CN116485031A - 短期电力负荷的预测方法、装置、设备及存储介质 - Google Patents
短期电力负荷的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116485031A CN116485031A CN202310496498.4A CN202310496498A CN116485031A CN 116485031 A CN116485031 A CN 116485031A CN 202310496498 A CN202310496498 A CN 202310496498A CN 116485031 A CN116485031 A CN 116485031A
- Authority
- CN
- China
- Prior art keywords
- modal
- preset
- power load
- data
- influence factor
- 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 60
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 100
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000000513 principal component analysis Methods 0.000 claims abstract description 52
- 230000015654 memory Effects 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 abstract description 2
- 230000007787 long-term memory Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及配电自动化技术领域,公开了一种短期电力负荷的预测方法、装置、设备及存储介质。该方法包括:获取历史电力负荷数据和影响因素数据;采用预设变分模态分解算法对历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,并采用预设主成分分析算法对影响因素数据进行主成分分析,以获取关键因素数据;将残差分量、各模态分量和关键因素数据输入至目标长短期记忆网络模型,以获取输出的预测电力负荷数据。本实施例的技术方案,通过采用变分模态分解算法和主成分分析算法,以及采用长短期记忆网络模型进行短期电力负荷预测,可以降低影响因素的维度,可以提升预测模型的收敛速度,可以提升短期电力负荷预测的准确度。
Description
技术领域
本发明涉及配电自动化技术领域,尤其涉及一种短期电力负荷的预测方法、装置、设备及存储介质。
背景技术
随着我国电网系统的不断发展,电力负荷的变化也越来越复杂,电力负荷预测的研究已成为电网管理的重要内容。短期电力负荷预测通常指对未来1天到7天的负荷进行预测,其是调度中心制定发电计划及发电厂报价的依据,也是能量管理系统的重要组成部分,对电力系统的运行、控制和计划有着非常重要的影响。提高电力系统短期负荷预测的精度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性。
目前,现有的电力负荷预测方法,主要包括传统预测方法和现代预测方法两类;其中,传统预测方法通常基于统计学原理,具有应用简单、运行速度快的特点;而现代预测方法通常基于人工神经网络、特征编码、相似日法和组合算法等机器学习方法。相较于传统预测方法,现代预测方法具有更强非线性拟合、数据分析和预测能力的优势,故应用更为广泛。然而,电力负荷受到很多因素的影响,且不同影响因素之间存在冗余、共线性和不可量化的信息,在现代预测方法中会增加预测模型的网络结构的复杂度,降低网络结构的泛化能力,从而导致预测模型的收敛速度下降,甚至降低预测结果的准确度。
发明内容
本发明提供了一种短期电力负荷的预测方法、装置、设备及存储介质,可以降低影响因素的维度,可以提升预测模型的收敛速度,可以提升短期电力负荷预测的准确度。
根据本发明的一方面,提供了一种短期电力负荷的预测方法,包括:
获取历史电力负荷数据和影响因素数据;
采用预设变分模态分解算法对所述历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,并采用预设主成分分析算法对所述影响因素数据进行主成分分析,以获取关键因素数据;
将所述残差分量、各所述模态分量和所述关键因素数据输入至预训练的目标长短期记忆网络模型,并获取所述目标长短期记忆网络模型输出的预测电力负荷数据。
根据本发明的另一方面,提供了一种短期电力负荷的预测装置,包括:
历史电力负荷数据获取模块,用于获取历史电力负荷数据和影响因素数据;
关键因素数据获取模块,用于采用预设变分模态分解算法对所述历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,并采用预设主成分分析算法对所述影响因素数据进行主成分分析,以获取关键因素数据;
