CN114169648A - 基于narnn模型的电力负荷预测方法、系统及设备 - Google Patents
基于narnn模型的电力负荷预测方法、系统及设备 Download PDFInfo
- Publication number
- CN114169648A CN114169648A CN202210035247.1A CN202210035247A CN114169648A CN 114169648 A CN114169648 A CN 114169648A CN 202210035247 A CN202210035247 A CN 202210035247A CN 114169648 A CN114169648 A CN 114169648A
- Authority
- CN
- China
- Prior art keywords
- power
- sample set
- data
- power load
- 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 41
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method 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
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于NARNN模型的电力负荷预测方法、系统及设备,所述方法包括:提取历史数据中的电力数据样本集,所述电力数据样本集包括不同时段的用电量、天气类型、日基本负荷、基于智能电表采集的电力数据以及按时序采集的电力负荷的特征数据;对所述电力数据样本集进行相关性分析,并对所述电力负荷的特征数据进行处理;将所述电力数据样本集划分为训练样本集和测试样本集,所述训练样本集划分为70%,所述测试样本集划分为30%;将处理后的所述电力负荷的特征数据输入至预先训练好的NARNN预测模型中进行提取处理,获取电力负荷预测值。
Description
技术领域
本申请涉及电力负荷预测领域,尤其涉及一种基于NARNN模型的电力负荷预测方法、系统及设备。
背景技术
作为现代社会发展的最基本能源,电能在生产生活中发挥着重要的作用。电力负荷的稳定供应是维持社会正常运转的基本要求,电力系统运行的一个重要方面是系统性能满足负荷要求。因此,负荷供需平衡是电力系统稳定运行的重要前提。
电力系统的稳定运行具有负荷平衡的强约束性,因此精确的电力负荷预测,对于保证电力系统经济、安全和可靠运行具有重要作用;同时由于电能的生产、运输、分布和消费几乎总是同时完成,因此难以存储大量电能,这要求电厂的发电应在动态平衡状态下随着电负载的变化而保持动态平衡状态,以保持电力系统的稳定运行。
因此,精准的电力负荷预测有利于各发电企业合理安排调度计划,保证时刻为人民提供高质量电能,也能够帮助用电企业采取主动措施提高用电质量。
发明内容
本申请提供了一种基于NARNN模型的电力负荷预测方法、系统及设备,以解决现有电力系统中无法较为准确的预测电力负荷,以保证电力系统经济、安全和可靠的运行。
第一方面,本申请提供了一种基于NARNN模型的电力负荷预测方法,所述方法包括:
提取历史数据中的电力数据样本集,所述电力数据样本集包括不同时段的用电量、天气类型、日基本负荷、基于智能电表采集的电力数据以及按时序采集的电力负荷的特征数据;
对所述电力数据样本集进行相关性分析,并对所述电力负荷的特征数据进行处理;
将所述电力数据样本集划分为训练样本集和测试样本集,所述训练样本集划分为70%,所述测试样本集划分为30%;
将处理后的所述电力负荷的特征数据输入至预先训练好的NARNN预测模型中进行提取处理,获取电力负荷预测值。
在一种实现方式中,将处理后的所述电力负荷的特征数据输入至预先训练好的NARNN模型中进行提取处理,获取电力负荷预测值,具体包括:
基于卡尔曼滤波过程,通过NARNN模型获取最佳电力负荷估算数据;
分析所述电力负荷序列的统计特性,建立基于所述卡尔曼滤波数据的所述NARNN预测模型;
统计并分析所述历史数据中的电力负荷的特征数据,获取所述电力负荷预测值。
在一种实现方式中,所述电力负荷预测值还包括环境因素、周类型、特殊事件以及日负荷的影响因素。
在一种实现方式中,对所述电力负荷的特征数据进行处理,具体包括:
通过预先确定的所述电力负荷的影响因素,确定所述采集的电力负荷的特征数据的缺失值,并对所述缺失值进行填充;
使用相邻正常电力负荷平均值代替所述预先采集的电力负荷的特征数据中的异样特征数据,并对所述异样特征数据进行错误修正;
对正常的、填充后的和错误修正后的所述特征数据进行归一化处理。
在一种实现方式中,建立所述NARNN预测模型,具体步骤为:
提取历史数据中的电力数据样本集,所述电力数据样本集包括所述按时序采集的电力负荷的特征数据;
对所述电力负荷的特征数据进行处理;
将所述电力数据样本集划分为训练样本集和测试样本集;
通过卡尔曼滤波结合建立的时间序列模型对原始数据进行处理;
将所述电力负荷的特征数据与外界影响相结合,得到准确的电力负荷时间序列;
对所述时间序列模型进行分析,建立所述NARNN预测模型。
在一种实现方式中,所述NARNN预测模型的数学模型公式具体为:
y(k)=f(y(k-1),y(k-2),...,y(k-n));
式中y(k)是当前时刻的负载,n表示NARNN的延迟,在k处的载荷主要取决于先前的载荷。
第二方面,本申请还提供了一种基于NARNN模型的电力负荷预测系统,应用于上述所述方法,所述系统包括采集模块、处理模块和验证模块,其中:
所述采集模块用于提取历史数据中的电力数据样本集,所述电力数据样本集包括不同时段的用电量、天气类型、日基本负荷、基于智能电表采集的电力数据以及按时序采集的电力负荷的特征数据;
所述处理模块用于对所述电力数据样本集进行相关性分析,并对所述电力负荷的特征数据进行处理;将所述电力数据样本集划分为训练样本集和测试样本集,所述训练样本集划分为70%,所述测试样本集划分为30%;
所述验证模块用于将处理后的所述电力负荷的特征数据输入至预先训练好的NARNN预测模型中进行提取处理,获取电力负荷预测值。
第三方面,本申请还提供了一种计算设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中:所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,使所述至少一个处理器执行上述所述的电力负荷预测方法以及电力负荷预测系统。
第四方面,本申请还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序由计算机设备执行,所述计算机设备执行上述所述的电力负荷预测方法以及电力负荷预测系统。
本申请提供的一种基于NARNN模型的电力负荷预测方法、系统及设备,利用卡尔曼滤波结合建立的时间序列模型对原始数据进行处理,将电力负荷数据与外界影响相结合,得到准确的电力负荷时间序列,通过对时间序列模型的分析,建立NARNN模型实现了电力负荷预测,可以更加准确的预测电力负荷发展趋势。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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的附图。
图1为本申请提供的一种基于NARNN模型的电力负荷预测方法的流程示意图;
图2为本申请提供的一种基于NARNN模型的电力负荷预测系统的结构示意图;
图3为本申请提供的一种计算机设备的结构示意图。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
需要说明的是,本申请中对于术语的简要说明,仅是为了方便理解接下来描述的实施方式,而不是意图限定本申请的实施方式。除非另有说明,这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖但不排他的包含,例如,包含了一系列组件的产品或设备不必限于清楚地列出所有组件,而是可包括没有清楚地列出的所有组件,而是可包括没有清楚地列出的或对于这些产品或设备固有的其他组件。术语“单元”是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合,能够执行与该元件相关的功能。
本申请公开了一种基于NARNN模型的电力负荷预测方法、系统及设备,由于不同时段的电力负荷主要由不同时段的用电量、天气类型、日基本负荷和随机扰动组成,在预测下一时刻的电力负荷时,要以上一时刻的负荷、天气类型等作为预测的依据。本申请提供的电力负荷预测方法,首先,需要建立负荷的时间序列模型,该模型描述了不同时刻的载荷组成,可作为观测模型;采用卡尔曼滤波法将负荷计算模型与观测模型相结合,对不同时刻的负荷进行最优估计;通过非线性自回归模型对负荷进行预测,将得到的最优估计值作为模型的输出,得到最终的预测结果。
本申请提供的一种基于NARNN模型的电力负荷预测方法,参见图1,所述方法具体步骤包括:
S1,提取历史数据中的电力数据样本集,所述电力数据样本集包括不同时段的用电量、天气类型、日基本负荷、基于智能电表采集的电力数据以及按时序采集的电力负荷的特征数据;S2,对所述电力数据样本集进行相关性分析,并对所述电力负荷的特征数据进行处理;S3,将所述电力数据样本集划分为训练样本集和测试样本集,所述训练样本集划分为70%,所述测试样本集划分为30%;S4,将处理后的所述电力负荷的特征数据输入至预先训练好的NARNN预测模型中进行提取处理,获取电力负荷预测值。
示例性的,将处理后的特征数据输入到预先训练好的NARNN预测模型中,经提取处理后得到电力负荷预测值。不同时段的电力负荷主要由不同时段的用电量、天气类型、日基本负荷和随机扰动组成,在预测下一时刻的负荷时,要以上一时刻的负荷、天气类型等作为预测的依据。首先,需要建立负荷的时间序列模型,该模型描述了不同时刻的载荷组成,可作为观测模型。
进一步地,采用卡尔曼滤波法将负荷计算模型与观测模型相结合,对不同时刻的负荷进行最优估计;通过非线性自回归模型对负荷进行预测,将得到的最优估计值作为模型的输出。得到最终的预测结果。其中,所述NARNN模型通过卡尔曼滤波过程得到了最佳负荷估算数据,分析了负荷序列的统计特性,由此建立了基于卡尔曼滤波数据的预测模型,结合对电力系统历史负荷数据的统计分析,对负荷发展趋势做出提前估计。其中,所述电力负荷预测的影响因素,包括:环境因素、周类型、特殊事件和日负荷。
