CN114511159A - 基于条件变分自编码器的电力负荷概率预测方法和系统 - Google Patents
基于条件变分自编码器的电力负荷概率预测方法和系统 Download PDFInfo
- Publication number
- CN114511159A CN114511159A CN202210413258.9A CN202210413258A CN114511159A CN 114511159 A CN114511159 A CN 114511159A CN 202210413258 A CN202210413258 A CN 202210413258A CN 114511159 A CN114511159 A CN 114511159A
- Authority
- CN
- China
- Prior art keywords
- load
- encoder
- prediction
- loss
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims description 60
- 239000000126 substance Substances 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 13
- 230000002123 temporal effect Effects 0.000 claims description 7
- 230000035772 mutation Effects 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Power Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于条件变分自编码器的电力负荷概率预测方法和系统,涉及电力负荷预测技术领域,以预置负荷预测模型的负荷多步预测结果作为输入基础,将预测序列与实际序列之间的形状误差、时间误差以及均方根误差相结合共同作为损失函数训练条件变分自编码器,改进后的损失函数能够挖掘电力负荷序列之间的整体差异,能够自适应感知和捕捉电力负荷数据的突变和随机性,提高了预测精度,解决了现有的电力负荷预测方法只依靠MSE或MAE来衡量预测值与实际值的误差,存在难以衡量预测序列与实际序列之间的差异,难以捕捉和跟踪电力负荷时间序列的突变和随机性,导致预测精度不高的技术问题。
Description
技术领域
本发明涉及电力负荷预测技术领域,尤其涉及一种基于条件变分自编码器的电力负荷概率预测方法和系统。
背景技术
电力负荷预测是指采取科学的计量统计方法,综合利用现有的知识和统计数据等各方面的信息,挖掘电力负荷的演变规律,运用定性与定量分析方法,对电力负荷未来的可能变化做出事先推理的理论。对电力负荷进行超短期精确预测,不仅能够保证供电的可靠性,提高社会经济效益,还能为电网调度、检修计划制定提供重要依据,节省电力资源、保持电网安全稳定运行。
目前,大多数电力负荷预测方法采用均方根误差(Mean Square Error,MSE)或者绝对误差(Mean Absolute Error,MAE)来衡量预测值与实际值的误差,并通过最小化这些误差来求解最优的预测模型。但在电力负荷多步预测问题中,由于预测结果得到的是未来一段时间内的序列值,只依靠MSE或MAE很难衡量预测序列与实际序列之间的差异,难以捕捉和跟踪电力负荷时间序列的突变和随机性,预测精度不高。
发明内容
本发明提供了一种基于条件变分自编码器的电力负荷概率预测方法和系统,用于解决现有的电力负荷预测方法只依靠MSE或MAE来衡量预测值与实际值的误差,存在难以衡量预测序列与实际序列之间的差异,难以捕捉和跟踪电力负荷时间序列的突变和随机性,导致预测精度不高的技术问题。
有鉴于此,本发明第一方面提供了一种基于条件变分自编码器的电力负荷概率预测方法,包括:
将电力负荷时间序列输入预置负荷预测模型中,得到负荷多步预测值;
将负荷多步预测值作为变量输入到条件变分自编码器中,利用电力负荷时间序列对条件变分自编码器进行第一训练,训练条件变分自编码器使用的第一损失函数为:
将待分析的电力负荷时间序列输入到训练好的条件变分自编码器中进行电力负荷概率预测,得到负荷预测结果。
可选地,将待分析的电力负荷时间序列输入到训练好的条件变分自编码器中进行电力负荷概率预测,得到负荷预测结果,之前还包括:
可选地,预置负荷预测模型为变分自编码器。
可选地,基于形状损失的损失函数的表达式为:
可选地,基于时间失真损失的损失函数的表达式为:
可选地,均方根误差的表达式为:
