一种基于机器学习的电力负荷预测系统及方法技术方案

本申请公开了一种基于机器学习的电力负荷预测系统及方法，主要涉及负荷预测技术领域，用以解决现有的负荷预测方法的预测精度不高、预测速度缓慢的技术问题。包括：数据处理模块，用于获取预设采集装置上传的第一负荷数据；以根据第一负荷数据的时间信息，确定具有时间特征序列的第二负荷数据；其中，时间特征序列包括：天气信息、节假日信息以及日期信息；数据分配模块，用于根据预设匹配关系，将第二负荷数据传输至匹配的边缘计算模块；边缘计算模块，用于对第二负荷数据进行字符串降维处理，以获得第三负荷数据；基于预设循环神经网络算法，确定第三负荷数据对应的负荷预测结果。本申请通过上述方法提高了电力负荷的预测精度。精度。精度。

【技术实现步骤摘要】
一种基于机器学习的电力负荷预测系统及方法


[0001]本申请涉及电力负荷预测领域，尤其涉及一种基于机器学习的电力负荷预测系统及方法。

技术介绍

[0002]电力系统负荷预测是电网安全稳定运行、优化调度、电力市场运营的重要依据。
[0003]现有的负荷预测的方法主要为：导入大量历史电力负荷数据训练学习算法，以使该学习算法达到能够进行电力负荷预测的效果。
[0004]但是，上述方法需要先人工标记训练数据才能进行算法训练，以及现有的负荷数据的电网负荷时间序列多样且复杂，导致算法预测的过程缓慢、存在均方根误差。

技术实现思路

[0005]针对现有技术的上述不足，本专利技术提供一种基于机器学习的电力负荷预测系统及方法，以解决上述技术问题。
[0006]第一方面，本申请实施例提供了一种一种基于机器学习的电力负荷预测系统，系统包括：数据处理模块，用于获取预设采集装置上传的第一负荷数据；根据第一负荷数据，确定具有时间特征序列的第二负荷数据；其中，时间特征序列包括：天气信息、节假日信息以及日期信息；数据分配模块，用于根据预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的电力负荷预测系统，其特征在于，所述系统包括：数据处理模块，用于获取预设采集装置上传的第一负荷数据；根据所述第一负荷数据，确定具有时间特征序列的第二负荷数据；其中，所述时间特征序列包括：天气信息、节假日信息以及日期信息；数据分配模块，用于根据预设匹配关系，将所述第二负荷数据传输至匹配的边缘计算模块；所述边缘计算模块，用于对所述第二负荷数据进行字符串降维处理，以获得Int类型的第三负荷数据；基于预设循环神经网络算法，确定所述第三负荷数据对应的负荷预测结果。2.根据权利要求1所述的基于机器学习的电力负荷预测系统，其特征在于，所述系统还包括：算法更新模块，用于根据若干历史负荷数据以及高斯混合模型，聚类获得训练负荷数据；将所述训练负荷数据输入所述预设循环神经网络算法，以完成预设循环神经网络算法的训练。3.根据权利要求1所述的基于机器学习的电力负荷预测系统，其特征在于，所述数据处理模块包括数据获取单元以及数据处理单元；所述数据获取单元，用于获取预设采集装置上传的第一负荷数据；所述数据处理单元，用于将第一负荷数据中字符串类型的时间戳转换成时间；根据预设时间函数，将时间转换为具有年、月、日、星期的所述日期信息；根据第一负荷数据以及预设爬取代码，获取第一负荷数据对应的原始天气信息以及原始节假日信息；根据预设并行聚类算法以及预设格式转换算法，对所述原始天气信息以及所述原始节假日信息进行预处理，以获得格式统一的所述天气信息以及所述节假日信息。4.根据权利要求1所述的基于机器学习的电力负荷预测系统，其特征在于，所述数据分配模块包括：检测分配单元以及数据传输单元；所述检测分配单元，用于根据预设匹配关系，确定第二负荷数据对应的第一边缘计算模块以及若干待选边缘计算模块；当所述第一边缘计算模块对应的等待处理数量小于预设数量阈值时，确定第一边缘计算模块为所述匹配的边缘计算模块；当所述第一边缘计算模块对应的等待处理数量大于或等于预设数量阈值时，根据预设未超时比例值计算公式：块对应的等待处理数量大于或等于预设数量阈值时，根据预设未超时比例值计算公式：其中，Q为未超时比例值、g
...

【专利技术属性】
技术研发人员：戴亮，刘勇，杜长征，徐刚，姚鹏程，房维民，李敏，刘杰，曹新海，田志超，王冲，沃雪芹，苏春晓，陈杰，王泽，梁高升，孟强，高峰，
申请(专利权)人：国网山东省电力公司无棣县供电公司，
类型：发明
国别省市：