CN116632841A - 融合多时序特征的配电台区短期用电负荷预测方法及系统 - Google Patents
融合多时序特征的配电台区短期用电负荷预测方法及系统 Download PDFInfo
- Publication number
- CN116632841A CN116632841A CN202310919037.3A CN202310919037A CN116632841A CN 116632841 A CN116632841 A CN 116632841A CN 202310919037 A CN202310919037 A CN 202310919037A CN 116632841 A CN116632841 A CN 116632841A
- Authority
- CN
- China
- Prior art keywords
- short
- time sequence
- term
- load
- weather
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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 Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Power Engineering (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力大数据领域，提供了一种融合多时序特征的配电台区短期用电负荷预测方法及系统。其中，为了解决采用深度学习模型进行预测由于会出现过拟合现象而降低预测精度的问题，融合多时序特征的配电台区短期用电负荷预测方法包括获取配电台区历史用电负荷、气象以及时间信息；利用预先训练好的短期用电负荷预测模型处理电台区历史用电负荷、气象以及时间信息，得到短期用电负荷预测值；其中，所述短期用电负荷预测模型包括若干串联连接的子模型；每个子模型的结构相同，均包括输入层、多时序特征模型、深度残差网络层和输出层，其能够提高负荷预测精度。
Description
技术领域
本发明属于电力大数据领域，尤其涉及一种融合多时序特征的配电台区短期用电负荷预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
短期用电负荷预测是指以小时、日、周为单位的用电负荷预测。相较于中长期用电负荷预测来说，短期用电负荷预测在电力调度、需求响应、现货交易等场景中具有重要指导意义。随着新型电力系统建设，配电台区成为居民供电和新能源上网消纳的重要网格化单位。因此，配电台区短期负荷预测在电力系统安全稳定运行方面具有不可或缺的地位。
现有的区域级的负荷预测，一般采用粗粒度的负荷特征提取方法。但是，对于台区这种网格化单位来说，负荷的时序变化随机性较强；而且传统统计学偏向历史经验进行预测，无法充分捕捉负荷非线性、随机性等特点，对未知的负荷预测能力较弱。另外，即使采用深度学习模型进行预测，但是现有的深度学习模型包含深网络层级，这样使得在利用历史用电数据样本来训练深度学习模型时会出现过拟合现象，从而降低了预测精度。
发明内容
为了解决配电台区短期用电负荷预测问题，本发明提出了一种融合多时序特征的配电台区短期用电负荷预测方法及系统，其能够提高负荷预测精度。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种融合多时序特征的配电台区短期用电负荷预测方法。
一种融合多时序特征的配电台区短期用电负荷预测方法，其包括：
获取配电台区历史用电负荷、气象以及时间信息；
利用预先训练好的短期用电负荷预测模型处理电台区历史用电负荷、气象以及时间信息，得到短期用电负荷预测值；
其中，所述短期用电负荷预测模型包括若干串联连接的子模型；每个子模型的结构相同，均包括输入层、多时序特征模型、深度残差网络层和输出层；
所述输入层用于整合所接收到的信息并向量化；输入层接收到的信息包括配电台区历史用电负荷、气象、时间信息及上一个子模型的输出信息；
所述多时序特征模型用于从整合的向量中提取用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征；
所述深度残差网络层用于组合多时序特征模型输出的特征，基于短期用电负荷预测值与实际短期用电负荷值的残差来调整并学习各个残差块的权重；
所述输出层用于输出短期用电负荷预测值。
作为一种实施方式，所述深度残差网络层由若干残差块连接构成，每个残差块用于组合用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征，形成组合特征，再根据组合特征与短期用电负荷预测值之间的关系，得到短期用电负荷预测值。
作为一种实施方式，所述多时序特征模型还用于：从整合的向量中提取用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征之前，还包括对整合的向量进行预处理操作，所述预处理操作包括：
识别用电负荷数据中的异常值，采用最近邻方法替换异常值。
作为一种实施方式，所述预处理操作还包括：
基于相关性，筛选出与短期负荷的相关性超过预定阈值的气象特征。
作为一种实施方式，所述周期时序特征包括季节和工作日/周末。
作为一种实施方式，所述特殊时序特征包括特殊节假日。
本发明的第二个方面提供一种融合多时序特征的配电台区短期用电负荷预测系统。
一种融合多时序特征的配电台区短期用电负荷预测系统，其包括：
信息获取模块，其用于获取配电台区历史用电负荷、气象以及时间信息；
负荷预测模块，其用于利用预先训练好的短期用电负荷预测模型处理电台区历史用电负荷、气象以及时间信息，得到短期用电负荷预测值；
其中，所述短期用电负荷预测模型包括若干串联连接的子模型；每个子模型的结构相同，均包括输入层、多时序特征模型、深度残差网络层和输出层；
所述输入层用于整合所接收到的信息并向量化；输入层接收到的信息包括配电台区历史用电负荷、气象、时间信息及上一个子模型的输出信息；
所述多时序特征模型用于从整合的向量中提取用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征；
所述深度残差网络层用于组合多时序特征模型输出的特征，基于短期用电负荷预测值与实际短期用电负荷值的残差来调整并学习各个残差块的权重；
所述输出层用于输出短期用电负荷预测值。
作为一种实施方式，所述深度残差网络层由若干残差块连接构成，每个残差块用于组合用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征，形成组合特征，再根据组合特征与短期用电负荷预测值之间的关系，得到短期用电负荷预测值。
与现有技术相比，本发明的有益效果是：
本发明的融合多时序特征的配电台区短期用电负荷预测方法，综合考虑用电负荷、气象以及时间信息，利用短期用电负荷预测模型中的多时序特征模型提取出用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征，再利用深度残差网络层组合多时序特征模型输出的特征，根据短期用电负荷预测值与实际短期用电负荷值的残差来调整并学习各个残差块的权重，解决了消除深层次网络带来的过拟合问题，最终提高了负荷预测精度。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的多时序特征模型图；
图2是本发明实施例的深度残差网络结构图；
图3是本发明实施例的台区短期用电负荷预测模型网络结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供了一种融合多时序特征的配电台区短期用电负荷预测方法，解决配电台区短期用电负荷预测问题，进一步提高负荷预测精度。区别于已有方法，本发明综合考虑历史负荷、天气、工作日/节假日等因素，充分挖掘负荷和天气信息中的长短期、周期性和特殊性等时序特征，建立多时序特征模型。采用深度残差网络作为基本结构，用于消除深层次网络带来的过拟合问题，提出配电台区短期用电负荷预测模型。
实施例一
本实施例提供了一种融合多时序特征的配电台区短期用电负荷预测方法，其包括：
步骤1：获取配电台区历史用电负荷、气象以及时间信息；
步骤2：利用预先训练好的短期用电负荷预测模型处理电台区历史用电负荷、气象以及时间信息，得到短期用电负荷预测值。
其中，所述短期用电负荷预测模型包括若干串联连接的子模型；每个子模型的结构相同，均包括输入层、多时序特征模型、深度残差网络层和输出层；
所述输入层用于整合所接收到的信息并向量化；输入层接收到的信息包括配电台区历史用电负荷、气象、时间信息及上一个子模型的输出信息；
所述多时序特征模型用于从整合的向量中提取用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征；
所述深度残差网络层用于组合多时序特征模型输出的特征，基于短期用电负荷预测值与实际短期用电负荷值的残差来调整并学习各个残差块的权重；
所述输出层用于输出短期用电负荷预测值。
其中，输入层由几个完全连接的神经网络层处理。多时序特征模型与深度残差网络输出为未来24小时负荷。在输出层，本实施例采用全连接层+MC dropout层，进一步增强其学习泛化能力。
在具体实施过程中，所述多时序特征模型还用于：从整合的向量中提取用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征之前，还包括对整合的向量进行预处理操作，所述预处理操作包括：
识别用电负荷数据中的异常值，采用最近邻方法替换异常值。
由于电力负荷数据具有时间连续性，且在非故障时刻往往不会存在短时间内的数值跃变，故本实施例基于线性插值法，考虑时间上的相关性补全缺失数据。
本实施例采用箱线图方法识别负荷数据中的异常值，然后，采用最近邻方法将异常值填补。
为了方便后续网络进行训练和预测，本实施例对每个特征输入进行最大最小归一化处理：
其中，表示第n个特征输入的数据，/>表示经归一化处理后的特征输入数据。
在一些实施例中，所述预处理操作还包括：
基于相关性，筛选出与短期负荷的相关性超过预定阈值的气象特征。
采用负荷采样点同时刻的温度、湿度、降水、气压、风速5种天气因素数据，计算出斯皮尔曼相关系数。其绝对值越大，则此种天气数据与短期负荷的相关性越强。根据计算结果，可以选择出相关性较强的气象数据。
考虑到台区用电负荷的长短期时序特点，本实施例进一步挖掘月、星期、日、小时属性作为其时序特征，并按照该时序特征提取相关性较强的历史用电负荷和气象数据作为预测模型输入，如表1所示。
表1 多时序特征挖掘
以预测某台区次日h时的台区用电负荷为例，h时前24小时的用电负荷和气象、前七天h时的用电负荷和气象、前四周h时的用电负荷和气象分别为：
为前六个月h时的用电负荷和气象，其计算方式与上述类似。
此外，本实施例考虑季节、工作日/周末、特殊节假日，帮助模型捕捉负载时间序列的周期性和非常规时间特征，如表1所示。季节考虑春、夏、秋、冬四个季节，分别以数值1、2、3、4表示。工作日/周末以二进制数值表示，数值0表示周末，数值1表示工作日。特殊节假日以已知节假日信息为准，以二进制数值表示，数值0表示节假日，数值1表示非节假日。
本实施例通过挖掘负荷的长短期、周期性和特殊性时序特征，搭建次日某时台区用电负荷预测模型结构，如图1所示。
在具体实施过程中，所述深度残差网络层由若干残差块连接构成，每个残差块用于组合用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征，形成组合特征，再根据组合特征与短期用电负荷预测值之间的关系，得到短期用电负荷预测值。
如图2所示，不同于一般的卷积神经网络，深度残差网络由一系列残差块构成。每个残差块通过学习拟合上一层网络输出的残差。
其中，x表示每个残差块的输入，H(x)表示每个残差块的输出。表示残差块的权重参数。F()表示残差映射函数。
如图3所示，深度残差网络由多个残差块连接构成。以K个残差块连接为例，深度残差网络结构的前向传播可以表示为：
其中，和/>分别是深度残差网络的输入和输出。/>表示第/>个残差块的输入，/>表示第/>个残差块的权重参数。K为残差块的个数。
整个深度残差网络的损失反向传播可以表示为：
其中，是深度残差网络的损失函数。“1”表示网络输出处的梯度可以直接反向传播到网络的输入，可以有效防止梯度消失和网络退化问题。
以预测某台区次日h时的台区用电负荷为例，本实施例综合次日24小时负荷预测之间的时序关联性建立配电台区短期用电负荷预测模型。即对于h>1，需考虑次日h时前的预测输出。本实施例将次日h时前的预测网络依次连接，作为h时预测模型的输入，如图3所示。这样可以通过模型梯度向后传播来表征次日24小时负荷预测之间的时序关联性，使得模型在给定其余时间的输入和预测值的情况下调整次日每个小时的预测值。
选取山东省某市某台区用电负荷和当地气象数据作为原始数据集。该数据集的构成为一个三维数组，即一维时间向量和相对应的一维负荷数据向量、一维温度数据向量。负荷和温度数据分辨率为一小时。数据集时间范围为2019年1月1日0时至2022年3月5日23时，共计1160天（即27840小时）。其中，前84天用于模型训练时历史负荷和气象采样。同时，选取931天数据作为训练集，145天数据作为测试集，用于验证模型的负荷预测效果。
模型输入层采用一层（128个神经元）全连接网络搭建。多时序特征模型每个输入、隐藏、输出层分别由一层（20个神经元）、三层（每层20个神经元）、一层（24个神经元）全连接网络构成。深度残差层模型输入大小为24，每个残差块包含20个隐藏节点。所有神经元使用缩放指数线性单元（SeLU）作为激活函数。模型使用Adam优化器进行训练。实验硬件配置为Intel Core i7-10700 CPU+8GB内存，软件配置为Python 3.6+Keras 2.1.6+Tensorflow 1.5.0。
采用支持向量机（SVR）、随机森林（RF）、XGBoost、卷积神经网络（CNN）、GRU、LSTM、CNN+LSTM作为对比算法。其中，SVR、RF、XGBoost的输入特征采用滑动窗口统计特征及天气信息。CNN、GRU、LSTM、CNN+LSTM输入特征采用本实施例的特征构造方法。针对以上算法，分别进行交叉试验搜寻其最优参数。为了评估模型预测效果，本实施例分别采用平均绝对误差（Mean Absolute Error, MAE）和均方根误差（Root Mean Squared Error, RMSE）作为负荷预测精度的评价指标，其计算公式如下：
其中，N为训练/测试样本大小，与/>分别表示某时刻电力负荷的预测值与实际值。MAE与RMSE分别可以反映预测的绝对误差平均值与标准偏差。两者值越小，表明模型的预测性能越好。
为了验证所提模型的预测性能，本实施例分别从次日24点、未来七天24点两个时间尺度开展验证，预测性能分别如附录中表2和表3所示。
表2展示了不同模型在2022年3月1日～5日的台区用电负荷预测性能。为了更泛化地表征预测误差性能，本实施例采用简单平均的方法来计算预测性能指标。从预测平均绝对误差角度分析，本实施例所提方法的预测误差相较于其他6种方法分别降低了55.91%、47.71%、45.43%、38.48%、29.28%、13.07%、8.18%。从预测均方根误差角度分析，本实施例所提方法相较于其他6中方法分别降低了52.40%、56.05%、42.66%、45.70%、25.76%、12.22%、5.73%。可以发现，本实施例所提模型相较于其他模型具有更好的预测性能。
表2 2022年3月1日~5日期间次日24点预测结果
表3展示了不同模型在2021年11月、2021年12月、2022年1月、2022年2月（随机抽取7天）台区用电24点负荷的预测性能。从预测平均绝对误差角度分析，本实施例所提方法的预测误差相较于其他6种方法分别降低了48.45%、40.09%、34.32%、34.60%、28.36%、11.42%、10.62%。从预测均方根误差角度分析，本实施例所提方法相较于其他6中方法分别降低了49.70%、56.03%、43.12%、42.45%、28.54%、5.84%、2.02%。可以发现，本实施例所提模型相较于其他模型具有更好的预测性能。
表3 2021年11月、12月及2022年1月、2月期间随机未来七天24点预测结果
实施例二
本实施例提供了一种融合多时序特征的配电台区短期用电负荷预测系统，其包括：
信息获取模块，其用于获取配电台区历史用电负荷、气象以及时间信息；
负荷预测模块，其用于利用预先训练好的短期用电负荷预测模型处理电台区历史用电负荷、气象以及时间信息，得到短期用电负荷预测值；
其中，所述短期用电负荷预测模型包括若干串联连接的子模型；每个子模型的结构相同，均包括输入层、多时序特征模型、深度残差网络层和输出层；
所述输入层用于整合所接收到的信息并向量化；输入层接收到的信息包括配电台区历史用电负荷、气象、时间信息及上一个子模型的输出信息；
所述多时序特征模型用于从整合的向量中提取用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征；
所述深度残差网络层用于组合多时序特征模型输出的特征，基于短期用电负荷预测值与实际短期用电负荷值的残差来调整并学习各个残差块的权重；
所述输出层用于输出短期用电负荷预测值。
其中，所述深度残差网络层由若干残差块连接构成，每个残差块用于组合用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征，形成组合特征，再根据组合特征与短期用电负荷预测值之间的关系，得到短期用电负荷预测值。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的融合多时序特征的配电台区短期用电负荷预测方法中的步骤。
实施例四
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的融合多时序特征的配电台区短期用电负荷预测方法中的步骤。
本发明是参照本发明实施例的方法、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。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种融合多时序特征的配电台区短期用电负荷预测方法，其特征在于，包括：
获取配电台区历史用电负荷、气象以及时间信息；
利用预先训练好的短期用电负荷预测模型处理电台区历史用电负荷、气象以及时间信息，得到短期用电负荷预测值；
其中，所述短期用电负荷预测模型包括若干串联连接的子模型；每个子模型的结构相同，均包括输入层、多时序特征模型、深度残差网络层和输出层；
所述输入层用于整合所接收到的信息并向量化；输入层接收到的信息包括配电台区历史用电负荷、气象、时间信息及上一个子模型的输出信息；
所述多时序特征模型用于从整合的向量中提取用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征；
所述深度残差网络层用于组合多时序特征模型输出的特征，基于短期用电负荷预测值与实际短期用电负荷值的残差来调整并学习各个残差块的权重；
所述输出层用于输出短期用电负荷预测值。
2.如权利要求1所述的融合多时序特征的配电台区短期用电负荷预测方法，其特征在于，所述深度残差网络层由若干残差块连接构成，每个残差块用于组合用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征，形成组合特征，再根据组合特征与短期用电负荷预测值之间的关系，得到短期用电负荷预测值。
3.如权利要求1或2所述的融合多时序特征的配电台区短期用电负荷预测方法，其特征在于，所述多时序特征模型还用于：从整合的向量中提取用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征之前，还包括对整合的向量进行预处理操作，所述预处理操作包括：
识别用电负荷数据中的异常值，采用最近邻方法替换异常值。
4.如权利要求3所述的融合多时序特征的配电台区短期用电负荷预测方法，其特征在于，所述预处理操作还包括：
基于相关性，筛选出与短期负荷的相关性超过预定阈值的气象特征。
5.如权利要求1所述的融合多时序特征的配电台区短期用电负荷预测方法，其特征在于，所述周期时序特征包括季节和工作日/周末。
6.如权利要求1所述的融合多时序特征的配电台区短期用电负荷预测方法，其特征在于，所述特殊时序特征包括特殊节假日。
7.一种融合多时序特征的配电台区短期用电负荷预测系统，其特征在于，包括：
信息获取模块，其用于获取配电台区历史用电负荷、气象以及时间信息；
负荷预测模块，其用于利用预先训练好的短期用电负荷预测模型处理电台区历史用电负荷、气象以及时间信息，得到短期用电负荷预测值；
其中，所述短期用电负荷预测模型包括若干串联连接的子模型；每个子模型的结构相同，均包括输入层、多时序特征模型、深度残差网络层和输出层；
所述输入层用于整合所接收到的信息并向量化；输入层接收到的信息包括配电台区历史用电负荷、气象、时间信息及上一个子模型的输出信息；
所述多时序特征模型用于从整合的向量中提取用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征；
所述深度残差网络层用于组合多时序特征模型输出的特征，基于短期用电负荷预测值与实际短期用电负荷值的残差来调整并学习各个残差块的权重；
所述输出层用于输出短期用电负荷预测值。
8.如权利要求7所述的融合多时序特征的配电台区短期用电负荷预测系统，其特征在于，所述深度残差网络层由若干残差块连接构成，每个残差块用于组合用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征，形成组合特征，再根据组合特征与短期用电负荷预测值之间的关系，得到短期用电负荷预测值。
9.如权利要求7或8所述的融合多时序特征的配电台区短期用电负荷预测系统，其特征在于，所述多时序特征模型还用于：从整合的向量中提取用电负荷长短期时序特征、气象长短期时序特征、周期时序特征和特殊时序特征之前，还包括对整合的向量进行预处理操作，所述预处理操作包括：
识别用电负荷数据中的异常值，采用最近邻方法替换异常值。
10.如权利要求9所述的融合多时序特征的配电台区短期用电负荷预测系统，其特征在于，所述预处理操作还包括：
基于相关性，筛选出与短期负荷的相关性超过预定阈值的气象特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310919037.3A CN116632841A (zh) | 2023-07-26 | 2023-07-26 | 融合多时序特征的配电台区短期用电负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310919037.3A CN116632841A (zh) | 2023-07-26 | 2023-07-26 | 融合多时序特征的配电台区短期用电负荷预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116632841A true CN116632841A (zh) | 2023-08-22 |
Family
ID=87613836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310919037.3A Pending CN116632841A (zh) | 2023-07-26 | 2023-07-26 | 融合多时序特征的配电台区短期用电负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116632841A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118395384A (zh) * | 2024-06-21 | 2024-07-26 | 湖南慧明谦数字能源技术有限公司 | 一种多维分解与智能融合的电力负荷预测方法及相关设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190312457A1 (en) * | 2016-11-29 | 2019-10-10 | Peak Power Inc. | System and method for dynamic energy storage system control |
| CN112288140A (zh) * | 2020-10-12 | 2021-01-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 |
| CN113505923A (zh) * | 2021-07-08 | 2021-10-15 | 广西大学 | 一种地区电网短期负荷预测方法及系统 |
| US20220108181A1 (en) * | 2020-10-07 | 2022-04-07 | Oracle International Corporation | Anomaly detection on sequential log data using a residual neural network |
| CN116432860A (zh) * | 2023-04-25 | 2023-07-14 | 浙江工商大学 | 一种基于ewt-tcn的短期电力负荷预测方法、系统及介质 |
-
2023
- 2023-07-26 CN CN202310919037.3A patent/CN116632841A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190312457A1 (en) * | 2016-11-29 | 2019-10-10 | Peak Power Inc. | System and method for dynamic energy storage system control |
| US20220108181A1 (en) * | 2020-10-07 | 2022-04-07 | Oracle International Corporation | Anomaly detection on sequential log data using a residual neural network |
| CN112288140A (zh) * | 2020-10-12 | 2021-01-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 |
| CN113505923A (zh) * | 2021-07-08 | 2021-10-15 | 广西大学 | 一种地区电网短期负荷预测方法及系统 |
| CN116432860A (zh) * | 2023-04-25 | 2023-07-14 | 浙江工商大学 | 一种基于ewt-tcn的短期电力负荷预测方法、系统及介质 |
Non-Patent Citations (3)
| Title |
|---|
| 张丹: "Python数据分析", 30 June 2020, 中国铁道出版社, pages: 182 - 187 * |
| 田霞: "统计学入门 离真实世界更近的91个统计思维", 30 September 2022, 中国纺织出版社, pages: 62 - 65 * |
| 米霖: "R语言数据可视化实战", 30 November 2020, 机械工业出版社, pages: 23 - 26 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118395384A (zh) * | 2024-06-21 | 2024-07-26 | 湖南慧明谦数字能源技术有限公司 | 一种多维分解与智能融合的电力负荷预测方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110556820B (zh) | 用于确定能量系统操作场景的方法和设备 | |
| CN112215442B (zh) | 电力系统短期负荷预测方法、系统、设备及介质 | |
| CN111539841A (zh) | 电量预测方法、装置、设备及可读存储介质 | |
| Wang et al. | Deep learning based irradiance mapping model for solar PV power forecasting using sky image | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN114169416B (zh) | 一种基于迁移学习的小样本集下短期负荷预测方法 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
| CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
| CN116632841A (zh) | 融合多时序特征的配电台区短期用电负荷预测方法及系统 | |
| Zhang et al. | Forecasting of electricity prices using deep learning networks | |
| CN116523148A (zh) | 一种配电网配变重过载预警方法、装置和设备 | |
| Wang et al. | Service price forecasting of urban charging infrastructure by using deep stacked CNN-BiGRU network | |
| CN116757465A (zh) | 一种基于双训练权重分配模型的线路风险评估方法及装置 | |
| CN115375014A (zh) | 一种源荷组合概率预测方法、装置及存储介质 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
| Bellagarda et al. | Effectiveness of neural networks and transfer learning to forecast photovoltaic power production | |
| Hou et al. | A hybrid machine learning forecasting model for photovoltaic power | |
| Ibrahim et al. | LSTM neural network model for ultra-short-term distribution zone substation peak demand prediction | |
| CN116562398B (zh) | 电力负荷预测模型训练方法、预测方法、电子设备和介质 | |
| Zhang | Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors | |
| CN117350336A (zh) | 充电负荷预测及模型训练方法、装置、设备及存储介质 | |
| Liu et al. | Forecasting of wind velocity: An improved SVM algorithm combined with simulated annealing | |
| CN112348236A (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 |
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 |