CN113850432A - 一种电力负荷数据的预测方法、系统、设备和介质 - Google Patents
一种电力负荷数据的预测方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN113850432A CN113850432A CN202111126356.6A CN202111126356A CN113850432A CN 113850432 A CN113850432 A CN 113850432A CN 202111126356 A CN202111126356 A CN 202111126356A CN 113850432 A CN113850432 A CN 113850432A
- Authority
- CN
- China
- Prior art keywords
- load data
- day
- predicted
- basic
- data
- 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 80
- 230000001932 seasonal effect Effects 0.000 claims abstract description 86
- 238000003066 decision tree Methods 0.000 claims abstract description 25
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 230000007704 transition Effects 0.000 claims description 26
- 238000001816 cooling Methods 0.000 claims description 17
- 238000010438 heat treatment Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001744 unit root test Methods 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 10
- 238000005314 correlation function Methods 0.000 description 9
- 238000005311 autocorrelation function Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000207923 Lamiaceae Species 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012353 t test 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
- G06F18/243—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
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力负荷数据的预测方法、系统、设备和介质包括:获取待预测日的气象数据,并将气象数据输入到预设的决策树模型中,获得待预测日的季节属性;根据待预测日的季节属性对电力负荷数据进行拆分,获得基础负荷数据和天气敏感型负荷数据;根据时间序列法,对基础负荷数据进行预测,获得基础负荷数据的预测结果;根据支持向量机法,对天气敏感型负荷数据进行预测,获得天气敏感型负荷数据的预测结果;根据基础负荷数据的预测结果和天气敏感型负荷数据的预测结果,获得电力负荷数据的预测结果。本发明能够对电力负荷的影响因素进行全面的分析,提升电力负荷的预测精度。
Description
技术领域
本发明涉及电力负荷预测技术领域,特别是涉及一种电力负荷数据的预测方法、系统、设备和介质。
背景技术
电力是关系国计民生的基础能源,随着电力市场化改革的深入,对日前电力负荷基线预测的精确度有了更高的要求。准确的预测不仅能够提供安全可靠的供电,还能对电力市场进行调控。
目前,短时电力负荷预测方法随着科学技术对数据挖掘及处理能力的提升有了长足的发展,各种各样的短时电力负荷预测算法不断涌现,现阶段,对电力负荷进行预测主要有两类方法:一是统计方法,二是人工智能算法。
但是,上述方法中,由于对于电力负荷影响因素的相关分析不全面,忽略了电力负荷本身构成与变化特性等物理含义,容易导致预测精度较低。
发明内容
本发明的目的是:提供一种电力负荷数据的预测方法、系统、设备和介质,能够对电力负荷的影响因素的进行全面的分析,提升电力负荷的预测精度。
为了实现上述目的,本发明提供了一种电力负荷数据的预测方法,包括:
获取待预测日的气象数据,并将所述气象数据输入到预设的决策树模型中,获得待预测日的季节属性,其中,所述季节属性包括:供热季、制冷季和过渡季;
根据待预测日的季节属性对电力负荷数据进行拆分,获得基础负荷数据和天气敏感型负荷数据;
根据时间序列法,对所述基础负荷数据进行预测,获得基础负荷数据的预测结果;
根据支持向量机法,对天气敏感型负荷数据进行预测,获得天气敏感型负荷数据的预测结果;
根据所述基础负荷数据的预测结果和天气敏感型负荷数据的预测结果,获得电力负荷数据的预测结果。
进一步地,在所述根据待预测日的季节属性对电力负荷数据进行拆分,获得基础负数据荷和天气敏感型负荷数据之后,在根据时间序列法,对所述基础负荷数据进行预测,获得基础负荷数据的预测结果之前,还包括:
根据相邻工作日和相邻节假日负荷日均值的变化率,对基础负荷数据进行节假日修正。
进一步地,所述获取待预测日的气象数据,并将所述气象数据输入到预设的决策树模型中,获得待预测日的季节属性,包括:
将待预测日划分为24小时,并获取每个时间段的气象数据;
将所述每个时间段的气象数据输入到预设的决策数据模型中,获得每个时间段的季节属性值,其中,所述供热季的季节属性值为1,制冷季的季节属性值为-1,过渡季的季节属性值为0;
对待预测日的每个时间段的季节属性值进行加权平均计算,获得待预测日的季节属性值;
根据待预测日的季节属性值,获得待预测日的季节属性。
进一步地,所述根据待预测日的季节属性对电力负荷数据进行拆分,获得基础负荷数据和天气敏感型负荷数据,包括:
若待预测日的季节属性为过渡季时,将待预测日中的时间段为过渡季的时间段的电力负荷进行加权平均,获得的结果作为第一基础负荷数据,然后根据差分法和所述第一基础负荷数据,获得天气敏感性负荷数据;
若待预测日的季节属性为供热季或者制冷季时,将待预测日中的时间段为过渡季的时间段的电力负荷数据进行加权平均,获得的结果作为第二基础负荷数据,然后用当日负荷减去第二基础负荷数据,获得天气敏感性负荷数据。
进一步地,所述根据时间序列法,对所述基础负荷数据进行预测,获得基础负荷数据的预测结果,包括:
根据自相关系数法和单位根检验法对所述基础负荷数据进行平稳性检验,获得平稳性基础负荷数据和非平稳性基础负荷;
将所述平稳性基础负荷数据输入到预设的第一预测模型中进行预测,获得平稳性基础负荷数据的预测结果,其中,所述第一预测模型包括:自回归模型、移动平均模型和自回归移动平均模型;
将所述非平稳性基础负荷数据输入到预设的第二预测模型中进行预测,获得非平稳性基础负荷数据的预测结果,其中,所述第二预测模型包括:差分自回归移动平均模型;
分别对所述平稳性基础负荷数据和非平稳性基础负荷进行预测,获得基础负荷数据的预测结果。
进一步地,所述气象数据包括:有效温度、空气焓值、空气含湿量和露点温度。
进一步地,所述有效温度,采用如下计算公式:
其中,mET表示有效温度,T表示干球温度,RH表示相对湿度,V表示风速。
本发明还提供一种电力负荷数据的预测系统,包括:数据获取模块、拆分模块、基础负荷模块、天气敏感型负荷模块和预测模块,其中,
所述数据获取模块,用于获取待预测日的气象数据,并将所述气象数据输入到预设的决策树模型中,获得待预测日的季节属性,其中,所述季节属性包括:供热季、制冷季和过渡季;
所述拆分模块,用于根据待预测日的季节属性对电力负荷数据进行拆分,获得基础负荷数据和天气敏感型负荷数据;
所述基础负荷模块,用于根据时间序列法,对所述基础负荷数据进行预测,获得基础负荷数据的预测结果;
所述天气敏感型负荷模块,用于根据支持向量机法,对天气敏感型负荷数据进行预测,获得天气敏感型负荷数据的预测结果;
所述预测模块,用于根据所述基础负荷数据的预测结果和天气敏感型负荷数据的预测结果,获得电力负荷数据的预测结果。
本发明还提供一种计算机终端设备,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的电力负荷数据的预测方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的电力负荷数据的预测方法。
本发明提供的一种电力负荷数据的预测方法、系统、设备和介质与现有技术相比,其有益效果在于:
本发明通过获取待预测日的气象数据,并将所述气象数据输入到预设的决策树模型中,获得待预测日的季节属性,其中,所述季节属性包括:供热季、制冷季、过渡季;根据待预测日的季节属性对电力负荷数据进行拆分,获得基础负荷数据和天气敏感型负荷数据;根据时间序列法,对所述基础负荷数据进行预测,获得基础负荷数据的预测结果;根据支持向量机法,对天气敏感型负荷数据进行预测,获得天气敏感型负荷数据的预测结果;根据所述基础负荷数据的预测结果和天气敏感型负荷数据的预测结果,获得电力负荷数据的预测结果。本发明能够对电力负荷的影响因素进行全面的分析,提升电力负荷的预测精度。
附图说明
图1是本发明提供的一种电力负荷数据的预测方法的流程示意图;
图2是本发明提供的决策树季节属性分类规则示意图;
图3是本发明提供的基础负荷拆分结果示意图;
图4是本发明提供的基础负荷修正结果示意图;
图5是本发明提供的基础负荷自相关函数的结果示意图;
图6是本发明提供的基础负荷偏相关函数的结果示意图;
图7是本发明提供的AIC值寻优的三维图;
图8是本发明提供的一种电力负荷数据的预测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如图1所示,本发明提供的一种电力负荷数据的预测方法,至少包括步骤S1-S5,具体步骤如下:
S1、获取待预测日的气象数据,并将所述气象数据输入到预设的决策树模型中,获得待预测日的季节属性,其中,所述季节属性包括:供热季、制冷季和过渡季;
具体地,首先获取待预测日气象数据,为准确判断预测当日的季节属性,采用逐时气象参数代替度日数的日均值气温,使用决策树算法对该时刻的季节属性进行分类。再通过统计每日不同时段季节属性的众数,判断该时段的季节属性。最后对各时段统计值进行加权平均,判断当日的季节属性。具体来说,将有效温度,空气焓值,空气含湿量和露点温度的前三小时滑动平均值作为输入参数,当前时刻的季节属性作为输出参数,用决策树算法进行模型的训练。
其中有效温度mET表示在不同温度、湿度和风速下的当量温度值,其计算公式如式(1)。
式中:T——干球温度,℃;RH——相对湿度,%;V——风速,m3/s。
季节属性设为离散属性,设供热季为1,制冷季为-1,过渡季为0。
需要说明的是,所述预设的决策树模型是采用历史气象数据进行训练获取的。
决策树是机器学习中常用的监督式预测模型。它利用树的结构对数据进行分类,树的一个节点就代表满足某个属性的数据子集,每个节点又可以因为不同决策向下引出不同分支,直到生成只具有同一属性的数据集,称为叶子节点。由根节点自上而下的不断重复的建立下节点和分枝,从而生成一棵决策树。本发明采用的决策树分类算法为ID3算法,以信息熵和信息增益为衡量标准,在各级节点选择属性时,检测所有属性,选择信息增益最大的属性产生决策树节点,由该属性的不同取值建立分支,再对各分支的子集递归考察信息增益建立下层节点和分支,直到所有子集仅具备同一类别的数据。本发明中分支判断条件为四个时刻滑动平均后的有效温度mET,平均焓值mEnth,平均含湿量md的大小,通过对所有属性信息增益比较,将最大增益值对应的属性作为分类的依据,构造出一级决策树。以此类推直到达到分类目的。训练出的决策树模型如图2所示。用该模型有效判断当前时刻的季节属性。
S2、根据待预测日的季节属性对电力负荷数据进行拆分,获得基础负荷数据和天气敏感型负荷数据;
具体地,采用上述季节属性判定方法,在计算基础负荷逐时电力负荷时,只采用各个时段众数统计为0的电力负荷进行加权平均作为基础负荷。对于季节属性值的绝对值判定为小于0.5且不等于0时,判断当日为不完全过渡季,利用差分法将总电力负荷被拆分为基础负荷和天气敏感型负荷,即在相同的日类型(工作日,节假日)分组内,判断当日季节属性,若为供热季或制冷季,即用当日负荷减去基础负荷部分,多出部分为气象敏感负荷。
S3、根据时间序列法,对所述基础负荷数据进行预测,获得基础负荷数据的预测结果;
具体地,本步骤首先对基础负荷数据进行平稳性检验,然后选择对应的预测模型,最后对预测模型进行检验;
需要说明的是,平稳性检验具体如下:
采用自相关系数法(ACF)和单位根检验法(ADF)进行电力分项负荷的时间序列平稳性检验,其计算公式如式(2)。判断自相关系数是否与0显著不同,对于给定的显著水平,一般取α=0.05,可构成一个随机区间。根据基础电力负荷时序数据是否基本落入该随机区间内判断数据是否为随机序列。若时序数据时滞为2或3后自相关系数迅速趋于0,则判断该样本是平稳的。反之若较多的自相关系数与0显著不同,即超出随机区间,则数据为非平稳的。
需要说明的是,模型选择具体如下:
模型的识别通过电力基础负荷时序数据自相关函数和偏相关函数的变化特性进行判断。偏相关函数是考察时间序列{X(t)}时刻t和时刻t-k值的条件相关性,其中时刻t-1到t-k+1时刻的值已给定。在排除了其他后滞时刻的影响,只分析两时刻的关联程度。偏相关系数计算公式如下:
对由xt-1,xt-2,......xt-k的线性自回归得出的xt做线性最小方差估计,使得式(3)达到最小:
式中,xj为观测值,下标t,k表示时刻。
针对上述中判断出的平稳时序数据,主要的预测模型有MA,AR和ARMA(即自回归模型、移动平均模型和自回归移动平均模型)。
根据上述计算的自相关性和偏相关性函数匹配表1中的情况进行模型的选择。
表1:平稳负荷时间序列模型特征
模型 | 自相关函数(ACF) | 偏相关函数(PACF) |
AR(p) | 指数衰减 | P阶截尾 |
MA(q) | Q阶截尾 | 指数衰减 |
ARMA(p,q) | 指数衰减 | 指数衰减 |
针对上述判断出的非平稳的时序数据,则通过去除数据的趋势变化或季节性变化,对得出的新的平稳的时序样本建立ARMA预测模型,主要的预测模型有ARIMA(差分自回归移动平均模型)。
在确定模型阶数时,采用赤池信息准则(AIC,Akaike information criterion)对p,q进行估计,得出最小AIC下的p,q为模型参数。
需要说明的是,对模型的检验,具体如下:
在识别出模型类型及定阶后,采用最小二乘法确定模型参数,及特征多项式的系数。为判定回归模型的优劣,还需要对模型的残差进行检验,以便确定其是否为白噪声序列,白噪声是纯随机序列。若判定为白噪声,说明模型较为合理。否则需要对模型进行改进。最为常用的检验方法有残差自相关检验。该检验方法简单,即计算残差自相关系数,判断各个系数是否与0显著不同。若各系数基本落在显著水平构成的随机区间内,则判定残差序列为随机序列。说明建立的模型已包含原时间序列所有的变化规律,模型较为合理。
S4、根据支持向量机法,对天气敏感型负荷数据进行预测,获得天气敏感型负荷数据的预测结果;
具体地,对于天气敏感型负荷的预测,本发明采用回归支持向量机算法,根据日类别属性(分为:工作日,节假日)和季节属性(分为:供热季,制冷季)建立了不同的模型。
上述各模型的输入参数随季节属性变化而变化,季节属性为供热季时(SD=1),模型的输入变量如式(5)所示:
季节属性供冷季时(SD=-1),模型的输入变量如式(6)所示:
最后,采用网格搜索法对模型进行参数惩罚因子C和核函数分布宽度γ的选择。
S5、根据所述基础负荷数据的预测结果和天气敏感型负荷数据的预测结果,获得电力负荷数据的预测结果。
具体地,将基础负荷数据的预测结果和天气敏感型负荷数据的预测结果进行相加,获得电力负荷数据的预测结果。
在本发明的某一个实施例中,在所述根据待预测日的季节属性对电力负荷数据进行拆分,获得基础负数据荷和天气敏感型负荷数据之后,在根据时间序列法,对所述基础负荷数据进行预测,获得基础负荷数据的预测结果之前,还包括:
根据相邻工作日和相邻节假日负荷日均值的变化率,对基础负荷数据进行节假日修正。
具体地,对非周末的节假日进行基础负荷修正,否则将出现加权基础负荷高于总电力负荷的异常情况。分别统计全年相邻工作日和相邻节假日负荷日均值的变化率,若变化率的绝对值大于4%则将逐时基础负荷按比例减小进行节假日基础负荷的修正。
在本发明的某一个实施例中,所述获取待预测日的气象数据,并将所述气象数据输入到预设的决策树模型中,获得待预测日的季节属性,包括:
将待预测日划分为24小时,并获取每个时间段的气象数据;
将所述每个时间段的气象数据输入到预设的决策数据模型中,获得每个时间段的季节属性值,其中,所述供热季的季节属性值为1,制冷季的季节属性值为-1,过渡季的季节属性值为0;
对待预测日的每个时间段的季节属性值进行加权平均计算,获得待预测日的季节属性值;
根据待预测日的季节属性值,获得待预测日的季节属性。
在本发明的某一个实施例中,所述根据待预测日的季节属性对电力负荷数据进行拆分,获得基础负荷数据和天气敏感型负荷数据,包括:
若待预测日的季节属性为过渡季时,将待预测日中的时间段为过渡季的时间段的电力负荷进行加权平均,获得的结果作为第一基础负荷数据,然后根据差分法和所述第一基础负荷数据,获得天气敏感性负荷数据;
若待预测日的季节属性为供热季或者制冷季时,将待预测日中的时间段为过渡季的时间段的电力负荷数据进行加权平均,获得的结果作为第二基础负荷数据,然后用当日负荷减去第二基础负荷数据,获得天气敏感性负荷数据。
在本发明的某一个实施例中,所述根据时间序列法,对所述基础负荷数据进行预测,获得基础负荷数据的预测结果,包括:
根据自相关系数法和单位根检验法对所述基础负荷数据进行平稳性检验,获得平稳性基础负荷数据和非平稳性基础负荷;
将所述平稳性基础负荷数据输入到预设的第一预测模型中进行预测,获得平稳性基础负荷数据的预测结果,其中,所述第一预测模型包括:自回归模型、移动平均模型和自回归移动平均模型;
将所述非平稳性基础负荷数据输入到预设的第二预测模型中进行预测,获得非平稳性基础负荷数据的预测结果,其中,所述第二预测模型包括:差分自回归移动平均模型;
分别对所述平稳性基础负荷数据和非平稳性基础负荷进行预测,获得基础负荷数据的预测结果。
在本发明的某一个实施例中,所述气象数据包括:有效温度、空气焓值、空气含湿量和露点温度。
在本发明的某一个实施例中,所述有效温度,采用如下计算公式:
其中,mET表示有效温度,T表示干球温度,RH表示相对湿度,V表示风速。
为了更好的理解本发明,可以由以下具体示例进行理解:
以上海地区为例,首先进行季节属性判断。上海确定的采暖季为一月,确定的制冷季为七月,过渡季会出现在四、十月份。因此将一月数据季节属性赋值为1,七月数据季节属性赋值为-1,根据人体舒舒适指标,当有效温度ET落在15-23℃时人体感觉较为舒适,因此可认为四、十月份处于该范围内的有效温度时段为过渡季。四、十月份有效温度不处于这个范围内的,暂认为季节属性无法判别。通过本发明提出的决策树方法对训练数据的规则挖掘对该时段数据分类。输入训练数据为一月、七月逐时数据,以及四、十月份有效温度落在15-23℃的数据,通过训练,决策树生成的季节属性判别规则附图2所示。图中mET表示四个时刻滑动平均后的有效温度(℃),mEnth表示平均焓值(kJ/kg),md表示平均含湿度(g/kg)。根节点根据权衡各个属性的信息增益度,以有效温度作为根节点属性,当前时刻滑动平均有效温度小于9.8℃时,数据归向左分支,向下划分供热季和过渡季。二级节点考察空气焓值,左侧分支当焓值小于43kJ/kg时到达叶子节点,可判定当前时刻需要制热,为供热季。反之,通过第三级节点含湿量大于还是小于10g/kg得出唯一属性类别,从而划分出供热季和过渡季。根节点数据有效温度大于9.8℃,数据向右侧分支流动,从而最终划分出制冷季和过渡季。右侧二级节点信息增益度最大的也是焓值,当焓值小于20.8kJ/kg可判断为过渡季。反之继续向下到第三季节点,当有效温度大于22℃时判断为制冷季。当有效温度小于22℃时通过含湿量是否大于15g/kg将第四层节点的数据子集分为过渡季和制冷季。经过训练,生成的决策树分类精准度为92.5%。然后,用差分法进行负荷拆分,负荷拆分结果如图3。最后进行节假日的基础负荷修正,图3d)包含了节假日,故需要进行基础负荷修正,修正前后的负荷曲线如图4。
具体地,对于基础电力负荷数据,选取上海市某建筑3月17日至3月21日连续五个工作日数据为例进行训练建模,并对3月24日负荷进行预测,分析模型预测性能,其中间隔日期为节假日。样本基础负荷及2阶差分内的基础负荷的自相关函数与偏相关函数如图4和图5所示。对原基础负荷进行ADF检验,结果为存在特征根的假设,说明数据是不平稳的,由图中可看出存在周期性变化。对时间序列进行1阶差分后其周期相关性依然存在,仍不平稳。对时间序列进行2阶差分后,自相关系数在时滞大于2后迅速趋于0.落在随机区间之内,说明负荷经2阶差分后已趋于平稳。继续考查基础负荷序列的偏相关函数,如图5所示,其中横坐标代表以15min为采样间隔的基础负荷的时间滞后项个数。总体而言,序列的偏相关函数在数个滞后项后迅速趋于零,呈现出明显的指数衰减趋势。随着对基础负荷平稳化的处理,偏相关系数趋于0的速度越快。对于2阶差分的基础负荷,在k=3后,偏相关系数基本为0。根据2阶差分后的基础负荷自相关函数在k=2和偏相关函数k=3后呈现指数衰减特性,初步判定可对该序列建立ARMA的预测模型,对原基础负荷序列可采用ARIMA(2,2,3)的预测模型。模型定阶过程采用穷举法,组合p,q在范围内的所有组合,对平稳化的基础负荷分别建立模型,并比较AIC值。取AIC最小值时的p,q组合,该值即为预测模型的最佳时滞阶数值。图6所示为针对实例样本建立的预测模型AIC值寻优的三维图,其中p=5,q=3时,AIC达到最小。因此针对该训练样本,模型自回归时滞阶数为5,误差时滞阶数为3,得到预测模型各个参数的取值和分布检验如表2。
表2工作日样本预测模型参数确定
参数 | 参数取值 | 标准误差 | t-检验 |
常数项 | 0.0265 | 0.284 | 0.0933 |
AR{1} | -1.097 | 0.199 | -5.500 |
AR{2} | 0.203 | 0.155 | 1.308 |
AR{3} | 0.741 | 0.135 | 5.494 |
AR{4} | 0.414 | 0.106 | 3.883 |
AR{5} | 0.104 | 0.0573 | 1.809 |
MA{1} | 0.418 | 0.201 | 2.078 |
MA{2} | 0.859 | 0.0439 | -19.555 |
