CN114611805A - 一种净负荷预测方法、装置、电子设备及存储介质 - Google Patents
一种净负荷预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114611805A CN114611805A CN202210257799.7A CN202210257799A CN114611805A CN 114611805 A CN114611805 A CN 114611805A CN 202210257799 A CN202210257799 A CN 202210257799A CN 114611805 A CN114611805 A CN 114611805A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- target
- data
- target power
- normalization
- 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 description 52
- 238000010606 normalization Methods 0.000 claims abstract description 152
- 238000003062 neural network model Methods 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 57
- 230000005611 electricity Effects 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000013277 forecasting method Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 8
- 230000005284 excitation Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06N3/048—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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种净负荷预测方法、装置、电子设备及存储介质,包括:获取目标配电网的目标配电数据,对目标配电数据进行数据归一化处理,得到目标配电数据对应的目标配电归一化值;其中,目标配电数据包括目标用电情况数据及目标配电网的各目标能源数据;将目标配电归一化值输入至预先训练完成的目标神经网络模型中,得到净负荷归一化值;对净负荷归一化值进行反归一化处理,得到目标配电网中可调度的目标净负荷预测值。本发明实施例提供的技术方案实现了减少预测工作量,提高预测精度,降低预测成本的效果。
Description
技术领域
本发明涉及新能源发电技术领域,尤其涉及一种净负荷预测方法、装置、电子设备及存储介质。
背景技术
微能网作为多能源消纳的重要途经之一,将可再生能源、储能、可控负荷等有机结合,可同时协调冷、热、电多种能量的供应与消耗,可独立自治运行或并网运行,对提高智慧园区能源总体效益具有重要意义。
为保证对微能网系统合理可靠的调度,需要预先对配电网的净负荷进行预测。现有技术中,需要从多个能够提供电能的能源分别预测能够承担的净负载,然后将各预测的净负载进行整合处理,得到配电网的净负荷,以基于净负荷完成微能网的调度。
但是,现有技术中对多个能源分别预测增大了预测工作量;并且,整合过程中易产生误差,降低了预测精度;且整合需要对大量的数据进行处理,预测成本高。
发明内容
本发明提供了一种净负荷预测方法、装置、电子设备及存储介质,以解决现有技术中需要多个预测模型分别对各能源进行预测,再进行数据整合导致的误差大的问题。
根据本发明的一方面,提供了一种净负荷预测方法,包括:
获取目标配电网的目标配电数据,对所述目标配电数据进行数据归一化处理,得到所述目标配电数据对应的目标配电归一化值;其中,所述目标配电数据包括目标用电情况数据及目标配电网的各目标能源数据;
将所述目标配电归一化值输入至预先训练完成的目标神经网络模型中,得到净负荷归一化值;
对所述净负荷归一化值进行反归一化处理,得到所述目标配电网中可调度的目标净负荷预测值。
根据本发明的另一方面,提供了一种净负荷预测装置,包括:
目标配电数据获取模块,用于获取目标配电网的目标配电数据,对所述目标配电数据进行数据归一化处理,得到所述目标配电数据对应的目标配电归一化值;其中,所述目标配电数据包括目标用电情况数据及目标配电网的各目标能源数据;
目标配电归一化值输入模块,用于将所述目标配电归一化值输入至预先训练完成的目标神经网络模型中,得到净负荷归一化值;
反归一化处理模块,用于对所述净负荷归一化值进行反归一化处理,得到所述目标配电网中可调度的目标净负荷预测值。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的净负荷预测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的净负荷预测方法。
