CN116526455A - 一种园区电力负荷预测方法及系统 - Google Patents
一种园区电力负荷预测方法及系统 Download PDFInfo
- Publication number
- CN116526455A CN116526455A CN202310473055.3A CN202310473055A CN116526455A CN 116526455 A CN116526455 A CN 116526455A CN 202310473055 A CN202310473055 A CN 202310473055A CN 116526455 A CN116526455 A CN 116526455A
- Authority
- CN
- China
- Prior art keywords
- power
- prediction
- load prediction
- neural network
- load
- 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 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 135
- 230000005611 electricity Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 29
- 239000002131 composite material Substances 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力系统技术领域,公开一种园区电力负荷预测方法,包括:获取园区历史运行数据,所述园区历史运行数据包括园区历史用电负荷数据;接收电力负荷预测请求,并对所述电力负荷预测请求进行分析,得到电力负荷预测指令;根据所述电力负荷预测指令,从预先配置的电力预测模型池中调用与所述电力负荷指令相匹配的电力预测模型,其中,所述电力预测模型池包括多个不同负荷预测神经网络生成的电力预测模型;根据电力预测模型对所述历史运行数据进行分析,得到后一天的园区电力负荷预测结果。本发明避免了通过人工更改代码的麻烦和时间,提高了预测时的泛化能力,可实现高效负荷预测,提高了用户体验感。
Description
技术领域
本发明涉及电力系统技术领域,特别涉及一种园区电力负荷预测方法及系统。
背景技术
园区电力负荷预测是指对一个园区未来一端时间内的用电负荷进行预测和规划,以便园区能够更加高效地管理和利用能源资源,降低能源成本,提高能源利用效率。在进行园区电力负荷预测时,日负荷预测作为一个短期负荷预测,对于电力系统调度、安排日发电计划等意义重大,也是目前电力系统负荷预测的研究重点。
目前,日负荷预测的主要方法是通过人工神经网络进行预测,如,BP神经网络、ELMAN神经网络、RBF神经网络等,但是,这些神经网络各有特点,适用于不同的实际情况,因此,进行负荷预测时,根据实际预测需要不同,而需要不断的更改神经网络,然而,更改神经神经网络往往通过人工更改代码来完成这个过程比较耗时耗力,导致了在负荷预测时因用户准确度要求、时间要求等的不同导致泛化能力弱,不能高效进行负荷预测。
发明内容
本发明实施例提供了一种园区电力负荷预测方法及系统,以解决现有技术中的上述技术问题。
根据本发明的第一方面,提供了一种园区电力负荷预测方法。
该园区电力负荷预测方法,包括:
获取园区历史运行数据,所述园区历史运行数据包括园区历史用电负荷数据;
接收电力负荷预测请求,并对所述电力负荷预测请求进行分析,得到电力负荷预测指令;
根据所述电力负荷预测指令,从预先配置的电力预测模型池中调用与所述电力负荷指令相匹配的电力预测模型,其中,所述电力预测模型池包括多个不同负荷预测神经网络生成的电力预测模型;
根据电力预测模型对所述历史运行数据进行分析,得到后一天的园区电力负荷预测结果。
其中,获取园区历史运行数据包括:预先配置数据模板,并根据所述数据模板,采用固定数据形式进行历史运行数据的录入,得到园区历史运行数据。
其中,所述园区历史运行数据还包括:与所述园区历史用电负荷数据对应的时间数据,和/或与所述园区历史用电负荷数据对应的影响因素数据。
其中,所述影响因素数据包括以下至少之一:气象因素数据、节假日类型因素数据、社会因素数据、政治经济发展因素数据。
另外,所述园区电力负荷预测方法,还包括:预先配置电力预测模型池,且预先配置电力预测模型池包括:配置多个负荷预测神经网络,根据所述园区历史运行数据,对每个负荷预测神经网络进行训练,得到对应的电力预测模型;为每个负荷预测神经网络生成网络唯一标识,并将所述网络唯一标识与对应的所述负荷预测神经网络及电力预测模型进行绑定,形成模型组;根据多个模型组,构建电力预测模型池。
此外,根据所述电力负荷预测指令,从预先配置的电力预测模型池中调用与所述电力负荷指令相匹配的电力预测模型包括:获取所述电力负荷预测指令内包含的网络唯一标识及与网络唯一标识对应的调整参数信息;根据所述网络唯一标识,从所述电力预测模型池内调取对应的负荷预测神经网络及电力预测模型;根据所述调整参数信息,基于所述负荷预测神经网络对所述电力预测模型进行重构,得到对应的电力预测模型。
其中,所述负荷预测神经网络包括:BP神经网络,ELMAN神经网络,RBF神经网络,和/或由BP神经网络、ELMAN神经网络和RBF神经网络构成的复合神经网络。
此外,所述园区电力负荷预测方法,还包括:根据园区电力负荷预测结果,生成电力负荷预测曲线,所述电力负荷预测曲线为同一横轴下纵向维度排列的多种信息曲线。
根据本发明的第二方面,提供了一种园区电力负荷预测系统。
该园区电力负荷预测系统,包括:
数据获取模块,用于获取园区历史运行数据,所述园区历史运行数据包括园区历史用电负荷数据2
预测请求模块,用于接收电力负荷预测请求,并对所述电力负荷预测请求进行分析,得到电力负荷预测指令;
模型调取模块,用于根据所述电力负荷预测指令,从预先配置的电力预测模型池中调用与所述电力负荷指令相匹配的电力预测模型,其中,所述电力预测模型池包括多个不同负荷预测神经网络生成的电力预测模型;
模型预测模块,用于根据电力预测模型对所述历史运行数据进行分析,得到后一天的园区电力负荷预测结果。
其中,所述数据获取模块在获取园区历史运行数据时,预先配置数据模板,并根据所述数据模板,采用固定数据形式进行历史运行数据的录入,得到园区历史运行数据。
其中,所述园区历史运行数据还包括:与所述园区历史用电负荷数据对应的时间数据,和/或与所述园区历史用电负荷数据对应的影响因素数据。
其中,所述影响因素数据包括以下至少之一:气象因素数据、节假日类型因素数据、社会因素数据、政治经济发展因素数据。
另外,所述园区电力负荷预测系统,还包括:配置模块,用于预先配置电力预测模型池,且所述配置模块包括:网络配置子模块、网络训练子模块、标识绑定子模块和模型池构建子模块,其中,网络配置子模块,用于配置多个负荷预测神经网络;网络训练子模块,用于根据所述园区历史运行数据,对每个负荷预测神经网络进行训练,得到对应的电力预测模型;标识绑定子模块,用于为每个负荷预测神经网络生成网络唯一标识,并将所述网络唯一标识与对应的所述负荷预测神经网络及电力预测模型进行绑定,形成模型组;模型池构建子模块,用于根据多个模型组,构建电力预测模型池。
此外,所述模型调取模块在根据所述电力负荷预测指令,从预先配置的电力预测模型池中调用与所述电力负荷指令相匹配的电力预测模型时,获取所述电力负荷预测指令内包含的网络唯一标识及与网络唯一标识对应的调整参数信息;根据所述网络唯一标识,从所述电力预测模型池内调取对应的负荷预测神经网络及电力预测模型;根据所述调整参数信息,基于所述负荷预测神经网络对所述电力预测模型进行重构,得到对应的电力预测模型。
其中,所述负荷预测神经网络包括:BP神经网络,ELMAN神经网络,RBF神经网络,和/或由BP神经网络、ELMAN神经网络和RBF神经网络构成的复合神经网络。
此外,所述园区电力负荷预测系统,还包括:曲线显示模块,用于根据园区电力负荷预测结果,生成电力负荷预测曲线,所述电力负荷预测曲线为同一横轴下纵向维度排列的多种信息曲线。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明通过配置多个负荷预测神经网络,获得多个电力预测模型形成电力预测模型池,从而可根据不同的预测请求指令,选取对应的电力预测模型进行预测,避免了通过人工更改代码的麻烦和时间,提高了预测时的泛化能力,可实现高效负荷预测,提高了用户体验感。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种园区电力负荷预测方法的流程示意图;
图2是根据一示例性实施例示出的一种园区电力负荷预测系统的结构框图;
图3是是根据一示例性实施例示出的纵向对比图示意图;
图4是是根据一示例性实施例示出的计算机设备的结构示意图。
具体实施方式
以下描述和附图充分地示出本文的具体实施方案,以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围,以及权利要求书的所有可获得的等同物。本文中,术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来,而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素,反之亦然。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的结构、装置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结构、装置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,并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本文和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。在本文的描述中,除非另有规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,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的具体含义。
本文中,除非另有说明,术语“多个”表示两个或两个以上。
本文中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
本文中,术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
应该理解的是,虽然流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本申请的装置或系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
图1示出了本发明的一种园区电力负荷预测方法的一个实施例。
在该可选实施例中,所述园区电力负荷预测方法,包括:
步骤S101,获取园区历史运行数据,所述园区历史运行数据包括园区历史用电负荷数据;
步骤S103,接收电力负荷预测请求,并对所述电力负荷预测请求进行分析,得到电力负荷预测指令;
步骤S105,根据所述电力负荷预测指令,从预先配置的电力预测模型池中调用与所述电力负荷指令相匹配的电力预测模型,其中,所述电力预测模型池包括多个不同负荷预测神经网络生成的电力预测模型;
步骤S107,根据电力预测模型对所述历史运行数据进行分析,得到后一天的园区电力负荷预测结果。
图2示出了本发明的一种园区电力负荷预测系统的一个实施例。
在该可选实施例中,所述园区电力负荷预测系统,包括:
数据获取模块201,用于获取园区历史运行数据,所述园区历史运行数据包括园区历史用电负荷数据;
预测请求模块203,用于接收电力负荷预测请求,并对所述电力负荷预测请求进行分析,得到电力负荷预测指令;
模型调取模块205,用于根据所述电力负荷预测指令,从预先配置的电力预测模型池中调用与所述电力负荷指令相匹配的电力预测模型,其中,所述电力预测模型池包括多个不同负荷预测神经网络生成的电力预测模型;
模型预测模块207,用于根据电力预测模型对所述历史运行数据进行分析,得到后一天的园区电力负荷预测结果。
在实际应用时,所述园区历史运行数据还包括:与所述园区历史用电负荷数据对应的时间数据,和/或与所述园区历史用电负荷数据对应的影响因素数据。所述影响因素数据包括以下至少之一:气象因素数据、节假日类型因素数据、社会因素数据、政治经济发展因素数据。具体的,可对同一时间的园区历史用电负荷数据、影响因素数据和时间数据进行捆绑保存,有利于数据查询与分析等时的数据调取。
而在获取园区历史运行数据时,则可预先配置数据模板,并根据所述数据模板,采用固定数据形式进行历史运行数据的录入,得到园区历史运行数据。以方便系统基于固定的数据形式进行数据录入,提高数据采集的效率,降低计算功耗。具体的,在接收到存储指令时,向用户界面发送所述存储指令对应的数据模板,促使用户采用固定数据形式进行数据填写,然后根据用户反馈的所述数据模板进行数据录入。
例如,可以为用户提供“历史负荷数据模板”、“影响因素模板”以及“日期类型模板”,模板类型均为EXCEL表格文件。用户按照自身需求及实际情况,全部或部分填充这三个EXCEL模板并保存至计算机的某一位置,即选择性导入历史负荷数据、影响因素数据或日期类型数据。
如历史负荷模板文件中,第一列填充日期,标准格式为“XXXX/XX/XX”,即四位数字年份/两位数字月份/两位数字日期。后面各列按照对应日期填充当日24小时内各数据记录点的负荷数据,填充数据须为正数,默认单位为MW,序号代表采样点数,例如,每15分钟进行一次负荷采样,则每24小时有96个采样点,即填充1-96点;同理,每1小时采样则填充1-24点,每30分钟采样则填充1-48点,每5分钟采样则填充1-288点,以此类推。
另外,接收到用户反馈的模板后,还可以显示上传数据的信息,包括“起始日期”、“截止日期”、“数据天数”以及“数据是否有缺省值”,其中,如果是历史负荷数据,还包括“每日负荷采样点数”,如果是影响因素数据,还包括“影响因素个数”。特别地,当模板文件中包含缺省值时,“数据是否有缺省值”会显示数据存在缺省值并给出缺省值所处具体位置,便于用户返回检查并修改。
此外,在实际应用时,电力预测模型池的配置可通过以下步骤实现,具体为:配置多个负荷预测神经网络,根据所述园区历史运行数据,对每个负荷预测神经网络进行训练,得到对应的电力预测模型;为每个负荷预测神经网络生成网络唯一标识,并将所述网络唯一标识与对应的所述负荷预测神经网络及电力预测模型进行绑定,形成模型组;根据多个模型组,构建电力预测模型池。
而在根据所述电力负荷预测指令,从预先配置的电力预测模型池中调用与所述电力负荷指令相匹配的电力预测模型时,则是获取所述电力负荷预测指令内包含的网络唯一标识及与网络唯一标识对应的调整参数信息;根据所述网络唯一标识,从所述电力预测模型池内调取对应的负荷预测神经网络及电力预测模型;根据所述调整参数信息,基于所述负荷预测神经网络对所述电力预测模型进行重构,得到对应的电力预测模型。
对应的,对于系统来说,则是包括:配置模块(图中未视出),用于预先配置电力预测模型池,且所述配置模块包括:网络配置子模块(图中未视出)、网络训练子模块(图中未视出)、标识绑定子模块(图中未视出)和模型池构建子模块(图中未视出),其中,网络配置子模块,用于配置多个负荷预测神经网络:网络训练子模块,用于根据所述园区历史运行数据,对每个负荷预测神经网络进行训练,得到对应的电力预测模型;标识绑定子模块,用于为每个负荷预测神经网络生成网络唯一标识,并将所述网络唯一标识与对应的所述负荷预测神经网络及电力预测模型进行绑定,形成模型组;模型池构建子模块,用于根据多个模型组,构建电力预测模型池。
而所述模型调取模块在根据所述电力负荷预测指令,从预先配置的电力预测模型池中调用与所述电力负荷指令相匹配的电力预测模型时,则获取所述电力负荷预测指令内包含的网络唯一标识及与网络唯一标识对应的调整参数信息;根据所述网络唯一标识,从所述电力预测模型池内调取对应的负荷预测神经网络及电力预测模型;根据所述调整参数信息,基于所述负荷预测神经网络对所述电力预测模型进行重构,得到对应的电力预测模型
另外,在实际应用时,所述负荷预测神经网络包括:BP神经网络,ELMAN神经网络,RBF神经网络,和/或由BP神经网络、ELMAN神经网络和RBF神经网络构成的复合神经网络。
在实际软件系统配置时,则可基于上述负荷预测神经网络设置多个预测模式,如:(1)标准模式:使用Python数据算法库BP神经网络算法作为核心算法,优点是适用场景广泛,预测精度较高,适用于一般应用场景;(2)快速预测模式:使用Python数据算法库RBF神经网络算法作为核心算法,优点是计算速度快,适用于需要进行快速预测的场景;(3)高精度预测模式:使用Python数据算法库BP、ELMAN以及RBF神经网络所构建的一种新型复合神经网络算法作为核心算法,优点是具有理论上的最高精度,但是运算时间相对较长;(4)记忆参数模式:记忆“自定义模式”中,用户自定义设置的多项参数,并将其保存作为一种全新的预测模式,特别地,在每一次重新选择数据集合时,记忆参数模式均会被清除,需要重新设置;(5)自定义模式:选择自定义模式即可进行自定义参数设置。用于日负荷预测神经网络算法的所有参数均可以修改,可修改的参数类型包括:参数预测、神经网络结构设置、神经网络训练设置、训练样本设置、影响因素、日期类型选取。
其中,对于参数预设来说,则包括两个选项:默认参数设置(高精度预测模式)和自定义参数设置,在默认参数设置(高精度预测模式)下,所有参数均不可修改且为高精度预测模式的相关参数;在自定义参数设置下,所有设置处于开放状态,且默认值默认参数设置(高精度预测模式)的设置值,同时也是本系统提供的推荐值,特别地,在自定义参数设置状态下,当任意时刻选择默认参数设置(高精度预测模式)时,所有的参数均会恢复到默认参数设置模式且进入未开放状态。
对于神经网络结构设置来说,则细分为神经网络模型选择、BP神经网络参数、ELMAN神经网络参数、RBF神经网络参数以及复合神经网络参数。在自定义参数设置状态下,通过选择神经网络模型选择中的神经网络模型,下方相应的神经网络参数设置版块便会开放,可以进行参数设置,而其他神经网络参数设置版块不开放,特别地,当选择复合神经网络时,所有神经网络参数设置版块都会开放,同时复合神经网络参数设置版块也会开放。
其中,BP神经网络参数单元中包括神经网络隐含层层数选择,有单隐含层和双隐含层选项,选择双隐含层时,会开放下方输入第一隐含层节点数、选择第一隐含层传输函数和训练函数、输入第二隐含层节点数以及选择第二隐含层传输函数和训练函数设置;而选择单隐含层时,仅开放下方输入第一隐含层节点数、选择第一隐含层传输函数和训练函数设置。
而ELMAN神经网络参数单元中的相关参数设置内容与BP神经网络参数中可完全一致,但两者所使用的神经网络结构及相关算法都有明显区别。而RBF神经网络参数单元中包括RBF神经网络类型,有近似径向基网络和精确径向基网络选项,选择近似径向基网络时,会开放下方输入均方误差目标、输入径向基函数扩展速度、输入神经元最大数目以及输入两次显示间添加的神经元数目设置;而选择精确径向基网络时,上述四个参数设置均不会开放,而由Python数据算法库自行进行神经网络参数设置。
而复合神经网络参数单元则包括对复合神经网络输入隐含层节点数、选择隐含层传输函数和训练函数设置,其中,复合神经网络是指由BP、ELMAN以及RBF神经网络构成三重并列神经网络后,再在其后方连接一个单隐含层的BP神经网络,形成一种复合神经网络结构。当选择复合神经网络时,BP神经网络参数、ELMAN神经网络参数、RBF神经网络参数单元进行三个并列神经网络的设置,而复合神经网络参数则进行后方单隐含层BP神经网络的参数设置。
此外,对于神经网络训练设置来说,在神经网络结构设置完成以后,可以对已选择的神经网络进行训练设置,包括输入训练最大迭代次数、输入训练目标误差以及输入训练学习率。
而对于训练样本设置来说,训练样本设置中包括输入训练为样本数量(天)和选取待测目前某天负荷作为历史负荷(以逗号分隔开),其中,训练样本是利用数据集合中历史负荷数据,选取合适的训练参数,对已选择的神经网络进行训练,从而使神经网络具有负荷预测的能力。
此外,在实际应用时,如图3所示,为了向用户呈现数据的走势,更加直观,利于用户对负荷数据进行分析,提高了用户的体验感,还可根据园区电力负荷预测结果,生成电力负荷预测曲线,所述电力负荷预测曲线为同一横轴下纵向维度排列的多种信息曲线。对应的,对于系统来说,则是包括:曲线显示模块,用于根据园区电力负荷预测结果,生成电力负荷预测曲线,所述电力负荷预测曲线为同一横轴下纵向维度排列的多种信息曲线。
另外,在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
此外,在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述方法实施例中的步骤。
另外,在一个实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
本发明并不局限于上面已经描述并在附图中示出的结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种园区电力负荷预测方法,其特征在于,包括:
获取园区历史运行数据,所述园区历史运行数据包括园区历史用电负荷数据;
接收电力负荷预测请求,并对所述电力负荷预测请求进行分析,得到电力负荷预测指令;
根据所述电力负荷预测指令,从预先配置的电力预测模型池中调用与所述电力负荷指令相匹配的电力预测模型,其中,所述电力预测模型池包括多个不同负荷预测神经网络生成的电力预测模型;
根据电力预测模型对所述历史运行数据进行分析,得到后一天的园区电力负荷预测结果。
2.根据权利要求1所述的园区电力负荷预测方法,其特征在于,获取园区历史运行数据包括:
预先配置数据模板,并根据所述数据模板,采用固定数据形式进行历史运行数据的录入,得到园区历史运行数据。
3.根据权利要求1所述的园区电力负荷预测方法,其特征在于,所述园区历史运行数据还包括:与所述园区历史用电负荷数据对应的时间数据,和/或与所述园区历史用电负荷数据对应的影响因素数据;所述影响因素数据包括以下至少之一:气象因素数据、节假日类型因素数据、社会因素数据、政治经济发展因素数据。
4.根据权利要求1所述的园区电力负荷预测方法,其特征在于,包括:
预先配置电力预测模型池,且预先配置电力预测模型池包括:配置多个负荷预测神经网络,根据所述园区历史运行数据,对每个负荷预测神经网络进行训练,得到对应的电力预测模型;为每个负荷预测神经网络生成网络唯一标识,并将所述网络唯一标识与对应的所述负荷预测神经网络及电力预测模型进行绑定,形成模型组;根据多个模型组,构建电力预测模型池。
5.根据权利要求4所述的园区电力负荷预测方法,其特征在于,根据所述电力负荷预测指令,从预先配置的电力预测模型池中调用与所述电力负荷指令相匹配的电力预测模型包括:
获取所述电力负荷预测指令内包含的网络唯一标识及与网络唯一标识对应的调整参数信息;
根据所述网络唯一标识,从所述电力预测模型池内调取对应的负荷预测神经网络及电力预测模型;
根据所述调整参数信息,基于所述负荷预测神经网络对所述电力预测模型进行重构,得到对应的电力预测模型。
6.根据权利要求5所述的园区电力负荷预测方法,其特征在于,所述负荷预测神经网络包括:
BP神经网络,ELMAN神经网络,RBF神经网络,和/或由BP神经网络、ELMAN神经网络和RBF神经网络构成的复合神经网络。
7.根据权利要求1所述的园区电力负荷预测方法,其特征在于,还包括:
根据园区电力负荷预测结果,生成电力负荷预测曲线,所述电力负荷预测曲线为同一横轴下纵向维度排列的多种信息曲线。
8.一种园区电力负荷预测系统,其特征在于,包括:
数据获取模块,用于获取园区历史运行数据,所述园区历史运行数据包括园区历史用电负荷数据;
预测请求模块,用于接收电力负荷预测请求,并对所述电力负荷预测请求进行分析,得到电力负荷预测指令;
模型调取模块,用于根据所述电力负荷预测指令,从预先配置的电力预测模型池中调用与所述电力负荷指令相匹配的电力预测模型,其中,所述电力预测模型池包括多个不同负荷预测神经网络生成的电力预测模型;
模型预测模块,用于根据电力预测模型对所述历史运行数据进行分析,得到后一天的园区电力负荷预测结果。
9.根据权利要求8所述的园区电力负荷预测系统,其特征在于,包括:
配置模块,用于预先配置电力预测模型池,且所述配置模块包括:网络配置子模块、网络训练子模块、标识绑定子模块和模型池构建子模块,其中,
网络配置子模块,用于配置多个负荷预测神经网络;
网络训练子模块,用于根据所述园区历史运行数据,对每个负荷预测神经网络进行训练,得到对应的电力预测模型;
标识绑定子模块,用于为每个负荷预测神经网络生成网络唯一标识,并将所述网络唯一标识与对应的所述负荷预测神经网络及电力预测模型进行绑定,形成模型组;
模型池构建子模块,用于根据多个模型组,构建电力预测模型池。
