CN114841457B - 电力负荷估计方法及系统、电子设备及存储介质 - Google Patents
电力负荷估计方法及系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114841457B CN114841457B CN202210551508.5A CN202210551508A CN114841457B CN 114841457 B CN114841457 B CN 114841457B CN 202210551508 A CN202210551508 A CN 202210551508A CN 114841457 B CN114841457 B CN 114841457B
- Authority
- CN
- China
- Prior art keywords
- power load
- load data
- moment
- current moment
- current
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000000875 corresponding effect Effects 0.000 claims description 78
- 230000006870 function Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002596 correlated effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 101100269850 Caenorhabditis elegans mask-1 gene Proteins 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013519 translation 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
Abstract
本发明公开了一种电力负荷估计方法及系统、电子设备及存储介质。其中,电力负荷估计方法包括:获取当前时刻的电力负荷数据;从数据库中查找与当前时刻对应的特征值,并根据当前时刻对应的特征值对所述电力负荷数据进行标准化处理,得到所述当前时刻的标准分;根据基于所述当前时刻的标准分构建的预测模型预测下一时刻的标准分;根据下一时刻对应的特征值以及标准分预测第一电力负荷数据,根据当前时刻的电力负荷数据以及历史电力负荷数据预测第二电力负荷数据,结合预测的第一电力负荷数据和第二电力负荷数据共同估计下一时刻的电力负荷数据,由于该估计过程结合了历史电力负荷数据及其分布情况,因此,电力负荷数据的估计结果更加准确。
Description
技术领域
本发明涉及电力负荷预测领域,特别涉及一种电力负荷估计方法及系统、电子设备及存储介质。
背景技术
负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因素,在满足一定精度要求的条件下,确定未来某特定时刻的负荷数据。其中,负荷是指电力需求量(功率)或用电量。负荷预测是电力系统经济调度中的一项重要内容,是能量管理系统的一个重要模块。由于负荷预测是根据电力负荷的过去和现在推测它的未来数值,所以,负荷预测工作所研究的对象是不肯定事件。只有不肯定事件、随机事件,才需要人们采用适当的预测技术,推知负荷的发展趋势和可能达到的状况。
对于大多数情况下的实际负荷预测,通常使用周期性时间朴素预测法,即用上一个时间周期中对应位置的观测值作为预测值。例如将最近一周的负荷平移到下一周,作为下一周的一个负荷预测的依据。这种方法对于负荷较为规律的场景有一定适用性,但是在一些负荷规律较低,或者负荷波动较大的场景里使用平移的方案势必会造成不小的误差。
发明内容
本发明要解决的技术问题是为了克服现有技术中周期性时间朴素预测法不适用于负荷规律较低或者负荷波动较大的场景的缺陷,提供一种电力负荷估计方法及系统、电子设备及存储介质。
本发明是通过下述技术方案来解决上述技术问题:
本发明的第一方面提供电力负荷估计方法,包括以下步骤:
获取当前时刻的电力负荷数据;
从数据库中查找与所述当前时刻对应的特征值,并根据所述当前时刻对应的特征值对所述电力负荷数据进行标准化处理,得到所述当前时刻的标准分;其中,所述数据库中存储有不同时刻的特征值,所述特征值根据预设周期内历史电力负荷数据的分布特征提取得到;
根据基于所述当前时刻的标准分构建的预测模型预测下一时刻的标准分;
从所述数据库中查找与所述下一时刻对应的特征值,并根据所述下一时刻对应的特征值以及所述下一时刻的标准分预测所述下一时刻的第一电力负荷数据;
根据所述当前时刻的电力负荷数据以及所述当前时刻之前的历史电力负荷数据预测所述下一时刻的第二电力负荷数据;
根据所述第一电力负荷数据和所述第二电力负荷数据估计所述下一时刻的电力负荷数据;
其中,所述预测模型的参数根据对损失函数进行拟合得到,所述损失函数根据估计得到的样本电力负荷数据以及对应的真实电力负荷数据建立。
可选地,所述根据所述当前时刻的电力负荷数据以及所述当前时刻之前的历史电力负荷数据预测所述下一时刻的第二电力负荷数据的步骤具体包括:
对所述当前时刻的电力负荷数据以及所述当前时刻之前的历史电力负荷数据进行加权求和,得到所述下一时刻的第二电力负荷数据;
其中,所述当前时刻的电力负荷数据对应的权重以及所述当前时刻之前的历史电力负荷数据对应的权重根据对所述损失函数进行拟合得到。
可选地,所述预测模型基于所述当前时刻的标准分以及所述当前时刻的标准分的至少一阶导数构建。
可选地,所述损失函数floss根据估计得到的样本电力负荷数据以及对应的真实电力负荷数据建立,具体包括:
其中,MASE_1为估计得到的样本电力负荷数据与对应的真实电力负荷数据的平均绝对误差,MASE_2为前一周期的历史电力负荷数据与当前周期在相同时刻的真实电力负荷数据的平均绝对误差。
可选地,所述预设周期内的历史电力负荷数据满足高斯分布,所述特征值包括均值和标准差。
可选地,所述根据所述第一电力负荷数据和所述第二电力负荷数据估计所述下一时刻的电力负荷数据的步骤具体包括:
对所述第一电力负荷数据和所述第二电力负荷数据进行加权求和,得到所述下一时刻的电力负荷数据;
其中,所述第一电力负荷数据对应的第一权重和所述第二电力负荷数据对应的第二权重根据对所述损失函数进行拟合得到。
可选地,所述第一权重与所述当前时刻对应的标准差呈负相关,所述第二权重与所述当前时刻对应的标准差呈正相关。
本发明的第二方面提供一种电力负荷估计系统,包括:
负荷获取模块,用于获取当前时刻的电力负荷数据;
标准分计算模块,用于从数据库中查找与所述当前时刻对应的特征值,并根据所述当前时刻对应的特征值对所述电力负荷数据进行标准化处理,得到所述当前时刻的标准分;其中,所述数据库中存储有不同时刻的特征值,所述特征值根据预设周期内历史电力负荷数据的分布特征提取得到;
标准分预测模块,用于根据基于所述当前时刻的标准分构建的预测模型预测下一时刻的标准分;
第一预测模块,用于从所述数据库中查找与所述下一时刻对应的特征值,并根据所述下一时刻对应的特征值以及所述下一时刻的标准分预测所述下一时刻的第一电力负荷数据;
第二预测模块,用于根据所述当前时刻的电力负荷数据以及所述当前时刻之前的历史电力负荷数据预测所述下一时刻的第二电力负荷数据;
负荷估计模块,用于根据所述第一电力负荷数据和所述第二电力负荷数据估计所述下一时刻的电力负荷数据;
其中,所述预测模型的参数根据对损失函数进行拟合得到,所述损失函数根据估计得到的样本电力负荷数据以及对应的真实电力负荷数据建立。
可选地,所述第二预测模块具体用于对所述当前时刻的电力负荷数据以及所述当前时刻之前的历史电力负荷数据进行加权求和,得到所述下一时刻的第二电力负荷数据;其中,所述当前时刻的电力负荷数据对应的权重以及所述当前时刻之前的历史电力负荷数据对应的权重根据对所述损失函数进行拟合得到。
可选地,所述预测模型基于所述当前时刻的标准分以及所述当前时刻的标准分的至少一阶导数构建。
可选地,所述损失函数floss根据估计得到的样本电力负荷数据以及对应的真实电力负荷数据建立,具体包括:
其中,MASE_1为估计得到的样本电力负荷数据与对应的真实电力负荷数据的平均绝对误差,MASE_2为前一周期的历史电力负荷数据与当前周期在相同时刻的真实电力负荷数据的平均绝对误差。
可选地,所述预设周期内的历史电力负荷数据满足高斯分布,所述特征值包括均值和标准差。
可选地,所述负荷估计模块具体用于对所述第一电力负荷数据和所述第二电力负荷数据进行加权求和,得到所述下一时刻的电力负荷数据;其中,所述第一电力负荷数据对应的第一权重和所述第二电力负荷数据对应的第二权重根据对所述损失函数进行拟合得到。
可选地,所述第一权重与所述当前时刻对应的标准差呈负相关,所述第二权重与所述当前时刻对应的标准差呈正相关。
