CN116663863B - 一种基于排产计划的虚拟电厂负荷预测方法 - Google Patents

一种基于排产计划的虚拟电厂负荷预测方法 Download PDF

Info

Publication number
CN116663863B
CN116663863B CN202310934806.7A CN202310934806A CN116663863B CN 116663863 B CN116663863 B CN 116663863B CN 202310934806 A CN202310934806 A CN 202310934806A CN 116663863 B CN116663863 B CN 116663863B
Authority
CN
China
Prior art keywords
time
load power
data
period
power data
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.)
Active
Application number
CN202310934806.7A
Other languages
English (en)
Other versions
CN116663863A (zh
Inventor
申光鹏
袁玉宝
王丽奎
常生强
张奎仲
张向平
杜晓刚
刘晓琳
王宁
杜涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shijiazhuang Kelin Yunneng Information Technology Co ltd
Shijiazhuang Kelin Electric Co Ltd
Original Assignee
Shijiazhuang Kelin Yunneng Information Technology Co ltd
Shijiazhuang Kelin Electric Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shijiazhuang Kelin Yunneng Information Technology Co ltd, Shijiazhuang Kelin Electric Co Ltd filed Critical Shijiazhuang Kelin Yunneng Information Technology Co ltd
Priority to CN202310934806.7A priority Critical patent/CN116663863B/zh
Publication of CN116663863A publication Critical patent/CN116663863A/zh
Application granted granted Critical
Publication of CN116663863B publication Critical patent/CN116663863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于排产计划的虚拟电厂负荷预测方法，涉及电力电网技术领域。本发明在确定训练样本后，基于训练样本的输入点数，以及预设的网络调度函数确定LSTM网络模块的训练数量，并对LSTM网络模块串并联排布，增加了神经网络模型中LSTM网络模块的数量，避免了LSTM网络模块的数据堆积，减小每个LSTM网络模块的网络训练强度，使神经网络模型可以学习到排产数据的多样特征，避免数据重叠遗漏，提高DTLSTM网络模型的预测准确率，从而提高负荷功率预测的准确率。

Description

一种基于排产计划的虚拟电厂负荷预测方法
技术领域
本发明涉及电力电网技术领域，尤其涉及一种基于排产计划的虚拟电厂负荷预测方法。
背景技术
虚拟电厂是一种通过先进信息通信技术和软件系统实现储能系统、可控负荷与光伏等资源的聚合和协调优化，且以一种特殊电厂参与电力市场和电网运行的电源协调管理系统。
电力系统要实现安全、稳定运行，就需要维持发电、输电和用电各个环节的实时动态平衡。通过对虚拟电厂内工业园区内的电能进行统一调节和分配，可以实现源网储荷的合理利用，进而参与电力市场和辅助服务市场运行，利于电能保持动态平衡。
工业园区内的工业负荷是虚拟电厂中电力负荷的重要组成部分。准确预测工业负荷对于虚拟电厂内电能动态平衡较为重要。但是相关技术中一般考虑气象条件、季节变化等因素的负荷预测方法不适用于工业负荷预测。因此，如何实现工业负荷预测亟待解决。
发明内容
本发明提供了一种基于排产计划的虚拟电厂负荷预测方法，能够实现工业虚拟电厂内工业负荷的准确预测，提高工业负荷预测的准确度。
第一方面，本发明提供了一种基于排产计划的虚拟电厂负荷预测方法，该方法包括：确定训练样本，以及训练样本的输入点数；训练样本包括虚拟电厂中各工业用户在历史时期内任一时段的排产数据和任一时段的负荷功率数据；基于输入点数，以及预设的网络调度函数，确定LSTM网络模块的训练数量，其中，LSTM网络模块用于预测负荷功率数据；对训练数量的LSTM网络模块串并联排布，获得待训练神经网络模型；基于训练样本，对待训练神经网络模型进行迭代训练，得到训练好的DTLSTM网络模型；其中，DTLSTM网络模型输入排产数据输出预测的负荷功率数据。
在一种可能的实现方式中，基于训练样本，对待训练神经网络模型进行迭代训练，得到训练好的DTLSTM之后，还包括：获取所述虚拟电厂中各工业用户在预设时段的排产计划，并基于预设时段的排产计划，以及训练好的DTLSTM网络模型，预测得到所述虚拟电厂中各工业用户在预设时段的负荷功率数据。
在一种可能的实现方式中，基于预设时段的排产计划，以及训练好的DTLSTM网络模型，预测得到预设时段的负荷功率数据之后，还包括：基于预设时段之前多个时段的毛刺数据，确定预设时段的毛刺数据；基于预设时段的毛刺数据，以及预设时段的负荷功率数据，确定预设时段的工业负荷数据。
