CN113516291A - 电力负荷预测方法、装置及设备 - Google Patents
电力负荷预测方法、装置及设备 Download PDFInfo
- Publication number
- CN113516291A CN113516291A CN202110567830.2A CN202110567830A CN113516291A CN 113516291 A CN113516291 A CN 113516291A CN 202110567830 A CN202110567830 A CN 202110567830A CN 113516291 A CN113516291 A CN 113516291A
- Authority
- CN
- China
- Prior art keywords
- load
- energy
- data
- input
- power
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000008878 coupling Effects 0.000 claims abstract description 75
- 238000010168 coupling process Methods 0.000 claims abstract description 75
- 238000005859 coupling reaction Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000010219 correlation analysis Methods 0.000 claims abstract description 24
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 31
- 238000003860 storage Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 13
- 241000251555 Tunicata Species 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 241000039077 Copula Species 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 17
- 238000001816 cooling Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 230000003993 interaction Effects 0.000 description 7
- 238000005315 distribution function Methods 0.000 description 5
- 230000036962 time dependent Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 241000251557 Ascidiacea Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification 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
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力负荷预测方法、装置及设备,所述方法包括:获取电力系统的历史电力数据;对历史电力数据进行相关性分析,选取与目标能源负荷相关性满足预设条件的待输入负荷影响因素;目标能源负荷为多种能源负荷中的一个;计算各能源负荷之间的耦合度值,并根据耦合度值确定为待输入能源负荷;根据待输入负荷影响因素的数据和待输入能源负荷的负荷数据确定训练数据;根据最小二乘支持向量机算法构建目标能源负荷的预测模型,根据训练数据训练预测模型,并根据训练后的模型预测待预测时刻的目标能源负荷的负荷数据。通过采用相关性分析选取负荷影响因素,同时采用耦合度值来考虑其他能源负荷的影响,能够提高电力负荷预测的预测精度。
Description
技术领域
本申请属于电力负荷预测技术领域,尤其涉及一种电力负荷预测方法、装置及设备。
背景技术
电力负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数,在满足一定精度要求的条件下,确定未来某特定时刻的负荷数据。电力负荷预测是能源系统经济调度中的一项重要内容。由于预测的不准确性和条件性,所以有时要对负荷在各种情况下可能的发展状况进行预测,就会得到各种条件下不同的电力负荷预测方案。
现有的负荷预测方法多为对负荷的单独预测,难以结合多元负荷之间的耦合关系和互补特性进行预测模型的构建,电力负荷预测的预测精度低。
发明内容
有鉴于此,本发明提供了一种电力负荷预测方法、装置及设备,旨在解决电力负荷预测的预测精度低的问题。
本发明实施例的第一方面提供了一种电力负荷预测方法,包括:
获取电力系统的历史电力数据,其中,所述电力系统包括多种能源负荷,所述历史电力数据包括各能源负荷的负荷数据和多种负荷影响因素的数据;
对所述历史电力数据进行相关性分析,选取与目标能源负荷相关性满足预设条件的待输入负荷影响因素;所述目标能源负荷为所述多种能源负荷中的一个;计算各能源负荷之间的耦合度值,并根据所述耦合度值确定为待输入能源负荷;
根据所述待输入负荷影响因素的数据和所述待输入能源负荷的负荷数据确定训练数据;根据最小二乘支持向量机算法构建所述目标能源负荷的预测模型,根据所述训练数据训练所述预测模型,并根据训练后的模型预测待预测时刻的目标能源负荷的负荷数据。
本发明实施例的第二方面提供了一种电力负荷预测装置,包括:
获取模块,用于获取电力系统的历史电力数据,其中,所述电力系统包括多种能源负荷,所述历史电力数据包括各能源负荷的负荷数据和多种负荷影响因素的数据;
筛选模块,用于对所述历史电力数据进行相关性分析,选取与目标能源负荷相关性满足预设条件的待输入负荷影响因素;所述目标能源负荷为所述多种能源负荷中的一个;计算各能源负荷之间的耦合度值,并根据所述耦合度值确定为待输入能源负荷;
