CN113935244A - 一种城中村配变短期电力负荷预测方法和系统 - Google Patents
一种城中村配变短期电力负荷预测方法和系统 Download PDFInfo
- Publication number
- CN113935244A CN113935244A CN202111236075.6A CN202111236075A CN113935244A CN 113935244 A CN113935244 A CN 113935244A CN 202111236075 A CN202111236075 A CN 202111236075A CN 113935244 A CN113935244 A CN 113935244A
- Authority
- CN
- China
- Prior art keywords
- term power
- data
- short
- weight
- power load
- 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 42
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims 3
- 238000013277 forecasting method Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城中村配变短期电力负荷预测方法和系统,利用LSTM模型和Prophet模型构成Prophet‑LSTM组合的短期电力负荷预测模型,将获取到的目标城中村台区的气温数据、负荷数据以及对应的节假日数据输入到短期电力负荷预测模型中,将LSTM模型输出的预测负荷值乘以第一权重,将Prophet模型输出的预测负荷值乘以第二权重,然后将二者叠加,得到最终的预测负荷值作为短期电力负荷预测模型的输出。本发明提供的负荷预测方法负荷预测的准确度在70%以上,最高可达92.86%,提高了城中村台区电力负荷预测的准确性和可靠性。
Description
技术领域
本发明涉及电力负荷预测技术领域,尤其涉及一种城中村配变短期电力负荷预测方法和系统。
背景技术
电力负荷短期预测指的是一年之中以月为单位的负荷预测,同时,还可以指以周、天、小时为单位的负荷预测。常用的负荷预测方法有时间序列法、线性外推法和人工神经网络法,时间序列法将电力负荷数据看作随机变量,建立数学模型描述随机变量的变化过程,并在此基础上建立负荷预测的表达式,计算速度快,能够反应一端时间内负荷变化的连续性,但易受气候、政策和人口变化等因素的影响,预测精度较差;线性外推法是根据历史负荷资料拟合出一条曲线,反应负荷本身变化趋势,然后根据这个变化趋势估计未来时刻的负荷值,但在节假日或者天气剧烈变化时预测精度会下降;人工神经网络法通过基本的神经元相互连接,通过对样本数据进行训练从而得出结果,建模简单,容错性强,但开发时间较长,需要的数据量大。
城中村地区与规划较好的市中心地区不同,其内部流动量大、变化大,人员数量极不稳定,尤其在夏季用电高峰时节,负荷经常呈骤增趋势。根据历史资料显示,城中村台区的负荷预测准确率低于60%,城中村人口的流动性大、规划及管控混乱,给负荷预测带来了极大的困难,常规的时间序列法、线性外推法和人工神经网络法难以很好地预测城中村的台区负荷。因此,需要提供一种针对于城中村台区的电力负荷预测方式,用于提高城中村台区电力负荷预测的准确性和可靠性。
发明内容
本发明提供了一种城中村配变短期电力负荷预测方法和系统,用于提高城中村台区电力负荷预测的准确性和可靠性。
有鉴于此,本发明第一方面提供了一种城中村配变短期电力负荷预测方法,包括:
构建短期电力负荷预测模型,所述短期电力负荷预测模型包括LSTM模型和Prophet模型,所述电力负荷预测模型的输出为第一权重倍的所述LSTM模型的输出负荷值与第二权重倍的所述Prophet模型的输出负荷值的叠加;
获取目标城中村区域的气温数据、目标城中村区域的负荷数据和对应的节假日数据;
将所述气温数据和所述负荷数据输入所述LSTM模型,将所述气温数据、所述负荷数据和所述节假日数据输入所述Prophet模型,得到所述短期电力负荷预测模型输出的预测负荷值。
可选地,所述第一权重为0.3,所述第二权重为0.7。
可选地,所述构建短期电力负荷预测模型,包括:
获取目标城中村区域的历史气温数据、历史负荷数据和对应的节假日数据;
对所述历史气温数据、所述历史负荷数据和所述节假日数据进行预处理;
初始化第一所述第一权重为1,第二权重为0,迭代次数为1,将预处理后的数据输入初始短期电力负荷预测模型,得到所述初始短期电力负荷预测模型输出的预测负荷值,其中,所述初始短期短期电力负荷预测模型包括LSTM模型和Prophet模型,所述初始电力负荷预测模型的输出为第一权重倍的所述LSTM模型的输出负荷值与第二权重倍的所述Prophet模型的输出负荷值的叠加;
根据所述初始短期电力负荷预测模型输出的预测负荷值计算均方根误差和平均绝对百分比误差;
判断迭代次数是否大于阈值,若否,则迭代次数加1,第一权重降0.1,第二权重升0.1,返回重新计算所述初始短期电力负荷预测模型输出的预测负荷值,若是,则输出所述均方根误差和平均绝对百分比误差最小时对应的负荷预测值、第一权重和第二权重,更新所述初始短期电力负荷预测模型的第一权重和第二权重,得到训练好的短期电力负荷预测模型。
可选地,所述阈值为10。
可选地,所述对所述历史气温数据、所述历史负荷数据和所述节假日数据进行预处理,包括:
采用同类均值插补方式对所述历史气温数据和所述历史负荷数据进行缺失值补全;
将所述历史气温数据、所述历史负荷数据和所述对应的节假日数据进行关联。
可选地,所述负荷数据为负载率。
本发明第二方面提供了一种城中村配变短期电力负荷预测系统,包括:
模型构建模块,用于构建短期电力负荷预测模型,所述短期电力负荷预测模型包括LSTM模型和Prophet模型,所述电力负荷预测模型的输出为第一权重倍的所述LSTM模型的输出负荷值与第二权重倍的所述Prophet模型的输出负荷值的叠加;
数据获取模块,用于获取目标城中村区域的气温数据、目标城中村区域的负荷数据和对应的节假日数据;
负荷预测模块,用于将所述气温数据和所述负荷数据输入所述LSTM模型,将所述气温数据、所述负荷数据和所述节假日数据输入所述Prophet模型,得到所述短期电力负荷预测模型输出的预测负荷值。
可选地,所述第一权重为0.3,所述第二权重为0.7。
可选地,所述模型构建模块,具体用于:
获取目标城中村区域的历史气温数据、历史负荷数据和对应的节假日数据;
对所述历史气温数据、所述历史负荷数据和所述节假日数据进行预处理;
初始化第一所述第一权重为1,第二权重为0,迭代次数为1,将预处理后的数据输入初始短期电力负荷预测模型,得到所述初始短期电力负荷预测模型输出的预测负荷值,其中,所述初始短期短期电力负荷预测模型包括LSTM模型和Prophet模型,所述初始电力负荷预测模型的输出为第一权重倍的所述LSTM模型的输出负荷值与第二权重倍的所述Prophet模型的输出负荷值的叠加;
根据所述初始短期电力负荷预测模型输出的预测负荷值计算均方根误差和平均绝对百分比误差;
判断迭代次数是否大于阈值,若否,则迭代次数加1,第一权重降0.1,第二权重升0.1,返回重新计算所述初始短期电力负荷预测模型输出的预测负荷值,若是,则输出所述均方根误差和平均绝对百分比误差最小时对应的负荷预测值、第一权重和第二权重,更新所述初始短期电力负荷预测模型的第一权重和第二权重,得到训练好的短期电力负荷预测模型。
可选地,所述阈值为10。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明提供了一种城中村配变短期电力负荷预测方法,利用LSTM模型和Prophet模型构成Prophet-LSTM组合的短期电力负荷预测模型,将获取到的目标城中村台区的气温数据、负荷数据以及对应的节假日数据输入到短期电力负荷预测模型中,将LSTM模型输出的预测负荷值乘以第一权重,将Prophet模型输出的预测负荷值乘以第二权重,然后将二者叠加,得到最终的预测负荷值作为短期电力负荷预测模型的输出,与现有的电力负荷预测方法相比,本发明提供的负荷预测方法不像人工神经网络法一样需要巨大的数据量和较长的开发时间,也不会因节假日或天气的剧烈变化而影响到预测精度,负荷预测的准确度在70%以上,最高可达92.86%,提高了城中村台区电力负荷预测的准确性和可靠性。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案,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的介绍,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的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中提供的一种城中村配变短期电力负荷预测方法的流程示意图;
图2为本发明实施例中提供的短期电力负荷预测模型的结构示意图;
图3为本发明实施例中提供的短期电力负荷预测模型的训练过程示意图;
图4为本发明实施例中提供的一种城中村配变短期电力负荷预测系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