MA{3} | 0.559 | 0.204 | -2.734 |
对于天气敏感型负荷,以供暖季预测模型为实施例,为保证充足的训练样本数,选取1月7日-1月16日十天960项数据作为训练集,以1月17日和1月20日数据为测试集,相隔日期为剔除的节假日。首先进行输入数据离群值检测和修正,将式(5)中的输入参数输入模型,图7展示了训练集和测试集上模型的拟合程度和偏差情况,总体而言模型可以较好的预测出电力负荷的变化走势。将上述基础电力负荷和天气敏感型负荷相加即为总负荷。
本发明提供的一种电力负荷数据的预测方法与现有技术相比,其有益效果在于:
本发明通过获取待预测日的气象数据,并将所述气象数据输入到预设的决策树模型中,获得待预测日的季节属性,其中,所述季节属性包括:供热季、制冷季、过渡季;根据待预测日的季节属性对电力负荷数据进行拆分,获得基础负荷数据和天气敏感型负荷数据;根据时间序列法,对所述基础负荷数据进行预测,获得基础负荷数据的预测结果;根据支持向量机法,对天气敏感型负荷数据进行预测,获得天气敏感型负荷数据的预测结果;根据所述基础负荷数据的预测结果和天气敏感型负荷数据的预测结果,获得电力负荷数据的预测结果。本发明能够对电力负荷的影响因素的进行全面的分析,提升电力负荷的预测精度。
如图8所示,本发明还提供一种电力负荷数据的预测系统200,包括:数据获取模块201、拆分模块202、基础负荷模块203、天气敏感型负荷模块204和预测模块205,其中,
所述数据获取模块201,用于获取待预测日的气象数据,并将所述气象数据输入到预设的决策树模型中,获得待预测日的季节属性,其中,所述季节属性包括:供热季、制冷季和过渡季;
所述拆分模块202,用于根据待预测日的季节属性对电力负荷数据进行拆分,获得基础负荷数据和天气敏感型负荷数据;
所述基础负荷模块203,用于根据时间序列法,对所述基础负荷数据进行预测,获得基础负荷数据的预测结果;
所述天气敏感型负荷模块204,用于根据支持向量机法,对天气敏感型负荷数据进行预测,获得天气敏感型负荷数据的预测结果;
所述预测模块205,用于根据所述基础负荷数据的预测结果和天气敏感型负荷数据的预测结果,获得电力负荷数据的预测结果。
本发明还提供一种计算机终端设备,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的电力负荷数据的预测方法。
需要说明的是,所述处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,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,或者所述处理器也可以是任何常规的处理器,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMediaCard,SMC)、安全数字(SecureDigital,SD)卡和闪存卡(FlashCard)等,或所述存储器也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,上述终端设备仅仅是示例,并不构成对终端设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的电力负荷数据的预测方法。
需要说明的是,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/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,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电力负荷数据的预测方法,其特征在于,包括:
获取待预测日的气象数据,并将所述气象数据输入到预设的决策树模型中,获得待预测日的季节属性,其中,所述季节属性包括:供热季、制冷季和过渡季;
根据待预测日的季节属性对电力负荷数据进行拆分,获得基础负荷数据和天气敏感型负荷数据;
根据时间序列法,对所述基础负荷数据进行预测,获得基础负荷数据的预测结果;
根据支持向量机法,对天气敏感型负荷数据进行预测,获得天气敏感型负荷数据的预测结果;
根据所述基础负荷数据的预测结果和天气敏感型负荷数据的预测结果,获得电力负荷数据的预测结果。
2.根据权利要求1所述的电力负荷数据的预测方法,其特征在于,在所述根据待预测日的季节属性对电力负荷数据进行拆分,获得基础负数据荷和天气敏感型负荷数据之后,在根据时间序列法,对所述基础负荷数据进行预测,获得基础负荷数据的预测结果之前,还包括:
根据相邻工作日和相邻节假日负荷日均值的变化率,对基础负荷数据进行节假日修正。
3.根据权利要求1所述的电力负荷数据的预测方法,其特征在于,所述获取待预测日的气象数据,并将所述气象数据输入到预设的决策树模型中,获得待预测日的季节属性,包括:
将待预测日划分为24小时,并获取每个时间段的气象数据;
将所述每个时间段的气象数据输入到预设的决策数据模型中,获得每个时间段的季节属性值,其中,所述供热季的季节属性值为1,制冷季的季节属性值为-1,过渡季的季节属性值为0;
对待预测日的每个时间段的季节属性值进行加权平均计算,获得待预测日的季节属性值;
根据待预测日的季节属性值,获得待预测日的季节属性。
4.根据权利要求3所述的电力负荷数据的预测方法,其特征在于,所述根据待预测日的季节属性对电力负荷数据进行拆分,获得基础负荷数据和天气敏感型负荷数据,包括:
若待预测日的季节属性为过渡季时,将待预测日中的时间段为过渡季的时间段的电力负荷进行加权平均,获得的结果作为第一基础负荷数据,然后根据差分法和所述第一基础负荷数据,获得天气敏感性负荷数据;
若待预测日的季节属性为供热季或者制冷季时,将待预测日中的时间段为过渡季的时间段的电力负荷数据进行加权平均,获得的结果作为第二基础负荷数据,然后用当日负荷减去第二基础负荷数据,获得天气敏感性负荷数据。
5.根据权利要求1所述的电力负荷数据的预测方法,其特征在于,所述根据时间序列法,对所述基础负荷数据进行预测,获得基础负荷数据的预测结果,包括:
根据自相关系数法和单位根检验法对所述基础负荷数据进行平稳性检验,获得平稳性基础负荷数据和非平稳性基础负荷;
将所述平稳性基础负荷数据输入到预设的第一预测模型中进行预测,获得平稳性基础负荷数据的预测结果,其中,所述第一预测模型包括:自回归模型、移动平均模型和自回归移动平均模型;
将所述非平稳性基础负荷数据输入到预设的第二预测模型中进行预测,获得非平稳性基础负荷数据的预测结果,其中,所述第二预测模型包括:差分自回归移动平均模型;
分别对所述平稳性基础负荷数据和非平稳性基础负荷进行预测,获得基础负荷数据的预测结果。
6.根据权利要求1所述的电力负荷数据的预测方法,其特征在于,所述气象数据包括:有效温度、空气焓值、空气含湿量和露点温度。
8.一种电力负荷数据的预测系统,其特征在于,包括:数据获取模块、拆分模块、基础负荷模块、天气敏感型负荷模块和预测模块,其中,
所述数据获取模块,用于获取待预测日的气象数据,并将所述气象数据输入到预设的决策树模型中,获得待预测日的季节属性,其中,所述季节属性包括:供热季、制冷季和过渡季;
所述拆分模块,用于根据待预测日的季节属性对电力负荷数据进行拆分,获得基础负荷数据和天气敏感型负荷数据;
所述基础负荷模块,用于根据时间序列法,对所述基础负荷数据进行预测,获得基础负荷数据的预测结果;
所述天气敏感型负荷模块,用于根据支持向量机法,对天气敏感型负荷数据进行预测,获得天气敏感型负荷数据的预测结果;
所述预测模块,用于根据所述基础负荷数据的预测结果和天气敏感型负荷数据的预测结果,获得电力负荷数据的预测结果。
9.一种计算机终端设备,其特征在于,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至7任一项所述的电力负荷数据的预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,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任一项所述的电力负荷数据的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111126356.6A CN113850432A (zh) | 2021-09-24 | 2021-09-24 | 一种电力负荷数据的预测方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111126356.6A CN113850432A (zh) | 2021-09-24 | 2021-09-24 | 一种电力负荷数据的预测方法、系统、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113850432A true CN113850432A (zh) | 2021-12-28 |
Family
ID=78980009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111126356.6A Pending CN113850432A (zh) | 2021-09-24 | 2021-09-24 | 一种电力负荷数据的预测方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850432A (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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156786A (zh) * | 2014-08-18 | 2014-11-19 | 广西电网有限责任公司 | 一种考虑气象多因素影响的非工作日最大日负荷预测系统 |
CN109670670A (zh) * | 2018-11-13 | 2019-04-23 | 上海电器科学研究所(集团)有限公司 | 一种划分季节属性的电力负荷拆分方法 |
CN112865093A (zh) * | 2021-03-01 | 2021-05-28 | 同济大学 | 一种短时电力负荷组合式预测方法 |
-
2021
- 2021-09-24 CN CN202111126356.6A patent/CN113850432A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156786A (zh) * | 2014-08-18 | 2014-11-19 | 广西电网有限责任公司 | 一种考虑气象多因素影响的非工作日最大日负荷预测系统 |
CN109670670A (zh) * | 2018-11-13 | 2019-04-23 | 上海电器科学研究所(集团)有限公司 | 一种划分季节属性的电力负荷拆分方法 |
CN112865093A (zh) * | 2021-03-01 | 2021-05-28 | 同济大学 | 一种短时电力负荷组合式预测方法 |
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 |
---|---|---|
CN111932402B (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
CN106709662B (zh) | 一种电力设备运行工况划分方法 | |
CN106779223B (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
CN110070282B (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
CN109376953B (zh) | 一种中长期电量预测方法及系统 | |
WO2018045642A1 (zh) | 一种母线负荷预测方法 | |
CN109670670B (zh) | 一种划分季节属性的电力负荷拆分方法 | |
CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN114066071A (zh) | 一种基于能耗的电力参数优化方法、终端设备及存储介质 | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
CN111639823A (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN116796141A (zh) | 一种基于gbdt回归模型的办公建筑能耗预测方法 | |
Fonseca et al. | Unsupervised load shape clustering for urban building performance assessment | |
CN111754029A (zh) | 一种社区负荷预测系统 | |
CN116341725A (zh) | 一种电负荷预测与节能系统、方法、电子设备和储存介质 | |
CN113850432A (zh) | 一种电力负荷数据的预测方法、系统、设备和介质 | |
CN116205508A (zh) | 一种分布式光伏发电异常诊断方法和系统 | |
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 | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
CN113127464B (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 |
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 |