CN115186916A - 负荷预测方法、装置、设备及计算机可读存储介质 - Google Patents

负荷预测方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN115186916A
CN115186916A CN202210867638.XA CN202210867638A CN115186916A CN 115186916 A CN115186916 A CN 115186916A CN 202210867638 A CN202210867638 A CN 202210867638A CN 115186916 A CN115186916 A CN 115186916A
Authority
CN
China
Prior art keywords
prediction
target
point
load
preset
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
CN202210867638.XA
Other languages
English (en)
Inventor
朱奥强
高强
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.)
Sungrow Renewables Development Co Ltd
Original Assignee
Sungrow Renewables Development 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 Sungrow Renewables Development Co Ltd filed Critical Sungrow Renewables Development Co Ltd
Priority to CN202210867638.XA priority Critical patent/CN115186916A/zh
Publication of CN115186916A publication Critical patent/CN115186916A/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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Power Engineering (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种负荷预测方法、装置、设备及计算机可读存储介质，所述方法包括：获取当前预测点所处超参数周期内的目标训练超参数；获取当前预测点对应的样本数据集；按照目标训练超参数采用样本数据集对预设的负荷预测模型进行有监督训练，以更新负荷预测模型中的模型参数；将当前预测点的采样数据输入更新模型参数后的负荷预测模型进行预测，得到当前预测点的下一预测点的预测负荷功率值。本发明提高了负荷预测的准确度。

Description

负荷预测方法、装置、设备及计算机可读存储介质
技术领域
本发明涉及电力数据处理技术领域，尤其涉及一种负荷预测方法、装置、设备及计算机可读存储介质。
背景技术
电力负荷预测是电力部门的重要工作之一，依据准确的负荷预测，可以经济合理地安排电网内部发电机组的启停，保持电网运行的安全稳定性，减少不必要的旋转储备容量，合理安排机组检修计划，保障社会的正常生产和生活，有效地降低发电成本，提高经济效益和社会效益。目前的负荷预测方案一般是采用历史数据对负荷预测模型进行一次性训练后，采用训练好的负荷预测模型进行负荷功率预测，无法根据实时数据变化来调整负荷预测模型，从而导致预测效果不佳。
发明内容
本发明的主要目的在于提供一种负荷预测方法、装置、设备及计算机可读存储介质，旨在解决目前的负荷预测方案无法根据实时数据变化来调整负荷预测模型，导致预测效果不佳的技术问题。
为实现上述目的，本发明提供一种负荷预测方法，所述方法包括以下步骤：
获取当前预测点所处超参数周期内的目标训练超参数，其中，各超参数周期内的训练超参数是基于对应上一超参数周期内的预测误差对上一超参数周期内的训练超参数进行校正得到的，超参数周期内的预测误差是基于超参数周期内各预测点的预测负荷功率值与真实负荷功率值计算得到；
获取所述当前预测点对应的样本数据集，其中，所述样本数据集包括所述当前预测点之前预设时长内各预测点分别对应的样本数据和标签数据，预测点对应的样本数据是根据预测点的采样数据生成的，上一预测点对应的标签数据是根据下一预测点的真实负荷功率值生成的；
按照所述目标训练超参数采用所述样本数据集对预设的负荷预测模型进行有监督训练，以更新所述负荷预测模型中的模型参数；
将所述当前预测点的采样数据输入更新模型参数后的所述负荷预测模型进行预测，得到所述当前预测点的下一预测点的预测负荷功率值，根据所述预测负荷功率值调整储能系统的充放电状态以控制用电系统的需量。
可选地，所述负荷预测方法还包括：
在任一目标超参数周期结束后，根据所述目标超参数周期内各预测点的预测负荷功率值和真实负荷功率值计算得到所述目标超参数周期内的预测误差；
根据所述目标超参数周期内的预测误差相对于上一超参数周期内的预测误差的变化趋势，和所述目标超参数周期内的训练超参数相对于上一超参数周期内的训练超参数的调整趋势，确定训练超参数的目标调整趋势，其中，所述目标调整趋势是使得预测误差变小的调整趋势；
按照所述目标调整趋势调整所述目标超参数周期内的训练超参数，得到所述目标超参数周期的下一超参数周期内的训练超参数。
可选地，所述将所述当前预测点的采样数据输入更新模型参数后的所述负荷预测模型进行预测，得到所述当前预测点的下一预测点的预测负荷功率值的步骤之后，还包括：
根据所述预测负荷功率值调整储能系统的充放电状态以控制用电系统的需量。
可选地，所述根据所述预测负荷功率值调整储能系统的充放电状态以控制用电系统的需量的步骤包括：
当所述预测负荷功率值小于预设功率值时，控制所述储能系统进入充电状态，其中，所述预设功率值为所述用电系统的最大需量达到预设需量时的负荷功率值；
当所述预测负荷功率值大于所述预设功率值时，控制所述储能系统进入放电状态；
当所述预测负荷功率值等于所述预设功率值时，控制所述储能系统进入平衡状态。
可选地，所述按照所述目标训练超参数采用所述样本数据集对预设的负荷预测模型进行有监督训练的步骤包括：
从所述样本数据集提取出前预设个数的预测点对应的样本数据和标签数据作为训练数据集；
按照所述目标训练超参数采用所述训练数据集对预设的负荷预测模型进行有监督训练，以对所述负荷预测模型的模型参数进行至少一次的更新；
从所述样本数据集中提取出一个预测点的样本数据和标签数据添加至所述训练数据集，将更新模型参数后的所述负荷预测模型作为预设的负荷预测模型，返回执行所述按照所述目标训练超参数采用所述训练数据集对预设的负荷预测模型进行有监督训练，以对所述负荷预测模型的模型参数进行至少一次的更新的步骤，直到所述样本数据集为空。
可选地，所述按照所述目标训练超参数采用所述样本数据集对预设的负荷预测模型进行有监督训练，以更新所述负荷预测模型中的模型参数的步骤之前，还包括：
获取在所述当前预测点的上一预测点进行负荷功率预测时采用的负荷预测模型作为所述预设的负荷预测模型。
可选地，获取当前预测点之前预设时长内各预测点分别对应的样本数据的步骤包括：
对于所述当前预测点之前预设时长内各个预测点中的任一目标预测点，获取所述目标预测点分别在各预设数据特征下的采样数据；
将各所述采样数据分别进行归一化处理，将归一化处理后的各所述采样数据作为所述目标预测点对应的样本数据。
可选地，所述对于所述当前预测点之前预设时长内各个预测点中的任一目标预测点，获取所述目标预测点分别在各预设数据特征下的采样数据的步骤之前，还包括：
获取负荷功率数列和待选数据特征的采样数据数列，其中，所述负荷功率数列中包括在各预设采样时间点采集的真实负荷功率值，所述采样数据数列包括在所述各预设采样时间点采集的所述待选数据特征下的采样数据；
计算所述负荷功率数列与所述采样数据数列之间的关联系数；
当所述关联系数大于第一预设阈值时，将负荷功率和所述待选数据特征作为两种所述预设数据特征。
可选地，获取当前预测点之前预设时长内各预测点分别对应的样本数据的步骤包括：
对于各预设数据特征中的任一目标预设数据特征，获取所述当前预测点之前预设时长内的各个预测点在所述目标预设数据特征下的采样数据；
对所述目标预设数据特征下的各所述采样数据进行曲线拟合得到所述目标预设数据特征对应的目标曲线；
对于所述当前预测点之前预设时长内各个预测点中的任一目标预测点，计算所述目标预测点在所述目标预设数据特征下的所述采样数据相对于所述目标曲线的目标偏离值；
根据所述目标偏离值确定所述目标预测点在所述目标预设数据特征下的样本值，其中，当所述目标偏离值大于第二预设阈值时，采用所述目标预测点在所述目标曲线上对应的取值作为所述目标预测点在所述目标预设数据特征下的样本值，当所述目标偏离值小于或等于所述第二预设阈值时，采用所述目标预测点在所述目标预设数据特征下的所述采样数据作为样本值；
将所述目标预测点在各所述预设数据特征下的所述样本值作为所述目标预测点对应的样本数据。
为实现上述目的，本发明还提供一种负荷预测装置，所述负荷预测装置包括：
第一获取模块，用于获取当前预测点所处超参数周期内的目标训练超参数，其中，各超参数周期内的训练超参数是基于对应上一超参数周期内的预测误差对上一超参数周期内的训练超参数进行校正得到的，超参数周期内的预测误差是基于超参数周期内各预测点的预测负荷功率值与真实负荷功率值计算得到；
第二获取模块，用于获取所述当前预测点对应的样本数据集，其中，所述样本数据集包括所述当前预测点之前预设时长内各预测点分别对应的样本数据和标签数据，预测点对应的样本数据是根据预测点的采样数据生成的，上一预测点对应的标签数据是根据下一预测点的真实负荷功率值生成的；
训练模块，用于按照所述目标训练超参数采用所述样本数据集对预设的负荷预测模型进行有监督训练，以更新所述负荷预测模型中的模型参数；
预测模块，用于将所述当前预测点的采样数据输入更新模型参数后的所述负荷预测模型进行预测，得到所述当前预测点的下一预测点的预测负荷功率值。
为实现上述目的，本发明还提供一种负荷预测设备，所述负荷预测设备包括：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负荷预测程序，所述负荷预测程序被所述处理器执行时实现如上所述的负荷预测方法的步骤。
此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有负荷预测程序，所述负荷预测程序被处理器执行时实现如上所述的负荷预测方法的步骤。
本发明中，在每个超参数周期都根据上一超参数周期的预测误差来校正训练超参数，且在每个预测点都获取最近一段时间的采样数据组成样本数据集对负荷预测模型进行训练，再采用训练得到的负荷预测模型基于当前预测点的采样数据进行预测得到下一预测点的预测负荷功率值。可以理解的是，相比于采用大量的历史数据一次性训练得到负荷预测模型后就不再调整模型的负荷预测方案，本发明中，一方面，在每个预测点进行预测时，所使用的样本数据集都是最新的，从而使得采用样本数据集训练出的负荷预测模型也是最新的，最能够反映系统实时的负荷变化趋势，从而能够提高负荷预测的准确度；另一方面，每隔一段时间即根据上一阶段的预测误差来对训练负荷预测模型所使用的训练超参数进行校正，实现了根据不断变化的实时数据来校正负荷预测模型的预测准确度。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明负荷预测方法第一实施例的流程示意图；
图3为本发明实施例涉及的一种负荷功率预测时序图；
图4为本发明实施例涉及的一种需量控制系统架构图；
图5为本发明负荷预测装置较佳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仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
需要说明的是，本发明实施例负荷预测设备，所述负荷预测设备可以是智能手机、个人计算机、服务器等设备，在此不做具体限制。
如图1所示，该负荷预测设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。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WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，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中示出的设备结构并不构成对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，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及负荷预测程序。操作系统是管理和控制设备硬件和软件资源的程序，支持负荷预测程序以及其它软件或程序的运行。在图1所示的设备中，用户接口1003主要用于与客户端进行数据通信；网络接口1004主要用于与服务器建立通信连接；而处理器1001可以用于调用存储器1005中存储的负荷预测程序，并执行以下操作：
获取当前预测点所处超参数周期内的目标训练超参数，其中，各超参数周期内的训练超参数是基于对应上一超参数周期内的预测误差对上一超参数周期内的训练超参数进行校正得到的，超参数周期内的预测误差是基于超参数周期内各预测点的预测负荷功率值与真实负荷功率值计算得到；
获取所述当前预测点对应的样本数据集，其中，所述样本数据集包括所述当前预测点之前预设时长内各预测点分别对应的样本数据和标签数据，预测点对应的样本数据是根据预测点的采样数据生成的，上一预测点对应的标签数据是根据下一预测点的真实负荷功率值生成的；
按照所述目标训练超参数采用所述样本数据集对预设的负荷预测模型进行有监督训练，以更新所述负荷预测模型中的模型参数；
将所述当前预测点的采样数据输入更新模型参数后的所述负荷预测模型进行预测，得到所述当前预测点的下一预测点的预测负荷功率值。
进一步地，处理器1001还可以用于调用存储器1005中存储的负荷预测程序，执行以下操作：
在任一目标超参数周期结束后，根据所述目标超参数周期内各预测点的预测负荷功率值和真实负荷功率值计算得到所述目标超参数周期内的预测误差；
根据所述目标超参数周期内的预测误差相对于上一超参数周期内的预测误差的变化趋势，和所述目标超参数周期内的训练超参数相对于上一超参数周期内的训练超参数的调整趋势，确定训练超参数的目标调整趋势，其中，所述目标调整趋势是使得预测误差变小的调整趋势；
按照所述目标调整趋势调整所述目标超参数周期内的训练超参数，得到所述目标超参数周期的下一超参数周期内的训练超参数。
进一步地，所述将所述当前预测点的采样数据输入更新模型参数后的所述负荷预测模型进行预测，得到所述当前预测点的下一预测点的预测负荷功率值的操作之后，处理器1001还可以用于调用存储器1005中存储的负荷预测程序，执行以下操作：
根据所述预测负荷功率值调整储能系统的充放电状态以控制用电系统的需量。
进一步地，所述根据所述预测负荷功率值调整储能系统的充放电状态以控制用电系统的需量的操作包括：
当所述预测负荷功率值小于预设功率值时，控制所述储能系统进入充电状态，其中，所述预设功率值为所述用电系统的最大需量达到预设需量时的负荷功率值；
当所述预测负荷功率值大于所述预设功率值时，控制所述储能系统进入放电状态；
当所述预测负荷功率值等于所述预设功率值时，控制所述储能系统进入平衡状态。
进一步地，所述按照所述目标训练超参数采用所述样本数据集对预设的负荷预测模型进行有监督训练的操作包括：
从所述样本数据集提取出前预设个数的预测点对应的样本数据和标签数据作为训练数据集；
按照所述目标训练超参数采用所述训练数据集对预设的负荷预测模型进行有监督训练，以对所述负荷预测模型的模型参数进行至少一次的更新；
从所述样本数据集中提取出一个预测点的样本数据和标签数据添加至所述训练数据集，将更新模型参数后的所述负荷预测模型作为预设的负荷预测模型，返回执行所述按照所述目标训练超参数采用所述训练数据集对预设的负荷预测模型进行有监督训练，以对所述负荷预测模型的模型参数进行至少一次的更新的操作，直到所述样本数据集为空。
进一步地，所述按照所述目标训练超参数采用所述样本数据集对预设的负荷预测模型进行有监督训练，以更新所述负荷预测模型中的模型参数的操作之前，处理器1001还可以用于调用存储器1005中存储的负荷预测程序，执行以下操作：
获取在所述当前预测点的上一预测点进行负荷功率预测时采用的负荷预测模型作为所述预设的负荷预测模型。
进一步地，获取当前预测点之前预设时长内各预测点分别对应的样本数据的操作包括：
对于所述当前预测点之前预设时长内各个预测点中的任一目标预测点，获取所述目标预测点分别在各预设数据特征下的采样数据；
将各所述采样数据分别进行归一化处理，将归一化处理后的各所述采样数据作为所述目标预测点对应的样本数据。
进一步地，所述对于所述当前预测点之前预设时长内各个预测点中的任一目标预测点，获取所述目标预测点分别在各预设数据特征下的采样数据的操作之前，处理器1001还可以用于调用存储器1005中存储的负荷预测程序，执行以下操作：
获取负荷功率数列和待选数据特征的采样数据数列，其中，所述负荷功率数列中包括在各预设采样时间点采集的真实负荷功率值，所述采样数据数列包括在所述各预设采样时间点采集的所述待选数据特征下的采样数据；
计算所述负荷功率数列与所述采样数据数列之间的关联系数；
当所述关联系数大于第一预设阈值时，将负荷功率和所述待选数据特征作为两种所述预设数据特征。
进一步地，获取当前预测点之前预设时长内各预测点分别对应的样本数据的操作包括：
对于各预设数据特征中的任一目标预设数据特征，获取所述当前预测点之前预设时长内的各个预测点在所述目标预设数据特征下的采样数据；
对所述目标预设数据特征下的各所述采样数据进行曲线拟合得到所述目标预设数据特征对应的目标曲线；
对于所述当前预测点之前预设时长内各个预测点中的任一目标预测点，计算所述目标预测点在所述目标预设数据特征下的所述采样数据相对于所述目标曲线的目标偏离值；
根据所述目标偏离值确定所述目标预测点在所述目标预设数据特征下的样本值，其中，当所述目标偏离值大于第二预设阈值时，采用所述目标预测点在所述目标曲线上对应的取值作为所述目标预测点在所述目标预设数据特征下的样本值，当所述目标偏离值小于或等于所述第二预设阈值时，采用所述目标预测点在所述目标预设数据特征下的所述采样数据作为样本值；
将所述目标预测点在各所述预设数据特征下的所述样本值作为所述目标预测点对应的样本数据。
基于上述的结构，提出负荷预测方法的各个实施例。
参照图2，图2为本发明负荷预测方法第一实施例的流程示意图。
本发明实施例提供了负荷预测方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。在本实施例中，负荷预测方法的执行主体可以是个人电脑、智能手机等设备，在本实施例中并不做限制，以下为便于描述，省略执行主体进行各实施例的阐述。在本实施例中，所述负荷预测方法包括：
步骤S10，获取当前预测点所处超参数周期内的目标训练超参数，其中，各超参数周期内的训练超参数是基于对应上一超参数周期内的预测误差对上一超参数周期内的训练超参数进行校正得到的，超参数周期内的预测误差是基于超参数周期内各预测点的预测负荷功率值与真实负荷功率值计算得到；
本实施例中，可以每隔一段时间进行一次负荷功率的预测，将每次需要执行预测操作的时间点称为预测点，每到一个预测点时，对该预测点的下一预测点的负荷功率值进行预测。例如，到8点整时进行一次预测，预测8点15分时的负荷功率值，在8点15分时进行一次预测，预测8点30分时的负荷功率值。每两个预测点之间的时间间隔可以是相同的，也可以是不同的，在本实施例中并不做限制；时间间隔的长度具体取值在本实施例中也不做限制。例如，需量的统计周期目前一般是15分钟，也即，每15分钟计算一次平均功率作为15分钟内的需量，最大需量是取在一段时间内例如一个月内所统计的各个需量中的最大值；负荷功率的预测周期可以与需量的统计周期一致，也即，相邻预测点之间的时间间隔可以设置为15分钟。
在到达一个预测点(以下将该预测点称为当前预测点以示区分)时，可以获取该当前预测点所处的超参数周期内的训练超参数(以下称为目标训练超参数)。其中，超参数周期是指对训练超参数进行调整的周期，例如，每隔24小时调整一次。超参数周期的长度可以设置得大于负荷功率的预测周期的长度，以避免频繁调整超参数浪费计算资源，例如，可设置每隔24小时调整一次训练超参数，每隔15分钟预测一次负荷功率，那么一个超参数周期内包括96个预测点。
训练超参数即训练模型时所采用的超参数，模型在训练过程中所更新的模型内部的参数通常被称为模型参数，而超参数则是训练时所使用的模型外部的参数。本实施例中的训练超参数即训练负荷预测模型时所采用的超参数，根据所选用的模型不同，超参数的数量和种类也不同，例如，当选用XGBoost模型时，训练超参数可包括最大树高、迭代次数、学习率、占列比等。调整训练超参数是指调整训练超参数的具体取值，也即，在各个超参数周期内的训练超参数的具体取值是不同的。
在本实施例中，一个超参数周期内的训练超参数是根据该超参数周期的上一个超参数周期内的预测误差对该上一个超参数周期内的训练超参数进行校正得到的。校正的目的是期望在该超参数周期内使用校正后的训练超参数进行负荷预测模型的训练后，在该超参数周期内的预测误差小于该上一个超参数周期内的预测误差。根据预测误差对训练超参数进行校正的方法有很多，在本实施例中并不做限制。超参数周期内的预测误差可以根据该超参数周期内各个预测点的预测负荷功率值与真实负荷功率值计算得到，也即，超参数周期内的预测误差表现了按照该超参数周期内的训练超参数训练得到的模型对该超参数周期内各个预测点的负荷功率进行预测所产生的误差。
步骤S20，获取所述当前预测点对应的样本数据集，其中，所述样本数据集包括所述当前预测点之前预设时长内各预测点分别对应的样本数据和标签数据，预测点对应的样本数据是根据预测点的采样数据生成的，上一预测点对应的标签数据是根据下一预测点的真实负荷功率值生成的；
在当前预测点对下一预测点的负荷功率进行预测时，可以采用当前预测点之前一段时间的采样数据来对负荷预测模型进行训练，再采用训练后的负荷预测模型进行预测。
具体地，可以获取当前预测点对应的样本数据集，该样本数据集包括该当前预测点之前预设时长内各个预测点分别对应的样本数据和标签数据。其中，预设时长可以根据需要进行设置，例如设置为24小时。每个预测点对应的样本数据是根据在该预测点的采样数据生成的，每个预测点对应的标签数据是根据该预测点的下一个预测点的真实负荷功率值生成的。本实施例中并不限制在预测点的采样数据包括哪些，具体可以是与下一预测点的负荷功率有关的数据，例如可以包括在预测点的真实负荷功率值、温度、湿度、气压等数据。根据采样数据生成样本数据的方式在本实施例中并不做限制，例如可以直接将采样数据作为样本数据，也可以对采样数据进行归一化等数据预处理操作得到样本数据。根据预测点的下一预测点的真实负荷功率值生成该预测点的标签数据的方式在本实施例中并不做限制，例如可以是直接将该真实负荷功率值作为标签数据。
步骤S30，按照所述目标训练超参数采用所述样本数据集对预设的负荷预测模型进行有监督训练，以更新所述负荷预测模型中的模型参数；
在获取到目标训练超参数和样本数据集后，按照目标训练超参数采用样本数据集对预设的负荷预测模型进行有监督训练，在有监督训练过程中，对负荷预测模型进行至少一轮的迭代训练，以对负荷预测模型中的模型参数进行至少一轮的迭代更新。其中，预设的负荷预测模型可以是预先设置的模型，例如可以是XGBoost模型、线性回归模型、逻辑回归模型等。在训练之前，负荷预测模型的模型参数可以是根据经验初始化的，也可以是上一预测点时进行有监督训练得到的。有监督训练的方法有很多种，在本实施例中并不做限制。
如图3所示，当预设时长设置为24小时时，在当天8：00，获取前一天8:00到当天8:00之间各个预测点的样本数据和标签数据组成样本数据集，对负荷预测模型进行训练，采用训练得到的负荷预测模型预测8:15分的负荷功率值；在当前8:15，获取前一天8:15到当天8:15之间各个预测点的样本数据和标签数据组成样本数据集，对负荷预测模型进行训练，采用训练得到的负荷预测模型预测8:30分的负荷功率值；在当前8:30，获取前一天8:30到当天8:30之间各个预测点的样本数据和标签数据组成样本数据集，对负荷预测模型进行训练，采用训练得到的负荷预测模型预测8:45分的负荷功率值；依次类推。
进一步地，在一实施方式中，所述步骤S30之前，还包括：
步骤a，获取在所述当前预测点的上一预测点进行负荷功率预测时采用的负荷预测模型作为所述预设的负荷预测模型。
在本实施方式中，可以以上一预测点所训练得到的负荷预测模型作为当前预测点进行训练的基础。例如，在当天8：00，采用前一天8:00到当天8:00之间各个预测点的样本数据和标签数据组成样本数据集，对负荷预测模型进行训练，采用训练得到的负荷预测模型预测8:15分的负荷功率值；在当前8:15，采用前一天8:15到当天8:15之间各个预测点的样本数据和标签数据组成样本数据集，对当天8:00所训练得到的负荷预测模型继续进行训练，采用训练得到的负荷预测模型预测8:30分的负荷功率值；依次类推。需要说明的是，第一个预测点时负荷预测模型中的模型参数可以是人工经验初始化的，在后续的各个预测点进行训练时，均以上一预测点训练得到的负荷预测模型为基础进行训练。
步骤S40，将所述当前预测点的采样数据输入更新模型参数后的所述负荷预测模型进行预测，得到所述当前预测点的下一预测点的预测负荷功率值，根据所述预测负荷功率值调整储能系统的充放电状态以控制用电系统的需量。
在采用样本数据集对负荷预测模型进行训练后，得到更新模型参数后的负荷预测模型，将当前预测点的采样数据输入更新模型参数后的负荷预测模型进行预测，得到该当前预测点的下一预测点的负荷功率值(以下称为预测负荷功率值以示区分)。
本实施例中，在每个超参数周期都根据上一超参数周期的预测误差来校正训练超参数，且在每个预测点都获取最近一段时间的采样数据组成样本数据集对负荷预测模型进行训练，再采用训练得到的负荷预测模型基于当前预测点的采样数据进行预测得到下一预测点的预测负荷功率值。可以理解的是，相比于采用大量的历史数据一次性训练得到负荷预测模型后就不再调整模型的负荷预测方案，本实施例中，一方面，在每个预测点进行预测时，所使用的样本数据集都是最新的，从而使得采用样本数据集训练出的负荷预测模型也是最新的，最能够反映系统实时的负荷变化趋势，从而能够提高负荷预测的准确度；另一方面，每隔一段时间即根据上一阶段的预测误差来对训练负荷预测模型所使用的训练超参数进行校正，实现了根据不断变化的实时数据来校正负荷预测模型的预测准确度。
进一步地，基于上述第一实施例，提出本发明负荷预测方法第二实施例，在本实施例中，所述步骤S40之后，还包括：
步骤S50，根据所述预测负荷功率值调整储能系统的充放电状态以控制用电系统的需量。
对于一些实施两部制电价的公司或用户，需要控制最大需量来节约电费支出。目前大都是通过在短期内降低被控设备的设定功率值、短时间切除负载、延迟添加负载等方式来控制最大需量。虽然能够实现最大需量的控制，但是都需要短时降低生产设备的运行功率，会影响产品生产效率和质量。
考虑到由于受到外界因素影响(如大型工矿企业停启大型机械、气温过高或过低等)，存在用电高峰和低谷，这种短时冲击负荷是不稳定的，在本实施例中，提出根据预测的下一预测点的负荷功率值来调整储能系统的充放电状态，以避免用电系统实际的最大需量大于计划的最大需量，从而节约用电费用的支出，同时也能够使整个用电负荷相对均衡，减少供电系统故障的可能性，提高设备的运转率。
需要说明的是，当前预测点的下一预测点还未到来，提前在当前预测点时就预测出下一预测点的负荷功率值，可以提前地根据预测负荷功率值来调整储能系统的充放电状态，以控制用电系统的需量，避免用电系统的实际最大需量大于计划的最大需量。本实施例中，对根据预测负荷功率值控制储能系统充放电状态的方式并不做限制，具体可以是当预测负荷功率值较小时，控制储能系统充电，应对可能出现的用电高峰，当预测负荷功率值较大时，控制储能系统放电，以通过储能系统的供电来避免对电网的需求过大。
如图4所示，示出了一种需量控制系统架构图。图中负荷预测系统采集本地负荷相关的数据(也即采样数据)，预测负荷功率值，并将预测结果输出给储能控制平台，储能控制平台根据预测负荷功率值来调整储能系统的充放电状态。
进一步地，在一实施方式中，所述步骤S50包括：
步骤S501，当所述预测负荷功率值小于预设功率值时，控制所述储能系统进入充电状态，其中，所述预设功率值为所述用电系统的最大需量达到预设需量时的负荷功率值；
在本实施方式中，可以预先设置用电系统的最大需量达到预设需量时的负荷功率值，该预设需量可以是计划的最大需量，也即，预设功率值是当用电系统的实际最大需量达到计划的最大需量时的负荷功率值，可以预先计算得到。通过将预测负荷功率值与预设功率值进行比较，根据比较结果来调整储能系统的状态。
具体地，当预测负荷功率值小于预设功率值时，可以控制储能系统进入充电状态。其中，当预测负荷功率值小于预设功率值时，说明此时需要的实际功率偏小，实际测试的需量小于计划的最大需量，故可对储能系统进行充电。
步骤S502，当所述预测负荷功率值大于所述预设功率值时，控制所述储能系统进入放电状态；
当预测负荷功率值大于预设功率值时，可以控制储能系统进入放电状态。其中，当预测负荷功率值大于预设功率值时，说明此时需要的实际功率偏高，实际测试的需量可能会大于计划的最大需量，故可对储能系统进行放电，以避免由于实际功率增加而导致实际最大需量超过计划的最大需量，引起用电费用的增加。
步骤S503，当所述预测负荷功率值等于所述预设功率值时，控制所述储能系统进入平衡状态。
当预测负荷功率值等于预设功率值时，可以控制储能系统进入平衡状态，也即不充电不放电的状态。
在本实施方式中，通过根据预测负荷功率值调整储能系统的充放电状态来控制最大需量，不需要切除负载或延迟添加负载等降低生产设备功率的方式控制最大需量，在节约用电费的同时，能够平稳工业设备的运行功率，提高产品生产效率和质量。并且，通过所预测得到的准确度高的负荷功率值控制最大需量时，也能够保证需量控制的精准度。
进一步地，基于上述第一和/或第二实施例，提出本发明负荷预测方法第三实施例。在本实施例中，所述负荷预测方法还包括：
步骤S60，在任一目标超参数周期结束后，根据所述目标超参数周期内各预测点的预测负荷功率值和真实负荷功率值计算得到所述目标超参数周期内的预测误差；
在本实施例中，提出一种根据预测误差对训练超参数进行校正的具体实施方式。具体地，对于任意一个超参数周期(以下称为目标超参数周期以示区分)，可以在该目标超参数周期结束后，根据该目标超参数周期内各个预测点的预测负荷功率值和真实负荷功率值计算得到该目标超参数周期内的预测误差。
例如，以24小时为一个超参数周期，相邻预测点之间的时间间隔设置为15分钟，那么目标超参数周期内一共包括96个预测点，在目标超参数周期内，对每个预测点的预测负荷功率值和真实负荷功率值进行记录，在目标超参数周期结束后，根据96个预测点的预测负荷功率值和真实负荷功率值计算得到该目标超参数周期内的预测误差。
计算预测误差的具体方法在本实施例中并不做限制，例如可以是分别计算每个预测点的预测负荷功率值与真实负荷功率值之间的误差后，再将各个预测点的误差计算平均值，作为目标超参数周期内的预测误差。其中，一个预测点的预测负荷功率值与真实负荷功率值之间的误差的计算方法也有很多种，例如可以是计算两者之差绝对值，或者是计算两者之差绝对值除以真实负荷功率值的占比。
例如，假设目标超参数周期内有n个预测点，yi’表示第i个预测点的预测负荷功率值，yi表示第i个预测点的真实负荷功率值，目标超参数周期内的预测误差计算方式可以如下：
Figure BDA0003760056330000161
步骤S70，根据所述目标超参数周期内的预测误差相对于上一超参数周期内的预测误差的变化趋势，和所述目标超参数周期内的训练超参数相对于上一超参数周期内的训练超参数的调整趋势，确定训练超参数的目标调整趋势，其中，所述目标调整趋势是使得预测误差变小的调整趋势；
在计算得到目标超参数周期内的预测误差后，可以确定目标超参数周期内的预测误差相对于目标超参数周期的上一超参数周期内的预测误差的变化趋势，也即确定目标超参数周期内的预测误差相对于上一超参数周期内的预测误差是变大了还是变小了。确定目标超参数周期内的训练超参数相对于目标超参数周期的上一超参数周期内的训练超参数的调整趋势，也即确定目标超参数周期内的训练超参数相对于上一超参数周期内的训练超参数是增大了还是减小了。
根据预测误差的变化趋势和训练超参数的调整趋势，确定对目标超参数周期内的训练超参数进行调整的目标调整趋势，也即，确定是对目标超参数周期内的训练超参数进行增大还是减小。该目标调整趋势是使得预测误差变小的调整趋势。具体地，可以当预测误差的变化趋势为变大，训练超参数的调整趋势为减小时，确定训练超参数的目标调整趋势为增大，也即，目标超参数周期内的训练超参数由于减小了导致预测误差变大了，故在目标超参数周期的下一超参数周期内可以增大训练超参数，以使得预测误差变小；当预测误差的变化趋势为变小，训练超参数的调整趋势为减小时，确定训练超参数的目标调整趋势为减小，也即，目标超参数周期内的训练超参数由于减小了导致预测误差变小了，故在目标超参数周期的下一超参数周期内可以进一步减小训练超参数，以使得预测误差进一步变小；当预测误差的变化趋势为变大，训练超参数的调整趋势为增大时，确定训练超参数的目标调整趋势为减小，也即，目标超参数周期内的训练超参数由于增大了导致预测误差变大了，故在目标超参数周期的下一超参数周期内可以减小训练超参数，以使得预测误差变小；当预测误差的变化趋势为变小，训练超参数的调整趋势为增大时，确定训练超参数的目标调整趋势为增大，也即，目标超参数周期内的训练超参数由于增大了导致预测误差变小了，故在目标超参数周期的下一超参数周期内可以进一步增大训练超参数，以使得预测误差进一步变小。
步骤S80，按照所述目标调整趋势调整所述目标超参数周期内的训练超参数，得到所述目标超参数周期的下一超参数周期内的训练超参数。
按照目标调整趋势调整目标超参数周期内的训练超参数，将调整后的训练超参数作为目标超参数周期的下一超参数周期内的训练超参数。具体地，当目标调整趋势是增大时，可以将目标超参数周期内的训练超参数乘以一个大于1的系数或加上一个大于0的数，当目标调整趋势为减小时，可以将目标超参数周期内的训练超参数乘以一个小于1的系数或减去一个大于0的数。
需要说明的是，当训练超参数有多个时，分别确定各个训练超参数的目标调整趋势，对各个训练超参数分别进行调整。
在本实施例中，通过每隔一段时间即根据上一阶段的预测误差来对训练负荷预测模型所使用的训练超参数进行校正，使得负荷预测模型的预测误差不断减小，实现了根据不断变化的实时数据来校正负荷预测模型的预测准确度，进一步提高了需量控制的精准度。
进一步地，基于上述第一、第二和/或第三实施例，提出本发明负荷预测方法第四实施例。在本实施例中，所述步骤S30包括：
步骤S301，从所述样本数据集提取出前预设个数的预测点对应的样本数据和标签数据作为训练数据集；
在本实施例中，提出一种采用样本数据集训练负荷预测模型的具体实施方式。具体地，可以将样本数据集进行划分，将前预设个数的预测点对应的样本数据和标签数据从样本数据集中提取出来，作为训练数据集。其中，预设个数可以根据需要进行设置，例如当样本数据集中一共包括96个预测点的样本数据和标签数据时，可以设置将前76个预测点的样本数据和标签数据提取出来作为训练数据集，样本数据集中剩下20个预测点的样本数据和标签数据。
步骤S302，按照所述目标训练超参数采用所述训练数据集对预设的负荷预测模型进行有监督训练，以对所述负荷预测模型的模型参数进行至少一次的更新；
按照目标训练超参数采用训练数据集对预设的负荷预测模型进行有监督训练，以对负荷预测模型的模型参数进行至少一次更新。有监督训练的方法有很多种，在本实施例中并不做限制。在采用第一次划分得到的训练数据集进行训练时，预设的负荷预测模型可以是上一预测点时训练得到的负荷预测模型，或者可以是根据人工经验初始化的负荷预测模型，在后续每一次对训练数据集中的样本数据和标签数据进行增加后进行训练时，预设的负荷预测模型可以是上一次训练得到的负荷预测模型。
步骤S303，从所述样本数据集中提取出一个预测点的样本数据和标签数据添加至所述训练数据集，将更新模型参数后的所述负荷预测模型作为预设的负荷预测模型，返回执行所述按照所述目标训练超参数采用所述训练数据集对预设的负荷预测模型进行有监督训练，以对所述负荷预测模型的模型参数进行至少一次的更新的步骤，直到所述样本数据集为空。
在采用训练数据集对预设的负荷预测模型进行训练后，可以从样本数据集中提取出一个预测点的样本数据和标签数据添加到训练数据集中，例如原本训练数据集中包括76个预测点的样本数据和标签数据，可以将第77个预测点的样本数据和标签数据添加到训练数据集中。将更新模型参数后的负荷预测模型作为预设的负荷预测模型，也即作为下一轮训练的基础，返回执行步骤S302，也即进行下一轮的训练。如此循环直到样本数据集为空，即停止训练，采用最终更新模型参数后的负荷预测模型进行预测。例如，当样本数据集中一共包括96个预测点的样本数据和标签数据时，预设个数设置为76时，第一轮训练时训练数据集中包括76个预测点的样本数据和标签数据，第二轮训练时训练数据集中包括77个预测点的样本数据和标签数据，依次类推，循环20次后结束训练。
在本实施例中，通过将样本数据集中的样本数据和标签数据分批次地加入训练数据集，对负荷预测模型进行多次训练，避免了总是都采用相同的训练数据集对负荷预测模型进行训练，充分利用了样本数据集中的样本数据和标签数据来对完成负荷预测模型的训练，进而提高了训练得到的负荷预测模型的预测准确度。
进一步地，基于上述第一、第二、第三和/或第四实施例，提出本发明负荷预测方法第五实施例，在本实施例中，所述步骤S20中获取当前预测点之前预设时长内各预测点分别对应的样本数据的步骤包括：
步骤S201，对于所述当前预测点之前预设时长内各个预测点中的任一目标预测点，获取所述目标预测点分别在各预设数据特征下的采样数据；
在本实施例中，可以对预测点在多种数据特征下的数据进行采样，也即获取预测点在多种数据特征下的采样数据，采用多种数据特征下的采样数据所生成的样本数据来对负荷预测模型进行训练，以增加负荷预测模型预测负荷功率时的依据，从而提高采用负荷预测模型预测负荷功率的预测准确度。进一步地，考虑到不同的数据特征下的采样数据因单位量化方式不同，可以对预测点在各种数据特征下的采样数据进行归一化处理，采用归一化处理后的采样数据作为样本数据对负荷预测模型进行训练。
具体地，对于当前预测点之前预设时长内的各个预测点中的任意一个预测点(以下称为目标预测点)，可以获取该目标预测点分别在各种预设数据特征下的采样数据。其中，各个预设数据特征可以根据需要预先选取，具体可以选取与预测负荷功率相关的数据特征，例如，可以选取预测点的负荷功率、温度、湿度、气压、日期等数据特征，也即，考虑到上一预测点的负荷功率、温度、湿度、气压和日期不同时，都可能会导致下一预测点的负荷功率不同。获取目标预测点在负荷功率、温度、湿度、气压、日期这些数据特征下的采样数据，具体是指获取在目标预测点时的负荷功率值、温度值、湿度值、气压值以及日期取值等，其中，根据需要，日期取值可以是表示目标预测点是否是工作日或节假日的数值，例如，定义1表示是节假日，0表示是工作日等。
步骤S202，将各所述采样数据分别进行归一化处理，将归一化处理后的各所述采样数据作为所述目标预测点对应的样本数据。
在获取到目标预测点在各预设数据特征下的采样数据后，对各个采样数据分别进行归一化处理，得到归一化处理后的各个采样数据，将归一化处理后的各个采样数据作为目标预测点对应的样本数据。归一化处理的方法有很多种，在本实施例中并不做限制。
进一步地，在一实施方式中，所述负荷预测方法还包括：
步骤A10，获取负荷功率数列和待选数据特征的采样数据数列，其中，所述负荷功率数列中包括在各预设采样时间点采集的真实负荷功率值，所述采样数据数列包括在所述各预设采样时间点采集的所述待选数据特征下的采样数据；
可以预先设置一个或多个待选数据特征，并根据待选数据特征与负荷功率这一数据特征之间的关联关系，确定是否将该待选数据特征作为预设数据特征，也即确定是否采集该待选数据特征下的采样数据来用于训练负荷预测模型。在具体实施方式中，待选数据特征可以是用户根据经验判断认为可能与负荷功率存在关联关系的数据特征。
获取负荷功率数列，负荷功率数列中包括在各预设采样时间点采集的真实负荷功率值，其中，各个预设采样时间点可以预先根据需要设置，在本实施例中并不做限制。
对于任意一个待选数据特征，可以获取该待选数据特征的采样数据数列。该采样数据数列中包括在各个预设采样时间点采集的该待选数据特征下的采样数据。例如，当待选数据特征为温度时，采样数据数列包括在各个预设采样时间点时采集的温度值。
步骤A20，计算所述负荷功率数列与所述采样数据数列之间的关联系数；
计算负荷功率数列与采样数据数列之间的关联系数。计算两个数列之间关联系数的计算方法有很多种，在本实施方式中并不做限制。例如，在一实施方式中，可以采用如下计算方式计算负荷功率数列与采样数据数列之间的关联系数：
Figure BDA0003760056330000201
r是关联系数；ρ为分辨系数，可取0～1之间，例如取0.5；Δ(min)是第二级最小差，Δmax是两级最大差。Δ(k)为采样数据数列中第k个采样时间点采集的采样数据与负荷功率数列中第k个采样时间点采集的真实负荷功率值之间的绝对差值。
步骤A30，当所述关联系数大于第一预设阈值时，将负荷功率和所述待选数据特征作为两种所述预设数据特征。
关联系数越大时表示待选数据特征与负荷功率这一数据特征之间的关联程度越高。可以将关联系数与第一预设阈值进行比较，当关联系数大于第一预设阈值时，将负荷功率和该待选数据特征作为两种预设数据特征。其中，第一预设阈值可以根据需要进行设置，在本实施例中并不做限制。当关联系数小于或等于第一预设阈值时，可以不将该待选数据特征作为预设数据特征。
可以理解的是，若有一个以上的待选数据特征与负荷功率的关联系数都大于第一预设阈值，则将负荷功率和该一个以上的待选数据特征均作为预设数据特征，此时将获得两个以上的预设数据特征。若所有的待选数据特征与负荷功率的关联系数都不大于第一预设阈值，则可以仅将负荷功率这一数据特征作为预设数据特征，也即仅根据上一预测点的真实负荷功率值来预测下一预测点的负荷功率值。
通过计算待选数据特征与负荷功率之间的关联系数，根据关联系数选取与负荷功率关联程度大的数据特征用于训练负荷预测模型，能够提高训练得到的负荷预测模型的预测准确度。
进一步地，在一实施方式中，所述步骤S20中获取当前预测点之前预设时长内各预测点分别对应的样本数据的步骤包括：
步骤S203，对于各预设数据特征中的任一目标预设数据特征，获取所述当前预测点之前预设时长内的各个预测点在所述目标预设数据特征下的采样数据；
为避免在一些测试点出现的异常采样数据影响负荷预测模型的预测准确度，在本实施方式中，可以采用曲线拟合的方式来找出异常采样数据并进行对异常采样数据进行修正。
具体地，对于各个预设数据特征中的任意一个预设数据特征(以下称为目标预设数据特征以示区分)，可以获取当前预测点之前预设时长内的各个预测点在该目标预设数据特征下的采样数据。例如，当目标预设数据特征为负荷功率，当前预测点为当天8:00时，可以获取前天8:00到当天8:00这24小时内96个预测点的真实负荷功率值。
步骤S204，对所述目标预设数据特征下的各所述采样数据进行曲线拟合得到所述目标预设数据特征对应的目标曲线；
对目标预设数据特征下的各个采样数据进行曲线拟合，得到该目标预设数据特征对应的曲线(以下称为目标曲线以示区分)。曲线拟合的方法有很多种，在此并不做限制。例如可以采用最小二乘法，对这些离散数据进行多项式的曲线拟合。
步骤S205，对于所述当前预测点之前预设时长内各个预测点中的任一目标预测点，计算所述目标预测点在所述目标预设数据特征下的所述采样数据相对于所述目标曲线的目标偏离值；
对于当前预测点之前预设时长内各个预测点中的任意一个预测点(以下称为目标预测点)，可以计算该目标预测点在目标预设数据特征下的采样数据相对于该目标曲线的偏离值(以下称为目标偏离值)。目标预测点在目标预设数据特征下的采样数据可以看做是坐标系中的一个点，可以计算该点与坐标系中的目标曲线的距离值，作为该点相对于目标曲线的偏离值。
步骤S206，根据所述目标偏离值确定所述目标预测点在所述目标预设数据特征下的样本值，其中，当所述目标偏离值大于第二预设阈值时，采用所述目标预测点在所述目标曲线上对应的取值作为所述目标预测点在所述目标预设数据特征下的样本值，当所述目标偏离值小于或等于所述第二预设阈值时，采用所述目标预测点在所述目标预设数据特征下的所述采样数据作为样本值；
可以将目标偏离值与第二预设阈值进行比较，来判断目标预测点在目标预设数据特征下的采样数据是否是异常采样数据。其中，第二预设阈值可以根据需要预先设置，在此并不做限制。当目标偏离值大于第二预设阈值时，说明目标预测点在目标预设数据特征下的采样数据偏离目标曲线较远，可能是异常的采样数据，此时可以采用目标预测点在目标曲线上对应的取值来作为目标预测点在目标预设数据特征下的样本值。当目标偏离值小于或等于第二预设阈值时，说明目标预测点在目标预设数据特征下的采样数据在正常范围内，此时可以直接采用目标预测点在目标预设数据特征下的采样数据作为样本值。
步骤S207，将所述目标预测点在各所述预设数据特征下的所述样本值作为所述目标预测点对应的样本数据。
在按照上述方法获得目标预测点在各个预设数据特征下的样本值后，将各个样本值作为目标预测点对应的样本数据。
此外，本发明实施例还提出一种负荷预测装置，参照图5，所述负荷预测装置包括：
第一获取模块10，用于获取当前预测点所处超参数周期内的目标训练超参数，其中，各超参数周期内的训练超参数是基于对应上一超参数周期内的预测误差对上一超参数周期内的训练超参数进行校正得到的，超参数周期内的预测误差是基于超参数周期内各预测点的预测负荷功率值与真实负荷功率值计算得到；
第二获取模块20，用于获取所述当前预测点对应的样本数据集，其中，所述样本数据集包括所述当前预测点之前预设时长内各预测点分别对应的样本数据和标签数据，预测点对应的样本数据是根据预测点的采样数据生成的，上一预测点对应的标签数据是根据下一预测点的真实负荷功率值生成的；
训练模块30，用于按照所述目标训练超参数采用所述样本数据集对预设的负荷预测模型进行有监督训练，以更新所述负荷预测模型中的模型参数；
预测模块40，用于将所述当前预测点的采样数据输入更新模型参数后的所述负荷预测模型进行预测，得到所述当前预测点的下一预测点的预测负荷功率值。
进一步地，所述负荷预测装置还包括：
第一计算模块，用于在任一目标超参数周期结束后，根据所述目标超参数周期内各预测点的预测负荷功率值和真实负荷功率值计算得到所述目标超参数周期内的预测误差；
第一确定模块，用于根据所述目标超参数周期内的预测误差相对于上一超参数周期内的预测误差的变化趋势，和所述目标超参数周期内的训练超参数相对于上一超参数周期内的训练超参数的调整趋势，确定训练超参数的目标调整趋势，其中，所述目标调整趋势是使得预测误差变小的调整趋势；
调整模块，用于按照所述目标调整趋势调整所述目标超参数周期内的训练超参数，得到所述目标超参数周期的下一超参数周期内的训练超参数。
进一步地，所述负荷预测装置还包括：
控制模块，用于根据所述预测负荷功率值调整储能系统的充放电状态以控制用电系统的需量。
进一步地，所述控制模块还用于：
当所述预测负荷功率值小于预设功率值时，控制所述储能系统进入充电状态，其中，所述预设功率值为所述用电系统的最大需量达到预设需量时的负荷功率值；
当所述预测负荷功率值大于所述预设功率值时，控制所述储能系统进入放电状态；
当所述预测负荷功率值等于所述预设功率值时，控制所述储能系统进入平衡状态。
进一步地，所述训练模块30还用于：
从所述样本数据集提取出前预设个数的预测点对应的样本数据和标签数据作为训练数据集；
按照所述目标训练超参数采用所述训练数据集对预设的负荷预测模型进行有监督训练，以对所述负荷预测模型的模型参数进行至少一次的更新；
从所述样本数据集中提取出一个预测点的样本数据和标签数据添加至所述训练数据集，将更新模型参数后的所述负荷预测模型作为预设的负荷预测模型，返回执行所述按照所述目标训练超参数采用所述训练数据集对预设的负荷预测模型进行有监督训练，以对所述负荷预测模型的模型参数进行至少一次的更新的步骤，直到所述样本数据集为空。
进一步地，所述负荷预测装置还包括：
第三获取模块，用于获取在所述当前预测点的上一预测点进行负荷功率预测时采用的负荷预测模型作为所述预设的负荷预测模型。
进一步地，第二获取模块20还用于：
对于所述当前预测点之前预设时长内各个预测点中的任一目标预测点，获取所述目标预测点分别在各预设数据特征下的采样数据；
将各所述采样数据分别进行归一化处理，将归一化处理后的各所述采样数据作为所述目标预测点对应的样本数据。
进一步地，所述负荷预测装置还包括：
第四获取模块，用于获取负荷功率数列和待选数据特征的采样数据数列，其中，所述负荷功率数列中包括在各预设采样时间点采集的真实负荷功率值，所述采样数据数列包括在所述各预设采样时间点采集的所述待选数据特征下的采样数据；
第二计算模块，用于计算所述负荷功率数列与所述采样数据数列之间的关联系数；
第二确定模块，用于当所述关联系数大于第一预设阈值时，将负荷功率和所述待选数据特征作为两种所述预设数据特征。
进一步地，第二获取模块20还用于：
对于各预设数据特征中的任一目标预设数据特征，获取所述当前预测点之前预设时长内的各个预测点在所述目标预设数据特征下的采样数据；
对所述目标预设数据特征下的各所述采样数据进行曲线拟合得到所述目标预设数据特征对应的目标曲线；
对于所述当前预测点之前预设时长内各个预测点中的任一目标预测点，计算所述目标预测点在所述目标预设数据特征下的所述采样数据相对于所述目标曲线的目标偏离值；
根据所述目标偏离值确定所述目标预测点在所述目标预设数据特征下的样本值，其中，当所述目标偏离值大于第二预设阈值时，采用所述目标预测点在所述目标曲线上对应的取值作为所述目标预测点在所述目标预设数据特征下的样本值，当所述目标偏离值小于或等于所述第二预设阈值时，采用所述目标预测点在所述目标预设数据特征下的所述采样数据作为样本值；
将所述目标预测点在各所述预设数据特征下的所述样本值作为所述目标预测点对应的样本数据。
本发明负荷预测装置的具体实施方式的拓展内容与上述负荷预测方法各实施例基本相同，在此不做赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述存储介质上存储有负荷预测程序，所述负荷预测程序被处理器执行时实现如下所述的负荷预测方法的步骤。
本发明负荷预测设备和计算机可读存储介质各实施例，均可参照本发明负荷预测方法各个实施例，此处不再赘述。
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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。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、物品或者装置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，服务器，空调器，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 (12)

1.一种负荷预测方法，其特征在于，所述负荷预测方法包括以下步骤：
获取当前预测点所处超参数周期内的目标训练超参数，其中，各超参数周期内的训练超参数是基于对应上一超参数周期内的预测误差对上一超参数周期内的训练超参数进行校正得到的，超参数周期内的预测误差是基于超参数周期内各预测点的预测负荷功率值与真实负荷功率值计算得到；
获取所述当前预测点对应的样本数据集，其中，所述样本数据集包括所述当前预测点之前预设时长内各预测点分别对应的样本数据和标签数据，预测点对应的样本数据是根据预测点的采样数据生成的，上一预测点对应的标签数据是根据下一预测点的真实负荷功率值生成的；
按照所述目标训练超参数采用所述样本数据集对预设的负荷预测模型进行有监督训练，以更新所述负荷预测模型中的模型参数；
将所述当前预测点的采样数据输入更新模型参数后的所述负荷预测模型进行预测，得到所述当前预测点的下一预测点的预测负荷功率值。
2.如权利要求1所述的负荷预测方法，其特征在于，所述负荷预测方法还包括：
在任一目标超参数周期结束后，根据所述目标超参数周期内各预测点的预测负荷功率值和真实负荷功率值计算得到所述目标超参数周期内的预测误差；
根据所述目标超参数周期内的预测误差相对于上一超参数周期内的预测误差的变化趋势，和所述目标超参数周期内的训练超参数相对于上一超参数周期内的训练超参数的调整趋势，确定训练超参数的目标调整趋势，其中，所述目标调整趋势是使得预测误差变小的调整趋势；
按照所述目标调整趋势调整所述目标超参数周期内的训练超参数，得到所述目标超参数周期的下一超参数周期内的训练超参数。
3.如权利要求1所述的负荷预测方法，其特征在于，所述将所述当前预测点的采样数据输入更新模型参数后的所述负荷预测模型进行预测，得到所述当前预测点的下一预测点的预测负荷功率值的步骤之后，还包括：
根据所述预测负荷功率值调整储能系统的充放电状态以控制用电系统的需量。
4.如权利要求3所述的负荷预测方法，其特征在于，所述根据所述预测负荷功率值调整储能系统的充放电状态以控制用电系统的需量的步骤包括：
当所述预测负荷功率值小于预设功率值时，控制所述储能系统进入充电状态，其中，所述预设功率值为所述用电系统的最大需量达到预设需量时的负荷功率值；
当所述预测负荷功率值大于所述预设功率值时，控制所述储能系统进入放电状态；
当所述预测负荷功率值等于所述预设功率值时，控制所述储能系统进入平衡状态。
5.如权利要求1所述的负荷预测方法，其特征在于，所述按照所述目标训练超参数采用所述样本数据集对预设的负荷预测模型进行有监督训练的步骤包括：
从所述样本数据集提取出前预设个数的预测点对应的样本数据和标签数据作为训练数据集；
按照所述目标训练超参数采用所述训练数据集对预设的负荷预测模型进行有监督训练，以对所述负荷预测模型的模型参数进行至少一次的更新；
从所述样本数据集中提取出一个预测点的样本数据和标签数据添加至所述训练数据集，将更新模型参数后的所述负荷预测模型作为预设的负荷预测模型，返回执行所述按照所述目标训练超参数采用所述训练数据集对预设的负荷预测模型进行有监督训练，以对所述负荷预测模型的模型参数进行至少一次的更新的步骤，直到所述样本数据集为空。
6.如权利要求1所述的负荷预测方法，其特征在于，所述按照所述目标训练超参数采用所述样本数据集对预设的负荷预测模型进行有监督训练，以更新所述负荷预测模型中的模型参数的步骤之前，还包括：
获取在所述当前预测点的上一预测点进行负荷功率预测时采用的负荷预测模型作为所述预设的负荷预测模型。
7.如权利要求1至6中任一项所述的负荷预测方法，其特征在于，获取当前预测点之前预设时长内各预测点分别对应的样本数据的步骤包括：
对于所述当前预测点之前预设时长内各个预测点中的任一目标预测点，获取所述目标预测点分别在各预设数据特征下的采样数据；
将各所述采样数据分别进行归一化处理，将归一化处理后的各所述采样数据作为所述目标预测点对应的样本数据。
8.如权利要求7所述的负荷预测方法，其特征在于，所述对于所述当前预测点之前预设时长内各个预测点中的任一目标预测点，获取所述目标预测点分别在各预设数据特征下的采样数据的步骤之前，还包括：
获取负荷功率数列和待选数据特征的采样数据数列，其中，所述负荷功率数列中包括在各预设采样时间点采集的真实负荷功率值，所述采样数据数列包括在所述各预设采样时间点采集的所述待选数据特征下的采样数据；
计算所述负荷功率数列与所述采样数据数列之间的关联系数；
当所述关联系数大于第一预设阈值时，将负荷功率和所述待选数据特征作为两种所述预设数据特征。
9.如权利要求1至6中任一项所述的负荷预测方法，其特征在于，获取当前预测点之前预设时长内各预测点分别对应的样本数据的步骤包括：
对于各预设数据特征中的任一目标预设数据特征，获取所述当前预测点之前预设时长内的各个预测点在所述目标预设数据特征下的采样数据；
对所述目标预设数据特征下的各所述采样数据进行曲线拟合得到所述目标预设数据特征对应的目标曲线；
对于所述当前预测点之前预设时长内各个预测点中的任一目标预测点，计算所述目标预测点在所述目标预设数据特征下的所述采样数据相对于所述目标曲线的目标偏离值；
根据所述目标偏离值确定所述目标预测点在所述目标预设数据特征下的样本值，其中，当所述目标偏离值大于第二预设阈值时，采用所述目标预测点在所述目标曲线上对应的取值作为所述目标预测点在所述目标预设数据特征下的样本值，当所述目标偏离值小于或等于所述第二预设阈值时，采用所述目标预测点在所述目标预设数据特征下的所述采样数据作为样本值；
将所述目标预测点在各所述预设数据特征下的所述样本值作为所述目标预测点对应的样本数据。
10.一种负荷预测装置，其特征在于，所述负荷预测装置包括：
第一获取模块，用于获取当前预测点所处超参数周期内的目标训练超参数，其中，各超参数周期内的训练超参数是基于对应上一超参数周期内的预测误差对上一超参数周期内的训练超参数进行校正得到的，超参数周期内的预测误差是基于超参数周期内各预测点的预测负荷功率值与真实负荷功率值计算得到；
第二获取模块，用于获取所述当前预测点对应的样本数据集，其中，所述样本数据集包括所述当前预测点之前预设时长内各预测点分别对应的样本数据和标签数据，预测点对应的样本数据是根据预测点的采样数据生成的，上一预测点对应的标签数据是根据下一预测点的真实负荷功率值生成的；
训练模块，用于按照所述目标训练超参数采用所述样本数据集对预设的负荷预测模型进行有监督训练，以更新所述负荷预测模型中的模型参数；
预测模块，用于将所述当前预测点的采样数据输入更新模型参数后的所述负荷预测模型进行预测，得到所述当前预测点的下一预测点的预测负荷功率值。
11.一种负荷预测设备，其特征在于，所述负荷预测设备包括：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负荷预测程序，所述负荷预测程序被所述处理器执行时实现如权利要求1至9中任一项所述的负荷预测方法的步骤。
12.一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上存储有负荷预测程序，所述负荷预测程序被处理器执行时实现如权利要求1至9中任一项所述的负荷预测方法的步骤。
CN202210867638.XA 2022-07-21 2022-07-21 负荷预测方法、装置、设备及计算机可读存储介质 Pending CN115186916A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210867638.XA CN115186916A (zh) 2022-07-21 2022-07-21 负荷预测方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210867638.XA CN115186916A (zh) 2022-07-21 2022-07-21 负荷预测方法、装置、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN115186916A true CN115186916A (zh) 2022-10-14

Family

ID=83520645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210867638.XA Pending CN115186916A (zh) 2022-07-21 2022-07-21 负荷预测方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN115186916A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115473232A (zh) * 2022-11-02 2022-12-13 广东电网有限责任公司中山供电局 一种负荷参数调整方法、系统、设备和存储介质
CN116090388A (zh) * 2022-12-21 2023-05-09 海光信息技术股份有限公司 芯片内部电压预测模型生成方法、预测方法及相关装置
CN116245221A (zh) * 2023-01-09 2023-06-09 上海玫克生储能科技有限公司 一种负荷实时预测方法、装置和电子设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115473232A (zh) * 2022-11-02 2022-12-13 广东电网有限责任公司中山供电局 一种负荷参数调整方法、系统、设备和存储介质
CN116090388A (zh) * 2022-12-21 2023-05-09 海光信息技术股份有限公司 芯片内部电压预测模型生成方法、预测方法及相关装置
CN116090388B (zh) * 2022-12-21 2024-05-17 海光信息技术股份有限公司 芯片内部电压预测模型生成方法、预测方法及相关装置
CN116245221A (zh) * 2023-01-09 2023-06-09 上海玫克生储能科技有限公司 一种负荷实时预测方法、装置和电子设备
CN116245221B (zh) * 2023-01-09 2024-03-08 上海玫克生储能科技有限公司 一种负荷实时预测方法、装置和电子设备

Similar Documents

Publication Publication Date Title
CN115186916A (zh) 负荷预测方法、装置、设备及计算机可读存储介质
CN111492559B (zh) 用于能量存储系统的最佳控制的系统和方法
US20190137956A1 (en) Battery lifetime maximization in behind-the-meter energy management systems
US10680455B2 (en) Demand charge minimization in behind-the-meter energy management systems
US10333306B2 (en) Data-driven demand charge management solution
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和系统
CN111008727A (zh) 一种配电台区负荷预测方法及装置
Han et al. A coordinated dispatch method for energy storage power system considering wind power ramp event
CN115358461A (zh) 天然气负荷预测方法、装置、设备、介质
CN113807589A (zh) 基于模型预测的运营商储能的滚动优化方法及装置
CN115566741A (zh) 基于lstm预测校正的储能多时间尺度优化控制方法
CN116109065A (zh) 基于园区的负荷管理方法、装置、设备及存储介质
CN117277312A (zh) 一种基于灰色关联分析的电力负荷影响因素方法及设备
CN112381315A (zh) 一种基于pso优化的ls-svm智能台区负荷预测方法及系统
US11128166B2 (en) Predictive operational planning in a microgrid taking into account high-load time windows of a main electricity grid
CN114884137B (zh) 一种功率控制方法、装置、电子设备及存储介质
CN110912162B (zh) 一种储能装置方案的确定方法及装置
CN115409427B (zh) 居民负荷可用调节容量多状态的评估方法及装置
CN117764515A (zh) 一种变电站设备的故障检修成本核算方法及系统
CN117937495A (zh) 分布式光伏参与电网电量平衡调节需求分析方法及系统
CN117875655A (zh) 计划功率的修正方法、装置、设备及介质
CN117691713A (zh) 电池充放电的控制方法、装置、设备及存储介质
CN117937526A (zh) 一种基于负荷预测的移峰填谷调度方法、系统及电子设备
CN117028225A (zh) 空压机控制方法、设备及存储介质
CN117873701A (zh) 一种基于Autoformer的云计算平台弹性伸缩智能伸缩方法

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