CN116205355B - 电力负荷的预测方法、装置以及存储介质 - Google Patents
电力负荷的预测方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN116205355B CN116205355B CN202310153437.8A CN202310153437A CN116205355B CN 116205355 B CN116205355 B CN 116205355B CN 202310153437 A CN202310153437 A CN 202310153437A CN 116205355 B CN116205355 B CN 116205355B
- Authority
- CN
- China
- Prior art keywords
- information
- target
- data
- power data
- feature information
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000003066 decision tree Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种电力负荷的预测方法、装置以及存储介质。该方法包括:获取目标区域的目标数据集合;将目标数据集合输入特征选取模型集合中,得到多个初始特征信息集合;将多个初始特征信息集合进行组合,得到目标特征信息集合,并通过目标特征信息集合对目标数据集合中的每个历史电力数据的特征信息进行筛选,得到更新后的目标数据集合;将更新后的目标数据集合输入深度神经网络模型中,得到目标区域的预测电力负荷数据。通过本申请,解决了相关技术中对电力负荷进行预测的方法准确率低的问题。
Description
技术领域
本申请涉及电力运维领域,具体而言,涉及一种电力负荷的预测方法、装置以及存储介质。
背景技术
电力负荷预测是对未来一段时间内的电网用电量进行预测,可以为电力公司制定用电计划、安排电力系统运行方式提供依据,因此电力系统的负荷预测对电网的安全稳定运行有着重要的意义。而超短期负荷预测是针对未来几分钟到几小时的预测,旨在对系统安全稳定运行实施在线控制,是实时调度指令下达的重要参考,同时在电力市场中,超短期负荷预测是确定实时电能价格的关键依据,对预测精度的要求较高。
当期对电力负荷进行预测的时候,通常采用的方法为通过历史电力数据建立数学模型,并根据数学模型对电网电力负荷进行预测,从而保证电网系统安全稳定。但是,由于电力负荷数据具有较强的非线性、随机性,并且容易受到气候情况、温度、社会事件等众多相关因素的影响,导致通过数学模型进行电力负荷的预测的准确率大幅降低。
针对相关技术中对电力负荷进行预测的方法准确率低的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供一种电力负荷的预测方法、装置以及存储介质,以解决相关技术中对电力负荷进行预测的方法准确率低的问题。
根据本申请的一个方面,提供了一种电力负荷的预测方法。该方法包括:获取目标区域的目标数据集合,其中,所述目标数据集合中包括多个历史电力数据,每个历史电力数据中包括多个特征信息和每个特征信息的特征值,多个特征信息中至少包括以下之一:负荷信息、气象信息;将目标数据集合输入特征选取模型集合中,得到多个初始特征信息集合,其中,特征选取模型集合中包括多个特征选取模型,每个特征选取模型根据特征信息与负荷信息之间的相关度序列选取初始特征信息,得到每个特征选取模型的初始特征信息集合;将多个初始特征信息集合进行组合,得到目标特征信息集合,并通过目标特征信息集合对目标数据集合中的每个历史电力数据的特征信息进行筛选,得到更新后的目标数据集合,其中,更新后的目标数据集合中的每个历史电力数据中的特征信息均包括于目标特征信息集合中;将更新后的目标数据集合输入深度神经网络模型中,得到目标区域的预测电力负荷数据。
可选地,获取目标区域的目标数据集合包括:获取所述目标数据集合中的每个历史电力数据的负荷信息对应的负荷值,得到多个负荷值;将每个负荷值与预设负荷值区间进行对比,并从多个历史电力数据中删除负荷值未处于预设负荷值区间的历史电力数据,由剩余的历史电力数据构成目标数据集合。
可选地,在从多个历史电力数据中删除负荷值未处于预设负荷值区间的历史电力数据之后,该方法还包括:获取剩余的每个历史电力数据的时间信息,并按照时间信息将剩余的多个历史电力数据进行排序,得到序列信息;在序列信息中依次确定每两个相邻历史电力数据的时间信息的差值,得到多个时间差,并从多个时间差中获取不等于预设时间差的时间差,得到至少一个目标时间差;确定每个目标时间差对应的一组关联历史电力数据,并计算时间信息位于关联历史电力数据之间的电力数据,得到多个补充电力数据;基于预设时间差将多个补充电力数据添加至序列信息中,得到更新后的序列信息,并由更新后的序列信息中的多个历史电力数据构成目标数据集合,其中,更新后的序列信息中的任意两个相邻历史电力数据的时间信息的差值均为预设时间差。
可选地,根据特征信息与负荷信息之间的相关度序列选取初始特征信息包括:计算特征选取模型中的每个特征信息与负荷信息之间的相关度,得到多个相关度;将多个特征信息按照相关度由小到大进行排序,得到相关度序列;确定每个特征信息在相关度序列中的相关度序号,并将相关度序号大于预设值的特征信息确定为初始特征信息;将多个初始特征信息集合进行组合,得到目标特征信息集合包括:获取每组初始特征信息集合中的每个特征信息的相关度序号,得到多个相关度序号集合,其中,每个相关度序号集合关联一个特征信息,相关度序号集合中包括多个相关度序号;分别将每个相关度序号集合中的多个相关度序号相加,得到每个相关度序号集合关联的特征信息的重要度分值;从多个初始特征信息集合中获取重要度分值大于预设分值的特征信息,得到多个目标特征信息,并将多个目标特征信息组合为目标特征信息集合。
可选地,通过目标特征信息集合对目标数据集合中的每个历史电力数据的特征信息进行筛选,得到更新后的目标数据集合包括:获取目标特征信息集合中的多个目标特征信息;依次删除每个历史电力数据中的非目标特征信息,得到多个目标电力数据;将多个目标电力数据组合为更新后的目标数据集合。
可选地,在将更新后的目标数据集合输入深度神经网络模型中之前,该方法还包括:获取更新后的目标数据集合中包括的每个特征信息对应的多个特征值,得到多组特征值;对于每组特征值,获取最大值和最小值,并通过最大值和最小值依次对各个特征值进行归一化计算;将属于同一目标电力数据的归一化后的特征值组合为归一化后的目标电力数据,得到多个归一化后的目标电力数据;通过多个归一化后的目标电力数据执行将更新后的目标数据集合输入深度神经网络模型中的步骤。