本发明的第三方面提供一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的电力负荷估计方法。
本发明的第四方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的电力负荷估计方法。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:通过提取预设周期内历史电力负荷数据的分布特征得到不同时刻的特征值,利用当前时刻的电力负荷数据、数据库中存储的不同时刻的特征值以及预测模型实现下一时刻第一电力负荷数据的预测,以及根据当前时刻的电力负荷数据和当前时刻之前的历史电力负荷数据实现下一时刻第二电力负荷数据的预测,结合预测的第一电力负荷数据和第二电力负荷数据共同估计下一时刻的电力负荷数据,由于该估计过程结合了历史电力负荷数据及其分布情况,因此,电力负荷数据的估计结果更加准确,尤其是在电力负荷规律较低甚至无规律或者电力负荷波动较大的场景,相较于现有预测方法的估计结果更加准确。
附图说明
图1为本发明实施例1提供的一种电力负荷估计方法的流程图。
图2为本发明实施例1提供的一种真实的电力负荷、预测的第一电力负荷以及估计的电力负荷的对比示意图。
图3为本发明实施例1提供的一种电力负荷估计系统的结构框图。
图4为本发明实施例2提供的一种电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
图1为本实施例提供的一种电力负荷估计方法的流程示意图,该电力负荷估计方法可以由电力负荷估计系统执行,该电力负荷估计系统可以通过软件和/或硬件的方式实现,该电力负荷估计系统可以为电子设备的部分或全部。其中,本实施例中的电子设备可以为个人计算机(Personal Computer,PC),例如台式机、一体机、笔记本电脑、平板电脑等,还可以为手机、可穿戴设备、掌上电脑(Personal Digital Assistant,PDA)等终端设备。下面以电子设备为执行主体介绍本实施例提供的电力负荷估计方法。
如图1所示,本实施例提供的电力负荷估计方法可以包括以下步骤S1~S6:
步骤S1、获取当前时刻的电力负荷数据。其中,所述电力负荷数据也可以称为电力负荷,当前时刻的电力负荷数据是指当前时刻所承担的各类用电设备消费电功率的总和,标准单位为KW。
步骤S2、从数据库中查找与当前时刻对应的特征值,并根据所述当前时刻对应的特征值对所述电力负荷数据进行标准化处理,得到所述当前时刻的标准分。
其中,所述数据库中存储有不同时刻的特征值,所述特征值根据预设周期内历史电力负荷数据的分布特征提取得到。
在具体实施中,所述数据库中以键值对存储时刻信息与特征值,其中,以时刻信息为key,以特征值为value。在一些例子中,上述数据库也可以称为概率分布字典。
其中,所述预设周期可以根据实际情况进行设置,例如可以设置为15分钟。可以将一周的历史电力负荷数据按照15分钟为间隔分为7*24*4=672组数据,对应地,在数据库中存储672个时刻信息与特征值。每个时刻的特征值根据对应15分钟内历史电力负荷数据的分布特征提取得到。
需要说明的是,可以根据实际情况对上述历史电力负荷数据进行更新,在历史电力负荷数据更新后,上述数据库也需要适应地进行更新。
在可选的一种实施方式中,所述预设周期内的历史电力负荷数据满足高斯分布,所述特征值包括均值和标准差。在一个具体的例子中,统计每隔15分钟内历史电力负荷数据的均值和标准差,形成如下结构的数据库:
其中,上述“mu”代表均值,上述“sigma”代表标准差。
在具体实施的其它例子中,所述特征值可以包括偏度和峰度。
步骤S3、根据基于所述当前时刻的标准分构建的预测模型预测下一时刻的标准分。
步骤S4、从所述数据库中查找与所述下一时刻对应的特征值,并根据所述下一时刻对应的特征值以及所述下一时刻的标准分预测所述下一时刻的第一电力负荷数据。
步骤S5、根据所述当前时刻的电力负荷数据以及所述当前时刻之前的历史电力负荷数据预测下一时刻的第二电力负荷数据。
步骤S6、根据所述第一电力负荷数据和所述第二电力负荷数据估计所述下一时刻的电力负荷数据。
其中,所述预测模型的参数根据对损失函数进行拟合得到,所述损失函数根据估计得到的样本电力负荷数据以及对应的真实电力负荷数据建立。
在可选的一种实施方式中,所述预测模型基于所述当前时刻的标准分以及所述当前时刻的标准分的至少一阶导数构建。在一个具体的例子中,基于所述当前时刻的标准分及其一阶导数构建所述预测模型。在另一个具体的例子中,基于所述当前时刻的标准分及其一阶导数、二阶导数构建所述预测模型。需要说明的是,利用当前时刻的标准分的更多阶导数构建预测模型,预测的第一电力负荷数据就更加准确。
在可选的一种实施方式中,所述损失函数floss根据估计得到的样本电力负荷数据以及对应的真实电力负荷数据建立,具体包括:
其中,MASE_1为估计得到的样本电力负荷数据与对应的真实电力负荷数据的平均绝对误差,MASE_2根据周期性朴素预测法得到,具体为前一周期的历史电力负荷数据与当前周期在相同时刻的真实电力负荷数据的平均绝对误差。
在具体实施中,可以通过网格搜索或者启发式算法等选取不同的参数值使得损失函数floss的值最小,从而拟合得到最优预测模型的最优参数。
在步骤S5可选的一种实施方式中,对所述当前时刻的电力负荷数据以及所述当前时刻之前的历史电力负荷数据进行加权求和,得到所述下一时刻的第二电力负荷数据。其中,所述当前时刻的电力负荷数据对应的权重以及所述当前时刻之前的历史电力负荷数据对应的权重根据对所述损失函数进行拟合得到。
在具体实施中,所述当前时刻的电力负荷数据对应的权重以及所述当前时刻之前的历史电力负荷数据对应的权重可以均为小于1的正数,且所有权重之和可以等于1。
在步骤S6可选的一种实施方式中,对所述第一电力负荷数据和所述第二电力负荷数据进行加权求和,得到所述下一时刻的电力负荷数据。其中,所述第一电力负荷数据对应的第一权重和所述第二电力负荷数据对应的第二权重根据对所述损失函数进行拟合得到。
在具体实施中,所述第一权重和所述第二权重可以均为小于1的正数,且二者之和可以等于1。
为了进一步提高最终估计的电力负荷数据的准确性,可以对上述第一权重和第二权重进行自适应调整。在可选的一种实施方式中,所述第一权重与所述当前时刻对应的标准差呈负相关,所述第二权重与所述当前时刻对应的标准差呈正相关。本实施方式中,若所述当前时刻对应的标准差越小,则表示电力负荷数据越集中,此时第一权重越大,最后估计的电力负荷数据越相信于第一电力负荷数据;若所述当前时刻对应的标准差越大,则表示电力负荷数据越分散,此时第二权重越大,最后估计的电力负荷数据越相信于第二电力负荷数据。
下面结合一个具体的例子介绍本实施例提供的电力负荷估计方法。
获取k时刻的电力负荷Pk,从数据库中查找k时刻对应的均值μk和标准差σk,根据以下公式对k时刻的电力负荷Pk进行标准化处理,得到k时刻的标准分Sk:
其中,k时刻的标准分Sk的一阶导数为:S′k=Sk-Sk-1,k时刻的标准分Sk的二阶导数为:S″k=S′k-S′k-1,在具体实施中,根据k-1时刻的标准分Sk-1和k-2时刻的标准分Sk-2计算S′k-1:S′k-1=Sk-1-Sk-2,而k-1时刻的标准分Sk-1可以根据k-1时刻的电力负荷Pk-1以及从数据库中查找的k-1时刻的均值μk-1和标准差σk-1得到,k-2时刻的标准分Sk-2可以根据k-2时刻的电力负荷Pk-2以及从数据库中查找的k-2时刻的均值μk-2和标准差σk-2得到,具体计算公式如下:
其中,可以根据k时刻的标准差σk确定Kk,若k时刻的标准差σk越小,则表示电力负荷数据越集中,此时第一权重1-Kk越大,越相信于预测的第一电力负荷若k时刻的标准差σk越大,则表示电力负荷数据越分散,此时第二权重Kk越大,越相信于预测的第二电力负荷具体可以利用以下公式计算Kk:
其中,上述参数α、β、γ、ω1、ω2...ωn、λ可以根据对损失函数floss进行拟合得到,具体地,
其中,MASE_1为估计得到的样本电力负荷数据Fk与对应的真实电力负荷数据Yk的平均绝对误差,MASE_2为前一周期的历史电力负荷数据与当前周期在相同时刻的真实电力负荷数据的平均绝对误差,M是所有历史电力负荷数据的数量,S是周期性统计个数,h是预测的时间长度。
将利用本例子提供的电力负荷估计方法估计的电力负荷分别与利用预测模型预测的第一电力负荷、真实的电力负荷进行对比,10月1日这一天的对比效果可以参照图2,可以看出,利用本实施例提供的电力负荷估计方法估计的电力负荷与真实的电力负荷之间的误差较小,且小于第一电力负荷与真实的电力负荷之间的误差。与使用周期性时间朴素预测法即直接将前一周期的历史电力负荷数据平移至当前周期相比,本例子中根据损失函数计算得到的损失值为0.62110,远小于使用周期性时间朴素预测法得到的损失值1,因此,本例子提供的电力负荷估计方法的估计结果更加准确。
本实施例提供的电力负荷估计方法中,通过提取预设周期内历史电力负荷数据的分布特征得到不同时刻的特征值,利用当前时刻的电力负荷数据、数据库中存储的不同时刻的特征值以及预测模型实现下一时刻第一电力负荷数据的预测,以及根据当前时刻的电力负荷数据和当前时刻之前的历史电力负荷数据实现下一时刻第二电力负荷数据的预测,结合预测的第一电力负荷数据和第二电力负荷数据共同估计下一时刻的电力负荷数据,由于该估计过程结合了历史电力负荷数据及其分布情况,因此,电力负荷数据的估计结果更加准确,尤其是在电力负荷规律较低甚至无规律或者电力负荷波动较大的场景,相较于现有预测方法的估计结果更加准确。
本实施例还提供一种电力负荷估计系统30,如图3所示,包括负荷获取模块31、标准分计算模块32、标准分预测模块33、第一预测模块34、第二预测模块35以及负荷估计模块36。
负荷获取模块31用于获取当前时刻的电力负荷数据。标准分计算模块32用于从数据库中查找与所述当前时刻对应的特征值,并根据所述当前时刻对应的特征值对所述电力负荷数据进行标准化处理,得到所述当前时刻的标准分。其中,所述数据库中存储有不同时刻的特征值,所述特征值根据预设周期内历史电力负荷数据的分布特征提取得到。标准分预测模块33用于根据基于所述当前时刻的标准分构建的预测模型预测下一时刻的标准分。负荷预测模块34用于从所述数据库中查找与所述下一时刻对应的特征值,并根据所述下一时刻对应的特征值以及所述下一时刻的标准分预测所述下一时刻的第一电力负荷数据。第二预测模块35用于根据所述当前时刻的电力负荷数据以及所述当前时刻之前的历史电力负荷数据预测所述下一时刻的第二电力负荷数据。负荷估计模块36用于根据所述第一电力负荷数据和所述第二电力负荷数据估计所述下一时刻的电力负荷数据。其中,所述预测模型的参数根据对损失函数进行拟合得到,所述损失函数根据估计得到的样本电力负荷数据以及对应的真实电力负荷数据建立。
在可选的一种实施方式中,所述第二预测模块具体用于对所述当前时刻的电力负荷数据以及所述当前时刻之前的历史电力负荷数据进行加权求和,得到所述下一时刻的第二电力负荷数据;其中,所述当前时刻的电力负荷数据对应的权重以及所述当前时刻之前的历史电力负荷数据对应的权重根据对所述损失函数进行拟合得到。
在可选的一种实施方式中,所述预测模型基于所述当前时刻的标准分以及所述当前时刻的标准分的至少一阶导数构建。
在可选的一种实施方式中,所述损失函数floss根据估计得到的样本电力负荷数据以及对应的真实电力负荷数据建立,具体包括:
其中,MASE_1为估计得到的样本电力负荷数据与对应的真实电力负荷数据的平均绝对误差,MASE_2为前一周期的历史电力负荷数据与当前周期在相同时刻的真实电力负荷数据的平均绝对误差。
在可选的一种实施方式中,所述预设周期内的历史电力负荷数据满足高斯分布,所述特征值包括均值和标准差。
在可选的一种实施方式中,所述负荷估计模块具体用于对所述第一电力负荷数据和所述第二电力负荷数据进行加权求和,得到所述下一时刻的电力负荷数据;其中,所述第一电力负荷数据对应的第一权重和所述第二电力负荷数据对应的第二权重根据对所述损失函数进行拟合得到。
在可选的一种实施方式中,所述第一权重与所述当前时刻对应的标准差呈负相关,所述第二权重与所述当前时刻对应的标准差呈正相关。
需要说明的是,本实施例中电力负荷估计系统具体可以是单独的芯片、芯片模组或电子设备,也可以是集成于电子设备内的芯片或者芯片模组。
关于本实施例中描述的电力负荷估计系统包含的各个模块/单元,其可以是软件模块/单元,也可以是硬件模块/单元,或者也可以部分是软件模块/单元,部分是硬件模块/单元。
实施例2
图4为本实施例提供的一种电子设备的结构示意图。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运行的计算机程序,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实施例1的电力负荷估计方法。本实施例提供的电子设备可以为个人计算机,例如台式机、一体机、笔记本电脑、平板电脑等,还可以为手机、可穿戴设备、掌上电脑等终端设备。图4显示的电子设备3仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
电子设备3的组件可以包括但不限于:上述至少一个处理器4、上述至少一个存储器5、连接不同系统组件(包括存储器5和处理器4)的总线6。
总线6包括数据总线、地址总线和控制总线。
存储器5可以包括易失性存储器,例如随机存取存储器(RAM)51和/或高速缓存存储器52,还可以进一步包括只读存储器(ROM)53。
存储器5还可以包括具有一组(至少一个)程序模块54的程序/实用工具55,这样的程序模块54包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器4通过运行存储在存储器5中的计算机程序,从而执行各种功能应用以及数据处理,例如上述电力负荷估计方法。
电子设备3也可以与一个或多个外部设备7(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口8进行。并且,电子设备3还可以通过网络适配器9与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图4所示,网络适配器9通过总线6与电子设备3的其它模块通信。应当明白,尽管图4中未示出,可以结合电子设备3使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例3
本实施例提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现实施例1的电力负荷估计方法。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在电子设备上运行时,所述程序代码用于使所述电子设备执行实现实施例1的电力负荷估计方法。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在电子设备上执行、部分地在电子设备上执行、作为一个独立的软件包执行、部分在电子设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (9)
1.一种电力负荷估计方法,其特征在于,包括以下步骤:
获取当前时刻的电力负荷数据;
从数据库中查找与所述当前时刻对应的特征值,并根据所述当前时刻对应的特征值对所述电力负荷数据进行标准化处理,得到所述当前时刻的标准分;其中,所述数据库中存储有不同时刻的特征值,所述特征值根据预设周期内历史电力负荷数据的分布特征提取得到;
根据基于所述当前时刻的标准分以及所述当前时刻的标准分的至少一阶导数构建的预测模型预测下一时刻的标准分;
从所述数据库中查找与所述下一时刻对应的特征值,并根据所述下一时刻对应的特征值以及所述下一时刻的标准分预测所述下一时刻的第一电力负荷数据;
根据所述当前时刻的电力负荷数据以及所述当前时刻之前的历史电力负荷数据预测所述下一时刻的第二电力负荷数据;
根据所述第一电力负荷数据和所述第二电力负荷数据估计所述下一时刻的电力负荷数据;
其中,所述预测模型的参数根据对损失函数进行拟合得到,所述损失函数根据估计得到的样本电力负荷数据以及对应的真实电力负荷数据建立。
2.如权利要求1所述的电力负荷估计方法,其特征在于,所述根据所述当前时刻的电力负荷数据以及所述当前时刻之前的历史电力负荷数据预测所述下一时刻的第二电力负荷数据的步骤具体包括:
对所述当前时刻的电力负荷数据以及所述当前时刻之前的历史电力负荷数据进行加权求和,得到所述下一时刻的第二电力负荷数据;
其中,所述当前时刻的电力负荷数据对应的权重以及所述当前时刻之前的历史电力负荷数据对应的权重根据对所述损失函数进行拟合得到。
4.如权利要求1-3中任一项所述的电力负荷估计方法,其特征在于,所述预设周期内的历史电力负荷数据满足高斯分布,所述特征值包括均值和标准差。
5.如权利要求4所述的电力负荷估计方法,其特征在于,所述根据所述第一电力负荷数据和所述第二电力负荷数据估计所述下一时刻的电力负荷数据的步骤具体包括:
对所述第一电力负荷数据和所述第二电力负荷数据进行加权求和,得到所述下一时刻的电力负荷数据;
其中,所述第一电力负荷数据对应的第一权重和所述第二电力负荷数据对应的第二权重根据对所述损失函数进行拟合得到。
6.如权利要求5所述的电力负荷估计方法,其特征在于,所述第一权重与所述当前时刻对应的标准差呈负相关,所述第二权重与所述当前时刻对应的标准差呈正相关。
7.一种电力负荷估计系统,其特征在于,包括:
负荷获取模块,用于获取当前时刻的电力负荷数据;
标准分计算模块,用于从数据库中查找与所述当前时刻对应的特征值,并根据所述当前时刻对应的特征值对所述电力负荷数据进行标准化处理,得到所述当前时刻的标准分;其中,所述数据库中存储有不同时刻的特征值,所述特征值根据预设周期内历史电力负荷数据的分布特征提取得到;
标准分预测模块,用于根据基于所述当前时刻的标准分以及所述当前时刻的标准分的至少一阶导数构建的预测模型预测下一时刻的标准分;
第一预测模块,用于从所述数据库中查找与所述下一时刻对应的特征值,并根据所述下一时刻对应的特征值以及所述下一时刻的标准分预测所述下一时刻的第一电力负荷数据;
第二预测模块,用于根据所述当前时刻的电力负荷数据以及所述当前时刻之前的历史电力负荷数据预测所述下一时刻的第二电力负荷数据;
负荷估计模块,用于根据所述第一电力负荷数据和所述第二电力负荷数据估计所述下一时刻的电力负荷数据;
其中,所述预测模型的参数根据对损失函数进行拟合得到,所述损失函数根据估计得到的样本电力负荷数据以及对应的真实电力负荷数据建立。
8.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的电力负荷估计方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的电力负荷估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210551508.5A CN114841457B (zh) | 2022-05-18 | 2022-05-18 | 电力负荷估计方法及系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210551508.5A CN114841457B (zh) | 2022-05-18 | 2022-05-18 | 电力负荷估计方法及系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114841457A CN114841457A (zh) | 2022-08-02 |
CN114841457B true CN114841457B (zh) | 2022-12-30 |
Family
ID=82569916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210551508.5A Active CN114841457B (zh) | 2022-05-18 | 2022-05-18 | 电力负荷估计方法及系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841457B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139605A (zh) * | 2021-04-27 | 2021-07-20 | 武汉理工大学 | 基于主成分分析和lstm神经网络的电力负荷预测方法 |
CN113505534A (zh) * | 2021-07-07 | 2021-10-15 | 南京工程学院 | 一种考虑需求响应的负荷预测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636035A (zh) * | 2018-12-12 | 2019-04-16 | 北京天诚同创电气有限公司 | 负荷预测模型创建方法及装置、电力负荷预测方法及装置 |
CN109948845A (zh) * | 2019-03-15 | 2019-06-28 | 国网江苏省电力有限公司经济技术研究院 | 一种配电网负荷长短期记忆神经网络预测方法 |
CN110222871A (zh) * | 2019-05-09 | 2019-09-10 | 新奥数能科技有限公司 | 用于电力负荷预测的相似日的选择方法及装置 |
CN111369045A (zh) * | 2020-02-28 | 2020-07-03 | 南京邮电大学 | 一种短期光伏发电功率预测的方法 |
TWI755941B (zh) * | 2020-11-20 | 2022-02-21 | 英業達股份有限公司 | 階層式時間序列預測方法 |
CN112508299A (zh) * | 2020-12-18 | 2021-03-16 | 南方电网科学研究院有限责任公司 | 一种电力负荷预测方法、装置、终端设备及存储介质 |
CN112598181A (zh) * | 2020-12-23 | 2021-04-02 | 国网河北省电力有限公司经济技术研究院 | 负荷预测方法、装置、设备和存储介质 |
CN112884601B (zh) * | 2021-01-21 | 2023-12-12 | 浙江大学 | 一种基于天气区划策略的电力系统运行风险评估方法 |
-
2022
- 2022-05-18 CN CN202210551508.5A patent/CN114841457B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139605A (zh) * | 2021-04-27 | 2021-07-20 | 武汉理工大学 | 基于主成分分析和lstm神经网络的电力负荷预测方法 |
CN113505534A (zh) * | 2021-07-07 | 2021-10-15 | 南京工程学院 | 一种考虑需求响应的负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114841457A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Multivariate binomial/multinomial control chart | |
CN110619389A (zh) | 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统 | |
CN112508118B (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
CN114285728B (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
Chakraborty et al. | A generally weighted moving average chart for time between events | |
CN111898247B (zh) | 滑坡位移预测方法、设备及存储介质 | |
US20170091190A1 (en) | Computer system programmed to identify common subsequences in logs | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN112990583B (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
CN116992274B (zh) | 基于改进主成分回归模型的短期风速预测方法及系统 | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
CN114841457B (zh) | 电力负荷估计方法及系统、电子设备及存储介质 | |
CN115935723B (zh) | 用于实现氮化镓制备场景下的设备组合分析方法及系统 | |
CN112434872A (zh) | 酒店产量预测方法、系统、设备及存储介质 | |
CN115952878A (zh) | 用电负荷预测方法、装置、电子设备和存储介质 | |
CN117234844A (zh) | 云服务器异常管理方法、装置、计算机设备及存储介质 | |
CN114841458B (zh) | 电力负荷预测方法及系统、电子设备及存储介质 | |
CN115270013B (zh) | 评估活动期间减排措施的方法、装置及电子设备 | |
CN113449062B (zh) | 轨迹处理方法、装置、电子设备和存储介质 | |
Sloothaak et al. | Robustness of power-law behavior in cascading line failure models | |
CN113094602B (zh) | 酒店推荐方法、系统、设备及介质 | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN114943384A (zh) | 一种变电站负荷预测方法、装置、设备及存储介质 | |
CN115858324B (zh) | 基于ai的it设备故障处理方法、装置、设备和介质 | |
Liu et al. | Reliability evaluation of composite power systems considering wind farms based on cross entropy and dynamic orthogonal list |
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 |