CN114925931A - 台区负荷预测方法及系统 - Google Patents

台区负荷预测方法及系统 Download PDF

Info

Publication number
CN114925931A
CN114925931A CN202210654086.4A CN202210654086A CN114925931A CN 114925931 A CN114925931 A CN 114925931A CN 202210654086 A CN202210654086 A CN 202210654086A CN 114925931 A CN114925931 A CN 114925931A
Authority
CN
China
Prior art keywords
data
data set
load
training
feature
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
Application number
CN202210654086.4A
Other languages
English (en)
Inventor
张晓�
孙杰
周兴华
仇向东
蔡正勇
宁杰
张慧敏
李磐旎
刘夏丽
李盖
冯超
张文科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING JOIN BRIGHT DIGITAL POWER TECHNOLOGY CO LTD
Original Assignee
BEIJING JOIN BRIGHT DIGITAL POWER TECHNOLOGY CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BEIJING JOIN BRIGHT DIGITAL POWER TECHNOLOGY CO LTD filed Critical BEIJING JOIN BRIGHT DIGITAL POWER TECHNOLOGY CO LTD
Priority to CN202210654086.4A priority Critical patent/CN114925931A/zh
Publication of CN114925931A publication Critical patent/CN114925931A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及配电自动化技术领域，提出了台区负荷预测方法及系统，包括获取历史数据；采用Prophet模型对所述历史数据进行特征分析提取，得到训练集特征数据集A和测试集特征数据集B；利用自动编码器无监督学习算法，对训练集特征数据集A进行自动化特征提取以及非线性降维处理，得到特征数据集Z；利用自动编码器无监督学习算法，对训练集特征数据集B进行自动化特征提取以及非线性降维处理，得到特征数据集Z’；根据特征数据集Z和特征数据集Z’，训练LightGBM模型；所述LightGBM模型用于台区负荷预测。通过上述技术方案，解决了现有技术中台区负荷预测准确性差的问题。

Description

台区负荷预测方法及系统
技术领域
本发明涉及配电自动化技术领域，具体的，涉及台区负荷预测方法及系统。
背景技术
精确的负荷预测有助于各级单位调整调度计划和工作安排，是电力系统安全运行的基础。目前，大多数预测工作都是集中在配电网系统负荷的预测中，涉及台区负荷预测的研究却很少。台区用电环境复杂、存在更多的不良数据、且随机性很强，这会给台区负荷预测带来一定的困难。然而由于台区负荷数据受气温、湿度、天气、日期类型、季节等多种复杂因素的影响，在进行台区负荷预测时，需要考虑所有的影响因素，但人工选择影响因素存在一定的盲目性以及局限性，也无法找到影响因素的深层特征。此外，一些非常规因素也在一定程度上影响台区负荷预测的准确性，但大多数研究并未涉及到非常规因素对台区负荷预测的影响。
最后，台区负荷预测与影响因素之间的关系更多的是一种非线性关系，PCA等传统降维以及特征提取方法并不能学习非线性特征，且对于其深层次特征，大多数负荷预测研究工作也并未涉及。
发明内容
本发明提出台区负荷预测方法及系统，解决了相关技术中台区负荷预测准确性差的问题。
本发明的技术方案如下：
第一方面，台区负荷预测方法，包括：
获取历史数据，所述历史数据包括多条历史记录，每条历史记录包括一一对应的台区负荷、日期、时刻和影响因素；所述影响因素包括温度和湿度；
采用Prophet模型对所述历史数据进行特征分析提取，得到训练集特征数据集A和测试集特征数据集B；
利用自动编码器无监督学习算法，对训练集特征数据集A进行自动化特征提取以及非线性降维处理，得到特征数据集Z；利用自动编码器无监督学习算法，对训练集特征数据集B 进行自动化特征提取以及非线性降维处理，得到特征数据集Z’；
根据特征数据集Z和特征数据集Z’，训练LightGBM模型；所述LightGBM模型用于台区负荷预测。
第二方面，台区负荷预测系统，包括：
第一获得单元，用于获取历史数据，所述历史数据包括多条历史记录，每条历史记录包括一一对应的台区负荷、日期、时刻和影响因素；所述影响因素包括温度和湿度；
第一特征提取单元，用于采用Prophet模型对所述历史数据进行特征分析提取，得到训练集特征数据集A和测试集特征数据集B；
第二特征提取单元，利用自动编码器无监督学习算法，对训练集特征数据集A进行自动化特征提取以及非线性降维处理，得到特征数据集Z；利用自动编码器无监督学习算法，对训练集特征数据集B进行自动化特征提取以及非线性降维处理，得到特征数据集Z’；
第一处理单元，用于根据特征数据集Z和特征数据集Z’，训练LightGBM模型；所述LightGBM模型用于台区负荷预测。
第三方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现所述的台区负荷预测方法的步骤。
本发明的工作原理及有益效果为：
本发明提出的一种基于Prophet-AE-LightGBM的台区负荷预测方法，基于各种影响因素与台区负荷的复杂非线性关系，该方法提取了各种影响因素与台区负荷的非线性深层特征，提高了台区负荷预测的准确性，为制定相关调度计划与用电计划提供数据支持。准确的台区负荷预测能够提前估计该台区供电区域内负荷的变化情况，为设备的增容提供有效的参考。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明方法流程图；
图2为本发明中自动编码器结构示意图；
具体实施方式
下面将结合本发明实施例，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作出创造性劳动前提下所获得的所有其他实施例，都涉及本发明保护的范围。
1.数据获取
获取近1年来某地区某台区历史负荷的日24点时刻数据，然后进行统计分析，初步滤除不良数据，不良数据是指量测有问题或者日24点为空值的数据。同时获取温度24点时刻数据，湿度24点时刻数据。
2.数据预处理
(1)异常值采取下列方法，即利用某一时刻的数据值与本数据的“基值”进行比较。台区负荷数据的“基值”为台区的最大容量，温度以及湿度的“基值”为近7天的平均值。如果偏差超过阈值就采用水平处理法进行处理。判别公式如下：
Figure BDA0003688575800000031
y(t,d)为第d类数据在t时刻的数据，y基为该类数据的“基值”。如果超过阈值的20％，即利用平均值法进行处理。平均值法公式如下：
Figure BDA0003688575800000032
(2)缺失值的处理同样利用平均法进行补充。
3.Prophet特征分析提取
以上我们分析了常规因素对台区负荷预测的影响，但在实际应用中，一些非常规影响因素会对台区负荷预测造成不小的影响，如居民台区、商业台区负荷可能受到社会事件的影响；工业台区负荷也会受到工业模式、生产计划的影响。大多数负荷预测在考虑影响因素时都未涉及到这些非常规因素，但在台区负荷预测中，这些非常规因素着实会对台区负荷预测的准确性造成一定的影响，针对此项问题，本专利利用Prophet算法对非常规因素进行特征分析提取工作，来衡量这些非常规因素的影响，同时也进行了常规因素的特征分析提取工作。
某些非常规因素可能导致某地区居民台区负荷就会出现增长的现象，如大型赛会、大型会议等社会事件。相反，某些非常规因素有可能导致某地区工业负荷减产甚至停产，工业台区负荷就会出现下降的现象，如生产计划改变、工业模式改变导致的减产等等，商业台区负荷亦是如此。Prophet算法里就可以帮助我们实现这个问题。具体步骤如下：
(1)前期调研统计，确定好非常规因素以及影响持续时间
首先进行详细的调研与统计工作，根据台区负荷类型的不同、确定某个非常规因素对台区负荷类型的影响程度。获取某个非常规因素在历史日期内本地区开始与结束的时间。结合实际情况具体分析，确定好非常规因素以及影响持续时间。为了方便，本专利将非常规因素视为特殊事件。
(2)数据集划分
然后将获取到的近1年来某个配变台区历史负荷的日24点时刻数据与温度湿度数据按8：2的比例分为训练数据集与测试数据集；
(3)拟合训练集负荷
利用Prophet的加法模型对训练数据集的负荷进行特征提取，首先把训练数据集的负荷数据与对应的温度、湿度数据输入到Prophet中，然后在模型中加入月、周、天以及节假日效应，接着在模型中添加特殊事件，最后利用Prophet的加法模型以及拟合功能得到训练数据集的拟合负荷。Prophet的加法模型公式如下：
u拟＝u趋势+u月+u周+u天+u节假日+u回归+u特殊
u拟为Prophet拟合的负荷数据，分为7个部分：u趋势代表拟合负荷数据中的整体趋势变化项，u月代表拟合负荷数据中的月趋势变化项，u周代表拟合负荷数据中的周趋势变化项，u天代表拟合负荷数据中的天趋势变化项，u节假日为节假日对拟合负荷数据的影响，u回归为温度、湿度等附加回归量的变化对拟合负荷数据的影响，u特殊为特殊事件对拟合负荷的影响。然后将得到的以上8项数据作为训练特征数据集A。
(4)训练集特征提取
接着利用上面构建的Prophet的加法模型中进行测试数据集的特征提取，将测试数据集包含的温、湿度数据与特殊事件输入到上述的Prophet的加法模型中，利用其预测功能，对测试数据集内的负荷进行预测。测试数据集的预测结果同样包括上述的8项数据，最后将其作为测试特征数据集B。
4.自动编码器特征提取
利用自动编码器无监督学习算法，对训练集特征数据集A与测试集特征数据集B进行自动化特征提取以及非线性降维处理。自编码器本质上是一种无监督特征学习方法，具体结构由编码器和解码器组成，如图2所示。
(1)特征数据归一化
以A为例，首先将特征数据集进行归一化，公式如下：
Figure BDA0003688575800000041
其中，maxAi与minAi分别代表第i个特征数据的最大值与最小值。ati*代表第i个特征在t时刻的归一化数据。将归一化后的数据集视为A*，具体表示如下述矩阵：
Figure BDA0003688575800000051
A*的行向量代表同一时刻不同特征的归一化数据，列向量代表不同时刻同一特征的归一化数据，m为历史时刻的个数，v为特征个数。
(2)特征数据提取
将归一化的特征数据A*作为自动编码器的输入数据。自动编码器的输入数据与输出数据几乎一致，也就是说自动编码器可进行数据复现操作。首先，自动编码器利用一个f函数将输入数据映射到隐含层，此过程为编码，数学表达式为：
Z＝f(A*)
隐含层的输出Z被称为隐含的特征变量。利用其隐含的变量来重构A～，此时A～与A*拥有相同的结构，此过程为解码，数学表达式为：
Figure BDA0003688575800000052
函数f与函数g均为Sigmoid函数，表示数据通过非线性映到0～1。自动编码器的原理是将输入数据通过转换得到其隐含层的表示；然后由隐含层重构，还原出新的输入数据。当特征数据经过编码和解码处理后，若重构的输出数据与原始特征数据误差在限定范围内，即可认定编码过程是对原始特征数据的有效表达。构建自动编码器的损失函数则通常采用均方误差来定义：
Figure BDA0003688575800000053
Z就是我们最终需要的训练集的特征数据集Z，Z与A*拥有相同的行数，列数比A*要少，即特征维数小于A*。同样利用AE对测试集特征数据集B进行如上操作，得到测试集的特征数据集Z’。
5.LightGBM模型预测
(1)数据划分
将获取到的近1年来某个配变台区历史负荷的日24点时刻数据按特征数据集Z与特征数据集Z’的比例进行分割(也是8：2的比例)，分为训练负荷数据集与测试负荷数据集；然后将特征数据作为LightGBM模型输入值，将负荷数据作为LightGBM模型输出值，使得输入值与输出值一一对应。
(2)模型训练
将训练集的特征数据集Z输入到LightGBM的模型中，参数选择LightGBM默认参数，并计算训练集预测负荷与真实负荷的误差RMSE。
Figure BDA0003688575800000061
preh为h时刻的真实值，
Figure BDA0003688575800000062
为h时刻的预测值，p为预测时刻的总个数。
(3)Optuna调参
利用训练集的RMSE误差与Optuna调参算法进行调参，不断寻找最优模型参数，使得训练集的RMSE误差最小，直至找到最优的LightGBM模型。
(4)预测负荷并输出结果
利用最优的LightGBM模型进行台区日负荷预测，将测试集的特征数据集Z’输入到最优的LightGBM模型，最后输出测试集台区负荷的预测结果。
6.预测结果评价
平均绝对误差(Mean Absolute Error，MAE)，公式为
Figure BDA0003688575800000063
均方误差(Mean Square Error，MSE)，公式为
Figure BDA0003688575800000064
preh为h时刻的台区真实值，
Figure BDA0003688575800000065
为h时刻的台区预测值，p为预测时刻的总个数。通过以上方法对预测结果进行评价，并与其他方法比较，以验证该方法的预测效果。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.台区负荷预测方法，其特征在于，包括：
获取历史数据，所述历史数据包括多条历史记录，每条历史记录包括一一对应的台区负荷、日期、时刻和影响因素；所述影响因素包括温度和湿度；
采用Prophet模型对所述历史数据进行特征分析提取，得到训练集特征数据集A和测试集特征数据集B；
利用自动编码器无监督学习算法，对训练集特征数据集A进行自动化特征提取以及非线性降维处理，得到特征数据集Z；利用自动编码器无监督学习算法，对训练集特征数据集B进行自动化特征提取以及非线性降维处理，得到特征数据集Z’；
根据特征数据集Z和特征数据集Z’，训练LightGBM模型；所述LightGBM模型用于台区负荷预测。
2.根据权利要求1所述的台区负荷预测方法，其特征在于，所述影响因素还包括：非常规因素及其持续时间；所述非常规因素包括大型赛会、大型会议、工业的生产计划；所述持续时间为所述非常规因素的结束时间和开始时间的差值。
3.根据权利要求1所述的台区负荷预测方法，其特征在于，对任一历史记录，在采用Prophet模型对所述历史数据进行特征分析提取之前，还包括：
在任一影响因素取值为null时，进行缺失值处理：
Figure FDA0003688575790000011
y(t,d)为第d类数据在t时刻的数据，y(t-1,d)为第d类数据在t-1时刻的数据，y(t+1,d)为第d类数据在t+1时刻的数据，；
将任一影响因素取值与该影响因素的基值进行比较，若差值在20％以上，则校正该影响因素取值为：
Figure FDA0003688575790000012
4.根据权利要求2所述的台区负荷预测方法，其特征在于，所述采用Prophet模型对所述历史数据进行特征分析提取，得到训练集特征数据集A和测试集特征数据集B，具体包括：
将历史数据按照8：2的比例分为训练数据集与测试数据集；
把训练数据集的负荷数据与对应的温度、湿度输入到Prophet中，然后在模型中加入月、周、天以及节假日赋值，接着在模型中添加非常规因素，最后利用Prophet的加法模型以及拟合功能得到训练数据集的拟合负荷；Prophet的加法模型公式如下：
u拟＝u趋势+u月+u周+u天+u节假日+u回归+u特殊
u拟为Prophet拟合的负荷数据，分为7个部分：u趋势代表拟合负荷数据中的整体趋势项，u月代表拟合负荷数据中的月趋势项，u周代表拟合负荷数据中的周趋势项，u天代表拟合负荷数据中的天趋势项，u节假日为节假日对拟合负荷数据的影响，u回归为温度、湿度的变化对拟合负荷数据的影响，u特殊为非常规因素对拟合负荷的影响，然后将得到的以上8项数据作为训练特征数据集A；
将测试数据集包含的温度、湿度数据与非常规因素输入到所述加法模型中，利用其预测功能，对测试数据集内的负荷进行预测，测试数据集的预测结果同样包括上述的8项数据，最后将其作为测试特征数据集B。
5.根据权利要求1所述的台区负荷预测方法，其特征在于，所述利用自动编码器无监督学习算法，对训练集特征数据集A进行自动化特征提取以及非线性降维处理，得到特征数据集Z，具体包括：
将特征数据集A进行归一化，得到特征数据集A*；
将归一化的特征数据集A*作为自动编码器的输入数据，自动编码器利用一个f函数将输入数据映射到隐含层，具体为：Z＝f(A*)；所述f函数取Relu函数；
修正f函数参数，直到损失函数
Figure FDA0003688575790000021
满足设定范围；其中，隐含层的输出Z为隐含的特征变量，利用其隐含的特征变量来重构
Figure FDA0003688575790000022
具体为：
Figure FDA0003688575790000023
g取Sigmoid函数。
6.台区负荷预测系统，其特征在于，包括：
第一获得单元，用于获取历史数据，所述历史数据包括多条历史记录，每条历史记录包括一一对应的台区负荷、日期、时刻和影响因素；所述影响因素包括温度和湿度；
第一特征提取单元，用于采用Prophet模型对所述历史数据进行特征分析提取，得到训练集特征数据集A和测试集特征数据集B；
第二特征提取单元，利用自动编码器无监督学习算法，对训练集特征数据集A进行自动化特征提取以及非线性降维处理，得到特征数据集Z；利用自动编码器无监督学习算法，对训练集特征数据集B进行自动化特征提取以及非线性降维处理，得到特征数据集Z’；
第一处理单元，用于根据特征数据集Z和特征数据集Z’，训练LightGBM模型；所述LightGBM模型用于台区负荷预测。
7.根据权利要求1所述的台区负荷预测系统，其特征在于，还包括预处理单元，所述预处理单元用于：
在任一影响因素取值为null时，进行缺失值处理：
Figure FDA0003688575790000031
y(t,d)为第d类数据在t时刻的数据，y(t-1,d)为第d类数据在t-1时刻的数据，y(t+1,d)为第d类数据在t+1时刻的数据，；
将任一影响因素取值与该影响因素的基值进行比较，若差值在20％以上，则校正该影响因素取值为：
Figure FDA0003688575790000032
8.根据权利要求1所述的台区负荷预测系统，其特征在于，还包括：
第二处理单元，用于将历史数据按照8：2的比例分为训练数据集与测试数据集；
拟合单元，用于把训练数据集的负荷数据与对应的温度、湿度输入到Prophet中，然后在模型中加入月、周、天以及节假日赋值，接着在模型中添加非常规因素，最后利用Prophet的加法模型以及拟合功能得到训练数据集的拟合负荷；Prophet的加法模型公式如下：
u拟＝u趋势+u月+u周+u天+u节假日+u回归+u特殊
u拟为Prophet拟合的负荷数据，分为7个部分：u趋势代表拟合负荷数据中的整体趋势项，u月代表拟合负荷数据中的月趋势项，u周代表拟合负荷数据中的周趋势项，u天代表拟合负荷数据中的天趋势项，u节假日为节假日对拟合负荷数据的影响，u回归为温度、湿度的变化对拟合负荷数据的影响，u特殊为非常规因素对拟合负荷的影响，然后将得到的以上8项数据作为训练特征数据集A；
预测单元，用于将测试数据集包含的温度、湿度数据与非常规因素输入到所述加法模型中，利用其预测功能，对测试数据集内的负荷进行预测，测试数据集的预测结果同样包括上述的8项数据，最后将其作为测试特征数据集B。
9.一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中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的台区负荷预测方法的步骤。
CN202210654086.4A 2022-06-10 2022-06-10 台区负荷预测方法及系统 Pending CN114925931A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210654086.4A CN114925931A (zh) 2022-06-10 2022-06-10 台区负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210654086.4A CN114925931A (zh) 2022-06-10 2022-06-10 台区负荷预测方法及系统

Publications (1)

Publication Number Publication Date
CN114925931A true CN114925931A (zh) 2022-08-19

Family

ID=82813809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210654086.4A Pending CN114925931A (zh) 2022-06-10 2022-06-10 台区负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN114925931A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702978A (zh) * 2023-06-07 2023-09-05 西安理工大学 考虑突发事件特征的电动汽车充电负荷预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144643A (zh) * 2019-12-24 2020-05-12 天津相和电气科技有限公司 基于双端自动编码的日前电力负荷预测方法及装置
CN112215426A (zh) * 2020-10-16 2021-01-12 国网山东省电力公司信息通信公司 一种短期用电负荷预测方法
CN113962745A (zh) * 2021-10-30 2022-01-21 重庆长安汽车股份有限公司 基于prophet模型及大数据的销量预测方法和系统
CN114065667A (zh) * 2021-11-19 2022-02-18 国网上海市电力公司 一种基于Prophet-LSTM模型的SF6设备气体压力预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144643A (zh) * 2019-12-24 2020-05-12 天津相和电气科技有限公司 基于双端自动编码的日前电力负荷预测方法及装置
CN112215426A (zh) * 2020-10-16 2021-01-12 国网山东省电力公司信息通信公司 一种短期用电负荷预测方法
CN113962745A (zh) * 2021-10-30 2022-01-21 重庆长安汽车股份有限公司 基于prophet模型及大数据的销量预测方法和系统
CN114065667A (zh) * 2021-11-19 2022-02-18 国网上海市电力公司 一种基于Prophet-LSTM模型的SF6设备气体压力预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702978A (zh) * 2023-06-07 2023-09-05 西安理工大学 考虑突发事件特征的电动汽车充电负荷预测方法及装置
CN116702978B (zh) * 2023-06-07 2024-02-13 西安理工大学 考虑突发事件特征的电动汽车充电负荷预测方法及装置

Similar Documents

Publication Publication Date Title
CN101383023B (zh) 基于样本动态组织与温度补偿的神经网络短期电力负荷预测
CN109597967B (zh) 一种电力系统配变电站负荷数据异常检测与修复方法
CN101414366B (zh) 基于改进极端学习机方法的电力系统短期负荷预测方法
CN110212524A (zh) 一种区域电力负荷预测方法
CN110942194A (zh) 一种基于tcn的风电预测误差区间评估方法
CN111639783A (zh) 一种基于lstm神经网络的线损预测方法及系统
CN110826791A (zh) 一种基于长短时记忆神经网络的混合风功率预测方法
CN112381673B (zh) 一种基于数字孪生的园区用电信息分析方法及装置
CN114862032B (zh) 一种基于XGBoost-LSTM的电网负荷预测方法及装置
CN112801388B (zh) 一种基于非线性时间序列算法的电力负荷预测方法及系统
CN112508734B (zh) 基于卷积神经网络的电力企业发电量的预测方法及装置
CN115907131B (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN113139605A (zh) 基于主成分分析和lstm神经网络的电力负荷预测方法
CN111858715A (zh) 一种基于数据挖掘的污水处理厂进水质量预测方法
CN112288140A (zh) 一种基于Keras的短期电力负荷预测方法、存储介质和设备
CN112418545A (zh) 一种基于负荷特征及模型融合的售电量预测方法及系统
CN113435595A (zh) 基于自然进化策略的极限学习机网络参数两阶段优化方法
CN115859792A (zh) 基于注意力机制的中期电力负荷预测方法及系统
CN115238854A (zh) 一种基于tcn-lstm-am的短期负荷预测方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN114925931A (zh) 台区负荷预测方法及系统
CN117833231A (zh) 基于Bi-LSTM和双重注意力机制的负荷预测方法
CN117370759A (zh) 基于人工智能的燃气用量预测方法
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN114819382B (zh) 一种基于lstm的光伏功率预测方法

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