System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请属于短期用电负荷预测领域,尤其涉及一种短期用电负荷预测方法、装置和负荷预测系统。
技术介绍
1、用电负荷的准确预测既可以保证用电用户的正常生活、生产,也能够节约用电成本,因此,短期负荷预测显得尤为重要。相关技术中,主要通过基于时间序列分析的预测模型、基于机器学习的预测模型和基于深度学习的预测模型以基于气象数据对用电负荷进行预测,但预测结果的准确性不高。
技术实现思路
1、本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种短期用电负荷预测方法、装置和负荷预测系统,能够提高短期负荷预测的准确度和真实性。
2、第一方面,本申请提供了一种短期用电负荷预测方法,该方法包括:
3、获取目标区域在待测时刻对应的第一预测气象数据以及所述待测时刻之前历史时间段内的第一历史负荷数据;
4、基于至少两种时间尺度对所述第一历史负荷数据进行处理,得到至少两类第二历史负荷数据;各类所述第二历史负荷数据包括与所述第二历史负荷数据对应的时间尺度下的多个单位时间对应的负荷数据;
5、基于所述至少两类第二历史负荷数据和所述第一预测气象数据,预测得到目标区域在所述待测时刻对应的目标负荷数据。
6、根据本申请的短期用电负荷预测方法,基于多种不同的时间尺度对第一历史负荷数据进行处理得到多类第二历史负荷数据,以对历史负荷数据进行基于多种不同周期时序规律的学习,减少信息损失,并基于多种不同的时间尺度处理后所得到的多类第二历史负荷数据结合第一预测
7、根据本申请的一个实施例,所述至少两种时间尺度包括时刻尺度、日尺度、周尺度、半月尺度以及月尺度中的至少两种。
8、根据本申请的一个实施例,所述基于所述至少两类第二历史负荷数据和所述第一预测气象数据,预测得到目标区域在所述待测时刻对应的目标负荷数据,包括:
9、基于所述待测时刻,对所述至少两类第二历史负荷数据中目标类第二历史负荷数据中各所述单位时间对应的负荷数据进行加权处理,得到所述目标类第二历史负荷数据对应的第三历史负荷数据;
10、基于至少两类所述第三历史负荷数据和所述第一预测气象数据,预测得到所述目标负荷数据。
11、根据本申请的一个实施例,所述基于所述至少两类第二历史负荷数据和所述第一预测气象数据,预测得到目标区域在所述待测时刻对应的目标负荷数据,包括:
12、将所述至少两类第二历史负荷数据输入至目标预测模型的权重适配层,获取所述权重适配层输出的至少两类第三历史负荷数据;
13、将所述至少两类第三历史负荷数据和所述第一预测气象数据输入至所述目标预测模型的特征融合层,获取所述特征融合层输出的融合特征;
14、将所述融合特征输入至所述目标预测模型的预测层,获取所述预测层输出的所述目标负荷数据。
15、根据本申请的一个实施例,所述将所述至少两类第二历史负荷数据输入至目标预测模型的权重适配层,获取所述权重适配层输出的至少两类第三历史负荷数据,包括:
16、采用归一化指数函数对各类所述第二历史负荷数据中各所述单位时间对应的负荷数据进行权重分配,得到所述至少两类第三历史负荷数据。
17、根据本申请的一个实施例,所述目标预测模型基于如下步骤训练得到:
18、获取样本区域对应的第一样本负荷数据、第三样本负荷数据以及所述第三样本负荷数据对应的第一样本天气数据;
19、基于所述至少两种时间尺度对所述第一样本负荷数据进行处理,得到至少两类第二样本负荷数据;
20、基于所述至少两类第二样本负荷数据、所述第三样本负荷数据和所述第一样本天气数据,训练所述目标预测模型。
21、根据本申请的一个实施例,所述基于所述至少两类第二历史负荷数据和所述第一预测气象数据,预测得到目标区域在所述待测时刻对应的目标负荷数据,包括:
22、基于所述第一预测气象数据对应的时间信息和电价信息中的至少一种,获取目标特征数据;
23、基于所述目标特征数据和所述至少两类第二历史负荷数据,预测得到所述目标负荷数据。
24、根据本申请的一个实施例,所述基于至少两种时间尺度对所述第一历史负荷数据进行处理,得到至少两类第二历史负荷数据,包括:
25、对所述第一历史负荷数据进行归一化处理,得到第四历史负荷数据;
26、基于所述至少两种时间尺度中目标时间尺度,从所述第四历史负荷数据中提取所述目标时间尺度内的数据,得到所述目标时间尺度对应的第二历史负荷数据。
27、第二方面,本申请提供了一种短期用电负荷预测装置,该装置包括:
28、第一处理模块,用于获取目标区域在待测时刻对应的第一预测气象数据以及所述待测时刻之前历史时间段内的第一历史负荷数据;
29、第二处理模块,用于基于至少两种时间尺度对所述第一历史负荷数据进行处理,得到至少两类第二历史负荷数据;各类所述第二历史负荷数据包括与所述第二历史负荷数据对应的时间尺度下的多个单位时间对应的负荷数据;
30、第三处理模块,用于基于所述至少两类第二历史负荷数据和所述第一预测气象数据,预测得到目标区域在所述待测时刻对应的目标负荷数据。
31、根据本申请的短期用电负荷预测装置,基于多种不同的时间尺度对第一历史负荷数据进行处理得到多类第二历史负荷数据,以对历史负荷数据进行基于多种不同周期时序规律的学习,减少信息损失,并基于多种不同的时间尺度处理后所得到的多类第二历史负荷数据结合第一预测气象数据进行负荷预测,能够提高短期负荷预测的准确度和真实性。
32、第三方面,本申请提供了一种负荷预测系统,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的短期用电负荷预测方法。
33、第四方面,本申请提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的短期用电负荷预测方法。
34、第五方面,本申请提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的短期用电负荷预测方法。
35、本申请实施例中的上述一个或多个技术方案,至少具有如下技术效果之一:
36、基于多种不同的时间尺度对第一历史负荷数据进行处理得到多类第二历史负荷数据,以对历史负荷数据进行基于多种不同周期时序规律的学习,减少信息损失,并基于多种不同的时间尺度处理后所得到的多类第二历史负荷数据结合第一预测气象数据进行负荷预测,能够提高短期负荷预测的准确度和真实性。
37、进一步地,通过对任意时间尺度下的历史负荷数据进行权重赋值,以获取待测时刻对该时间尺度下各单位时长的依赖权重,以基于进行权重赋值后的时间序列特征进行负荷预测,本文档来自技高网...
【技术保护点】
1.一种短期用电负荷预测方法,其特征在于,包括:
2.根据权利要求1所述的短期用电负荷预测方法,其特征在于,所述至少两种时间尺度包括时刻尺度、日尺度、周尺度、半月尺度以及月尺度中的至少两种。
3.根据权利要求1所述的短期用电负荷预测方法,其特征在于,所述基于所述至少两类第二历史负荷数据和所述第一预测气象数据,预测得到目标区域在所述待测时刻对应的目标负荷数据,包括:
4.根据权利要求1-3任一项所述的短期用电负荷预测方法,其特征在于,所述基于所述至少两类第二历史负荷数据和所述第一预测气象数据,预测得到目标区域在所述待测时刻对应的目标负荷数据,包括:
5.根据权利要求4所述的短期用电负荷预测方法,其特征在于,所述将所述至少两类第二历史负荷数据输入至目标预测模型的权重适配层,获取所述权重适配层输出的至少两类第三历史负荷数据,包括:
6.根据权利要求4所述的短期用电负荷预测方法,其特征在于,所述目标预测模型基于如下步骤训练得到:
7.根据权利要求1-3任一项所述的短期用电负荷预测方法,其特征在于,所述基于所述至少两类
8.根据权利要求1-3任一项所述的短期用电负荷预测方法,其特征在于,所述基于至少两种时间尺度对所述第一历史负荷数据进行处理,得到至少两类第二历史负荷数据,包括:
9.一种短期用电负荷预测装置,其特征在于,包括:
10.一种负荷预测系统,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1-8任一项所述短期用电负荷预测方法。
11.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-8任一项所述的短期用电负荷预测方法。
12.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8任一项所述短期用电负荷预测方法。
...【技术特征摘要】
1.一种短期用电负荷预测方法,其特征在于,包括:
2.根据权利要求1所述的短期用电负荷预测方法,其特征在于,所述至少两种时间尺度包括时刻尺度、日尺度、周尺度、半月尺度以及月尺度中的至少两种。
3.根据权利要求1所述的短期用电负荷预测方法,其特征在于,所述基于所述至少两类第二历史负荷数据和所述第一预测气象数据,预测得到目标区域在所述待测时刻对应的目标负荷数据,包括:
4.根据权利要求1-3任一项所述的短期用电负荷预测方法,其特征在于,所述基于所述至少两类第二历史负荷数据和所述第一预测气象数据,预测得到目标区域在所述待测时刻对应的目标负荷数据,包括:
5.根据权利要求4所述的短期用电负荷预测方法,其特征在于,所述将所述至少两类第二历史负荷数据输入至目标预测模型的权重适配层,获取所述权重适配层输出的至少两类第三历史负荷数据,包括:
6.根据权利要求4所述的短期用电负荷预测方法,其特征在于,所述目标预测模型基于如下步骤训练得到:
7.根据权...
【专利技术属性】
技术研发人员:江山,李卫,施华,
申请(专利权)人:阳光电源上海有限公司,
类型:发明
国别省市:
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。