CN115456306A - 一种母线负荷预测方法、系统、设备及存储介质 - Google Patents
一种母线负荷预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115456306A CN115456306A CN202211254846.9A CN202211254846A CN115456306A CN 115456306 A CN115456306 A CN 115456306A CN 202211254846 A CN202211254846 A CN 202211254846A CN 115456306 A CN115456306 A CN 115456306A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- load
- meteorological
- prediction
- 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 68
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000010219 correlation analysis Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 238000012352 Spearman correlation analysis Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06N3/08—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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种母线负荷预测方法、系统、设备及存储介质，其中方法包括：采集历史母线负荷曲线；对所述历史母线负荷曲线和对应的气象数据进行相关性分析，得到气象敏感因素；获取与预测日对应的历史日母线负荷时序数据；获取预测日与所述气象敏感因素对应的气象预报数据；将所述历史日母线负荷时序数据和所述气象预报数据输入到负荷预测网络模型中进行负荷预测，生成所述预测日的预测结果。通过对母线负荷曲线和气象数据进行相关性分析，筛选确定气象敏感因素，剔除对负荷影响较小的因素，简化预测模型，提高预测精度；从而解决现有技术对母线负荷预测精度较低的技术问题。
Description
技术领域
本申请涉及负荷预测技术领域，尤其涉及一种母线负荷预测方法、系统、设备及存储介质。
背景技术
近年来，各地区用电负荷增长迅速，以浙江为例，用电负荷年均增长8％左右，杭州在2020年的最高负荷突破1700万千瓦。部分地区电网总体呈现高比例外来电、高比例新能源、高比例峰谷差的“三高”特征。随着以新能源为主体的新型电力系统逐步形成，地区电网的“三高”特征将进一步凸显，电网安全稳定运行面临新的挑战。母线负荷预测结果是制定日前计划与安全校核的基础，母线负荷预测精度将会对日前计划与安全校核结果产生显著影响。
发明内容
本申请提供了一种母线负荷预测方法、系统、设备及存储介质，用于解决现有技术对母线负荷预测精度较低的技术问题。
有鉴于此，本申请第一方面提供了一种母线负荷预测方法，所述方法包括：
采集母线的历史负荷曲线及所述历史负荷曲线对应的气象数据；
对所述历史负荷曲线和对应的所述气象数据进行相关性分析，得到气象敏感因素；
获取与预测日对应的历史日母线负荷时序数据；
获取预测日与所述气象敏感因素对应的气象预报数据；
将所述历史日母线负荷时序数据和所述气象预报数据输入到负荷预测网络模型中进行负荷预测，生成所述预测日的预测结果。
可选地，所述对所述历史负荷数据和所述气象数据进行相关性分析，得到气象敏感因素，具体包括：
对所述历史负荷曲线进行傅里叶分解，得到气象敏感负荷成分；
利用相关性分析方法，计算所述气象敏感负荷成分和对应的所述气象数据的相关性，得到关联度排序结果；
基于所述关联度排序结果对所述气象数据进行筛选，得到所述气象敏感因素。
可选地，所述负荷预测网络模型的构建过程，具体包括：
获取历史负荷时序数据和对应的历史气象时序数据，其中，所述历史气象时序数据的配置为与所述气象敏感因素对应的气象数据；
获取延迟时间τ和嵌入维数m，对所述历史负荷时序数据和所述历史气象时序数据进行相空间重构，生成训练数据集；
构建初始神经网络模型；
利用所述训练数据集对所述初始神经网络模型进行训练，生成所述负荷预测网络模型。
可选地，所述初始神经网络模型，包括：CNN卷积神经网络和LSTM神经网络。
可选地，所述利用所述训练数据集对所述初始神经网络模型进行训练，生成所述负荷预测网络模型，具体包括：
将所述训练数据集的训练样本输入到所述CNN卷积神经网络进行特征提取，得到特征向量；
将所述特征向量输入到所述LSTM神经网络进行训练，并在训练过程利用反向传播算法对所述LSTM神经网络进行权值优化，直至网络收敛，得到所述负荷预测网络模型。
可选地，所述生成训练数据集，之前还包括：对所述历史负荷时序数据和对应的历史气象时序数据进行数据预处理。
可选地，所述对所述历史负荷时序数据和对应的历史气象时序数据进行数据预处理，具体包括：
利用3sigma、四分位箱线图和环比异常数据检测识别技术，对所述历史负荷时序数据和对应的历史气象时序数据进行识别，得到异常数据；
利用插值法、回归法和特征曲线填充法对所述异常数据进行修正。
本申请第二方面提供一种母线负荷预测系统，所述系统包括：
采集单元，用于采集母线的历史负荷曲线及所述历史负荷曲线对应的气象数据；
分析单元，用于对所述历史负荷曲线和对应的所述气象数据进行相关性分析，得到气象敏感因素；
第一获取单元，用于获取与预测日对应的历史日母线负荷时序数据；
第二获取单元，用于获取预测日与所述气象敏感因素对应的气象预报数据；
预测单元，用于将所述历史日母线负荷时序数据和所述气象预报数据输入到负荷预测网络模型中进行负荷预测，生成所述预测日的预测结果。
本申请第三方面提供一种母线负荷预测设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的母线负荷预测方法的步骤。
本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的母线负荷预测方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种母线负荷预测方法，通过对母线负荷曲线和气象数据进行相关性分析，筛选确定气象敏感因素，剔除对负荷影响较小的因素，简化预测模型。并基于预测日对应的历史日母线负荷时序数据和预测日与所述气象敏感因素对应的气象预报数据，利用负荷预测网络模型实现负荷预测。利用神经网络模型的学习能力实现大规模母线负荷的精准预测。通过上述预测方法能够有效提高相关气象条件下的负荷预测精度，有效支撑日前计划和安全校核工作的顺序开展，保证电网系统的安全运行。
附图说明
图1为本申请实施例中提供的一种母线负荷预测方法实施例的流程示意图；
图2为本申请实施例中提供的负荷预测网络模型的结构图；
图3为本申请实施例中提供的LSTM神经网络的结构图；
图4为本申请实施例中提供的母线负荷预测方法的预测结果验证图；
图5为本申请实施例中提供的一种母线负荷预测系统实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参阅图1，本申请实施例中提供的一种母线负荷预测方法，包括：
步骤101、采集母线的历史负荷曲线及历史负荷曲线对应的气象数据；
需要说明的是，母线的历史负荷曲线例如可以是采集前一年内或者半年内的母线负荷数据；以及在该时间段对应的气象数据。
步骤102、对历史负荷曲线和对应的气象数据进行相关性分析，得到气象敏感因素；
在本实施方式中，步骤102具体包括：
步骤1021、对历史负荷曲线进行傅里叶分解，得到气象敏感负荷成分；
需要说明的是，电力母线负荷是具有周期性的时间序列，通过傅里叶分解技术对于一组特定时期的母线负荷曲线进行分解处理，将历史母线负荷曲线分解成日周期负荷成分、周周期负荷成分和气象敏感负荷成分。日周期负荷成分和周周期负荷成分通常由日常生产和生活决定，按照固定的周期变化。气象敏感负荷成分通常由气象变化造成的负荷振荡。
步骤1022、利用相关性分析方法，计算气象敏感负荷成分和对应的气象数据的相关性，得到关联度排序结果；
需要说明的是，气象数据例如可以是天气类型、最高温度、最低温度、平均温度、相对湿度、平均风速、平均气压、累积降雨量等气象数据。相关性分析方法例如可以是pearson相关分析、spearman相关分析、灰色关联度分析、Apriori关联分析、FP-Tree关联分析、Eclat关联分析等。通过上述各种相关性分析方法，对各种气象因素与负荷之间的关联性进行排序，得到关联度排序结果。例如，一年中在冬季的几个月温度和负荷是呈现出一种负相关关系，而其他时间呈现出正相关关系。
步骤1023、基于关联度排序结果对气象数据进行筛选，得到气象敏感因素。
需要说明的是，例如，关联度排序结果为，气象数据关联度由高到低依次为：最高温度、平均风速、天气类型、累积降雨量、最低温度、平均气压、平均温度、相对湿度。筛选关联度排序在前5的指标，作为气象敏感因素。
步骤103、获取与预测日对应的历史日母线负荷时序数据；
需要说明的是，与预测日对应的历史日母线负荷时序数据可以是预测日前一日的母线负荷时序数据，也可以是预测日之前预设周期内的日平均母线负荷时序数据。预设周期例如可以是2天、3天、4天或者一周等。以预测日前一天的母线负荷数据或者预测日前一段时间内的日平均负荷数据作为负荷预测网络模型的输入值，更为接近预测日的情况，能够提高预测精度
进一步地，在本公开的示例性实施例中，历史日母线负荷时序数据配置为以15min为单位的时间序列进行构造，历史日母线负荷时序数据为一天内96个时间点的负荷值。
步骤104、获取预测日与气象敏感因素对应的气象预报数据；
需要说明的是，例如气象敏感因素为最高温度，获取预测日对应的最高温度的气象预报数据。
步骤105、将历史日母线负荷时序数据和气象预报数据输入到负荷预测网络模型中进行负荷预测，生成预测日的预测结果。
在本实施方式中，步骤S105中的负荷预测网络模型的构建过程包括：
步骤1051、获取历史负荷时序数据和对应的历史气象时序数据，其中，历史气象时序数据的配置为与气象敏感因素对应的气象数据；
需要说明的是，历史气象时序数据配置为以15min为单位进行构造。如下表1所示，示例性地示出了一个实施例中的历史气象时序数据，该历史气象数据数据的气象敏感因素为天气类型、温度、气压、风速和相对湿度。
表1
| 时间序号 | 天气类型<sup>a</sup> | 温度值 | 气压值 | 风速 | 相对湿度 |
| 1 | 1 | 33.8 | 994 | 5 | 0.3 |
| 2 | 1 | 33.7 | 994 | 5 | 0.3 |
| 3 | 1 | 33.6 | 994 | 5 | 0.3 |
| 4 | 1 | 33.6 | 994 | 5 | 0.3 |
| … | … | … | … | … | … |
| … | … | … | … | … | … |
| 93 | 1 | 27 | 992 | 8 | 0.7 |
| 94 | 1 | 26.9 | 992 | 8 | 0.7 |
| 95 | 1 | 27.1 | 992 | 8 | 0.7 |
| 96 | 1 | 27.4 | 992 | 8 | 0.7 |
注a：天气类型用数字表示，1表示晴天、2表示多云、3表示小雨、4表示中雨、5表示大雨。
步骤1052、获取延迟时间τ和嵌入维数m，对历史负荷时序数据和历史气象时序数据进行相空间重构，生成训练数据集；
需要说明的是，步骤1052具体包括：
通过延迟时间τ和嵌入维数m可以挖掘隐含于负荷时序数据叫嗯气象时序数据中信息，τ和m例如可以通过C-C法、时间窗法等设置或优化。
在本公开的示例性实施方式中，延迟时间τ和嵌入维数m基于电力负荷规律和人工先验知识确定。
在本公开的示例性实施方式中，在步骤1052在生成训练数据集之前，可以对历史负荷时序数据和对应的历史气象时序数据进行数据预处理，具体包括：
利用3sigma、四分位箱线图和环比异常数据检测识别技术识别得到异常数据；
利用插值法、回归法和特征曲线填充法对异常数据进行修正。
通过3sigma计算、四分位箱线图和环比异常数据检测，可以有效识别温度、负荷数据等数值型数据中的异常数据。异常数据例如可以是零值异常、空缺异常、重复异常、突变异常等等。识别出异常数据后，在通过插值法、回归法和特征曲线填充法等方式修正异常数据，以构建训练数据集。
进一步地，在本公开的示例性实施方式中，可以将训练数据集按照一定的比例划分成训练数据集和测试样本集，以更好地优化训练模型。
步骤1053、构建初始神经网络模型；
需要说明的是，请参阅图2，示例性示出了初始神经网络模型的结构图。初始神经网络模型包括CNN卷积神经网络和LSTM神经网络；请参阅图3，示例性地示出了LSTM神经网络的结构图。
步骤1054、利用训练数据集对初始神经网络模型进行训练，生成负荷预测网络模型。
需要说明的是，步骤1054具体包括：
将训练样本输入到CNN卷积神经网络进行特征提取，得到特征向量；
将特征向量输入到LSTM神经网络进行训练，并在训练过程利用反向传播算法对LSTM神经网络进行权值优化，直至网络收敛，得到负荷预测网络模型。
CNN卷积神经网络用于进行特征提取，具体地，CNN卷积神经网络设计了四个卷积层和三个池化层，卷积核数目依次设定为32、64、128和256，经过连续四次卷积和池化操作后，将得到的数据进行扁平化工作后得到的数据，作为LSTM神经网络的输入。
LSTM神经网络用于进行母线负荷的预测，如图3所示，LSTM神经网络模型的第一步如下述公式1所示，根据前一时刻输出ht-1和当前输入xt，赋予权重Wf，通过Sigmoid激活函数产生一个ft值，决定是否让上一时刻学到的信息St1通过或部分通过。第二步用于产生需要更新的新信息，通过输入门input gat添加当前时刻的输入信息，如公式2所示。然后用一个tanh生成新的候选值，如公式3所示。第四步用于丢掉不需要的信息，添加新信息，如公式4所示，将老的St1与ft相乘来忘掉不需要的信息，然后再与it*
相加，得到候选值。最后一步决定模型的输出，如公式5和公式6所示。通过sigmoid函数来得到一个初始输出，然后使用tanh将St值缩放到-1到1间，再与sigmoid得到的输出逐对相乘，作为当前状态的输出值ht传递至下一时刻。
ft＝σ(Wf·ht-1,xt]+bf) 公式1
it＝σ(Wi·[ht-1,xt]+bi) 公式2
ot＝σ(Wo·[ht-1,xt]+bo) 公式5
ht＝σ*tanh(St) 公式6
进一步地，在本公开的示例性实施例中，LSTM网络模型设置了4个LSTM层，以提供预测精度。通过负荷预测网络模型的得到的预测日的预测结果配置为预测日一天内96个时间点的负荷值。
如图4所示为在一个具体的应用场景中，本实施例提供的母线负荷预测方法的预测结果验证图。图4中，虚线为预测的负荷值，实线为实际负荷值。验证结果表明，本实施例提供的母线负荷预测方法的预测精度达到97％左右。
以上为本申请实施例中提供的一种母线负荷预测方法，以下为本申请实施例中提供的一种母线负荷预测系统。
请参阅图2，本申请实施例中提供的一种母线负荷预测方法，包括：
采集单元201，用于采集母线的历史负荷曲线及历史负荷曲线对应的气象数据；
分析单元202，用于对历史负荷曲线和对应的气象数据进行相关性分析，得到气象敏感因素；
第一获取单元203，用于获取与预测日对应的历史日母线负荷时序数据；
第二获取单元204，用于获取预测日与气象敏感因素对应的气象预报数据；
预测单元205，用于将历史日母线负荷时序数据和气象预报数据输入到负荷预测网络模型中进行负荷预测，生成预测日的预测结果。
进一步地，本申请实施例中还提供了一种母线负荷预测设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述方法实施例所述的母线负荷预测方法。
进一步地，本申请实施例中还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述方法实施例所述的母线负荷预测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种母线负荷预测方法，其特征在于，包括：
采集母线的历史负荷曲线及所述历史负荷曲线对应的气象数据；
对所述历史负荷曲线和对应的所述气象数据进行相关性分析，得到气象敏感因素；
获取与预测日对应的历史日母线负荷时序数据；
获取预测日与所述气象敏感因素对应的气象预报数据；
将所述历史日母线负荷时序数据和所述气象预报数据输入到负荷预测网络模型中进行负荷预测，生成所述预测日的预测结果。
2.根据权利要求1所述的母线负荷预测方法，其特征在于，所述对所述历史负荷数据和所述气象数据进行相关性分析，得到气象敏感因素，具体包括：
对所述历史负荷曲线进行傅里叶分解，得到气象敏感负荷成分；
利用相关性分析方法，计算所述气象敏感负荷成分和对应的所述气象数据的相关性，得到关联度排序结果；
基于所述关联度排序结果对所述气象数据进行筛选，得到所述气象敏感因素。
3.根据权利要求1所述的母线负荷预测方法，其特征在于，所述负荷预测网络模型的构建过程，具体包括：
获取历史负荷时序数据和对应的历史气象时序数据，其中，所述历史气象时序数据的配置为与所述气象敏感因素对应的气象数据；
获取延迟时间τ和嵌入维数m，对所述历史负荷时序数据和所述历史气象时序数据进行相空间重构，生成训练数据集；
构建初始神经网络模型；
利用所述训练数据集对所述初始神经网络模型进行训练，生成所述负荷预测网络模型。
4.根据权利要求3所述的母线负荷预测方法，其特征在于，所述初始神经网络模型，包括：CNN卷积神经网络和LSTM神经网络。
5.根据权利要求4所述的母线负荷预测方法，其特征在于，所述利用所述训练数据集对所述初始神经网络模型进行训练，生成所述负荷预测网络模型，具体包括：
将所述训练数据集的训练样本输入到所述CNN卷积神经网络进行特征提取，得到特征向量；
将所述特征向量输入到所述LSTM神经网络进行训练，并在训练过程利用反向传播算法对所述LSTM神经网络进行权值优化，直至网络收敛，得到所述负荷预测网络模型。
6.根据权利要求3所述的母线负荷预测方法，其特征在于，所述生成训练数据集，之前还包括：对所述历史负荷时序数据和对应的历史气象时序数据进行数据预处理。
7.根据权利要求6所述的母线负荷预测方法，其特征在于，所述对所述历史负荷时序数据和对应的历史气象时序数据进行数据预处理，具体包括：
利用3sigma、四分位箱线图和环比异常数据检测识别技术，对所述历史负荷时序数据和对应的历史气象时序数据进行识别，得到异常数据；
利用插值法、回归法和特征曲线填充法对所述异常数据进行修正。
8.一种母线负荷预测系统，其特征在于，包括：
采集单元，用于采集母线的历史负荷曲线及所述历史负荷曲线对应的气象数据；
分析单元，用于对所述历史负荷曲线和对应的所述气象数据进行相关性分析，得到气象敏感因素；
第一获取单元，用于获取与预测日对应的历史日母线负荷时序数据；
第二获取单元，用于获取预测日与所述气象敏感因素对应的气象预报数据；
预测单元，用于将所述历史日母线负荷时序数据和所述气象预报数据输入到负荷预测网络模型中进行负荷预测，生成所述预测日的预测结果。
9.一种母线负荷预测设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的母线负荷预测方法。
10.一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用于存储程序代码，所述程序代码用于执行权利要求1-7任一项所述的母线负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211254846.9A CN115456306A (zh) | 2022-10-13 | 2022-10-13 | 一种母线负荷预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211254846.9A CN115456306A (zh) | 2022-10-13 | 2022-10-13 | 一种母线负荷预测方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115456306A true CN115456306A (zh) | 2022-12-09 |
Family
ID=84309624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211254846.9A Pending CN115456306A (zh) | 2022-10-13 | 2022-10-13 | 一种母线负荷预测方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115456306A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116070804A (zh) * | 2023-04-06 | 2023-05-05 | 国网冀北电力有限公司 | 基于知识图谱和数据驱动的电力系统负荷预测方法及装置 |
| CN116742625A (zh) * | 2023-08-14 | 2023-09-12 | 天津大学 | 变电站下网负荷的预测方法及系统 |
| CN117494904A (zh) * | 2023-12-20 | 2024-02-02 | 万物信通(广州)通信信息技术有限公司 | 一种通信能力开放平台负荷预测方法、电子设备以及可读存储介质 |
| CN118539553A (zh) * | 2024-05-20 | 2024-08-23 | 深圳市格林威交通科技有限公司 | 一种交通信号控制应急供电控制方法和系统 |
-
2022
- 2022-10-13 CN CN202211254846.9A patent/CN115456306A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116070804A (zh) * | 2023-04-06 | 2023-05-05 | 国网冀北电力有限公司 | 基于知识图谱和数据驱动的电力系统负荷预测方法及装置 |
| CN116742625A (zh) * | 2023-08-14 | 2023-09-12 | 天津大学 | 变电站下网负荷的预测方法及系统 |
| CN116742625B (zh) * | 2023-08-14 | 2023-12-19 | 天津大学 | 变电站下网负荷的预测方法及系统 |
| CN117494904A (zh) * | 2023-12-20 | 2024-02-02 | 万物信通(广州)通信信息技术有限公司 | 一种通信能力开放平台负荷预测方法、电子设备以及可读存储介质 |
| CN118539553A (zh) * | 2024-05-20 | 2024-08-23 | 深圳市格林威交通科技有限公司 | 一种交通信号控制应急供电控制方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115456306A (zh) | 一种母线负荷预测方法、系统、设备及存储介质 | |
| CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
| CN111985719B (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
| CN110689190A (zh) | 一种电网负荷预测方法、装置及相关设备 | |
| CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及系统 | |
| CN111815060A (zh) | 一种用电地区短期负荷预测方法及装置 | |
| CN116316599A (zh) | 一种智能用电负荷预测方法 | |
| CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及系统 | |
| Tormozov et al. | Optimization of neural network parameters based on a genetic algorithm for prediction of time series | |
| CN115409292A (zh) | 一种电力系统短期负荷预测方法及相关装置 | |
| Rafi et al. | An effective short-term load forecasting methodology using convolutional long short term memory network | |
| CN116739130A (zh) | TCN-BiLSTM网络的多时间尺度负荷预测方法 | |
| CN115600498A (zh) | 一种基于人工神经网络的风速预报订正方法 | |
| CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
| Abrishami et al. | Using real-world store data for foot traffic forecasting | |
| CN110740063B (zh) | 基于信号分解和周期特性的网络流量特征指标预测方法 | |
| CN117374917A (zh) | 一种超短期电力负荷的多元回归预测方法及装置 | |
| CN114254828B (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
| CN117455536A (zh) | 基于误差补偿的短期煤价预测方法及系统 | |
| CN113962431B (zh) | 一种两阶段特征处理的母线负荷预测方法 | |
| CN116523540A (zh) | 基于自适应lgbm的超短期电价预测方法 | |
| CN115049874A (zh) | 一种用户相别分析方法、系统、设备和存储介质 | |
| CN113947251A (zh) | 一种变压器的日最大负载率预测方法、装置、设备和介质 | |
| CN114066068A (zh) | 一种短期电力负荷预测方法、装置、设备和存储介质 | |
| CN111382891B (zh) | 短期负荷预测方法和短期负荷预测装置 |
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 |