CN115660153A - 基于多模型的配电网用电高峰负荷预测方法及系统 - Google Patents
基于多模型的配电网用电高峰负荷预测方法及系统 Download PDFInfo
- Publication number
- CN115660153A CN115660153A CN202211242751.5A CN202211242751A CN115660153A CN 115660153 A CN115660153 A CN 115660153A CN 202211242751 A CN202211242751 A CN 202211242751A CN 115660153 A CN115660153 A CN 115660153A
- Authority
- CN
- China
- Prior art keywords
- decision
- prediction
- peak load
- model
- module
- 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
Images
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多模型的配电网用电高峰负荷预测方法及系统,该方法包括获取预设的决策模块的个数;基于所有预设决策模块的预测误差分布情况,确定预测误差最大的决策模块作为第一决策模块,其余决策模块依次排序,相邻两个决策模块的前一决策模块的输出和后一决策模块的输入端连接,构建用于预测用电高峰负荷的第一预测模型;基于原始训练样本集对第一预测模型进行训练;基于待预测数据输入到训练完成的第一预测模型,得到用电高峰负荷预测结果,所述第一预测模型的预测结果基于所有决策模块输出的预测结果之和确定。本发明基于多个决策模块串行,缩短第一预测模型的模型参数拟合效率和提高第一预测模型的预测准确性。
Description
技术领域
本发明涉及电网负荷预测技术领域,具体涉及基于多模型的配电网用电高峰负荷预测方法及系统。
背景技术
传统的基于机器学习或深度学习的配电网负荷预测方法,多采用单独方式进行负荷预测,由于负荷预测问题的假设空间很大,可能有多个假设在训练集上达到同等性能,若使用单一模型可能由于随机性而导致泛化性能不佳。
发明内容
针对上述现有技术存在的问题,本发明提供了一种基于多模型的配电网用电高峰负荷预测方法及系统,有效利用多种不同预测模型进行取长补短,提高了配电网用电高峰负荷预测方法的泛化性能,能够适用于多种应用场景和原始采集数据特征的负荷预测,提高了负荷预测的准确性和预测准确性的稳定性。
第一方面,本发明提供了一种基于多模型的配电网用电高峰负荷预测方法,其特征在于,包括:
获取预设的决策模块的个数;
基于所有预设决策模块的预测误差分布情况,确定预测误差最大的决策模块作为第一决策模块,其余决策模块依次排序,相邻两个决策模块的前一决策模块的输出和后一决策模块的输入端连接,构建用于预测用电高峰负荷的第一预测模型;
基于原始训练样本集对第一预测模型进行训练,所述训练过程中,原始训练样本集输入到当前决策模块后,得到当前决策模块的输出值,基于当前决策模块及之前所有决策模块的输出值之和与目标值之间的损失函数值修正所述当前决策模块的模型参数;
基于待预测数据输入到训练完成的第一预测模型,得到用电高峰负荷预测结果,所述第一预测模型的预测结果基于所有决策模块输出的预测结果之和确定。
在一些实施方式中,所述预设的决策模块的个数为2,其中第一决策模块中包括至少两个决策子单元,第二决策模块中包括一个用于输出最终预测结果的决策子单元。
在一些实施方式中,所述第一决策模块中至少包括一个第一类决策单元和一个第二类决策单元,所述第一类决策单元的决策过程包括:
获取预设的决策器个数;
基于所有预设决策器的预测误差分布情况,确定预测误差最大的决策器作为第一决策器,其余决策器依次排序,相邻两个决策器的前一决策器的输出和后一决策器的输入端连接,构成用于预测用电高峰负荷的第一类决策单元;
基于训练样本集对第一类决策单元进行训练,所述训练过程中,训练样本输入到当前决策器后,得到当前决策器的输出值,基于当前决策器及之前所有决策器的输出值之和与目标值之间的损失函数值修正所述当前决策器的模型参数;
