CN114169625A - 电力系统的短期负荷预测方法及装置 - Google Patents
电力系统的短期负荷预测方法及装置 Download PDFInfo
- Publication number
- CN114169625A CN114169625A CN202111519010.2A CN202111519010A CN114169625A CN 114169625 A CN114169625 A CN 114169625A CN 202111519010 A CN202111519010 A CN 202111519010A CN 114169625 A CN114169625 A CN 114169625A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- preset
- training
- lstm model
- 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 71
- 230000007613 environmental effect Effects 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 105
- 230000008569 process Effects 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 25
- 230000005856 abnormality Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06N3/02—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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种电力系统的短期负荷预测方法及装置，该方法包括：获取目标区域内电力系统在历史时长内的历史电力负荷数据；确定所述目标区域在预设的未来时长内的环境信息及电力信息；对所述历史电力负荷数据、环境信息及电力信息进行处理，生成多个预测数据；将各个所述预测数据输入预先训练完成的LSTM模型，应用所述LSTM模型对所述预测数据进行分析，获得所述目标区域的电力系统在所述未来时长内的未来短期负荷。应用本发明提供的方法，通过LSTM模型结合环境信息、电力信息以及历史电力负荷数据等各个因素提高对短期负荷进行预测的准确度。
Description
技术领域
本发明涉及电力系统技术领域，特别是涉及一种电力系统的短期负荷预测方法及装置。
背景技术
电力负荷预测是电力领域的一个重要问题。电力系统准确的负荷预测是高效管理的基础，为电力企业的运行和调度提供支持。随着电力市场的发展，对电力负荷进行准确的短期预测，可以有效保障电网安全运行，降低发电成本，满足用户需求，提高社会经济效益。但是，日常用电量受多种因素影响，难以准确预测用电量。
发明内容
有鉴于此，本发明提供一种电力系统的短期负荷预测方法，通过该方法，应用LSTM模型结合环境信息、电力信息以及历史电力负荷数据等各个因素提高对短期负荷进行预测的准确度。
本发明还提供了一种电力系统的短期负荷预测装置，用以保证上述方法在实际中的实现及应用。
一种电力系统的短期负荷预测方法，包括：
获取目标区域内电力系统在历史时长内的历史电力负荷数据；
确定所述目标区域在预设的未来时长内的环境信息及电力信息；
对所述历史电力负荷数据、环境信息及电力信息进行处理，生成多个预测数据；
将各个所述预测数据输入预先训练完成的LSTM模型，应用所述LSTM模型对所述预测数据进行分析，获得所述目标区域的电力系统在所述未来时长内的未来短期负荷。
上述的装置，可选的，所述对所述历史电力负荷数据、环境信息及电力信息进行处理，生成多个预测数据，包括：
获取所述历史电力负荷数据在环境维度和电力维度上的各个维度数据、所述环境信息中包含的多个环境数据，及所述电力信息中包含的多个电力数据；
按照预设的转换规则，将各个所述维度数据、环境数据及电力数据进行转换，获得多个输入向量，所述输入向量为预测数据。
上述的装置，可选的，所述应用所述LSTM模型对所述预测数据进行分析，获得所述目标区域的电力系统在所述未来时长内的未来短期负荷，包括：
将各个预测数据输入经由所述LSTM模型的输入门输入至所述LSTM模型的遗忘门；
基于所述遗忘门预先设置的筛选规则，对各个所述预测数据进行筛选，获得筛选出的各个有效数据；
获取预设的函数算法，计算各个所述有效数据的权重值；
基于每个所述有效数据的权重值，计算所述目标区域的电力系统在所述未来时长内的各个未来短期负荷参数，以通过所述LSTM模型的输出门输出各个所述未来短期负荷参数；
基于各个所述未来短期负荷参数，生成所述目标区域的电力系统在所述未来时长内的未来短期负荷。
上述的装置，可选的，训练所述LSTM模型的过程，包括：
获取预先设置的训练数据集，所述训练数据集包含多个训练数据与每个所述训练数据对应的数据标签；
执行预先设置的训练过程，所述训练过程包括：
将各个所述训练数据依次输入所述LSTM模型，获得所述LSTM模型输出的当前训练数据对应的训练结果；计算所述当前训练数据对应的训练结果与所述当前训练数据对应的数据标签之间的当前误差值，判断所述当前误差值是否在预设的误差范围内；当所述当前误差值不在预设的误差范围内时，基于所述当前误差值计算所述LSTM模型对应的损失函数，并应用所述损失函数调整所述LSTM模型的模型参数；当所述当前误差值在预设的误差范围内时，结束所述训练过程，获得训练完成的LSTM模型。
上述的装置，可选的，还包括：