为了便于理解,请参阅图1,本发明中提供了一种城中村配变短期电力负荷预测方法的实施例,包括:
步骤101、构建短期电力负荷预测模型,短期电力负荷预测模型包括LSTM模型和Prophet模型,电力负荷预测模型的输出为第一权重倍的LSTM模型的输出负荷值与第二权重倍的Prophet模型的输出负荷值的叠加。
如图2所示,本发明实施例中的由LSTM模型和Prophet模型组合构成Prophet-LSTM组合的短期电力负荷预测模型,在LSTM模型的输出侧将LSTM模型输出的预测负荷值乘以第一权重,在Prophet模型的输出侧将Prophet模型输出的预测负荷值乘以第二权重,然后将两者的叠加作为短期电力负荷预测模型输出的预测负荷值。第一权重(表1中的w1)和第二权重(表1中的w2)取不同值时对应的预测结果置信度如表1所示。
表1各组权重方案的预测结果置信度对比表
权重w1 | 权重w2 | 置信度(%) |
1 | 0 | 79.37 |
0.9 | 0.1 | 82.21 |
0.8 | 0.2 | 85.16 |
0.7 | 0.3 | 86.31 |
0.6 | 0.4 | 90.87 |
0.5 | 0.5 | 92.12 |
0.4 | 0.6 | 92.37 |
0.3 | 0.7 | 92.86 |
0.2 | 0.8 | 91.34 |
0.1 | 0.9 | 89.73 |
0 | 1 | 87.35 |
由表1可发现,在第一权重取值0.3,第二权重取值0.7时,可达到最高准确率92.86%。
步骤102、获取目标城中村区域的气温数据、目标城中村区域的负荷数据和对应的节假日数据。
目标城中村区域的气温数据和节假日数据可以从公共外网上爬取,目标城中村区域的负荷数据可以从计量自动化系统中导入,具体数据可以是负载率。气温数据和负荷数据均作为LSTM模型和Prophet模型的输入参数,Prophet模型另外还需要对节假日数据进行区分识别。
步骤103、将气温数据和负荷数据输入LSTM模型,将气温数据、负荷数据和节假日数据输入Prophet模型,得到短期电力负荷预测模型输出的预测负荷值。
在建立好短期电力负荷预测模型之后,只需要将获取到的气温数据、负荷数据和节假日数据输入短期电力负荷预测模型,即可在短期电力负荷预测模型的输出侧得到该区域的预测负荷值。需要说明的是,在输入短期电力负荷预测模型之前,可对气温数据、负荷数据和节假日数据进行预处理,避免错误数据和缺失的数据影响预测结果,
本发明实施例提供了一种城中村配变短期电力负荷预测方法,利用LSTM模型和Prophet模型构成Prophet-LSTM组合的短期电力负荷预测模型,将获取到的目标城中村台区的气温数据、负荷数据以及对应的节假日数据输入到短期电力负荷预测模型中,将LSTM模型输出的预测负荷值乘以第一权重,将Prophet模型输出的预测负荷值乘以第二权重,然后将二者叠加,得到最终的预测负荷值作为短期电力负荷预测模型的输出,与现有的电力负荷预测方法相比,本发明提供的负荷预测方法不像人工神经网络法一样需要巨大的数据量和较长的开发时间,也不会因节假日或天气的剧烈变化而影响到预测精度,负荷预测的准确度在70%以上,最高可达92.86%,提高了城中村台区电力负荷预测的准确性和可靠性。
在一个实施例中,构建短期电力负荷预测模型的过程如图3所示,(即短期电力负荷预测模型的模型训练过程)包括:
S1、首先构建初始短期短期电力负荷预测模型,初始短期短期电力负荷预测模型包括LSTM模型和Prophet模型,初始电力负荷预测模型的输出为第一权重倍的LSTM模型的输出负荷值与第二权重倍的Prophet模型的输出负荷值的叠加;
S2、初始化第一第一权重为1,第二权重为0,迭代次数为1;
S3、获取目标城中村区域的历史气温数据、历史负荷数据和对应的节假日数据;
S4、对历史气温数据、历史负荷数据和节假日数据进行预处理,主要包括数据的清洗和关联匹配;
S5、将预处理后的数据输入初始短期电力负荷预测模型,得到初始短期电力负荷预测模型输出的预测负荷值;
S6、根据初始短期电力负荷预测模型输出的预测负荷值计算均方根误差(RMSE)和平均绝对百分比误差(MAPE);
S7、判断迭代次数是否大于阈值,若否,则迭代次数加1,第一权重降0.1,第二权重升0.1,返回重新计算初始短期电力负荷预测模型输出的预测负荷值,若是,则输出均方根误差和平均绝对百分比误差最小时对应的负荷预测值、第一权重和第二权重,更新初始短期电力负荷预测模型的第一权重和第二权重,得到训练好的短期电力负荷预测模型。
短期电力负荷预测模型训练过程中,不同的第一权重(表2中的w1)和第二权重(表2中的w2)的不同取值对应的RMSE、MAPE和置信度对比如表2所示。
