CN118095570A - 台区智能负荷预测方法、系统、电子设备、介质及芯片 - Google Patents
台区智能负荷预测方法、系统、电子设备、介质及芯片 Download PDFInfo
- Publication number
- CN118095570A CN118095570A CN202410459062.2A CN202410459062A CN118095570A CN 118095570 A CN118095570 A CN 118095570A CN 202410459062 A CN202410459062 A CN 202410459062A CN 118095570 A CN118095570 A CN 118095570A
- Authority
- CN
- China
- Prior art keywords
- data
- power load
- load prediction
- platform
- characteristic parameters
- 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 53
- 238000012549 training Methods 0.000 claims abstract description 86
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 210000002569 neuron Anatomy 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000006854 communication Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及负荷预测技术领域，具体涉及一种台区智能负荷预测方法、系统、电子设备、介质及芯片，台区智能负荷预测方法，包括：获取台区电力负荷资料；从所述台区电力负荷资料中提取训练特征；其中，所述训练特征包括电力负荷历史数据、影响电力负荷的特征参数；所述特征参数配置有权重因子；将所述电力负荷历史数据、特征参数以及权重因子作为循环神经网络的训练输入数据，对所述循环神经网络进行训练，得到台区负荷预测模型；利用所述台区负荷预测模型进行电力负荷预测。上述技术方案中通过训练台区负荷预测模型来进行电力负荷预测，提升了复杂环境中负荷预测的准确度。
Description
技术领域
本公开涉及负荷预测技术领域，具体涉及一种台区智能负荷预测方法、系统、电子设备、介质及芯片。
背景技术
电力市场的快速发展使得影响电力负荷变化的因素变得更加复杂，这些影响因素主要包括经济结构的调整、电力消费结构的改变、电价的变化、气象的变化等，深刻影响着传统电力负荷预测方法的有效性和适用范围。传统预测方法主要通过数学和统计模型来实现的，预测方法简单、快捷，在精度要求不高的情况下，其预测结果有一定的参考价值，随着电力市场的多样化进展，电力负荷数据日益复杂，传统预测方法难以适应电力负荷数据的非线性、随机性以及混沌性。
发明内容
为了解决相关技术中的问题，本公开实施例提供一种台区智能负荷预测方法、系统、电子设备、介质及芯片。
第一方面，本公开实施例中提供了一种台区智能负荷预测方法，包括：
获取台区电力负荷资料；
从所述台区电力负荷资料中提取训练特征；其中，所述训练特征包括电力负荷历史数据、影响电力负荷的特征参数；所述特征参数配置有权重因子；
将所述电力负荷历史数据、特征参数以及权重因子作为循环神经网络的训练输入数据，对所述循环神经网络进行训练，得到台区负荷预测模型；
利用所述台区负荷预测模型进行电力负荷预测。
在本公开的一种实现方式中，所述台区智能负荷预测方法还包括：
为所述特征参数配置权重因子的步骤。
在本公开的一种实现方式中，所述为所述特征参数配置权重因子的步骤包括：
将所述特征参数作为特征集，将所述电力负荷历史数据作为类别集，根据所述特征集以及所述类别集，基于属性加权的朴素贝叶斯算法确定所述特征参数的权重因子。
在本公开的一种实现方式中，所述特征参数为气象参数、台区参数、日期类型中的一种或几种。
在本公开的一种实现方式中，所述循环神经网络为LSTM网络；所述LSTM网络包括三层隐藏层；其中，第一层隐藏层中的神经元数量为50个，第二层隐藏层中的神经元数量为20个，第三层隐藏层中的神经元数量为10个。
在本公开的一种实现方式中，每个神经元的结构为改进的LSTM神经网络模块；所述改进的LSTM神经网络模块将输入门的输出信号替换为1与遗忘因子的差值，同时将t-1时刻的单元状态引入到t时刻的遗忘门和输出门的输入信号中。
在本公开的一种实现方式中，所述从所述台区电力负荷资料中提取训练特征包括：
