CN114971094A - 基于边缘计算的电力负荷预测方法、装置、设备及介质 - Google Patents
基于边缘计算的电力负荷预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114971094A CN114971094A CN202210919097.0A CN202210919097A CN114971094A CN 114971094 A CN114971094 A CN 114971094A CN 202210919097 A CN202210919097 A CN 202210919097A CN 114971094 A CN114971094 A CN 114971094A
- Authority
- CN
- China
- Prior art keywords
- power load
- power
- target
- edge
- consumption
- 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 46
- 238000004364 calculation method Methods 0.000 title claims abstract description 40
- 230000005611 electricity Effects 0.000 claims abstract description 110
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000001514 detection method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007637 random forest analysis 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
- G06N3/08—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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (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
本发明涉及数据处理技术领域，公开了一种基于边缘计算的电力负荷预测方法、装置、设备及介质，所述方法包括：根据目标区域的产业用电量和居民用电量得到用电总量集合，提取所述用电总量集合的边缘用电量；获取所述目标区域的历史电力负荷数据和影响电力负荷的气候因素；根据所述历史电力负荷数据和所述气候因素构建电力负荷预测模型；根据所述电力负荷预测模型和所述边缘用电量预测出在目标时间段内所述目标区域的电力负荷；通过上述方式，根据目标区域的历史电力负荷数据和影响电力负荷的气候因素构建电力负荷预测模型，然后通过电力负荷预测模型对缘用电量预测出在目标时间段内所述目标区域的电力负荷，从而能够有效提高预测电力负荷的准确性。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及基于边缘计算的电力负荷预测方法、装置、设备及介质。
背景技术
随着科学技术的发展和用电量的剧增，用电的质量和发电量的预估引起了电力公司和电力工作者的高度重视，电力具有不便于存储的特性，因此，如何合理利用电力资源是当前亟待解决的问题，而合理利用电力资源的本质就是需要提前预知电力负荷，目前预测某个区域的电力负荷的相关技术是通过人工智能进行预测，但是，人工智能对非线性数据的拟合性要求较高，并且由于电力负荷数据的特性使得人工智能提取用电量数据的特征困难，最终造成预测出的电力负荷的准确性较低。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于边缘计算的电力负荷预测方法、装置、设备及介质，旨在解决现有技术预测电力负荷的准确性较低的技术问题。
为实现上述目的，本发明提供了一种基于边缘计算的电力负荷预测方法，所述基于边缘计算的电力负荷预测方法包括以下步骤：
根据目标区域的产业用电量和居民用电量得到用电总量集合，提取所述用电总量集合的边缘用电量；
获取所述目标区域的历史电力负荷数据和影响电力负荷的气候因素；
根据所述历史电力负荷数据和所述气候因素构建电力负荷预测模型；
根据所述电力负荷预测模型和所述边缘用电量预测出在目标时间段内所述目标区域的电力负荷。
可选地，所述根据目标区域的产业用电量和居民用电量得到用电总量集合，包括：
按照预设时间间隔分别对目标区域的产业用电量和居民用电量进行划分，得到若干分段产业用电量和若干分段居民用电量；
根据所述预设时间间隔和所述若干分段产业用电量生成产业用电量曲线，以及根据所述预设时间间隔和所述若干分段居民用电量生成居民用电量曲线；
通过目标时间戳对所述产业用电量曲线和所述居民用电量曲线进行数据同步，得到用电量同步曲线；