本发明实施例的技术方案,通过将获取到的目标配电数据进行数据归一化处理,得到目标配电数据对应的目标配电归一化值;并将目标配电归一化值输入至预先训练完成的目标神经网络模型中,得到净负荷归一化值;对净负荷归一化值进行反归一化处理,得到目标配电网中可调度的目标净负荷预测值。由于目标配电数据包括目标用电情况数据及目标配电网的各目标能源数据;各数据均可输入至统一的目标神经网络模型中,直接得到目标净负荷预测值,整个过程仅需要一个目标神经网络模型即可完成预测,解决了现有技术中需要多个预测模型分别对各能源进行预测,再进行数据整合导致的误差大的问题,取得了减少预测工作量,提高预测精度,降低预测成本的有益效果。
此外,本发明所提供的一种净负荷预测装置、电子设备及存储介质与上述方法对应,具有同样的有益效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的附图。
图1为本发明实施例一提供的一种净负荷预测方法的流程图;
图2为本发明实施例二提供的一种净负荷预测方法的流程图;
图3为本发明实施例三提供的一种净负荷预测装置的结构示意图;
图4为实现本发明实施例的净负荷预测方法的电子设备的结构示意图。
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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种净负荷预测方法的流程图,本实施例可适用于对配电网的净负荷进行预测,基于预测结果合理进行能量调度的情况,该方法可以由净负荷预测装置来执行,该净负荷预测装置可以采用硬件和/或软件的形式实现,该净负荷预测装置可配置于终端和/或服务器中。如图1所示,该方法包括:
S110、获取目标配电网的目标配电数据,对目标配电数据进行数据归一化处理,得到目标配电数据对应的目标配电归一化值。
其中,目标配电数据包括目标用电情况数据及目标配电网的各目标能源数据。目标用电情况数据包括目标用电类型和/或目标用电时间特征;目标能源数据包括目标风速、目标紫外线强度和目标温度中的至少一种数据;需要说明的时,目标用电时间可分为周一至周日,目标用电时间特征即为周一至周日每天的用电特征,如办公区域周一至周五的用电量较周六日的用电量来说,具有用电时间段集中、用电量更大的特征。
可选的,获取目标配电网的目标配电数据,包括:获取目标配电网的目标用电类型和/或目标用电时间特征,获取目标风速、目标紫外线强度和目标温度中的至少一种数据。
在具体实施中,可对获取到的目标配电数据进行数据归一化处理,包括:确定各目标配电数据的数据类型,确定各数据类型的历史数据中的最小值及最大值;基于最小值、最大值和归一化函数,对目标配电数据进行归一化处理。
具体的,目标配电数据的数据类型包括目标用电类型、目标用电时间特征类型、目标风速类型、目标紫外线强度类型和目标温度类型中的至少一种类型。
针对与每种数据类型的目标配电数据,可将目标配电数据导入premnmx函数,以完成数据归一化处理,从而得到目标配电归一化值。具体的,目标配电归一化值可包括目标用电类型归一化值、目标用电时间特征归一化值、目标风速归一化值、目标紫外线强度归一化值和目标温度归一化值中的至少一种。
示例性的,归一化函数可为premnmx函数,premnmx函数的计算公式如下:
其中,result1表示数据归一化处理后得到的目标配电归一化值,m1为各类型的目标配电数据,min为该类型数据对应的历史配电数据的最小值,max为该类型数据对应的历史配电数据的最大值。
S120、将目标配电归一化值输入至预先训练完成的目标神经网络模型中,得到净负荷归一化值。
在具体实施中,可预先训练目标神经网络模型。目标神经网络模型可为BP(backpropagation)神经网络模型,目标神经网络模型可以目标用电类型归一化值、目标用电时间特征归一化值、目标风速归一化值、目标紫外线强度归一化值和目标温度归一化值作为模型输入项,将净负荷归一化值作为模型输出项,输入层的节点数为5,输出层的节点数为1。
S130、对净负荷归一化值进行反归一化处理,得到目标配电网中可调度的目标净负荷预测值。
在具体实施中,为了得到准确的净负荷预测值,需要对净负荷归一化值进行反归一化处理。示例性的,反归一化处理的方式可为将净负荷归一化值导入至postmnmx函数,postmnmx函数公式如下:
其中,m2表示净负荷归一化值,result2为目标净负荷预测值,min为历史净负荷的最小值,max为历史净负荷的最大值。
本实施例中,还包括:将目标净负荷预测值发送至调度终端,以进行配电提示。通过预测得到的目标净负荷预测值,可供调度人员合理安排供电情况,有效、准确地进行电能调度;将目标净负荷预测值发送至调度终端,提高了调度人员工作的便利性。
本发明实施例的技术方案,通过将获取到的目标配电数据进行数据归一化处理,得到目标配电数据对应的目标配电归一化值;并将目标配电归一化值输入至预先训练完成的目标神经网络模型中,得到净负荷归一化值;对净负荷归一化值进行反归一化处理,得到目标配电网中可调度的目标净负荷预测值。由于目标配电数据包括目标用电情况数据及目标配电网的各目标能源数据;可直接输入至统一的目标神经网络模型中,直接得到目标净负荷预测值,整个过程仅需要一个目标神经网络模型即可完成预测,解决了现有技术中需要多个预测模型分别对各能源进行预测,再进行数据整合导致的误差大的问题,取得了减少预测工作量,提高预测精度,降低预测成本的有益效果。
实施例二
图2为本发明实施例二提供的一种净负荷预测方法的流程图,本实施例以上述各技术方案为基础进行优化。可选的,在将目标配电归一化值输入至预先训练完成的目标神经网络模型中之前,还包括:获取历史配电数据,对历史配电数据进行数据归一化处理,得到历史配电数据对应的历史配电归一化值;基于历史配电归一化值和历史净负荷归一化实际值对待训练神经网络模型进行训练,得到满足预设的训练条件的目标神经网络模型。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。
如图2所示,该方法包括:
S210、获取历史配电数据,对历史配电数据进行数据归一化处理,得到历史配电数据对应的历史配电归一化值。
其中,历史配电数据包括历史用电情况数据、历史能源数据及历史净负荷数据;历史用电情况数据包括历史用电类型和/或历史用电时间特征;历史能源数据包括历史风速、历史紫外线强度和历史温度中的至少一种数据。历史净负荷数据为配电网在历史时间段内产生的真实负荷数据。在一个实施例中,历史净负荷数据的确定方式为:
历史净负荷数据=历史负荷值-历史风电值-历史光电值
具体的,在对各历史配电数据进行数据归一化处理后,得到的历史配电归一化值包括历史用电情况归一化值、各历史能源归一化值及历史净负荷归一化实际值;将历史用电情况归一化值和各历史能源归一化值输入至待训练神经网络模型中,得到历史净负荷归一化预测值。
在具体实施中,对历史配电数据进行数据归一化处理包括:确定各历史配电数据的数据类型,确定各数据类型的历史配电数据中的最小值及最大值;基于所述最小值、最大值和归一化函数,对历史配电数据进行归一化处理。具体的,可将历史配电数据导入至premnmx函数中,以完成对历史配电数据的数据归一化处理,得到历史净负荷归一化预测值。
S220、将历史用电情况归一化值和各历史能源归一化值输入至待训练神经网络模型中,得到历史净负荷归一化预测值;
在具体实施中,可将历史用电情况归一化值和各历史能源归一化值作为输入项,输入至待训练神经网络模型中,得到历史净负荷归一化预测值。具体的,待训练神经网络模型可为BP(back propagation)神经网络模型。
可选的,待训练神经网络模型包括输入层、网络隐层和输出层;其中,将历史用电情况归一化值和各历史能源归一化值输入至待训练神经网络模型中之前,还包括:建立满足预设结构关系的待训练神经网络模型;其中,预设结构关系包括:
其中,n为输入层的神经元个数,m为输出层的神经元个数,a为取值在[1,10]范围内的常数,l为网络隐层的神经元个数。
进一步的,待训练神经网络模型中采用的函数包括网络隐层激励函数、网络输出层激励函数、网络训练函数和网络性能函数。
示例性的,历史神经网络模型的隐层的神经元个数可为8个,模型中的网络隐层激励函数可为tansig函数,tansig函数的公式为:
其中,x表示网络隐层激励函数的输入参数,tansig(x)表示网络隐层激励函数的输出参数。
模型中包括网络输出层激励函数,可为logsig函数:
其中,x表示网络输出层激励函数的输入参数,logsig(x)表示网络输出层激励函数的输出参数。
模型中还包括网络训练函数,可为traingdx函数;模型中还包括网络性能函数,可为mse函数,mse函数的计算公式为:
S230、将历史净负荷归一化预测值和历史净负荷归一化实际值进行比对,基于比对结果对待训练神经网络模型进行参数调整。
在具体实施中,可通过将历史净负荷归一化预测值和历史净负荷归一化实际值进行比对,通过比对结果调整待训练神经网络模型中的参数,以使待训练神经网络模型的网络性能越来越好;通过对参数进行调整,得到调整后的待训练神经网络模型,可再次进行迭代训练。
S240、重复将历史用电情况归一化值和各历史能源归一化值输入至调整参数后的待训练神经网络模型中,直到训练数据满足预设的训练条件,则将满足训练条件的待训练神经网络模型确定为目标神经网络模型。
为了能够达到训练效果,可再次将历史用电情况归一化值和各历史能源归一化值输入至调整参数后的待训练神经网络模型中,并再次将得到的历史净负荷归一化预测值和历史净负荷归一化实际值进行比对,通过比对结果对模型参数进行不断的调整,直到训练数据满足预设的训练条件,则可停止对待训练神经网络模型的训练过程。
示例性的,训练数据可包括训练次数,即重复将历史用电情况归一化值和历史能源归一化值输入至待训练神经网络模型的迭代次数。训练数据还可包括待训练神经网络模型对应的损失函数,还可为历史净负荷归一化预测值和历史净负荷归一化实际值进行比对后,确定出的待训练神经网络模型的精确度。
在一个实施例中,训练数据包括当前重复次数;其中,直到训练数据满足预设的训练条件,则将满足训练条件的待训练神经网络模型确定为目标神经网络模型,包括:确定当前的训练次数是否达到预设次数;如果是,则确定训练数据满足训练条件,将最后一次重复训练得到的待训练神经网络模型确定为目标神经网络模型。
具体的,当训练次数达到预设次数,则说明训练数据满足训练条件,可停止训练,将最后一次重复训练得到的待训练神经网络模型确定为目标神经网络模型;当训练次数未达到预设次数,则说明训练数据不满足训练条件,则可继续进行训练。
S250、获取目标配电网的目标配电数据,对目标配电数据进行数据归一化处理,得到目标配电数据对应的目标配电归一化值。
S260、将目标配电归一化值输入至预先训练完成的目标神经网络模型中,得到净负荷归一化值。
S270、对净负荷归一化值进行反归一化处理,得到目标配电网中可调度的目标净负荷预测值。
本发明实施例中,预先通过历史配电数据对待训练神经网络模型进行训练,从而得到目标神经网络模型;并设定了训练条件,提高了训练待训练神经网络模型的精确度。
