电力短期负荷预测方法和装置与流程

本发明涉及电力系统负荷预测
技术领域：
，具体而言，涉及一种电力短期负荷预测方法和系统。
背景技术：
：电力短期负荷预测是电力系统需求侧管理的重要组成之一，与电力系统生产计划、电力调度运行密切相关。电力短期负荷预测需综合考虑电力负荷相关因素,准确的短期负荷预测，对优化资源配置、确保电力供应的安全性、可靠性和经济性有重大意义。而现有的多数短期负荷预测方法，如采用基于bp神经网络的预测方法等面临特征选择不合理或存在过多冗余特征而导致的预测准确度不高的问题。技术实现要素：本发明所要解决的技术问题是克服现有技术的缺陷，提供一种预测精度更高且更符合实际情况的电力短期负荷预测方法和系统。为解决上述技术问题，本发明采用以下技术方案：在一个方面，本发明提供了一种电力短期负荷预测方法，包括以下步骤：步骤一：基于日负荷曲线对历史数据的日类型进行划分；步骤二：将获得的每一个日类型包含的历史日负荷信息及选定的特征数据作为输入，以预测的日负荷值作为输出分别建立针对不同日类型的若干多元线性回归预测模型；步骤三：基于tensorflow深度学习模型对建立的若干多个多元线性回归预测模型进行训练、参数调优和验证，得到针对不同日类型的短期负荷预测模型；进一步地，对历史数据的日类型进行划分的方法包括：采用单因素方差分析方法确定工作日和节假日的日负荷差异，将日类型分别节假日和工作日；对工作日的每日历史数据，以每15分钟为间隔，取96点日负荷数据曲线作为特征，通过k-means聚类分析方法进行聚类得到针对工作日的日类型划分结果。优选地，日类型的划分结果为节假日、工作日和临假工作日三种类型。优选地，选定的特征数据包括日期信息和具体时刻信息以及时刻对应的天气信息以及历史对应时刻的日负荷信息。在另一方面，本发明提供了电力短期负荷预测装置，包括：日类型划分模块，用于基于日负荷曲线对历史数据的日类型进行划分；多源线性回归预测模块，用于将获得的每一个日类型包含的历史日负荷信息及选定的特征数据作为输入，以预测的日负荷值作为输出分别建立针对不同日类型的若干多元线性回归预测模型；tensorflow深度学习模块，用于基于tensorflow深度学习模型对建立的若干多个多元线性回归预测模型进行训练、参数调优和验证，得到针对不同日类型的短期负荷预测模型。优选地，所述日类型划分模块还包括单因素方差分析，所述单因素方差分析用于采用单因素方差分析方法确定工作日和节假日的日负荷差异，将节假日作为日类型的一个类别。优选地，所述日类型划分模块还包括k-means聚类分析模块，所述k-means聚类分析模块用于对工作日的每日历史数据，以每15分钟为间隔，取96点日负荷数据曲线作为特征，通过k-means聚类分析方法进行聚类得到针对工作日的日类型划分结果。本发明所达到的有益效果：1、针对工作日和节假日的日负荷差异较大的情况基于日负荷数据进行日类型划分，再在划分后的日类型基础上建立预测模型，使预测准确度提高；2、发明采用单因素方差分析明确工作日和节假日的日负荷差异较大，将节假日作为日类型的一个类别独立出来，减少了日类型划分的计算量，减少了电力短期负荷预测的计算量、提高了预测的速度；3、本发明综合考虑节假日和天气变化对负荷的影响，引入了风向、风速、雨量、湿度、气压以及总云量信息作为输入特征，使预测结果更加准确；4、本发明在tensorflow深度学习框架下按日类型自动训练并调优，得到针对不同日类型数据的短期负荷预测模型，使负荷预测值更加准确和优化。附图说明图1是本发明具体实施例的电力短期负荷预测方法流程图；图2为是本发明具体实施例的日类型划分方法流程图。具体实施方式下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。具体实施例：图1为本发明具体实施例提供的电力短期负荷预测方法流程图，包括以下步骤：(1)对日期信息、节假日信息、负荷数据和天气信息按照日期信息及具体时刻进行数据融合即采用这些信息构造特征向量，所述特征向量的表示方式见表1，表1信息特征向量格式(2)日类型划分，具体可见图2，图2为具体实施例基于日负荷曲线的日类型划分方法流程图，首先利用单因素方差分析(one-wayanova)比较工作日和节假日的日负荷。表2为工作日和节假日的单因素方差分析，表2示出了根据统计结果，明确工作日和节假日的日负荷差异较大，因此将日类型分为工作日和节假日。表2工作日和节假日的单因素方差分析然后对工作日，以15分钟为间隔将所有工作日对应的96点的日负荷数据曲线作为特征，通过k-means聚类分析方法进行聚类。最终得到日类型的划分结果。在具体实施例中，优选地，日类型划分为节假日、正常工作日(周二、周三、周四)和临假工作日(周一、周五)。在其它的实施例中，可以根据实际情况将日类型分为其它若干类型。(3)基于多元线性回归的电力短期负荷预测方法。步骤3.1：进行数据预处理，以日期信息(年/月/日)和具体时刻(时/分)为基础，将日期、时刻、日类型、对应时刻天气和负荷信息进行数据融合，形成特征向量，特征向量的表示见表3。表3多元线性回归模型的特征向量表示步骤3.2：将步骤3.1中的特征向量视为自变量x，对应特征向量时刻的负荷视为因变量y，构造多元线性回归模型(multivariablelinearregressionmodel)：y(x1,x2,…,xn)＝w1x1+w2x2+…+wnxn+b＝wx+b其中x＝(x1,x2,…,xk)为自变量，为w＝(w1,w2,…,wk)回归系数，b为常数项，n为样本容量。结合特征向量，可将短期负荷预测表达为如下的多元线性回归方程：l＝w1·wind_dir+w2·wind_speed+w3·precip+w4·temper+w5·humid+w6·pressure+w7·cloud+w8·load-1+w9·load-2+w10·load-3+w11·load-4+w12·load-5+w13·load-6+w14·load-7+b定义损失函数为loss＝∑i(li-l′i)2，其中li为该时刻的实际负荷值，l′i为对应该时刻通过多元线性回归模型计算得到的预测负荷值；将训练数据按日类型的不同(节假日、工作日和临假工作日)，分为三个训练数据集，分别进行训练，得到三个短期负荷预测模型。(4)在深度学习框架下，对节假日、工作日和临假工作日三类数据分别进行多元线性回归模型训练，并采用梯度下降法(gradientdescent)进行模型参数调优，构造出三种短期负荷预测模型；模型检验，按日类型的不同自动将检测数据输入不同的负荷预测模型中，得到相应的短期负荷预测值，然后计算均方根误差rmse，平均绝对百分误差mape，得到短期负荷预测模型的正确率。步骤4中，本发明采用tensorflow深度学习框架进行模型训练、调优及模型验证，并用tensorboard工具自动绘制流程图，其中模型训练、调优流程以及模型验证流程的实现方法都为现有技术，在此不做赘述。利用2017年4月1日至2017年5月31日某地区的短期负荷和天气数据进行训练和测试。表4为不区分日类型与区分日类型后负荷预测的rmse、mape、预测精度的结果比较。可以看出，将日类型进行划分后，负荷预测精度有明显的提高。表4计算结果比较方法rmsemape预测精度不区分日类型502.0930.03296.831％区分日类型258.8940.01498.585％本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。当前第1页12