可选地,在将更新后的目标数据集合输入深度神经网络模型中之前,该方法还包括:将第一时间段内的历史电力数据和第二时间段内的历史电力数据中的负荷信息作为样本对初始神经网络模型进行训练,得到深度神经网络模型,其中,第一时间段内的历史电力数据的时间信息早于第二时间段内的历史电力数据的时间信息。
可选地,特征选取模型集合中至少包括以下之一类型的模型:皮尔逊相关系数算法模型、随机森林算法模型、极值梯度提升算法模型、互信息算法模型。
根据本申请的另一方面,提供了一种电力负荷的预测装置。该装置包括:第一获取单元,用于获取目标区域的目标数据集合,其中,所述目标数据集合中包括多个历史电力数据,每个历史电力数据中包括多个特征信息和每个特征信息的特征值,多个特征信息中至少包括以下之一:负荷信息、气象信息;第一输入单元,用于将目标数据集合输入特征选取模型集合中,得到多个初始特征信息集合,其中,特征选取模型集合中包括多个特征选取模型,每个特征选取模型根据特征信息与负荷信息之间的相关度序列选取初始特征信息,得到每个特征选取模型的初始特征信息集合;筛选单元,用于将多个初始特征信息集合进行组合,得到目标特征信息集合,并通过目标特征信息集合对目标数据集合中的每个历史电力数据的特征信息进行筛选,得到更新后的目标数据集合,其中,更新后的目标数据集合中的每个历史电力数据中的特征信息均包括于目标特征信息集合中;第二输入单元,用于将更新后的目标数据集合输入深度神经网络模型中,得到目标区域的预测电力负荷数据。
根据本发明实施例的另一方面,还提供了一种计算机存储介质,计算机存储介质用于存储程序,其中,程序运行时控制计算机存储介质所在的设备执行一种电力负荷的预测方法。
根据本发明实施例的另一方面,还提供了一种电子设备,包括一个或多个处理器和存储器;存储器中存储有计算机可读指令,处理器用于运行计算机可读指令,其中,计算机可读指令运行时执行一种电力负荷的预测方法。
通过本申请,采用以下步骤:获取目标区域的目标数据集合,其中,所述目标数据集合中包括多个历史电力数据,每个历史电力数据中包括多个特征信息和每个特征信息的特征值,多个特征信息中至少包括以下之一:负荷信息、气象信息;将目标数据集合输入特征选取模型集合中,得到多个初始特征信息集合,其中,特征选取模型集合中包括多个特征选取模型,每个特征选取模型根据特征信息与负荷信息之间的相关度序列选取初始特征信息,得到每个特征选取模型的初始特征信息集合;将多个初始特征信息集合进行组合,得到目标特征信息集合,并通过目标特征信息集合对目标数据集合中的每个历史电力数据的特征信息进行筛选,得到更新后的目标数据集合,其中,更新后的目标数据集合中的每个历史电力数据中的特征信息均包括于目标特征信息集合中;将更新后的目标数据集合输入深度神经网络模型中,得到目标区域的预测电力负荷数据。解决了相关技术中对电力负荷进行预测的方法准确率低的问题。通过先对历史数据进行预处理,将历史电力数据进行数据补全以及数据调整,并将预处理后的数据输入多个机器学习模型中,进行数据的特征选取,通过选取得到的特征对应的特征值以及学习能力和泛化能力强的深度神经网络模型对电网中的电力负荷进行预测,进而达到了快速准确的对电力负荷进行预测的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的电力负荷的预测方法的流程图;
图2是根据本申请实施例提供的可选的目标特征信息集合的排序图;
图3是根据本申请实施例提供的可选的电力负荷的预测方法的流程图;
图4是根据本申请实施例提供的电力负荷的预测装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
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,所描述的实施例仅仅是本申请一部分的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”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。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括,例如,包括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。
需要说明的是,本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
根据本申请的实施例,提供了一种电力负荷的预测方法。
图1是根据本申请实施例的电力负荷的预测方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,获取目标区域的目标数据集合,其中,所述目标数据集合中包括多个历史电力数据,每个历史电力数据中包括多个特征信息和每个特征信息的特征值,多个特征信息中至少包括以下之一:负荷信息、气象信息。
具体的,目标区域可以为某个工业园区或是居民区,每个区域中会存在变电站,可以从变电站中获取目标区域的历史电力数据集合,例如,采集获取2022.08-2022.10年某工业园区35KV变电站中存储的历史电力数据。
进一步的,在获取到历史电力数据集合后,需要根据时间信息对历史电力数据集合中的数据进行确认,判断是否存在数据缺失,例如,对电力数据的采集周期为5分钟采集一次,则在将多个历史电力数据按照时间进行排序后,可以确定相邻的数据间的时间差是否为5分钟,在不是5分钟的情况下,例如10分钟,15分钟,则表征存在数据缺失,此时,可以采用线性插值的方式,通过缺失点前后的历史电力数据计算缺失的电力数据,从而将缺失的电力数据进行填充。
同样的,还可以对历史电力数据集合中的异常值进行处理,例如因停电、变压器故障等突发情况引起的负荷趋势骤降时,可剔除当天数据,或是剔除异常时的数据,并通过上述方法对数据进行填充,从而得到可以用于负荷预测的历史电力数据集合,也即目标数据集合。
需要说明的是,每个历史电力数据中可以包括负荷信息和气象信息,其中,负荷信息可以包括该历史电力数据的时间信息的前1、2、……n个小时的负荷数据,还包括天气数据,例如采集该历史电力数据的时刻的温度、湿度、风速、太阳辐射等信息,进而通过采集和分析多个维度的数据,提高对电力负荷的预测的准确性。
步骤S102,将目标数据集合输入特征选取模型集合中,得到多个初始特征信息集合,其中,特征选取模型集合中包括多个特征选取模型,每个特征选取模型根据特征信息与负荷信息之间的相关度序列选取初始特征信息,得到每个特征选取模型的初始特征信息集合。
需要说明的是,在通过目标数据集合中的历史电力数据预测未来的电力负荷的时候,由于每个历史电力数据中包括多个特征信息,并且多个特征信息中可能存在对预测电力负荷影响低的特征信息,因此,需要对历史电力数据的特征信息进行筛选,从而从多个特征信息中筛选出适量的、对负荷预测预测影响度高的特征信息以及对应的特征值,进而可以减小预测模型的训练时长,同时还可以提高预测准确性。
具体的,在进行特征选取的时候,由于使用单一的模型或方法进行特征选取的准确率得不到保障,因此,可以通过多个模型和方法并行,同时对历史电力数据的特征信息进行筛选,从而得到多个特征选取结果,并通过综合多个特征选取结果的方式确定影响度最高的特征信息。可选地,在本申请实施例提供的电力负荷的预测方法中,特征选取模型集合中至少包括以下之一类型的模型:皮尔逊相关系数算法模型、随机森林算法模型、极值梯度提升算法模型、互信息算法模型。
需要说明的是,在进行特征筛选的时候,可以先将历史电力数据中的特征信息进行分组,分为当前负荷信息以及其余特征信息,使用以下四个模型分别进行特征信息的相关性计算,并根据相关性计算结果对特征信息进行筛选。
1、皮尔逊相关系数模型(Pearson correlation coefficient),其中,皮尔逊相关系数方程式如下所示:
其中,cov(X,Y)为两组数据之间的协方差,σx、σy分别为标准差,X为出入特征集合中的任意特征,也即其余特征信息中的特征,Y为输出特征,也即当前负荷信息,从而可以计算得到ρ(X,Y),也即输入特征与输出特征之间的相关性,从而可以得到每个其余特征信息与当前负荷信息之间的相关度。
2、使用随机森林(random forests,RF)算法对历史电力数据进行特征选取,其中重要性评估衡量标准所采取的是基尼指数。首先计算出每个特征的基尼指数及该特征在节点分支前后的基尼指数变化量;其次计算每个特征在某棵决策树及整个随机森林中所有决策树的重要性;最后将重要性评分进行归一化处理并排序,获得每个特征信息的相关度。
3、使用极值梯度提升(extreme gradient boosting,XGBoost)算法对历史电力数据进行特征选取,与随机森林法不同的是,XGBoost算法在修改前一个决策树的误差来构建新的决策树,同时会把所有结果累加起来,或者加权累加起来。首先基于初始训练集使用初始权重训练出一个决策树,再根据决策树的表现对训练样本权重进行调整,使得前一个决策树错误分类的样本之后受到更多的关注,即增大该样本权重值,并减小被正确分类样本的权重,通过调整初始训练集的样本分布之后再训练下一个决策树,如此重复,直到达到预定的错误率或者决策树数目达到指定值T才将确定最终的强分类器,并将T个决策树进行加权结合,得到相关度排序结果。
4、使用互信息(mutual information,MI)算法对历史电力数据进行特征选取,MI算法方程如下:
可以根据互信息值I(X;Y)大小确定相关度,其中,p(x,y)是X和Y的联合概率分布函数,p(x)和p(y)分别是X和Y的边缘概率分布函数。
进一步的,在得到4个模型输出的相关度后,可以按照相关度对特征信息进行排序,得到每个模型对应的排序表,将每个排序表确定为初始特征信息集合。
步骤S103,将多个初始特征信息集合进行组合,得到目标特征信息集合,并通过目标特征信息集合对目标数据集合中的每个历史电力数据的特征信息进行筛选,得到更新后的目标数据集合,其中,更新后的目标数据集合中的每个历史电力数据中的特征信息均包括于目标特征信息集合中。
具体的,在进行组合的时候,可以在每个排序表中将相关度由小到大进行排序,也即,相关度越大,序号越大,在得到每个排序表的序号后,可以依次获取每个特征信息在每个排序表中的序号,得到每个特征信息的多个序号,并将多个序号相加,得到每个特征信息的总序号,并根据总序号确定目标特征信息。
图2是根据本申请实施例提供的可选地目标特征信息集合的排序图。如图2所示,目标特征信息集合中可以按照相关度对多个特征信息进行排序,从而可以根据该排序图对特征信息进行后续筛选和删除。
例如,A特征信息在1号模型的初始特征信息集合中的相关度序号为15,A特征信息在2号模型的初始特征信息集合中的相关度序号为14,A特征信息在3号模型的初始特征信息集合中的相关度序号为14,A特征信息在4号模型的初始特征信息集合中的相关度序号为12,则计算得到的总序号为15+14+14+12=55,B特征信息在1号模型的初始特征信息集合中的相关度序号为20,B特征信息在2号模型的初始特征信息集合中的相关度序号为19,B特征信息在3号模型的初始特征信息集合中的相关度序号为17,B特征信息在4号模型的初始特征信息集合中的相关度序号为18,则计算得到的总序号为20+19+17+18=74,则A特征信息的总序号小于B特征信息的总序号,因此可以将A特征信息进行删除,保留B特征信息。
进一步的,在得到需要删除的特征信息和需要保留的特征信息后,可以依次将目标数据集合中的每个历史电力数据中的需要删除的特征信息进行删除,从而在将全部历史电力数据进行筛选后,得到更新后的目标数据集合。
步骤S104,将更新后的目标数据集合输入深度神经网络模型中,得到目标区域的预测电力负荷数据。
具体的,在得到目标数据集合后,由于目标数据集合中的历史电力数据较为完整,并且每个数据中的特征信息以及对应的特征值均为相关性高的特征值,因此,可以将目标数据集合输入完成训练的深度神经网络模型中,从而可以根据深度神经网络模型和目标数据集合预测目标区域在未来某个时段内的电力负荷数据。
本申请实施例提供的电力负荷的预测方法,通过获取目标区域的目标数据集合,其中,所述目标数据集合中包括多个历史电力数据,每个历史电力数据中包括多个特征信息和每个特征信息的特征值,多个特征信息中至少包括以下之一:负荷信息、气象信息;将目标数据集合输入特征选取模型集合中,得到多个初始特征信息集合,其中,特征选取模型集合中包括多个特征选取模型,每个特征选取模型根据特征信息与负荷信息之间的相关度序列选取初始特征信息,得到每个特征选取模型的初始特征信息集合;将多个初始特征信息集合进行组合,得到目标特征信息集合,并通过目标特征信息集合对目标数据集合中的每个历史电力数据的特征信息进行筛选,得到更新后的目标数据集合,其中,更新后的目标数据集合中的每个历史电力数据中的特征信息均包括于目标特征信息集合中;将更新后的目标数据集合输入深度神经网络模型中,得到目标区域的预测电力负荷数据。解决了相关技术中对电力负荷进行预测的方法准确率低的问题。通过先对历史数据进行预处理,将历史电力数据进行数据补全以及数据调整,并将预处理后的数据输入多个机器学习模型中,进行数据的特征选取,通过选取得到的特征对应的特征值以及学习能力和泛化能力强的深度神经网络模型对电网中的电力负荷进行预测,进而达到了快速准确的对电力负荷进行预测的效果。
可选地,在本申请实施例提供的电力负荷的预测方法中,获取目标区域的目标数据集合包括:获取所述目标数据集合中的每个历史电力数据的负荷信息对应的负荷值,得到多个负荷值;将每个负荷值与预设负荷值区间进行对比,并从多个历史电力数据中删除负荷值未处于预设负荷值区间的历史电力数据,由剩余的历史电力数据构成目标数据集合。
具体的,在进行预处理的时候,由于供电站中的变压器可能出现异常现象,例如因停电、变压器故障等突发情况,会导致当天的负荷值非常低,甚至为0,此时,可以通过将每个历史电力数据中的负荷信息与预设负荷值区间进行对比,并删除负荷值未处于预设负荷值区间的历史电力数据,从而完成不良数据的剔除,降低了预测结果异常的风险。
