技术领域
[0001] 本
申请属于
数据处理领域,尤其涉及一种基于天气因素的电力负荷的预测方法和预测系统。
背景技术
[0002] 随着智能电表的日益普及,智能
电网技术的日益成熟,可靠的电力负荷预测技术能有效地对调度问题和运行规划起到重要作用,减少
能源损耗。居民用电是所有用电中不可忽视的部分,针对居民用电的电力负荷预测能大大减少
电路损耗,具有节约能源和降低成本等优点。
[0003] 电力负荷预测的问题可以分成:超短期、短期、中期、长期;超短期预测是预测几秒或者几分钟到小时,短期一般范围是以小时为主,有可能到天,中期、长期预测一般是指月或者年。居民用电的短期预测在考虑到人为因素和天气因素的情况下,具有周期性、
波动性和时变性等特点,因此
现有技术并不能准确的预测短期的电力负荷。
发明内容
[0004] 本发明
实施例的主要目的在于提供一种基于天气因素的电力负荷的预测方法和预测系统,通过本发明实施例的方案,可以准确的预测短时间内的电力负荷。
[0005] 第一方面,提供了一种基于天气因素的电力负荷的预测方法,包括:获取电路负荷数据,以及与所述电路负荷数据相对应的天气数据,所述电路负荷数据为待预测时间之前的电路负荷数据;
将所述电路负荷数据作为输入数据进行
监督学习,获取样本;
获取经过设置的Bi-LSTM神经网络超参数,根据所述样本的训练集进行Bi-LSTM神经网络训练,获取经过训练的Bi-LSTM模型;
将所述样本的测试集添加到所述经过训练的Bi-LSTM模型,获取作为输出数据的待测试时间的测试结果。
[0006] 在一个可能的实现方式中,所述天气数据包括:
温度、湿度、
风速、
露点。
[0007] 在另一个可能的实现方式中,所述Bi-LSTM神经网络超参数,包括:用Keras搭建Bi-LSTM神经网络,通过实验来确定需要Bi-LSTM的层数,
输入层、Bi-LSTM层、
输出层的
节点数,选择MAE作为损失函数,选择adam作为优化器,选择relu函数作为激活函数。
[0008] 在又一个可能的实现方式中,所述预测方法还包括:对所述电路负荷数据进行归一化处理,补充所述电路负荷数据的缺失值。
[0009] 在又一个可能的实现方式中,所述样本的训练集与测试集的比例为4:1。
[0010] 第二方面,提供了一种基于天气因素的电力负荷的预测系统,所述预测系统包括:数据获取模
块,用于获取电路负荷数据,以及与所述电路负荷数据相对应的天气数据,所述电路负荷数据为待预测时间之前的电路负荷数据;
样本获取模块,用于将所述电路负荷数据作为输入数据进行监督学习,获取样本;
Bi-LSTM模型获取模块,用于获取经过设置的Bi-LSTM神经网络超参数,根据所述样本的训练集进行Bi-LSTM神经网络训练,获取经过训练的Bi-LSTM模型;
测试结果获取模块,用于将所述样本的测试集添加到所述经过训练的Bi-LSTM模型,获取作为输出数据的待测试时间的测试结果。
[0011] 在一个可能的实现方式中,所述天气数据包括:温度、湿度、风速、露点。
[0012] 在又一个可能的实现方式中,所述Bi-LSTM神经网络超参数,包括:用Keras搭建Bi-LSTM神经网络,通过实验来确定需要Bi-LSTM的层数,输入层、Bi-LSTM层、输出层的节点数,选择MAE作为损失函数,选择adam作为优化器,选择relu函数作为激活函数。
[0013] 在又一个可能的实现方式中,所述预测系统还包括:归一化处理模块,用于对所述电路负荷数据进行归一化处理,补充所述电路负荷数据的缺失值。
[0014] 在又一个可能的实现方式中,所述样本的训练集与测试集的比例为4:1。
[0015] 本申请提供的技术方案带来的有益效果是:可以准确的预测短时间内的电力负荷。
[0017] 为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
[0018] 图1为本发明一个实施例提供的一种基于天气因素的电力负荷的预测方法的
流程图;图2为本发明一个实施例提供的一种基于天气因素的电力负荷的预测系统的结构图。
[0019]
具体实施方式
[0020] 下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本发明的限制。
[0021] 本技术领域技术人员可以理解,除非特意
声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的
说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、模块和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、模块、组件和/或它们的组。应该理解,当我们称模块被“连接”或“耦接”到另一模块时,它可以直接连接或耦接到其他模块,或者也可以存在中间模块。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
[0022] 为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
[0023] 下面以具体地实施例对本申请的技术方案以及本申请的技术方案如和解决上述 技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念 或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
[0024] 实施例一如图1所示为本发明一个实施例提供的一种基于天气因素的电力负荷的预测方法的流程图,包括:
步骤S101,获取电路负荷数据,以及与所述电路负荷数据相对应的天气数据,所述电路负荷数据为待预测时间之前的电路负荷数据。
[0025] 在本发明实施例中,电路负荷预测是以过往电路负荷数据为依据进行预测的,过往电路负荷数据通常会有完整的记录,因此从
数据库中直接可以调取过往电路负荷数据。同时电路负荷的预测也需要以天气数据为依据,因此可以从数据库中调取与过往电路负荷数据相对应的天气数据。天气数据包括的类别很多,不可能全部获取,可以根据实际使用的需要进行选择。优选的,所述天气数据包括:温度、湿度、风速、露点。
[0026] 步骤S102,将所述电路负荷数据作为输入数据进行监督学习,获取样本。
[0027] 在本发明实施例中,获取的电路负荷数据进行监督学习,在监督学习之后,获取经过学习的样本。
[0028] 步骤S103,获取经过设置的Bi-LSTM神经网络超参数,根据所述样本的训练集进行Bi-LSTM神经网络训练,获取经过训练的Bi-LSTM模型。
[0029] 在本发明实施例中,样本在
深度学习中通常划分为训练集和测试集,训练集的作用是来训练估计模型。在通过训练集进行Bi-LSTM神经网络训练之前,需要设置与Bi-LSTM神经网络训练相关的Bi-LSTM神经网络超参数,其中,Bi-LSTM神经网络超参数,包括:用Keras搭建Bi-LSTM神经网络,通过实验来确定需要Bi-LSTM的层数,输入层、Bi-LSTM层、输出层的节点数,选择MAE作为损失函数,选择adam作为优化器,选择relu函数作为激活函数。
[0030] 需要指出的是,训练集和样本集的比例通过根据实际使用的需要进行设置,本申请对比例不进行限制。优选的,样本的训练集与测试集的比例为4:1。
[0031] 步骤S104,将所述样本的测试集添加到所述经过训练的Bi-LSTM模型,获取作为输出数据的待测试时间的测试结果。
[0032] 在本发明实施例中,使用评估函数MAPE测试实验效果与LSTM神经网络进行对比。其中,MAPE具体为:。
[0033] 本发明实施例,获取电路负荷数据,以及与电路负荷数据相对应的天气数据,将电路负荷数据作为输入数据进行监督学习,获取样本,获取经过设置的Bi-LSTM神经网络超参数,根据样本的训练集进行Bi-LSTM神经网络训练,获取经过训练的Bi-LSTM模型,将样本的测试集添加到经过训练的Bi-LSTM模型,获取作为输出数据的待测试时间的测试结果。使得系统可以准确的预测短时间内的电力负荷。
[0034] 作为本发明的一个可选实施例,在所述获取电路负荷数据,以及与所述电路负荷数据相对应的天气数据的步骤之后,所述预测方法还包括:对所述电路负荷数据进行归一化处理,补充所述电路负荷数据的缺失值。
[0035] 在本发明实施例中,电路负荷数据的归一化通过minmaxscaler
算法实现。
[0036] 实施例二如图2所示为本发明一个实施例提供的一种基于天气因素的电力负荷的预测系统的结构图,所述预测系统包括:
数据获取模块201,用于获取电路负荷数据,以及与所述电路负荷数据相对应的天气数据,所述电路负荷数据为待预测时间之前的电路负荷数据。
[0037] 在本发明实施例中,电路负荷预测是以过往电路负荷数据为依据进行预测的,过往电路负荷数据通常会有完整的记录,因此从数据库中直接可以调取过往电路负荷数据。同时电路负荷的预测也需要以天气数据为依据,因此可以从数据库中调取与过往电路负荷数据相对应的天气数据。天气数据包括的类别很多,不可能全部获取,可以根据实际使用的需要进行选择。优选的,所述天气数据包括:温度、湿度、风速、露点。
[0038] 样本获取模块202,用于将所述电路负荷数据作为输入数据进行监督学习,获取样本。
[0039] 在本发明实施例中,获取的电路负荷数据进行监督学习,在监督学习之后,获取经过学习的样本。
[0040] Bi-LSTM模型获取模块203,用于获取经过设置的Bi-LSTM神经网络超参数,根据所述样本的训练集进行Bi-LSTM神经网络训练,获取经过训练的Bi-LSTM模型。
[0041] 在本发明实施例中,样本在深度学习中通常划分为训练集和测试集,训练集的作用是来训练估计模型。在通过训练集进行Bi-LSTM神经网络训练之前,需要设置与Bi-LSTM神经网络训练相关的Bi-LSTM神经网络超参数,其中,Bi-LSTM神经网络超参数,包括:用Keras搭建Bi-LSTM神经网络,通过实验来确定需要Bi-LSTM的层数,输入层、Bi-LSTM层、输出层的节点数,选择MAE作为损失函数,选择adam作为优化器,选择relu函数作为激活函数。
[0042] 需要指出的是,训练集和样本集的比例通过根据实际使用的需要进行设置,本申请对比例不进行限制。优选的,样本的训练集与测试集的比例为4:1。
[0043] 测试结果获取模块204,用于将所述样本的测试集添加到所述经过训练的Bi-LSTM模型,获取作为输出数据的待测试时间的测试结果。
[0044] 在本发明实施例中,使用评估函数MAPE测试实验效果与LSTM神经网络进行对比。其中,MAPE具体为:。
[0045] 本发明实施例,获取电路负荷数据,以及与电路负荷数据相对应的天气数据,将电路负荷数据作为输入数据进行监督学习,获取样本,获取经过设置的Bi-LSTM神经网络超参数,根据样本的训练集进行Bi-LSTM神经网络训练,获取经过训练的Bi-LSTM模型,将样本的测试集添加到经过训练的Bi-LSTM模型,获取作为输出数据的待测试时间的测试结果。使得系统可以准确的预测短时间内的电力负荷。
[0046] 作为本发明的一个可选实施例,所述预测系统还包括:归一化处理模块,用于对所述电路负荷数据进行归一化处理,补充所述电路负荷数据的缺失值。
[0047] 在本发明实施例中,电路负荷数据的归一化通过minmaxscaler算法实现。
[0048] 应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0049] 以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。