表2各组权重取值方案预测结果对比表
由表2中可以看出,当第一权重取值0.3,第二权重取值为0.7时,模型输出的预测结果置信度最高,因此,可以将第一权重固化为0.3,第二权重固化为0.7,得到最终的短期电力负荷预测模型,直接用于目标城中村区域的负荷预测。
本发明实施例中,迭代次数的阈值为10,10次迭代即可得到理想结果,不需要设置过多的迭代次数,增加算法计算量,影响效率。
在一个实施例中,对历史气温数据、历史负荷数据和节假日数据进行预处理,包括:采用同类均值插补方式对历史气温数据和历史负荷数据进行缺失值补全,将历史气温数据、历史负荷数据和对应的节假日数据进行关联。
为了便于理解,请参阅图4,本发明中提供了一种城中村配变短期电力负荷预测系统的实施例,包括:
模型构建模块401,用于构建短期电力负荷预测模型,所述短期电力负荷预测模型包括LSTM模型和Prophet模型,所述电力负荷预测模型的输出为第一权重倍的所述LSTM模型的输出负荷值与第二权重倍的所述Prophet模型的输出负荷值的叠加;
数据获取模块402,用于获取目标城中村区域的气温数据、目标城中村区域的负荷数据和对应的节假日数据;
负荷预测模块403,用于将所述气温数据和所述负荷数据输入所述LSTM模型,将所述气温数据、所述负荷数据和所述节假日数据输入所述Prophet模型,得到所述短期电力负荷预测模型输出的预测负荷值。
第一权重为0.3,所述第二权重为0.7。
模型构建模块401,具体用于:
获取目标城中村区域的历史气温数据、历史负荷数据和对应的节假日数据;
对所述历史气温数据、所述历史负荷数据和所述节假日数据进行预处理;
初始化第一所述第一权重为1,第二权重为0,迭代次数为1,将预处理后的数据输入初始短期电力负荷预测模型,得到所述初始短期电力负荷预测模型输出的预测负荷值,其中,所述初始短期短期电力负荷预测模型包括LSTM模型和Prophet模型,所述初始电力负荷预测模型的输出为第一权重倍的所述LSTM模型的输出负荷值与第二权重倍的所述Prophet模型的输出负荷值的叠加;
根据所述初始短期电力负荷预测模型输出的预测负荷值计算均方根误差和平均绝对百分比误差;
判断迭代次数是否大于阈值,若否,则迭代次数加1,第一权重降0.1,第二权重升0.1,返回重新计算所述初始短期电力负荷预测模型输出的预测负荷值,若是,则输出所述均方根误差和平均绝对百分比误差最小时对应的负荷预测值、第一权重和第二权重,更新所述初始短期电力负荷预测模型的第一权重和第二权重,得到训练好的短期电力负荷预测模型。
阈值为10。
本发明实施例提供了一种城中村配变短期电力负荷预测系统,利用LSTM模型和Prophet模型构成Prophet-LSTM组合的短期电力负荷预测模型,将获取到的目标城中村台区的气温数据、负荷数据以及对应的节假日数据输入到短期电力负荷预测模型中,将LSTM模型输出的预测负荷值乘以第一权重,将Prophet模型输出的预测负荷值乘以第二权重,然后将二者叠加,得到最终的预测负荷值作为短期电力负荷预测模型的输出,与现有的电力负荷预测方法相比,本发明提供的负荷预测方法不像人工神经网络法一样需要巨大的数据量和较长的开发时间,也不会因节假日或天气的剧烈变化而影响到预测精度,负荷预测的准确度在70%以上,最高可达92.86%,提高了城中村台区电力负荷预测的准确性和可靠性。
以上所述,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。
Claims (10)
1.一种城中村配变短期电力负荷预测方法,其特征在于,包括:
构建短期电力负荷预测模型,所述短期电力负荷预测模型包括LSTM模型和Prophet模型,所述电力负荷预测模型的输出为第一权重倍的所述LSTM模型的输出负荷值与第二权重倍的所述Prophet模型的输出负荷值的叠加;
获取目标城中村区域的气温数据、目标城中村区域的负荷数据和对应的节假日数据;
将所述气温数据和所述负荷数据输入所述LSTM模型,将所述气温数据、所述负荷数据和所述节假日数据输入所述Prophet模型,得到所述短期电力负荷预测模型输出的预测负荷值。
2.根据权利要求1所述的城中村配变短期电力负荷预测方法,其特征在于,所述第一权重为0.3,所述第二权重为0.7。
3.根据权利要求1所述的城中村配变短期电力负荷预测方法,其特征在于,所述构建短期电力负荷预测模型,包括:
获取目标城中村区域的历史气温数据、历史负荷数据和对应的节假日数据;
对所述历史气温数据、所述历史负荷数据和所述节假日数据进行预处理;
