CN116090612A - 一种基于Prophet模型的配电网线路峰值负荷预测方法 - Google Patents
一种基于Prophet模型的配电网线路峰值负荷预测方法 Download PDFInfo
- Publication number
- CN116090612A CN116090612A CN202211660584.6A CN202211660584A CN116090612A CN 116090612 A CN116090612 A CN 116090612A CN 202211660584 A CN202211660584 A CN 202211660584A CN 116090612 A CN116090612 A CN 116090612A
- Authority
- CN
- China
- Prior art keywords
- value
- model
- load
- data
- time
- 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 39
- 230000008859 change Effects 0.000 claims description 32
- 230000000694 effects Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- 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]
-
- 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)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Prophet模型的配电网线路峰值负荷预测方法,涉及配电网线路负荷预测领域,本发明通过设置或调整模型参数后的Prophet模型预测上一周期内的日负荷峰值,并通过日负荷峰值获取预测误差值,并在预测误差值大于预设门限值时,基于预测误差值与预设门限值的差值自适应调整模型参数,通过调整模型参数后的Prophet模型重新预测上一周期内的日负荷峰值,并不断循环,直至预测误差值小于预设门限值,或者调整后的变点位置或变点个数未处于对应的标准范围内,结束循环,并获取目标变点位置与目标变点个数,以预测出下一周期内的日负荷峰值,精准的实现了日负荷峰值预测。
Description
技术领域
本发明涉及配电网线路负荷预测领域,尤其涉及一种基于Prophet模型的配电网线路峰值负荷预测方法。
背景技术
电力负荷预测是电力安全调度的重要依据,在保证电力系统稳定、可靠、经济运行等方面具有十分重要的意义。随着我国经济的高速发展,电力负荷预测已成为一项重要而艰巨的任务。提前一至两星期对配电网线路进行负荷峰值预测,准确预测将出现重过载的线路,能为配电网制定供电计划提供重要参考。
传统的时间序列分析方法大部分应用于输电网日负荷曲线预测或日电量预测,却很少应用于配电网线路的峰值负荷预测,配电网线路负荷受节假日、季节影响,具有变化趋势差异性大、难以量化的特点,这对预测模型的泛化性提出了更高的要求,使得负荷预测更加困难。
发明内容
为了实现配电网线路峰值负荷的精准预测,本发明提出了一种基于Prophet模型的配电网线路峰值负荷预测方法,包括步骤:
S01:获取配电网线路的实时负荷数据与历史负荷数据,并进行数据预处理得到数据集,所述负荷数据中包括各时间点以及各时间点对应的电流值;
S02:基于时间序列分解方法构建季节项、趋势项、节假日项、误差项的时间序列模型,通过数据集训练构建的各时间序列模型得到Prophet模型;
S03:设置Prophet模型中模型参数:变点位置与变点个数的初始值;
S04:通过设置或调整模型参数后的Prophet模型预测上一周期内的日负荷峰值得到日负荷峰值预测值,获取各日负荷峰值预测值与对应日负荷峰值实际值的差值为峰值预测误差,并获取上一周期内各峰值预测误差的平均值为预测误差值;
S05:判断预测误差值是否大于预设门限值,若是,则基于预测误差值与预设门限值的差值自适应调整模型参数:变点位置与变点个数的取值,以使调整后的Prophet模型的预测误差值趋近于预设门限值或小于预设门限值;若否,则跳转至S07步骤;
S06:判断调整后的变点位置与变点个数是否均处于对应的标准范围内,若是,则返回S04步骤进行循环预测,若否,则进入下一步骤;
S07:获取各循环对应预测误差值中最小的预测误差值,获取最小预测误差值对应变点位置与变点个数的取值,作为目标变点位置与目标变点个数;
S08:以目标变点位置与目标变点个数作为模型参数的取值,运行Prophet模型,预测出下一周期内的日负荷峰值。
进一步地,所述S01步骤中,数据预处理具体为:
依次判断负荷数据中的数据是否缺失,若是,则获取当前缺失数据xt前5个时间点对应有效值[xt-1,…,xt-5]的平均值,通过平均值填充当前的缺失数据xt;其中t表示时间点;
针对负荷数据中的任意电流值xt,获取电流值xt前一天内电流值的均值μ与标准差σ,通过均值μ与标准差σ设定标准区间[μ-2σ,u+2σ];判断数据xt是否在[μ-2σ,u+2σ]区间内,若否,则按照其大小将其修改为标准区间的上下界之一,即大于上界取上界,小于下界取下界;
在填充并修改至标准区间后,对负荷数据进行归一化处理:
进一步地,所述S02步骤包括:
将需要预测的时间序列yt分解为趋势项、季节项、节假日项与误差项,分解公式为:
y(t)=g(t)+s(t)+h(t)+εt;
式中,g(t)为趋势项,表示时间序列在非周期上的变化趋势,s(t)为季节项,用于获取时间序列中的周期性规律,其单位为周或月或年;h.(t)为节假日项,表示假期节日对时间序列数据的影响,εt为误差项,用于表示模型中没有预测到的波动。
进一步地,所述S02步骤还包括:
构建趋势项g(t)对应的时间序列模型:
g(t)=(k+α(t)δ)·t+(m+α(t)Tγ);
式中,k表示增长率,增长率变化的时间点记为变点c;δ表示增长率的变化量;m表示偏置量;α(t)是一个由二值函数产生的时间序列,若当前时间点等于变点,变点位置cj取1,否则取0,其中j表示变点的位置;γ是一个与α(t)等长的时间序列,该时间序列中的每个值均为:γj=-cjδj,式中,δj表示第j个变点位置对应增长率的变化量。
进一步地,所述S02步骤还包括:
通过傅里叶级数构建季节项s(t)对应的时间序列模型:
这里使用参数向量β表示公式中的系数:β=(a1,b1,…aN,bN)T,其中an,bn均为需要拟合的系数,N表示傅里叶变换的阶数;
其中p是时间序列的周期:
因此,季节项s(t)对应的时间序列模型记为s(t)=X(t)β,其中β~Normal(0,σ2),σ为预设值,σ越大表示季节的效应越明显,值越小,表示季节的效应越弱。
进一步地,所述S02步骤还包括:
构建节假日项h(t)对应的时间序列模型:
式中,L表示节假日数量,ki表示第i个节假日的影响值,Di表示第i个节假日的前后一段时间;
其中,k~Normal(0,v2),标准差v为预设值,其默认值等于10,当标准差的值越大时,表示节假日对模型的影响越大;当值越小时,表示节假日对模型的影响越小。
与现有技术相比,本发明至少含有以下有益效果:
本发明通过设置或调整模型参数后的Prophet模型预测上一周期内的日负荷峰值,并通过日负荷峰值获取预测误差值,并在预测误差值大于预设门限值时,基于预测误差值与预设门限值的差值自适应调整模型参数,并在调整后的变点位置与变点个数均处于对应的标准范围内时,通过调整模型参数后的Prophet模型重新预测上一周期内的日负荷峰值,并不断循环,直至预测误差值小于预设门限值,或者调整后的变点位置或变点个数未处于对应的标准范围内,结束循环,并获取目标变点位置与目标变点个数,以预测出下一周期内的日负荷峰值,本发明在常规的时间序列分解方法之上把需要预测的时间序列分解成趋势项、季节项、节假日项及扰动项(误差项),在每一次的循环过程中,通过对比预测误差值与预设门限值自适应调整模型参数,并基于变点位置与变点个数对应的标准范围作为再次进入循环预测的判断条件,精准的实现了日负荷峰值预测,解决了传统的时间序列分析方法,由于配电网线路负荷受节假日、季节影响,具有变化趋势差异性大、难以量化的特点,进而导致负荷峰值预测较为困难的问题。
附图说明
图1为一种基于Prophet模型的配电网线路峰值负荷预测方法流程图;
图2为某线路一年的负荷曲线;
图3为某线路春节前后的负荷曲线;
图4为某线路同年1月与7月的负荷曲线;
图5为实验中的模型输出数据曲线图;
图6为实验中的模型输出数据细化图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
实施例一
配电网线路负荷数据受节假日、季节等因素的影响,具有自己独特的变化规律。如图2所示,数据来源于2020年至2021某地区内一条配电线路一年内的变压器电流变化,数据采集频率为5分钟,有时间点和相应的电流值,图2中,y表示配电线路的电流值,单位为安培(a),t表示时间。从图中可以看出,2月的日均负荷峰值远小于7月,这表明季节对线路负荷有显著影响。
如图3所示为某线路2020—2021年春节7天假期及前后一段时间内的电流负荷曲线。图3中y表示配电线路的电流值,单位为安培(a),t表示时间。从图3可以看出,除夕前一周线路峰值负荷总体呈现逐渐下降的趋势。第一天至第五天的峰值负荷明显小于春节前的峰值负荷,从第六天开始负荷逐渐恢复到春节前的水平。由此可见,受春节影响的负荷,从第一天到第五天,电力负荷较低。
如图4所示为某线路2020年1月负荷与7月负荷的数据曲线,图4中,粗黑色的曲线为7月的负荷数据曲线,灰色的曲线为1月的负荷数据曲线,1月日负荷峰值均值约120A,而7月日负荷峰值均值约为170A。可见,受季节影响,该线路1月的负荷水平明显低于7月负荷。
综上所述,配电网线路负荷受节假日、季节影响,且具有特定的变化趋势。
为了解决传统的时间序列分析方法,由于配电网线路负荷受节假日、季节影响,具有变化趋势差异性大、难以量化的特点,进而导致负荷峰值预测较为困难的问题,如图1所示,本发明利用Prophet模型在预测时序性数据的周期性、节假日和趋势变化方面的优势,提出了一种基于Prophet模型的配电网线路峰值负荷预测方法,包括步骤:
S01:获取配电网线路的实时负荷数据与历史负荷数据,并进行数据预处理得到数据集,所述负荷数据中包括各时间点以及各时间点对应的电流值;
所述S01步骤中,数据预处理具体为:
依次判断负荷数据中的数据是否缺失,若是,则获取当前缺失数据xt前5个时间点对应有效值[xt-1,…,xt-5]的平均值,通过平均值填充当前的缺失数据xt;其中t表示时间点;
针对负荷数据中的任意电流值xt,获取电流值xt前一天内电流值的均值μ与标准差σ,通过均值μ与标准差σ设定标准区间[μ-2σ,u+2σ];判断数据xt是否在[μ-2σ,u+2σ]区间内,若否,则按照其大小将其修改为标准区间的上下界之一,即大于上界取上界,小于下界取下界;
在填充并修改至标准区间后,对负荷数据进行归一化处理:
S02:基于时间序列分解方法构建季节项、趋势项、节假日项、误差项的时间序列模型,通过数据集训练构建的各时间序列模型得到Prophet模型;
所述S02步骤包括:
将需要预测的时间序列yt分解为趋势项、季节项、节假日项与误差项,分解公式为:
y(t)=g(t)+s(t)+h(t)+εt;
式中,g(t)为趋势项,表示时间序列在非周期上的变化趋势,s(t)为季节项,用于获取时间序列中的周期性规律,其单位为周或月或年(其单位视输入数据的时间长度而定);h(t)为节假日项,表示假期节日对时间序列数据的影响,εt为误差项,用于表示模型中没有预测到的波动。
所述S02步骤还包括:
构建趋势项g(t)对应的时间序列模型,在Prophet算法中趋势项有两个可选的函数,算法会自动拟合二者之一,一个是逻辑回归函数(Logisticfunction),另一个是分段线性函数(PiecewiseLinearFunction)。本实施例中选择使用分段线性函数来拟合趋势项,其公式如下:
g(t)=(k+α(t)δ)·t+(m+α(t)Tγ,);
式中,k表示增长率,增长率变化的时间点记为变点c;δ表示增长率的变化量;m表示偏置量;α(t)是一个由二值函数产生的时间序列,若当前时间点等于变点,变点位置cj取1,否则取0,其中j表示变点的位置;γ是一个与α(t)等长的时间序列,该时间序列中的每个值均为:γj=-cjδj,式中,δj表示第j个变点位置对应增长率的变化量。需要说明的是,变点的数量和位置在算法中是可以指定的。
所述S02步骤还包括:
通过傅里叶级数构建季节项s(t)对应的时间序列模型:
这里使用参数向量β表示公式中的系数:β=(a1,b1,…aN,bN)T,其中an,bn均为需要拟合的系数,N表示傅里叶变换的阶数;
其中p是时间序列的周期:
因此,季节项s(t)对应的时间序列模型记为s(t)=X(t)β,其中β~Normal(0,σ2),σ为预设值,σ越大表示季节的效应越明显,值越小,表示季节的效应越弱。
在现实环境中,除了周末外还有很多节假日会对配电网负载有明显影响,在Prophet算法中h(t)表示节假日的影响。Prophet算法将不同的节假日看成相互独立的模型,并为不同的节假日设置不同的前后窗口值,表示该节假日会影响前后一段时间的时间序列。
所述S02步骤还包括:
构建节假日项h(t)对应的时间序列模型:
式中,L表示节假日数量,ki表示第i个节假日的影响值,Di表示第i个节假日的前后一段时间;
其中,k~Normal(0,μ2),标准差u为预设值,其默认值等于10,当标准差的值越大时,表示节假日对模型的影响越大;当值越小时,表示节假日对模型的影响越小。
所述S02步骤中,通过数据集训练构建的各时间序列模型得到Prophet模型,具体包括:
将数据集拆分为时间序列连续的训练集与测试集;
通过训练集训练构建的各时间序列模型得到Prophet训练模型;
通过测试集测试Prophet模型,并通过测试结果调整Prophet训练模型的参数得到Prophet模型。
Prophet算法中有两个重要指标:变点位置与变点个数。
Prophet能自动监测变点,如果数据趋势的变化被过度拟合或者拟合不足,可以利用输入变点位置来调整稀疏先验的程度。变点位置默认值为0.05,其值增大会导致趋势拟合得更加灵活,其值减小会导致趋势拟合的灵活性降低。每条配电网线路的负荷峰值变化趋势不一样,变点位置与变点个数的选取将直接影响预测的结果。因此本发明通过自适应计算方法,通过重复对配电网线路上一周期进行峰值负荷预测来获取该线路当前预测时段(下一周期)最优变点位置与变点个数的取值(即目标变点位置与目标变点个数)。
S03:设置Prophet模型中模型参数:变点位置与变点个数的初始值;
S04:通过设置或调整模型参数后的Prophet模型预测上一周期内的日负荷峰值得到日负荷峰值预测值,获取各日负荷峰值预测值与对应日负荷峰值实际值(为已知值)的差值为峰值预测误差,并获取上一周期内各峰值预测误差的平均值为预测误差值;
具体为:
通过设置或调整模型参数后的Prophet模型利用上上周期[dn-14,dn-13,…,dn-8]的实际日负荷峰值数据预测上一周期[dn-7,dn-6,…,dn-1]内的日负荷峰值,其中n为当前日期。
需要说明是,Prophet算法是2017年脸书发布的开源时间序列预测算法,能够根据历史数据的长度捕捉不同时间维度的数据变化规律,具有拟合速度快效果好的优点,但是此方法没有考虑如气象、区域等其它因素对数据分布的影响。而由于本发明中输入模型中的日负荷峰值数据只有时间点和该时间点的电流值,并无额外的信息可以使用,因此Prophet方法与本发明有着很高的契合度。
S05:判断预测误差值是否大于预设门限值,若是,则基于预测误差值与预设门限值的差值按照设定的调整步长自适应调整模型参数:变点位置与变点个数的取值,以使调整后的Prophet模型的预测误差值趋近于预设门限值或小于预设门限值;若否,则跳转至S07步骤;
S06:判断调整后的变点位置与变点个数是否均处于对应的标准范围内,若是,则返回S04步骤进行循环预测,若否,则进入下一步骤;
S07:获取各循环对应预测误差值中最小的预测误差值,获取最小预测误差值对应变点位置与变点个数的取值,作为目标变点位置与目标变点个数;
S08:以目标变点位置与目标变点个数作为模型参数的取值,以上一周期[dn-7,dn-6,…,dn-1]的实际日负荷峰值数据作为模型的输入运行Prophet模型,预测出下一周期(或当前周期)[dn+1,dn+2,…,dn+7]内的日负荷峰值。
需要说明的是,周期的时长可根据实际需要灵活设定,可以为一周、两周。。。一月等等。
本发明通过设置或调整模型参数后的Prophet模型预测上一周期内的日负荷峰值,并通过日负荷峰值获取预测误差值,并在预测误差值大于预设门限值时,基于预测误差值与预设门限值的差值自适应调整模型参数,并在调整后的变点位置与变点个数均处于对应的标准范围内时,通过调整模型参数后的Prophet模型重新预测上一周期内的日负荷峰值,并不断循环,直至预测误差值小于预设门限值,或者调整后的变点位置或变点个数未处于对应的标准范围内,结束循环,并获取目标变点位置与目标变点个数,以预测出下一周期内的日负荷峰值,本发明在常规的时间序列分解方法之上把需要预测的时间序列分解成趋势项、季节项、节假日项及扰动项(误差项),在每一次的循环过程中,通过对比预测误差值与预设门限值自适应调整模型参数,并基于变点位置与变点个数对应的标准范围作为再次进入循环预测的判断条件,精准的实现了日负荷峰值预测,解决了传统的时间序列分析方法,由于配电网线路负荷受节假日、季节影响,具有变化趋势差异性大、难以量化的特点,进而导致负荷峰值预测较为困难的问题。
实施例二
本实施例通过选用某地区某一条线路在2020至2021的历史负荷数据进行预测实验,通过该历史负荷数据利用本发明提出的配电网线路峰值负荷预测方法得到Prophet模型输出的结果如图5所示:
图5中x轴为时间轴,y轴为电流值。图中的深色曲线为Prophet模型预测值yhat,浅灰色区域由预测值yhat的上界yhat_upper和下界yhat_lower组成,黑色点为真实数据。从图中可以看出Prophet模型对电流的整体变化趋势预测的较为准确,模型拟合度达到了99.43%,元旦节线路负荷有明显上升。
图6展示了不同周期下的负荷变化趋势,图中位于最上方的趋势图为年趋势图,图中位于中间部分的趋势图为周趋势图,图中位于最下方的趋势图为日趋势图,各趋势图中的纵坐标表示配电线路的电流值,横坐标表示时间。
从年趋势图中可以看出该线路的负荷在8,9月份达到最高,其余月份相差不大,仅在2月份的负荷较轻;
从周趋势图中可以看出该线路在周二、周三、周四的负载压力要大于其它日期;
从日趋势图来看,早上8点到下午4点是该线路负载压力较大的时间段,这些周期走势符合常识,可见Prophet模型确实捕捉到了负荷数据中的规律。
另外,本实施例根据实验结果(即Prophet模型输出的结果数据)使用均方根误差与平均绝对百分比来衡量与验证模型的拟合度与预测效果,其中,所述均方根误差的计算公式为:
所述平均绝对百分比的计算公式为:
式中xi、di分别表示第i个时间点对应的日负荷峰值实际值与日负荷峰值预测值,n表示Prophet模型输出的时间序列中时间点数的总数量;
本实施例还对Prophet模型的运行速度进行了测试。
基于模型运行时间、均方根误差与平均绝对百分比,本实施例与广泛使用的ARIMA模型进行了对比,对比结果如下表所示:
模型 | 运行时间(秒) | RMSE | 平均绝对百分比 |
Prophet | 2.4218 | 0.1166 | 99.43% |
ARIMA | 2.7187 | 0.1972 | 99.02% |
从上表可以看出Prophet模型的运行时间为比ARMIA模型少了0.2969秒,RMSE指标相较ARIMA模型的0.1972降到了0.1166,有明显的改善。由此可见,本发明所得到的Prophet模型无论运行响应时间及预测准确性相比于传统的ARIMA模型都有较大的提升。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中如涉及“第一”、“第二”、“一”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“连接”、“固定”等应做广义理解,例如,“固定”可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
Claims (6)
1.一种基于Prophet模型的配电网线路峰值负荷预测方法,其特征在于,包括步骤:
S01:获取配电网线路的实时负荷数据与历史负荷数据,并进行数据预处理得到数据集,所述负荷数据中包括各时间点以及各时间点对应的电流值;
S02:基于时间序列分解方法构建季节项、趋势项、节假日项、误差项的时间序列模型,通过数据集训练构建的各时间序列模型得到Prophet模型;
S03:设置Prophet模型中模型参数:变点位置与变点个数的初始值;
S04:通过设置或调整模型参数后的Prophet模型预测上一周期内的日负荷峰值得到日负荷峰值预测值,获取各日负荷峰值预测值与对应日负荷峰值实际值的差值为峰值预测误差,并获取上一周期内各峰值预测误差的平均值为预测误差值;
S05:判断预测误差值是否大于预设门限值,若是,则基于预测误差值与预设门限值的差值自适应调整模型参数:变点位置与变点个数的取值,以使调整后的Prophet模型的预测误差值趋近于预设门限值或小于预设门限值;若否,则跳转至S07步骤;
S06:判断调整后的变点位置与变点个数是否均处于对应的标准范围内,若是,则返回S04步骤进行循环预测,若否,则进入下一步骤;
S07:获取各循环对应预测误差值中最小的预测误差值,获取最小预测误差值对应变点位置与变点个数的取值,作为目标变点位置与目标变点个数;
S08:以目标变点位置与目标变点个数作为模型参数的取值,运行Prophet模型,预测出下一周期内的日负荷峰值。
2.根据权利要求1所述的一种基于Prophet模型的配电网线路峰值负荷预测方法,其特征在于,所述S01步骤中,数据预处理具体为:
依次判断负荷数据中的数据是否缺失,若是,则获取当前缺失数据xt前5个时间点对应有效值[xt-1,...,xt-5]的平均值,通过平均值填充当前的缺失数据xt;其中t表示时间点;
针对负荷数据中的任意电流值xt,获取电流值xt前一天内电流值的均值μ与标准差σ,通过均值μ与标准差σ设定标准区间[μ-2σ,u+2σ];判断数据xt是否在[μ-2σ,u+2σ]区间内,若否,则按照其大小将其修改为标准区间的上下界之一,即大于上界取上界,小于下界取下界;
在填充并修改至标准区间后,对负荷数据进行归一化处理:
3.根据权利要求2所述的一种基于Prophet模型的配电网线路峰值负荷预测方法,其特征在于,所述S02步骤包括:
将需要预测的时间序列yt分解为趋势项、季节项、节假日项与误差项,分解公式为:
y(t)=g(t)+s(t)+h(t)+∈t;
式中,g(t)为趋势项,表示时间序列在非周期上的变化趋势,s(t)为季节项,用于获取时间序列中的周期性规律,其单位为周或月或年;h(t)为节假日项,表示假期节日对时间序列数据的影响,∈t为误差项,用于表示模型中没有预测到的波动。
4.根据权利要求3所述的一种基于Prophet模型的配电网线路峰值负荷预测方法,其特征在于,所述S02步骤还包括:
构建趋势项g(t)对应的时间序列模型:
g(t)=(k+α(t)δ)·t+(m+α(t)Tγ);
式中,k表示增长率,增长率变化的时间点记为变点c;δ表示增长率的变化量;m表示偏置量;α(t)是一个由二值函数产生的时间序列,若当前时间点等于变点,变点位置cj取1,否则取0,其中j表示变点的位置;γ是一个与α(t)等长的时间序列,该时间序列中的每个值均为:γj=-cjδj,式中,δj表示第j个变点位置对应增长率的变化量。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211589823 | 2022-12-12 | ||
CN2022115898233 | 2022-12-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116090612A true CN116090612A (zh) | 2023-05-09 |
Family
ID=86207383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211660584.6A Pending CN116090612A (zh) | 2022-12-12 | 2022-12-23 | 一种基于Prophet模型的配电网线路峰值负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090612A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116865246A (zh) * | 2023-06-27 | 2023-10-10 | 广东电网有限责任公司广州供电局 | 一种基于快速响应的工业用户负荷可行域预测方法及系统 |
-
2022
- 2022-12-23 CN CN202211660584.6A patent/CN116090612A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116865246A (zh) * | 2023-06-27 | 2023-10-10 | 广东电网有限责任公司广州供电局 | 一种基于快速响应的工业用户负荷可行域预测方法及系统 |
CN116865246B (zh) * | 2023-06-27 | 2023-12-26 | 广东电网有限责任公司广州供电局 | 一种基于快速响应的工业用户负荷可行域预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113037531A (zh) | 流量预测方法、装置以及存储介质 | |
CN109460908A (zh) | 软件工程的造价评估方法 | |
CN116090612A (zh) | 一种基于Prophet模型的配电网线路峰值负荷预测方法 | |
CN112904266B (zh) | 一种电能表寿命预测方法及装置 | |
CN114840375B (zh) | 一种半导体存储产品的老化性能测试方法及系统 | |
CN113344282A (zh) | 容量数据处理、调配的方法、系统和计算机可读介质 | |
CN115587532A (zh) | 一种工业建筑能耗工况异常监测方法、系统和存储介质 | |
CN110991761A (zh) | 一种供热负荷预测方法及装置 | |
CN112700050B (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN111461329B (zh) | 一种模型的训练方法、装置、设备及可读存储介质 | |
CN112307434A (zh) | 基于高斯滤波的实测流量智能修正方法 | |
CN117592656A (zh) | 基于碳数据核算的碳足迹监控方法及系统 | |
CN112053181A (zh) | 一种农产品价格预测方法及系统 | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
CN111311025A (zh) | 一种基于气象相似日的负荷预测方法 | |
CN112132498A (zh) | 库存管理方法、装置、设备及存储介质 | |
CN115907192A (zh) | 风电功率波动区间预测模型的生成方法、装置及电子设备 | |
US20230266158A1 (en) | Method and system for eccentric load error correction | |
CN108319573A (zh) | 一种基于能源统计数据异常判断和修复的方法 | |
CN113610266A (zh) | 汽车零件的故障预测方法、装置、计算机设备和存储介质 | |
CN112598259A (zh) | 产能测算方法、装置及计算机可读存储介质 | |
CN113673759A (zh) | 一种水文资料实时整编方法及终端 | |
CN112418499A (zh) | 电网检修计划编制优化方法、装置及计算机可读存储介质 | |
CN112686463B (zh) | 一种需量数据处理方法、装置及电子设备 | |
CN117408364B (zh) | 一种基于模型融合的农作物病虫害指标预测方法及装置 |
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 |