CN117424198A - 基于数据知识联合驱动的电力负荷预测方法和装置 - Google Patents
基于数据知识联合驱动的电力负荷预测方法和装置 Download PDFInfo
- Publication number
- CN117424198A CN117424198A CN202311149028.7A CN202311149028A CN117424198A CN 117424198 A CN117424198 A CN 117424198A CN 202311149028 A CN202311149028 A CN 202311149028A CN 117424198 A CN117424198 A CN 117424198A
- Authority
- CN
- China
- Prior art keywords
- power load
- time period
- value
- power
- node
- 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 92
- 239000013598 vector Substances 0.000 claims description 87
- 239000011159 matrix material Substances 0.000 claims description 47
- 238000005259 measurement Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 26
- 230000007704 transition Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于数据知识联合驱动的电力负荷预测方法和装置。所述方法包括:将气象特征输入至数据驱动电力负荷预测模型和知识驱动电力负荷预测模型,分别得到数据驱动电力负荷预测值和知识驱动电力负荷预测值;根据气象特征,确定相似时间段;确定数据驱动电力负荷预测值与相似时间段的电力负荷值之间的第一差值,确定知识驱动电力负荷预测值与相似时间段的电力负荷值之间的第二差值;根据第一差值和第二差值,选择数据驱动电力负荷预测值或知识驱动电力负荷预测值作为电力负荷观测值;将电力负荷观测值输入至联合驱动电力负荷预测模型,得到电力节点在目标时间段下的目标电力负荷预测值。采用本方法能够提高电力负荷预测结果的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于数据知识联合驱动的电力负荷预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
电力负荷预测可通过分析电力系统运行过程中产生的电力负荷数据,寻找电力负荷与各种因素之间的潜在规律,进而对未来的电力负荷变化进行预测。
随着机器学习尤其是深度学习的发展,传统技术主要运用数据驱动方法对电力负荷进行预测。
然而,电力系统中的数据不能完全符合数据驱动技术的数据规模要求和数据质量要求,同时,数据驱动技术缺乏对数据的理解和解释,无法完全适用于复杂的电力系统场景,不利于提高电力负荷预测的准确性。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高电力负荷预测准确性的基于数据知识联合驱动的电力负荷预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种基于数据知识联合驱动的电力负荷预测方法,所述方法包括:
将电力节点在目标时间段的气象特征输入至预训练的数据驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的数据驱动电力负荷预测值,以及,将所述电力节点在所述目标时间段下的气象特征输入至预训练的知识驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的知识驱动电力负荷预测值;
根据所述电力节点在所述目标时间段的气象特征,在历史时间段中确定所述目标时间段对应的相似时间段;所述历史时间段为所述目标时间段之前的时间段;
确定所述数据驱动电力负荷预测值与所述电力节点在所述相似时间段的电力负荷值之间的第一差值,以及,确定所述知识驱动电力负荷预测值与所述电力节点在所述相似时间段的电力负荷值之间的第二差值;
根据所述第一差值和所述第二差值,选择所述数据驱动电力负荷预测值或所述知识驱动电力负荷预测值作为所述电力节点在所述目标时间段下的电力负荷观测值;
将所述电力负荷观测值输入至预训练的联合驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的目标电力负荷预测值。
在其中一个实施例中,所述根据所述电力节点在所述目标时间段的气象特征,在历史时间段中确定所述目标时间段对应的相似时间段,包括:
获取所述电力节点在所述目标时间段下的气象特征;
根据所述气象特征,确定所述电力节点在目标时间段下的特征向量;
获取所述电力节点在所述历史时间段下的特征向量;
根据所述电力节点在所述目标时间段下的特征向量与所述电力节点在所述历史时间段下的特征向量之间的相似度,确定所述目标时间段对应的相似时间段。
在其中一个实施例中,所述根据所述第一差值和所述第二差值,选择所述数据驱动电力负荷预测值或所述知识驱动电力负荷预测值作为所述电力节点在所述目标时间段下的电力负荷观测值,包括:
根据所述第一差值与所述电力节点在所述相似时间段的电力负荷值,确定第一比值;所述第一比值为所述第一差值与所述电力节点在所述相似时间段的电力负荷值之间的比值;
根据所述第二差值与所述电力节点在所述相似时间段的电力负荷值,确定第二比值;所述第二比值为所述第二差值与所述电力节点在所述相似时间段的电力负荷值之间的比值;
在所述第一比值大于或等于第二比值的情况下,将所述知识驱动电力负荷预测值作为所述电力节点在所述目标时间段下的电力负荷观测值。
在其中一个实施例中,所述将所述电力负荷观测值输入至预训练的联合驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的目标电力负荷预测值,包括:
根据所述电力负荷观测值、状态转移矩阵和过程噪声向量,确定所述电力负荷观测值对应的电力负荷优化值;
根据所述电力负荷优化值、测量矩阵和测量噪声向量,确定所述电力节点在所述目标时间段下的目标电力负荷预测值。
在其中一个实施例中,所述根据所述电力负荷观测值、状态转移矩阵和过程噪声向量,确定所述电力负荷观测值对应的电力负荷优化值,包括:
根据所述电力负荷观测值和所述状态转移矩阵,确定第一乘积;所述第一乘积为所述电力负荷观测值与所述状态转移矩阵之间的乘积;
根据所述第一乘积和所述过程噪声向量,确定第一总和;所述第一总和为所述第一乘积与所述过程噪声向量之间的和;
将所述第一总和作为所述电力负荷观测值对应的电力负荷优化值。
在其中一个实施例中,所述根据所述电力负荷优化值、测量矩阵和测量噪声向量,确定所述电力节点在所述目标时间段下的目标电力负荷预测值,包括:
根据所述电力负荷优化值和所述测量矩阵,确定第二乘积;所述第二乘积为所述电力负荷优化值与所述测量矩阵之间的乘积;
根据所述第二乘积和所述测量噪声向量,确定第二总和;所述第二总和为所述第二乘积与所述测量噪声向量之间的和;
将所述第二总和作为所述电力节点在所述目标时间段下的目标电力负荷预测值。
在其中一个实施例中,所述方法还包括:
获取所述电力节点在所述历史时间段下的历史电力负荷值;
根据所述历史电力负荷值,训练待训练的联合驱动电力负荷预测模型,得到训练后的联合驱动电力负荷预测模型。
第二方面,本申请还提供了一种基于数据知识联合驱动的电力负荷预测装置,所述装置包括:
初步预测模块,用于将电力节点在目标时间段的气象特征输入至预训练的数据驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的数据驱动电力负荷预测值,以及,将所述电力节点在所述目标时间段下的气象特征输入至预训练的知识驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的知识驱动电力负荷预测值;
时间匹配模块,用于根据所述电力节点在所述目标时间段的气象特征,在历史时间段中确定所述目标时间段对应的相似时间段;所述历史时间段为所述目标时间段之前的时间段;
差值确定模块,用于确定所述数据驱动电力负荷预测值与所述电力节点在所述相似时间段的电力负荷值之间的第一差值,以及,确定所述知识驱动电力负荷预测值与所述电力节点在所述相似时间段的电力负荷值之间的第二差值;
负荷选择模块,用于根据所述第一差值和所述第二差值,选择所述数据驱动电力负荷预测值或所述知识驱动电力负荷预测值作为所述电力节点在所述目标时间段下的电力负荷观测值;
负荷预测模块,用于将所述电力负荷观测值输入至预训练的联合驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的目标电力负荷预测值。
第三方面,本申请还提供了一种计算机设备。所述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,所述计算机程序被处理器执行时实现上述的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述基于数据知识联合驱动的电力负荷预测方法、装置、计算机设备、存储介质和计算机程序产品,通过将电力节点在目标时间段的气象特征输入至预训练的数据驱动电力负荷预测模型,得到电力节点在目标时间段下的数据驱动电力负荷预测值,以及,将电力节点在目标时间段下的气象特征输入至预训练的知识驱动电力负荷预测模型,得到电力节点在目标时间段下的知识驱动电力负荷预测值,从而基于数据驱动方法和知识驱动方法,对电力节点在目标时间段下的电力负荷进行初步预测,分别得到对应的初步预测结果;根据电力节点在目标时间段的气象特征,在历史时间段中确定目标时间段对应的相似时间段,从而查找电力节点历史数据,筛选出与目标时间段下的气象数据相似的时间段;确定数据驱动电力负荷预测值与电力节点在相似时间段的电力负荷值之间的第一差值,以及,确定知识驱动电力负荷预测值与电力节点在相似时间段的电力负荷值之间的第二差值,从而确定初步预测结果与相似时间段下电力负荷值之间的偏差程度;根据第一差值和第二差值,选择数据驱动电力负荷预测值或知识驱动电力负荷预测值作为电力节点在目标时间段下的电力负荷观测值,从而基于初步预测结果与相似时间段下电力负荷值之间的偏差程度的大小,选择合适的初步预测结果作为观测值;将电力负荷观测值输入至预训练的联合驱动电力负荷预测模型,得到电力节点在目标时间段下的目标电力负荷预测值,实现利用数据驱动方法和知识驱动方法,对电力节点在目标时间段下的电力负荷进行初步预测,通过对比电力节点在与目标时间段的气象特征相似的相似时间段下的历史电力负荷值与初步预测结果间的差距,选择合适的初步预测结果作为联合驱动电力负荷预测模型的观测值,从而减少选择的初步预测结果与实际电力负荷之间的差距,并利用联合驱动电力负荷预测模型预测电力节点在目标时间段下的电力负荷,能够基于电力节点的历史数据减少初步预测结果与实际电力负荷的偏差,并选择相应的初步预测结果作为联合驱动电力负荷预测模型的观测值,从而利用联合驱动电力负荷预测模型进行电力负荷预测,进而提高电力负荷预测结果的准确性。
附图说明
图1为一个实施例中一种基于数据知识联合驱动的电力负荷预测方法的应用环境图;
图2为一个实施例中一种基于数据知识联合驱动的电力负荷预测方法的流程示意图;
图3为另一个实施例中一种基于数据知识联合驱动的电力负荷预测方法的流程示意图;
图4为一个实施例中一种基于数据知识联合驱动的电力负荷预测装置的结构框图;
图5为一个实施例中一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的基于数据知识联合驱动的电力负荷预测方法,可以应用于如图1所示的应用环境中。其中,电力设备102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104将电力节点在目标时间段的气象特征输入至预训练的数据驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的数据驱动电力负荷预测值,以及,将所述电力节点在所述目标时间段下的气象特征输入至预训练的知识驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的知识驱动电力负荷预测值;服务器104根据所述电力节点在所述目标时间段的气象特征,在历史时间段中确定所述目标时间段对应的相似时间段;所述历史时间段为所述目标时间段之前的时间段;服务器104确定所述数据驱动电力负荷预测值与所述电力节点在所述相似时间段的电力负荷值之间的第一差值,以及,确定所述知识驱动电力负荷预测值与所述电力节点在所述相似时间段的电力负荷值之间的第二差值;服务器104根据所述第一差值和所述第二差值,选择所述数据驱动电力负荷预测值或所述知识驱动电力负荷预测值作为所述电力节点在所述目标时间段下的电力负荷观测值;服务器104将所述电力负荷观测值输入至预训练的联合驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的目标电力负荷预测值。其中,电力设备102可以包括电力系统中的电力装置和电力节点。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一些实施例中,如图2所示,提供了一种基于数据知识联合驱动的电力负荷预测方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S202,将电力节点在目标时间段的气象特征输入至预训练的数据驱动电力负荷预测模型,得到电力节点在目标时间段下的数据驱动电力负荷预测值,以及,将电力节点在目标时间段下的气象特征输入至预训练的知识驱动电力负荷预测模型,得到电力节点在目标时间段下的知识驱动电力负荷预测值。
其中,电力节点可以是指电力系统中的电力设备、电力装置、子电力系统等能够产生电力负荷的结构。
其中,目标时间段可以是指需要进行电力负荷预测的时间段,实际应用中,目标时间段可以是指预测时间段,具体实现中,目标时间段包括但不限于明天、后天、36小时后等。
其中,气象特征可以是指影响电力节点的电力负荷大小的数据,实际应用中,气象特征可以包括电力节点所处环境中的气温、湿度、降雨量和风速等数据。
其中,数据驱动电力负荷预测模型可以是指在电力节点的历史数据的基础上,利用数据分析和实验验证等方法对电力负荷进行预测的模型,实际应用中,数据驱动电力负荷预测模型可以包括门控循环单元GRU(Gated Recurrent Unit)。
其中,数据驱动电力负荷预测值可以是指由数据驱动电力负荷预测模型输出的、基于数据驱动方法得到的电力节点在目标时间断下的电力负荷的预测值。
其中,知识驱动电力负荷预测模型可以是指利用电力系统中与电力负荷相关的专业知识,对电力节点的电力负荷进行预测的模型,实际应用中,知识驱动电力负荷预测模型可以包括从电力负荷的物理公式推导出的机理模型。
其中,知识驱动电力负荷预测值可以是指由知识驱动电力负荷预测模型输出的、基于知识驱动方法得到的电力节点在目标时间断下的电力负荷的预测值。
作为一种示例,服务器获取电力节点对应的气象特征,服务器将电力节点对应的气象特征输入至预训练的数据驱动电力负荷预测模型,服务器将预训练的数据驱动电力负荷预测模型输出的结果作为电力节点在目标时间段下的数据驱动电力负荷预测值,服务器将电力节点对应的气象特征输入至预训练的知识驱动电力负荷预测模型,服务器将预训练的知识驱动电力负荷预测模型输出的结果作为电力节点在目标时间段下的知识驱动电力负荷预测值。
步骤S204,根据电力节点在目标时间段的气象特征,在历史时间段中确定目标时间段对应的相似时间段。
其中,历史时间段可以是指目标时间段之前的时间段,实际应用中,历史时间段可以是指当前时间之前的时间段,具体实现中,历史时间段可以包括昨天、前天、36小时前等。
其中,相似时间段可以是指气象特征与目标时间段对应的气象特征相似的时间段,例如:若当前时间段为8月22日,目标时间段为8月25日,则相似时间段可以为8月21日及8月21日之前的任一时间段,当电力节点在8月21日及8月21日之前的某时间段下的气象特征与电力节点在目标时间段下的气象特征之间的相似度大于预设相似度要求时,将该某时间段作为相似时间段。
作为一种示例,服务器通过对比电力节点在目标时间段下的气象特征和电力节点在历史时间段下的气象特征,从历史时间段中筛选出目标时间段对应的相似时间段。
步骤S206,确定数据驱动电力负荷预测值与电力节点在相似时间段的电力负荷值之间的第一差值,以及,确定知识驱动电力负荷预测值与电力节点在相似时间段的电力负荷值之间的第二差值。
其中,电力节点在相似时间段的电力负荷值可以是指电力节点在相似时间段下实际运行过程中的真实的电力负荷数据。
其中,第一差值可以是指数据驱动电力负荷预测值减去电力节点在相似时间段的电力负荷值得到的差值,实际应用中,第一差值可以包括数据驱动电力负荷预测值减去电力节点在相似时间段的电力负荷值得到的差值的绝对值。
其中,第二差值可以是指知识驱动电力负荷预测值减去电力节点在相似时间段的电力负荷值之间的差值,实际应用中,第二差值可以是指知识驱动电力负荷预测值减去电力节点在相似时间段的电力负荷值之间的差值的绝对值。
作为一种示例,服务器将数据驱动电力负荷预测值减去电力节点在相似时间段的电力负荷值,得到第一差值,服务器将知识驱动电力负荷预测值减去电力节点在相似时间段的电力负荷值,得到第二差值。
步骤S208,根据第一差值和第二差值,选择数据驱动电力负荷预测值或知识驱动电力负荷预测值作为电力节点在目标时间段下的电力负荷观测值。
其中,电力负荷观测值可以是指用于计算电力负荷预测值的中间数据。
作为一种示例,服务器对比第一差值和第二差值,当第一差值大于或等于第二差值时,服务器判断数据驱动电力负荷预测值误差较大,服务器将知识驱动电力负荷预测值作为电力节点在目标时间段下的电力负荷观测值;当第一差值小于第二差值时,服务器判断知识驱动电力负荷预测值误差较大,服务器将数据驱动电力负荷预测值作为电力节点在目标时间段下的电力负荷观测值。