初始化第一所述第一权重为1,第二权重为0,迭代次数为1,将预处理后的数据输入初始短期电力负荷预测模型,得到所述初始短期电力负荷预测模型输出的预测负荷值,其中,所述初始短期短期电力负荷预测模型包括LSTM模型和Prophet模型,所述初始电力负荷预测模型的输出为第一权重倍的所述LSTM模型的输出负荷值与第二权重倍的所述Prophet模型的输出负荷值的叠加;
根据所述初始短期电力负荷预测模型输出的预测负荷值计算均方根误差和平均绝对百分比误差;
判断迭代次数是否大于阈值,若否,则迭代次数加1,第一权重降0.1,第二权重升0.1,返回重新计算所述初始短期电力负荷预测模型输出的预测负荷值,若是,则输出所述均方根误差和平均绝对百分比误差最小时对应的负荷预测值、第一权重和第二权重,更新所述初始短期电力负荷预测模型的第一权重和第二权重,得到训练好的短期电力负荷预测模型。
4.根据权利要求3所述的城中村配变短期电力负荷预测方法,其特征在于,所述阈值为10。
5.根据权利要求3所述的城中村配变短期电力负荷预测方法,其特征在于,所述对所述历史气温数据、所述历史负荷数据和所述节假日数据进行预处理,包括:
采用同类均值插补方式对所述历史气温数据和所述历史负荷数据进行缺失值补全;
将所述历史气温数据、所述历史负荷数据和所述对应的节假日数据进行关联。
6.根据权利要求1所述的城中村配变短期电力负荷预测方法,其特征在于,所述负荷数据为负载率。
7.一种城中村配变短期电力负荷预测系统,其特征在于,包括:
模型构建模块,用于构建短期电力负荷预测模型,所述短期电力负荷预测模型包括LSTM模型和Prophet模型,所述电力负荷预测模型的输出为第一权重倍的所述LSTM模型的输出负荷值与第二权重倍的所述Prophet模型的输出负荷值的叠加;
数据获取模块,用于获取目标城中村区域的气温数据、目标城中村区域的负荷数据和对应的节假日数据;
负荷预测模块,用于将所述气温数据和所述负荷数据输入所述LSTM模型,将所述气温数据、所述负荷数据和所述节假日数据输入所述Prophet模型,得到所述短期电力负荷预测模型输出的预测负荷值。
8.根据权利要求7所述的城中村配变短期电力负荷预测系统,其特征在于,所述第一权重为0.3,所述第二权重为0.7。
9.根据权利要求7所述的城中村配变短期电力负荷预测系统,其特征在于,所述模型构建模块,具体用于:
获取目标城中村区域的历史气温数据、历史负荷数据和对应的节假日数据;
对所述历史气温数据、所述历史负荷数据和所述节假日数据进行预处理;
初始化第一所述第一权重为1,第二权重为0,迭代次数为1,将预处理后的数据输入初始短期电力负荷预测模型,得到所述初始短期电力负荷预测模型输出的预测负荷值,其中,所述初始短期短期电力负荷预测模型包括LSTM模型和Prophet模型,所述初始电力负荷预测模型的输出为第一权重倍的所述LSTM模型的输出负荷值与第二权重倍的所述Prophet模型的输出负荷值的叠加;
根据所述初始短期电力负荷预测模型输出的预测负荷值计算均方根误差和平均绝对百分比误差;
判断迭代次数是否大于阈值,若否,则迭代次数加1,第一权重降0.1,第二权重升0.1,返回重新计算所述初始短期电力负荷预测模型输出的预测负荷值,若是,则输出所述均方根误差和平均绝对百分比误差最小时对应的负荷预测值、第一权重和第二权重,更新所述初始短期电力负荷预测模型的第一权重和第二权重,得到训练好的短期电力负荷预测模型。
10.根据权利要求9所述的城中村配变短期电力负荷预测系统,其特征在于,所述阈值为10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111236075.6A CN113935244A (zh) | 2021-10-22 | 2021-10-22 | 一种城中村配变短期电力负荷预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111236075.6A CN113935244A (zh) | 2021-10-22 | 2021-10-22 | 一种城中村配变短期电力负荷预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113935244A true CN113935244A (zh) | 2022-01-14 |
Family
ID=79283746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111236075.6A Pending CN113935244A (zh) | 2021-10-22 | 2021-10-22 | 一种城中村配变短期电力负荷预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935244A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205330A (zh) * | 2022-12-13 | 2023-06-02 | 国网浙江省电力有限公司营销服务中心 | 基于企业用电数据的企业用电预测方法 |