将所述用电量同步曲线中各个时刻的用电量进行累加，得到对应的用电总量集合。
可选地，提取所述用电总量集合的边缘用电量，包括：
根据所述用电总量集合中的各个用电总量和所述各个时刻生成用电总量曲线；
通过目标工业自动化平台对所述用电总量曲线进行数据分析，得到第一范围内的若干最高用电总量和第二范围内的若干最低用电总量；
根据所述第一范围内的若干最高用电总量和所述第二范围内的若干最低用电总量得到对应的边缘用电量。
可选地，所述根据所述历史电力负荷数据和所述气候因素构建电力负荷预测模型，包括：
对所述历史电力负荷数据进行清洗，并对清洗后的历史电力负荷数据进行连续性检测；
在检测结果为所述清洗后的历史电力负荷数据不连续时，获取不连续数据的位置索引；
通过目标线性插值算法对所述位置索引进行数据填充，得到对应的填充电力负荷数据；
根据所述填充电力荷数据和所述不连续数据生成目标历史负荷数据；
根据目标深度森林算法、目标历史负荷数据以及所述气候因素构建电力负荷预测模型。
可选地，所述根据目标深度森林算法、目标历史负荷数据以及所述气候因素构建电力负荷预测模型，包括：
根据所述气候因素对所述目标历史负荷数据进行修订，根据修订后的目标历史负荷数据得到目标输入特征负荷数据；
通过增加目标卷积路径对初始神经网络模型的卷积层的主干网络进行拓宽，得到目标主干网络；
获取初始深度森林算法的多粒度扫描窗和窗口滑动步长；
根据电力负荷数据的特性信息对所述多粒度扫描窗口和所述窗口滑动步长进行调整，得到目标深度森林算法；
根据所述目标深度森林算法和所述目标主干网络对所述目标输入特征负荷数据进行训练，得到电力负荷预测模型。
可选地，所述根据所述电力负荷预测模型和所述边缘用电量预测出在目标时间段内所述目标区域的电力负荷，包括：
在所述边缘用电量大于或等于预设用电量阈值时，将所述边缘用电量的电力负荷设定为目标固定值；
在所述边缘用电量小于所述预设用电量阈值且所述边缘用电量为多个时，通过电力负荷预测模型对所述边缘用电量进行预测，得到若干时间段电力负荷；
根据所述若干时间段电力负荷计算出在目标时间段内所述目标区域的电力负荷。
可选地，所述根据所述若干时间段电力负荷计算出在目标时间段内所述目标区域的电力负荷之后，还包括：
在所述电力负荷大于预设电力负荷阈值时，根据所述电力负荷和所述预设电力负荷阈值计算出电力负荷差值；
通过预设负荷等级转换策略对所述电力负荷差值进行转换，得到对应的风险等级；
根据所述风险等级生成并发布对应的风险预警信息，并在预设时间段内断开总闸开关。
此外，为实现上述目的，本发明还提出一种基于边缘计算的电力负荷预测装置，所述基于边缘计算的电力负荷预测装置包括：
提取模块，用于根据目标区域的产业用电量和居民用电量得到用电总量集合，提取所述用电总量集合的边缘用电量；
获取模块，用于获取所述目标区域的历史电力负荷数据和影响电力负荷的气候因素；
构建模块，用于根据所述历史电力负荷数据和所述气候因素构建电力负荷预测模型；
预测模块，用于根据所述电力负荷预测模型和所述边缘用电量预测出在目标时间段内所述目标区域的电力负荷。
此外，为实现上述目的，本发明还提出一种基于边缘计算的电力负荷预测设备，所述基于边缘计算的电力负荷预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于边缘计算的电力负荷预测程序，所述基于边缘计算的电力负荷预测程序配置为实现如上文所述的基于边缘计算的电力负荷预测方法。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于边缘计算的电力负荷预测程序，所述基于边缘计算的电力负荷预测程序被处理器执行时实现如上文所述的基于边缘计算的电力负荷预测方法。
本发明提出的基于边缘计算的电力负荷预测方法，根据目标区域的产业用电量和居民用电量得到用电总量集合，提取所述用电总量集合的边缘用电量；获取所述目标区域的历史电力负荷数据和影响电力负荷的气候因素；根据所述历史电力负荷数据和所述气候因素构建电力负荷预测模型；根据所述电力负荷预测模型和所述边缘用电量预测出在目标时间段内所述目标区域的电力负荷；通过上述方式，根据目标区域的历史电力负荷数据和影响电力负荷的气候因素构建电力负荷预测模型，然后通过电力负荷预测模型对缘用电量预测出在目标时间段内所述目标区域的电力负荷，从而能够有效提高预测电力负荷的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于边缘计算的电力负荷预测设备的结构示意图；
图2为本发明基于边缘计算的电力负荷预测方法第一实施例的流程示意图；
图3为本发明基于边缘计算的电力负荷预测方法第二实施例的流程示意图；
图4为本发明基于边缘计算的电力负荷预测装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于边缘计算的电力负荷预测设备结构示意图。
