CN113919600B - 一种居民负荷超短期预测方法 - Google Patents
一种居民负荷超短期预测方法 Download PDFInfo
- Publication number
- CN113919600B CN113919600B CN202111487222.7A CN202111487222A CN113919600B CN 113919600 B CN113919600 B CN 113919600B CN 202111487222 A CN202111487222 A CN 202111487222A CN 113919600 B CN113919600 B CN 113919600B
- Authority
- CN
- China
- Prior art keywords
- day
- load
- data
- frequency component
- components
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000005611 electricity Effects 0.000 claims abstract description 56
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 238000007621 cluster analysis Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000006467 substitution reaction Methods 0.000 claims 1
- 230000002354 daily effect Effects 0.000 description 37
- 125000004432 carbon atom Chemical group C* 0.000 description 24
- 230000000694 effects Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000013598 vector Substances 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (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
Description
技术领域
本发明涉及配电网负荷预测技术领域,尤其涉及一种居民负荷超短期预测方法,主要适用于提高负荷预测精度。
背景技术
传统负荷预测主要包含两种方法,一种是基于数据驱动的用电负荷预测方法,其借助于各种先进的机器学习算法,实现待预测日的用电负荷预测。这类方法既可以基于单一的机器学习算法实现,也可基于多种机器学习组合算法来实现。为了提高预测精度,借助各负荷预测算法的优点,基于多种机器学习组合算法的负荷预测方法得到了极大的发展。如有的方法利用back propagation(BP)神经网络分析历史母线负荷数据,同时考虑日期类型和天气信息的影响,与convolutional neural network(CNN)提取的图像型数据特征向量进行融合,并通过多层神经网络进行超短期母线负荷的预测,解决母线负荷预测问题。针对现有方法不能充分利用历史负荷数据相关性的难题,有的方法利用empirical modedecomposition(EMD)算法将时间序列信号分解为数个本征模函数分量和趋势分量,利用long short-term memory(LSTM)能够长期学习数据中的有用信息而去除无用信息的特性,对每个分量分别建立LSTM模型进行负荷预测,得到了比较好的预测效果。
另一种负荷预测方法是基于模型驱动的用电负荷预测方法,其一般是根据设备用电固有规律构建用电负荷机理模型,然后基于待预测日的预测参数直接求解用电负荷。针对负荷预测模型的可解释性,对常用的电器建立相应的负荷模型,用马尔科夫链模拟人的活动,得到的负荷预测模型不需要大量历史数据即可完成预测任务。如在家庭常用电器负荷模型基础上,对家用光伏电池,结合经纬度和光照,建立负荷模型,即可实现含屋顶光伏的家庭净用电负荷预测。
系统级别的负荷较为稳定,波动性较低,传统的负荷预测方法已可达到较高的预测精度。而居民用电负荷具有高波动性和强随机性,负荷预测难度大大增加。目前,居民负荷超短期预测主要是基于数据驱动的方法来实现,精度往往达不到要求。由于居民用电负荷受影响因素众多,使用单一预测方法的有效性也大打折扣。
发明内容
本发明的目的是克服现有技术中存在的负荷预测精度低的缺陷与问题,提供一种负荷预测精度高的居民负荷超短期预测方法。
为实现以上目的,本发明的技术解决方案是:一种居民负荷超短期预测方法,该方法包括以下步骤:
步骤S1具体包括以下步骤:
S13、聚类分析得到的结果为:
步骤S12具体包括以下步骤:
S127、若种子集合,则跳转到步骤S124,否则,从种子集合中挑
选可达距离最近的种子点,先将其标记为已访问,将标记为已处理,同时将
压入到有序列表中,然后判断是否为核心对象,若是,则将中未访问的邻居点
加入到种子集合中,重新计算可达距离,跳转到步骤S127。
步骤S2具体包括以下步骤:
上式中,为分解的尺度;为接近原始信号的信号,即低频
