CN117559448B - 一种用于专变采集终端的用电负荷预测分析方法及系统 - Google Patents
一种用于专变采集终端的用电负荷预测分析方法及系统 Download PDFInfo
- Publication number
- CN117559448B CN117559448B CN202410043825.5A CN202410043825A CN117559448B CN 117559448 B CN117559448 B CN 117559448B CN 202410043825 A CN202410043825 A CN 202410043825A CN 117559448 B CN117559448 B CN 117559448B
- Authority
- CN
- China
- Prior art keywords
- data
- noise
- sequence
- period
- data points
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 41
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 238000012512 characterization method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000000737 periodic effect Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001131 transforming 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
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种用于专变采集终端的用电负荷预测分析方法及系统;根据目标本征模态函数的采样序列的数据分布特征获得用电负荷数据序列的数据周期段;根据数据周期段之间的数据差异特征获得数据可信度;根据数据周期段中数据点的数据差异特征、数据可信度获得噪声程度和噪声数据点;根据噪声程度和数据周期段的数量获得关联数据量;根据噪声数据点和其他数据点之间的距离特征、数据可信度获得数据关联程度;根据数据关联程度和关联数据量获得关联数据点并对噪声数据点去噪获得用电负荷去噪数据序列。本发明根据用电负荷去噪数据序列进行预测,提高了预测准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于专变采集终端的用电负荷预测分析方法及系统。
背景技术
随着电力系统的发展和智能电网的建设,对电能数据的高效管理和利用越来越重要;专变采集终端是电力系统中一个关键组成部分,负责采集和传输电能数据,为电网运营提供实时准确的信息。由于电力系统的复杂性和用电负荷的时空变化,对专变采集终端数据进行合理的用电负荷预测成为一项重要任务。
因用电负荷数据序列往往呈现复杂非线性的特征,常用的时间序列分析技术的预测效果不佳;故通常使用现有的EMD经验模态分解算法对复杂的用电负荷数据序列进行预测,通过算法分解后获得不同的IMF本征模态函数曲线进行预测。由于用电负荷数据序列中存在噪声和间歇信号,导致EMD分解时出现模态混叠问题,影响分解后的IMF的准确性,使得用电负荷的预测精确性不高。
发明内容
为了解决上述由于用电负荷数据序列中存在噪声和间歇信号导致EMD分解获得的IMF准确性低,降低用电负荷的预测精确性的技术问题,本发明的目的在于提供一种用于专变采集终端的用电负荷预测分析方法,所采用的技术方案具体如下:
获取专变采集终端的用电负荷数据序列;对所述用电负荷数据序列进行分解获得目标本征模态函数;
根据预设步长对目标本征模态函数进行采样获得采样序列,根据采样序列中的数据分布特征获得所述预设步长的优选程度和用电负荷数据序列的数据周期段;根据所述数据周期段和其他数据周期段的数据差异特征获得所述数据周期段的数据可信度;
根据数据周期段的数据点和其他数据周期段的相同位置的其他数据点的数据差异特征、所述数据可信度获得噪声程度和噪声数据点;根据噪声程度和数据周期段的数量特征获得噪声数据点的关联数据量;根据所述噪声数据点和其他数据点之间的距离特征、其他数据周期段的数据可信度获得数据关联程度;
根据所述数据关联程度和所述关联数据量获得关联数据点;根据所述关联数据点的数据特征对噪声数据点进行去噪获得用电负荷去噪数据序列;根据用电负荷去噪数据序列通过EMD分解进行用电负荷预测。
进一步地,所述根据预设步长对目标本征模态函数进行采样获得采样序列,根据采样序列中的数据分布特征获得所述预设步长的优选程度和用电负荷数据序列的数据周期段的步骤包括:
在所述目标本征模态函数中根据所述预设步长的间隔长度进行采样构建子序列,获得预设步长数量个采样序列;计算所述采样序列中的众数与采样序列的数据点之间的数量比值,获得所述采样序列的周期表征值;计算所述预设步长对应的采样序列的周期表征值的平均值,获得所述预设步长的优选程度;
将所述优选程度的最大值对应的预设步长作为最优分割长度;根据所述最优分割长度对所述用电负荷数据序列进行周期划分,获得不同的数据周期段。
进一步地,所述根据所述数据周期段和其他数据周期段的数据差异特征获得所述数据周期段的数据可信度的步骤包括:
根据DTW算法计算用电负荷数据序列中的所述数据周期段与其他数据周期段的动态时间规整距离的平均值并负相关映射,获得所述数据周期段的数据可信度。
进一步地,所述根据数据周期段的数据点和其他数据周期段的相同位置的其他数据点的数据差异特征、所述数据可信度获得噪声程度和噪声数据点的步骤包括:
对于任意数据周期段中的任意数据点,计算其他数据周期段中与所述任意数据点相同位置的其他数据点的数值平均值,获得平均表征值;计算所述任意数据点的数值与所述平均表征值的差值绝对值并负相关映射,获得所述任意数据点的差异特征值;
计算所述任意数据点的差异特征值与所述任意数据周期段的数据可信度的乘积,获得噪声特征值;计算预设第一常数与所述噪声特征值的差值,获得所述任意数据点的噪声程度;当所述噪声程度超过预设噪声阈值时,所述任意数据点为噪声数据点。
进一步地,所述根据噪声程度和数据周期段的数量特征获得噪声数据点的关联数据量的步骤包括:
计算所述噪声数据点的噪声程度与所述其他数据周期段的数量的乘积并向下取整,获得所述噪声数据点的关联数据量。
进一步地,所述根据所述噪声数据点和其他数据点之间的距离特征、其他数据周期段的数据可信度获得数据关联程度的步骤包括:
将所述任意数据周期段中的噪声数据点与其他数据周期段中相同位置的其他数据点的时间距离的最大值作为最远时间距离,计算所述噪声数据点与相同位置的其他数据点之间的时间距离和所述最远时间距离的比值并负相关映射,获得其他数据点的距离特征值;计算所述其他数据周期段的数据可信度与所述距离特征值的乘积,获得其他数据点与所述噪声数据点的数据关联程度。
进一步地,所述根据所述数据关联程度和所述关联数据量获得关联数据点的步骤包括:
根据其他数据点与所述噪声数据点的数据关联程度从大到小对所述其他数据点排序获得关联序列,从所述关联序列中第一位开始选取关联数据量个其他数据点作为所述噪声数据点的关联数据点。
进一步地,所述根据所述关联数据点的数据特征对噪声数据点进行去噪获得用电负荷去噪数据序列的步骤包括:
计算所述噪声数据点的关联数据点的数值平均值,获得噪声数据点的替换值;将所述用电负荷数据序列中噪声数据点的数值改为对应的替换值,获得所述用电负荷去噪数据序列。
进一步地,所述对所述用电负荷数据序列进行分解获得目标本征模态函数的步骤包括:
根据EMD经验模态分解算法对所述用电负荷数据序列进行分解获得不同的IMF本征模态函数,将IMF1作为所述目标本征模态函数。
本发明还提出了一种用于专变采集终端的用电负荷预测分析系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序实现任意一项一种用于专变采集终端的用电负荷预测分析方法的步骤。
本发明具有如下有益效果:
在本发明中,获取目标本征模态函数能够表征用电负荷数据序列的周期特征,获取采样序列目的是计算目标本征模态函数的变化周期,从而获得用电负荷数据序列的数据周期段。获取数据可信度能够根据数据周期段之间的数据差异特征表征数据周期段中包含的噪声的明显程度;获取数据点的噪声程度能够确定具体的噪声数据点,从而提高去噪准确性;获取噪声数据点的关联数据量能够根据噪声数据点的噪声程度确定参与去噪平滑的其他数据点的数量。获取数据关联程度能够准确地表征不同的其他数据点对噪声数据点进行去噪平滑的权重;获取关联数据点能够进一步准确并自适应地对噪声数据点进行去噪平滑,从而获得用电负荷去噪数据序列,提高了EMD分解的准确性和预测精确性。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种用于专变采集终端的用电负荷预测分析方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于专变采集终端的用电负荷预测分析方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于专变采集终端的用电负荷预测分析方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于专变采集终端的用电负荷预测分析方法流程图,该方法包括以下步骤:
步骤S1,获取专变采集终端的用电负荷数据序列;对用电负荷数据序列进行分解获得目标本征模态函数。