CN117474151A (zh) * | 2023-10-27 | 2024-01-30 | 湖北华中电力科技开发有限责任公司 | 一种基于CNN-LSTM和lightGBM动态加权融合模型用于短期负荷实际预测的方法 |
-
2021
- 2021-10-22 CN CN202111236075.6A patent/CN113935244A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205330A (zh) * | 2022-12-13 | 2023-06-02 | 国网浙江省电力有限公司营销服务中心 | 基于企业用电数据的企业用电预测方法 |
CN117474151A (zh) * | 2023-10-27 | 2024-01-30 | 湖北华中电力科技开发有限责任公司 | 一种基于CNN-LSTM和lightGBM动态加权融合模型用于短期负荷实际预测的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149879B (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
CN113935244A (zh) | 一种城中村配变短期电力负荷预测方法和系统 | |
CN110705743A (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 | |
CN111210093B (zh) | 基于大数据的日用水量预测方法 | |
CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
CN107908638A (zh) | 基于大数据挖掘配的电网运行效率评价方法及系统 | |
CN109102155B (zh) | 一种超短期节点边际电价概率预测方法及系统 | |
CN113361195B (zh) | 一种基于lstm和相似日的配电网线路超短期负荷预测方法 | |
CN112508279A (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
CN104036356A (zh) | 一种利用分形算法对电网未来运行状态进行预测的方法 | |
CN110766190A (zh) | 一种配电网负荷预测方法 | |
CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN109002943B (zh) | 考虑负荷分类的分布式风电源与电容器联合动态规划方法 | |
Mokhov et al. | Electrical energy consumption prediction of the federal district of Russia on the based of the reccurent neural network | |
Duan et al. | Long and medium term power load forecasting with multi-level recursive regression analysis | |
CN113837812A (zh) | 节点电价联合概率预测方法及装置 | |
CN113888202A (zh) | 一种电价预测模型的训练方法及应用方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN116191412A (zh) | 电力负荷预测方法 | |
Kown et al. | Short term load forecasting based on BPL neural network with weather factors | |
Zamee et al. | Self-supervised online learning algorithm for electric vehicle charging station demand and event prediction | |
CN113487062A (zh) | 一种基于周期自动编码器的电力负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |