CN114091782A - 中长期电力负荷预测方法 - Google Patents
中长期电力负荷预测方法 Download PDFInfo
- Publication number
- CN114091782A CN114091782A CN202111441254.3A CN202111441254A CN114091782A CN 114091782 A CN114091782 A CN 114091782A CN 202111441254 A CN202111441254 A CN 202111441254A CN 114091782 A CN114091782 A CN 114091782A
- Authority
- CN
- China
- Prior art keywords
- power load
- day
- prediction error
- data
- value
- 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 39
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 230000001186 cumulative effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 48
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 238000013277 forecasting method Methods 0.000 abstract 1
- 230000000052 comparative effect Effects 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06F18/21—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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种中长期电力负荷预测方法,包括获取电力负荷历史数据;构建电力负荷数据集;基于XGBoost集成学习模型构建中长期电力负荷初步预测器;采用电力负荷数据集训练和测试中长期电力负荷初步预测器并得到电力负荷预测模型和电力负荷预测误差库;采用核密度估计算法对电力负荷预测误差库建模得到电力负荷预测误差的累积概率分布和电力负荷预测误差区间;将预测日前若干时间的电力负荷数据输入电力负荷预测模型中得到负荷预测值,并结合电力负荷预测误差区间得到最终的预测日的电力负荷预测结果。本发明方法的样本依赖性低,提升了预测模型的精度,避免了建立复杂的数学模型,而且电力负荷的拟合能力好,更加准确可靠。
Description
技术领域
本发明属于电气自动化技术领域,具体涉及一种中长期电力负荷预测方法。
背景技术
随着经济技术的发展和人们生活的提高,电能已经成为了人们生产和生活中必不可少的二次能源,给人们的生产和生活带来了无尽的便利。因此,保障电能的稳定可靠供应,就成为了电力系统最重要的任务之一。
电力负荷预测电力系统的重要任务之一。电力负荷预测结果,能够用于指导电力系统运行方式和发电计划的制定。在节能环保的大趋势下,精确的预测电力负荷有助于降低发电成本,提升能源利用效率,同时也能改善电力系统稳定性。
传统的负荷预测方法主要包括回归分析法、趋势外推法、时间序列法等;虽然这些方法模型简单,容易理解,但是,对于非平稳的电力负荷拟合效果并不理想。近年来,随着人工智能算法的发展和不断完善,已引起国内外专家的关注,并发表了一系列研究成果。其中,决策树、支持向量机、长短期记忆网络、卷积神经网络等被广泛应用于电力负荷预测。然而,浅层神经网络结构简单,对电力负荷的拟合能力不足;深度学习具有复杂函数强表征能力,但对于样本数量和质量要求高,且有大量的模型超参数需要调整以保证预测精度,限制了其在电力负荷预测中的应用。
发明内容
本发明的目的在于提供一种预测精度高、样本依赖性低且预测结果准确可靠的中长期电力负荷预测方法。
本发明提供的这种中长期电力负荷预测方法,包括如下步骤:
S1.获取电力负荷历史数据;
S2.根据步骤S1获取的电力负荷历史数据,构建电力负荷数据集;
S3.基于XGBoost集成学习模型构建中长期电力负荷初步预测器;
S4.采用步骤S2构建的电力负荷数据集,对步骤S3构建的中长期电力负荷初步预测器进行训练和测试,从而得到电力负荷预测模型,以及得到电力负荷预测误差库;