预测电力负荷数据获取模块,用于将所述残差分量、各所述模态分量和所述关键因素数据输入至预训练的目标长短期记忆网络模型,并获取所述目标长短期记忆网络模型输出的预测电力负荷数据。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的短期电力负荷的预测方法。
根据本发明的另一方面,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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的短期电力负荷的预测方法。
本发明实施例的技术方案,通过获取历史电力负荷数据和影响因素数据;然后,采用预设变分模态分解算法对历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,并采用预设主成分分析算法对影响因素数据进行主成分分析,以获取关键因素数据;最后,将残差分量、各模态分量和关键因素数据输入至预训练的目标长短期记忆网络模型,并获取目标长短期记忆网络模型输出的预测电力负荷数据,通过采用变分模态分解算法和主成分分析算法,以及采用长短期记忆网络模型进行短期电力负荷预测,可以降低影响因素的维度,可以提升预测模型的收敛速度,可以提升短期电力负荷预测的准确度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1A是根据本发明实施例一提供的一种短期电力负荷的预测方法的流程图;
图1B是根据本发明实施例一提供的一种LSTM模型的结构示意图;
图1C是根据本发明实施例一提供的另一种短期电力负荷的预测方法的流程图;
图2是根据本发明实施例二提供的一种短期电力负荷的预测装置的结构示意图;
图3是实现本发明实施例的短期电力负荷的预测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“目标”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,以便这里描述的本发明的实施例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。
实施例一
图1A为本发明实施例一提供了一种短期电力负荷的预测方法的流程图,本实施例可适用于对电网未来一段时间的电力负荷曲线进行预测的情况,该方法可以由短期电力负荷的预测装置来执行,该短期电力负荷的预测装置可以采用硬件和/或软件的形式实现,该短期电力负荷的预测装置可配置于电子设备中,典型的,电子设备可以是服务器或者计算机设备。如图1A所示,该方法包括:
S110、获取历史电力负荷数据和影响因素数据。
其中,历史电力负荷数据,可以是过去一段时间内的电力负荷情况。影响因素数据,可以包括相同时间段内各影响因素和对应的数值。在本实施例中,针对不同的影响因素,可以对其不同情况进行量化处理,从而获取对应的数值。例如,对于天气影响因素,可以采用不同数值表示不同的天气情况,如1表示晴天,2表示有雨等。又如,对于节假日影响因素,可以采用不同数值表示是否为节假日,如1表示是节假日,2表示不是节假日。
其中,影响因素可以包括天气、节假日、电价、特殊事件和区域中的至少一项。特殊事件,可以是预先设置的事件。可以理解的是,影响因素可以根据实际场景进行扩展。
在一个具体的例子中,可以获取当前时刻的电力负荷数据,以及各影响因素所对应的数值,并将上述数据存储到预先设置的数据库中。由此,当需要使用该时刻的数据进行电力负荷预测时,可以从该数据库中,根据时间信息查找得到匹配的历史电力负荷数据和影响因素数据。
S120、采用预设变分模态分解算法对所述历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,并采用预设主成分分析算法对所述影响因素数据进行主成分分析,以获取关键因素数据。
其中,预设变分模态分解算法,可以是优化变分模态分解(Variational modedecomposition,VMD)算法。需要说明的是,影响因素数据均为非平稳的信号,通过采用优化VMD方法对历史电力负荷数据进行模态分解,可以将其分解为多个对应不同频率的固有模态分量(Intrinsic mode function,IMF)和一个剩余分量,即多个模态分量和一个残差分量。
上述设置的好处在于,可以降低历史电力负荷数据的非平稳性和复杂度。
在本实施例的一个可选的实施方式中,采用预设变分模态分解算法对所述历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,可以包括:
获取预设分解系数范围,所述预设分解系数范围包括多个预设分解系数;
根据各所述预设分解系数,对所述历史电力负荷数据进行模态分解,以获取各所述预设分解系数对应的各模态函数;
根据各所述预设分解系数对应的各模态函数,计算得到各所述预设分解系数对应的模态函数欧式距离;
若检测到当前预设分解系数对应的模态函数欧式距离满足预设欧式距离检测条件,则将所述当前预设分解系数作为目标预设分解系数;
根据所述目标预设分解系数对应的各模态函数,计算得到残差分量和多个模态分量。
其中,预设分解系数范围,可以是预先设置的分解数量的取值范围,典型的,可以是[2,10]。对应的,预设分解系数,可以是2,3,…,10。预设欧式距离检测条件,可以是目标预设分解系数的选用条件,例如,可以是初次检测到当前预设分解系数K对应的模态函数欧式距离,大于K+1对应的模态函数欧式距离。
需要说明的是,在进行VMD分解时,分解系数K值过大易引起模态混淆并发生中心频率重叠的情况,而K值过小时,将不能实现对原始信号的理想分离。因此,K的取值可以严重影响VMD分解效果。在本实施例中,可以遍历各预设分解系数,以分别对历史电力负荷数据进行模态分解,从而寻找最适宜的K值。
在一个具体的例子中,首先,取值K=10,对历史电力负荷数据进行模态分解,以获取各模态函数IMFi,i∈[1,10]。然后,根据公式计算模态函数欧式距离/>之后,依次递减K值,分别计算得到/>到/>若初次检测到大于/>即模态函数欧式距离开始变大时,则可以确定当前的K值为目标预设分解系数。例如,若检测到从/>至/>一直减小,但/>大于/>则可以确定目标预设分解系数为4。
进一步的,可以对目标预设分解系数对应的各模态函数进行求解,以获取各模态分量;然后,可以将各模态分量进行叠加,并通过与原始的历史电力负荷数据进行比对,以获取残差分量。
可选的,根据所述目标预设分解系数对应的各模态函数,计算得到残差分量和多个模态分量,可以包括:
将当前模态函数进行希尔伯特变换,以计算得到梯度平方范数,并根据所述梯度平方范数和预设惩罚函数,计算得到所述当前模态函数对应的模态分量。
在一个具体的例子中,可以基于如下公式将当前模态函数进行希尔伯特变换,以计算得到梯度平方L2范数;
其中,uk表示模态分量,x表示负荷序数,k表示模态分量数,wk表示频率,t表示时间变量。
然后,可以引入如下的预设惩罚函数:
由此,可以获取各模态分量解为:
其中,α表示二次惩罚系数,λ表示拉格朗日乘子。随着α的逐渐减小,分解得到的BIMF带宽也更大。
最后,通过不断更新uk、wk和λ,直至满足预设的约束条件:
其中,ε表示预设的极小值实数。
此外,为了消除影响因素数据的冗余与线性信息,以及获取主要影响因素,可以采用预设的主成分分析(Principal Component Analysis,PCA)方法对原始的所有影响因素进行筛选,以获取贡献度最高的预设数量的目标影响因素和对应的关键因素数据,从而降低影响因素数据的维度。
S130、将所述残差分量、各所述模态分量和所述关键因素数据输入至预训练的目标长短期记忆网络模型,并获取所述目标长短期记忆网络模型输出的预测电力负荷数据。
其中,目标长短期记忆网络模型,可以基于长短期记忆网络(Long Short TermMemory,LSTM)建立,可以克服时间序列中隐含的依赖性。在本实施例中,可以基于LSTM和预设的网络参数,建立初始LSTM模型,然后,可以采用带标签的样本数据对该初始LSTM模型进行有监督训练,直至获取训练完成的目标LSTM模型。
具体的,可以将残差分量、各模态分量和关键因素数据输入到目标LSTM模型,以获取各分量分别对应的预测结果;然后,可以将不同分量的预测结果进行叠加,以获取最终的预测电力负荷数据,即未来一段时间的电力负荷曲线。
需要说明的是,电力负荷数据具有强烈的时间序列性,通过采用LSTM模型进行电力负荷预测,可以有效提升预测的准确度。其中,如图1B所示,LSTM采用控制门机制,主要由输入门、遗忘门和输出门组成,其运算过程如下:
ft=σ(Wf·[Ht-1,Xt]+bf),
it=σ(Wi·[Ht-1,Xt]+bi),
Ot=σ(WO·[Ht-1,Xt]+bO),
Ht=Ot*tanh(Ct);
其中,Wf、Wi、WC、WO分别表示遗忘门、输入门、细胞状态和输出门的矩阵,表示临时状态,bf、bi、bc、bo分别表示对应的偏置矢量,σ表示激活函数。
本发明实施例的技术方案,通过获取历史电力负荷数据和影响因素数据;然后,采用预设变分模态分解算法对历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,并采用预设主成分分析算法对影响因素数据进行主成分分析,以获取关键因素数据;最后,将残差分量、各模态分量和关键因素数据输入至预训练的目标长短期记忆网络模型,并获取目标长短期记忆网络模型输出的预测电力负荷数据,通过采用变分模态分解算法和主成分分析算法,以及采用长短期记忆网络模型进行短期电力负荷预测,可以降低影响因素的维度,可以提升预测模型的收敛速度,可以提升短期电力负荷预测的准确度。
在本实施例的一个可选的实施方式中,在获取历史电力负荷数据和影响因素数据之后,还可以包括:
将所述历史电力负荷数据和所述影响因素数据进行归一化处理,获取归一化历史电力负荷数据和归一化影响因素数据;
在本实施例中,在获取到历史电力负荷数据和影响因素数据之后,还可以首先对各数据进行归一化处理,以将数据映射至[0,1]的范围之间,从而获取归一化历史电力负荷数据和归一化影响因素数据。
对应的,采用预设变分模态分解算法对所述历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,并采用预设主成分分析算法对所述影响因素数据进行主成分分析,以获取关键因素数据,可以包括:
采用预设变分模态分解算法对所述归一化历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,并采用预设主成分分析算法对所述归一化影响因素数据进行主成分分析,以获取关键因素数据。
