一种母线负荷关键指标筛选方法、系统及相关装置与流程

本申请涉及电力系统调度运行领域，特别涉及一种母线负荷关键指标筛选方法、系统、设备及计算机可读存储介质。

背景技术：

母线负荷预测是电力系统调度运行关键技术，母线负荷预测结果的准确性对调度计划、安全校核、市场交易等影响显著。传统的母线负荷预测主要基于“时序外推+相关因素分析”相结合的技术路线实现，其基本思路是在时序外推的预测结果基础上，结合气温、降水、风力等相关指标对预测结果修正，以得到最终的负荷预测方法。然而，不同地区的母线负荷组成不同、特性迥异，如何筛选关键相关指标成为上述预测方法准确率提升的关键。传统模式下关键相关指标的筛选方法包括如下关键步骤：

(1)给定相关性阈值/相关指标比例

人工给定相关性阈值λ^set/相关指标比例χ^set，以此作为最终关键指标集筛选的标准。

(2)指标数值归一化

采用线性拟合、s型曲线拟合等方式将待预测的母线负荷指标与各相关因素指标的数值进行归一化处理，将其转化为取值0至1之间的数值。

(3)计算指标相关性因数

指标相关性因数是统计学中常见指标，两个指标α¹、α²的相关性因数λα1,α2可表示如下：

上式中，α¹、α²分别为指标α¹、α²的历史数据时序向量，cov(α¹,α²)为两个指标数据向量的协方差，var(α¹)、var(α²)分别为其方差。

(4)选定关键相关指标

根据人工给定的相关性阈值或相关指标比例选定关键相关指标。若采用人工给定相关性阈值方法，则满足的指标均列入关键相关指标集；若采用人工给定相关指标比例的方法，则按照从高到低，筛选出相关性因数高且数量符合比例要求的关键相关指标。

上述筛选出的关键相关指标将按照其与母线负荷之间的相关性因数对母线负荷预测结果进行修正，其修正公式如下：

上式中，load^b、load^a分别为修正前后的母线负荷预测值，i∈key表示属于关键相关指标集key的指标项i，indexi为指标i的预测数值，λi,l为该指标与母线负荷之间的相关性因数，ε为关键相关因数的修正系数，由人工经验给定。

根据上述关键相关指标修正母线负荷预测方法的实施流程可以看出，上述筛选方法存在如下问题：筛选阶段仅考虑了单个指标与母线负荷之间的相关性，未考虑纳入指标集后指标间的替代、重叠关系，可能造成所筛选的关键相关指标集整体与母线负荷之间的相关因数下降，修正效果不显著的问题，也即导致母线负荷预测结果准确率低。

因此，如何能够筛选出训练精度较高的关键指标，进而提高母线负荷预测结果的准确性是本领域技术人员亟需解决的技术问题。

技术实现要素：

本申请的目的是提供一种母线负荷关键指标筛选方法、系统、设备及计算机可读存储介质，能够筛选出训练精度较高的关键指标，进而提高母线负荷预测结果的准确性。

为解决上述技术问题，本申请提供一种母线负荷关键指标筛选方法，包括：

根据各个指标与母线负荷之间的相关性因数，将各个所述指标按照从大到小进行排序，得到指标排序表；

按照所述指标排序表依次将各个所述指标纳入关键相关指标集，并分别计算各个所述指标纳入所述关键相关指标集前后的预测精度增幅；

判断所述预测精度增幅是否大于相关性精度阈值；

若是，则执行保留相应的指标在所述关键相关指标集的操作；

若否，则执行剔除相应的指标的操作。

优选地，所述根据各个指标与母线负荷之间的相关性因数，将各个所述指标按照从大到小进行排序，得到指标排序表，包括：

在利用线性拟合方式将各个所述指标的数值和所述母线负荷的数值进行归一化处理后，利用相关性因数公式计算各个所述指标与所述母线负荷之间的所述相关性因数；

根据各个所述指标与所述母线负荷之间的所述相关性因数，将各个所述指标按照从大到小进行排序，得到所述指标排序表。

优选地，所述分别计算各个所述指标纳入所述关键相关指标集前后的预测精度增幅，包括：

计算各个所述指标纳入所述关键相关指标集前预设时段内的第一平均预测精度；

计算各个所述指标纳入所述关键相关指标集后所述预设时段内的第二平均预测精度；

将所述第二平均预测精度和所述第一平均预测精度进行作差操作，得到所述预测精度增幅。

优选地，在执行保留相应的指标在所述关键相关指标集的操作之后，还包括：

判断所述关键相关指标集中所述指标的数量是否达到预设的相关指标比例要求；

若是，则执行结束关键指标筛选的操作。

本申请还提供一种母线负荷关键指标筛选系统，包括：

指标排序模块，用于根据各个指标与母线负荷之间的相关性因数，将各个所述指标按照从大到小进行排序，得到指标排序表；

预测精度增幅计算模块，用于按照所述指标排序表依次将各个所述指标纳入关键相关指标集，并分别计算各个所述指标纳入所述关键相关指标集前后的预测精度增幅；

精度判断模块，用于判断所述预测精度增幅是否大于相关性精度阈值；

指标保留操作执行模块，用于若所述预测精度增幅大于所述相关性精度阈值，则执行保留相应的指标在所述关键相关指标集的操作；

指标剔除操作执行模块，用于若所述预测精度增幅不大于所述相关性精度阈值，则执行剔除相应的指标的操作。

优选地，所述指标排序模块，包括：

相关性因数计算单元，用于在利用线性拟合方式将各个所述指标的数值和所述母线负荷的数值进行归一化处理后，利用相关性因数公式计算各个所述指标与所述母线负荷之间的所述相关性因数；

指标排序单元，用于根据各个所述指标与所述母线负荷之间的所述相关性因数，将各个所述指标按照从大到小进行排序，得到所述指标排序表。

优选地，所述预测精度增幅计算模块，包括：

第一平均预测精度计算单元，用于计算各个所述指标纳入所述关键相关指标集前预设时段内的第一平均预测精度；

第二平均预测精度计算单元，用于计算各个所述指标纳入所述关键相关指标集后所述预设时段内的第二平均预测精度；

预测精度增幅计算单元，用于将所述第二平均预测精度和所述第一平均预测精度进行作差操作，得到所述预测精度增幅。

优选地，该母线负荷关键指标筛选系统还包括：

数量判断模块，用于判断所述关键相关指标集中所述指标的数量是否达到预设的相关指标比例要求；

关键指标筛选操作结束执行模块，用于若所述关键相关指标集中所述指标的所述数量达到所述预设的相关指标比例要求，则执行结束关键指标筛选的操作。

本申请还提供一种设备，包括：

存储器和处理器；其中，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现上述所述的母线负荷关键指标筛选方法的步骤。

本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的母线负荷关键指标筛选方法的步骤。

本申请所提供的一种母线负荷关键指标筛选方法，包括：根据各个指标与母线负荷之间的相关性因数，将各个所述指标按照从大到小进行排序，得到指标排序表；按照所述指标排序表依次将各个所述指标纳入关键相关指标集，并分别计算各个所述指标纳入所述关键相关指标集前后的预测精度增幅；判断所述预测精度增幅是否大于相关性精度阈值；若是，则执行保留相应的指标在所述关键相关指标集的操作；若否，则执行剔除相应的指标的操作。

该方法按照所述指标排序表依次将各个所述指标纳入关键相关指标集，并分别计算各个所述指标纳入所述关键相关指标集前后的预测精度增幅，再判断所述预测精度增幅是否大于相关性精度阈值；若是，则执行保留相应的指标在所述关键相关指标集的操作；若否，则执行剔除相应的指标的操作。可见，该方法能够保证筛选出的关键指标的训练精度，故能够提高母线负荷预测结果的准确性。本申请还提供一种母线负荷关键指标筛选系统、设备及计算机可读存储介质，均具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例所提供的一种母线负荷关键指标筛选方法的流程图；

图2为本申请实施例所提供的一种母线负荷关键指标筛选系统的结构框图。

具体实施方式

本申请的核心是提供一种母线负荷关键指标筛选方法，能够筛选出训练精度较高的关键指标，进而提高母线负荷预测结果的准确性。本申请的另一核心是提供一种母线负荷关键指标筛选系统、设备及计算机可读存储介质。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

传统的母线负荷关键指标筛选方法主要是仅根据各个指标与母线负荷之间的相关性进行筛选，而忽略了各个指标之间的相关性，导致筛选出的关键指标的训练精度较低，母线负荷预测结果的准确性较低。本申请提供的一种母线负荷关键指标筛选方法，能够筛选出训练精度较高的关键指标，进而提高母线负荷预测结果的准确性，具体请参考图1，图1为本申请实施例所提供的一种母线负荷关键指标筛选方法的流程图，该母线负荷关键指标筛选方法具体包括：

s101、根据各个指标与母线负荷之间的相关性因数，将各个指标按照从大到小进行排序，得到指标排序表；

本申请实施例先是根据各个指标与母线负荷之间的相关性因数，将各个指标按照从大到小进行排序，得到指标排序表。在此对指标的种类和数量均不作具体限定，应由本领域技术人员根据实际情况作出相应的设定，该指标可以是气温、降水、风力等。在此对本申请实施例中各个指标与母线负荷之间的相关性因数的获取方式和各个相关性因数的数值大小均不作具体限定，需根据实际情况而定。由于对各个指标与母线负荷之间的相关性因数的数值大小不作具体限定，故对将各个指标按照从大到小进行排序得到的指标排序表也不作具体限定。

进一步地，根据各个指标与母线负荷之间的相关性因数，将各个指标按照从大到小进行排序，得到指标排序表，通常包括：在利用线性拟合方式将各个指标的数值和母线负荷的数值进行归一化处理后，利用相关性因数公式计算各个指标与母线负荷之间的相关性因数；根据各个指标与母线负荷之间的相关性因数，将各个指标按照从大到小进行排序，得到指标排序表。本申请实施例的归一化处理方式采用的是线性拟合方式，此外还可以使用s型曲线拟合等方式。上述过程具体说明如下：采用线性拟合、s型曲线拟合等方式将待预测的母线负荷指标与各相关因素指标的数值进行归一化处理，将其转化为取值0至1之间的数值。结合本发明实际，推荐采用线性拟合方式对指标数据进行归一化处理，公式如下：

上式中，为指标i归一化前、后的数值，为人工给定的取值上、下限。如上式所示，当指标数值超过给定上限时，取值为1；低于给定下限时，取值为0；在给定值范围内线性化处理。

逐一计算母线负荷与各待分析的指标之间的相关性因数，其公式可表示为：

式中λαi,β为指标i与母线负荷β之间的相关性因数，αⁱ、β分别为指标和母线负荷的历史数据时序向量，cov(αⁱ,β)为两个指标数据向量的协方差，var(αⁱ)、var(β)分别为其方差。按照各指标与母线负荷之间的相关性因数对其从大到小排序，得到指标排序表。

s102、按照指标排序表依次将各个指标纳入关键相关指标集，并分别计算各个指标纳入关键相关指标集前后的预测精度增幅；

本申请在得到指标排序表后，按照指标排序表依次将各个指标纳入关键相关指标集，并分别计算各个指标纳入关键相关指标集前后的预测精度增幅。在此对各个指标对应的预测精度增幅均不作具体限定，需根据实际情况而定。

进一步地，分别计算各个指标纳入关键相关指标集前后的预测精度增幅，通常包括：计算各个指标纳入关键相关指标集前预设时段内的第一平均预测精度；计算各个指标纳入关键相关指标集后预设时段内的第二平均预测精度；将第二平均预测精度和第一平均预测精度进行作差操作，得到预测精度增幅。上述第一平均预测精度、第二平均预测精度分别为指标纳入关键相关指标集前后预设时段内的平均预测精度，在此对预设时段的不作具体限定。下面以指标排序表中排序第一的指标为例，对上述过程进行具体说明：将排序第一的指标项纳入该母线负荷的关键相关指标集中，计算关键相关指标集训练精度。所谓训练精度，是指按照现有的关键相关指标集利用历史数据统计得到的预测平均精度。该步骤实施流程如下：

1)基于历史数据测算一定时间范围内的预测结果；

根据历史数据，统计一定时间内由关键相关指标修正得到的逐日母线负荷预测结果。其中第t天的预测公式可表示为：

式中为修正前后第t天母线负荷预测值，i∈key表示属于关键相关指标集key的指标项i，indexi,t为第t天指标i的预测数值，λi,l为该指标与母线负荷之间的相关性因数，ε为关键相关因数的修正系数，由人工经验给定。

2)统计预测精度及增加幅度；

指标i纳入关键相关指标后的预测精度为将该指标纳入关键相关指标后在该时段范围内平均预测精度，可表示如下：

式中，ηt为该周期内指标i纳入后的平均预测精度，ηt为第t天的预测精度，nt为该周期天数，t∈t表示属于该周期t的第t天，为第t天的实际母线负荷指标。

指标i纳入前后的增幅为将该指标纳入前后的平均预测精度之差，可表示为：

δη(i)＝ηt(i)-ηt(～i)

式中δη(i)为指标i纳入前后的预测精度增幅，ηt(～i)、ηt(i)为纳入前、后由上面ηt计算公式计算得到的平均预测精度。需要特别说明的是关键相关指标中仅有一项指标时，不需要计算该增幅，直接考虑增加下一项指标的情况。

s103、判断预测精度增幅是否大于相关性精度阈值；

s104、若预测精度增幅大于相关性精度阈值，则执行保留相应的指标在关键相关指标集的操作；

s105、若预测精度增幅不大于相关性精度阈值，则执行剔除相应的指标的操作。

本申请实施例在计算各个指标纳入关键相关指标集前后的预测精度增幅后，判断预测精度增幅是否大于相关性精度阈值；若预测精度增幅大于相关性精度阈值，则执行保留相应的指标在关键相关指标集的操作；若预测精度增幅不大于相关性精度阈值，则执行剔除相应的指标的操作。进一步地，在执行保留相应的指标在关键相关指标集的操作之后，通常还包括：判断关键相关指标集中指标的数量是否达到预设的相关指标比例要求；若是，则执行结束关键指标筛选的操作。本申请实施例中相关性精度阈值，即为相关性精度要求，通常设为λ^set，上述相关指标比例要求，通常设为χ^set。在此对相关性精度要求和相关指标比例要求均不作具体限定，应由本领域技术人员根据实际情况作出相应的设定，相关性精度要求用于判定关键相关指标集的训练精度是否满足要求；相关指标比例要求用于限定关键相关指标集中的指标数量，避免指标项过多，造成过拟合等问题。下面对上述过程作具体说明：当指标纳入关键相关指标后，若其预测精度增幅超过给定相关性精度要求，即满足：δη(i)≥λ^set，则表明该指标符合纳入条件，可将其纳入关键相关指标，并判定是否遍历所有指标；否则，判定关键相关指标数量，也即判定指标i纳入关键相关指标后关键相关指标集中指标数量与总指标数量的比例χ(i)，若达到给定限值，即满足：χ(i)≥χ^set，则结束；否则判定是否遍历所有指标并相应调整，也即判定是否遍历所有指标，若已经遍历，则结束；否则将选定比指标ⁱ排序下一位的指标项。

本申请按照指标排序表依次将各个指标纳入关键相关指标集，并分别计算各个指标纳入关键相关指标集前后的预测精度增幅，再判断预测精度增幅是否大于相关性精度阈值；若是，则执行保留相应的指标在关键相关指标集的操作；若否，则执行剔除相应的指标的操作。可见，该方法能够保证筛选出的关键指标的训练精度，故能够提高母线负荷预测结果的准确性。

下面对本申请实施例提供的一种母线负荷关键指标筛选系统、设备及计算机可读存储介质进行介绍，下文描述的母线负荷关键指标筛选系统、设备及计算机可读存储介质与上文描述的母线负荷关键指标筛选方法可相互对应参照。

请参考图2，图2为本申请实施例所提供的一种母线负荷关键指标筛选系统的结构框图；该母线负荷关键指标筛选系统包括：

指标排序模块201，用于根据各个指标与母线负荷之间的相关性因数，将各个指标按照从大到小进行排序，得到指标排序表；

预测精度增幅计算模块202，用于按照指标排序表依次将各个指标纳入关键相关指标集，并分别计算各个指标纳入关键相关指标集前后的预测精度增幅；

精度判断模块203，用于判断预测精度增幅是否大于相关性精度阈值；

指标保留操作执行模块204，用于若预测精度增幅大于相关性精度阈值，则执行保留相应的指标在关键相关指标集的操作；

指标剔除操作执行模块205，用于若预测精度增幅不大于相关性精度阈值，则执行剔除相应的指标的操作。

基于上述实施例，本实施例中指标排序模块201，通常包括：

相关性因数计算单元，用于在利用线性拟合方式将各个指标的数值和母线负荷的数值进行归一化处理后，利用相关性因数公式计算各个指标与母线负荷之间的相关性因数；

指标排序单元，用于根据各个指标与母线负荷之间的相关性因数，将各个指标按照从大到小进行排序，得到指标排序表。

基于上述实施例，本实施例中预测精度增幅计算模块202，通常包括：

第一平均预测精度计算单元，用于计算各个指标纳入关键相关指标集前预设时段内的第一平均预测精度；

第二平均预测精度计算单元，用于计算各个指标纳入关键相关指标集后预设时段内的第二平均预测精度；

预测精度增幅计算单元，用于将第二平均预测精度和第一平均预测精度进行作差操作，得到预测精度增幅。

基于上述实施例，本实施例中该母线负荷关键指标筛选系统还可以包括：

数量判断模块，用于判断关键相关指标集中指标的数量是否达到预设的相关指标比例要求；

关键指标筛选操作结束执行模块，用于若关键相关指标集中指标的数量达到预设的相关指标比例要求，则执行结束关键指标筛选的操作。

本申请还提供一种设备，包括：存储器和处理器；其中，存储器用于存储计算机程序，处理器用于执行计算机程序时实现上述任意实施例的母线负荷关键指标筛选方法的步骤。

本申请还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述任意实施例的母线负荷关键指标筛选方法的步骤。

该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的一种母线负荷关键指标筛选方法、系统、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。