CN117592510A - 一种基于安全约束的负荷预测方法与系统 - Google Patents
一种基于安全约束的负荷预测方法与系统 Download PDFInfo
- Publication number
- CN117592510A CN117592510A CN202311558141.0A CN202311558141A CN117592510A CN 117592510 A CN117592510 A CN 117592510A CN 202311558141 A CN202311558141 A CN 202311558141A CN 117592510 A CN117592510 A CN 117592510A
- Authority
- CN
- China
- Prior art keywords
- data
- electricity
- model
- trained
- load
- 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 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 230000005611 electricity Effects 0.000 claims description 266
- 238000005070 sampling Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 8
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- JDDHUROHDHPVIO-UHFFFAOYSA-N Piperazine citrate Chemical compound C1CNCCN1.C1CNCCN1.C1CNCCN1.OC(=O)CC(O)(C(O)=O)CC(O)=O.OC(=O)CC(O)(C(O)=O)CC(O)=O JDDHUROHDHPVIO-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 229940103147 propet Drugs 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于安全约束的负荷预测方法与系统,属于用电负荷预测技术领域。本发明使用LSTM‑Prophet‑BP神经网络的组合模型能够使用BP神经网络对LSTM和Prophet的预测结果重新拟合,将两个单一模型的优势组合体现,获得更加精准,适用性更广的预测模型;同时可以将多种外在影响因素考虑在内,使得用电负荷的预测结果更加准确且贴合实际。
Description
技术领域
本发明属于用电负荷预测技术领域,尤其涉及一种基于安全约束的负荷预测方法与系统。
背景技术
关于用电负荷预测技术,现有的方案提供了以下解决方式:在专利CN116090612A中,使用了Prophet模型进行峰值负荷预测,虽然能自适应调整模型参数,但单独的Prophet模型表达能力简单,对误差项处理能力较弱,智能描述大致的预测趋势。在专利CN116227708A中,使用了Prophet-LSTM对电动汽车充电负荷预测,区分低频和高频序列分类预测,但合并过程较为简单。在专利CN112329990A中,使用LSTM-BP神经网络进行用电负荷预测,能够提高运算与工作效率,但BP神经网络容易陷入局部最小值,无法找到最优的网络参数,LSTM可以建模的序列长度有限,同时没有考虑多种外在因素的影响效果。
发明内容
为解决上述技术问题,本发明提出一种基于安全约束的负荷预测方案。
本发明第一方面提出一种基于安全约束的负荷预测方法。所述方法包括:
步骤S1、获取历史用电数据A,利用所述历史用电数据A分别训练LSTM模型和Prophet模型,从而得到训练好的LSTM模型和训练好的Prophet模型;
步骤S2、将所述历史用电数据A作为所述训练好的LSTM模型的输入,所述训练好的LSTM模型基于所述历史用电数据A生成用电数据A1,并且预测未来时间段的用电负荷B1;
步骤S3、将所述历史用电数据A作为所述训练好的Prophet模型的输入,所述训练好的Prophet模型基于所述历史用电数据A生成用电数据A2,并且预测未来时间段的用电负荷B2;
步骤S4、利用BP神经网络耦合所述训练好的LSTM模型和所述训练好的Prophet模型,通过不断将所述用电数据A1和所述用电数据A2拟合为所述历史用电数据A来对所述BP神经网络进行训练;
步骤S5、训练好的BP神经网络通过拟合所述用电负荷B1和所述用电负荷B2预测未来时间段的用电负荷B,并根据所述用电负荷B1和所述用电负荷B2对所述用电负荷B的准确性进行评估。
根据本发明第一方面的方法,在所述步骤S1中,所述历史用电数据A为经过预处理的数据,所述预处理包括缺失值填充、异常值剔除、格式统一化和数值归一化;训练所述LSTM模型具体包括:
设置滑动窗口,所述滑动窗口的长度为m,所述滑动窗口内包含m个采样时间点的历史用电数据,所述历史用电数据A共包含N个采样时间点的历史用电数据,且m<<N,将所述滑动窗口内的m个采样点进一步划分为第一区间[1,k]和第二区间[k+1,n];
在所述滑动窗口内,利用所述LSTM模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述第二区间的用电负荷预测数据,计算所述第二区间的历史用电数据和所述第二区间的用电负荷预测数据之间的损失函数;
通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算损失函数,当损失函数持续低于损失阈值时,完成对所述LSTM模型的训练。
根据本发明第一方面的方法,在所述步骤S1中,所述历史用电数据A为经过预处理的数据,所述预处理包括缺失值填充、异常值剔除、格式统一化和数值归一化;训练所述Prophet模型具体包括:
设置滑动窗口,所述滑动窗口的长度为m,所述滑动窗口内包含m个采样时间点的历史用电数据,所述历史用电数据A共包含N个采样时间点的历史用电数据,且m<<N,将所述滑动窗口内的m个采样点进一步划分为第一区间[1,k]和第二区间[k+1,n];
在所述滑动窗口内,利用所述Prophet模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述第二区间的用电负荷预测数据,计算所述第二区间的历史用电数据和所述第二区间的用电负荷预测数据之间的损失函数;
通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算损失函数,当损失函数持续低于损失阈值时,完成对所述Prophet模型的训练。
根据本发明第一方面的方法,在所述步骤S2中,所述训练好的LSTM模型基于所述历史用电数据A生成所述用电数据A1,具体包括:
在所述滑动窗口内,利用所述训练好的LSTM模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述训练好的LSTM模型预测的所述第二区间的用电数据,通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算所述训练好的LSTM模型预测的所述第二区间的用电数据,通过汇总后形成所述用电数据A1。
根据本发明第一方面的方法,在所述步骤S3中,所述训练好的Prophet模型基于所述历史用电数据A生成所述用电数据A2,具体包括:
在所述滑动窗口内,利用所述训练好的Prophet模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述训练好的Prophet模型预测的所述第二区间的用电数据,通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算所述训练好的Prophet模型预测的所述第二区间的用电数据,通过汇总后形成所述用电数据A2。
根据本发明第一方面的方法,在所述步骤S4中,对所述BP神经网络进行训练具体包括:为所述用电数据A1和所述用电数据A2分别分配权重系数,从而将所述用电数据A1和所述用电数据A2拟合为所述历史用电数据A,并获取所述权重系数曲线。
根据本发明第一方面的方法,在所述步骤S4中,对所述用电负荷B的准确性进行评估时,以平均绝对误差MAE、均方根误差RMSE、平均绝对百分比误差MAPE和R2作为评估指标。
本发明第二方面提出一种基于安全约束的负荷预测系统。所述系统包括:
第一处理单元,被配置为:获取历史用电数据A,利用所述历史用电数据A分别训练LSTM模型和Prophet模型,从而得到训练好的LSTM模型和训练好的Prophet模型;
第二处理单元,被配置为:将所述历史用电数据A作为所述训练好的LSTM模型的输入,所述训练好的LSTM模型基于所述历史用电数据A生成用电数据A1,并且预测未来时间段的用电负荷B1;
第三处理单元,被配置为:将所述历史用电数据A作为所述训练好的Prophet模型的输入,所述训练好的Prophet模型基于所述历史用电数据A生成用电数据A2,并且预测未来时间段的用电负荷B2;
第四处理单元,被配置为:利用BP神经网络耦合所述训练好的LSTM模型和所述训练好的Prophet模型,通过不断将所述用电数据A1和所述用电数据A2拟合为所述历史用电数据A来对所述BP神经网络进行训练;
第五处理单元,被配置为:训练好的BP神经网络通过拟合所述用电负荷B1和所述用电负荷B2预测未来时间段的用电负荷B,并根据所述用电负荷B1和所述用电负荷B2对所述用电负荷B的准确性进行评估。
根据本发明第二方面的系统,所述历史用电数据A为经过预处理的数据,所述预处理包括缺失值填充、异常值剔除、格式统一化和数值归一化;训练所述LSTM模型具体包括:
设置滑动窗口,所述滑动窗口的长度为m,所述滑动窗口内包含m个采样时间点的历史用电数据,所述历史用电数据A共包含N个采样时间点的历史用电数据,且m<<N,将所述滑动窗口内的m个采样点进一步划分为第一区间[1,k]和第二区间[k+1,n];
在所述滑动窗口内,利用所述LSTM模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述第二区间的用电负荷预测数据,计算所述第二区间的历史用电数据和所述第二区间的用电负荷预测数据之间的损失函数;
通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算损失函数,当损失函数持续低于损失阈值时,完成对所述LSTM模型的训练。
根据本发明第二方面的系统,所述历史用电数据A为经过预处理的数据,所述预处理包括缺失值填充、异常值剔除、格式统一化和数值归一化;训练所述Prophet模型具体包括:
设置滑动窗口,所述滑动窗口的长度为m,所述滑动窗口内包含m个采样时间点的历史用电数据,所述历史用电数据A共包含N个采样时间点的历史用电数据,且m<<N,将所述滑动窗口内的m个采样点进一步划分为第一区间[1,k]和第二区间[k+1,n];
在所述滑动窗口内,利用所述Prophet模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述第二区间的用电负荷预测数据,计算所述第二区间的历史用电数据和所述第二区间的用电负荷预测数据之间的损失函数;
通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算损失函数,当损失函数持续低于损失阈值时,完成对所述Prophet模型的训练。
根据本发明第二方面的系统,所述训练好的LSTM模型基于所述历史用电数据A生成所述用电数据A1,具体包括:
在所述滑动窗口内,利用所述训练好的LSTM模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述训练好的LSTM模型预测的所述第二区间的用电数据,通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算所述训练好的LSTM模型预测的所述第二区间的用电数据,通过汇总后形成所述用电数据A1。
根据本发明第二方面的系统,所述训练好的Prophet模型基于所述历史用电数据A生成所述用电数据A2,具体包括:
在所述滑动窗口内,利用所述训练好的Prophet模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述训练好的Prophet模型预测的所述第二区间的用电数据,通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算所述训练好的Prophet模型预测的所述第二区间的用电数据,通过汇总后形成所述用电数据A2。
根据本发明第二方面的系统,对所述BP神经网络进行训练具体包括:为所述用电数据A1和所述用电数据A2分别分配权重系数,从而将所述用电数据A1和所述用电数据A2拟合为所述历史用电数据A,并获取所述权重系数曲线。
根据本发明第二方面的系统,对所述用电负荷B的准确性进行评估时,以平均绝对误差MAE、均方根误差RMSE、平均绝对百分比误差MAPE和R2作为评估指标。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本公开第一方面的一种基于安全约束的负荷预测方法。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,实现本公开第一方面的一种基于安全约束的负荷预测方法。
综上,本发明使用的LSTM-Prophet-BP神经网络的组合模型能够使用BP神经网络对LSTM和Prophet的预测结果重新拟合,将两个单一模型的优势组合体现,获得更加精准,适用性更广的预测模型;同时可以将多种外在影响因素考虑在内,使得预测结果更加准确,贴合实际。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为根据本发明实施例的基于安全约束的负荷预测的流程示意图。
图2为根据本发明实施例的LSTM模型的结构示意图。
图3为根据本发明实施例的LSTM模型的原理示意图。
图4为根据本发明实施例的Prophet模型的原理示意图。
图5为根据本发明实施例的BP神经网络的原理示意图
图6为根据本发明实施例的准确性评估曲线示意图。
图7为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只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前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明第一方面提出一种基于安全约束的负荷预测方法。所述方法包括(如图1所示):
步骤S1、获取历史用电数据A,利用所述历史用电数据A分别训练LSTM模型和Prophet模型,从而得到训练好的LSTM模型和训练好的Prophet模型;
步骤S2、将所述历史用电数据A作为所述训练好的LSTM模型的输入,所述训练好的LSTM模型基于所述历史用电数据A生成用电数据A1,并且预测未来时间段的用电负荷B1;
步骤S3、将所述历史用电数据A作为所述训练好的Prophet模型的输入,所述训练好的Prophet模型基于所述历史用电数据A生成用电数据A2,并且预测未来时间段的用电负荷B2;
步骤S4、利用BP神经网络耦合所述训练好的LSTM模型和所述训练好的Prophet模型,通过不断将所述用电数据A1和所述用电数据A2拟合为所述历史用电数据A来对所述BP神经网络进行训练;
步骤S5、训练好的BP神经网络通过拟合所述用电负荷B1和所述用电负荷B2预测未来时间段的用电负荷B,并根据所述用电负荷B1和所述用电负荷B2对所述用电负荷B的准确性进行评估。
根据本发明第一方面的方法,在所述步骤S1中,所述历史用电数据A为经过预处理的数据,所述预处理包括缺失值填充、异常值剔除、格式统一化和数值归一化;训练所述LSTM模型具体包括:
设置滑动窗口,所述滑动窗口的长度为m,所述滑动窗口内包含m个采样时间点的历史用电数据,所述历史用电数据A共包含N个采样时间点的历史用电数据,且m<<N,将所述滑动窗口内的m个采样点进一步划分为第一区间[1,k]和第二区间[k+1,n];
在所述滑动窗口内,利用所述LSTM模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述第二区间的用电负荷预测数据,计算所述第二区间的历史用电数据和所述第二区间的用电负荷预测数据之间的损失函数;
通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算损失函数,当损失函数持续低于损失阈值时,完成对所述LSTM模型的训练。
根据本发明第一方面的方法,在所述步骤S1中,所述历史用电数据A为经过预处理的数据,所述预处理包括缺失值填充、异常值剔除、格式统一化和数值归一化;训练所述Prophet模型具体包括:
设置滑动窗口,所述滑动窗口的长度为m,所述滑动窗口内包含m个采样时间点的历史用电数据,所述历史用电数据A共包含N个采样时间点的历史用电数据,且m<<N,将所述滑动窗口内的m个采样点进一步划分为第一区间[1,k]和第二区间[k+1,n];
在所述滑动窗口内,利用所述Prophet模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述第二区间的用电负荷预测数据,计算所述第二区间的历史用电数据和所述第二区间的用电负荷预测数据之间的损失函数;
通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算损失函数,当损失函数持续低于损失阈值时,完成对所述Prophet模型的训练。
根据本发明第一方面的方法,在所述步骤S2中,所述训练好的LSTM模型基于所述历史用电数据A生成所述用电数据A1,具体包括:
在所述滑动窗口内,利用所述训练好的LSTM模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述训练好的LSTM模型预测的所述第二区间的用电数据,通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算所述训练好的LSTM模型预测的所述第二区间的用电数据,通过汇总后形成所述用电数据A1。
根据本发明第一方面的方法,在所述步骤S3中,所述训练好的Prophet模型基于所述历史用电数据A生成所述用电数据A2,具体包括:
在所述滑动窗口内,利用所述训练好的Prophet模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述训练好的Prophet模型预测的所述第二区间的用电数据,通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算所述训练好的Prophet模型预测的所述第二区间的用电数据,通过汇总后形成所述用电数据A2。
根据本发明第一方面的方法,在所述步骤S4中,对所述BP神经网络进行训练具体包括:为所述用电数据A1和所述用电数据A2分别分配权重系数,从而将所述用电数据A1和所述用电数据A2拟合为所述历史用电数据A,并获取所述权重系数曲线。
根据本发明第一方面的方法,在所述步骤S4中,对所述用电负荷B的准确性进行评估时,以平均绝对误差MAE、均方根误差RMSE、平均绝对百分比误差MAPE和R2作为评估指标。
具体示例1
将数据进行预处理,处理缺失值和异常值,获得格式统一的数值化数据。
将数据划分训练集和测试集,确定使用的时间点数量以及期望预测的时间点数量predicate_size。由于数据点的数值都比较大,且有一定幅度的波动,故先对数据进行归一化处理。同时,为满足一次性预测多个时间点数据的需求,设置一个滑动窗口,大小为window_size,每次向后滑动一个单位。最后预测结束后对结果反归一化以获得原始量级大小的数据。其详细步骤如下:将选定的数据集按照8:2的比例划分训练集train_data和测试集test_data,并对其进行归一化处理,归一化为(0,1);按照滑动窗口大小划分多个样本。搭建LSTM模型model_LSTM(如图2所示),同时设置Dropout以避免过拟合,然后对模型model_LSTM进行训练,训练模型并保存训练好的模型。使用训练好的模型,分别对训练集和未来值进行预测,并对结果进行反归一化,获得两组预测结果(如图3所示)。
将数据划分训练集和测试集,确定使用的时间点数量window_size以及期望预测的时间点数量predicate_size。搭建Prophet算法模型,使用训练集进行训练,获得训练好的算法模型model_Prophet。使用训练好的模型,分别对训练集和未来值进行预测,获得两组预测结果(如图4所示)。
将对训练集的预测结果汇总得到新的数据集文件,数据集文件中有时间项ds,LSTM算法模型对训练集的预测数据yhat_LSTM,Prophet算法模型对训练集的预测数据yhat_Prophet以及真实值y。接下来使用BP神经网络对这个新的数据集进行拟合,并预测原有期望数据量的数据(也就是predicate_size大小的数据量),获得结合了LSTM,Prophet和BP神经网络的新的预测值。详细步骤如下:将对训练集的预测结果与真实值拼接,获得新的数据集。使用BP神经网络对新的数据集重新进行拟合训练,获得新的模型model_BP。使用新的模型model_BP对未来值进行预测,获得新的预测结果(如图5所示)。
具体示例2
表1
DateTime | temperature | humidity | wind speed | General diffuse flow | Diffuse flow | Total electricity |
1/1/2017 0:00 | 6.559 | 73.8 | 0.083 | 0.051 | 0.119 | 70425.53544 |
1/1/2017 0:10 | 6.414 | 74.5 | 0.083 | 0.07 | 0.085 | 69320.84387 |
1/1/2017 0:20 | 6.313 | 74.5 | 0.08 | 0.062 | 0.1 | 67803.22193 |
1/1/2017 0:30 | 6.121 | 75 | 0.083 | 0.091 | 0.096 | 65489.23209 |
1/1/2017 0:40 | 5.921 | 75.7 | 0.081 | 0.048 | 0.085 | 63650.44627 |
1/1/2017 0:50 | 5.853 | 76.9 | 0.081 | 0.059 | 0.108 | 62171.34398 |
1/1/2017 1:00 | 5.641 | 77.7 | 0.08 | 0.048 | 0.096 | 60937.36065 |
1/1/2017 1:10 | 5.496 | 78.2 | 0.085 | 0.055 | 0.093 | 59566.75124 |
1/1/2017 1:20 | 5.678 | 78.1 | 0.081 | 0.066 | 0.141 | 58030.61931 |
1/1/2017 1:30 | 5.491 | 77.3 | 0.082 | 0.062 | 0.111 | 57012.92027 |
1/1/2017 1:40 | 5.516 | 77.5 | 0.081 | 0.051 | 0.108 | 55970.64741 |
1/1/2017 1:50 | 5.471 | 76.7 | 0.083 | 0.059 | 0.126 | 55152.85838 |
1/1/2017 2:00 | 5.059 | 78.6 | 0.081 | 0.07 | 0.096 | 54290.73952 |
1/1/2017 2:10 | 4.968 | 78.8 | 0.084 | 0.07 | 0.134 | 52861.79492 |
1/1/2017 2:20 | 4.975 | 78.9 | 0.083 | 0.055 | 0.152 | 52186.32556 |
1/1/2017 2:30 | 4.897 | 79.1 | 0.083 | 0.07 | 0.096 | 51605.46517 |
1/1/2017 2:40 | 5.02 | 79.7 | 0.081 | 0.051 | 0.134 | 51161.38219 |
1/1/2017 2:50 | 5407 | 785 | 0082 | 0062 | 0163 | 5043358248 |
1/1/2017 3:00 | 5.169 | 77.9 | 0.083 | 0.066 | 0.108 | 49783.65137 |
1/1/2017 3:10 | 5.081 | 77.7 | 0.084 | 0.051 | 0.13 | 49429.18669 |
1/1/2017 3:20 | 5.041 | 77.2 | 0.081 | 0.062 | 0.152 | 49080.25071 |
1/1/2017 3:30 | 5034 | 769 | 0083 | 0051 | 0185 | 4893540873 |
选用数据集为“Tetuan City power consumption”。数据集的采样频率为每天144个采样点,每10分钟采样一次,采样起止时间为1/1/20170:00至12/30/201723:50,采样内容包括temperature,humidity,wind speed,General diffuse flow,Diffuse flow以及目标内容Total electricity。原始数据集的样本展示如表1所示。使用从3/2/20170:00开始到5/30/201723:50共12960个采样点,滑动窗口大小为4320,即30天,预测长度为1440,即10天。
选择平均绝对误差MAE,均方根误差RMSE,平均绝对百分比误差MAPE和R2作为模型评估指标。其计算公式如下
式中:n是数据集合总数;yi为实际值;为平均值;/>为预测值。MAE、RMSE和MAPE的值越小,R2越接近1,则说明预测模型越具有精确度。使用本发明技术进行预测的结果如图6所示,其中结果及比较如表2所示。
表2
算法模型 | MAE | RMSE | MAPE | R2 |
LSTM | 7581.5759 | 10540.0464 | 9.6917 | 0.5856 |
Prophet | 7794.9405 | 10377.4535 | 10.7695 | 0.5983 |
LSTM-Prophet-BP | 7325.8429 | 9921.7726 | 9.6715 | 0.6328 |
本发明第二方面提出一种基于安全约束的负荷预测系统。所述系统包括:
第一处理单元,被配置为:获取历史用电数据A,利用所述历史用电数据A分别训练LSTM模型和Prophet模型,从而得到训练好的LSTM模型和训练好的Prophet模型;
第二处理单元,被配置为:将所述历史用电数据A作为所述训练好的LSTM模型的输入,所述训练好的LSTM模型基于所述历史用电数据A生成用电数据A1,并且预测未来时间段的用电负荷B1;
第三处理单元,被配置为:将所述历史用电数据A作为所述训练好的Prophet模型的输入,所述训练好的Prophet模型基于所述历史用电数据A生成用电数据A2,并且预测未来时间段的用电负荷B2;
第四处理单元,被配置为:利用BP神经网络耦合所述训练好的LSTM模型和所述训练好的Prophet模型,通过不断将所述用电数据A1和所述用电数据A2拟合为所述历史用电数据A来对所述BP神经网络进行训练;
第五处理单元,被配置为:训练好的BP神经网络通过拟合所述用电负荷B1和所述用电负荷B2预测未来时间段的用电负荷B,并根据所述用电负荷B1和所述用电负荷B2对所述用电负荷B的准确性进行评估。
根据本发明第二方面的系统,所述历史用电数据A为经过预处理的数据,所述预处理包括缺失值填充、异常值剔除、格式统一化和数值归一化;训练所述LSTM模型具体包括:
设置滑动窗口,所述滑动窗口的长度为m,所述滑动窗口内包含m个采样时间点的历史用电数据,所述历史用电数据A共包含N个采样时间点的历史用电数据,且m<<N,将所述滑动窗口内的m个采样点进一步划分为第一区间[1,k]和第二区间[k+1,n];
在所述滑动窗口内,利用所述LSTM模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述第二区间的用电负荷预测数据,计算所述第二区间的历史用电数据和所述第二区间的用电负荷预测数据之间的损失函数;
通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算损失函数,当损失函数持续低于损失阈值时,完成对所述LSTM模型的训练。
根据本发明第二方面的系统,所述历史用电数据A为经过预处理的数据,所述预处理包括缺失值填充、异常值剔除、格式统一化和数值归一化;训练所述Prophet模型具体包括:
设置滑动窗口,所述滑动窗口的长度为m,所述滑动窗口内包含m个采样时间点的历史用电数据,所述历史用电数据A共包含N个采样时间点的历史用电数据,且m<<N,将所述滑动窗口内的m个采样点进一步划分为第一区间[1,k]和第二区间[k+1,n];
在所述滑动窗口内,利用所述Prophet模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述第二区间的用电负荷预测数据,计算所述第二区间的历史用电数据和所述第二区间的用电负荷预测数据之间的损失函数;
通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算损失函数,当损失函数持续低于损失阈值时,完成对所述Prophet模型的训练。
根据本发明第二方面的系统,所述训练好的LSTM模型基于所述历史用电数据A生成所述用电数据A1,具体包括:
在所述滑动窗口内,利用所述训练好的LSTM模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述训练好的LSTM模型预测的所述第二区间的用电数据,通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算所述训练好的LSTM模型预测的所述第二区间的用电数据,通过汇总后形成所述用电数据A1。
根据本发明第二方面的系统,所述训练好的Prophet模型基于所述历史用电数据A生成所述用电数据A2,具体包括:
在所述滑动窗口内,利用所述训练好的Prophet模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述训练好的Prophet模型预测的所述第二区间的用电数据,通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算所述训练好的Prophet模型预测的所述第二区间的用电数据,通过汇总后形成所述用电数据A2。
根据本发明第二方面的系统,对所述BP神经网络进行训练具体包括:为所述用电数据A1和所述用电数据A2分别分配权重系数,从而将所述用电数据A1和所述用电数据A2拟合为所述历史用电数据A,并获取所述权重系数曲线。
根据本发明第二方面的系统,对所述用电负荷B的准确性进行评估时,以平均绝对误差MAE、均方根误差RMSE、平均绝对百分比误差MAPE和R2作为评估指标。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本公开第一方面的一种基于安全约束的负荷预测方法。
图7为根据本发明实施例的一种电子设备的结构图,如图7所示,电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、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。该电子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、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子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7中示出的结构,仅仅是与本公开的技术方案相关的部分的结构图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子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。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,实现本公开第一方面的一种基于安全约束的负荷预测方法。
综上,本发明使用的LSTM-Prophet-BP神经网络的组合模型能够使用BP神经网络对LSTM和Prophet的预测结果重新拟合,将两个单一模型的优势组合体现,获得更加精准,适用性更广的预测模型;同时可以将多种外在影响因素考虑在内,使得预测结果更加准确,贴合实际。
请注意,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发明专利范围的限制。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,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于安全约束的负荷预测方法,其特征在于,所述方法包括:
步骤S1、获取历史用电数据A,利用所述历史用电数据A分别训练LSTM模型和Prophet模型,从而得到训练好的LSTM模型和训练好的Prophet模型;
步骤S2、将所述历史用电数据A作为所述训练好的LSTM模型的输入,所述训练好的LSTM模型基于所述历史用电数据A生成用电数据A1,并且预测未来时间段的用电负荷B1;
步骤S3、将所述历史用电数据A作为所述训练好的Prophet模型的输入,所述训练好的Prophet模型基于所述历史用电数据A生成用电数据A2,并且预测未来时间段的用电负荷B2;
步骤S4、利用BP神经网络耦合所述训练好的LSTM模型和所述训练好的Prophet模型,通过不断将所述用电数据A1和所述用电数据A2拟合为所述历史用电数据A来对所述BP神经网络进行训练;
步骤S5、训练好的BP神经网络通过拟合所述用电负荷B1和所述用电负荷B2预测未来时间段的用电负荷B,并根据所述用电负荷B1和所述用电负荷B2对所述用电负荷B的准确性进行评估。
2.根据权利要求1所述的一种基于安全约束的负荷预测方法,其特征在于,在所述步骤S1中,所述历史用电数据A为经过预处理的数据,所述预处理包括缺失值填充、异常值剔除、格式统一化和数值归一化;训练所述LSTM模型具体包括:
设置滑动窗口,所述滑动窗口的长度为m,所述滑动窗口内包含m个采样时间点的历史用电数据,所述历史用电数据A共包含N个采样时间点的历史用电数据,且m<<N,将所述滑动窗口内的m个采样点进一步划分为第一区间[1,k]和第二区间[k+1,n];
在所述滑动窗口内,利用所述LSTM模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述第二区间的用电负荷预测数据,计算所述第二区间的历史用电数据和所述第二区间的用电负荷预测数据之间的损失函数;
通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算损失函数,当损失函数持续低于损失阈值时,完成对所述LSTM模型的训练。
3.根据权利要求1所述的一种基于安全约束的负荷预测方法,其特征在于,在所述步骤S1中,所述历史用电数据A为经过预处理的数据,所述预处理包括缺失值填充、异常值剔除、格式统一化和数值归一化;训练所述Prophet模型具体包括:
设置滑动窗口,所述滑动窗口的长度为m,所述滑动窗口内包含m个采样时间点的历史用电数据,所述历史用电数据A共包含N个采样时间点的历史用电数据,且m<<N,将所述滑动窗口内的m个采样点进一步划分为第一区间[1,k]和第二区间[k+1,n];
在所述滑动窗口内,利用所述Prophet模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述第二区间的用电负荷预测数据,计算所述第二区间的历史用电数据和所述第二区间的用电负荷预测数据之间的损失函数;
通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算损失函数,当损失函数持续低于损失阈值时,完成对所述Prophet模型的训练。
4.根据权利要求2-3任一项所述的一种基于安全约束的负荷预测方法,其特征在于,在所述步骤S2中,所述训练好的LSTM模型基于所述历史用电数据A生成所述用电数据A1,具体包括:
在所述滑动窗口内,利用所述训练好的LSTM模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述训练好的LSTM模型预测的所述第二区间的用电数据,通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算所述训练好的LSTM模型预测的所述第二区间的用电数据,通过汇总后形成所述用电数据A1。
5.根据权利要求2-3任一项所述的一种基于安全约束的负荷预测方法,其特征在于,在所述步骤S3中,所述训练好的Prophet模型基于所述历史用电数据A生成所述用电数据A2,具体包括:
在所述滑动窗口内,利用所述训练好的Prophet模型,基于所述第一区间的历史用电数据对所述第二区间的用电负荷进行预测,得到所述训练好的Prophet模型预测的所述第二区间的用电数据,通过不断将所述滑动窗口向后滑动L个采样时间点,来逐步计算所述训练好的Prophet模型预测的所述第二区间的用电数据,通过汇总后形成所述用电数据A2。
6.根据权利要求1所述的一种基于安全约束的负荷预测方法,其特征在于,在所述步骤S4中,对所述BP神经网络进行训练具体包括:为所述用电数据A1和所述用电数据A2分别分配权重系数,从而将所述用电数据A1和所述用电数据A2拟合为所述历史用电数据A,并获取所述权重系数曲线。
7.根据权利要求6所述的一种基于安全约束的负荷预测方法,其特征在于,在所述步骤S4中,对所述用电负荷B的准确性进行评估时,以平均绝对误差MAE、均方根误差RMSE、平均绝对百分比误差MAPE和R2作为评估指标。
8.一种基于安全约束的负荷预测系统,其特征在于,所述系统包括:
第一处理单元,被配置为:获取历史用电数据A,利用所述历史用电数据A分别训练LSTM模型和Prophet模型,从而得到训练好的LSTM模型和训练好的Prophet模型;
第二处理单元,被配置为:将所述历史用电数据A作为所述训练好的LSTM模型的输入,所述训练好的LSTM模型基于所述历史用电数据A生成用电数据A1,并且预测未来时间段的用电负荷B1;
第三处理单元,被配置为:将所述历史用电数据A作为所述训练好的Prophet模型的输入,所述训练好的Prophet模型基于所述历史用电数据A生成用电数据A2,并且预测未来时间段的用电负荷B2;
第四处理单元,被配置为:利用BP神经网络耦合所述训练好的LSTM模型和所述训练好的Prophet模型,通过不断将所述用电数据A1和所述用电数据A2拟合为所述历史用电数据A来对所述BP神经网络进行训练;
第五处理单元,被配置为:训练好的BP神经网络通过拟合所述用电负荷B1和所述用电负荷B2预测未来时间段的用电负荷B,并根据所述用电负荷B1和所述用电负荷B2对所述用电负荷B的准确性进行评估。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现权利要求1-7任一项所述的一种基于安全约束的负荷预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1-7任一项所述的一种基于安全约束的负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311558141.0A CN117592510A (zh) | 2023-11-22 | 2023-11-22 | 一种基于安全约束的负荷预测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311558141.0A CN117592510A (zh) | 2023-11-22 | 2023-11-22 | 一种基于安全约束的负荷预测方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117592510A true CN117592510A (zh) | 2024-02-23 |
Family
ID=89914512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311558141.0A Pending CN117592510A (zh) | 2023-11-22 | 2023-11-22 | 一种基于安全约束的负荷预测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592510A (zh) |
-
2023
- 2023-11-22 CN CN202311558141.0A patent/CN117592510A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN113671381A (zh) | 一种基于时间卷积网络的锂离子动力电池估算方法 | |
CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
WO2021004318A1 (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
KR20200128232A (ko) | 전력 수요 예측 장치 및 그 방법 | |
CN112907064B (zh) | 基于自适应窗的电量预测方法、装置、存储介质及终端 | |
CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN112907062A (zh) | 融合温度特征的电网电量预测方法、装置、介质及终端 | |
Xiao et al. | Ranking and selection for terminating simulation under sequential sampling | |
CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
CN116707331A (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
CN111091420A (zh) | 一种电力价格的预测方法及装置 | |
Çiçek et al. | Smartphone power management based on ConvLSTM model | |
CN113743667A (zh) | 一种台区用电量预测方法、装置、设备及存储介质 | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
CN113902260A (zh) | 信息预测方法、装置、电子设备和介质 | |
CN115841343B (zh) | 一种销售额度的确定方法及装置 | |
CN117592510A (zh) | 一种基于安全约束的负荷预测方法与系统 | |
CN111080037A (zh) | 一种基于深度神经网络的短期电力负荷预测方法及装置 | |
CN113344435B (zh) | 台区供电状态评估、装置、电子设备和存储介质 | |
CN115952928A (zh) | 一种短期电力负荷预测方法、装置、设备及存储介质 | |
CN113112311B (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
CN115629576A (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 |
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 |