归预测。
3.基于ARMA的电力应急物资需求预测模型
时间序列分析方法是采用参数模型(特别是ARMA模型)对所观测到的有序的随机数据进行分析和处理的一种数据处理方法。由于台风风速风力序列的随机性和不确定性，很难对风速风力进行准确的预测，这是电力应急物资需求预测中的难题。在本实施例中，基于比较成熟的时间序列分析方法对台风风速风力进行建模，模型对应的参数经由模式识别、参数估计、模型检验等步骤最终确定。
如图5所示的基于ARMA的电力应急物资需求预测模型的建模，具体包括以下步骤：
步骤S2301：基于电力应急物资需求的特征向量选择合适的电力应急物资的影响因子，并对影响因子进行统一的归一化处理；
本实施例中采用的归一化处理方法是
Figure BDA0003095234210000111
其中，xmax取历史出现的最大风速，xmin取历史出现的最小风速。
步骤S2302：据样本偏相关系数及样本自相关系数的形态进行模型类别的识别，确定模型的基本阶数，即模型定阶；
步骤S2303：模型的参数估计与检验；
步骤S2304：根据模型参数对模型进行计算预测，结合电力应急物资的影响因子采用自回归模型进行预测结果的校正。
作为一种或多种实施方式，在步骤S03中，为进一步提高预测模型的精度和的适应度，利用最大信息熵原理来建立基于深度学习网络的电力应急物资需求的组合模型。
组合预测模型的建立是一个信息的综合过程，需要现在各个单一的预测模型中提取被预测量的特征，以此作为该模型向组合预测模型提供的信息，然后利用最大信息熵原理来确定各单一模型的权重，实现电力应急物资需求的预测。
在本实施例中，分别使用深度学习网络预测模型、支持向量机预测模型和ARMA预测模型对电力应急物资的需求进行单独预测，将国网物质中心预测电力应急物资需求选用电力应急物资的实际值，分别统计各单一模型模拟预测的偏差，求得待预测功率的各阶中心矩。在由各单一预测模型求得的待预测功率的各阶中心矩作为约束信息的条件下，利用最大信息熵原理对待求权值进行求解。
如图6所示的一种基于最大信息熵原理构建电力应急物资需求的组合预测模型，具体步骤包括：
步骤S301：分别采用深度学习网络预测模型、SVM预测模型和ARMA预测模型进行电力应急物资需求的预测；
步骤S302:计算度学习网络预测模型、SVM预测模型和ARMA预测模型对组合预测模型的信息贡献；
步骤S303：应用最大信息熵原理，建立组合预测模型。
由于电力应急物资影响因子的诸多随机性和不确定性，单一预测模型对电力应急物资需求的预测精度难以维持稳定。通过最大信息熵确定的组合模型，可以将组合预测的过程看成一个信息综合的过程。通过对各种模型提供的信息进行综合处理得到一个更加合理、客观的预测结果。该组合预测模型突出了台风变化随机性的特点，有效地改善了单一预测模型对历史数据的过拟合或欠拟合。通过对电力应急物资需求的预测算例，能清楚地得到最大信息熵组合预测模型可以提高预测精度，增强了预测精度的稳定性。
由两个单一模型组成的组合模型中，SVM模型与ARMA模型的组合模型预测效果最差，深度学习网络模型与ARMA模型的组合预测模型预测效果最好。在组合模型中，含有深度学习网络模型的组合预测模型效果较好，验证了深度学习网络模型在组合预测中的实用性。所有组合预测模型中，基于深度学习网络模型、SVM模型与ARMA模型的组合预测模型效果最佳。结果表明，在组合预测模型中，单一模型的多样性对于预测精度的影响较大。可见在建立组合预测模型时，应尽量增加单一预测模型的种类，使组合预测模型具有更大的选择性，并尽可能的选取预测精度较高的单一预测模型，避免单一预测模型的不稳定性，在一定程度上提高了预测模型的鲁棒性，提高了深度学习网络模型在组合预测中的实用性。
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。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (9)

1.一种电力应急物资需求的预测方法，其特征在于，包括以下步骤：
获取电力应急物资的影响因子，构建电力应急物资需求的特征向量；
基于所构建的电力应急物资需求的特征向量，分别建立基于深度学习网络的电力应急物资需求预测模型、基于SVM的电力应急物资需求预测模型和基于ARMA的电力应急物资需求预测模型；
基于最大信息熵原理构建电力应急物资需求的组合预测模型，对组合预测模型进行自适应调整，得到最优预测结果；利用最大信息熵原理来确定各单一模型的权重，具体为，分别使用深度学习网络预测模型、支持向量机预测模型和ARMA预测模型对电力应急物资的需求进行单独预测，将国网物质中心预测电力应急物资需求选用电力应急物资的实际值，分别统计各单一模型模拟预测的偏差，求得待预测物资的各阶中心矩；在由各单一预测模型求得的待预测物资的各阶中心矩作为约束信息的条件下，利用最大信息熵原理对待求权值进行求解；
所述基于最大信息熵原理构建电力应急物资需求的组合预测模型，具体步骤包括：
步骤S301：分别采用深度学习网络预测模型、SVM预测模型和ARMA预测模型进行电力应急物资需求的预测；
步骤S302:计算度学习网络预测模型、SVM预测模型和ARMA预测模型对组合预测模型的信息贡献；
步骤S303：应用最大信息熵原理，建立组合预测模型。
2.如权利要求1中所述的一种电力应急物资需求的预测方法，其特征在于，在获取电力应急物资的影响因子之后，对影响因子进行预处理，剔除不重要的影响因子。
3.如权利要求1中所述的一种电力应急物资需求的预测方法，其特征在于，所述电力应急物资的影响因子包括风力因素、降雨因素、地域因素和环境温度因素。
4.如权利要求3中所述的一种电力应急物资需求的预测方法，其特征在于，所述风力因素分为六个等级，分别为热带低压、热带风暴、强热带风暴、台风、强台风和超强台风。
5.如权利要求1中所述的一种电力应急物资需求的预测方法，其特征在于，所述电力应急物资需求的特征向量具有12个维度，分别是距离台风中心远近、最低降雨等级、最高降雨等级、最低风速等级、最高风速等级、台风等级、台风持续时间、7级风圈半径、10级风圈半径、是否在7级风圈内、是否在10级风圈内和本地电网规模值。
6.如权利要求1中所述的一种电力应急物资需求的预测方法，其特征在于，所述基于深度学习网络的电力应急物资需求预测模型的约束条件包括原库存的电力应急物资和电力应急物资需求的特征向量。
7.如权利要求1中所述的一种电力应急物资需求的预测方法，其特征在于，所述基于深度学习网络的电力应急物资需求预测模型进行网络模型训练和预测，具体包括以下步骤：
步骤S2101：输入原库存的电力应急物资和电力应急物资需求的特征向量；
步骤S2102：进行模型中输出层各节点的输出，并将输出值与目标值相比较，进行输出值与目标值之间偏差大小的判断；
步骤S2103：若偏差小于预设值，则生成深度学习网络模型，进入步骤S2104；否则，重复步骤S2102；
步骤S2104：完成电力应急物资需求预测模型的深度学习网络训练，预测输出向量值。
8.如权利要求1中所述的一种电力应急物资需求的预测方法，其特征在于，所述基于SVM的电力应急物资需求预测模型的建模，具体包括以下步骤：
步骤S2201：基于电力应急物资需求的特征向量选择合适的电力应急物资的影响因子，并对影响因子进行统一的归一化处理；
步骤S2202：进行支持向量机核函数的选取和参数的选取优化，通过交叉验证进行参数的寻优，以得到最优参数；
步骤S2203：基于所得到的最优参数，调用工具箱中的svmtrain函数进行支持向量机的训练，再调用工具箱中的svmpredict函数回归预测。
9.如权利要求1中所述的一种电力应急物资需求的预测方法，其特征在于，所述基于ARMA的电力应急物资需求预测模型的建模，具体包括以下步骤：
步骤S2301：基于电力应急物资需求的特征向量选择合适的电力应急物资的影响因子，并对影响因子进行统一的归一化处理；
步骤S2302：据样本偏相关系数及样本自相关系数的形态进行模型类别的识别，确定模型的基本阶数，即模型定阶；
步骤S2303：模型的参数估计与检验；
步骤S2304：根据模型参数对模型进行计算预测，结合电力应急物资的影响因子采用自回归模型进行预测结果的校正。
CN202110609002.0A 2021-06-01 2021-06-01 一种电力应急物资需求的预测方法 Active CN113283657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110609002.0A CN113283657B (zh) 2021-06-01 2021-06-01 一种电力应急物资需求的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110609002.0A CN113283657B (zh) 2021-06-01 2021-06-01 一种电力应急物资需求的预测方法

Publications (2)

Publication Number Publication Date
CN113283657A CN113283657A (zh) 2021-08-20
CN113283657B true CN113283657B (zh) 2023-05-26

Family

ID=77282967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110609002.0A Active CN113283657B (zh) 2021-06-01 2021-06-01 一种电力应急物资需求的预测方法

Country Status (1)

Country Link
CN (1) CN113283657B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090666B (zh) * 2023-03-11 2023-06-13 北斗天下卫星导航有限公司 基于环境和时序的物资需求预测方法、装置、设备和介质
CN116502771B (zh) * 2023-06-21 2023-12-01 国网浙江省电力有限公司宁波供电公司 一种基于电力物资预测的配电方法及系统
CN116934126B (zh) * 2023-09-15 2023-11-24 匠人智慧(江苏)科技有限公司 一种智慧园区应急处理系统智能规划方法、系统及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107798435A (zh) * 2017-11-09 2018-03-13 贵州电网有限责任公司 一种基于文本信息抽取的电力物资需求预测方法
CN110443413A (zh) * 2019-07-23 2019-11-12 华南理工大学 电力物资需求预测系统及电力物资需求模型的构建方法
CN111639817A (zh) * 2020-06-05 2020-09-08 山东大学 一种面向电网气象灾害的应急物资需求预测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101231508B (zh) * 2008-01-17 2011-12-21 中国电子信息产业集团有限公司 采用时间序列分析预测-校正集成电路制造工艺控制方法
CN102102626B (zh) * 2011-01-30 2012-08-29 华北电力大学 风电场短期功率预测方法
CN102509027B (zh) * 2011-12-19 2014-11-26 国网电力科学研究院 一种基于交叉熵理论的风电功率组合预测方法
CN107273974B (zh) * 2017-05-22 2021-06-01 浙江鹏信信息科技股份有限公司 一种安全应急处置评价体系构建方法及系统
CN111382546B (zh) * 2020-04-07 2023-06-30 东方电气集团东方电机有限公司 一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107798435A (zh) * 2017-11-09 2018-03-13 贵州电网有限责任公司 一种基于文本信息抽取的电力物资需求预测方法
CN110443413A (zh) * 2019-07-23 2019-11-12 华南理工大学 电力物资需求预测系统及电力物资需求模型的构建方法
CN111639817A (zh) * 2020-06-05 2020-09-08 山东大学 一种面向电网气象灾害的应急物资需求预测方法及系统

Also Published As

Publication number Publication date
CN113283657A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN113283657B (zh) 一种电力应急物资需求的预测方法
CN112270355B (zh) 基于大数据技术与sae-gru的主动安全预测方法
CN112329990A (zh) 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN116307652A (zh) 一种智能电网人工智能资源分配方法
CN117713221A (zh) 一种微逆光伏并网优化系统
CN111525587B (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
CN112363896A (zh) 日志异常检测系统
CN112785080B (zh) 一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法
CN112232561A (zh) 基于约束并行lstm分位数回归的电力负荷概率预测方法
CN113205223A (zh) 一种电量预测系统及其预测方法
CN115879602A (zh) 一种基于瞬变气象的超短期光伏出力预测方法
CN113884807A (zh) 基于随机森林和多层架构聚类的配电网故障预测方法
CN113947904A (zh) 基于s-g滤波和深信度网络的多尺度短时交通流预测方法
CN104077231B (zh) 基于符号动力学和ls‑svm的变压器维护优化方法
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
CN117096860A (zh) 基于lssvm模型的架空输电线路载流量区间预测方法及设备
Chen et al. Interval prediction of photovoltaic power using improved NARX network and density peak clustering based on kernel mahalanobis distance
CN114971092B (zh) 一种变电站主控楼混凝土用量预测方法和装置
CN114004414B (zh) 一种耦合Copula与LSTM的工企用能负荷预测方法
CN114298413B (zh) 一种水电机组振摆趋势预测方法
CN110059871A (zh) 光伏发电功率预测方法
CN115130746A (zh) 一种变频器的故障预警模型的构建方法、装置和电子设备
CN116167473A (zh) 一种基于Quartiles和DBN的风功率预测方法
CN111143774B (zh) 一种基于影响因素多状态模型的电力负荷预测方法和装置
CN114372615A (zh) 一种考虑空间相关性的短期光伏功率预测方法及系统

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