CN115062864A - 一种配电网中期负荷分解-集合预测方法及系统 - Google Patents
一种配电网中期负荷分解-集合预测方法及系统 Download PDFInfo
- Publication number
- CN115062864A CN115062864A CN202210826792.2A CN202210826792A CN115062864A CN 115062864 A CN115062864 A CN 115062864A CN 202210826792 A CN202210826792 A CN 202210826792A CN 115062864 A CN115062864 A CN 115062864A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- prediction
- component
- prediction model
- 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 89
- 238000009826 distribution Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 30
- 230000001932 seasonal effect Effects 0.000 claims abstract description 30
- 230000015654 memory Effects 0.000 claims abstract description 24
- 238000010606 normalization Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 9
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 8
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 abstract description 10
- 230000006403 short-term memory Effects 0.000 abstract description 10
- 238000002474 experimental method Methods 0.000 description 16
- 230000002354 daily effect Effects 0.000 description 7
- 230000005611 electricity Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009466 transformation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配电网中期负荷分解‑集合预测方法及系统,此方法包括:获得历史气象数据和负荷数据,对数据进行归一化处理,生成时间序列样本集;对时间序列样本集中的负荷时间序列进行季节分解,生成趋势、季节和随机分量,对气象数据和负荷数据进行相关性分析,选择与负荷相关的气象特征,生成预测模型的输入数据;搭建每个分量对应的长短期记忆神经网络负荷预测模型,输入训练样本进行预测模型学习训练;将待测试数据输入至长短期记忆神经网络负荷预测模型,生成趋势、季节和随机三种分量预测结果;选择与分解方法对应的集合方法,将三种分量预测结果输入集合模型,生成最终预测结果。本发明具有中期负荷预测效率高、精度高等优点。
Description
技术领域
本发明主要涉及配电网技术领域,具体涉及一种配电网中期负荷分解-集合预测方法及系统。
背景技术
配电网中期负荷预测主要是对月度以上时间尺度的负荷进行预测,精确的中期负荷预测能为变电站选址定容、网架结构优化及调度计划的制定提供关键指导,有效提高电网规划的经济性,保障电力市场的有序推进。随着智能电表的普及,中期负荷预测获得了足够的数据支撑。但是,由于中期负荷预测的时间跨度较大,会造成严重的误差累积问题。此外,影响中期负荷预测的因素众多,难以明确其对中期负荷变化趋势的影响程度。
已有学者在中期负荷预测方面开展了相关研究。常用的中期负荷预测方法可分为两大类,分别为仅考虑负荷自身时序规律的方法和考虑相关性因素的方法。目前已有的中期负荷预测方法还存在以下缺陷:1)负荷预测过程中仅考虑负荷自身时序规律,忽略了外部因素对负荷的影响;2)对于高度非线性负荷序列,单一模型的学习能力不佳;3)中期负荷预测时间跨度大,误差累积严重。所述的缺陷导致配电网中期负荷预测性能较差,预测准确性不足。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的问题,本发明提供一种提高配电网中期负荷预测性能的配电网中期负荷分解-集合预测方法及系统。
为解决上述技术问题,本发明提出的技术方案为:
一种配电网中期负荷分解-集合预测方法,包括步骤:
S101、获得历史气象数据和负荷数据,在剔除异常数据和填补缺失数据后,对数据进行归一化处理,生成时间序列样本集;
S102、对时间序列样本集中的负荷时间序列进行季节分解,生成趋势、季节和随机三种分量,对气象数据和负荷数据进行相关性分析,选择与负荷相关的气象特征,生成预测模型的输入数据,作为训练样本;
S103、搭建每个分量对应的长短期记忆神经网络负荷预测模型,输入训练样本进行预测模型学习训练并调整优化模型参数;
S104、将待测试数据输入至所述长短期记忆神经网络负荷预测模型,生成趋势、季节和随机三种分量预测结果;
S105、选择与分解方法对应的集合方法,将三种分量预测结果输入集合模型,生成最终预测结果。
优选地,步骤S101的具体过程为:
S201、获取历史气象数据和负荷数据,其中所述历史气象数据包括温度、相对湿度、风速和风力;所述负荷数据为日用电量数据,所述历史气象数据和所述负荷数据均为时间序列数据;
S202、对所述历史气象数据和所述负荷数据采用箱型图法剔除异常数据,采用线性插值法填充缺失数据,生成高质量气象数据和负荷数据;
S203、对所述高质量气象数据与负荷数据进行归一化处理,生成时间序列样本集。
优选地,步骤S202中,通过箱型图法对配电网数据异常值进行检测的过程如下:依据数据偏离平均水平程度来检测配电网的异常数据,定义样本的上四分位数QU,下四分位数QL,上四分位数与下四分位数间隔QR,三者有如下关系:
QR=QL-QU
其中,在区间[QU-1.5QR,QL+1.5QR]范围外的数据判定为异常值,将异常值替换为空值,然后采用线性插值方法填充配电网缺失数。
优选地,步骤S102的具体过程包括:
S301、对负荷时间序列进行季节分解,生成趋势分量、季节分量和随机分量共三种分量;
S302、计算随机分量与气象数据间的最大互信息系数,衡量随机分量与气象特征间的相关性,筛选相关性最大的气象特征,将筛选得到的气象特征和负荷数据一并作为预测模型的输入数据;
S303、对于趋势分量和季节分量,选择负荷数据作为对应预测模型的输入数据;
S304、选择所述耦合相关性最大的负荷作为多能预测模型的输入数据;
S305、将所述预测模型的输入数据划分为训练样本集、验证样本集、测试样本集。
优选地,步骤S302中,随机分量与气象数据间的最大互信系数的计算公式如下:
其中,x为比较对象表示所分析的负荷特征数据,y为参考对象表示所参照的负荷特征数据,n为数据样本包含的数量,p为联合概率计算,a表示表示在二维空间中x方向上划分的网格数量,b表示在二维空间中y方向上划分的网格数量,MIC(x,y)表示比较对象数据x和参考数据y之间的最大相互信息系数。
优选地,步骤S103的具体过程包括:
S401、搭建每个分量对应的长短期记忆神经网络负荷预测模型,所述长短期记忆神经网络负荷预测模型的超参数包括神经网络隐含层数量、隐含层神经元数量和学习率;
S402、将所述训练样本集作为输入数据,将对应每种分量负荷预测样本数据作为输出数据;
S403、采用Adam优化算法确定预测模型的最优超参数,在验证样本集中对超参数进行微调。
优选地,在步骤103中,建立预测结果评估指标,采用绝对误差σ与平均绝对百分比误差MAPE两种指标衡量预测值与实际值之间的偏差。
优选地,步骤S104的具体过程包括:
S601、将测试数据输入所述长短期记忆神经网络负荷预测模型,获得趋势、季节和随机三种分量归一化预测值;
S602、对所述归一化预测值进行反归一化处理,获得趋势、季节和随机三种分量预测值。
优选地,步骤S105的具体过程包括:
S701、选择与分解方法对应的集合方法,具体的有加法集合模型和乘法集合模型;
S702、将趋势、季节和随机三种分量输入所述集合模型中,生成最终负荷预测结果。
本发明还公开了一种配电网中期负荷分解-集合预测系统,包括:
第一程序模块,用于获得历史气象数据和负荷数据,在剔除异常数据和填补缺失数据后,对数据进行归一化处理,生成时间序列样本集;
第二程序模块,用于对时间序列样本集中的负荷时间序列进行季节分解,生成趋势、季节和随机三种分量,对气象数据和负荷数据进行相关性分析,选择与负荷相关的气象特征,生成预测模型的输入数据,作为训练样本;
第三程序模块,用于搭建每个分量对应的长短期记忆神经网络负荷预测模型,输入训练样本进行预测模型学习训练并调整优化模型参数;
第四程序模块,用于将待测试数据输入至所述长短期记忆神经网络负荷预测模型,生成趋势、季节和随机三种分量预测结果;
第五程序模块,用于选择与分解方法对应的集合方法,将三种分量预测结果输入集合模型,生成最终预测结果。
与现有技术相比,本发明的优点在于:
本发明通过对原始负荷序列进行季节分解,将高度非线性的非平稳负荷序列预测问题转化为三个相对平稳的负荷序列预测问题,提高配电网中期负荷预测性能。
本发明对配电网负荷数据进行清洗,剔除负荷异常值,填补负荷缺失值,提高配电网数据质量,为中期负荷预测提供基础数据。
本选用时间跨度包含5年的历史实际数据,预测模型训练样本充足。
本发明采用季节分解方法,将原始负荷序列分解为趋势、季节和随机三种分量,将高度非线性的非平稳负荷序列分解为三个相对平稳、规律性相对较强的负荷序列,有利于预测模型学习负荷序列规律。
本采用最大互信息系数分析方法,分析挖掘配电网负荷与气象特征间的相关性,选择负荷预测模型的输入特征,进而提高负荷预测的效率和精度。
本发明基于长短期记忆神经网络建立负荷预测模型,解决了传统循环神经网络训练过程中易出现的“梯度消失”问题,根据模型自学习能力充分挖掘配电网长期和短期时间序列依赖信息,预测精度高且不容易过拟合。
附图说明
图1是本发明的预测方法在实施例的流程图。
图2是本发明中步骤S101对应的子流程图。
图3是本发明中步骤S102对应的子流程图。
图4是本发明中步骤S103对应的子流程图。
图5是本发明中的长短期记忆神经网络结构图。
图6是本发明中步骤S104对应的子流程图。
图7是本发明中步骤S105对应的子流程图。
图8是本发明中的数据清洗结果图。
图9是本发明中的季节分解结果图。
图10是本发明的趋势分量预测结果图。
图11是本发明的季节分量预测结果图。
图12是本发明的随机分量预测结果图。
图13是本发明的日用电量预测结果图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
如图1所示,本发明实施例提供了一种配电网中期负荷“分解-集合”预测方法,具体包括步骤:
S101、获得历史气象数据和负荷数据,在剔除异常数据和填补缺失数据后,对数据进行归一化处理,生成时间序列样本集;
S102、对负荷时间序列进行季节分解,生成趋势、季节和随机三种分量,对气象数据和负荷数据进行相关性分析,选择与负荷相关性高的气象特征,生成预测模型的输入数据,作为训练样本;
S103、搭建每个分量对应的长短期记忆神经网络负荷预测模型,输入训练样本进行预测模型学习训练并调整优化模型参数;
S104、将测试数据输入至所述长短期记忆神经网络负荷预测模型,生成趋势、季节和随机三种分量预测结果;
S105、选择与分解方法对应的集合方法,将三种分量预测结果输入集合模型,生成最终预测结果。
本发明通过对原始负荷序列进行季节分解,将高度非线性的非平稳负荷序列预测问题转化为三个相对平稳的负荷序列预测问题,提高配电网中期负荷预测性能。
如图2所示,在一具体实施例中,步骤S101的具体过程为:
S201、获取历史气象数据和负荷数据,其中,所述历史气象数据包括温度、相对湿度、风速、风力;所述负荷数据为日用电量数据,所述历史气象数据和所述负荷数据均为时间序列数据;
S202、对所述历史气象数据和所述负荷数据采用箱型图法剔除异常数据,采用线性插值法填充缺失数据,生成高质量气象数据和负荷数据;
S203、对所述高质量气象数据与负荷数据进行归一化处理,生成时间序列样本集,其中,所述时间序列样本集的时间跨度为5年。
具体的,步骤S202中,通过箱型图法对配电网数据异常值进行检测的过程如下:依据数据偏离平均水平程度来检测配电网的异常数据,定义样本的上四分位数QU,下四分位数QL,上四分位数与下四分位数间隔QR,三者有如下关系:
QR=QL-QU
其中,在区间[QU-1.5QR,QL+1.5QR]范围外的数据判定为异常值,将异常值替换为空值,然后采用线性插值方法填充配电网缺失数据。线性插值法采用缺失数据前一个样本点和后一个样本点的平均值进行插值填补。
通过数据清洗,解决配电网中因测量设备故障或数据传输错误所导致的采集值异常和缺失现象,为配电网中期负荷预测模型提供高质量的基础数据。
具体的,考虑到负荷预测输入数据量纲不统一以及不同特征数据间的量级差异较大,对特征进行归一化处理,其中,数据样本集归一化公式具体如下:
式中,xi是原始数据,xi *是归一化后的数据,xmax是原始数据中的最大值,xmin是原始数据中的最小值。
如图3所示,在一具体实施例中,步骤S102的具体过程包括:
S301、对负荷时间序列进行季节分解,生成趋势分量、季节分量和随机分量共三种分量;
S302、计算随机分量与气象数据间的最大互信息系数,衡量随机分量与气象特征间的相关性,筛选相关性最大的气象特征,将筛选得到的气象特征和负荷数据一并作为预测模型的输入数据;
S303、对于趋势分量和季节分量,选择负荷数据作为对应预测模型的输入数据;
S304、选择所述耦合相关性最大的负荷作为多能预测模型的输入数据;
S305、将所述预测模型的输入数据划分为训练样本集、验证样本集、测试样本集,其中,所述训练样本集为2015年1月至2019年10月的数据,验证样本集为2019年11月的数据,测试样本集为2019年最后30天的数据。
考虑到长短期记忆神经网络需要进行模型训练和参数调整,对总样本集进行划分,训练样本集用于训练负荷预测模型,验证样本集用于调整预测模型超参数,测试样本集用于验证模型的预测效果。
具体的,步骤S301中的季节分解是一种时间序列分解方法,通过移动平均进行多次迭代,将原始序列分解为趋势、季节和随机三种分量。其中,趋势分量反映了原始序列长期变化趋势,季节分量反映了原始序列周期变化规律,随机分量反映了由异常气象等因素导致的原始序列短期变化规律。季节分解有两种基本模型,分别为加法模型和乘法模型,两种模型的计算公式如下:
Yt=Tt+St+Rt
Yt=Tt·St·Rt
其中,Yt是原始序列,Tt是趋势分量,St是季节分量,Rt是随机分量。
具体的,步骤S302中,随机分量与气象数据间的最大互信系数的计算公式如下:
其中,x为比较对象表示所分析的负荷特征数据,y为参考对象表示所参照的负荷特征数据,n为数据样本包含的数量,p为联合概率计算,a表示表示在二维空间中x方向上划分的网格数量,b表示在二维空间中y方向上划分的网格数量,MIC(x,y)表示比较对象数据x和参考数据y之间的最大相互信息系数,取值范围在0到1之间。
如图4所示,在一具体实施例中,步骤S103的具体过程包括:
S401、搭建每个分量对应的长短期记忆神经网络负荷预测模型,所述长短期记忆神经网络负荷预测模型的超参数包括神经网络隐含层数量、隐含层神经元数量和学习率;
S402、将所述训练样本集作为输入数据,将对应每种分量负荷预测样本数据作为输出数据;
S403、采用Adam优化算法确定预测模型的最优超参数,在验证样本集中对超参数进行微调。
具体的,长短期记忆神经网络结构如图5所示。具体的,长短期记忆神经网络负荷预测模型的预测步骤如下:
首先,输入门输入当前时刻的状态信息和上一时刻隐藏层的状态信息,经过非线性函数变换后,通过遗忘门对状态信息进行筛选,确定需要被遗忘的状态信息,同时确定有用信息进入新的神经元状态。最后,输出门利用新的神经元状态,建立时间序列前后之间的联系,输出负荷预测最终结果。其中,各变量之间的具体计算公式如下:
ft=σ(Wfxxt+Wfhht-1+bf)
it=σ(Wixxt+Wihht-1+bi)
gt=φ(Wgxxt+Wghht-1+bg)
ot=σ(Woxxt+Wohht-1+bo)
St=gt⊙it+St-1⊙ft
ht=φ(St)⊙ot
其中,ft、it、gt、ot、St、ht、xt分别为遗忘门、输入门、输入节点、输出门、状态记忆单元、中间输出和输入。Wfx、Wix、Wox分别为遗忘门、输入门、输出门与输入之间的权重矩阵;Wfh、Wih、Woh分别为遗忘门、输入门、输出门与中间输出之间的权重矩阵;Wgx是输入节点与输入之间的权重矩阵;Wgh是输入节点与中间输出之间的权重矩阵。bf、bi、bo、bg是遗忘门、输入门、输出门、输入节点对应的偏置项。σ是sigmoid激活函数,φ是双曲正弦激活函数,⊙表示向量中元素进行按位乘法。
为了比较负荷预测效果,建立预测结果评估指标,采用绝对误差σ与平均绝对百分比误差MAPE两种指标衡量预测值与实际值之间的偏差。具体误差公式如下式所示:
如图6所示,在一具体实施例中,步骤S104的具体过程包括:
S601、将测试数据输入所述长短期记忆神经网络负荷预测模型,获得趋势、季节和随机三种分量归一化预测值;
S602、对所述归一化预测值进行反归一化处理,获得趋势、季节和随机三种分量预测值。
其中由于模型是通过归一化处理后的数据训练获得的,因此在执行实际的样本数据的运算过程中,同样需要以归一化的预测值进行输出,但是输出后的数据还需要反馈为各类负荷的实际值,因此在此基础上进行了反归一化处理,获得各类负荷的实际预测值。
如图7所示,在一具体实施例中,步骤S105的具体过程包括:
S701、选择与分解方法对应的集合方法,具体的有加法集合模型和乘法集合模型;
S702、将趋势、季节和随机三种分量输入所述集合模型中,生成最终负荷预测结果。
本发明的技术方案包括以下有益效果:
1)本发明对配电网负荷数据进行清洗,剔除负荷异常值,填补负荷缺失值,提高配电网数据质量,为中期负荷预测提供基础数据。
2)本选用时间跨度包含5年的历史实际数据,预测模型训练样本充足。
3)本发明采用季节分解方法,将原始负荷序列分解为趋势、季节和随机三种分量,将高度非线性的非平稳负荷序列分解为三个相对平稳、规律性相对较强的负荷序列,有利于预测模型学习负荷序列规律。
4)本采用最大互信息系数分析方法,分析挖掘配电网负荷与气象特征间的相关性,选择负荷预测模型的输入特征,进而提高负荷预测的效率和精度。
5)本发明基于长短期记忆神经网络建立负荷预测模型,解决了传统循环神经网络训练过程中易出现的“梯度消失”问题,根据模型自学习能力充分挖掘配电网长期和短期时间序列依赖信息,预测精度高且不容易过拟合。
以下提供一种完整的具体实施例来对本发明作进一步详细说明:
根据某地区配电网2015至2019年共1825天数据,包含日用电量数据,同时还包含温度、相对湿度、风速、风力每60分钟一个点的气象数据,为了保持负荷数据和气象数据的同步性,对气象数据进行重采样,取每天24个点的平均值作为日气象数据。针对该配电网数据进行未来30天日用电量的中期负荷预测,预测的具体流程如下:
S801、提升配电网的数据质量,对配电网数据进行清洗,包括采用箱型图法剔除异常值和采用线性插值法填补缺失值,数据清洗结果如图8所示;
S802、考虑原始负荷序列的高度非线性特征,采用季节分解算法中的加法模型,将原始序列分解为趋势、季节和随机三种分量,分解结果如图9所示;
S803、计算随机分量与气象数据间的最大互信息系数,衡量随机分量与气象特征间的相关性,筛选相关性最大的气象特征,计算得到的最大互信息系数结果如表1所示。
表1
其中,所考虑的气象特征中温度与随机分量的相关性最强,因此,将温度添加到随机分量预测模型的输入数据中;趋势分量和季节分量预测模型的输入均只考虑负荷数据;
S904、采用Python代码编写,基于Keras框架搭建长短期记忆神经网络。综合考虑Adam优化算法和人工手动微调结果,设置损失函数为均方误差MSE,batch_size为200,隐含层数量为3,每层隐含层的神经元数量分别为128、128、64,学习率设置为0.01;
S905、通过训练好的长短期记忆神经网络负荷预测模型对分解得到的三种分量进行预测,图10为趋势分量预测结果,图11为季节分量预测结果,图12为随机分量预测结果。趋势分量占原始数据的百分比较大,因此趋势分量的预测准确度在很大程度上决定了最终预测结果的精确性。如图10所示,所述趋势分量预测模型预测到了日用电量的波动下降趋势,MAPE为0.0273%。季节分量占原始数据的百分比较小,因此季节分量的预测准确度对最终预测结果的精确性影响较小。如图11所示,所述季节分量预测模型预测到了日用电量的周期变化趋势,MAPE为3.92%。
考虑到随机分量与异常气象有关,设置两组对比实验。实验01:不考虑气象特征,仅考虑负荷数据作为随机分量预测模型输入,采用长短期记忆神经网络建立预测模型。实验02:考虑气象特征,将温度和负荷数据一并作为随机分量预测模型输入,采用长短期记忆神经网络建立预测模型。通过上述实验,随机分量预测结果如图12所示。预测结果表明考虑温度作为输入,使随机分量预测模型的MAPE下降了42.89%,提高了随机分量预测的准确度。
S906、选择与分解方法对应的集合方法,即将趋势、季节和随机三种分量的预测结果输入加法集合模型中,生成最终预测结果,如图13所示。为了验证所述“分解-集合”预测方法的有效性,设置两组对比实验。实验1:不对原始序列进行处理,直接搭建长短期记忆神经网络模型进行预测。实验2:对原始序列进行季节分解,并在随机分量预测时考虑温度的影响,搭建长短期记忆神经网络进行分量预测,通过集合模型输出最终预测结果。未来30天的预测误差如表2所示,23天(76.67%)中实验2的相对误差小于实验1的相对误差,实验1的最大和最小相对误差分别为12.27%和0.14%,实验2的最大和最小相对误差分别为3.54%和0.16%,可见实验2的相对误差更加稳定。实验1和实验2的MAPE分别为4.029%和1.803%,实验1的MAPE是实验2的2倍以上。因此,所述一种配电网中期负荷“分解-集合”预测方法有效提高了负荷预测的准确性。
表2
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (10)
1.一种配电网中期负荷分解-集合预测方法,其特征在于,包括步骤:
S101、获得历史气象数据和负荷数据,在剔除异常数据和填补缺失数据后,对数据进行归一化处理,生成时间序列样本集;
S102、对时间序列样本集中的负荷时间序列进行季节分解,生成趋势、季节和随机三种分量,对气象数据和负荷数据进行相关性分析,选择与负荷相关的气象特征,生成预测模型的输入数据,作为训练样本;
S103、搭建每个分量对应的长短期记忆神经网络负荷预测模型,输入训练样本进行预测模型学习训练并调整优化模型参数;
S104、将待测试数据输入至所述长短期记忆神经网络负荷预测模型,生成趋势、季节和随机三种分量预测结果;
S105、选择与分解方法对应的集合方法,将三种分量预测结果输入集合模型,生成最终预测结果。
2.根据权利要求1所述的配电网中期负荷分解-集合预测方法,其特征在于,步骤S101的具体过程为:
S201、获取历史气象数据和负荷数据,其中所述历史气象数据包括温度、相对湿度、风速和风力;所述负荷数据为日用电量数据,所述历史气象数据和所述负荷数据均为时间序列数据;
S202、对所述历史气象数据和所述负荷数据采用箱型图法剔除异常数据,采用线性插值法填充缺失数据,生成高质量气象数据和负荷数据;
S203、对所述高质量气象数据与负荷数据进行归一化处理,生成时间序列样本集。
3.根据权利要求2所述的配电网中期负荷分解-集合预测方法,其特征在于,步骤S202中,通过箱型图法对配电网数据异常值进行检测的过程如下:依据数据偏离平均水平程度来检测配电网的异常数据,定义样本的上四分位数QU,下四分位数QL,上四分位数与下四分位数间隔QR,三者有如下关系:
QR=QL-QU
其中,在区间[QU-1.5QR,QL+1.5QR]范围外的数据判定为异常值,将异常值替换为空值,然后采用线性插值方法填充配电网缺失数。
4.根据权利要求3所述的配电网中期负荷分解-集合预测方法,其特征在于,步骤S102的具体过程包括:
S301、对负荷时间序列进行季节分解,生成趋势分量、季节分量和随机分量共三种分量;
S302、计算随机分量与气象数据间的最大互信息系数,衡量随机分量与气象特征间的相关性,筛选相关性最大的气象特征,将筛选得到的气象特征和负荷数据一并作为预测模型的输入数据;
S303、对于趋势分量和季节分量,选择负荷数据作为对应预测模型的输入数据;
S304、选择所述耦合相关性最大的负荷作为多能预测模型的输入数据;
S305、将所述预测模型的输入数据划分为训练样本集、验证样本集、测试样本集。
6.根据权利要求5所述的配电网中期负荷分解-集合预测方法,其特征在于,步骤S103的具体过程包括:
S401、搭建每个分量对应的长短期记忆神经网络负荷预测模型,所述长短期记忆神经网络负荷预测模型的超参数包括神经网络隐含层数量、隐含层神经元数量和学习率;
S402、将所述训练样本集作为输入数据,将对应每种分量负荷预测样本数据作为输出数据;
S403、采用Adam优化算法确定预测模型的最优超参数,在验证样本集中对超参数进行微调。
7.根据权利要求6所述的配电网中期负荷分解-集合预测方法,其特征在于,在步骤103中,建立预测结果评估指标,采用绝对误差σ与平均绝对百分比误差MAPE两种指标衡量预测值与实际值之间的偏差。
8.根据权利要求7所述的配电网中期负荷分解-集合预测方法,其特征在于,步骤S104的具体过程包括:
S601、将测试数据输入所述长短期记忆神经网络负荷预测模型,获得趋势、季节和随机三种分量归一化预测值;
S602、对所述归一化预测值进行反归一化处理,获得趋势、季节和随机三种分量预测值。
9.根据权利要求8所述的配电网中期负荷分解-集合预测方法,其特征在于,步骤S105的具体过程包括:
S701、选择与分解方法对应的集合方法,具体的有加法集合模型和乘法集合模型;
S702、将趋势、季节和随机三种分量输入所述集合模型中,生成最终负荷预测结果。
10.一种配电网中期负荷分解-集合预测系统,其特征在于,包括:
第一程序模块,用于获得历史气象数据和负荷数据,在剔除异常数据和填补缺失数据后,对数据进行归一化处理,生成时间序列样本集;
第二程序模块,用于对时间序列样本集中的负荷时间序列进行季节分解,生成趋势、季节和随机三种分量,对气象数据和负荷数据进行相关性分析,选择与负荷相关的气象特征,生成预测模型的输入数据,作为训练样本;
第三程序模块,用于搭建每个分量对应的长短期记忆神经网络负荷预测模型,输入训练样本进行预测模型学习训练并调整优化模型参数;
第四程序模块,用于将待测试数据输入至所述长短期记忆神经网络负荷预测模型,生成趋势、季节和随机三种分量预测结果;
第五程序模块,用于选择与分解方法对应的集合方法,将三种分量预测结果输入集合模型,生成最终预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210826792.2A CN115062864A (zh) | 2022-07-14 | 2022-07-14 | 一种配电网中期负荷分解-集合预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210826792.2A CN115062864A (zh) | 2022-07-14 | 2022-07-14 | 一种配电网中期负荷分解-集合预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115062864A true CN115062864A (zh) | 2022-09-16 |
Family
ID=83205788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210826792.2A Pending CN115062864A (zh) | 2022-07-14 | 2022-07-14 | 一种配电网中期负荷分解-集合预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115062864A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545362A (zh) * | 2022-12-05 | 2022-12-30 | 南方电网数字电网研究院有限公司 | 一种ai与tsd结合的新能源中期功率组合预测方法 |
CN115983448A (zh) * | 2022-12-14 | 2023-04-18 | 南京信息工程大学 | 一种基于时空图神经网络的多能源负荷预测方法 |
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 |
CN117040033A (zh) * | 2023-10-07 | 2023-11-10 | 盛隆电气集团有限公司 | 一种基于智能中压柜的配电方法及装置 |
-
2022
- 2022-07-14 CN CN202210826792.2A patent/CN115062864A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545362A (zh) * | 2022-12-05 | 2022-12-30 | 南方电网数字电网研究院有限公司 | 一种ai与tsd结合的新能源中期功率组合预测方法 |
CN115983448A (zh) * | 2022-12-14 | 2023-04-18 | 南京信息工程大学 | 一种基于时空图神经网络的多能源负荷预测方法 |
CN115983448B (zh) * | 2022-12-14 | 2023-09-12 | 南京信息工程大学 | 一种基于时空图神经网络的多能源负荷预测方法 |
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 |
CN117040033A (zh) * | 2023-10-07 | 2023-11-10 | 盛隆电气集团有限公司 | 一种基于智能中压柜的配电方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115062864A (zh) | 一种配电网中期负荷分解-集合预测方法及系统 | |
CN112508275A (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
CN115293326A (zh) | 电力负荷预测模型的训练方法、装置及电力负荷预测方法 | |
CN114091766B (zh) | 基于ceemdan-lstm的空间负荷预测方法 | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
Zhu et al. | Short-term electricity consumption forecasting based on the EMD-fbprophet-LSTM method | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
CN116663871B (zh) | 用电需求量预测方法及系统 | |
CN117578440A (zh) | 一种基于神经网络的电网负荷预测方法 | |
CN117335425A (zh) | 一种基于ga-bp神经网络的潮流计算方法 | |
CN116703644A (zh) | 一种基于Attention-RNN的短期电力负荷预测方法 | |
Viana et al. | Load forecasting benchmark for smart meter data | |
CN115860797A (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
Ragozin et al. | State Prediction in Compound Control Systems via Time Series: Neural Network Approach | |
Chen et al. | Reconsidering the smart metering data collection frequency for distribution state estimation | |
Deng et al. | Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network | |
Shendryk et al. | Short-term Solar Power Generation Forecasting for Microgrid | |
Nayak et al. | Short-term wind speed forecasting using multi-source multivariate rnn-lstms |
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 |