在本发明实施例中,实施场景为对用于专变采集终端的用电负荷数据序列进行预测;首先获取专变采集终端的用电负荷数据序列,例如表征用电负荷的电流、电压和瞬时功率等特征,实施者可根据实施场景自行选取采集对象和采集频率;在本发明实施例中以电流作为采集对象,需要说明的是,不同的采集对象的分析步骤相同。由于用电负荷数据序列中容易出现噪声和间歇信号,导致EMD经验模态分解算法的分解结果容易出现模态混叠的现象,使得相同的时间尺度被分解到了不同的本征模态函数中,以及残差中仍存在有效的信息,致使通过本征模态函数预测用电负荷的准确性不高;因此为了提高分解和最终预测的准确性,需要对用电负荷数据序列进行去噪和平滑处理。
因用电负荷的变化是呈周期性的,例如日周期等;若某个用电周期中存在噪声数据点,则可根据其他周期中相同位置处的数据对该噪声数据点进行去噪和平滑。首先获取用电负荷数据序列的周期特征,对用电负荷数据序列进行分解获得目标本征模态函数,具体包括:根据EMD经验模态分解算法对用电负荷数据序列进行分解获得不同的IMF本征模态函数,将IMF1作为目标本征模态函数;因IMF1是最接近用电负荷数据序列的存在周期性特征的本征模态函数,故基于目标本征模态函数进行周期划分;需要说明的是,EMD经验模态分解算法属于现有技术,具体分解步骤不再赘述。
步骤S2,根据预设步长对目标本征模态函数进行采样获得采样序列,根据采样序列中的数据分布特征获得预设步长的优选程度和用电负荷数据序列的数据周期段;根据数据周期段和其他数据周期段的数据差异特征获得数据周期段的数据可信度。
获得能够表征用电负荷数据序列的周期特征的目标本征模态函数后,可对目标本征模态函数进行分析,确定用电负荷数据序列的具体周期变化情况;故根据预设步长对目标本征模态函数进行采样获得采样序列,根据采样序列中的数据分布特征获得预设步长的优选程度和用电负荷数据序列的数据周期段。
优选地,在本发明一个实施例中,获取数据周期段的步骤包括:在目标本征模态函数中根据预设步长的间隔长度进行采样构建子序列,获得预设步长数量个采样序列;需要说明的是,预设步长的取值范围可由实施者根据实施场景自行确定,在本发明实例里中,预设步长的取值范围为2至10;例如当预设步长为3时,从目标本征模态函数中第一个数据开始采样,每间隔3个步长采样一次,遍历目标本征模态函数,获得第一个采样序列;然后从第二个数据开始采样,每间隔3个步长采样一次,遍历目标本征模态函数,获得第二个采样序列;同理从第三个数据开始采样,获得第三个采样序列;故当预设步长为3时,可获得3个不同的采样序列。对目标本征模态函数进行不同预设步长的采样,获得不同预设步长对应的采样序列;计算采样序列中的众数与采样序列的数据点之间的数量比值,获得采样序列的周期表征值;计算预设步长对应的采样序列的周期表征值的平均值,获得预设步长的优选程度。当预设步长的长度越接近目标本征模态函数的每个周期的长度时,则获取的采样序列中每个数据越相似,在每个周期中的位置越接近;故当周期表征值越大,意味者该采样序列中大部分数据的数值相同,众数的数据量越大,该采样序列中数据间隔越符合周期间隔;当该预设步长的优选程度越大,意味者该预设步长的长度越接近目标本征模态函数的周期长度。
将优选程度的最大值对应的预设步长作为最优分割长度;根据该最优分割长度对用电负荷数据序列进行周期划分,获得不同的数据周期段,不同数据周期段之间的用电负荷变化特征相似。
进一步地,获取用电负荷数据序列的不同数据周期段后,可判断数据周期段中是否存在噪声,当某数据周期段中存在噪声,则该数据周期段和其他数据周期段的数据差异较大;故根据数据周期段和其他数据周期段的数据差异特征获得该数据周期段的数据可信度。
优选地,在本发明一个实施例中,获取数据可信度包括:根据DTW算法计算用电负荷数据序列中的数据周期段与其他数据周期段的动态时间规整距离的平均值并负相关映射,获得该数据周期段的数据可信度。DTW算法通过计算两个序列之间的最短距离从而判断两个序列之间的相似度,当动态时间规整距离越小时,意味者两个序列的数据特征越接近;需要说明的是,DTW算法属于现有技术,动态时间规整距离的计算步骤不再赘述。当数据可信度越大,意味着该任意数据周期段和其他数据周期段的数据特征越接近;反之,当数据可信度越小,意味着该任意数据周期段和其他数据周期段的数据特征的差异越大,则该任意数据周期段包含的噪声越明显。
步骤S3,根据数据周期段的数据点和其他数据周期段的相同位置的其他数据点的数据差异特征、数据可信度获得噪声程度和噪声数据点;根据噪声程度和数据周期段的数量特征获得噪声数据点的关联数据量;根据噪声数据点和其他数据点之间的距离特征、其他数据周期段的数据可信度获得数据关联程度。
获得每个数据周期段的数据可信度后,需要对数据周期段中具体的噪声位置进行分析;当任意数据周期段中任意数据点和其他数据周期段中相同位置的其他数据点的数据差异越大,且该任意数据周期段的数据可信度越小,则意味着该任意数据点为噪声数据点的可能性越大。故可根据数据周期段的数据点和其他数据周期段的相同位置的其他数据点的数据差异特征、数据可信度获得噪声程度和噪声数据点。
优选地,在本发明一个实施例中,获取噪声程度和噪声数据点包括:对于该任意数据周期段中的任意数据点,计算其他数据周期段中与该任意数据点相同位置的其他数据点的数值平均值,获得平均表征值;平均表征值表征了其他数据周期段中与该任意数据点相同位置的数值平均水平。计算该任意数据点的数值与该平均表征值的差值绝对值并负相关映射,获得该任意数据点的差异特征值;当差异特征值越小,意味着该任意数据点为噪声数据点的可能性越大。
进一步地,计算该任意数据点的差异特征值与该任意数据周期段的数据可信度的乘积,获得噪声特征值;当差异特征值和数据可信度越小,噪声特征值越小,该任意数据点为噪声数据点的可能性越大。计算预设第一常数与噪声特征值的差值,获得该任意数据点的噪声程度;当噪声程度超过预设噪声阈值时,该任意数据点为噪声数据点,在本发明实施例中,预设第一常数为1,预设噪声阈值为0.6,实施者可根据实施场景自行确定。获取噪声程度的公式包括:
式中,表示该任意数据点的噪声程度,/>表示预设第一常数,/>表示该任意数据点所在的数据周期段的数据可信度,/>表示以自然常数为底的指数函数,/>表示该任意数据点的数值,/>表示其他数据周期段的数量,/>表示第/>个其他数据周期段中与该任意数据点相同位置的其他数据点;/>表示平均表征值;/>表示差异特征值;/>表示噪声特征值。
当噪声数据点的噪声程度越大,为了保证去噪的准确性,则需要越多的其他数据周期段中相同位置的其他数据点为该噪声数据点进行去噪平滑;故可根据噪声程度和数据周期段的数量特征获得噪声数据点的关联数据量;具体包括:计算该噪声数据点的噪声程度与其他数据周期段的数量的乘积并向下取整,获得噪声数据点的关联数据量;当该噪声数据点的噪声程度越大,则需要更多的其他数据周期段的其他数据点提供去噪支持。
因为相邻的数据周期段中的用电负荷特征越相似,故距离噪声数据点越近且对应的数据可信度越大的其他数据周期段对噪声数据点的去噪平滑权重越大;因此可根据噪声数据点和其他数据点之间的距离特征、其他数据周期段的数据可信度获得数据关联程度。
优选地,在本发明一个实施例中,获取数据关联程度包括:将任意数据周期段中的噪声数据点与其他数据周期段中相同位置的其他数据点的时间距离的最大值作为最远时间距离,时间距离指不同数据点之间的时间戳的时间差异;计算该噪声数据点与相同位置的其他数据点之间的时间距离和最远时间距离的比值并负相关映射,获得其他数据点的距离特征值;当其他数据点距噪声数据点越近,则该其他数据点的距离特征值越大。计算其他数据周期段的数据可信度与距离特征值的乘积,获得其他数据点与该噪声数据点的数据关联程度;当其他数据点的距离特征值越大,并且所在的其他数据周期段的数据可信度越大,则该其他数据点对噪声数据点的去噪平滑权重越大,数据关联程度越大。
步骤S4,根据数据关联程度和关联数据量获得关联数据点;根据关联数据点的数据特征对噪声数据点进行去噪获得用电负荷去噪数据序列;根据用电负荷去噪数据序列通过EMD分解进行用电负荷预测。
获得噪声数据点的关联数据量和数据关联程度后,可根据数据关联程度和关联数据量获得关联数据点,具体包括:根据其他数据点与噪声数据点的数据关联程度从大到小对其他数据点排序获得关联序列,从关联序列中第一位开始选取关联数据量个其他数据点作为该噪声数据点的关联数据点;关联数据点对噪声数据点的去噪权重较大。进一步地,根据关联数据点的数据特征对噪声数据点进行去噪获得用电负荷去噪数据序列,具体包括:计算噪声数据点的关联数据点的数值平均值,获得噪声数据点的替换值;将用电负荷数据序列中噪声数据点的数值改为对应的替换值,获得用电负荷去噪数据序列。
去噪后的用电负荷去噪数据序列能够提高EMD分解的准确性,故根据用电负荷去噪数据序列通过EMD分解进行用电负荷预测;对获取的本征模态函数进行拟合延申,对拟合延申后的本征模态函数曲线和残差进行逆变换,得到用电负荷数据序列的预测值,需要说明的是,EMD分解属于现有技术,具体预测步骤不再赘述。通过对用电负荷数据序列进行自适应去噪处理,提高了IMF本征模态函数获取的准确性,使得用电负荷的预测精确性增加。
综上所述,本发明实施例提供了一种用于专变采集终端的用电负荷预测分析方法;根据目标本征模态函数的采样序列的数据分布特征获得用电负荷数据序列的数据周期段;根据数据周期段之间的数据差异特征获得数据可信度;根据数据周期段中数据点的数据差异特征、数据可信度获得噪声程度和噪声数据点;根据噪声程度和数据周期段的数量获得关联数据量;根据噪声数据点和其他数据点之间的距离特征、数据可信度获得数据关联程度;根据数据关联程度和关联数据量获得关联数据点并对噪声数据点去噪获得用电负荷去噪数据序列。本发明根据用电负荷去噪数据序列进行预测,提高了预测准确性。
本发明还提出了一种用于专变采集终端的用电负荷预测分析系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序实现任意一项一种用于专变采集终端的用电负荷预测分析方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种用于专变采集终端的用电负荷预测分析方法,其特征在于,所述方法包括以下步骤:
获取专变采集终端的用电负荷数据序列;对所述用电负荷数据序列进行分解获得目标本征模态函数;
根据预设步长对目标本征模态函数进行采样获得采样序列,根据采样序列中的数据分布特征获得所述预设步长的优选程度和用电负荷数据序列的数据周期段;根据所述数据周期段和其他数据周期段的数据差异特征获得所述数据周期段的数据可信度;
根据数据周期段的数据点和其他数据周期段的相同位置的其他数据点的数据差异特征、所述数据可信度获得噪声程度和噪声数据点;根据噪声程度和数据周期段的数量特征获得噪声数据点的关联数据量;根据所述噪声数据点和其他数据点之间的距离特征、其他数据周期段的数据可信度获得数据关联程度;
根据所述数据关联程度和所述关联数据量获得关联数据点;根据所述关联数据点的数据特征对噪声数据点进行去噪获得用电负荷去噪数据序列;根据用电负荷去噪数据序列通过EMD分解进行用电负荷预测。
2.根据权利要求1所述的一种用于专变采集终端的用电负荷预测分析方法,其特征在于,所述根据预设步长对目标本征模态函数进行采样获得采样序列,根据采样序列中的数据分布特征获得所述预设步长的优选程度和用电负荷数据序列的数据周期段的步骤包括:
在所述目标本征模态函数中根据所述预设步长的间隔长度进行采样构建子序列,获得预设步长数量个采样序列;计算所述采样序列中的众数与采样序列的数据点之间的数量比值,获得所述采样序列的周期表征值;计算所述预设步长对应的采样序列的周期表征值的平均值,获得所述预设步长的优选程度;
将所述优选程度的最大值对应的预设步长作为最优分割长度;根据所述最优分割长度对所述用电负荷数据序列进行周期划分,获得不同的数据周期段。
3.根据权利要求1所述的一种用于专变采集终端的用电负荷预测分析方法,其特征在于,所述根据所述数据周期段和其他数据周期段的数据差异特征获得所述数据周期段的数据可信度的步骤包括:
根据DTW算法计算用电负荷数据序列中的所述数据周期段与其他数据周期段的动态时间规整距离的平均值并负相关映射,获得所述数据周期段的数据可信度。
4.根据权利要求1所述的一种用于专变采集终端的用电负荷预测分析方法,其特征在于,所述根据数据周期段的数据点和其他数据周期段的相同位置的其他数据点的数据差异特征、所述数据可信度获得噪声程度和噪声数据点的步骤包括:
对于任意数据周期段中的任意数据点,计算其他数据周期段中与所述任意数据点相同位置的其他数据点的数值平均值,获得平均表征值;计算所述任意数据点的数值与所述平均表征值的差值绝对值并负相关映射,获得所述任意数据点的差异特征值;
计算所述任意数据点的差异特征值与所述任意数据周期段的数据可信度的乘积,获得噪声特征值;计算预设第一常数与所述噪声特征值的差值,获得所述任意数据点的噪声程度;当所述噪声程度超过预设噪声阈值时,所述任意数据点为噪声数据点。
5.根据权利要求4所述的一种用于专变采集终端的用电负荷预测分析方法,其特征在于,所述根据噪声程度和数据周期段的数量特征获得噪声数据点的关联数据量的步骤包括:
计算所述噪声数据点的噪声程度与所述其他数据周期段的数量的乘积并向下取整,获得所述噪声数据点的关联数据量。
6.根据权利要求5所述的一种用于专变采集终端的用电负荷预测分析方法,其特征在于,所述根据所述噪声数据点和其他数据点之间的距离特征、其他数据周期段的数据可信度获得数据关联程度的步骤包括:
将所述任意数据周期段中的噪声数据点与其他数据周期段中相同位置的其他数据点的时间距离的最大值作为最远时间距离,计算所述噪声数据点与相同位置的其他数据点之间的时间距离和所述最远时间距离的比值并负相关映射,获得其他数据点的距离特征值;计算所述其他数据周期段的数据可信度与所述距离特征值的乘积,获得其他数据点与所述噪声数据点的数据关联程度。
7.根据权利要求6所述的一种用于专变采集终端的用电负荷预测分析方法,其特征在于,所述根据所述数据关联程度和所述关联数据量获得关联数据点的步骤包括:
根据其他数据点与所述噪声数据点的数据关联程度从大到小对所述其他数据点排序获得关联序列,从所述关联序列中第一位开始选取关联数据量个其他数据点作为所述噪声数据点的关联数据点。
8.根据权利要求1所述的一种用于专变采集终端的用电负荷预测分析方法,其特征在于,所述根据所述关联数据点的数据特征对噪声数据点进行去噪获得用电负荷去噪数据序列的步骤包括:
计算所述噪声数据点的关联数据点的数值平均值,获得噪声数据点的替换值;将所述用电负荷数据序列中噪声数据点的数值改为对应的替换值,获得所述用电负荷去噪数据序列。
9.根据权利要求1所述的一种用于专变采集终端的用电负荷预测分析方法,其特征在于,所述对所述用电负荷数据序列进行分解获得目标本征模态函数的步骤包括:
根据EMD经验模态分解算法对所述用电负荷数据序列进行分解获得不同的IMF本征模态函数,将IMF1作为所述目标本征模态函数。
10.一种用于专变采集终端的用电负荷预测分析系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410043825.5A CN117559448B (zh) | 2024-01-12 | 2024-01-12 | 一种用于专变采集终端的用电负荷预测分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410043825.5A CN117559448B (zh) | 2024-01-12 | 2024-01-12 | 一种用于专变采集终端的用电负荷预测分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117559448A CN117559448A (zh) | 2024-02-13 |
CN117559448B true CN117559448B (zh) | 2024-03-22 |
Family
ID=89816980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410043825.5A Active CN117559448B (zh) | 2024-01-12 | 2024-01-12 | 一种用于专变采集终端的用电负荷预测分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117559448B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786325B (zh) * | 2024-02-27 | 2024-04-30 | 山东晨晖电子科技有限公司 | 一种大口径物联网水表的环境温度智慧预警系统 |
CN117972318B (zh) * | 2024-04-02 | 2024-06-14 | 山东万洋石油科技有限公司 | 一种高速自发电剪切阀脉冲波形测试方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114254800A (zh) * | 2021-11-05 | 2022-03-29 | 国网河北省电力有限公司营销服务中心 | 用于电力负荷预测的方法、终端及存储介质 |
CN115438833A (zh) * | 2022-07-29 | 2022-12-06 | 国网浙江省电力有限公司 | 一种短期电力负荷混合预测方法 |
CN116701845A (zh) * | 2023-07-28 | 2023-09-05 | 广东海昌沅国通食材有限公司 | 基于数据处理的水产品品质评价方法及系统 |
CN116703183A (zh) * | 2023-08-04 | 2023-09-05 | 国网吉林省电力有限公司经济技术研究院 | 一种新型配电网系统用电负荷评估方法 |
CN117131336A (zh) * | 2023-10-26 | 2023-11-28 | 深圳市欧康精密技术有限公司 | 一种电子设备连接器数据处理方法 |
CN117272160A (zh) * | 2023-10-09 | 2023-12-22 | 淮南师范学院 | 基于iceemdan和小波阈值的金融时间序列去噪分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018053525A1 (en) * | 2016-09-19 | 2018-03-22 | The University Of New Hampshire | Techniques for empirical mode decomposition (emd)-based noise estimation |
CN111985361A (zh) * | 2020-08-05 | 2020-11-24 | 武汉大学 | 小波降噪和emd-arima的电力系统负荷预测方法及系统 |
-
2024
- 2024-01-12 CN CN202410043825.5A patent/CN117559448B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114254800A (zh) * | 2021-11-05 | 2022-03-29 | 国网河北省电力有限公司营销服务中心 | 用于电力负荷预测的方法、终端及存储介质 |
CN115438833A (zh) * | 2022-07-29 | 2022-12-06 | 国网浙江省电力有限公司 | 一种短期电力负荷混合预测方法 |
CN116701845A (zh) * | 2023-07-28 | 2023-09-05 | 广东海昌沅国通食材有限公司 | 基于数据处理的水产品品质评价方法及系统 |
CN116703183A (zh) * | 2023-08-04 | 2023-09-05 | 国网吉林省电力有限公司经济技术研究院 | 一种新型配电网系统用电负荷评估方法 |
CN117272160A (zh) * | 2023-10-09 | 2023-12-22 | 淮南师范学院 | 基于iceemdan和小波阈值的金融时间序列去噪分类方法 |
CN117131336A (zh) * | 2023-10-26 | 2023-11-28 | 深圳市欧康精密技术有限公司 | 一种电子设备连接器数据处理方法 |
Non-Patent Citations (1)
Title |
---|
基于经验模态分解和基因表达式程序设计的电力系统短期负荷预测;范新桥 等;《电力系统保护与控制》;20110201;第39卷(第03期);第46-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117559448A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117559448B (zh) | 一种用于专变采集终端的用电负荷预测分析方法及系统 | |
CN110610280A (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
CN116320043B (zh) | 一种提高多载波通信系统传输效率的方法及系统 | |
CN116805785B (zh) | 基于随机聚类的电力负荷层次时间序列预测方法 | |
CN112506752A (zh) | 基于时序数据趋势预测的运维方法、装置及设备 | |
CN112631881A (zh) | 基于时序数据趋势预测的运维方法、装置及设备 | |
CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
CN115146853A (zh) | 基于电碳因子的用碳量确定方法、装置、设备及存储介质 | |
CN115271218A (zh) | 基于电碳因子的碳排放量预测方法、装置、设备及介质 | |
CN109219055B (zh) | 一种主用户占空比估计方法 | |
CN116777066B (zh) | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 | |
CN117293826B (zh) | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 | |
CN116226468B (zh) | 基于网格化终端业务数据存储管理方法 | |
CN114266423B (zh) | 基于多模型的电力能源需求预测方法、装置及存储介质 | |
CN115689026A (zh) | 一种住宅负荷短期预测方法和系统 | |
CN115526264A (zh) | 一种基于自编码器的用户用电行为分类分析方法 | |
CN117808325B (zh) | 基于用户供需大数据的电力负荷预测方法 | |
CN116108350B (zh) | 一种基于多任务学习的非侵入式电器识别方法及系统 | |
CN113765607B (zh) | 一种频谱检测方法及装置 | |
CN117713238B (zh) | 光伏发电和储能微电网结合的随机优化运行策略 | |
CN117150324A (zh) | 一种确定充电负荷峰谷时刻的方法和装置 | |
CN117148170B (zh) | 一种电池储能系统及其储能测试方法 | |
CN117910908B (zh) | 一种基于最优化算法的油脂栈台与储罐高效分发方法 | |
CN113470674B (zh) | 语音降噪方法、装置、存储介质及计算机设备 | |
CN115953042B (zh) | 基于专家系统的分布式能源优化控制管理方法 |
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 |