如图1所示，该基于边缘计算的电力负荷预测设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对基于边缘计算的电力负荷预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于边缘计算的电力负荷预测程序。
在图1所示的基于边缘计算的电力负荷预测设备中，网络接口1004主要用于与网络一体化平台工作站进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于边缘计算的电力负荷预测设备中的处理器1001、存储器1005可以设置在基于边缘计算的电力负荷预测设备中，所述基于边缘计算的电力负荷预测设备通过处理器1001调用存储器1005中存储的基于边缘计算的电力负荷预测程序，并执行本发明实施例提供的基于边缘计算的电力负荷预测方法。
基于上述硬件结构，提出本发明基于边缘计算的电力负荷预测方法实施例。
参照图2，图2为本发明基于边缘计算的电力负荷预测方法第一实施例的流程示意图。
在第一实施例中，所述基于边缘计算的电力负荷预测方法包括以下步骤：
步骤S10，根据目标区域的产业用电量和居民用电量得到用电总量集合，提取所述用电总量集合的边缘用电量。
需要说明的是，本实施例的执行主体为基于边缘计算的电力负荷预测设备，还可为其他可实现相同或相似功能的设备，例如电力控制器等，本实施例对此不作限制，在本实施例中，以电力控制器为例进行说明。
应当理解的是，产业用电量指的是目标区域内各个产业的用电量，该产业包括但不限于农业、工业以及交通运输业等，居民用电量指的是目标区域内各家各户的用电量，该目标区域内的产业用电量远大于居民用电量，用电量集合指的是在连续时间段内同一时刻产业用电量和居民用电量之和的集合，该目标区域可以以变压设备的使用进行划分，例如，街道、社区等，边缘用电量指的是用电总量集合中边缘位置的用电量，该边缘用电量包括多个最高用电总量和多个最低用电总量。
进一步地，步骤S10，包括：按照预设时间间隔分别对目标区域的产业用电量和居民用电量进行划分，得到若干分段产业用电量和若干分段居民用电量；根据所述预设时间间隔和所述若干分段产业用电量生成产业用电量曲线，以及根据所述预设时间间隔和所述若干分段居民用电量生成居民用电量曲线；通过目标时间戳对所述产业用电量曲线和所述居民用电量曲线进行数据同步，得到用电量同步曲线；将所述用电量同步曲线中各个时刻的用电量进行累加，得到对应的用电总量集合。
可以理解的是，预设时间间隔指的是划分目标区域的用电量的时间间隔，该预设时间间隔可以设置为15min，在设定预设时间间隔后，按照预设时间间隔分别对产业用电量和居民用电量进行划分，然后根据预设时间间隔和若干分段产业用电量生成产业用电量曲线，以及根据预设时间间隔和若干分段居民用电量生成居民用电量曲线，由于需要准确计算出同一时刻的产业用电量和居民用电量的总用电量，因此，需要对产业用电量曲线和居民用电量曲线进行数据同步，在本实施例中采用时间戳的方式进行同步，在同步完成后，得到用电量同步曲线。
进一步地，步骤S10，还包括：通过目标工业自动化平台对所述用电总量曲线进行数据分析，得到第一范围内的若干最高用电总量和第二范围内的若干最低用电总量；根据所述第一范围内的若干最高用电总量和所述第二范围内的若干最低用电总量得到对应的边缘用电量。
应当理解的是，目标工业自动化平台指的是以边缘计算为核心的智能平台，在得到用电总量曲线后，通过目标工业自动化平台对用电总量曲线进行数据分析，第一范围指的是由用电量中位值和最大临界值构成的范围，第二范围指的是由最小临界值至用电量中位值构成的范围，若干最高用电总量指的是在第一范围内的多个最高用电总量，同理，若干最低用电总量指的是第二范围内的多个最低用电总量，然后根据若干最高用电总量和若干最低用电总量得到对应的边缘用电量。
步骤S20，获取所述目标区域的历史电力负荷数据和影响电力负荷的气候因素。
可以理解的是，历史电力负荷数据指的是目标区域内历史时刻的电力负荷数据，该历史电力负荷数据包括大于预设电力负荷阈值的负荷数据和小于预设电力负荷阈值的负荷数据，气候因素指的是影响电力负荷的因素，该气候因素包括但不限于温度、湿度以及光照等，例如，在同等用电量的条件下，高温气候的电力负荷大于低温气候的电力负荷。
步骤S30，根据所述历史电力负荷数据和所述气候因素构建电力负荷预测模型。
应当理解的是，电力负荷预测模型指的是预测不同时间段不同区域的电力负荷的模型，该电力负荷预测模型是通过拓宽的目标主干网络、改进的目标深度森林算法、历史电力负荷数据以及气候因素训练得到的。
步骤S40，根据所述电力负荷预测模型和所述边缘用电量预测出在目标时间段内所述目标区域的电力负荷。
可以理解的是，在得到边缘用电量后，通过电力负荷预测模型对所述边缘用电量进行预测，以得到在目标时间段内目标区域的电力负荷，例如，目标区域的边缘用电量为m，然后通过电力负荷预测模型快速、准确地预测出电力负荷为n，本实施例的电力负荷预测包括超短期预测、短期预测以及中长期预测。
进一步地，步骤S40，包括：在所述边缘用电量大于或等于预设用电量阈值时，将所述边缘用电量的电力负荷设定为目标固定值；在所述边缘用电量小于所述预设用电量阈值且所述边缘用电量为多个时，通过电力负荷预测模型对所述边缘用电量进行预测，得到若干时间段电力负荷；根据所述若干时间段电力负荷计算出在目标时间段内所述目标区域的电力负荷。
应当理解的是，在得到边缘用电量后，判断边缘用电量是否大于或等于预设用电量阈值，若是，则直接将目标区域的电力负荷设定为固定值，该固定值为该区域位置的变压设备所能承受的最大负荷值，若否，则通过电力负荷预测模型对边缘用电量进行预测，由于边缘用电量为不同时间段的多个用电量，因此，通过电力负荷预测模型预测出的电力负荷也是若干个，最后根据干时间段电力负荷准确地计算出目标区域在目标时间段的电力负荷。
进一步地，步骤S40之后，还包括：在所述电力负荷大于预设电力负荷阈值时，根据所述电力负荷和所述预设电力负荷阈值计算出电力负荷差值；通过预设负荷等级转换策略对所述电力负荷差值进行转换，得到对应的风险等级；根据所述风险等级生成并发布对应的风险预警信息，并在预设时间段内断开总闸开关。
可以理解的是，在得到目标区域的电力负荷后，判断电力负荷是否大于预设电力负荷阈值，若是，则表明存在风险，此时根据电力负荷和预设电力负荷阈值计算出电力负荷差值，例如，电力负荷为n，预设电力负荷阈值为N，则计算出的电力负荷差值为N-n，预设负荷等级转换策略指的是将电力负荷差值转换为对应的风险等级的策略，在生成风险预警信息后，将风险预警信息发送至居民或者产业负责人的终端，并为了防止因负荷过大对设备的损坏，在预设时间段内，断开与产业和居民的变压设备相连的总闸开关。
本实施例根据目标区域的产业用电量和居民用电量得到用电总量集合，提取所述用电总量集合的边缘用电量；获取所述目标区域的历史电力负荷数据和影响电力负荷的气候因素；根据所述历史电力负荷数据和所述气候因素构建电力负荷预测模型；根据所述电力负荷预测模型和所述边缘用电量预测出在目标时间段内所述目标区域的电力负荷；通过上述方式，根据目标区域的历史电力负荷数据和影响电力负荷的气候因素构建电力负荷预测模型，然后通过电力负荷预测模型对缘用电量预测出在目标时间段内所述目标区域的电力负荷，从而能够有效提高预测电力负荷的准确性。
在一实施例中，如图3所述，基于第一实施例提出本发明基于边缘计算的电力负荷预测方法第二实施例，所述步骤S30，包括：
步骤S301，对所述历史电力负荷数据进行清洗，并对清洗后的历史电力负荷数据进行连续性检测。
应当理解的是，在获取到历史电力负荷数据后，由于历史电力负荷数据中存在错误数据，因此，通过清洗的方式将历史电力负荷数据中的错误数据剔除，然后对清洗后的历史电力负荷数据进行连续性检测，以判断历史电力负荷数据是否存在缺失数据。
步骤S302，在检测结果为所述清洗后的历史电力负荷数据不连续时，获取不连续数据的位置索引。
可以理解的是，位置索引指的是历史电力负荷数据中不连续数据的下标，在对清洗后的历史电力负荷数据进行连续性检测后，判断检测结果是否为历史电力负荷数据不连续，若是，则获取不连续数据的位置索引，例如，不连续数据有三个，对应的位置索引分别为index1、index2以及index3。
步骤S303，通过目标线性插值算法对所述位置索引进行数据填充，得到对应的填充电力负荷数据。
应当理解的是，填充电力负荷数据指的是填补历史电力负荷中缺失部分的数据，由于历史电力负荷数据具有时间连续性，因此，对于历史电力负荷数据中的错误数据不能单纯完全剔除，在本实施例中，通过目标线性插值算法对位置索引进行数据填充，在填充完成后，得到填充电力负荷数据。
步骤S304，根据所述填充电力荷数据和所述不连续数据生成目标历史负荷数据。
可以理解的是，目标历史负荷数据是由填充电力荷数据和不连续数据生成的完整数据，在得到填充电力负荷数据后，按照位置索引将填充电力负荷数据插入至不连续数据中，以得到目标历史负荷数据。
步骤S305，根据目标深度森林算法、目标历史负荷数据以及所述气候因素构建电力负荷预测模型。
应当理解的是，目标深度森林算法指的是由多种随机森林构成的算法，该目标深度森林算法相较于传统的深度学习算法的优点有：在模型的第一层消除了大量信息密度较低的电力负荷数据，进一步提升电力负荷预测模型运行的效率，加快电力负荷预测模型收敛速度，减少时间开销的同时也降低了对硬件的需求，在得到目标历史负荷数据后，根据目标深度森林算法、目标历史负荷数据以及气候因素构建电力负荷预测模型。
进一步地，步骤S305，包括：根据所述气候因素对所述目标历史负荷数据进行修订，根据修订后的目标历史负荷数据得到目标输入特征负荷数据；通过增加目标卷积路径对初始神经网络模型的卷积层的主干网络进行拓宽，得到目标主干网络；获取初始深度森林算法的多粒度扫描窗和窗口滑动步长；根据电力负荷数据的特性信息对所述多粒度扫描窗口和所述窗口滑动步长进行调整，得到目标深度森林算法；根据所述目标深度森林算法和所述目标主干网络对所述目标输入特征负荷数据进行训练，得到电力负荷预测模型。
可以理解的是，为了消除气候因素对预测电力负荷的影响，在得到目标历史负荷电力数据后，通过气候因素对目标历史负荷数据进行反向修订，目标输入特征负荷数据指的是可以唯一识别修订后的目标历史负荷数据的特征数据，由于深度森林的输入特征依赖于多粒度扫描窗口，且电力负荷数据是具有时间连续性的一维向量，因此，通过调整多粒度扫描窗口和窗口滑动步长才能充分利用历史电力负荷数据的周期性，在得到目标深度森林算法后，根据目标深度森林算法通过增加目标卷积路径得到的目标主干网络对目标输入特征负荷数据进行训练，得到电力负荷预测模型。
本实施例通过对所述历史电力负荷数据进行清洗，并对清洗后的历史电力负荷数据进行连续性检测；在检测结果为所述清洗后的历史电力负荷数据不连续时，获取不连续数据的位置索引；通过目标线性插值算法对所述位置索引进行数据填充，得到对应的填充电力负荷数据；根据所述填充电力荷数据和所述不连续数据生成目标历史负荷数据；根据目标深度森林算法、目标历史负荷数据以及所述气候因素构建电力负荷预测模型；通过上述方式，在清洗后的历史电力负荷数据不连续时，通过目标线性插值算法对不连续数据的位置索引进行数据填充，然后根据目标深度森林算法、目标历史负荷数据以及构建电力负荷预测模型，从而能够有效提高构建电力负荷预测模型的准确性。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于边缘计算的电力负荷预测程序，所述基于边缘计算的电力负荷预测程序被处理器执行时实现如上文所述的基于边缘计算的电力负荷预测方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，参照图4，本发明实施例还提出一种基于边缘计算的电力负荷预测装置，所述基于边缘计算的电力负荷预测装置包括：
提取模块10，用于根据目标区域的产业用电量和居民用电量得到用电总量集合，提取所述用电总量集合的边缘用电量。
获取模块20，用于获取所述目标区域的历史电力负荷数据和影响电力负荷的气候因素。
构建模块30，用于根据所述历史电力负荷数据和所述气候因素构建电力负荷预测模型。
预测模块40，用于根据所述电力负荷预测模型和所述边缘用电量预测出在目标时间段内所述目标区域的电力负荷。
本实施例根据目标区域的产业用电量和居民用电量得到用电总量集合，提取所述用电总量集合的边缘用电量；获取所述目标区域的历史电力负荷数据和影响电力负荷的气候因素；根据所述历史电力负荷数据和所述气候因素构建电力负荷预测模型；根据所述电力负荷预测模型和所述边缘用电量预测出在目标时间段内所述目标区域的电力负荷；通过上述方式，根据目标区域的历史电力负荷数据和影响电力负荷的气候因素构建电力负荷预测模型，然后通过电力负荷预测模型对缘用电量预测出在目标时间段内所述目标区域的电力负荷，从而能够有效提高预测电力负荷的准确性。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于边缘计算的电力负荷预测方法，此处不再赘述。
在一实施例中，所述提取模块10，还用于按照预设时间间隔分别对目标区域的产业用电量和居民用电量进行划分，得到若干分段产业用电量和若干分段居民用电量；根据所述预设时间间隔和所述若干分段产业用电量生成产业用电量曲线，以及根据所述预设时间间隔和所述若干分段居民用电量生成居民用电量曲线；通过目标时间戳对所述产业用电量曲线和所述居民用电量曲线进行数据同步，得到用电量同步曲线；将所述用电量同步曲线中各个时刻的用电量进行累加，得到对应的用电总量集合。
在一实施例中，所述提取模块10，还用于根据所述用电总量集合中的各个用电总量和所述各个时刻生成用电总量曲线；通过目标工业自动化平台对所述用电总量曲线进行数据分析，得到第一范围内的若干最高用电总量和第二范围内的若干最低用电总量；根据所述第一范围内的若干最高用电总量和所述第二范围内的若干最低用电总量得到对应的边缘用电量。
在一实施例中，所述构建模块30，还用于对所述历史电力负荷数据进行清洗，并对清洗后的历史电力负荷数据进行连续性检测；在检测结果为所述清洗后的历史电力负荷数据不连续时，获取不连续数据的位置索引；通过目标线性插值算法对所述位置索引进行数据填充，得到对应的填充电力负荷数据；根据所述填充电力荷数据和所述不连续数据生成目标历史负荷数据；根据目标深度森林算法、目标历史负荷数据以及所述气候因素构建电力负荷预测模型。
在一实施例中，所述构建模块30，还用于根据所述气候因素对所述目标历史负荷数据进行修订，根据修订后的目标历史负荷数据得到目标输入特征负荷数据；通过增加目标卷积路径对初始神经网络模型的卷积层的主干网络进行拓宽，得到目标主干网络；获取初始深度森林算法的多粒度扫描窗和窗口滑动步长；根据电力负荷数据的特性信息对所述多粒度扫描窗口和所述窗口滑动步长进行调整，得到目标深度森林算法；根据所述目标深度森林算法和所述目标主干网络对所述目标输入特征负荷数据进行训练，得到电力负荷预测模型。
在一实施例中，所述预测模块40，还用于在所述边缘用电量大于或等于预设用电量阈值时，将所述边缘用电量的电力负荷设定为目标固定值；在所述边缘用电量小于所述预设用电量阈值且所述边缘用电量为多个时，通过电力负荷预测模型对所述边缘用电量进行预测，得到若干时间段电力负荷；根据所述若干时间段电力负荷计算出在目标时间段内所述目标区域的电力负荷。
在一实施例中，所述预测模块40，还用于在所述电力负荷大于预设电力负荷阈值时，根据所述电力负荷和所述预设电力负荷阈值计算出电力负荷差值；通过预设负荷等级转换策略对所述电力负荷差值进行转换，得到对应的风险等级；根据所述风险等级生成并发布对应的风险预警信息，并在预设时间段内断开总闸开关。
本发明所述基于边缘计算的电力负荷预测装置的其他实施例或具有实现方法可参照上述各方法实施例，此处不在赘余。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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（如只读存储器（Read Only Memory，ROM）/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，一体化平台工作站，或者网络设备等）执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于边缘计算的电力负荷预测方法，其特征在于，所述基于边缘计算的电力负荷预测方法包括以下步骤：
根据目标区域的产业用电量和居民用电量得到用电总量集合，提取所述用电总量集合的边缘用电量；
获取所述目标区域的历史电力负荷数据和影响电力负荷的气候因素；
根据所述历史电力负荷数据和所述气候因素构建电力负荷预测模型；
根据所述电力负荷预测模型和所述边缘用电量预测出在目标时间段内所述目标区域的电力负荷。
2.如权利要求1所述的基于边缘计算的电力负荷预测方法，其特征在于，所述根据目标区域的产业用电量和居民用电量得到用电总量集合，包括：
按照预设时间间隔分别对目标区域的产业用电量和居民用电量进行划分，得到若干分段产业用电量和若干分段居民用电量；
根据所述预设时间间隔和所述若干分段产业用电量生成产业用电量曲线，以及根据所述预设时间间隔和所述若干分段居民用电量生成居民用电量曲线；
通过目标时间戳对所述产业用电量曲线和所述居民用电量曲线进行数据同步，得到用电量同步曲线；
将所述用电量同步曲线中各个时刻的用电量进行累加，得到对应的用电总量集合。
3.如权利要求1所述的基于边缘计算的电力负荷预测方法，其特征在于，所述提取所述用电总量集合的边缘用电量，包括：
根据所述用电总量集合中的各个用电总量和所述各个时刻生成用电总量曲线；
通过目标工业自动化平台对所述用电总量曲线进行数据分析，得到第一范围内的若干最高用电总量和第二范围内的若干最低用电总量；
根据所述第一范围内的若干最高用电总量和所述第二范围内的若干最低用电总量得到对应的边缘用电量。
4.如权利要求1所述的基于边缘计算的电力负荷预测方法，其特征在于，所述根据所述历史电力负荷数据和所述气候因素构建电力负荷预测模型，包括：
对所述历史电力负荷数据进行清洗，并对清洗后的历史电力负荷数据进行连续性检测；
在检测结果为所述清洗后的历史电力负荷数据不连续时，获取不连续数据的位置索引；
通过目标线性插值算法对所述位置索引进行数据填充，得到对应的填充电力负荷数据；
根据所述填充电力荷数据和所述不连续数据生成目标历史负荷数据；
根据目标深度森林算法、目标历史负荷数据以及所述气候因素构建电力负荷预测模型。
5.如权利要求4所述的基于边缘计算的电力负荷预测方法，其特征在于，所述根据目标深度森林算法、目标历史负荷数据以及所述气候因素构建电力负荷预测模型，包括：
根据所述气候因素对所述目标历史负荷数据进行修订，根据修订后的目标历史负荷数据得到目标输入特征负荷数据；
通过增加目标卷积路径对初始神经网络模型的卷积层的主干网络进行拓宽，得到目标主干网络；
获取初始深度森林算法的多粒度扫描窗和窗口滑动步长；
根据电力负荷数据的特性信息对所述多粒度扫描窗口和所述窗口滑动步长进行调整，得到目标深度森林算法；
根据所述目标深度森林算法和所述目标主干网络对所述目标输入特征负荷数据进行训练，得到电力负荷预测模型。
6.如权利要求1所述的基于边缘计算的电力负荷预测方法，其特征在于，所述根据所述电力负荷预测模型和所述边缘用电量预测出在目标时间段内所述目标区域的电力负荷，包括：
在所述边缘用电量大于或等于预设用电量阈值时，将所述边缘用电量的电力负荷设定为目标固定值；
在所述边缘用电量小于所述预设用电量阈值且所述边缘用电量为多个时，通过电力负荷预测模型对所述边缘用电量进行预测，得到若干时间段电力负荷；
根据所述若干时间段电力负荷计算出在目标时间段内所述目标区域的电力负荷。
7.如权利要求6所述的基于边缘计算的电力负荷预测方法，其特征在于，所述根据所述若干时间段电力负荷计算出在目标时间段内所述目标区域的电力负荷之后，还包括：
在所述电力负荷大于预设电力负荷阈值时，根据所述电力负荷和所述预设电力负荷阈值计算出电力负荷差值；
通过预设负荷等级转换策略对所述电力负荷差值进行转换，得到对应的风险等级；
根据所述风险等级生成并发布对应的风险预警信息，并在预设时间段内断开总闸开关。
8.一种基于边缘计算的电力负荷预测装置，其特征在于，所述基于边缘计算的电力负荷预测装置包括：
提取模块，用于根据目标区域的产业用电量和居民用电量得到用电总量集合，提取所述用电总量集合的边缘用电量；
获取模块，用于获取所述目标区域的历史电力负荷数据和影响电力负荷的气候因素；
构建模块，用于根据所述历史电力负荷数据和所述气候因素构建电力负荷预测模型；
预测模块，用于根据所述电力负荷预测模型和所述边缘用电量预测出在目标时间段内所述目标区域的电力负荷。
9.一种基于边缘计算的电力负荷预测设备，其特征在于，所述基于边缘计算的电力负荷预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于边缘计算的电力负荷预测程序，所述基于边缘计算的电力负荷预测程序配置有实现如权利要求1至7中任一项所述的基于边缘计算的电力负荷预测方法。
10.一种存储介质，其特征在于，所述存储介质上存储有基于边缘计算的电力负荷预测程序，所述基于边缘计算的电力负荷预测程序被处理器执行时实现如权利要求1至7中任一项所述的基于边缘计算的电力负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210919097.0A CN114971094A (zh) | 2022-08-02 | 2022-08-02 | 基于边缘计算的电力负荷预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210919097.0A CN114971094A (zh) | 2022-08-02 | 2022-08-02 | 基于边缘计算的电力负荷预测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114971094A true CN114971094A (zh) | 2022-08-30 |
Family
ID=82970120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210919097.0A Pending CN114971094A (zh) | 2022-08-02 | 2022-08-02 | 基于边缘计算的电力负荷预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114971094A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116436106A (zh) * | 2023-06-14 | 2023-07-14 | 浙江卓松电气有限公司 | 低压配电检测系统、方法、终端设备及计算机存储介质 |
| CN116780534A (zh) * | 2023-08-16 | 2023-09-19 | 深圳江行联加智能科技有限公司 | 虚拟电厂负荷管理方法、装置、设备及存储介质 |
| CN117895659A (zh) * | 2024-03-14 | 2024-04-16 | 山东理工大学 | 一种智能电网自动化调度方法及系统 |
| CN117895659B (zh) * | 2024-03-14 | 2024-05-31 | 山东理工大学 | 一种智能电网自动化调度方法及系统 |
-
2022
- 2022-08-02 CN CN202210919097.0A patent/CN114971094A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116436106A (zh) * | 2023-06-14 | 2023-07-14 | 浙江卓松电气有限公司 | 低压配电检测系统、方法、终端设备及计算机存储介质 |
| CN116436106B (zh) * | 2023-06-14 | 2023-09-05 | 浙江卓松电气有限公司 | 低压配电检测系统、方法、终端设备及计算机存储介质 |
| CN116780534A (zh) * | 2023-08-16 | 2023-09-19 | 深圳江行联加智能科技有限公司 | 虚拟电厂负荷管理方法、装置、设备及存储介质 |
| CN116780534B (zh) * | 2023-08-16 | 2024-01-02 | 深圳江行联加智能科技有限公司 | 虚拟电厂负荷管理方法、装置、设备及存储介质 |
| CN117895659A (zh) * | 2024-03-14 | 2024-04-16 | 山东理工大学 | 一种智能电网自动化调度方法及系统 |
| CN117895659B (zh) * | 2024-03-14 | 2024-05-31 | 山东理工大学 | 一种智能电网自动化调度方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114971094A (zh) | 基于边缘计算的电力负荷预测方法、装置、设备及介质 | |
| Wang et al. | Risk-based admissibility assessment of wind generation integrated into a bulk power system | |
| Datta et al. | A binary-real-coded differential evolution for unit commitment problem | |
| CN110311376A (zh) | 一种电力系统动态安全评估综合模型及时空可视化方法 | |
| Sun et al. | Hybrid multiple attribute group decision-making for power system restoration | |
| Contini et al. | Analysis of large fault trees based on functional decomposition | |
| Sánchez-Oro et al. | Robust total energy demand estimation with a hybrid Variable Neighborhood Search–Extreme Learning Machine algorithm | |
| CN103744977A (zh) | 一种云计算系统平台中的监控方法及系统 | |
| CN104252652A (zh) | 电力系统中空间负荷预测方法 | |
| Jafari et al. | A survey on deep learning role in distribution automation system: a new collaborative Learning-to-Learning (L2L) concept | |
| Eshragh et al. | A projection-adapted cross entropy (PACE) method for transmission network planning | |
| Hosseini et al. | New approach to transient stability prediction of power systems in wide area measurement systems based on multiple‐criteria decision making theory | |
| Kardoš et al. | BELTISTOS: A robust interior point method for large-scale optimal power flow problems | |
| CN114547816A (zh) | 一种配电网可靠性智能分析方法及装置 | |
| CN114977176A (zh) | 电力负荷分解方法、装置、设备及存储介质 | |
| CN115170344A (zh) | 调控系统运行事件智能处理方法及装置、介质及设备 | |
| Saraiva et al. | Multi-agent systems applied to power loss minimization in distribution-level smart grid with dynamic load variation | |
| CN111080037A (zh) | 一种基于深度神经网络的短期电力负荷预测方法及装置 | |
| JPH11175503A (ja) | 時系列データ予測装置 | |
| CN115360704A (zh) | 海上风电的出力预测方法、装置、设备及存储介质 | |
| Li et al. | Power distribution network reconfiguration for bounded transient power loss | |
| CN110766286B (zh) | 配电网拓扑校核方法、装置、计算机设备和可读存储介质 | |
| CN114389231A (zh) | 一种基于配电网保护及设备实时数据的负荷预测诊断方法 | |
| Chouri et al. | Residual useful life estimation based on stable distribution feature extraction and SVM classifier | |
| CN115660214A (zh) | 电力系统中长期负荷预测方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220830 |