CN113570105A - 电力负荷预测方法、装置及终端 - Google Patents
电力负荷预测方法、装置及终端 Download PDFInfo
- Publication number
- CN113570105A CN113570105A CN202110506101.6A CN202110506101A CN113570105A CN 113570105 A CN113570105 A CN 113570105A CN 202110506101 A CN202110506101 A CN 202110506101A CN 113570105 A CN113570105 A CN 113570105A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data set
- power load
- load
- model
- 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
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Abstract
本发明适用于电力系统负荷预测技术领域,提供了一种电力负荷预测方法、装置及终端,其中,电力负荷预测方法,包括:获取原始数据集,并对原始数据集进行预处理得到预处理数据集;其中,原始数据集包括历史负荷数据、环境数据和时间数据;基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型,对预处理数据集进行预测得到电力负荷预测值。本发明对电力负荷的预测更加准确,可以保证电网经济稳定地运行。
Description
技术领域
本发明属于电力系统负荷预测技术领域,尤其涉及电力负荷预测方法、装置及终端。
背景技术
电力系统以向各用户提供能够达到质量标准的电能为主要任务,需要满足社会各类负荷的用电需求,其稳定运行需要实时动态地平衡发电量与负荷变化。然而当前电能的大量存储难以实现,负荷波动具有明显的非线性及随机性,因此需要对电力负荷进行准确的预测,从而合理分配用电负荷,保证电网经济稳定地运行。
目前,人工智能法能够较好地拟合非线性数据,现有大多通过BP神经网络算法、模糊推理法来对电力负荷进行预测,然而这些方法未考虑电力负荷的时序性,预测不够准确。
发明内容
有鉴于此,本发明实施例提供了一种电力负荷预测方法、装置及终端,以解决现有技术未考虑电力负荷的时序性,预测不够准确的问题。
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:
获取原始数据集,并对原始数据集进行预处理得到预处理数据集;其中,原始数据集包括历史负荷数据、环境数据和时间数据;
基于随机森林算法模型和预先训练完成的LSTM(Long Short-Term Memory,长短期记忆网络)神经网络预测模型,对预处理数据集进行预测得到电力负荷预测值。
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,用于获取原始数据集,并对原始数据集进行预处理得到预处理数据集;其中,原始数据集包括历史负荷数据、环境数据和时间数据;
预测模块,用于基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型,对预处理数据集进行预测得到电力负荷预测值。
本发明实施例的第三方面提供了一种终端,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上任一项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,包括: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如上任一项电力负荷预测方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明通过获取原始数据集,并对原始数据集进行预处理得到预处理数据集;其中,原始数据集包括历史负荷数据、环境数据和时间数据;基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型,对预处理数据集进行预测得到电力负荷预测值。考虑了电力负荷的时序性,使电力负荷预测更加准确,有助于配电网更加合理规划,进而保证电网经济稳定地运行。
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是本发明实施例提供的电力负荷预测方法的实现流程示意图;
图2是本发明实施例提供随机森林算法模型流程图;
图3是本发明实施例提供的电力负荷预测装置的示意图;
图4是本发明实施例提供的终端示意图。
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。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的一种电力负荷预测方法,参见图1,在本发明的一些实施例中,电力负荷预测方法,可以包括:
S101,获取原始数据集,并对原始数据集进行预处理得到预处理数据集;其中,原始数据集包括历史负荷数据、环境数据和时间数据。
可选的,环境数据可以包括风力数据、湿度数据、当日最低温度数据、天气类型数据和空气质量数据等共6维气候特征;时间数据可以包括月、日、是否为节假日、周日期和当日具体小时工6维时间日期特征,上述6维气候特征和6维时间日期特征共同构成12维特征向量数据集。
S102,基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型,对预处理数据集进行预测得到电力负荷预测值。
本发明通过获取原始数据集,并对原始数据集进行预处理得到预处理数据集;其中,原始数据集包括历史负荷数据、环境数据和时间数据;基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型,对预处理数据集进行预测得到电力负荷预测值。考虑了电力负荷的时序性,使电力负荷预测更加准确,有助于配电网更加合理规划,进而保证电网经济稳定地运行。
在本发明的一些实施例中,上述S101中“对原始数据集进行预处理的到预处理数据集”,可以包括:
对原始数据进行过滤,剔除原始数据集中缺失或异常的数据,得到特征数据集;
对特征数据集中的数据进行归一化,得到预处理数据集。
可选的,将部分缺失或异常的负荷数据剔除,此外为消除各特征之间不同量纲的影响并使预测模型尽快收敛,在确定特征集后需要对原始数据进行归一化处理使各特征数据经线性变换后都在[0,1]内,线性变化的具体公式为:
其中,x*为归一化后的值,xmax为样本数据的最大值,xmin为样本数据的最小值。
在本发明的一些实施例中,上述S102可以包括:
S1021,基于随机森林算法模型,根据预处理数据集对电力负荷进行预测得到负荷预测值和负荷残差值。
可选的,构建随机森林算法模型,对数据进行拟合并进行负荷预测可以得到随机森林的负荷预测值及负荷残差值。
S1022,基于预先训练完成的LSTM神经网络预测模型,根据预处理数据集和负荷残差值进行残差预测得到负荷预测残差值。
S1023,根据负荷预测值和负荷预测残差值确定电力负荷预测值。
在本发明的一些实施例中,基于随机森林算法模型,根据预处理数据集对电力负荷进行预测得到负荷预测值和负荷残差值,可以包括:
S201,将原始数据集按照第一预设比例划分为第一训练集和第一测试集。
可选的,以时间日期因素及气候因素作为特征建立预测特征集 XR{x1,x2,...,x11,x12},其中x1~x12对应上述6维气候特征和6维时间日期特征共同构成的12维特征向量;将数据集按照90%:10%的比例划分成第一训练集和第一测试集。
S202,基于穷举搜索法,根据第一训练集确定随机森林回归模型中的决策树。
可选的,根据随机森林模型理论,从第一训练集中有放回地随机抽取n个训练集X'R;
根据训练集X'R的数据特点确定随机森林回归模型中决策树的数目(ntree) 以及每棵树所选取的分裂特征数(mtry),使模型的均方根误差MAPE达到最小,即:ntree,mtry←{MAPE}min;
通过穷举法确定随机森林模型的最佳分裂特征数为2,当随机森林的决策树设为300棵时模型预测精度最高;
从mtry个特征中选择最优特征进行不剪枝的分支生长,共建立ntree棵决策树。
S203,根据决策树建立随机森林算法模型,对电力负荷进行预测得到负荷预测值Ypred1和负荷残差值。
可选的,将上述得到的ntree棵决策树构成随机森林,对电力负荷进行预测得到负荷预测值Ypred1和负荷残差值。
参见图2,其示出了本发明实施例提供的一种LSTM网络模型图。
在本发明的一些实施例中,在基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型,对预处理数据集进行预测得到电力负荷预测值之前,电力负荷预测方法还可以包括:
根据原始数据集和负荷残差值确定预测特征量集;
根据预测特征量集确定LSTM神经网络预测模型的网络隐藏层个数和每个隐藏层的记忆单元数;
根据网络隐藏层个数和每个隐藏层的记忆单元数构建LSTM神经网络预测模型。
可选的,构建LSTM神经网络预测模型,对负荷残差进行预测,可以包括:
S301,以时间日期因素及气候因素及负荷预测的残差作为特征建立预测特征集XL{x1,x2,...,x12,y},其中x1~x12对应上述6维气候特征和6维时间日期特征共同构成的12维特征量,y为上述随机森林算法模型得到的负荷残差值。
S302,按照图2所示的LSTM网络模型图构造LSTM神经网络预测模型,将特征集XL中的13个变量作为输入层,中间为隐藏层,最后输出负荷残差预测值Ypredc,具体设置如下:
S3021,确定LSTM神经网络预测模型的结构,即确定网络隐藏层数和每个隐藏层的记忆单元数。分别设置LSTM神经网络预测模型具有1、2、3个网络隐藏层并设置每层记忆单元数在[40,80]范围内递增,计算不同模型结构下负荷预测的均方根误差MAPE并重复实验取结果的平均值得到单网络隐藏层实验结果,取MAPE最小时的网络隐藏层数及相应的记忆单元数。
训练时的损失函数为:L(Ypredc,f(XL))=(Ypredc-f(XL))2;
最终确定在LSTM神经网络预测模型具有两个网络隐藏层且记忆单元数分别为40、50时,LSTM神经网络预测模型的预测精度可以达到最高。
S3022,影响LSTM神经网络预测模型精度的主要参数还有训练次数、InitialLearnRate、LearnRateDropPeriod及LearnRateDropFactor,将四个参数分为两组,经过遍历搜索研究各参数对模型预测精度的影响,得到MAPE最小时对应的参数设置,最终得到表1所示的LSTM神经网络预测模型关键参数列表。
表1 LSTM神经网络预测模型关键参数列表
相关参数 | 数值 |
网络隐藏层/层 | 2 |
LSTM各层单元数/个 | 40,50 |
MaxEpochs | 300 |
InitialLearnRate | 0.02 |
LearnRateDropPeriod | 120 |
LearnRateDropFactor | 0.8 |
优化器 | Adam |
S3023,根据S3021和S3022得到的参数设置构建LSTM神经网络预测模型,对负荷残差进行预测得到残差预测序列即负荷预测残差值Ypredc。
在本发明的一些实施例中,在对预处理数据集进行预测得到电力负荷预测值之后,电力负荷预测方法还包括:
获取测试样本集,并基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型确定测试样本集中的每个测试样本的电力负荷预测值;
根据每个测试样本的电力负荷预测值,计算测试样本集的均方根误差、平均绝对百分比误差和预测精度;
根据测试样本集的均方根误差、平均绝对百分比误差和预测精度判断 LSTM神经网络预测模型的预测是否准确;
其中,均方根误差MAPE为:
平均绝对百分比误差RMSE为:
预测精度FA为:
其中,n为测试样本集中的测试样本的数量,Yact(i)为第i个测试样本对应的电力负荷真实值,Ypred(i)为第i个测试样本对应的电力负荷预测值。
可选的,将随机森林算法负荷预测值与LSTM模型的残差预测值叠加得到最终电力负荷预测结果。
具体可以包括:
将S203中负荷预测值Ypred1和S3023中负荷残差预测值Ypredc进行叠加得到最终的电力负荷预测结果Ypred=Ypred1+Ypredc;再将模型输出的电力负荷预测数据与测试集进行比较,结合均方根误差MAPE、平均绝对百分比误差RMSE以及预测精度FA三项评价指标对模型的预测准确度进行判断。
综上,本发明具有如下优点与特点:
(1)使用随机森林算法充分考虑电力负荷的非线性关系并深入挖掘非连续数据之间所包含的潜在关系及相关有效信息。
(2)通过LSTM网络模型弥补随机森林算法在数据回归预测中未充分利用负荷时序特性的不足。
(3)RF-LSTM(Random Forest-Long Short-Term Memory)模型将随机森林(Random Forest,RF)算法以及LSTM网络模型有机结合,取长补短,兼顾电力负荷的时序性及非线性这两大特点,从而有效提高电力负荷的预测精度。
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。
对应于上述电力负荷预测方法,本发明实施例还提供了一种电力负荷预测装置,和电力负荷预测方法具有同样的有益效果。参见图3,示出了本发明实施例提供的电力负荷预测装置的示意图,如图3所示,在本发明的一些实施例中,一种电力负荷预测装置40,可以包括:
获取模块401,用于获取原始数据集,并对原始数据集进行预处理得到预处理数据集;其中,原始数据集包括历史负荷数据、环境数据和时间数据;
预测模块402,用于基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型,对预处理数据集进行预测得到电力负荷预测值。
在本发明的一些实施例中,获取模块401可以包括过滤单元和归一化单元;
过滤单元,用于对原始数据进行滤除,剔除原始数据集中缺失或异常的数据,得到特征数据集;
归一化单元,用于对特征数据集中的数据进行归一化,得到预处理数据集。
在本发明的一些实施例中,预测模块402可以包括第一预测单元、第二预测单元和第三预测单元;
第一预测单元,用于基于随机森林算法模型,根据预处理数据集对电力负荷进行预测得到负荷预测值和负荷残差值;
第二预测单元,用于基于预先训练完成的LSTM神经网络预测模型,根据预处理数据集和负荷残差值进行残差预测得到负荷预测残差值;
第三预测单元,用于根据负荷预测值和负荷预测残差值确定电力负荷预测值.
在本发明的一些实施例中,第一预测单元可以包括数据处理子单元、模型确定子单元和模型预测子单元;
数据处理子单元,用于将原始数据集按照第一预设比例划分为第一训练集和第一测试集;
模型确定子单元,用于基于穷举搜索法,根据第一训练集确定随机森林回归模型中的决策树;
模型预测子单元,用于根据决策树建立随机森林算法模型,对电力负荷进行预测得到负荷预测值和负荷残差值。
在本发明的一些实施例中,电力负荷预测装置40还可以包括特征确定模块、模型参数确定模块和模型构建模块;
特征确定模块,用于根据原始数据集和负荷残差值确定预测特征量集;
模型参数确定模块,用于根据预测特征量集确定LSTM神经网络预测模型的网络隐藏层个数和每个隐藏层的记忆单元数;
模型构建模块,用于根据网络隐藏层个数和每个隐藏层的记忆单元数构建 LSTM神经网络预测模型。
在本发明的一些实施例中,电力负荷预测装置40还可以包括预测值确定模块、误差计算模块和判断模块;
预测值确定模块,用于获取测试样本集,并基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型确定测试样本集中的每个测试样本的电力负荷预测值;
误差计算模块,用于根据每个测试样本的电力负荷预测值,计算测试样本集的均方根误差、平均绝对百分比误差和预测精度;
判断模块,用于根据测试样本集的均方根误差、平均绝对百分比误差和预测精度判断LSTM神经网络预测模型的预测是否准确;
其中,均方根误差MAPE为:
平均绝对百分比误差RMSE为:
预测精度FA为:
其中,n为测试样本集中的测试样本的数量,Yact(i)为第i个测试样本对应的电力负荷真实值,Ypred(i)为第i个测试样本对应的电力负荷预测值。
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,即将终端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。上述装置中单元、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。
图4是本发明一实施例提供的终端的示意图。如图4所示,该实施例的终端50包括:一个或多个处理器502、存储器500以及存储在存储器500中并可在处理器502上运行的计算机程序501。处理器502执行计算机程序501时实现上述多目标配电网动态重构方法实施例中的步骤,例如图1所示的步骤S101 至S102。或者,处理器502执行计算机程序501时实现上述多目标配电网动态重构装置的实施例中各模块/单元的功能,例如图3所示模块401至402的功能。
示例性地,计算机程序501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500中,并由处理器502执行,以完成本申请。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501在终端50中的执行过程。例如,计算机程序 501可以被分割成获取模块401和预测模块402。
获取模块401,用于获取原始数据集,并对原始数据集进行预处理得到预处理数据集;其中,原始数据集包括历史负荷数据、环境数据和时间数据;
预测模块402,用于基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型,对预处理数据集进行预测得到电力负荷预测值。
其它模块或者单元可参照图3所示的实施例中的描述,在此不再赘述。
终端50包括但不仅限于处理器502、存储器500。本领域技术人员可以理解,图4仅仅是终端的一个示例,并不构成对终端50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50还可以包括输入设备、输出设备、网络接入设备、总线等。
处理器502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500可以是终端的内部存储单元,例如终端的硬盘或内存。存储器 500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 MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器500还可以既包括终端的内部存储单元也包括外部存储设备。存储器500用于存储计算机程序501以及终端所需的其他程序和数据。存储器500还可以用于暂时地存储已经输出或者将要输出的数据。
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申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的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,在本申请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,本申请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申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种电力负荷预测方法,其特征在于,包括:
获取原始数据集,并对所述原始数据集进行预处理得到预处理数据集;其中,所述原始数据集包括历史负荷数据、环境数据和时间数据;
基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型,对所述预处理数据集进行预测得到电力负荷预测值。
2.如权利要求1所述的电力负荷预测方法,其特征在于,所述对所述原始数据集进行预处理得到预处理数据集,包括:
对所述原始数据进行过滤,剔除所述原始数据集中缺失或异常的数据,得到特征数据集;
对所述特征数据集中的数据进行归一化,得到所述预处理数据集。
3.如权利要求1所述的电力负荷预测方法,其特征在于,所述基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型,对所述预处理数据集进行预测得到电力负荷预测值,包括:
基于所述随机森林算法模型,根据所述预处理数据集对电力负荷进行预测得到负荷预测值和负荷残差值;
基于所述预先训练完成的LSTM神经网络预测模型,根据所述预处理数据集和所述负荷残差值进行残差预测得到负荷预测残差值;
根据所述负荷预测值和所述负荷预测残差值确定所述电力负荷预测值。
4.如权利要求3所述的电力负荷预测方法,其特征在于,所述基于所述随机森林算法模型,根据所述预处理数据集对电力负荷进行预测得到负荷预测值和负荷残差值,包括:
将所述原始数据集按照第一预设比例划分为第一训练集和第一测试集;
基于穷举搜索法,根据所述第一训练集确定随机森林回归模型中的决策树;
根据所述决策树建立所述随机森林算法模型,对所述电力负荷进行预测得到所述负荷预测值和负荷残差值。
5.如权利要求4所述的电力负荷预测方法,其特征在于,在所述基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型,对所述预处理数据集进行预测得到电力负荷预测值之前,所述电力负荷预测方法还包括:
根据所述原始数据集和所述负荷残差值确定预测特征量集;
根据所述预测特征量集确定所述LSTM神经网络预测模型的网络隐藏层个数和每个隐藏层的记忆单元数;
根据所述网络隐藏层个数和每个隐藏层的记忆单元数构建LSTM神经网络预测模型。
6.如权利要求1至5任一项所述的电力负荷预测方法,其特征在于,在所述对所述预处理数据集进行预测得到电力负荷预测值之后,所述电力负荷预测方法还包括:
获取测试样本集,并基于所述随机森林算法模型和所述预先训练完成的LSTM神经网络预测模型确定所述测试样本集中的每个测试样本的电力负荷预测值;
根据每个测试样本的电力负荷预测值,计算所述测试样本集的均方根误差、平均绝对百分比误差和预测精度;
根据所述测试样本集的均方根误差、平均绝对百分比误差和预测精度判断所述LSTM神经网络预测模型的预测是否准确;
其中,所述均方根误差MAPE为:
所述平均绝对百分比误差RMSE为:
所述预测精度FA为:
其中,n为测试样本集中的测试样本的数量,Yact(i)为第i个测试样本对应的电力负荷真实值,Ypred(i)为第i个测试样本对应的电力负荷预测值。
7.一种电力负荷预测装置,其特征在于,包括:
获取模块,用于获取原始数据集,并对所述原始数据集进行预处理得到预处理数据集;其中,所述原始数据集包括历史负荷数据、环境数据和时间数据;
预测模块,用于基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型,对所述预处理数据集进行预测得到电力负荷预测值。
8.如权利要求6所述的电力负荷预测装置,其特征在于,所述获取模块包括过滤单元和归一化单元;
所述过滤单元,用于对所述原始数据进行滤除,剔除所述原始数据集中缺失或异常的数据,得到特征数据集;
所述归一化单元,用于对所述特征数据集中的数据进行归一化,得到所述预处理数据集。
9.一种终端,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权利要求1至6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权利要求1至6任一项所述多电力负荷预方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506101.6A CN113570105A (zh) | 2021-05-10 | 2021-05-10 | 电力负荷预测方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506101.6A CN113570105A (zh) | 2021-05-10 | 2021-05-10 | 电力负荷预测方法、装置及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113570105A true CN113570105A (zh) | 2021-10-29 |
Family
ID=78161508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110506101.6A Pending CN113570105A (zh) | 2021-05-10 | 2021-05-10 | 电力负荷预测方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570105A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2021
- 2021-05-10 CN CN202110506101.6A patent/CN113570105A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|---|
CN110969285B (zh) | 预测模型训练方法、预测方法、装置、设备及介质 | |
CN111915092B (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
CN113486585A (zh) | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 | |
CN112508299A (zh) | 一种电力负荷预测方法、装置、终端设备及存储介质 | |
CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
CN113570105A (zh) | 电力负荷预测方法、装置及终端 | |
CN114140009A (zh) | 电网配网工程技术评审方法、装置、终端及存储介质 | |
CN113592192A (zh) | 短期电力负荷预测方法、装置及终端设备 | |
CN113988398A (zh) | 一种风电机组功率预测方法、装置、电子设备和存储介质 | |
CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
CN113869556A (zh) | 一种用电量预测方法、装置及设备 | |
CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
CN113642783B (zh) | 电力负荷预测模型的训练方法、装置及电子设备 | |
CN115187134A (zh) | 基于网格的配电网规划方法、装置及终端设备 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 | |
CN114971053A (zh) | 低压台区网络线损率在线预测模型的训练方法及装置 | |
CN114461619A (zh) | 能源互联网多源数据融合方法、装置、终端及存储介质 | |
CN113705929A (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 |
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 |