CN115018200A - 一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统 - Google Patents
一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统 Download PDFInfo
- Publication number
- CN115018200A CN115018200A CN202210787250.9A CN202210787250A CN115018200A CN 115018200 A CN115018200 A CN 115018200A CN 202210787250 A CN202210787250 A CN 202210787250A CN 115018200 A CN115018200 A CN 115018200A
- Authority
- CN
- China
- Prior art keywords
- power load
- model
- dtw
- convlstm
- cbd
- 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 61
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000006872 improvement Effects 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000011425 standardization method Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 13
- 230000005611 electricity Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- 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)
- Tourism & Hospitality (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)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (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
本发明实施例公开了一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统，包括：获取某地区电力负荷、气象、节假日等历史数据；建立基于动态时间规整改进的KMeans聚类模型；计算皮尔逊相关系数得到对电力负荷影响较大的气象因素；对聚类出的各用户类别建立多因素ConvLSTM‑Prophet电力负荷预测模型并使用历史数据进行训练；使用训练后的模型对各用户类别进行预测。本发明能够根据用户的电力负荷不同对其进行类别划分，降低了电力负荷预测时的用户内部差异，通过多因素模型预测降低了气象因素、季节和节假日等外部因素对预测结果的影响，取得了比仅考虑历史电力负荷及不对用户进行分类预测更准确的结果。
Description
技术领域
本发明实施例涉及电力负荷预测技术领域，具体涉及一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统。
背景技术
电力作为生产生活的基础行业，是各产业的重要基石，电力调控的精准与否直接影响国家与人民的生产生活，需要精确控制和储存电力以避免浪费，因此准确的电力负荷预测十分重要。目前主流的电力负荷预测方法是基于深度学习的方法，通过选择、优化模型及调整参数以获得更好的电力负荷预测结果。电力负荷会受到气象、季节、节假日、不同用户类别等因素的影响，因此已有研究分别考虑上述因素的影响来对电力负荷进行预测。但上述工作考虑的影响因素还比较单一，缺乏对气象、季节、节假日、不同用户类别等因素的综合考虑，对电力负荷预测结果的精度有进一步提升的空间。
发明内容
为此，本发明实施例提供一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统，通过采用基于加权动态时间规整的dtw_cbd-KMeans聚类方法对用户进行分类，对于分类结果中的不同类别建立ConvLSTM-Prophet模型进行预测。加入季节和节假日信息的Prophet模型和加入气象特征的ConvLSTM模型能够避免单一预测模型的缺点，进一步提高了模型预测的准确性。这样既考虑了用户特征、又考虑了季节、节假日及气象因素，使得预测的结果更接近真实值。
根据本发明实施例的第一方面，提出了一种基于深度学习并考虑多种影响因素的电力负荷预测方法，所述方法包括：
获取某地区电力负荷、气象、节假日信息等历史数据；
建立基于动态时间规整改进的KMeans(dtw_cbd-KMeans，即加权动态时间规整和曼哈顿距离)聚类模型；
使用dtw_cbd-KMeans聚类模型确定用户聚类个数及聚类结果；
计算皮尔逊相关系数得到对电力负荷影响较大的气象因素并形成特征向量；
对聚类出的各用户类别建立多因素ConvLSTM-Prophet电力负荷预测模型，并使用历史电力负荷、气象及节假日信息等数据进行训练；
对不同用户类别使用训练后的ConvLSTM-Prophet模型进行分别预测。
进一步地，所述建立基于动态时间规整改进的KMeans(dtw_cbd-KMeans，加权动态时间规整和曼哈顿距离)聚类模型。传统KMeans方法使用欧氏距离计算序列相似度，但当两个用户用电高峰不完全在相同时间点，相对会有微小时延或者在某些时刻用电量存在微小波动、但整体行为习惯或者波形非常相似时使用欧式距离会带来较大聚类误差，因此使用既能考虑对应时间特性，又能考虑负荷形态上存在一定延迟特性的曼哈顿距离和动态时间规整加权的方法计算相似度。
其中，对向量a(a1,a2,…,an)和向量b(a1,b2,…,bn)，曼哈顿距离，也叫做城市街区距离(City Block distance)的计算如公式(1)。
动态时间规整dtw的相似度Distdtw＝D(n，n)，如公式(2)所示。
D(i，j)＝D(i，j)+min[D(i-1，j)，D(i，j-1)，D(i-1，j-1)] (2)
公式(2)中，D(0，0)＝D(0，j)＝D(i，0)＝∞，D(i,j)初始值为
加权动态时间规整(dtw)和曼哈顿距离(cbd)的相似度度量方法记为加权dtw_cbd方法，如公式(3)所示。
Distdtw_cbd＝W1*Distdtw+W2*Distcbd (3)
公式(3)中，W1和W2是Distdtw和Distcbd所占权重，并且满足W1+W2＝1，由于电力负荷预测在聚类过程中需要更着重考虑形态上的相似，因此W1和W2分别设置为0.8和0.2。
进一步地，所述使用dtw_cbd-KMeans聚类模型确定用户聚类个数及聚类结果，包括：
(1)设定一个K值范围N(例如9)，K初始化为1；
(2)K值加1，在电力负荷数据中选取K个序列作为聚类中心；
(3)按照公式(1)和(2)计算曼哈顿距离和动态时间规整相似度，分别记为Distcbd和Distdtw；
(4)按照公式(3)计算加权相似度Distdtw_cbd，并按照所得结果把相似用户划分到距离最近的中心；
(5)在对每个簇类别进行遍历之后，对每个簇的质心进行更新计算；
(6)如果新的质心和原有质心相同，则说明聚类完成，按公式(4)计算当前K值对应的误差平方和SSE。
其中ci代表第i个类别，p代表ci中的样本点，mi代表ci的质心；如果新的质心和原有质心不同，则将新的质心作为中心点重复(3)-(6)；
(7)使K在N的范围内重复(2)-(6)步，得到不同K值所对应的误差平方和SSE；
(8)根据N的范围内不同K值所对应的SSE，使用手肘法得到最佳聚类类别数K。手肘法所得的最佳K值是在N的范围内随K增大而SSE减小的过程中斜率变缓时所对应的K值。
进一步地，所述计算皮尔逊相关系数得到对电力负荷影响较大的气象因素并形成特征向量，包括：
对各气象因素按照公式(5)计算皮尔逊相关系数，其中n代表离散时间点个数，X代表电力负荷，Y代表某气象因素(如温度、降水、湿度等)。r的范围在-1到1之间：正值代表正相关，负值代表负相关，绝对值大小代表了相关性的强弱，0到0.2之间代表两者无相关或者相关性很弱，因此考虑r>0.21的气象因素。
进一步地，所述对聚类出的各用户类别建立多因素ConvLSTM-Prophet电力负荷预测模型，并使用历史电力负荷、气象及节假日信息等数据进行训练，包括：
使用经过皮尔逊筛选的气象、电力负荷及节假日信息形成数据集，并按8:1:1的比例划分为训练集、验证集及测试集。选取min-max标准化把气象特征和电力负荷数据映射到[0，1]的范围内，min-max标准化的公式如(6)。
其中X代表原始数据，Xmax代表样本的最大值，Xmin代表样本的最小值。