可选地,在本申请实施例提供的电力负荷的预测方法中,在从多个历史电力数据中删除负荷值未处于预设负荷值区间的历史电力数据之后,该方法还包括:获取剩余的每个历史电力数据的时间信息,并按照时间信息将剩余的多个历史电力数据进行排序,得到序列信息;在序列信息中依次确定每两个相邻历史电力数据的时间信息的差值,得到多个时间差,并从多个时间差中获取不等于预设时间差的时间差,得到至少一个目标时间差;确定每个目标时间差对应的一组关联历史电力数据,并计算时间信息位于关联历史电力数据之间的电力数据,得到多个补充电力数据;基于预设时间差将多个补充电力数据添加至序列信息中,得到更新后的序列信息,并由更新后的序列信息中的多个历史电力数据构成目标数据集合,其中,更新后的序列信息中的任意两个相邻历史电力数据的时间信息的差值均为预设时间差。
具体的,由于可能会出现异常采集导致部分数据未成功采集,或是在经过上述流程将异常数据删除后,多个历史电力数据则会不连贯,从而会影响后续对电力负荷数据的预测效果,因此,需要将多个电力数据进行补齐,从而保证了对电力负荷数据的预测的准确性。
进一步的,在进行数据填充的时候,首先需要确定存在数据空缺的位置,可以通过将多个历史电力数据按照时间信息进行排列,并确定相邻的历史电力数据之间的时间差是否为预设时间差,其中,预设时间差可以为采集的时间间隔,例如,每隔5分钟采集一次数据,则预设时间差为5分钟。在时间差不是预设时间差的情况下,表征该时间差对应的两个历史电力数据之间存在空缺数据,则需要根据该空缺的前后的历史电力数据计算该空缺位置的电力数据,从而完成对空缺数据的补充。
需要说明的是,在进行空缺数据的计算的时候,可以采用线性插值的方式,通过缺失点前后的历史电力数据计算缺失的电力数据,从而将缺失的电力数据进行填充,直至多个历史电力数据中的任意两个相邻历史电力数据之间的时间差均为预设时间差,此时,可以表明不存在空缺数据,则可以将完成数据填充的多个历史电力数据构成目标数据集合。
可选地,在本申请实施例提供的电力负荷的预测方法中,根据特征信息与负荷信息之间的相关度序列选取初始特征信息包括:计算特征选取模型中的每个特征信息与负荷信息之间的相关度,得到多个相关度;将多个特征信息按照相关度由小到大进行排序,得到相关度序列;确定每个特征信息在相关度序列中的相关度序号,并将相关度序号大于预设值的特征信息确定为初始特征信息;将多个初始特征信息集合进行组合,得到目标特征信息集合包括:获取每组初始特征信息集合中的每个特征信息的相关度序号,得到多个相关度序号集合,其中,每个相关度序号集合关联一个特征信息,相关度序号集合中包括多个相关度序号;分别将每个相关度序号集合中的多个相关度序号相加,得到每个相关度序号集合关联的特征信息的重要度分值;从多个初始特征信息集合中获取重要度分值大于预设分值的特征信息,得到多个目标特征信息,并将多个目标特征信息组合为目标特征信息集合。
具体的,在进行组合的时候,可以在每个排序表中将相关度由小到大进行排序,也即,相关度越大,序号越大,在得到每个排序表的序号后,可以依次获取每个特征信息在每个排序表中的序号,得到每个特征信息的多个序号,并将多个序号相加,得到每个特征信息的总序号,也即重要度分值,并根据重要度分值确定目标特征信息。
图2是根据本申请实施例提供的可选地目标特征信息集合的排序图。如图2所示,目标特征信息集合中可以按照相关度对多个特征信息进行排序,从而可以根据该排序图对特征信息进行后续筛选和删除。
例如,A特征信息在1号模型的初始特征信息集合中的相关度序号为15,A特征信息在2号模型的初始特征信息集合中的相关度序号为14,A特征信息在3号模型的初始特征信息集合中的相关度序号为14,A特征信息在4号模型的初始特征信息集合中的相关度序号为12,则计算得到的总序号为15+14+14+12=55,B特征信息在1号模型的初始特征信息集合中的相关度序号为20,B特征信息在2号模型的初始特征信息集合中的相关度序号为19,B特征信息在3号模型的初始特征信息集合中的相关度序号为17,B特征信息在4号模型的初始特征信息集合中的相关度序号为18,则计算得到的总序号为20+19+17+18=74,则在预设分值为60的情况下,可以删除A特征信息,保留B特征信息,并将B特征信息确定为目标特征信息,从而可以将多个特征信息进行筛选,得到多个相关度较高的目标特征信息。
可选地,在本申请实施例提供的电力负荷的预测方法中,通过目标特征信息集合对目标数据集合中的每个历史电力数据的特征信息进行筛选,得到更新后的目标数据集合包括:获取目标特征信息集合中的多个目标特征信息;依次删除每个历史电力数据中的非目标特征信息,得到多个目标电力数据;将多个目标电力数据组合为更新后的目标数据集合。
具体的,在确定目标特征信息集合后,需要将目标数据集合中的每个历史电力数据中的非目标特征信息的特征信息进行删除,仅保留存在于目标特征信息中的特征信息,从而完成历史电力数据中的特征信息的筛选,将与预测操作的关联度和影响度高的特征信息进行保留,将关联度和影响度低的数据进行删除,进而减少了预测模型的运算量,同时还保证了预测的准确率。
可选地,在本申请实施例提供的电力负荷的预测方法中,在将更新后的目标数据集合输入深度神经网络模型中之前,该方法还包括:获取更新后的目标数据集合中包括的每个特征信息对应的多个特征值,得到多组特征值;对于每组特征值,获取最大值和最小值,并通过最大值和最小值依次对各个特征值进行归一化计算;将属于同一目标电力数据的归一化后的特征值组合为归一化后的目标电力数据,得到多个归一化后的目标电力数据;通过多个归一化后的目标电力数据执行将更新后的目标数据集合输入深度神经网络模型中的步骤。
需要说明的是,由于不同的特征信息的特征值之间的量纲不同,例如,温度数据和太阳辐射数据的量纲不同,因此,需要对数据进行归一化,使得预测模型可以更好的进行数据处理和计算。
具体的,需要将更新后的目标数据集合中的每个历史电力数据按照特征信息进行拆散重组,也即,将处于不同历史电力数据、但是特征信息相同的特征值分为一组,得到多组特征值,每组特征值对应一种特征信息。例如,A-Z历史电力数据中均存在温度数据,则生成温度数据对应的一组特征值,该组特征值中包括26个温度数据。
进一步的,在得到多组特征值后,可以获取每组特征值的最大值和最小值,并通过最大值和最小值依次对各个特征值进行归一化计算,其中,归一化计算的公式如下所示:
其中,yi为任意特征值,为归一化后的yi,ymax为该组特征值中的最大特征值,ymin为该组特征值中的最小特征值。
在将每组特征值进行归一化后,可以将属于同一目标电力数据的归一化后的特征值组合为归一化后的目标电力数据,得到多个归一化后的目标电力数据,从而将打散的特征值重新组合为归一化后的历史电力数据,进而可以根据归一化后的历史电力数据对未来的负荷数据进行预测。
可选地,在本申请实施例提供的电力负荷的预测方法中,在将更新后的目标数据集合输入深度神经网络模型中之前,该方法还包括:将第一时间段内的历史电力数据和第二时间段内的历史电力数据中的负荷信息作为样本对初始神经网络模型进行训练,得到深度神经网络模型,其中,第一时间段内的历史电力数据的时间信息早于第二时间段内的历史电力数据的时间信息。
具体的,在使用深度神经网络模型进行负荷数据的预测之前,需要对深度神经网络模型进行训练,可以从多个历史电力数据集合中获取第一时间段内的历史数据,例如,获取10月-11月之间的数据作为训练数据,其中,10月的数据作为输入数据,11月的数据作为输出数据将10月的数据输入未进行训练的初始神经网络模型中,通过对模型中的参数进行调整,使得初始神经网络模型可以通过10月的电力数据准确预测11月的负荷数据,并通过12月-1月的数据对深度神经网络模型进行模型验证,从而得到完成训练的深度神经网络模型。
图3是根据本申请实施例提供的可选的电力负荷的预测方法的流程图,如图3所示,首先,可以获取目标园区的电力负荷数据和气象数据,并按照数据的采集时刻将电力负荷数据和气象数据一一对应,得到多个历史电力数据,并将多个历史电力数据组合为园区历史数据集。
检查园区历史数据集中是否存在异常值以及发生突发情况时采集到的数值,并将异常值进行删除,将突发状况导致的未成功采集的空缺数值和被删除的异常值通过线性插值的方法进行填充,得到可以进行负荷信息预测的数据集。
在得到数据填充后的园区历史数据集合后,首先可以通过人工的方式对园区历史数据集合中的历史电力数据中的特征信息进行机理分析,从而通过人工的方式选取可以用于进行负荷信息预测的特征信息,之后,再将包括选取出的特征信息的历史电力数据输入多个特征选取模型中进行组合特征选取,并根据每个特征选取模型输出的相关度综合确定与负荷信息的相关度较高的特征信息,并将其进行排序,得到相关度排序表,例如,温度、相对湿度、太阳辐射等,相关度排序表可以如图2所示。
在得到相关度排序表后,可以从相关度排序表中确定相关度在前n名的特征信息,得到目标特征信息,并删除每个历史电力数据中的非目标特征信息,从而得到简化后的历史电力数据,并将简化后的历史电力数据中的每个特征值进行归一化处理,还可以根据日期将数据分为节假日和工作日,从而根据时间信息将不同时间产生的历史电力数据进行分组,通过分组后的历史电力数据分别对深度神经网络模型进行训练,得到工作日对应的DNN(Deep Neural Networks深度神经网络)模型和节假日对应的DNN模型,进而通过将历史电力数据分别输入对应的DNN模型,得到该园区的负荷信息的预测结果。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,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。
本申请实施例还提供了一种电力负荷的预测装置,需要说明的是,本申请实施例的电力负荷的预测装置可以用于执行本申请实施例所提供的用于电力负荷的预测方法。以下对本申请实施例提供的电力负荷的预测装置进行介绍。
图4是根据本申请实施例提供的电力负荷的预测装置的示意图。如图4所示,该装置包括:第一获取单元41,第一输入单元42,筛选单元43,第二输入单元44。
第一获取单元41,用于获取目标区域的目标数据集合,其中,所述目标数据集合中包括多个历史电力数据,每个历史电力数据中包括多个特征信息和每个特征信息的特征值,多个特征信息中至少包括以下之一:负荷信息、气象信息。
第一输入单元42,用于将目标数据集合输入特征选取模型集合中,得到多个初始特征信息集合,其中,特征选取模型集合中包括多个特征选取模型,每个特征选取模型根据特征信息与负荷信息之间的相关度序列选取初始特征信息,得到每个特征选取模型的初始特征信息集合。
筛选单元43,用于将多个初始特征信息集合进行组合,得到目标特征信息集合,并通过目标特征信息集合对目标数据集合中的每个历史电力数据的特征信息进行筛选,得到更新后的目标数据集合,其中,更新后的目标数据集合中的每个历史电力数据中的特征信息均包括于目标特征信息集合中。
第二输入单元44,用于将更新后的目标数据集合输入深度神经网络模型中,得到目标区域的预测电力负荷数据。
本申请实施例提供的电力负荷的预测装置,通过第一获取单元41获取目标区域的目标数据集合,其中,所述目标数据集合中包括多个历史电力数据,每个历史电力数据中包括多个特征信息和每个特征信息的特征值,多个特征信息中至少包括以下之一:负荷信息、气象信息。第一输入单元42将目标数据集合输入特征选取模型集合中,得到多个初始特征信息集合,其中,特征选取模型集合中包括多个特征选取模型,每个特征选取模型根据特征信息与负荷信息之间的相关度序列选取初始特征信息,得到每个特征选取模型的初始特征信息集合。筛选单元43将多个初始特征信息集合进行组合,得到目标特征信息集合,并通过目标特征信息集合对目标数据集合中的每个历史电力数据的特征信息进行筛选,得到更新后的目标数据集合,其中,更新后的目标数据集合中的每个历史电力数据中的特征信息均包括于目标特征信息集合中。第二输入单元44将更新后的目标数据集合输入深度神经网络模型中,得到目标区域的预测电力负荷数据。解决了相关技术中对电力负荷进行预测的方法准确率低的问题。通过先对历史数据进行预处理,将历史电力数据进行数据补全以及数据调整,并将预处理后的数据输入多个机器学习模型中,进行数据的特征选取,通过选取得到的特征对应的特征值以及学习能力和泛化能力强的深度神经网络模型对电网中的电力负荷进行预测,进而达到了快速准确的对电力负荷进行预测的效果。
可选地,在本申请实施例提供的电力负荷的预测装置中,第一获取单元41包括:第一获取模块,用于获取所述目标数据集合中的每个历史电力数据的负荷信息对应的负荷值,得到多个负荷值;对比模块,用于将每个负荷值与预设负荷值区间进行对比,并从多个历史电力数据中删除负荷值未处于预设负荷值区间的历史电力数据,由剩余的历史电力数据构成目标数据集合。
可选地,在本申请实施例提供的电力负荷的预测装置中,该装置还包括:第二获取单元,用于获取剩余的每个历史电力数据的时间信息,并按照时间信息将剩余的多个历史电力数据进行排序,得到序列信息;第一确定单元,用于在序列信息中依次确定每两个相邻历史电力数据的时间信息的差值,得到多个时间差,并从多个时间差中获取不等于预设时间差的时间差,得到至少一个目标时间差;第二确定单元,用于确定每个目标时间差对应的一组关联历史电力数据,并计算时间信息位于关联历史电力数据之间的电力数据,得到多个补充电力数据;更新单元,用于基于预设时间差将多个补充电力数据添加至序列信息中,得到更新后的序列信息,并由更新后的序列信息中的多个历史电力数据构成目标数据集合,其中,更新后的序列信息中的任意两个相邻历史电力数据的时间信息的差值均为预设时间差。
可选地,在本申请实施例提供的电力负荷的预测装置中,第一输入单元42包括:第一计算模块,用于计算特征选取模型中的每个特征信息与负荷信息之间的相关度,得到多个相关度;排序模块,用于将多个特征信息按照相关度由小到大进行排序,得到相关度序列;确定模块,用于确定每个特征信息在相关度序列中的相关度序号,并将相关度序号大于预设值的特征信息确定为初始特征信息;筛选单元43包括:第二获取模块,用于获取每组初始特征信息集合中的每个特征信息的相关度序号,得到多个相关度序号集合,其中,每个相关度序号集合关联一个特征信息,相关度序号集合中包括多个相关度序号;第二计算模块,用于分别将每个相关度序号集合中的多个相关度序号相加,得到每个相关度序号集合关联的特征信息的重要度分值;第三获取模块,用于从多个初始特征信息集合中获取重要度分值大于预设分值的特征信息,得到多个目标特征信息,并将多个目标特征信息组合为目标特征信息集合。
可选地,在本申请实施例提供的电力负荷的预测装置中,筛选单元43包括:第四获取模块,用于获取目标特征信息集合中的多个目标特征信息;删除模块,用于依次删除每个历史电力数据中的非目标特征信息,得到多个目标电力数据;更新模块,用于将多个目标电力数据组合为更新后的目标数据集合。
可选地,在本申请实施例提供的电力负荷的预测装置中,该装置还包括:第三获取单元,用于获取更新后的目标数据集合中包括的每个特征信息对应的多个特征值,得到多组特征值;计算单元,用于对于每组特征值,获取最大值和最小值,并通过最大值和最小值依次对各个特征值进行归一化计算;组合单元,用于将属于同一目标电力数据的归一化后的特征值组合为归一化后的目标电力数据,得到多个归一化后的目标电力数据;执行单元,用于通过多个归一化后的目标电力数据执行将更新后的目标数据集合输入深度神经网络模型中的步骤。
可选地,在本申请实施例提供的电力负荷的预测装置中,该装置还包括:训练单元,用于将第一时间段内的历史电力数据和第二时间段内的历史电力数据中的负荷信息作为样本对初始神经网络模型进行训练,得到深度神经网络模型,其中,第一时间段内的历史电力数据的时间信息早于第二时间段内的历史电力数据的时间信息。
可选地,在本申请实施例提供的电力负荷的预测装置中,特征选取模型集合中至少包括以下之一类型的模型:皮尔逊相关系数算法模型、随机森林算法模型、极值梯度提升算法模型、互信息算法模型。
上述电力负荷的预测装置包括处理器和存储器,上述第一获取单元41,第一输入单元42,筛选单元43,第二输入单元44等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包括内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决相关技术中对电力负荷进行预测的方法准确率低的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现所述电力负荷的预测方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述电力负荷的预测方法。
本发明实施例提供了一种电子设备,包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取目标区域的目标数据集合,其中,所述目标数据集合中包括多个历史电力数据,每个历史电力数据中包括多个特征信息和每个特征信息的特征值,多个特征信息中至少包括以下之一:负荷信息、气象信息;将目标数据集合输入特征选取模型集合中,得到多个初始特征信息集合,其中,特征选取模型集合中包括多个特征选取模型,每个特征选取模型根据特征信息与负荷信息之间的相关度序列选取初始特征信息,得到每个特征选取模型的初始特征信息集合;将多个初始特征信息集合进行组合,得到目标特征信息集合,并通过目标特征信息集合对目标数据集合中的每个历史电力数据的特征信息进行筛选,得到更新后的目标数据集合,其中,更新后的目标数据集合中的每个历史电力数据中的特征信息均包括于目标特征信息集合中;将更新后的目标数据集合输入深度神经网络模型中,得到目标区域的预测电力负荷数据。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取目标区域的目标数据集合,其中,所述目标数据集合中包括多个历史电力数据,每个历史电力数据中包括多个特征信息和每个特征信息的特征值,多个特征信息中至少包括以下之一:负荷信息、气象信息;将目标数据集合输入特征选取模型集合中,得到多个初始特征信息集合,其中,特征选取模型集合中包括多个特征选取模型,每个特征选取模型根据特征信息与负荷信息之间的相关度序列选取初始特征信息,得到每个特征选取模型的初始特征信息集合;将多个初始特征信息集合进行组合,得到目标特征信息集合,并通过目标特征信息集合对目标数据集合中的每个历史电力数据的特征信息进行筛选,得到更新后的目标数据集合,其中,更新后的目标数据集合中的每个历史电力数据中的特征信息均包括于目标特征信息集合中;将更新后的目标数据集合输入深度神经网络模型中,得到目标区域的预测电力负荷数据。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包括有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包括”或者其任何其他变体意在涵盖非排他性的包括,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包括在本申请的权利要求范围之内。
Claims (9)
1.一种电力负荷的预测方法,其特征在于,包括:
获取目标区域的目标数据集合,其中,所述目标数据集合中包括多个历史电力数据,每个历史电力数据中包括多个特征信息和每个特征信息的特征值,所述多个特征信息中至少包括以下之一:负荷信息、气象信息;
将所述目标数据集合输入特征选取模型集合中,得到多个初始特征信息集合,其中,所述特征选取模型集合中包括多个特征选取模型,每个特征选取模型根据特征信息与所述负荷信息之间的相关度序列选取初始特征信息,得到每个特征选取模型的初始特征信息集合;
将所述多个初始特征信息集合进行组合,得到目标特征信息集合,并通过所述目标特征信息集合对所述目标数据集合中的每个历史电力数据的特征信息进行筛选,得到更新后的目标数据集合;
将所述更新后的目标数据集合输入深度神经网络模型中,得到所述目标区域的预测电力负荷数据;
根据特征信息与所述负荷信息之间的相关度序列选取初始特征信息包括:
计算特征选取模型中的每个特征信息与负荷信息之间的相关度,得到多个相关度;
将多个特征信息按照相关度由小到大进行排序,得到所述相关度序列;
确定每个特征信息在所述相关度序列中的相关度序号,并将所述相关度序号大于预设值的特征信息确定为所述初始特征信息;
将所述多个初始特征信息集合进行组合,得到目标特征信息集合包括:
获取每组初始特征信息集合中的每个特征信息的相关度序号,得到多个相关度序号集合,其中,每个相关度序号集合关联一个特征信息,所述相关度序号集合中包括多个相关度序号;
分别将每个相关度序号集合中的多个相关度序号相加,得到每个相关度序号集合关联的特征信息的重要度分值;
从所述多个初始特征信息集合中获取所述重要度分值大于预设分值的特征信息,得到多个目标特征信息,并将所述多个目标特征信息组合为所述目标特征信息集合。
2.根据权利要求1所述的电力负荷的预测方法,其特征在于,获取目标区域的目标数据集合包括:
获取所述目标数据集合中的每个历史电力数据的负荷信息对应的负荷值,得到多个负荷值;
将每个负荷值与预设负荷值区间进行对比,并从所述多个历史电力数据中删除负荷值未处于所述预设负荷值区间的历史电力数据,由剩余的历史电力数据构成所述目标数据集合。
3.根据权利要求2所述的电力负荷的预测方法,其特征在于,在从所述多个历史电力数据中删除负荷值未处于所述预设负荷值区间的历史电力数据之后,所述方法还包括:
获取剩余的每个历史电力数据的时间信息,并按照所述时间信息将剩余的多个历史电力数据进行排序,得到序列信息;
在所述序列信息中依次确定每两个相邻历史电力数据的时间信息的差值,得到多个时间差,并从所述多个时间差中获取不等于预设时间差的时间差,得到至少一个目标时间差;
确定每个目标时间差对应的一组关联历史电力数据,并计算时间信息位于关联历史电力数据之间的电力数据,得到多个补充电力数据;
基于所述预设时间差将所述多个补充电力数据添加至所述序列信息中,得到更新后的序列信息,并由所述更新后的序列信息中的多个历史电力数据构成所述目标数据集合,其中,所述更新后的序列信息中的任意两个相邻历史电力数据的时间信息的差值均为所述预设时间差。
4.根据权利要求1所述的电力负荷的预测方法,其特征在于,通过所述目标特征信息集合对所述目标数据集合中的每个历史电力数据的特征信息进行筛选,得到更新后的目标数据集合包括:
获取所述目标特征信息集合中的多个目标特征信息;
依次删除每个历史电力数据中的非目标特征信息,得到多个目标电力数据;
将所述多个目标电力数据组合为所述更新后的目标数据集合。
5.根据权利要求4所述的电力负荷的预测方法,其特征在于,在将所述更新后的目标数据集合输入深度神经网络模型中之前,所述方法还包括:
获取所述更新后的目标数据集合中包括的每个特征信息对应的多个特征值,得到多组特征值;
对于每组特征值,获取最大值和最小值,并通过所述最大值和所述最小值依次对各个特征值进行归一化计算;
将属于同一目标电力数据的归一化后的特征值组合为归一化后的目标电力数据,得到多个归一化后的目标电力数据;
通过所述多个归一化后的目标电力数据执行所述将所述更新后的目标数据集合输入深度神经网络模型中的步骤。
6.根据权利要求1所述的电力负荷的预测方法,其特征在于,在将所述更新后的目标数据集合输入深度神经网络模型中之前,所述方法还包括:
将第一时间段内的历史电力数据和第二时间段内的历史电力数据中的负荷信息作为样本对初始神经网络模型进行训练,得到所述深度神经网络模型,其中,所述第一时间段内的历史电力数据的时间信息早于所述第二时间段内的历史电力数据的时间信息。
7.根据权利要求1所述的电力负荷的预测方法,其特征在于,所述特征选取模型集合中至少包括以下之一类型的模型:皮尔逊相关系数算法模型、随机森林算法模型、极值梯度提升算法模型、互信息算法模型。
8.一种电力负荷的预测装置,其特征在于,包括:
第一获取单元,用于获取目标区域的目标数据集合,其中,所述目标数据集合中包括多个历史电力数据,每个历史电力数据中包括多个特征信息和每个特征信息的特征值,所述多个特征信息中至少包括以下之一:负荷信息、气象信息;
第一输入单元,用于将所述目标数据集合输入特征选取模型集合中,得到多个初始特征信息集合,其中,所述特征选取模型集合中包括多个特征选取模型,每个特征选取模型根据特征信息与所述负荷信息之间的相关度序列选取初始特征信息,得到每个特征选取模型的初始特征信息集合;
筛选单元,用于将所述多个初始特征信息集合进行组合,得到目标特征信息集合,并通过所述目标特征信息集合对所述目标数据集合中的每个历史电力数据的特征信息进行筛选,得到更新后的目标数据集合;
第二输入单元,用于将所述更新后的目标数据集合输入深度神经网络模型中,得到所述目标区域的预测电力负荷数据;
所述第一输入单元包括:第一计算模块,用于计算特征选取模型中的每个特征信息与负荷信息之间的相关度,得到多个相关度;排序模块,用于将多个特征信息按照相关度由小到大进行排序,得到相关度序列;确定模块,用于确定每个特征信息在相关度序列中的相关度序号,并将相关度序号大于预设值的特征信息确定为初始特征信息;所述筛选单元包括:第二获取模块,用于获取每组初始特征信息集合中的每个特征信息的相关度序号,得到多个相关度序号集合,其中,每个相关度序号集合关联一个特征信息,相关度序号集合中包括多个相关度序号;第二计算模块,用于分别将每个相关度序号集合中的多个相关度序号相加,得到每个相关度序号集合关联的特征信息的重要度分值;第三获取模块,用于从多个初始特征信息集合中获取重要度分值大于预设分值的特征信息,得到多个目标特征信息,并将多个目标特征信息组合为目标特征信息集合。
9.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序,其中,所述程序运行时控制所述计算机存储介质所在的设备执行权利要求1至7中任意一项所述的电力负荷的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310153437.8A CN116205355B (zh) | 2023-02-22 | 2023-02-22 | 电力负荷的预测方法、装置以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310153437.8A CN116205355B (zh) | 2023-02-22 | 2023-02-22 | 电力负荷的预测方法、装置以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116205355A CN116205355A (zh) | 2023-06-02 |
CN116205355B true CN116205355B (zh) | 2023-12-01 |
Family
ID=86515669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310153437.8A Active CN116205355B (zh) | 2023-02-22 | 2023-02-22 | 电力负荷的预测方法、装置以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116205355B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117239731B (zh) * | 2023-09-21 | 2024-02-27 | 山东工商学院 | 基于混合模型的节假日短期电力负荷预测方法 |