训练模块,用于根据所述待输入负荷影响因素的数据和所述待输入能源负荷的负荷数据确定训练数据;根据最小二乘支持向量机算法构建所述目标能源负荷的预测模型;根据所述训练数据训练所述预测模型;
预测模块,用于根据训练后的模型预测待预测时刻的目标能源负荷的负荷数据。
本发明实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面所述电力负荷预测方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面所述电力负荷预测方法的步骤。
本发明与现有技术相比存在的有益效果是:
本发明实施例提供的电力负荷预测方法包括:获取电力系统的历史电力数据,其中,电力系统包括多种能源负荷,历史电力数据包括各能源负荷的负荷数据和多种负荷影响因素的数据;对历史电力数据进行相关性分析,选取与目标能源负荷相关性满足预设条件的待输入负荷影响因素;目标能源负荷为多种能源负荷中的一个;计算各能源负荷之间的耦合度值,并根据耦合度值确定为待输入能源负荷;根据待输入负荷影响因素的数据和待输入能源负荷的负荷数据确定训练数据;根据最小二乘支持向量机算法构建目标能源负荷的预测模型,根据训练数据训练预测模型,并根据训练后的模型预测待预测时刻的目标能源负荷的负荷数据。通过采用相关性分析选取负荷影响因素,采用耦合度值来考虑其他能源负荷的影响,能够提高电力负荷预测的预测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述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例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的电力负荷预测方法的应用环境图;
图2是本发明一个实施例提供的电力负荷预测方法的实现流程图;
图3是电力系统的电、冷/热负荷结构示意图;
图4是本发明一个实施例提供的供冷季电负荷与冷负荷的关系图;
图5是本发明一个实施例提供的供冷季电负荷与温度的关系图;
图6是本发明一个实施例提供的供冷季电负荷与湿度的关系图;
图7是本发明一个实施例提供的供暖季电负荷与热负荷的关系图;
图8是本发明一个实施例提供的供暖季电负荷与温度的关系图;
图9是本发明一个实施例提供的供暖季电负荷与湿度的关系图;
图10是本发明一个实施例提供的供冷季使用电力负荷预测方法进行电力负荷预测的冷负荷相对误差随时间变化图;
图11是本发明一个实施例提供的供冷季使用电力负荷预测方法进行电力负荷预测的电负荷相对误差随时间变化图;
图12是本发明一个实施例提供的供暖季使用电力负荷预测方法进行电力负荷预测的热负荷相对误差随时间变化图;
图13是本发明一个实施例提供的供暖季使用电力负荷预测方法进行电力负荷预测的电负荷相对误差随时间变化图;
图14是本发明一个实施例提供的电力负荷预测装置的结构示意图;
图15是本发明一个实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
负荷预测是能源供应部门的重要工作之一,准确的负荷预测,可以合理地安排能源供应计划,保障社会的正常生产和生活,有效地降低用能成本,提高电力系统运行效益。综合能源系统可实现一定区域内不同能源的耦合互补,利用能源间的互补性及可替代性,实现了供给侧设备的耦合,能够满足多元负荷需求并提高能源的利用效率,可以有效的降低用能成本,精准的负荷预测是综合能源系统优化调度的关键基础和重要前提。由于电能替代政策,以及多元负荷之间的相互影响关系,又使得负荷之间存在一定的耦合关系。
负荷预测的方法主要分为经典预测方法和现代预测方法。然而,现有的负荷预测方法多为对负荷的单独预测,难以结合多元负荷之间的耦合关系和互补特性进行预测模型的构建。
本文采用相关性分析选取负荷影响因素,同时采用耦合度值来考虑其他能源负荷的影响,建立了多元负荷预测模型,能够提高电力负荷预测的预测精度。
图1是本发明一个实施例提供的电力负荷预测方法的应用环境图。本发明实施例提供的电力负荷预测方法可以但不限于应用于该应用环境。如图1所示,该应用环境包括:电力数据采集设备11、电子设备12和电力调度中心13。
电力调度中心13用于向电子设备12发送预测指令。电子设备12用于在收到预测指令后,向目标区域内的电力数据采集设备11发送采集指令。电力数据采集设备11用于在收到采集指令后,采集目标历史时段对应的电力负荷数据,并将电力负荷数据发送到电子设备12中。电子设备12还用于在接收到电力负荷数据,对目标预测时段的电力负荷数据,并将得到的预测结果发送到电力调度中心13中。电子设备12还可以电力调度中心13的数据库中获取目标历史时段对应的电力负荷数据,在此不做限定。
电力数据采集设备11可以是机电一体式电表、全电子式电表等,在此不作限定。电子设备12可以是服务器、终端等,在此不作限定。服务器可以用独立服务器或者是多个服务器组成的服务器集群来实现。终端可以包括但不限于台式计算机、笔记本电脑、平板电脑等。电力数据采集设备11、电子设备12和电力调度中心13之间可以通过线路进行数据交互,还可以通过网络或蓝牙等方式进行数据交互,在此不做限定。电子设备12可以是独立安装的设备,也可以是安装电力调度中心13中的设备,在此不做限定。
图2是本发明一个实施例提供的电力负荷预测方法的实现流程图。该实施例中,以该方法应用于图1中的电子设备为例进行说明。如图2所示,该方法包括:
S201,获取电力系统的历史电力数据,其中,电力系统包括多种能源负荷,历史电力数据包括各能源负荷的负荷数据和多种负荷影响因素的数据。
本实施例中,电力系统为综合能源系统。历史电力数据为多个历史时刻下各能源负荷的符合数据和负荷影响因素。历史时刻的间隔大小可以根据实际情况设定,例如以一小时为单位、以一天为单位等。可选的,各能源负荷可以包括但不限于下述至少一项:电负荷、气负荷、冷负荷、热负荷,在此不作限定。可选的,负荷影响因素可以包括但不限于下述至少一项:温度、湿度、辐射强度、工作周期,在此不做限定。
S202,对历史电力数据进行相关性分析,选取与目标能源负荷相关性满足预设条件的待输入负荷影响因素;目标能源负荷为多种能源负荷中的一个;计算各能源负荷之间的耦合度值,并根据耦合度值确定为待输入能源负荷。
本实施例中,预设条件可以是大于某一预设值,也可以是大于所有负荷影响因素与目标能源负荷相关性的值的平均值,在此不做限定。即选取与目标能源负荷相关性强的负荷影响因素作为待输入负荷影响因素。某能源负荷与其他能源负荷之间的耦合度值表示对该能源负荷进行预测时,其他几种能源负荷对其预测结果的影响程度,从其他几种能源负荷中选取影响程度较高的能源负荷加入到待输入的能源负荷中,共同参与预测。
S203,根据待输入负荷影响因素的数据和待输入能源负荷的负荷数据确定训练数据;根据最小二乘支持向量机算法构建目标能源负荷的预测模型;根据训练数据训练预测模型。
本实施例中,由训练数据得到的训练样本集其中xi和yi分别为输入值和输出值。最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)是支持向量机在二次损失函数下的一种形式,可以通过求解线性模型替换二次规划求解优化的问题。其主要原理如下:
可构造如下决策函数作为学习机:
构造结构风险函数R为:
其中,||ω||为控制模型的复杂度,c为正则化参数;Remp为经验风险。
其中,ζi为误差松弛变量,i=1,2,3,...,L。
则优化问题可表示为:
其中,Iv=[1,1,1,...,1]T,共计l个元素,λ为待学习参数,y为实际输出值。
S204,根据训练后的模型预测待预测时刻的目标能源负荷的负荷数据。
本实施例中,电力负荷预测方法包括:获取电力系统的历史电力数据,其中,电力系统包括多种能源负荷,历史电力数据包括各能源负荷的负荷数据和多种负荷影响因素的数据;对历史电力数据进行相关性分析,选取与目标能源负荷相关性满足预设条件的待输入负荷影响因素;目标能源负荷为多种能源负荷中的一个;计算各能源负荷之间的耦合度值,并根据耦合度值确定为待输入能源负荷;根据待输入负荷影响因素的数据和待输入能源负荷的负荷数据确定训练数据;根据最小二乘支持向量机算法构建目标能源负荷的预测模型,根据训练数据训练预测模型,并根据训练后的模型预测待预测时刻的目标能源负荷的负荷数据。通过采用相关性分析选取负荷影响因素,同时采用耦合度值来考虑其他能源负荷的影响,能够提高电力负荷预测的预测精度。
在一些实施例中,在图2所述实施例的基础上,计算各能源负荷之间的耦合度值,包括:
对各能源负荷的负荷数据进行标准化处理;
计算各能源负荷在总能源负荷中所占比重;
根据比重,确定电力系统的负荷熵值;
根据负荷熵值,确定电力系统的负荷差异性系数;
根据负荷差异性系数,确定电力系统的负荷权重;
根据负荷权重和标准化处理后各能源负荷的负荷数据,确定各能源负荷的负荷综合变化指数;
根据各能源负荷的负荷综合变化指数,确定各能源负荷之间的耦合度值。
本实施例中,对各能源负荷的负荷数据进行标准化处理包括:根据标准化公式对各能源负荷的负荷数据进行标准化处理。
标准化公式如下:
其中,lx(i)为第i个时刻各能源负荷的实际值,μ为各能源负荷的均值,N为能源负荷总数,σ为标准差,lx *(i)为标准化处理后第i个时刻的各能源负荷。x为能源负荷的种类,可选的,x=e,c,h,e、c、h分别表示电负荷、冷负荷和热负荷。
本实施例中,可以根据下式计算第i个时刻各能源负荷在总能源负荷中所占比重rx(i):
本实施例中,可以根据下式确定第i个时刻的负荷熵值、负荷差异性系数、负荷权重:
其中,e(i)为第i个时刻的负荷熵值,g(i)为第i个时刻的负荷差异性系数,ω(i)为第i个时刻的负荷权重。
本实施例中,可以根据下式确定各能源负荷的综合变化指数γx:
当x=e,c,h时,其中e、c、h分别表示电负荷、冷负荷和热负荷。可以根据下式确定各能源负荷之间的耦合度值C:
其中,Ce,c为电负荷与冷负荷之间的耦合度值,Ce,h为电负荷和热负荷之间的耦合度值,Cc,h为冷负荷和热负荷之间的耦合度值。
可选的,根据耦合度值确定为待输入能源负荷,包括:
在所有能源负荷中查找指定能源负荷,其中,指定能源负荷为与目标能源负荷之间的耦合度值大于或等于预设阈值的能源负荷;
在存在至少一种指定能源负荷时,将各指定能源负荷和目标能源负荷均作为待输入能源负荷;
在不存在指定能源负荷时,将目标能源负荷作为待输入能源负荷。
本实施例中,预设阈值可以为0.5。
本实施例中,当两个能源负荷的耦合度值趋向于1时,耦合度最大,说明这两个能源负荷之间的耦合关系较强。当两个能源耦合度函数值为0时,耦合度极小,说明这两个能源负荷之间不存在相互影响的关系。当C∈[0,0.5]时,负荷处于较低水平的耦合状态,这两个能源负荷之间的相互作用不强,可以不计及各能源负荷的耦合关系;当C∈(0.5,1]时,这两个能源负荷之间的耦合度较高,相互作用关系较强,需要充分考虑各能源负荷之间的相互作用,以提高预测准确度。
可选的,根据待输入负荷影响因素的数据和待输入能源负荷的负荷数据确定训练数据,包括:
在存在至少一种指定能源负荷时,根据待输入负荷影响因素的数据、各待输入能源负荷的负荷数据和目标能源负荷与各指定能源负荷之间的耦合度值,确定训练数据;
在不存在指定能源负荷时,根据待输入负荷影响因素的数据和目标能源负荷的负荷数据,确定训练数据。
可选的,对历史电力数据进行相关性分析,选取与目标能源负荷相关性满足预设条件的待输入负荷影响因素之后,还包括:
根据局部线性嵌入算法,对各能源负荷的负荷数据和待输入负荷影响因素进行数据降维。
本实施例中,局部线性嵌入算法(Locally Linear Embedding,LLE)利用局部线性化构建超平面,将高维数据X=[x1,x2,...,xm]∈Rn×m映射到低维空间Y=[y1,y2,...,ym]∈Rn×m中,使数据保持局部线性结构不变。其中,高维数据为待输入负荷影响因素,具体步骤如下:
步骤一,采用欧氏距离确定所有高维数据的样本的k个近邻;
步骤二,由下式计算权重矩阵W,即每个样本与其近邻的线性关系,使误差函数最小。
其中,J(w)为误差函数,Q(i)表示样本xi的k个近邻的集合,wij为权重矩阵中的权重值,如果xj不是xi的近邻,则其对应的wij等于0。
步骤三,计算降维后的矩阵Y,通过步骤二求出的权重矩阵使损失函数最小。损失函数与约束条件如下:
其中,J(Y)为损失函数,I为单位矩阵,令M=(I-W)(I-W)T,简化上式得到:
J(Y)=tr(YMYT) (13)
其中,M为特征矩阵,tr为迹函数。
因此就是的特征向量构成的矩阵。
对于一个新的样本,LLE算法需要依靠映射矩阵将数据样本投影到低维空间,具体如下:
解得A=YXT(XXT)-1,新的样本xnew可以通过ynew=Axnew计算其新的嵌入坐标。
本实施例中,通过数据降维,可以只保持数据的局部线性结构不变,降低数据的复杂程度,提高负荷预测的预测速度。
可选的,根据训练数据训练预测模型,包括:
根据训练数据和樽海鞘群优化算法对预测模型中的参数进行训练;
参数包括正则化参数和核函数参数。
本实施例中,樽海鞘是一种群体活动的深海生物,在日常捕食等活动中樽海鞘群体会运动形成一聚集的群体,称为樽海鞘链。在樽海鞘群优化算法(Salp SwarmAlgorithm,SSA)中,目标群体可分为领导者和追随者两类。领导者的角色是引导Salp群体,每个跟随者都跟随前一个。假设在规划范围中内存在目标源F。依据樽海鞘的行为变化,其具体优化步骤如下:
步骤(1),参数设置。
其主要参数分别为群体个数、影响因素的个数、最大的迭代次数、变量的上下界。
步骤(2),初始化群体。
对樽海鞘种群进行随机初始化设置,得到的矩阵如下:
S=[sij]n×d (15)
式中:sij是第i个樽海鞘的第j个变量的值,i=1,2,...n,j=1,2,...d,sij可以根据下式确定:
sij=rand(i,j)×[ub(i)-lb(i)]+lb(i) (16)
其中,rand(i,j)是一个随机矩阵,所有元素的定义域为[0,1]。ub(i)和lb(i)分别代表第i个樽海鞘的上、下限。
步骤(3),构建适应度函数。
利用适应度函数计算对应元素的适合度值,并设置OS矩阵用于存储所有适应度值,如下所示:
在OS矩阵中,目标源F即为适应度值最佳的樽海鞘,其位置由樽海鞘链影响决定,因此,求解最优数值可以通过改变目标源位置实现。
步骤(4),确定迭代次数。
为避免出现局部最优解,需要对所有元素都进行函数运算来不断更新迭代。其中,领导者向目标源定位更新的公式为:
其中,xj 1表示领导者,即为首个樽海鞘在第j个维度中的位置,Fj是目标源的位置,ubj和lbj分别表示上、下限,c1、c2、c3都是随机数。c2和c3的设置区间为[0,1],用以确定第j维度向下一个位置移动的距离及方位。c1为:
其中,L为最大迭代次数,l为当前迭代次数。
追随者的位置可通过下式更新:
在对种群初始化之后,所有步骤都需要进行迭代操作,直到达到迭代终止条件。
本实施例中,采用樽海鞘群优化算法自动寻找最优的参数值,相对于传统的LSSVM采用网络交叉验证法选择参数的计算结果,显然本方案能够防止由于非客观影响因素造成的误差,提高预测精度。
可选的,预测模型的核函数为径向基函数。
本实施例中,核函数是映射关系的内机,在LSSVM模型中,RBF核函数由于只需要设置少量的参数,在实际应用中具备较强的适应性采用RBF函数作为LSSVM模型的核函数K(xi,yj),即:
其中,σ2为核函数参数。
根据上式,可以得到决策函数:
其中,λi为待学习参数。
在一些实施例中,在上述任一实施例的基础上,对电力数据进行相关性分析包括:
根据Copula函数对电力数据进行相关性分析。
本实施例中,Copula函数是数值均匀分布的多维联合分布函数,是用于研究变量间相关性的工具,可以构建联合分布函数与其边缘分布函数的一定数学关系。Copula函数的定义域为[0,1]。通过分别估计各个随机变量的边缘分布,选取合适的Copula并估计其参数,最后构建模型计算出变量间的相关性。根据Sklar定理,设H是n维随机变量的联合分布函数,对应的边缘分布函数为C,边际分布分别是,则存在Copula函数有:
H(x1,x2,...,xn)=C(F1(x1),F2(x2),...,Fn(xn)) (20)
本实施例中,根据Copula函数对电力数据进行相关性分析,能够降低各变量之间的冗余相关性,降低计算的复杂程度,提升优化算法的搜索性能。
下面通过一个实施示例对上述多能负荷预测方法进行说明,但并不作为限定。图3是电力系统的电、冷/热负荷结构示意图.如图3所示,本实施示例中,以小时为单位,选取北方某一园区综合能源系统一年的冷热电负荷数据和负荷影响因素(温度和湿度)构成仿真案例,该园区综合能源系统由电、热、冷系统组成,其中电锅炉、地源热泵、电制冷机组等设备作为能量转换设备,满足不同能源需求。
选定该园区6月1日-9月30日的冷、电负荷数据作为供冷季预测的原始训练样本,选定供冷季工作典型日7月19日,供冷季休息典型日7月20日进行负荷预测;以12月1日-次年3月18日的热、电负荷数据作为供暖季预测的原始训练样本,选定供暖季工作典型日2月21日,供暖季休息典型日2月22日进行负荷预测。
本实施示例的电力负荷预测方法,具体步骤如下:
步骤1,从原始训练样本中获取电力系统的历史电力数据。
步骤2,根据Copula函数对所述历史电力数据进行相关性分析,选取与目标能源负荷相关性满足预设条件的待输入负荷影响因素。
步骤3,根据局部线性嵌入算法,对各能源负荷的负荷数据和待输入负荷影响因素进行数据降维。
步骤4,计算各能源负荷之间的耦合度值,并根据所述耦合度值确定为待输入能源负荷。
冷、热、电负荷之间的耦合度如下表所示:
表1冷、热、电负荷耦合度
负荷类型 | 供冷季负荷耦合度 | 供暖季负荷耦合度 |
电-热 | 0.3623 | 0.9703 |
电-冷 | 0.9872 | 0.2091 |
冷-热 | 0.1183 | 0.1382 |
基于负荷耦合度计算结果,可以得到该供冷季下电-热和冷-热负荷之间的耦合度小于0.5处于较低水平的耦合状态,各负荷之间的相互作用不强,可以不计及负荷的耦合关系。因此在进行供冷季热负荷预测时,可仅输入历史热负荷、历史温度数据、历史湿度数据和历史太阳辐射强度数据,以及预测日温度、湿度数据,无需输入其他负荷数据及耦合度。
步骤5,根据所述待输入负荷影响因素的数据和所述待输入能源负荷的负荷数据确定训练数据。
步骤6,根据最小二乘支持向量机算法构建所述目标能源负荷的预测模型、
步骤7,根据所述训练数据和樽海鞘群优化算法对所述预测模型中的参数进行训练。
步骤8,根据训练后的模型预测各典型日的目标能源负荷的负荷数据。
综合能源系统多元负荷受天气等因素影响,其随机性和不确定性的特征较为明显。图4是本发明一个实施例提供的供冷季电负荷与冷负荷的关系图。图5是本发明一个实施例提供的供冷季电负荷与温度的关系图。图6是本发明一个实施例提供的供冷季电负荷与湿度的关系图。图7是本发明一个实施例提供的供暖季电负荷与热负荷的关系图。图8是本发明一个实施例提供的供暖季电负荷与温度的关系图。图9是本发明一个实施例提供的供暖季电负荷与湿度的关系图。由图4至图9可知,电负荷、冷负荷和热负荷之间,以及和各影响因素之间存在明显的非线性关系。为了充分研究各因素间的联系,需要对多元负荷的相互关系及涉及温度湿度因素的影响进行量化分析。同时,通过系统负荷耦合特性的分析,可实现建模数据的有效降维,提高预测速度和精度。
本实施示例中,为验证本实施示例的电力负荷预测方法的效果,设置以下3种场景:
场景1:考虑冷、热、电负荷之间的耦合,采用本申请的电力负荷预测方法进行预测。
场景2:不考虑冷、热、电负荷之间的耦合,采用本申请的电力负荷预测方法分别对冷热电负荷进行单独预测。
场景3:考虑冷、热、电负荷之间的耦合,采用最小二乘支持向量机结合的预测模型进行多元负荷预测。
在场景1下,供暖季工作日和休息日热负荷预测的平均绝对误差分别为38.02和39.75,工作日和休息日电负荷预测的平均绝对误差分别为50.76和60.23。
在场景2下,供暖季工作日和非工作日热负荷的平均绝对误差分别为43.18和41.83。
这说明考虑了电负荷和热负荷之间的耦合,能提升负荷预测效果。
场景3下,供冷季工作日和休息日冷负荷预测的平均绝对误差分别为107.49和111.01,工作日和休息日电负荷预测的平均绝对误差分别为60.57和66.31。供暖季工作日和休息日热负荷预测的平均绝对误差分别为73.63和49.07,工作日和休息日电负荷预测的平均绝对误差分别为99.60和107.49。
图10是本发明一个实施例提供的供冷季使用电力负荷预测方法进行电力负荷预测的冷负荷相对误差随时间变化图。图11是本发明一个实施例提供的供冷季使用电力负荷预测方法进行电力负荷预测的电负荷相对误差随时间变化图。图12是本发明一个实施例提供的供暖季使用电力负荷预测方法进行电力负荷预测的热负荷相对误差随时间变化图。图13是本发明一个实施例提供的供暖季使用电力负荷预测方法进行电力负荷预测的电负荷相对误差随时间变化图。由图10至图13可知本申请的电力负荷预测方法对电、热、冷负荷的预测误差仅在个别时间超过了3%,总体预测精度较高。结合供冷季和供暖季冷热电负荷预测分析结果,本申请的电力负荷预测方法在对综合能源系统多元负荷进行预测时具有较好的预测精准度。
本实施例中,电力负荷预测方法包括:获取电力系统的历史电力数据,其中,电力系统包括多种能源负荷,历史电力数据包括各能源负荷的负荷数据和多种负荷影响因素的数据;对历史电力数据进行相关性分析,选取与目标能源负荷相关性满足预设条件的待输入负荷影响因素;目标能源负荷为多种能源负荷中的一个;计算各能源负荷之间的耦合度值,并根据耦合度值确定为待输入能源负荷;根据待输入负荷影响因素的数据和待输入能源负荷的负荷数据确定训练数据;根据最小二乘支持向量机算法构建目标能源负荷的预测模型,根据训练数据训练预测模型,并根据训练后的模型预测待预测时刻的目标能源负荷的负荷数据。通过采用相关性分析选取负荷影响因素,同时采用耦合度值来考虑其他能源负荷的影响,能够提高电力负荷预测的预测精度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图14是本发明一个实施例提供的电力负荷预测装置的结构示意图。如图14所示,电力负荷预测装置14,包括:
获取模块1410,用于获取电力系统的历史电力数据,其中,电力系统包括多种能源负荷,历史电力数据包括各能源负荷的负荷数据和多种负荷影响因素的数据。
筛选模块1420,用于对历史电力数据进行相关性分析,选取与目标能源负荷相关性满足预设条件的待输入负荷影响因素;目标能源负荷为多种能源负荷中的一个;计算各能源负荷之间的耦合度值,并根据耦合度值确定为待输入能源负荷。
训练模块1430,用于根据待输入负荷影响因素的数据和待输入能源负荷的负荷数据确定训练数据;根据最小二乘支持向量机算法构建目标能源负荷的预测模型;根据训练数据训练预测模型。
预测模块1440,用于根据训练后的模型预测待预测时刻的目标能源负荷的负荷数据。
可选的,筛选模块1420,用于:
对各能源负荷的负荷数据进行标准化处理;
计算各能源负荷在总能源负荷中所占比重;
根据比重,确定电力系统的负荷熵值;
根据负荷熵值,确定电力系统的负荷差异性系数;
根据负荷差异性系数,确定电力系统的负荷权重;
根据负荷权重和标准化处理后各能源负荷的负荷数据,确定各能源负荷的负荷综合变化指数;
根据各能源负荷的负荷综合变化指数,确定各能源负荷之间的耦合度值。
可选的,筛选模块1420,用于:
在所有能源负荷中查找指定能源负荷,其中,指定能源负荷为与目标能源负荷之间的耦合度值大于或等于预设阈值的能源负荷;
在存在至少一种指定能源负荷时,将各指定能源负荷和目标能源负荷均作为待输入能源负荷;
在不存在指定能源负荷时,将目标能源负荷作为待输入能源负荷。
可选的,筛选模块1420,用于:
在存在至少一种指定能源负荷时,根据待输入负荷影响因素的数据、各待输入能源负荷的负荷数据和目标能源负荷与各指定能源负荷之间的耦合度值,确定训练数据;
在不存在指定能源负荷时,根据待输入负荷影响因素的数据和目标能源负荷的负荷数据,确定训练数据。
可选的,筛选模块1420,还用于:
根据局部线性嵌入算法,对各能源负荷的负荷数据待输入负荷影响因素进行数据降维。
可选的,训练模块1430,用于:
根据训练数据和樽海鞘群优化算法对预测模型中的参数进行训练;
参数包括正则化参数和核函数参数。
可选的,多种能源负荷包括下述至少两项:热负荷、冷负荷、气负荷、电负荷;
可选的,多种负荷影响因素包括下述至少一项:温度、湿度、辐射强度、工作周期。
可选的,预测模型的核函数为径向基函数;
可选的,筛选模块1420,用于:
根据Copula函数对电力数据进行相关性分析;
本实施例提供的电力负荷预测装置,可用于执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述
图15是本发明一个实施例提供的电子设备的示意图。如图15所示,本发明的一个实施例提供的电子设备15,该实施例的电子设备15包括:处理器1500、存储器1510以及存储在存储器1510中并可在处理器1500上运行的计算机程序1520。处理器1500执行计算机程序1520时实现上述各个电力负荷预测方法实施例中的步骤,例如图2所示的步骤201至步骤204。或者,处理器1500执行计算机程序1520时实现上述各装置实施例中各模块/单元的功能,例如图14所示模块1410至1440的功能。
示例性的,计算机程序1520可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器1510中,并由处理器1500执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序1520在电子设备15中的执行过程。
电子设备15可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端可包括,但不仅限于,处理器1500、存储器1510。本领域技术人员可以理解,图15仅仅是电子设备15的示例,并不构成对电子设备15的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器1500可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器1510可以是电子设备15的内部存储单元,例如电子设备15的硬盘或内存。存储器1510也可以是电子设备15的外部存储设备,例如电子设备15上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,存储器1510还可以既包括电子设备15的内部存储单元也包括外部存储设备。存储器1510用于存储计算机程序以及终端所需的其他程序和数据。存储器1510还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述电力负荷预测方法实施例中的步骤。
计算机可读存储介质存储有计算机程序1520,计算机程序1520包括程序指令,程序指令被处理器1500执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序1520来指令相关的硬件来完成,计算机程序1520可存储于一计算机可读存储介质中,该计算机程序1520在被处理器1500执行时,可实现上述各个方法实施例的步骤。其中,计算机程序1520包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,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单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电力负荷预测方法,其特征在于,包括:
获取电力系统的历史电力数据,其中,所述电力系统包括多种能源负荷,所述历史电力数据包括各能源负荷的负荷数据和多种负荷影响因素的数据;
对所述历史电力数据进行相关性分析,选取与目标能源负荷相关性满足预设条件的待输入负荷影响因素;所述目标能源负荷为所述多种能源负荷中的一个;计算各能源负荷之间的耦合度值,并根据所述耦合度值确定为待输入能源负荷;根据所述待输入负荷影响因素的数据和所述待输入能源负荷的负荷数据确定训练数据;根据最小二乘支持向量机算法构建所述目标能源负荷的预测模型;根据所述训练数据训练所述预测模型,并根据训练后的模型预测待预测时刻的目标能源负荷的负荷数据。
2.根据权利要求1所述的电力负荷预测方法,其特征在于,所述计算各能源负荷之间的耦合度值,包括:
对各能源负荷的负荷数据进行标准化处理;
计算各能源负荷在总能源负荷中所占比重;
根据所述比重,确定所述电力系统的负荷熵值;
根据所述负荷熵值,确定所述电力系统的负荷差异性系数;
根据所述负荷差异性系数,确定所述电力系统的负荷权重;
根据所述负荷权重和标准化处理后各能源负荷的负荷数据,确定各能源负荷的负荷综合变化指数;
根据各能源负荷的负荷综合变化指数,确定各能源负荷之间的耦合度值。
3.根据权利要求2所述的电力负荷预测方法,其特征在于,所述根据所述耦合度值确定为待输入能源负荷,包括:
在所有能源负荷中查找指定能源负荷,其中,所述指定能源负荷为与所述目标能源负荷之间的耦合度值大于或等于预设阈值的能源负荷;
在存在至少一种指定能源负荷时,将各指定能源负荷和目标能源负荷均作为待输入能源负荷;
在不存在指定能源负荷时,将所述目标能源负荷作为待输入能源负荷。
4.根据权利要求3所述的电力负荷预测方法,其特征在于,所述根据所述待输入负荷影响因素的数据和所述待输入能源负荷的负荷数据确定训练数据,包括:
在存在至少一种指定能源负荷时,根据所述待输入负荷影响因素的数据、各待输入能源负荷的负荷数据和所述目标能源负荷与各指定能源负荷之间的耦合度值,确定训练数据;
在不存在指定能源负荷时,根据所述待输入负荷影响因素的数据和目标能源负荷的负荷数据,确定训练数据。
5.根据权利要求1所述的电力负荷预测方法,其特征在于,所述对所述历史电力数据进行相关性分析,选取与目标能源负荷相关性满足预设条件的待输入负荷影响因素之后,还包括:
根据局部线性嵌入算法,对各能源负荷的负荷数据和所述待输入负荷影响因素进行数据降维。
6.根据权利要求1所述的电力负荷预测方法,其特征在于,所述根据所述训练数据训练所述预测模型,包括:
根据所述训练数据和樽海鞘群优化算法对所述预测模型中的参数进行训练;
所述参数包括正则化参数和核函数参数。
7.根据权利要求1-6任一项所述的电力负荷预测方法,其特征在于,
所述多种能源负荷包括下述至少两项:热负荷、冷负荷、气负荷、电负荷;
所述多种负荷影响因素包括下述至少一项:温度、湿度、辐射强度、工作周期。
所述预测模型的核函数为径向基函数;
所述对所述电力数据进行相关性分析包括:
根据Copula函数对所述电力数据进行相关性分析。
8.一种电力负荷预测装置,其特征在于,包括:
获取模块,用于获取电力系统的历史电力数据,其中,所述电力系统包括多种能源负荷,所述历史电力数据包括各能源负荷的负荷数据和多种负荷影响因素的数据;
筛选模块,用于对所述历史电力数据进行相关性分析,选取与目标能源负荷相关性满足预设条件的待输入负荷影响因素;所述目标能源负荷为所述多种能源负荷中的一个;计算各能源负荷之间的耦合度值,并根据所述耦合度值确定为待输入能源负荷;
建立模块,用于根据所述待输入负荷影响因素的数据和所述待输入能源负荷的负荷数据确定训练数据;根据最小二乘支持向量机算法构建所述目标能源负荷的预测模型;
预测模块,用于根据所述训练数据训练所述预测模型,并根据训练后的模型预测待预测时刻的目标能源负荷的负荷数据。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述电力负荷预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述电力负荷预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110567830.2A CN113516291A (zh) | 2021-05-24 | 2021-05-24 | 电力负荷预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110567830.2A CN113516291A (zh) | 2021-05-24 | 2021-05-24 | 电力负荷预测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516291A true CN113516291A (zh) | 2021-10-19 |
Family
ID=78064776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110567830.2A Pending CN113516291A (zh) | 2021-05-24 | 2021-05-24 | 电力负荷预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516291A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565156A (zh) * | 2022-02-28 | 2022-05-31 | 广东电网有限责任公司 | 一种电力负荷预测方法、装置、设备及存储介质 |
CN115860273A (zh) * | 2023-02-22 | 2023-03-28 | 南方电网数字电网研究院有限公司 | 用电负荷预测方法、装置、计算机设备和存储介质 |
CN116070804A (zh) * | 2023-04-06 | 2023-05-05 | 国网冀北电力有限公司 | 基于知识图谱和数据驱动的电力系统负荷预测方法及装置 |
CN116186548A (zh) * | 2023-05-04 | 2023-05-30 | 广州三晶电气股份有限公司 | 电力负荷预测模型训练方法及电力负荷预测方法 |
CN116736780A (zh) * | 2023-08-15 | 2023-09-12 | 贵州汇通华城股份有限公司 | 一种区域能源站的开关机控制优化方法和系统 |
CN117318055A (zh) * | 2023-12-01 | 2023-12-29 | 山东理工昊明新能源有限公司 | 电力负荷预测模型处理方法、装置、电子设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
CN107506865A (zh) * | 2017-08-30 | 2017-12-22 | 华中科技大学 | 一种基于lssvm优化的负荷预测方法及系统 |
CN110210995A (zh) * | 2019-06-04 | 2019-09-06 | 国网安徽省电力有限公司经济技术研究院 | 一种基于小波包与神经网络的综合能源负荷预测方法 |
CN111275240A (zh) * | 2019-12-27 | 2020-06-12 | 华北电力大学 | 一种基于多能耦合场景下的负荷预测方法 |
CN111582548A (zh) * | 2020-04-14 | 2020-08-25 | 广东卓维网络有限公司 | 一种基于多元用户行为画像的用电负荷预测方法 |
CN111754037A (zh) * | 2020-06-19 | 2020-10-09 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能系统长期负荷混合预测方法 |
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 |
CN112381315A (zh) * | 2020-11-26 | 2021-02-19 | 广西电网有限责任公司电力科学研究院 | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 |
-
2021
- 2021-05-24 CN CN202110567830.2A patent/CN113516291A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
CN107506865A (zh) * | 2017-08-30 | 2017-12-22 | 华中科技大学 | 一种基于lssvm优化的负荷预测方法及系统 |
CN110210995A (zh) * | 2019-06-04 | 2019-09-06 | 国网安徽省电力有限公司经济技术研究院 | 一种基于小波包与神经网络的综合能源负荷预测方法 |
CN111275240A (zh) * | 2019-12-27 | 2020-06-12 | 华北电力大学 | 一种基于多能耦合场景下的负荷预测方法 |
CN111582548A (zh) * | 2020-04-14 | 2020-08-25 | 广东卓维网络有限公司 | 一种基于多元用户行为画像的用电负荷预测方法 |
CN111754037A (zh) * | 2020-06-19 | 2020-10-09 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能系统长期负荷混合预测方法 |
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 |
CN112381315A (zh) * | 2020-11-26 | 2021-02-19 | 广西电网有限责任公司电力科学研究院 | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
何忠华,等: "考虑大气污染防治措施影响的短期电力负荷预测模型研究", 《智慧电力》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565156A (zh) * | 2022-02-28 | 2022-05-31 | 广东电网有限责任公司 | 一种电力负荷预测方法、装置、设备及存储介质 |
CN115860273A (zh) * | 2023-02-22 | 2023-03-28 | 南方电网数字电网研究院有限公司 | 用电负荷预测方法、装置、计算机设备和存储介质 |
CN116070804A (zh) * | 2023-04-06 | 2023-05-05 | 国网冀北电力有限公司 | 基于知识图谱和数据驱动的电力系统负荷预测方法及装置 |
CN116186548A (zh) * | 2023-05-04 | 2023-05-30 | 广州三晶电气股份有限公司 | 电力负荷预测模型训练方法及电力负荷预测方法 |
CN116736780A (zh) * | 2023-08-15 | 2023-09-12 | 贵州汇通华城股份有限公司 | 一种区域能源站的开关机控制优化方法和系统 |
CN116736780B (zh) * | 2023-08-15 | 2023-11-24 | 贵州汇通华城股份有限公司 | 一种区域能源站的开关机控制优化方法和系统 |
CN117318055A (zh) * | 2023-12-01 | 2023-12-29 | 山东理工昊明新能源有限公司 | 电力负荷预测模型处理方法、装置、电子设备和存储介质 |
CN117318055B (zh) * | 2023-12-01 | 2024-03-01 | 山东理工昊明新能源有限公司 | 电力负荷预测模型处理方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113516291A (zh) | 电力负荷预测方法、装置及设备 | |
Fan et al. | Development of prediction models for next-day building energy consumption and peak power demand using data mining techniques | |
Brown et al. | Kernel regression for real-time building energy analysis | |
He et al. | A combined model for short-term wind power forecasting based on the analysis of numerical weather prediction data | |
CN112232575B (zh) | 一种基于多元负荷预测的综合能源系统调控方法和装置 | |
CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN113591368A (zh) | 一种综合能源系统多能负荷预测方法及系统 | |
CN113240153A (zh) | 光伏发电数据预测方法、装置、计算设备及存储介质 | |
He et al. | Probabilistic solar irradiance forecasting via a deep learning‐based hybrid approach | |
Zhang et al. | Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM | |
CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
Gafar et al. | Optimal parameter estimation of three solar cell models using modified spotted hyena optimization | |
Wu et al. | A GAN-enhanced ensemble model for energy consumption forecasting in large commercial buildings | |
CN113780679B (zh) | 一种基于泛在电力物联网的负荷预测方法及装置 | |
Tripathy et al. | A k‐nearest neighbor‐based averaging model for probabilistic PV generation forecasting | |
Wei et al. | An instance based multi-source transfer learning strategy for building’s short-term electricity loads prediction under sparse data scenarios | |
Wang | Application of fuzzy linear programming model in agricultural economic management | |
Wang et al. | A hybrid model with combined feature selection based on optimized VMD and improved multi-objective coati optimization algorithm for short-term wind power prediction | |
CN115965160A (zh) | 一种数据中心能耗预测方法、装置、存储介质及电子设备 | |
CN116316542A (zh) | 区域分布式光伏功率预测方法、装置、计算机设备及存储介质 | |
Zhao et al. | On predicting the pue with gated recurrent unit in data centers | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
Shen et al. | An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211019 |