CN116933040A - 一种基于大数据技术的供电最高负荷中短期预测方法 - Google Patents
一种基于大数据技术的供电最高负荷中短期预测方法 Download PDFInfo
- Publication number
- CN116933040A CN116933040A CN202311177075.2A CN202311177075A CN116933040A CN 116933040 A CN116933040 A CN 116933040A CN 202311177075 A CN202311177075 A CN 202311177075A CN 116933040 A CN116933040 A CN 116933040A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- terminal
- preset
- prediction terminal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 5
- 235000004257 Cordia myxa Nutrition 0.000 claims description 3
- 244000157795 Cordia myxa Species 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 16
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06N3/048—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据技术的供电最高负荷中短期预测方法，涉及电力负荷预测技术领域，包括：周期性的构建样本数据集并将数据集分成训练集、验证集和测试集；预测终端对GRU网络结构中的状态单元进行修改，以此构建改进的GRU神经网络；将训练集、验证集以及测试集输入GRU神经网络以进行模型训练，获得使训练样本整体误差最小的模型权重；在预测终端运算过程中，实时采集预测终端的运算时序数据并进行运算损耗指数YZ分析；若YZ大于预设损耗阈值，则提醒管理员更换新的预测终端；获得最优GRU模型后，将待预测时区前一时区的电力负荷数据和待预测时区的气候文本数据作为模型输入，计算标准化预测结果；提高数据预测效率。
Description
技术领域
本发明涉及电力负荷预测技术领域，具体是一种基于大数据技术的供电最高负荷中短期预测方法。
背景技术
电力系统负荷预测是电力系统各种安全技术措施的重要组成部分，它和继电保护、稳定计算、短路计算一样，对电力系统的安全、经济、稳定运行有着非常重要的作用。负荷预测是电网规划及经营工作的基础，准确的负荷预测有助于提高系统运行的安全性和稳定性，能够减少发电成本、可以保证规划的精确。短期负荷预测是指周以内的负荷预测，可用于安排电力调度计划，包括负荷经济分配，电力系统安全性检测，设备检修等。在未来的多变且分布式电网场景中，短期负荷预测变得更加重要。
对于短期负荷预测，现有的方法大多将研究的重点放在了对于预测模型的改进或者创新上，如使用创新的机器学习模型用于电力负荷预测、使用改进的机器学习模型用于电力负荷预测等，虽然基于数据驱动的智能模型精度越来越高，但是随着数据量和数据维度的增多，导致智能模型在精度提高的同时，模型的复杂度和训练时间指数级增加，甚至难以收敛；同时无法对预测终端的运算情况进行监控，导致终端算力较低，影响整体数据处理效率；基于以上不足，本发明提出一种基于大数据技术的供电最高负荷中短期预测方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于大数据技术的供电最高负荷中短期预测方法。
为实现上述目的，根据本发明的第一方面的实施例提出一种基于大数据技术的供电最高负荷中短期预测方法，包括如下步骤：
步骤一：周期性的构建样本数据集；具体为：对选取的给定时间段的样本数据进行整理、提取，形成输入、输出数据集；
步骤二：对样本中的输入数据进行数据清洗和缺失值处理；对处理后的数据进行标准化变换，并将数据集分成训练集、验证集和测试集；
步骤三：预测终端对GRU网络结构中的状态单元进行修改，使每个输出状态单元先进入激活函数后再进行下一步的计算，以此构建改进的GRU神经网络；
将训练集、验证集以及测试集作为历史特征值输入所述GRU神经网络以进行模型训练，并通过损失函数进行模型评估，获得使训练样本整体误差最小的模型权重；
步骤四：在预测终端运算过程中，实时采集预测终端的运算时序数据并进行运算损耗指数YZ分析；所述运算时序数据包括同一时刻预测终端的访问节点连接数据、算力占用数据和温度数据；
若YZ大于预设损耗阈值，则表明预测终端运算损耗严重，生成运算力低下信号至控制中心；以提醒管理员更换新的预测终端进行数据分析；
步骤五：获得最优GRU模型后，将待预测时区前一时区的电力负荷数据和待预测时区的气候文本数据作为模型输入，计算标准化预测结果；
按照训练时计算的标准化变换系数对所述标准化预测结果进行逆变换，得出最终预测结果；
步骤六：采集预测终端的数据预测记录，并对预测终端进行预测优化指数YH评估；为管理员选择预测终端提供参考；所述数据预测记录包括数据容量、数据类型数以及预测时长。
进一步地，步骤四中采集预测终端的运算时序数据并进行运算损耗指数YZ分析，具体分析步骤包括：
采集预测终端的运算时序数据，分析得到预测终端的运算时间段；
获取预测终端在任意时刻的访问节点连接数为Gt，设定预测终端接入访问节点的最大容量为G2，最小容量为G3；
利用公式GF=(G2-Gt)/(Gt-G3)计算得到预测终端的节点充余系数GF；
在运算时间段内，将预测终端的节点充余系数最大值标记为GFmax；算力占用率最大值标记为ZLmax；温度最大值标记为Wmax；
统计预测终端的运算时长为RT；利用公式YZ=ƒ×RT×(GFmax×a1+ZLmax×a2+Wmax×a3)计算得到预测终端的运算损耗指数YZ，其中a1、a2、a3均为预设系数因子；ƒ为预设均衡系数。
进一步地，步骤六中对预测终端进行预测优化指数YH评估，具体评估过程为：在预设时间段内，采集预测终端的数据预测记录；
统计预测终端的数据预测次数为P1；将每个数据预测记录中的数据容量、数据类型数以及预测时长标记为WL1、WL2以及WL3；
利用公式YM=(WL1×g1+WL2×g2)/(WL3×g3)计算得到预效值YM，其中g1、g2、g3均为预设系数因子，取值(0，0.13]；
对预效值YM进行等级评判得到评价信号，具体为：
将预效值YM与预设效率阈值相比较；所述预设效率阈值包括X1、X2；且X2＜X1；当YM≥X1时，此时评价信号为高级预效信号；
当X2≤YM＜X1时，此时评价信号为中级预效信号；当YM＜X2时，此时评价信号为初级预效信号；
统计高级预效信号、中级预效信号和初级预效信号各自相较于评价信号次数的占比并依次标记为Zb1、Zb2、Zb3；
利用公式YH=ƒ×P1×(Zb1×3+Zb2×2)/Zb3计算得到预测终端的预测优化指数YH，其中ƒ为预设补偿系数，取值(0，0.0013]。
进一步地，输入数据是指某个时间段内、以设定时间为间隔的气候文本数据和电力负荷数据，输出数据是滞后于输入数据某个时期后的电力负荷数据；设定时间由管理员预设。
进一步地，对样本中的输入数据进行数据清洗，包括：对空值进行填充或者丢弃；对重复数据进行去重处理；对范围错误的气候文本数据进行清洗；对气候文本数据进行数据验证。
进一步地，采用平均插值法进行缺失值处理，具体包括：
对电力负荷数据进行单位换算处理，补全采样时间点保证其连续，并利用平均插值法填补采样点缺失数据，得到电力负荷时间序列；若采样时间点和数据大面积缺失，则利用同时期他年数据进行填补。
进一步地，步骤三中改进GRU神经网络是在计算门的过程中使状态先进入一个激活函数，同时在输出端也需要通过一个激活函数，才能完成最后的输出；所述激活函数选择SELU函数，以使神经元的激励值自动收敛到零均值和单位方差。
与现有技术相比，本发明的有益效果是：
1、本发明中对样本中的输入数据进行数据清洗和缺失值处理；对处理后的数据进行标准化变换，并将数据集分成训练集、验证集和测试集；然后预测终端对GRU网络结构中的状态单元进行修改，使每个输出状态单元先进入激活函数后再进行下一步的计算，以此构建改进的GRU神经网络；进一步提升了网络的数据挖掘能力和效率；将训练集、验证集以及测试集作为历史特征值输入所述GRU神经网络以进行模型训练，并通过损失函数进行模型评估，获得使训练样本整体误差最小的模型权重；获得最优GRU模型后，将待预测时区前一时区的电力负荷数据和待预测时区的气候文本数据作为模型输入，计算标准化预测结果；提高数据预测准确度和效率；
2、本发明在预测终端运算过程中，实时采集预测终端的运算时序数据并进行运算损耗指数YZ分析；所述运算时序数据包括同一时刻预测终端的访问节点连接数据、算力占用数据和温度数据；若YZ大于预设损耗阈值，则表明预测终端运算损耗严重，生成运算力低下信号至控制中心；以提醒管理员更换新的预测终端进行数据分析，提高数据处理效率；以及采集预测终端的数据预测记录，并对预测终端进行预测优化指数YH评估；为管理员选择预测终端提供参考；提高数据处理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于大数据技术的供电最高负荷中短期预测方法的流程图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，一种基于大数据技术的供电最高负荷中短期预测方法，包括如下步骤：
步骤一：周期性的构建样本数据集；具体为：对选取的给定时间段的样本数据进行整理、提取，形成输入、输出数据集；
输入数据是指某个时间段内、以设定时间为间隔的气候文本数据和电力负荷数据，输出数据是滞后于输入数据某个时期后的电力负荷数据；设定时间由管理员预设；
步骤二：对样本中的输入数据进行数据清洗和缺失值处理；对处理后的数据进行标准化变换，并将数据集分成训练集、验证集和测试集；
其中，对样本中的输入数据进行数据清洗，包括：对空值进行填充或者丢弃；对重复数据进行去重处理；对范围错误的气候文本数据进行清洗；对气候文本数据进行数据验证；
其中，采用平均插值法进行缺失值处理，包括：
对电力负荷数据进行单位换算处理，补全采样时间点保证其连续，并利用平均插值法填补采样点缺失数据，得到电力负荷时间序列；若采样时间点和数据大面积缺失，则利用同时期他年数据进行填补；
步骤三：预测终端对GRU网络结构中的状态单元进行修改，使每个输出状态单元先进入激活函数后再进行下一步的计算，以此构建改进的GRU神经网络；其中，改进GRU神经网络在计算门的过程中使状态先进入一个激活函数，同时在输出端也需要通过一个激活函数，才能完成最后的输出；
其中，激活函数选择SELU函数，以使神经元的激励值自动收敛到零均值和单位方差；将训练集、验证集以及测试集作为历史特征值输入GRU神经网络以进行模型训练，并通过损失函数进行模型评估，获得使训练样本整体误差最小的模型权重；
步骤四：在预测终端运算过程中，实时采集预测终端的运算时序数据并进行运算损耗指数YZ分析；运算时序数据包括同一时刻预测终端的访问节点连接数据、算力占用数据和温度数据；
若YZ大于预设损耗阈值，则表明预测终端运算损耗严重，生成运算力低下信号至控制中心；以提醒管理员更换新的预测终端进行数据分析，提高数据处理效率；具体分析步骤如下：
采集预测终端的运算时序数据，分析得到预测终端的运算时间段；
获取预测终端在任意时刻的访问节点连接数为Gt，设定预测终端接入访问节点的最大容量为G2，最小容量为G3；
利用公式GF=(G2-Gt)/(Gt-G3)计算得到预测终端的节点充余系数GF；
在运算时间段内，将预测终端的节点充余系数最大值标记为GFmax；算力占用率最大值标记为ZLmax；温度最大值标记为Wmax；
统计预测终端的运算时长为RT；利用公式YZ=ƒ×RT×(GFmax×a1+ZLmax×a2+Wmax×a3)计算得到预测终端的运算损耗指数YZ，其中a1、a2、a3均为预设系数因子；ƒ为预设均衡系数；
步骤五：获得最优GRU模型后，将待预测时区前一时区的电力负荷数据和待预测时区的气候文本数据作为模型输入，计算标准化预测结果；
对预测结果按照训练时计算的标准化变换系数进行逆变换，得出最终预测结果；
该方法还包括：采集预测终端的数据预测记录，并对预测终端进行预测优化指数YH评估；具体评估过程为：
采集预测终端的数据预测记录；数据预测记录包括数据容量、数据类型数以及预测时长；数据容量是指样本数据集的数据容量；数据类型数是指样本数据集的数据类型数；预测时长是指根据样本数据集分析得到最终预测结果的时长；
在预设时间段内，统计预测终端的数据预测次数为P1；
将每个数据预测记录中的数据容量、数据类型数以及预测时长标记为WL1、WL2以及WL3；利用公式YM=(WL1×g1+WL2×g2)/(WL3×g3)计算得到预效值YM，其中g1、g2、g3均为预设系数因子，取值(0，0.13]；
对预效值YM进行等级评判得到评价信号，具体为：
将预效值YM与预设效率阈值相比较；预设效率阈值包括X1、X2；且X2＜X1；当YM≥X1时，此时评价信号为高级预效信号；
当X2≤YM＜X1时，此时评价信号为中级预效信号；当YM＜X2时，此时评价信号为初级预效信号；
统计高级预效信号、中级预效信号和初级预效信号各自相较于评价信号次数的占比并依次标记为Zb1、Zb2、Zb3；利用公式YH=ƒ×P1×(Zb1×3+Zb2×2)/Zb3计算得到预测终端的预测优化指数YH，其中ƒ为预设补偿系数，取值(0，0.0013]；
将预测终端的预测优化指数YH打上时间戳并传输至云平台，为管理员选择预测终端提供参考；提高数据处理效率。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理：
一种基于大数据技术的供电最高负荷中短期预测方法，在工作时，包括：对样本中的输入数据进行数据清洗和缺失值处理；对处理后的数据进行标准化变换，并将数据集分成训练集、验证集和测试集；然后预测终端对GRU网络结构中的状态单元进行修改，使每个输出状态单元先进入激活函数后再进行下一步的计算，以此构建改进的GRU神经网络；进一步提升了网络的数据挖掘能力和效率；将训练集、验证集以及测试集作为历史特征值输入GRU神经网络以进行模型训练，并通过损失函数进行模型评估，获得使训练样本整体误差最小的模型权重；获得最优GRU模型后，将待预测时区前一时区的电力负荷数据和待预测时区的气候文本数据作为模型输入，计算标准化预测结果；提高数据预测准确度和效率；
在预测终端运算过程中，实时采集预测终端的运算时序数据并进行运算损耗指数YZ分析；运算时序数据包括同一时刻预测终端的访问节点连接数据、算力占用数据和温度数据；若YZ大于预设损耗阈值，则表明预测终端运算损耗严重，生成运算力低下信号至控制中心；以提醒管理员更换新的预测终端进行数据分析，提高数据处理效率；以及采集预测终端的数据预测记录，并对预测终端进行预测优化指数YH评估；数据预测记录包括数据容量、数据类型数以及预测时长；为管理员选择预测终端提供参考；提高数据处理效率。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.一种基于大数据技术的供电最高负荷中短期预测方法，其特征在于，包括如下步骤：
步骤一：周期性的构建样本数据集；具体为：对选取的给定时间段的样本数据进行整理、提取，形成输入、输出数据集；
步骤二：对样本中的输入数据进行数据清洗和缺失值处理；对处理后的数据进行标准化变换，并将数据集分成训练集、验证集和测试集；
步骤三：预测终端对GRU网络结构中的状态单元进行修改，使每个输出状态单元先进入激活函数后再进行下一步的计算，以此构建改进的GRU神经网络；
将训练集、验证集以及测试集作为历史特征值输入所述GRU神经网络以进行模型训练，并通过损失函数进行模型评估，获得使训练样本整体误差最小的模型权重；
步骤四：在预测终端运算过程中，实时采集预测终端的运算时序数据并进行运算损耗指数YZ分析；所述运算时序数据包括同一时刻预测终端的访问节点连接数据、算力占用数据和温度数据；
若YZ大于预设损耗阈值，则表明预测终端运算损耗严重，生成运算力低下信号至控制中心；以提醒管理员更换新的预测终端进行数据分析；
步骤五：获得最优GRU模型后，将待预测时区前一时区的电力负荷数据和待预测时区的气候文本数据作为模型输入，计算标准化预测结果；
按照训练时计算的标准化变换系数对所述标准化预测结果进行逆变换，得出最终预测结果；
步骤六：采集预测终端的数据预测记录，并对预测终端进行预测优化指数YH评估；为管理员选择预测终端提供参考；所述数据预测记录包括数据容量、数据类型数以及预测时长。
2.根据权利要求1所述的一种基于大数据技术的供电最高负荷中短期预测方法，其特征在于，步骤四中采集预测终端的运算时序数据并进行运算损耗指数YZ分析，具体分析步骤包括：
采集预测终端的运算时序数据，分析得到预测终端的运算时间段；
获取预测终端在任意时刻的访问节点连接数为Gt，设定预测终端接入访问节点的最大容量为G2，最小容量为G3；
利用公式GF=(G2-Gt)/(Gt-G3)计算得到预测终端的节点充余系数GF；
在运算时间段内，将预测终端的节点充余系数最大值标记为GFmax；算力占用率最大值标记为ZLmax；温度最大值标记为Wmax；
统计预测终端的运算时长为RT；利用公式YZ=ƒ×RT×(GFmax×a1+ZLmax×a2+Wmax×a3)计算得到预测终端的运算损耗指数YZ，其中a1、a2、a3均为预设系数因子；ƒ为预设均衡系数。
3.根据权利要求1所述的一种基于大数据技术的供电最高负荷中短期预测方法，其特征在于，步骤六中对预测终端进行预测优化指数YH评估，具体评估过程为：
在预设时间段内，采集预测终端的数据预测记录；
统计预测终端的数据预测次数为P1；将每个数据预测记录中的数据容量、数据类型数以及预测时长标记为WL1、WL2以及WL3；
利用公式YM=(WL1×g1+WL2×g2)/(WL3×g3)计算得到预效值YM，其中g1、g2、g3均为预设系数因子，取值(0，0.13]；
对预效值YM进行等级评判得到评价信号，具体为：
将预效值YM与预设效率阈值相比较；所述预设效率阈值包括X1、X2；且X2＜X1；当YM≥X1时，此时评价信号为高级预效信号；
当X2≤YM＜X1时，此时评价信号为中级预效信号；当YM＜X2时，此时评价信号为初级预效信号；
统计高级预效信号、中级预效信号和初级预效信号各自相较于评价信号次数的占比并依次标记为Zb1、Zb2、Zb3；
利用公式YH=ƒ×P1×(Zb1×3+Zb2×2)/Zb3计算得到预测终端的预测优化指数YH，其中ƒ为预设补偿系数，取值(0，0.0013]。
4.根据权利要求1所述的一种基于大数据技术的供电最高负荷中短期预测方法，其特征在于，输入数据是指某个时间段内、以设定时间为间隔的气候文本数据和电力负荷数据，输出数据是滞后于输入数据某个时期后的电力负荷数据；设定时间由管理员预设。
5.根据权利要求1所述的一种基于大数据技术的供电最高负荷中短期预测方法，其特征在于，对样本中的输入数据进行数据清洗，包括：对空值进行填充或者丢弃；对重复数据进行去重处理；对范围错误的气候文本数据进行清洗；对气候文本数据进行数据验证。
6.根据权利要求5所述的一种基于大数据技术的供电最高负荷中短期预测方法，其特征在于，采用平均插值法进行缺失值处理，具体包括：
对电力负荷数据进行单位换算处理，补全采样时间点保证其连续，并利用平均插值法填补采样点缺失数据，得到电力负荷时间序列；若采样时间点和数据大面积缺失，则利用同时期他年数据进行填补。
7.根据权利要求1所述的一种基于大数据技术的供电最高负荷中短期预测方法，其特征在于，步骤三中改进GRU神经网络是在计算门的过程中使状态先进入一个激活函数，同时在输出端也需要通过一个激活函数，才能完成最后的输出；所述激活函数选择SELU函数，以使神经元的激励值自动收敛到零均值和单位方差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311177075.2A CN116933040B (zh) | 2023-09-13 | 2023-09-13 | 一种基于大数据技术的供电最高负荷中短期预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311177075.2A CN116933040B (zh) | 2023-09-13 | 2023-09-13 | 一种基于大数据技术的供电最高负荷中短期预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116933040A true CN116933040A (zh) | 2023-10-24 |
| CN116933040B CN116933040B (zh) | 2023-11-28 |
Family
ID=88384593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311177075.2A Active CN116933040B (zh) | 2023-09-13 | 2023-09-13 | 一种基于大数据技术的供电最高负荷中短期预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933040B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123402A (zh) * | 2013-04-28 | 2014-10-29 | 国际商业机器公司 | 计算配电网络的线路损耗的方法和设备 |
| CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
| CN110728403A (zh) * | 2019-10-11 | 2020-01-24 | 国网江西省电力有限公司经济技术研究院 | 农村中长期电网负荷预测方法 |
| CN111967655A (zh) * | 2020-07-28 | 2020-11-20 | 中国南方电网有限责任公司 | 一种短期负荷预测方法及系统 |
-
2023
- 2023-09-13 CN CN202311177075.2A patent/CN116933040B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123402A (zh) * | 2013-04-28 | 2014-10-29 | 国际商业机器公司 | 计算配电网络的线路损耗的方法和设备 |
| CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
| CN110728403A (zh) * | 2019-10-11 | 2020-01-24 | 国网江西省电力有限公司经济技术研究院 | 农村中长期电网负荷预测方法 |
| CN111967655A (zh) * | 2020-07-28 | 2020-11-20 | 中国南方电网有限责任公司 | 一种短期负荷预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116933040B (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021109578A1 (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
| CN108199795B (zh) | 一种设备状态的监测方法和装置 | |
| CN109033450B (zh) | 基于深度学习的电梯设备故障预测方法 | |
| CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
| Su et al. | Interconnected network state estimation using randomly delayed measurements | |
| CN103245881B (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
| CN103840988A (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
| CN104732276A (zh) | 一种计量生产设施故障在线诊断方法 | |
| CN105467971B (zh) | 一种电力二次设备监测系统及方法 | |
| CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
| CN108414896B (zh) | 一种电网故障诊断方法 | |
| CN109471698B (zh) | 云环境下虚拟机异常行为检测系统和方法 | |
| CN110865924B (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
| CN105425768A (zh) | 一种电力二次设备监测装置及方法 | |
| CN109033513A (zh) | 电力变压器故障诊断方法与电力变压器故障诊断装置 | |
| CN112561303B (zh) | 基于集成学习和电网拓扑变化的电力系统动态分析方法 | |
| CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
| CN112150304A (zh) | 电网运行状态轨迹稳定性预判方法、系统及存储介质 | |
| CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
| CN106650959A (zh) | 一种基于改进灰色聚类的配电网抢修能力评估方法 | |
| CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
| CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
| Ak et al. | Data analytics and uncertainty quantification for energy prediction in manufacturing | |
| CN117526561A (zh) | 基于数字孪生的变电站设备异常监控和预警方法及系统 | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 |
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 |