10.根据权利要求8所述的园区电力负荷预测系统,其特征在于,所述模型调取模块在根据所述电力负荷预测指令,从预先配置的电力预测模型池中调用与所述电力负荷指令相匹配的电力预测模型时,获取所述电力负荷预测指令内包含的网络唯一标识及与网络唯一标识对应的调整参数信息;根据所述网络唯一标识,从所述电力预测模型池内调取对应的负荷预测神经网络及电力预测模型;根据所述调整参数信息,基于所述负荷预测神经网络对所述电力预测模型进行重构,得到对应的电力预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473055.3A CN116526455A (zh) | 2023-04-27 | 2023-04-27 | 一种园区电力负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473055.3A CN116526455A (zh) | 2023-04-27 | 2023-04-27 | 一种园区电力负荷预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116526455A true CN116526455A (zh) | 2023-08-01 |
Family
ID=87393559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310473055.3A Pending CN116526455A (zh) | 2023-04-27 | 2023-04-27 | 一种园区电力负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116526455A (zh) |
-
2023
- 2023-04-27 CN CN202310473055.3A patent/CN116526455A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908680A (zh) | 微信公众号的管理方法、电子装置及计算机可读存储介质 | |
CN110515522A (zh) | 设备数据的接入方法、装置、计算机设备和存储介质 | |
CN109635271A (zh) | 一种用户意图识别方法、客服服务系统、装置及电子设备 | |
CN110109656A (zh) | 接口模拟方法、装置、计算机设备和存储介质 | |
CN108595523A (zh) | 设备数据检索模型构建方法、装置及计算机设备 | |
CN109784985A (zh) | 充电计费方法、系统、装置、计算机设备和存储介质 | |
CN115588993B (zh) | 一种配电变压器的有载实时在线调容方法及装置 | |
JP2019087030A (ja) | 予測モデル生成装置、予測モデル生成方法及び予測モデル生成プログラム | |
CN112488745A (zh) | 一种智能费控管理方法、装置、设备和存储介质 | |
CN116526455A (zh) | 一种园区电力负荷预测方法及系统 | |
CN111581187B (zh) | 智慧园区的数据管理方法、装置、计算机设备和存储介质 | |
CN111415050B (zh) | 短期负荷预测方法、短期负荷预测模型训练方法及装置 | |
CN109657671A (zh) | 铭牌文字识别方法、装置、计算机设备和存储介质 | |
CN110222877A (zh) | 一种基于自定义神经网络的负荷预测系统及负荷预测方法 | |
CN107220302A (zh) | 基于qt技术的自动切片存储系统和方法 | |
CN116523145A (zh) | 光伏功率超短期预测方法、装置、计算机设备及存储介质 | |
CN110232108A (zh) | 人机对话方法以及对话系统 | |
CN115545729A (zh) | 商品售后管理方法、售后管理系统及电子设备 | |
CN115599524A (zh) | 一种基于流数据和批数据协同调度处理的数据湖系统 | |
CN114298741A (zh) | 一种报价方案确定方法、装置、电子设备及存储介质 | |
CN111899123A (zh) | 电量预测方法、装置以及计算机可读存储介质 | |
CN109862568A (zh) | 基站频点的切换方法、装置、计算机设备和存储介质 | |
CN116484201B (zh) | 新能源电网负载预测方法、装置及电子设备 | |
CN109584061A (zh) | 信息生成方法、装置、计算机设备和存储介质 | |
CN109902205A (zh) | Fpga器件信息处理方法、装置、计算机设备及存储介质 |
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 |