对ConvLSTM模型使用归一化后的历史电力负荷和气象数据进行训练，得到相关模型参数及在验证集上的误差εConvLSTM；
把对应时间内的节假日信息输入到Prophet模型中并使用归一化后的历史电力数据进行训练，得到相关模型参数及在验证集上的误差εProphet。
进一步地，所述对不同用户类别使用训练后的ConvLSTM-Prophet模型进行分别预测，包括：
使用训练好的ConvLSTM模型对各用户类别进行预测得到预测结果YConvLSTM(t)；
使用训练好的Prophet模型对各用户类别进行预测得到预测结果YProphet(t)；
最终加权二者的预测结果，得到最终的电力负荷预测值Y(t)，如公式(7)所示。
Y(t)＝W1*YConvLSTM(t)+W2*Yprophet(t) (7)
其中，
根据本发明实施例的第二方面，提出了一种基于深度学习并考虑多种影响因素的电力负荷预测系统，所述系统包括：
数据获取模块，用于获取历史电力负荷及气象数据；
数据聚类模块，使用所述dtw_cbd-KMeans聚类对所述数据进行聚类，并得到用户聚类结果；
数据筛选模块，计算皮尔逊相关系数得到对电力负荷影响较大的气象因素；
数据预处理模块，用于对所述历史电力负荷及筛选后的气象数据进行预处理获得时间序列数据集；
模型构建模块，用于构建ConvLSTM-Prophet电力负荷预测模型，并使用预处理后的历史数据进行训练；
数据预测模块，使用所述多因素ConvLSTM-Prophet电力负荷预测模型对所述各用户类别进行预测；
本发明实施例具有如下优点：
本发明实施例提出的一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统，通过采用基于动态时间规整的dtw_cbd-KMeans聚类模型对各用户进行聚类、采用多因素ConvLSTM-Prophet电力负荷预测模型对各用户类别进行预测。基于动态时间规整的dtw_cbd-KMeans聚类模型考虑到电力负荷时序数据的特殊性和聚类效果，既考虑了对应时间特性，又考虑了电力负荷形态特性，解决了因细微波动而导致用户相似度计算不准的问题，能够对电力负荷数据间的相似性进行有效计算，更加准确地将用电行为相似的用户划为一类，降低了电力负荷预测时用户的差异性。ConvLSTM选取卷积的方式代替了全连接计算，并不是简单的CNN网络和LSTM网络的叠加，而是将CNN特有的卷积计算方式融入到了LSTM网络，使得ConvLSTM网络比LSTM网络获得了更多的前一时刻输出信息和当前时刻的输入信息。Prophet模型通过指定节假日参数的方式拟合数据，有较好效果。组合ConvLSTM和Prophet模型降低了单一模型的劣势，充分利用了各个模型信息，选择ConvLSTM和Prophet模型从不同影响因素的角度出发，并且既考虑了气象因素又考虑了节假日因素，极大地挖掘了数据中的信息，使得电力负荷预测的结果更接近真实值。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例1提供的一种基于深度学习并考虑多种影响因素的电力负荷预测方法的流程示意图；
图2为本发明实施例1提供的一种基于深度学习并考虑多种影响因素的电力负荷预测方法的对用户聚类的算法流程图；
图3为本发明实施例1提供的一种基于深度学习并考虑多种影响因素的电力负荷预测方法的对各用户类别进行预测的流程图；
图4为本发明实施例1提供的一种基于深度学习并考虑多种影响因素的电力负荷预测方法总体预测流程图；
图5为本发明实施例1提供的一种基于深度学习并考虑多种影响因素的电力负荷预测方法的电力负荷数据分布图；
图6为本发明实施例1提供的一种基于深度学习并考虑多种影响因素的电力负荷预测方法的dtw_cbd-KMeans聚类的SSE得分图；
图7为本发明实施例1提供的一种基于深度学习并考虑多种影响因素的电力负荷预测方法的聚类后用户用电负荷中心图；
图8为本发明实施例1提供的一种基于深度学习并考虑多种影响因素的电力负荷预测方法计算皮尔逊相关系数的结果图；
图9为本发明实施例1提供的一种基于深度学习并考虑多种影响因素的电力负荷预测方法加入气象因素和未加入气象因素的平均百分比误差对比图；
图10为本发明实施例1提供的一种基于深度学习并考虑多种影响因素的电力负荷预测方法用户分类及未分类平均百分比误差对比图；
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。
实施例1
如图1所示，本实施例提出了一种基于深度学习并考虑多种影响因素的电力负荷预测方法，该方法包括：