在一些实施例中,将处理后的所述电力负荷的特征数据输入至预先训练好的NARNN模型中进行提取处理,获取电力负荷预测值,具体包括:S11,基于卡尔曼滤波过程,通过NARNN模型获取最佳电力负荷估算数据;S12,分析所述电力负荷序列的统计特性,建立基于所述卡尔曼滤波数据的所述NARNN预测模型;S13,统计并分析所述历史数据中的电力负荷的特征数据,获取所述电力负荷预测值。
在一些实施例中,所述电力负荷预测值还包括环境因素、周类型、特殊事件以及日负荷的影响因素。
在一些实施例中,对所述电力负荷的特征数据进行处理,具体包括:S21,通过预先确定的所述电力负荷的影响因素,确定所述采集的电力负荷的特征数据的缺失值,并对所述缺失值进行填充;S22,使用相邻正常电力负荷平均值代替所述预先采集的电力负荷的特征数据中的异样特征数据,并对所述异样特征数据进行错误修正;S23,对正常的、填充后的和错误修正后的所述特征数据进行归一化处理。
示例性的,对所述电力负荷的特征数据进行处理,包括:基于预选确定的电力负荷影响因素,确定所述预先采集的电力负荷的特征数据的缺失值,并对所述缺失值进行填充;对所述预先采集的电力负荷的特征数据中的异样特征数据,以相邻正常负荷平均值代替所述异样特征数据并进行错误修正;基于正常的、填充的和错误修正后的特征数据进行归一化处理。
在一些实施例中,建立所述NARNN预测模型,具体步骤为:S31,提取历史数据中的电力数据样本集,所述电力数据样本集包括所述按时序采集的电力负荷的特征数据;S32,对所述电力负荷的特征数据进行处理;S33,将所述电力数据样本集划分为训练样本集和测试样本集;S34,通过卡尔曼滤波结合建立的时间序列模型对原始数据进行处理;S35,将所述电力负荷的特征数据与外界影响相结合,得到准确的电力负荷时间序列;S36,对所述时间序列模型进行分析,建立所述NARNN预测模型。
示例性的,本申请提供了一种NARNN预测模型,需要说明的是,神经网络的结构不是层数越复杂,性能越好,随着隐含层数目的增加,虽然性能可以得到一定程度的提高,但计算机量和训练时间也会增加,稳定性反而会降低。根据经验公式,确定神经网络的隐含层为12层,以满足训练要求。隐含层的激活函数为Sigmoid,输出层的激活函数为purelin,训练采用Levenberg-Marquard算法。
在一些实施例中,所述NARNN预测模型的数学模型公式具体为:
y(k)=f(y(k-1),y(k-2),...,y(k-n));
式中y(k)是当前时刻的负载,n表示NARNN的延迟,在k处的载荷主要取决于先前的载荷。
示例性的,通过对负荷序列的观测模型和卡尔曼滤波的推导,可以得到不同时刻负荷的最佳估计值,这些计算出的最佳估计值可用于建立NARNN模型来预测未来时刻的负荷。
进一步地,本申请还公开了一种基于NARNN模型的电力负荷预测系统,如图2所示,所述系统包括采集模块01、处理模块02和验证模块03,其中:
所述采集模块01用于提取历史数据中的电力数据样本集,所述电力数据样本集包括不同时段的用电量、天气类型、日基本负荷、基于智能电表采集的电力数据以及按时序采集的电力负荷的特征数据;
所述处理模块02用于对所述电力数据样本集进行相关性分析,并对所述电力负荷的特征数据进行处理;将所述电力数据样本集划分为训练样本集和测试样本集,所述训练样本集划分为70%,所述测试样本集划分为30%;
所述验证模块03用于将处理后的所述电力负荷的特征数据输入至预先训练好的NARNN预测模型中进行提取处理,获取电力负荷预测值。
进一步地,本申请还公开了一种计算机设备,包括至少一个处理器11,以及与所述至少一个处理器通信连接的存储器12,其中:所述存储器12存储有可被所述至少一个处理器11执行的指令,所述指令被所述至少一个处理器11执行,使所述至少一个处理器11执行上述所述的电力负荷预测方法以及电力负荷预测系统。
示例性的,在本实施例中提供了一种计算机设备,如图3所示,在申请中,处理器11可以为若干个,并且所述处理器11与所述存储器12之间建立有通信连接;所述存储器12存储有可被所述至少一个处理器11执行的指令,所述指令被所述至少一个处理器11执行,以使所述至少一个处理器11能够执行所述电力负荷预测方法及系统的步骤。
进一步地,本申请还公开了一种计算机可读存储介质,存储有计算机程序,所述计算机程序由计算机设备执行,所述计算机设备执行上述所述的电力负荷预测方法以及电力负荷预测系统。
通过以上技术方案可以看出,本申请提供的一种NARNN模型的电力负荷预测方法、系统及设备,旨在为发电企业合理安排调度计划,保证时刻为人民提供高质量电能,帮助用电企业采取主动措施提高用电质量。同时在本申请中,利用卡尔曼滤波结合建立的时间序列模型对原始数据进行处理,将负荷数据与外界影响相结合,得到准确的电力负荷时间序列,通过对时间序列模型的分析,建立NARNN模型实现了电力负荷预测,可以更加准确的预测负荷发展趋势。