基于待预测数据输入到训练完成的第一类决策单元,得到用电高峰负荷预测结果,所述第一类决策单元的预测结果基于所有决策器输出的预测结果之和确定。
在一些实施方式中,所述第二类决策单元的决策过程包括:
获取预设的决策器个数;
基于所有预设决策器并行设置,每个决策器的输入端分别与训练数据输入端连接,构成用于预测用电高峰负荷的第二类决策单元;
基于训练样本集对第二类决策单元进行训练,所述训练过程中,训练样本输入到每个决策器后,得到每个决策器的输出值,基于所有决策器的输出值进行融合,作为用电高峰负荷融合预测结果,基于用电高峰负荷融合预测结果与目标值之间的损失函数值修正每个决策器的模型参数;
基于待预测数据输入到训练完成的第二类决策单元,得到用电高峰负荷预测结果,所述第二类决策单元的预测结果基于所有决策器输出的预测结果的融合结果确定。
在一些实施方式中,所述第一决策模块中包括XGBoost决策子单元、LSTM决策子单元、GBDT决策子单元、RF决策子单元、KNN决策子单元、SVM决策子单元,所述第二决策模块中的决策子单元采用第二类决策单元。
在一些实施方式中,所述所述第二决策模块中的决策子单元采用XGBoost决策子单元。
在一些实施方式中,所述基于原始训练样本集对第一预测模型进行训练之前,包括:
对原始采集数据进行不良数据辨识和智能修正;
针对修正后的原始采集数据,采用预设特征分析算法对采集数据中不同类别数据的贡献度进行分析,基于贡献度符合预设条件的类别数据生成训练样本集,所述预设特征分析算法包括XGBoost、GBDT、RF算法中的至少一种。
第二方面,本发明提供了一种基于多模型的配电网用电高峰负荷预测系统,该系统包括:
预设参数获取模块,用于获取预设的决策模块的个数;
第一预测模型构建模块,用于基于所有预设决策模块的预测误差分布情况,确定预测误差最大的决策模块作为第一决策模块,其余决策模块依次排序,相邻两个决策模块的前一决策模块的输出和后一决策模块的输入端连接,构成用于预测用电高峰负荷的第一预测模型;
第一预测模型训练模块,用于基于原始训练样本集对第一预测模型进行训练,所述训练过程中,原始训练样本集输入到当前决策模块后,得到当前决策模块的输出值,基于当前决策模块及之前所有决策模块的输出值之和与目标值之间的损失函数值修正所述当前决策模块的模型参数;
用电高峰负荷预测模块,用于基于待预测数据输入到训练完成的第一预测模型,得到用电高峰负荷预测结果,所述第一预测模型的预测结果基于所有决策模块输出的预测结果之和确定。
第三方面,本发明提供了一种电子设备,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于运行所述存储器存储的可执行指令时,实现第一方面所述的基于多模型的配电网用电高峰负荷预测方法。
第四方面,本发明提供了一种计算机可读存储介质,存储有可执行指令,其特征在于,所述可执行指令被处理器执行时实现第一方面所述的基于多模型的配电网用电高峰负荷预测方法。
本发明的一种基于多模型的配电网用电高峰负荷预测方法及系统,具备如下有益效果:基于多个决策模块串行,并以当前决策模块去拟合当前决策模块之前所有决策模块的输出值汇总结果与目标值的差值,多个决策模块不断缩小第一预测模型的损失误差,使得损失误差拟合更为高效,缩短第一预测模型的模型参数拟合效率和提高第一预测模型的预测准确性。
附图说明
图1是本申请实施例的一种基于多模型的配电网用电高峰负荷预测方法的流程示意图;
图2是本申请实施例的异常数据辨识和智能修正的流程示意图;
图3是本申请实施例的基于多模型的配电网用电高峰负荷预测系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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。
本申请实施例提供了一种基于多模型的配电网用电高峰负荷预测方法,该方法包括如下步骤:
步骤1,获取预设的决策模块的个数;
步骤2,基于所有预设决策模块的预测误差分布情况,确定预测误差最大的决策模块作为第一决策模块,其余决策模块依次排序,相邻两个决策模块的前一决策模块的输出和后一决策模块的输入端连接,构建用于预测用电高峰负荷的第一预测模型;
步骤3,基于原始训练样本集对第一预测模型进行训练,所述训练过程中,原始训练样本集输入到当前决策模块后,得到当前决策模块的输出值,基于当前决策模块及之前所有决策模块的输出值之和与目标值之间的损失函数值修正所述当前决策模块的模型参数;
步骤4,基于待预测数据输入到训练完成的第一预测模型,得到用电高峰负荷预测结果,所述第一预测模型的预测结果基于所有决策模块输出的预测结果之和确定。
训练过程中,训练样本输入到第一决策模块后得到第一决策模块的输出结果,然后依次经过第二个决策模块、第三个决策模块......最后一个决策模块先后进行预测拟合处理,以第三个决策模块的预测拟合处理过程为例进行说明,第三个决策模块对第一决策模块和第二个决策模块输出结果之和与目标值的损失值进行拟合预测,基于第一决策模块、第二个决策模块、第三个决策模块的输出结果之和与目标值的损失值修正第三个决策模块的模型参数,修正完成之后,进行下一决策模块的预测拟合处理过程。以当前决策模块及之前所有决策模块的输出值之和作为当前决策模块的预测结果,可以理解,排序越靠后的决策模块的预测结果越接近于目标值。
本申请实施例中,基于多个决策模块串行,并以当前决策模块去拟合当前决策模块之前所有决策模块的输出值汇总结果与目标值的差值,多个决策模块不断缩小第一预测模型的损失误差,使得损失误差拟合更为高效,缩短第一预测模型的模型参数拟合效率和提高第一预测模型的预测准确性。
具体来说,所述第一预测模型的预测过程包括:
基于原始训练样本集分别对第一决策模块中的所有决策子单元进行训练,并输出预测结果,基于所有决策子单元的输出预测结果生成新的数据集;
基于新的数据集作为第二决策模块的决策子单元的输入,对第二决策模块的决策子单元进行训练,获取训练完成的第一预测模型;
基于待预测数据输入到训练完成的第一预测模型,得到用电高峰负荷预测结果,所述第一预测模型的预测结果基于第一决策模块和第二决策模块输出的预测结果之和确定。
进一步的,上述步骤1中的预设的决策模块的个数为2,其中第一决策模块中包括至少两个决策子单元,第二决策模块中包括一个用于输出最终预测结果的决策子单元。
进一步的,上述步骤2中的第一决策模块中至少包括一个第一类决策单元和一个第二类决策单元,所述第一类决策单元的决策过程包括:
步骤21,获取预设的决策器个数;
步骤22,基于所有预设决策器的预测误差分布情况,确定预测误差最大的决策器作为第一决策器,其余决策器依次排序,相邻两个决策器的前一决策器的输出和后一决策器的输入端连接,构成用于预测用电高峰负荷的第一类决策单元;
步骤23,基于训练样本集对第一类决策单元进行训练,所述训练过程中,训练样本输入到当前决策器后,得到当前决策器的输出值,基于当前决策器及之前所有决策器的输出值之和与目标值之间的损失函数值修正所述当前决策器的模型参数;
步骤24,基于待预测数据输入到训练完成的第一类决策单元,得到用电高峰负荷预测结果,所述第一类决策单元的预测结果基于所有决策器输出的预测结果之和确定。
具体来说,第一类决策单元的模型训练过程中,每个决策器对在先所有决策器的输出结果汇总数据与预设目标值的损失值进行拟合预测,所有决策器按照先后顺序逐渐缩小第一类决策单元的预测输出结果和目标输出结果之间的差距,基于多个决策器合作提高了第一类决策单元的预测结果的准确性。
进一步的,第二类决策单元的决策过程包括:
步骤25,获取预设的决策器个数;
步骤26,基于所有预设决策器并行设置,每个决策器的输入端分别与训练数据输入端连接,构成用于预测用电高峰负荷的第二类决策单元;
步骤27,基于训练样本集对第二类决策单元进行训练,所述训练过程中,训练样本输入到每个决策器后,得到每个决策器的输出值,基于所有决策器的输出值进行融合,作为用电高峰负荷融合预测结果,基于用电高峰负荷融合预测结果与目标值之间的损失函数值修正每个决策器的模型参数;
步骤28,基于待预测数据输入到训练完成的第二类决策单元,得到用电高峰负荷预测结果,所述第二类决策单元的预测结果基于所有决策器输出的预测结果的融合结果确定。
具体来说,第二类决策单元的模型训练过程中,每个决策器并行进行数据预测,基于每个决策器的决策结果获取一个相对来说比较正确的预测结果,可以是从多个决策器的决策结果中选择一个最优结果作为最终结果,也可以是基于多个多个决策器的决策结果进行均衡,估算一个结果作为最终结果,避免了单一决策器预测结果准确性不稳定的情况。
进一步的,在一种实施方式中,第一决策模块中包括XGBoost决策子单元、LSTM决策子单元、GBDT决策子单元、RF决策子单元、KNN决策子单元、SVM决策子单元,所述第二决策模块中的决策子单元采用第二类决策单元。
在一种实施方式中,第二决策模块中的决策子单元采用XGBoost决策子单元。
进一步的,上述步骤3,基于原始训练样本集对第一预测模型进行训练之前,包括:
步骤31,对原始采集数据进行不良数据辨识和智能修正;
步骤32,针对修正后的原始采集数据,采用预设特征分析算法对采集数据中不同类别数据的贡献度进行分析,基于贡献度符合预设条件的类别数据生成训练样本集,所述预设特征分析算法包括XGBoost、GBDT、RF算法中的至少一种。
电力负荷数据作为负荷预测建模的基础数据支撑,对模型的建立和最后预测结果的准确性都有着极为重要的影响,如果历史发生数据采集有误,或被人为进行了错误的修改,则被考察的历史数据序列就不能反映负荷实际变化规律,会直接影响到负荷分析和预测的可靠性和可信度。本申请实施例中,基于历史数据利用人工智能、深度学习等技术手段,并建立不良数据辨识和智能修正模块,提高在配电网负荷预测精准度。
进一步的,上述步骤31,对原始采集数据进行异常数据辨识和智能修正,包括:
步骤311,基于预设异常数据规则匹配公式对原始采集数据进行第一异常识别,获取原始采集数据存在的符合预设异常数据规则匹配公式的数据点作为第一异常数据点;
步骤312,基于第一异常数据点对应的预设异常数据规则匹配公式种类确定第一异常类型和对应的第一修正方法,并执行第一修正方法对第一异常进行修正,具体来说,该第一异常类型包括:空数据点、零数据点和连续恒定值;
步骤313,基于原始采集数据进行频域转换;
步骤314,以频域数据中的特征频域分量数据为参考数据对原始采集数据进行第二异常识别,获取原始采集数据中第一变化特征与所述特征频域分量数据的第二变化特征不匹配的数据点作为第二异常数据点,本申请实施例中,上述第二异常数据点表征数据变化特征异常的数据点,可以是数据增量异常、数据阶跃的突变点;
步骤315,基于原始采集数据中第一变化特征对第二异常数据点执行第二修正方法。
可以理解,上述步骤313基于原始采集数据进行频域转换之后,可以获得多个频域分量数据,多个频域分量数据中包括至少一个特征频域分量数据,该特征频域分量数据是能够显著表现相邻两点的数据变化特征情况的,如数据增量情况和阶跃突变情况,当然,如果该特征频域分量数据为多个,可以将多个特征频域分量数据相加融合后进行后续的计算分析过程。
进一步的,上述步骤312中,在执行第一修正方法之前,还包括:
步骤3121,获取原始采集数据中被判定为第一异常的数据点,对于第一异常数据点连续超过预设第一数值的异常点数据段中的第一异常数据点不执行第一修正方法;
进一步的,上述步骤315中,在执行所述第二修正方法之后,还包括:
步骤3151,对于被修正的数据点获取其修正量,对于所述修正量小于预设第二数值的异常数据点确定为误判异常数据点,对误判异常数据点重置为修正前的数据值。
其中,获取原始采集数据中第一变化特征与所述特征频域分量数据的第二变化特征不匹配的数据点作为第二异常数据点,具体来说,包括:
对于特征频域分量数据记为第二数据曲线,对于原始采集数据记为第一数据曲线,第一数据曲线的增量与第二数据曲线的增量的差值符合正态分布,以第二数据曲线的增量作为期望值μ,则第一数据曲线的存在数据点的增量差值如果在[μ-3σ,μ+3σ]范围之外,则第一数据曲线的该数据点为第二异常数据点。
本申请实施例中,针对修正后的原始采集数据,采用预设特征分析算法对采集数据中不同类别数据的贡献度进行分析,基于贡献度符合预设条件的类别数据生成训练样本集,包括:
基于原始数据的预设特征输入预设特征分析算法获取预设特征分析算法中的每个决策器的第一输出结果;
对原始数据的所述预设特征融入预设噪声数据后输入预设特征分析算法获取预设特征分析算法中的每个决策器的第二输出结果;
基于每个决策器的第二输出结果和每个决策器的第一输出结果的差值大小对每个预设特征的重要性进行排序,确定每个预设特征的贡献度大小。可以理解,上述第二输出结果和第一输出结果的差值越小,则对应的预设特征的重要性即贡献度越大。
本申请实施例还提供了一种基于多模型的配电网用电高峰负荷预测系统,该系统包括:
预设参数获取模块,用于获取预设的决策模块的个数;
第一预测模型构建模块,用于基于所有预设决策模块的预测误差分布情况,确定预测误差最大的决策模块作为第一决策模块,其余决策模块依次排序,相邻两个决策模块的前一决策模块的输出和后一决策模块的输入端连接,构成用于预测用电高峰负荷的第一预测模型;
第一预测模型训练模块,用于基于原始训练样本集对第一预测模型进行训练,所述训练过程中,原始训练样本集输入到当前决策模块后,得到当前决策模块的输出值,基于当前决策模块及之前所有决策模块的输出值之和与目标值之间的损失函数值修正所述当前决策模块的模型参数;
用电高峰负荷预测模块,用于基于待预测数据输入到训练完成的第一预测模型,得到用电高峰负荷预测结果,所述第一预测模型的预测结果基于所有决策模块输出的预测结果之和确定。
可以理解,本发明实施例提供的基于多模型的配电网用电高峰负荷预测系统可以采用软硬件结合的方式实现,作为示例,本发明实施例所提供的基于多模型的配电网用电高峰负荷预测系统可以直接体现为由处理器执行的软件模块组合,软件模块可以位于存储介质中,存储介质位于存储器,处理器读取存储器中软件模块包括的可执行指令,结合必要的硬件完成本发明实施例提供的基于多模型的配电网用电高峰负荷预测方法。另外,本实施例提供的基于多模型的配电网用电高峰负荷预测系统与上述实施例提供的基于多模型的配电网用电高峰负荷预测法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请实施例提供了一种电子设备,该电子设备包括:
存储器,用于存储可执行指令;
处理器,用于运行所述存储器存储的可执行指令时,实现上述基于多模型的配电网用电高峰负荷预测方法。
可以理解,该电子设备还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该电子设备还可以包括其他用于实现设备功能的部件,在此不做赘述。
本申请实施例提供了一种计算机可读存储介质,存储有可执行指令,该可执行指令被处理器执行时实现上述的基于多模型的配电网用电高峰负荷预测方法。
具体来说,该计算机可读存储介质可以是只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、只读光盘(compact disc read-onlymemory,CD-ROM)、磁带、软盘和光数据存储节点等。
本发明不局限于上述具体的实施方式,本领域的普通技术人员从上述构思出发,不经过创造性的劳动,所做出的种种变换,均落在本发明的保护范围之内。
Claims (10)
1.一种基于多模型的配电网用电高峰负荷预测方法,其特征在于,包括:
获取预设的决策模块的个数;
基于所有预设决策模块的预测误差分布情况,确定预测误差最大的决策模块作为第一决策模块,其余决策模块依次排序,相邻两个决策模块的前一决策模块的输出和后一决策模块的输入端连接,构建用于预测用电高峰负荷的第一预测模型;
基于原始训练样本集对第一预测模型进行训练,所述训练过程中,原始训练样本集输入到当前决策模块后,得到当前决策模块的输出值,基于当前决策模块及之前所有决策模块的输出值之和与目标值之间的损失函数值修正所述当前决策模块的模型参数;
基于待预测数据输入到训练完成的第一预测模型,得到用电高峰负荷预测结果,所述第一预测模型的预测结果基于所有决策模块输出的预测结果之和确定。
2.根据权利要求1所述的一种基于多模型的配电网用电高峰负荷预测方法,其特征在于,所述预设的决策模块的个数为2,其中第一决策模块中包括至少两个决策子单元,第二决策模块中包括一个用于输出最终预测结果的决策子单元。
3.根据权利要求2所述的一种基于多模型的配电网用电高峰负荷预测方法,其特征在于,所述第一决策模块中至少包括一个第一类决策单元和一个第二类决策单元,所述第一类决策单元的决策过程包括:
获取预设的决策器个数;
基于所有预设决策器的预测误差分布情况,确定预测误差最大的决策器作为第一决策器,其余决策器依次排序,相邻两个决策器的前一决策器的输出和后一决策器的输入端连接,构成用于预测用电高峰负荷的第一类决策单元;
基于训练样本集对第一类决策单元进行训练,所述训练过程中,训练样本输入到当前决策器后,得到当前决策器的输出值,基于当前决策器及之前所有决策器的输出值之和与目标值之间的损失函数值修正所述当前决策器的模型参数;
基于待预测数据输入到训练完成的第一类决策单元,得到用电高峰负荷预测结果,所述第一类决策单元的预测结果基于所有决策器输出的预测结果之和确定。
4.根据权利要求3所述的一种基于多模型的配电网用电高峰负荷预测方法,其特征在于,所述第二类决策单元的决策过程包括:
获取预设的决策器个数;
基于所有预设决策器并行设置,每个决策器的输入端分别与训练数据输入端连接,构成用于预测用电高峰负荷的第二类决策单元;
基于训练样本集对第二类决策单元进行训练,所述训练过程中,训练样本输入到每个决策器后,得到每个决策器的输出值,基于所有决策器的输出值进行融合,作为用电高峰负荷融合预测结果,基于用电高峰负荷融合预测结果与目标值之间的损失函数值修正每个决策器的模型参数;
基于待预测数据输入到训练完成的第二类决策单元,得到用电高峰负荷预测结果,所述第二类决策单元的预测结果基于所有决策器输出的预测结果的融合结果确定。
5.根据权利要求4所述的一种基于多模型的配电网用电高峰负荷预测方法,其特征在于,所述第一决策模块中包括XGBoost决策子单元、LSTM决策子单元、GBDT决策子单元、RF决策子单元、KNN决策子单元、SVM决策子单元,所述第二决策模块中的决策子单元采用第二类决策单元。
6.根据权利要求5所述的一种基于多模型的配电网用电高峰负荷预测方法,其特征在于,所述所述第二决策模块中的决策子单元采用XGBoost决策子单元。
7.根据权利要求1所述的一种基于多模型的配电网用电高峰负荷预测方法,其特征在于,所述基于原始训练样本集对第一预测模型进行训练之前,包括:
对原始采集数据进行不良数据辨识和智能修正;
针对修正后的原始采集数据,采用预设特征分析算法对采集数据中不同类别数据的贡献度进行分析,基于贡献度符合预设条件的类别数据生成训练样本集,所述预设特征分析算法包括XGBoost、GBDT、RF算法中的至少一种。
8.一种基于多模型的配电网用电高峰负荷预测系统,其特征在于,包括:
预设参数获取模块,用于获取预设的决策模块的个数;
第一预测模型构建模块,用于基于所有预设决策模块的预测误差分布情况,确定预测误差最大的决策模块作为第一决策模块,其余决策模块依次排序,相邻两个决策模块的前一决策模块的输出和后一决策模块的输入端连接,构成用于预测用电高峰负荷的第一预测模型;
第一预测模型训练模块,用于基于原始训练样本集对第一预测模型进行训练,所述训练过程中,原始训练样本集输入到当前决策模块后,得到当前决策模块的输出值,基于当前决策模块及之前所有决策模块的输出值之和与目标值之间的损失函数值修正所述当前决策模块的模型参数;
用电高峰负荷预测模块,用于基于待预测数据输入到训练完成的第一预测模型,得到用电高峰负荷预测结果,所述第一预测模型的预测结果基于所有决策模块输出的预测结果之和确定。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于运行所述存储器存储的可执行指令时,实现权利要求1至7任一项所述的基于多模型的配电网用电高峰负荷预测方法。
10.一种计算机可读存储介质,存储有可执行指令,其特征在于,所述可执行指令被处理器执行时实现权利要求1至7任一项所述的基于多模型的配电网用电高峰负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211242751.5A CN115660153A (zh) | 2022-10-11 | 2022-10-11 | 基于多模型的配电网用电高峰负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211242751.5A CN115660153A (zh) | 2022-10-11 | 2022-10-11 | 基于多模型的配电网用电高峰负荷预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115660153A true CN115660153A (zh) | 2023-01-31 |
Family
ID=84988350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211242751.5A Pending CN115660153A (zh) | 2022-10-11 | 2022-10-11 | 基于多模型的配电网用电高峰负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660153A (zh) |
-
2022
- 2022-10-11 CN CN202211242751.5A patent/CN115660153A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11888316B2 (en) | Method and system of predicting electric system load based on wavelet noise reduction and EMD-ARIMA | |
CN112632794B (zh) | 基于交叉熵参数子集模拟优化的电网可靠性评估方法 | |
CN111382906B (zh) | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 | |
CN109102146B (zh) | 基于多参数线性规划的电力系统风险评估加速方法 | |
CN117411189B (zh) | 一种微电网协调控制器的监测数据增强方法 | |
CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN117078048B (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN111563631A (zh) | 基于变分模态分解的风力发电功率预测方法及设备 | |
CN117787915A (zh) | 一种配电网数字孪生智慧大脑构建方法 | |
CN116485049A (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
CN115660153A (zh) | 基于多模型的配电网用电高峰负荷预测方法及系统 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
CN116049156A (zh) | 一种基于大数据技术的电量数据采集优化方法及系统 | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
CN112967154B (zh) | 一种电力系统Well-being的评估方法及装置 | |
CN115660038A (zh) | 基于误差因素和改进moea/d-sas的多阶段集成短期负荷预测 | |
CN115528684A (zh) | 一种超短期负荷预测方法、装置及电子设备 | |
CN111126645A (zh) | 一种基于数据挖掘技术和改进支持向量机的风电预测算法 | |
KR102542488B1 (ko) | 장단기 메모리 기반 비 간섭 부하 모니터링을 이용한 가전기기 전력 사용 상태 예측 방법 및 그를 위한 장치 | |
CN118261474A (zh) | 一种多类异质负荷分层级调节能力评估方法及系统 | |
CN113642766B (zh) | 一种电力系统站点停电数的预测方法、装置、设备及介质 | |
CN114781685B (zh) | 基于大数据挖掘技术的大用户用电负荷预测方法及系统 | |
CN115713360A (zh) | 一种电力市场运营风险预测方法、装置及存储介质 |
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 |