一种基于地理分布机器学习的能源出力及负荷预测方法技术

本发明专利技术涉及能源预测领域，具体为一种基于地理分布机器学习的能源出力及负荷预测方法，其包括以下步骤：S1、获取能源出力以及负荷的时间序列历史数据集A和历史数据集B；S2、按照地理位置对历史数据集A以及历史数据集B进行分割；S3、对每个子数据集进行划分，分成为训练集和测试集；S4、构建各地区的能源出力预测模型和能源负荷预测模型；S5、获取突变的影响因素、影响数值和影响时间段；S6、向能源出力预测模型和能源负荷预测模型中输入地区和时间，获取能源出力及负荷的预测值；S7、结合突变的影响因素进行预测值的纠正，获得最终预测结果。本发明专利技术中，预测结果排除突变的影响因素，能更加准确地得到能源出力及负荷的预测值。加准确地得到能源出力及负荷的预测值。加准确地得到能源出力及负荷的预测值。

【技术实现步骤摘要】
一种基于地理分布机器学习的能源出力及负荷预测方法


[0001]本专利技术涉及能源预测
，尤其涉及一种基于地理分布机器学习的能源出力及负荷预测方法。

技术介绍

[0002]能源负荷是指能源供应地区在某一瞬间所承担的能源使用功率，以电网为例，根据用户结构的不同，可将电力负荷划分为工业负荷、商用负荷、城市民用负荷、农村负荷以及其他负荷等，负荷预测是指充分考虑各种自然因素、社会影响、系统运行等条件，利用各种数学方法或智能化模型预测用户未来一定时间内的负荷数值。
[0003]授权公告号为CN111932024A的中国专利公开了一种能源负荷预测方法、装置、计算机设备及存储介质，该方法包括：获取能源负荷的时间序列历史数据以及对应的外生变量数据，得到训练数据集和测试数据集；将训练数据集分别输入至多个LSTM快照模型中，对LSTM快照模型进行训练学习；基于测试数据集，利用弹性回归网络从多个LSTM快照模型中选择最优LSTM快照模型，并利用最优LSTM快照模型得到最优能源负荷预测值；将最优能源负荷预测值与真实值、外生变量数据输入至状态空间模型，得到最终的能源负荷预测值，从而构建关于能源负荷的预测模型；利用预测模型对指定时间的能源负荷进行预测。该专利技术可有效提高能源负荷的预测精度和预测模型的自动化能力，还可改善系统内部状态变化，提高预测精度。
[0004]但是上述已公开方案存在如下不足之处：无法很好地应对突变的外界因素，如临时或永久接入的大功率能源出力设备，临时或永久接入的大功率能源负荷。

技术实现思路
r/>[0005]本专利技术目的是针对
技术介绍
中存在的能源出力与预测模型难以适应突发的外界影响因素的问题，提出一种基于地理分布机器学习的能源出力及负荷预测方法。
[0006]本专利技术的技术方案：一种基于地理分布机器学习的能源出力及负荷预测方法，包括以下步骤：
[0007]S1、获取能源出力的时间序列历史数据集A，获取能源负荷的时间序列历史数据集B；
[0008]S2、按照地理位置对历史数据集A以及历史数据集B进行分割，历史数据集A形成多个子数据集A1、A2、A3...A
n
，和历史数据集B形成多个子数据集B1、B2、B3...B
n
；
[0009]S3、对每个子数据集进行划分，分成两部分，分别为训练集和测试集，历史数据集A的子数据集的训练集分别为A1′
、A2′
、A3′
...A
n
′
，历史数据集A的子数据集的测试集分别为A1″
、A2″
、A3″
...A
n
″
，历史数据集B的子数据集的训练集分别为B1′
、B2′
、B3′
...B
n
′
，历史数据集B的子数据集的测试集分别为B1″
、B2″
、B3″
...B
n
″
；
[0010]S4、将训练集输入LSTM神经网络中进行训练，并用测试集进行结构测试和纠正，构建各地区的能源出力预测模型和能源负荷预测模型；
[0011]S5、获取突变的影响因素、影响数值和影响时间段；
[0012]S6、向能源出力预测模型和能源负荷预测模型中输入地区和时间，获取能源出力及负荷的预测值；
[0013]S7、结合突变的影响因素进行预测值的纠正，获得最终预测结果。
[0014]优选的，S3中，子数据集划分时按照时间序列进行，时间序列的前90％数据作为训练集，时间序列的后10％数据作为测试集。
[0015]优选的，S5中，突变的影响因素为大功率或批量接入、撤出的能源出力或负荷设备。
[0016]优选的，S5中，与各大工厂、公司、集团以及其他类团体之间进行数据导通，获取大型或批量能源设备投入或撤出数据。
[0017]优选的，S5中，突变的影响因素包括临时投入、撤出和永久投入、撤出，临时投入的需要同步获取投入的时间段数据。
[0018]优选的，S7中，预测值的纠正方法包括以下步骤：S71、判断突变因素是临时接入、撤出还是永久接入、撤出；S72、永久接入或撤出的能源产出或负荷设备，纠正能源出力及负荷时只需要在预测值上增加或减少对应的数值即可；S73、临时接入或撤出的能源产出或负荷设备，纠正能源出力及负荷时先判断预测时间在临时接入或撤出的时间段之前还是之中，预测时间在后的，预测值不变即为最终预测结果，预测时间在临时接入或撤出的时间段之间的，在预测值上增加或减少对应的数值来获得最终预测结果。
[0019]优选的，结合永久接入或撤出的影响因素对预测模型进行动态更新。
[0020]与现有技术相比，本专利技术具有如下有益的技术效果：首先根据地理分布对数据集进行划分，经训练后能得到各个地区更加精准的能源出力及负荷预测模型，且预测结果排除突变的影响因素，能更加准确地得到能源出力及负荷的预测值，另外，后续结合永久接入或撤出的影响因素对预测模型进行动态更新，能保持预测模型的持续准确性。
附图说明
[0021]图1为本专利技术一种实施例的流程图；
[0022]图2为历史数据集A的结构示意图；
[0023]图3为历史数据集B的结构示意图；
[0024]图4为预测值的纠正方法的流程图。
具体实施方式
[0025]实施例一
[0026]如图1
‑
3所示，本专利技术提出的一种基于地理分布机器学习的能源出力及负荷预测方法，包括以下步骤：
[0027]S1、获取能源出力的时间序列历史数据集A，获取能源负荷的时间序列历史数据集B；
[0028]S2、按照地理位置对历史数据集A以及历史数据集B进行分割，历史数据集A形成多个子数据集A1、A2、A3...A
n
，和历史数据集B形成多个子数据集B1、B2、B3...B
n
；
[0029]S3、对每个子数据集进行划分，分成两部分，分别为训练集和测试集，历史数据集A
的子数据集的训练集分别为A1′
、A2′
、A3′
...A
n
′
，历史数据集A的子数据集的测试集分别为A1″
、A2″
、A3″
...A
n
″
，历史数据集B的子数据集的训练集分别为B1′
、B2′
、B3′
...B
n
′
，历史数据集B的子数据集的测试集分别为B1″
、B2″
、B3″
...B
n
″
；子数据集划分时按照时间序列进行，时间序列的前90％数据作为训练集，时间序列的后10％数据作为测试集；
[0030]S4、将训练集输入LSTM神经网络中进行训练，并用测试集进行结构测试和纠正，构建各地区的能源出力预测模型和能源负荷预测模型；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于地理分布机器学习的能源出力及负荷预测方法，其特征在于，包括以下步骤：S1、获取能源出力的时间序列历史数据集A，获取能源负荷的时间序列历史数据集B；S2、按照地理位置对历史数据集A以及历史数据集B进行分割，历史数据集A形成多个子数据集A1、A2、A3...A
n
，和历史数据集B形成多个子数据集B1、B2、B3...B
n
；S3、对每个子数据集进行划分，分成两部分，分别为训练集和测试集，历史数据集A的子数据集的训练集分别为A1′
、A2′
、A3′
...A
n
′
，历史数据集A的子数据集的测试集分别为A1″
、A2″
、A3″
...A
n
″
，历史数据集B的子数据集的训练集分别为B1′
、B2′
、B3′
...B
n
′
，历史数据集B的子数据集的测试集分别为B1″
、B2″
、B3″
...B
n
″
；S4、将训练集输入LSTM神经网络中进行训练，并用测试集进行结构测试和纠正，构建各地区的能源出力预测模型和能源负荷预测模型；S5、获取突变的影响因素、影响数值和影响时间段；S6、向能源出力预测模型和能源负荷预测模型中输入地区和时间，获取能源出力及负荷的预测值；S7、结合突变的影响因素进行预测值的纠正，获得最终预测...

【专利技术属性】
技术研发人员：张晶，肖清林，石小川，陈鹭菲，何军，王榕腾，
申请(专利权)人：厦门美域中央信息科技有限公司，
类型：发明
国别省市：