短期负荷预测方法、系统以及存储介质与流程

本发明涉负荷预测技术领域，特别是涉及一种短期负荷预测方法、系统以及存储介质。

背景技术：

电力系统短期负荷预测具有重要的功能和意义，短期负荷预测在电力系统运行中起着重要作用。因为电能不能大量储存，电能的产生、传输、配送、消耗，必须在同时进行，机组的功率输出应跟随保持功率平衡的负荷曲线。因此，负载应提前预测，以便更好地安排发电机组。此外，负荷预测还提供电力市场，尤其是现货市场参与者参与解除管制投标的基本依据。负载高精度的预测有助于提高电力系统运行的经济效益，因此研究一套能够提高短期负荷的精确度的方法，显得格外重要。

技术实现要素：

基于此，有必要提供一种短期负荷预测方法、系统以及存储介质，以提高短期负荷预测准确性，保证电网的精确调度和稳定运行。

本发明提供了一种短期负荷预测方法，包括：

获取负荷数据时间序列历史数据；

对所述负荷数据时间序列历史数据进行分解，获取基础分量和天气敏感分量；

基于holt-winters模型和所述基础分量得到所述基础分量的预测结果，以及基于训练完的回归模型和所述天气敏感分量得到天气敏感分量的预测结果；

根据所述基础分量的预测结果和所述天气敏感分量的预测结果得到并输出负荷预测值。

在其中一个实施例中，所述对所述负荷数据时间序列历史数据进行分解，包括：

将所述时间序列分解为趋势项、季节项和残差项；

利用局部加权回归散点平滑法，对所述趋势项和所述季节项进行分解，得到随时间变换的所述基础分量。

在其中一个实施例中，所述局部加权回归散点平滑法由内部回路和外部回路组成，其中所述基础分量是利用所述内部回路对所述趋势项和所述季节项进行分解得到的。

在其中一个实施例中，holt-winters模型包括预测方程和状态转换方程；

所述状态转换方程为：

所述预测方程为：

其中，xt为t时刻的实际负荷，为t+i时刻的所述基础分量的预测结果，bi和pi为所述残差项、所述趋势项和所述季节项的估计值，lt为中间量，k表示所述季节项的时间段，α，β和γ为取值范围在0-1之间的平滑因子。

在其中一个实施例中，所述基于holt-winters模型和所述基础分量得到所述基础分量的预测结果，包括：

根据所述基础分量和所述状态转换方程得到所述残差项、所述趋势项和所述季节项的估计值；

根据所述残差项、所述趋势项和所述季节项的估计值，以及所述预测方程得到所述基础分量的预测结果。

在其中一个实施例中，所述训练完的回归模型为

其中，xi为输入所述天气敏感分量，yi为输出的所述天气敏感分量，ξi和分别是训练误差的下限和上限，c为成本误差，ε和分别为控制回归的质量的参数和函数。

在其中一个实施例中，在基于所述训练完的回归模型和所述天气敏感分量得到天气敏感分量的预测结果之前，所述短期负荷预测方法还包括：

利用支持向量机和给定训练样本对预设回归模型进行训练，获得所述训练完的回归模型。

在其中一个实施例中，在获得所述训练完的回归模型之前，所述短期负荷预测方法还包括：

在预设时间段内，获取多个负荷数据时间序列历史数据和多个气象历史数据；

对所述多个负荷数据时间序列历史数据进行分解，获取多个天气敏感分量历史数据；

根据所述多个天气敏感分量历史数据和所述多个气象历史数据，建立所述训练样本。

在其中一个实施例中，所述根据所述基础分量的预测结果和所述天气敏感分量的预测结果得到所述负荷预测值，包括：

将所述基础分量的预测结果和所述天气敏感分量的预测结果相叠加，得到所述负荷预测值。

基于同一发明构思，本发明实施例还提供了一种短期负荷预测系统，所述短期负荷预测系统包括：

至少一个处理器；

与所述至少一个处理器通信连接的存储器，所述存储器存储有至少一个处理器可执行的计算机指令，所述计算机指令由所述至少一个处理器执行时使得所述至少一个处理器实现上述任一权项所述的方法步骤。

基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器执行时实现上述任一实施例所述方法的步骤。

综上，本发明提供了一种短期负荷预测方法、系统以及存储介质。所述方法包括获取负荷数据时间序列历史数据；对所述负荷数据时间序列历史数据进行分解，获取基础分量和天气敏感分量；基于holt-winters模型和所述基础分量得到所述基础分量的预测结果，以及基于回归模型和所述天气敏感分量得到天气敏感分量的预测结果；根据所述基础分量的预测结果和所述天气敏感分量的预测结果得到并输出负荷预测值。本发明中，将负荷分解成基础分量和天气敏感分量两部分，并基于holt-winters模型和所述基础分量得到所述基础分量的预测结果，以及基于回归模型和所述天气敏感分量得到天气敏感分量的预测结果，从而提高了短期负荷预测的高效性和精确性。

附图说明

图1为本发明实施例提供的一种短期负荷预测方法的流程示意图；

图2为本发明实施例提供的另一种短期负荷预测方法的流程示意图；

图3为本发明实施例提供的一种利用局部加权回归散点平滑分解法对季节项和趋势项进行分解的方法流程示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

请参见图1和图2，本发明实施例提供了一种短期负荷预测方法，包括：

步骤s110，获取负荷数据时间序列历史数据；

步骤s120，对所述负荷数据时间序列历史数据进行分解，获取基础分量和天气敏感分量；

步骤s130，基于holt-winters模型和所述基础分量得到所述基础分量的预测结果，以及基于训练完的回归模型和所述天气敏感分量得到天气敏感分量的预测结果；

步骤s140，根据所述基础分量的预测结果和所述天气敏感分量的预测结果得到并输出负荷预测值。

本实施例中，将负荷分解成基础分量和天气敏感分量两部分，并基于holt-winters模型和所述基础分量得到所述基础分量的预测结果，以及基于回归模型和所述天气敏感分量得到天气敏感分量的预测结果，从而提高了短期负荷预测的高效性和精确性。

在其中一个实施例中，所述对所述负荷数据时间序列历史数据进行分解，包括：

将所述时间序列分解为趋势项、季节项和残差项；

利用局部加权回归散点平滑法，对所述趋势项和所述季节项进行分解，得到随时间变换的所述基础分量。

可以理解，stl(seasonalandtrenddecompositionusingloess，)是以鲁棒局部加权回归作为平滑方法的时间序列分解方法，其中loess(locallyweightedscatterplotsmoothing,lowessorloess)为局部多项式回归拟合，是对两维散点图进行平滑的常用方法，它结合了传统线性回归的简洁性和非线性回归的灵活性。当要估计某个响应变量值时，先从其预测变量附近取一个数据子集，然后对该子集进行线性回归或二次回归，回归时采用加权最小二乘法，即越靠近估计点的值其权重越大，最后利用得到的局部回归模型来估计响应变量的值。用这种方法进行逐点运算得到整条拟合曲线。

请参见图3，本实施例中将所述时间序列分解为趋势项、季节项和残差项，其中趋势项、季节项在不受天气影响的情况下发生变化，构成负荷的基础分量，所述残差项构成负荷的天气敏感分量；然后利用局部加权回归散点平滑法，对所述趋势项和所述季节项进行分解，得到随时间变换的所述基础分量，即获取基础分量与时间的关系拟合曲线，提高基础分量采样点数据的准确性，进而提高得到的所述基础分量的预测结果的精确度。

在其中一个实施例中，所述局部加权回归散点平滑法由内部回路和外部回路组成，其中所述基础分量是利用所述内部回路对所述趋势项和所述季节项进行分解得到的。

可以理解，鲁棒局部加权回归法方法的loess过程和鲁棒性过程分别在stl的内部回路和外部回路中嵌套实现的。内部回路计算趋势回归和季节性模式，而外部回路主要控制异常值和内回路参数的影响。

在其中一个实施例中，holt-winters模型包括预测方程和状态转换方程；

所述状态转换方程为：

所述预测方程为：

其中，xt为t时刻的实际负荷，为t+i时刻的所述基础分量的预测结果，bi和pi为所述残差项、所述趋势项和所述季节项的估计值，lt为中间量，k表示所述季节项的时间段，α，β和γ为取值范围在0-1之间的平滑因子。

本实施例中，采用holt-winters模型对负荷基础分量进行预测。holt-winters模型是一个时间序列分析中常用的工具。它结合了指数平滑和状态空间方法。该模型由预测方程和状态转换方程(或三个平滑方程)组成。利用状态转换方程估计了该地区的残差、趋势和季节模式，并通过预测方程得到了预测结果。

在其中一个实施例中，所述基于holt-winters模型和所述基础分量得到所述基础分量的预测结果，包括：

根据所述基础分量和所述状态转换方程得到所述残差项、所述趋势项和所述季节项的估计值；

根据所述残差项、所述趋势项和所述季节项的估计值，以及所述预测方程得到所述基础分量的预测结果。

在其中一个实施例中，所述回归模型为

其中，xi为输入所述天气敏感分量，yi为输出的所述天气敏感分量，ξi和分别是训练误差的下限和上限，c为成本误差，ε和分别为控制回归的质量的参数和函数。从所述回归模型可以看出，xi通过函数被映射为更高维空间，以建立空间中的回归模型。

在其中一个实施例中，在基于所述回归模型和所述天气敏感分量得到天气敏感分量的预测结果之前，所述短期负荷预测方法还包括：

利用支持向量机和给定训练样本对预设回归模型进行训练，获得所述训练完的回归模型。

可以理解，支持向量机(supportvectormachine,svm)是一种用于数据分类和回归等有监督学习任务的强大工具。支持向量机是基于结构风险最小化(structureriskminimization,srm)原理的，这使得对有限的训练实例有了更好的概括。它们可以平衡计算复杂性和学习能力。

给定训练样本(x1,y1),…,(xn,yn)，其中xi为输入特征向量，yi为相应的输出向量，利用svm对预设回归模型中的各个参数进行优化，得到所述训练完的回归模型。

在其中一个实施例中，在获得所述回归模型之前，所述短期负荷预测方法还包括：

在预设时间段内，获取多个负荷数据时间序列历史数据和多个气象历史数据；

对所述多个负荷数据时间序列历史数据进行分解，获取多个天气敏感分量历史数据；

根据所述多个天气敏感分量历史数据和所述多个气象历史数据，建立所述训练样本。

例如，选取连续30日内的负荷数据时间序列历史数据和气象历史数据，采样频率为1个数据点/小时，得到包括720组数据的训练样本，经过利用svm，采用经验风险最小化准则对预设回归模型中的各个参数进行优化，求得的最优解就接近实际的最优解。

在其中一个实施例中，所述根据所述基础分量的预测结果和所述天气敏感分量的预测结果得到所述负荷预测值，包括：

将所述基础分量的预测结果和所述天气敏感分量的预测结果相叠加，得到所述负荷预测值。

基于同一发明构思，本发明实施例还提供了一种短期负荷预测系统，所述短期负荷预测系统包括：

至少一个处理器；

与所述至少一个处理器通信连接的存储器，所述存储器存储有至少一个处理器可执行的计算机指令，所述计算机指令由所述至少一个处理器执行时使得所述至少一个处理器实现上述任一权项所述的方法步骤。

基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器执行时实现上述任一实施例所述方法的步骤。

综上，本发明提供了一种短期负荷预测方法、系统以及存储介质。所述方法包括获取负荷数据时间序列历史数据；对所述负荷数据时间序列历史数据进行分解，获取基础分量和天气敏感分量；基于holt-winters模型和所述基础分量得到所述基础分量的预测结果，以及基于回归模型和所述天气敏感分量得到天气敏感分量的预测结果；根据所述基础分量的预测结果和所述天气敏感分量的预测结果得到并输出负荷预测值。本发明中，将负荷分解成基础分量和天气敏感分量两部分，并基于holt-winters模型和所述基础分量得到所述基础分量的预测结果，以及基于回归模型和所述天气敏感分量得到天气敏感分量的预测结果，从而提高了短期负荷预测的高效性和精确性。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。