步骤S210,将电力负荷观测值输入至预训练的联合驱动电力负荷预测模型,得到电力节点在目标时间段下的目标电力负荷预测值。
其中,联合驱动电力负荷预测模型可以是指结合数据驱动方法和知识驱动方法,对电力负荷进行预测的模型。
其中,目标电力负荷预测值可以是指联合驱动电力负荷预测模型输出的、可作为电力节点在目标时间段下的电力负荷的预测结果的数据。
作为一种示例,服务器将电力负荷观测值输入至预训练的联合驱动电力负荷预测模型,联合驱动电力负荷预测模型利用数据驱动方法和知识驱动方法计算电力节点在目标时间段下的电力负荷值,服务器将联合驱动电力负荷预测模型输出的结果作为电力节点在目标时间段下的目标电力负荷预测值。
上述基于数据知识联合驱动的电力负荷预测方法中,通过将电力节点在目标时间段的气象特征输入至预训练的数据驱动电力负荷预测模型,得到电力节点在目标时间段下的数据驱动电力负荷预测值,以及,将电力节点在目标时间段下的气象特征输入至预训练的知识驱动电力负荷预测模型,得到电力节点在目标时间段下的知识驱动电力负荷预测值,从而基于数据驱动方法和知识驱动方法,对电力节点在目标时间段下的电力负荷进行初步预测,分别得到对应的初步预测结果;根据电力节点在目标时间段的气象特征,在历史时间段中确定目标时间段对应的相似时间段,从而查找电力节点历史数据,筛选出与目标时间段下的气象数据相似的时间段;确定数据驱动电力负荷预测值与电力节点在相似时间段的电力负荷值之间的第一差值,以及,确定知识驱动电力负荷预测值与电力节点在相似时间段的电力负荷值之间的第二差值,从而确定初步预测结果与相似时间段下电力负荷值之间的偏差程度;根据第一差值和第二差值,选择数据驱动电力负荷预测值或知识驱动电力负荷预测值作为电力节点在目标时间段下的电力负荷观测值,从而基于初步预测结果与相似时间段下电力负荷值之间的偏差程度的大小,选择合适的初步预测结果作为观测值;将电力负荷观测值输入至预训练的联合驱动电力负荷预测模型,得到电力节点在目标时间段下的目标电力负荷预测值,实现利用数据驱动方法和知识驱动方法,对电力节点在目标时间段下的电力负荷进行初步预测,通过对比电力节点在与目标时间段的气象特征相似的相似时间段下的历史电力负荷值与初步预测结果间的差距,选择合适的初步预测结果作为联合驱动电力负荷预测模型的观测值,从而减少选择的初步预测结果与实际电力负荷之间的差距,并利用联合驱动电力负荷预测模型预测电力节点在目标时间段下的电力负荷,能够基于电力节点的历史数据减少初步预测结果与实际电力负荷的偏差,并选择相应的初步预测结果作为联合驱动电力负荷预测模型的观测值,从而利用联合驱动电力负荷预测模型进行电力负荷预测,进而提高电力负荷预测结果的准确性。
在一些实施例中,根据电力节点在目标时间段的气象特征,在历史时间段中确定目标时间段对应的相似时间段,包括:获取电力节点在目标时间段下的气象特征;根据气象特征,确定电力节点在目标时间段下的特征向量;获取电力节点在历史时间段下的特征向量;根据电力节点在目标时间段下的特征向量与电力节点在历史时间段下的特征向量之间的相似度,确定目标时间段对应的相似时间段。
其中,电力节点在目标时间段下的特征向量可以是指根据电力节点在目标时间段下的气象特征确定的数据,实际应用中,可根据电力节点在目标时间段下的气温、湿度、降雨和风速确定电力节点在目标时间段下的特征向量。
其中,电力节点在历史时间段下的特征向量可以是指根据电力节点在历史时间段下的气象特征确定的数据,实际应用中,可根据电力节点在历史时间段下的气温、湿度、降雨和风速确定电力节点在目标时间段下的特征向量。
其中,电力节点在目标时间段下的特征向量与电力节点在历史时间段下的特征向量之间的相似度可以是指表征电力节点在目标时间段下的特征向量与电力节点在历史时间段下的特征向量之间相似程度的数据,实际应用中,电力节点在目标时间段下的特征向量与电力节点在历史时间段下的特征向量之间的相似度可以包括余弦相似度,余弦相似度可基于余弦相似度算法计算得到,具体地,余弦相似度算法(cosine similarity)作为相似性的度量方式,余弦相似度是通过计算两个向量的夹角余弦值来表示相似性大小,以余弦值作为具体相似性的度量值。
作为一种示例,服务器获取电力节点所处的环境中在目标时间段下的气温、湿度、降雨和风速数据,将上述气温、湿度、降雨和风速数据作为电力节点在目标时间段下的气象特征,服务器根据上述气温、湿度、降雨和风速数据,构建电力节点在目标时间段下的特征向量,同理,可按照上述方法,确定电力节点在历史时间段下的特征向量,服务器计算电力节点在历史时间段下的特征向量与电力节点在目标时间段下的特征向量之间的余弦相似度,服务器将与电力节点在目标时间段下的特征向量之间的余弦相似度最大的特征向量对应的历史时间段作为相似时间段。
本实施例中,通过获取电力节点在目标时间段下的气象特征;根据气象特征,确定电力节点在目标时间段下的特征向量;获取电力节点在历史时间段下的特征向量;根据电力节点在目标时间段下的特征向量与电力节点在历史时间段下的特征向量之间的相似度,确定目标时间段对应的相似时间段,能够通过计算历史时间段与目标时间段下的特征向量之间的相似度,确定与目标时间段最相似的时间段,从而为选择电力负荷观测值提供数据基础,进而提高电力负荷预测结果的准确性。
在一些实施例中,根据第一差值和第二差值,选择数据驱动电力负荷预测值或知识驱动电力负荷预测值作为电力节点在目标时间段下的电力负荷观测值,包括:根据第一差值与电力节点在相似时间段的电力负荷值,确定第一比值;根据第二差值与电力节点在相似时间段的电力负荷值,确定第二比值;在第一比值大于或等于第二比值的情况下,将知识驱动电力负荷预测值作为电力节点在目标时间段下的电力负荷观测值。
其中,第一比值可以是指第一差值与电力节点在相似时间段的电力负荷值之间的比值。
其中,第二比值可以是指第二差值与电力节点在相似时间段的电力负荷值之间的比值。
作为一种示例,服务器将第一差值除以电力节点在相似时间段的电力负荷值,得到第一比值,服务器将第二差值除以电力节点在相似时间段的电力负荷值,得到第二比值,服务器比较第一比值和第二比值,当第一比值大于第二比值时,服务器判断知识驱动电力负荷预测值误差较小,服务器将知识驱动电力负荷预测值作为电力节点在目标时间段下的电力负荷观测值;当第一比值小于第二比值时,服务器判断数据驱动电力负荷预测值误差较小,服务器将数据驱动电力负荷预测值作为电力节点在目标时间段下的电力负荷观测值。
本实施例中,通过根据第一差值与电力节点在相似时间段的电力负荷值,确定第一比值;根据第二差值与电力节点在相似时间段的电力负荷值,确定第二比值;在第一比值大于或等于第二比值的情况下,将知识驱动电力负荷预测值作为电力节点在目标时间段下的电力负荷观测值,能够基于数据驱动电力负荷预测值和知识驱动电力负荷预测值与电力节点在相似时间段的电力负荷值之间的差异程度,确定准确的电力负荷观测值,进而提高电力负荷预测结果的准确性。
在一些实施例中,将电力负荷观测值输入至预训练的联合驱动电力负荷预测模型,得到电力节点在目标时间段下的目标电力负荷预测值,包括:根据电力负荷观测值、状态转移矩阵和过程噪声向量,确定电力负荷观测值对应的电力负荷优化值;根据电力负荷优化值、测量矩阵和测量噪声向量,确定电力节点在目标时间段下的目标电力负荷预测值。
其中,状态转移矩阵可以是指卡尔曼滤波算法中表征状态转移矩阵的参数。
其中,过程噪声向量可以是指卡尔曼滤波算法中表征过程噪声向量的参数。
其中,电力负荷观测值对应的电力负荷优化值可以是指基于状态转移矩阵和过程噪声向量对电力负荷观测值进行校正优化后得到的数据。
其中,测量矩阵可以是指卡尔曼滤波算法中表征测量矩阵的参数。
其中,测量噪声向量可以是指卡尔曼滤波算法中表征测量噪声向量的参数。
作为一种示例,服务器按照第一表达式,根据电力负荷观测值、状态转移矩阵和过程噪声向量,计算电力负荷观测值对应的电力负荷优化值,其中,第一表达式可表示为:
xkf(t)=Ftxkf(t-1)+wt-1。
其中,xkf(t)可为电力负荷优化值,Ft可为状态转移矩阵,xkf(t-1)可为电力负荷观测值,wt-1可为过程噪声向量。
服务器按照第二表达式,根据电力负荷优化值、测量矩阵和测量噪声向量,计算电力节点在目标时间段下的目标电力负荷预测值,其中,第二表达式可表示为:
ygru(t)=Htxkf(t)+vt。
其中,ygru(t)可为目标电力负荷预测值,Ht可为测量矩阵,vt可为测量噪声向量。
本实施例中,通过根据电力负荷观测值、状态转移矩阵和过程噪声向量,确定电力负荷观测值对应的电力负荷优化值;根据电力负荷优化值、测量矩阵和测量噪声向量,确定电力节点在目标时间段下的目标电力负荷预测值,能够基于卡尔曼滤波算法,利用电力负荷观测值计算得到准确的电力负荷预测值,提高电力负荷预测结果的准确性。
在一些实施例中,根据电力负荷观测值、状态转移矩阵和过程噪声向量,确定电力负荷观测值对应的电力负荷优化值,包括:根据电力负荷观测值和状态转移矩阵,确定第一乘积;根据第一乘积和过程噪声向量,确定第一总和;将第一总和作为电力负荷观测值对应的电力负荷优化值。
其中,第一乘积可以是指电力负荷观测值与状态转移矩阵之间的乘积。
其中,第一总和可以是指第一乘积与过程噪声向量之间的和。
作为一种示例,服务器将电力负荷观测值xkf(t-1)与状态转移矩阵Ft相乘,得到第一乘积,服务器将第一乘积与过程噪声向量wt-1相加,得到第一总和,服务器可将第一总和作为电力负荷观测值对应的电力负荷优化值xkf(t)。
本实施例中,通过根据电力负荷观测值和状态转移矩阵,确定第一乘积;根据第一乘积和过程噪声向量,确定第一总和;将第一总和作为电力负荷观测值对应的电力负荷优化值,能够基于状态转移矩阵和过程噪声向量确定准确的电力负荷优化值,进而提高电力负荷预测结果的准确性。
在一些实施例中,根据电力负荷优化值、测量矩阵和测量噪声向量,确定电力节点在目标时间段下的目标电力负荷预测值,包括:根据电力负荷优化值和测量矩阵,确定第二乘积;根据第二乘积和测量噪声向量,确定第二总和;将第二总和作为电力节点在目标时间段下的目标电力负荷预测值。
其中,第二乘积可以是指电力负荷优化值与测量矩阵之间的乘积。
其中,第二总和可以是指第二乘积与测量噪声向量之间的和。
作为一种示例,服务器将电力负荷优化值xkf(t)与测量矩阵Ht相乘,得到第二乘积,服务器将第二乘积与测量噪声向量vt相加,得到第二总和,服务器将第二总和作为电力节点在目标时间段下的目标电力负荷预测值。
本实施例中,通过根据电力负荷优化值和测量矩阵,确定第二乘积;根据第二乘积和测量噪声向量,确定第二总和;将第二总和作为电力节点在目标时间段下的目标电力负荷预测值,能够基于测量矩阵和测量噪声向量,确定准确的电力负荷预测值,从而提高电力负荷预测结果的准确性。
在一些实施例中,上述方法还包括:获取电力节点在历史时间段下的历史电力负荷值;根据历史电力负荷值,训练待训练的联合驱动电力负荷预测模型,得到训练后的联合驱动电力负荷预测模型。
其中,电力节点在历史时间段下的历史电力负荷值可以是指电力节点在历史时间段下实际运行过程中的真实的电力负荷数据。
作为一种示例,为了优化电力负荷预测模型的性能,需要对电力负荷预测模型(如联合驱动电力负荷预测模型)进行训练,服务器在电力节点的历史时间段内选择任一时间段作为训练时间段,服务器根据电力节点在训练时间段下的气象特征,从训练时间段之前的时间段中,筛选出训练时间段对应的训练相似时间段,服务器将训练时间段对应的气象特征输入至预训练的数据驱动电力负荷预测模型得到电力节点在训练时间段下的数据驱动电力负荷预测值,服务器将训练时间段对应的气象特征输入至预训练的知识驱动电力负荷预测模型,得到电力节点在训练时间段下的知识驱动电力负荷预测值,服务器确定电力节点在训练时间段下的数据驱动电力负荷预测值与电力节点在训练相似时间段下的电力负荷值之间的第一训练差值,服务器确定电力节点在训练时间段下的知识驱动电力负荷预测值与电力节点在训练相似时间段下的电力负荷值之间的第二训练差值,服务器对比第一训练差值和第二训练差值,选择电力节点在训练时间段下的数据驱动电力负荷预测值或电力节点在训练时间段下的知识驱动电力负荷预测值作为电力节点在训练时间段下的知识驱动电力负荷观测值,服务器将电力节点在训练时间段下的知识驱动电力负荷观测值输入至待训练的联合驱动电力负荷预测模型,服务器根据待训练的联合驱动电力负荷预测模型的输出结果与电力节点在训练时间段下的真实电力负荷值,调整联合驱动电力负荷预测模型参数,直至待训练的联合驱动电力负荷预测模型的输出结果与电力节点在训练时间段下的真实电力负荷值之间的差异程度负荷预设误差要求,从而得到训练后的联合驱动电力负荷预测模型。
本实施例中,通过获取电力节点在历史时间段下的历史电力负荷值;根据历史电力负荷值,训练待训练的联合驱动电力负荷预测模型,得到训练后的联合驱动电力负荷预测模型,能够基于电力节点的历史数据训练联合驱动电力负荷预测模型,从而利用训练后的联合驱动电力负荷预测模型确定准确的电力负荷预测值,进而提高电力负荷预测结果的准确性。
在一些实施例中,如图3所示,提供了一种基于数据知识联合驱动的电力负荷预测方法的流程示意图,服务器将电力节点所处环境中待测日(目标时间段)下的气温、湿度、降雨和风速数据作为输入的待测日信息(即气象特征),服务器根据上述待测日信息构建日特征向量,服务器基于相似日算法,通过计算电力节点在目标时间段和历史时间段下的日特征向量之间的相似度,搜寻或筛选出相似度最大的时间段作为相似日(相似时间段),服务器获取相似日的电力负荷值Psim,服务器根据待测日信息和预训练的数据驱动电力负荷预测模型,确定数据驱动电力负荷预测值Pdd,服务器根据待测日信息和预训练的知识驱动电力负荷预测模型,确定知识驱动电力负荷预测值Pkd,服务器计算数据驱动电力负荷预测值Pdd与相似日的电力负荷值Psim之间的第一差值PΔ1,服务器计算知识驱动电力负荷预测值Pkd与相似日的电力负荷值Psim之间的第二差值PΔ2,服务器计算第一差值与相似日的电力负荷值Psim之间的第一比值D1,服务器计算第二差值与相似日的电力负荷值Psim之间的第一比值D2,服务器对比第一比值和第二比值,若第一比值小于第二比值,服务器将数据驱动电力负荷预测值Pdd作为电力节点在目标时间段下的电力负荷观测值,若第一比值大于或等于第二比值,服务器将知识驱动电力负荷预测值PKd作为电力节点在目标时间段下的电力负荷观测值,服务器将电力节点在目标时间段下的电力负荷观测值输入至联合驱动电力负荷预测模型,结合卡尔曼滤波算法进行优化(如预测和更新),得到电力节点在目标时间段下的目标电力负荷预测值。
本实施例中,基于相似日算法和卡尔曼滤波算法,利用并行联合驱动,运行数据驱动方法和知识驱动方法,能够对电力负荷进行准确预测,提高电力负荷预测结果的准确性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于数据知识联合驱动的电力负荷预测方法的基于数据知识联合驱动的电力负荷预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于数据知识联合驱动的电力负荷预测装置实施例中的具体限定可以参见上文中对于基于数据知识联合驱动的电力负荷预测方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种基于数据知识联合驱动的电力负荷预测装置,包括:初步预测模块402、时间匹配模块404、差值确定模块406、负荷选择模块408和负荷预测模块410,其中:
初步预测模块402,用于将电力节点在目标时间段的气象特征输入至预训练的数据驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的数据驱动电力负荷预测值,以及,将所述电力节点在所述目标时间段下的气象特征输入至预训练的知识驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的知识驱动电力负荷预测值。
时间匹配模块404,用于根据所述电力节点在所述目标时间段的气象特征,在历史时间段中确定所述目标时间段对应的相似时间段;所述历史时间段为所述目标时间段之前的时间段。
差值确定模块406,用于确定所述数据驱动电力负荷预测值与所述电力节点在所述相似时间段的电力负荷值之间的第一差值,以及,确定所述知识驱动电力负荷预测值与所述电力节点在所述相似时间段的电力负荷值之间的第二差值。
负荷选择模块408,用于根据所述第一差值和所述第二差值,选择所述数据驱动电力负荷预测值或所述知识驱动电力负荷预测值作为所述电力节点在所述目标时间段下的电力负荷观测值。
负荷预测模块410,用于将所述电力负荷观测值输入至预训练的联合驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的目标电力负荷预测值。
在一个示例性实施例中,上述时间匹配模块404具体还用于获取所述电力节点在所述目标时间段下的气象特征;根据所述气象特征,确定所述电力节点在目标时间段下的特征向量;获取所述电力节点在所述历史时间段下的特征向量;根据所述电力节点在所述目标时间段下的特征向量与所述电力节点在所述历史时间段下的特征向量之间的相似度,确定所述目标时间段对应的相似时间段。
在一个示例性实施例中,上述负荷选择模块408具体还用于根据所述第一差值与所述电力节点在所述相似时间段的电力负荷值,确定第一比值;所述第一比值为所述第一差值与所述电力节点在所述相似时间段的电力负荷值之间的比值;根据所述第二差值与所述电力节点在所述相似时间段的电力负荷值,确定第二比值;所述第二比值为所述第二差值与所述电力节点在所述相似时间段的电力负荷值之间的比值;在所述第一比值大于或等于第二比值的情况下,将所述知识驱动电力负荷预测值作为所述电力节点在所述目标时间段下的电力负荷观测值。
在一个示例性实施例中,上述负荷预测模块410具体还用于根据所述电力负荷观测值、状态转移矩阵和过程噪声向量,确定所述电力负荷观测值对应的电力负荷优化值;根据所述电力负荷优化值、测量矩阵和测量噪声向量,确定所述电力节点在所述目标时间段下的目标电力负荷预测值。
在一个示例性实施例中,上述负荷预测模块410具体还用于根据所述电力负荷观测值和所述状态转移矩阵,确定第一乘积;所述第一乘积为所述电力负荷观测值与所述状态转移矩阵之间的乘积;根据所述第一乘积和所述过程噪声向量,确定第一总和;所述第一总和为所述第一乘积与所述过程噪声向量之间的和;将所述第一总和作为所述电力负荷观测值对应的电力负荷优化值。
在一个示例性实施例中,上述负荷预测模块410具体还用于根据所述电力负荷优化值和所述测量矩阵,确定第二乘积;所述第二乘积为所述电力负荷优化值与所述测量矩阵之间的乘积;根据所述第二乘积和所述测量噪声向量,确定第二总和;所述第二总和为所述第二乘积与所述测量噪声向量之间的和;将所述第二总和作为所述电力节点在所述目标时间段下的目标电力负荷预测值。
在一个示例性实施例中,上述装置还包括模型训练模块,该模型训练模块具体用于获取所述电力节点在所述历史时间段下的历史电力负荷值;根据所述历史电力负荷值,训练待训练的联合驱动电力负荷预测模型,得到训练后的联合驱动电力负荷预测模型。
上述基于数据知识联合驱动的电力负荷预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于数据知识联合驱动的电力负荷预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5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,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于数据知识联合驱动的电力负荷预测方法,其特征在于,所述方法包括:
将电力节点在目标时间段的气象特征输入至预训练的数据驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的数据驱动电力负荷预测值,以及,将所述电力节点在所述目标时间段下的气象特征输入至预训练的知识驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的知识驱动电力负荷预测值;
根据所述电力节点在所述目标时间段的气象特征,在历史时间段中确定所述目标时间段对应的相似时间段;所述历史时间段为所述目标时间段之前的时间段;
确定所述数据驱动电力负荷预测值与所述电力节点在所述相似时间段的电力负荷值之间的第一差值,以及,确定所述知识驱动电力负荷预测值与所述电力节点在所述相似时间段的电力负荷值之间的第二差值;
根据所述第一差值和所述第二差值,选择所述数据驱动电力负荷预测值或所述知识驱动电力负荷预测值作为所述电力节点在所述目标时间段下的电力负荷观测值;
将所述电力负荷观测值输入至预训练的联合驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的目标电力负荷预测值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述电力节点在所述目标时间段的气象特征,在历史时间段中确定所述目标时间段对应的相似时间段,包括:
获取所述电力节点在所述目标时间段下的气象特征;
根据所述气象特征,确定所述电力节点在目标时间段下的特征向量;
获取所述电力节点在所述历史时间段下的特征向量;
根据所述电力节点在所述目标时间段下的特征向量与所述电力节点在所述历史时间段下的特征向量之间的相似度,确定所述目标时间段对应的相似时间段。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一差值和所述第二差值,选择所述数据驱动电力负荷预测值或所述知识驱动电力负荷预测值作为所述电力节点在所述目标时间段下的电力负荷观测值,包括:
根据所述第一差值与所述电力节点在所述相似时间段的电力负荷值,确定第一比值;所述第一比值为所述第一差值与所述电力节点在所述相似时间段的电力负荷值之间的比值;
根据所述第二差值与所述电力节点在所述相似时间段的电力负荷值,确定第二比值;所述第二比值为所述第二差值与所述电力节点在所述相似时间段的电力负荷值之间的比值;
在所述第一比值大于或等于第二比值的情况下,将所述知识驱动电力负荷预测值作为所述电力节点在所述目标时间段下的电力负荷观测值。
4.根据权利要求1所述的方法,其特征在于,所述将所述电力负荷观测值输入至预训练的联合驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的目标电力负荷预测值,包括:
根据所述电力负荷观测值、状态转移矩阵和过程噪声向量,确定所述电力负荷观测值对应的电力负荷优化值;
根据所述电力负荷优化值、测量矩阵和测量噪声向量,确定所述电力节点在所述目标时间段下的目标电力负荷预测值。
5.根据权利要求4所述的方法,其特征在于,所述根据所述电力负荷观测值、状态转移矩阵和过程噪声向量,确定所述电力负荷观测值对应的电力负荷优化值,包括:
根据所述电力负荷观测值和所述状态转移矩阵,确定第一乘积;所述第一乘积为所述电力负荷观测值与所述状态转移矩阵之间的乘积;
根据所述第一乘积和所述过程噪声向量,确定第一总和;所述第一总和为所述第一乘积与所述过程噪声向量之间的和;
将所述第一总和作为所述电力负荷观测值对应的电力负荷优化值。
6.根据权利要求4所述的方法,其特征在于,所述根据所述电力负荷优化值、测量矩阵和测量噪声向量,确定所述电力节点在所述目标时间段下的目标电力负荷预测值,包括:
根据所述电力负荷优化值和所述测量矩阵,确定第二乘积;所述第二乘积为所述电力负荷优化值与所述测量矩阵之间的乘积;
根据所述第二乘积和所述测量噪声向量,确定第二总和;所述第二总和为所述第二乘积与所述测量噪声向量之间的和;
将所述第二总和作为所述电力节点在所述目标时间段下的目标电力负荷预测值。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述电力节点在所述历史时间段下的历史电力负荷值;
根据所述历史电力负荷值,训练待训练的联合驱动电力负荷预测模型,得到训练后的联合驱动电力负荷预测模型。
8.一种基于数据知识联合驱动的电力负荷预测装置,其特征在于,所述装置包括:
初步预测模块,用于将电力节点在目标时间段的气象特征输入至预训练的数据驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的数据驱动电力负荷预测值,以及,将所述电力节点在所述目标时间段下的气象特征输入至预训练的知识驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的知识驱动电力负荷预测值;
时间匹配模块,用于根据所述电力节点在所述目标时间段的气象特征,在历史时间段中确定所述目标时间段对应的相似时间段;所述历史时间段为所述目标时间段之前的时间段;
差值确定模块,用于确定所述数据驱动电力负荷预测值与所述电力节点在所述相似时间段的电力负荷值之间的第一差值,以及,确定所述知识驱动电力负荷预测值与所述电力节点在所述相似时间段的电力负荷值之间的第二差值;
负荷选择模块,用于根据所述第一差值和所述第二差值,选择所述数据驱动电力负荷预测值或所述知识驱动电力负荷预测值作为所述电力节点在所述目标时间段下的电力负荷观测值;
负荷预测模块,用于将所述电力负荷观测值输入至预训练的联合驱动电力负荷预测模型,得到所述电力节点在所述目标时间段下的目标电力负荷预测值。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311149028.7A CN117424198A (zh) | 2023-09-06 | 2023-09-06 | 基于数据知识联合驱动的电力负荷预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311149028.7A CN117424198A (zh) | 2023-09-06 | 2023-09-06 | 基于数据知识联合驱动的电力负荷预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117424198A true CN117424198A (zh) | 2024-01-19 |
Family
ID=89521782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311149028.7A Pending CN117424198A (zh) | 2023-09-06 | 2023-09-06 | 基于数据知识联合驱动的电力负荷预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117424198A (zh) |
-
2023
- 2023-09-06 CN CN202311149028.7A patent/CN117424198A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180150783A1 (en) | Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models | |
CN107766573B (zh) | 基于数据处理的商品推荐方法、装置、设备和存储介质 | |
CN114912578B (zh) | 结构响应预测模型的训练方法、装置和计算机设备 | |
CN114359563B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN115689018A (zh) | 物资需求预测方法、装置、设备、存储介质和程序产品 | |
CN114462723B (zh) | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 | |
CN117078480A (zh) | 碳排放量监测方法、装置、设备、存储介质和计算机产品 | |
CN116626504A (zh) | 动力电池性能确定方法、装置、计算机设备和存储介质 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN108229572B (zh) | 一种参数寻优方法及计算设备 | |
CN117424198A (zh) | 基于数据知识联合驱动的电力负荷预测方法和装置 | |
CN116415957A (zh) | 异常交易对象识别方法、装置、计算机设备和存储介质 | |
CN116258923A (zh) | 图像识别模型训练方法、装置、计算机设备和存储介质 | |
CN115545168A (zh) | 基于注意力机制和循环神经网络的动态QoS预测方法及系统 | |
CN115473219A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN116522999B (zh) | 模型搜索与时延预测器训练方法、装置、设备及存储介质 | |
CN117233630B (zh) | 锂离子电池的使用寿命预测方法、装置和计算机设备 | |
CN115601550B (zh) | 模型确定方法、装置、计算机设备及计算机可读存储介质 | |
CN115905893A (zh) | 资源数值预测方法、装置、计算机设备和存储介质 | |
CN117631682A (zh) | 电网无人机巡检路线确定方法和系统 | |
CN116781536A (zh) | 流量预测方法、装置、设备、存储介质和程序产品 | |
CN117436972A (zh) | 资源对象推荐方法、装置、计算机设备和存储介质 | |
CN117910627A (zh) | 碳排放量预测方法、装置、计算机设备和存储介质 | |
CN116991639A (zh) | 能耗预测方法、装置、计算机设备和存储介质 | |
CN116629899A (zh) | 基于电网工程esg的评分方法、装置和计算机设备 |
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 |