S5.采用核密度估计算法对步骤S4得到的电力负荷预测误差库进行概率建模,得到电力负荷预测误差的累积概率分布,从而进一步得到电力负荷预测误差区间;
S6.将预测日前若干时间的电力负荷数据,输入到步骤S4得到的电力负荷预测模型中得到负荷预测值,并结合步骤S5得到的电力负荷预测误差区间,计算得到最终的预测日的电力负荷预测结果。
步骤S2所述的根据步骤S1获取的电力负荷历史数据,构建电力负荷数据集,具体为采用灰色关联算法,计算步骤S1获取的电力负荷历史数据中各历史日与预测日的相似度,并选取相似度大于设定阈值的历史日所对应的电力负荷历史数据构成电力负荷数据集。
所述的采用灰色关联算法,计算步骤S1获取的电力负荷历史数据中各历史日与预测日的相似度,具体包括如下步骤:
A.采用如下算式,对历史日和预测日的数据进行标准化处理:
式中x'j为标准化处理后的数据特征变量,且x'j=[x'j,1,x'j,2,...,x'j,i,...,x'j,n],x'j,i,为标准化处理后的第j日第i个数据的值;xj为标准化处理前的数据特征变量,且xj=[xj,1,xj,2,...,xj,i,...,xj,n],xj,i为标准化处理前第j日第i个数据的值;μ为标准化处理前第i个数据的均值;σ为标准化处理前第i个数据的方差;
B.采用如下算式,计算第j个历史日的特征变量x'j与预测日对应的特征变量x'0的关联系数:
式中ε'j,k为第j个历史日的第k个特征变量与预测日的第k个特征变量的关联系数;ρ为分辨系数;
C.对步骤B得到的关联系数进行求和,得到各历史日与预测日的相似度。
步骤S3所述的基于XGBoost集成学习模型构建中长期电力负荷初步预测器,具体包括如下步骤:
a.设定电力负荷数据集表示为D={(xi,yi):i=1,2,...,n},其中包括n个样本,每个样本包括m个特征且对应的值为yi,并设定存在K棵回归树;则模型为式中fk表示一棵回归树,fk(xi)表示第k棵树对数据集中第i个样本的计算分数;
式中ft(xi)为表示第t次迭代时对第i个样本的计算分数。
d.使用二阶泰勒展开,将步骤c中的目标函数简化并去掉常数项后得到:
e.最终得到目标函数为:
式中Ij表示叶子j的样本组;
步骤S4所述的得到电力负荷预测误差库,具体包括如下步骤:
(1)将步骤S2构建的电力负荷数据集输入到电力负荷预测模型中,得到预测值;
(2)采用如下算式计算准确率Iacc:
式中yture为真实值,ypred为预测值;
(3)预测误差为真实值与预测值的差值,从而构建电力负荷预测误差库。
步骤S5所述的核密度估计算法,具体包括如下步骤:
步骤S6所述的将预测日前若干时间的电力负荷数据,输入到步骤S4得到的电力负荷预测模型中得到负荷预测值,并结合步骤S5得到的电力负荷预测误差区间,计算得到最终的预测日的电力负荷预测结果,具体为将预测日前若干时间的电力负荷数据,输入到步骤S4得到的电力负荷预测模型中得到负荷预测值,并将负荷预测值加上步骤S5得到的电力负荷预测误差区间,计算得到最终的具有设定置信水平下的电力负荷预测的区间值。
本发明提供的这种中长期电力负荷预测方法,基于灰色关联算法筛选预测时段的相似日,确保负荷变化规律相近,有助于提升预测模型的预测精度,使得本发明方法的样本依赖性低;利用相似日数据训练XGBoost并建立预测模型,使得本发明方法避免了建立复杂的数学模型,而且具有较好的预测精度,电力负荷的拟合能力好;最后基于核密度估计对XGBoost的预测误差进行概率建模,结合电力负荷预测值得到设定的置信水平下电力负荷的区间,使得本发明方法与常用的机器学习方法相比具有更优异的预测精度,而且更加准确可靠。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法中在给定置信水平下负荷预测误差下限和上限计算的结果示意图。
图3为本发明方法的实施例1的A市的核密度估计拟合曲线和负荷预测误差概率分布直方图。
图4为本发明方法的实施例1的B市的核密度估计拟合曲线和负荷预测误差概率分布直方图。
图5为本发明方法的实施例1的C市的核密度估计拟合曲线和负荷预测误差概率分布直方图。
图6为本发明方法的实施例1的A市电力负荷区间预测结果示意图。
图7为本发明方法的实施例1的B市电力负荷区间预测结果示意图。
图8为本发明方法的实施例1的C市电力负荷区间预测结果示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图:本发明提供的这种中长期电力负荷预测方法,包括如下步骤:
S1.获取电力负荷历史数据;
具体实施时,可以采用的电力负荷历史数据包括:输入特征和对应的输出电力负荷;
输入特征包括历史日的高峰时段负荷值、从历史日电力负荷曲线中提取的负荷指标、历史日最低/最高温度、历史日总监测人口数、历史日净迁入/迁出人口数和预测日的最低/最高温度;其中,负荷指标包括最大负荷值、最小负荷值、24整点负荷平均值、峰谷差、最小负荷率、峰谷差率、24整点负荷累加值;
通过选取与预测日相似的历史日作为XGBoost模型的训练集,其所隐藏的负荷变化规律更为一致,降低了数据挖掘难度,有助于提升XGBoost模型的预测性能;
S2.根据步骤S1获取的电力负荷历史数据,构建电力负荷数据集;具体为采用灰色关联算法,计算步骤S1获取的电力负荷历史数据中各历史日与预测日的相似度,并选取相似度大于设定阈值的历史日所对应的电力负荷历史数据构成电力负荷数据集;
具体实施时,采用灰色关联算法,计算步骤S1获取的电力负荷历史数据中各历史日与预测日的相似度,具体包括如下步骤:
A.采用如下算式,对历史日和预测日的数据进行标准化处理:
式中x'j为标准化处理后的数据特征变量,且x'j=[x'j,1,x'j,2,...,x'j,i,...,x'j,n],x'j,i,为标准化处理后的第j日第i个数据的值;xj为标准化处理前的数据特征变量,且xj=[xj,1,xj,2,...,xj,i,...,xj,n],xj,i为标准化处理前第j日第i个数据的值;μ为标准化处理前第i个数据的均值;σ为标准化处理前第i个数据的方差;
B.采用如下算式,计算第j个历史日的特征变量x'j与预测日对应的特征变量x'0的关联系数:
式中ε'j,k为第j个历史日的第k个特征变量与预测日的第k个特征变量的关联系数;ρ为分辨系数,一般取为0.5;
C.对步骤B得到的关联系数进行求和,得到各历史日与预测日的相似度;
S3.基于XGBoost集成学习模型构建中长期电力负荷初步预测器;具体包括如下步骤:
a.设定电力负荷数据集表示为D={(xi,yi):i=1,2,...,n},其中包括n个样本,每个样本包括m个特征且对应的值为yi,并设定存在K棵回归树;则模型为式中fk表示一棵回归树,fk(xi)表示第k棵树对数据集中第i个样本的计算分数;
式中ft(xi)为表示第t次迭代时对第i个样本的计算分数;
d.使用二阶泰勒展开,将步骤c中的目标函数简化并去掉常数项后得到:
e.最终得到目标函数为:
式中Ij表示叶子j的样本组;
S4.采用步骤S2构建的电力负荷数据集,对步骤S3构建的中长期电力负荷初步预测器进行训练和测试,从而得到电力负荷预测模型,以及得到电力负荷预测误差库;
具体实施时,训练数据和测试数据不能交叉重复,而且训练数据选取的时间段先于测试数据选取的时间段;
同时,得到电力负荷预测误差库具体包括如下步骤:
(1)将步骤S2构建的电力负荷数据集输入到电力负荷预测模型中,得到预测值;
(2)采用如下算式计算准确率Iacc:
式中yture为真实值,ypred为预测值;
(3)预测误差为真实值与预测值的差值,从而构建电力负荷预测误差库;
S5.采用核密度估计算法对步骤S4得到的电力负荷预测误差库进行概率建模,得到电力负荷预测误差的累积概率分布,从而进一步得到电力负荷预测误差区间;
具体实施时,核密度估计算法具体包括如下步骤:
核函数有多种结构,可以分为不平滑内核和平滑内核:不平滑核函数下的核密度估计无法体现相邻负荷数据间的差异性,为了得到较为平滑的模型,依次本发明中的核密度估计采用高斯函数核,核密度估计表达式为e为负荷预测误差,ei为负荷预测值,h为窗宽,n为负荷预测误差的样本数;
核密度估计的平滑度主要由窗宽h决定,如果窗宽h选择太小,核密度估计的局部波动性增加,从而影响整体分布情况,核密度估计的曲线很不平滑;如果窗宽h选择太大,数据会过于均值化而丢失信息,核密度估计的曲线过于平滑,且无法反映实际的概率密度分布;因此,采用平均积分平方误差法(Mean Integrated Squared Error,MISE),计算得到核密度估计的最优窗宽hAMISE为式中K(e)为高斯核函数,k为中间变量且k=∫e2K(e)de;f(e)为负荷预测误差的真实概率密度函数;
S6.将预测日前若干时间(优选为5~10天)的电力负荷数据,输入到步骤S4得到的电力负荷预测模型中得到负荷预测值,并结合步骤S5得到的电力负荷预测误差区间,计算得到最终的预测日的电力负荷预测结果;具体为将预测日前若干时间的电力负荷数据,输入到步骤S4得到的电力负荷预测模型中得到负荷预测值,并将负荷预测值加上步骤S5得到的电力负荷预测误差区间,计算得到最终的具有设定置信水平下的电力负荷预测的区间值。
以下结合一个具体实施例,对本发明方法进行进一步说明:
首先分别构建A市居民电力负荷数据集以及B市和C市一般工商业电力负荷数据集,并利用灰色关联算法计算所述电力负荷数据集中各历史日与预测日的相似度,进而选取相似度大于预设阈值的样本组成相似日数据集;其中,设定的阈值分别为0.78(A市)、0.65(B市)、0.90(C市),使得在相似日数据集中的测试数据进行测试时,中长期电力负荷预测器所得平均准确率92.62%、94.45%、94.45%;
然后,利用基于XGBoost集成学习模型构建中长期电力负荷初步预测器;
接下来,利用数据集中的训练数据(A市:2020年01月01日至12月31日,B、C市:2020年01月01日至2021年3月31日),训练中长期电力负荷初步预测器,得到中长期电力负荷预测器;
利用数据集中的测试数据(A市:2021年01月01日至01月31日,B、C市:2021年04月01日至04月30日),分别测试中长期电力负荷预测器的准确率(结果如表1所示),并建立电力负荷预测误差库;
表1实施例1的中长期电力负荷预测器的准确率示意表
利用核密度估计对电力负荷预测误差进行概率建模,得电力负荷预测误差的累积概率分布(分别如图3、4、5所示),再基于设定的置信水平,获取电力负荷预测误差区间(如图2所示);
最后,将预测日隔周前历史时间段(A市:预测日:2021年大年三十至大年初七,当预测日为2021年大年三十时,历史时间段为:2021年01月25日至02月03日,以此类推,B、C市:预测日:2021年5月1日至5月5日,当预测日为2021年5月1日时,历史时间段为:2021年04月14日至04月23日,以此类推)电力负荷数据集输入到预测模型,得到电力负荷预测值,再与电力负荷预测误差区间相加,求得一定置信水平(置信水平分别为:80%(A市)、80%(B市)和85%(C市))下电力负荷的不确定区间(分别如图6、7、8所示)。
由图3~5可知,A市的预测误差在区间[-10,-3.5]和[3,10.5]的概率密度较大,B市的预测误差在区间[0,3.5]和[7,10.5]的概率密度较大,而C市的预测误差在区间[-1.2,-0.4]的概率密度较大,呈现出尖峰特性;说明本发明预测方法所采用的核密度估计KDE具有适应性强、形状灵活等优点,较好地拟合了负荷预测误差的概率密度分布。
由图6~8可知,对2021年春节期间A市的居民负荷最大值、五一期间B市和C市的一般工商业负荷最大值进行区间预测,预测区间基本上能够在全局范围内完全包络住波动的居民/一般工商业负荷最大值曲线,且预测区间宽度能随着居民负荷/一般工商业负荷的波动大小进行动态调整。
对比例1~3:
本对比例与实施例1的区别仅在于:分别将所使用的XGBoost集成学习模型替换为典型的机器学习方法:长短期记忆网络(long short term memory,LSTM)(对比例2)、梯度提升树(gradient boosting decision tree,GBTD)(对比例3)、决策树(decision tree,DT)(对比例4)。所得准确率如表2所示。
表2实施例1与对比例1~3的中长期电力负荷预测器的准确率对比表
由表2可知,实施例1中采用本发明使用的XGBoost模型具有更优异的泛化能力,能获得更佳的预测精度;提前一周预测A市的居民负荷最大值时,平均准确率为92.62%;预测B市、C市的一般工商业负荷最大值时,平均准确率均为94.45%;借助于优异的数据挖掘能力,XGBoost的预测误差也有所保障,预测A市居民负荷最大值所得最低准确率为84.09%,分别比LSTM、GBTD和DT高了3.49%、5.68%和9.96%;预测C市一般工商业负荷最大值所得最低准确率为87.19%,分别比LSTM、GBTD和DT高了3.11%、2.74%和3.52%。因此可以看到,本发明方法的预测准确度更高,可靠性更好。
Claims (8)
1.一种中长期电力负荷预测方法,包括如下步骤:
S1.获取电力负荷历史数据;
S2.根据步骤S1获取的电力负荷历史数据,构建电力负荷数据集;
S3.基于XGBoost集成学习模型构建中长期电力负荷初步预测器;
S4.采用步骤S2构建的电力负荷数据集,对步骤S3构建的中长期电力负荷初步预测器进行训练和测试,从而得到电力负荷预测模型,以及得到电力负荷预测误差库;
S5.采用核密度估计算法对步骤S4得到的电力负荷预测误差库进行概率建模,得到电力负荷预测误差的累积概率分布,从而进一步得到电力负荷预测误差区间;
S6.将预测日前若干时间的电力负荷数据,输入到步骤S4得到的电力负荷预测模型中得到负荷预测值,并结合步骤S5得到的电力负荷预测误差区间,计算得到最终的预测日的电力负荷预测结果。
2.根据权利要求1所述的中长期电力负荷预测方法,其特征在于步骤S2所述的根据步骤S1获取的电力负荷历史数据,构建电力负荷数据集,具体为采用灰色关联算法,计算步骤S1获取的电力负荷历史数据中各历史日与预测日的相似度,并选取相似度大于设定阈值的历史日所对应的电力负荷历史数据构成电力负荷数据集。
3.根据权利要求2所述的中长期电力负荷预测方法,其特征在于所述的采用灰色关联算法,计算步骤S1获取的电力负荷历史数据中各历史日与预测日的相似度,具体包括如下步骤:
A.采用如下算式,对历史日和预测日的数据进行标准化处理:
式中x'j为标准化处理后的数据特征变量,且x'j=[x'j,1,x'j,2,...,x'j,i,...,x'j,n],x'j,i,为标准化处理后的第j日第i个数据的值;xj为标准化处理前的数据特征变量,且xj=[xj,1,xj,2,...,xj,i,...,xj,n],xj,i为标准化处理前第j日第i个数据的值;μ为标准化处理前第i个数据的均值;σ为标准化处理前第i个数据的方差;
B.采用如下算式,计算第j个历史日的特征变量x'j与预测日对应的特征变量x'0的关联系数:
式中ε'j,k为第j个历史日的第k个特征变量与预测日的第k个特征变量的关联系数;ρ为分辨系数;
C.对步骤B得到的关联系数进行求和,得到各历史日与预测日的相似度。
4.根据权利要求1~3之一所述的中长期电力负荷预测方法,其特征在于步骤S3所述的基于XGBoost集成学习模型构建中长期电力负荷初步预测器,具体包括如下步骤:
a.设定电力负荷数据集表示为D={(xi,yi):i=1,2,...,n},其中包括n个样本,每个样本包括m个特征且对应的值为yi,并设定存在K棵回归树;则模型为式中fk表示一棵回归树,fk(xi)表示第k棵树对数据集中第i个样本的计算分数;
式中ft(xi)为表示第t次迭代时对第i个样本的计算分数;
d.使用二阶泰勒展开,将步骤c中的目标函数简化并去掉常数项后得到:
e.最终得到目标函数为:
式中Ij表示叶子j的样本组;
8.根据权利要求7所述的中长期电力负荷预测方法,其特征在于步骤S6所述的将预测日前若干时间的电力负荷数据,输入到步骤S4得到的电力负荷预测模型中得到负荷预测值,并结合步骤S5得到的电力负荷预测误差区间,计算得到最终的预测日的电力负荷预测结果,具体为将预测日前若干时间的电力负荷数据,输入到步骤S4得到的电力负荷预测模型中得到负荷预测值,并将负荷预测值加上步骤S5得到的电力负荷预测误差区间,计算得到最终的具有设定置信水平下的电力负荷预测的区间值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111441254.3A CN114091782B (zh) | 2021-11-30 | 2021-11-30 | 中长期电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111441254.3A CN114091782B (zh) | 2021-11-30 | 2021-11-30 | 中长期电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091782A true CN114091782A (zh) | 2022-02-25 |
CN114091782B CN114091782B (zh) | 2024-06-07 |
Family
ID=80305852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111441254.3A Active CN114091782B (zh) | 2021-11-30 | 2021-11-30 | 中长期电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091782B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841457A (zh) * | 2022-05-18 | 2022-08-02 | 上海玫克生储能科技有限公司 | 电力负荷估计方法及系统、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及系统 |
CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
CN112016734A (zh) * | 2020-04-07 | 2020-12-01 | 沈阳工业大学 | 基于lstm栈式自编码多模型荷预测方法及系统 |
US20210097453A1 (en) * | 2018-06-12 | 2021-04-01 | Tsinghua University | Method for quantile probabilistic short-term power load ensemble forecasting, electronic device and storage medium |
-
2021
- 2021-11-30 CN CN202111441254.3A patent/CN114091782B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210097453A1 (en) * | 2018-06-12 | 2021-04-01 | Tsinghua University | Method for quantile probabilistic short-term power load ensemble forecasting, electronic device and storage medium |
CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及系统 |
CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
CN112016734A (zh) * | 2020-04-07 | 2020-12-01 | 沈阳工业大学 | 基于lstm栈式自编码多模型荷预测方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841457A (zh) * | 2022-05-18 | 2022-08-02 | 上海玫克生储能科技有限公司 | 电力负荷估计方法及系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114091782B (zh) | 2024-06-07 |
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 | |
CN111401599B (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
CN102270309B (zh) | 一种基于集成学习的短期电力负荷预测方法 | |
CN110969290B (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及系统 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN117977568A (zh) | 基于嵌套lstm和分位数计算的电力负荷预测方法 | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
CN115343784A (zh) | 一种基于seq2seq-attention模型的局部气温预测方法 | |
CN114091782B (zh) | 中长期电力负荷预测方法 | |
CN114881347A (zh) | 一种采用加权残差聚类的天然气负荷预测区间估计方法 | |
CN117151770A (zh) | 一种基于注意力机制的lstm碳价预测方法和系统 | |
CN116663745A (zh) | 一种基于pca_ dwt的lstm流域水流量预测方法 | |
CN116646927A (zh) | 一种基于分段滤波与纵横聚类的风电功率预测方法 | |
CN113705091B (zh) | 考虑变化环境和调度影响的非一致性设计洪水计算方法 | |
CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 |
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 |