CN115965125A - 一种基于深度学习的电力负荷预测方法 - Google Patents
一种基于深度学习的电力负荷预测方法 Download PDFInfo
- Publication number
- CN115965125A CN115965125A CN202211592497.1A CN202211592497A CN115965125A CN 115965125 A CN115965125 A CN 115965125A CN 202211592497 A CN202211592497 A CN 202211592497A CN 115965125 A CN115965125 A CN 115965125A
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- load prediction
- power load
- 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
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深度学习的电力负荷预测方法，具体步骤包括：步骤S101：进行电力数据的采集，对预设时间段的电力数据进行收集，通过历史存储数据库进行历史数据的查询，然后将采集信息进行传输，传输至系统的处理服务器内。本发明通过采集用电量数据的季节、温度范围、时间范围及工作日、休息日或节假日的信息匹配的同时，还基于不同人群及用电类型进行更深度更全面的信息匹配，可提高预测的准确性，同时通过进行专家的人工预测，可对预测数据进行比对确认，有助于提高电力负荷预测的准确性。
Description
技术领域
本发明涉及电力负荷预测技术领域，更具体地说，涉及一种基于深度学习的电力负荷预测系统。
背景技术
随着电力系统不断发展，电力系统对社会的经济发展也越来越重要。随着电网技术的不断进步和经济社会对电力需求的增加，目前电力能源服务已经覆盖诸多领域。在此背景下，电网系统的正常运行十分重要，而电力需求预测对于电网系统的运行有着重要的意义，电网系统的复杂性与多变性决定了对电力负荷预测需要有较强的自适应与较高的准确性，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。现有技术中可通过负荷预测系统实现电力数据的负荷预测功能。
在进行电力负荷预测的过程中，对影响数据的相关信息匹配不全面，无法根据不同人群的不同生活作息进行匹配预测，并且针对系统的预测信息无法保障其准确性。为此，我们提出一种基于深度学习的电力负荷预测系统。
发明内容：
本发明的目的就在于为了解决上述问题而提供一种基于深度学习的电力负荷预测方法，解决了背景技术中提到的问题。
为了解决上述问题，本发明提供了一种技术方案：
一种基于深度学习的电力负荷预测方法，具体步骤包括：
步骤S101：进行电力数据的采集，对预设时间段的电力数据进行收集，通过历史存储数据库进行历史数据的查询，然后将采集信息进行传输，传输至系统的处理服务器内；
步骤S102：对采集数据进行相关信息的预处理，对用电数据进行相关性因素的匹配，对用电数据的季节进行匹配，对用短数据的工作日或节假日进行匹配，对用电数据的当日时间点进行匹配，对用电数据的气温进行匹配，对用电区域及人流量匹配，对用电类型进行匹配；
步骤S103：对匹配完成数据进行划分，划分为训练集和测试集，对数据历史时刻的电力负荷数据和区域特征因素进行训练建模以训练生成深度神经网络负荷预测模型；
步骤S104：将测试集输入用于进行电力负荷预测的深度学习模型，得到用户在时间区间内的电力负荷预测数据，将训练集输入当前的深度学习模型，通过当前的深度学习模型的深度学习，将测试集与训练集汇总得出负荷预测数据；
步骤S105：通过专家计算的方式对电力负荷数据进行预测，将所得到的预测数据与系统预测数据进行比较并计算偏差量，偏差量，偏差量较小的情况则得到最终负荷预测数据，提升负荷预测的准确性。
作为优选，所述步骤S101中，采集低压配电台区的时序运行数据，其中，所述时序运行数据包括电压、电流、有功功率、无功功率和时间信息，数据缺失采用前后量测数据的平均值进行数据填充。
作为优选，所述步骤S102中，预处理包括剔除异常数据、填充缺失值和数据标准化，得到数值型数据，并采用独热向量编码规则生成稀疏特征向量，得到类别型数据的特征向量。
作为优选，所述步骤S103中，在基于LSTM的Seq2Seq模型基础上引入Att ention机制，构建Seq2Seq-Attention模型，利用训练集样本训练Seq2Seq-Attention模型，并利用验证集样本对模型进行优化，直至得到最优模型，即：训练好的Seq2Seq-Attention模型。
作为优选，所述步骤S104中，将所述训练集输入当前的深度学习模型，通过当前的深度学习模型的深度学习，针对所述训练集中的每一个训练样本得到用户在所述第二时间区间内不同分位点下的电力负荷预测数据，将所述训练集输入到CNN神经网络中经过Relu函数进行激活，并通过max-pooling进行池化处理，加入概率为0.3的dropout来防止过拟合，输出为带有时间特征依赖的数据，并作为LSTM神经网络的输入根据CNN提取的具有时间依赖性的序列，将其按照时间顺序输入到LSTM中，作为每一个timestep的输入，利用已经划分好的数据集，将LSTM神经网络按照seq2seq的方式进行训练，通过最后全连接层将Attentionvalue进行映射到输出值，也即是模型的预测值，得到预测结果。
本发明的有益效果是：本发明涉及一种基于深度学习的电力负荷预测方法，具有预测准确性高的特点，在具体的使用中，与传统的基于深度学习的电力负荷预测方法相比较而言，本基于深度学习的电力负荷预测方法具有以下有益效果：
通过采集用电量数据的季节、温度范围、时间范围及工作日、休息日或节假日的信息匹配的同时，还基于不同人群及用电类型进行更深度更全面的信息匹配，可提高预测的准确性，同时通过进行专家的人工预测，可对预测数据进行比对确认，有助于提高电力负荷预测的准确性。
附图说明：
为了易于说明，本发明由下述的具体实施及附图作以详细描述。
图1为本发明的电力负荷预测方法工作流程图；
具体实施方式：
如图1所示，本具体实施方式采用以下技术方案：
实施例：
一种基于深度学习的电力负荷预测方法，具体步骤包括：
步骤S101：进行电力数据的采集，对预设时间段的电力数据进行收集，通过历史存储数据库进行历史数据的查询，然后将采集信息进行传输，传输至系统的处理服务器内；
步骤S102：对采集数据进行相关信息的预处理，对用电数据进行相关性因素的匹配，对用电数据的季节进行匹配，对用短数据的工作日或节假日进行匹配，对用电数据的当日时间点进行匹配，对用电数据的气温进行匹配，对用电区域及人流量匹配，对用电类型进行匹配；
步骤S103：对匹配完成数据进行划分，划分为训练集和测试集，对数据历史时刻的电力负荷数据和区域特征因素进行训练建模以训练生成深度神经网络负荷预测模型；
步骤S104：将测试集输入用于进行电力负荷预测的深度学习模型，得到用户在时间区间内的电力负荷预测数据，将训练集输入当前的深度学习模型，通过当前的深度学习模型的深度学习，将测试集与训练集汇总得出负荷预测数据；
步骤S105：通过专家计算的方式对电力负荷数据进行预测，将所得到的预测数据与系统预测数据进行比较并计算偏差量，偏差量，偏差量较小的情况则得到最终负荷预测数据，提升负荷预测的准确性。
其中，所述步骤S101中，采集低压配电台区的时序运行数据，其中，所述时序运行数据包括电压、电流、有功功率、无功功率和时间信息，数据缺失采用前后量测数据的平均值进行数据填充。
其中，所述步骤S102中，预处理包括剔除异常数据、填充缺失值和数据标准化，得到数值型数据，并采用独热向量编码规则生成稀疏特征向量，得到类别型数据的特征向量。
其中，所述步骤S103中，在基于LSTM的Seq2Seq模型基础上引入Attenti on机制，构建Seq2Seq-Attention模型，利用训练集样本训练Seq2Seq-Atten tion模型，并利用验证集样本对模型进行优化，直至得到最优模型，即：训练好的Seq2Seq-Attention模型。
其中，所述步骤S104中，将所述训练集输入当前的深度学习模型，通过当前的深度学习模型的深度学习，针对所述训练集中的每一个训练样本得到用户在所述第二时间区间内不同分位点下的电力负荷预测数据，将所述训练集输入到CNN神经网络中经过Relu函数进行激活，并通过max-pooling进行池化处理，加入概率为0.3的dropout来防止过拟合，输出为带有时间特征依赖的数据，并作为LSTM神经网络的输入根据CNN提取的具有时间依赖性的序列，将其按照时间顺序输入到LSTM中，作为每一个timestep的输入，利用已经划分好的数据集，将LSTM神经网络按照seq2seq的方式进行训练，通过最后全连接层将Attentionvalue进行映射到输出值，也即是模型的预测值，得到预测结果。
本发明通过采集用电量数据的季节、温度范围、时间范围及工作日、休息日或节假日的信息匹配的同时，还基于不同人群及用电类型进行更深度更全面的信息匹配，可提高预测的准确性，同时通过进行专家的人工预测，可对预测数据进行比对确认，有助于提高电力负荷预测的准确性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于深度学习的电力负荷预测方法，其特征在于：具体步骤包括：
步骤S101：进行电力数据的采集，对预设时间段的电力数据进行收集，通过历史存储数据库进行历史数据的查询，然后将采集信息进行传输，传输至系统的处理服务器内；
步骤S102：对采集数据进行相关信息的预处理，对用电数据进行相关性因素的匹配，对用电数据的季节进行匹配，对用短数据的工作日或节假日进行匹配，对用电数据的当日时间点进行匹配，对用电数据的气温进行匹配，对用电区域及人流量匹配，对用电类型进行匹配；
步骤S103：对匹配完成数据进行划分，划分为训练集和测试集，对数据历史时刻的电力负荷数据和区域特征因素进行训练建模以训练生成深度神经网络负荷预测模型；
步骤S104：将测试集输入用于进行电力负荷预测的深度学习模型，得到用户在时间区间内的电力负荷预测数据，将训练集输入当前的深度学习模型，通过当前的深度学习模型的深度学习，将测试集与训练集汇总得出负荷预测数据；
步骤S105：通过专家计算的方式对电力负荷数据进行预测，将所得到的预测数据与系统预测数据进行比较并计算偏差量，偏差量，偏差量较小的情况则得到最终负荷预测数据，提升负荷预测的准确性。
2.根据权利要求1所述的一种基于深度学习的电力负荷预测方法，其特征在于：所述步骤S101中，采集低压配电台区的时序运行数据，其中，所述时序运行数据包括电压、电流、有功功率、无功功率和时间信息，数据缺失采用前后量测数据的平均值进行数据填充。
3.根据权利要求1所述的一种基于深度学习的电力负荷预测方法，其特征在于：所述步骤S102中，预处理包括剔除异常数据、填充缺失值和数据标准化，得到数值型数据，并采用独热向量编码规则生成稀疏特征向量，得到类别型数据的特征向量。
4.根据权利要求1所述的一种基于深度学习的电力负荷预测方法，其特征在于：所述步骤S103中，在基于LSTM的Seq2Seq模型基础上引入Attention机制，构建Seq2Seq-Attention模型，利用训练集样本训练Seq2Seq-Attention模型，并利用验证集样本对模型进行优化，直至得到最优模型，即：训练好的Seq2Seq-Attention模型。
5.根据权利要求1所述的一种基于深度学习的电力负荷预测方法，其特征在于：所述步骤S104中，将所述训练集输入当前的深度学习模型，通过当前的深度学习模型的深度学习，针对所述训练集中的每一个训练样本得到用户在所述第二时间区间内不同分位点下的电力负荷预测数据，将所述训练集输入到CNN神经网络中经过Relu函数进行激活，并通过max-pooling进行池化处理，加入概率为0.3的dropout来防止过拟合，输出为带有时间特征依赖的数据，并作为LSTM神经网络的输入根据CNN提取的具有时间依赖性的序列，将其按照时间顺序输入到LSTM中，作为每一个timestep的输入，利用已经划分好的数据集，将LSTM神经网络按照seq2seq的方式进行训练，通过最后全连接层将Attentionvalue进行映射到输出值，也即是模型的预测值，得到预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211592497.1A CN115965125A (zh) | 2022-12-12 | 2022-12-12 | 一种基于深度学习的电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211592497.1A CN115965125A (zh) | 2022-12-12 | 2022-12-12 | 一种基于深度学习的电力负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115965125A true CN115965125A (zh) | 2023-04-14 |
Family
ID=87353590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211592497.1A Pending CN115965125A (zh) | 2022-12-12 | 2022-12-12 | 一种基于深度学习的电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115965125A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116756528A (zh) * | 2023-08-18 | 2023-09-15 | 杭州鸿晟电力设计咨询有限公司 | 一种用电负荷数据的补全方法、装置、设备及介质 |
-
2022
- 2022-12-12 CN CN202211592497.1A patent/CN115965125A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116756528A (zh) * | 2023-08-18 | 2023-09-15 | 杭州鸿晟电力设计咨询有限公司 | 一种用电负荷数据的补全方法、装置、设备及介质 |
| CN116756528B (zh) * | 2023-08-18 | 2023-11-28 | 杭州鸿晟电力设计咨询有限公司 | 一种用电负荷数据的补全方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Song et al. | Hourly heat load prediction model based on temporal convolutional neural network | |
| CN115965125A (zh) | 一种基于深度学习的电力负荷预测方法 | |
| CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
| CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
| CN111754037B (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
| CN113141008B (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
| CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
| Xie et al. | Short-term power load forecasting model based on fuzzy neural network using improved decision tree | |
| CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
| Zhang et al. | Transfer learning featured short-term combining forecasting model for residential loads with small sample sets | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| CN115065078A (zh) | 微网环境下储能容量配置方法及系统 | |
| CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
| CN105205572A (zh) | 基于EMD分解和Elman算法的光伏出力预测方法 | |
| CN117200352A (zh) | 一种基于云边融合的光伏发电调控方法及系统 | |
| CN107909213A (zh) | 一种基于需求侧群组的新能源负荷预测方法及系统 | |
| Zhai et al. | Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting. | |
| CN111177278A (zh) | 一种网格用户短期负荷预测实时处理工具 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN115796915A (zh) | 一种面向电力交易市场的电价预测方法及系统 | |
| CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
| CN107704967A (zh) | 一种基于改进模糊神经网络的短期电力负荷预测方法 | |
| CN111680818A (zh) | 一种短期无功负荷预测方法和系统 | |
| Kuang et al. | Short-term power load forecasting method in rural areas based on cnn-lstm | |
| Luo et al. | Data driven load forecasting method considering demand response |
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 |