The invention provides a power load forecasting method and a system and a storage medium based on deep learning, and relates to the field of power consumption. The methods include: S101, collect the power load data, weather data and air quality data of the user in the preset historical period, and divide the collected data into training set and test set; S102, determine the depth learning model for power load forecasting; S103, the input of the test set is used to carry out the model. The depth learning model of power load forecasting is used to obtain the power load forecasting data of users in the third time interval. The invention adopts the way of deep learning to predict the power load, and in the process of deep learning, the power load data is considered, the weather data and the air quality data are considered, and the accuracy of the power load forecasting can be provided.
【技术实现步骤摘要】
基于深度学习的电力负荷预测方法和系统、存储介质
本专利技术涉及用电
,具体涉及一种基于深度学习的电力负荷预测方法和系统、存储介质。
技术介绍
随着电力系统不断发展,电力系统对社会的经济发展也越来越重要。随着电网技术的不断进步和经济社会对电力需求的增加,目前电力能源服务已经覆盖诸多领域。在此背景下,电网系统的正常运行十分重要,而电力需求预测对于电网系统的运行有着重要的意义,电网系统的复杂性与多变性决定了对电力负荷预测需要有较强的自适应与较高的准确性。目前电力系统的负荷预测的主要方法是有两大类:一大类是通过时间序列的方法对电力系统的负荷进行预测,对历史负荷数据的拟合;另一大类是利用机器学习方法对电力系统负荷进行预测,如支持向量机,随机森林等。随着电力系统的智能化程度不断增强,电力系统运行所产生的数据越来越多,种类日益繁杂,而且具有高维性和高度动态性。以上传统的预测方法存在一些缺陷,例如,传统的时间序列方法无法利用电力负荷以外的其他相关数据以提高预测精度,传统的时间序列方法和机器学习方法的精确性都有待提高。
技术实现思路
(一)解决的技术问题针对现有技术的不足,本专利技术提供了一种基于深度学习的电力负荷预测方法和系统、存储介质,能够提高电力负荷预测的准确性。(二)技术方案为实现以上目的,本专利技术通过以下技术方案予以实现:第一方面,本专利技术实施例提供一种基于深度学习的电力负荷预测方法,包括:S101、采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据,并将采集到的数据划分为训练集和测试集;其中,所述历史时间段包括第一时间区间和晚于所述第一时间 ...
【技术保护点】
1.一种基于深度学习的电力负荷预测方法,其特征在于,包括:S101、采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据,并将采集到的数据划分为训练集和测试集;其中,所述历史时间段包括第一时间区间和晚于所述第一时间区间的第二时间区间,所述训练集为所述第一时间区间内的数据,所述测试集为所述第二时间区间内的数据;S102、确定用于进行电力负荷预测的深度学习模型:S1021、对深度学习模型的网络结构和模型参数进行初始化设置;S1022、将所述训练集输入当前的深度学习模型,通过当前的深度学习模型的深度学习,得到用户在所述第二时间区间内的电力负荷预测数据;S1023、根据用户在所述第二时间区间内的电力负荷预测数据和所述测试集,对当前的深度学习模型的预测能力进行测定;若预测能力不满足预定要求,则对当前的深度学习模型的网络结构和/或模型参数进行调整,并返回步骤S1022;否则,将当前的深度学习模型作为所述用于进行电力负荷预测的深度学习模型,并执行步骤S103;S103、将所述测试集输入所述用于进行电力负荷预测的深度学习模型,得到用户在第三时间区间内的电力负荷预测数据;其中,所述第三时间 ...
【技术特征摘要】
1.一种基于深度学习的电力负荷预测方法,其特征在于,包括:S101、采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据,并将采集到的数据划分为训练集和测试集;其中,所述历史时间段包括第一时间区间和晚于所述第一时间区间的第二时间区间,所述训练集为所述第一时间区间内的数据,所述测试集为所述第二时间区间内的数据;S102、确定用于进行电力负荷预测的深度学习模型:S1021、对深度学习模型的网络结构和模型参数进行初始化设置;S1022、将所述训练集输入当前的深度学习模型,通过当前的深度学习模型的深度学习,得到用户在所述第二时间区间内的电力负荷预测数据;S1023、根据用户在所述第二时间区间内的电力负荷预测数据和所述测试集,对当前的深度学习模型的预测能力进行测定;若预测能力不满足预定要求,则对当前的深度学习模型的网络结构和/或模型参数进行调整,并返回步骤S1022;否则,将当前的深度学习模型作为所述用于进行电力负荷预测的深度学习模型,并执行步骤S103;S103、将所述测试集输入所述用于进行电力负荷预测的深度学习模型,得到用户在第三时间区间内的电力负荷预测数据;其中,所述第三时间区间为预设的未来时间段内的时间区间。2.根据权利要求1所述的方法,其特征在于,当前的深度学习模型采用第一公式进行深度学习,所述第一公式包括:式中,xi为所述训练集中的第i个训练样本,n为所述训练集中训练样本的个数,L()为均方损失函数,λ为正则化系数,J(w)为正则项,w为权重参数,yi为所述测试集中第i个测试样本,v为所述用户在所述第二时间区间内的电力负荷预测数据,f()为当前的深度学习模型。3.根据权利要求1所述的方法,其特征在于,所述对当前的深度学习模型的预测能力进行测定,包括:采用第二公式确定当前的深度学习模型的第一预测误差;若所述第一预测误差低于预设的第一误差下限,则所述预测能力满足所述预定要求;否则,所述预测能力不满足所述预定要求;其中,所述第二公式包括:式中,MAE为所述第一预测误差,N为用户在所述第二时间区间内的电力负荷预测数据的个数,为用户在所述第二时间区间内的第t个电力负荷预测数据,Xt为所述测试集中的第t个测试样本,所述第t个电力负荷预测数据和所述第t个测试样本分别为用户在同一时间区间内的电力负荷预测值和电力负荷真实值。4.根据权利要求3所述的方法,其特征在于,所述对当前的深度学习模型的预测能力进行测定,还包括:采用第三公式确定当前的深度学习模型的第二预测误差;对应的,所述若所述第一预测误差低于预设的第一误差下限,则所述预测能力满足所述预定要求,包括:若所述第一预测误差低于预设的第一误差下限且所述第二预测误差低于预设的第二误差下限,则所述预测能力满足所述预定要求;其中,所述第三公式包括:式中,MA...
【专利技术属性】
技术研发人员:周开乐,郭志峰,杨善林,李兰兰,陆信辉,
申请(专利权)人:合肥工业大学,
类型:发明
国别省市:安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。