可选地,采用连续概率排位分数评价训练好的条件变分自编码器的性能。
本发明第二方面提供了一种基于条件变分自编码器的电力负荷概率预测系统,包括:
第一预测模块,用于将电力负荷时间序列输入预置负荷预测模型中,得到负荷多步预测值;
模型训练模块,用于将负荷多步预测值作为变量输入到条件变分自编码器中,利用电力负荷时间序列对条件变分自编码器进行第一训练,训练条件变分自编码器使用的第一损失函数为:
第二预测模块,用于将待分析的电力负荷时间序列输入到训练好的条件变分自编码器中进行电力负荷概率预测,得到负荷预测结果。
可选地,模型训练模块还用于:
可选地,预置负荷预测模型为变分自编码器。
从以上技术方案可以看出,本发明提供的基于条件变分自编码器的电力负荷概率预测方法和系统具有以下优点:
本发明提供的基于条件变分自编码器的电力负荷概率预测方法和系统,以预置负荷预测模型的负荷多步预测结果作为输入基础,将预测序列与实际序列之间的形状误差、时间误差以及均方根误差相结合共同作为损失函数训练条件变分自编码器,改进后的损失函数能够挖掘电力负荷序列之间的整体差异,能够自适应感知和捕捉电力负荷数据的突变和随机性,提高了预测精度,解决了现有的电力负荷预测方法只依靠MSE或MAE来衡量预测值与实际值的误差,存在难以衡量预测序列与实际序列之间的差异,难以捕捉和跟踪电力负荷时间序列的突变和随机性,导致预测精度不高的技术问题。
另一方面,为全面反映负荷不确定性和随机性特征,本发明中还对用于进行负荷概率预测的模型进行改进,以条件变分自编码器为基础,从负荷预测结果多样性的角度出发,通过构建表征负荷多样性的第二损失函数和第三损失函数来训练条件变分自编码器,丰富隐变量池的信息,能够更好地跟踪和捕获电力负荷的突变和波动,为电力系统的运行规划提供更全面、更有效的电力负荷信息。
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为本发明提供的一种基于条件变分自编码器的电力负荷概率预测方法的流程示意图;
图2为本发明提供的改进的条件变分自编码器的结构示意图;
图3为本发明提供的构建隐变量池的原理示意图;
图4为本发明提供的基于条件变分自编码器的电力负荷概率预测方法的预测阶段原理示意图;
图5为本发明提供的一种基于条件变分自编码器的电力负荷概率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基于条件变分自编码器的电力负荷概率预测方法,包括:
步骤101、将电力负荷时间序列输入预置负荷预测模型中,得到负荷多步预测值。
需要说明的是,本发明中,首先利用预置负荷预测模型来获得负荷多步预测值,预置负荷预测模型可以是任意一种负荷多步预测模型。本发明中的预置负荷预测模型选为变分自编码器(Variational Auto-Encoders,VAE)。VAE模型通过引入近似后验概率,利用变分转换给出边缘似然的变分下界,再通过求解该优化式给出隐变量近似后验概率分布。VAE实质上是将一个隐变量z和观测变量X的变分推断过程(编码)和生成过程(解码)结合在一起的模型,它应用了均摊变分推断的方式,用神经网络来完成推断和生成过程。
其中,I为单位矩阵。
其中,表示关于隐变量z的自由分布,表示自由分布与后验概率分布之间的Kullback-LeiblerL(KL)距离,并且该距离为非负,为的期望值。式(4)等号右侧第二项为单样本对数边缘似然的下界。当时,,此时给出对数边缘似然的真实值为。
此时求解样本边缘概率分布的概率推理问题转化为公式(6)的优化问题:
步骤102、将负荷多步预测值作为变量输入到条件变分自编码器中,利用电力负荷时间序列对条件变分自编码器进行第一训练,训练条件变分自编码器使用的第一损失函数为:
需要说明的是,将负荷多步预测值y引入到条件变分自编码器(ConditionalVariational Auto-Encoders,cVAE)中,因此,条件变分自编码器的目标转化为最大化。条件变分自编码器cVAE与变分自编码器VAE的原理类似,cVAE也令隐向量z满足,同时引入一个函数q,使与理想的尽量接近,因此cVAE样本点的对数边缘似然的变分表示形式为:
可以采用和VAE一样的优化方法对式(7)进行优化。
本发明实施例中,如图2所示,条件变分自编码器的训练过程采用基于形状损失的损失函数和基于时间失真损失的损失函数和均方根误差构造用于条件变分自编码器训练的损失函数,即第一损失函数。形状损失主要是基于动态时间规整(Dynamictime warping,DTW)算法来计算,主要是用来衡量预测值和实际值的相似度。假设负荷多步预测的实际值,其中,,,m为样本个数,即m=N,k为预测步长。预测值,其中,,,则形状损伤的计算公式为:
其中,,若预测值和实际值是相似点,则,否则。,为平滑系数,>0,为矩阵A到距离矩阵的最优路径,为第i个样本的第h个实际值,为第i个样本的第j个预测值,为利用欧氏距离来表征的预测值和实际值两点之间的相似度。
考虑到预测值与实际值在时间维度上可能存在滞后或超前的现象,利用时间失真指数来衡量预测值和实际值之间的时间失真损失,时间失真指数(Time distortionindex,TDI)的计算公式为:
均方根误差MSE的表达式为:
至此,第一损失函数为:
步骤103、将待分析的电力负荷时间序列输入到训练好的条件变分自编码器中进行电力负荷概率预测,得到负荷预测结果。
需要说明的是,利用步骤102中的第一损失函数对条件变分自编码器进行训练,得到训练好的条件变分自编码器,将待分析的电力负荷时间序列输入到训练好的条件变分自编码器中进行电力负荷概率预测,即可得到负荷预测结果。
本发明实施例提供的基于条件变分自编码器的电力负荷概率预测方法,以预置负荷预测模型的负荷多步预测结果作为输入基础,将预测序列与实际序列之间的形状误差、时间误差以及均方根误差相结合共同作为损失函数训练条件变分自编码器,改进后的损失函数能够挖掘电力负荷序列之间的整体差异,能够自适应感知和捕捉电力负荷数据的突变和随机性,提高了预测精度,解决了现有的电力负荷预测方法只依靠MSE或MAE来衡量预测值与实际值的误差,存在难以衡量预测序列与实际序列之间的差异,难以捕捉和跟踪电力负荷时间序列的突变和随机性,导致预测精度不高的技术问题。
由上述实施例中的第一损失函数对条件变分自编码器进行训练的过程中生成的隐变量z的信息是有限的,尚不能全面反映负荷不确定性和随机特性。为此,本发明实施例中继续对条件变分自编码器的训练过程进行改进。如图3所示,具体地,包含三个改进阶段:第一个阶段是在对条件变分自编码器进行第一训练产生隐变量z的基础上,生成隐变量池的公共隐变量,为后续增加隐变量池信息做好铺垫。第二个阶段和第三个阶段在公共隐变量的基础上,分别通过不同的多样性损失函数训练模型,将训练形成的隐变量和添加到隐变量池,与隐变量z共同形成隐变量,丰富隐变量信息,能够更好地跟踪和捕获电力负荷的突变和波动,最后通过解码器来形成电力负荷概率预测结果。
在第一阶段中,cVAE的隐变量由两部分构成,,其中,z为对条件变分自编码器进行第一训练产生的隐变量部分,向量和为零向量,其维度分别为和,为第二训练阶段输出的预测值的个数,为第三训练阶段输出的预测值的个数。向量和的作用是为第二、三阶段的隐变量和预留空间,表征预测模型的多样性。
隐变量中保持零向量不变,的每个元素的初始值服从的高斯分布,将此时的隐变量带到第二阶段的模型进行训练产生隐变量。同理,隐变量中保持零向量不变,的每个元素的初始值服从的高斯分布,将此时的隐变量带到第三阶段的模型进行训练产生隐变量。至此,可以得到由隐变量z、隐变量、隐变量构成的隐变量池,即。
至此,可以得到由上述隐变量池构成的训练好的条件变分自编码器。利用训练好的条件变分自编码器进行负荷概率预测,那么,在预测阶段,如图4所示,对于每个新的测试样本,为了获取多样性的隐变量,利用图3训练好的条件变分自编码器生成个不同的隐变量,(),和个不同的隐变量,()。对于每个给定的隐变量,依次与每个隐变量和隐变量z组成隐变量池,按照这种隐变量重新组合的规则,预测模型将得到种不同的预测结果,也即每个预测时刻的可能取值。
可见,本发明实施例提供的基于条件变分自编码器的电力负荷概率预测方法以条件变分自编码器为基础,从负荷预测结果多样性的角度出发,通过构建表征负荷多样性的第二损失函数和第三损失函数来训练条件变分自编码器,丰富隐变量池的信息,能够更好地跟踪和捕获电力负荷的突变和波动,为电力系统的运行规划提供更全面、更有效的电力负荷信息。
为了验证本发明提供的基于条件变分自编码器的电力负荷概率预测方法的有效性,可选取两组不同的电力负荷数据,数据集1与历史负荷数据相比,具有相似周期性和变化规律,数据集2所处的时间段出现过异常现象,导致电力负荷在某个时间段开始出现明显的突变和波动。同时,预测结果将与原始的条件变分自编码器(即未经过本发明改进后的cVAE)对比,原始的条件变分自编码器的损失函数为均方根误差。
为了定性地评价预测模型的性能,采用连续概率排位分数(continuous rankedprobability score, CRPS)作为预测模型的性能评价指标,其计算公式为:
表1和表2给出了数据集1和数据集2的预测结果。
表1 数据集1预测结果对比
表2 数据集2预测结果对比
由表1和表2可知,本发明提供的预测方法的CRPS指标值均小于原始cVAE方法,说明本发明提供的预测方法的预测结果的累积分布函数与实际值的累积分布函数更加接近。另外,表2也反映出本发明提供的预测方法能够很好地捕捉数据的波动,通过多样性损伤函数来跟踪电力负荷的变化趋势,提高了负荷预测精度。
为了便于理解,请参阅图5,本发明中提供了一种基于条件变分自编码器的电力负荷概率预测系统的实施例,包括:
第一预测模块,用于将电力负荷时间序列输入预置负荷预测模型中,得到负荷多步预测值;
模型训练模块,用于将负荷多步预测值作为变量输入到条件变分自编码器中,利用电力负荷时间序列对条件变分自编码器进行第一训练,训练条件变分自编码器使用的第一损失函数为:
第二预测模块,用于将待分析的电力负荷时间序列输入到训练好的条件变分自编码器中进行电力负荷概率预测,得到负荷预测结果。
模型训练模块还用于:
预置负荷预测模型为变分自编码器。
基于形状损失的损失函数的表达式为:
基于时间失真损失的损失函数的表达式为:
均方根误差的表达式为:
采用连续概率排位分数评价训练好的条件变分自编码器的性能。
本发明实施例提供的基于条件变分自编码器的电力负荷概率预测系统,以预置负荷预测模型的负荷多步预测结果作为输入基础,将预测序列与实际序列之间的形状误差、时间误差以及均方根误差相结合共同作为损失函数训练条件变分自编码器,改进后的损失函数能够挖掘电力负荷序列之间的整体差异,能够自适应感知和捕捉电力负荷数据的突变和随机性,提高了预测精度,解决了现有的电力负荷预测方法只依靠MSE或MAE来衡量预测值与实际值的误差,存在难以衡量预测序列与实际序列之间的差异,难以捕捉和跟踪电力负荷时间序列的突变和随机性,导致预测精度不高的技术问题。
另一方面,为全面反映负荷不确定性和随机性特征,本发明中是基于条件变分自编码器的电力负荷概率预测系统还对用于进行负荷概率预测的模型进行改进,以条件变分自编码器为基础,从负荷预测结果多样性的角度出发,通过构建表征负荷多样性的第二损失函数和第三损失函数来训练条件变分自编码器,丰富隐变量池的信息,能够更好地跟踪和捕获电力负荷的突变和波动,为电力系统的运行规划提供更全面、更有效的电力负荷信息。
本发明中提供的基于条件变分自编码器的电力负荷概率预测系统,用于执行前述基于条件变分自编码器的电力负荷概率预测方法实施例中的基于条件变分自编码器的电力负荷概率预测方法,其原理与前述基于条件变分自编码器的电力负荷概率预测方法实施例中的基于条件变分自编码器的电力负荷概率预测方法相同,在此不再进行赘述。
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)
2.根据权利要求1所述的基于条件变分自编码器的电力负荷概率预测方法,其特征在于,将待分析的电力负荷时间序列输入到训练好的条件变分自编码器中进行电力负荷概率预测,得到负荷预测结果,之前还包括:
3.根据权利要求1所述的基于条件变分自编码器的电力负荷概率预测方法,其特征在于,预置负荷预测模型为变分自编码器。
7.根据权利要求1-6中任一项所述的基于条件变分自编码器的电力负荷概率预测方法,其特征在于,采用连续概率排位分数评价训练好的条件变分自编码器的性能。
8.一种基于条件变分自编码器的电力负荷概率预测系统,其特征在于,包括:
第一预测模块,用于将电力负荷时间序列输入预置负荷预测模型中,得到负荷多步预测值;
模型训练模块,用于将负荷多步预测值作为变量输入到条件变分自编码器中,利用电力负荷时间序列对条件变分自编码器进行第一训练,训练条件变分自编码器使用的第一损失函数为:
第二预测模块,用于将待分析的电力负荷时间序列输入到训练好的条件变分自编码器中进行电力负荷概率预测,得到负荷预测结果。
9.根据权利要求8所述的基于条件变分自编码器的电力负荷概率预测系统,其特征在于,模型训练模块还用于:
10.根据权利要求8所述的基于条件变分自编码器的电力负荷概率预测系统,其特征在于,预置负荷预测模型为变分自编码器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210413258.9A CN114511159B (zh) | 2022-04-20 | 2022-04-20 | 基于条件变分自编码器的电力负荷概率预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210413258.9A CN114511159B (zh) | 2022-04-20 | 2022-04-20 | 基于条件变分自编码器的电力负荷概率预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114511159A true CN114511159A (zh) | 2022-05-17 |
CN114511159B CN114511159B (zh) | 2022-07-12 |
Family
ID=81554944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210413258.9A Active CN114511159B (zh) | 2022-04-20 | 2022-04-20 | 基于条件变分自编码器的电力负荷概率预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511159B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115952928A (zh) * | 2023-03-13 | 2023-04-11 | 广东电网有限责任公司佛山供电局 | 一种短期电力负荷预测方法、装置、设备及存储介质 |
CN116227543A (zh) * | 2023-05-09 | 2023-06-06 | 南方电网科学研究院有限责任公司 | 用电异常的检测方法、检测装置、电子装置和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059894A (zh) * | 2019-04-30 | 2019-07-26 | 无锡雪浪数制科技有限公司 | 设备状态评估方法、装置、系统及存储介质 |
CN113284001A (zh) * | 2021-04-08 | 2021-08-20 | 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 |
CN113487062A (zh) * | 2021-05-31 | 2021-10-08 | 国网上海市电力公司 | 一种基于周期自动编码器的电力负荷预测方法 |
CN114004336A (zh) * | 2021-10-29 | 2022-02-01 | 上海科技大学 | 基于增强变分自编码器的三维射线重构方法 |
CN114091536A (zh) * | 2021-11-19 | 2022-02-25 | 上海梦象智能科技有限公司 | 一种基于变分自编码器的负荷分解方法 |
-
2022
- 2022-04-20 CN CN202210413258.9A patent/CN114511159B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059894A (zh) * | 2019-04-30 | 2019-07-26 | 无锡雪浪数制科技有限公司 | 设备状态评估方法、装置、系统及存储介质 |
CN113284001A (zh) * | 2021-04-08 | 2021-08-20 | 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 |
CN113487062A (zh) * | 2021-05-31 | 2021-10-08 | 国网上海市电力公司 | 一种基于周期自动编码器的电力负荷预测方法 |
CN114004336A (zh) * | 2021-10-29 | 2022-02-01 | 上海科技大学 | 基于增强变分自编码器的三维射线重构方法 |
CN114091536A (zh) * | 2021-11-19 | 2022-02-25 | 上海梦象智能科技有限公司 | 一种基于变分自编码器的负荷分解方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115952928A (zh) * | 2023-03-13 | 2023-04-11 | 广东电网有限责任公司佛山供电局 | 一种短期电力负荷预测方法、装置、设备及存储介质 |
CN115952928B (zh) * | 2023-03-13 | 2023-06-02 | 广东电网有限责任公司佛山供电局 | 一种短期电力负荷预测方法、装置、设备及存储介质 |
CN116227543A (zh) * | 2023-05-09 | 2023-06-06 | 南方电网科学研究院有限责任公司 | 用电异常的检测方法、检测装置、电子装置和电子设备 |
CN116227543B (zh) * | 2023-05-09 | 2023-08-04 | 南方电网科学研究院有限责任公司 | 用电异常的检测方法、检测装置、电子装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114511159B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114511159B (zh) | 基于条件变分自编码器的电力负荷概率预测方法和系统 | |
JP4661250B2 (ja) | 予測方法、予測装置および予測プログラム | |
Yao et al. | High-frequency stock trend forecast using LSTM model | |
Garcia et al. | Forecasting system imbalance volumes in competitive electricity markets | |
CN105740984A (zh) | 一种基于性能预测的产品概念性能评价方法 | |
CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
CN105930916A (zh) | 一种基于并行模块化神经网络的副产煤气实时预测方法 | |
Yin et al. | Multi-attention generative adversarial network for multivariate time series prediction | |
CN111563615A (zh) | 一种基于特征分析与组合学习的负荷预测方法 | |
CN112686693A (zh) | 电力现货市场边际电价预测方法、系统、设备及存储介质 | |
JPH06337852A (ja) | ニューラルネットワークによる時系列予測方法 | |
CN111798024A (zh) | 一种分段报价规则下的发电厂报价确定方法和装置 | |
CN116703607A (zh) | 一种基于扩散模型的金融时间序列预测方法与系统 | |
Ye et al. | Prediction with time-series mixer for the S&P500 index | |
CN116384251A (zh) | 一种考虑风险规避的新能源发电功率组合预测方法及系统 | |
Jun et al. | A novel short-term residential load forecasting model combining machine learning method with empirical mode decomposition | |
Ji et al. | Multi-indicators prediction in microservice using Granger causality test and Attention LSTM | |
He et al. | GA-based optimization of generative adversarial networks on stock price prediction | |
CN110543724B (zh) | 面向总体设计的卫星结构性能预测方法 | |
Zhang et al. | Integrating harmony search algorithm and deep belief network for stock price prediction model | |
Supriyanto | Comparison of Grid Search and Evolutionary Parameter Optimization with Neural Networks on JCI Stock Price Movements during the Covid 19 | |
Faia et al. | Optimization of electricity markets participation with simulated annealing | |
Yang et al. | Short-term load forecasting of central China based on DPSO-LSTM | |
Boersma | Using Influencing Factors and Multilayer Perceptrons for Energy Demand Prediction | |
CN116681531A (zh) | 基于多任务协同与风险建模的投资组合分析方法和系统 |
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 |