获取预设的孤立森林模型；
将所述历史电力负荷数据及所述未来时长输入所述孤立森林模型，触发所述孤立森林模型预测所述未来时长内所述目标区域的电力系统的报警值；
当所述报警值大于预设的报警阈值时，向预设的电力系统管理平台发送所述目标区域在所述未来时长内电力系统短期负荷对应的预警消息。
一种电力系统的短期负荷预测装置，包括：
第一获取单元，用于获取目标区域内电力系统在历史时长内的历史电力负荷数据；
确定单元，用于确定所述目标区域在预设的未来时长内的环境信息及电力信息；
处理单元，用于对所述历史电力负荷数据、环境信息及电力信息进行处理，生成多个预测数据；
预测单元，用于将各个所述预测数据输入预先训练完成的LSTM模型，应用所述LSTM模型对所述预测数据进行分析，获得所述目标区域的电力系统在所述未来时长内的未来短期负荷。
上述的装置，可选的，所述处理单元，包括：
第一获取子单元，用于获取所述历史电力负荷数据在环境维度和电力维度上的各个维度数据、所述环境信息包含的多个环境数据，及所述电力信息包含的多个电力数据；
转换子单元，用于按照预设的转换规则，将各个所述维度数据、环境数据及电力数据进行转换，获得多个输入向量，所述输入向量为预测数据。
上述的装置，可选的，所述分析单元，包括：
输入子单元，用于将各个预测数据输入经由所述LSTM模型的输入门输入至所述LSTM模型的遗忘门；
筛选子单元，用于基于所述遗忘门预先设置的筛选规则，对各个所述预测数据进行筛选，获得筛选出的各个有效数据；
第二获取子单元，用于获取预设的函数算法，计算各个所述有效数据的权重值；
第一计算子单元，用于基于每个所述有效数据的权重值，计算所述目标区域的电力系统在所述未来时长内的各个未来短期负荷参数，以通过所述LSTM模型的输出门输出各个所述未来短期负荷参数；
生成子单元，用于基于各个所述未来短期负荷参数，生成所述目标区域的电力系统在所述未来时长内的未来短期负荷。
上述的装置，可选的，还包括：
第三获取子单元，用于获取预先设置的训练数据集，所述训练数据集包含多个训练数据与每个所述训练数据对应的数据标签；
执行子单元，用于执行预先设置的训练过程，所述训练过程包括：
将各个所述训练数据依次输入所述LSTM模型，获得所述LSTM模型输出的当前训练数据对应的训练结果；计算所述当前训练数据对应的训练结果与所述当前训练数据对应的数据标签之间的当前误差值，判断所述当前误差值是否在预设的误差范围内；当所述当前误差值不在预设的误差范围内时，基于所述当前误差值计算所述LSTM模型对应的损失函数，并应用所述损失函数调整所述LSTM模型的模型参数；当所述当前误差值在预设的误差范围内时，结束所述训练过程，获得训练完成的LSTM模型。
上述的装置，可选的，还包括：
第二获取单元，用于获取预设的孤立森林模型；
触发单元，用于将所述历史电力负荷数据及所述未来时长输入所述孤立森林模型，触发所述孤立森林模型预测所述未来时长内所述目标区域的电力系统的报警值；
预警单元，用于当所述报警值大于预设的报警阈值时，向预设的电力系统管理平台发送所述目标区域在所述未来时长内电力系统短期负荷对应的预警消息。
一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述的电力系统的短期负荷预测方法。
一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行上述的电力系统的短期负荷预测方法。
与现有技术相比，本发明包括以下优点：
本发明提供了一种电力系统的短期负荷预测方法，包括：获取目标区域内电力系统在历史时长内的历史电力负荷数据；确定所述目标区域在预设的未来时长内的环境信息及电力信息；对所述历史电力负荷数据、环境信息及电力信息进行处理，生成多个预测数据；将各个所述预测数据输入预先训练完成的LSTM模型，应用所述LSTM模型对所述预测数据进行分析，获得所述目标区域的电力系统在所述未来时长内的未来短期负荷。应用本发明提供的方法，通过LSTM模型结合环境信息、电力信息以及历史电力负荷数据等各个因素提高对短期负荷进行预测的准确度。
附图说明
为了更清楚地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地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种电力系统的短期负荷预测方法的方法流程图；
图2为本发明实施例提供的LSTM模型的结构示意图；
图3为本发明实施例提供的一种电力系统的短期负荷预测方法的又一方法流程图；
图4为本发明实施例提供的用于电力负荷预测的深度网络架构图；
图5为本发明实施例提供的一种电力系统的短期负荷预测装置的装置结构图；
图6为本发明实施例提供的一种电子设备结构示意图。
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。
在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明可用于众多通用或专用的计算装置环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本发明实施例提供了一种电力系统的短期负荷预测方法，该方法可以应用在多种系统平台，其执行主体可以为计算机终端或各种移动设备的处理器，所述方法的方法流程图如图1所示，具体包括：
S101：获取目标区域内电力系统在历史时长内的历史电力负荷数据。
在本发明实施例中，历史电力负荷数据用于表征目标区域在历史时长内电力系统的社会用电量以及区域用电量等。该未来时长为当前时间点的前一日或前一周。
S102：确定所述目标区域在预设的未来时长内的环境信息及电力信息。
具体的，环境信息包括节假日、周末、温度、湿度、降雨量以及风速等环境数据。电力信息包括未来时长制定的工业、民用以及公用的电价等。
S103：对所述历史电力负荷数据、环境信息及电力信息进行处理，生成多个预测数据。
具体的，对所述历史电力负荷数据、环境信息及电力信息进行处理，生成多个预测数据，包括：
获取所述历史电力负荷数据在环境维度和电力维度上的各个维度数据、所述环境信息包含的多个环境数据，及所述电力信息包含的多个电力数据；
按照预设的转换规则，将各个所述维度数据、环境数据及电力数据进行转换，获得多个输入向量，所述输入向量为预测数据。
可以理解的是，从历史电力负荷数据、环境信息及电力信息分别提取出多个数据，并将各个数据转换成向量形式，获得多个输入向量。将各个输入向量作为预测数据输入至LSTM模型进行预测分析。
S104：将各个所述预测数据输入预先训练完成的LSTM模型，应用所述LSTM模型对所述预测数据进行分析，获得所述目标区域的电力系统在所述未来时长内的未来短期负荷。
在本发明实施例中，LSTM模型可以是基于注意力机制的LSTM模型。在LSTM模型中包括三个部分：输入门、遗忘门和输出门；其中，遗忘门：负责控制继续保存长期状态；输入门：负责控制把即时状态输入到长期状态c；输出门：负责控制是否把长期状态c作为当前的LSTM的输出。参考图2，图2为LSTM模型的模型结构。
其中，注意力机制属于遗忘门。注意力机制成为序列建模的一个组成部分，它允许对依赖项进行建模，而无需考虑它们在序列中的距离。
本发明实施例提供的电力系统的短期负荷预测方法中，获取目标区域在历史时长内的历史电力负荷数据，并确定目标区域在未来时长内的环境信息及电力信息。基于历史电力负荷数据、环境信息及电力信息，生成多个预测数据，并应用LSTM模型对各个预测数据进行分析，输出对应的预测结果。根据预测结果获得未来时长内的未来短期负荷。
应用本发明实施例提供的方法，应用LSTM模型结合环境信息、电力信息以及历史电力负荷数据等各个因素提高对短期负荷进行预测的准确度。
本发明实施例提供的方法中，基于上述S104的内容，所述应用所述LSTM模型对所述预测数据进行分析，获得所述目标区域的电力系统在所述未来时长内的未来短期负荷的过程如图3所示，具体可以包括：
S301：将各个预测数据输入经由所述LSTM模型的输入门输入至所述LSTM模型的遗忘门。
其中，输入门用于控制当前流入内存单元的输入数据的数量。
S302：基于所述遗忘门预先设置的筛选规则，对各个所述预测数据进行筛选，获得筛选出的各个有效数据。
其中，遗忘门是LSTM模型的关键组件，可以控制哪些信息应该保留，哪些信息应该遗忘，避免梯度向后传播时梯度消失和爆炸的问题。
具体的，遗忘门筛选数据的方式是通过Sigmoid函数实现，该函数是机器学习中的非线性激活函数，可以将一个实数值映射到0～1区间，用来描述信息传递了多少。当门的输出值为0时，表示没有信息通过，当值为1时，表示所有信息都可以通过。
S303：获取预设的函数算法，计算各个所述有效数据的权重值。
具体的，该函数算法为SoftMax函数，该函数用于计算注意力权重，即各个有效数据的权重值。
S304：基于每个所述有效数据的权重值，计算所述目标区域的电力系统在所述未来时长内的各个未来短期负荷参数，以通过所述LSTM模型的输出门输出各个所述未来短期负荷参数。
本发明实施例中，各个未来短期负荷参数作为预测结果输出。
S305：基于各个所述未来短期负荷参数，生成所述目标区域的电力系统在所述未来时长内的未来短期负荷。
可以理解的是，根据该LSTM输出的预测结果，确定目标区域的电力系统在未来时长内的未来短期负荷。
本发明实施例提供的方法中，LSTM模型包括输入门、遗忘门和输出门三个部分，三个门分别控制数据的输入、筛选和分析过程，最后输出预测结果，并根据预测结果生成未来短期负荷。
具体的，门可以看作是一个全连接层，LSTM对信息的存储和更新就是通过这些门实现的。更具体地说，门控是通过sigmoid函数和点乘运算来实现的，门控不提供额外的信息。门控的一般形式可以表示为：
g(x)＝σ(Wx+b) (1)
其中，σ(x)＝1/(1+exp(-x))，称为Sigmoid函数，是机器学习中常用的非线性激活函数。它可以将一个实数值映射到0～1区间，用来描述信息传递了多少。当门的输出值为0时，表示没有信息通过，当值为1时，表示所有信息都可以通过。公式中的i、f和o分别代表输入门、遗忘门和输出门。⊙代表相应元素的乘法，W和b表示网络的权重和偏差。LSTM的前向计算过程可以表示为方程(2)～(6)。在时间步长t，LSTM隐藏层的输入和输出向量分别为x_t和h_t，记忆单元为c_t。输入门用于控制当前流入内存单元的输入数据x_t的数量。
it＝σ(Wxi+Whiht-1+bi (2)
遗忘门是LSTM模型的关键组件，可以控制哪些信息应该保留，哪些信息应该遗忘，避免梯度向后传播时梯度消失和爆炸的问题。遗忘门控制自连接单元，可以决定哪些部分的历史信息将被丢弃。
ft＝σ(Wxf+Whfht-1+bf) (3)
ct＝f⊙ct-1+it⊙tanh(Wxcxt+Whfht-1+bc) (4)
ot＝σ(Wxo+Whoht-1+bo) (5)
ht＝ot⊙tanh(ct) (6)
输出门控制内存单元c_t对当前输出值h_t的影响，即在时间步长t输出内存单元的哪一部分。输出门的值如式(5)所示，LSTM模型在时间t的输出h_t可由式(6)得到。
短期负荷预测的输入数据涉及多种类型，如环境数据(温度、湿度、降水、风速等)、日类型数据、电力数据和电价信息等。例如，对于负荷某一天，连续三天的高温和突发高温对当日负荷的影响会显着不同。同时，天气是多种因素的组合，在作用于电力负荷之前会产生一定的影响，因此在分析影响时应考虑天气指数的耦合效应。因此，本发明考虑的特征包括：节假日、周末、温度、湿度、降雨量、风速和历史电力负荷数据。
需要说明的是，LSTM模型为基于注意力机制的LSTM模型，注意力机制为序列建模的一个组成部分，它允许对依赖项进行建模，而无需考虑它们在序列中的距离。当序列进行到输出时，它会生成一个注意力范围来突出显示序列中应该受到LSTM高度关注的部分。图4显示了用于电力负荷预测的深度网络架构。特征序列作为输入，预测结果作为输出。注意力层由一个Dense层和一个SoftMax函数组成，该函数用于计算注意力权重。注意权重表示相应特征的重要程度，可以强调数据中最有效的信息。然后是注意力权重和输入特征的乘法运算。其中，图4中由Dense层、SoftMax层以及Multiplication层组成的部分属于LSTM模型中的遗忘门。
基于整体注意力的LSTM模型可以看作是一个优化问题的求解过程。决策变量为参数，目标函数为预测功率负荷的均方误差(MSE)：
其中li表示目标时间步功率负载的真实值，
表示目标时间步长功率负载的预测值。θ表示框架的参数，可以通过Adam优化器通过反向传播来学习。
本发明实施例提供的方法中，在应用LSTM模型前，需要对该模型进行训练，对模型的训练过程为：
获取预先设置的训练数据集，所述训练数据集包含多个训练数据与每个所述训练数据对应的数据标签；
执行预先设置的训练过程，所述训练过程包括：
将各个所述训练数据依次输入所述LSTM模型，获得所述LSTM模型输出的当前训练数据对应的训练结果；计算所述当前训练数据对应的训练结果与所述当前训练数据对应的数据标签之间的当前误差值，判断所述当前误差值是否在预设的误差范围内；当所述当前误差值不在预设的误差范围内时，基于所述当前误差值计算所述LSTM模型对应的损失函数，并应用所述损失函数调整所述LSTM模型的模型参数；当所述当前误差值在预设的误差范围内时，结束所述训练过程，获得训练完成的LSTM模型。
其中，训练数据集中的训练为其历史电力负荷数据、环境信息及电力信息构成的数据，数据标签为其对应的训练数据的真实结果。通过将训练数据依次输入至LSTM模型中，LSTM模型对每次输入的训练数据进行分析，输出对应的训练结果。对LSTM模型每次输出的训练结果进行计算，当训练结果与数据标签之间的当前误差值不在误差范围内时，计算损失函数，并应用损失函数调整LSTM模型的模型参数，再继续向LSTM模型输入下一个训练数据，直至当前的训练数据对应的训练结果与当前的训练数据对应的数据标签之间的误差值在该误差范围内时，结束LSTM模型的训练。
本发明实施例提供的方法中，在预测出未来时长的短期负荷后，需要进一步确定是否需要进行预警处理，具体预警检测过程包括：
获取预设的孤立森林模型；
将所述历史电力负荷数据及所述未来时长输入所述孤立森林模型，触发所述孤立森林模型预测所述未来时长内所述目标区域的电力系统的报警值；
当所述报警值大于预设的报警阈值时，向预设的电力系统管理平台发送所述目标区域在所述未来时长内电力系统短期负荷对应的预警消息。
需要说明的是，孤立森林(iForest)模型应用孤立森林算法对历史电力负荷数据和未来时长进行计算，孤立森林算法是一种无监督的异常检测方法。算法的训练主要是从训练数据集中随机选取n个样本来划分真正的二叉树。即随机选择一个特征，在该特征的最大值和最小值之间随机选择一个分割点。小于分割点的进入左分支，大于等于分割点的进入右分支。不断重复上述过程，直到只有一个样本或同一个样本无法继续分裂或达到树的深度限制。路径长度h(x)是指样本点x从根节点到外部节点所经过的二叉树的边数。由于其特殊性，异常样本通常可以较早地分离到外部节点，且路径长度较小。正常样本需要经过多次二叉树分类后才能分离，路径长度比较大。同理构建一个包含多棵孤立树的孤立森林，根据样本在每棵孤立树中的路径长度可以检测异常事件。
数据异常的程度可以通过异常分数s(x,n)来判断。它的定义如下：
c(n)＝2H(n-1)-(2(n-1)/n) (8)
式(8)和(9)中，n为样本集中的样本数，h(i)为谐波阶次，可通过ln(i)+0.5772156649(欧拉常数)，c(n)估算是二叉搜索树的平均路径长度，用于h(x)的标准化，E(h(x))是样本点x处孤立森林中所有孤立树的路径长度的平均值。异常分数s(x,n)越小，异常程度越高，成为异常点的可能性越大。训练阶段返回孤立的树结构和分割条件，样本外数据可以利用训练阶段的分割条件计算异常分数来判断是否存在异常。孤立森林算法不基于距离和密度来判断异常，适用于处理高维数据和大规模数据。在本文中，我们将历史电力负荷数据和目标时间步长的预测值输入到iForest模型中，并输出是否上报电力系统的预警。
上述各个实施例的具体实施过程及其衍生方式，均在本发明的保护范围之内。
与图1所述的方法相对应，本发明实施例还提供了一种电力系统的短期负荷预测装置，用于对图1中方法的具体实现，本发明实施例提供的电力系统的短期负荷预测装置可以应用计算机终端或各种移动设备中，其结构示意图如图5所示，具体包括：
第一获取单元501，用于获取目标区域内电力系统在历史时长内的历史电力负荷数据；
确定单元502，用于确定所述目标区域在预设的未来时长内的环境信息及电力信息；
处理单元503，用于对所述历史电力负荷数据、环境信息及电力信息进行处理，生成多个预测数据；
预测单元504，用于将各个所述预测数据输入预先训练完成的LSTM模型，应用所述LSTM模型对所述预测数据进行分析，获得所述目标区域的电力系统在所述未来时长内的未来短期负荷。
本发明实施例提供的电力系统的短期负荷预测装置中，获取目标区域在历史时长内的历史电力负荷数据，并确定目标区域在未来时长内的环境信息及电力信息。基于历史电力负荷数据、环境信息及电力信息，生成多个预测数据，并应用LSTM模型对各个预测数据进行分析，输出对应的预测结果。根据预测结果获得未来时长内的未来短期负荷。
应用本发明实施例提供的装置，应用LSTM模型结合环境信息、电力信息以及历史电力负荷数据等各个因素提高对短期负荷进行预测的准确度。
本发明实施例提供的装置中，所述处理单元503，包括：
第一获取子单元，用于获取所述历史电力负荷数据在环境维度和电力维度上的各个维度数据、所述环境信息中包含的多个环境数据，及所述电力信息中包含的多个电力数据；
转换子单元，用于按照预设的转换规则，将各个所述维度数据、环境数据及电力数据进行转换，获得多个输入向量，所述输入向量为预测数据。
本发明实施例提供的装置中，所述分析单元504，包括：
输入子单元，用于将各个预测数据输入经由所述LSTM模型的输入门输入至所述LSTM模型的遗忘门；
筛选子单元，用于基于所述遗忘门预先设置的筛选规则，对各个所述预测数据进行筛选，获得筛选出的各个有效数据；
第二获取子单元，用于获取预设的函数算法，计算各个所述有效数据的权重值；
第一计算子单元，用于基于每个所述有效数据的权重值，计算所述目标区域的电力系统在所述未来时长内的各个未来短期负荷参数，以通过所述LSTM模型的输出门输出各个所述未来短期负荷参数；
生成子单元，用于基于各个所述未来短期负荷参数，生成所述目标区域的电力系统在所述未来时长内的未来短期负荷。
本发明实施例提供的装置中，还包括：
第三获取子单元，用于获取预先设置的训练数据集，所述训练数据集包含多个训练数据与每个所述训练数据对应的数据标签；
执行子单元，用于执行预先设置的训练过程，所述训练过程包括：
将各个所述训练数据依次输入所述LSTM模型，获得所述LSTM模型输出的当前训练数据对应的训练结果；计算所述当前训练数据对应的训练结果与所述当前训练数据对应的数据标签之间的当前误差值，判断所述当前误差值是否在预设的误差范围内；当所述当前误差值不在预设的误差范围内时，基于所述当前误差值计算所述LSTM模型对应的损失函数，并应用所述损失函数调整所述LSTM模型的模型参数；当所述当前误差值在预设的误差范围内时，结束所述训练过程，获得训练完成的LSTM模型。
本发明实施例提供的装置中，还包括：
第二获取单元，用于获取预设的孤立森林模型；
触发单元，用于将所述历史电力负荷数据及所述未来时长输入所述孤立森林模型，触发所述孤立森林模型预测所述未来时长内所述目标区域的电力系统的报警值；
预警单元，用于当所述报警值大于预设的报警阈值时，向预设的电力系统管理平台发送所述目标区域在所述未来时长内电力系统短期负荷对应的预警消息。
以上本发明实施例公开的电力系统的短期负荷预测装置中各个单元及子单元的具体工作过程，可参见本发明上述实施例公开的电力系统的短期负荷预测方法中的对应内容，这里不再进行赘述。
本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述电力系统的短期负荷预测方法。
本发明实施例还提供了一种电子设备，其结构示意图如图6所示，具体包括存储器601，以及一个或者一个以上的指令602，其中一个或者一个以上指令602存储于存储器601中，且经配置以由一个或者一个以上处理器603执行所述一个或者一个以上指令602进行以下操作：
获取目标区域内电力系统在历史时长内的历史电力负荷数据；
确定所述目标区域在预设的未来时长内的环境信息及电力信息；
对所述历史电力负荷数据、环境信息及电力信息进行处理，生成多个预测数据；
将各个所述预测数据输入预先训练完成的LSTM模型，应用所述LSTM模型对所述预测数据进行分析，获得所述目标区域的电力系统在所述未来时长内的未来短期负荷。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现。
为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电力系统的短期负荷预测方法，其特征在于，包括：
获取目标区域内电力系统在历史时长内的历史电力负荷数据；
确定所述目标区域在预设的未来时长内的环境信息及电力信息；
对所述历史电力负荷数据、环境信息及电力信息进行处理，生成多个预测数据；
将各个所述预测数据输入预先训练完成的LSTM模型，应用所述LSTM模型对所述预测数据进行分析，获得所述目标区域的电力系统在所述未来时长内的未来短期负荷。
2.根据权利要求1所述的方法，其特征在于，所述对所述历史电力负荷数据、环境信息及电力信息进行处理，生成多个预测数据，包括：
获取所述历史电力负荷数据在环境维度和电力维度上的各个维度数据、所述环境信息中包含的多个环境数据，及所述电力信息中包含的多个电力数据；
按照预设的转换规则，将各个所述维度数据、环境数据及电力数据进行转换，获得多个输入向量，所述输入向量为预测数据。
3.根据权利要求2所述的方法，其特征在于，所述应用所述LSTM模型对所述预测数据进行分析，获得所述目标区域的电力系统在所述未来时长内的未来短期负荷，包括：
将各个预测数据输入经由所述LSTM模型的输入门输入至所述LSTM模型的遗忘门；
基于所述遗忘门预先设置的筛选规则，对各个所述预测数据进行筛选，获得筛选出的各个有效数据；
获取预设的函数算法，计算各个所述有效数据的权重值；
基于每个所述有效数据的权重值，计算所述目标区域的电力系统在所述未来时长内的各个未来短期负荷参数，以通过所述LSTM模型的输出门输出各个所述未来短期负荷参数；
基于各个所述未来短期负荷参数，生成所述目标区域的电力系统在所述未来时长内的未来短期负荷。
4.根据权利要求1或3所述的方法，其特征在于，训练所述LSTM模型的过程，包括：
获取预先设置的训练数据集，所述训练数据集包含多个训练数据与每个所述训练数据对应的数据标签；
执行预先设置的训练过程，所述训练过程包括：
将各个所述训练数据依次输入所述LSTM模型，获得所述LSTM模型输出的当前训练数据对应的训练结果；计算所述当前训练数据对应的训练结果与所述当前训练数据对应的数据标签之间的当前误差值，判断所述当前误差值是否在预设的误差范围内；当所述当前误差值不在预设的误差范围内时，基于所述当前误差值计算所述LSTM模型对应的损失函数，并应用所述损失函数调整所述LSTM模型的模型参数；当所述当前误差值在预设的误差范围内时，结束所述训练过程，获得训练完成的LSTM模型。
5.根据权利要求1所述的方法，其特征在于，还包括：
获取预设的孤立森林模型；
将所述历史电力负荷数据及所述未来时长输入所述孤立森林模型，触发所述孤立森林模型预测所述未来时长内所述目标区域的电力系统的报警值；
当所述报警值大于预设的报警阈值时，向预设的电力系统管理平台发送所述目标区域在所述未来时长内电力系统短期负荷对应的预警消息。
6.一种电力系统的短期负荷预测装置，其特征在于，包括：
第一获取单元，用于获取目标区域内电力系统在历史时长内的历史电力负荷数据；
确定单元，用于确定所述目标区域在预设的未来时长内的环境信息及电力信息；
处理单元，用于对所述历史电力负荷数据、环境信息及电力信息进行处理，生成多个预测数据；
预测单元，用于将各个所述预测数据输入预先训练完成的LSTM模型，应用所述LSTM模型对所述预测数据进行分析，获得所述目标区域的电力系统在所述未来时长内的未来短期负荷。
7.根据权利要求6所述的装置，其特征在于，所述处理单元，包括：
第一获取子单元，用于获取所述历史电力负荷数据在环境维度和电力维度上的各个维度数据、所述环境信息中包含的多个环境数据，及所述电力信息中包含的多个电力数据；
转换子单元，用于按照预设的转换规则，将各个所述维度数据、环境数据及电力数据进行转换，获得多个输入向量，所述输入向量为预测数据。
8.根据权利要求7所述的装置，其特征在于，所述分析单元，包括：
输入子单元，用于将各个预测数据输入经由所述LSTM模型的输入门输入至所述LSTM模型的遗忘门；
筛选子单元，用于基于所述遗忘门预先设置的筛选规则，对各个所述预测数据进行筛选，获得筛选出的各个有效数据；
第二获取子单元，用于获取预设的函数算法，计算各个所述有效数据的权重值；
第一计算子单元，用于基于每个所述有效数据的权重值，计算所述目标区域的电力系统在所述未来时长内的各个未来短期负荷参数，以通过所述LSTM模型的输出门输出各个所述未来短期负荷参数；
生成子单元，用于基于各个所述未来短期负荷参数，生成所述目标区域的电力系统在所述未来时长内的未来短期负荷。
9.根据权利要求6所述的装置，其特征在于，还包括：
第三获取子单元，用于获取预先设置的训练数据集，所述训练数据集包含多个训练数据与每个所述训练数据对应的数据标签；
执行子单元，用于执行预先设置的训练过程，所述训练过程包括：
将各个所述训练数据依次输入所述LSTM模型，获得所述LSTM模型输出的当前训练数据对应的训练结果；计算所述当前训练数据对应的训练结果与所述当前训练数据对应的数据标签之间的当前误差值，判断所述当前误差值是否在预设的误差范围内；当所述当前误差值不在预设的误差范围内时，基于所述当前误差值计算所述LSTM模型对应的损失函数，并应用所述损失函数调整所述LSTM模型的模型参数；当所述当前误差值在预设的误差范围内时，结束所述训练过程，获得训练完成的LSTM模型。
10.根据权利要求6所述的装置，其特征在于，还包括：
第二获取单元，用于获取预设的孤立森林模型；
触发单元，用于将所述历史电力负荷数据及所述未来时长输入所述孤立森林模型，触发所述孤立森林模型预测所述未来时长内所述目标区域的电力系统的报警值；
预警单元，用于当所述报警值大于预设的报警阈值时，向预设的电力系统管理平台发送所述目标区域在所述未来时长内电力系统短期负荷对应的预警消息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111519010.2A CN114169625A (zh) | 2021-12-13 | 2021-12-13 | 电力系统的短期负荷预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111519010.2A CN114169625A (zh) | 2021-12-13 | 2021-12-13 | 电力系统的短期负荷预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114169625A true CN114169625A (zh) | 2022-03-11 |
Family
ID=80485965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111519010.2A Pending CN114169625A (zh) | 2021-12-13 | 2021-12-13 | 电力系统的短期负荷预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114169625A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115146833A (zh) * | 2022-06-14 | 2022-10-04 | 北京全应科技有限公司 | 一种锅炉氮氧化物生成浓度的预测方法 |
| CN116415734A (zh) * | 2023-04-18 | 2023-07-11 | 浙江浙达能源科技有限公司 | 一种基于深度学习的超短期负荷预测方法及系统 |
| CN116596512A (zh) * | 2023-05-22 | 2023-08-15 | 湖北华中电力科技开发有限责任公司 | 一种基于信息系统的电力运维安全强化方法和系统 |
| CN116736962A (zh) * | 2023-08-09 | 2023-09-12 | 深圳市蓝晨科技股份有限公司 | 一种多功能教育pc的电源管理方法、装置、设备及介质 |
| CN117913996A (zh) * | 2024-01-24 | 2024-04-19 | 江苏同合电气有限公司 | 一种基于数据分析的配电柜运行智能监测管理方法及系统 |
| CN118132997A (zh) * | 2024-05-07 | 2024-06-04 | 国网山东省电力公司泰安供电公司 | 一种电网负荷预测方法、装置、电子设备以及可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111680818A (zh) * | 2020-04-27 | 2020-09-18 | 中国电力科学研究院有限公司 | 一种短期无功负荷预测方法和系统 |
| CN112288137A (zh) * | 2020-10-09 | 2021-01-29 | 国网电力科学研究院有限公司 | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 |
| CN112287602A (zh) * | 2020-10-28 | 2021-01-29 | 北京国信会视科技有限公司 | 一种基于机器学习和孤立森林的动车轴温故障预警方法 |
-
2021
- 2021-12-13 CN CN202111519010.2A patent/CN114169625A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111680818A (zh) * | 2020-04-27 | 2020-09-18 | 中国电力科学研究院有限公司 | 一种短期无功负荷预测方法和系统 |
| CN112288137A (zh) * | 2020-10-09 | 2021-01-29 | 国网电力科学研究院有限公司 | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 |
| CN112287602A (zh) * | 2020-10-28 | 2021-01-29 | 北京国信会视科技有限公司 | 一种基于机器学习和孤立森林的动车轴温故障预警方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115146833A (zh) * | 2022-06-14 | 2022-10-04 | 北京全应科技有限公司 | 一种锅炉氮氧化物生成浓度的预测方法 |
| CN116415734A (zh) * | 2023-04-18 | 2023-07-11 | 浙江浙达能源科技有限公司 | 一种基于深度学习的超短期负荷预测方法及系统 |
| CN116596512A (zh) * | 2023-05-22 | 2023-08-15 | 湖北华中电力科技开发有限责任公司 | 一种基于信息系统的电力运维安全强化方法和系统 |
| CN116596512B (zh) * | 2023-05-22 | 2024-05-10 | 湖北华中电力科技开发有限责任公司 | 一种基于信息系统的电力运维安全强化方法和系统 |
| CN116736962A (zh) * | 2023-08-09 | 2023-09-12 | 深圳市蓝晨科技股份有限公司 | 一种多功能教育pc的电源管理方法、装置、设备及介质 |
| CN116736962B (zh) * | 2023-08-09 | 2023-12-01 | 深圳市蓝晨科技股份有限公司 | 一种多功能教育pc的电源管理方法、装置、设备及介质 |
| CN117913996A (zh) * | 2024-01-24 | 2024-04-19 | 江苏同合电气有限公司 | 一种基于数据分析的配电柜运行智能监测管理方法及系统 |
| CN117913996B (zh) * | 2024-01-24 | 2024-06-07 | 江苏同合电气有限公司 | 一种基于数据分析的配电柜运行智能监测管理方法及系统 |
| CN118132997A (zh) * | 2024-05-07 | 2024-06-04 | 国网山东省电力公司泰安供电公司 | 一种电网负荷预测方法、装置、电子设备以及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114169625A (zh) | 电力系统的短期负荷预测方法及装置 | |
| Karim et al. | BHyPreC: a novel Bi-LSTM based hybrid recurrent neural network model to predict the CPU workload of cloud virtual machine | |
| Wang et al. | A novel framework of reservoir computing for deterministic and probabilistic wind power forecasting | |
| Barak et al. | Forecasting energy consumption using ensemble ARIMA–ANFIS hybrid algorithm | |
| CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
| Hota et al. | Time series data prediction using sliding window based RBF neural network | |
| Bianchi et al. | Short-term electric load forecasting using echo state networks and PCA decomposition | |
| Gupta et al. | Resource usage prediction of cloud workloads using deep bidirectional long short term memory networks | |
| Taheri et al. | Long-term planning of integrated local energy systems using deep learning algorithms | |
| Dash et al. | Efficient stock price prediction using a self evolving recurrent neuro-fuzzy inference system optimized through a modified differential harmony search technique | |
| Boubaker | Identification of nonlinear Hammerstein system using mixed integer-real coded particle swarm optimization: application to the electric daily peak-load forecasting | |
| Jiang et al. | Day-ahead prediction of bihourly solar radiance with a Markov switch approach | |
| Maddu et al. | Prediction of land surface temperature of major coastal cities of India using bidirectional LSTM neural networks | |
| Zhang et al. | Enhanced short-term load forecasting with hybrid machine learning models: CatBoost and XGBoost approaches | |
| Kosana et al. | Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network | |
| Baur et al. | Explainability and interpretability in electric load forecasting using machine learning techniques–A review | |
| Alizadeh et al. | Simulating monthly streamflow using a hybrid feature selection approach integrated with an intelligence model | |
| Manoj et al. | FWS-DL: forecasting wind speed based on deep learning algorithms | |
| Kolambe et al. | Forecasting the future: A comprehensive review of time series prediction techniques | |
| Singhania et al. | Forecasting the United States unemployment rate by using recurrent neural networks with Google Trends data | |
| CN116544931B (zh) | 基于集成片段变换和时间卷积网络的电力负荷分布预测方法 | |
| Ming-guang et al. | Short-term load combined forecasting method based on BPNN and LS-SVM | |
| Mori et al. | A new probabilistic load flow method using MCMC in consideration of nodal load correlation | |
| Lee | Short-term prediction of wind farm output using the recurrent quadratic Volterra model | |
| Galphade et al. | Comparative analysis of wind power forecasting using LSTM, bilstm, and gru |
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 |