对所述台区电力负荷资料进行数据预处理得到样本集合；
从所述样本集合中提取训练特征。
在本公开的一种实现方式中，所述数据预处理包括数据量化处理、异常值处理、数据归一化处理中的一种或几种。
第二方面，本公开实施例中提供了台区智能负荷预测系统，包括：
获取模块，被配置为获取台区电力负荷资料；
提取模块，被配置为从所述台区电力负荷资料中提取训练特征；其中，所述训练特征包括电力负荷历史数据、影响电力负荷的特征参数；所述特征参数配置有权重因子；
训练模块，被配置为将所述电力负荷历史数据、特征参数以及权重因子作为循环神经网络的训练输入数据，对所述循环神经网络进行训练，得到台区负荷预测模型；
预测模块，被配置为利用所述台区负荷预测模型进行电力负荷预测。
在本公开的一种实现方式中，所述台区智能负荷预测系统还包括：
配置模块，被配置为为所述特征参数配置权重因子。
在本公开的一种实现方式中，所述配置模块中为所述特征参数配置权重因子的部分，被配置为：
将所述特征参数作为特征集，将所述电力负荷历史数据作为类别集，根据所述特征集以及所述类别集，基于属性加权的朴素贝叶斯算法确定所述特征参数的权重因子。
在本公开的一种实现方式中，所述特征参数为气象参数、台区参数、日期类型中的一种或几种。
在本公开的一种实现方式中，所述循环神经网络为LSTM网络；所述LSTM网络包括三层隐藏层；其中，第一层隐藏层中的神经元数量为50个，第二层隐藏层中的神经元数量为20个，第三层隐藏层中的神经元数量为10个。
在本公开的一种实现方式中，每个神经元的结构为改进的LSTM神经网络模块；所述改进的LSTM神经网络模块将输入门的输出信号替换为1与遗忘因子的差值，同时将t-1时刻的单元状态引入到t时刻的遗忘门和输出门的输入信号中。
在本公开的一种实现方式中，所述提取模块包括：
预处理单元，被配置为对所述台区电力负荷资料进行数据预处理得到样本集合；
提取单元，被配置为从所述样本集合中提取训练特征。
在本公开的一种实现方式中，所述数据预处理包括数据量化处理、异常值处理、数据归一化处理中的一种或几种。
第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如第一方面任一项所述的方法。
第四方面，本公开实施例中提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面任一项所述的方法。
第五方面，本公开实施例提供了一种芯片，芯片包括处理器，该处理器用于调用存储器中的计算机程序，以执行上述台区智能负荷预测方法的方法步骤。
本公开实施例提供的技术效果可以包括以下有益效果：
根据本公开实施例提供的技术方案，台区智能负荷预测方法，包括：获取台区电力负荷资料；从所述台区电力负荷资料中提取训练特征；其中，所述训练特征包括电力负荷历史数据、影响电力负荷的特征参数；所述特征参数配置有权重因子；将所述电力负荷历史数据、特征参数以及权重因子作为循环神经网络的训练输入数据，对所述循环神经网络进行训练，得到台区负荷预测模型；利用所述台区负荷预测模型进行电力负荷预测。上述技术方案中通过训练台区负荷预测模型来进行电力负荷预测，提升了复杂环境中负荷预测的准确度，并且在训练台区负荷预测模型时为影响电力负荷的特征参数配置了权重因子，这样对于特殊日期如节假日、周末，或者对于不同季节如春季、冬季等，可以为特殊日期或季节的特征参数赋予高的权重，相比于所有的特征参数未配置权重因子，也就是采用同样权重且无法调整的方式，进一步提高了负荷预测的准确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。以下是对附图的说明。
图1示出根据本公开实施例的台区智能负荷预测方法的流程图。
图2示出根据本公开实施例的一个神经元的结构示意图。
图3示出根据本公开实施例的台区负荷预测模型训练的流程图。
图4示出根据本公开实施例的台区智能负荷预测系统的结构框图。
图5示出根据本公开实施例的电子设备的结构框图。
图6示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
上文提及，传统预测方法主要通过数学和统计模型来实现的，预测方法简单、快捷，在精度要求不高的情况下，其预测结果有一定的参考价值，随着电力市场的多样化进展，电力负荷数据日益复杂，传统预测方法难以适应电力负荷数据的非线性、随机性以及混沌性。
考虑到上述缺陷，本公开提供的台区智能负荷预测方法，通过训练台区负荷预测模型来进行电力负荷预测，提升了复杂环境中负荷预测的准确度，并且在训练台区负荷预测模型时为影响电力负荷的特征参数配置了权重因子，这样对于特殊日期如节假日、周末，或者对于不同季节如春季、冬季等，可以为特殊日期或季节的特征参数赋予高的权重，相比于所有的特征参数未配置权重因子，也就是采用同样权重且无法调整的方式，进一步提高了负荷预测的准确度。
图1示出根据本公开实施例的台区智能负荷预测方法的流程图。
如图1所示，所述台区智能负荷预测方法，包括以下步骤S110-S140：
在步骤S110中，获取台区电力负荷资料；
在步骤S120中，从所述台区电力负荷资料中提取训练特征；其中，所述训练特征包括电力负荷历史数据、影响电力负荷的特征参数；所述特征参数配置有权重因子；
在步骤S130中，将所述电力负荷历史数据、特征参数以及权重因子作为循环神经网络的训练输入数据，对所述循环神经网络进行训练，得到台区负荷预测模型；
在步骤S140中，利用所述台区负荷预测模型进行电力负荷预测。
在本公开的一种实现方式中，步骤S120所述从所述台区电力负荷资料中提取训练特征包括：
对所述台区电力负荷资料进行数据预处理得到样本集合；
从所述样本集合中提取训练特征。
其中，所述数据预处理包括数据量化处理、异常值处理、数据归一化处理中的一种或几种。
具体地，台区电力负荷资料包括但不局限于气象信息、台区信息以及日期类型信息。气象信息例如特殊天气、季节、温度、湿度变化，台区信息例如台区类型、规模分级、台区用电负荷历史曲线，日期类型信息例如工作日、节假日和周末等。
获取台区电力负荷资料后，首先需要对负荷数据进行预处理，主要包括数据量化处理、异常值处理以及数据归一化处理等，并将预处理过后的数据作为样本集合，然后从样本集合中提取训练特征，进而将提取的训练特征作为循环神经网络的训练输入数据。
本公开实施例中的训练特征包括电力负荷历史数据以及影响电力负荷的特征参数。其中，电力负荷历史数据可以从台区信息中的台区用电负荷历史曲线得到，特征参数可以从气象信息、台区信息以及日期类型信息中得到，即特征参数可以是气象参数、台区参数、日期类型中的一种或几种。
在提取到电力负荷历史数据以及影响电力负荷的特征参数后，还可以基于上述训练特征为特征参数配置权重因子，即在本公开的一种实现方式中，所述台区智能负荷预测方法还包括：
为所述特征参数配置权重因子的步骤。
具体地，所述为所述特征参数配置权重因子的步骤包括：
将所述特征参数作为特征集，将所述电力负荷历史数据作为类别集，根据所述特征集以及所述类别集，基于属性加权的朴素贝叶斯算法确定所述特征参数的权重因子。
朴素贝叶斯算法假定在给定分类特征条件下属性间是相互独立的，在基于属性条件独立的前提下的同时隐含了另外一个假定，即每个条件属性对决策分类的重要性是相同的，而这个假定在实际应用中往往不成立。具体到本公开，影响电力负荷的特征参数例如日期类型中工作日与节假日的电力负荷通常是不同的，而同一规模分级的台区的电力负荷通常相差不大，因此各个特征参数对电力负荷的贡献程度是不同的。属性加权的朴素贝叶斯算法是针对特征集对类别集的贡献程度给特征参数分配一个合适的权重，特征参数的权重越大，表明其对电力负荷预测的影响越大。本公开方式中，采用的属性加权的朴素贝叶斯算法可以参照现有技术的技术细节，在此不予赘述。作为另一种实施方式，也可以采用专家经验的方式为特征参数配置权重因子，或者采用其他方式配置权重因子，本公开对此不做限制。
本公开方式中，特征参数中的至少两个配置不同的权重因子，为特征参数配置权重因子后，将权重因子加入样本集合中作为循环神经网络的训练输入数据，进一步提高了负荷预测的准确度。
在本公开的一种实现方式中，所述循环神经网络为LSTM网络；所述LSTM网络包括三层隐藏层；其中，第一层隐藏层中的神经元数量为50个，第二层隐藏层中的神经元数量为20个，第三层隐藏层中的神经元数量为10个。
本公开方式中，考虑到隐藏层层数将很大程度上影响循环神经网络的性能，通过对不同隐藏层数量以及神经元数量进行验证，综合预测准确率和在线计算耗时两方面来看，当隐藏层层数为三层并且采用上述各层的神经元数量时，模型准确率最高，且计算耗时较短。
在本公开的一种实现方式中，每个神经元的结构为改进的LSTM神经网络模块；所述改进的LSTM神经网络模块将输入门的输出信号替换为1与遗忘因子的差值，同时将t-1时刻的单元状态引入到t时刻的遗忘门和输出门的输入信号中。
图2示出根据本公开实施例的一个神经元的结构示意图。
改进的LSTM神经网络模块的数学模型可以表示为：
其中，为/>时刻的遗忘因子，/>为/>时刻输出门的输出信号，/>为/>时刻的候选细胞状态，/>为/>时刻的细胞状态，/>为/>时刻的隐藏层状态，/>为遗忘门的权重矩阵，/>为输出门的权重矩阵，/>为输入/>的权重矩阵，/>为遗忘门的偏置向量，/>为输出门的偏置向量，/>为/>的偏置向量，/>为sigmoid函数，/>为tanh函数，/>表示矩阵元素相乘，/>时刻的输入，其中/>表示电力负荷历史数据以及影响电力负荷的特征参数，/>表示权重因子。
上述改进的LSTM神经网络模块取消了输入门，将输入门与遗忘门进行结合，一方面增加了当前单元对历史单元状态的信息利用强度，另一方面降低了网络训练的过程中异常细胞状态对结果的影响，使得深度模型训练过程中的收敛更稳定，输出结果更优异。
在本公开的一种实现方式中，步骤S140利用所述台区负荷预测模型进行电力负荷预测时，获取待预测台区电力负荷资料，然后将待预测台区电力负荷资料中的t-1时刻之前的历史资料输入台区负荷预测模型中，预测得到t时刻的电力负荷。
图3示出根据本公开实施例的台区负荷预测模型训练的流程图。
如图3所述，台区负荷预测模型训练过程包括数据预处理、贝叶斯优化以及模型训练与模型优化过程。
具体地，在数据预处理部分，首先是搜集电力负荷数据以及相关资料，主要包括研究地区的历史负荷数据以及影响电力负荷的主要因素等，然后对各影响因素进行量化、对异常数据进行处理以及对输入输出数据归一化处理等，并将预处理过后的历史数据分为训练样本和测试样本；
在贝叶斯优化部分，基于属性加权的朴素贝叶斯算法对台区电力负荷历史资料进行特征提取，计算出影响电力负荷的特征参数的权重因子，将其数据添加到训练样本和测试样本。
在模型训练部分，利用训练样本对LSTM模型进行训练，在模型优化部分，待训练结束后，利用测试样本进行测试，若测试误差大于第一预设阈值，则重新利用训练样本进行训练至测试误差满足要求。进一步，还利用台区电力负荷实时资料对训练好的LSTM模型进行测试，若误差较大，则重新利用训练样本进行训练至预测结果与实时负荷数据的比对结果的差值小于第二预设阈值，则表明比对正确，结束训练，得到训练好的台区负荷预测模型。其中，第二预设阈值与第一预设阈值根据经验设置，二者可以相同，也可以不同，本公开对此不做限制。
效果实施例：
本实例采用的数据为四川省成都市某低压台区的历史负荷数据及影响电力负荷的特征参数等，包括特殊天气、季节、温度、湿度、台区规模、日期类型6个特征，采样时间段为2022年3月6日至2023年3月6日，采样间隔为4h，共计数据17650条。在进行实验之前，数据都进行了归一化操作，本次实验中，一共采用三种指标对模型预测效果进行评价，分别是平均绝对误差（Mean Absolute Error, MAE），标准根方差（Root Mean Square Error, RMSE）以及准确率（Accuracy, Acc.）。
将本公开的台区负荷预测模型（记为N-B-LSTM）与支持向量机(SVM)、BP神经网络、LSTM、CNN-LSTM、GRU模型进行对比，得到了各模型预测评价指标值见下表：
由上表可知，N-B-LSTM模型相比于其他五种预测误差最小，虽然训练时间最短，但在预测效果方面具有更高的精度。具体的，相对于LSTM，GRU和N-B-LSTM模型训练的时间都较少，说明去掉输入门可以进一步加快收敛速度，证明了对LSTM改进的有效性。同时N-B-LSTM很好的保留了LSTM的单元状态环节，使得自身对于历史信息的利用程度上要优于GRU，而CNN-LSTM进一步提取深层次非线性特征，可以加强后级预测层学习到时间和影响因素方面的更多细节特征，从而可以提高模型在负荷波动较大场景下预测的准确性。与CNN-LSTM相对比，N-B-LSTM模型将 LSTM 输入门和遗忘门合二为一，对突变单元状态进行中和，充分利用历史信息使其成为预测效果最好的模型，综上，N-B-LSTM模型在预测误差方面均最优，有效缩短了训练时间且具有较高的预测准确度。
图4示出根据本公开实施例的台区智能负荷预测系统的结构框图。其中，该系统可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图4所示，所述台区智能负荷预测系统400包括获取模块410、提取模块420、训练模块430和预测模块440。
获取模块410被配置为获取台区电力负荷资料；
提取模块420被配置为从所述台区电力负荷资料中提取训练特征；其中，所述训练特征包括电力负荷历史数据、影响电力负荷的特征参数；所述特征参数配置有权重因子；
训练模块430被配置为将所述电力负荷历史数据、特征参数以及权重因子作为循环神经网络的训练输入数据，对所述循环神经网络进行训练，得到台区负荷预测模型；
预测模块440被配置为利用所述台区负荷预测模型进行电力负荷预测。
本公开提供的台区智能负荷预测系统，通过训练台区负荷预测模型来进行电力负荷预测，提升了复杂环境中负荷预测的准确度，并且在训练台区负荷预测模型时为影响电力负荷的特征参数配置了权重因子，这样对于特殊日期如节假日、周末，或者对于不同季节如春季、冬季等，可以为特殊日期或季节的特征参数赋予高的权重，相比于所有的特征参数未配置权重因子，也就是采用同样权重且无法调整的方式，进一步提高了负荷预测的准确度。
在本公开的一种实现方式中，所述提取模块420包括：
预处理单元，被配置为对所述台区电力负荷资料进行数据预处理得到样本集合；
提取单元，被配置为从所述样本集合中提取训练特征。
其中，所述数据预处理包括数据量化处理、异常值处理、数据归一化处理中的一种或几种。
具体地，台区电力负荷资料包括但不局限于气象信息、台区信息以及日期类型信息。气象信息例如特殊天气、季节、温度、湿度变化，台区信息例如台区类型、规模分级、台区用电负荷历史曲线，日期类型信息例如工作日、节假日和周末等。
获取台区电力负荷资料后，首先需要对负荷数据进行预处理，主要包括数据量化处理、异常值处理以及数据归一化处理等，并将预处理过后的数据作为样本集合，然后从样本集合中提取训练特征，进而将提取的训练特征作为循环神经网络的训练输入数据。
本公开实施例中的训练特征包括电力负荷历史数据以及影响电力负荷的特征参数。其中，电力负荷历史数据可以从台区信息中的台区用电负荷历史曲线得到，特征参数可以从气象信息、台区信息以及日期类型信息中得到，即特征参数可以是气象参数、台区参数、日期类型中的一种或几种。
在提取到电力负荷历史数据以及影响电力负荷的特征参数后，还可以基于上述训练特征为特征参数配置权重因子，即在本公开的一种实现方式中，所述台区智能负荷预测系统还包括：
配置模块，被配置为为所述特征参数配置权重因子。
具体地，所述配置模块中为所述特征参数配置权重因子的部分，被配置为：
将所述特征参数作为特征集，将所述电力负荷历史数据作为类别集，根据所述特征集以及所述类别集，基于属性加权的朴素贝叶斯算法确定所述特征参数的权重因子。
朴素贝叶斯算法假定在给定分类特征条件下属性间是相互独立的，在基于属性条件独立的前提下的同时隐含了另外一个假定，即每个条件属性对决策分类的重要性是相同的，而这个假定在实际应用中往往不成立。具体到本公开，影响电力负荷的特征参数例如日期类型中工作日与节假日的电力负荷通常是不同的，而同一规模分级的台区的电力负荷通常相差不大，因此各个特征参数对电力负荷的贡献程度是不同的。属性加权的朴素贝叶斯算法是针对特征集对类别集的贡献程度给特征参数分配一个合适的权重，特征参数的权重越大，表明其对电力负荷预测的影响越大。本公开方式中，采用的属性加权的朴素贝叶斯算法可以参照现有技术的技术细节，在此不予赘述。作为另一种实施方式，也可以采用专家经验的方式为特征参数配置权重因子，或者采用其他方式配置权重因子，本公开对此不做限制。
本公开方式中，特征参数中的至少两个配置不同的权重因子，为特征参数配置权重因子后，将权重因子加入样本集合中作为循环神经网络的训练输入数据，进一步提高了负荷预测的准确度。
在本公开的一种实现方式中，所述循环神经网络为LSTM网络；所述LSTM网络包括三层隐藏层；其中，第一层隐藏层中的神经元数量为50个，第二层隐藏层中的神经元数量为20个，第三层隐藏层中的神经元数量为10个。
本公开方式中，考虑到隐藏层层数将很大程度上影响循环神经网络的性能，通过对不同隐藏层数量以及神经元数量进行验证，综合预测准确率和在线计算耗时两方面来看，当隐藏层层数为三层并且采用上述各层的神经元数量时，模型准确率最高，且计算耗时较短。
在本公开的一种实现方式中，每个神经元的结构为改进的LSTM神经网络模块；所述改进的LSTM神经网络模块将输入门的输出信号替换为1与遗忘因子的差值，同时将t-1时刻的单元状态引入到t时刻的遗忘门和输出门的输入信号中。神经元的结构参照图2所示，在此不予赘述。
上述改进的LSTM神经网络模块取消了输入门，将输入门与遗忘门进行结合，一方面增加了当前单元对历史单元状态的信息利用强度，另一方面降低了网络训练的过程中异常细胞状态对结果的影响，使得深度模型训练过程中的收敛更稳定，输出结果更优异。
在本公开的一种实现方式中，预测模块440利用所述台区负荷预测模型进行电力负荷预测时，获取待预测台区电力负荷资料，然后将待预测台区电力负荷资料中的t-1时刻之前的历史资料输入台区负荷预测模型中，预测得到t时刻的电力负荷。
本公开还公开了一种电子设备，图5示出根据本公开实施例的电子设备的结构框图。
如图5所示，所述电子设备包括存储器和处理器，其中，存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现根据本公开的实施例的方法。
获取台区电力负荷资料；
从所述台区电力负荷资料中提取训练特征；其中，所述训练特征包括电力负荷历史数据、影响电力负荷的特征参数；所述特征参数配置有权重因子；
将所述电力负荷历史数据、特征参数以及权重因子作为循环神经网络的训练输入数据，对所述循环神经网络进行训练，得到台区负荷预测模型；
利用所述台区负荷预测模型进行电力负荷预测。
在本公开的一种实现方式中，所述台区智能负荷预测方法还包括：
为所述特征参数配置权重因子的步骤。
在本公开的一种实现方式中，所述为所述特征参数配置权重因子的步骤包括：
将所述特征参数作为特征集，将所述电力负荷历史数据作为类别集，根据所述特征集以及所述类别集，基于属性加权的朴素贝叶斯算法确定所述特征参数的权重因子。
在本公开的一种实现方式中，所述特征参数为气象参数、台区参数、日期类型中的一种或几种。
在本公开的一种实现方式中，所述循环神经网络为LSTM网络；所述LSTM网络包括三层隐藏层；其中，第一层隐藏层中的神经元数量为50个，第二层隐藏层中的神经元数量为20个，第三层隐藏层中的神经元数量为10个。
在本公开的一种实现方式中，每个神经元的结构为改进的LSTM神经网络模块；所述改进的LSTM神经网络模块将输入门的输出信号替换为1与遗忘因子的差值，同时将t-1时刻的单元状态引入到t时刻的遗忘门和输出门的输入信号中。
在本公开的一种实现方式中，所述从所述台区电力负荷资料中提取训练特征包括：
对所述台区电力负荷资料进行数据预处理得到样本集合；
从所述样本集合中提取训练特征。
在本公开的一种实现方式中，所述数据预处理包括数据量化处理、异常值处理、数据归一化处理中的一种或几种。
图6示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
如图6所示，计算机系统包括处理单元，其可以根据存储在只读存储器（ROM）中的程序或者从存储部分加载到随机访问存储器（RAM）中的程序而执行上述实施例中的各种方法。在RAM中，还存储有计算机系统操作所需的各种程序和数据。处理单元、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也连接至总线。
以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信过程。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。其中，所述处理单元可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地，根据本公开的实施例，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种芯片，该芯片包括至少一个处理器，可用于实现上述系统实施例中所涉及的方法。
在一种可能的设计中，该芯片还包括存储器，该存储器用于保存程序指令和数据，存储器位于处理器之内或处理器之外。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (19)
1.一种台区智能负荷预测方法，其特征在于，包括：
获取台区电力负荷资料；
从所述台区电力负荷资料中提取训练特征；其中，所述训练特征包括电力负荷历史数据、影响电力负荷的特征参数；所述特征参数配置有权重因子；
将所述电力负荷历史数据、特征参数以及权重因子作为循环神经网络的训练输入数据，对所述循环神经网络进行训练，得到台区负荷预测模型；
利用所述台区负荷预测模型进行电力负荷预测。
2.根据权利要求1所述的台区智能负荷预测方法，其特征在于，还包括：
为所述特征参数配置权重因子的步骤。
3.根据权利要求2所述的台区智能负荷预测方法，其特征在于，所述为所述特征参数配置权重因子的步骤包括：
将所述特征参数作为特征集，将所述电力负荷历史数据作为类别集，根据所述特征集以及所述类别集，基于属性加权的朴素贝叶斯算法确定所述特征参数的权重因子。
4.根据权利要求1-3任一项所述的台区智能负荷预测方法，其特征在于，所述特征参数为气象参数、台区参数、日期类型中的一种或几种。
5.根据权利要求1-3任一项所述的台区智能负荷预测方法，其特征在于，所述循环神经网络为LSTM网络；所述LSTM网络包括三层隐藏层；其中，第一层隐藏层中的神经元数量为50个，第二层隐藏层中的神经元数量为20个，第三层隐藏层中的神经元数量为10个。
6.根据权利要求5所述的台区智能负荷预测方法，其特征在于，每个神经元的结构为改进的LSTM神经网络模块；所述改进的LSTM神经网络模块将输入门的输出信号替换为1与遗忘因子的差值，同时将t-1时刻的单元状态引入到t时刻的遗忘门和输出门的输入信号中。
7.根据权利要求1所述的台区智能负荷预测方法，其特征在于，所述从所述台区电力负荷资料中提取训练特征包括：
对所述台区电力负荷资料进行数据预处理得到样本集合；
从所述样本集合中提取训练特征。
8.根据权利要求7所述的台区智能负荷预测方法，其特征在于，所述数据预处理包括数据量化处理、异常值处理、数据归一化处理中的一种或几种。
9.一种台区智能负荷预测系统，其特征在于，包括：
获取模块，被配置为获取台区电力负荷资料；
提取模块，被配置为从所述台区电力负荷资料中提取训练特征；其中，所述训练特征包括电力负荷历史数据、影响电力负荷的特征参数；所述特征参数配置有权重因子；
训练模块，被配置为将所述电力负荷历史数据、特征参数以及权重因子作为循环神经网络的训练输入数据，对所述循环神经网络进行训练，得到台区负荷预测模型；
预测模块，被配置为利用所述台区负荷预测模型进行电力负荷预测。
10.根据权利要求9所述的台区智能负荷预测系统，其特征在于，还包括：
配置模块，被配置为为所述特征参数配置权重因子。
11.根据权利要求10所述的台区智能负荷预测系统，其特征在于，所述配置模块中为所述特征参数配置权重因子的部分，被配置为：
将所述特征参数作为特征集，将所述电力负荷历史数据作为类别集，根据所述特征集以及所述类别集，基于属性加权的朴素贝叶斯算法确定所述特征参数的权重因子。
12.根据权利要求9-11任一项所述的台区智能负荷预测系统，其特征在于，所述特征参数为气象参数、台区参数、日期类型中的一种或几种。
13.根据权利要求9-11任一项所述的台区智能负荷预测系统，其特征在于，所述循环神经网络为LSTM网络；所述LSTM网络包括三层隐藏层；其中，第一层隐藏层中的神经元数量为50个，第二层隐藏层中的神经元数量为20个，第三层隐藏层中的神经元数量为10个。
14.根据权利要求13所述的台区智能负荷预测系统，其特征在于，每个神经元的结构为改进的LSTM神经网络模块；所述改进的LSTM神经网络模块将输入门的输出信号替换为1与遗忘因子的差值，同时将t-1时刻的单元状态引入到t时刻的遗忘门和输出门的输入信号中。
15.根据权利要求9所述的台区智能负荷预测系统，其特征在于，所述提取模块包括：
预处理单元，被配置为对所述台区电力负荷资料进行数据预处理得到样本集合；
提取单元，被配置为从所述样本集合中提取训练特征。
16.根据权利要求15所述的台区智能负荷预测系统，其特征在于，所述数据预处理包括数据量化处理、异常值处理、数据归一化处理中的一种或几种。
17.一种电子设备，其特征在于，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-8任一项所述的方法。
18.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-8任一项所述的方法。
19.一种芯片，其特征在于，包括：至少一个处理器，用于实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410459062.2A CN118095570A (zh) | 2024-04-17 | 2024-04-17 | 台区智能负荷预测方法、系统、电子设备、介质及芯片 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410459062.2A CN118095570A (zh) | 2024-04-17 | 2024-04-17 | 台区智能负荷预测方法、系统、电子设备、介质及芯片 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118095570A true CN118095570A (zh) | 2024-05-28 |
Family
ID=91144293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410459062.2A Pending CN118095570A (zh) | 2024-04-17 | 2024-04-17 | 台区智能负荷预测方法、系统、电子设备、介质及芯片 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118095570A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359786A (zh) * | 2018-12-05 | 2019-02-19 | 国网江苏省电力有限公司扬州供电分公司 | 一种电力台区短期负荷预测方法 |
| CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测（控）中心 | 一种电力负荷预测方法及预测装置 |
| CN111985701A (zh) * | 2020-07-31 | 2020-11-24 | 国网上海市电力公司 | 一种基于供电企业大数据模型库的用电预测方法 |
| CN115829115A (zh) * | 2022-11-28 | 2023-03-21 | 浙江工业大学 | 一种基于pca-lstm-mtl含光伏电站的台区负荷预测方法 |
| CN117474140A (zh) * | 2022-07-26 | 2024-01-30 | 云南电网有限责任公司 | 一种基于卷积神经网络的低压重过载分类预测方法 |
| CN117674098A (zh) * | 2023-11-29 | 2024-03-08 | 国网浙江省电力有限公司丽水供电公司 | 面向不同渗透率的多元负荷时空概率分布预测方法及系统 |
-
2024
- 2024-04-17 CN CN202410459062.2A patent/CN118095570A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359786A (zh) * | 2018-12-05 | 2019-02-19 | 国网江苏省电力有限公司扬州供电分公司 | 一种电力台区短期负荷预测方法 |
| CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测（控）中心 | 一种电力负荷预测方法及预测装置 |
| CN111985701A (zh) * | 2020-07-31 | 2020-11-24 | 国网上海市电力公司 | 一种基于供电企业大数据模型库的用电预测方法 |
| CN117474140A (zh) * | 2022-07-26 | 2024-01-30 | 云南电网有限责任公司 | 一种基于卷积神经网络的低压重过载分类预测方法 |
| CN115829115A (zh) * | 2022-11-28 | 2023-03-21 | 浙江工业大学 | 一种基于pca-lstm-mtl含光伏电站的台区负荷预测方法 |
| CN117674098A (zh) * | 2023-11-29 | 2024-03-08 | 国网浙江省电力有限公司丽水供电公司 | 面向不同渗透率的多元负荷时空概率分布预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
| CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
| CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
| CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
| CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN111598224B (zh) | 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法 | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN112163689A (zh) | 基于深度Attention-LSTM的短期负荷分位点概率预测方法 | |
| CN113947182B (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
| CN112232561A (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
| CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
| CN111898825A (zh) | 一种光伏发电功率短期预测方法及装置 | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN110895772A (zh) | 基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法 | |
| CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
| CN113139570A (zh) | 一种基于最优混合估值的大坝安全监测数据补全方法 | |
| CN116244647A (zh) | 一种无人机集群的运行状态估计方法 | |
| CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN111785093A (zh) | 一种基于分形插值的空中交通流量短期预测方法 | |
| CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN117350336A (zh) | 充电负荷预测及模型训练方法、装置、设备及存储介质 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 |
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 |