CN113657936A - 电力负荷预测方法及终端 - Google Patents
电力负荷预测方法及终端 Download PDFInfo
- Publication number
- CN113657936A CN113657936A CN202110943561.5A CN202110943561A CN113657936A CN 113657936 A CN113657936 A CN 113657936A CN 202110943561 A CN202110943561 A CN 202110943561A CN 113657936 A CN113657936 A CN 113657936A
- Authority
- CN
- China
- Prior art keywords
- day
- prediction
- load
- data
- influence factor
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 21
- 230000002354 daily effect Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 230000003203 everyday effect Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
-
- 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
- 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
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于电力技术领域,提供了一种电力负荷预测方法及终端,包括:获取参考日电网的历史负荷数据和影响因素信息;其中,参考日为预测日的前一日,影响因素信息包括气温信息和节假日信息;获取预测日当天的影响因素信息;根据参考日的影响因素信息、预测日当天的影响因素信息,对参考日电网的历史负荷数据进行调整;将调整后的参考日电网的历史负荷数据输入至预训练的神经网络预测模型中进行预测,得到预测日当天的负荷数据。本发明能够有效提高神经网络预测模型的预测准确率。
Description
技术领域
本发明属于电力技术领域,尤其涉及一种电力负荷预测方法及终端。
背景技术
电力负荷预测是电力生产部门的重要工作,通过准确预测电网负荷,能够合理安排电力生产,保障电网安全运行。
现有技术中,通常采用训练神经网络预测模型的方法对电网进行短期负荷预测,该方法能够很好地处理电网负荷存在的非线性问题,并获得较为准确的预测结果。本申请的发明人发现,现有的部分预测模型未考虑影响负荷变化的因素,例如气温、节假日等,预测偏差较大。另一部分预测模型将影响因素数据也作为神经网络的输入,计算较为复杂。因此,现有技术缺乏一种简单有效的方法,来提高神经网络预测模型的预测准确率。
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及终端,以提高现有技术中的神经网络预测模型的预测准确率。
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:
获取参考日电网的历史负荷数据和影响因素信息;其中,参考日为预测日的前一日,影响因素信息包括气温信息和节假日信息;
获取预测日当天的影响因素信息;
根据参考日的影响因素信息、预测日当天的影响因素信息,对参考日电网的历史负荷数据进行调整;
将调整后的参考日电网的历史负荷数据输入至预训练的神经网络预测模型中进行预测,得到预测日当天的负荷数据。
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:
第一获取模块,用于获取参考日电网的历史负荷数据和影响因素信息;其中,参考日为预测日的前一日,影响因素信息包括气温信息和节假日信息;
第二获取模块,用于获取预测日当天的影响因素信息;
数据处理模块,用于根据参考日的影响因素信息、预测日当天的影响因素信息,对参考日电网的历史负荷数据进行调整;
负荷预测模块,用于将调整后的参考日电网的历史负荷数据输入至预训练的神经网络预测模型中进行预测,得到预测日当天的负荷数据。
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,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述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:
本发明通过在将参考日电网的历史负荷数据输入至神经网络预测模型中进行预测之前,先根据参考日的影响因素信息以及预测日当天的影响因素信息,对参考日电网的历史负荷数据进行调整,消除因参考日、预测日外部因素不同对电网负荷预测造成的影响,利用调整后的参考日电网的历史负荷数据进行预测,能够提高预测结果的准确率。本发明算法简单,且能够有效提高神经网络预测模型的预测准确率。
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的电力负荷预测装置的结构示意图;
图3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。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
电力负荷预测一直是一个经典问题。电网是由发电、变电、输电、配电和用电组成的电力系统,在当今世界,随着电力市场的高度发展和电力系统的快速扩张,短期负荷预测已成为电网运行调度的一个重要因素。短期负荷预测周期一般为24或48小时,甚至一周。预测目标通常是某一地区电网的负荷容量或日、周用电量数据。预测的目的是安排发电项目的日预测以及暂停或重启电力计划。因此,提高短期负荷预测的准确性一直是负荷预测研究的重点。
本发明实施例提供了一种电力负荷预测方法,参照图1所示,该方法包括以下步骤:
步骤S101、获取参考日电网的历史负荷数据和影响因素信息;其中,参考日为预测日的前一日,影响因素信息包括气温信息和节假日信息。
步骤S102、获取预测日当天的影响因素信息。
在本发明实施例中,参考日电网的历史负荷数据可以为参考日电网24个时刻的负荷数据,即通过预测日前一天24个时刻电网的负荷数据,来对预测日电网24个时刻的负荷进行预测。在实际场景中,影响电网负荷的因素有很多,例如气温、节假日、季节交替、城市用电指标等。对于某地区电网短期负荷预测来说,季节交替、城市用电指标对其影响不大。不考虑电网内部故障,对电网短期负荷预测影响最大的因素为气温和节假日,其中,当气温升高或降低时,由于制冷制热设备的开启,电网负荷明显提升,而节假日由于工厂停工放假等因素,电网负荷相对于工作日明显减少。因此,本申请主要考虑气温和节假日对电网负荷的影响,能显著提高负荷预测的准确率。
步骤S103、根据参考日的影响因素信息、预测日当天的影响因素信息,对参考日电网的历史负荷数据进行调整。
在本发明实施例中,根据前后两天的影响因素信息,对参考日电网的历史负荷数据进行调整,能够消除外部因素对电网负荷的影响。
步骤S104、将调整后的参考日电网的历史负荷数据输入至预训练的神经网络预测模型中进行预测,得到预测日当天的负荷数据。
在本发明实施例中,将上述调整后的参考日24个时刻的负荷数据输入神经网络预测模型,得到预测日24个时刻电网的负荷数据。
本发明通过在将参考日电网的历史负荷数据输入至神经网络预测模型中进行预测之前,先根据参考日的影响因素信息以及预测日当天的影响因素信息,对参考日电网的历史负荷数据进行调整,消除因参考日、预测日外部因素不同对电网负荷预测造成的影响,利用调整后的参考日电网的历史负荷数据进行预测,能够提高预测结果的准确率。本发明算法简单,且能够有效提高神经网络预测模型的预测准确率。
可选的,作为一种可能的实施方式,根据参考日的影响因素信息、预测日当天的影响因素信息,对参考日电网的历史负荷数据进行调整,可以详述为:
根据参考日的影响因素信息,确定参考日的负荷影响系数;
根据预测日当天的影响因素信息,确定预测日当天的负荷影响系数;
可选的,作为一种可能的实施方式,根据参考日的影响因素信息,确定参考日的负荷影响系数,可以详述为:
根据参考日的气温信息和预设的气温影响系数曲线,确定参考日的气温影响系数,以及根据参考日的节假日信息和预设的节假日影响系数对照表,确定参考日的节假日影响系数;
根据F1=ft1*fg1确定参考日的负荷影响系数;其中,ft1为参考日的气温影响系数,fg1为参考日的节假日影响系数。
可选的,作为一种可能的实施方式,根据预测日的影响因素信息,确定预测日的负荷影响系数,可以详述为:
根据预测日的气温信息和预设的气温影响系数曲线,确定预测日的气温影响系数,以及根据预测日的节假日信息和预设的节假日影响系数对照表,确定预测日的节假日影响系数;
根据F2=ft2*fg2确定参考日的负荷影响系数;其中,ft2为参考日的气温影响系数,fg2为参考日的节假日影响系数。
可选的,作为一种可能的实施方式,电力负荷预测方法还包括:
获取参考年份电网每一天的历史负荷数据和影响因素信息;其中,参考年份为预测日所在年份的前一个年份;
对参考年份电网每一天的历史负荷数据和影响因素信息进行比较分析,确定气温影响系数曲线以及节假日影响系数对照表。
在本发明实施例中,示例性的,对某一年电网每一天的历史负荷数据和影响因素信息进行比较分析,得到影响因素信息对负荷的影响程度。在得到的气温影响系数曲线中,当气温处于某个温度区间时,气温影响系数为固定值1。当气温大于该区间时,气温每升高1摄氏度,则气温影响系数增加3%,而当气温小于该区间时,气温每降低1摄氏度,则气温影响系数增加3%。在得到的节假日影响系数对照表中,设定非节假日的节假日影响系数为1,则节假日的节假日影响系数为0.8左右。综合节假日影响系数和气温影响系数,计算负荷影响系数,进而根据前后两天负荷影响系数,对参考日电网的历史负荷数据进行调整,能够消除气温、节假日因素对电网负荷的影响。
可选的,作为一种可能的实施方式,在对参考日电网的历史负荷数据进行调整之前,还包括:
对参考日电网的历史负荷数据进行预处理;
其中,预处理包括删除错误数据,并采用平均插值法在错误数据位置进行插值处理,以及对参考日电网的历史负荷数据进行归一化处理。
负荷预测是否准确,历史数据的选取是尤为重要的。在本发明实施例中,数据样本主要来自数据采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA),由于一些人为原因或客观因素,其数据并不完整,会存在一些错误数据。通过对数据进行垂直处理、水平处理、缺失数据修补等,能够保证数据的正确性。其中,数据的垂直处理就是根据负荷具有的周期性和相似日的原理,其负荷的变化是在一定范围内的,超出了范围的数据就可认定为异常数据,通过垂直处理就可以很快的检索出异常的数据。数据的水平处理就是根据相邻时刻负荷数据不会突然变化的原理,依据设定好的误差范围和相邻时刻的数据可以检测出异常数据。缺失数据修补是对于缺失的数据,通过平均插值法进行插值,或者通过曲线拟合的方法来拟合几个相似日的数据,由拟合曲线来估计缺失值。另外,将历史负荷数据输入至神经网络预测模型之前,还需要进行数据的归一化处理,降低模型的收敛速度。
可选的,作为一种可能的实施方式,神经网络预测模型的训练方法可以详述为:
获取预测日前n天的历史负荷数据作为训练集,n为预设值;
建立神经网络预测模型,选取训练集中第i天的历史负荷数据输入至神经网络预测模型中,得到第i+1天的负荷预测数据,i+1∈n;
计算第i+1天的负荷预测数据、第i+1天的历史负荷数据之间的误差值,并根据误差值,更新神经网络预测模型的权重参数。
在本发明实施例中,神经网络预测模型可以为BP神经网络预测模型、Elman神经网络预测模型等,本申请对此不进行限定。人工神经网络技术在处理非线性问题时具有较好的预测结果。
可选的,作为一种可能的实施方式,计算负荷预测数据、历史负荷数据之间的误差值的方法可以详述为:
根据负荷预测数据生成预测负荷曲线,以及根据历史负荷数据生成历史负荷曲线,并计算预测负荷曲线与历史负荷曲线之间的关联度;
计算关联度误差值Δr=1-r,并将关联度误差值作为负荷预测数据、历史负荷数据之间的误差值;其中,Δr为关联度误差值,r为预测负荷曲线与历史负荷曲线之间的关联度。
在本发明实施例中,计算误差通过关联度误差分析来实现。关联度的基本思想,是根据曲线间相似程度来判断关联程度,该方法不仅能够表征负荷预测数据和历史负荷数据的相似性,还能表征负荷变化趋势的相似性。
预测负荷曲线与历史负荷曲线的关联度越接近1,则说明对应的预测模型越优,误差也就越小。如果我们指定历史负荷数据序列为x0,负荷预测数据序列为x,每个序列均包含n个时刻的数据,n的典型值为12,即:
x0={x0(1),x0(2),…,x0(n)}
x={x(1),x(2)…,x(n)}
则历史负荷曲线与预测负荷曲线k时刻的关联度可以表示为:
式中,ξ(k)为k时刻对应的关联系数。
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。
本发明实施例的还提供了一种电力负荷预测装置,参照图2所示,该装置20包括:
第一获取模块21,用于获取参考日电网的历史负荷数据和影响因素信息;其中,参考日为预测日的前一日,影响因素信息包括气温信息和节假日信息。
第二获取模块22,用于获取预测日当天的影响因素信息。
数据处理模块23,用于根据参考日的影响因素信息、预测日当天的影响因素信息,对参考日电网的历史负荷数据进行调整。
负荷预测模块24,用于将调整后的参考日电网的历史负荷数据输入至预训练的神经网络预测模型中进行预测,得到预测日当天的负荷数据。
可选的,作为一种可能的实施方式,数据处理模块23用于:
根据参考日的影响因素信息,确定参考日的负荷影响系数;
根据预测日当天的影响因素信息,确定预测日当天的负荷影响系数;
可选的,作为一种可能的实施方式,数据处理模块23用于:
根据参考日的气温信息和预设的气温影响系数曲线,确定参考日的气温影响系数,以及根据参考日的节假日信息和预设的节假日影响系数对照表,确定参考日的节假日影响系数;
根据F1=ft1*fg1确定参考日的负荷影响系数;其中,ft1为参考日的气温影响系数,fg1为参考日的节假日影响系数。
可选的,作为一种可能的实施方式,数据处理模块23还用于:
获取参考年份电网每一天的历史负荷数据和影响因素信息;其中,参考年份为预测日所在年份的前一个年份;
对参考年份电网每一天的历史负荷数据和影响因素信息进行比较分析,确定气温影响系数曲线以及节假日影响系数对照表。
可选的,作为一种可能的实施方式,数据处理模块23还用于:
对参考日电网的历史负荷数据进行预处理;
其中,预处理包括删除错误数据,并采用平均插值法在错误数据位置进行插值处理,以及对参考日电网的历史负荷数据进行归一化处理。
可选的,作为一种可能的实施方式,电力负荷预测装置还包括训练模块,训练模块用于:
获取预测日前n天的历史负荷数据作为训练集,n为预设值;
建立神经网络预测模型,选取训练集中第i天的历史负荷数据输入至神经网络预测模型中,得到第i+1天的负荷预测数据,i+1∈n;
计算第i+1天的负荷预测数据、第i+1天的历史负荷数据之间的误差值,并根据误差值,更新神经网络预测模型的权重参数。
可选的,作为一种可能的实施方式,训练模块还用于:
根据负荷预测数据生成预测负荷曲线,以及根据历史负荷数据生成历史负荷曲线,并计算预测负荷曲线与历史负荷曲线之间的关联度;
计算关联度误差值Δr=1-r,并将关联度误差值作为负荷预测数据、历史负荷数据之间的误差值;其中,Δr为关联度误差值,r为预测负荷曲线与历史负荷曲线之间的关联度。
图3是本发明一实施例提供的终端30的示意图。如图3所示,该实施例的终端30包括:处理器31、存储器32以及存储在存储器32中并可在处理器31上运行的计算机程序33。处理器31执行计算机程序33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1所示的步骤S101至S104。或者,处理器31执行计算机程序33时实现上述各装置实施例中各模块的功能,例如图2所示模块21至24的功能。
示例性的,计算机程序33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32中,并由处理器31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33在终端30中的执行过程。例如,计算机程序33可以被分割成第一获取模块21、第二获取模块22、数据处理模块23、负荷预测模块24(虚拟装置中的模块),各模块具体功能如下:
第一获取模块21,用于获取参考日电网的历史负荷数据和影响因素信息;其中,参考日为预测日的前一日,影响因素信息包括气温信息和节假日信息。
第二获取模块22,用于获取预测日当天的影响因素信息。
数据处理模块23,用于根据参考日的影响因素信息、预测日当天的影响因素信息,对参考日电网的历史负荷数据进行调整。
负荷预测模块24,用于将调整后的参考日电网的历史负荷数据输入至预训练的神经网络预测模型中进行预测,得到预测日当天的负荷数据。
终端30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30可包括,但不仅限于,处理器31、存储器32。本领域技术人员可以理解,图3仅仅是终端30的示例,并不构成对终端30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30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31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)、现成可编程门阵列(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32可以是终端30的内部存储单元,例如终端30的硬盘或内存。存储器32也可以是终端30的外部存储设备,例如终端30上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器32还可以既包括终端30的内部存储单元也包括外部存储设备。存储器32用于存储计算机程序以及终端30所需的其他程序和数据。存储器32还可以用于暂时地存储已经输出或者将要输出的数据。
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:
获取参考日电网的历史负荷数据和影响因素信息;其中,所述参考日为预测日的前一日,所述影响因素信息包括气温信息和节假日信息;
获取预测日当天的影响因素信息;
根据所述参考日的影响因素信息、预测日当天的影响因素信息,对所述参考日电网的历史负荷数据进行调整;
将调整后的所述参考日电网的历史负荷数据输入至预训练的神经网络预测模型中进行预测,得到预测日当天的负荷数据。
3.如权利要求2所述的电力负荷预测方法,其特征在于,根据所述参考日的影响因素信息,确定所述参考日的负荷影响系数,包括:
根据所述参考日的气温信息和预设的气温影响系数曲线,确定所述参考日的气温影响系数,以及根据所述参考日的节假日信息和预设的节假日影响系数对照表,确定所述参考日的节假日影响系数;
根据F1=ft1*fg1确定所述参考日的负荷影响系数;其中,ft1为所述参考日的气温影响系数,fg1为所述参考日的节假日影响系数。
4.如权利要求3所述的电力负荷预测方法,其特征在于,还包括:
获取参考年份电网每一天的历史负荷数据和影响因素信息;其中,所述参考年份为预测日所在年份的前一个年份;
对参考年份电网每一天的历史负荷数据和影响因素信息进行比较分析,确定所述气温影响系数曲线以及所述节假日影响系数对照表。
5.如权利要求1所述的电力负荷预测方法,其特征在于,在对所述参考日电网的历史负荷数据进行调整之前,还包括:
对所述参考日电网的历史负荷数据进行预处理;
其中,所述预处理包括删除错误数据,并采用平均插值法在错误数据位置进行插值处理,以及对所述参考日电网的历史负荷数据进行归一化处理。
6.如权利要求1-5任一项所述的电力负荷预测方法,其特征在于,所述神经网络预测模型的训练方法包括:
获取预测日前n天的历史负荷数据作为训练集,n为预设值;
建立神经网络预测模型,选取训练集中第i天的历史负荷数据输入至所述神经网络预测模型中,得到第i+1天的负荷预测数据,i+1∈n;
计算第i+1天的负荷预测数据、第i+1天的历史负荷数据之间的误差值,并根据所述误差值,更新神经网络预测模型的权重参数。
7.如权利要求6所述的电力负荷预测方法,其特征在于,计算负荷预测数据、历史负荷数据之间的误差值的方法包括:
根据负荷预测数据生成预测负荷曲线,以及根据历史负荷数据生成历史负荷曲线,并计算所述预测负荷曲线与所述历史负荷曲线之间的关联度;
计算关联度误差值Δr=1-r,并将所述关联度误差值作为负荷预测数据、历史负荷数据之间的误差值;其中,Δr为关联度误差值,r为所述预测负荷曲线与所述历史负荷曲线之间的关联度。
8.一种电力负荷预测装置,其特征在于,包括:
第一获取模块,用于获取参考日电网的历史负荷数据和影响因素信息;其中,所述参考日为预测日的前一日,所述影响因素信息包括气温信息和节假日信息;
第二获取模块,用于获取预测日当天的影响因素信息;
数据处理模块,用于根据所述参考日的影响因素信息、预测日当天的影响因素信息,对所述参考日电网的历史负荷数据进行调整;
负荷预测模块,用于将调整后的所述参考日电网的历史负荷数据输入至预训练的神经网络预测模型中进行预测,得到预测日当天的负荷数据。
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7任一项所述方法的步骤。
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7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110943561.5A CN113657936A (zh) | 2021-08-17 | 2021-08-17 | 电力负荷预测方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110943561.5A CN113657936A (zh) | 2021-08-17 | 2021-08-17 | 电力负荷预测方法及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657936A true CN113657936A (zh) | 2021-11-16 |
Family
ID=78480056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110943561.5A Withdrawn CN113657936A (zh) | 2021-08-17 | 2021-08-17 | 电力负荷预测方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657936A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116817415A (zh) * | 2023-08-28 | 2023-09-29 | 国网浙江省电力有限公司宁波供电公司 | 一种空调负荷管理调节方法、计算设备及存储介质 |
-
2021
- 2021-08-17 CN CN202110943561.5A patent/CN113657936A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116817415A (zh) * | 2023-08-28 | 2023-09-29 | 国网浙江省电力有限公司宁波供电公司 | 一种空调负荷管理调节方法、计算设备及存储介质 |
CN116817415B (zh) * | 2023-08-28 | 2024-01-12 | 国网浙江省电力有限公司宁波供电公司 | 一种空调负荷管理调节方法、计算设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
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 | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN112257928A (zh) | 一种基于cnn和分位数回归的短期电力负荷概率预测方法 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN113743673A (zh) | 一种台风期间的电力负荷预测方法 | |
CN112508299A (zh) | 一种电力负荷预测方法、装置、终端设备及存储介质 | |
CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN112907064A (zh) | 基于自适应窗的电量预测方法、装置、存储介质及终端 | |
CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
CN113657936A (zh) | 电力负荷预测方法及终端 | |
CN111754029A (zh) | 一种社区负荷预测系统 | |
CN113642783B (zh) | 电力负荷预测模型的训练方法、装置及电子设备 | |
JP2023100466A (ja) | 電力需要予測装置及び電力需要予測方法 | |
CN113962491A (zh) | 基于季节分解的短期冷热电负荷联合预测方法及装置 | |
CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
CN113139698A (zh) | 负荷预测方法、装置及设备 | |
CN116307632B (zh) | 水电站经济负荷分配方法、装置、电子设备及存储介质 | |
CN112348236A (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 | |
CN116706884A (zh) | 光伏发电量的预测方法、装置、终端及存储介质 | |
CN116388150A (zh) | 基于数字孪生和神经网络技术的配变短期负荷预测方法 | |
CN111144634A (zh) | 一种电力价格预测的方法以及装置 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN109217386B (zh) | 自动发电控制方法、系统及终端设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211116 |
|
WW01 | Invention patent application withdrawn after publication |