CN116663746A - 一种电力负荷预测方法、装置、计算机设备及存储介质 - Google Patents
一种电力负荷预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116663746A CN116663746A CN202310792182.XA CN202310792182A CN116663746A CN 116663746 A CN116663746 A CN 116663746A CN 202310792182 A CN202310792182 A CN 202310792182A CN 116663746 A CN116663746 A CN 116663746A
- Authority
- CN
- China
- Prior art keywords
- load
- error
- data
- prediction result
- prediction
- 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 63
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 46
- 230000015654 memory Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及数据预测领域,公开了一种电力负荷预测方法、装置、计算机设备及存储介质,该方法包括:获取负荷历史数据和与负荷预测结果相关的影响因素历史数据;将负荷历史数据输入到预先训练好的负荷预测模型,得到负荷初始预测结果;获取实际负荷数据,并计算负荷初始预测结果和实际负荷数据的差值,得到误差数据;基于预先训练好的误差预测模型,对误差数据进行集合经验模态分解,得到误差预测结果;计算负荷初始预测结果和误差预测结果的相加结果,得到最终负荷预测结果,本发明利用负荷预测模型和误差预测模型进行负荷预测,根据误差预测结果修正负荷初始预测结果,从而提高负荷预测结果的准确性。
Description
技术领域
本发明涉及数据预测技术领域,具体涉及一种电力负荷预测方法、装置、计算机设备及存储介质。
背景技术
随着电力行业的不断发展,电力负荷预测对电力系统运行的重要性逐渐提高。电力负荷预测成为经济调度、储能管理及电厂维护的基础,电力负荷预测结果的准确性直接影响到电力系统的运行性能,预测值偏大会导致电力生产过量,造成能源浪费,预测值偏小会导致电力生产不足,影响人们生活。
在现有技术中,通常采用回归分析法、时间序列法以及指数平滑法等方法预测电力负荷,回归分析法通过建立反映因果关系的数据模型进行预测,时间序列法通过对历史负荷数据进行曲线拟合和参数估计,建立数学模型,指数平滑法通过指数加权组合来实现。这些方法虽然可以表达自变量和因变量的关系,但在处理非平稳时间序列特征时,该方法的预测性能较差。
发明内容
有鉴于此,本发明提供了一种电力负荷预测方法、装置、计算机设备及存储介质,以解决对电力负荷进行精准预测的问题。
第一方面,本发明提供了一种电力负荷预测方法,该方法包括:
获取负荷历史数据和与负荷预测结果相关的影响因素历史数据;
将所述负荷历史数据输入到预先训练好的负荷预测模型,得到负荷初始预测结果,所述负荷预测模型为利用LSTNeT网络以预设历史时段内的负荷历史数据和影响因素历史数据为数据集训练的模型;
获取实际负荷数据,并计算所述负荷初始预测结果和所述实际负荷数据的差值,得到误差数据;
基于预先训练好的误差预测模型,对所述误差数据进行集合经验模态分解,得到误差预测结果,所述误差预测模型为利用LSTNeT网络以预设历史时段内对应的历史误差数据为数据集训练的模型;
计算所述负荷初始预测结果和所述误差预测结果的相加结果,得到最终负荷预测结果。
本发明通过利用负荷预测模型得到负荷初始预测结果,以根据负荷历史数据初步预测负荷数据,基于误差预测模型,以及实际负荷和负荷初始预测结果之间的差值误差数据进行集合经验模态分解,得到误差预测结果,以得到未来预设时段内的误差预测结果,利用负荷预测模型和差预测模型进行负荷预测,以在非平稳时间序列特征,依然可以进行预测,根据误差预测结果修正负荷初始预测结果,从而提高负荷预测结果的准确性。
在一种可选的实施方式中,所述基于预先训练好的误差预测模型,对所述误差数据进行集合经验模态分解,得到误差预测结果,包括:
对所述误差数据进行集合经验模态分解,得到误差序列;
将误差序列输入至预先训练好的误差预测模型中,得到误差预测结果。
本发明利用对误差数据进行集合经验模态分解,以分解出误差数据对应的误差序列,从而利用误差预测模型,对误差预测结果进行预测,从而利用误差数据对误差预测结果进行预测。
在一种可选的实施方式中,所述对所述误差数据进行集合经验模态分解,得到误差序列,包括:
在所述误差数据中加入噪声信号,得到噪声误差信号;
对所述噪声误差信号进行经验模态分解,得到各阶内涵模态分量和其余分量;
计算各阶内涵模态分量的均值,并将剔除高频分量处理后的内涵模态分量和其余分量叠加的结果确定为误差序列。
本发明通过在误差数据中加入噪声信号,以使得对加入噪声的噪声误差信号进行分析时,便于对各分量进行分离,对内涵模态分量进行高频剔除处理,以减少高频分量对预测结果造成的影响,从而提高预测结果的准确性。
在一种可选的实施方式中,按照如下公式在所述误差数据中加入噪声信号,得到噪声误差信号:
Ei′(t)=E(t)+ωi(),i=1,2,...,N(1)
其中,Ei′(t)为噪声误差信号,N为总体平均次数,E(t)为误差数据,ω(t)为具有正态分布的噪声信号,i表示第i次添加噪声。
在一种可选的实施方式中,按照如下公式对所述噪声误差信号进行经验模态分解,得到各阶内涵模态分量和其余分量:
其中,Ei′(t)为噪声误差信号,j表示第j个内涵模态分量,J表示经验模态分解得到的内涵模态分量总数,cij(t)为第i次添加噪声后对噪声误差信号进行经验模态分解得到的第j个内涵模态分量,ri(t)为第i次添加噪声后对噪声误差信号进行经验模态分解得到的其余分量。
在一种可选的实施方式中,在获取负荷历史数据和与负荷预测结果相关的影响因素历史数据之后,所述方法还包括:
利用孤立森林异常检测算法对所述负荷历史数据和影响因素历史数据进行异常检测,并删除异常值。
本发明通过孤立森林异常检测算法进行异常检测,以减少异常值对预测结果的影响。
在一种可选的实施方式中,所述方法还包括:
对删除异常值处理后的负荷历史数据和影响因素历史数据进行归一化处理。
本发明对删除异常值处理后的数据进行归一化处理,以便于对数据进行处理,提高数据处理效率。
第二方面,本发明提供了一种电力负荷预测装置,该装置包括:
获取模块,用于获取负荷历史数据和与负荷预测结果相关的影响因素历史数据;
第一得到模块,用于将所述负荷历史数据输入到预先训练好的负荷预测模型,得到负荷初始预测结果,所述负荷预测模型为利用LSTNeT网络以预设历史时段内的负荷历史数据和影响因素历史数据为数据集训练的模型;
第二得到模块,用于获取实际负荷数据,并计算所述负荷初始预测结果和所述实际负荷数据的差值,得到误差数据;
第三得到模块,用于基于预先训练好的误差预测模型,对所述误差数据进行集合经验模态分解,得到误差预测结果,所述误差预测模型为利用LSTNeT网络以预设历史时段内对应的历史误差数据为数据集训练的模型;
第四得到模块,用于计算所述负荷初始预测结果和所述误差预测结果的相加结果,得到最终负荷预测结果。
第三方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的电力负荷预测方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的电力负荷预测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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1是根据本发明实施例的电力负荷预测方法的流程示意图;
图2是根据本发明实施例的LSTNet网络模型的结构示意图;
图3是根据本发明实施例的整个电力负荷预测的数据处理流示意图;
图4是根据本发明实施例的另一电力负荷预测方法的流程示意图;
图5是根据本发明实施例的又一电力负荷预测方法的流程示意图;
图6是根据本发明实施例的异常值处理结果示意图;
图7是根据本发明实施例的误差曲线示意图;
图8是根据本发明实施例的误差序列分解结果示意图;
图9是根据本发明实施例的预测结果对比示意图;
图10是根据本发明实施例的电力负荷预测装置的结构框图;
图11是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
在电力系统中,按照电力负荷预测的时长不同,电力负荷预测可分为长期负荷预测、中期负荷预测、短期负荷预测及超短期负荷预测。其中,超短期负荷预测是估计和预测未来一天内负荷值,主要用于电力系统的实时调度和检修维护等,已成为各供电系统不可或缺的部分,对其精度的要求越来越高。
随着人工智能的发展,负荷预测方法越来越多,主要包括支持向量机法、模糊逻辑法和神经网络法。支持向量机法具有很强的泛化能力,但缺乏处理不确定性的能力。模糊逻辑法可以很好地处理负载变化的不确定性,但严重依赖于专家经验。近年来,神经网络法在负荷预测中得到了广泛应用。它具有很强的非线性映射能力。实践证明,神经网络模型具有较高的精度。
由于电力负荷数据是时间序列数据,因此电力负荷预测应被视为一个时间系列建模问题。相比传统循环神经网络,长短期记忆(Long Short-Term Memory,LSTM)网络因具备特殊的记忆能力和门结构,能够兼顾负荷数据的时序性和非线性,可以更好地学习负荷的长期序列信息。因此,LSTM网络在预测未来负荷需求方面具有更高的准确性。最近提出的长短期时间序列(Long and short term time series Network,LSTNet)网络,可以很好地学习多变量之间的相关性,并提取数据中高度非线性的长短期特征和线性特征。
随着智能电网的持续发展,仅靠神经网络算法的预测精度并不满足负荷预测的要求。电力负荷具有随机性、波动性等不确定性特征且受到温度、湿度、日期类型及季节等各种环境因素的影响。随着负荷数据的不断变化,已训练好的预测模型精度也在下降,因此,模型的预测结果不可避免地存在误差。
根据本发明实施例,提供了一种电力负荷预测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种电力负荷预测方法,可用于移动终端,图1是根据本发明实施例的电力负荷预测方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取负荷历史数据和与负荷预测结果相关的影响因素历史数据。
在本发明实施例中,负荷历史数据为过去某时段内的负荷数据,与负荷预测结果密切相关的因素包括电力负荷的自身特性、气象因素、日期类型因素及季节因素。
通过Pearson等相关性分析方法,选取温度、湿度、相对气压、风速、降水量、辐射强度、节假日及季节作为影响因素。
步骤S102,将负荷历史数据输入到预先训练好的负荷预测模型,得到负荷初始预测结果,负荷预测模型为利用LSTNeT网络以预设历史时段内的负荷历史数据和影响因素历史数据为数据集训练的模型。
在本发明实施例中,利用LSTNeT网络,以过去24小时内的负荷历史数据和影响因素历史数据作为训练数据集,对负荷预测模型进行训练。
将过去24小时内的负荷历史数据输入到负荷预测模型M1中,得到未来4小时的负荷初始预测数据t=1,2,…,16,时间步长为15分钟。将预测数据均匀分为若干区间,每个区间的长度即为时间步长。
具体地,LSTNet模型由非线性部分和线性部分组成,如图2所示,非线性部分由CNN卷积层、RNN循环层、循环跳过层组成,线性部分由自回归线性组件构成。该模型同时利用了CNN和RNN的优势,CNN可以提取电力负荷数据之间的短期局部依赖关系,RNN和循环跳过层可以捕获长期依赖关系,并基于电力负载的周期性简化优化过程。最后,加入传统的自回归线性模型,使非线性深度学习模型对电力负荷时间序列具有更强的鲁棒性,通过叠加非线性部分和线性部分的结果得到预测结果。
步骤S103,获取实际负荷数据,并计算负荷初始预测结果和实际负荷数据的差值,得到误差数据。
在本发明实施例中,获取实际负荷数据,可以通过获取特定时段内用电量的峰值和谷值,计算峰值和谷值之间的平均用电量,将平均用电量乘以时段长度,得到该时段的电力负荷数据,还可以通过其他方式获取实际负荷数据,此处不作限定。计算负荷预测模型M1输出的负荷初始预测结果P1和实际负荷数据的差值,得到误差数据E(t)。
步骤S104,基于预先训练好的误差预测模型,对误差数据进行集合经验模态分解,得到误差预测结果,误差预测模型为利用LSTNeT网络以预设历史时段内对应的历史误差数据为数据集训练的模型。
在本发明实施例中,利用LSTNeT网络,以过去24小时内实际负荷数据和负荷初始预测结果之间的差值对应的历史误差数据作为训练数据集,对误差预测模型进行训练。对误差数据进行EEMD分解(Ensemble Empirical Mode Decomposition,集合经验模态分解),得到未来4小时的误差预测结果t=1,2,…,16。
步骤S105,计算负荷初始预测结果和误差预测结果的相加结果,得到最终负荷预测结果。
在本发明实施例中,如图3所示,将负荷初始预测结果和误差预测结果/>进行叠加得到最终负荷预测结果/>即/>t=1,2,…,16。
本实施例提供的电力负荷预测方法,通过利用负荷预测模型得到负荷初始预测结果,以根据负荷历史数据初步预测负荷数据,基于误差预测模型,以及实际负荷和负荷初始预测结果之间的差值误差数据进行集合经验模态分解,得到误差预测结果,以得到未来预设时段内的误差预测结果,利用负荷预测模型和差预测模型进行负荷预测,以在非平稳时间序列特征,依然可以进行预测,根据误差预测结果修正负荷初始预测结果,从而提高负荷预测结果的准确性。
在本实施例中提供了一种电力负荷预测方法,可用于上述的移动终端,图3是根据本发明实施例的电力负荷预测方法的流程图,如图4所示,该流程包括如下步骤:
步骤S401,获取负荷历史数据和与负荷预测结果相关的影响因素历史数据。
详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S402,将负荷历史数据输入到预先训练好的负荷预测模型,得到负荷初始预测结果。
详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S403,获取实际负荷数据,并计算负荷初始预测结果和实际负荷数据的差值,得到误差数据。
详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S404,基于预先训练好的误差预测模型,对误差数据进行集合经验模态分解,得到误差预测结果。
具体地,上述步骤S404包括:
步骤S4041,对误差数据进行集合经验模态分解,得到误差序列。
步骤S4042,将误差序列输入至预先训练好的误差预测模型中,得到误差预测结果。
在本发明实施例中,集合经验模态分解是基于经验模态分解的不足,提出的噪声辅助数据分析的分解方法,当附加的白噪声均匀分布在整个时频空间时,该时频空间就由滤波器分割成的不同尺度成分组成。
对误差数据进行EEMD分解,得到各个误差子序列,剔除高频子序列,将剩下的子序列进行叠加得到误差序列E*(t),将过去24小时内的历史误差序列输入到误差预测模型中,饿到未来4小时的误差预测结果,步长为15分钟。
利用对误差数据进行集合经验模态分解,以分解出误差数据对应的误差序列,从而利用误差预测模型,对误差预测结果进行预测,从而利用误差数据对误差预测结果进行预测。
具体地,上述步骤S4041包括:
步骤S40411,在误差数据中加入噪声信号,得到噪声误差信号。
步骤S40412,对噪声误差信号进行经验模态分解,得到各阶内涵模态分量和其余分量。
步骤S40413,计算各阶内涵模态分量的均值,并将剔除高频分量处理后的内涵模态分量和其余分量叠加的结果确定为误差序列。
在本发明实施例中,首先设定总体平均次数N,将具有正态分布的噪声信号ω(t)加入到误差数据E(t)中,得到新信号,即噪声误差信号Ei′(t)。其中,误差数据包括原始相似日历史数据,相似日即为和预测日在季节、环境、气象等方面相似度较高的时间。
具体地,按照如下公式在误差数据中加入噪声信号,得到噪声误差信号:
Ei′(t)=E(t)+ωi(t),i=1,2,...,N (1)
其中,Ei′(t)为噪声误差信号,N为总体平均次数,E(t)为误差数据,ω(t)为具有正态分布的噪声信号,i表示第i次添加噪声。
对噪声误差信号进行EMD分解,得到各阶内涵模态分量cij(t)和分解后的其余分量rij(t)。
具体地,按照如下公式对噪声误差信号进行经验模态分解,得到各阶内涵模态分量和其余分量:
其中,Ei′(t)为噪声误差信号,j表示第j个内涵模态分量,J表示经验模态分解得到的内涵模态分量总数,cij(t)为第i次添加噪声后对噪声误差信号进行经验模态分解得到的第j个内涵模态分量,ri(t)为第i次添加噪声后对噪声误差信号进行经验模态分解得到的其余分量。
重复步骤S40411和步骤S40412,每次加入强度相同、序列不等的白噪声。
利用白噪声频谱的均值为零,按照如下公式将上述各阶内涵模态分量求均值,得到最终的内涵模态分量cj(t):
将高频内涵模态分量剔除,叠加其余分量得到滤波后的误差序列E*(t)。
步骤S405,计算负荷初始预测结果和误差预测结果的相加结果,得到最终负荷预测结果。
详细请参见图1所示实施例的步骤S105,在此不再赘述。
本实施例提供的电力负荷预测方法,通过在误差数据中加入噪声信号,以使得对加入噪声的噪声误差信号进行分析时,便于对各分量进行分离,对内涵模态分量进行高频剔除处理,以减少高频分量对预测结果造成的影响,从而提高预测结果的准确性。
在本实施例中提供了一种电力负荷预测方法,可用于上述的移动终端,如手机、平板电脑等,图5是根据本发明实施例的电力负荷预测方法的流程图,如图5所示,该流程还包括如下步骤:
步骤S501,获取负荷历史数据和与负荷预测结果相关的影响因素历史数据。
详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S502,利用孤立森林异常检测算法对负荷历史数据和影响因素历史数据进行异常检测,并删除异常值。
在本发明实施例中,为了减少异常值对负荷预测结果的影响,因此,对负荷历史数据和影响因素历史数据进行异常检测。孤立森林异常检测算法是一种基于决策树的算法,从给定的特征集合中随机选择特征,在特征的最大值和最小值间随机选择一个分割值,来隔离离群值,以使得异常数据点在决策树中生成的路径更短,以检测出异常值,并将异常值删除。
通过孤立森林异常检测算法进行异常检测,以减少异常值对预测结果的影响。
步骤S503,对删除异常值处理后的负荷历史数据和影响因素历史数据进行归一化处理。
在本发明实施例中,为了便于对负荷历史数据和影响因素历史数据进行处理,将负荷历史数据和影响因素历史数据进行归一化处理,将归一化处理后的数据限定在[0,1]或[-1,1])中。对删除异常值处理后的数据进行归一化处理,以便于对数据进行处理,提高数据处理效率。
步骤S504,将负荷历史数据输入到预先训练好的负荷预测模型,得到负荷初始预测结果。
详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S505,获取实际负荷数据,并计算负荷初始预测结果和实际负荷数据的差值,得到误差数据。
详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S506,基于预先训练好的误差预测模型,对误差数据进行集合经验模态分解,得到误差预测结果。
详细请参见图1所示实施例的步骤S104,在此不再赘述。
步骤S507,计算负荷初始预测结果和误差预测结果的相加结果,得到最终负荷预测结果。
详细请参见图1所示实施例的步骤S105,在此不再赘述。
需要说明的是,以平均绝对误差MAE和均方根误差RMSE作为误差评价指标,MAE表示预测值偏离实际值的平均值,RMSE表示预测值偏离真实值的误差平方的开平方值。
按照如下公式计算MAE和RMSE:
其中,n表示预测数据点数,yi表示第i个预测点的归一化实际负荷值,yi′表示第i个预测点的归一化模型预测负荷值。
以第一预设时间段到第二预设时间段内的电力负荷、温度、湿度、相对气压、风速、降水量、辐射强度、节假日、季节的历史数据为例,对该数据进行归一化,并采用孤立森林异常检测算法对数据进行异常检测,减少异常数据对负荷预测的影响,如图6所示,图6为负荷数据随时间变化的示意图。
将处理后的数据分为两组数据集,数据集D1为第一预设时间段,以2022年4月20日至2022年9月30日为例,数据集D2为第二预设时间段,以2022年10月1日至2023年1月31日为例,将2023年2月的数据用于负荷预测测试,此处的日期仅为示例。
将数据集D1中的60%划分为训练集,20%为验证集,20%为测试集,输入至LSTNet网络训练,得到负荷预测模型M1。负荷预测模型M1的输入是过去24小时的负荷历史数据和影响因素历史数据,输出是未来4小时的负荷初始预测结果。测试结果的评价指标如表1所示。
表1
将数据集D2作为负荷预测模型M1的输入,得到负荷初始预测结果P1,计算负荷初始预测结果P1和实际负荷的差值,即误差数据E(t),并进行归一化处理,如图7所示。对误差数据E(t)进行EEMD分解得到子序列E1-E7,如图8所示,剔除前6条高频噪声后,将子序列E7作为滤波后的误差序列E*(t)。
将历史误差数据作为误差预测模型Me的训练数据集,将误差序列E*(t)输入到误差预测模型Me中,得到误差预测结果。
以2023年2月1日至2023年2月28日一个月的数据为例,基于本方案进行预测,将仅采用LSTNeT方法的预测结果进行比较,评价指标如表2所示。
表2
由表2可知,与仅使用LSTNet模型预测相比,误差修正后的测试集预测结果精度更高,在MAE上提升了34.98%,在RMSE上提升了31.28%,两者预测结果如图9所示。
在本实施例中还提供了一种电力负荷预测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种电力负荷预测装置,如图10所示,包括:
获取模块1001,用于获取负荷历史数据和与负荷预测结果相关的影响因素历史数据。
第一得到模块1002,用于将负荷历史数据输入到预先训练好的负荷预测模型,得到负荷初始预测结果,负荷预测模型为利用LSTNeT网络以预设历史时段内的负荷历史数据和影响因素历史数据为数据集训练的模型。
第二得到模块1003,用于获取实际负荷数据,并计算负荷初始预测结果和实际负荷数据的差值,得到误差数据。
第三得到模块1004,用于基于预先训练好的误差预测模型,对误差数据进行集合经验模态分解,得到误差预测结果,误差预测模型为利用LSTNeT网络以预设历史时段内对应的历史误差数据为数据集训练的模型。
第四得到模块1005,用于计算负荷初始预测结果和误差预测结果的相加结果,得到最终负荷预测结果。
在一些可选的实施方式中,第三得到模块1004包括:
第一得到单元,用于对误差数据进行集合经验模态分解,得到误差序列。
第二得到单元,用于将误差序列输入至预先训练好的误差预测模型中,得到误差预测结果。
在一些可选的实施方式中,第一得到单元包括:
第一得到子单元,用于在误差数据中加入噪声信号,得到噪声误差信号。
第二得到子单元,用于对噪声误差信号进行经验模态分解,得到各阶内涵模态分量和其余分量。
确定子单元,用于计算各阶内涵模态分量的均值,并将剔除高频分量处理后的内涵模态分量和其余分量叠加的结果确定为误差序列。
在一些可选的实施方式中,该装置还包括:
删除模块,用于利用孤立森林异常检测算法对负荷历史数据和影响因素历史数据进行异常检测,并删除异常值。
在一些可选的实施方式中,该装置还包括:
归一化处理模块,用于对删除异常值处理后的负荷历史数据和影响因素历史数据进行归一化处理。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例中的电力负荷预测装置是以功能单元的形式来呈现,这里的单元是指ASIC(Application Specific Integrated Circuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备,具有上述图10所示的电力负荷预测装置。
请参阅图11,图11是本发明可选实施例提供的一种计算机设备的结构示意图,如图11所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图11中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,存储器20存储有可由至少一个处理器10执行的指令,以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括输入装置30和输出装置40。处理器10、存储器20、输入装置30和输出装置40可以通过总线或者其他方式连接,图11中以通过总线连接为例。输入装置30可接收输入的数字或字符信息,输出装置40可以包括显示设备等。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种电力负荷预测方法,其特征在于,所述方法包括:
获取负荷历史数据和与负荷预测结果相关的影响因素历史数据;
将所述负荷历史数据输入到预先训练好的负荷预测模型,得到负荷初始预测结果,所述负荷预测模型为利用LSTNeT网络以预设历史时段内的负荷历史数据和影响因素历史数据为数据集训练的模型;
获取实际负荷数据,并计算所述负荷初始预测结果和所述实际负荷数据的差值,得到误差数据;
基于预先训练好的误差预测模型,对所述误差数据进行集合经验模态分解,得到误差预测结果,所述误差预测模型为利用LSTNeT网络以预设历史时段内对应的历史误差数据为数据集训练的模型;
计算所述负荷初始预测结果和所述误差预测结果的相加结果,得到最终负荷预测结果。
2.根据权利要求1所述的方法,其特征在于,所述基于预先训练好的误差预测模型,对所述误差数据进行集合经验模态分解,得到误差预测结果,包括:
对所述误差数据进行集合经验模态分解,得到误差序列;
将误差序列输入至预先训练好的误差预测模型中,得到误差预测结果。
3.根据权利要求2所述的方法,其特征在于,所述对所述误差数据进行集合经验模态分解,得到误差序列,包括:
在所述误差数据中加入噪声信号,得到噪声误差信号;
对所述噪声误差信号进行经验模态分解,得到各阶内涵模态分量和其余分量;
计算各阶内涵模态分量的均值,并将剔除高频分量处理后的内涵模态分量和其余分量叠加的结果确定为误差序列。
4.根据权利要求3所述的方法,其特征在于,按照如下公式在所述误差数据中加入噪声信号,得到噪声误差信号:
Ei′(t)=E(t)+ωi(),i=1,2,..,N(1)
其中,Ei′(t)为噪声误差信号,N为总体平均次数,E(t)为误差数据,ω(t)为具有正态分布的噪声信号,i表示第i次添加噪声。
5.根据权利要求3所述的方法,其特征在于,按照如下公式对所述噪声误差信号进行经验模态分解,得到各阶内涵模态分量和其余分量:
其中,Ei′(t)为噪声误差信号,j表示第j个内涵模态分量,J表示经验模态分解得到的内涵模态分量总数,cij(t)为第i次添加噪声后对噪声误差信号进行经验模态分解得到的第j个内涵模态分量,ri(t)为第i次添加噪声后对噪声误差信号进行经验模态分解得到的其余分量。
6.根据权利要求1所述的方法,其特征在于,在获取负荷历史数据和与负荷预测结果相关的影响因素历史数据之后,所述方法还包括:
利用孤立森林异常检测算法对所述负荷历史数据和影响因素历史数据进行异常检测,并删除异常值。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
对删除异常值处理后的负荷历史数据和影响因素历史数据进行归一化处理。
8.一种电力负荷预测装置,其特征在于,所述装置包括:
获取模块,用于获取负荷历史数据和与负荷预测结果相关的影响因素历史数据;
第一得到模块,用于将所述负荷历史数据输入到预先训练好的负荷预测模型,得到负荷初始预测结果,所述负荷预测模型为利用LSTNeT网络以预设历史时段内的负荷历史数据和影响因素历史数据为数据集训练的模型;
第二得到模块,用于获取实际负荷数据,并计算所述负荷初始预测结果和所述实际负荷数据的差值,得到误差数据;
第三得到模块,用于基于预先训练好的误差预测模型,对所述误差数据进行集合经验模态分解,得到误差预测结果,所述误差预测模型为利用LSTNeT网络以预设历史时段内对应的历史误差数据为数据集训练的模型;
第四得到模块,用于计算所述负荷初始预测结果和所述误差预测结果的相加结果,得到最终负荷预测结果。
9.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至7中任一项所述的电力负荷预测方法。
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上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至7中任一项所述的电力负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310792182.XA CN116663746A (zh) | 2023-06-29 | 2023-06-29 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310792182.XA CN116663746A (zh) | 2023-06-29 | 2023-06-29 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116663746A true CN116663746A (zh) | 2023-08-29 |
Family
ID=87711892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310792182.XA Pending CN116663746A (zh) | 2023-06-29 | 2023-06-29 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116663746A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117009716A (zh) * | 2023-09-27 | 2023-11-07 | 长江三峡集团实业发展(北京)有限公司 | 气象预报数据误差计算模型构建和气象预报数据修正方法 |
CN117932345A (zh) * | 2024-03-08 | 2024-04-26 | 深圳国瑞协创储能技术有限公司 | 电力负荷数据预测模型组训练方法、装置、设备及介质 |
-
2023
- 2023-06-29 CN CN202310792182.XA patent/CN116663746A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117009716A (zh) * | 2023-09-27 | 2023-11-07 | 长江三峡集团实业发展(北京)有限公司 | 气象预报数据误差计算模型构建和气象预报数据修正方法 |
CN117932345A (zh) * | 2024-03-08 | 2024-04-26 | 深圳国瑞协创储能技术有限公司 | 电力负荷数据预测模型组训练方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
CN111950805B (zh) | 中长期电力负荷预测方法、装置、计算机设备及存储介质 | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及系统 | |
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 | |
CN117934247B (zh) | 基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN117314492A (zh) | 销量预测方法、装置、计算机设备及存储介质 | |
CN117113159A (zh) | 基于深度学习的电力用户侧负荷分类方法及系统 | |
CN116665798A (zh) | 一种空气污染趋势预警方法及相关装置 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN114139803A (zh) | 一种风电场站短期功率的预测方法、系统、设备和介质 | |
CN117596191A (zh) | 一种电力物联网异常检测方法、装置及存储介质 | |
CN117391257A (zh) | 一种道路拥堵情况的预测方法及装置 | |
CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
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 | |
CN113449933B (zh) | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 | |
CN114239945B (zh) | 短期电力负荷预测方法、装置、设备及存储介质 | |
CN115392567A (zh) | 一种电力负荷预测方法、电子设备、装置及可读存储介质 | |
CN113780644A (zh) | 一种基于在线学习的光伏出力预测方法 | |
CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN110659442A (zh) | 系统及其数据短期预测方法和装置、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 |