CN113361195A - 一种基于lstm和相似日的配电网线路超短期负荷预测方法 - Google Patents

一种基于lstm和相似日的配电网线路超短期负荷预测方法 Download PDF

Info

Publication number
CN113361195A
CN113361195A CN202110624737.0A CN202110624737A CN113361195A CN 113361195 A CN113361195 A CN 113361195A CN 202110624737 A CN202110624737 A CN 202110624737A CN 113361195 A CN113361195 A CN 113361195A
Authority
CN
China
Prior art keywords
load
data
day
prediction
lstm
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
Application number
CN202110624737.0A
Other languages
English (en)
Other versions
CN113361195B (zh
Inventor
姜建
吴舜裕
楼健
朱理
李衡
赵斌炎
刘海琼
鲍威
郑梦娜
尤孝厅
王燕
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 Zhejiang Electric Power Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power 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 State Grid Zhejiang Electric Power Co Ltd, Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202110624737.0A priority Critical patent/CN113361195B/zh
Publication of CN113361195A publication Critical patent/CN113361195A/zh
Application granted granted Critical
Publication of CN113361195B publication Critical patent/CN113361195B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于LSTM和相似日的配电网线路超短期负荷预测方法，涉及电力负荷预测技术领域。目前，缺少对时序数据时间相关性的考虑，需要人为添加时间特征来保证预测结果的精确度。本发明利用线路的LSTM模型定时预测对应线路的全天预测负荷数据；用线路的LSTM模型进行滚动周期预测得到对应线路的修正前的周期滚动负荷预测值，并利用历史相似日的负荷数据进行滚动周期负荷预测结果修正，得到修正后的周期滚动负荷预测值；修正时，以当天全天预测数据为基础，计算与相似日各时刻的差值，按时刻累加到周期流动负荷预测值中。本技术方案兼顾数据的非线性和时序性，保证了预测结果的精确度。

Description

一种基于LSTM和相似日的配电网线路超短期负荷预测方法
技术领域
本发明涉及电力负荷预测技术领域，尤其涉及一种基于LSTM和相似日的配电网线路超短期负荷预测方法。
背景技术
电力负荷预测是电力管理中的重要部分，负荷预测数据对电力系统的控制、运行和规划极为重要。准确预测电力负荷数据，不但对确定电力系统的运行方式具有重要作用，对确定电力系统的优化调度、地区间功率输送方案和负荷调度的方案也起着重要作用。另外，电力负荷预测的精度也直接影响电力系统运行的安全性、可靠性、经济性和电能质量，关系到电力系统的生产规划和调度运行。
电力负荷预测根据预测时间可分为长期、中期、短期和超短期。超短期负荷预测是以分钟、小时为最小单位的负荷预测。目前常用的负荷预测方法可分为传统统计方法和现代智能方法。
传统统计方法，如回归分析法、指数平滑法等，考虑了时序数据时间相关性，但对原始数据的处理和时间序列的稳定性要求很高，难以反映非线性因素的影响，适用于影响因素较少的情况。
现代智能方法，如支持向量机法、神经网络法等，能有效解决非线性问题，但通常缺少对时序数据时间相关性的考虑，需要人为添加时间特征来保证预测结果的精确度。
发明内容
本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于LSTM和相似日的配电网线路超短期负荷预测方法，以达到兼顾数据的非线性和时序性目的。为此，本发明采取以下技术方案。
一种基于LSTM和相似日的配电网线路超短期负荷预测方法，包括以下步骤：
1)收集预测线路信息，包括各线路历史电流负荷数据；
2)数据预处理，包括线路历史电流负荷数据补齐及数据归一化；
3)获取预处理后数据，通过LSTM模型训练，得到各线路的LSTM模型；
4)利用线路的LSTM模型定时预测对应线路的全天预测负荷数据；
5)用线路的LSTM模型进行滚动周期预测得到对应线路的修正前的周期滚动负荷预测值，并利用历史相似日的负荷数据进行滚动周期负荷预测结果修正，得到修正后的周期滚动负荷预测值；修正时，以当天全天预测数据为基础，计算与相似日各时刻的差值，按时刻累加到周期流动负荷预测值中，即负荷周期滚动预测值为修正前的周期滚动负荷预测值加上对应时刻的相似日负荷数据与全天预测负荷数据的差；
6)定时对预测误差进行验证，若是误差超过设定阈值，则对线路的LSTM模型进行修正。
作为优选技术手段：在步骤2)中：
在数据补齐时，假定短时间内数据呈线性变化，以缺失数据值所在时刻的前后两个临近时刻的对应数据均值作为该缺失值；
数据归一化采用MinMax法，利用公式(1)
Figure BDA0003101735110000031
进行归一化后的数据值域变换到[0,1]。其中：x为待归一化向量；x*为归一化后向量；xmax，xmin分别为向量最大、最小值。
作为优选技术手段：在步骤3)中，对当前预测时刻t，将t-n至t-1时刻的线路负荷数据作为LSTM模型的输入序列X，当前时刻的线路负荷数据作为LSTM模型的输出y；即：
Xt＝[dt-n,dt-n+1,...dt-1]
yt＝dt
其中，d表示线路负荷数据；
模型训练时，输入序列中的负荷数据与输出负荷数据均为实际负荷值。
作为优选技术手段：在步骤4)中，预测对应线路的全天预测负荷数据时，对于每一个预测时刻，该时刻的预测输出值将加入预测下一时刻的输入序列中；
即：以Xt＝[dt-n,dt-n+1,...dt-1]预测得到时刻t的负荷值yt，再将预测值yt加入输入序列中，即以Xt+1＝[dt-n+1,dt-n+2,...dt-1,yt]预测下一个时刻t+1的负荷yt+1；依此类推，直到预测出待预测时段的所有负荷数据。
作为优选技术手段：在步骤5)中，历史相似日选取，是以预测日滚动计算时刻为基准，往前推算n小时作为计算时段；提取待选相似日范围内每天处于该计算时段的数据，以及预测日计算时段的实际数据，分别用公式：
Figure BDA0003101735110000041
计算欧式距离，以欧式距离最小的日期为相似日；
其中，
Figure BDA0003101735110000042
为待选相似日时刻t的实际负荷值，
Figure BDA0003101735110000043
为预测日时刻t的实际负荷值。
作为优选技术手段：步骤6)中，采用相对均方误差和平均相对误差EMAPE对预测误差进行验证，
Figure BDA0003101735110000044
Figure BDA0003101735110000045
式中：yi为实际负荷值，
Figure BDA0003101735110000046
为预测负荷值，n为预测点个数。
作为优选技术手段：在步骤6)中，每天定时统计前一天的全天负荷预测误差及周期滚动预测误差。
作为优选技术手段：取预测日前15天的已知日作为相似日的待选范围。
作为优选技术手段：在步骤3)中，LSTM模型训练时，设置两层LSTM，设定第一层LSTM神经元个数为16，第二层神经元个数为32，批处理样本数为96，迭代训练次数为100。
作为优选技术手段：在步骤6)中，所述LSTM模型修正方法为：收集线路更多的历史负荷数据，继续训练LSTM模型。若是误差超过设定阈值，则采用收集更多线路历史负荷数据，对LSTM模型继续训练的方法来修正LSTM模型。
有益效果：本技术方案以配电网线路的时间序列负荷数据为样本特征值，使用LSTM算法建模定时进行全天负荷预测与周期滚动预测。周期滚动预测后，通过欧式距离计算选取相似日，再以相似日数据与全天负荷预测结果对周期滚动预测结果进行修正。定时统计预测误差，对于误差超过阈值的线路，通过收集更多历史数据继续训练模型的方法来修正模型。该负荷预测方法将LSTM算法与相似日修正方法相结合，LSTM算法兼顾数据的时序性和非线性关系，预测准确度高，而欧式距离选取相似日的计算方法速度快，且相似日数据修正效果好，进一步保证了预测结果的精确度。
附图说明
图1是本发明配电网线路负荷预测方法的流程图。
图2是线路1预测结果与实际值对比曲线。
图3是线路2预测结果与实际值对比曲线。
具体实施方式
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1所示，本发明包括如下步骤：
步骤1：收集预测线路信息；
在本实施例中，共收集某地区配电网416条线路2019年11月24日至2020年11月24日的线路历史电流负荷数据，电流负荷数据采样间隔为15分钟，即每条线路每天有96个点的数据。
步骤2：数据预处理；
在本实施例中，对丢失数据进行补齐，例如某线路2020年11月02日缺少02:15的数据，提取该时刻前后两个临近时刻的对应数据：02:00电流值为160A，02:30电流值为174A，计算均值(160+174)/2＝167A，则02:15的数据补为167A。数据补齐后，再采用MinMax算法进行归一化。
归一化后的数据值域变换到[0,1]，归一化函数如下所示。
Figure BDA0003101735110000061
式中：x为待归一化向量；x*为归一化后向量；xmax，xmin分别为向量最大、最小值。
步骤3：LSTM模型训练；
设置训练参数，使用训练数据集的数据对LSTM神经网络的模型进行训练，随着训练次数的增加，训练误差下降，且网络逐渐收敛。当模型训练完成后，调用训练好的模型，对待预测日全天96点的负荷值进行预测，并进行每两小时一次的周期滚动预测。通过模型参数调优对比发现，设置两层LSTM能用较少的时间取得较好的效果，在本实施例中，LSTM模型为两层，第一层LSTM神经元个数为16，第二层神经元个数为32，批处理样本数为96，迭代训练次数为100。对当前预测时刻t，将t-n至t-1时刻的线路负荷数据作为模型的输入序列X，当前时刻的线路负荷数据作为输出y。即：
Xt＝[dt-n,dt-n+1,...dt-1]
yt＝dt
其中，d表示线路负荷数据。
模型训练时，输入序列中的负荷数据与输出负荷数据均为实际值。
在本实施例中，以2019年11月24日至2020年11月23日的数据作为训练数据集，以每个时刻前7天的电流负荷数据作为样本特征值，该时刻的电流负荷为输出值，进行模型训练，并保存模型文件；
步骤4：定时预测全天负荷；
模型预测时，对于每一个预测时刻，该时刻的预测输出值将加入预测下一时刻的输入序列中。
例如：以Xt＝[dt-n,dt-n+1,...dt-1]预测时刻t的负荷yt，再将预测值yt加入输入序列中，即以Xt+1＝[dt-n+1,dt-n+2,...dt-1,yt]预测下一个时刻t+1的负荷yt+1。依此类推，直到预测出待预测时段的所有负荷数据。可见，预测未来一天96个点的数据，则需要用训练出的模型，预测96次。
在本实施例中，设为零点定时预测全天24小时的负荷。以预测2020年11月24日为例，在当天00:00执行以下预测：
(1)用2020年11月17日00:00至11月23日23:45共7天的历史负荷数据，预测11月24日00:00的负荷；
(2)以2020年11月17日00:15至11月23日23:45的历史负荷数据，以及11月24日00:00的预测负荷数据，预测11月24日00:15的负荷；
(3)类似第(2)步，往后预测，直到预测完11月24日共96个点的负荷数据。
步骤5：周期滚动预测负荷及修正；
每隔N小时将当天采集的最新数据加入输入序列，更新预测未来N小时的负荷数据；
在周期滚动预测基础上，采用相似日修正方法对周期滚动预测数据进行修正。所述相似日修正方法，包括：找到负荷相似日，然后计算负荷修正值，最后将修正值叠加到周期滚动预测的结果上。
所述相似日选取方法，是以预测日滚动计算时刻为基准，往前推算N小时作为计算时段。提取待选相似日范围内每天处于该计算时段的数据，以及预测日计算时段的实际数据，分别用公式：
Figure BDA0003101735110000081
计算欧式距离，以欧式距离最小的日期为相似日。其中，
Figure BDA0003101735110000082
为待选相似日时刻t的实际负荷值，
Figure BDA0003101735110000083
为预测日时刻t的实际负荷值。
由于随着时间的推移，系统负荷结构会发生缓慢的变化，当已知日与预测日相隔较远时，即使已知日与预测日的天气情况等因素很相似，负荷趋势也会存在一定差异。另一方面，为了缩短程序选取样本所花费的时间，本技术方案取前15天的已知日作为相似日的待选范围。
所述修正方法，是以当天全天预测数据为基础，计算与相似日各时刻的差值，按时刻累加到周期滚动预测值。即对于预测时刻t，修正后的周期滚动预测值pt'通过公式(3)pt'＝pt+(Dt-yt)计算。其中，pt为t时刻修正前的周期滚动预测值，Dt为相似日t时刻的负荷值，yt为全天预测负荷。
在本实施例中，每隔2小时预测未来2小时的负荷。以2020年11月24日16:00的滚动预测为例，以2020年11月17日16:00至11月24日15:45共7天的历史负荷数据预测11月24日16:00的负荷；再以2020年11月17日16：15至11月24日15:45的历史负荷数据，以及11月24日16:00的预测负荷数据，预测11月24日16:15的负荷，依此类推，直到预测完11月24日16:00至17:45共8个点的负荷数据。
滚动预测完成后，提取当天日期往前15天，即2020年11月9日至11月23日每天12:00至15:45的数据，与11月24日12:00-15:45的最新数据分别计算欧式距离，将欧式距离值最小的日期11月22日作为相似日，计算全天预测数据与11月22日的历史负荷数据在16:00-17:45时间段内各时刻的差值，将差值对应累加到滚动预测结果上，得到新的滚动预测结果。
步骤6：计算预测误差。
若是误差超过设定阈值，则对线路的LSTM模型进行修正。采用相对均方误差ERMSE和平均相对误差EMAPE对预测误差进行计算。
Figure BDA0003101735110000091
Figure BDA0003101735110000092
式中：yi为实际负荷值，
Figure BDA0003101735110000093
为预测负荷值，n为预测点个数。若是误差超过设定阈值，则需对线路的LSTM模型进行修正。
在本实施例中，通过预测2020年11月24日的负荷，并与当天的实际数据作对比，计算预测误差以验证预测准确度，修正后周期滚动预测误差阈值设为15％。416条预测线路中的两条典型线路预测结果分别如图2、图3所示，预测误差指标如表一所示。
表一
Figure BDA0003101735110000094
线路1的全天预测负荷曲线与修正前的周期滚动预测负荷曲线几乎重叠，均与实际值存在一定的偏差，修正后的周期滚动预测曲线比修正前的周期滚动预测曲线更接近实际值曲线。由表一中线路1的预测误差结果可见，线路1的全天预测结果与修正前周期滚动预测误差几乎一样，经过相似日修正后的周期滚动预测误差略有降低，均方根误差由6.50％减少至4.35％，平均绝对误差由6.37％减少至3.59％。
线路2修正前的周期滚动预测负荷曲线比全天预测负荷曲线更接近实际值曲线，但与实际值偏差仍较大，经相似日修正后的周期滚动预测结果明显更接近实际值。由表1中线路2的预测误差可见，线路2的修正前周期滚动预测误差明显低于全天预测误差，但仍与实际值误差较大，修正前周期滚动预测均方根误差达29.08％，平均绝对误差达15.04％；经相似日修正后的周期滚动预测指标明显提升，均方根误差减少至10.54％，平均绝对误差减少至5.93％。
经统计，所有线路预测误差平均值如表二所示，可见经修正后的周期滚动预测均方根误差平均值为7.69％，平均绝对误差平均值为9.14％，满足实际应用场景需求。
表二
Figure BDA0003101735110000101
线路1与线路2修正后的周期滚动预测误差值均小于预测误差阈值15％，因此无须进行模型修正。若某线路修正后的周期滚动预测误差仍大于预测误差阈值15％，则继续收集该线路2018年11月24日至2019年11月23日的历史负荷数据，进行LSTM模型继续训练,以修正模型，并利用修正后的模型开展后续预测。
以上图1所示的一种基于LSTM和相似日的配电网线路超短期负荷预测方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。

Claims (10)

1.一种基于LSTM和相似日的配电网线路超短期负荷预测方法，其特征在于包括以下步骤：
1)收集预测线路信息，包括各线路历史电流负荷数据；
2)数据预处理，包括线路历史电流负荷数据补齐及数据归一化；
3)获取预处理后数据，通过LSTM模型训练，得到各线路的LSTM模型；
4)利用线路的LSTM模型定时预测对应线路的全天预测负荷数据；
5)用线路的LSTM模型进行滚动周期预测得到对应线路的修正前的周期滚动负荷预测值，并利用历史相似日的负荷数据进行滚动周期负荷预测结果修正，得到修正后的周期滚动负荷预测值；修正时，以当天全天预测数据为基础，计算与相似日各时刻的差值，按时刻累加到周期流动负荷预测值中，即负荷周期滚动预测值为修正前的周期滚动负荷预测值加上对应时刻的相似日负荷数据与全天预测负荷数据的差；
6)定时对预测误差进行验证，若是误差超过设定阈值，则对线路的LSTM模型进行修正。
2.根据权利要求1所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法，其特征在于：在步骤2)中：
在数据补齐时，假定短时间内数据呈线性变化，以缺失数据值所在时刻的前后两个临近时刻的对应数据均值作为该缺失值；
数据归一化采用MinMax法，利用公式(1)
Figure FDA0003101735100000011
进行归一化后的数据值域变换到[0,1]。其中：x为待归一化向量；x*为归一化后向量；xmax，xmin分别为向量最大、最小值。
3.根据权利要求1所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法，其特征在于：在步骤3)中，对当前预测时刻t，将t-n至t-1时刻的线路负荷数据作为LSTM模型的输入序列X，当前时刻的线路负荷数据作为LSTM模型的输出y；即：
Xt＝[dt-n,dt-n+1,...dt-1]
yt＝dt
其中，d表示线路负荷数据；
模型训练时，输入序列中的负荷数据与输出负荷数据均为实际负荷值。
4.根据权利要求1所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法，其特征在于：在步骤4)中，预测对应线路的全天预测负荷数据时，对于每一个预测时刻，该时刻的预测输出值将加入预测下一时刻的输入序列中；
即：以Xt＝[dt-n,dt-n+1,...dt-1]预测得到时刻t的负荷值yt，再将预测值yt加入输入序列中，即以Xt+1＝[dt-n+1,dt-n+2,...dt-1,yt]预测下一个时刻t+1的负荷yt+1；依此类推，直到预测出待预测时段的所有负荷数据。
5.根据权利要求1所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法，其特征在于：在步骤5)中，历史相似日选取，是以预测日滚动计算时刻为基准，往前推算n小时作为计算时段；提取待选相似日范围内每天处于该计算时段的数据，以及预测日计算时段的实际数据，分别用公式：
Figure FDA0003101735100000031
计算欧式距离，以欧式距离最小的日期为相似日；
其中，
Figure FDA0003101735100000032
为待选相似日时刻t的实际负荷值，
Figure FDA0003101735100000033
为预测日时刻t的实际负荷值。
6.根据权利要求1所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法，其特征在于：步骤6)中，采用相对均方误差ERMSE和平均相对误差EMAPE对预测误差进行验证，
Figure FDA0003101735100000034
Figure FDA0003101735100000035
式中：yi为实际负荷值，
Figure FDA0003101735100000036
为预测负荷值，n为预测点个数。
7.根据权利要求6所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法，其特征在于：在步骤6)中，每天定时统计前一天的全天负荷预测误差及周期滚动预测误差。
8.根据权利要求5所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法，其特征在于：取预测日前15天的已知日作为相似日的待选范围。
9.根据权利要求1所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法，其特征在于：在步骤3)中，LSTM模型训练时，设置两层LSTM，设定第一层LSTM神经元个数为16，第二层神经元个数为32，批处理样本数为96，迭代训练次数为100。
10.根据权利要求1所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法，其特征在于：在步骤6)中，所述LSTM模型修正方法为：收集线路更多的历史负荷数据，继续训练LSTM模型。
CN202110624737.0A 2021-06-04 2021-06-04 一种基于lstm和相似日的配电网线路超短期负荷预测方法 Active CN113361195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110624737.0A CN113361195B (zh) 2021-06-04 2021-06-04 一种基于lstm和相似日的配电网线路超短期负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110624737.0A CN113361195B (zh) 2021-06-04 2021-06-04 一种基于lstm和相似日的配电网线路超短期负荷预测方法

Publications (2)

Publication Number Publication Date
CN113361195A true CN113361195A (zh) 2021-09-07
CN113361195B CN113361195B (zh) 2022-05-13

Family

ID=77532394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110624737.0A Active CN113361195B (zh) 2021-06-04 2021-06-04 一种基于lstm和相似日的配电网线路超短期负荷预测方法

Country Status (1)

Country Link
CN (1) CN113361195B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118787A (zh) * 2021-11-19 2022-03-01 国网安徽省电力有限公司合肥供电公司 一种基于lstm算法的城市分布式源网荷储的调度优化方法
CN115238940A (zh) * 2021-12-20 2022-10-25 国家电投集团电站运营技术（北京）有限公司 电网负荷预测模型的训练方法及装置
CN115579955A (zh) * 2022-11-04 2023-01-06 国网上海市电力公司 一种基于神经网络预测的配电网光伏消纳能力评估方法
CN116644864A (zh) * 2023-07-26 2023-08-25 国网山东省电力公司无棣县供电公司 一种特殊日期区域用电量预测方法、系统、终端及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096771A (zh) * 2016-06-07 2016-11-09 广州供电局有限公司 支持向量机的参数选取方法和系统与负荷预测方法和系统
CN111931989A (zh) * 2020-07-10 2020-11-13 国网浙江省电力有限公司绍兴供电公司 基于深度学习神经网络的电力系统短期负荷预测方法
US10936947B1 (en) * 2017-01-26 2021-03-02 Amazon Technologies, Inc. Recurrent neural network-based artificial intelligence system for time series predictions
US20210064689A1 (en) * 2019-08-27 2021-03-04 Nec Laboratories America, Inc. Unsupervised multivariate time series trend detection for group behavior analysis
CN112487612A (zh) * 2020-11-12 2021-03-12 云南电网有限责任公司 基于分配因子和信息熵的母线负荷组合预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096771A (zh) * 2016-06-07 2016-11-09 广州供电局有限公司 支持向量机的参数选取方法和系统与负荷预测方法和系统
US10936947B1 (en) * 2017-01-26 2021-03-02 Amazon Technologies, Inc. Recurrent neural network-based artificial intelligence system for time series predictions
US20210064689A1 (en) * 2019-08-27 2021-03-04 Nec Laboratories America, Inc. Unsupervised multivariate time series trend detection for group behavior analysis
CN111931989A (zh) * 2020-07-10 2020-11-13 国网浙江省电力有限公司绍兴供电公司 基于深度学习神经网络的电力系统短期负荷预测方法
CN112487612A (zh) * 2020-11-12 2021-03-12 云南电网有限责任公司 基于分配因子和信息熵的母线负荷组合预测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘晶等: "基于相似日负荷修正算法的短期负荷预测", 《计算机工程与设计》 *
吕跃春等: "粒子群优化BP神经网络在短期负荷预测误差修正模型中的应用研究", 《电气应用》 *
姜勇 等: "基于相似日的神经网络短期负荷预测方法", 《电力系统及其自动化学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118787A (zh) * 2021-11-19 2022-03-01 国网安徽省电力有限公司合肥供电公司 一种基于lstm算法的城市分布式源网荷储的调度优化方法
CN115238940A (zh) * 2021-12-20 2022-10-25 国家电投集团电站运营技术（北京）有限公司 电网负荷预测模型的训练方法及装置
CN115579955A (zh) * 2022-11-04 2023-01-06 国网上海市电力公司 一种基于神经网络预测的配电网光伏消纳能力评估方法
CN116644864A (zh) * 2023-07-26 2023-08-25 国网山东省电力公司无棣县供电公司 一种特殊日期区域用电量预测方法、系统、终端及介质

Also Published As

Publication number Publication date
CN113361195B (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN113361195B (zh) 一种基于lstm和相似日的配电网线路超短期负荷预测方法
CN109272146B (zh) 一种基于深度学习模型和bp神经网络校正的洪水预测方法
CN110766212B (zh) 用于历史数据缺失电场的超短期光伏功率预测方法
CN111210093B (zh) 基于大数据的日用水量预测方法
CN102568205B (zh) 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法
CN106600037B (zh) 一种基于主成分分析的多参量辅助负荷预测方法
CN110598929B (zh) 一种风电功率非参数概率区间超短期预测方法
CN112508299A (zh) 一种电力负荷预测方法、装置、终端设备及存储介质
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN115618922A (zh) 光伏功率预测方法、设备、光伏发电系统及存储介质
CN110766190A (zh) 一种配电网负荷预测方法
CN112884222A (zh) 一种面向时间段的lstm交通流密度预测方法
CN112465266A (zh) 一种母线负荷预测准确率分析方法、装置及计算机设备
CN114492923A (zh) 一种长时间尺度功率预测方法
CN110516792A (zh) 基于小波分解和浅层神经网络的非平稳时间序列预测方法
CN112598181A (zh) 负荷预测方法、装置、设备和存储介质
CN117374917A (zh) 一种超短期电力负荷的多元回归预测方法及装置
CN117474574A (zh) 一种日前电价预测方法、系统、设备及存储介质
CN113095547A (zh) 一种基于gra-lstm-ice模型的短期风功率预测方法
CN109886455B (zh) 雷电气候下超短期负荷预测方法
CN111815458A (zh) 基于细粒度量化标注和集成方法的动态投资组合配置方法
CN116757716A (zh) 基于改进时变深度前馈神经网络的电价预测方法及装置
CN115936791A (zh) 一种电力市场短中期价格预测方法
CN115545319A (zh) 一种基于气象相似日集的电网短期负荷预测方法
CN114997470A (zh) 基于lstm神经网络的短期用电负荷预测方法

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