CN117952283A - 基于隶属度的短期负荷预测方法、系统、终端及介质 - Google Patents
基于隶属度的短期负荷预测方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN117952283A CN117952283A CN202410354184.5A CN202410354184A CN117952283A CN 117952283 A CN117952283 A CN 117952283A CN 202410354184 A CN202410354184 A CN 202410354184A CN 117952283 A CN117952283 A CN 117952283A
- Authority
- CN
- China
- Prior art keywords
- prediction
- detection
- value
- load
- membership
- 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 45
- 238000001514 detection method Methods 0.000 claims abstract description 123
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 19
- 238000012628 principal component regression Methods 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及负荷预测领域，具体公开一种基于隶属度的短期负荷预测方法、系统、终端及介质，周期性采集k个检测设备的检测负荷值；将所采集的检测负荷值构建为初始检测矩阵，将初始检测矩阵乘以关于检测负荷值的隶属度函数获得预测检测矩阵，将预测检测矩阵输入预先构建的改进主成分回归模型中，获得负荷值的第一预测值；将所采集的检测负荷值构建为预测检测序列，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值；将第一预测值和第二预测值进行加权处理，获得最终的短期负荷预测值。本发明利用模糊集隶属度有效提高预测精度。
Description
技术领域
本发明涉及负荷预测领域，具体涉及一种基于隶属度的短期负荷预测方法、系统、终端及介质。
背景技术
短期电力负荷预测是电力系统规划和运营中的一个重要环节，它主要关注未来几小时到几天内的电力需求。准确的短期电力负荷预测有助于电力系统运营商更好地安排发电计划、优化资源配置、提高供电可靠性，并降低运营成本。随着电力市场改革的不断深入，先进实用的短期电力负荷预测能为电量生产及配电网经济优化调度提供坚强支撑，同时还能为市场交易主体制定购售电决策提供依据，在新形势下有较强的实际应用价值。
目前，国内外学者针对短期负荷预测问题已进行了广泛的探索，可分为两类：以机器学习为理论基础的现代预测方法和以时间序列预测原理为基础的经典预测方法。其中经典预测方法中的时间序列法利用历史负荷数据即可进行建模，具有所需数据少、建模理论完备、可操作性强等特点，因而其在负荷预测领域有很强的实践价值，但由于短期负荷数据的随机性和周期性以及影响因素的复杂性，经典预测方法面临提高预测精度等要求。
发明内容
为解决上述问题，本发明提供一种基于隶属度的短期负荷预测方法、系统、终端及介质，提高短期负荷预测精度。
第一方面，本发明的技术方案提供一种基于隶属度的短期负荷预测方法，包括以下步骤：
周期性采集k个检测设备的检测负荷值；
将所采集的检测负荷值构建为初始检测矩阵，将初始检测矩阵乘以关于检测负荷值的隶属度函数获得预测检测矩阵，将预测检测矩阵输入预先构建的改进主成分回归模型中，获得负荷值的第一预测值；
将所采集的检测负荷值构建为预测检测序列，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值；
将第一预测值和第二预测值进行加权处理，获得最终的短期负荷预测值。
在一个可选的实施方式中，隶属度函数由以下公式表示：
其中，=0.01，n为采集样本数，i为采集的第i个样本。
在一个可选的实施方式中，将初始检测矩阵乘以关于检测负荷值的隶属度函数获得预测检测矩阵，具体包括：
记初始检测矩阵为W，W为n×k维的矩阵；
则预测检测矩阵，即将W中的每一个元素乘以其对应的隶属度。
在一个可选的实施方式中，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值，具体包括：
记预测检测序列为B={B 1，B 2，…，B k}；
依次将B j输入到预先构建的深度学习神经网络中，获得负荷值的第j个预测值；其中j=1，2，…，k；
将k个预测值求平均值作为负荷值的第二预测值。
在一个可选的实施方式中，深度学习神经网络包括卷积神经网络CNN主模块、长短期记忆网络LSTM主模块、 Transformer主模块和全连接层；
卷积神经网络CNN主模块用于对预测检测序列提取初始特征；
长短期记忆网络LSTM主模块用于对初始特征进行处理获得时间序列特征；
Transformer主模块用于对时间序列特征进行处理，提取时序特征上下文信息得到中间特征；
全连接层用于对中间特征进行处理获得预测值。
在一个可选的实施方式中，该方法还包括以下步骤：
采集实际负荷值；
计算第一预测值与实际负荷值之间的预测偏差，第二预测值与实际负荷值之间的预测偏差；
根据预测偏差调整第一预测值和第二预测值的权重，其中预测偏差越大权重越小。
第二方面，本发明的技术方案提供一种基于隶属度的短期负荷预测系统，包括，
负荷值采集模块：周期性采集k个检测设备的检测负荷值；
第一预测值获取模块：将所采集的检测负荷值构建为初始检测矩阵，将初始检测矩阵乘以关于检测负荷值的隶属度函数获得预测检测矩阵，将预测检测矩阵输入预先构建的改进主成分回归模型中，获得负荷值的第一预测值；
第二预测值获取模块：将所采集的检测负荷值构建为初始检测序列，将初始检测序列乘以关于检测负荷值的隶属度函数获得预测检测序列，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值；
最终预测值计算模块：将第一预测值和第二预测值进行加权处理，获得最终的短期负荷预测值。
第三方面，本发明的技术方案提供一种终端，包括：
存储器，用于存储基于隶属度的短期负荷预测程序；
处理器，用于执行所述基于隶属度的短期负荷预测程序时实现如上述任一项所述基于隶属度的短期负荷预测方法的步骤。
第四方面，本发明的技术方案提供一种计算机可读存储介质，所述可读存储介质上存储有基于隶属度的短期负荷预测程序，所述基于隶属度的短期负荷预测程序被处理器执行时实现如上述任一项所述基于隶属度的短期负荷预测方法的步骤。
本发明提供的一种基于隶属度的短期负荷预测方法、系统、终端及介质，相对于现有技术，具有以下有益效果：利用模糊集隶属度对原自变量进行了权重赋值，然后将其主成分回归模型相结合，建立了预测短期负荷的新的主成分回归模型，可充分挖掘以往信息，又能使近期数据对数值的预测发挥较大作用，有效提高预测精度，同时与深度学习神经网络预测方式相结合，考虑两种预测方式的预测结果，避免单一预测方式的预测不准确性，进一步提高预测精度。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，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他的附图。
图1是本发明实施例提供的一种基于隶属度的短期负荷预测方法流程示意图。
图2是本发明实施例提供的一种基于隶属度的短期负荷预测系统结构示意框图。
图3是本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
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。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
图1是本发明实施例提供的一种基于隶属度的短期负荷预测方法流程示意图。其中，图1执行主体可以为一种基于隶属度的短期负荷预测系统。本发明实施例提供的基于隶属度的短期负荷预测方法由计算机设备执行，相应地，基于隶属度的短期负荷预测系统运行于计算机设备中。根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
如图1所示，该方法包括以下步骤。
S1，周期性采集k个检测设备的检测负荷值。
S2，将所采集的检测负荷值构建为初始检测矩阵，将初始检测矩阵乘以关于检测负荷值的隶属度函数获得预测检测矩阵，将预测检测矩阵输入预先构建的改进主成分回归模型中，获得负荷值的第一预测值。
S3，将所采集的检测负荷值构建为预测检测序列，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值。
S4，将第一预测值和第二预测值进行加权处理，获得最终的短期负荷预测值。
为进一步理解本发明，以下基于上述步骤S1-S4的原理对本发明及相关概念进一步详细说明。
针对短期负荷数据的随机性和周期性以及影响因素的复杂性，本实施例利用模糊集隶属度对原自变量进行了权重赋值，然后将其主成分回归模型相结合，建立了预测短期负荷的新的主成分回归模型。
以下对模糊集隶属度进行说明。
根据模糊理论和系统状态前后记忆的核心理念，推导出能够体现样本序列不同特性的隶属度。设论域U={u i|i=1，2，，n}，在U上建立模糊子集/>，即：
为叙述方便，令起始预测时刻为t n，对时刻点t n+1，t n+2，，t n+q进行预测。在马尔柯夫预测中，只有t n时刻的数据对预测有用，t n以前的数据不发挥作用。若样本序列符合马尔柯夫特点，则隶属度函数可定义为：
其中：A M为表现马尔柯夫特点的隶属度函数。
若从概率论的角度去考虑，则把样本时间序列X(1)，X(2)，，X(n)以相同的可能性对待，则隶属度函数定义为：
其中：A S为概率论意义下的隶属度函数。
在实际问题中，既不能舍弃过多以往的信息，又要使近期观测值对预测起到较大作用。因此，设计了随观测值的远近以指数形式递减的隶属度，即
其中，依据对过去数据的重要性提前给出，一般为0.01。
若样本序列具有周期性，则令隶属度为：
其中：l为周期长度；r为由经验提前确定的常数。
若同时表现出不同观测值的远近效用和周期性的特点，则令隶属度为：
为了充分挖掘以往信息，又能使近期数据对数值的预测发挥较大作用，本实施例选用随观测值的远近以指数形式递减的隶属度，即
其中，=0.01，n为采集样本数，i为采集的第i个样本。即k个检测设备采集n个周期的数据。
以下对主成分回归模型的基本原理进行说明。
设多元线性回归预测模型的一般形式为：
（1）
其中，W为n×k维的矩阵。
将A=W -1 W的k个特征根表示为，其分别对应的特征向量为/>. 由上述特征向量构成了正交矩阵V. 观测矩阵W与主成分矩阵T满足如下的关系：
（2）
主成分矩阵T是由原变量经过线性组合得到的，即
（3）
将（2）式代入（1）式，可得回归模型为：
（4）
（5）
因为
（6）
由（4）式和（6）式，计算得到α的估计值：
（7）
同理，可求解出β的估计值：
（8）
若原自变量出现多重共线性，将导致正规方程组无法求出正确解的情况，且使取值趋近0，同时/>也趋近0，此时将这些数值消去。主成分/>能够体现出原变量/>中的所隐含的全部信息。若将/>个主成分矩阵标记为/>，则主成分回归预测模型的表达式为：
（9）
维参数/>的估计值为：
(10)
关于的主成分估计准则为：
(11)
其中：表示/>维的矩阵。若将/>的第i个分量表示成：
(12)
则主成分回归方程的数学表达式为
(13)
其中：p表示为主成分回归模型中的主成分个数。
最终推导出原变量的主成分回归模型的一般形式为：
(14)
本实施例，利用模糊集隶属度对原自变量进行了权重赋值，即将初始检测矩阵乘以关于检测负荷值的隶属度函数获得预测检测矩阵，具体地，记初始检测矩阵为W，W为n×k维的矩阵，则预测检测矩阵，即将W中的每一个元素乘以其对应的隶属度。将/>输入到主成分回归模型进行预测。
例如，，其中第一行为第1个检测设备采集的n个检测数据。
相应的，
在一个可选的实施方式中，深度学习神经网络包括卷积神经网络CNN主模块、长短期记忆网络LSTM主模块、 Transformer主模块和全连接层。
其中，卷积神经网络CNN主模块用于对预测检测序列提取初始特征；长短期记忆网络LSTM主模块用于对初始特征进行处理获得时间序列特征； Transformer主模块用于对时间序列特征进行处理，提取时序特征上下文信息得到中间特征；全连接层用于对中间特征进行处理获得预测值。
本实施例中，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值，具体包括：
记预测检测序列为B={B 1，B 2，…，B k}；
依次将B j输入到预先构建的深度学习神经网络中，获得负荷值的第j个预测值；其中j=1，2，…，k；
将k个预测值求平均值作为负荷值的第二预测值。
其中B j为W中的第j个行向量。将k个行向量分别作为深度学习神经网络的输入进行负荷值预测，最后将k个预测值求平均值作为负荷值的第二预测值，相对于仅使用一组样本进行预测，使用k个检测设备的检测数据进行预测，可提高预测精度。
本实施例采用两种模型对负荷进行短期预测，最后将两种预测值进行加权处理，可以是加权求平均值处理，获得最终的短期负荷预测值。为提高预测精度，在一个可选的实施方式中，还分别对两种模型的权重进行调整，包括采集实际负荷值，计算第一预测值与实际负荷值之间的预测偏差，第二预测值与实际负荷值之间的预测偏差，根据预测偏差调整第一预测值和第二预测值的权重，其中预测偏差越大权重越小。
上文中对于一种基于隶属度的短期负荷预测方法的实施例进行了详细描述，基于上述实施例描述的基于隶属度的短期负荷预测方法，本发明实施例还提供了一种与该方法对应的基于隶属度的短期负荷预测系统。
图2是本发明实施例提供的以一种基于隶属度的短期负荷预测系统结构示意框图，基于隶属度的短期负荷预测系统200根据其所执行的功能，可以被划分为多个功能模块，如图2所示。所述功能模块可以包括：负荷值采集模块210、第一预测值获取模块220、第二预测值获取模块230、最终预测值计算模块240。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。
负荷值采集模块210：周期性采集k个检测设备的检测负荷值。
第一预测值获取模块220：将所采集的检测负荷值构建为初始检测矩阵，将初始检测矩阵乘以关于检测负荷值的隶属度函数获得预测检测矩阵，将预测检测矩阵输入预先构建的改进主成分回归模型中，获得负荷值的第一预测值。
第二预测值获取模块230：将所采集的检测负荷值构建为初始检测序列，将初始检测序列乘以关于检测负荷值的隶属度函数获得预测检测序列，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值。
最终预测值计算模块240：将第一预测值和第二预测值进行加权处理，获得最终的短期负荷预测值。
在一个可选的实施方式中，最终预测值计算模块240还用于采集实际负荷值；计算第一预测值与实际负荷值之间的预测偏差，第二预测值与实际负荷值之间的预测偏差；根据预测偏差调整第一预测值和第二预测值的权重，其中预测偏差越大权重越小。
本实施例的基于隶属度的短期负荷预测系统用于实现前述的基于隶属度的短期负荷预测方法，因此该系统中的具体实施方式可见前文中的基于隶属度的短期负荷预测方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的基于隶属度的短期负荷预测系统用于实现前述的基于隶属度的短期负荷预测方法，因此其作用与上述方法的作用相对应，这里不再赘述。
图3为本发明实施例提供的一种终端300的结构示意图，包括：处理器310、存储器320及通信单元330。所述处理器310用于实现存储器320中保存的基于隶属度的短期负荷预测程序时实现以下步骤：
该终端300包括处理器310、存储器320及通信单元330。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器320可以用于存储处理器310的执行指令，存储器320可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。当存储器320中的执行指令由处理器310执行时，使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
处理器310为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器320内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC) 组成，例如可以由单颗封装的IC 所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器310可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元330，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质，这里所说的存储介质可为磁碟、光盘、只读存储记忆体（英文：read-only memory，简称：ROM）或随机存储记忆体（英文：random accessmemory，简称：RAM）等。
计算机存储介质存储有基于隶属度的短期负荷预测程序，所述基于隶属度的短期负荷预测程序被处理器执行时实现以下步骤：
周期性采集k个检测设备的检测负荷值；
将所采集的检测负荷值构建为初始检测矩阵，将初始检测矩阵乘以关于检测负荷值的隶属度函数获得预测检测矩阵，将预测检测矩阵输入预先构建的改进主成分回归模型中，获得负荷值的第一预测值；
将所采集的检测负荷值构建为预测检测序列，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值；
将第一预测值和第二预测值进行加权处理，获得最终的短期负荷预测值。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中如U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端（可以是个人计算机，服务器，或者第二终端、网络终端等）执行本发明各个实施例所述方法的全部或部分步骤。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上公开的仅为本发明的优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明的保护范围内。
Claims (9)
1.一种基于隶属度的短期负荷预测方法，其特征在于，包括以下步骤：
周期性采集k个检测设备的检测负荷值；
将所采集的检测负荷值构建为初始检测矩阵，将初始检测矩阵乘以关于检测负荷值的隶属度函数获得预测检测矩阵，将预测检测矩阵输入预先构建的改进主成分回归模型中，获得负荷值的第一预测值；
将所采集的检测负荷值构建为预测检测序列，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值；
将第一预测值和第二预测值进行加权处理，获得最终的短期负荷预测值。
2.根据权利要求1所述的基于隶属度的短期负荷预测方法，其特征在于，隶属度函数由以下公式表示：
其中，=0.01，n为采集样本数，i为采集的第i个样本。
3.根据权利要求2所述的基于隶属度的短期负荷预测方法，其特征在于，将初始检测矩阵乘以关于检测负荷值的隶属度函数获得预测检测矩阵，具体包括：
记初始检测矩阵为W，W为n×k维的矩阵；
则预测检测矩阵，即将W中的每一个元素乘以其对应的隶属度。
4.根据权利要求3所述的基于隶属度的短期负荷预测方法，其特征在于，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值，具体包括：
记预测检测序列为B={B 1，B 2，…，B k}；
依次将B j输入到预先构建的深度学习神经网络中，获得负荷值的第j个预测值；其中j=1，2，…，k；
将k个预测值求平均值作为负荷值的第二预测值。
5.根据权利要求4所述的基于隶属度的短期负荷预测方法，其特征在于，深度学习神经网络包括卷积神经网络CNN主模块、长短期记忆网络LSTM主模块、 Transformer主模块和全连接层；
卷积神经网络CNN主模块用于对预测检测序列提取初始特征；
长短期记忆网络LSTM主模块用于对初始特征进行处理获得时间序列特征；
Transformer主模块用于对时间序列特征进行处理，提取时序特征上下文信息得到中间特征；
全连接层用于对中间特征进行处理获得预测值。
6.根据权利要求1-5任一项所述的基于隶属度的短期负荷预测方法，其特征在于，该方法还包括以下步骤：
采集实际负荷值；
计算第一预测值与实际负荷值之间的预测偏差，第二预测值与实际负荷值之间的预测偏差；
根据预测偏差调整第一预测值和第二预测值的权重，其中预测偏差越大权重越小。
7.一种基于隶属度的短期负荷预测系统，其特征在于，包括，
负荷值采集模块：周期性采集k个检测设备的检测负荷值；
第一预测值获取模块：将所采集的检测负荷值构建为初始检测矩阵，将初始检测矩阵乘以关于检测负荷值的隶属度函数获得预测检测矩阵，将预测检测矩阵输入预先构建的改进主成分回归模型中，获得负荷值的第一预测值；
第二预测值获取模块：将所采集的检测负荷值构建为初始检测序列，将初始检测序列乘以关于检测负荷值的隶属度函数获得预测检测序列，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值；
最终预测值计算模块：将第一预测值和第二预测值进行加权处理，获得最终的短期负荷预测值。
8.一种终端，其特征在于，包括：
存储器，用于存储基于隶属度的短期负荷预测程序；
处理器，用于执行所述基于隶属度的短期负荷预测程序时实现如权利要求1-6任一项所述基于隶属度的短期负荷预测方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述可读存储介质上存储有基于隶属度的短期负荷预测程序，所述基于隶属度的短期负荷预测程序被处理器执行时实现如权利要求1-6任一项所述基于隶属度的短期负荷预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410354184.5A CN117952283A (zh) | 2024-03-27 | 2024-03-27 | 基于隶属度的短期负荷预测方法、系统、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410354184.5A CN117952283A (zh) | 2024-03-27 | 2024-03-27 | 基于隶属度的短期负荷预测方法、系统、终端及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117952283A true CN117952283A (zh) | 2024-04-30 |
Family
ID=90803396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410354184.5A Pending CN117952283A (zh) | 2024-03-27 | 2024-03-27 | 基于隶属度的短期负荷预测方法、系统、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117952283A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631483A (zh) * | 2016-03-08 | 2016-06-01 | 国家电网公司 | 一种短期用电负荷预测方法及装置 |
| CN115374908A (zh) * | 2022-08-22 | 2022-11-22 | 广东电网有限责任公司 | 适用于配网柔性互联实时控制的短期负荷预测方法和系统 |
| CN115688993A (zh) * | 2022-10-20 | 2023-02-03 | 浙江工业大学 | 一种适用于配电台区的短期电力负荷预测方法 |
| CN116992216A (zh) * | 2023-07-12 | 2023-11-03 | 江苏同展电气研究院有限公司 | 一种基于电力用户数据的短期负荷预测方法 |
| CN116992274A (zh) * | 2023-09-28 | 2023-11-03 | 国网山东省电力公司滨州市滨城区供电公司 | 基于改进主成分回归模型的短期风速预测方法及系统 |
| CN117691591A (zh) * | 2023-12-14 | 2024-03-12 | 国网江西省电力有限公司信息通信分公司 | 一种深度学习多模型的电动汽车充电站短期负荷预测方法 |
-
2024
- 2024-03-27 CN CN202410354184.5A patent/CN117952283A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631483A (zh) * | 2016-03-08 | 2016-06-01 | 国家电网公司 | 一种短期用电负荷预测方法及装置 |
| CN115374908A (zh) * | 2022-08-22 | 2022-11-22 | 广东电网有限责任公司 | 适用于配网柔性互联实时控制的短期负荷预测方法和系统 |
| CN115688993A (zh) * | 2022-10-20 | 2023-02-03 | 浙江工业大学 | 一种适用于配电台区的短期电力负荷预测方法 |
| CN116992216A (zh) * | 2023-07-12 | 2023-11-03 | 江苏同展电气研究院有限公司 | 一种基于电力用户数据的短期负荷预测方法 |
| CN116992274A (zh) * | 2023-09-28 | 2023-11-03 | 国网山东省电力公司滨州市滨城区供电公司 | 基于改进主成分回归模型的短期风速预测方法及系统 |
| CN117691591A (zh) * | 2023-12-14 | 2024-03-12 | 国网江西省电力有限公司信息通信分公司 | 一种深度学习多模型的电动汽车充电站短期负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109659933B (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
| EP3822880A1 (en) | Load prediction method and apparatus based on neural network | |
| CN101288089B (zh) | 基于负荷预测的神经网络的在线和离线训练 | |
| CN112633316B (zh) | 一种基于边界估值理论的负荷预测方法和装置 | |
| CN110246037B (zh) | 交易特征预测方法、装置、服务器及可读存储介质 | |
| CN104364805A (zh) | 信息处理器、信息处理方法和程序 | |
| CN113239639A (zh) | 策略信息生成方法、装置、电子装置和存储介质 | |
| CN113807951A (zh) | 一种基于深度学习的交易数据趋势预测方法和系统 | |
| CN112308335A (zh) | 一种基于xgboost算法的短期电价预测方法及装置 | |
| CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
| CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 | |
| US20210342691A1 (en) | System and method for neural time series preprocessing | |
| CN114021861A (zh) | 一种电力负荷预测方法、装置、终端及存储介质 | |
| CN113705929A (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 | |
| CN105432038A (zh) | 应用排名计算装置和使用信息收集装置 | |
| CN117557375A (zh) | 基于虚拟电厂的交易评估方法及相关装置 | |
| CN116795198A (zh) | 数据中心的能耗优化方法、装置及存储介质 | |
| CN117952283A (zh) | 基于隶属度的短期负荷预测方法、系统、终端及介质 | |
| CN115759418A (zh) | 一种电力零售用户的可调容量预测方法及系统 | |
| CN114971053A (zh) | 低压台区网络线损率在线预测模型的训练方法及装置 | |
| CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
| CN112560325B (zh) | 换电业务的预测方法、系统、设备及存储介质 | |
| CN114065646A (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
| CN113344435A (zh) | 台区供电状态评估、装置、电子设备和存储介质 | |
| CN112926801A (zh) | 一种基于分位数回归的负荷曲线组合预测方法及装置 |
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 |