CN117436935A (zh) * | 2023-11-30 | 2024-01-23 | 湖北华中电力科技开发有限责任公司 | 区域用电量预测方法、系统、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017130326A1 (ja) * | 2016-01-27 | 2017-08-03 | 三菱電機株式会社 | エネルギー管理装置、電力情報表示方法及びプログラム |
CN109242169A (zh) * | 2018-08-28 | 2019-01-18 | 贵州电网有限责任公司 | 一种面向电力大客户的短期负荷预测方法 |
CN111768034A (zh) * | 2020-06-29 | 2020-10-13 | 上海积成能源科技有限公司 | 一种电力负荷预测中基于近邻算法进行插补补充缺失值的方法 |
CN113592192A (zh) * | 2021-08-17 | 2021-11-02 | 国网河北省电力有限公司邢台供电分公司 | 短期电力负荷预测方法、装置及终端设备 |
EP3968247A1 (en) * | 2019-06-21 | 2022-03-16 | Siemens Aktiengesellschaft | Power load data prediction method and device, and storage medium |
CN115600640A (zh) * | 2022-09-30 | 2023-01-13 | 国网江苏省电力有限公司南京供电分公司(Cn) | 基于分解网络的电力负荷预测方法 |
-
2023
- 2023-02-22 CN CN202310153437.8A patent/CN116205355B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017130326A1 (ja) * | 2016-01-27 | 2017-08-03 | 三菱電機株式会社 | エネルギー管理装置、電力情報表示方法及びプログラム |
CN109242169A (zh) * | 2018-08-28 | 2019-01-18 | 贵州电网有限责任公司 | 一种面向电力大客户的短期负荷预测方法 |
EP3968247A1 (en) * | 2019-06-21 | 2022-03-16 | Siemens Aktiengesellschaft | Power load data prediction method and device, and storage medium |
CN111768034A (zh) * | 2020-06-29 | 2020-10-13 | 上海积成能源科技有限公司 | 一种电力负荷预测中基于近邻算法进行插补补充缺失值的方法 |
CN113592192A (zh) * | 2021-08-17 | 2021-11-02 | 国网河北省电力有限公司邢台供电分公司 | 短期电力负荷预测方法、装置及终端设备 |
CN115600640A (zh) * | 2022-09-30 | 2023-01-13 | 国网江苏省电力有限公司南京供电分公司(Cn) | 基于分解网络的电力负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116205355A (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116205355B (zh) | 电力负荷的预测方法、装置以及存储介质 | |
EP3043447B1 (en) | Distribution transformer heavy loading and overloading mid-term and short-term pre-warning analytics model | |
Cody et al. | Decision tree learning for fraud detection in consumer energy consumption | |
CN112766550B (zh) | 基于随机森林的停电敏感用户预测方法、系统、存储介质及计算机设备 | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
CN110930198A (zh) | 基于随机森林的电能替代潜力预测方法、系统、存储介质及计算机设备 | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
CN107066389A (zh) | 基于集成学习的软件缺陷重新打开的预测方法 | |
CN111242430A (zh) | 电力设备供应商评价方法和装置 | |
CN113449257A (zh) | 配电网线损的预测方法、控制装置、及存储介质 | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN114490786A (zh) | 数据排序方法及装置 | |
CN113902181A (zh) | 公变重过载的短期预测方法及设备 | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN113095680A (zh) | 电力大数据模型的评价指标体系与构建方法 | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN116401601A (zh) | 基于逻辑回归模型的停电敏感用户优选处置方法 | |
CN114418450A (zh) | 一种数据处理方法及装置 | |
CN113537607B (zh) | 停电预测方法 | |
CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
CN115860797A (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
CN114757702A (zh) | 虚拟电厂业务需求指标构建及通信方式适配方法及系统 | |
Dong et al. | Image-based processing mechanism for peak load forecasting in smart grids | |
CN112116139A (zh) | 一种电力需求预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |