CN113705932A - 一种短期负荷预测方法及装置 - Google Patents
一种短期负荷预测方法及装置 Download PDFInfo
- Publication number
- CN113705932A CN113705932A CN202111109166.3A CN202111109166A CN113705932A CN 113705932 A CN113705932 A CN 113705932A CN 202111109166 A CN202111109166 A CN 202111109166A CN 113705932 A CN113705932 A CN 113705932A
- Authority
- CN
- China
- Prior art keywords
- load
- meteorological
- neural network
- factors
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 claims abstract description 113
- 230000001186 cumulative effect Effects 0.000 claims abstract description 72
- 230000015654 memory Effects 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000012216 screening Methods 0.000 claims abstract description 31
- 239000002245 particle Substances 0.000 claims description 110
- 230000007787 long-term memory Effects 0.000 claims description 23
- 230000006403 short-term memory Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010200 validation analysis 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种短期负荷预测方法及装置，属于电力负荷预测领域，方法包括：对筛选出的最优额定种类的负荷预测相关因子和费歇累积气象因子归一化处理，输入至训练完毕的长短期记忆神经网络，输出预测负荷值；最优额定种类的费歇累积气象因子的获取方法，包括：将每一种气象累积效应因子的数据按照时间排列后划分成若干时间窗口；计算各时间窗口对应的费歇信息量，且将费歇信息量加权至时间窗口正中间的气象累积效应因子上，得到费歇累积气象因子；在对训练集中的实际负荷数据进行不同滞后阶数下，计算各种费歇累积气象因子与实际负荷的互相关系数，筛选出互相关系数最大的额定种类的费歇累积气象因子。本发明能够提升对负荷预测的精准度。
Description
技术领域
本发明属于电力负荷预测领域，更具体地，涉及一种短期负荷预测方法及装置。
背景技术
短期负荷预测是电力系统负荷预测的重要组成部分，准确可靠的短期负荷预测对于电力系统负荷分配、机组最优组合、安全经济调度、电力市场交易等实际工程调度具有重要的意义。
短期负荷预测模型包含传统的短期负荷预测模型和新型人工智能模型。传统的短期负荷预测模型大多基于线性回归分析，而线性回归分析极大地依赖负荷与其先前负荷之间的相关性，在选择合适的非线性函数时面临很大困难，无法准确预测非线性负荷时间序列。随着计算机算力的提升，新型人工智能算法理论不断完善，基于机器学习算法的现代智能模型则在近年来得到了快速的发展，对改进电力系统负荷预测模型提供了新的契机。智能模型在负荷预测方面表现出更加准确的性能，尤其在解决传统算法难以解决的非线性负荷序列预测问题时。近年来，有越来越多的人工智能技术方法被提出来预测负荷，如人工神经网络、前馈多层感知器、径向基函数、模糊逻辑和专家系统等。其中，神经网络以其在复杂的非线性环境中的学习能力而备受关注。人工神经网络在过去的几十年中被广泛应用于解决电力负荷预测问题。但是基于数据驱动的人工智能网络模型依赖模型参数的选择，根据经验选择的参数难以达到模型的最大效果甚至产生新的误差。且电网负荷会受到多种因素的影响，单一的历史负荷序列难以全面描述负荷及其影响因子之间的关系，不能提高模型的精度。目前鲜少有基于多影响因子间的复杂关系、自适应噪音及智能优化方法的人工智能网络负荷预测模型。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种短期负荷预测方法及装置，旨在解决现有的电力系统负荷预测中的负荷与多种因素有关，目前缺乏全面考虑多影响因子间复杂关系建立的负荷预测模型，导致负荷预测模型的精准度较差的问题。
为实现上述目的，一方面，本发明提供了一种短期负荷预测方法，包括以下步骤：对筛选出的最优额定种类的负荷预测相关因子和费歇累积气象因子进行归一化处理，输入至训练完毕的长短期记忆神经网络，输出预测负荷值；
其中，最优额定种类的费歇累积气象因子的获取方法，包括以下步骤：
将每一种气象累积效应因子的数据按照时间排列后划分成若干时间窗口，气象累积效应因子是指连续累积情况下会对负荷产生影响的因子，如温度，湿度等；
计算各时间窗口对应的费歇信息量，且将费歇信息量加权至所述时间窗口正中间的气象累积效应因子上，得到费歇累积气象因子；
在对训练集中的实际负荷数据进行不同滞后阶数下，计算各种所述费歇累积气象因子与实际负荷的互相关系数；
将互相关系数按照从大到小的顺序，筛选出互相关系数最大的额定种类的所述费歇累积气象因子。
优选地，时间窗口对应费歇信息量的获取方法，包括以下步骤：
将每一种气象累积效应因子的数据按照时间排列形成气象累积效应因子对应的时间序列；
设置时间窗口的宽度，将气象累积效应因子对应的时间序列进行划分，形成若干时间窗口；
再将每个时间窗口进行多个区间的划分；
计算落入各区间的数据个数与时间窗口中总数据的个数比值，作为费歇信息的状态变量；
基于状态变量，计算各个时间窗口的费歇信息量。
优选地，最优额定种类的负荷预测相关因子的获取方法，包括以下步骤：
量化气象因子对训练集中实际负荷的影响，计算气象因子与实际负荷之间的皮尔逊系数；
根据所述皮尔逊系数的大小，筛选出与实际负荷相关性最强的若干气象因子，称为负荷预测相关因子；
在对训练集中的实际负荷数据进行不同滞后阶数下，计算实际负荷与负荷预测相关因子之间的互相关系数；
将互相关系数按照从大到小的顺序，筛选出互相关系数最大的额定种类的负荷预测相关因子。
优选地，长短期记忆神经网络的训练方法，包括以下步骤：
(1)搭建基于粒子群优化方法的长短期记忆神经网络；
(2)对负荷时间序列数据进行变分模态分解，生成若干单独的子模态；
(3)将当前子模态输入至长短期记忆神经网络，且对筛选出的最优额定种类的负荷预测相关因子和费歇累积气象因子进行归一化处理，输入至长短期记忆神经网络，获取预测负荷值序列；
(4)将预测负荷值序列与当前子模态间的均方根误差的相反数作为长短期记忆神经网络的适应度值，采用粒子群方法迭代搜索长短期记忆神经网络的参数最优解，完成当前子模态对应的长短期记忆神经网络的训练；
(5)顺次将剩余子模态作为当前子模态，转至步骤(3)，直至所有子模态对应的长短期记忆神经网络完成训练。
优选地，步骤(1)具体包括以下步骤：
(1.1)初始化长短期记忆神经网络的待优化参数；其中，待优化参数包括：批量大小、隐藏层神经网络节点数、训练批次和训练集中验证集所占比例；
(1.2)结合步骤(1.1)，根据初始粒子群的搜索范围以及粒子群的参数，初始化粒子的位置和速度作为初始粒子群；其中，粒子群的参数包括：群体规模、惯性权重和加速常数，完成长短期记忆神经网络的搭建。
优选地，步骤(4)具体包括以下步骤：
对预测负荷值序列反归一化处理，计算神经网络输出的预测负荷值与实际负荷值的均方根误差，获取神经网络的适应度值；
更新邻域极值和个体极值后，更新粒子群的位置和速度，转至步骤(3)，直至粒子群的迭代次数达到最大迭代次数，停止更新粒子群的位置和速度；
将适应度值最高对应的参数最优解赋值给长短期记忆神经网络。
另一方面，本发明提供了一种短期负荷预测方法，包括：
归一化数据处理模块，用于对筛选出的最优额定种类的负荷预测相关因子和费歇累积气象因子进行归一化处理；
长短期记忆神经网络模块，用于将归一化处理后的负荷预测相关因子和费歇累积气象因子输入至训练完毕的长短期记忆神经网络，输出预测负荷值；
时间窗口划分模块，用于将每一种气象累积效应因子的数据按照时间排列后划分成若干时间窗口，气象累积效应因子是指连续累积情况下会对负荷产生影响的因子；
费歇累积气象因子获取模块，用于计算各所述时间窗口对应的费歇信息量，且将所述费歇信息量加权至所述时间窗口正中间的气象累积效应因子上，得到费歇累积气象因子；
互相关系数计算模块，用于在对训练集中的实际负荷数据进行不同滞后阶数下，计算各种所述费歇累积气象因子与实际负荷的互相关系数；
费歇累积气象因子筛选模块，用于将互相关系数按照从大到小的顺序，筛选出互相关系数最大的额定种类的所述费歇累积气象因子。
优选地，费歇累积气象因子获取模块包括费歇信息量计算单元，其用于计算时间窗口的费歇信息量，具体执行过程为：
将每个所述时间窗口进行多个区间的划分；
计算落入各区间的数据个数与所述时间窗口中总数据的个数比值，作为费歇信息的状态变量；
基于所述状态变量，计算各个时间窗口的费歇信息量。
优选地，短期负荷预测装置还包括：皮尔逊系数计算模块，用于量化气象因子对训练集中实际负荷的影响，计算气象因子与实际负荷之间的皮尔逊系数；
负荷预测相关因子获取模块，用于根据所述皮尔逊系数的大小，筛选出与实际负荷相关性最强的若干气象因子，称为负荷预测相关因子；
负荷预测相关因子筛选模块，用于将互相关系数按照从大到小的顺序，筛选出互相关系数最大的额定种类的负荷预测相关因子；
互相关系数计算模块还用于在对训练集中的实际负荷数据进行不同滞后阶数下，计算实际负荷与负荷预测相关因子之间的互相关系数。
优选地，短期负荷预测装置还包括：长短期记忆神经网络的训练模块，用于对长短期记忆神经网络进行训练；长短期记忆神经网络包括：
网络搭建单元，用于搭建基于粒子群优化方法的长短期记忆神经网络；
负荷数据分解单元，用于对负荷时间序列数据进行变分模态分解，生成若干单独的子模态；
粒子群迭代单元，用于将预测负荷值序列与当前子模态间的均方根误差的相反数作为长短期记忆神经网络的适应度值，采用粒子群方法迭代搜索长短期记忆神经网络的参数最优解，完成当前子模态对应的长短期记忆神经网络的训练；
子模态转换模块，用于顺次将各子模态作为当前子模态，输入至长短期记忆神经网络模块；
在训练阶段，长短期记忆神经网络模块，还用于将当前子模态入至长短期记忆神经网络；
其中，子模态为实际负荷值数据的一组集合。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明与现有技术相比，不仅可以利用长短期记忆神经网络可以实现负荷的智能预测，而且长短期记忆神经网络输入的不仅是负荷预测相关因子，同时输入费歇累积气象因子，费歇信息用来度量系统稳定性，将费歇信息引入气象领域，使加权后的费歇累积气象因子能够反映气象得累积效应，因此使负荷预测的精准度提高了不少；在此基础上，费歇累积气象因子的筛选由其与负荷的互相关系数表征，不仅使筛选出的费歇累积气象因子有所依据，同时也能保证输入长短期记忆神经网络的费歇累积气象因子对负荷预测的精准度能起到提升的作用。
本发明中负荷预测相关因子的获取，首先计算气象因子与实际负荷之间的皮尔逊系数，获取负荷预测相关因子，进一步计算实际负荷与负荷预测相关因子的互相关系数，筛选出互相关系数最大的负荷预测相关因子，不仅能减少长短期记忆神经网络的输入量，同时也能保证网络对负荷预测的精确度。
本发明中对长短期记忆神经网络采用粒子群优化方法，通过实际负荷值与预测负荷值之间的均方根差表征，对待优化参数、粒子群搜索范围和粒子群的参数进行筛选，通过上述方法获取的长短期记忆神经网络对负荷的预测适应度更高，输出的预测结果更佳。
本发明中在进行长短期记忆神经网络的训练过程中，对负荷时间序列数据进行变分模态分解，形成若干单独的子模态，分别输入至长短期记忆神经网络，作为预测负荷值的对照，评估网络的适应度，多个子模态分批进行训练，最终输出的预测负荷值求和，相比于直接将负荷时间序列数据全部直接输入网络中，获取的预测负荷精准度更佳。在实际负荷序列中，经常会出现由于某些意外情况而出现的异常波动，通常把这些异常波动称为负荷数据中的噪音，这些难以识别的噪音会降低负荷预测的精确度。通过分批训练变分模态分解的子模态并预测，能够消除负荷时间序列受到噪音的影响，提高负荷预测的精度。
附图说明
图1是本发明实施例提供的短期电力负荷预测方法流程图；
图2是本发明实施例提供的负荷经过变分模态分解(VMD)的10个子模态图；
图3是本发明实施例提供的每个子模态的实际值与预测值的对比图；
图4是本发明实施例提供的负荷实际值与预测值的对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一方面，本发明提供了一种短期负荷预测方法，包括以下步骤：
对筛选出的最优额定种类的负荷预测相关因子和费歇累积气象因子进行归一化处理，输入至训练完毕的长短期记忆神经网络，输出预测负荷值；
其中，最优额定种类的费歇累积气象因子的获取方法为：
将每一种气象累积效应因子的数据按照时间排列后划分成若干时间窗口，其中，连续的气象因子累积会对负荷产生影响的因子称为气象累积效应因子。如温度被称为气象累计效应因子，因为持续多日的高温天气和单独一日的高温对日负荷具有不同的影响；
计算各时间窗口对应的费歇信息量，且将费歇信息量加权至时间窗口正中间的气象累积效应因子上，得到费歇累积气象因子；
在对训练集中的实际负荷数据进行不同滞后阶数下，计算各种费歇累积气象因子与实际负荷的互相关系数；
将互相关系数按照从大到小的顺序，筛选出互相关系数最大的额定种类的费歇累积气象因子。
优选地，时间窗口对应费歇信息量的获取方法，包括以下步骤：
将每一种气象累积效应因子的数据按照时间排列形成气象累积效应因子对应的时间序列；
设置时间窗口的宽度，将气象累积效应因子对应的时间序列进行划分，形成若干时间窗口；
再将每个时间窗口进行多个区间的划分；
计算落入各区间的数据个数与时间窗口中总数据的个数比值，作为费歇信息的状态变量；
基于状态变量，计算各个时间窗口的费歇信息量；
其中，具体的公式表示形式如下：
每个时间窗口记为：
Z1＝minW,ZI＝maxW
其中，P(Zi)为费歇信息量计算中的qi；将计算得到的费歇信息值赋给时间窗口中间的数据；其中，时间序列为X＝{xi|i＝1,2…n}，n为时间序列的长度；w为时间窗口的宽度；δ是滑动因子；l为区间长度；区间长度的值一般不超过窗口的长度；根据区间长度l，把每个窗口等分I个区间；
费歇信息量的计算公式如下：
其中，n为状态数，即当种气象累积效应因子的时间序列；qi为第i个状态下的状态变量；I为费歇信息量，采用时间窗法计算费歇信息量；
优选地，最优额定种类的负荷预测相关因子的获取方法，包括以下步骤：
量化气象因子对训练集中实际负荷值的影响，计算气象因子与实际负荷值之间的皮尔逊系数；
其中，皮尔逊系数的计算公式为：
其中，N为样本总量；Y是实际负荷值；X是气象因子；
和
分别为样本X和样本Y的平均值；
根据皮尔逊系数的大小，筛选出与实际负荷值相关性最强的若干气象因子，称为负荷预测相关因子；
在对训练集中的实际负荷数据进行不同滞后阶数下，计算实际负荷与负荷预测相关因子之间的互相关系数；
将互相关系数按照从大到小的顺序，筛选出互相关系数最大的额定种类的负荷预测相关因子。
优选地，训练长短期记忆神经网络的方法，包括以下步骤：
(1)搭建基于粒子群优化方法的长短期记忆神经网络；
(2)对负荷时间序列数据进行变分模态分解，生成若干单独的子模态；
(3)将当前子模态输入至长短期记忆神经网络，且对筛选出的最优额定种类的负荷预测相关因子和费歇累积气象因子进行归一化处理，输入至长短期记忆神经网络，获取预测负荷值序列；
(4)将预测负荷值序列与当前子模态间的均方根误差的相反数作为长短期记忆神经网络的自适应值，采用粒子群方法迭代搜索长短期记忆神经网络的参数最优解，完成当前子模态对应的长短期记忆神经网络的训练；
(5)顺次将剩余子模态作为当前子模态，转至步骤(3)，直至所有子模态对应的长短期记忆神经网络完成训练。
优选地，步骤(1)具体包括以下步骤：
(1.1)初始化长短期记忆神经网络的待优化参数；其中，待优化参数包括：批量大小、隐藏层神经网络节点数、训练批次和训练集中验证集所占比例；
(1.2)根据初始粒子群的搜索范围以及粒子群的参数，初始化粒子的位置和速度作为初始粒子群；其中，粒子群的参数包括：群体规模、惯性权重和加速常数，完成长短期记忆神经网络的搭建。具体如下：
在粒子群优化方法中，每个粒子都是D维解空间中的一个点，并且都具有一个速度；第j个粒子的位置表示为Xj＝(xj1,…,xjDim),j＝1,2,…,M，其中，M为粒子的数目；Dim是粒子的维度；粒子群将在设置的搜索范围中飞行，不能飞过搜索范围；
群体规模确定粒子数为M，根据待优化参数个数确定粒子的维度Dim以及粒子群搜索范围生成粒子的初始位置Xj＝(xj0,xj1,…,xjDim),j＝1,2,…,M和初始速度Vj＝(vj1,…,vjdim)；速度的设置不应超过粒子的宽度范围；
优选地，步骤(4)具体包括以下步骤：
对预测负荷值序列反归一化处理，计算神经网络输出的预测负荷值与实际负荷值的均方根误差，获取神经网络的适应度值；
均方根误差的计算公式为：
其中，K为预测负荷值的个数，作为样本总量；ys是第s个实际负荷值；
为第s个预测负荷值；
更新邻域极值和个体极值后，更新粒子群的位置和速度，转至步骤(3)，直至粒子群的迭代次数达到最大迭代次数，停止更新粒子群的位置和速度；将适应度值最高对应的参数最优解赋值给长短期记忆神经网络。
其中，邻域极值pld＝{X1,…,XM}为粒子所在位置区域中适应度值最高对应的粒子最优位置；个体极值pjd＝{xj1,…,xjDim}为自身粒子的最优位置；
粒子更新的速度公式是：
vjd(t+1)＝avjd(t)+c1r1(pjd-xjd(t))+c2r2(pld-xjd(t))
粒子位置更新公式是：
xjd(t+1)＝xjd(t)+vjd(t+1)
其中，pjd是粒子自身飞行经验极值；pld是粒子群体邻域极值；r1，r2为[0,1]之间的随机数；其中，惯性权重a控制粒子的飞行速度变化，当a的取值较大时，粒子的全局寻优能力较强，局部寻优能力弱；当a的取值较小时，粒子的全局寻优能力较弱，局部寻优能力较强；因此，合适的a能够平衡全局和局部搜索能力；加速常数c1和c2分别代表了粒子的自我认知能力和社会信息共享能力，是粒子向自身极值和全局极值推进的随机加速权值；当c1取值为0时，粒子没有自我认知能力，只有社会属性，粒子容易陷入局部极值；当c2取值为0时，粒子没有社会信息共享能力，只有自我认知能力，等价于粒子单个飞行，获取最优解的概率很小。
另一方面，本发明提供了一种短期负荷预测装置，包括：
归一化数据处理模块，用于对筛选出的最优额定种类的负荷预测相关因子和费歇累积气象因子进行归一化处理；
长短期记忆神经网络模块，用于将归一化处理后的负荷预测相关因子和费歇累积气象因子输入至训练完毕的长短期记忆神经网络，输出预测负荷值；
时间窗口划分模块，用于将每一种气象累积效应因子的数据按照时间排列后划分成若干时间窗口，气象累积效应因子是指连续累积情况下会对负荷产生影响的因子；
费歇累积气象因子获取模块，用于计算各所述时间窗口对应的费歇信息量，且将所述费歇信息量加权至所述时间窗口正中间的气象累积效应因子上，得到费歇累积气象因子；
互相关系数计算模块，用于在对训练集中的实际负荷数据进行不同滞后阶数下，计算各种所述费歇累积气象因子与实际负荷的互相关系数；
费歇累积气象因子筛选模块，用于将互相关系数按照从大到小的顺序，筛选出互相关系数最大的额定种类的费歇累积气象因子。
优选地，费歇累积气象因子获取模块包括费歇信息量计算单元，其用于计算时间窗口的费歇信息量，具体执行过程为：
将每个所述时间窗口进行多个区间的划分；
计算落入各区间的数据个数与所述时间窗口中总数据的个数比值，作为费歇信息的状态变量；
基于所述状态变量，计算各个时间窗口的费歇信息量。
优选地，短期负荷预测装置还包括：皮尔逊系数计算模块，用于量化气象因子对训练集中实际负荷的影响，计算气象因子与实际负荷之间的皮尔逊系数；
负荷预测相关因子获取模块，用于根据所述皮尔逊系数的大小，筛选出与实际负荷相关性最强的若干气象因子，称为负荷预测相关因子；
负荷预测相关因子筛选模块，用于将互相关系数按照从大到小的顺序，筛选出互相关系数最大的额定种类的负荷预测相关因子；
互相关系数计算模块还用于在对训练集中的实际负荷数据进行不同滞后阶数下，计算实际负荷与负荷预测相关因子之间的互相关系数。
优选地，短期负荷预测装置还包括：长短期记忆神经网络的训练模块，用于对长短期记忆神经网络进行训练；长短期记忆神经网络包括：
网络搭建单元，用于搭建基于粒子群优化方法的长短期记忆神经网络；
负荷数据分解单元，用于对负荷时间序列数据进行变分模态分解，生成若干单独的子模态；
粒子群迭代单元，用于将预测负荷值序列与当前子模态间的均方根误差的相反数作为长短期记忆神经网络的适应度值，采用粒子群方法迭代搜索长短期记忆神经网络的参数最优解，完成当前子模态对应的长短期记忆神经网络的训练；
子模态转换模块，用于顺次将各子模态作为当前子模态，输入至长短期记忆神经网络模块；
在训练阶段，长短期记忆神经网络模块，还用于将当前子模态入至长短期记忆神经网络；
其中，子模态为实际负荷值数据的一组集合。
实施例
本发明以湖北省日最高负荷为实施例，以验证本发明的效果。按照图1所述短期电力负荷预测方法的总体流程，进行负荷预测，以体现本实施例达到的负荷预测效果。
湖北省年平均气温为15℃-17℃，大部分地区冬冷夏热，四季分明；一年中最冷的月份是1月，平均气温为2℃-4℃；最热的月份是7月，平均气温为27℃-29℃；实施例以日为尺度，获取湖北省2002-2020年每年6月1日至8月31日的每日最高负荷数据；气象数据包括平均气温、最低气温、最高气温、平均相对湿度、最小相对湿度、平均水汽压、日照时数、极大风速、最大风速；具体技术方案如下：
步骤一：根据负荷时间序列数据用信号去噪声方法变分模态分解，将负荷分解成几个单独的子模态；具体为：将负荷时间序列数据分解成10个子模态，则负荷被分解成X＝{X1，…，X10}；负荷分解得到的10个子模态如图2所示；
需指出这里的子模态作为实际负荷值的一组集合，与后续网络模型输出预测负荷值进行比对，通过计算预测负荷值和实际负荷值的均方根误差(RMSE)，获取最优的网络模型；
步骤二：计算气象因子与负荷间的皮尔逊系数，筛选与因变量负荷相关性强的气象因素，称为负荷预测相关因子；
在不同的滞后阶数下，计算负荷与负荷预测相关因子的互相关系数；互相关系数强的值将作为预测日负荷的解释变量，将输入至神经网络模型；具体包括如下步骤：
(1)用皮尔逊系数计算气象因子与负荷间的相关系数，筛选出与负荷相关性强的因素，成为负荷预测相关因子；筛选出的负荷预测相关因子包括：平均气温、最低气温、最高气温、平均相对湿度、最小相对湿度、平均水汽压、日照时数、极大风速和最大风速；
(2)在不同的滞后阶数下，通过互相关计算公式计算负荷和负荷预测相关因子之间的互相关系数；取互相关系数大的负荷预测相关因子作为长短期记忆神经网络的输入变量，通过互相关计算选择的解释变量如表1所示；
表1
步骤三：计算气象累积效应因子的费歇信息量，将气象累积效应因子的费歇信息量加权给相应的气象累积效应因子，得到费歇累积气象因子；其中，可以同步骤二相同，计算费歇累积气象因子与负荷的皮尔逊系数，以验证相关性；
在不同的滞后阶数下，计算费歇累积气象因子与日负荷的互相关系数；
具体说明如下：
具备气象累积效应的因子包括：平均温度、最高温度和平均相对湿度；
平均温度费歇信息取11为时间窗口的宽度，1为滑动因子值，5为区间长度；平均相对湿度费歇信息取21为时间窗口的宽度，1为滑动因子值，19为区间长度；最高温度费歇信息取23为时间窗口的宽度，1为滑动因子值，6为区间长度；将费歇信息加权的平均气温、最高气温和平均相对湿度称为费歇平均气温、费歇最高气温和费歇平均相对湿度；
步骤四：采用粒子群优化方法，搭建基于粒子群优化方法的长短期记忆神经网络模型；主要包括以下步骤：设置模型的参数；选择待优化的LSTM参数；设置粒子群搜索范围以及粒子群的参数；具体如下：
(4.1)确定长短期记忆神经网络模型的待优化参数，包括：批量大小(batchsize)、隐藏层神经网络节点数(hidden layer neural network nodes)、训练批次(epoch)和训练集中验证集所占比例(Validation split)；
(4.2)设置粒子群搜索范围；
批量大小是长短期记忆神经网络中的一个非常重要的参数，代表着长短期记忆神经网络每次输入样本数，影响着神经网络的收敛速度和优化程度；设置的粒子群搜索范围是[20,120]；
隐藏层神经网络节点数能够对输入数据进行多层次的抽象，并最终更好地线性划分不同类型的数据，设置的粒子群搜索范围是[20,80]；
训练批次表示向前和向后传播中所有批次的单次训练迭代次数，迭代次数影响了数据的拟合程度；训练批次太小导致欠拟合，训练批次太大导致过拟合，粒子群搜索范围是[20,120]；
训练集中验证集所占比例代表从训练集中划分多少比例给测试集，适当比例的验证集可以较好地验证神经网络参数，设置的搜索范围是[0.01,0.1]；
(4.3)设置粒子群的参数；粒子群的参数包括：群体规模、惯性权重和加速常数；需要优化的并非复杂多目标问题，因此，粒子群规模取20；惯性权重取值为0.9；加速常数C1和C2都取值0.5；
步骤五：粒子群方法迭代搜索最优解；
每迭代一次粒子群将更新一次，每一次更新前需计算一次粒子的适应度值；依据自身最优位置和相邻最优位置更新粒子的速度和位置；每一次更新，粒子将追随自身的历史最优位置和邻域粒子间的最优位置向全局最优解位置靠拢；当迭代次数达到最大迭代次数时，结束循环；
适应度值是训练集的预测值和实际值的均方根误差(RMSE)的相反数；均方根误差越小，证明粒子群的适应度值越大；训练集与测试集的划分为8:2；具体包括以下步骤：
(5.1)初始化种群，生成一组初始解；
随机生成群体中的粒子候选解的位置和速度；根据步骤四设置的粒子群规格，设置20个粒子，每个粒子的维度为4；根据步骤四设置的粒子群搜索范围，初始化粒子群速度Vj＝{vj1,vj2,vj3,vj4}和位置Xj＝{xj1,xj2,xj3,xj3}；其中，j＝1～20；
(5.2)计算粒子适应度值，每个粒子都是解空间的一个点，将粒子代表的解空间的解赋值给长短期记忆神经网络；
加载气象因子及负荷数据，并将步骤三获得的负荷预测相关因子和费歇累积气象因子的数据归一化以消除数据单位不一致造成的影响，归一化后的数据位于(0，1]的区间内；
将归一化后的数据划分成一系列的时间窗口，并以80％的数据集作为训练集序列，20％的数据集作为测试集序列；
对神经网络预测值反归一化，神经网络输出预测负荷值和实际负荷值的均方根误差；均方根误差越大，预测负荷值序列与实际负荷值序列的拟合度越低；将均方根误差的相反数记为粒子的拟合度值；
(5.3)更新邻域极值pld＝{Xj,…,X20}和个体极值pjd＝{xj1,xj2,xj3,xj4}；
(5.4)更新粒子群的位置和速度；为了避免全局方法陷入局部最优值的缺点，采用局部粒子群方法；局部方法与全局方法的区别在于局部方法中粒子群的更新依据是邻域粒子最优位置和自身粒子最优位置；
(5.5)判断粒子的迭代次数是否达到最大迭代次数；如果满足要求，输出最优粒子位置Xp＝[x1,x2,x3,x4]，停止计算；否则返回(5.2)；
步骤六：将步骤五中的全局最优粒子位置Xp＝[x1,x2,x3,x4]，赋值给长短期记忆神经网络模型的对应参数(批次大小、隐藏层神经网络节点数、训练批次和训练集中验证集所占比例)；加载气象因子及负荷数据，并将步骤三获得的负荷预测相关因子和费歇累积气象因子的数据归一化以消除数据单位不一致造成的影响，归一化后的数据位于(0，1]的区间内；将归一化后的数据划分成一些列的时间窗口，并以80％的数据集作为训练集序列，20％的数据集作为测试集序列；对每个子模态X＝{X1,X2,X3}，按照步骤四和步骤五分别预测，并将所有预测负荷值结合得到总的负荷预测值；图3是每个子模态的预测负荷值和实际负荷值的对比图；从图3可知，VMD分解后的子模态分解预测，预测结果与实际结果拟合度很高；各个子模态的预测值结合得到的负荷预测值和实际值对比如图4所示；从图4可知负荷的实际值和预测值的拟合度较高，证明该神经网络能够用于短期负荷预测中。
与现有技术相比，本发明有以下优势：
本发明与现有技术相比，不仅可以利用长短期记忆神经网络可以实现负荷的智能预测，而且长短期记忆神经网络输入的不仅是负荷预测相关因子，同时输入费歇累积气象因子，费歇信息用来度量系统稳定性，将费歇信息引入气象领域，使加权后的费歇累积气象因子能够反映气象的累积效应，，因此使负荷预测的精准度提高了不少；在此基础上，费歇累积气象因子的筛选由其与负荷的互相关系数表征，不仅使筛选出的费歇累积气象因子有所依据，同时也能保证输入长短期记忆神经网络的费歇累积气象因子对负荷预测的精准度有所提升。
本发明中负荷预测相关因子的获取，首先计算气象因子与实际负荷之间的皮尔逊系数，获取负荷预测相关因子，进一步计算实际负荷与负荷预测相关因子的互相关系数，筛选出互相关系数最大的负荷预测相关因子，不仅能减少长短期记忆神经网络的输入量，同时也能保证网络对负荷预测的精确度。
本发明中对长短期记忆神经网络采用粒子群优化方法，通过实际负荷值与预测负荷值之间的均方根差表征，对待优化参数、粒子群搜索范围和粒子群的参数进行筛选，通过上述方法获取的长短期记忆神经网络对负荷的预测适应度更高，输出的预测结果更佳。
本发明中在进行长短期记忆神经网络的训练过程中，对负荷时间序列数据进行变分模态分解，形成若干单独的子模态，分别输入至长短期记忆神经网络，作为预测负荷值的对照，评估网络的适应度，多个子模态分批进行训练，最终输出的预测负荷值求和，相比于直接将负荷时间序列数据全部直接输入网络中，获取的预测负荷精准度更佳。在实际负荷序列中，经常会出现由于某些意外情况而出现的异常波动，通常把这些异常波动称为负荷数据中的噪音，难以识别的噪音会降低负荷预测的精确度。通过分批训练变分模态分解的子模态并预测，能够消除负荷时间序列受到噪音的影响，提高负荷预测的精度。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种短期负荷预测方法，其特征在于，包括以下步骤：
对最优额定种类的负荷预测相关因子和费歇累积气象因子进行归一化处理，输入至训练完毕的长短期记忆神经网络，输出预测负荷值；
其中，最优额定种类的所述费歇累积气象因子的获取方法，包括以下步骤：
将每一种气象累积效应因子的数据按照时间排列后划分成若干时间窗口；
计算各所述时间窗口对应的费歇信息量，且将所述费歇信息量加权至所述时间窗口正中间的气象累积效应因子上，得到费歇累积气象因子；
在对训练集中的实际负荷数据进行不同滞后阶数下，计算各种所述费歇累积气象因子与实际负荷的互相关系数；
将互相关系数按照从大到小的顺序，筛选出互相关系数最大的额定种类的所述费歇累积气象因子；
其中，气象累积效应因子为连续的气象因子累积对负荷产生影响的因子。
2.根据权利要求1所述的短期负荷预测方法，其特征在于，所述时间窗口对应费歇信息量的获取方法，包括以下步骤：
将每一种所述气象累积效应因子的数据按照时间排列形成气象累积效应因子对应的时间序列；
设置时间窗口的宽度，将气象累积效应因子对应的时间序列进行划分，形成若干时间窗口；
再将每个所述时间窗口进行多个区间的划分；
计算落入各区间的数据个数与所述时间窗口中总数据的个数比值，作为费歇信息的状态变量；
基于所述状态变量，计算各个时间窗口的费歇信息量。
3.根据权利要求1所述的短期负荷预测方法，其特征在于，最优额定种类的所述负荷预测相关因子的获取方法，包括以下步骤：
量化气象因子对训练集中实际负荷的影响，计算气象因子与实际负荷之间的皮尔逊系数；
根据所述皮尔逊系数的大小，筛选出与实际负荷相关性最强的若干气象因子，称为负荷预测相关因子；
在对训练集中的实际负荷数据进行不同滞后阶数下，计算实际负荷与负荷预测相关因子之间的互相关系数；
将互相关系数按照从大到小的顺序，筛选出互相关系数最大的额定种类的负荷预测相关因子。
4.根据权利要求1至3任一所述的短期负荷预测方法，其特征在于，所述长短期记忆神经网络的训练方法，包括以下步骤：
(1)搭建基于粒子群优化方法的长短期记忆神经网络；
(2)对负荷时间序列数据进行变分模态分解，生成若干单独的子模态；
(3)将当前子模态输入至长短期记忆神经网络，且对筛选出的最优额定种类的负荷预测相关因子和费歇累积气象因子进行归一化处理，输入至长短期记忆神经网络，获取预测负荷值序列；
(4)将预测负荷值序列与当前子模态间的均方根误差的相反数作为长短期记忆神经网络的适应度值，采用粒子群方法迭代搜索长短期记忆神经网络的参数最优解，完成当前子模态对应的长短期记忆神经网络的训练；
(5)顺次将剩余子模态作为当前子模态，转至步骤(3)，直至所有子模态对应的长短期记忆神经网络完成训练。
5.根据权利要求4所述的短期负荷预测方法，其特征在于，所述步骤(1)具体包括以下步骤：
(1.1)初始化长短期记忆神经网络的待优化参数；其中，待优化参数包括：批量大小、隐藏层神经网络节点数、训练批次和训练集中验证集所占比例；
(1.2)结合步骤(1.1)，根据初始粒子群的搜索范围以及粒子群的参数，初始化粒子的位置和速度作为初始粒子群；其中，粒子群的参数包括：群体规模、惯性权重和加速常数，完成长短期记忆神经网络的搭建。
6.根据权利要求4或5所述的短期负荷预测方法，其特征在于，所述步骤(4)具体包括以下步骤：
对预测负荷值序列反归一化处理，计算神经网络输出的预测负荷值与实际负荷值的均方根误差，获取神经网络的适应度值；
更新邻域极值和个体极值后，更新粒子群的位置和速度，转至步骤(3)，直至粒子群的迭代次数达到最大迭代次数，停止更新粒子群的位置和速度；
将适应度值最高对应的参数最优解赋值给长短期记忆神经网络。
7.一种短期负荷预测装置，其特征在于，包括：
归一化数据处理模块，用于对筛选出的最优额定种类的负荷预测相关因子和费歇累积气象因子进行归一化处理；
长短期记忆神经网络模块，用于将归一化处理后的负荷预测相关因子和费歇累积气象因子输入至训练完毕的长短期记忆神经网络，输出预测负荷值；
时间窗口划分模块，用于将每一种气象累积效应因子的数据按照时间排列后划分成若干时间窗口；其中，气象累积效应因子是连续累积情况下会对负荷产生影响的因子；
费歇累积气象因子获取模块，用于计算各所述时间窗口对应的费歇信息量，且将所述费歇信息量加权至所述时间窗口正中间的气象累积效应因子上，得到费歇累积气象因子；
互相关系数计算模块，用于在对训练集中的实际负荷数据进行不同滞后阶数下，计算各种所述费歇累积气象因子与实际负荷的互相关系数；
费歇累积气象因子筛选模块，用于将互相关系数按照从大到小的顺序，筛选出互相关系数最大的额定种类的所述费歇累积气象因子。
8.根据权利要求7所述的短期负荷预测装置，其特征在于，所述费歇累积气象因子获取模块包括费歇信息量计算单元，其用于计算时间窗口的费歇信息量，具体执行过程为：
将每个所述时间窗口进行多个区间的划分；
计算落入各区间的数据个数与所述时间窗口中总数据的个数比值，作为费歇信息的状态变量；
基于所述状态变量，计算各个时间窗口的费歇信息量。
9.根据权利要求7所述的短期负荷预测装置，其特征在于，还包括：
皮尔逊系数计算模块，用于量化气象因子对训练集中实际负荷的影响，计算气象因子与实际负荷之间的皮尔逊系数；
负荷预测相关因子获取模块，用于根据所述皮尔逊系数的大小，筛选出与实际负荷相关性最强的若干气象因子，称为负荷预测相关因子；
负荷预测相关因子筛选模块，用于将互相关系数按照从大到小的顺序，筛选出互相关系数最大的额定种类的负荷预测相关因子；
所述互相关系数计算模块还用于在对训练集中的实际负荷数据进行不同滞后阶数下，计算实际负荷与负荷预测相关因子之间的互相关系数。
10.根据权利要求7至9任一所述的短期负荷预测装置，其特征在于，还包括：
长短期记忆神经网络的训练模块，用于对长短期记忆神经网络进行训练，包括：
网络搭建单元，用于搭建基于粒子群优化方法的长短期记忆神经网络；
负荷数据分解单元，用于对负荷时间序列数据进行变分模态分解，生成若干单独的子模态；
粒子群迭代单元，用于将预测负荷值序列与当前子模态间的均方根误差的相反数作为长短期记忆神经网络的适应度值，采用粒子群方法迭代搜索长短期记忆神经网络的参数最优解，完成当前子模态对应的长短期记忆神经网络的训练；
子模态转换模块，用于顺次将各子模态作为当前子模态，输入至长短期记忆神经网络模块；
在训练阶段，长短期记忆神经网络模块，还用于将当前子模态入至长短期记忆神经网络；
其中，子模态为实际负荷值数据的一组集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111109166.3A CN113705932B (zh) | 2021-09-22 | 2021-09-22 | 一种短期负荷预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111109166.3A CN113705932B (zh) | 2021-09-22 | 2021-09-22 | 一种短期负荷预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113705932A true CN113705932A (zh) | 2021-11-26 |
| CN113705932B CN113705932B (zh) | 2023-02-14 |
Family
ID=78661394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111109166.3A Active CN113705932B (zh) | 2021-09-22 | 2021-09-22 | 一种短期负荷预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705932B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156783A (zh) * | 2014-07-29 | 2014-11-19 | 广西电网有限责任公司 | 计及气象累积效应的电力系统最大日负荷预测系统及方法 |
| CN108171380A (zh) * | 2017-12-29 | 2018-06-15 | 江苏大学 | 一种基于fisher信息处理多维气象因素短期负荷处理方法 |
| CN109034490A (zh) * | 2018-08-13 | 2018-12-18 | 广东工业大学 | 一种电力负荷预测方法、装置、设备及存储介质 |
| US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
| CN110033134A (zh) * | 2019-04-09 | 2019-07-19 | 国网安徽省电力有限公司 | 一种考虑气象因素的逐日分段短期负荷预测算法 |
| WO2020063689A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
| CN112446593A (zh) * | 2020-11-12 | 2021-03-05 | 广东电网有限责任公司广州供电局 | 一种lstm神经网络的短期负荷预测方法及系统 |
| CN113313312A (zh) * | 2021-06-07 | 2021-08-27 | 南京工业大学 | 基于短中长时间尺度的春节负荷滚动预测方法 |
-
2021
- 2021-09-22 CN CN202111109166.3A patent/CN113705932B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156783A (zh) * | 2014-07-29 | 2014-11-19 | 广西电网有限责任公司 | 计及气象累积效应的电力系统最大日负荷预测系统及方法 |
| US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
| CN108171380A (zh) * | 2017-12-29 | 2018-06-15 | 江苏大学 | 一种基于fisher信息处理多维气象因素短期负荷处理方法 |
| CN109034490A (zh) * | 2018-08-13 | 2018-12-18 | 广东工业大学 | 一种电力负荷预测方法、装置、设备及存储介质 |
| WO2020063689A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
| CN110033134A (zh) * | 2019-04-09 | 2019-07-19 | 国网安徽省电力有限公司 | 一种考虑气象因素的逐日分段短期负荷预测算法 |
| CN112446593A (zh) * | 2020-11-12 | 2021-03-05 | 广东电网有限责任公司广州供电局 | 一种lstm神经网络的短期负荷预测方法及系统 |
| CN113313312A (zh) * | 2021-06-07 | 2021-08-27 | 南京工业大学 | 基于短中长时间尺度的春节负荷滚动预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZEXI CHEN等: "Load Forecasting Based on LSTM Neural Network and Applicable to Loads of "Replacement of Coal with Electricity"", 《JOURNAL OF ELECTRICAL ENGINEERING & TECHNOLOGY》 * |
| 任萌 等: "智能电网中考虑温积效应的OSVR负荷预测", 《广东电力》 * |
| 蔡舒平等: "短期负荷预测中气象因素处理的费歇信息方法", 《电力自动化设备》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113705932B (zh) | 2023-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
| CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
| CN111047094A (zh) | 一种基于深度学习算法的抄表数据异常分析方法 | |
| CN107463993B (zh) | 基于互信息-核主成分分析-Elman网络的中长期径流预报方法 | |
| CN111105332A (zh) | 一种基于人工神经网络的高速公路智能预养护方法及系统 | |
| CN107644297B (zh) | 一种电机系统节能量计算和验证方法 | |
| CN114742278A (zh) | 一种基于改进lstm的建筑能耗预测方法及系统 | |
| CN110674965A (zh) | 基于动态特征选取的多时间步长风功率预测方法 | |
| CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
| CN112101521A (zh) | 一种基于长短期记忆网络混合模型的建筑能耗预测方法 | |
| CN111222706A (zh) | 一种基于粒子群优化与自编码器的混沌时间序列预测方法 | |
| CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
| Suksri et al. | Neural network training model for weather forecasting using fireworks algorithm | |
| CN115564114A (zh) | 一种基于图神经网络的空域碳排放短期预测方法及系统 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
| CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
| Dong et al. | Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building | |
| Pranolo et al. | Optimized Three Deep Learning Models Based-PSO Hyperparameters for Beijing PM2. 5 Prediction | |
| Wibawa et al. | Long Short-Term Memory to Predict Unique Visitors of an Electronic Journal | |
| CN109599866B (zh) | 一种预测辅助的电力系统状态估计方法 | |
| CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
| CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
| Zhou et al. | Multihorizons transfer strategy for continuous online prediction of time‐series data in complex systems |
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 |