一种电力负荷短期预测方法、模型、装置及系统与流程
本公开属于电力系统的技术领域，涉及一种电力负荷短期预测方法、模型、装置及系统。
背景技术：
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
电力是国民经济的命脉，它对经济建设、国家安全、社会稳定具有至关重要的作用。近年来，随着电力市场改革的深入开展，用电用户的电量和负荷对电力系统输送的电能质量的要求也越来越高。由于电能不能大量的储存，这就要求发电出力应该与电量和负荷的变化保持动态平衡。否则，轻则影响供电质量，重则危及系统的安全和稳定。因此，对负荷的变化进行预测估计是电力系统运行与发展的重要内容。
电力负荷预测是电力市场的重要组成部分，是经济调度和电力生产规划的重要依据，也是电力市场顺利发展的必需数据。电力负荷预测从已知的用电需求出发，充分考虑政治、经济、气候等相关因素的影响，预测未来的用电需求。负荷预测的准确程度将直接影响到投资、网络布局和运行的合理性，若负荷及电量预测不足，电网的发展便不能适应实际发展的需要，无法满足用户正常用电需求，甚至还可能缺电；另一方面，若负荷及电量预测过高，则又会导致一些过多而不能充分利用的设备，从而引起投资的浪费。
技术实现要素：
针对现有技术中存在的不足，本公开的一个或多个实施例提供了一种电力负荷短期预测方法、模型、装置及系统，结合影响因素分析、小波分解特征抽取、三次指数平滑时间序列分析及长短期记忆网络，通过构建的电力负荷短期预测模型进行电力负荷短期预测，有效提高负荷预测的准确性。
根据本公开的一个或多个实施例的一个方面，提供一种电力负荷短期预测方法。
一种电力负荷短期预测方法，该方法包括：
接收负荷数据，并对其缺失数据进行数据补全；
接收影响因素数据，所述影响因素数据包括气温数据、节假日数据和行业数据，对影响因素采用与负荷数据相对应的量化方法进行量化；
采用小波分解对负荷数据进行处理，并进行消噪和特征提取得到四个序列，分别与影响因素数据进行相关性分析，得到负荷特征与影响因素的相关对的集合；
将根据负荷数据得到的四个序列采用三次指数平滑算法进行初步预测，将负荷特征与影响因素的相关对的集合采用arima-garch法预测得到调整因子，将初步预测结果与调整因子输入长短期记忆网络得到最终预测结果。
进一步地，在该方法中，对负荷数据的缺失数据釆用改进knni法进行数据补全，所述改进knni法进行数据补全是通过分析接收的负荷数据内部之间的关系，得到负荷数据之间存在的规律性，推测缺失的数据进行数据补全。
进一步地，所述改进knni法的具体步骤包括：
基于接收的负荷数据对用户进行聚类；
选择某一日期且与负荷数据待补全用户同类簇的用户负荷曲线，计算其他用户负荷曲线与待补全用户的负荷曲线的弗雷歇距离，并按从小到大的顺序排序，选择前k个用户的负荷曲线作为计算缺失值的源数据；
将前k个用户与待补全用户的弗雷歇距离进行归一化处理，得到归一化序列，并与1做差作为每条负荷数据的权重；
将k条数据与缺失数据同一时刻的负荷值加权求和作为补全值，对负荷数据的缺失数据进行数据补全。
进一步地，在该方法中，所述对影响因素采用与负荷数据相对应的量化方法进行量化包括对气温数据的处理和对节假日数据的处理；
对气温数据的处理的具体步骤包括：
获取每日24点的气温值作为初始气温数据的气温集合、相对湿度集合、风力集合和采集天数集合；
用户户每日所用总负荷表示为基础用电负荷和气温敏感负荷之和，基础用电负荷为春秋季平稳负荷序列平均值，利用用户户每日所用总负荷与基础用电负荷计算气温敏感负荷，得到量化后的气温数据；
对节假日数据的处理的具体步骤包括：
获取所述负荷数据对应节假日和周末的负荷数据，将节假日和周末负荷数据按每天24个时间段划分，将节假日每一时段与节假日之前与节假日之后的相同时段比较，得到量化后的节假日数据。
进一步地，在该方法中，具体采用小波3层分解重构处理负荷数据，基于haar小波采用mallat算法对负荷数据进行分解和重构，将信号分解为不同频带分量，得到重构子序列。
进一步地，在该方法中，所述相关性分析中，对于气温数据和节假日数据相关性分析中采用皮尔森相关系数分析法分别对小波分解后的各重构子序列与量化后的气温数据和节假日数据做相关性分析，得到重构子序列与气温数据和节假日数据的相关对集合；
对于行业数据相关性分析中，将行业数据进行归一化，对于同一行业标签下的所有用户的重构子序列，分别按照四个重构子序列采用som聚类法进行som聚类，得到重构子序列与行业数据的相关对集合。
进一步地，在该方法中，将根据负荷数据得到的四个序列采用累乘的三次指数平滑算法进行初步预测，得到初步预测结果；
将负荷特征与影响因素的相关对的集合采用arima-garch法预测每个序列的方差波动，将此结果作为各因素调整因子；
将初步预测结果与调整因子作为长短期记忆网络的输入进行回归拟合，通过小波逆变换得到最终预测结果。
根据本公开的一个或多个实施例的另一个方面，还提供一种电力负荷短期预测模型。
一种电力负荷短期预测模型，基于所述的一种电力负荷短期预测方法构建电力负荷短期预测模型。
根据本公开的一个或多个实施例的另一个方面，还提供一种计算机可读存储介质。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种电力负荷短期预测方法。
根据本公开的一个或多个实施例的另一个方面，还提供一种终端设备。
一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种电力负荷短期预测方法。
根据本公开的一个或多个实施例的另一个方面，还提供一种电力负荷短期预测系统。
一种电力负荷短期预测系统，基于所述的一种电力负荷短期预测方法，包括：
数据爬取模块和所述的终端设备；
数据爬取模块，被配置为从用电信息采集系统采集海量的负荷数据，爬取气温数据、节假日数据和行业数据，并发送至所述终端设备。
本公开的有益效果：
(1)本公开所述的一种电力负荷短期预测方法、模型、装置及系统，在充分考虑一些重要的系统运行特性、增容决策、自然条件和社会影响的条件下，有效预测未来某些特定时刻的负荷数据，有利于计划用电管理，合理安排电网运行方式和建立机组检修计划，有利于节煤、节油，减少能耗和降低发电成本，有利于合理的安排电网的增容和改建、决定电网的建设和发展，有利于提高电力系统的经济效益和社会效益。
(2)本公开所述的一种电力负荷短期预测方法、模型、装置及系统，将获取到的海量负荷数据，对其存在部分缺失的负荷数据釆用基于改进knni的方法进行数据补全，针对传统knni算法的不足，改进了knni算法使之适用于电力负荷数据且补全值准确性高，从而提高负荷预测的准确性。
(3)本公开所述的一种电力负荷短期预测方法、模型、装置及系统，采用小波3层分解重构对负荷数据处理，有效解决海量负荷数据中蕴含大量噪声的问题，并进行消噪和特征提取，得到的四个序列，分别与气温、节假日和行业数据进行相关性分析；小波分解后的低频和高频分量表示数据不同的内部特征，与气温、节假日和行业做相关性分析后，可以得到每个影响因素与各特征子序列的相关性。
(4)本公开所述的一种电力负荷短期预测方法、模型、装置及系统，提出采用arima-garch方法的方差预测序列作为各影响因素调整因子，根据各因素相关特征子序列的残差预测出方差表示该影响因素对负荷的影响程度，并将小波分解重构后的各特征子序列采用三次指数平滑算法进行初步预测，最后将此预测结果和各因素调整因子同时作为长短期记忆网络的输入进行回归拟合得到最佳预测结果，有效提高负荷预测的准确性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是根据一个或多个实施例的一种电力负荷短期预测方法流程图；
图2是根据一个或多个实施例的长短期记忆网络结构图；
图3是根据一个或多个实施例的电力负荷短期预测模型整体框架图；
图4是根据一个或多个实施例的体感温度量化曲线图；
图5是根据一个或多个实施例的工作日节假日量化曲线图；
图6是根据一个或多个实施例的公变台区中单个预测结果图；
图7是根据一个或多个实施例的公变台区中全省低压台区预测结果图；
图8是根据一个或多个实施例的高压用户预测结果图；
图9是根据一个或多个实施例的夏季预测结果图；
图10是根据一个或多个实施例的冬季预测结果图。
具体实施方式：
下面将结合本公开的一个或多个实施例中的附图，对本公开的一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本公开的一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合，下面结合附图与实施例对本公开作进一步说明。
针对现有技术中存在的不足，本公开的一个或多个实施例提供了一种电力负荷短期预测方法、模型、装置及系统，结合影响因素分析、小波分解特征抽取、三次指数平滑时间序列分析及长短期记忆网络，通过构建的电力负荷短期预测模型进行电力负荷短期预测，有效提高负荷预测的准确性。
根据本公开的一个或多个实施例的一个方面，提供一种电力负荷短期预测方法。
如图1所示，一种电力负荷短期预测方法，该方法包括：
步骤(1)：接收负荷数据，并对其缺失数据进行数据补全；
步骤(2)：接收影响因素数据，所述影响因素数据包括气温数据、节假日数据和行业数据，对影响因素采用与负荷数据相对应的量化方法进行量化；
步骤(3)：采用小波分解对负荷数据进行处理，并进行消噪和特征提取得到四个序列，分别与影响因素数据进行相关性分析，得到负荷特征与影响因素的相关对的集合；
步骤(4)：将根据负荷数据得到的四个序列采用三次指数平滑算法进行初步预测，将负荷特征与影响因素的相关对的集合采用arima-garch法预测得到调整因子，将初步预测结果与调整因子输入长短期记忆网络得到最终预测结果。
在所述步骤(1)中，对负荷数据的缺失数据釆用改进knni法进行数据补全，所述改进knni法进行数据补全是通过分析接收的负荷数据内部之间的关系，得到负荷数据之间存在的规律性，推测缺失的数据进行数据补全。
所述改进knni法的具体步骤包括：
步骤(1-1)：基于用户的负荷数据值对用户进行简单聚类，可直接采用k-means聚类对用户分类。
步骤(1-2)：选择日期datea且与负荷数据待补全用户usera同类簇的用户负荷曲线，计算其他用户负荷曲线与用户usera的负荷曲线的弗雷歇距离d，并按从小到大的顺序排序，选择前k个用户(user1,user2,user3,…userk)的负荷曲线作为计算缺失值的源数据。
步骤(1-3)：将步骤(1-2)中选取的k个用户与用户usera的弗雷歇距离(d1，d2，d3，…dk)进行归一化处理，归一化公式为：
得到归一化序列(d1，d2，d3，…dk)，并将处理后的值与1做差，作为每条负荷数据的权重，即：
wi＝1-di
步骤(1-4)：将k条数据与缺失数据同一时刻的负荷值加权求和作为补全值mvknni，即
在所述步骤(2)中，获取气温、节假日以及行业影响因素中，具体包括从网页爬取相关日期每日24点的气温数据，根据日期结合农历年辨识出节假日，行业数据可以从用户数据中获取，采用一种与负荷数据相对应的量化方法进行量化。
所述对影响因素采用与负荷数据相对应的量化方法进行量化包括对气温数据的处理和对节假日数据的处理；
对气温数据的处理的具体步骤包括：
采集每日24点的气温值作为初始气温数据输入集合为
将全网负荷视为具有气温相关性的负荷，则全网负荷中的气温敏感负荷可表征人体体感温度的变化。用户每日所用总负荷可表示为基础用电负荷(el)和气温敏感负荷(et)之和，即：e＝el+et。基础用电负荷可看做用户正常生活以及基础设施所造成的负荷消耗，这部分可视为一常数值，气温相关负荷为气温的变化所带来的空调用电负荷和供暖用电负荷，统计每日全网负荷，将春秋季平稳负荷序列视为与气温无关，将周末和节假日等异常数据剔除，选取春秋季平稳负荷序列平均值作为基础用电负荷，即：
其中，h为春秋季标签，当h＝1时，
对节假日数据的处理的具体步骤包括：
获取所述负荷数据对应节假日(春节、清明、劳动节、端午、国庆节、中秋节、元旦)和周末的负荷数据，将节假日和周末负荷数据按每天24个时间段划分，从而与负荷数据相对应。
将节假日每一时段与节假日之前与节假日之后的相同时段比较，得到量化后的节假日数据。定义
其中，m为每一段节假日或周末的标号，m-1为节假日开始的前一天，m+1为节假日结束的后一天，每一段节假日或周末由k天组成，
在所述步骤(3)中，采用小波分解对负荷数据进行处理，小波分解具有多分辨率的特点，能够较好的处理负荷数据这种非平稳信号。在消噪的同时，能够将细节分量与概貌分量分离开，提取出数据的内部特征。由于小波分解后的低频和高频分量表示数据不同的内部特征，因此与气温、节假日和行业做相关性分析，可以得到每个影响因素与各特征子序列的相关性。
在公开的一个或多个实施例中，采用小波3层分解重构处理负荷数据，基于haar小波采用mallat算法对负荷数据进行分解和重构，将信号分解为不同频带分量，得到重构子序列。在进行n层小波分解后的聚类之前，对每个用户的小波系数进行归一化，采用的方法是使每个用户的系数特征的模为1。采用小波3层分解重构处理负荷数据更深入的分析信号的特点，mallat分解过程所依据的公式如下：
dj＝ldi+1，j＝1，2，…，n
gj＝hgj+1，j＝1，2、…，n
式中，l为低通滤波器，h为高通滤波器，dj+1表示原始信号在2-(j+1)分辨率下的低频分量，gj+1表示原始信号在2-(j+1)分辨率下的高频分量，将原始离散信号dn分解为g1，g2，…，gj和dj，分别表示第一层高频信号，第二层高频信号，第j层高频信号和第j层d频信号，n为最大分解层数。将负荷信号进行分解重构得到的最高层低频序列以及每层高频序列为[ca3，cd1，cd2，cd3]。
在所述步骤(3)中，所述相关性分析中，通过som聚类分析获得子序列与行业的相关对集合，通过皮尔逊相关系数分析判断气温、节假日与子序列的关系并获得相关对集合。
对于气温数据和节假日数据相关性分析中采用皮尔森相关系数分析法分别对小波分解后的各重构子序列与量化后的气温数据和节假日数据做相关性分析，，判断该子序列是否具有明显的气温和节假日相关性，构子序列与气温数据和节假日数据的相关对集合；
以计算气温相关性为例，所用皮尔森公式为：
其中，xk为重构子序列的值，t′为体感温度序列，
在所述步骤(3)中，对于行业数据相关性分析中，将行业数据进行归一化，对于同一行业标签下的所有用户的重构子序列，分别按照四个重构子序列采用som聚类法进行som聚类，得到重构子序列与行业数据的相关对集合。采用基于som算法对用户进行聚类，能够直观的显示聚类情况，且无需设置聚类数目，若按照某序列能够聚成显著的一簇，即最大类中包含的用户的数目最多，则说明该序列与该行业相关。
对于行业数据分析采用som聚类方法，som聚类能够把高维空间的输入数据映射到低维(通常是一维或二维)的神经元网格上，并保持原来的拓扑次序。由于传统的som训练权值时，是通过欧氏距离判断距离，距离越近则权值越大，而本发明是要将趋势变化相同的视为距离相近，因此对输入向量要进行归一化，使得后面以欧氏距离判断距离的方式能够代表趋势相近，对于som的一个输入向量x＝[x1(t),x2(t),…xn(t)]t，对该输入进行归一化，即
随后对于同一行业标签下的所有用户的重构子序列，分别按照四个重构子序列进行som聚类，通过聚类结果的可视化显示，若按照某序列的聚类结果里的最大类中包含的用户的数目最多，则说明该行业与该序列相关，从而得到子序列与行业的相关对集合。
在所述步骤(4)中，具体步骤包括：
步骤(4-1)：将根据负荷数据得到的四个序列采用累乘的三次指数平滑算法进行初步预测，得到初步预测结果；
步骤(4-2)：将负荷特征与影响因素的相关对的集合采用arima-garch法预测每个序列的方差波动，将此结果作为各因素调整因子；
步骤(4-3)：将初步预测结果与调整因子作为lstm(longshort-termmemory，长短期记忆)神经网络的输入进行回归拟合，通过小波逆变换得到最终预测结果。
基于小波分解和三次指数平滑算法的短期负荷预测模型的预测过程包括：
对现有的用户每天24点的数据做小波n层分解，得到第n层的低频系数和高频系数；
对第n层的低频系数和高频系数进行小波系数重构；
对重构后的小波系数采用三次指数平滑算法进行预测，将每部分预测结果累乘即为最终短期负荷预测结果。
在步骤(4-1)中，对于小波分解重构后的各子序列，采用三次指数平滑算法进行初始预测，三次指数平滑有累加和累乘两种方法，本文采用累乘的三次指数平滑，下式为累乘的三次指数平滑：
si＝αxi/pi-k+(1-α)(si-1+ti-1)
ti＝β(si-si-1)+(1-β)ti-1
pi＝γxi/si+(1-γ)pi-k
其中k为周期，累乘三次指数平滑的预测公式为：
xi+h＝(si+hti)pi-k+(hmodk)
α，β，γ的值都位于[0，1]之间，s，t，p初始值取值为s0＝x0，t0＝x1-x0，p＝1。经过三次指数平滑预测得到的各子序列的预测结果为
[ca3_pre，cd1_pre，cd2_pre，cd3_pre]
在步骤(4-2)中，对于体感温度、节假日以及行业相关子序列，本发明采用基于arima-garch的方法预测每个序列的方差波动，并将此结果作为各因素调整因子对预测结果进行调整。arima模型是时间序列分析中描述非平稳时间序列自相关性的典型方法。
arima模型通过d阶差分方法将非平稳时间序列{yt}转化为平稳时间序列{y′t}，然后对{y′t}建立arma(p，q)模型：
式中，ca为常数，p和q都是非负的整数，分别表示模型中自回归项和移动平均项的阶数，
et:1n(0，1)
其中，t是时间索引，ht是t时刻的条件方差，基于t-1及其以前信息所做的一步预测，u是garch过程的自回归序，u>0，v是garch的移动平均序，v>0，a0为一正常数系数，ai,i-1,…,v是滞后样本系数εi-12的非负系数，βi,i-1,…,v是滞后条件方差的非负系数，et是具有零均值和单位方差的独立正态变量，如1n(0,1)。本发明基于各序列的arima预测残差结果采用garch(1,1)模型对各残差序列进行建模，预测出所预测日每个时间段的条件方差序列，该结果可视为不同影响因素对负荷变化的影响程度，将此结果作为气温调制因子δ1、节假日调制因子δ2和行业调整因子δ3。
在步骤(4-3)中，如图2所示，采用lstm回归拟合负荷预测模型将三次指数平滑预测出的各序列结果[ca3_pre,cd1_pre,cd2_pre,cd3_pre]与气温调制因子δ1、节假日调制因子δ2和行业调整因子δ3作为lstm神经网络的输入进行训练，基于lstm神经网络进行回归拟合，lstm神经网络在rnn的基础上考虑了时间性，对于时间序列的处理具有更高的准确性，经lstm神经网络回归拟合之后，对各序列进行小波逆变换得到最终预测结果。
根据本公开的一个或多个实施例的另一个方面，还提供一种电力负荷短期预测模型。
一种电力负荷短期预测模型，基于所述的一种电力负荷短期预测方法构建电力负荷短期预测模型，如图3所示。
根据本公开的一个或多个实施例的另一个方面，还提供一种计算机可读存储介质。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种电力负荷短期预测方法。
根据本公开的一个或多个实施例的另一个方面，还提供一种终端设备。
一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种电力负荷短期预测方法。
根据本公开的一个或多个实施例的另一个方面，还提供一种电力负荷短期预测系统。
一种电力负荷短期预测系统，基于所述的一种电力负荷短期预测方法，包括：
数据爬取模块和所述的终端设备；
数据爬取模块，被配置为从用电信息采集系统采集海量的负荷数据，爬取气温数据、节假日数据和行业数据，并发送至所述终端设备。
在本实施例中，计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。
在本实施例中，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开内容的各个方面。
以2016年4月1日到2017年3月31日期间，国网某电力公司电力负荷监测数据样本集四万余例进行说明，一种电力负荷短期预测系统的具体工作过程如下：
a.在网站天气网抓取与负荷相对应日期2016年4月1日至2017年3月31日的天气数据，包括每日24点的气温数据、湿度以及风力数据，初步将气温数据与一些存在气温特性的负荷数据进行错略比对，发现在春夏时段气温与负荷数据存在正相关的关系，而秋冬时段存在负相关的关系，但不同的用户数据对气温变化的反应也存在明显的差异，所以后续对负荷数据与气温数据之间的关系进行较为精确的量化研究。
采用体感温度量化方法t′对天气数据进行处理，得到量化后的体感温度，以2016年8月3日上午8点至次日上午7点的体感温度量化为例，如图4所示。
将日期结合农历年识别出节假日，对节假日进行量化，经过多次实验，取阈值ξ＝0.5，某行业用户法定节假日(元旦)后的周六的日量化值如图5所示。
选用db4小波对用户曲线进行小波分解重构，各子序列分别与与体感温度和节假日做相关性分析，取阈值
b.进入小波分解模块，取用户一年365天的数据，对每天24点的数据求取平均值，得到一年的平均负荷值曲线，对该负荷曲线做3层小波分解，得到最高层低频系数ca3，高频系数cd3，一二层高频系数cd1和cd2，共四个序列，每一行业的用户分别按照四个序列进行som聚类，判断各序列与行业因素的相关性，采用皮尔森相关系数分析方法分别对小波分解后的各重构子序列与量化后的体感温度数据和节假日数据做相关性分析，判断该子序列是否具有明显的气温和节假日相关性。
c.从步骤b中获得负载数据主要特征与影响因素对的集合，采用基于arima-carch的方法预测每个序列的方差波动，并将此结果作为各因素调整因子。对小波分解重构后的各子序列采用三次指数平滑算法进行初始预测。
d.在步骤c的基础上，将三次指数平滑预测出的各序列结果与气温、节假日以及行业调整因子输入lstm神经网络进行训练，经lstm神经网络回归拟合之后，对各序列进行小波逆变换得到最终预测结果如图6-图10所示。
图6和图7为公变台区预测结果；单个预测结果、全省低压台区预测结果；
图8为高压用户预测结果；
图9和图10为整体数据预测结果；以某市2016年7月(夏季)和2017年3月(冬季)的数据结果。
整体上到地市的汇总负荷可以一定程度上相互之间弥补误差情况，同时当整体具有较好的特征趋势时，按用户汇总的结果也较理想。
本公开的有益效果：
(1)本公开所述的一种电力负荷短期预测方法、模型、装置及系统，在充分考虑一些重要的系统运行特性、增容决策、自然条件和社会影响的条件下，有效预测未来某些特定时刻的负荷数据，有利于计划用电管理，合理安排电网运行方式和建立机组检修计划，有利于节煤、节油，减少能耗和降低发电成本，有利于合理的安排电网的增容和改建、决定电网的建设和发展，有利于提高电力系统的经济效益和社会效益。
(2)本公开所述的一种电力负荷短期预测方法、模型、装置及系统，将获取到的海量负荷数据，对其存在部分缺失的负荷数据釆用基于改进knni的方法进行数据补全，针对传统knni算法的不足，改进了knni算法使之适用于电力负荷数据且补全值准确性高，从而提高负荷预测的准确性。
(3)本公开所述的一种电力负荷短期预测方法、模型、装置及系统，采用小波3层分解重构对负荷数据处理，有效解决海量负荷数据中蕴含大量噪声的问题，并进行消噪和特征提取，得到的四个序列，分别与气温、节假日和行业数据进行相关性分析；小波分解后的低频和高频分量表示数据不同的内部特征，与气温、节假日和行业做相关性分析后，可以得到每个影响因素与各特征子序列的相关性。
(4)本公开所述的一种电力负荷短期预测方法、模型、装置及系统，提出采用arima-garch方法的方差预测序列作为各影响因素调整因子，根据各因素相关特征子序列的残差预测出方差表示该影响因素对负荷的影响程度，并将小波分解重构后的各特征子序列采用三次指数平滑算法进行初步预测，最后将此预测结果和各因素调整因子同时作为长短期记忆网络的输入进行回归拟合得到最佳预测结果，有效提高负荷预测的准确性。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
- 还没有人留言评论。精彩留言会获得点赞！