在一种可能的实现方式中，确定训练样本，包括：获取所述虚拟电厂中各工业用户在历史时期内各生产线的生产任务列表，以及历史负荷功率数据；基于生产任务列表，确定历史时期内各生产线的工时信息，并基于历史时期内各生产线的工时信息，确定历史时期内多个时段的排产数据；识别历史负荷功率数据中的毛刺，并进行去除和修复，得到历史时期内多个时段的负荷功率数据；基于多个时段中任一时段的排产数据，以及任一时段的负荷功率数据，确定训练样本。
在一种可能的实现方式中，生产任务列表包括任务种类、任务工时和任务重要程度；基于生产任务列表，确定历史时期内各生产线的工时信息，并基于历史时期内各生产线的工时信息，确定历史时期内多个时段的排产数据，包括：遍历各生产线的生产任务列表，基于任务种类和任务工时，得到各生产线中各种任务的工时；基于各种任务的任务重要程度，确定各种任务的加权系数，其中，加权系数与任务重要程度呈正相关；基于各生产线中各种任务的工时，以及各种任务的加权系数，进行加权求和，得到各生产线的工时信息，工时信息包括工时总和；基于历史时期内各时段每条生产线的工时总和，进行聚类分析，得到历史时期内多个时段的排产数据。
在一种可能的实现方式中，识别历史负荷功率数据中的毛刺，并进行去除修复，得到历史时期内多个时段的负荷功率数据，包括：基于历史负荷功率数据，进行时间划分，得到多个时间颗粒的负荷功率数据； 对多个时间颗粒中的每个时间颗粒的负荷功率数据进行积分运算，得到多个时间颗粒的负荷功率值；基于多个时间颗粒的负荷功率值，进行均值运算和比较分析，确定多个时间颗粒中存在毛刺的时间颗粒；在历史负荷功率数据中，去除存在毛刺的时间颗粒的负荷功率数据，并进行修复，得到修复后的多个时间颗粒的负荷功率数据；基于修复后的多个时间颗粒的负荷功率数据，确定历史时期内多个时段的负荷功率数据，其中，每个时段包括多个时间颗粒。
在一种可能的实现方式中，基于修复后的多个时间颗粒的负荷功率数据，确定历史时期内多个时段的负荷功率数据之前，还包括：遍历修复后的多个时间颗粒的负荷功率数据，基于每个时间颗粒的负荷功率值，确定修复后的多个时间颗粒中存在异常点的时间颗粒；对存在异常点的时间颗粒的负荷功率数据进行修复，得到修复后的多个时间颗粒的负荷功率数据。
在一种可能的实现方式中，对存在异常点的时间颗粒的负荷功率数据进行修复，得到修复后的多个时间颗粒的负荷功率数据，包括：获取历史时期内多个时段中目标时间颗粒的负荷功率值；其中，目标时间颗粒所在时段与目标时间颗粒的对应关系，与存在异常点的时间颗粒所在时段与存在异常点的时间颗粒的对应关系相同；基于历史时期内多个时段中目标时间颗粒的负荷功率值，确定目标时间颗粒对应的质心；以目标时间颗粒对应的质心，替换存在异常点的时间颗粒的负荷功率值，以对存在异常点的时间颗粒的负荷功率数据进行修复。
在一种可能的实现方式中，预设的网络调度函数设置有第一阈值和第二阈值；基于输入点数，以及预设的网络调度函数，确定LSTM网络模块的训练数量，包括：将输入点数输入到预设的网络调度函数，比较输入点数和第一阈值、第二阈值之间的大小关系；若输入点数小于等于第一阈值，则确定训练数量为第一值；若输入点数大于第一阈值且小于等于第二阈值，则确定训练数量为第二值；若输入点数大于第二阈值，则确定训练数量为第三值；其中，第一阈值小于第二阈值，第一值小于第二值，第二值小于第三值。
在一种可能的实现方式中，LSTM网络模块中遗忘门的激活函数为：
；
其中，为激活函数，/>为LSTM网络模块的输入值，/>为缓释系数，1＜/>＜2。
第二方面，本发明实施例提供了一种基于排产计划的虚拟电厂负荷预测装置，该负荷预测装置包括通信模块和处理模块，通信模块，用于确定训练样本，以及训练样本的输入点数；训练样本包括虚拟电厂中各工业用户在历史时期内任一时段的排产数据和所述任一时段的负荷功率数据；处理模块，用于基于输入点数，以及预设的网络调度函数，确定LSTM网络模块的训练数量，其中，LSTM网络模块用于预测负荷功率数据；对训练数量的LSTM网络模块串并联排布，获得待训练神经网络模型；基于训练样本，对待训练神经网络模型进行迭代训练，得到训练好的DTLSTM网络模型；其中，DTLSTM网络模型输入排产数据输出预测的负荷功率数据。
第三方面，本发明实施例提供了一种电子设备，该电子设备包括存储器和处理器，该存储器存储有计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序执行如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种基于排产计划的虚拟电厂负荷预测方法，本发明在确定训练样本后，基于训练样本的输入点数，以及预设的网络调度函数确定LSTM网络模块的训练数量，并对LSTM网络模块串并联排布，增加了神经网络模型中LSTM网络模块的数量，避免了LSTM网络模块的数据堆积，减小每个LSTM网络模块的网络训练强度，使神经网络模型可以学习到排产数据的多样特征，避免数据重叠遗漏，提高DTLSTM网络模型的预测准确率，从而提高负荷功率预测的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于排产计划的虚拟电厂负荷预测方法的流程示意图；
图2是本发明实施例提供的一种DTLSTM网络模型的结构示意图；
图3是本发明实施例提供的一种LSTM网络模块的结构示意图；
图4是本发明实施例提供的一种改进后激活函数的曲线示意图；
图5是本发明实施例提供的一种基于排产计划的虚拟电厂负荷预测装置的结构示意图；
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
在本发明的描述中，除非另有说明，“/”表示“或”的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。此外，“至少一个”“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念，便于理解。
此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选的还包括其他没有列出的步骤或模块，或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的附图通过具体实施例来进行说明。
相关技术中，电力负荷预测大多使用已有的历史负荷数据并考虑多种影响因素，找出负荷的变化规律，采用不同的方法建立模型，预测出未来时刻的负荷情况。根据预测的时间跨度可以将负荷预测分为 3 种形式：超短期负荷预测、短期负荷预测、中长期负荷预测。
电力负荷预测主要考虑的有时间、气象条件以及人为干扰等因素。一天中不同时刻、一年中的不同季节负荷变化规律各不相同，体现在周循环、随着季节变化、节假日等因素发生变化。
而工业负荷的使用情况与其生产情况紧密相关，本发明实施例通过对生产情况涉及的排产数据进行分析，构建训练样本，训练得到DTLSTM网络模型，从而，可以利用训练得到的DTLSTM网络模型，对下一时段的负荷功率数据进行预测，实现了工业负荷的准确预测。本发明实施例提供的负荷预测方法，预测准确率可保持在95%1%范围内，可满足日前电力调度对负荷预测精度的要求。
如图1所示，本发明实施例提供一种基于排产计划的虚拟电厂负荷预测方法。该负荷预测方法包括步骤S101-S104。
S101、确定训练样本，以及训练样本的输入点数。
本申请实施例中，训练样本包括虚拟电厂中各工业用户在历史时期内任一时段的排产数据，和任一时段的负荷功率数据。
作为一种可能的实现方式，步骤S101具体可以实现为步骤S1011-S1014。
S1011、获取虚拟电厂中各工业用户在历史时期内各生产线的生产任务列表，以及历史负荷功率数据。
在一些实施例中，生产任务列表包括任务种类、任务工时和任务重要程度。各生产线的生产任务列表，也即历史时期内各生产线每天的生产信息。其中，各生产线可以为L-K条生产线。
示例性的，本发明实施例可以读取n天的历史工业负荷功率数据。其中，N＜n＜M。M为读取历史负荷功率数据的最大天数，N为读取历史负荷功率数据的最小天数。
S1012、基于生产任务列表，确定历史时期内各生产线的工时信息，并基于历史时期内各生产线的工时信息，确定历史时期内多个时段的排产数据。
作为一种可能的实现方式，步骤S1012具体可以实现为步骤A1-A4。
A1、遍历各生产线的生产任务列表，基于任务种类和任务工时，得到各生产线中各种任务的工时。
示例性的，本发明实施例可以对生产任务列表进行格式化，遍历生产任务列表，对表中的生线名称Sche字段进行识别，并该字段下的所有信息加载至内存，命名为T_Sche。对T_Sche进行二次筛选，由于生产线名称各不相同，因此需要对T_Sche进行按行遍历，当生产线名称第一次出现时，保存生产线名称，生产线数量加一，最终得到生产线名称集N_Sche与生产线数量N_l。
A2、基于各种任务的任务重要程度，确定各种任务的加权系数。
其中，加权系数与任务重要程度呈正相关。
在一些实施例中，加权系数由当前任务在当前生产线中的重要程度唯一确定。
示例性的，加权系数可以由如下方式确定。
其中，为第l条生产线的第tk种任务的加权系数，IM为当前任务的重要程度。
A3、基于各生产线中各种任务的工时，以及各种任务的加权系数，进行加权求和，得到各生产线的工时信息。
工时信息包括工时总和。
示例性的，本发明实施例可以基于如下公式，确定各生产线的工时总和。
其中，为第l条生产线的工时总和，/>为第l条生产线的第tk种任务的工时，/>为第l条生产线的第tk种任务的加权系数，/>为第l条生产线中任务种类的数量。
A4、基于历史时期内各时段每条生产线的工时总和，进行聚类分析，得到历史时期内多个时段的排产数据。
示例性的，本发明实施例可以根据步骤A3计算得到的各生产线的工时总和，构建工时序列。之后对各生产线的工时总和进行求和。
工时序列可以表示为如下公式；
；
其中，为第l条生产线的工时总和。
需要说明的是，生产线的工时总和为根据各种任务的工时和加权系数计算得到的，可能存在计算错误的情况。例如，某生产线的工时总和为30小时，则明显错误。因此，如果计算得到的当前生产线的工时总和大于24，则当前生产线工时记为24；如果当前生产线工时总和小于24，则当前生产线工时按实际数值记录。
本发明实施例可以基于如下公式，对各生产线的工时总和进行求和，即各生产线的总工时。
；其中，/>为各生产线的总工时，/>为第l条生产线的工时总和，/>为生产线数量。
最后，本发明实施例可以利用K-Means设计分类算法对多个时段的生产线总工时进行分类。
例如，本发明实施例可以对历史每天总工时进行分类。类别数记为K，得到每类的质心以及最大数据和最小数据。从而确定未来每天总工时分类时的区间上下限。
示例性的，用K-Means设计分类算法对历史每天工时总和进行分类。K-means算法步骤如下：
1.选择初始化的 K 个样本作为初始聚类中心。
2.针对每个样本计算它到K个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中。
3.针对每个类别，重新计算它的聚类中心/>（即属于该类的所有样本的质心）。
重复上面2，3两步操作，直到计算完所有的样本为止。
利用K-Means得到每类的质心以及最大/最小数据，作为对未来每天总工时分类时的区间上下限。
需要说明的是，原始数据经过聚类分析，得到分类结果，对于每类的功率数据，后续使用DTLSTM网络模型进行训练及预测。如此可充分利用工业用户负荷预测时的数据项；按生产情况对预测模型进行分类，可以更好的探究原始功率数据与预测数据之间的关系；作为一项独立的特征，辅助进行负荷预测，在一定程度上可提高预测精准度；可实现对工业用户某独立车间/生产线进行负荷预测。
S1013、识别历史负荷功率数据中的毛刺，并进行去除和修复，得到历史时期内多个时段的负荷功率数据。
作为一种可能的实现方式，步骤S1013具体可以实现为步骤B1-B5。
B1、基于历史负荷功率数据，进行时间划分，得到多个时间颗粒的负荷功率数据。
其中，每个时段包括多个时间颗粒，每个时间颗粒包括多个时刻。
B2、对多个时间颗粒中的每个时间颗粒的负荷功率数据进行积分运算，得到多个时间颗粒的负荷功率值。
B3、基于多个时间颗粒的负荷功率值，进行均值运算和比较分析，确定多个时间颗粒中存在毛刺的时间颗粒。
示例性的，本发明实施例将读取得到的n天历史工业负荷功率数据进行格式化处理，得到功率数据集D。
；
其中，d表示总天数，seq表示每天的理论数据总点数，也即，每天中的检测次数。
由于毛刺远大于或远小于平均水平，因此本发明实施例利用此特性对毛刺进行识别，识别方法如下：
按照数据采集的时间颗粒对功率曲线进行分块。
从时刻0开始，求每个时间颗粒对功率曲线的积分，积分的计算方法如下：
；
其中，t为当前时刻，s为一个时间颗粒对应的时间间隔，为t时刻的功率值，/>为时间颗粒s内的积分，也即负荷功率值。
若当前时间颗粒的负荷功率值远大于前mt个时间颗粒的负荷功率值，或者，若当前时间颗粒的负荷功率值远大于前mt个时间颗粒的负荷功率值的平均值，则确定当前时间颗粒为可能存在毛刺的时间颗粒。并标记为毛刺数据。
进一步的，当一天的负荷功率数据遍历结束时，得到每天的毛刺数据集AB。并基于毛刺数据集进一步确定存在毛刺的时间颗粒。
遍历总天数d，得到总毛刺数据集AB_d，记为：
；
其中，1表示当前时间颗粒区间有毛刺，0表示当前时间颗粒区间无毛刺。
本发明实施例可以统计AB_d每列中为1的行数，如果当前列为1的行数大于等于d/2，则确定当前列对应的时间颗粒为存在毛刺的时间颗粒。
B4、在历史负荷功率数据中，去除存在毛刺的时间颗粒的负荷功率数据，并进行修复，得到修复后的多个时间颗粒的负荷功率数据。
作为一种可能的实现方式，本发明实施例可以直接去除存在毛刺的时间颗粒的负荷功率数据，之后标记缺失数据的时刻与日期；读取历史三周内与缺失数据时刻日期相同的数据点；利用加权求和的方式得到缺失数据点的模拟数据；最后，将模拟数据放于指定时间点序列中。
示例性的，加权求和的计算公式如下所示：；
其中，m代表缺失数据点，表示第c天第m个缺失数据点的模拟数据，/>为第h天中与第m个缺失数据点对应的负荷功率数据，/>为第h天中与第m个缺失数据点对应的权重系数，H为历史三周内的总天数。
权重系数的计算规则如下：
；
其中，为第h天中与第m个缺失数据点对应的权重系数。
B5、基于修复后的多个时间颗粒的负荷功率数据，确定历史时期内多个时段的负荷功率数据。
作为一种可能的实现方式，本发明实施例在步骤B5之前，还包括步骤B6-B7。本发明实施例在去除有可能存在毛刺的时间颗粒区间，并修复之后，还可以对修复后的数据进行数据异常点识别与处理。
B6、遍历修复后的多个时间颗粒的负荷功率数据，基于每个时间颗粒的负荷功率值，确定修复后的多个时间颗粒中存在异常点的时间颗粒。
示例性的，工业负荷功率不能为负数，因此，当负荷功率数据小于0时，为异常数据。
又一示例性的，根据企业的生产计划和工作时间，在正常工作时间内负荷功率数据为0时，为异常数据。
又一示例性的，根据历史同状态判断，当负荷功率数据大于历史同状态的负荷功率数据的平均值的y倍且无明显生产状态变化时，为异常数据。其中，y＞1。
例如，当负荷功率数据大于历史同状态的负荷功率数据的平均值的1.5倍，且负荷功率数据无波动时，则判定为异常数据。
又例如，当负荷功率数据大于历史同状态的负荷功率数据的平均值的2倍，且负荷功率数据无波动时，则判定为异常数据。
需要说明的是，1.5倍和2倍为示例值，具体判定时还可以取其他值，本申请不做限定。
B7、对存在异常点的时间颗粒的负荷功率数据进行修复，得到修复后的多个时间颗粒的负荷功率数据。
示例性的，步骤B7可以实现为步骤B71-B73。
B71、获取历史时期内多个时段中目标时间颗粒的负荷功率值。
其中，目标时间颗粒所在时段与目标时间颗粒的对应关系，与存在异常点的时间颗粒所在时段与存在异常点的时间颗粒的对应关系相同。
B72、基于历史时期内多个时段中目标时间颗粒的负荷功率值，确定目标时间颗粒对应的质心。
B73、以目标时间颗粒对应的质心，替换存在异常点的时间颗粒的负荷功率值，实现对存在异常点的时间颗粒的负荷功率数据进行修复。
示例性的，针对异常数据的处理方式为：
针对小于0的负荷功率，一般由采集或传输异常导致，用0替代。
针对等于0的功率，一般由计算或存储异常导致，用当前时刻的KMeans质心代替。
KMeans使用方法如下：
首先，读取历史dh天中与异常数据同时刻的功率数值，记为序列DH。其次，以DH为输入数据，建立KMeans分类模型，分类个数为2。然后，统计两类中个体数较多的类别并计算其质心。最后，用质心数值替换异常数据作为正常数据。
S1014、基于多个时段中任一时段的排产数据，以及任一时段的负荷功率数据，确定训练样本。
作为一种可能的实现方式，本发明实施例还可以对训练样本中排产数据和负荷功率数据进行数据归一化，使其范围处于-1到1之间。
S102、基于输入点数，以及预设的网络调度函数，确定LSTM网络模块的训练数量。
其中，LSTM网络模块用于预测负荷功率数据。
在一些实施例中，预设的网络调度函数设置有第一阈值和第二阈值。
作为一种可能的实现方式，本发明实施例可以基于步骤S1021-S1023，确定LSTM网络模块的训练数量。
S1021、将输入点数输入到预设的网络调度函数，比较输入点数和第一阈值、第二阈值之间的大小关系。
S1022、若输入点数小于等于第一阈值，则确定训练数量为第一值。
S1023、若输入点数大于第一阈值且小于等于第二阈值，则确定训练数量为第二值。
S1024、若输入点数大于第二阈值，则确定训练数量为第三值。
其中，第一阈值小于第二阈值，第一值小于第二值，第二值小于第三值。
示例性的，第一阈值可以为7*seq，第二阈值可以为12*seq。seq表示神经网络模型的输入序列。
如果输入点数不大于7*seq，则使用1~2个LSTM网络模块进行训练。假设LSTM网络模块为2个。其中，第一个网络的输入为0.8*输入点数，输入数据的时间区间连续，第二个网络的输入为0.2*输入点数，输入数据的时间区间连续。如果输入点数大于7*seq，且不大于12*seq，则使用3~4个网络进行训练。假设LSTM网络模块为3个，则按照0.4~0.5、0.2~0.3、0.2~0.4的比例为网络分配输入点数。尽量为活跃的网络单元分配资源，使其可以满负荷工作。
S103、对训练数量的LSTM网络模块串并联排布，获得待训练神经网络模型。
S104、基于训练样本，对待训练神经网络模型进行迭代训练，得到训练好的DTLSTM网络模型。
其中，DTLSTM网络模型输入排产数据输出预测的负荷功率数据。
需要说明的是，本发明实施例可以按滚动预测的方式组织训练样本中的排产数据作为网络输入，工业负荷功率数据作为输出，对工业负荷功率数据进行训练并在线调整训练参数，得到DTLSTM网络模型。
如图2所示，本发明实施例提供了一种DTLSTM网络模型的结构示意图。该DTLSTM网络模型包括两个并行的LSTM网络模块。
如图3所示，本发明实施例提供了一种LSTM网络模块的结构示意图。
LSTM网络模块的计算过程如下。
；
其中，为t时刻的输入门，/>为t时刻的遗忘门，/>为t时刻的输出门，/>为t时刻的细胞状态，/>为t-1时刻的细胞状态，/>为t-1时刻输出的短期状态，/>为输入，/>为权重系数矩阵，/>为/>输入门的权重系数，/>为/>输入门的权重系数，/>为/>输入门的权重系数，/>为/>遗忘门的权重系数，/>为/>遗忘门的权重系数，/>为/>遗忘门的权重系数，/>为/>细胞状态的权重系数，/>为/>细胞状态的权重系数，/>为/>输出门的权重系数，/>为/>输出门的权重系数，/>为/>输出门的权重系数，/>为偏置项矩阵，/>为输入门偏置项，/>为遗忘门偏置项，/>为第一输出门偏置项，/>为第二输出门偏置项，/>为sigmoid激活函数/>为双曲正切激活函数。
本发明实施例对LSTM网络模块中每个cell的tanh激活函数做了改进。增加缓释系数，使每个cell结构可在临界点记忆/忘记更多信息。
如图4所示，本发明实施例提供了一种激活函数的曲线示意图。改进后的LSTM网络模块中遗忘门的激活函数计算公式为：；
其中，为激活函数，/>为LSTM网络模块的输入值，/>为缓释系数，1＜/>＜2。
在一些实施例中，DTLSTM网络模型还包括另一种激活函数Sigmoid。
Sigmoid激活函数计算方式如下：；
其中，x代表输入，S(x)表示输出。
可选的，在步骤S104之后，还包括步骤S105。
S105、获取虚拟电厂中各工业用户在预设时段的排产计划，并基于预设时段的排产计划，以及DTLSTM网络模型，预测得到虚拟电厂中各工业用户在预设时段的负荷功率数据。
本发明提供一种基于排产计划的虚拟电厂负荷预测方法，在确定训练样本后，基于训练样本的输入点数，以及预设的网络调度函数确定LSTM网络模块的训练数量，并对LSTM网络模块串并联排布，增加了神经网络模型中LSTM网络模块的数量，避免了LSTM网络模块的数据堆积，减小每个LSTM网络模块的网络训练强度，使神经网络模型可以学习到排产数据的多样特征，避免数据重叠遗漏，提高DTLSTM网络模型的预测准确率，从而提高负荷功率预测的准确率。
可选的，本发明实施例提供的基于排产计划的虚拟电厂负荷预测方法，在步骤S105之后，还包括步骤S106-S107。
S106、基于预设时段之前多个时段的毛刺数据，确定预设时段的毛刺数据。
示例性的，本发明实施例可以根据如下公式确定预设时段的毛刺数据。
；
其中，表示第p天时刻a 的毛刺数据，/>表示第p天之前的第h天时刻a 的毛刺数据，N表示第p天之前的天数。
例如，第p天可以为当前天的下一天，也即，下一时段的负荷功率数据中的毛刺数据。
S107、基于预设时段的毛刺数据，以及预设时段的负荷功率数据，确定预设时段的工业负荷数据。
作为一种可能的实现方式，本发明实施例可以确定预设时段的毛刺数据对应的多个时间颗粒；将多个时间颗粒的毛刺数据替换预设时段中对应时间颗粒的负荷功率数据，得到预设时段的工业负荷数据。
如此，本发明实施例可以对毛刺数据进行预测，并得到包含毛刺数据的工业负荷数据，提高工业负荷数据预测的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图5示出了本发明实施例提供的一种基于排产计划的虚拟电厂负荷预测装置的结构示意图。该负荷预测装置200包括通信模块201和处理模块202。
通信模块201，用于确定训练样本，以及训练样本的输入点数；训练样本包括虚拟电厂中各工业用户在历史时期内任一时段的排产数据和任一时段的负荷功率数据。
处理模块202，用于基于输入点数，以及预设的网络调度函数，确定LSTM网络模块的训练数量，其中，LSTM网络模块用于预测负荷功率数据；对训练数量的LSTM网络模块串并联排布，获得待训练神经网络模型；基于训练样本，对待训练神经网络模型进行迭代训练，得到训练好的DTLSTM网络模型；其中，DTLSTM网络模型输入排产数据输出预测的负荷功率数据。
在一种可能的实现方式中，通信模块201，还用于获取虚拟电厂中各工业用户在预设时段的排产计划；处理模块202，还用于基于预设时段的排产计划，以及训练好的DTLSTM网络模型，预测得到虚拟电厂中各工业用户在预设时段的负荷功率数据。
在一种可能的实现方式中，处理模块202，还用于基于预设时段之前多个时段的毛刺数据，确定预设时段的毛刺数据；基于预设时段的毛刺数据，以及预设时段的负荷功率数据，确定预设时段的工业负荷数据。
在一种可能的实现方式中，通信模块201，具体用于获取虚拟电厂中各工业用户在历史时期内各生产线的生产任务列表，以及历史负荷功率数据；处理模块202，具体用于基于生产任务列表，确定历史时期内各生产线的工时信息，并基于历史时期内各生产线的工时信息，确定历史时期内多个时段的排产数据；识别历史负荷功率数据中的毛刺，并进行去除和修复，得到历史时期内多个时段的负荷功率数据；基于多个时段中任一时段的排产数据，以及任一时段的负荷功率数据，确定训练样本。
在一种可能的实现方式中，生产任务列表包括任务种类、任务工时和任务重要程度；处理模块201，具体用于遍历各生产线的生产任务列表，基于任务种类和任务工时，得到各生产线中各种任务的工时；基于各种任务的任务重要程度，确定各种任务的加权系数，其中，加权系数与任务重要程度呈正相关；基于各生产线中各种任务的工时，以及各种任务的加权系数，进行加权求和，得到各生产线的工时信息，工时信息包括工时总和；基于历史时期内各时段每条生产线的工时总和，进行聚类分析，得到历史时期内多个时段的排产数据。
在一种可能的实现方式中，处理模块201，具体用于基于历史负荷功率数据，进行时间划分，得到多个时间颗粒的负荷功率数据；对多个时间颗粒中的每个时间颗粒的负荷功率数据进行积分运算，得到多个时间颗粒的负荷功率值；基于多个时间颗粒的负荷功率值，进行均值运算和比较分析，确定多个时间颗粒中存在毛刺的时间颗粒；在历史负荷功率数据中，去除存在毛刺的时间颗粒的负荷功率数据，并进行修复，得到修复后的多个时间颗粒的负荷功率数据；基于修复后的多个时间颗粒的负荷功率数据，确定历史时期内多个时段的负荷功率数据，其中，每个时段包括多个时间颗粒。
在一种可能的实现方式中，处理模块201，还用于遍历修复后的多个时间颗粒的负荷功率数据，基于每个时间颗粒的负荷功率值，确定修复后的多个时间颗粒中存在异常点的时间颗粒；对存在异常点的时间颗粒的负荷功率数据进行修复，得到修复后的多个时间颗粒的负荷功率数据。
在一种可能的实现方式中，通信模块201，还用于获取历史时期内多个时段中目标时间颗粒的负荷功率值；其中，目标时间颗粒所在时段与目标时间颗粒的对应关系，与存在异常点的时间颗粒所在时段与存在异常点的时间颗粒的对应关系相同；处理模块201，还用于基于历史时期内多个时段中目标时间颗粒的负荷功率值，确定目标时间颗粒对应的质心；以目标时间颗粒对应的质心，替换存在异常点的时间颗粒的负荷功率值，以对存在异常点的时间颗粒的负荷功率数据进行修复。
在一种可能的实现方式中，预设的网络调度函数设置有第一阈值和第二阈值；处理模块201，具体用于将输入点数输入到预设的网络调度函数，比较输入点数和第一阈值、第二阈值之间的大小关系；若输入点数小于等于第一阈值，则确定训练数量为第一值；若输入点数大于第一阈值且小于等于第二阈值，则确定训练数量为第二值；若输入点数大于第二阈值，则确定训练数量为第三值；其中，第一阈值小于第二阈值，第一值小于第二值，第二值小于第三值。
图6是本发明实施例提供的一种电子设备的结构示意图。如图6所示，该实施例的电子设备300包括：处理器301、存储器302以及存储在所述存储器302中并可在所述处理器301上运行的计算机程序303。所述处理器301执行所述计算机程序303时实现上述各方法实施例中的步骤，例如图1所示的步骤S101-S104。或者，所述处理器301执行所述计算机程序303时实现上述各装置实施例中各模块/单元的功能，例如，图5所示通信模块201和处理模块202的功能。
示例性的，所述计算机程序303可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器302中，并由所述处理器301执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序303在所述电子设备300中的执行过程。例如，所述计算机程序303可以被分割成图5所示通信模块201和处理模块202。
所称处理器301可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器302可以是所述电子设备300的内部存储单元，例如电子设备300的硬盘或内存。所述存储器302也可以是所述电子设备300的外部存储设备，例如所述电子设备300上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（SecureDigital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器302还可以既包括所述电子设备300的内部存储单元也包括外部存储设备。所述存储器302用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器302还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于排产计划的虚拟电厂负荷预测方法，其特征在于，包括：
确定训练样本，以及所述训练样本的输入点数；所述训练样本以任一时段的多个时间颗粒的排产数据为输入；以所述任一时段的多个时间颗粒的负荷功率数据为输出，所述训练样本的输入点数为所述任一时段中时间颗粒的数量；
基于所述输入点数，以及预设的网络调度函数，确定LSTM网络模块的训练数量，其中，所述LSTM网络模块用于预测负荷功率数据；所述预设的网络调度函数设置有第一阈值和第二阈值；
对所述训练数量的LSTM网络模块串并联排布，获得待训练神经网络模型；
基于所述训练样本，对所述待训练神经网络模型进行迭代训练，得到训练好的DTLSTM网络模型；其中，所述DTLSTM网络模型输入排产数据输出预测的负荷功率数据；
所述确定训练样本，包括：获取所述虚拟电厂中各工业用户在历史时期内各生产线的生产任务列表，以及历史负荷功率数据；基于所述生产任务列表，确定所述历史时期内各生产线的工时信息，并基于所述历史时期内各生产线的工时信息，确定所述历史时期内多个时段的排产数据；识别所述历史负荷功率数据中的毛刺，并进行去除和修复，得到历史时期内多个时段的负荷功率数据；基于所述多个时段中任一时段的排产数据，以及所述任一时段的负荷功率数据，确定训练样本；
所述基于所述输入点数，以及预设的网络调度函数，确定LSTM网络模块的训练数量，包括：将所述输入点数输入到所述预设的网络调度函数，比较所述输入点数和所述第一阈值、所述第二阈值之间的大小关系；若所述输入点数小于等于第一阈值，则确定所述训练数量为第一值；若所述输入点数大于所述第一阈值且小于等于第二阈值，则确定所述训练数量为第二值；若所述输入点数大于所述第二阈值，则确定所述训练数量为第三值；其中，所述第一阈值小于所述第二阈值，所述第一值小于所述第二值，所述第二值小于所述第三值。
2.根据权利要求1所述的基于排产计划的虚拟电厂负荷预测方法，其特征在于，所述基于所述训练样本，对所述待训练神经网络模型进行迭代训练，得到训练好的DTLSTM网络模型之后，还包括：
获取所述虚拟电厂中各工业用户在预设时段的排产计划，并基于所述预设时段的排产计划，以及所述训练好的DTLSTM网络模型，预测得到所述虚拟电厂中各工业用户在所述预设时段的负荷功率数据。
3.根据权利要求2所述的基于排产计划的虚拟电厂负荷预测方法，其特征在于，所述基于所述预设时段的排产计划，以及所述训练好的DTLSTM网络模型，预测得到所述预设时段的负荷功率数据之后，还包括：
基于预设时段之前多个时段的毛刺数据，确定所述预设时段的毛刺数据；
基于所述预设时段的毛刺数据，以及所述预设时段的负荷功率数据，确定所述预设时段的工业负荷数据。
4.根据权利要求1所述的基于排产计划的虚拟电厂负荷预测方法，其特征在于，所述生产任务列表包括任务种类、任务工时和任务重要程度；
所述基于所述生产任务列表，确定所述历史时期内各生产线的工时信息，并基于所述历史时期内各生产线的工时信息，确定所述历史时期内多个时段的排产数据，包括：
遍历所述各生产线的生产任务列表，基于任务种类和任务工时，得到所述各生产线中各种任务的工时；
基于各种任务的任务重要程度，确定各种任务的加权系数，其中，加权系数与任务重要程度呈正相关；
基于所述各生产线中各种任务的工时，以及各种任务的加权系数，进行加权求和，得到各生产线的工时信息，所述工时信息包括工时总和；
基于历史时期内各时段每条生产线的工时总和，进行聚类分析，得到历史时期内多个时段的排产数据。
5.根据权利要求1所述的基于排产计划的虚拟电厂负荷预测方法，其特征在于，所述识别所述历史负荷功率数据中的毛刺，并进行去除修复，得到历史时期内多个时段的负荷功率数据，包括：
基于所述历史负荷功率数据，进行时间划分，得到多个时间颗粒的负荷功率数据；
对所述多个时间颗粒中的每个时间颗粒的负荷功率数据进行积分运算，得到多个时间颗粒的负荷功率值；
基于所述多个时间颗粒的负荷功率值，进行均值运算和比较分析，确定所述多个时间颗粒中存在毛刺的时间颗粒；
在所述历史负荷功率数据中，去除存在毛刺的时间颗粒的负荷功率数据，并进行修复，得到修复后的多个时间颗粒的负荷功率数据；
基于所述修复后的多个时间颗粒的负荷功率数据，确定历史时期内多个时段的负荷功率数据，其中，每个时段包括多个时间颗粒。
6.根据权利要求5所述的基于排产计划的虚拟电厂负荷预测方法，其特征在于，所述基于所述修复后的多个时间颗粒的负荷功率数据，确定历史时期内多个时段的负荷功率数据之前，还包括：
遍历修复后的多个时间颗粒的负荷功率数据，基于每个时间颗粒的负荷功率值，确定所述修复后的多个时间颗粒中存在异常点的时间颗粒；
对所述存在异常点的时间颗粒的负荷功率数据进行修复，得到修复后的多个时间颗粒的负荷功率数据。
7.根据权利要求6所述的基于排产计划的虚拟电厂负荷预测方法，其特征在于，所述对所述存在异常点的时间颗粒的负荷功率数据进行修复，得到修复后的多个时间颗粒的负荷功率数据，包括：
获取历史时期内多个时段中目标时间颗粒的负荷功率值；其中，所述目标时间颗粒所在时段与所述目标时间颗粒的对应关系，与所述存在异常点的时间颗粒所在时段与所述存在异常点的时间颗粒的对应关系相同；
基于所述历史时期内多个时段中目标时间颗粒的负荷功率值，采用K-means分类算法，确定所述目标时间颗粒对应的质心；
以所述目标时间颗粒对应的质心，替换所述存在异常点的时间颗粒的负荷功率值，以对所述存在异常点的时间颗粒的负荷功率数据进行修复。
8.根据权利要求1至7中任一项所述的基于排产计划的虚拟电厂负荷预测方法，其特征在于，所述LSTM网络模块中遗忘门的激活函数为：
；
其中，为激活函数，/>为所述LSTM网络模块的输入值，/>为缓释系数，1＜/>＜2。
CN202310934806.7A 2023-07-28 2023-07-28 一种基于排产计划的虚拟电厂负荷预测方法 Active CN116663863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310934806.7A CN116663863B (zh) 2023-07-28 2023-07-28 一种基于排产计划的虚拟电厂负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310934806.7A CN116663863B (zh) 2023-07-28 2023-07-28 一种基于排产计划的虚拟电厂负荷预测方法

Publications (2)

Publication Number Publication Date
CN116663863A CN116663863A (zh) 2023-08-29
CN116663863B true CN116663863B (zh) 2023-10-20

Family

ID=87720922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310934806.7A Active CN116663863B (zh) 2023-07-28 2023-07-28 一种基于排产计划的虚拟电厂负荷预测方法

Country Status (1)

Country Link
CN (1) CN116663863B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952181A (zh) * 2017-03-08 2017-07-14 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测系统
CN109063902A (zh) * 2018-07-17 2018-12-21 广东工业大学 一种短期负荷预测方法、装置、设备及存储介质
CN109919421A (zh) * 2019-01-23 2019-06-21 华南理工大学 基于vmd-pso-bpnn的短期电力负荷预测模型建立方法
CN112001433A (zh) * 2020-08-12 2020-11-27 西安交通大学 一种航迹关联方法、系统、设备及可读取存储介质
CN113379564A (zh) * 2021-04-08 2021-09-10 国网河北省电力有限公司营销服务中心 电网负荷预测方法、装置及终端设备
CN114912720A (zh) * 2022-07-15 2022-08-16 石家庄科林电气股份有限公司 基于记忆网络电力负荷预测方法、装置、终端及存储介质
CN115705608A (zh) * 2021-08-02 2023-02-17 国网上海市电力公司 一种虚拟电厂负荷感知方法及装置
CN116187598A (zh) * 2023-04-28 2023-05-30 深圳市科中云技术有限公司 一种基于楼宇的虚拟电厂负荷预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985361A (zh) * 2020-08-05 2020-11-24 武汉大学 小波降噪和emd-arima的电力系统负荷预测方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952181A (zh) * 2017-03-08 2017-07-14 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测系统
CN109063902A (zh) * 2018-07-17 2018-12-21 广东工业大学 一种短期负荷预测方法、装置、设备及存储介质
CN109919421A (zh) * 2019-01-23 2019-06-21 华南理工大学 基于vmd-pso-bpnn的短期电力负荷预测模型建立方法
CN112001433A (zh) * 2020-08-12 2020-11-27 西安交通大学 一种航迹关联方法、系统、设备及可读取存储介质
CN113379564A (zh) * 2021-04-08 2021-09-10 国网河北省电力有限公司营销服务中心 电网负荷预测方法、装置及终端设备
CN115705608A (zh) * 2021-08-02 2023-02-17 国网上海市电力公司 一种虚拟电厂负荷感知方法及装置
CN114912720A (zh) * 2022-07-15 2022-08-16 石家庄科林电气股份有限公司 基于记忆网络电力负荷预测方法、装置、终端及存储介质
CN116187598A (zh) * 2023-04-28 2023-05-30 深圳市科中云技术有限公司 一种基于楼宇的虚拟电厂负荷预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Improved Model Predictive Control with Prescribed Performance for Aggregated Thermostatically Controlled Loads;Yang Yu et al.;《IEEE》;第10卷(第2期);全文 *
基于多级离散小波变换和LSTM模型的充电负荷短期预测方法;刘颂等;《电力大数据》;第24卷(第11期);全文 *

Also Published As

Publication number Publication date
CN116663863A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN112508275B (zh) 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备
CN107506868B (zh) 一种短时电力负荷预测的方法及装置
CN105678398A (zh) 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统
CN111915092B (zh) 基于长短时记忆神经网络的超短期风电功率预测方法
CN110738523B (zh) 一种维修订单量预测方法及装置
CN111241755A (zh) 电力负荷预测方法
CN116205355B (zh) 电力负荷的预测方法、装置以及存储介质
Massaoudi et al. Short-term electric load forecasting based on data-driven deep learning techniques
CN113112099A (zh) 电网日电量预测模型训练方法和电网日电量预测方法
CN116435998A (zh) 一种光伏发电功率的预测方法
CN113449904A (zh) 多能负荷预测方法、装置及设备
CN114912720A (zh) 基于记忆网络电力负荷预测方法、装置、终端及存储介质
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
Ghassemi et al. Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings
CN114154716A (zh) 一种基于图神经网络的企业能耗预测方法及装置
CN116663863B (zh) 一种基于排产计划的虚拟电厂负荷预测方法
CN113139698A (zh) 负荷预测方法、装置及设备
CN111861587A (zh) 一种基于隐马尔可夫模型和向前算法的居民用电行为分析的系统及方法
Chen et al. Hybrid methods for stock index modeling
Souzanchi-K et al. A multi adaptive neuro fuzzy inference system for short term load forecasting by using previous day features
Govender et al. Short-term load forecasting using artificial neural networks and multiple linear regression
CN113723670A (zh) 变时间窗口的光伏发电功率短期预测方法
CN112949908A (zh) 一种电价概率预测方法及装置
Dong et al. Image-based with peak load ensemble prediction system for demand response in smart grid
Cho et al. Application of Parallel ANN-PSO to Hourly Solar PV Estimation

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
GR01 Patent grant
GR01 Patent grant