S100、获取历史电力负荷、气象及节假日信息数据。
历史电力负荷数据可以为当地时间前一年、一个月或某些天的电力负荷数据，其中历史电力负荷数据中包括每天的电力负荷数据，可以对不同的时间间隔进行采样。本实施例的数据集是Umass Smart Dataset麻省理工数据集。实验中电力数据包含114个公寓代表用户2015年全年的用电数据、天气、节假日数据等，每15分钟一个采样点。按8:1:1的比例划分为训练集、验证集及测试集。当然，历史电力负荷数据的选取和划分也可以根据实际要求进行确定。
S200、建立基于加权动态时间规整的dtw_cbd-KMeans聚类模型。
一般用户类别K是通过经验给出的，但这种基于经验的方法很大程度上限制了聚类的有效性。可以采用自动聚类方法KMeans对电力用户进行分类，但传统的KMeans方法中的相似度计算采用欧氏距离法，对用户用电高峰不完全在相同时间点，相对会有微小时延或者在某些时刻用电量存在微小波动、但整体行为习惯或者波形非常相似时会带来较大聚类误差，因此使用既能考虑对应时间特性，又能考虑负荷形态上存在一定延迟特性的曼哈顿距离和动态时间规整加权的方法计算相似度。
其中，对向量a(a1,a2,…,an)和向量b(a1,b2,…,bn)，曼哈顿距离，也叫做城市街区距离(City Block distance)的计算如公式(1)。
动态时间规整dtw的相似度Distdtw＝D(n，n)，如公式(2)所示。
D(i，j)＝D(i，j)+min[D(i-1，j)，D(i，j-1)，D(i-1，j-1)] (2)
公式(2)中，D(0，0)D(0，j)＝D(i，0)＝∞，D(i,j)初始值为
加权动态时间规整(dtw)和曼哈顿距离(cbd)的相似度度量方法记为加权dtw_cbd方法，如公式(3)所示。
Distdtw_cbd＝W1*Distdtw+W2*Distcbd (3)
公式(3)中，W1和W2是Distdtw和Distcbd所占权重，并且满足W1+W2＝1，由于电力时序数据预测在聚类过程中需要更着重考虑形态上的相似，因此W1和W2分别设置为0.8和0.2。
S300、确定用户聚类个数和聚类结果。
(1)设定用户聚类个数K值的范围N为9，K初始化为1；
(2)K值加1，在电力负荷数据中选取K个序列作为聚类中心；
(3)按照公式(1)和(2)计算曼哈顿距离和动态时间规整相似度，分别记为Distcbd和Distdtw；
(4)按照公式(3)计算加权相似度Distdtw_cbd，并按照所得结果把相似用户划分到距离最近的中心；
(5)在对每个簇类别进行遍历之后，对每个簇的质心进行更新计算；
(6)如果新的质心和原有质心相同，则说明聚类完成，按公式(4)计算当前K值对应的误差平方和SSE。
其中ci代表第i个类别，p代表ci中的样本点，mi代表ci的质心；如果新的质心和原有质心不同，则将新的质心作为中心点重复(3)-(6)；
(7)使K在N的范围内重复(2)-(6)步，得到不同K值所对应的误差平方和SSE；
(8)根据N的范围内不同K值所对应的SSE，使用手肘法得到最佳聚类类别数K。手肘法所得的最佳K值是在N的范围内随K增大而SSE减小的过程中斜率变缓时所对应的K值。
本实施例中，使用手肘法SSE判断出的聚类个数K为3。
S400、计算皮尔逊相关系数得到对电力负荷影响较大的气象因素并形成特征向量。
对温度、湿度、能见度、公寓温度、气压、风速、云量、风向、降水强度、露点、降水概率按照公式(5)计算皮尔逊相关系数。
本实施例中，露点、风向、气压、云量以及湿度与电力负荷的皮尔逊相关系数绝对值大于0.21，选为最终用于电力负荷预测的天气因素。
S500、构建多因素ConvLSTM-Prophet模型，并使用历史电力负荷、气象及节假日信息等数据进行训练。
将经过皮尔逊筛选的气象因素和历史电力负荷通过归一化消除量纲差距，得到数据集；
将数据集按照8:1:1划分为训练集、验证集和测试集；
选取min-max标准化把气象特征和电力负荷数据映射到[0，1]的范围内；
对ConvLSTM模型使用归一化后的历史电力负荷和气象数据进行训练，得到：第一类用户在验证集上的平均误差εConvLSTM＝0.61％、第二类用户在验证集上的平均误差εConvLSTM＝0.65％、第三类用户在验证集上的平均误差εConvLSTM＝0.68％；
把对应时间内的节假日信息输入到Prophet模型中并使用归一化后的历史电力数据进行训练，得到：第一类用户在验证集上的平均误差εProphet＝1.42％、第二类用户在验证集上的平均误差εProphet＝1.32％、第三类用户在验证集上的平均误差εProphet＝1.46％；。
S600、对聚类出的各用户类别进行预测。
使用公式(7)所示的组合模型对3类用户在测试集上进行预测，其中
Y(t)＝W1-YConvLSTM(t)+W2*Yprophet(t) (7)
第一类用户：
第二类用户：
第三类用户：
三类用户在测试集上预测结果的平均误差分别为0.49％、0.52％、0.53％，低于单独使用ConvLSTM或者Prophet模型的平均误差。
先使用dtw_cbd-KMeans对用户依据用电习惯进行划分，降低了预测时同一用户类别之间的差异性。而多因素ConvLSTM-Prophet预测模型考虑了气象、节假日等影响因素，且组合模型可以降低单一模型的劣势，将各模型的预测结果加权充分利用了各模型的信息，使得预测的结果更加接近真实值。
实施例2
与上述实施例1相对应的，本实施例提出了一种基于深度学习并考虑多种影响因素的电力负荷预测系统，该系统包括：
数据获取模块，用于获取历史电力负荷、气象及节假日数据；
数据聚类模块，使用所述dtw_cbd-KMeans聚类对所述数据进行聚类，并得到用户聚类结果；
数据筛选模块，计算皮尔逊相关系数得到对电力负荷影响较大的气象因素；
数据预处理模块，用于对所述历史电力负荷及筛选后的气象数据进行预处理获得时间序列数据集；
模型构建模块，用于构建ConvLSTM-Prophet电力负荷预测模型，并使用预处理后的历史数据进行训练；
数据预测模块，使用所述多因素ConvLSTM-Prophet电力负荷预测模型对所述各用户类别进行预测；
本实施例提供的一种基于深度学习并考虑多种影响因素的电力负荷预测系统中各部件所执行的功能均已在上述实施例1中做了详细介绍，因此这里不做过多赘述。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (6)
1.一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统，其特征在于，所述方法包括：
获取某地区电力负荷、气象、节假日等历史数据；
建立基于动态时间规整改进的KMeans(dtw_cbd-KMeans，加权动态时间规整和曼哈顿距离的KMeans)聚类模型；
使用dtw_cbd-KMeans聚类模型确定用户聚类个数及聚类结果；
计算皮尔逊相关系数得到对电力负荷影响较大的气象因素并形成特征向量；
对聚类出的各用户类别建立多因素ConvLSTM-Prophet电力负荷预测模型，并使用历史电力负荷、气象及节假日信息等数据进行训练；
对不同用户类别使用训练后的ConvLSTM-Prophet模型进行分别预测。
2.根据权利要求1所述的一种基于深度学习并考虑多种影响因素的电力负荷预测方法，其特征在于，对所述通过考虑到各用户用电高峰不完全在相同时间点，相对会有微小时延，使用既能考虑对应时间特性、又能考虑负荷形态上存在一定延迟特性的加权曼哈顿距离和动态时间规整计算相似度的方法代替KMeans中原有的欧氏距离计算相似度的方法。
其中，对向量a(a1，a2，...，an)和向量b(b1，b2，...，bn)，曼哈顿距离，也叫城市街区距离(City Block distance)的计算如公式(1)。
动态时间规整dtw的相似度Distdtw＝D(n，n)，如公式(2)所示。
D(i，j)＝D(i，j)+min[D(i-1，j)，D(i，j-1)，D(i-1，j-1)] (2)
公式(2)中，D(0，0)＝D(0，j)＝D(i，0)＝∞，D(i，j)初始值为
加权动态时间规整(dtw)和曼哈顿距离(cbd)的相似度度量方法记为加权dtw_cbd方法，如公式(3)所示。
Distdtw_cbd＝W1*Distsdtw+W2*Distcbd (3)
公式(3)中，W1和W2是Distdtw和Distcbd所占权重，并且满足W1+W2＝1，由于电力负荷预测在聚类过程中需更着重考虑形态上的相似，因此W1和W2分别设置为0.8和0.2。
3.根据权利要求2所述的一种基于深度学习并考虑多种影响因素的电力负荷预测方法，其特征在于，所述使用dtw_cbd-KMeans聚类模型确定用户聚类个数K及各用户所属类别，包括：
(1)设定一个K值范围N(例如9)，K初始化为1；
(2)K值加1，在电力负荷数据中选取K个序列作为聚类中心；
(3)按照公式(1)和(2)计算曼哈顿和动态时间规整的相似度并分别记为Distcbd和Distdtw；
(4)按照公式(3)计算加权相似度Distdtw_cbd，并按照所得结果把相似用户划分到距离最近的中心；
(5)在对每个簇类别进行遍历之后，对每个簇求平均中心并作为新的聚类中心；
(6)如果新的质心和原有质心相同，则说明聚类完成，按公式(4)计算当前K值对应的误差平方和SSE。
其中ci代表第i个类别，p代表ci中的样本点，mi代表ci的质心；如果新的质心和原有质心不同，则将新的质心作为中心点重复(3)-(6)；
(7)使K在N的范围内重复(2)-(6)步，得到不同K值所对应的误差平方和SSE；
(8)根据N的范围内不同K值所对应的SSE，使用手肘法得到最佳聚类类别数K。手肘法所得的最佳K值是在N的范围内随K增大而SSE减小的过程中斜率变缓时所对应的K值。
4.根据权利要求1所述的一种基于深度学习并考虑多种影响因素的电力负荷预测方法，其特征在于，计算皮尔逊相关系数得到对电力负荷影响较大的气象因素并形成特征向量，包括：
对各气象因素按照公式(5)计算皮尔逊相关系数，其中n代表离散时间点个数，X代表电力负荷，Y代表某气象因素(如温度、降水、湿度等)。r的范围在-1到1之间：正值代表正相关，负值代表负相关，绝对值大小代表了相关性的强弱，0到0.2之间代表两者无相关或者相关性很弱，因此考虑r>0.21的气象因素。
5.根据权利要求1所述的一种基于深度学习并考虑多种影响因素的电力负荷预测方法，其特征在于，所述对聚类出的各用户类别建立多因素ConvLSTM-Prophet电力负荷预测模型，并使用历史电力负荷、气象及节假日信息等数据进行训练，包括：
使用经过皮尔逊筛选的气象特征、电力负荷、节假日信息形成初始数据集，并按8:1:1的比例划分为训练集、验证集及测试集。选取min-max标准化方法把气象特征和电力负荷数据映射到[0，1]的范围内，min-max标准化的公式如(6)。
其中X代表原始数据，Xmax代表样本的最大值，Xmin代表样本的最小值。
对ConvLSTM模型使用归一化后的历史电力负荷和气象数据进行训练，得到相关模型参数及在验证集上的误差εConvLSTM；
把对应时间内的节假日信息输入到Prophet模型中并使用归一化后的历史电力数据进行训练，得到相关模型参数及在验证集上的误差εProphet。
6.根据权利要求1所述的一种基于深度学习并考虑多种影响因素的电力负荷预测方法，其特征在于，所述对不同用户类别使用训练后的ConvLSTM-Prophet模型进行分别预测，包括：
使用训练好的ConvLSTM模型对各用户类别进行预测得到预测结果YConvLSTM(t)；
使用训练好的Prophet模型对各用户类别进行预测得到预测结果YProphet(t)；
最终加权二者的预测结果，得到最终的电力负荷预测值Y(t)，如公式(7)所示。
Y(t)＝W1*YConvLSTM(t)+W2*Yprophet(t) (7)
其中，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210787250.9A CN115018200A (zh) | 2022-07-04 | 2022-07-04 | 一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210787250.9A CN115018200A (zh) | 2022-07-04 | 2022-07-04 | 一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115018200A true CN115018200A (zh) | 2022-09-06 |
Family
ID=83078996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210787250.9A Pending CN115018200A (zh) | 2022-07-04 | 2022-07-04 | 一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115018200A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115640896A (zh) * | 2022-10-25 | 2023-01-24 | 湖南工商大学 | 多用户场景下的家庭用户电力负荷预测方法及相关设备 |
| CN115936184A (zh) * | 2022-11-10 | 2023-04-07 | 国网冀北电力有限公司计量中心 | 一种适应多用户类型的负荷预测匹配方法 |
-
2022
- 2022-07-04 CN CN202210787250.9A patent/CN115018200A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115640896A (zh) * | 2022-10-25 | 2023-01-24 | 湖南工商大学 | 多用户场景下的家庭用户电力负荷预测方法及相关设备 |
| CN115640896B (zh) * | 2022-10-25 | 2024-04-30 | 湖南工商大学 | 多用户场景下的家庭用户电力负荷预测方法及相关设备 |
| CN115936184A (zh) * | 2022-11-10 | 2023-04-07 | 国网冀北电力有限公司计量中心 | 一种适应多用户类型的负荷预测匹配方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106485262B (zh) | 一种母线负荷预测方法 | |
| CN109754113B (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
| CN108564192B (zh) | 一种基于气象因子权重相似日的短期光伏功率预测方法 | |
| CN108491970B (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
| CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
| CN109919353B (zh) | 一种基于空间相关性的arima模型的分布式光伏预测方法 | |
| CN107730031B (zh) | 一种超短期高峰负荷预测方法及其系统 | |
| CN115018200A (zh) | 一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统 | |
| CN111105104A (zh) | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 | |
| CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
| CN109376772B (zh) | 一种基于神经网络模型的电力负荷组合预测方法 | |
| CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
| CN115270965A (zh) | 一种配电网线路故障预测方法和装置 | |
| CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
| CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
| CN111882114B (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
| CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
| CN114595873A (zh) | 一种基于灰色关联的da-lstm的短期电力负荷预测方法 | |
| CN114519651A (zh) | 基于电力大数据的智能配电方法 | |
| CN112861418A (zh) | 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法 | |
| CN110489893B (zh) | 一种基于可变权值的母线负荷预测方法及系统 | |
| CN110163437B (zh) | 基于DPK-means的日前光伏发电功率预测方法 | |
| CN116797274A (zh) | 一种基于Attention-LSTM-LightGBM的共享单车需求量预测方法 | |
| CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
| CN115829418A (zh) | 适用于负荷管理的电力用户负荷特性画像构建方法和系统 |
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 |