本说明书中通篇提及的“多个实施例”、“一些实施例”、“一个实施例”或“实施例”等,意味着结合该实施例描述的具体特征,部件或特性包括在至少一个实施例中,因此,本说明书通篇出现的短语“在多个实施例中”、“在一些实施例中”、“在至少另一个实施例中”或“在实施例中”等,并不一定都指相同的实施例。此外,在一个或多个实施例中,具体特征、部件或特性可以任何合适的方式进行组合。因此,在无限制的情形下,结合一个实施例示出或描述的具体特征、部件或特性可全部或部分地与一个或多个其他实施例的特征、部件或特性进行组合。这种修改和变型旨在包括在本申请的范围之内。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本申请总的构思下的几个示例,并不构成本申请保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。
Claims (9)
1.一种基于NARNN模型的电力负荷预测方法,其特征在于,包括:
提取历史数据中的电力数据样本集,所述电力数据样本集包括不同时段的用电量、天气类型、日基本负荷、基于智能电表采集的电力数据以及按时序采集的电力负荷的特征数据;
对所述电力数据样本集进行相关性分析,并对所述电力负荷的特征数据进行处理;
将所述电力数据样本集划分为训练样本集和测试样本集,所述训练样本集划分为70%,所述测试样本集划分为30%;
将处理后的所述电力负荷的特征数据输入至预先训练好的NARNN预测模型中进行提取处理,获取电力负荷预测值。
2.根据权利要求1所述的一种基于NARNN模型的电力负荷预测方法,其特征在于,将处理后的所述电力负荷的特征数据输入至预先训练好的NARNN模型中进行提取处理,获取电力负荷预测值,具体包括:
基于卡尔曼滤波过程,通过NARNN模型获取最佳电力负荷估算数据;
分析所述电力负荷序列的统计特性,建立基于所述卡尔曼滤波数据的所述NARNN预测模型;
统计并分析所述历史数据中的电力负荷的特征数据,获取所述电力负荷预测值。
3.根据权利要求1所述的一种基于NARNN模型的电力负荷预测方法,其特征在于,所述电力负荷预测值还包括环境因素、周类型、特殊事件以及日负荷的影响因素。
4.根据权利要求1所述的一种基于NARNN模型的电力负荷预测方法,其特征在于,对所述电力负荷的特征数据进行处理,具体包括:
通过预先确定的所述电力负荷的影响因素,确定所述采集的电力负荷的特征数据的缺失值,并对所述缺失值进行填充;
使用相邻正常电力负荷平均值代替所述预先采集的电力负荷的特征数据中的异样特征数据,并对所述异样特征数据进行错误修正;
对正常的、填充后的和错误修正后的所述特征数据进行归一化处理。
5.根据权利要求2所述的一种基于NARNN模型的电力负荷预测方法,其特征在于,建立所述NARNN预测模型,具体步骤为:
提取历史数据中的电力数据样本集,所述电力数据样本集包括所述按时序采集的电力负荷的特征数据;
对所述电力负荷的特征数据进行处理;
将所述电力数据样本集划分为训练样本集和测试样本集;
通过卡尔曼滤波结合建立的时间序列模型对原始数据进行处理;
将所述电力负荷的特征数据与外界影响相结合,得到准确的电力负荷时间序列;
对所述时间序列模型进行分析,建立所述NARNN预测模型。
6.根据权利要求1所述的一种基于NARNN模型的电力负荷预测方法,其特征在于,所述NARNN预测模型的数学模型公式具体为:
y(k)=f(y(k-1),y(k-2),...,y(k-n));
式中y(k)是当前时刻的负载,n表示NARNN的延迟,在k处的载荷主要取决于先前的载荷。
7.一种基于NARNN模型的电力负荷预测系统,应用于权利要求1-6所述的方法,其特征在于,包括采集模块、处理模块和验证模块,其中:
所述采集模块用于提取历史数据中的电力数据样本集,所述电力数据样本集包括不同时段的用电量、天气类型、日基本负荷、基于智能电表采集的电力数据以及按时序采集的电力负荷的特征数据;
所述处理模块用于对所述电力数据样本集进行相关性分析,并对所述电力负荷的特征数据进行处理;将所述电力数据样本集划分为训练样本集和测试样本集,所述训练样本集划分为70%,所述测试样本集划分为30%;
所述验证模块用于将处理后的所述电力负荷的特征数据输入至预先训练好的NARNN预测模型中进行提取处理,获取电力负荷预测值。
8.一种计算设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中:所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,使所述至少一个处理器执行权力要求1-7中任一项所述的电力负荷预测方法以及电力负荷预测系统。
9.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序由计算机设备执行,所述计算机设备执行权力要求1-7中任一项所述的电力负荷预测方法以及电力负荷预测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210035247.1A CN114169648A (zh) | 2022-01-13 | 2022-01-13 | 基于narnn模型的电力负荷预测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210035247.1A CN114169648A (zh) | 2022-01-13 | 2022-01-13 | 基于narnn模型的电力负荷预测方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114169648A true CN114169648A (zh) | 2022-03-11 |
Family
ID=80489367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210035247.1A Pending CN114169648A (zh) | 2022-01-13 | 2022-01-13 | 基于narnn模型的电力负荷预测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169648A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997479A (zh) * | 2022-05-24 | 2022-09-02 | 广东电力交易中心有限责任公司 | 一种负荷预测方法、装置、移动终端及存储介质 |
-
2022
- 2022-01-13 CN CN202210035247.1A patent/CN114169648A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997479A (zh) * | 2022-05-24 | 2022-09-02 | 广东电力交易中心有限责任公司 | 一种负荷预测方法、装置、移动终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
Zhang et al. | Remaining useful life prediction for degradation with recovery phenomenon based on uncertain process | |
Bennett et al. | Forecasting low voltage distribution network demand profiles using a pattern recognition based expert system | |
CN111198799A (zh) | 一种基于lstm的机房功耗预警方法、系统、终端及存储介质 | |
CN111985695A (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
Fahiman et al. | Robust and accurate short-term load forecasting: A cluster oriented ensemble learning approach | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
CN114169648A (zh) | 基于narnn模型的电力负荷预测方法、系统及设备 | |
CN114819591A (zh) | 一种电力需求响应潜力评估方法、系统及相关设备 | |
Kong et al. | Power load forecasting method based on demand response deviation correction | |
CN115577851A (zh) | 能源消耗预测方法、装置、设备及存储介质 | |
CN116757378A (zh) | 需求响应评估模型训练方法、应用评估方法及相关设备 | |
CN115526265A (zh) | 一种基于递进式学习结构的非侵入式负荷分解方法 | |
CN114784882A (zh) | 机组组合优化处理方法及装置 | |
CN112836871A (zh) | 一种配电网可靠性预测方法、装置、设备和介质 | |
Zhang et al. | A short-term user load forecasting with missing data | |
CN108805323B (zh) | 数据预测方法和装置 | |
CN113449933B (zh) | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 | |
CN113723717B (zh) | 系统日前短期负荷预测方法、装置、设备和可读存储介质 | |
CN111783487B (zh) | 一种读卡器设备的故障预警方法及装置 | |
CN114219205A (zh) | 一种用于电网规划的柔性负荷可信容量计算方法 | |
CN112926777A (zh) | 考虑商业建筑用能行为的日前负荷预测方法及系统 | |
CN112614006A (zh) | 负荷预测方法、装置、计算机可读存储介质以及处理器 | |
Sigauke et al. | Reliable predictions of peak electricity demand and reliability of power system management | |
CN117310506B (zh) | 监测储能电站的方法、装置和计算机可读存储介质 |
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 |