分量;为第个分解的信号,即高频分量;为总时
间;为采集的居民负荷数据的时间间隔,为一天当中拥有的负荷采样点个数,为一
天当中最后一个负荷元素的时间点;
步骤S3具体包括以下步骤:
S31、、和三个分量各自构造的输入变量为、和,输入变量
包括分量本身、分量中各元素时间所处星期几所构成的矩阵、分量中各元素时间是否为周
末所构成的矩阵以及分量中各元素时间所对应一天中的时间点所构成的矩阵;
步骤S31中,所述输入变量构造方法如下:
(2)将分量中所有元素时间各自所处星期几进行编码,高频分量中所有元素时
间各自对应的星期几这一整列数据记为,高频分量中所有元素时间各自对应的星期
几这一整列数据记为,低频分量中所有元素时间各自对应的星期几这一整列数据记
为;
(3)将分量中所有元素时间对应是否为周末进行编码,高频分量中所有元素时
间各自对应是否为周末这一整列数据记为,高频分量中所有元素时间各自对应是否
为周末这一整列数据记为,低频分量中所有元素时间各自对应是否为周末这一整
列数据记为;
(4)将分量中所有元素时间各自对应一天中的时间点进行编码,高频分量中所
有元素时间各自对应一天中的时间点这一整列数据记为,高频分量中所有元素时间
各自对应一天中的时间点这一整列数据记为,低频分量中所有元素时间各自对应一
天中的时间点这一整列数据记为;
与现有技术相比,本发明的有益效果为:
1、本发明一种居民负荷超短期预测方法中,先将每日起始时段的部分历史负荷数据进行OPTICS聚类处理,聚类中运用特殊化处理的皮尔逊系数代替欧式距离,以改善聚类效果;再对相似日负荷进行归类,判断待预测日的类别,筛选相似日负荷,降低日负荷之间的差别,抵消不确定性;然后将聚类后得到的相似日负荷数据进行小波分解,以降低时间序列的复杂程度,进一步降低负荷的波动性,具体而言,小波分解将原始负荷分解为不同频率的子序列,之后对各子序列单支重构;再将小波分解后的各个分量分别输入到先进的多元特征的LSTM预测算法进行训练,得到最后一天各个分量的预测值,然后叠加形成最终的居民负荷预测结果;对各个分量都能设置较为理想的预测模型,能减少一个模型学习总体数据的压力,同时各个分量波动性相比于原始信号,波动性降低,预测精度也得到提高,从而过滤不确定性。因此,本发明极大的提高了单户居民负荷超短期预测的精度。
2、本发明一种居民负荷超短期预测方法中,运用到的OPTICS算法,能根据日负荷之间的皮尔逊系数,筛选负荷日类型,选取的相似日,能够集中负荷历史数据的有效信息,加快选取速度,降低负荷时间序列的波动性,从而获得更佳的聚类效果。因此,本发明提升了对单户居民历史用电负荷数据的聚类效果。
附图说明
图1是本发明一种居民负荷超短期预测方法的流程图。
图2是本发明的实施例中的居民历史用电负荷数据的聚类分析结果。
图3是本发明的实施例中的相似日负荷用电功率数据的小波分解结果。
图4是本发明的实施例中的小波分解后的各分量预测结果。
图5是本发明的实施例中的居民用电负荷预测结果。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1,一种居民负荷超短期预测方法,该方法包括以下步骤:
步骤S1具体包括以下步骤:
S13、聚类分析得到的结果为:
步骤S12具体包括以下步骤:
S127、若种子集合,则跳转到步骤S124,否则,从种子集合中挑
选可达距离最近的种子点,先将其标记为已访问,将标记为已处理,同时将
压入到有序列表中,然后判断是否为核心对象,若是,则将中未访问的邻居点
加入到种子集合中,重新计算可达距离,跳转到步骤S127。
步骤S2具体包括以下步骤:
上式中,为分解的尺度;为接近原始信号的信号,即低频
分量;为第个分解的信号,即高频分量;为总时
间;为采集的居民负荷数据的时间间隔,为一天当中拥有的负荷采样点个数,为一
天当中最后一个负荷元素的时间点;
步骤S3具体包括以下步骤:
S31、、和三个分量各自构造的输入变量为、和,输入变量
包括分量本身、分量中各元素时间所处星期几所构成的矩阵、分量中各元素时间是否为周
末所构成的矩阵以及分量中各元素时间所对应一天中的时间点所构成的矩阵;
步骤S31中,所述输入变量构造方法如下:
(2)将分量中所有元素时间各自所处星期几进行编码,高频分量中所有元素时
间各自对应的星期几这一整列数据记为,高频分量中所有元素时间各自对应的星期
几这一整列数据记为,低频分量中所有元素时间各自对应的星期几这一整列数据记
为;
(3)将分量中所有元素时间对应是否为周末进行编码,高频分量中所有元素时
间各自对应是否为周末这一整列数据记为,高频分量中所有元素时间各自对应是否
为周末这一整列数据记为,低频分量中所有元素时间各自对应是否为周末这一整
列数据记为;
(4)将分量中所有元素时间各自对应一天中的时间点进行编码,高频分量中所
有元素时间各自对应一天中的时间点这一整列数据记为,高频分量中所有元素时间
各自对应一天中的时间点这一整列数据记为,低频分量中所有元素时间各自对应一
天中的时间点这一整列数据记为;
本发明的原理说明如下:
对于系统级别的负荷预测来说,由于系统负荷较为稳定,波动性较低,已达到很高的预测精度。对于居民用电负荷的超短期预测而言,目前主要采用的是基于数据驱动的方法,现有方法用于居民用电负荷的超短期预测时,预测效果并不佳,预测精度往往达不到要求。居民用电负荷存在较大的不确定性,用电负荷波动性大,传统的负荷预测方法很难克服这种不确定性。在传统预测算法上,多采用人工智能的方法,通过大量历史数据的训练来优化神经网络,达到预测目的。由于居民用电负荷受影响因素众多,单一使用一个预测方法的有效性大打折扣。基于此,本设计提出一种基于OPTICS的WT-LSTM居民负荷超短期预测方法,先将每日起始时段的部分历史负荷数据进行OPTICS聚类处理,聚类中运用特殊化处理的皮尔逊系数代替欧式距离,以改善聚类效果。对相似日负荷进行归类,判断待预测日的类别,筛选相似日负荷,降低日负荷之间的差别,抵消不确定性。将聚类后得到的相似日负荷数据进行小波分解,以降低时间序列的复杂程度,进一步降低负荷的波动性,过滤不确定性。最后将小波分解后的各个分量分别输入到先进的多元特征的LSTM预测算法中进行训练,得到最后一天各自的预测值,最后叠加预测结果,实现了单户居民负荷超短期精确预测。
实施例:
参见图1,一种居民负荷超短期预测方法,该方法包括以下步骤:
S1、通过智能电表等用电监测设备获取居民用电负荷日历史用电数据,取90,
用电监测设备每15分钟采集一次用电量,每天形成96个时段的用电数据,基于日前(取6,日期个时段的用电数据反映了整天的用电负荷规律的起始特征,大致能代
表整天的用电习惯)个时段的每日用电数据进行聚类分析,得到类负荷用电数据,与待
测日同一类别的负荷用电数据即为相似日类群,记为;
上式中,为日和日的用电负荷的皮尔逊系数,和分别为日和日的时刻的负荷功率值;皮尔逊系数的范围在-1与1之间,而聚类中对于日间负荷距
离要求,正数化皮尔逊系数能把原来两日负荷之间的差异衡量标准,即两日用电
负荷的距离映射到0与2之间;
步骤S12具体包括以下步骤:
S127、若种子集合,则跳转到步骤S124,否则,从种子集合中挑
选可达距离最近的种子点,先将其标记为已访问,将标记为已处理,同时将
压入到有序列表中,然后判断是否为核心对象,若是,则将中未访问的邻居点
加入到种子集合中,重新计算可达距离,跳转到步骤S127;
S13、聚类分析得到的结果为:
上式中,为分解的尺度;为接近原始信号的信号,即低频
分量;为第个分解的信号,即高频分量;为总时
间;为采集的居民负荷数据的时间间隔,取15;为一天当中拥有的负荷采样点个数,
取96;为一天当中最后一个负荷元素的时间点;
S31、、和三个分量各自构造的输入变量为、和,输入变量
包括分量本身、分量中各元素时间所处星期几所构成的矩阵、分量中各元素时间是否为周
末所构成的矩阵以及分量中各元素时间所对应一天中的时间点所构成的矩阵;
所述输入变量构造方法如下:
(2)将分量中所有元素时间各自所处星期几进行编码,分量中所有元素时间对应
的星期索引范围是0~6,高频分量中所有元素时间各自对应的星期几这一整列数据记
为,高频分量中所有元素时间各自对应的星期几这一整列数据记为,低频分量中所有元素时间各自对应的星期几这一整列数据记为;
(3)将分量中所有元素时间对应是否为周末(在周六周日记为1,否则为0)进行编
码,高频分量中所有元素时间各自对应是否为周末这一整列数据记为,高频分量
中所有元素时间各自对应是否为周末这一整列数据记为,低频分量中所有元素时
间各自对应是否为周末这一整列数据记为;
(4)将分量中所有元素时间各自对应一天中的时间点进行编码,高频分量中所
有元素时间各自对应一天中的时间点这一整列数据记为,高频分量中所有元素时间
各自对应一天中的时间点这一整列数据记为,低频分量中所有元素时间各自对应一
天中的时间点这一整列数据记为;
S32、将输入变量、和分别输入到LSTM模型中进行训练,输入变量、和按0.8:0.2依次划分为训练集和测试集,采用作为成本函数,以减
小预测结果的,的值越小表示模型的预测精度越高,使用Adam优化器,学习
率用于控制模型的学习进度,学习率过小会使网络学习的时间增加,而学习率过大可能会
使网络寻找最优值时存在困难和网络无法收敛,因此设置学习率为0.01,输入变量、和迭代训练为200次后得到各自的预测结果、和;分量预测结
果参见图4;
Claims (8)
1.一种居民负荷超短期预测方法,其特征在于,该方法包括以下步骤:
S1、获取居民用电负荷D日历史用电数据,基于日前now个时段的每日用电数据进行聚类分析,得到N类负荷用电数据,与待测日同一类别的负荷用电数据即为相似日类群,记为CO;具体包括以下步骤:
S11、日前now个时段的每日用电数据为:
上式中,Pday为一整天的用电负荷功率序列,Pday′为日前now个时段的用电负荷功率序列,pn为第n个时段的用电负荷功率;
S12、基于日前now个时段的每日用电数据进行OPTICS聚类分析;
聚类分析中,任意两日的用电数据的距离使用正数化皮尔逊系数P+代表,如下所示:
P+=1-Pab
上式中,Pab为a日和b日的用电负荷的皮尔逊系数,Pdayai′和Pdaybi′分别为a日和b日的i时刻的负荷功率值;
S13、聚类分析得到的结果为:
{l1,l2,…,la,…,lb,…,lx,…,lD,lD+1}
上式中,la为第a天负荷进行聚类后的标签序号值;
筛选与待测日lD+1标签值相同的标签值,提取其代表的日负荷Pday’,结果为:
CO’={Pdaya’,Pdayb’,…,Pdayx’,PdayD+1’}
用整天的用电负荷功率序列Pday替换相应的代表日前now个时段的用电负荷功率序列Pday’,替换后的结果为:
CO={Pdaya,Pdayb,…,Pdayx}
上式中,CO包含聚类后与PdayD+1待测日相似的所有日负荷值;Pdayx为与PdayD+1待测日相似且日期最邻近的一整天的用电负荷功率序列;
将CO中的日负荷值按从第a天开始重新排序,此时a是CO中的第一天,则a用1表示,b用b+1-a表示,x用x+1-a表示,即:
S2、选取与待测日同一类别的负荷用电数据进行小波分解,分解得到d1、d2和a2三个分量;
S3、对d1、d2和a2三个分量用LSTM进行训练,分别得到待测日三个分量的预测结果PTd1、PTd2和PTa2,将三个分量的预测结果叠加得到待测日的预测结果。
2.根据权利要求1所述的一种居民负荷超短期预测方法,其特征在于:步骤S12具体包括以下步骤:
S121、输入样本集X,给定邻域最少点数MinPts;
X={Pday1′,Pday2′,…,Pdaya′,…,Pdayb′,…,Pdayx′,…,PdayD′PdayD+1′}
上式中,Pdaya′为第a天日前now个时段的用电数据,PdayD+1′为待测日日前now个时段的用电数据;
S123、遍历X中的对象,若是核心对象,则加入核心对象集合Ω中;
S124、若核心对象集合Ω中对象都已经处理,算法结束,否则跳转到步骤S125;
S125、计算对象O的核心距离cd(o),即将其它对象与对象O的正数化皮尔逊系数P+按从小到大顺序排列得到的第MinPts个值,然后计算满足P+h1,j,o≥0.8的对象j与对象O的可达距离rd(j,o):
rd(j,o)=max{cd(o),P+h1,j,o}
上式中,P+h1,j,o为对象j与对象O的正数化皮尔逊系数;
S126、在核心对象集合Ω中,随机选择一个未处理的核心对象,先将其标记为已处理,同时将其压入到有序列表P中,最后将对象O的ε邻域中未访问的点,根据可达距离的大小依次存放到种子集合seeds中;
3.根据权利要求1所述的一种居民负荷超短期预测方法,其特征在于:步骤S2具体包括以下步骤:
S21、将相似日类群转置为一维数组s((x+1-a)*k*n)后进行小波分解:
上式中,J为分解的尺度;aJ((x+1-a)*n*k)为接近原始信号的信号,即低频分量;dr((x+1-a)*n*k)为第r个分解的信号,即高频分量;(x+1-a)*n*k为总时间;k为采集的居民负荷数据的时间间隔,n为一天当中拥有的负荷采样点个数,n*k为一天当中最后一个负荷元素的时间点;
S22、采用DB4小波基函数对相似日负荷用电功率数据S((x+1-a)*k*n)进行两级分解,即上式中分解尺度J取值2,得到高频分量d1、d2和低频分量a2。
5.根据权利要求4所述的一种居民负荷超短期预测方法,其特征在于:步骤S31中,所述输入变量构造方法如下:
(1)各分量元素顺序作为输入变量的一部分,高频分量d1整列分量元素顺序记为Sd1,高频分量d2整列分量元素顺序记为Sd2,低频分量a2整列分量元素顺序记为Sa2;
sa2=[1,2,…,(x+1-a)*n]T
(2)将分量中所有元素时间各自所处星期几进行编码,高频分量d1中所有元素时间各自对应的星期几这一整列数据记为dd1,高频分量d2中所有元素时间各自对应的星期几这一整列数据记为dd2,低频分量a2中所有元素时间各自对应的星期几这一整列数据记为da2;
da2=[…,0,0,…,1,1,…,6,6,6,…]T
(3)将分量中所有元素时间对应是否为周末进行编码,高频分量d1中所有元素时间各自对应是否为周末这一整列数据记为wd1,高频分量d2中所有元素时间各自对应是否为周末这一整列数据记为wd2,低频分量a2中所有元素时间各自对应是否为周末这一整列数据记为Wa2;
Wa2=[…,0,0,…,1,1,1,…]T
(4)将分量中所有元素时间各自对应一天中的时间点进行编码,高频分量d1中所有元素时间各自对应一天中的时间点这一整列数据记为hd1,高频分量d2中所有元素时间各自对应一天中的时间点这一整列数据记为hd2,低频分量a2中所有元素时间各自对应一天中的时间点这一整列数据记为ha2;
ha2=[0,1k,2k,…,(n-1)*k,…,0,1k,2k,…,…,(n-1)*k]T
按上述构造方法,d1、d2和a2三个分量各自构造的输入变量为Td1、Td2和Ta2,Td1、Td2和Ta2输入变量都为(x+1-a)*n行,5列的矩阵;
Td1=[d1,sd1,dd1,wd1,hd1]
Td2=[d2,sd2,dd2,wd2,hd2]
Ta2=[a2,sa2,da2,wa2,ha2]。
6.根据权利要求4所述的一种居民负荷超短期预测方法,其特征在于:步骤S32中,输入变量Td1、Td2和Ta2按0.8∶0.2依次划分为训练集和测试集。
7.根据权利要求4所述的一种居民负荷超短期预测方法,其特征在于:步骤S32中,LSTM模型的学习率lr为0.01。
8.根据权利要求4所述的一种居民负荷超短期预测方法,其特征在于:步骤S32中,输入变量Td1、Td2和Ta2迭代训练200次后得到各自的预测结果PTd1、PTd2和PTa2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111487222.7A CN113919600B (zh) | 2021-12-08 | 2021-12-08 | 一种居民负荷超短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111487222.7A CN113919600B (zh) | 2021-12-08 | 2021-12-08 | 一种居民负荷超短期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113919600A CN113919600A (zh) | 2022-01-11 |
CN113919600B true CN113919600B (zh) | 2022-04-01 |
Family
ID=79248674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111487222.7A Active CN113919600B (zh) | 2021-12-08 | 2021-12-08 | 一种居民负荷超短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919600B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638440B (zh) * | 2022-05-17 | 2022-08-09 | 国网湖北省电力有限公司经济技术研究院 | 一种基于充电桩使用度的充电负荷超短期预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820876A (zh) * | 2015-05-21 | 2015-08-05 | 国家电网公司 | 一种短期负荷预测方法和系统 |
CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 一种基于小波长短期记忆网络的超短期风电功率预测方法 |
US10636045B2 (en) * | 2013-11-12 | 2020-04-28 | Bank Of America Corporation | Predicting economic conditions |
US10709342B2 (en) * | 2015-12-21 | 2020-07-14 | Robert Andre AMELARD | System and method for spatial cardiovascular monitoring |
CN112070268A (zh) * | 2020-07-31 | 2020-12-11 | 浙江大有实业有限公司杭州科技发展分公司 | 基于酒店需求侧响应的电力负荷预测方法及装置 |
CN112330078A (zh) * | 2021-01-04 | 2021-02-05 | 南方电网数字电网研究院有限公司 | 用电量预测方法、装置、计算机设备和存储介质 |
CN112396225A (zh) * | 2020-11-13 | 2021-02-23 | 浙江电力交易中心有限公司 | 一种基于长短期记忆网络的短期电价预测方法 |
CN112784792A (zh) * | 2021-01-29 | 2021-05-11 | 海南电网有限责任公司电力科学研究院 | 基于Pearson相关系数与OPTICS的电压暂降同源识别方法 |
CN112990597A (zh) * | 2021-03-31 | 2021-06-18 | 国家电网有限公司 | 一种工业园区工厂用电负荷的超短期预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
CN112330052A (zh) * | 2020-11-20 | 2021-02-05 | 广西电网有限责任公司电力科学研究院 | 一种配变负荷预测方法 |
CN112488415A (zh) * | 2020-12-14 | 2021-03-12 | 国网江苏省电力有限公司经济技术研究院 | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 |
-
2021
- 2021-12-08 CN CN202111487222.7A patent/CN113919600B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10636045B2 (en) * | 2013-11-12 | 2020-04-28 | Bank Of America Corporation | Predicting economic conditions |
CN104820876A (zh) * | 2015-05-21 | 2015-08-05 | 国家电网公司 | 一种短期负荷预测方法和系统 |
US10709342B2 (en) * | 2015-12-21 | 2020-07-14 | Robert Andre AMELARD | System and method for spatial cardiovascular monitoring |
CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 一种基于小波长短期记忆网络的超短期风电功率预测方法 |
CN112070268A (zh) * | 2020-07-31 | 2020-12-11 | 浙江大有实业有限公司杭州科技发展分公司 | 基于酒店需求侧响应的电力负荷预测方法及装置 |
CN112396225A (zh) * | 2020-11-13 | 2021-02-23 | 浙江电力交易中心有限公司 | 一种基于长短期记忆网络的短期电价预测方法 |
CN112330078A (zh) * | 2021-01-04 | 2021-02-05 | 南方电网数字电网研究院有限公司 | 用电量预测方法、装置、计算机设备和存储介质 |
CN112784792A (zh) * | 2021-01-29 | 2021-05-11 | 海南电网有限责任公司电力科学研究院 | 基于Pearson相关系数与OPTICS的电压暂降同源识别方法 |
CN112990597A (zh) * | 2021-03-31 | 2021-06-18 | 国家电网有限公司 | 一种工业园区工厂用电负荷的超短期预测方法 |
Non-Patent Citations (2)
Title |
---|
Lagged Load Wavelet Decomposition and LSTM Networks for Short-Term Load Forecasting;Maryam Imani等;《2019 4th International Conference on Pattern Recognition and Image Analysis (IPRIA)》;20190805;第7-12页 * |
基于小波分解与LSTM网络的短期电力负荷预测研究;尚佳玉;《中国优秀硕士学位论文全文数据库》;20210415(第4期);第C042-82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113919600A (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
Liu et al. | A comparative study of the data-driven day-ahead hourly provincial load forecasting methods: From classical data mining to deep learning | |
CN110674604A (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
Pirbazari et al. | Evaluating feature selection methods for short-term load forecasting | |
Osojnik et al. | Tree-based methods for online multi-target regression | |
CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
CN115293326A (zh) | 电力负荷预测模型的训练方法、装置及电力负荷预测方法 | |
CN112581172A (zh) | 一种基于经验模态分解的多模型融合售电量预测方法 | |
CN113537469B (zh) | 一种基于LSTM网络和Attention机制的城市需水预测方法 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN113919600B (zh) | 一种居民负荷超短期预测方法 | |
CN112434891A (zh) | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 | |
CN114676923A (zh) | 发电功率的预测方法、装置、计算机设备和存储介质 | |
CN116227716A (zh) | 一种基于Stacking的多因素能源需求预测方法及系统 | |
Boogaard et al. | Improved point-cloud segmentation for plant phenotyping through class-dependent sampling of training data to battle class imbalance | |
CN116702992A (zh) | 一种发电功率预测方法、装置、电子设备及存储介质 | |
Phan et al. | Fusion of end-to-end deep learning models for sequence-to-sequence sleep staging | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
CN111815051B (zh) | 考虑天气影响因素的grnn光伏发电预测方法 | |
CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 | |
CN117374941A (zh) | 一种基于神经网络的光伏发电功率预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |