CN117374920A - 考虑环境因素的超短期预测方法、装置及介质 - Google Patents

考虑环境因素的超短期预测方法、装置及介质 Download PDF

Info

Publication number
CN117374920A
CN117374920A CN202311214597.5A CN202311214597A CN117374920A CN 117374920 A CN117374920 A CN 117374920A CN 202311214597 A CN202311214597 A CN 202311214597A CN 117374920 A CN117374920 A CN 117374920A
Authority
CN
China
Prior art keywords
data
load
feature
prediction
time
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
Application number
CN202311214597.5A
Other languages
English (en)
Inventor
李培恺
傅源
潘连荣
吕嘉
韦洪波
李嘉安
杨加意
巫聪云
陈彬彬
唐佳
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.)
Guangxi Power Grid Co Ltd
Original Assignee
Guangxi Power Grid 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 Guangxi Power Grid Co Ltd filed Critical Guangxi Power Grid Co Ltd
Priority to CN202311214597.5A priority Critical patent/CN117374920A/zh
Publication of CN117374920A publication Critical patent/CN117374920A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种考虑环境因素的超短期预测方法、装置、设备及介质，属于用电电荷预测技术领域。包括获取历史数据，进行预处理，得到待处理数据；根据所述待处理数据进行特征构造，得到负荷特征、时间特征及气象特征；采用随机森林算法对进行重要性分析，确定特征子集；将特征子集进行处理后作为训练集，将所述训练集输入至预构建的LSTM神经网络中进行训练，得到预测模型，通过预测模型得到负荷预测结果。本发明通过使用历史用电数据和实时监测数据等信息，预测未来短时间内的用电负荷情况，以便电网运营者制定最佳的电力调度计划，能够预测预测电力负荷、风电输出功率、光伏发电功率等，从而为能源系统的安全运行和节能减排提供技术保障。

Description

考虑环境因素的超短期预测方法、装置及介质
技术领域
本发明属于用电电荷预测技术领域，具体涉及一种考虑环境因素的超短期预测方法、装置、设备及介质。
背景技术
在能源领域，随着人们对清洁能源和可持续发展的认识不断加深，对能源生产、传输和消费等方面的智能化管理呼声也越来越高。而系统超短期预测算法作为一种基于数据挖掘和人工智能技术的高效预测方法，凭借其精度高、效率快等优势，在能源领域得到了广泛的研究和应用。
系统超短期预测用电负荷算法的研究与应用也是一个研究热点。通过对历史用电负荷数据的分析和建模，结合天气、节假日、工作日等影响因素，可以利用时间序列分析、神经网络算法、机器学习算法等方法，对未来短时间内的用电负荷进行预测，以便电力系统进行调度和管理。电力负荷预测算法的研究和应用将会更加广泛和重要，为保障电力系统的平稳运行和可持续发展提供支持和保障。
中国专利CN202110605659.X公开了公开一种用于预测用电负荷的方法方法，包括：获取预设时期内多个家用电器的用电负荷数据，以及与用电负荷数据所对应的环境变量数据，并对用电负荷数据和环境变量数据进行预处理；将预处理后的气象数据与预处理后的用电负荷数据进行关联性分析，确定目标气象数据；将预处理后的用电负荷数据、时间属性数据以及目标气象数据整合形成最终数据集，然后输入到神经网络，建立预测模型；将实际环境变量数据输入到预测模型得到用电负荷的预测值。该专利关联度计算存在对差异值的敏感性、对权重参数的依赖、对极端值的处理敏感、无法考虑其他因素等问题；虽然给定的关联度计算方法具有一定的可行性，但在实际应用中需要谨慎使用，需要结合具体情况进行合理的参数选择和数据处理，才能确保得到准确和可靠的关联度结果，不能适应不同的场景和数据。
相关技术中，目前主要存在，时间序列分析法、神经网络算法、机器学习算法、统计回归分析法、混合模型法等常见的超短期预测用电负荷方法。但是上述的不同预测方法适用于不同的场景和数据，如果不能选择合适的预测方法，会降低测精度，导致在电力系统的调度和管理上存在动荡。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种考虑环境因素的超短期预测方法、装置、设备及介质，针对超短期预测用电负荷中不同的场景不能很好匹配合适预测方法导致预测精度差的问题，采用适合不同场景下的数据建立预测建模，进而实现预测。
为实现以上目的，本发明采用如下技术方案：一种考虑环境因素的超短期预测方法，包括：
获取历史数据；所述历史数据包括历史负荷数据及对应的环境因素数据；所述环境因素数据包括时间数据和气象数据；
对所述历史数据及进行预处理，得到待处理数据；
选择待预测系统类型，根据待预测系统类型预设的特征构造需求，根据所述待处理数据进行特征构造，得到负荷特征、时间特征及气象特征；
采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集；
将所述特征子集进行处理后作为训练集，将所述训练集输入至预构建的LSTM神经网络中进行训练，得到预测模型；
将待预测数据输入至所述预测模型中，得到负荷预测结果。
进一步的，对所述历史负荷数据进行预处理，包括：
判断所述历史负荷数据中是否存在缺失值，若存在，则采用线性差值方式对所述缺失值所在位置进行补充；
判断所述历史负荷数据中是否存在异常值，若存在，则采用箱形图筛选出所述异常值，并对所述异常值进行修正。
进一步的，所述采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集，包括：
采用有抽样放回的方法从样本集中抽取m次，每次选取n个样本作为一个训练集，通过训练集生成m棵决策树；
计算每个特征对每棵决策树的贡献值的平均值；所述贡献值的平均值用于表示特征的重要性；
对所有特征的重要性从大到小进行排序，选择出特征重要性较高的n个特征作为特征子集。
进一步的，所述贡献值采用基尼指数作为评价指标进行衡量，采用以下方式计算贡献值，
假设一共有k个特征，即特征序列为X＝{x1,x2,x3,...xk}，第i棵树节点q的基尼指数计算方式为：
其中，C表示样本类别个数，pqc表示节点q在类别c所占的比例；
节点q分枝前后的基尼指数变化量，即特征xj在第i棵树节点q的重要性VIM，为：
其中，和/>分别表示节点q在分支后产生的两个新节点l和r的基尼指数；假设在第i棵树中，特征xj出现Q次，则特征xj在第i棵树的重要性为：
特征xj在m棵树上重要性为：
对所有特征的特征重要性从大到小进行排序，选择出特征重要性较高n个特征作为特征子集。
进一步的，对所述异常值进行修正，包括：
获取第t天i时刻前m个点作为待匹配时段数据part_pre，以及获取t天的前7日、前一年同日的同时段数据作为历史匹配数据part_history，利用余弦相似度方式进行相似度计算，得到相似度；
取相似度最大的时段作为相似时段part_historyd，则修正后的第t天i时刻的负荷值为xt-d,i。
进一步的，采用以下方式计算相似度，
part_pre＝[xt,i-1,xt,i-2,…,xt,i-m]
part_h istory＝[xt-d,i-1,xt-d,i-2,…,xt-d,i-m]。
其中，i为缺失值对应时刻点，d为缺失值所在日的前7日、前一年同日中的一天，part_pre为第t天i时刻前m个点的实际数据，part_h istory为相似度较高的日期对应的i时刻前m个点的历史负荷，j为i时刻前m个点中的一个时刻，j＝i-1,i-2,…,i-m。
进一步的，对特征子集进行归一化。
本申请实施例提供一种考虑环境因素的超短期预测装置，包括：
获取模块，用于获取历史数据；所述历史数据包括历史负荷数据及对应的环境因素数据；所述环境因素数据包括时间数据和气象数据；
预处理模块，用于对所述历史数据及进行预处理，得到待处理数据；
构造模块，用于选择待预测系统类型，根据待预测系统类型预设的特征构造需求，根据所述待处理数据进行特征构造，得到负荷特征、时间特征及气象特征；
分析模块，用于采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集；
训练模块，用于将所述特征子集进行处理后作为训练集，将所述训练集输入至预构建的LSTM神经网络中进行训练，得到预测模型；
预测模块，用于将待预测数据输入至所述预测模型中，得到负荷预测结果。
本发明实施例提供一种计算机设备，包括：存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述任一项考虑环境因素的超短期预测方法的步骤。
本发明实施例还提供一种计算机存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述任一项考虑环境因素的超短期预测方法的步骤。
本发明采用以上技术方案，能够达到的有益效果包括：
本发明可以满足不同场景并保证高精度，引入时间和温度特征可以提供关于季节性模式、温度依赖性、异常情况和趋势变化等方面的重要信息，从而提高在高温天气下进行负荷预测的精度和可靠性。时间特征可以帮助捕捉负荷在不同季节下的变化模式；通过引入时间特征，模型可以更好地预测和适应季节性负荷变化，提高负荷预测的精度。通过引入时间和温度特征，模型可以更好地捕捉和预测这些异常情况，从而提高负荷预测的鲁棒性和准确性。
本发明基于基础气象、时间、负荷数据构建更多的特征向量，对实际负荷情况考虑的更全面，可以帮助模型捕捉到周期性的负荷、温度变化，提供负荷、温度的整体趋势和波动情况。
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为本发明考虑环境因素的超短期预测方法的步骤示意图；
图2为本发明提供的箱形图异常检测图；
图3为本发明提供的特征重要性结果图；
图4-1、图4-2、图4-3为本发明提供的预测负荷和实际负荷对比图；
图5为本发明提供的超短期负荷预测平均准确率对比图；
图6为本发明考虑环境因素的超短期预测装置的结构示意图；
图7为本发明考虑环境因素的超短期预测方法涉及的计算机设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
现有技术中常见的超短期预测用电负荷方法如下：
时间序列分析法：该方法通过对历史用电负荷数据的分析和建模，预测未来短时间内的用电负荷。常用的时间序列分析方法包括ARIMA模型、指数平滑法等。
神经网络算法：该算法通过建立神经网络模型，对历史用电负荷数据进行学习和预测。常用的神经网络算法包括BP神经网络、RBF神经网络等。
机器学习算法：该算法通过对历史用电负荷数据进行训练，建立机器学习模型，预测未来短时间内的用电负荷。常用的机器学习算法包括随机森林、支持向量机等。
统计回归分析法：该方法通过对历史用电负荷数据和影响因素(如温度、湿度、节假日等)的统计回归分析，建立回归模型，预测未来短时间内的用电负荷。
混合模型法：该方法结合多种预测方法，如神经网络和时间序列分析，建立混合模型，提高预测精度。
下面结合附图介绍本申请实施例中提供的一个具体的考虑环境因素的超短期预测方法、装置、设备及介质。
如图1所示，本申请实施例中提供的考虑环境因素的超短期预测方法，包括：
S101，获取历史数据；所述历史数据包括历史负荷数据及对应的环境因素数据；所述环境因素数据包括时间数据和气象数据。
本申请中首先获取系统在历史时段中的负荷值作为历史数据，同时要获取历史数据对应的时间数据和气象数据；以便于使得后续训练模型的预测精度更高。
历史负荷数据包括滞后特征与统计特征，滞后特征主要为待预测时刻的前一小时、前一天同时刻的前后各一小时及前七天同时刻的前后各一小时负荷值，统计特征包括前24小时的均值、方差、最大值、最小值等。
时间数据以负荷数据所在时刻的时间作为时间因素，拆分为季、月、日、时、分钟以及日类型、周类型、距离节假日天数等时间特征。
气象数据包括历史负荷数据所在时刻的温度、风速、湿度、天气类型的实际值及待预测负荷数据所在时刻的温度、风速、湿度、天气类型的预测值；其中，温度相关特征还包括主要包括待预测时刻的前一小时的实际温度数据和前24小时实际温度的平均值、最大值、最小值。
S102，对所述历史数据及进行预处理，得到待处理数据。
一些实施例中，对所述历史负荷数据进行预处理，包括：
判断所述历史负荷数据中是否存在缺失值，若存在，则采用线性差值方式对所述缺失值所在位置进行补充；
判断所述历史负荷数据中是否存在异常值，若存在，则采用箱形图筛选出所述异常值，并对所述异常值进行修正。
具体的，本申请中对收集到的历史数据使用统计方法处理异常历史负荷。首先判断缺失值，对缺失值采用线性插值方式进行填充；其次考虑异常值，使用如图2所示的箱形图，筛选出异常值。
具体的，设置Q1为上四分位数，Q3为上四分位数，当数值大于Q3+1.5×IQR或小于Q1-1.5×IQR时，则为异常值；即
IQR＝Q3-Q1
异常值≥Q3+1.5×IQR or Q1-1.5×IQR
一些实施例中，对所述异常值进行修正，包括：
获取第t天i时刻前m个点作为待匹配时段数据part_pre，以及获取t天的前3日、前一年同日的同时段数据作为历史匹配数据part_historyi，i＝1,2,3,4，利用余弦相似度方式进行相似度计算，得到相似度；
取相似度最大的时段作为相似时段part_historyd，则修正后的第t天i时刻的负荷值为：xt-d,i。
具体采用以下方式计算相似度，
partpre＝[xt,i-1,xt,i-2,…,xt,i-m]
part_h istory＝[xt-d,i-1,xt-d,i-2,…,xt-d,i-m。
S103，选择待预测系统类型，根据待预测系统类型预设的特征构造需求，根据所述待处理数据进行特征构造，得到负荷特征、时间特征及气象特征。
可以理解的是，根据系统的不同，系统需求也不相同，例如是能源系统或是风电系统，系统需求是不同的，因此，根据需要的预测系统的特征构造需求，对待处理数据进行特征构造，就可以得到负荷特征、时间特征及气象特征。
其中，预测系统类型可以在确定时选择，而需要构造的特征要求可以在预先进行设定好，从而减少预测中的操作。
S104，采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集。
一些实施例中，所述采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集，包括：
采用有抽样放回的方法从样本集中抽取m次，每次选取n个样本作为一个训练集，通过训练集生成m棵决策树；
计算每个特征对每棵决策树的贡献值的平均值；所述贡献值的平均值用于表示特征的重要性；
对所有特征的重要性从大到小进行排序，选择出特征重要性较高的n个特征作为特征子集。
一些实施例中，所述贡献值采用基尼指数作为评价指标进行衡量，采用以下方式计算贡献值，
假设一共有k个特征，即特征序列为X＝{x1,x2,x3,...xk}，第i棵树节点q的基尼指数计算方式为：
其中，C表示样本类别个数，pqc表示节点q在类别c所占的比例；
节点q分枝前后的基尼指数变化量，即特征xj在第i棵树节点q的重要性VIM，为：
其中，和/>分别表示节点q在分支后产生的两个新节点l和r的基尼指数；假设在第i棵树中，特征xj出现Q次，则特征xj在第i棵树的重要性为：
特征xj在m棵树上重要性为：
对所有特征的特征重要性从大到小进行排序，选择出特征重要性较高n个特征作为特征子集。
具体的，本申请中步骤S104是对特征进行重要性分析，选择适当的特征向量。随机森林采用有抽样放回的方法从样本集中抽取m次，每次选取n个样本作为一个训练集，通过训练集生成m棵决策树；计算每个特征分别对每棵决策树的贡献值大小的平均值，即可得到该特征的重要性。贡献值用基尼指数作为评价指标进行衡量，计算方法：假设一共有k个特征，即特征序列为X＝{x1,x2,x3,...xk}，第i棵树节点q的基尼指数计算公式：
其中，C表示样本类别个数，pqc表示节点q在类别c所占的比例；
节点q分枝前后的基尼指数变化量，就是特征xj在第i棵树节点q的重要性VIM，即为：
其中，其中，和/>分别表示节点q在分支后产生的两个新节点l和r的基尼指数；假设在第i棵树中，特征xj出现Q次，则特征xj在第i棵树的重要性为：
特征xj在m棵树上重要性为：
最后，通过对所有特征的特征重要性从大到小进行排序，选择出特征重要性较高n个特征作为特征子集。
S105，将所述特征子集进行处理后作为训练集，将所述训练集输入至预构建的LSTM神经网络中进行训练，得到预测模型。
步骤S105使用LSTM多变量时间序列多步回归预测对历史数据进行训练，获取LSTM预测模型。首先对特征子集进行数据归一化，统一数据量纲如下：
其中，x'为归一化后的数据，xmin是最小值，xmax是最大值，x为原始数据。其中，本申请中构建的LSTM神经网络，设置输入层、隐藏层、输出层、激活函数、epochs等参数。本申请中利用Adam优化器进行LSTM神经网络的优化，最小化LSTM的目标函数误差，定义网络的目标函数为均方误差，公式为：
其中，yi、分别为真实值、预测值。
将归一化处理后的数据作为输入层输入到LSTM神经网络中，进行模型训练，训练结束后得到训练好的神经网络模型。可以理解的是，LSTM数据有着更出色的预测、拟合表现，经过它的处理，可以有效地提高预测精度。
S106，将待预测数据输入至所述预测模型中，得到负荷预测结果。
具体的，本申请中以待预测数据输入到LSTM训练模型作为输入数据得到负荷预测的数值结果。
考虑环境因素的超短期预测方法的工作原理为：首先获取历史负荷数据，与历史负荷数据相应的气象数据、时间数据等，然后对历史负荷数据，与历史负荷数据相应的气象数据、时间数据进行处理，得到待处理数据，判断系统例如是风电系统或能源系统，根据系统需求对待处理数据进行特征构造，得到负荷特征、时间特征及气象特征，采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集，利用特征子集预构建的LSTM神经网络中进行训练，得到预测模型，将待预测数据输入至所述预测模型中，得到负荷预测结果。
本专利基于基础气象、时间、负荷数据构建更多的特征向量，对实际负荷情况考虑的更全面，例如：时间特征，构建了节假日类型、节假日距离天数、年、月、周、时段、时刻点等；构建原因为考虑到了在节假日或大型活动期间，负荷可能会有所不同，时间特征可以帮助模型捕捉到负荷的周期性和季节性变化；负荷、温度层面构建了负荷、温度的滞后特征(过去2小时及前1、2日相同时间点的值及一定范围内的值)和统计特征(最大、最小、平均、波动等)，以上可以反映负荷和温度的历史趋势，可以帮助模型捕捉到周期性的负荷、温度变化，提供负荷、温度的整体趋势和波动情况。
作为一个具体的实施例，本申请中对历史数据中的异常值进行处理实施例如下：
获取某系统X年X月X日-X年X月X日的负荷值作为预测对象；训练样本采用预测日前至前半年负荷数据，某时刻i的特征序列、预测序列格式如下所示，考虑到采集系统的稳定性问题，历史负荷数据会存在部分数量的异常值，故综合采用箱线图及相似日法对训练样本的负荷数据进行异常查询及修正。
Xt,i＝[x(t,i)1,x(t,i)2,…,x(t,i)k]
Yt,i＝[yt,i+1,yt,i+2,…,yt,i+16]
其中，k为特征数量，Y为待预测的负荷序列。
对于本申请中提到的特征构造与选择，本申请中以某电站所在城市为例，采集到的气象数据主要有温度、风速、湿度、天气类型，计算24小时平均温度、最大温度、最小温度，将以上气象因素作为气象特征；以负荷数据所在时刻的时间作为时间因素，拆分为季、月、日、时、分钟以及日类型、周类型、距离节假日天数等时间特征；计算24小时平均负荷、最大负荷、最小负荷；数据格式如下：
Wti＝[t_maxti,t_minti,t_avgti,tempti,spdti,h umityti]
Lti＝[l_maxti,l_minti,l_avgti]
Tti＝[quarti,montti,mdayti,h ourti,minti,d_classti,weekti]
其中，日类型分为工作日、周末、节假日，d_class＝{1,2,3}，周类型分为周六/日、周一、周二/三/四、周五，week＝{4,1,2,3}。此外，考虑到实际业务中，负荷数据增长趋势以及数值走势的相似性也会给预测带来一定的影响，构造新的负荷、温度特征，计算公式如下：
load_set1ti＝lti/l_avgti
load_set2ti＝(lti-l_minti)/(l_maxti-l_minti)
其中，lti为t日i时刻的负荷。
不同类型因素分别与负荷值进行重要性分析，采用随机森林得到特征重要性结果如图3所示。根据图3中的特征重要性分析结果，取最大负荷、小时、实时温度等排名前7个特征作为特征向量。
根据特征选择结果，选出训练样本集，某日t的i时刻的训练数据格式如下：
Train_datati＝{Xti,Yti}，
Yti＝[xt(i+1),xt(i+2),…,xt(i+16)]
其中，Xti表示第i时刻特征序列，包括历史负荷、气象、时间因素，yi为对应输出的i时刻需要预测的未来16个点的负荷真实值序列。采用LSTM算法构建预测模型，设定epochs＝100，最终得到训练好的多元回归预测模型。
然后将待预测对象作为测试样本每隔15min滚动取一次预测数据(16点)，将测试样本作为输入数据输入到LSTM多变量时间序列多步回归预测模型，分别计算测试样本集在考虑气象、时间特征的LSTM多变量时间序列多步回归预测模型与单一的LSTM多变量时间序列多步回归预测模型的超短期负荷预测结果。
为充分体现不同场景下的模型的实用性，选择了正常工作日、高温天气日、节假日三种场景进行负荷预测，并以预测样本中部分时刻所预测的时段的负荷值为例，预测结果分别如图4-1、图4-2、图4-3所示。
分别计算测试样本集在考虑气象、时间特征的LSTM多变量时间序列多步回归预测模型与单一的LSTM多变量时间序列多步回归预测模型的超短期负荷准确率，得到超短期型平均准确率如图5所示。
准确率精度结果显示，考虑气象、时间特征的LSTM比单一的LSTM精度高，尤其在高温天气日、节假日两种场景下，平均高出1个百分点左右，而正常工作日的准确率也高出0.5个百分点左右；此外，考虑气象、时间特征的LSTM的预测精度随着超短期预测点时间的增加，下降的趋势相比单一的LSTM更为缓慢。
通过以上试验验证，本发明提出的考虑气象、时间特征的LSTM模型，在多步时间序列预测情况下的跟踪能力较好，且预测模型泛化能力较强，且随着预测时段的增长，单一的LSTM模型的准确率呈现快速下降趋势，预测时段后期点的准确率低，考虑气象、时间特征的LSTM方法得到的准确率下降趋势相对平缓，结果更稳定。
本发明可以满足不同场景并保证高精度的原理：本发明针对部分场景，例如高温天气、节假日等，分析了场景负荷预测相关的影响因素，并构建了场景的相关特征。
首先，不同特征可以提供关于负荷模式和趋势的不同方面的信息。某些特征可能更能准确地反映负荷的季节性变化、周期性模式或特定事件的影响。通过引入这些不同类型的特征，可以提高模型对负荷行为的表示能力，从而提高预测精度。其次，不同特征可能提供互补的信息。通过使用多个不同类型的特征，可以从不同的角度捕捉负荷行为的特征和模式。这样可以有效地填补数据中的缺失信息，并提供更全面和准确的预测。
例如，引入时间和温度特征可以提供关于季节性模式、温度依赖性、异常情况和趋势变化等方面的重要信息，从而提高在高温天气下进行负荷预测的精度和可靠性。负荷预测主要受到天气的影响，例如在炎热的夏季，空调的使用量可能大幅增加，导致整体用电负荷上升。这可能会导致电力网络的负荷峰值出现在白天的高温时段，特别是下午和傍晚；此外，会受到时间因素的影响，例如在周末和假日，人们通常不需要上班或上学，商业活动也相对较少。因此，整体用电负荷可能会相对较低。
时间特征可以帮助捕捉负荷在不同季节下的变化模式。负荷通常会呈现出季节性的变化，例如夏季可能会有更高的负荷峰值。通过引入时间特征，模型可以更好地预测和适应季节性负荷变化，提高负荷预测的精度。
高温天气可能导致负荷出现异常情况，如负荷峰值的提前、负荷增长速率的加快等。通过引入时间和温度特征，模型可以更好地捕捉和预测这些异常情况，从而提高负荷预测的鲁棒性和准确性。
时间特征可以用于建模负荷的长期趋势。在高温天气下，负荷可能受到气候变化、人口增长等因素的影响，引入时间特征可以帮助模型更好地预测和适应这些趋势，提高负荷预测的准确性和可靠性。
如图6所示，本申请实施例提供一种考虑环境因素的超短期预测装置，包括：
获取模块201，用于获取历史数据；所述历史数据包括历史负荷数据及对应的环境因素数据；所述环境因素数据包括时间数据和气象数据；
预处理模块202，用于对所述历史数据及进行预处理，得到待处理数据；
构造模块203，用于选择待预测系统类型，根据待预测系统类型预设的特征构造需求，根据所述待处理数据进行特征构造，得到负荷特征、时间特征及气象特征；
分析模块204，用于采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集；
训练模块205，用于将所述特征子集进行处理后作为训练集，将所述训练集输入至预构建的LSTM神经网络中进行训练，得到预测模型；
预测模块206，用于将待预测数据输入至所述预测模型中，得到负荷预测结果。
本申请实施例提供的考虑环境因素的超短期预测装置的工作原理为，获取模块201获取历史数据；所述历史数据包括历史负荷数据及对应的环境因素数据；所述环境因素数据包括时间数据和气象数据；预处理模块202对所述历史数据及进行预处理，得到待处理数据；构造模块203用于选择待预测系统类型，根据待预测系统类型预设的特征构造需求，根据所述待处理数据进行特征构造，得到负荷特征、时间特征及气象特征；分析模块204采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集；训练模块205将所述特征子集进行处理后作为训练集，将所述训练集输入至预构建的LSTM神经网络中进行训练，得到预测模型；预测模块206将待预测数据输入至所述预测模型中，得到负荷预测结果。
本申请提供一种计算机设备，包括：存储器1和处理器2，还可以包括网络接口3，所述存储器存储有计算机程序，存储器可以包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。该计算机设备存储有操作系统4，存储器是计算机可读介质的示例。所述计算机程序被所述处理器执行时，使得所述处理器执行考虑环境因素的超短期预测方法，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的考虑环境因素的超短期预测方法可以实现为一种计算机程序的形式，计算机程序可在如图7所示的计算机设备上运行。
一些实施例中，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：获取历史数据；所述历史数据包括历史负荷数据及对应的环境因素数据；所述环境因素数据包括时间数据和气象数据；对所述历史数据及进行预处理，得到待处理数据；选择待预测系统类型，根据待预测系统类型预设的特征构造需求，根据所述待处理数据进行特征构造，得到负荷特征、时间特征及气象特征；采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集；将所述特征子集进行处理后作为训练集，将所述训练集输入至预构建的LSTM神经网络中进行训练，得到预测模型；将待预测数据输入至所述预测模型中，得到负荷预测结果。
本申请还提供一种计算机存储介质，计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光光盘(DVD)或其他光学存储、磁盒式磁带存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
一些实施例中，本发明还提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，获取历史数据；所述历史数据包括历史负荷数据及对应的环境因素数据；所述环境因素数据包括时间数据和气象数据；对所述历史数据及进行预处理，得到待处理数据；选择待预测系统类型，根据待预测系统类型预设的特征构造需求，根据所述待处理数据进行特征构造，得到负荷特征、时间特征及气象特征；采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集；将所述特征子集进行处理后作为训练集，将所述训练集输入至预构建的LSTM神经网络中进行训练，得到预测模型；将待预测数据输入至所述预测模型中，得到负荷预测结果。
可以理解的是，上述提供的方法实施例与上述的装置实施例对应，相应的具体内容可以相互参考，在此不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令方法的制造品，该指令方法实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.考虑环境因素的超短期负荷预测方法，其特征在于，包括：
获取历史数据，所述历史数据包括历史负荷数据及对应的环境因素数据；所述环境因素数据包括时间数据和气象数据；
对所述历史数据及进行预处理，得到待处理数据；
选择待预测系统类型，根据待预测系统类型预设的特征构造需求，对所述待处理数据进行特征构造，得到负荷特征、时间特征及气象特征；
采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集；
将所述特征子集进行处理后作为训练集，将所述训练集输入至预构建的LSTM神经网络中进行训练，得到预测模型；
将待预测数据输入至所述预测模型中，得到负荷预测结果。
2.根据权利要求1所述的考虑环境因素的超短期负荷预测方法，其特征在于，对所述历史负荷数据进行预处理，包括：
判断所述历史负荷数据中是否存在缺失值，若存在，则采用线性差值方式对所述缺失值所在位置进行补充；
判断所述历史负荷数据中是否存在异常值，若存在，则采用箱形图筛选出所述异常值，并对所述异常值进行修正。
3.根据权利要求1或2所述的考虑环境因素的超短期负荷预测方法，其特征在于，所述采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集，包括：
采用有抽样放回的方法从样本集中抽取m次，每次选取n个样本作为一个训练集，通过训练集生成m棵决策树；
计算每个特征对每棵决策树贡献值的平均值，所述贡献值的平均值用于表示特征的重要性；
对所有特征的重要性从大到小进行排序，选择出特征重要性较高的n个特征作为特征子集。
4.根据权利要求3所述的考虑环境因素的超短期负荷预测方法，其特征在于，所述贡献值采用基尼指数作为评价指标进行衡量，采用以下方式计算贡献值，
假设一共有k个特征，即特征序列为X＝{x1,x2,x3,...xk}，第i棵树节点q的基尼指数计算方式为：
其中，C表示样本类别个数，pqc表示节点q在类别c所占的比例；
节点q分枝前后的基尼指数变化量，即特征xj在第i棵树节点q的重要性VIM，为：
其中，和/>分别表示节点q在分支后产生的两个新节点1和r的基尼指数；假设在第i棵树中，特征xj出现Q次，则特征xj在第i棵树的重要性为：
特征xj在m棵树上重要性为：
对所有特征的特征重要性从大到小进行排序，选择出特征重要性较高n个特征作为特征子集。
5.根据权利要求2所述的考虑环境因素的超短期负荷预测方法，其特征在于，对所述异常值进行修正，包括：
获取第t天i时刻前m个点作为待匹配时段数据part_pre，以及获取t天的前7日、前一年同日的同时段数据作为历史匹配数据part_history，利用余弦相似度方式进行相似度计算，得到相似度；
取相似度最大的时段作为相似时段part_historyd，则修正后的第t天i时刻的负荷值为xt-d，i。
6.根据权利要求5所述的一种考虑环境因素的超短期负荷预测方法，其特征在于，采用以下方式计算相似度，
part_pe=[xt，i-1，xt，i-2，…，xt，i-m]
part_h istory＝[xt-d，i-1，xt-d，i-2，…，xt-d，i-m]。
其中，i为缺失值对应时刻点，d为缺失值所在日的前7日、前一年同日中的一天，part_pre为第t天i时刻前m个点的实际数据，part_h istory为相似度较高的日期对应的i时刻前m个点的历史负荷，j为i时刻前m个点中的一个时刻，j＝i-1,i-2,…,i-m。
7.根据权利要求1所述的一种考虑环境因素的超短期负荷预测方法，其特征在于，将所述特征子集进行处理，包括：
对特征子集进行归一化。
8.考虑环境因素的超短期预测装置，其特征在于，包括：
获取模块，用于获取历史数据；所述历史数据包括历史负荷数据及对应的环境因素数据；所述环境因素数据包括时间数据和气象数据；
预处理模块，用于对所述历史数据及进行预处理，得到待处理数据；
构造模块，用于选择待预测系统类型，根据待预测系统类型预设的特征构造需求，根据所述待处理数据进行特征构造，得到负荷特征、时间特征及气象特征；
分析模块，用于采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集；
训练模块，用于将所述特征子集进行处理后作为训练集，将所述训练集输入至预构建的LSTM神经网络中进行训练，得到预测模型；
预测模块，用于将待预测数据输入至所述预测模型中，得到负荷预测结果。
9.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的考虑环境因素的超短期预测方法。
10.一种计算机存储介质，其特征在于：存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的考虑环境因素的超短期预测方法。
CN202311214597.5A 2023-09-20 2023-09-20 考虑环境因素的超短期预测方法、装置及介质 Pending CN117374920A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311214597.5A CN117374920A (zh) 2023-09-20 2023-09-20 考虑环境因素的超短期预测方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311214597.5A CN117374920A (zh) 2023-09-20 2023-09-20 考虑环境因素的超短期预测方法、装置及介质

Publications (1)

Publication Number Publication Date
CN117374920A true CN117374920A (zh) 2024-01-09

Family

ID=89395478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311214597.5A Pending CN117374920A (zh) 2023-09-20 2023-09-20 考虑环境因素的超短期预测方法、装置及介质

Country Status (1)

Country Link
CN (1) CN117374920A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117977590A (zh) * 2024-04-02 2024-05-03 浙电(宁波北仑)智慧能源有限公司 一种源网荷储碳一体化配电网调度方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117977590A (zh) * 2024-04-02 2024-05-03 浙电(宁波北仑)智慧能源有限公司 一种源网荷储碳一体化配电网调度方法及系统
CN117977590B (zh) * 2024-04-02 2024-09-13 浙电(宁波北仑)智慧能源有限公司 一种源网荷储碳一体化配电网调度方法及系统

Similar Documents

Publication Publication Date Title
Tan et al. Ultra-short-term industrial power demand forecasting using LSTM based hybrid ensemble learning
Sharifzadeh et al. Machine-learning methods for integrated renewable power generation: A comparative study of artificial neural networks, support vector regression, and Gaussian Process Regression
Sandhu et al. A comparative study of ARIMA and RNN for short term wind speed forecasting
Porteiro et al. Electricity demand forecasting in industrial and residential facilities using ensemble machine learning
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
Dong et al. Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting
Toubeau et al. Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices
Kaboli et al. An expression-driven approach for long-term electric power consumption forecasting
CN117374920A (zh) 考虑环境因素的超短期预测方法、装置及介质
Yang et al. A novel deep learning approach for short and medium-term electrical load forecasting based on pooling LSTM-CNN model
CN114330934A (zh) 一种模型参数自适应的gru新能源短期发电功率预测方法
KR102628551B1 (ko) 하이브리드 타입 단기 전력수요 예측 장치 및 방법
CN115238854A (zh) 一种基于tcn-lstm-am的短期负荷预测方法
CN117236800B (zh) 一种多场景自适应的用电负荷预测方法及系统
Sakib et al. A data-driven hybrid optimization based deep network model for short-term residential load forecasting
CN115907307B (zh) 面向电网实时数据交互的电力系统碳排放流在线分析方法
Zahraoui et al. ANN-LSTM Based Tool For Photovoltaic Power Forecasting.
Ávila et al. Fuzzy demand forecasting in a predictive control strategy for a renewable-energy based microgrid
Jyothi et al. A machine learning based power load prediction system for smart grid energy management
Yuan et al. Short-term wind speed forecasting using STLSSVM hybrid model
CN113723670B (zh) 变时间窗口的光伏发电功率短期预测方法
Deng et al. Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network
Petrušić et al. Fuzzy Multiple Linear Regression for the Short Term Load Forecast
Dong et al. Image-based with peak load ensemble prediction system for demand response in smart grid
CN114676866A (zh) 基于误差修正的负荷日前预测修正方法、设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication