CN116992216A - 一种基于电力用户数据的短期负荷预测方法 - Google Patents
一种基于电力用户数据的短期负荷预测方法 Download PDFInfo
- Publication number
- CN116992216A CN116992216A CN202310849674.8A CN202310849674A CN116992216A CN 116992216 A CN116992216 A CN 116992216A CN 202310849674 A CN202310849674 A CN 202310849674A CN 116992216 A CN116992216 A CN 116992216A
- Authority
- CN
- China
- Prior art keywords
- stage
- data
- short
- term load
- method based
- 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 22
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000013179 statistical model Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000005611 electricity Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 241000728173 Sarima Species 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于电力用户数据的短期负荷预测方法，包括数据采集阶段、特征提取阶段、统计模型预测阶段、机器学习模型预测阶段、加权融合阶段和结果展示与应用阶段。本发明与现有技术相比的优点在于：基于电力用户数据的短期负荷预测方法及系统，通过采集和分析电力用户数据，结合机器学习算法和预测模型，实现对电力系统短期负荷的精确预测。
Description
技术领域
本发明涉及电力负荷预测技术领域，具体是指一种基于电力用户数据的短期负荷预测方法。
背景技术
短期电力负荷预测是指根据历史数据和其他相关因素，预测未来一段时间内电力负荷的变化情况。这种预测对于电力系统的运营和规划非常重要，可以帮助电力公司合理调度发电资源、优化供电方案，以及预防潜在的电力供应不足或过剩风险。
传统的负荷预测方法主要基于统计模型，受限于数据量和精确性。而随着电力智能化的发展，大量的电力用户数据和先进的机器学习技术的引入，基于电力用户数据的负荷预测方法成为一种重要的研究方向。
发明内容
本发明要解决的技术问题是克服以上技术缺陷，提供一种基于电力用户数据的短期负荷预测方法，基于电力用户数据的短期负荷预测方法及系统，通过采集和分析电力用户数据，结合机器学习算法和预测模型，实现对电力系统短期负荷的精确预测。
为解决上述技术问题，本发明提供的技术方案为：一种基于电力用户数据的短期负荷预测方法，包括数据采集阶段、特征提取阶段、统计模型预测阶段、机器学习模型预测阶段、加权融合阶段和结果展示与应用阶段。
优选的，所述数据采集阶段是为通过电力计量设备、智能电表等手段，采集电力用户的历史用电数据和外部环境数据，并对数据进行清洗和预处理，方便快捷。
优选的，所述特征提取阶段是从采集的数据中提取与负荷预测相关的特征，包括时间特征、天气特征等，并进行特征工程处理，便于提取能够更好的表示问题的特征。
优选的，所述统计模型预测阶段是使用统计模型（如ARIMA、SARIMA等）对历史负荷数据进行预测，得到中间预测结果1， 便于预测未来负荷的趋势和周期性特征。
优选的，所述机器学习模型预测阶段是使用机器学习模型（如神经网络、支持向量机等）对历史负荷数据进行训练和预测，得到中间预测结果2，灵活性好并且准确建模。
优选的，所述加权融合阶段是根据历史预测结果的准确性和稳定性，对中间预测结果1和中间预测结果2进行加权融合，得到最终的短期负荷预测结果，对预测结果进行加权平均，准确度高，大大降低预测的方差。
优选的，所述结果展示与应用阶段是将预测结果经过可视化展示，并应用于电力系统运营和优化管理，支持负荷调度和决策制定，确保电力系统的安全稳定运行。
本发明与现有技术相比的优点在于：利用电力用户历史用电数据和外部环境数据作为输入，通过训练和优化的预测模型，预测未来时段内的电力负荷，并提供准确的负荷预测结果，以支持电力系统运营和优化管理。
附图说明
图1是本发明一种基于电力用户数据的短期负荷预测方法的方法流程图。
实施方式
下面结合附图对本发明做进一步的详细说明。
结合附图1，一种基于电力用户数据的短期负荷预测方法，包括数据采集阶段、特征提取阶段、统计模型预测阶段、机器学习模型预测阶段、加权融合阶段和结果展示与应用阶段。
结合附图1，所述数据采集阶段是为通过电力计量设备、智能电表等手段，采集电力用户的历史用电数据和外部环境数据，并对数据进行清洗和预处理，方便快捷。
结合附图1，为了便于提取能够更好的表示问题的特征，所述特征提取阶段是从采集的数据中提取与负荷预测相关的特征，包括时间特征、天气特征等，并进行特征工程处理。
结合附图1，为了方便预测未来负荷的趋势和周期性特征，所述统计模型预测阶段是使用统计模型（如ARIMA、SARIMA等）对历史负荷数据进行预测，得到中间预测结果1。
结合附图1，所述机器学习模型预测阶段是使用机器学习模型（如神经网络、支持向量机等）对历史负荷数据进行训练和预测，得到中间预测结果2，灵活性好并且准确建模。
结合附图1，所述加权融合阶段是根据历史预测结果的准确性和稳定性，对中间预测结果1和中间预测结果2进行加权融合，得到最终的短期负荷预测结果，对预测结果进行加权平均，准确度高，大大降低预测的方差。
结合附图1，为了确保电力系统的安全稳定运行，所述结果展示与应用阶段是将预测结果经过可视化展示，并应用于电力系统运营和优化管理，支持负荷调度和决策制定。
本发明在具体实施时，包括以下几个步骤：
a、数据采集阶段：为通过电力计量设备、智能电表等手段，采集电力用户的历史用电数据和外部环境数据，并对数据进行清洗和预处理。
b、特征提取阶段：从采集的数据中提取与负荷预测相关的特征，包括时间特征、天气特征等，并进行特征工程处理。
c、统计模型预测阶段：使用统计模型（如ARIMA、SARIMA等）对历史负荷数据进行预测，得到中间预测结果1。
d、机器学习模型预测阶段：使用机器学习模型（如神经网络、支持向量机等）对历史负荷数据进行训练和预测，得到中间预测结果2。
e、加权融合阶段：根据历史预测结果的准确性和稳定性，对中间预测结果1和中间预测结果2进行加权融合，得到最终的短期负荷预测结果，加权平均，准确度高，大大降低预测的方差。
f、结果展示与应用阶段：将预测结果经过可视化展示，并应用于电力系统运营和优化管理，支持负荷调度和决策制定。
本发明利用大量的电力用户数据及外部环境数据进行训练和预测，提高了负荷预测的准确性和可靠性，并且结合机器学习算法，能够自动学习和发现数据中的规律和模式，适应不同用户和复杂的负荷变化，同时提供准确的短期负荷预测结果，为电力系统运营者和用户提供决策参考，实现电力负荷的优化调度和资源配置。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (7)
1.一种基于电力用户数据的短期负荷预测方法，其特征在于：包括数据采集阶段、特征提取阶段、统计模型预测阶段、机器学习模型预测阶段、加权融合阶段和结果展示与应用阶段。
2.根据权利要求1所述的一种基于电力用户数据的短期负荷预测方法，其特征在于：所述数据采集阶段是为通过电力计量设备、智能电表等手段，采集电力用户的历史用电数据和外部环境数据，并对数据进行清洗和预处理。
3.根据权利要求1所述的一种基于电力用户数据的短期负荷预测方法，其特征在于：所述特征提取阶段是从采集的数据中提取与负荷预测相关的特征，包括时间特征、天气特征等，并进行特征工程处理。
4.根据权利要求1所述的一种基于电力用户数据的短期负荷预测方法，其特征在于：所述统计模型预测阶段是使用统计模型（如ARIMA、SARIMA等）对历史负荷数据进行预测，得到中间预测结果1。
5.根据权利要求1所述的一种基于电力用户数据的短期负荷预测方法，其特征在于：所述机器学习模型预测阶段是使用机器学习模型（如神经网络、支持向量机等）对历史负荷数据进行训练和预测，得到中间预测结果2。
6.根据权利要求1所述的一种基于电力用户数据的短期负荷预测方法，其特征在于：所述加权融合阶段是根据历史预测结果的准确性和稳定性，对中间预测结果1和中间预测结果2进行加权融合，得到最终的短期负荷预测结果。
7.根据权利要求1所述的一种基于电力用户数据的短期负荷预测方法，其特征在于：所述结果展示与应用阶段是将预测结果经过可视化展示，并应用于电力系统运营和优化管理，支持负荷调度和决策制定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310849674.8A CN116992216A (zh) | 2023-07-12 | 2023-07-12 | 一种基于电力用户数据的短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310849674.8A CN116992216A (zh) | 2023-07-12 | 2023-07-12 | 一种基于电力用户数据的短期负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116992216A true CN116992216A (zh) | 2023-11-03 |
Family
ID=88527594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310849674.8A Pending CN116992216A (zh) | 2023-07-12 | 2023-07-12 | 一种基于电力用户数据的短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992216A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952283A (zh) * | 2024-03-27 | 2024-04-30 | 国网山东省电力公司滨州市滨城区供电公司 | 基于隶属度的短期负荷预测方法、系统、终端及介质 |
-
2023
- 2023-07-12 CN CN202310849674.8A patent/CN116992216A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952283A (zh) * | 2024-03-27 | 2024-04-30 | 国网山东省电力公司滨州市滨城区供电公司 | 基于隶属度的短期负荷预测方法、系统、终端及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
| Reynolds et al. | Upscaling energy control from building to districts: Current limitations and future perspectives | |
| CN109345409B (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
| CN102402726B (zh) | 一种基于区域负荷分析的大规模配电网电力电量预测方法 | |
| CN107784397B (zh) | 一种电网物资需求预测系统及其预测方法 | |
| US10223167B2 (en) | Discrete resource management | |
| CN113435923B (zh) | 用电量的预测方法、装置及电子设备 | |
| CN102855525B (zh) | 一种居民用户负荷预测分析系统和方法 | |
| Laayati et al. | Smart energy management: Energy consumption metering, monitoring and prediction for mining industry | |
| Liu et al. | Edge sensing data-imaging conversion scheme of load forecasting in smart grid | |
| CN110138877A (zh) | 基于大数据智能分析技术和能源云平台的能源监控方法 | |
| CN116992216A (zh) | 一种基于电力用户数据的短期负荷预测方法 | |
| CN116632838B (zh) | 应用于发电企业的电能供给分析的方法及装置 | |
| CN114596693A (zh) | 用于能源监控和管理的方法、系统、介质和程序产品 | |
| CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
| Chandler et al. | Smart grid dispatch optimization control techniques for transactive energy systems | |
| Jin et al. | An improved combined forecasting method for electric power load based on autoregressive integrated moving average model | |
| CN116865454A (zh) | 储能设备的充放电控制方法、装置、电子设备及存储介质 | |
| Lei et al. | Forecasting short-term residential electricity consumption using a deep fusion model | |
| Urazayev et al. | Distributed Energy Management System with the Use of Digital Twin | |
| Dharssini et al. | Benefits of smart meters in institutional building–a case study | |
| Simões et al. | Advances in information technology for Smart Grids | |
| de Castro et al. | Turning data into knowledge: Big data analytics with behind-the-meter distributed energy resources in the digital utility | |
| Wu et al. | Research on Project Duration Prediction Based on Artificial Neural Network | |
| EP4391269A1 (en) | Virtual peaker power plant |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |