CN116596169A - 一种电力系统预测方法、装置及存储介质 - Google Patents
一种电力系统预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116596169A CN116596169A CN202310873955.7A CN202310873955A CN116596169A CN 116596169 A CN116596169 A CN 116596169A CN 202310873955 A CN202310873955 A CN 202310873955A CN 116596169 A CN116596169 A CN 116596169A
- Authority
- CN
- China
- Prior art keywords
- data
- term
- prediction
- short
- long
- 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 35
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 230000007774 longterm Effects 0.000 claims abstract description 151
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 20
- 238000004140 cleaning Methods 0.000 claims abstract description 16
- 230000032683 aging Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 14
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电力系统预测方法、装置及存储介质,涉及电力系统技术领域,电力系统预测方法包括:获取短期原始数据和长期原始数据;清洗所述短期原始数据和所述长期原始数据,获得短期预测数据和长期预测数据;将所述短期预测数据输入到训练好的LSTM模型中,得到第一预测结果;将所述短期预测数据输入到训练好的ARIMA模型中,得到第二预测结果;将所述第一预测结果和所述第二预测结果进行不等权组合,得到短期预测结果;将所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果。本发明通过训练好的LSTM模型、ARIMA模型和TiDE模型,可以得到精准的短期预测结果和长期预测结果。
Description
技术领域
本发明涉及电力系统技术领域,具体而言,涉及一种电力系统预测方法、装置及存储介质。
背景技术
电力系统是将自然界的一次能源通过发电动力装置转化成电能,再经输、变电系统及配电系统将电能供应到各负荷中心,现如今,生活已经离不开电,所以保障电能的稳定可靠供应,就成为了电力系统最重要的任务之一,而对电力系统的功率和负荷状态进行预测,得到精准的未来功率输出和负荷使用趋势,可提前进行工作部署,未雨绸缪,保证电力系统的稳定运行,提供稳定的电能。
在现有技术中,主要采用模型法进行预测的,通过建立电力功率和负荷形状及函数并结合概率进行电力系统预测,但采用的模型的结构复杂,且难以处理电力负荷预测过程中的不确定性因素,导致预测的结果不够准确。
发明内容
本发明解决的问题是如何提高电力系统预测的准确性。
为解决上述问题,第一方面,本发明提供一种电力系统预测方法,包括:
获取短期原始数据和长期原始数据;
清洗所述短期原始数据和所述长期原始数据,分别获得短期预测数据和长期预测数据;
将所述短期预测数据输入到训练好的LSTM模型中,得到第一预测结果;
将所述短期预测数据输入到训练好的ARIMA模型中,得到第二预测结果;
将所述第一预测结果和所述第二预测结果进行不等权组合,得到短期预测结果;
将所述短期预测结果和所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果。
可选地,所述将所述短期预测数据输入到训练好的LSTM模型中,得到第一预测结果,包括:
通过遗忘门处理所述短期预测数据,生成遗忘因子,并获取上一时刻细胞状态;
通过记忆门处理所述短期预测数据,得到记忆数据和临时细胞状态;
将所述遗忘因子、所述上一时刻细胞状态、所述记忆数据和所述临时细胞状态输入到整合公式中,得到所述第一预测结果。
可选地,所述将所述第一预测结果和所述第二预测结果进行不等权组合,得到短期预测结果,包括:
将所述第一预测结果和所述第二预测结果输入到不等权公式中,得到所述短期预测结果,所述不等权公式如下所示:
;
其中,F ij 为所述短期预测结果,i为第i天,j为第j小时,α为不等权权重,F 1ij 为所述第一预测结果,F 2ij 为所述第二预测结果。
可选地,所述将所述短期预测结果和所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果,包括:
采用所述TiDE模型的特征工程将所述短期预测结果和所述长期预测数据降维,得到低维预测特征;
采用所述TiDE模型的编码器对所述低维预测特征进行编码,得到编码数据;
采用所述TiDE模型的密集解码器将所述编码数据映射到预测窗口,得到预测矩阵;
采用所述TiDE模型的时间解码器解码所述预测矩阵,得到所述长期预测结果。
可选地,所述获取短期原始数据和长期原始数据,包括:
获取待预测电力系统的负荷数据、功率数据、历史预测数据、短期气象数据、假日信息、设备老化数据以及长期气候数据;
根据所述负荷数据、所述功率数据、所述假日信息和所述短期气象数据,生成所述短期原始数据;
根据所述负荷数据、所述功率数据、所述设备老化数据以及所述长期气候数据,生成所述长期原始数据。
可选地,所述根据所述负荷数据、所述功率数据、所述设备老化数据以及所述长期气候数据,生成所述长期原始数据,包括:
根据皮尔逊相关系数公式,分别确定所述设备老化数据和所述长期气候数据与所述历史预测数据的长期相关性系数;
根据所述长期相关性系数,确定设备老化相关数据和长期气候相关数据;
根据所述负荷数据、所述功率数据、所述设备老化相关数据和所述长期气候相关数据,生成所述长期原始数据。
可选地,在所述将所述第一预测结果和所述第二预测结果进行不等权组合,得到短期预测结果之后,在所述将所述短期预测结果和所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果之前,还包括:
将所述短期预测数据和所述短期预测结果输入到均方根公式中,得到预测误差,所述均方根公式如下所示:
;
其中,minE MSE 为所述预测误差,i为第i天,j为第j小时,M为自然数,N为自然数,且24≥N≥0,F ij 为所述短期预测结果,F 0ij 为所述短期预测数据;
根据所述预测误差,生成预测误差报告。
可选地,在将所述短期预测结果和所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果之后,还包括:
获取所述待预测电力系统的结构数据;
根据所述结构数据生成孪生仿真模型;
将所述短期预测结果和所述长期预测结果显示在所述孪生仿真模型中。
第二方面,本发明提供一种电力系统预测装置,包括:
获取模块,用于获取短期原始数据和长期原始数据;
清洗模块,用于清洗所述短期原始数据和所述长期原始数据,分别获得短期预测数据和长期预测数据;
第一预测模块,用于将所述短期预测数据输入到训练好的LSTM模型中,得到第一预测结果;
第二预测模块,用于将所述短期预测数据输入到训练好的ARIMA模型中,得到第二预测结果;
短期预测模块,用于将所述第一预测结果和所述第二预测结果进行不等权组合,得到短期预测结果;
长期预测模块,用于将所述短期预测结果和所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果。
第三方面,本发明提供一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的电力系统预测方法。
本发明的一种电力系统预测方法、装置及存储介质的有益效果是:
通过清洗短期原始数据和长期原始数据,去除了冗余、重复和错误的数据,增加了各个预测模型的计算效率,使得预测数据更加准确和可靠,且减少了数据维度,节省了模型处理数据的时间,因为训练好的LSTM模型具有处理非线性映射数据的独特优势,泛化能力极强,且训练好的ARIMA模型结构简单,训练方便,可捕捉在稳定时间序列下的线性关系,所以,由LSTM模型得到的第一预测结果具有非线性优势,由ARIMA模型中得到的第二预测结果具有线性优势,通过不等权组合,取第一预测结果和第二预测结果的优点部分,摒弃二者的缺点,得到的短期预测结果在线性和非线性方面都很精准;通过将短期预测数据和长期预测数据输入到训练好的TiDE模型中,可以得到长期预测结果,训练好的TiDE模型结构简单,预测能力强大,可捕捉线性和非线性的关系,不需要大量的训练数据,并且以短期预测数据作为长期预测的辅助参考,可以整合短期预测的优势特点来进行长期预测,得到精准的长期预测结果。
附图说明
图1为本发明实施例的一种电力系统预测方法的流程示意图;
图2为本发明实施例的一种电力系统预测装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”;术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
如图1所示,本发明提供一种电力系统预测方法,包括:
步骤S1,获取短期原始数据和长期原始数据;
具体地,本发明提供的电力系统预测方法可以进行短期预测和长期预测,短期以小时为单位,长期以月为单位。短期原始数据包括待预测电力系统近期产生的负荷数据和功率数据,还包括短期预测时间范围内的假日信息和气象数据,因为,在进行短期预测时,预测时间是以小时为单位的,需要充分考虑所有影响因素,才会得到精准的短期预测结果,而假日信息和气象数据会严重影响电力系统短期内的负荷和功率,所以需要将假日信息和气象数据作为输入数据;长期原始数据包括待预测电力系统一个较长期限内产生的功率和负荷,以及设备老化数据和待预测电力系统当地的长期气候数据,在进行以月为单位的长期预测时,假日信息和短期气象数据造成的影响可以忽略不计了,但要考虑电力系统设备长期老化造成的损耗和长期气候数据造成的影响,例如,电力系统发电机的老化程度、运输管线的老化程度、因热带季风气候、亚热带季风气候、温带季风气候、高原山地气候、温带大陆性气候、热带雨林气候等造成负荷影响等等。
步骤S2,清洗所述短期原始数据和所述长期原始数据,分别获得短期预测数据和长期预测数据;
具体地,得到短期原始数据和长期原始数据后,需要对其进行数据清洗和标准化操作,数据清洗和标准化具体包括数据清洗、数据格式化、数据标准化、数据过滤、数据转换、数据聚合、数据去重、数据校验。通过数据清洗和标准化,去除了冗余、重复和错误的数据,使得预测数据更加准确和可靠,且减少了数据维度,节省了模型处理数据的时间,加快了数据分析预测的流程。其中,短期气象数据包括由天气影响的环境温度、湿度、风速、辐照强度以及气压等;假日信息包括假日天数和假日习俗等等;设备老化数据包括各类设备老化程度、运输管线老化程度以及变压器老化程度等等;长期气候数据包括长期气候变化导致的环境温度、湿度、风速、辐照强度以及气压等在不同时域的数值。应该注意的是,具体的短期原始数据和长期原始数据需根据实际需求进行增删减改,本发明仅对各个数据进行示例性说明,不做限定。
步骤S3,将所述短期预测数据输入到训练好的LSTM模型中,得到第一预测结果;
具体地,LSTM模型是一种具有记忆长短期信息能力的神经网络,因为训练好的LSTM模型具有记忆长短期信息能力,能有效缓解因预测数据复杂和过大造成的梯度消失和爆炸问题,还具有处理非线性映射数据的独特优势,泛化能力极强。由训练好的LSTM模型中得到的第一预测结果包括第一功率和第一负荷。LSTM模型核心结构包括遗忘门、记忆门和输出门,时刻记忆单元用于确保所有短期预测数据能被完整无缺的保留下来,并使其能够进行传递;遗忘门用于保留上一次输入数据的有效信息;记忆门用于保留当前输入的短期预测数据中的有效信息,输出门用于输出短期预测结果。各个部分通过权重矩阵、偏置项、sigmoid 激活函数以及tanh函数完成对待预测电力系统的短期预测,得到第一预测结果。
步骤S4,将所述短期预测数据输入到训练好的ARIMA模型中,得到第二预测结果;
具体地,ARIMA模型是一种差分整合移动平均自回归模型,又称整合移动平均自回归模型。由训练好的ARIMA模型中得到的第二预测结果包括第二功率和第二负荷。ARIMA 模型又称自回归求和移动平均模型,首先通过平稳性检验和白噪声检验,采用自相关函数和偏自相关函数筛选出平稳非白噪声序列和不平稳序列,当序列属于不平稳序列,通过适当阶数的差分运算处理成平稳序列再进行数据预测,得到第二预测结果。
步骤S5,将所述第一预测结果和所述第二预测结果进行不等权组合,得到短期预测结果;
具体地,短期预测结果包括功率预测结果和负荷预测结果,由第一预测结果和第二预测结果进行不等权组合得到。将短期预测数据输入到训练好的LSTM模型和ARIMA模型中,再将LSTM模型和ARIMA模型输出的数据进行合理化提取,得到短期预测结果。因为短期预测结果的影响因素较多,且包含大量的线性数据和非线性数据,单一预测模型不能更好地处理繁杂的数据,所以采用训练好的LSTM模型和ARIMA模型同时处理短期预测数据,取LSTM模型可以更好地处理大量非线性数据的优势,结合ARIMA模型在稳定时间序列下捕捉线性关系的能力,实现对短期预测数据地深度分析,可得到精准的短期预测结果。
步骤S6,将所述短期预测结果和所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果。
具体地,长期预测结果包括功率预测结果和负荷预测结果。TiDE模型采用全连接,包含多个多层感知机(MLP),具有结构简单和预测能力强大的优点,可以有效建模外部变量、预测窗口与历史窗口线性和非线性关系,因为对于长期预测而言,长期预测数据变化幅度小,预测结果相对稳定,所以,TiDE模型结构简单以及功能齐全的优点对于长期预测有着极大的优势。此外,将短期预测结果作为输入数据输入到TiDE模型,辅助TiDE模型进行长期预测,可以使TiDE模型获得具有短期预测精度的长期预测结果。
示例性地,短期预测和长期预测的时间可根据实际需求设置,例如,可进行72小时的短期预测和18个月的长期预测,第10天第9小时的短期预测和第二年第3个月的长期预测。
通过清洗短期原始数据和长期原始数据,去除了冗余、重复和错误的数据,增加了各个预测模型的计算效率,使得预测数据更加准确和可靠,且减少了数据维度,节省了模型处理数据的时间,通过将包含假日信息和气象数据的短期预测数据输入到训练好的LSTM模型和ARIMA模型中,可以得到精确到小时的短期预测结果,因为训练好的LSTM模型具有记忆长短期信息能力,能有效缓解因预测数据复杂和过大造成的梯度消失和爆炸问题,还具有处理非线性映射数据的独特优势,泛化能力极强,且训练好的ARIMA模型结构简单,训练方便,可捕捉在稳定时间序列下的线性关系,弥补了LSTM模型的不足,所以,通过不等权组合由LSTM模型和ARIMA模型得到的短期预测结果更加精准;通过将包含设备老化数据和待预测电力系统当地的长期气候数据的长期预测数据输入到训练好的TiDE模型中,可以得到长期预测结果,训练好的TiDE模型采用全连接,只包含多个多层感知机,结构简单,预测能力强大,可捕捉线性和非线性的关系,不需要大量的训练数据,并且以短期预测数据作为长期预测的辅助参考,可以整合短期预测的优势特点来进行长期预测,得到精准的长期预测结果。
在一个实施例中,所述将所述短期预测数据输入到训练好的LSTM模型中,得到第一预测结果,包括:
通过遗忘门处理所述短期预测数据,生成遗忘因子,并获取上一时刻细胞状态;
通过记忆门处理所述短期预测数据,得到记忆数据和临时细胞状态;
将所述遗忘因子、所述上一时刻细胞状态、所述记忆数据和所述临时细胞状态输入到整合公式中,得到所述第一预测结果。
具体地,遗忘门通过遗忘公式得到遗忘因子,遗忘公式如下所示:
;
其中,f t 为遗忘因子,为sigmoid激活函数,W f 为遗忘权重矩阵,b f 为遗忘偏置项,h t-1 为上一时刻隐含层状态,x t 为短期预测数据。
记忆门通过记忆公式得到记忆数据,通过临时公式得到临时细胞状态,记忆公式如下所示:
;
其中,i t 为记忆数据,为sigmoid激活函数,W i 为记忆权重矩阵,b i 为记忆偏置项,h t-1 为上一时刻隐含层状态,x t 为短期预测数据。临时公式如下所示:
;
其中,为临时细胞状态,tanh为tanh函数,W C 为临时权重矩阵,b C 为临时偏置项,h t-1 为上一时刻隐含层状态,x t 为短期预测数据。
将遗忘因子、上一时刻细胞状态、记忆数据和临时细胞状态输入到整合公式,可得到当前细胞状态,即第一预测结果,整合公式如下所示:
;
其中,C t 为当前细胞状态,f t 为遗忘因子,C t-1 为上一时刻细胞状态,i t 为记忆数据,为临时细胞状态。
在一个实施例中,所述将所述第一预测结果和所述第二预测结果进行不等权组合,得到短期预测结果,包括:
将所述第一预测结果和所述第二预测结果输入到不等权公式中,得到所述短期预测结果,所述不等权公式如下所示:
;
其中,F ij 为所述短期预测结果,i为第i天,j为第j小时,α为不等权权重,F 1ij 为所述第一预测结果,F 2ij 为第二预测结果;
具体地,短期预测数据包括各个时间单位的功率预测结果和负荷预测结果,需要对每个时间单位的功率预测结果和负荷预测结果进行不等权组合,可通过调整不等权权重,进而调整第一预测结果和第二预测结果的配比。
在一个实施例中,所述将所述短期预测结果和所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果,包括:
采用所述TiDE模型的特征工程将所述短期预测结果和所述长期预测数据降维,得到低维预测特征;
采用所述TiDE模型的编码器对所述低维预测特征进行编码,得到编码数据;
采用所述TiDE模型的密集解码器将所述编码数据映射到预测窗口,得到预测矩阵;
采用所述TiDE模型的时间解码器解码所述预测矩阵,得到所述长期预测结果。
具体地,TiDE模型包括四个部分,即特征工程(Feature Projection)、编码器(Dense Encoder)、密集解码器(Dense Decoder)以及时间解码器(Temporal Decoder),特征工程将长期预测数据中的设备老化数据和待预测电力系统当地的长期气候数据映射到一个低维向量,使用残差块(Residual Block)实现,用于将长期预测数据中的设备老化数据和待预测电力系统当地的长期气候数据降维,并且提取短期预测结果中的线性和非线性特征,融合成为低维预测特征;编码器将长期预测数据中的负荷数据、功率数据以及低维预测特征拼接到一起,将所有过去和未来的投影协变量堆叠和平面化,将它们与静态属性和时间序列连接起来,并使用多层残差块进行映射,得到编码数据;密集解码器首先使用多个残差块将编码数据映射为矢量参数,对矢量参数进行重塑操作(reshape),得到预测矩阵,预测矩阵的第一列向量对应的是预测窗口的长度,第二列向量为解码器的输出维度,相当于预测窗口每个时刻都得到一个向量;时间解码器将密集解码器的预测矩阵以时间维度拼接到一起,使用一个残差块进行每个时刻的输出结果映射,再通过残差连接网络加入历史序列的直接映射结果,得到最终的长期预测结果。
在一个实施例中,所述获取短期原始数据和长期原始数据,包括:
获取待预测电力系统的负荷数据、功率数据、历史预测数据、短期气象数据、假日信息、设备老化数据以及长期气候数据;
根据所述负荷数据、所述功率数据、所述假日信息和所述短期气象数据,生成所述短期原始数据;
根据所述负荷数据、所述功率数据、所述设备老化数据以及所述长期气候数据,生成所述长期原始数据。
在一个实施例中,所述根据所述负荷数据、所述功率数据、所述设备老化数据以及所述长期气候数据,生成所述长期原始数据,包括:
根据皮尔逊相关系数公式,分别确定所述设备老化数据和所述长期气候数据与所述历史预测数据的长期相关性系数;
根据所述长期相关性系数,确定设备老化相关数据和长期气候相关数据;
根据所述负荷数据、所述功率数据、所述设备老化相关数据和所述长期气候相关数据,生成所述长期原始数据。
具体地,在输入长期预测数据之前,需要根据皮尔逊相关系数公式判断设备老化数据和长期气候数据中的具体因素与长期预测结果的相关性,相关性较低的因素不做预测数据输入到长期预测模型中,可设置相关性阈值衡量相关性高低。其中,历史预测数据为历史的负荷数据和功率数据,也可为本次获得的负荷数据和功率数据。
可选地,所述根据所述负荷数据、所述功率数据、所述假日信息和所述短期气象数据,制作短期原始数据,包括:
根据所述皮尔逊相关系数公式,分别计算所述短期气象数据和所述假日信息分别与所述历史预测数据的短期相关性系数;
根据所述短期相关性系数,确定短期气象相关数据和假日相关数据;
根据所述负荷数据、所述功率数据、所述短期气象相关数据和所述假日相关数据,制作短期原始数据。
在一个实施例中,所述皮尔逊相关系数公式如下所示:
;
其中,r为所述长期相关性系数,n为月份的数量,i为第i个月,x i 为第i个月的历史
预测数据,为所述长期预测结果的平均值,y i 为第i个月的设备老化数据或长期气候数据,为所述设备老化数据或所述长期气候数据的平均值。
示例性地,在输入短期预测数据之前,需要根据皮尔逊相关系数公式判断假日信
息和短期气象数据中的具体因素与短期预测结果的相关性,相关性较低的因素不做预测数
据输入到短期预测模型中。当r为所述短期相关性系数,n为月份的数量,i为第i个月,x i 为
第i个月的历史预测数据,为所述短期预测结果的平均值,y i 为第i个月的假日信息或短期
气象数据,为所述假日信息或所述短期气象数据的平均值。
在一个实施例中,在所述将所述第一预测结果和所述第二预测结果进行不等权组合,得到短期预测结果之后,在所述将所述短期预测结果和所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果之前,还包括:
将所述短期预测数据和所述短期预测结果输入到均方根公式中,得到预测误差,所述均方根公式如下所示:
;
其中,minE MSE 为所述预测误差,i为第i天,j为第j小时,M为自然数,N为自然数,且24≥N≥0,F ij 为所述短期预测结果,F 0ij 为所述短期预测数据;
根据所述预测误差,生成预测误差报告。
具体地,得到短期预测结果后,还可通过均方根公式计算短期预测的预测误差,将短期预测结果与实际数据进行比对,判断短期预测结果是否在误差范围内,也可根据预测误差重新调整不等权权重,直至短期预测结果在误差范围内。示例性地,长期预测结果也可采用均方根公式与实际数据比对,其公式及原理与短期预测结果计算我预测误差相同,在此不再赘述。
在一个实施例中,在将所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果之后,还包括:
获取所述待预测电力系统的结构数据;
根据所述结构数据生成孪生仿真模型;
将所述短期预测结果和所述长期预测结果显示在所述孪生仿真模型中。
具体地,为了使预测结果更加直观形象,可建立待预测电力系统的孪生仿真模型,在仿真模型上可以以一维文字图表、二维语音播报或三维视频显示的方式显示短期预测结果和长期预测结果。其中,结构数据包括待预测电力系统的一次设备和二次设备的参数、位置、连接关系,各个节点之间的距离、通道数,覆盖区域等等。
在一个实施例中,所述TiDE模型由多个残差块构建,所述残差块包括Dense+RLU层、Dense线性层以及Add&Layernorm层。
具体地,TiDE模型由多个残差块构建,多个残差块可构成TiDE模型的各个部分,如特征工程、编码器、密集解码器以及时间解码器,残差块的网络结构为Dense+RLU层、Dense线性层以及Add&Layernorm层。
如图2所示,本发明一个实施例提供了一种电力系统预测装置,包括:
获取模块,用于获取短期原始数据和长期原始数据;
清洗模块,用于清洗所述短期原始数据和所述长期原始数据,分别获得短期预测数据和长期预测数据;
第一预测模块,用于将所述短期预测数据输入到训练好的LSTM模型中,得到第一预测结果;
第二预测模块,用于将所述短期预测数据输入到训练好的ARIMA模型中,得到第二预测结果;
短期预测模块,用于将所述第一预测结果和所述第二预测结果进行不等权组合,得到短期预测结果;
长期预测模块,用于将所述短期预测结果和所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果。
本发明又一实施例提供一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的电力系统预测方法。
虽然本发明披露如上,但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种电力系统预测方法,其特征在于,包括:
获取短期原始数据和长期原始数据;
清洗所述短期原始数据和所述长期原始数据,分别获得短期预测数据和长期预测数据;
将所述短期预测数据输入到训练好的LSTM模型中,得到第一预测结果;
将所述短期预测数据输入到训练好的ARIMA模型中,得到第二预测结果;
将所述第一预测结果和所述第二预测结果进行不等权组合,得到短期预测结果;
将所述短期预测结果和所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果。
2.根据权利要求1所述的电力系统预测方法,其特征在于,所述将所述短期预测数据输入到训练好的LSTM模型中,得到第一预测结果,包括:
通过遗忘门处理所述短期预测数据,生成遗忘因子,并获取上一时刻细胞状态;
通过记忆门处理所述短期预测数据,得到记忆数据和临时细胞状态;
将所述遗忘因子、所述上一时刻细胞状态、所述记忆数据和所述临时细胞状态输入到整合公式中,得到所述第一预测结果。
3.根据权利要求1所述的电力系统预测方法,其特征在于,所述将所述第一预测结果和所述第二预测结果进行不等权组合,得到短期预测结果,包括:
将所述第一预测结果和所述第二预测结果输入到不等权公式中,得到所述短期预测结果,所述不等权公式如下所示:
;
其中,F ij 为所述短期预测结果,i为第i天,j为第j小时,α为不等权权重,F 1ij 为所述第一预测结果,F 2ij 为所述第二预测结果。
4.根据权利要求1所述的电力系统预测方法,其特征在于,所述将所述短期预测结果和所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果,包括:
采用所述TiDE模型的特征工程将所述短期预测结果和所述长期预测数据降维,得到低维预测特征;
采用所述TiDE模型的编码器对所述低维预测特征进行编码,得到编码数据;
采用所述TiDE模型的密集解码器将所述编码数据映射到预测窗口,得到预测矩阵;
采用所述TiDE模型的时间解码器解码所述预测矩阵,得到所述长期预测结果。
5.根据权利要求1所述的电力系统预测方法,其特征在于,所述获取短期原始数据和长期原始数据,包括:
获取待预测电力系统的负荷数据、功率数据、历史预测数据、短期气象数据、假日信息、设备老化数据以及长期气候数据;
根据所述负荷数据、所述功率数据、所述假日信息和所述短期气象数据,生成所述短期原始数据;
根据所述负荷数据、所述功率数据、所述设备老化数据以及所述长期气候数据,生成所述长期原始数据。
6.根据权利要求5所述的电力系统预测方法,其特征在于,所述根据所述负荷数据、所述功率数据、所述设备老化数据以及所述长期气候数据,生成所述长期原始数据,包括:
根据皮尔逊相关系数公式,分别确定所述设备老化数据和所述长期气候数据与所述历史预测数据的长期相关性系数;
根据所述长期相关性系数,确定设备老化相关数据和长期气候相关数据;
根据所述负荷数据、所述功率数据、所述设备老化相关数据和所述长期气候相关数据,生成所述长期原始数据。
7.根据权利要求1所述的电力系统预测方法,其特征在于,在所述将所述第一预测结果和所述第二预测结果进行不等权组合,得到短期预测结果之后,在所述将所述短期预测结果和所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果之前,还包括:
将所述短期预测数据和所述短期预测结果输入到均方根公式中,得到预测误差,所述均方根公式如下所示:
;
其中,minE MSE 为所述预测误差,i为第i天,j为第j小时,M为自然数,N为自然数,且24≥N≥0,F ij 为所述短期预测结果,F 0ij 为所述短期预测数据;
根据所述预测误差,生成预测误差报告。
8.根据权利要求5所述的电力系统预测方法,其特征在于,在将所述短期预测结果和所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果之后,还包括:
获取所述待预测电力系统的结构数据;
根据所述结构数据生成孪生仿真模型;
将所述短期预测结果和所述长期预测结果显示在所述孪生仿真模型中。
9.一种电力系统预测装置,其特征在于,包括:
获取模块,用于获取短期原始数据和长期原始数据;
清洗模块,用于清洗所述短期原始数据和所述长期原始数据,分别获得短期预测数据和长期预测数据;
第一预测模块,用于将所述短期预测数据输入到训练好的LSTM模型中,得到第一预测结果;
第二预测模块,用于将所述短期预测数据输入到训练好的ARIMA模型中,得到第二预测结果;
短期预测模块,用于将所述第一预测结果和所述第二预测结果进行不等权组合,得到短期预测结果;
长期预测模块,用于将所述短期预测结果和所述长期预测数据输入到训练好的TiDE模型中,得到长期预测结果。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1至8任一项所述的电力系统预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310873955.7A CN116596169A (zh) | 2023-07-17 | 2023-07-17 | 一种电力系统预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310873955.7A CN116596169A (zh) | 2023-07-17 | 2023-07-17 | 一种电力系统预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596169A true CN116596169A (zh) | 2023-08-15 |
Family
ID=87601308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310873955.7A Pending CN116596169A (zh) | 2023-07-17 | 2023-07-17 | 一种电力系统预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596169A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117335411A (zh) * | 2023-10-27 | 2024-01-02 | 深圳南控新能源有限公司 | 一种光伏电站群的中长期发电量预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739614A (zh) * | 2009-12-08 | 2010-06-16 | 江苏省邮电规划设计院有限责任公司 | 层级组合预测通信业务的方法 |
CN113657657A (zh) * | 2021-08-10 | 2021-11-16 | 国网安徽省电力有限公司电力科学研究院 | 一种基于人工智能算法的电力系统负荷预测方法和系统 |
CN116187203A (zh) * | 2023-04-20 | 2023-05-30 | 武汉大学 | 一种流域水质预测方法、系统、电子设备及存储介质 |
-
2023
- 2023-07-17 CN CN202310873955.7A patent/CN116596169A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739614A (zh) * | 2009-12-08 | 2010-06-16 | 江苏省邮电规划设计院有限责任公司 | 层级组合预测通信业务的方法 |
CN113657657A (zh) * | 2021-08-10 | 2021-11-16 | 国网安徽省电力有限公司电力科学研究院 | 一种基于人工智能算法的电力系统负荷预测方法和系统 |
CN116187203A (zh) * | 2023-04-20 | 2023-05-30 | 武汉大学 | 一种流域水质预测方法、系统、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
ABHIMANYU DAS: "Long-term Forecasting with TiDE: Time-series Dense Encoder", pages 1 - 18 * |
王鑫: "基于ARIMA-LSTM模型的综合能源系统负荷与风光资源预测", 《西安建筑科技大学学报》, vol. 54, no. 5, pages 763 - 769 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117335411A (zh) * | 2023-10-27 | 2024-01-02 | 深圳南控新能源有限公司 | 一种光伏电站群的中长期发电量预测方法 |
CN117335411B (zh) * | 2023-10-27 | 2024-05-24 | 深圳南控新能源有限公司 | 一种光伏电站群的中长期发电量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115237896B (zh) | 一种基于深度学习预报空气质量的数据前处理方法及系统 | |
CN114998673A (zh) | 一种基于本地自注意力机制的大坝缺陷时序图像描述方法 | |
CN113807222B (zh) | 基于稀疏采样进行端到端训练的视频问答方法与系统 | |
CN116596169A (zh) | 一种电力系统预测方法、装置及存储介质 | |
CN114707688A (zh) | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 | |
CN113762338B (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
CN114445634A (zh) | 一种基于深度学习模型的海浪波高预测方法及系统 | |
CN112330951A (zh) | 一种基于生成对抗网络实现路网交通数据修复的方法 | |
CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
CN114510513A (zh) | 用于光伏功率超短期预测的短临气象预报数据处理方法 | |
CN111141879B (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
CN114692993A (zh) | 融合季节ARIMA和BiLSTM的水利设施形变预测方法 | |
US20230368500A1 (en) | Time-series image description method for dam defects based on local self-attention | |
CN115859816A (zh) | 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 | |
CN113361803A (zh) | 基于生成对抗网络的超短期光伏功率预测方法 | |
CN114817773A (zh) | 一种基于多级分解和融合的时序预测系统及方法 | |
CN117371543A (zh) | 一种基于时序扩散概率模型的增强软测量方法 | |
CN116151459A (zh) | 基于改进Transformer的电网防汛风险概率预测方法和系统 | |
CN111505706B (zh) | 基于深度T-Net网络的微地震P波初至拾取方法及装置 | |
CN116931129A (zh) | 基于多模式集合的短期降水预报方法、装置、设备及介质 | |
CN116739168A (zh) | 一种基于灰色理论与编解码器的径流量预测方法 | |
CN115980885A (zh) | 基于集合预报的降水预报偏差校正方法 | |
CN116612393A (zh) | 一种太阳辐射预测方法、系统、电子设备及存储介质 | |
CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230815 |