CN117239731B - 基于混合模型的节假日短期电力负荷预测方法 - Google Patents
基于混合模型的节假日短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN117239731B CN117239731B CN202311222863.9A CN202311222863A CN117239731B CN 117239731 B CN117239731 B CN 117239731B CN 202311222863 A CN202311222863 A CN 202311222863A CN 117239731 B CN117239731 B CN 117239731B
- Authority
- CN
- China
- Prior art keywords
- holiday
- data
- data set
- power load
- influence
- 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 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 31
- 238000003062 neural network model Methods 0.000 claims description 13
- 230000000737 periodic effect Effects 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims 1
- 230000037430 deletion Effects 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于混合模型的节假日短期电力负荷预测方法,包括获取历史数据集和影响数据集,对所述历史数据集和所述影响数据集进行预处理,根据所述历史数据集提取所述影响数据集的影响因子,根据所述影响因子提取所述影响数据集获得相关数据,对所述历史数据集进行分解获得固有模态函数分量,提取所述固有模态函数分量的时序特征,对所述相关特征进行预测获得相关预测数据,将所述相关预测数据、所述时序特征和所述历史数据集输入混合模型,获得节假日短期电力负荷预测数据。该方法不仅可以提高电力负荷预测的精度,同时具有较好的可解释性,可以直接应用于节假日短期电力负荷预测系统中。
Description
技术领域
本发明涉及电力预测领域,尤其涉及基于混合模型的节假日短期电力负荷预测方法。
背景技术
如何准确预测节假日电力负荷,优化调度方案和减少能源消耗,是电力企业面临的重要问题之一。
在电力负荷预测中,节假日负荷预测是一个非常特殊的环节,节假日中通常存在大量的商业和休闲活动,人们的生活和工作模式都与平常日有所不同,节假日负荷预测的难点主要分为三个方面:第一,节假日期间的负荷数据通常具有明显的周期性和不规则性;第二,节假日负荷的数据量相对较小;第三,节假日负荷预测还需要考虑人们不同的活动和消费习惯等因素。
因此用电负荷的波动也会有所不同,导致传统的电力负荷模型无法正确预测需求电力负荷。
发明内容
本发明的目的是要提供基于混合模型的节假日短期电力负荷预测方法。
为达到上述目的,本发明是按照以下技术方案实施的:
本发明包括以下步骤:
A获取历史数据集和影响数据集,对所述历史数据集和所述影响数据集进行预处理,根据所述历史数据集提取所述影响数据集的影响因子;
B计算所述历史数据集与所述影响因子的相关度,根据所述影响因子提取所述影响数据集获得相关数据;
C对所述历史数据集进行分解获得固有模态函数分量,提取所述固有模态函数分量的时序特征;
D对所述相关数据进行特征提取获得相关特征,将所述相关特征和所述相关数据输入相关预测模型,获得相关预测数据;
E将所述相关预测数据、所述时序特征和所述历史数据集输入混合模型,获得节假日短期电力负荷预测数据;
其中所述混合模型包括神经网络模型和XGBoost模型,通过神经网络模型获得节假日电力负荷预测数据,计算实际电力负荷与节假日电力负荷预测数据的残差;
使用平均绝对百分误差作为损失函数:
其中待预测点的数量为n,第i个实际电力负荷值为yi,第i个预测电力负荷值为通过XGBoost模型获得节假日电力负荷预测数据,计算实际电力负荷与节假日电力负荷预测数据的残差,将神经网络模型的残差和XGBoost模型的残差相加,得到最终的预测结果。
进一步的,步骤A中所述预处理包括数据填充、数据删除、数据清洗、数据变换、数据集成、数据归约和标准化。
进一步的,根据所述历史数据集提取所述影响数据集的影响因子的方法,包括:
根据一阶线性回归法对历史数据集进行趋势项提取,将趋势项作为初始影响因子,将星期类型编译为季节性指示器,提取新影响因子,建立周期图,观察历史数据集集用电负荷的周期强度,采用傅里叶变换对新影响因子和初始影响因子进行影响力提取,获得重要影响因子,建立节假日历史数据集滞后图,观察用电负荷的序列依赖性,利用历史数据集预测节假日当天的电力负荷,使用独热编码将历史数据集离散化,将离散化后的数据再归一化;
对所述历史数据集进行学习:
其中s型函数为f(x),历史数据集为x,常数为b,将归一化后的历史数据集输入影响因子筛选模型,获取影响因子向量,所述重要影响因子筛选模型基于神经网络,采用随机森林算法将历史数据集按生成训练集和测试集,将训练集输入,对训练集数据进行数据增强,将数据增强后的数据和原始训练集数据构成样本对,将样本对进行比对,计算样本对的对比损失:
其中相似度函数为sim(·),指示函数为ifn(·),样本数量为2N,样本为a,训练集数据为i,增强后的数据为j,筛选出对比损失小于0.1的重要影响因子并输出为影响因子。
进一步的,计算所述历史数据集与所述影响因子的相关度的公式为:
根据历史数据集给定熵:
其中影响因子集合的熵为V(X),影响因子为x,影响因子的集合为X,计算互信息:
其中历史数据集为y,历史数据集的集合为Y,影响因子的集合X历史数据集的集合Y的互信息为C(X,Y),给定熵:
其中影响因子集合的熵为V(X),计算相关度:
相关度越大表示影响因子和节假日电力负荷的相关度越强,输出影响因子的相关度。
进一步的,对所述历史数据集进行分解获得固有模态函数分量的方法,包括:
将历史数据集的局部极大值和局部极小值的平均值设定一个初始的固有模态函数分量,找出信号的局部极大值和极小值,用三次样条插值函数连接极值点,形成上包络线和下包络线,计算上包络线和下包络线的平均值,得到均值线;
将原始信号减去均值线,得到固有模态函数分量的估计值,若设定值是极值点数量大于原始信号极值点数量的50,则停止分解,反之继续分解,原始信号减去当前的固有模态函数分量之和获得残差;
将残差作为新的原始信号,直到残差达到预设的固有模态函数分量数量,直到无固有模态函数分量产生,输出固有模态函数分量。
进一步的,提取所述固有模态函数分量的时序特征的方法,包括:
使用固有模态函数重构信号将固有模态函数分量生成序列,将序列分解为多项规律项和误差项的组合:
K(t)=e(t)+c(t)+s(t)+σt
s(t)=[1(t∈D1),1(t∈D2),…,1(t∈DL)]ρ
其中t时刻负荷序列的非周期性变化的趋势项为e(t),t时刻负荷序列的周期性变化的周期项为c(t),t时刻不规律节假日效应影响的节假日项为s(t),t时刻无法容纳特异性变化的误差项为σt,负荷的基本增长率为a指示函数为β(t),突变点的平滑处理偏移量为负荷在t时刻的增长率为βT(t)δ,周期为z,平滑系数为/>平滑系数的个数为N,节假日的先验变化参数为ρ,第i个节假日过去和未来日期的集合为Di,根据负荷量数据提取在视在功率序列多时间尺寸的时序特征:
其中t时刻有用功功率为Pt,t时刻无功率为Qt,t时刻视在功率为Mt,采用指数平滑拟合视在功率序列的趋势和季节性特征,使用异常值检测提取突变和异常值特征,将异常值特征输出为时序特征。
进一步的,所述残差的计算公式为:
δi=Ui-Si
其中节假日i的残差为δi,实际节假日i的电力负荷为Ui,预测节假日的电力负荷为Si。
进一步的,所述获得节假日短期电力负荷预测数据的方法,包括将相关预测数据、所述时序特征和所述历史数据集按5:1分成训练集和测试集,将训练集输入混合模型进行训练,根据正确率和效率优化混合模型中神经网络模型的参数、学习率、迭代次数,优化XGBoost模型的学习率、迭代次数、树的深度,将测试集输入优化后的混合模型,直到残差小于0.15停止训练,输出节假日短期电力负荷预测数据。
本发明的有益效果是:
本发明是基于混合模型的节假日短期电力负荷预测方法,与现有技术相比,本发明具有以下技术效果:
本发明为了克服节假日电力负荷历史数据较少的困难,本发明采取了训练通用模型的思路,利用历史数据中的平常日负荷数据,结合额外的节假日标示特征,训练出了一个通用模型,能够在预测平常日负荷的基础上,准确地预测出节假日负荷,构建了神经网络和XGBoost的混合模型,神经网络模型擅长推断趋势,XGBoost模型擅长学习相互关系,使用神经网络来拟合原始序列,用XGBoost来拟合残差序列,构建一个混合模型,通过对历史数据进行分析发现,对节假日短期电力负荷预测具有重要意义,可以适应不同标准的节假日短期电力负荷预测、不同地域的节假日短期电力负荷预测需求,具有一定的普适性。
附图说明
图1为本发明基于混合模型的节假日短期电力负荷预测方法的步骤流程图;
图2为本说明书在实施例中某节假日的预测曲线。
具体实施方式
下面通过具体实施例对本发明作进一步描述,在此发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
本发明基于混合模型的节假日短期电力负荷预测方法包括以下步骤:
如图1所示,在本实施例中,包括以下步骤:
A获取历史数据集和影响数据集,对所述历史数据集和所述影响数据集进行预处理,根据所述历史数据集提取所述影响数据集的影响因子;
在实际评估中,将中国南方某城市作为研究对象,预测节假日的电力负荷,历史数据集包括节假日历史数据集、非节假日历史数据集、气象数据、经济数据、人口数据,获取该城市2016-01-01到2022-05-05七年的历史数据集;
B计算所述历史数据集与所述影响因子的相关度,根据所述影响因子提取所述影响数据集获得相关数据;
C对所述历史数据集进行分解获得固有模态函数分量,提取所述固有模态函数分量的时序特征;
在实际评估中,提取到的时序特征包括长期趋势特征、短期波动特征、周期性特征、异常值特征和复杂模式特征;
D对所述相关数据进行特征提取获得相关特征,将所述相关特征和所述相关数据输入相关预测模型,获得相关预测数据;
E将所述相关预测数据、所述时序特征和所述历史数据集输入混合模型,获得节假日短期电力负荷预测数据;
其中所述混合模型包括神经网络模型和XGBoost模型,通过神经网络模型获得节假日电力负荷预测数据,计算实际电力负荷与节假日电力负荷预测数据的残差;
使用平均绝对百分误差作为损失函数:
其中待预测点的数量为n,第i个实际电力负荷值为yi,第i个预测电力负荷值为通过XGBoost模型获得节假日电力负荷预测数据,计算实际电力负荷与节假日电力负荷预测数据的残差,将神经网络模型的残差和XGBoost模型的残差相加,得到最终的预测结果。
在本实施例中,步骤A中所述预处理包括,检测所述历史数据集的缺失值,对连续天的缺失点进行数据删除,对于离散的缺失点使用此点的前一点数据进行填充;对历史数据集进行一阶差分,统计一阶差分为零的连续区间,删除连续区间的时间高于24小时的数据;对历史数据集构建箱型图,通过观察箱型图发现历史数据集的异常情况,对历史数据集进行填补;此外预处理还包括数据清洗、数据变换、数据集成、数据归约和标准化。
在本实施例中,根据所述历史数据集提取所述影响数据集的影响因子的方法,包括:
根据一阶线性回归法对历史数据集进行趋势项提取,将趋势项作为初始影响因子,将星期类型编译为季节性指示器,提取新影响因子,建立周期图,观察历史数据集集用电负荷的周期强度,采用傅里叶变换对新影响因子和初始影响因子进行影响力提取,获得重要影响因子,建立节假日历史数据集滞后图,观察用电负荷的序列依赖性,利用历史数据集预测节假日当天的电力负荷,使用独热编码将历史数据集离散化,将离散化后的数据再归一化;
对所述历史数据集进行学习:
其中s型函数为f(x),历史数据集为x,常数为b,将归一化后的历史数据集输入影响因子筛选模型,获取影响因子向量,所述重要影响因子筛选模型基于神经网络,采用随机森林算法将历史数据集按生成训练集和测试集,将训练集输入,对训练集数据进行数据增强,将数据增强后的数据和原始训练集数据构成样本对,将样本对进行比对,计算样本对的对比损失:
其中相似度函数为sim(·),指示函数为ifn(·),样本数量为2N,样本为a,训练集数据为i,增强后的数据为j,筛选出对比损失小于0.1的重要影响因子并输出为影响因子;
在实际评估中,重要影响因子为气象因素、景点热度因素、经济因素、人口流动因素、系统故障因素,气象因素、景点热度因素、经济因素、人口流动因素、系统故障因素的对比损失分别为0.06、0.23、0.07、0.09、0.67,筛选出的影响因素为气象因素、经济因素、人口流动因素。
在本实施例中,计算所述历史数据集与所述影响因子的相关度的公式为:
根据历史数据集给定熵:
其中影响因子集合的熵为V(X),影响因子为x,影响因子的集合为X,计算互信息:
其中历史数据集为y,历史数据集的集合为Y,影响因子的集合X历史数据集的集合Y的互信息为C(X,Y),给定熵:
其中影响因子集合的熵为V(X),计算相关度:
相关度越大表示影响因子和节假日电力负荷的相关度越强,输出影响因子的相关度;
在实际评估中,历史数据集与气象因素、经济因素、人口流动因素的相关度分别为0.82、0.54、0.91。
在本实施例中,对所述历史数据集进行分解获得固有模态函数分量的方法,包括:
将历史数据集的局部极大值和局部极小值的平均值设定一个初始的固有模态函数分量,找出信号的局部极大值和极小值,用三次样条插值函数连接极值点,形成上包络线和下包络线,计算上包络线和下包络线的平均值,得到均值线;
将原始信号减去均值线,得到固有模态函数分量的估计值,若设定值是极值点数量大于原始信号极值点数量的50,则停止分解,反之继续分解,原始信号减去当前的固有模态函数分量之和获得残差;
将残差作为新的原始信号,直到残差达到预设的固有模态函数分量数量,直到无固有模态函数分量产生,输出固有模态函数分量。
在本实施例中,提取所述固有模态函数分量的时序特征的方法,包括:
使用固有模态函数重构信号将固有模态函数分量生成序列,将序列分解为多项规律项和误差项的组合:
K(t)=e(t)+c(t)+s(t)+σt
s(t)=[1(t∈D1),1(t∈D2),…,1(t∈DL)]ρ
其中t时刻负荷序列的非周期性变化的趋势项为e(t),t时刻负荷序列的周期性变化的周期项为c(t),t时刻不规律节假日效应影响的节假日项为s(t),t时刻无法容纳特异性变化的误差项为σt,负荷的基本增长率为a指示函数为β(t),突变点的平滑处理偏移量为负荷在t时刻的增长率为βT(t)δ,周期为z,平滑系数为/>平滑系数的个数为N,节假日的先验变化参数为ρ,第i个节假日过去和未来日期的集合为Di,根据负荷量数据提取在视在功率序列多时间尺寸的时序特征:
其中t时刻有用功功率为Pt,t时刻无功率为Qt,t时刻视在功率为Mt,采用指数平滑拟合视在功率序列的趋势和季节性特征,使用异常值检测提取突变和异常值特征,将异常值特征输出为时序特征;
在实际评估中,提取到的时序特征包括长期趋势特征、短期波动特征、周期性特征、异常值特征和复杂模式特征;
在本实施例中,进一步的,所述残差的计算公式为:
δi=Ui-Si
其中节假日i的残差为δi,实际节假日i的电力负荷为Ui,预测节假日的电力负荷为Si。
进一步的,所述获得节假日短期电力负荷预测数据的方法,包括将相关预测数据、所述时序特征和所述历史数据集按5:1分成训练集和测试集,将训练集输入混合模型进行训练,根据正确率和效率优化混合模型中神经网络模型的参数、学习率、迭代次数,优化XGBoost模型的学习率、迭代次数、树的深度,将测试集输入优化后的混合模型,直到残差小于0.15停止训练,输出节假日短期电力负荷预测数据;
在实际评估中,神经网络结构为输入层353,隐藏层520,输出层132;预测2022.01.01的准确率为0.9678,预测2022.01.02的准确率为0.9823,预测的2022.01.03的准确率为0.9828,预测2022.04.03的准确率为0.9685。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.基于混合模型的节假日短期电力负荷预测方法,其特征在于,包括以下步骤:
A获取历史数据集和影响数据集,对所述历史数据集和所述影响数据集进行预处理,根据所述历史数据集提取所述影响数据集的影响因子;
B计算所述历史数据集与所述影响因子的相关度,根据所述影响因子提取所述影响数据集获得相关数据;包括:
根据历史数据集给定熵:
其中影响因子集合的熵为V(X),影响因子为x,影响因子的集合为X,计算互信息:
其中历史数据集为y,历史数据集的集合为Y,影响因子的集合X历史数据集的集合Y的互信息为C(X,Y),给定熵:
其中影响因子集合的熵为V(X),计算相关度:
相关度越大表示影响因子和节假日电力负荷的相关度越强,输出影响因子的相关度;
C对所述历史数据集进行分解获得固有模态函数分量,提取所述固有模态函数分量的时序特征;包括:
a、将历史数据集的局部极大值和局部极小值的平均值设定一个初始的固有模态函数分量,找出信号的局部极大值和极小值,用三次样条插值函数连接极值点,形成上包络线和下包络线,计算上包络线和下包络线的平均值,得到均值线;
将原始信号减去均值线,得到固有模态函数分量的估计值,若设定值是极值点数量大于原始信号极值点数量的50,则停止分解,反之继续分解,原始信号减去当前的固有模态函数分量之和获得残差;
将残差作为新的原始信号,直到残差达到预设的固有模态函数分量数量,直到无固有模态函数分量产生,输出固有模态函数分量;
b、使用固有模态函数重构信号将固有模态函数分量生成序列,将序列分解为多项规律项和误差项的组合:
K(t)=e(t)+c(t)+s(t)+σt
s(t)=[1(t∈D1),1(t∈D2),…,1(t∈DL)]ρ
其中t时刻负荷序列的非周期性变化的趋势项为e(t),t时刻负荷序列的周期性变化的周期项为c(t),t时刻不规律节假日效应影响的节假日项为s(t),t时刻无法容纳特异性变化的误差项为σt,负荷的基本增长率为a指示函数为β(t),突变点的平滑处理偏移量为负荷在t时刻的增长率为βT(t)δ,周期为z,平滑系数为/>平滑系数的个数为N,节假日的先验变化参数为ρ,第i个节假日过去和未来日期的集合为Di,根据负荷量数据提取在视在功率序列多时间尺寸的时序特征:
其中t时刻有用功功率为Pt,t时刻无功率为Qt,t时刻视在功率为Mt,采用指数平滑拟合视在功率序列的趋势和季节性特征,使用异常值检测提取突变和异常值特征,将异常值特征输出为时序特征;
D对所述相关数据进行特征提取获得相关特征,将所述相关特征和所述相关数据输入相关预测模型,获得相关预测数据;
E将所述相关预测数据、所述时序特征和所述历史数据集输入混合模型,获得节假日短期电力负荷预测数据;
其中所述混合模型包括神经网络模型和XGBoost模型,通过神经网络模型获得节假日电力负荷预测数据,计算实际电力负荷与节假日电力负荷预测数据的残差;
使用平均绝对百分误差作为损失函数:
其中待预测点的数量为n,第i个实际电力负荷值为yi,第i个预测电力负荷值为通过XGBoost模型获得节假日电力负荷预测数据,计算实际电力负荷与节假日电力负荷预测数据的残差,将神经网络模型的残差和XGBoost模型的残差相加,得到最终的预测结果。
2.根据权利要求1所述的基于混合模型的节假日短期电力负荷预测方法,其特征在于,步骤A中所述预处理包括数据填充、数据删除、数据清洗、数据变换、数据集成、数据归约和标准化。
3.根据权利要求1所述的基于混合模型的节假日短期电力负荷预测方法,其特征在于,根据所述历史数据集提取所述影响数据集的影响因子的方法,包括:
根据一阶线性回归法对历史数据集进行趋势项提取,将趋势项作为初始影响因子,将星期类型编译为季节性指示器,提取新影响因子,建立周期图,观察历史数据集集用电负荷的周期强度,采用傅里叶变换对新影响因子和初始影响因子进行影响力提取,获得重要影响因子,建立节假日历史数据集滞后图,观察用电负荷的序列依赖性,利用历史数据集预测节假日当天的电力负荷,使用独热编码将历史数据集离散化,将离散化后的数据再归一化;
对所述历史数据集进行学习:
其中s型函数为f(x),历史数据集为x,常数为b,将归一化后的历史数据集输入影响因子筛选模型,获取影响因子向量,所述重要影响因子筛选模型基于神经网络,采用随机森林算法将历史数据集按生成训练集和测试集,将训练集输入,对训练集数据进行数据增强,将数据增强后的数据和原始训练集数据构成样本对,将样本对进行比对,计算样本对的对比损失:
其中相似度函数为sim(·),指示函数为ifn(·),样本数量为2N,样本为a,训练集数据为i,增强后的数据为j,筛选出对比损失小于0.1的重要影响因子并输出为影响因子。
4.根据权利要求1所述的基于混合模型的节假日短期电力负荷预测方法,其特征在于,所述残差的计算公式为:
δi=Ui-Si
其中节假日i的残差为δi,实际节假日i的电力负荷为Ui,预测节假日的电力负荷为Si。
5.根据权利要求1所述的基于混合模型的节假日短期电力负荷预测方法,其特征在于,所述获得节假日短期电力负荷预测数据的方法,包括将相关预测数据、所述时序特征和所述历史数据集按5:1分成训练集和测试集,将训练集输入混合模型进行训练,根据正确率和效率优化混合模型中神经网络模型的参数、学习率、迭代次数,优化XGBoost模型的学习率、迭代次数、树的深度,将测试集输入优化后的混合模型,直到残差小于0.15停止训练,输出节假日短期电力负荷预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311222863.9A CN117239731B (zh) | 2023-09-21 | 2023-09-21 | 基于混合模型的节假日短期电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311222863.9A CN117239731B (zh) | 2023-09-21 | 2023-09-21 | 基于混合模型的节假日短期电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117239731A CN117239731A (zh) | 2023-12-15 |
CN117239731B true CN117239731B (zh) | 2024-02-27 |
Family
ID=89098031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311222863.9A Active CN117239731B (zh) | 2023-09-21 | 2023-09-21 | 基于混合模型的节假日短期电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117239731B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
JP2020064446A (ja) * | 2018-10-17 | 2020-04-23 | 株式会社日立製作所 | 予測システムおよび予測方法 |
CN112149737A (zh) * | 2020-09-23 | 2020-12-29 | 创新奇智(青岛)科技有限公司 | 选择模型训练方法、模型选择方法、装置及电子设备 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
WO2022077693A1 (zh) * | 2020-10-15 | 2022-04-21 | 中国科学院深圳先进技术研究院 | 负荷预测模型的训练方法及训练装置、存储介质、设备 |
CN114925940A (zh) * | 2022-07-20 | 2022-08-19 | 广东电网有限责任公司佛山供电局 | 一种基于负荷分解的节假日负荷预测方法及系统 |
WO2023035564A1 (zh) * | 2021-09-08 | 2023-03-16 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及系统 |
WO2023088212A1 (zh) * | 2021-11-16 | 2023-05-25 | 西安热工研究院有限公司 | 一种基于集成学习的在线机组负荷预测方法 |
CN116205355A (zh) * | 2023-02-22 | 2023-06-02 | 正泰电气股份有限公司 | 电力负荷的预测方法、装置以及存储介质 |
CN116681152A (zh) * | 2023-04-18 | 2023-09-01 | 四川大学 | 基于SOM-BP神经网络改进Prophet模型的短期负荷预测方法 |
-
2023
- 2023-09-21 CN CN202311222863.9A patent/CN117239731B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020064446A (ja) * | 2018-10-17 | 2020-04-23 | 株式会社日立製作所 | 予測システムおよび予測方法 |
CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
CN112149737A (zh) * | 2020-09-23 | 2020-12-29 | 创新奇智(青岛)科技有限公司 | 选择模型训练方法、模型选择方法、装置及电子设备 |
WO2022077693A1 (zh) * | 2020-10-15 | 2022-04-21 | 中国科学院深圳先进技术研究院 | 负荷预测模型的训练方法及训练装置、存储介质、设备 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
WO2023035564A1 (zh) * | 2021-09-08 | 2023-03-16 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及系统 |
WO2023088212A1 (zh) * | 2021-11-16 | 2023-05-25 | 西安热工研究院有限公司 | 一种基于集成学习的在线机组负荷预测方法 |
CN114925940A (zh) * | 2022-07-20 | 2022-08-19 | 广东电网有限责任公司佛山供电局 | 一种基于负荷分解的节假日负荷预测方法及系统 |
CN116205355A (zh) * | 2023-02-22 | 2023-06-02 | 正泰电气股份有限公司 | 电力负荷的预测方法、装置以及存储介质 |
CN116681152A (zh) * | 2023-04-18 | 2023-09-01 | 四川大学 | 基于SOM-BP神经网络改进Prophet模型的短期负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
Forecasting the Short-Term Electricity Consumption of Building Using a Novel Ensemble Model;SHUBING SHAN, et al;IEEE Access;第88093-88106页 * |
Prediction of EV Charging Load Using Two-Stage Time Series Decomposition and DeepBiLSTM Model;CHENGHAN LI,et al;IEEE Access;第72925-72941页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117239731A (zh) | 2023-12-15 |
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 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
Fan et al. | A generalized regression model based on hybrid empirical mode decomposition and support vector regression with back‐propagation neural network for mid‐short‐term load forecasting | |
CN115169703A (zh) | 一种基于长短时记忆网络组合的短期电力负荷预测方法 | |
CN114004296A (zh) | 一种基于电力负荷特征反向提取监测点的方法及系统 | |
CN107748972A (zh) | 一种基于双能源指标预测全社会用电量的方法 | |
Ding et al. | Time series method for short-term load forecasting using smart metering in distribution systems | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN112598155A (zh) | 一种变电站的负荷增减预估方法及系统 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
CN117239731B (zh) | 基于混合模型的节假日短期电力负荷预测方法 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN117251672A (zh) | 基于电力数据的区域行业多维能源碳排放计算方法和装置 | |
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 | |
CN116611785A (zh) | 一种基于大数据的输变电工程造价模型构建方法、系统、设备及介质 | |
CN110852496A (zh) | 一种基于lstm循环神经网络的天然气负荷预测方法 | |
Yang et al. | Investigating the predictability of photovoltaic power using approximate entropy | |
CN116191412A (zh) | 电力负荷预测方法 | |
CN112529268B (zh) | 一种基于流形学习的中短期负荷预测方法及装置 | |
CN114997470A (zh) | 基于lstm神经网络的短期用电负荷预测方法 |
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 |