实施例三
图3为本发明实施例三提供的一种净负荷预测装置的结构示意图。如图3所示,该装置包括:
目标配电数据获取模块10,用于获取目标配电网的目标配电数据,对目标配电数据进行数据归一化处理,得到目标配电数据对应的目标配电归一化值;其中,目标配电数据包括目标用电情况数据及目标配电网的各目标能源数据;
目标配电归一化值输入模块11,用于将目标配电归一化值输入至预先训练完成的目标神经网络模型中,得到净负荷归一化值;
反归一化处理模块12,用于对净负荷归一化值进行反归一化处理,得到目标配电网中可调度的目标净负荷预测值。
在本发明实施例中任一可选技术方案的基础上,可选的,所述装置还包括:
训练模块,用于在将目标配电归一化值输入至预先训练完成的目标神经网络模型中之前,获取历史配电数据,对历史配电数据进行数据归一化处理,得到历史配电数据对应的历史配电归一化值;其中,历史配电数据包括历史用电情况数据、历史能源数据及历史净负荷数据;历史配电归一化值包括历史用电情况归一化值、各历史能源归一化值及历史净负荷归一化实际值;将历史用电情况归一化值和各历史能源归一化值输入至待训练神经网络模型中,得到历史净负荷归一化预测值;将历史净负荷归一化预测值和历史净负荷归一化实际值进行比对,基于比对结果对待训练神经网络模型进行参数调整;重复将历史用电情况归一化值和各历史能源归一化值输入至调整参数后的待训练神经网络模型中,直到训练数据满足预设的训练条件,则将满足训练条件的待训练神经网络模型确定为目标神经网络模型。
在本发明实施例中任一可选技术方案的基础上,可选的,训练数据包括当前重复次数;其中,训练模块包括:
训练次数确定单元,用于确定当前的训练次数是否达到预设次数;如果是,则确定训练数据满足训练条件,将最后一次重复训练得到的待训练神经网络模型确定为目标神经网络模型。
在本发明实施例中任一可选技术方案的基础上,可选的,待训练神经网络模型包括输入层、网络隐层和输出层;其中,训练模块还包括:
待训练神经网络模型建立单元,用于将历史用电情况归一化值和各历史能源归一化值输入至待训练神经网络模型中之前,建立满足预设结构关系的待训练神经网络模型;其中,预设结构关系包括:
其中,n为输入层的神经元个数,m为输出层的神经元个数,a为取值在[1,10]范围内的常数,l为网络隐层的神经元个数。
在本发明实施例中任一可选技术方案的基础上,可选的,目标用电情况数据包括目标用电类型和/或目标用电时间特征;目标能源数据包括目标风速、目标紫外线强度和目标温度中的至少一种数据;其中,目标配电数据获取模块10,包括:
数据获取单元,用于获取目标配电网的目标用电类型和/或目标用电时间特征,获取目标风速、目标紫外线强度和目标温度中的至少一种数据。
在本发明实施例中任一可选技术方案的基础上,可选的,目标配电数据获取模块10,包括:
数据类型确定单元,用于确定各目标配电数据的数据类型,确定各数据类型的历史数据中的最小值及最大值;基于最小值、最大值和归一化函数,对目标配电数据进行归一化处理。
在本发明实施例中任一可选技术方案的基础上,可选的,该装置还包括:
配电提示模块,用于将目标净负荷预测值发送至调度终端,以进行配电提示。
本发明实施例所提供的净负荷预测装置可执行本发明任意实施例所提供的净负荷预测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为实现本发明实施例的净负荷预测方法的电子设备的结构示意图,图4示出了可以用来实施本发明的实施例的电子设备20的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备20包括至少一个处理器21,以及与至少一个处理器21通信连接的存储器,如只读存储器(ROM)22、随机访问存储器(RAM)23等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器21可以根据存储在只读存储器(ROM)22中的计算机程序或者从存储单元28加载到随机访问存储器(RAM)23中的计算机程序,来执行各种适当的动作和处理。在RAM23中,还可存储电子设备20操作所需的各种程序和数据。处理器21、ROM22以及RAM23通过总线24彼此相连。输入/输出(I/O)接口25也连接至总线24。
电子设备20中的多个部件连接至I/O接口25,包括:输入单元26,例如键盘、鼠标等;输出单元27,例如各种类型的显示器、扬声器等;存储单元28,例如磁盘、光盘等;以及通信单元29,例如网卡、调制解调器、无线通信收发机等。通信单元29允许电子设备20通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器21可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器21的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器21执行上文所描述的各个方法和处理。
在一些实施例中,净负荷预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元28。在一些实施例中,计算机程序的部分或者全部可以经由ROM22和/或通信单元29而被载入和/或安装到电子设备20上。当计算机程序加载到RAM23并由处理器21执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,处理器21可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法净负荷预测。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种净负荷预测方法,其特征在于,包括:
获取目标配电网的目标配电数据,对所述目标配电数据进行数据归一化处理,得到所述目标配电数据对应的目标配电归一化值;其中,所述目标配电数据包括目标用电情况数据及目标配电网的各目标能源数据;
将所述目标配电归一化值输入至预先训练完成的目标神经网络模型中,得到净负荷归一化值;
对所述净负荷归一化值进行反归一化处理,得到所述目标配电网中可调度的目标净负荷预测值。
2.根据权利要求1所述的方法,其特征在于,在所述将所述目标配电归一化值输入至预先训练完成的目标神经网络模型中之前,还包括:
获取历史配电数据,对所述历史配电数据进行数据归一化处理,得到所述历史配电数据对应的历史配电归一化值;
其中,所述历史配电数据包括历史用电情况数据、历史能源数据及历史净负荷数据;历史配电归一化值包括历史用电情况归一化值、各历史能源归一化值及历史净负荷归一化实际值;
将所述历史用电情况归一化值和各所述历史能源归一化值输入至待训练神经网络模型中,得到历史净负荷归一化预测值;
将所述历史净负荷归一化预测值和所述历史净负荷归一化实际值进行比对,基于比对结果对所述待训练神经网络模型进行参数调整;
重复将历史用电情况归一化值和各所述历史能源归一化值输入至调整参数后的待训练神经网络模型中,直到训练数据满足预设的训练条件,则将满足训练条件的待训练神经网络模型确定为所述目标神经网络模型。
3.根据权利要求2所述的方法,其特征在于,所述训练数据包括当前重复次数;其中,
所述直到训练数据满足预设的训练条件,则将满足训练条件的待训练神经网络模型确定为所述目标神经网络模型,包括:
确定当前的训练次数是否达到预设次数;
如果是,则确定所述训练数据满足所述训练条件,将最后一次重复训练得到的待训练神经网络模型确定为所述目标神经网络模型。
5.根据权利要求1所述的方法,其特征在于,所述目标用电情况数据包括目标用电类型和/或目标用电时间特征;所述目标能源数据包括目标风速、目标紫外线强度和目标温度中的至少一种数据;其中,
所述获取目标配电网的目标配电数据,包括:
获取所述目标配电网的所述目标用电类型和/或所述目标用电时间特征,获取所述目标风速、所述目标紫外线强度和所述目标温度中的至少一种数据。
6.根据权利要求1所述的方法,其特征在于,所述对所述目标配电数据进行数据归一化处理,包括:
确定各所述目标配电数据的数据类型,确定各所述数据类型的历史数据中的最小值及最大值;
基于所述最小值、最大值和归一化函数,对所述目标配电数据进行归一化处理。
7.根据权利要求1所述的方法,其特征在于,还包括:
将所述目标净负荷预测值发送至调度终端,以进行配电提示。
8.一种净负荷预测装置,其特征在于,包括:
目标配电数据获取模块,用于获取目标配电网的目标配电数据,对所述目标配电数据进行数据归一化处理,得到所述目标配电数据对应的目标配电归一化值;其中,所述目标配电数据包括目标用电情况数据及目标配电网的各目标能源数据;
目标配电归一化值输入模块,用于将所述目标配电归一化值输入至预先训练完成的目标神经网络模型中,得到净负荷归一化值;
反归一化处理模块,用于对所述净负荷归一化值进行反归一化处理,得到所述目标配电网中可调度的目标净负荷预测值。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的净负荷预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的净负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210257799.7A CN114611805A (zh) | 2022-03-16 | 2022-03-16 | 一种净负荷预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210257799.7A CN114611805A (zh) | 2022-03-16 | 2022-03-16 | 一种净负荷预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114611805A true CN114611805A (zh) | 2022-06-10 |
Family
ID=81863678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210257799.7A Pending CN114611805A (zh) | 2022-03-16 | 2022-03-16 | 一种净负荷预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611805A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258355A (zh) * | 2023-05-15 | 2023-06-13 | 国网浙江省电力有限公司永康市供电公司 | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 |
-
2022
- 2022-03-16 CN CN202210257799.7A patent/CN114611805A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258355A (zh) * | 2023-05-15 | 2023-06-13 | 国网浙江省电力有限公司永康市供电公司 | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 |
CN116258355B (zh) * | 2023-05-15 | 2023-08-11 | 国网浙江省电力有限公司永康市供电公司 | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jawad et al. | Genetic algorithm‐based non‐linear auto‐regressive with exogenous inputs neural network short‐term and medium‐term uncertainty modelling and prediction for electrical load and wind speed | |
Shi et al. | Multistage robust energy management for microgrids considering uncertainty | |
KR20200128232A (ko) | 전력 수요 예측 장치 및 그 방법 | |
CN106503833A (zh) | 基于支持向量机算法的光伏发电短期功率滚动预测方法 | |
Habachi et al. | Solving economic dispatch and unit commitment problem in smart grid system using eagle strategy based crow search algorithm | |
CN116131340A (zh) | 发电站与负荷区域匹配的方法、装置、设备及存储介质 | |
Zhu et al. | Energy optimal dispatch of the data center microgrid based on stochastic model predictive control | |
CN114611805A (zh) | 一种净负荷预测方法、装置、电子设备及存储介质 | |
CN117332897A (zh) | 人工智能驱动的新能源小时间尺度功率插值集成预测方法 | |
CN111476411B (zh) | 一种光伏电站发电量计算方法及服务器 | |
CN117473384A (zh) | 一种电网线路安全约束辨识方法、装置、设备及存储介质 | |
Cai et al. | An improved sequential importance sampling method for reliability assessment of renewable power systems with energy storage | |
CN116137445A (zh) | 基于分布式电源的孤岛配网方法、装置、设备及介质 | |
CN114817985A (zh) | 一种用电数据的隐私保护方法、装置、设备及存储介质 | |
Zhou et al. | Learning-based green workload placement for energy internet in smart cities | |
CN114936793A (zh) | 一种电力系统的优化调度方法、装置、设备及存储介质 | |
Bu et al. | Distributed unit commitment scheduling in the future smart grid with intermittent renewable energy resources and stochastic power demands | |
CN117252612A (zh) | 一种供售电方案的确定方法、装置、电子设备及存储介质 | |
Xu et al. | Distributed predictive control for energy management of multi-microgrids systems | |
Qi et al. | Regional electricity sales forecasting research based on big data application service platform | |
CN117422259A (zh) | 一种分布式资源预测聚合方法、装置、设备及存储介质 | |
CN115952921A (zh) | 一种光伏能源功率预测方法、装置、电子设备及存储介质 | |
CN115549213A (zh) | 分布式电源接入规模确定方法、装置、电子设备、存储介质以及程序产品 | |
CN117878905A (zh) | 基于白噪声信号的电网负荷预测方法、装置、设备及介质 | |
CN115860249A (zh) | 一种分布式光伏发电功率预测方法、装置、设备和介质 |
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 |