CN117039855B - 一种电力系统的负荷智能预测方法及系统 - Google Patents
一种电力系统的负荷智能预测方法及系统 Download PDFInfo
- Publication number
- CN117039855B CN117039855B CN202310933250.XA CN202310933250A CN117039855B CN 117039855 B CN117039855 B CN 117039855B CN 202310933250 A CN202310933250 A CN 202310933250A CN 117039855 B CN117039855 B CN 117039855B
- Authority
- CN
- China
- Prior art keywords
- information
- prediction model
- load prediction
- load
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000000694 effects Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000012360 testing method Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003362 replicative effect Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening 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
- 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力系统的负荷智能预测方法及系统,属于智慧电网领域,其中方法包括:通过获取目标电力系统的历史电力负荷数据集和负荷预测要求,建立了目标负荷预测模型的预估信息;遍历负荷预测模型库,计算每个模型的符合度,并选择符合度最高的模型作为基础负荷预测模型;对基础负荷预测模型进行修正,利用历史电力负荷数据集进行训练和评估,得到目标负荷预测模型;利用目标负荷预测模型对目标电力系统进行负荷预测。本申请解决了现有技术中电力系统负荷智能预测精度低和成本高的技术问题,达到了智能选择和修正匹配电力系统实际负荷特性的预测模型,实现负荷预测高精度和低成本的技术效果。
Description
技术领域
本发明涉及智慧电网领域,具体涉及一种电力系统的负荷智能预测方法及系统。
背景技术
电力系统负荷预测是电力系统经济运营、安全稳定的基础,其预测精度和质量直接影响电力系统的经济性和安全性。然而,采用历史数据直接训练电力系统的负荷智能预测模型,难以高效快速达到所需要求,并且会消耗大量的资源成本,无法实现高精度、低成本地预测系统负荷。
发明内容
本申请通过提供了一种电力系统的负荷智能预测方法及系统,旨在解决现有技术中电力系统负荷智能预测精度低和成本高的技术问题。
鉴于上述问题,本申请提供了一种电力系统的负荷智能预测方法及系统。
本申请公开的第一个方面,提供了一种电力系统的负荷智能预测方法,该方法包括:获取目标电力系统的历史电力负荷数据集与负荷预测要求,基于历史电力负荷数据集与负荷预测要求获取目标负荷预测模型预估信息;遍历负荷预测模型库,获取第一负荷预测模型信息;基于目标负荷预测模型预估信息与第一负荷预测模型信息,获取预测模型符合度;获取预测模型符合度最大的负荷预测模型作为基础负荷预测模型;对基础负荷预测模型进行复制,构建初始负荷预测模型;基于目标负荷预测模型预估信息对初始负荷预测模型进行修正,基于历史电力负荷数据集对修正后的初始负荷预测模型进行训练与评估,获取目标负荷预测模型;基于目标负荷预测模型对目标电力系统进行负荷预测。
本申请公开的另一个方面,提供了一种电力系统的负荷智能预测系统,该系统包括:基础信息获取模块,用于获取目标电力系统的历史电力负荷数据集与负荷预测要求,基于历史电力负荷数据集与负荷预测要求获取目标负荷预测模型预估信息;模型信息获取模块,用于遍历负荷预测模型库,获取第一负荷预测模型信息;模型符合度模块,基于目标负荷预测模型预估信息与第一负荷预测模型信息,获取预测模型符合度;基础模型获取模块,用于获取预测模型符合度最大的负荷预测模型作为基础负荷预测模型;初始模块构建模块,用于对基础负荷预测模型进行复制,构建初始负荷预测模型;目标模型获取模块,基于目标负荷预测模型预估信息对初始负荷预测模型进行修正,基于历史电力负荷数据集对修正后的初始负荷预测模型进行训练与评估,获取目标负荷预测模型;系统负荷预测模块,基于目标负荷预测模型对目标电力系统进行负荷预测。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过获取目标电力系统的历史电力负荷数据集和负荷预测要求,建立了目标负荷预测模型的预估信息;遍历负荷预测模型库,计算每个模型的符合度,并选择符合度最高的模型作为基础负荷预测模型;对基础负荷预测模型进行修正,利用历史电力负荷数据集进行训练和评估,得到目标负荷预测模型;利用目标负荷预测模型对目标电力系统进行负荷预测的技术方案,解决了现有技术中电力系统负荷智能预测精度低和成本高的技术问题,达到了智能选择和修正匹配电力系统实际负荷特性的预测模型,实现负荷预测高精度和低成本的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种电力系统的负荷智能预测方法可能的流程示意图;
图2为本申请实施例提供了一种电力系统的负荷智能预测方法中获取目标负荷预测模型预估信息可能的流程示意图;
图3为本申请实施例提供了一种电力系统的负荷智能预测方法中获取目标负荷预测模型可能的流程示意图;
图4为本申请实施例提供了一种电力系统的负荷智能预测系统可能的结构示意图。
附图标记说明:基础信息获取模块11,模型信息获取模块12,模型符合度模块13,基础模型获取模块14,初始模块构建模块15,目标模型获取模块16,系统负荷预测模块17。
具体实施方式
本申请提供的技术方案总体思路如下:
本申请实施例提供了一种电力系统的负荷智能预测方法及系统。首先,通过获取目标电力系统的历史电力负荷数据集和负荷预测要求,建立了目标负荷预测模型的预估信息。然后,遍历负荷预测模型库,计算每个模型的符合度,并选择符合度最高的模型作为基础负荷预测模型。接着,对基础负荷预测模型进行修正,利用历史电力负荷数据集进行训练和评估,得到目标负荷预测模型。最后,利用目标负荷预测模型对目标电力系统进行负荷预测,为电力系统的运行和管理提供有力支持,提高负荷预测的准确性和降低预测成本,从而提高电力系统的稳定性和效率。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种电力系统的负荷智能预测方法,该方法包括:
步骤S100:获取目标电力系统的历史电力负荷数据集与负荷预测要求,基于所述历史电力负荷数据集与所述负荷预测要求获取目标负荷预测模型预估信息;
具体而言,获取目标电力系统的历史电力负荷数据集和负荷预测要求。其中,历史电力负荷数据集是指过去一段时间内电力系统的负荷数据,包括负荷大小、时间间隔、天气情况等信息。负荷预测要求是指对未来一段时间内电力系统负荷的预测需求,包括预测的时间范围、预测精度等要求。
首先,通过电力系统监测设备和历史记录数据库方式获取历史电力负荷数据集,这些数据包括每个时间点的负荷大小、负荷曲线等信息。同时,通过与电力系统负荷管理部门进行交互,获得负荷预测要求,如预测精度、预测时长、预测范围等。随后,基于历史电力负荷数据集和负荷预测要求,使用时间序列分析方法,如ARIMA模型、指数平滑法等,对历史负荷数据进行建模和分析,得到负荷的趋势、周期性等特征。同时,结合影响负荷的因素,如天气、季节等,进行综合分析,作为后续步骤中选择和构建负荷预测模型的依据。将所得到的负荷特征与负荷预测要求进行汇总,得到目标负荷预测模型预估信息,为负荷预测模型选择和构建提供依据。
步骤S200:遍历负荷预测模型库,获取第一负荷预测模型信息;
具体而言,负荷预测模型库是指存储了多个负荷预测模型的数据库,这些模型根据不同的算法构建,具有不同的结构和参数。首先,访问负荷预测模型库;然后,通过遍历负荷预测模型库中的模型,逐个获取模型的信息;获取第一负荷预测模型的信息包括模型的名称、训练样本量、预测规模、预测时间、预测精度、训练过程等详细信息。这些信息用于评估和比较不同负荷预测模型的性能和适用性。
步骤S300:基于所述目标负荷预测模型预估信息与第一负荷预测模型信息,获取预测模型符合度;
具体而言,首先,分析预测模型的关键信息,为预测模型符合度判断提供判断维度,例如训练模型的样本量大小、模型的输入特征、模型的输出特征、模型的预测精度、模型所用结构、模型结构、适用范围等。然后,根据所选择的模型判断维度,分别从目标负荷预测模型预估信息和第一负荷预测模型信息中提取对应维度的信息。随后,将两者所包含的信息进行归一化处理,统一量纲,使两者的信息可以进行计算。然后,根据处理后的信息进行差异计算,获取不同负荷预测模型信息与目标负荷预测模型预估信息的符合度,为选择适合目标电力系统的基础负荷智能预测模型提供数据支持。
步骤S400:获取所述预测模型符合度最大的负荷预测模型作为基础负荷预测模型;
具体而言,选择与目标负荷预测模型符合度最大的负荷预测模型作为基础负荷预测模型,为构建目标负荷预测模型提供基础。例如,使用均方根误差衡量不同负荷预测模型与目标负荷预测模型之间的符合度,计算每个负荷预测模型的RMSE,并选择具有最小RMSE的模型作为基础负荷预测模型。
通过比较不同负荷预测模型的符合度,选择与目标负荷预测模型最符合的模型作为基础负荷预测模型,从而降低获取目标负荷预测模型的复杂度,以提高模型的构建效率。
步骤S500:对所述基础负荷预测模型进行复制,构建初始负荷预测模型;
具体而言,对所选择的基础负荷预测模型进行复制,即完全复制基础负荷预测模型的所有参数与网络结构,得到与基础负荷预测模型完全相同的模型,作为初始负荷预测模型。基础负荷预测模型作为一个成熟的现有模型,其模型参数与网络结构都是通过大量的训练数据与计算得出,包含有丰富的负荷预测知识和经验。所以,直接使用该基础模型的全部参数与结构,作为初始负荷预测模型,具有一定的负荷预测能力。
例如,基础负荷预测模型采用的是深度神经网络技术,其模型包含输入层、多层隐藏层以及输出层。对应地,初始负荷预测模型也采用相同的深度神经网络结构与参数,包括神经网络的层数、每层节点的数目、节点的激活函数等都与基础模型完全相同。在接下来的训练与修正过程中,初始模型参数将根据目标电力系统进行逐步更新,以满足负荷预测要求。
通过复制基础负荷预测模型获取一个相同的初始负荷预测模型,为后续的模型修正与训练提供基础,以高效低成本获取负荷要求的负荷预测模型。
步骤S600:基于所述目标负荷预测模型预估信息对所述初始负荷预测模型进行修正,基于所述历史电力负荷数据集对修正后的初始负荷预测模型进行训练与评估,获取目标负荷预测模型;
具体而言,目标负荷预测模型预估信息修正初始负荷预测模型的参考,是对最终的目标模型的预计要求。初始负荷预测模型采用与基础模型相同的深度神经网络,该模型包含大量由基础模型学习得到的负荷预测知识。但是,该模型还不能完全满足目标电力系统的负荷预测使用,需要根据预估信息与目标电力系统的历史电力负荷数据集进行进一步修正与训练。例如,参考预估信息,修正初始负荷预测模型,对神经网络的参数如连接权重、节点偏置等进行调整,进而得到修正后的初始负荷预测模型。该模型在结构上与初始模型相同,但参数得到一定修正,预测精度有所提高。
接着,对修正后的初始负荷预测模型,利用历史电力负荷数据集进行训练,进一步提高其预测精度,优化连接权重与节点偏置,并通过评估算法评估模型的预测精度是否达到目标要求。如果达到要求,则获取目标负荷预测模型;如果未达到要求,则继续进行训练与修正,直至获取具有满意精度的目标负荷预测模型,为电力系统的负荷智能预测提供模型基础。
步骤S700:基于所述目标负荷预测模型对所述目标电力系统进行负荷预测。
具体而言,目标电力系统是指用户想要预测其电力负荷的实际电力系统。不同电力系统由于地理位置、社会经济情况、用户群体等因素的差异,其负荷变化规律也会不同。首先,实时采集目标电力系统的负荷数据,如采集目标电力系统近两个月的负荷数据。然后,将目标电力系统的电力负荷数据输入到目标负荷预测模型中,该模型自动学习和捕捉数据中的负荷变化规律,模型根据已经学习到的知识预测未来的电力负荷值。例如,选择不同的预测时长,如1小时后、3小时后、1天后等的电力负荷预测值;或者进行多步预测,预测未来更长时间范围内每一时刻的电力负荷,为电力系统的维护与优化提供支持。
进一步的,如图2所示,本申请实施例还包括:
步骤S110:根据所述历史电力负荷数据集获取样本量级信息、样本周期信息、样本辅助信息;
步骤S120:根据所述负荷预测要求获取预测输入信息、预测输出信息、预测精度信息;
步骤S130:将所述样本量级信息、所述样本周期信息、所述样本辅助信息、所述预测输入信息、所述预测输出信息、所述预测精度信息汇总为所述目标负荷预测模型预估信息。
具体而言,历史电力负荷数据集包含目标电力系统过去一定时期内的电力负荷数据。根据这些数据可以得出样本量级信息、样本周期信息和样本辅助信息。其中,样本量级信息表示数据集中负荷数据的数量,反映模型训练样本的丰富性;样本周期信息表示数据集中负荷数据的周期性分布规律,反映负荷的变化特性;样本辅助信息表示数据集中的辅助特征,如负荷类型标注、天气信息等,有助于模型的构建。
同时,根据对模型的负荷预测要求,可以确定模型的预测输入信息、预测输出信息和预测精度信息。预测输入信息表示模型支持的输入维度和格式;预测输出信息表示模型需要给出的输出负荷预测维度和格式;预测精度信息表示期望模型达到的负荷预测准确率。最后,将获取的信息汇总,形成目标负荷预测模型的预估信息。该预估信息清晰地描述模型需要达到的效果与标准,为后续的模型构建和训练提供指导。
进一步的,本申请实施例还包括:
步骤S310:基于所述样本量级信息、所述样本周期信息、所述样本辅助信息、所述预测输入信息、所述预测输出信息、所述预测精度信息构建目标矩阵为:
;
其中,为所述样本量级信息的样本量,/>为所述样本周期信息的最小周期时长,/>为所述样本辅助信息的有效信息量,/>为所述预测输入信息的输入特征数,/>为所述预测输出信息的输出特征数,/>为所述预测精度信息的期望精度;
步骤S320:获取所述第一负荷预测模型信息中的第一样本量级信息、第一周期性信息、第一样本辅助信息、第一预测输入信息、第一预测输出信息、第一预测精度信息,并构建第一匹配矩阵为:
;
其中,为所述第一样本量级信息的样本量,/>为所述第一周期性信息的最小周期时长,/>为所述第一样本辅助信息的有效信息量,/>为所述第一预测输入信息的输入特征数,/>为所述第一预测输出信息的输出特征数,/>为所述第一预测精度信息的平均精度;
步骤S330:根据所述目标矩阵和所述第一匹配矩阵获取所述预测模型符合度。
具体而言,为了筛选出最匹配的现有负荷预测模型,首先,根据前述预估信息构建目标矩阵,作为理想模型的参考指标。目标矩阵的各个维度反映理想目标预测模型在不同方面的要求。其中,/>表示理想目标预测模型需要的样本量,表示负荷数据变化的最小周期,/>表示理想目标预测模型需要的辅助信息量,/>表示理想目标预测模型需要的输入特征数量,/>表示理想目标预测模型需要产出的输出特征数量,/>表示理想目标预测模型需要达到的最低精度要求。
然后,获取现有负荷预测模型,即第一负荷预测模型,并构建第一匹配矩阵。其中,/>、/>、/>分别表示第一负荷预测模型的样本量、数据变化最小周期、使用的辅助信息量;/>、/>分别表示第一负荷预测模型的输入特征数和输出特征数;/>表示第一负荷预测模型的平均精度。第一匹配矩阵描述第一负荷预测模型在各个关键指标上的具体水平。
随后,将目标矩阵和第一匹配矩阵进行对比,判断第一负荷预测模型在哪些指标上满足要求,在哪些指标上不足,并综合多个指标给出第一负荷预测模型的整体符合度,反映第一负荷预测模型与理想模型的匹配程度,用于后续对多个模型的筛选和对比,为最优模型的选择提供参考依据。
进一步的,本申请实施例还包括:
步骤S331:将所述目标矩阵与所述第一匹配矩阵相减,获取差异矩阵为:
;
其中,分别为所述目标负荷预测模型预估信息与所述第一负荷预测模型信息的样本量差、周期差、辅助信息量差、输入特征数差、输出特征数差、预测精度差;
步骤S332:构建转换公式为:
;
其中,为预测模型符合度;
步骤S333:根据所述转换公式将所述差异矩阵转化为所述预测模型符合度。
具体而言,为准确判断第一负荷预测模型与理想模型的匹配程度,基于目标矩阵和第一匹配矩阵计算出两者在各个关键指标上的差异,并综合多个差异得出第一负荷预测模型的整体符合度。
首先,将目标矩阵和第一匹配矩阵进行数学运算,以获得两者在样本量、样本数据的最小周期、使用的辅助信息量、输入特征数、输出特征数和平均精度各值的差异,得到差异矩阵记为。差异矩阵直观反映第一负荷预测模型相对于理想模型的不足之处以及相应的差距。然后,构建转换公式为:,以将不同差异综合在一起。这里,score表示第一负荷预测模型与理想目标负荷预测模型的整体匹配程度,值越大表明匹配程度越高。
随后,将差异矩阵中的各个差异指标带入转换公式,计算出第一个负荷预测模型的整体匹配程度Score。该Score考虑了样本量、样本数据最小周期、使用的辅助信息量、输入特征数、输出特征数和平均精度等多个关键方面,能够准确反映第一负荷预测模型相对于理想目标预测模型的匹配情况。通过构建差异矩阵和转换公式,能够准确判断多个现有负荷预测模型与理想模型的匹配程度,为最优模型的选择提供准确的判断依据。
进一步的,本申请实施例还包括:
步骤S510:分析和提取所述基础负荷预测模型的关键要素,其中,所述关键要素包括模型结构、模型参数、模型算法;
步骤S520:根据所述模型结构、所述模型参数、所述模型算法构建与所述基础负荷预测模型构建初始负荷预测模型;
其中,所述初始负荷预测模型与所述基础负荷预测模型具有相同结构和参数。
具体而言,构建与基础负荷预测模型匹配的最终负荷预测模型,需要首先分析和提取基础负荷预测模型的关键要素,然后根据这些关键要素构建出与基础负荷预测模型相匹配的初始负荷预测模型。
首先,分析基础负荷预测模型的结构、参数和算法等关键要素。其中,模型结构指负荷预测模型包含的各层、节点以及它们之间的连接关系;模型参数指负荷预测模型训练过程中学习到的参数,如权重矩阵和偏置向量等;模型算法指负荷预测模型采用的训练算法,如反向传播算法等。这3个方面共同决定了基础负荷预测模型的预测性能。
然后,根据提取的模型结构、模型参数和模型算法,构建与基础负荷预测模型相匹配的初始负荷预测模型。因为此初始负荷预测模型采用相同的结构、参数和算法,所以其预测结果与基础负荷预测模型的预测结果基本一致,达到匹配的效果。构建此初始负荷预测模型的具体方法是根据基础负荷预测模型的结构图和公开的参数,使用相同的深度学习框架和算法,重新训练得到参数值与基础模型近似的新模型。
通过分析提取基础模型的关键要素,并根据这些关键要素构建出匹配的初始负荷预测模型,实现了与基础模型的结构和参数匹配,为后续模型的优化调整奠定了基础。
进一步的,本申请实施例还包括:
步骤S610:提取所述目标负荷预测模型预估信息与所述基础负荷预测模型的差异信息;
步骤S620:基于所述差异信息对所述初始负荷预测模型进行修正,获取修正后的初始负荷预测模型。
具体而言,首先,提取目标负荷预测模型的预估信息与基础负荷预测模型的差异信息。差异信息是指目标模型预测结果与基础模型预测结果之间的差值。通过比较两种模型信息在某些样本上的预测结果,找到两者预测的差异点,这些差异点反映出两种模型在预测性能方面的差异,是模型优化的重要信息。然后,根据提取的差异信息,对初始负荷预测模型进行修正,以消除或减小与理想目标负荷预测模型的差异,得到修正后的初始负荷预测模型。例如,采用权重微调、节点添加等方法,对模型的具体结构和参数进行调整。修正后的模型可以在一定程度上提高其预测精度,使其更加匹配目标负荷预测模型预估信息,为最终模型的构建奠定基础。
进一步的,如图3所示,本申请实施例还包括:
步骤S630:将所述历史电力负荷数据集划分为训练数据集和测试数据集;
步骤S640:对所述训练数据集和所述测试数据集进行预处理;
步骤S650:利用所述训练数据集训练所述修正后的初始负荷预测模型;
步骤S660:基于所述测试数据集通过所述修正后的初始负荷预测模型进行预测,得到负荷预测值;
步骤S670:将所述负荷预测值与测试数据集中的实际负荷值进行比较,计算负荷预测精度指标,进行模型效果评估,当评估结果满足预设阈值时,获取所述负荷预测模型。
具体而言,首先,根据一定的比例对历史电力负荷数据集进行划分,得到用于模型训练的训练数据集和用于模型效果评估的测试数据集。例如,取70%左右的数据作为训练数据集,剩余30%的数据作为测试数据集。然后,对训练数据集和测试数据集进行预处理,例如去除异常值、归一化等,以提高模型训练和评估的效果。随后,利用预处理后的训练数据集训练修正后的初始负荷预测模型,对修正后的初始负荷预测模型进行参数优化,提高模型预测精度,进而得到训练好的负荷预测模型。接着,使用训练得到的负荷预测模型对预处理的测试数据集进行预测,得到负荷预测值。最后,将得到的负荷预测值与测试数据集中的实际负荷值进行比较,采用均方误差评估模型的预测精度,如果评价结果达到预设的精度阈值,则认为所训练的负荷预测模型满足要求,作为最终的目标负荷预测模型。否则,对模型进行进一步优化,如调整模型结构、更改参数等,直至得到满足精度要求的负荷预测模型。
综上所述,本申请实施例所提供的一种电力系统的负荷智能预测方法具有如下技术效果:
获取目标电力系统的历史电力负荷数据集与负荷预测要求,基于历史电力负荷数据集与负荷预测要求获取目标负荷预测模型预估信息,将构建负荷预测模型提供基础;遍历负荷预测模型库,获取第一负荷预测模型信息;基于目标负荷预测模型预估信息与第一负荷预测模型信息,获取预测模型符合度;获取预测模型符合度最大的负荷预测模型作为基础负荷预测模型,计算每个模型与预估信息的符合度,从而实现对基础负荷模型的选择;对基础负荷预测模型进行复制,构建初始负荷预测模型,高效获取初始负荷预测模型,降低模型构建成本,提高效率;基于目标负荷预测模型预估信息对初始负荷预测模型进行修正,提高模型的准确性和精度,使其更适应目标电力系统的特点和需求;基于历史电力负荷数据集对修正后的初始负荷预测模型进行训练与评估,获取目标负荷预测模型;基于目标负荷预测模型对目标电力系统进行负荷预测,为电力系统的运行和管理提供参考依据,达到了智能选择和修正匹配电力系统实际负荷特性的预测模型,实现负荷预测高精度和低成本的技术效果。
实施例二
基于与前述实施例中一种电力系统的负荷智能预测方法相同的发明构思,如图4所示,本申请实施例提供了一种电力系统的负荷智能预测系统,该系统包括:
基础信息获取模块11,用于获取目标电力系统的历史电力负荷数据集与负荷预测要求,基于所述历史电力负荷数据集与所述负荷预测要求获取目标负荷预测模型预估信息;
模型信息获取模块12,用于遍历负荷预测模型库,获取第一负荷预测模型信息;
模型符合度模块13,基于所述目标负荷预测模型预估信息与第一负荷预测模型信息,获取预测模型符合度;
基础模型获取模块14,用于获取所述预测模型符合度最大的负荷预测模型作为基础负荷预测模型;
初始模块构建模块15,用于对所述基础负荷预测模型进行复制,构建初始负荷预测模型;
目标模型获取模块16,基于所述目标负荷预测模型预估信息对所述初始负荷预测模型进行修正,基于所述历史电力负荷数据集对修正后的初始负荷预测模型进行训练与评估,获取目标负荷预测模型;
系统负荷预测模块17,基于所述目标负荷预测模型对所述目标电力系统进行负荷预测。
进一步的,基础信息获取模块11包括以下执行步骤:
根据所述历史电力负荷数据集获取样本量级信息、样本周期信息、样本辅助信息;
根据所述负荷预测要求获取预测输入信息、预测输出信息、预测精度信息;
将所述样本量级信息、所述样本周期信息、所述样本辅助信息、所述预测输入信息、所述预测输出信息、所述预测精度信息汇总为所述目标负荷预测模型预估信息。
进一步的,模型符合度模块13包括以下执行步骤:
基于所述样本量级信息、所述样本周期信息、所述样本辅助信息、所述预测输入信息、所述预测输出信息、所述预测精度信息构建目标矩阵为:
;
其中,为所述样本量级信息的样本量,/>为所述样本周期信息的最小周期时长,/>为所述样本辅助信息的有效信息量,/>为所述预测输入信息的输入特征数,/>为所述预测输出信息的输出特征数,/>为所述预测精度信息的期望精度;
获取所述第一负荷预测模型信息中的第一样本量级信息、第一周期性信息、第一样本辅助信息、第一预测输入信息、第一预测输出信息、第一预测精度信息,并构建第一匹配矩阵为:
;
其中,为所述第一样本量级信息的样本量,/>为所述第一周期性信息的最小周期时长,/>为所述第一样本辅助信息的有效信息量,/>为所述第一预测输入信息的输入特征数,/>为所述第一预测输出信息的输出特征数,/>为所述第一预测精度信息的平均精度;
根据所述目标矩阵和所述第一匹配矩阵获取所述预测模型符合度。
进一步的,模型符合度模块13还包括以下执行步骤:
将所述目标矩阵与所述第一匹配矩阵相减,获取差异矩阵为:
;
其中,分别为所述目标负荷预测模型预估信息与所述第一负荷预测模型信息的样本量差、周期差、辅助信息量差、输入特征数差、输出特征数差、预测精度差;
构建转换公式为:;
其中,为预测模型符合度;
根据所述转换公式将所述差异矩阵转化为所述预测模型符合度。
进一步的,初始模块构建模块15包括以下执行步骤:
分析和提取所述基础负荷预测模型的关键要素,其中,所述关键要素包括模型结构、模型参数、模型算法;
根据所述模型结构、所述模型参数、所述模型算法构建与所述基础负荷预测模型构建初始负荷预测模型;
其中,所述初始负荷预测模型与所述基础负荷预测模型具有相同结构和参数。
进一步的,目标模型获取模块16包括以下执行步骤:
提取所述目标负荷预测模型预估信息与所述基础负荷预测模型的差异信息;
基于所述差异信息对所述初始负荷预测模型进行修正,获取修正后的初始负荷预测模型。
进一步的,目标模型获取模块16还包括以下执行步骤:
将所述历史电力负荷数据集划分为训练数据集和测试数据集;
对所述训练数据集和所述测试数据集进行预处理;
利用所述训练数据集训练所述修正后的初始负荷预测模型;
基于所述测试数据集通过所述修正后的初始负荷预测模型进行预测,得到负荷预测值;
将所述负荷预测值与测试数据集中的实际负荷值进行比较,计算负荷预测精度指标,进行模型效果评估,当评估结果满足预设阈值时,获取所述负荷预测模型。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (5)
1.一种电力系统的负荷智能预测方法,其特征在于,所述方法包括:
获取目标电力系统的历史电力负荷数据集与负荷预测要求,基于所述历史电力负荷数据集与所述负荷预测要求获取目标负荷预测模型预估信息;
遍历负荷预测模型库,获取第一负荷预测模型信息;
基于所述目标负荷预测模型预估信息与第一负荷预测模型信息,获取预测模型符合度;
获取所述预测模型符合度最大的负荷预测模型作为基础负荷预测模型;
对所述基础负荷预测模型进行复制,构建初始负荷预测模型;
基于所述目标负荷预测模型预估信息对所述初始负荷预测模型进行修正,基于所述历史电力负荷数据集对修正后的初始负荷预测模型进行训练与评估,获取目标负荷预测模型;
基于所述目标负荷预测模型对所述目标电力系统进行负荷预测;
基于所述电力负荷数据集与所述负荷预测要求获取目标负荷预测模型预估信息,包括:
根据所述历史电力负荷数据集获取样本量级信息、样本周期信息、样本辅助信息;
根据所述负荷预测要求获取预测输入信息、预测输出信息、预测精度信息;
将所述样本量级信息、所述样本周期信息、所述样本辅助信息、所述预测输入信息、所述预测输出信息、所述预测精度信息汇总为所述目标负荷预测模型预估信息;
基于所述目标负荷预测模型预估信息与第一负荷预测模型信息,获取预测模型符合度,包括:
基于所述样本量级信息、所述样本周期信息、所述样本辅助信息、所述预测输入信息、所述预测输出信息、所述预测精度信息构建目标矩阵为:
其中,Nnm为所述样本量级信息的样本量,Cyc为所述样本周期信息的最小周期时长,Aux为所述样本辅助信息的有效信息量,In为所述预测输入信息的输入特征数,Out为所述预测输出信息的输出特征数,Acc为所述预测精度信息的期望精度;
获取所述第一负荷预测模型信息中的第一样本量级信息、第一周期性信息、第一样本辅助信息、第一预测输入信息、第一预测输出信息、第一预测精度信息,并构建第一匹配矩阵为:
其中,Nnm1为所述第一样本量级信息的样本量,Cyc1为所述第一周期性信息的最小周期时长,Aux1为所述第一样本辅助信息的有效信息量,In1为所述第一预测输入信息的输入特征数,Out1为所述第一预测输出信息的输出特征数,Acc1为所述第一预测精度信息的平均精度;
根据所述目标矩阵和所述第一匹配矩阵获取所述预测模型符合度;
根据所述目标矩阵和所述第一匹配矩阵获取所述预测模型符合度,包括:
将所述目标矩阵与所述第一匹配矩阵相减,获取差异矩阵为:
其中,Nnmc、Cycc、Auxc、Inc、Outc、Accc分别为所述目标负荷预测模型预估信息与所述第一负荷预测模型信息的样本量差、周期差、辅助信息量差、输入特征数差、输出特征数差、预测精度差;
构建转换公式为:
其中,score为预测模型符合度;
根据所述转换公式将所述差异矩阵转化为所述预测模型符合度。
2.根据权利要求1所述的方法,其特征在于,对所述基础负荷预测模型进行复制,构建初始负荷预测模型,包括:
分析和提取所述基础负荷预测模型的关键要素,其中,所述关键要素包括模型结构、模型参数、模型算法;
根据所述模型结构、所述模型参数、所述模型算法构建与所述基础负荷预测模型构建初始负荷预测模型;
其中,所述初始负荷预测模型与所述基础负荷预测模型具有相同结构和参数。
3.根据权利要求2所述的方法,其特征在于,基于所述目标负荷预测模型预估信息对所述初始负荷预测模型进行修正,包括:
提取所述目标负荷预测模型预估信息与所述基础负荷预测模型的差异信息;
基于所述差异信息对所述初始负荷预测模型进行修正,获取修正后的初始负荷预测模型。
4.根据权利要求1所述的方法,其特征在于,基于所述历史电力负荷数据集对修正后的初始负荷预测模型进行训练与评估,获取目标负荷预测模型,包括:
将所述历史电力负荷数据集划分为训练数据集和测试数据集;
对所述训练数据集和所述测试数据集进行预处理;
利用所述训练数据集训练所述修正后的初始负荷预测模型;
基于所述测试数据集通过所述修正后的初始负荷预测模型进行预测,得到负荷预测值;
将所述负荷预测值与测试数据集中的实际负荷值进行比较,计算负荷预测精度指标,进行模型效果评估,当评估结果满足预设阈值时,获取所述负荷预测模型。
5.一种电力系统的负荷智能预测系统,其特征在于,用于实施权利要求1-4任意一项所述的一种电力系统的负荷智能预测方法,所述系统包括:
基础信息获取模块,所述基础信息获取模块用于获取目标电力系统的历史电力负荷数据集与负荷预测要求,基于所述历史电力负荷数据集与所述负荷预测要求获取目标负荷预测模型预估信息;
模型信息获取模块,所述模型信息获取模块用于遍历负荷预测模型库,获取第一负荷预测模型信息;
模型符合度模块,所述模型符合度模块基于所述目标负荷预测模型预估信息与第一负荷预测模型信息,获取预测模型符合度;
基础模型获取模块,所述基础模型获取模块用于获取所述预测模型符合度最大的负荷预测模型作为基础负荷预测模型;
初始模块构建模块,所述初始模块构建模块用于对所述基础负荷预测模型进行复制,构建初始负荷预测模型;
目标模型获取模块,所述目标模型获取模块基于所述目标负荷预测模型预估信息对所述初始负荷预测模型进行修正,基于所述历史电力负荷数据集对修正后的初始负荷预测模型进行训练与评估,获取目标负荷预测模型;
系统负荷预测模块,所述系统负荷预测模块基于所述目标负荷预测模型对所述目标电力系统进行负荷预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310933250.XA CN117039855B (zh) | 2023-07-27 | 2023-07-27 | 一种电力系统的负荷智能预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310933250.XA CN117039855B (zh) | 2023-07-27 | 2023-07-27 | 一种电力系统的负荷智能预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117039855A CN117039855A (zh) | 2023-11-10 |
CN117039855B true CN117039855B (zh) | 2024-02-09 |
Family
ID=88628997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310933250.XA Active CN117039855B (zh) | 2023-07-27 | 2023-07-27 | 一种电力系统的负荷智能预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117039855B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734072A (zh) * | 2019-10-28 | 2021-04-30 | 深圳市中电软件有限公司 | 电力负荷预测方法、系统、终端设备及介质 |
CN115276006A (zh) * | 2022-09-26 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种用于电力集成系统的负荷预测的方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8374982B2 (en) * | 2010-01-14 | 2013-02-12 | Hewlett-Packard Development Company, L.P. | System and method for constructing forecast models |
US20210383271A1 (en) * | 2020-06-04 | 2021-12-09 | Bmc Software, Inc. | Performance prediction using dynamic model correlation |
-
2023
- 2023-07-27 CN CN202310933250.XA patent/CN117039855B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734072A (zh) * | 2019-10-28 | 2021-04-30 | 深圳市中电软件有限公司 | 电力负荷预测方法、系统、终端设备及介质 |
CN115276006A (zh) * | 2022-09-26 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种用于电力集成系统的负荷预测的方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于关联规则的城市电力负荷预测模型智能推荐;肖峻;耿芳;杜柏均;于波;;天津大学学报(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117039855A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1851571A2 (en) | System and method for enhanced measure-correlate-predict for a wind farm location | |
JP2009225550A (ja) | 電力の需要予測処理方法及び装置、並びに発電予測処理方法 | |
CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN112541852A (zh) | 城市人流监控方法、装置、电子设备及存储介质 | |
CN115657754B (zh) | 一种提高变频加热温度控制精度的方法及系统 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN115759393A (zh) | 基于集成学习的累积负荷基线预测方法 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN117039855B (zh) | 一种电力系统的负荷智能预测方法及系统 | |
CN116401601B (zh) | 基于逻辑回归模型的停电敏感用户处置方法 | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
CN116976702A (zh) | 基于大场景gis轻量化引擎的城市数字孪生平台及方法 | |
JP4780668B2 (ja) | トラヒック分析モデルの構築方法、装置および構築プログラムならびにその記憶媒体 | |
CN116010228A (zh) | 面向网络安全扫描的时间预估方法及装置 | |
CN112613718B (zh) | 一种特定场所风险评估方法及装置 | |
CN110322063A (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN110751335A (zh) | 一种区域生态质量年景预测评价方法及装置 | |
CN117236571B (zh) | 一种基于物联网的规划方法和系统 | |
CN116342077B (zh) | 一种适用于数据缺失场站的新能源功率迁移学习预测方法 | |
CN117878979B (zh) | 基于电储能的功率平衡及动态补偿系统 | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
JP4780670B2 (ja) | トラヒック分析モデルの構築方法、装置および構築プログラムならびにその記憶媒体 | |
CN118152870A (zh) | 一种基于组合模型的配电网供电可靠性预测方法及系统 | |
CN117272240A (zh) | 一种基于集成学习的数据中心负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |