CN117977584A - 电力负荷概率预测方法、系统、介质、设备及程序产品 - Google Patents
电力负荷概率预测方法、系统、介质、设备及程序产品 Download PDFInfo
- Publication number
- CN117977584A CN117977584A CN202410389503.6A CN202410389503A CN117977584A CN 117977584 A CN117977584 A CN 117977584A CN 202410389503 A CN202410389503 A CN 202410389503A CN 117977584 A CN117977584 A CN 117977584A
- Authority
- CN
- China
- Prior art keywords
- time
- power load
- prediction
- component
- prediction result
- 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 55
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 230000002776 aggregation Effects 0.000 claims abstract description 9
- 238000004220 aggregation Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000007774 longterm Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及时间序列预测技术领域,本发明公开了电力负荷概率预测方法、系统、介质、设备及程序产品,包括:获取电力负荷数据和外生变量;对于电力负荷数据,通过频谱图分析,得到若干周期长度后,将每个周期长度作为窗口大小,对电力负荷数据进行滑动平均分解,得到时变成分和时不变成分;对于每个周期长度,基于时不变成分,预测得到时不变成分预测结果,基于时变成分和外生变量,预测得到时变成分预测结果;基于所有周期长度的所述时不变成分预测结果和时变成分预测结果,通过聚合预测,得到值预测结果;基于值预测结果,通过共形预测方法,得到电力负荷概率预测结果。可以更好的适应电力负荷数据随机的、动态的变化,具有更好的泛化性。
Description
技术领域
本发明涉及时间序列预测技术领域,具体的说,是涉及电力负荷概率预测方法、系统、介质、设备及程序产品。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
准确预测电力负荷对于整合电力传统与可再生能源发电方式(如风能和水电)至关重要,这不仅确保了电力供应的稳定性,还有助于电力供应商优化发电计划、降低运营成本,并减少能源浪费。随着深度学习技术的发展,其在电力负荷预测方面的应用日益广泛,这种技术能够从历史数据中发掘潜在的模式和规律。
尽管深度学习技术显著提升了电力负荷预测的准确性,但现有预测方法在几个关键方面仍面临挑战:
(1)周期的复杂性:电力负荷受人类生产和生活活动的周期性影响,表现出日周期和周周期等多重周期性特征,这些周期模式的相互叠加,给预测模型识别和提取周期特性带来了难度;
(2)对外生变量的考虑不足:目前的预测模型主要依据电力负荷历史数据进行预测,忽视了可能影响负荷变化的外在因素,例如天气状况、经济活动、社会事件等外生变量,这些因素才是影响电力负荷的直接原因,将这些外生变量纳入深度学习模型中,不仅可以提高预测的准确性,还能增强模型的泛化能力;
(3)长期预测的挑战:电力能源的生产需要时间,因此预测工作需要尽可能提前进行,然而,当前深度学习模型,如循环神经网络(RNNs),在处理长期依赖时存在梯度消失的问题,这限制了它们在长期序列预测中的效果;并且电力负荷数据是随时间动态变化的,具有非平稳性,这对长期预测提出了更高的要求;
(4)预测的动态性和不确定性:大多数现有预测方法主要预测具体的数值,未能充分考虑电力负荷数据的随机性和随时间变化的动态性,由于电力负荷受多种不确定因素的影响,单纯的数值预测方法可能随着时间推移而失效。
发明内容
本发明为了解决上述问题,本发明提供电力负荷概率预测方法、系统、介质、设备及程序产品,通过考虑外生变量、概率预测以及多周期分解,可以更好的适应电力负荷数据随机的、动态的变化,具有更好的泛化性。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供电力负荷概率预测方法,其包括:
获取电力负荷数据和外生变量;
对于所述电力负荷数据,通过频谱图分析,得到若干周期长度后,将每个周期长度作为窗口大小,对所述电力负荷数据进行滑动平均分解,得到时变成分和时不变成分;
对于每个周期长度,基于所述时不变成分,预测得到时不变成分预测结果;
对于每个周期长度,基于所述时变成分和外生变量,预测得到时变成分预测结果;
基于所有周期长度的所述时不变成分预测结果和时变成分预测结果,通过聚合预测,得到值预测结果;
基于值预测结果,通过共形预测方法,得到电力负荷概率预测结果。
进一步地,所述频谱图分析的步骤包括:
对所述电力负荷数据进行傅里叶分解,得到频率分量,并对所述频率分量计算振幅;
在频率分量中选择若干振幅最大的频率,计算选择出的每个频率对应的周期长度,得到若干周期长度。
进一步地,所述时不变成分预测结果的预测步骤包括:
对于所述时不变成分,通过实数傅里叶变换转换到频域后,采用不同权重参数进行频域线性变换,得到多个变换结果;
基于多个变换结果,通过频域门控机制的计算和逆傅里叶变换,得到所述时不变成分预测结果。
进一步地,所述时变成分预测结果的预测步骤包括:
将所述时变成分和外生变量进行拼接后,通过卷积操作进行融合,得到融合变量;
基于所述融合变量,通过结构状态空间模型,得到所述时变成分预测结果。
进一步地,所述聚合预测的步骤包括:
对于每个周期长度,将所述时不变成分预测结果和时变成分预测结果进行求和,得到预测值;
将所有周期长度的预测值与可学习矩阵进行相乘,得到所述值预测结果。
进一步地,所述电力负荷概率预测结果为:预测区间,且真实电力负荷落在预测区间的概率为/>,其中,/>为值预测结果,/>为置信度为/>的误差分位数,/>为设定的置信水平的补数。
本发明的第二个方面提供电力负荷概率预测系统,其包括:
数据获取模块,其被配置为:获取电力负荷数据和外生变量;
多周期分解模块,其被配置为:对于所述电力负荷数据,通过频谱图分析,得到若干周期长度后,将每个周期长度作为窗口大小,对所述电力负荷数据进行滑动平均分解,得到时变成分和时不变成分;
时不变成分预测模块,其被配置为:对于每个周期长度,基于所述时不变成分,预测得到时不变成分预测结果;
时变成分预测模块,其被配置为:对于每个周期长度,基于所述时变成分和外生变量,预测得到时变成分预测结果;
聚合预测模块,其被配置为:基于所有周期长度的所述时不变成分预测结果和时变成分预测结果,通过聚合预测,得到值预测结果;
概率预测模块,其被配置为:基于值预测结果,通过共形预测方法,得到电力负荷概率预测结果。
本发明的第三个方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,该程序被处理器执行时实现如上述所述的电力负荷概率预测方法中的步骤。
本发明的第四个方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的电力负荷概率预测方法中的步骤。
本发明的第四个方面提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述所述的电力负荷概率预测方法中的步骤。
与现有技术相比,本发明的有益效果为:
本发明针对电力负荷数据具有多周期的性质,通过频谱图分析,设计多周期分解,以处理电力负荷数据多周期的问题,可以更有效地处理电力负荷数据中出现的不同的周期模式。
本发明将值预测转化为概率预测,并以数据驱动的方式,建立起外生变量和时变成分的关系,从而探究真正对电力负荷数据变化产生影响因素,可以更好的适应电力负荷数据随机的、动态的变化,提高预测的准确性,具有更好的泛化性。
本发明将电力负荷数据分解为时变成分和时不变成分,分别进行预测;时不变成分为电力负荷数据的周期项,主要反映了人类日常活动的规律;对于时变成分的预测,需要考虑电力负荷数据随时间的变化;分别采用频域门控机制和结构化状态空间模型来建模时变成分和时不变成分,通过将这两部分解耦,可以获得更好的电力负荷概率预测效果。
附图说明
构成本发明的一部分说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的限定。
图1为本发明的实施例一的电力负荷概率预测方法的流程示意图;
图2为本发明的实施例一的多周期分解的流程示意图;
图3为本发明的实施例一的时不变成分预测的流程示意图;
图4为本发明的实施例一的时变成分预测的流程示意图;
图5为本发明的实施例一的聚合预测的流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合下面结合附图与实施例对本发明作进一步说明。
实施例一
本实施例一的目的是提供电力负荷概率预测方法。
本实施例提供的电力负荷概率预测方法,分为两个阶段:第一个阶段通过结合外生变量的多周期分解的电力负荷动态预测网络进行电力负荷的值预测,该网络由多周期分解、时不变成分预测、时变成分预测、聚合预测四部分组成;第二个阶段通过概率预测模块将前一阶段输出的值预测转化为概率预测结果。
本实施例提供的电力负荷概率预测方法,如图1所示,包括以下步骤:
步骤1、获取电力负荷数据和外生变量,并进行数据预处理。
步骤101、本实施例需要的输入数据包括电力负荷数据和外生变量数据。
其中,电力负荷数据定义为,/>表示某一区域/>次采样得到的电力负荷数据,/>表示某一区域第i次采样得到的电力负荷数据,T表示采样次数,即采样时刻总数。外生变量/>,/>,表示有/>个外生变量,且对于任意一个外生变量/>,其数据长度也为/>,对应着电力负荷数据在T个采样时刻的信息。
其中,外生变量包括:日期(包括分钟、小时、星期几、是否为节假日等信息)、温度、工业产出和/或人口。
步骤102、电力负荷数据和外生变量在输入网络前需要对数据进行归一化处理。计算方法如公式(1)、公式(2)所示,(1),/>(2)。其中公式(1)表示对电力负荷数据进行归一化,其中/>为输入电力负荷数据的均值,/>为输入电力负荷数据的方差。公式(2)表示对外生变量的归一化,因为外生变量有/>个,归一化操作需要分别对每一维(即,每一个外生变量)进行。通过归一化操作可以消除数据的量纲,避免数据大小差异带来的影响。
步骤103、将历史数据集按照7:1:2的比例划分为训练集、校准集和测试集,其中训练集数据用于训练结合外生变量的多周期分解的电力负荷动态预测网络,而校准集则用于将值预测网络模型转化为概率预测,最后通过测试集进行效果的评估。
值预测网络(即,结合外生变量的多周期分解的电力负荷动态预测网络)的目标为预测未来个采样步的电力负荷值/>,其中/>,/>为未来第/>个采样步的电力负荷值。之后通过概率预测模块将值预测转化为概率预测,概率预测的目标为将/>时刻的值预测结果/>转化为预测区间/>,使得真实的电力负荷/>的概率为/>,此时的置信水平为/>,/>为对应置信度的置信区间。
步骤2、对电力负荷数据进行多周期分解。
因为电力负荷数据具有多周期的性质,而通过分析频谱图中主要频率的峰值,可以估计数据的周期,基于此,设计了多周期分解,以处理电力负荷数据多周期的问题。多周期分解的流程如图2所示。
步骤201、对输入的电力负荷数据进行傅里叶分解,得到频率分量,之后对得到的频率分量计算振幅,如公式(3)所示,(3),其中,r/>表示实数傅里叶变换,/>表示计算幅度值;之后按照公式(4),在频率分量中选择/>个振幅最大的频率,/>(4)其中/>代表选择/>个最显著的频率成分,表示通过实数傅里叶分解得到的/>个频率分量(因由于实数序列的傅里叶变换具有共轭对称性,且不考虑直流分量,故得到频率分量个数为/>);之后按照公式(5)计算每个频率/>对应的周期长度,/>(5)。
步骤202、以这个周期长度分别作为滑动平均的窗口大小,对电力负荷数据进行滑动平均分解,如公式(6)所示,/>(6),/>以/>为窗口大小提取得到的趋势项,该成分是随时间变化的,即时变成分,/>表示填充操作用以保证滑动平均前后序列长度不变,/>为平均池化操作用以计算一个窗口的平均值。/>表示以/>为窗口大小提取得到的周期项,为时不变成分,/>(7)。
步骤203、对于第k个周期长度,最终的输出为和/>。
步骤3、时不变成分预测。
时不变成分为电力负荷数据的周期项,该项主要反映了人类日常活动的规律,该成分几乎不随时间发生变化,具有全局性。基于此,设计了一个在频域进行预测的时不变成分预测方法,该方法的流程示意图如图3所示,该示意图展示了的预测过程。通过频域线性变换将输入数据映射到目标输出数据的长度,并通过频率门控机制,筛选关键频率并过滤掉噪声频率,再转换到时域,得到时不变成分的预测结果。
步骤301、因为时不变成分不随时间发生变换,因此考虑从频率入手学习全局的表示。对于输入的时不变成分,首先通过公式(8)中实数傅里叶变换转换到频域,得到/>,/>(8),其中r/>表示实数傅里叶变换,/>为对应的频率分量,/>表示复数域,/>为输入数据的长度,因为输入数据是实数,所以经傅里叶变换后长度变为/>。
步骤302、之后分别用权重参数,其中,/>表示复数域,/>为输入数据的长度,/>为预测长度,对/>进行频域线性变换,得到频率分量的预测结果以及每个分量的权重,即/>和/>,如公式(9)、公式(10)所示,/>(9),/>(10)。
步骤303、通过公式(11)进行频域门控机制的计算,该机制用于筛选有效的频率分量,(11)。
步骤304、最后通过公式(12)的逆傅里叶变换将预测的频率系数变换为时域,得到最后的时不变成分的预测结果,(12)。
步骤4、时变成分预测。
对于时变成分的预测,需要考虑电力负荷数据随时间的变化,因此,采用空间状态模型对此进行建模,并设计了时变成分预测方法,时变成分预测方法的流程示意图如图4所示。
步骤401、首先将分解得到的时变成分和输入的外生变量/>,进行拼接,得到时变成分的输入/>,如公式(13)所示,/>(13),/>表示在变量个数维度进行拼接操作。
步骤402、之后通过编码模块(Embedding)对外生变量和时变成分进行融合,得到融合变量。编码模块采用以数据驱动的方式,建立起外生变量和时变成分的关系,从而探究真正对电力负荷数据变化产生影响因素,计算方式如公式(14)所示,(14),该计算通过卷积操作/>实现,卷积操作/>的卷积核的参数为,其中3为卷积核的大小,/>为输入的通道数,/>为输出通道数,填充长度为1,滑动步长为1,卷积核在采样样本维进行滑动,最终得到的编码表示。
步骤403、由于电力负荷数据可能会受到随机行为或者长期演变等因素的影响,从而导致出现随时间变化的成分,因此为了捕捉这一随时间变换的成分,考虑使用结构状态空间模型(S4)对时变成分进行建模。状态空间模型是动态系统理论中用于描述系统行为的数学模型。这种模型的核心思想是将系统的动态性描述为状态的集合,并使用一组方程来描述这些状态随时间的演变以及它们如何与系统输入和输出相关。状态空间模型对连续系统的建模如公式(15)、公式(16)所示。公式(15)为状态方程,(15),其中/>表示t时刻隐藏状态,/>表示t时刻的系统输入,/>表示状态向量/>关于时间t的导数,用以描述系统状态随时间的演变,/>(t)/>是状态转移矩阵,其中p为隐藏状态维度,/>是输入映射矩阵,用于将输入映射到隐藏状态维度。公式(16)为转移方程,/>(16),用于将隐藏状态映射为目标输出。因为在实际问题中,对于电力负荷数据时采样得到的,因此需要进行离散化处理,可以通过公式(17)到公式(21)得到离散化的计算结果,这里使用零阶保持(ZOH)离散化,/>(17),/>(18),/>(19),/>(20),/>(21),其中,/>的含义与公式(15)、公式(16)相同,均为可学习的参数,但结构状态空间模型为了避免状态空间模型存在梯度消失和/或梯度爆炸的问题,对于状态转移矩阵A矩阵使用Hippo(High-OrderPolynomial Projection Operator,高阶多项式投影算子)矩阵进行初始化。/>表示采样间隔,/>表示/>与/>相乘,/>为单位矩阵,/>表示以自然常数e为底的指数函数,/>为/>时刻隐藏层状态,/>代表/>时刻系统输入,对应着步骤402得到的/>时刻的编码/>,其中/>表示/>在/>时刻的值,/>代表/>时刻系统输出,对应着时变成分在t时刻预测结果。此时便可以通过自回归的方式预测未来长度为/>的电力负荷,将/>个时刻的预测结果进行汇总可以得到时变成分的预测结果即/>。
步骤5、聚合预测。
聚合预测的流程如图5所示,主要将个不同周期的预测结果进行汇总,得到最终的预测结果。首先将/>个周期长度的时不变成分预测值/>以及时变成分预测值/>进行求和,得到预测值/>,之后通过一个可学习矩阵学习每一个周期的比例,得到最终的预测结果/>,如公式(22)所示,/>(22),其中/>,/>为第/>个周期长度的权重。
步骤6、概率预测。
通过结合外生变量的多周期分解的电力负荷动态预测网络可以得到一个预测值,但这种仅给出一个值的预测方式,缺乏指导意义,因为电力关系到民生与社会稳定,因此需要预测结果是一个范围,并给出置信度,以便更好的指导生产。因此,利用共形预测的方法,将值预测转化为概率预测,具体分为两步:
步骤601、首先通过校准数据集计算误差分数,公式(23)利用训练好的结合外生变量的多周期分解的电力负荷动态预测网络(参数记为)对校准数据集进行预测,得到预测结果/>,/>(23);通过公式(24)计算误差/>,(24);之后通过公式(25)计算置信度为/>的误差分位数对应的误差值,/>(25)。其中/>表示校准数据集,n为校准数据集的样本个数,/>表示计算分位数,/>为/>个校准集样本通过公式(24)计算出的误差,/>是修正后的置信度为/>的分为数,/>为修正系数。此时可以保证/>的样本,其与真实电力负荷结果的误差是小于通过公式(25)计算得到的误差值/>,即以/>作为误差范围可以保证真实值有/>的概率落入该范围内。校准数据集可以随着时间动态调整,从而使得预测模型更好的适应数据变化,/>为设定的置信水平的补数(/>为置信水平)。
步骤602、之后便可以利用得到的分位数,将值预测结果转化为对应概率的预测区间,如公式(26)所示,/>(26),此时真实值(真实电力负荷)落在该区间的概率为/>。
在本实施例中,损失函数与评价指标。仅需要训练结合外生变量的多周期分解的电力负荷动态预测网络的参数,而概率预测部分是不需要学习的。因此,本实施例采用的损失函数如公式(27)所示,(27),其中,/>为真实值,/>为预测值,/>为计算样本数量。
为了更好的展示本本实施例方法的预测效果,本实施例分别对提出的值预测和概率预测进行评估,其中对于值预测的评估使用常用的预测任务的指标平均绝对误差(MAE)、均方根误差(RMSE),(28),/>(29)。对于概率预测的评估则使用经验覆盖率,(30),其中/>表示给定输入/>的置信度为/>的预测区间,/>表示测试集,/>为指示函数,当满足条件时为1,否则为0。
本实施例的方法时基于Python3.8进行开发。在进行多周期分解时,选择的周期个数K=3,在进行Embedding编码时使用的卷积核大小为3,卷积核个数d=128。空间状态模型的影藏状态的维度p=128,输入数据长度为96个采样长度,预测长度为24、96。
本实施例的方法与4种方法:结构状态空间模型(S4)、基于自回归递归网络的概率预测(DeepAR)、用于时间序列预测的深度状态空间模型(DeepSSM)时间卷积神经网络(TCN)进行了对比,本实施例的方法对于两个不同长度的预测目标的三项指标均为最低,在对比方法中排名第一,证实了本实施例的方法的有效性。
本实施例提供的电力负荷概率预测方法,通过考虑了外生变量和概率预测,可以更好的适应数据随机的、动态的变化,具有更好的泛化性;通过多周期分解的方法,可以更有效地处理电力负荷数据中出现的不同的周期模式;分别采用频域门控机制和结构化状态空间模型来建模时变成分和时不变成分,通过将这两部分解耦,可以获得更好的电力负荷预测效果;通过共性预测,将电力负荷的值预测转变为概率预测,使得预测结果更具参考价值,并且可以动态适应数据分布的变化。
实施例二
本实施例二的目的是提供电力负荷概率预测系统,包括:
数据获取模块,其被配置为:获取电力负荷数据和外生变量;
多周期分解模块,其被配置为:对于所述电力负荷数据,通过频谱图分析,得到若干周期长度后,将每个周期长度作为窗口大小,对所述电力负荷数据进行滑动平均分解,得到时变成分和时不变成分;
时不变成分预测模块,其被配置为:对于每个周期长度,基于所述时不变成分,预测得到时不变成分预测结果;
时变成分预测模块,其被配置为:对于每个周期长度,基于所述时变成分和外生变量,预测得到时变成分预测结果;
聚合预测模块,其被配置为:基于所有周期长度的所述时不变成分预测结果和时变成分预测结果,通过聚合预测,得到值预测结果;
概率预测模块,其被配置为:基于值预测结果,通过共形预测方法,得到电力负荷概率预测结果。
此处需要说明的是,本实施例中的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,该程序被处理器执行时实现如上述实施例一所述的电力负荷概率预测方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的电力负荷概率预测方法中的步骤。
实施例五
本施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例一所述的电力负荷概率预测方法中的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.电力负荷概率预测方法,其特征在于,包括:
获取电力负荷数据和外生变量;
对于所述电力负荷数据,通过频谱图分析,得到若干周期长度后,将每个周期长度作为窗口大小,对所述电力负荷数据进行滑动平均分解,得到时变成分和时不变成分;
对于每个周期长度,基于所述时不变成分,预测得到时不变成分预测结果;
对于每个周期长度,基于所述时变成分和外生变量,预测得到时变成分预测结果;
基于所有周期长度的所述时不变成分预测结果和时变成分预测结果,通过聚合预测,得到值预测结果;
基于值预测结果,通过共形预测方法,得到电力负荷概率预测结果。
2.如权利要求1所述的电力负荷概率预测方法,其特征在于,所述频谱图分析的步骤包括:
对所述电力负荷数据进行傅里叶分解,得到频率分量,并对所述频率分量计算振幅;
在频率分量中选择若干振幅最大的频率,计算选择出的每个频率对应的周期长度,得到若干周期长度。
3.如权利要求1所述的电力负荷概率预测方法,其特征在于,所述时不变成分预测结果的预测步骤包括:
对于所述时不变成分,通过实数傅里叶变换转换到频域后,采用不同权重参数进行频域线性变换,得到多个变换结果;
基于多个变换结果,通过频域门控机制的计算和逆傅里叶变换,得到所述时不变成分预测结果。
4.如权利要求1所述的电力负荷概率预测方法,其特征在于,所述时变成分预测结果的预测步骤包括:
将所述时变成分和外生变量进行拼接后,通过卷积操作进行融合,得到融合变量;
基于所述融合变量,通过结构状态空间模型,得到所述时变成分预测结果。
5.如权利要求1所述的电力负荷概率预测方法,其特征在于,所述聚合预测的步骤包括:
对于每个周期长度,将所述时不变成分预测结果和时变成分预测结果进行求和,得到预测值;
将所有周期长度的预测值与可学习矩阵进行相乘,得到所述值预测结果。
6.如权利要求1所述的电力负荷概率预测方法,其特征在于,所述电力负荷概率预测结果为:预测区间,且真实电力负荷落在预测区间的概率为/>,其中,/>为值预测结果,/>为置信度为/>的误差分位数,/>为设定的置信水平的补数。
7.电力负荷概率预测系统,其特征在于,包括:
数据获取模块,其被配置为:获取电力负荷数据和外生变量;
多周期分解模块,其被配置为:对于所述电力负荷数据,通过频谱图分析,得到若干周期长度后,将每个周期长度作为窗口大小,对所述电力负荷数据进行滑动平均分解,得到时变成分和时不变成分;
时不变成分预测模块,其被配置为:对于每个周期长度,基于所述时不变成分,预测得到时不变成分预测结果;
时变成分预测模块,其被配置为:对于每个周期长度,基于所述时变成分和外生变量,预测得到时变成分预测结果;
聚合预测模块,其被配置为:基于所有周期长度的所述时不变成分预测结果和时变成分预测结果,通过聚合预测,得到值预测结果;
概率预测模块,其被配置为:基于值预测结果,通过共形预测方法,得到电力负荷概率预测结果。
8.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的电力负荷概率预测方法中的步骤。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-6中任一项所述的电力负荷概率预测方法中的步骤。
10.一种计算机程序产品,其特征在于,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,实现如权利要求1-6任一项所述的电力负荷概率预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389503.6A CN117977584A (zh) | 2024-04-02 | 2024-04-02 | 电力负荷概率预测方法、系统、介质、设备及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389503.6A CN117977584A (zh) | 2024-04-02 | 2024-04-02 | 电力负荷概率预测方法、系统、介质、设备及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117977584A true CN117977584A (zh) | 2024-05-03 |
Family
ID=90858138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410389503.6A Pending CN117977584A (zh) | 2024-04-02 | 2024-04-02 | 电力负荷概率预测方法、系统、介质、设备及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117977584A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100287146A1 (en) * | 2009-05-11 | 2010-11-11 | Dean Skelton | System and method for change analytics based forecast and query optimization and impact identification in a variance-based forecasting system with visualization |
CN103886397A (zh) * | 2014-04-17 | 2014-06-25 | 中国科学院重庆绿色智能技术研究院 | 一种分治法与水质周期性结合的水质预测方法 |
CN109726865A (zh) * | 2018-12-27 | 2019-05-07 | 国网江苏省电力有限公司电力科学研究院 | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 |
CN110795519A (zh) * | 2019-10-28 | 2020-02-14 | 天聚地合(苏州)数据股份有限公司 | 基于Markov模型和概率统计的位置预测方法及可读存储介质 |
CN112396234A (zh) * | 2020-11-20 | 2021-02-23 | 国网经济技术研究院有限公司 | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 |
CN112488399A (zh) * | 2020-12-04 | 2021-03-12 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
CN115049113A (zh) * | 2022-05-30 | 2022-09-13 | 三峡大学 | 基于时间窗口和超参数自适应选择的s2s电力负荷预测系统 |
CN115409259A (zh) * | 2022-08-30 | 2022-11-29 | 华东师范大学 | 一种电力负荷概率预测方法 |
WO2023035564A1 (zh) * | 2021-09-08 | 2023-03-16 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及系统 |
CN116308487A (zh) * | 2023-03-17 | 2023-06-23 | 辽宁电力能源发展集团有限公司 | 一种基于多特征融合编码的电力需求负荷量预测方法 |
CN116646917A (zh) * | 2023-04-21 | 2023-08-25 | 济南大学 | 一种校园多步概率电力负荷预测方法及系统 |
CN116865251A (zh) * | 2023-07-04 | 2023-10-10 | 西安交通大学 | 一种短期负荷概率预测方法及系统 |
CN117575187A (zh) * | 2023-10-10 | 2024-02-20 | 北京交通大学 | 铁路集装箱空箱调配能力参数动态标定方法及系统 |
CN117791570A (zh) * | 2023-12-15 | 2024-03-29 | 国网湖北省电力有限公司神农架供电公司 | 一种短期电力负荷的预测系统及方法 |
-
2024
- 2024-04-02 CN CN202410389503.6A patent/CN117977584A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100287146A1 (en) * | 2009-05-11 | 2010-11-11 | Dean Skelton | System and method for change analytics based forecast and query optimization and impact identification in a variance-based forecasting system with visualization |
CN103886397A (zh) * | 2014-04-17 | 2014-06-25 | 中国科学院重庆绿色智能技术研究院 | 一种分治法与水质周期性结合的水质预测方法 |
CN109726865A (zh) * | 2018-12-27 | 2019-05-07 | 国网江苏省电力有限公司电力科学研究院 | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 |
CN110795519A (zh) * | 2019-10-28 | 2020-02-14 | 天聚地合(苏州)数据股份有限公司 | 基于Markov模型和概率统计的位置预测方法及可读存储介质 |
CN112396234A (zh) * | 2020-11-20 | 2021-02-23 | 国网经济技术研究院有限公司 | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 |
CN112488399A (zh) * | 2020-12-04 | 2021-03-12 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
WO2023035564A1 (zh) * | 2021-09-08 | 2023-03-16 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及系统 |
CN115049113A (zh) * | 2022-05-30 | 2022-09-13 | 三峡大学 | 基于时间窗口和超参数自适应选择的s2s电力负荷预测系统 |
CN115409259A (zh) * | 2022-08-30 | 2022-11-29 | 华东师范大学 | 一种电力负荷概率预测方法 |
CN116308487A (zh) * | 2023-03-17 | 2023-06-23 | 辽宁电力能源发展集团有限公司 | 一种基于多特征融合编码的电力需求负荷量预测方法 |
CN116646917A (zh) * | 2023-04-21 | 2023-08-25 | 济南大学 | 一种校园多步概率电力负荷预测方法及系统 |
CN116865251A (zh) * | 2023-07-04 | 2023-10-10 | 西安交通大学 | 一种短期负荷概率预测方法及系统 |
CN117575187A (zh) * | 2023-10-10 | 2024-02-20 | 北京交通大学 | 铁路集装箱空箱调配能力参数动态标定方法及系统 |
CN117791570A (zh) * | 2023-12-15 | 2024-03-29 | 国网湖北省电力有限公司神农架供电公司 | 一种短期电力负荷的预测系统及方法 |
Non-Patent Citations (2)
Title |
---|
WENXIANG YIN ET AL.: "Applying Probabilistic Forecasting of Multidimensional Time Series to Electricity Load Analysis", 《2023 42ND CHINESE CONTROL CONFERENCE (CCC)》, 18 September 2023 (2023-09-18), pages 7267 - 7273 * |
李文英 等: "基于时空图注意力的短期电力负荷预测方法", 《湖南大学学报(自然科学版)》, vol. 51, no. 2, 29 February 2024 (2024-02-29), pages 57 - 67 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | A hybrid approach for multi-step wind speed forecasting based on two-layer decomposition, improved hybrid DE-HHO optimization and KELM | |
Sangiorgio et al. | Robustness of LSTM neural networks for multi-step forecasting of chaotic time series | |
Han et al. | Multi‐step wind power forecast based on VMD‐LSTM | |
CN110674604B (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN110119854A (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
CN112766078B (zh) | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 | |
CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
CN111967688A (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN103268519A (zh) | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN111553510A (zh) | 一种短期风速预测方法 | |
CN113591368A (zh) | 一种综合能源系统多能负荷预测方法及系统 | |
CN116845874A (zh) | 一种电力负荷的短期预测方法及装置 | |
CN116384244A (zh) | 一种基于物理增强神经网络的电磁场预测方法 | |
CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
Kayim et al. | Time series forecasting with volatility activation function | |
CN110969238A (zh) | 一种校准用电数据的方法及装置 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN117977584A (zh) | 电力负荷概率预测方法、系统、介质、设备及程序产品 | |
CN116319383A (zh) | 流量矩阵预测方法、装置、计算机设备及存储介质 | |
CN116049156A (zh) | 一种基于大数据技术的电量数据采集优化方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |