CN113505534B - 一种考虑需求响应的负荷预测方法 - Google Patents
一种考虑需求响应的负荷预测方法 Download PDFInfo
- Publication number
- CN113505534B CN113505534B CN202110767959.8A CN202110767959A CN113505534B CN 113505534 B CN113505534 B CN 113505534B CN 202110767959 A CN202110767959 A CN 202110767959A CN 113505534 B CN113505534 B CN 113505534B
- Authority
- CN
- China
- Prior art keywords
- load
- data
- demand response
- influence
- prediction
- 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
- 230000004044 response Effects 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000007621 cluster analysis Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims description 18
- 238000010219 correlation analysis Methods 0.000 claims description 15
- 238000013178 mathematical model Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 20
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006403 short-term memory Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
Abstract
本发明公开了一种考虑需求响应的负荷预测方法,包括如下步骤:对历史样本数据进行聚类分析,筛选出与待预测日当天的影响因素相似的历史时段,将其作为历史相似日;将历史相似日数据和待预测日的影响因素数据输入预先训练的负荷预测模型,对需求响应负荷和基础负荷分别进行预测,对两部分预测结果进行加和,得到最终的负荷预测结果;其中,所述负荷预测模型的训练方法包括:基于TCN算法建立负荷预测模型,将已知负荷结果的影响因素数据作为数据样本,对所建立的负荷预测模型进行训练,直至收敛;本发明选择基于TCN算法构建预测模型,TCN采用了因果卷积和扩张卷积,能够实现对大规模数据的并行处理,这使得预测速度得到明显提升。
Description
技术领域
本发明涉及一种考虑需求响应的负荷预测方法,属于电力系统技术领域。
背景技术
电力系统的负荷预测水平是衡量电力系统运行管理水平的重要标志之一,现代电力系统具有结构复杂、容量扩大、节点众多等特点,为了保障系统运行稳定,精确的负荷预测是制定发用电计划的前提条件,直接关系到系统的运行安全和经济效益。
目前,负荷预测方法多集中在针对传统负荷数据进行的预测,较少考虑需求响应对负荷波动的影响。随着我国电力市场的不断完善,需求侧资源种类和规模不断增加,需求响应对负荷变化正起到不可忽视的影响,因此当下迫切需要提出一种考虑需求响应的负荷预测方法。
目前应用较多的预测算法如,BP神经网络、径向基神经网络(RBF-NN)、长短期记忆网络(LSTM)等。以上算法都有一定的缺陷,主要是处理数据的规模和运行速度有所受限。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种考虑需求响应的负荷预测方法,提高负荷预测的精度,考虑在需求响应参与的情况下进行负荷预测。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种考虑需求响应的负荷预测方法,包括以下步骤:
对历史样本数据进行聚类分析,筛选出与待预测日当天的影响因素相似的历史时段,将其作为历史相似日;
将历史相似日和待预测日的影响因素数据输入预先训练的负荷预测模型,对需求响应负荷和基础负荷分别进行预测,对两部分预测结果进行加和,得到最终的负荷预测结果;
其中,所述负荷预测模型的训练方法包括:基于TCN算法建立负荷预测模型,将已知负荷结果的影响因素数据作为数据样本,对所建立的负荷预测模型进行训练,直至收敛;
所述数据样本的已知负荷结果包括需求响应负荷和基础负荷,其中,需求响应负荷数据通过建立需求响应数据模拟数学模型模拟生成;基础负荷数据通过实际负荷数据减去模拟生成的需求响应负荷数据获得。
进一步的,所述需求响应数据模拟数学模型为:
式(1)中,PDR(t)为可直接获得的预估需求响应计划数据,P0(t)为随机误差部分负荷;φi(ε(t-i))PDR(t-i)为t-i时刻各外部影响因素对t-i时刻的响应计划负荷影响后,对t时刻实际响应负荷产生的影响,φi(ε(t-i))为该部分负荷占t-i时刻响应计划负荷的百分比,ε(t-i)为在t-i时刻对用户响应产生影响的外部影响因素向量,n为t时刻实际响应负荷产生影响的连续时刻数。
进一步的,负荷预测模型的建立包括:确定影响负荷波动的主要影响因素,利用最大信息系数MIC计算各影响因素对负荷的影响程度。
进一步的,利用最大信息系数MIC计算各影响因素对负荷的影响程度包括:对负荷变化的影响因素利用最大信息系数MIC进行相关性分析,由影响因素和负荷组成二维数据集,并进行网格划分,求取每一单元的概率分布并进行归一化处理得到MIC值,MIC值越大,则代表相关性越强。
进一步的,所述相关性分析包括:对影响因素和负荷组成二维数据集D,并将D划分为x列y行的网格,求取网格每一单元的概率分布,求得最大互信息 maxI(D|G),将其保存为*I[D(x,y)],得到*I[D(x,y)]=maxI(D|G),并进行归一化处理得到最大互信息系数MIC值,如下所示:
式(2)中,n为采样样本数量,B(n)为样本函数,一般样本函数为n0.6,MIC 的取值在[0,1]之间,取值越大,则代表相关性越强,在将影响因素全部进行相关性分析后,根据结果选择相关性较大的影响因素作为预测特征输入。
进一步的,基于TCN建立负荷预测模型;
所述对所建立的负荷预测模型进行训练包括:对基础负荷和需求响应负荷分别进行预测,将两部分负荷预测结果进行加和,形成最终的负荷预测结果;
其中,基础负荷考虑日类型、温度、湿度、风速、天气情况的影响,需求响应负荷考虑日类型、电价的影响。
进一步的,所述负荷预测模型的训练方法包括:
读取数据集,并将数据集按照比例划分为训练集和测试集;
设定相关参数,包括输入和输出数据长度,训练批次数量、卷积核尺寸和数量、扩张因子大小、激活函数选取、训练样本次数、迭代次数、卷积步长、损失函数;
准备标签数据,所述标签数据为训练预测输出的目标数据,并确定预测视野长度,得出需要预测的时间跨度;
输入历史负荷数据和影响因素,其中需要将基础负荷部分和需求响应负荷部分以及各自的影响因素分别输入模型进行训练,以分别获得适应基础负荷和需求响应负荷的预测模型,利用均方差损失函数计算误差,并自动更新相关参数,直至收敛。
第二方面,本发明提供了一种考虑需求响应的负荷预测装置,其特征是,包括:
数据分析模块,用于对历史样本数据进行聚类分析,筛选出与待预测日当天的影响因素相似的历史时段,将其作为历史相似日;
负荷预测模块,用于将历史相似日和待预测日的影响因素数据输入预先训练的负荷预测模型,对需求响应负荷和基础负荷分别进行预测,对两部分预测结果进行加和,得到最终的负荷预测结果;其中,负荷预测模型基于TCN算法建立,用于将已知负荷结果的影响因素数据作为数据样本,对所建立的负荷预测模型进行训练,直至收敛;需求响应负荷数据通过建立需求响应数据模拟数学模型模拟生成;基础负荷数据通过实际负荷数据减去模拟生成的需求响应负荷数据获得。
第三方面,本发明提供了一种计算机可读存储介质,所述可读存储介质存储有计算机指令,其特征是,该计算机指令被处理器执行时实现权利要求1所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明提供了一种考虑需求响应的负荷预测方法,选择基于TCN算法构建预测模型,相比较于其他时序预测算法,TCN算法采用了因果卷积和扩张卷积,能够实现对大规模数据的并行处理,这使得预测速度得到明显提升。
附图说明
图1是本发明实施例提供的一种考虑需求响应的负荷预测方法的预测流程图。
图2是本发明实施例提供的一种考虑需求响应的负荷预测方法的TCN预测模型结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
本实施例提供了一种考虑需求响应的负荷预测方法,包括以下步骤:
对历史样本数据进行聚类分析,筛选出与待预测日当天的影响因素相似的历史时段,将其作为历史相似日;
将历史相似日和待预测日的影响因素数据输入预先训练的负荷预测模型,对需求响应负荷和基础负荷分别进行预测,对两部分预测结果进行加和,得到最终的负荷预测结果;
其中,所述负荷预测模型的训练方法包括:基于TCN算法建立负荷预测模型,将已知负荷结果的影响因素数据作为数据样本,对所建立的负荷预测模型进行训练,直至收敛;
所述数据样本的已知负荷结果包括需求响应负荷和基础负荷,其中,需求响应负荷数据通过建立需求响应数据模拟数学模型模拟生成;基础负荷数据通过实际负荷数据减去模拟生成的需求响应负荷数据获得。
进一步的,所述需求响应数据模拟数学模型为:
式(1)中,PDR(t)为可直接获得的预估需求响应计划数据,P0(t)为随机误差部分负荷;φi(ε(t-i))PDR(t-i)为t-i时刻各外部影响因素对t-i时刻的响应计划负荷影响后,对t时刻实际响应负荷产生的影响,φi(ε(t-i))为该部分负荷占t-i时刻响应计划负荷的百分比,ε(t-i)为在t-i时刻对用户响应产生影响的外部影响因素向量,n为t时刻实际响应负荷产生影响的连续时刻数。
进一步的,负荷预测模型的建立包括:确定影响负荷波动的主要影响因素,利用最大信息系数MIC计算各影响因素对负荷的影响程度。
进一步的,利用最大信息系数MIC计算各影响因素对负荷的影响程度包括:对负荷变化的影响因素利用最大信息系数MIC进行相关性分析,由影响因素和负荷组成二维数据集,并进行网格划分,求取每一单元的概率分布并进行归一化处理得到MIC值,MIC值越大,则代表相关性越强。
进一步的,所述相关性分析包括:对影响因素和负荷组成二维数据集D,并将D划分为x列y行的网格,求取网格每一单元的概率分布,求得最大互信息 maxI(D|G),将其保存为*I[D(x,y)],得到*I[D(x,y)]=maxI(D|G),并进行归一化处理得到最大互信息系数MIC值,如下所示:
式(2)中,n为采样样本数量,B(n)为样本函数,一般样本函数为n0.6,MIC 的取值在[0,1]之间,取值越大,则代表相关性越强,在将影响因素全部进行相关性分析后,根据结果选择相关性较大的影响因素作为预测特征输入。
进一步的,基于TCN建立负荷预测模型;
所述对所建立的负荷预测模型进行训练包括:对基础负荷和需求响应负荷分别进行预测,将两部分负荷预测结果进行加和,形成最终的负荷预测结果;
其中,基础负荷考虑日类型、温度、湿度、风速、天气情况的影响,需求响应负荷考虑日类型、电价的影响。
进一步的,所述负荷预测模型的训练方法包括:
读取数据集,并将数据集按照比例划分为训练集和测试集;
设定相关参数,包括输入和输出数据长度,训练批次数量、卷积核尺寸和数量、扩张因子大小、激活函数选取、训练样本次数、迭代次数、卷积步长、损失函数;
准备标签数据,所述标签数据为训练预测输出的目标数据,并确定预测视野长度,得出需要预测的时间跨度;
输入历史负荷数据和影响因素,其中需要将基础负荷部分和需求响应负荷部分以及各自的影响因素分别输入模型进行训练,以分别获得适应基础负荷和需求响应负荷的预测模型,利用均方差损失函数计算误差,并自动更新相关参数,直至收敛。
本实施例提供了一种考虑需求响应的负荷预测方法,选择基于TCN算法构建预测模型,相比较于其他时序预测算法,TCN算法采用了因果卷积和扩张卷积,能够实现对大规模数据的并行处理,这使得预测速度得到明显提升。
实施例2
本实施例提供了一种考虑需求响应的负荷预测装置,其特征是,包括:
数据分析模块,用于对历史样本数据进行聚类分析,筛选出与待预测日当天的影响因素相似的历史时段,将其作为历史相似日;
负荷预测模块,用于将历史相似日和待预测日的影响因素数据输入预先训练的负荷预测模型,对需求响应负荷和基础负荷分别进行预测,对两部分预测结果进行加和,得到最终的负荷预测结果;其中,负荷预测模型基于TCN算法建立,用于将已知负荷结果的影响因素数据作为数据样本,对所建立的负荷预测模型进行训练,直至收敛;需求响应负荷数据通过建立需求响应数据模拟数学模型模拟生成;基础负荷数据通过实际负荷数据减去模拟生成的需求响应负荷数据获得。
本实施例提供了一种考虑需求响应的负荷预测装置,选择基于TCN算法构建预测模型,相比较于其他时序预测算法,TCN算法采用了因果卷积和扩张卷积,能够实现对大规模数据的并行处理,这使得预测速度得到明显提升。
实施例3
本实施例提供了一种计算机可读存储介质,所述可读存储介质存储有计算机指令,其特征是,该计算机指令被处理器执行时实现权利要求1所述方法的步骤。
本实施例提供了一种计算机可读存储介质,选择基于TCN算法构建预测模型,相比较于其他时序预测算法,TCN算法采用了因果卷积和扩张卷积,能够实现对大规模数据的并行处理,这使得预测速度得到明显提升。
下面结合一个优选实施例,对上述实施例中设计到的内容进行说明。
如图1所示,本实施例提供的考虑需求响应的负荷预测方法,包括以下步骤:
S1:获取历史负荷数据,以及提取对应时刻的影响因素数据,主要包含温度、湿度、风速、天气状况、电价、日类型。
S2:由于需求响应的实际数据难以直接量测,因此首先对实际需求响应的负荷量进行仿真模拟,根据运营商提前制定的需求响应计划数据,同时考虑包含电价、日类型等影响因素建立需求响应量的线性时变模型,如下所示:
式(1)中,PDR(t)为可直接获得的预估需求响应计划数据,P0(t)为随机误差部分负荷;φi(ε(t-i))PDR(t-i)为t-i时刻各外部影响因素对t-i时刻的响应计划负荷影响后,对t时刻实际响应负荷产生的影响,φi(ε(t-i))为该部分负荷占t-i时刻响应计划负荷的百分比。ε(t-i)为在t-i时刻对用户响应产生影响的外部影响因素向量,n为t时刻实际响应负荷产生影响的连续时刻数。
S3:负荷分解,利用获取的实际负荷数据减去模拟生成的需求响应数据,得到基础负荷数据。在负荷预测阶段,将对需求响应负荷和基础负荷分别进行预测,最后进行相加形成负荷预测结果。
S4:负荷相关性分析,利用最大信息系数MIC进行负荷和影响因素的相关性分析,由影响因素和负荷组成二维数据集,并进行网格划分,求取每一单元的概率分布并进行归一化处理得到MIC值,MIC值越大,则代表相关性越强。
S5:准备数据集,将负荷数据集划分为训练集和测试集。
S6:基于TCN算法构建负荷预测模型,设定相关参数,包括输入和输出数据长度,训练批次数量、卷积核尺寸和数量、扩张因子大小、激活函数选取、训练样本次数、迭代次数、卷积步长、损失函数、残差块数量。
S7:准备标签数据,即训练预测输出的目标数据,并确定预测视野长度,即需要预测的时间跨度。
S8:输入历史负荷数据和影响因素,其中需要将基础负荷部分和需求响应负荷部分以及各自的主要影响因素分别输入模型进行训练,以分别获得适应基础负荷和需求响应负荷的预测模型,利用均方差损失函数计算误差,并自动更新相关参数,直至收敛。
S9:确定相似日,对历史样本数据进行聚类分析,筛选出与待预测日的影响因素相似的历史日,将其作为历史相似日。
S10:将历史相似日数据和待预测日的影响因素数据输入预测模型,对需求响应负荷和基础负荷分别进行预测,对两部分预测结果进行加和,得到最终的负荷预测结果。
上述S3负荷分解,将包含需求响应的历史负荷减去模拟生成的需求响应数据,得到基础负荷部分的数据,实际负荷组成如下:
P(t)=Pf(t)+PDR(t) (2)
式(2)中,P(t)为包含需求响应的实际负荷,Pf(t)为基础负荷部分,PDR(t) 为需求响应负荷部分。
进一步,所述步骤S4中由影响因素和负荷组成二维数据集D,将D划分为x 列y行的网格,求取网格每一单元的概率分布,求得最大互信息maxI(D|G),将其保存为*I[D(x,y)],得到*I[D(x,y)]=maxI(D|G)。并进行归一化处理得到最大互信息系数MIC值,如下所示:
式(3)中,n为采样样本数量,B(n)为样本函数,一般样本函数为n0.6。MIC 的取值在[0,1]之间,取值越大,则代表相关性越强。在将影响因素全部进行相关性分析后,根据结果选择相关性较大的影响因素作为预测特征输入。
负荷影响因素包含温度、湿度、风速、天气状况、电价、日类型,利用上述方法求取各影响因素和负荷的最大相关系数,系数越大,则相关性越大,可选择将其作为该部分负荷的影响特征加入预测。
如附图2所示,预测模型选用TCN算法作为主体进行构建,TCN预测模型主要由因果卷积和扩张卷积组成,卷积层为一维卷积。
因果卷积,即对于上一层t时刻及其之前的值,只依赖下一层t时刻及其之前的值,而不会涉及到未来的数据值。选择利用扩张卷积进行间隔采样,这样就可以做到在有限层数结构下获得更大的感受野。
为了避免层数过多容易导致梯度消失等问题,选择利用残差模块代替两层之间的直接连接,其中WeightNorm层能够加快运算速度,Dropout层能够减少过拟合现象。
WeightNorm层对权重参数ω用参数向量和标量进行表示,即用两个独立的参数表示其方向和幅度,可以加快模型收敛速度。
Dropout层是在前向传播的过程中,让某个神经元的激活值以一定概率停止工作,这样可以使模型不会太依赖某些特征,使得神经元的连接更加简单高效,避免所求参数过多导致过拟合,表达式如下:
式(4)中,p为停止某神经元工作的概率,ω,b为特征权重和随机量,y为输出量,i为网络层数。
一维卷积网络以一个三维张量作为输入,也输出一个三维张量。TCN中每一层都有相同的输入和输出长度。
利用TCN模型进行预测时,在训练阶段,输出时间长度和输入时间长度保持一致,但由于TCN的因果卷积确保t时刻的数据只与t时刻之前的数据相关,因此可以保证严格的时序性,从输出值的最新时刻往前截取最终所需的预测时间跨度即得预测结果。
步骤S6中建立预测模型,第i层的输入和输出数据可表示为:
为了保证数据预测的精度,顶层感受野的宽度需要覆盖输入数据的长度,感受野的宽度为:
能够覆盖所有历史数据长度的所需最小的残差块数为:
为了保证输入输出维度的一致,同时扩张卷积的存在会导致每层需要延长数据的长度,填充的数据一般为0,增加的padding数量为:
p=bi·(k-1) (8)
式(8)中,k为卷积核大小,b为扩张因子,n为残差块数,i为该层下面的层数。
选取的激活函数为ReLU(Rectified Linear Unit,修正线性单元),ReLU激活函数定义为:
损失函数为均方误差损失函数(Mean Squared Error,MSE),表达式为:
损失函数的偏导数为:
式(11)中,k为特征类别,yk为k类输出结果,οk为k类特征输入。
经过残差模块的堆叠形成深度卷积神经网络,最后残差块的输出结果经过全卷积层输出,得到预测结果。
本发明相较目前的负荷预测技术由如下优点:
本发明提供了一种考虑需求响应的负荷预测方法,将实施需求响应时期的负荷通过数学建模的方法分解为需求响应负荷和基础负荷,选择基于TCN算法分别对以上两部分负荷构建预测模型,相比较于其他时序预测算法,TCN采用了因果卷积和扩张卷积,能够实现对大规模数据的并行处理,这使得预测速度得到明显提升。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种考虑需求响应的负荷预测方法,其特征是,包括以下步骤:
对历史样本数据进行聚类分析,筛选出与待预测日当天的影响因素相似的历史时段,将其作为历史相似日;
将历史相似日和待预测日的影响因素数据输入预先训练的负荷预测模型,对需求响应负荷和基础负荷分别进行预测,对两部分预测结果进行加和,得到最终的负荷预测结果;
其中,所述负荷预测模型的训练方法包括:基于TCN算法建立负荷预测模型,将已知负荷结果的影响因素数据作为数据样本,对所建立的负荷预测模型进行训练,直至收敛;
所述数据样本的已知负荷结果包括需求响应负荷和基础负荷,其中,需求响应负荷数据通过建立需求响应数据模拟数学模型模拟生成;基础负荷数据通过实际负荷数据减去模拟生成的需求响应负荷数据获得;
所述需求响应数据模拟数学模型为:
式(1)中,PDR(t)为可直接获得的预估需求响应计划数据,P0(t)为随机误差部分负荷;φi(ε(t-i))PDR(t-i)为t-i时刻各外部影响因素对t-i时刻的响应计划负荷影响后,对t时刻实际响应负荷产生的影响,φi(ε(t-i))为该部分负荷占t-i时刻响应计划负荷的百分比,ε(t-i)为在t-i时刻对用户响应产生影响的外部影响因素向量,n为t时刻实际响应负荷产生影响的连续时刻数;
负荷预测模型的建立包括:确定影响负荷波动的主要影响因素,利用最大信息系数MIC计算各影响因素对负荷的影响程度;
利用最大信息系数MIC计算各影响因素对负荷的影响程度包括:对负荷变化的影响因素利用最大信息系数MIC进行相关性分析,对影响因素和负荷组成二维数据集,并进行网格划分,求取每一单元的概率分布并进行归一化处理得到MIC值,MIC值越大,则代表相关性越强;
所述相关性分析包括:对影响因素和负荷组成二维数据集D,并将D划分为x列y行的网格,求取网格每一单元的概率分布,求得最大互信息maxI(DG),将其保存为*I[D(x,y)],得到*I[D(x,y)]=maxI(DG),并进行归一化处理得到最大互信息系数MIC值,如下所示:
式(2)中,n为采样样本数量,B(n)为样本函数,样本函数为n0.6,MIC的取值在[0,1]之间,取值越大,则代表相关性越强,在将影响因素全部进行相关性分析后,根据结果选择相关性较大的影响因素作为预测特征输入。
2.根据权利要求1所述的考虑需求响应的负荷预测方法,其特征是,所述对所建立的负荷预测模型进行训练包括:对基础负荷和需求响应负荷分别进行预测,将两部分负荷预测结果进行加和,形成最终的负荷预测结果;
其中,基础负荷考虑日类型、温度、湿度、风速、天气情况的影响,需求响应负荷考虑日类型、电价的影响。
3.根据权利要求2所述的考虑需求响应的负荷预测方法,其特征是,所述负荷预测模型的训练方法包括:
读取数据集,并将数据集按照比例划分为训练集和测试集;
设定相关参数,包括输入和输出数据长度,训练批次数量、卷积核尺寸和数量、扩张因子大小、激活函数选取、训练样本次数、迭代次数、卷积步长、损失函数;
准备标签数据,所述标签数据为训练预测输出的目标数据,并确定预测视野长度,得出需要预测的时间跨度;
输入历史负荷数据和影响因素,其中需要将基础负荷部分和需求响应负荷部分以及各自的影响因素分别输入模型进行训练,以分别获得适应基础负荷和需求响应负荷的预测模型,利用均方差损失函数计算误差,并自动更新相关参数,直至收敛。
4.一种考虑需求响应的负荷预测装置,其特征是,包括:
数据分析模块,用于对历史样本数据进行聚类分析,筛选出与待预测日当天的影响因素相似的历史时段,将其作为历史相似日;
负荷预测模块,用于将历史相似日和待预测日的影响因素数据输入预先训练的负荷预测模型,对需求响应负荷和基础负荷分别进行预测,对两部分预测结果进行加和,得到最终的负荷预测结果;其中,负荷预测模型基于TCN算法建立,用于将已知负荷结果的影响因素数据作为数据样本,对所建立的负荷预测模型进行训练,直至收敛;需求响应负荷数据通过建立需求响应数据模拟数学模型模拟生成;基础负荷数据通过实际负荷数据减去模拟生成的需求响应负荷数据获得;其中:
所述需求响应数据模拟数学模型为:
式(1)中,PDR(t)为可直接获得的预估需求响应计划数据,P0(t)为随机误差部分负荷;φi(ε(t-i))PDR(t-i)为t-i时刻各外部影响因素对t-i时刻的响应计划负荷影响后,对t时刻实际响应负荷产生的影响,φi(ε(t-i))为该部分负荷占t-i时刻响应计划负荷的百分比,ε(t-i)为在t-i时刻对用户响应产生影响的外部影响因素向量,n为t时刻实际响应负荷产生影响的连续时刻数;
负荷预测模型的建立包括:确定影响负荷波动的主要影响因素,利用最大信息系数MIC计算各影响因素对负荷的影响程度;
利用最大信息系数MIC计算各影响因素对负荷的影响程度包括:对负荷变化的影响因素利用最大信息系数MIC进行相关性分析,对影响因素和负荷组成二维数据集,并进行网格划分,求取每一单元的概率分布并进行归一化处理得到MIC值,MIC值越大,则代表相关性越强;
所述相关性分析包括:对影响因素和负荷组成二维数据集D,并将D划分为x列y行的网格,求取网格每一单元的概率分布,求得最大互信息maxI(DG),将其保存为*I[D(x,y)],得到*I[D(x,y)]=maxI(DG),并进行归一化处理得到最大互信息系数MIC值,如下所示:
式(2)中,n为采样样本数量,B(n)为样本函数,样本函数为n0.6,MIC的取值在[0,1]之间,取值越大,则代表相关性越强,在将影响因素全部进行相关性分析后,根据结果选择相关性较大的影响因素作为预测特征输入。
5.一种计算机可读存储介质,所述可读存储介质存储有计算机指令,其特征是,该计算机指令被处理器执行时实现权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767959.8A CN113505534B (zh) | 2021-07-07 | 2021-07-07 | 一种考虑需求响应的负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767959.8A CN113505534B (zh) | 2021-07-07 | 2021-07-07 | 一种考虑需求响应的负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505534A CN113505534A (zh) | 2021-10-15 |
CN113505534B true CN113505534B (zh) | 2023-09-15 |
Family
ID=78011834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110767959.8A Active CN113505534B (zh) | 2021-07-07 | 2021-07-07 | 一种考虑需求响应的负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505534B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114944023A (zh) * | 2022-05-17 | 2022-08-26 | 内蒙古呼和浩特抽水蓄能发电有限责任公司 | 一种基于nfc和gps定位的设备感应式巡检系统 |
CN114841457B (zh) * | 2022-05-18 | 2022-12-30 | 上海玫克生储能科技有限公司 | 电力负荷估计方法及系统、电子设备及存储介质 |
CN115829117B (zh) * | 2022-11-29 | 2023-09-19 | 湖北华中电力科技开发有限责任公司 | 基于终端用电信息的任意区域用电量短时预测方法及系统 |
CN116702978B (zh) * | 2023-06-07 | 2024-02-13 | 西安理工大学 | 考虑突发事件特征的电动汽车充电负荷预测方法及装置 |
CN117370770B (zh) * | 2023-12-08 | 2024-02-13 | 江苏米特物联网科技有限公司 | 一种基于Shapelet-XGboost的酒店负荷综合预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930347A (zh) * | 2012-10-15 | 2013-02-13 | 河海大学 | 一种需求响应下的短期负荷预测方法 |
CN108491982A (zh) * | 2018-04-09 | 2018-09-04 | 北京中电普华信息技术有限公司 | 一种基于回声状态网络的短期负荷预测方法及系统 |
CN111461463A (zh) * | 2020-04-30 | 2020-07-28 | 南京工程学院 | 一种基于tcn-bp的短期负荷预测方法、系统及设备 |
CN111815035A (zh) * | 2020-06-22 | 2020-10-23 | 国网上海市电力公司 | 一种融合形态聚类及TCN-Attention的短期负荷预测方法 |
CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112836885A (zh) * | 2021-02-09 | 2021-05-25 | 国网甘肃省电力公司电力科学研究院 | 组合负荷预测方法、装置、电子设备和存储介质 |
-
2021
- 2021-07-07 CN CN202110767959.8A patent/CN113505534B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930347A (zh) * | 2012-10-15 | 2013-02-13 | 河海大学 | 一种需求响应下的短期负荷预测方法 |
CN108491982A (zh) * | 2018-04-09 | 2018-09-04 | 北京中电普华信息技术有限公司 | 一种基于回声状态网络的短期负荷预测方法及系统 |
CN111461463A (zh) * | 2020-04-30 | 2020-07-28 | 南京工程学院 | 一种基于tcn-bp的短期负荷预测方法、系统及设备 |
CN111815035A (zh) * | 2020-06-22 | 2020-10-23 | 国网上海市电力公司 | 一种融合形态聚类及TCN-Attention的短期负荷预测方法 |
CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112836885A (zh) * | 2021-02-09 | 2021-05-25 | 国网甘肃省电力公司电力科学研究院 | 组合负荷预测方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
计及需求响应的主动配电网短期负荷预测;苏小林;刘孝杰;阎晓霞;王穆青;韩学楠;;电力系统自动化(第10期);66-72+140 * |
Also Published As
Publication number | Publication date |
---|---|
CN113505534A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113505534B (zh) | 一种考虑需求响应的负荷预测方法 | |
CN111812732B (zh) | 一种基于卷积神经网络的大地电磁非线性反演方法 | |
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN112348292A (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
CN112036658B (zh) | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 | |
CN112330050A (zh) | 一种基于双层XGBoost考虑多特征的电力系统负荷预测方法 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN113158572A (zh) | 一种短期负荷的预测方法及装置 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN111625399A (zh) | 一种计量数据恢复方法及系统 | |
CN115049024B (zh) | 风速预测模型的训练方法、装置、电子设备和存储介质 | |
CN111523728A (zh) | 一种四阶段混合短时风向预测方法 | |
CN117114184A (zh) | 一种城市碳排放影响因素特征提取与中长期预测方法及装置 | |
CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
CN110738363A (zh) | 一种光伏发电功率预测模型及其构建方法和应用 | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
CN108710966B (zh) | 一种基于多簇esn神经网络的光伏发电功率预测方法 | |
CN114091647A (zh) | 一种基于bp神经网络的太阳10.7厘米射电流量预报方法 | |
CN117455536A (zh) | 基于误差补偿的短期煤价预测方法及系统 | |
CN112508734A (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 | |
CN117335425A (zh) | 一种基于ga-bp神经网络的潮流计算方法 | |
CN116611702A (zh) | 一种面向楼宇综合能源管理的集成学习光伏发电预测方法 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN116663395A (zh) | 基于参数优化的支持向量机回归的降雨量等值面生成方法 |
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 |