具体的,可以采用优化VMD算法对归一化历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量;同时,可以采用PCA算法对归一化影响因素数据进行主成分分析,以获取具有代表性影响因素所对应的关键因素数据。
在本实施例的另一个可选的实施方式中,采用预设主成分分析算法对所述归一化影响因素数据进行主成分分析,以获取关键因素数据,可以包括:
采用预设主成分分析算法对所述归一化影响因素数据进行主成分分析,以获取各影响因素对应的贡献度;
按照贡献度从大到小的顺序,从所述各影响因素中筛选得到预设数量的目标影响因素;
根据各所述目标影响因素,从所述归一化影响因素数据中获取关键因素数据。
在本实施例中,可以基于PCA方法,通过对变量的相关系数矩阵内部结构的研究,筛选出具有代表性的少数影响因素变量来描述整个变量体系的相关关系。
其中,预设数量,可以是预先设置的数量值,例如,5、6等。在一个具体的例子中,首先,可以对归一化影响因素数据进行主成分分析,以获取每个影响因素对应的贡献度;然后,可以在影响因素中按照贡献度从高到低筛选得到N个目标影响因素;最后,可以在归一化影响因素数据中筛选得到各目标影响因素对应的关键因素数据。
可选的,采用预设主成分分析算法对所述归一化影响因素数据进行主成分分析,以获取各影响因素对应的贡献度,可以包括:
根据所述归一化影响因素数据,获取影响因素矩阵,并对所述影响因素矩阵中各元素值进行标准化处理,以获取标准影响因素矩阵;
根据所述标准影响因素矩阵,计算得到各影响因素对应的相关系统矩阵,并根据所述相关系统矩阵,计算得到各所述影响因素对应的特征值;
根据各所述特征值,计算得到各所述影响因素对应的贡献度。
在一个具体的例子中,PCA方法的处理流程可以如下所示;首先,假设Xm×n表示m个样本的n个影响因素的影响因素矩阵;在本实施例中,可以从归一化影响因素数据中提取各影响因素对应的样本值,并可以将一个影响因素对应的各样本值作为一列,从而组成影响因素矩阵。
然后,可以对影响因素矩阵进行标准化处理,以获取标准影响因素矩阵Y=(yij)m×n;其中,
然后,可以基于标准影响因素矩阵,建立n个影响因素对应的相关系统矩阵R=(rij)n×n;其中,
进一步的,可以计算得到该相关系统矩阵的各特征值η1,η2,…,ηn,以及各自对应的特征向量μ1,μ2,…,μn,并将特征值按从大到小的顺序排列。然后,可以基于如下公式分别计算得到每个特征值对应的贡献度et和累积贡献度Et;
最后,可以计算得到表示各成分与变量间相关系数的主成分载荷矩阵
在本实施例的一个具体的实施方式中,短期电力负荷的预测方法的流程可以如图1C所示。首先,获取历史电力负荷数据和影响因素数据,并进行数据初始化处理,以获取归一化历史电力负荷数据和归一化影响因素数据;然后,基于PCA算法筛选主要数据,以获取具有代表性的少数几个变量对应的关键因素数据,并基于优化VMD算法进行模态分解,以获取各模态分量和残差分量;最后,基于预建立的LSTM模型对分解得到的多个子模态分量分别进行预测,以获取每个分量的预测结果,并将各预测结果进行叠加,以获取最终的预测电力负荷数据。
上述设置的好处在于,可以实现对地区短期负荷的精准预测,能够为配电网运行和规划提供指导。
实施例二
图2为本发明实施例二提供的一种短期电力负荷的预测装置的结构示意图。如图2所示,该装置可以包括:历史电力负荷数据获取模块210、关键因素数据获取模块220和预测电力负荷数据获取模块230;其中,
历史电力负荷数据获取模块210,用于获取历史电力负荷数据和影响因素数据;
关键因素数据获取模块220,用于采用预设变分模态分解算法对所述历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,并采用预设主成分分析算法对所述影响因素数据进行主成分分析,以获取关键因素数据;
预测电力负荷数据获取模块230,用于将所述残差分量、各所述模态分量和所述关键因素数据输入至预训练的目标长短期记忆网络模型,并获取所述目标长短期记忆网络模型输出的预测电力负荷数据。
本发明实施例的技术方案,通过获取历史电力负荷数据和影响因素数据;然后,采用预设变分模态分解算法对历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,并采用预设主成分分析算法对影响因素数据进行主成分分析,以获取关键因素数据;最后,将残差分量、各模态分量和关键因素数据输入至预训练的目标长短期记忆网络模型,并获取目标长短期记忆网络模型输出的预测电力负荷数据,通过采用变分模态分解算法和主成分分析算法,以及采用长短期记忆网络模型进行短期电力负荷预测,可以降低影响因素的维度,可以提升预测模型的收敛速度,可以提升短期电力负荷预测的准确度。
可选的,所述短期电力负荷的预测装置,还包括:
数据归一化处理模块,用于将所述历史电力负荷数据和所述影响因素数据进行归一化处理,获取归一化历史电力负荷数据和归一化影响因素数据;
关键因素数据获取模块220,具体用于采用预设变分模态分解算法对所述归一化历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,并采用预设主成分分析算法对所述归一化影响因素数据进行主成分分析,以获取关键因素数据。
可选的,关键因素数据获取模块220,包括:
贡献度获取单元,用于采用预设主成分分析算法对所述归一化影响因素数据进行主成分分析,以获取各影响因素对应的贡献度;
目标影响因素筛选单元,用于按照贡献度从大到小的顺序,从所述各影响因素中筛选得到预设数量的目标影响因素;
关键因素数据获取单元,用于根据各所述目标影响因素,从所述归一化影响因素数据中获取关键因素数据。
可选的,贡献度获取单元,包括:
标准影响因素矩阵获取子单元,用于根据所述归一化影响因素数据,获取影响因素矩阵,并对所述影响因素矩阵中各元素值进行标准化处理,以获取标准影响因素矩阵;
特征值计算子单元,用于根据所述标准影响因素矩阵,计算得到各影响因素对应的相关系统矩阵,并根据所述相关系统矩阵,计算得到各所述影响因素对应的特征值;
贡献度计算子单元,用于根据各所述特征值,计算得到各所述影响因素对应的贡献度。
可选的,关键因素数据获取模块220,包括:
预设分解系数范围获取单元,用于获取预设分解系数范围,所述预设分解系数范围包括多个预设分解系数;
模态函数获取单元,用于根据各所述预设分解系数,对所述历史电力负荷数据进行模态分解,以获取各所述预设分解系数对应的各模态函数;
模态函数欧式距离计算单元,用于根据各所述预设分解系数对应的各模态函数,计算得到各所述预设分解系数对应的模态函数欧式距离;
目标预设分解系数获取单元,用于若检测到当前预设分解系数对应的模态函数欧式距离满足预设欧式距离检测条件,则将所述当前预设分解系数作为目标预设分解系数;
模态分量计算单元,用于根据所述目标预设分解系数对应的各模态函数,计算得到残差分量和多个模态分量。
可选的,模态分量计算单元,具体用于将当前模态函数进行希尔伯特变换,以计算得到梯度平方范数,并根据所述梯度平方范数和预设惩罚函数,计算得到所述当前模态函数对应的模态分量。
可选的,所述影响因素包括天气、节假日、电价、特殊事件和区域中的至少一项。
本发明实施例所提供的短期电力负荷的预测装置可执行本发明任意实施例所提供的短期电力负荷的预测方法,具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例的电子设备30的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示,电子设备30包括至少一个处理器31,以及与至少一个处理器31通信连接的存储器,如只读存储器(ROM)32、随机访问存储器(RAM)33等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器31可以根据存储在只读存储器(ROM)32中的计算机程序或者从存储单元38加载到随机访问存储器(RAM)33中的计算机程序,来执行各种适当的动作和处理。在RAM 33中,还可存储电子设备30操作所需的各种程序和数据。处理器31、ROM 32以及RAM 33通过总线34彼此相连。输入/输出(I/O)接口35也连接至总线34。
电子设备30中的多个部件连接至I/O接口35,包括:输入单元36,例如键盘、鼠标等;输出单元37,例如各种类型的显示器、扬声器等;存储单元38,例如磁盘、光盘等;以及通信单元39,例如网卡、调制解调器、无线通信收发机等。通信单元39允许电子设备30通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器31可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器31的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器31执行上文所描述的各个方法和处理,例如短期电力负荷的预测方法。
在一些实施例中,短期电力负荷的预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元38。在一些实施例中,计算机程序的部分或者全部可以经由ROM 32和/或通信单元39而被载入和/或安装到电子设备30上。当计算机程序加载到RAM 33并由处理器31执行时,可以执行上文描述的短期电力负荷的预测方法的一个或多个步骤。备选地,在其他实施例中,处理器31可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行短期电力负荷的预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种短期电力负荷的预测方法,其特征在于,包括:
获取历史电力负荷数据和影响因素数据;
采用预设变分模态分解算法对所述历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,并采用预设主成分分析算法对所述影响因素数据进行主成分分析,以获取关键因素数据;
将所述残差分量、各所述模态分量和所述关键因素数据输入至预训练的目标长短期记忆网络模型,并获取所述目标长短期记忆网络模型输出的预测电力负荷数据。
2.根据权利要求1所述的方法,其特征在于,在获取历史电力负荷数据和影响因素数据之后,还包括:
将所述历史电力负荷数据和所述影响因素数据进行归一化处理,获取归一化历史电力负荷数据和归一化影响因素数据;
采用预设变分模态分解算法对所述历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,并采用预设主成分分析算法对所述影响因素数据进行主成分分析,以获取关键因素数据,包括:
采用预设变分模态分解算法对所述归一化历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,并采用预设主成分分析算法对所述归一化影响因素数据进行主成分分析,以获取关键因素数据。
3.根据权利要求2所述的方法,其特征在于,采用预设主成分分析算法对所述归一化影响因素数据进行主成分分析,以获取关键因素数据,包括:
采用预设主成分分析算法对所述归一化影响因素数据进行主成分分析,以获取各影响因素对应的贡献度;
按照贡献度从大到小的顺序,从所述各影响因素中筛选得到预设数量的目标影响因素;
根据各所述目标影响因素,从所述归一化影响因素数据中获取关键因素数据。
4.根据权利要求3所述的方法,其特征在于,采用预设主成分分析算法对所述归一化影响因素数据进行主成分分析,以获取各影响因素对应的贡献度,包括:
根据所述归一化影响因素数据,获取影响因素矩阵,并对所述影响因素矩阵中各元素值进行标准化处理,以获取标准影响因素矩阵;
根据所述标准影响因素矩阵,计算得到各影响因素对应的相关系统矩阵,并根据所述相关系统矩阵,计算得到各所述影响因素对应的特征值;
根据各所述特征值,计算得到各所述影响因素对应的贡献度。
5.根据权利要求1所述的方法,其特征在于,采用预设变分模态分解算法对所述历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,包括:
获取预设分解系数范围,所述预设分解系数范围包括多个预设分解系数;
根据各所述预设分解系数,对所述历史电力负荷数据进行模态分解,以获取各所述预设分解系数对应的各模态函数;
根据各所述预设分解系数对应的各模态函数,计算得到各所述预设分解系数对应的模态函数欧式距离;
若检测到当前预设分解系数对应的模态函数欧式距离满足预设欧式距离检测条件,则将所述当前预设分解系数作为目标预设分解系数;
根据所述目标预设分解系数对应的各模态函数,计算得到残差分量和多个模态分量。
6.根据权利要求5所述的方法,其特征在于,根据所述目标预设分解系数对应的各模态函数,计算得到残差分量和多个模态分量,包括:
将当前模态函数进行希尔伯特变换,以计算得到梯度平方范数,并根据所述梯度平方范数和预设惩罚函数,计算得到所述当前模态函数对应的模态分量。
7.根据权利要求3或4所述的方法,其特征在于,所述影响因素包括天气、节假日、电价、特殊事件和区域中的至少一项。
8.一种短期电力负荷的预测装置,其特征在于,包括:
历史电力负荷数据获取模块,用于获取历史电力负荷数据和影响因素数据;
关键因素数据获取模块,用于采用预设变分模态分解算法对所述历史电力负荷数据进行模态分解,以获取残差分量和多个模态分量,并采用预设主成分分析算法对所述影响因素数据进行主成分分析,以获取关键因素数据;
预测电力负荷数据获取模块,用于将所述残差分量、各所述模态分量和所述关键因素数据输入至预训练的目标长短期记忆网络模型,并获取所述目标长短期记忆网络模型输出的预测电力负荷数据。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的短期电力负荷的预测方法。
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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的短期电力负荷的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310496498.4A CN116485031A (zh) | 2023-05-04 | 2023-05-04 | 短期电力负荷的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310496498.4A CN116485031A (zh) | 2023-05-04 | 2023-05-04 | 短期电力负荷的预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116485031A true CN116485031A (zh) | 2023-07-25 |
Family
ID=87219353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310496498.4A Pending CN116485031A (zh) | 2023-05-04 | 2023-05-04 | 短期电力负荷的预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485031A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861201A (zh) * | 2023-09-05 | 2023-10-10 | 深圳航天科创泛在电气有限公司 | 基于人工智能的电力供给系统 |
CN117416243A (zh) * | 2023-12-19 | 2024-01-19 | 国网山东省电力公司日照供电公司 | 一种基于数据处理的低谷慢速充电桩及其充电方法 |
-
2023
- 2023-05-04 CN CN202310496498.4A patent/CN116485031A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861201A (zh) * | 2023-09-05 | 2023-10-10 | 深圳航天科创泛在电气有限公司 | 基于人工智能的电力供给系统 |
CN116861201B (zh) * | 2023-09-05 | 2024-01-23 | 深圳航天科创泛在电气有限公司 | 基于人工智能的电力供给系统 |
CN117416243A (zh) * | 2023-12-19 | 2024-01-19 | 国网山东省电力公司日照供电公司 | 一种基于数据处理的低谷慢速充电桩及其充电方法 |
CN117416243B (zh) * | 2023-12-19 | 2024-02-27 | 国网山东省电力公司日照供电公司 | 一种基于数据处理的低谷慢速充电桩及其充电方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116485031A (zh) | 短期电力负荷的预测方法、装置、设备及存储介质 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN112488396A (zh) | 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
Girimurugan et al. | Application of deep learning to the prediction of solar irradiance through missing data | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
CN114399101A (zh) | 基于tcn-bigru的燃气负荷预测方法和装置 | |
Bahri et al. | Time series forecasting using smoothing ensemble empirical mode decomposition and machine learning techniques | |
Shabri et al. | Empirical mode decomposition–least squares support vector machine based for water demand forecasting | |
CN117332898A (zh) | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 | |
CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
CN116109004A (zh) | 一种绝缘子泄漏电流的预测方法、装置、设备及介质 | |
CN115952921A (zh) | 一种光伏能源功率预测方法、装置、电子设备及存储介质 | |
CN116380438A (zh) | 一种故障诊断方法、装置、电子设备及存储介质 | |
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 | |
CN115169731A (zh) | 一种智慧校园能耗预测方法、装置、设备及介质 | |
Rao et al. | Time series anomaly detection based on CEEMDAN and LSTM | |
Li et al. | Application of combination forecasting model in aircraft failure rate forecasting | |
CN118014018A (zh) | 一种楼宇能源消耗预测方法、装置、设备及存储介质 | |
Yun et al. | Accurate Short-term Forecasting for Photovoltaic Power Method Using RBM Combined LSTM-RNN Structure with Weather Factors Quantification | |
Lin et al. | Simplified‐Boost Reinforced Model‐Based Complex Wind Signal Forecasting | |
CN116307159A (zh) | 一种负荷预测方法、装置、电子设备和存储介质 | |
CN116542362A (zh) | 一种负荷预测方法、装置、电子设备及存储介质 |
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 |