一种基于云边协同的电网侧负荷预测方法和系统与流程

1.本发明涉及电网技术领域，尤其涉及一种基于云边协同的电网侧负荷预测方法和系统。


背景技术：

2.电网侧的用电负荷过大或者多小等对电网用电的供需平衡和用电安全等都会产生很多不利的因素。因此，需要对电网侧的用电负荷进行预测。
3.然而，现有的预测方法通常是采用人工或人机结合的方式进行预测，其预测效率和准确性都比较差，且通常只能实现总体预测，无法对单个用户进行预测。


技术实现要素：

4.本发明提供了一种基于云边协同的电网侧负荷预测方法和系统，以实现对电网侧以及电网侧单个用户的用电负荷进行预测。
5.根据本发明的一方面，提供了一种基于云边协同的电网侧负荷预测方法，该基于云边协同的电网侧负荷预测方法包括：
6.获取所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，以及第二类用户中各个用户在预设时段的分时电量数据；所述所有用户包括第一类用户和第二类用户；
7.根据第一类用户中各个用户的次日休假安排信息、实时电量数据、次日生产排期信息和次日气象预报数据，采用循环神经网络模型和多元线性回归模型融合算法，训练得到第一类用户中各个用户的次日分时电量预测值；
8.根据第二类用户中各个用户的次日休假安排信息、次日气象预报数据和在预设时段的分时电量数据，采用多元线性回归模型算法，训练得到第二类用户所有用户总的分时电量预测值；
9.根据第一类用户中各个用户次日分时电量预测值和第二类用户所有用户总的分时电量预测值确定电网侧次日分时电量。
10.可选地，所述次日生产排期信息包括次日是否更新停产/增产信息；
11.所述根据第一类用户中各个用户的次日休假安排信息、实时电量数据、次日生产排期信息和次日气象预报数据，采用循环神经网络模型和多元线性回归模型融合算法，训练得到第一类用户中各个用户的次日分时电量预测值，包括：
12.若次日更新停产/增产信息，则将第一类用户中各个用户的次日休假安排信息、实时电量数据、次日生产排期信息和次日气象预报数据编码成多维矩阵，并分别输入到循环神经网络模型和多元线性回归模型，输出得到第一类用户中各个用户的次日分时电量预测值；
13.若次日未更新停产/增产信息，则将第一类用户中各个用户的次日休假安排信息、实时电量数据和次日气象预报数据编码成多维矩阵，并分别输入到循环神经网络模型和多
元线性回归模型，输出得到第一类用户中各个用户的次日分时电量预测值。
14.可选地，所述根据第二类用户中各个用户的次日休假安排信息、次日气象预报数据和在预设时段的分时电量数据，采用多元线性回归模型算法，训练得到第二类用户所有用户总的分时电量预测值，包括：
15.将第二类用户中各个用户的次日休假安排信息、次日气象预报数据和第二类用户中各个用户在预设时段的分时电量数据编码成多维矩阵，并输入到多元线性回归模型，输出得到第二类用户所有用户总的分时电量预测值。
16.可选地，所述根据第一类用户中各个用户次日分时电量预测值和第二类用户所有用户总的分时电量预测值确定电网侧次日分时电量，包括：
17.将第一类用户中各个用户次日分时电量预测值和第二类用户所有用户总的分时电量预测值相加得到电网侧次日分时电量。
18.可选地，所述第一类用户为需要参加需求响应电力辅助服务活动的终端用户，所述第二类用户为不需要参加需求响应电力辅助服务活动的终端用户。
19.可选地，在根据第一类用户中各个用户次日分时电量预测值和第二类用户所有用户总的分时电量预测值确定电网侧次日分时电量之后，还包括：
20.根据电网侧次日分时电量的确定方法完成电网侧次月所有日期的分时电量预测；
21.并将次月所有日期的分时电量预测值相加，得到电网侧次月总电量。
22.可选地，在获取所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，以及第二类用户中各个用户在预设时段的分时电量数据之前，还包括：
23.获取所有用户的历史休假安排信息和历史气象预报数据，第一类用户中各个用户的历史分时电量数据和历史生产排期信息，以及第二类用户在预设时段之前的历史分时电量数据；
24.将第一类用户中各个用户的历史休假安排信息、历史分时电量数据、历史生产排期信息和历史气象数据分别输入到循环神经网络模型和多元线性回归模型训练；
25.将第二类用户中各个用户的历史休假安排信息、历史气象数据以及在预设时段之前的历史分时电量数据分别输入到循环神经网络模型和多元线性回归模型训练。
26.可选地，在获取所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，第二类用户中各个用户在预设时段的分时电量数据，以及所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，以及第二类用户中各个用户在预设时段的分时电量数据之前，还包括：
27.对所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，第二类用户中各个用户在预设时段的分时电量数据，以及所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，以及第二类用户中各个用户在预设时段的分时电量数据进行预处理，得到结构化的数据。
28.根据本发明的另一方面，提供了一种基于云边协同的电网侧负荷预测系统，该基于云边协同的电网侧负荷预测系统包括：算法服务模块和本地数据库；
29.所述算法服务模块用于从所述本地数据库获取所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，以及第二类用户中各个用户在预设时段的分时电量数据；所述所有用户包括第一类用户和第二类用户；
30.根据第一类用户中各个用户的次日休假安排信息、实时电量数据、次日生产排期信息和次日气象预报数据，采用循环神经网络模型和多元线性回归模型融合算法，训练得到第一类用户中各个用户的次日分时电量预测值；
31.根据第二类用户中各个用户的次日休假安排信息、次日气象预报数据和在预设时段的分时电量数据，采用多元线性回归模型算法，训练得到第二类用户所有用户总的分时电量预测值；
32.根据第一类用户中各个用户次日分时电量预测值和第二类用户所有用户总的分时电量预测值确定电网侧次日分时电量。
33.本发明实施例的技术方案，通过提供一种基于云边协同的电网侧负荷预测方法，通过该预测方法可以实现：将电网侧的用户进行分类，根据用户分类确定对应算法模型的输入数据，并采用不同的算法对两类用户的次日用电负荷进行单独预测，可以实现对单个用户的次日用电负荷进行预测，且按照用户分类确定对应算法模型的输入数据可以提高对单个用户预测的准确性，进而根据两类用户的单独预测结果确定电网侧的次日用电负荷，可以提高对电网侧的次日用电负荷预测的准确性，保障电网侧用电的供需平衡，保障电网的安全。且本实施例的技术方案可以实现对第一类用户的单个用户次日分时电量、第二类用户总的分时电量、电网侧次日分时电量进行综合预测，可以在实现多种预测的同时增加预测需求的选择性，扩大适用范围，提高适用性。
34.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
35.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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，还可以根据这些附图获得其他的附图。
36.图1是本发明实施例中提供的一种基于云边协同的电网侧负荷预测方法的流程图；
37.图2是本发明实施例中提供的另一种基于云边协同的电网侧负荷预测方法的流程图；
38.图3为本发明实施例中提供的一种基于云边协同的电网侧负荷预测系统的结构示意图；
39.图4是本发明实施例中提供的另一种基于云边协同的电网侧负荷预测系统的结构示意图；
40.图5是本发明实施例中提供的一种基于云边协同的电网侧负荷预测系统的信息传输示意图；
41.图6是本发明实施例中提供的基于云边协同的电网侧负荷预测方法的运行逻辑示意图。
具体实施方式
42.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
43.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
44.图1是本发明实施例中提供的一种基于云边协同的电网侧负荷预测方法的流程图，本实施例可适用于电网处理平台中，实现对电网侧用电负荷进行预测的情况，该方法可以由基于云边协同的电网侧负荷预测系统来执行，该基于云边协同的电网侧负荷预测系统可以采用硬件和/或软件的形式实现，该基于云边协同的电网侧负荷预测系统可配置于电网处理平台的处理器中。如图1所示，该方法包括如下步骤：
45.s110、获取所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，以及第二类用户中各个用户在预设时段的分时电量数据。
46.其中，次日休假安排信息是指各个用户次日是否为调休日和法定节假日等信息。通常，有些用户考虑到在调休日和法定节假日等由于员工休假可能会导致休假期间产能减少(对应的用电负荷也可能会减少)，则会选择在调休日和法定节假日之前和/或之后增加产能，导致用电负荷激增，因此，为了保障电网侧用电负荷的供需平衡和电网的安全，需要获取次日休假安排信息。
47.其中，次日气象预报数据是指由气象中心发出的各个用户所在地次日气象预报信息。
48.其中，所有用户包括第一类用户和第二类用户。可选地，第一类用户为需要参加需求响应电力辅助服务活动的终端用户，第二类用户为不需要参加需求响应电力辅助服务活动的终端用户。其中，第一类用户由于需要参加需求响应等电力辅助服务活动，为了准确预测单个用户和所有用户的次日用电预测，则需要获取第一类用户中各个用户的实时电量数据和次日生产排期信息。
49.其中，次日生产排期信息包括增产信息、停产信息等。其中，增产或停产都会影响用电负荷量。
50.其中，预设时段例如可以是某月的第3到第10天等，具体的时段可根据实际情况进
行设置，在此不做具体的限定。
51.s120、根据第一类用户中各个用户的次日休假安排信息、实时电量数据、次日生产排期信息和次日气象预报数据，采用循环神经网络模型和多元线性回归模型融合算法，训练得到第一类用户中各个用户的次日分时电量预测值。
52.其中，所有用户的次日休假安排信息和次日气象预报数据包括：第一类用户的次日休假安排信息和次日气象预报数据。
53.具体的，根据第一类用户中各个用户的次日休假安排信息、实时电量数据、次日生产排期信息和次日气象预报数据，采用现有的循环神经网络模型和多元线性回归模型融合算法，训练得到第一类用户中各个用户的次日分时电量预测值，与现有技术相比，可以实现对单个用户的次日用电负荷进行预测，提高单个用户用电需求响应的执行准确度，且通过将次日休假安排信息、实时电量数据、次日生产排期信息和次日气象预报数据这些多源数据通过融合算法训练，可以提高预测的准确性。
54.s130、根据第二类用户中各个用户的次日休假安排信息、次日气象预报数据和在预设时段的分时电量数据，采用多元线性回归模型算法，训练得到第二类用户所有用户总的分时电量预测值。
55.其中，所有用户的次日休假安排信息和次日气象预报数据包括：第二类用户的次日休假安排信息和次日气象预报数据。
56.具体的，根据第二类用户中各个用户的次日休假安排信息、次日气象预报数据和在预设时段的分时电量数据，采用现有的多元线性回归模型算法，训练得到第二类用户所有用户总的分时电量预测值，可以实现对第二类用户的总体用电量进行预测。
57.s140、根据第一类用户中各个用户次日分时电量预测值和第二类用户所有用户总的分时电量预测值确定电网侧次日分时电量。
58.其中，电网侧的所有用户包括第一类用户和第二类用户，因此，根据第一类用户中各个用户次日分时电量预测值和第二类用户所有用户总的分时电量预测值可以确定电网侧次日分时电量，实现对电网侧次日用电负荷进行预测，且通过对用户进行分类并单独进行预测，可以提高单独预测的准确性，进而提高电网侧总体次日用电负荷预测的准确性。
59.在本实施例的技术方案中，该基于云边协同的电网侧负荷预测方法的工作原理为：首先，获取所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，以及第二类用户中各个用户在预设时段的分时电量数据；所有用户包括第一类用户和第二类用户；根据第一类用户中各个用户的次日休假安排信息、实时电量数据、次日生产排期信息和次日气象预报数据，采用循环神经网络模型和多元线性回归模型融合算法，训练得到第一类用户中各个用户的次日分时电量预测值；根据第二类用户中各个用户的次日休假安排信息、次日气象预报数据和在预设时段的分时电量数据，采用多元线性回归模型算法，训练得到第二类用户所有用户总的分时电量预测值；根据第一类用户中各个用户次日分时电量预测值和第二类用户所有用户总的分时电量预测值确定电网侧次日分时电量。由此，通过该预测方法可以实现：将电网侧的用户进行分类，根据用户分类确定对应算法模型的输入数据，并采用不同的算法对两类用户的次日用电负荷进行单独预测，可以实现对单个用户的次日用电负荷进行预测，且按照用户分类确定对应算法模型的输入数据可以提高对单个用户预测的准确性，进而根据两类用户的单独
预测结果确定电网侧的次日用电负荷，可以提高对电网侧的次日用电负荷预测的准确性，保障电网侧用电的供需平衡，保障电网的安全。且本实施例的技术方案可以实现对第一类用户的单个用户次日分时电量、第二类用户总的分时电量、电网侧次日分时电量进行综合预测，可以在实现多种预测的同时增加预测需求的选择性，扩大适用范围，提高适用性。
60.图2是本发明实施例中提供的另一种基于云边协同的电网侧负荷预测方法的流程图。作为一种实施方式，可选地，参考图2，该方法包括如下步骤：
61.s210、获取所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，以及第二类用户中各个用户在预设时段的分时电量数据。
62.s220、若次日更新停产/增产信息，则将第一类用户中各个用户的次日休假安排信息、实时电量数据、次日生产排期信息和次日气象预报数据编码成多维矩阵，并分别输入到循环神经网络模型和多元线性回归模型，输出得到第一类用户中各个用户的次日分时电量预测值。
63.其中，次日生产排期信息包括次日是否更新停产/增产信息。其中，更新增产或停产都会影响用电负荷量。例如，某用户更新增产，则会因为增产增加用电负荷量，用电负荷量增大可能会引起电网侧用电的供需不平衡。因此，在对单个用户进行负荷预测时需要考虑其次日是否更新停产/增产信息。
64.其中，多维循环神经网络模型能更好地关注过去一周左右的负荷变化规律，提取时序数据的邻域特征。而多元线性回归模型能将时序数据进行长中短周期分解，重点关注年、月周期的负荷变化规律。对于气象数据、法定节假日调休日、用户填报的停产/增产信息，多维循环神经网络和多元线性回归模型分别将它们编码后作为输入数据的不同维度进行混合计算。
65.具体的，如果第一类用户中存在用户出现更新停产/增产信息，说明该用户的用电量发生变化，则将该用户的次日休假安排信息、实时电量数据、次日生产排期信息和次日气象预报数据编码成多维矩阵，并分别输入到循环神经网络模型和多元线性回归模型，输出该用户的次日分时电量预测值，从而实现对该单个用户的次日用电量进行预测。
66.s230、若次日未更新停产/增产信息，则将第一类用户中各个用户的次日休假安排信息、实时电量数据和次日气象预报数据编码成多维矩阵，并分别输入到循环神经网络模型和多元线性回归模型，输出得到第一类用户中各个用户的次日分时电量预测值。
67.具体的，如果第一类用户中存在用户未出现更新停产/增产信息，说明该用户的用电量不会由于更新停产/增产而发生变化，则将该用户的次日休假安排信息、实时电量数据和次日气象预报数据编码成多维矩阵，并分别输入到循环神经网络模型和多元线性回归模型，输出该用户的次日分时电量预测值，从而实现对该单个用户的次日用电量进行预测。
68.s240、将第二类用户中各个用户的次日休假安排信息、次日气象预报数据和第二类用户中各个用户在预设时段的分时电量数据编码成多维矩阵，并输入到多元线性回归模型，输出得到第二类用户所有用户总的分时电量预测值。
69.其中，与单个用户预测不同，在数据滞后效应明显的状态下，循环神经网络模型并不能很好地发挥作用。如果采用集成学习的方法将其融入，反而会拖累最终的预测准确率。因此对第二类用户总体负荷预测时单独使用多元线性回归模型。由于第二类用户不需要考
虑生产排期信息和实时电量数据，因此对第二类用户(未装智能表计的用户)进行单独预测意义不大。因此将这些用户作为一个整体，统计并预测各时段的总电量。
70.可选地，在获取所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，以及第二类用户中各个用户在预设时段的分时电量数据之前，还包括：
71.获取所有用户的历史休假安排信息和历史气象预报数据，第一类用户中各个用户的历史分时电量数据和历史生产排期信息，以及第二类用户在预设时段之前的历史分时电量数据；
72.将第一类用户中各个用户的历史休假安排信息、历史分时电量数据、历史生产排期信息和历史气象数据分别输入到循环神经网络模型和多元线性回归模型训练；
73.将第二类用户中各个用户的历史休假安排信息、历史气象数据以及在预设时段之前的历史分时电量数据分别输入到循环神经网络模型和多元线性回归模型训练。
74.s250、将第一类用户中各个用户次日分时电量预测值和第二类用户所有用户总的分时电量预测值相加得到电网侧次日分时电量。
75.s260、根据电网侧次日分时电量的确定方法完成电网侧次月所有日期的分时电量预测；并将次月所有日期的分时电量预测值相加，得到电网侧次月总电量。
76.其中，电网侧次日分时电量的确定方法是指根据上述步骤s240和s250循环操作直至完成电网侧次月的所有日期的分时电量预测。例如，设当前日期是当月的最后一天31号，设次月总共有30天，则按照上述步骤s240和s250可以预测出电网侧次日(也就是下个月的1号)分时电量，然后再按照上述步骤s240和s250预测出电网侧下个月2号的分时电量，以此类推，循环操作，直到完成下个月(工30天)每一天的分时电量预测，最后，将这30天的分时电量预测值求和，可以得到电网侧次月的总电量。
77.在本实施例的技术方案中，该基于云边协同的电网侧负荷预测方法的工作原理为：首先，获取所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，以及第二类用户中各个用户在预设时段的分时电量数据；所有用户包括第一类用户和第二类用户；然后，判断第一类用户中的各个用户是否出现次日更新停产/增产信息。若次日更新停产/增产信息，则将第一类用户中各个用户的次日休假安排信息、实时电量数据、次日生产排期信息和次日气象预报数据编码成多维矩阵，并分别输入到循环神经网络模型和多元线性回归模型，输出得到第一类用户中各个用户的次日分时电量预测值；若次日未更新停产/增产信息，则将第一类用户中各个用户的次日休假安排信息、实时电量数据和次日气象预报数据编码成多维矩阵，并分别输入到循环神经网络模型和多元线性回归模型，输出得到第一类用户中各个用户的次日分时电量预测值。然后，将第二类用户中各个用户的次日休假安排信息、次日气象预报数据和第二类用户中各个用户在预设时段的分时电量数据编码成多维矩阵，并输入到多元线性回归模型，输出得到第二类用户所有用户总的分时电量预测值。并将第一类用户中各个用户次日分时电量预测值和第二类用户所有用户总的分时电量预测值相加得到电网侧次日分时电量。最后，根据电网侧次日分时电量的确定方法完成电网侧次月所有日期的分时电量预测；并将次月所有日期的分时电量预测值相加，得到电网侧次月总电量。由此，通过该预测方法可以实现：将电网侧的用户进行分类，根据用户分类确定对应算法模型的输入数据，并采用不同的
算法对两类用户的次日用电负荷进行单独预测，可以实现对单个用户的次日用电负荷进行预测，且按照用户分类确定对应算法模型的输入数据可以提高对单个用户预测的准确性，进而根据两类用户的单独预测结果确定电网侧的次日用电负荷，可以提高对电网侧的次日用电负荷预测的准确性，保障电网侧用电的供需平衡，保障电网的安全。且本实施例的技术方案可以实现对第一类用户的单个用户次日分时电量、第二类用户总的分时电量、电网侧次日分时电量以及电网侧次月的分时电量进行综合预测，可以在实现多种预测的同时增加预测需求的选择性，扩大适用范围，提高适用性。
78.可选地，在获取所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，第二类用户中各个用户在预设时段的分时电量数据，以及所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，以及第二类用户中各个用户在预设时段的分时电量数据之前，还包括：
79.对所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，第二类用户中各个用户在预设时段的分时电量数据，以及所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，以及第二类用户中各个用户在预设时段的分时电量数据进行预处理，得到结构化的数据。
80.其中，对数据进行预处理的方法包括对数据进行筛选、分类、编码、特征提取、数据格式修正、滤波去噪缺失值补充等中的至少一种。具体的预处理方法可以根据具体的数据和实际情况进行设置，在此不做具体的限定。
81.图3为本发明实施例中提供的一种基于云边协同的电网侧负荷预测系统的结构示意图。如图3所示，该装置100包括：算法服务模块10和本地数据库20；算法服务模块10用于从本地数据库20获取所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，以及第二类用户中各个用户在预设时段的分时电量数据；所有用户包括第一类用户和第二类用户；根据第一类用户中各个用户的次日休假安排信息、实时电量数据、次日生产排期信息和次日气象预报数据，采用循环神经网络模型和多元线性回归模型融合算法，训练得到第一类用户中各个用户的次日分时电量预测值；根据第二类用户中各个用户的次日休假安排信息、次日气象预报数据和在预设时段的分时电量数据，采用多元线性回归模型算法，训练得到第二类用户所有用户总的分时电量预测值；根据第一类用户中各个用户次日分时电量预测值和第二类用户所有用户总的分时电量预测值确定电网侧次日分时电量。
82.本实施例的技术方案，通过提供一种基于云边协同的电网侧负荷预测系统，该系统包括：算法服务模块和本地数据库；算法服务模块用于从本地数据库获取所有用户的次日休假安排信息和次日气象预报数据，第一类用户中各个用户的实时电量数据和次日生产排期信息，以及第二类用户中各个用户在预设时段的分时电量数据；所有用户包括第一类用户和第二类用户；根据第一类用户中各个用户的次日休假安排信息、实时电量数据、次日生产排期信息和次日气象预报数据，采用循环神经网络模型和多元线性回归模型融合算法，训练得到第一类用户中各个用户的次日分时电量预测值；根据第二类用户中各个用户的次日休假安排信息、次日气象预报数据和在预设时段的分时电量数据，采用多元线性回
归模型算法，训练得到第二类用户所有用户总的分时电量预测值；根据第一类用户中各个用户次日分时电量预测值和第二类用户所有用户总的分时电量预测值确定电网侧次日分时电量。由此，通过该预测系统可以实现：将电网侧的用户进行分类，根据用户分类确定对应算法模型的输入数据，并采用不同的算法对两类用户的次日用电负荷进行单独预测，可以实现对单个用户的次日用电负荷进行预测，且按照用户分类确定对应算法模型的输入数据可以提高对单个用户预测的准确性，进而根据两类用户的单独预测结果确定电网侧的次日用电负荷，可以提高对电网侧的次日用电负荷预测的准确性，保障电网侧用电的供需平衡，保障电网的安全。且本实施例的技术方案可以实现对第一类用户的单个用户次日分时电量、第二类用户总的分时电量、电网侧次日分时电量进行综合预测，可以在实现多种预测的同时增加预测需求的选择性，扩大适用范围，提高适用性。
83.图4是本发明实施例中提供的另一种基于云边协同的电网侧负荷预测系统的结构示意图。作为一种实施方式，可选地，该系统还包括：云服务器30、数据服务模块40、第一数据接口50、第二数据接口60、客户端70和智能表计80；其中，第一类用户安装有智能表计80；第一数据接口50用于从气象中心101获取所有用户的历史气象预报数据和次日气象预报数据并上传至云服务器30；第二数据接口60用于从电力交易中心102获取第二类用户在预设时段的分时电量数据和在预设时段之前的历史分时电量数据并上传至云服务器30；客户端70用于从智能表计80获取用户的实时电量数据并上传至云服务器30；数据服务模块40用于从云服务器30获取所有用户的历史气象预报数据和次日气象预报数据，第二类用户在预设时段的分时电量数据和在预设时段之前的历史分时电量数据，以及智能表计80采集的用户的实时电量数据，进行预处理得到结构化的数据，并存储到本地数据库20。
84.其中，第一类用户安装有智能表计80，第二类用户未安装智能表计80。其中，智能表计是非侵入式的电表，用于实时采集第一类用户的实时电量数据。
85.其中，气象中心101的气象数据，例如所有用户的历史气象预报数据和次日气象预报数据通过第一数据接口101上传至云服务器30，由数据服务模块40对气象数据进行筛选、分类、编码和特征提取等预处理后，得到结构化的气象数据，并存入本地数据库20。
86.其中，电力交易中心102的数据，例如第二类用户在预设时段的分时电量数据和在预设时段之前的历史分时电量数据通过第二数据接口102上传至云服务器30，由数据服务模块40对数据进行筛选、分类、格式修正等预处理后，得到结构化的各用户在预设时段的分时电量数据和在预设时段之前的历史分时电量数据，并存入本地数据库20。
87.其中，智能表计80采集终端用户数据，转换成实时电量数据后通过客户端70上传至云服务器30，由数据服务模块40对数据进行滤波去噪、缺失值补充、格式修正等预处理后，得到结构化的单用户实时电量数据，并存入本地数据库20。
88.此外，参考图4，该系统还包括人工填报信息模块30，与云服务器30连接，用于获取用户输入的生产排期信息并上传至云服务器。
89.图5是本发明实施例中提供的一种基于云边协同的电网侧负荷预测系统的信息传输示意图。可选地，参考图5，气象数据源(例如气象中心)公布的气象信息(包括历史、实时和预测的气象信息)，由第一数据接口读取和上传至云服务器；智能表计采集实时数据(如，采集单个用户的实时电量数据)由客户端上传至云服务器；电力交易中心公布预设时段的数据(例如，用户在预设时段的分时电量数据等)由第二数据接口读取和上传至云服务器。
云服务器接收上述数据后，由数据服务模块进行预处理后存入本地数据库。
90.可选的，次日生产排期信息包括次日是否更新停产/增产信息；
91.算法服务模块10还用于：根据第一类用户中各个用户的次日休假安排信息、实时电量数据、次日生产排期信息和次日气象预报数据，采用循环神经网络模型和多元线性回归模型融合算法，训练得到第一类用户中各个用户的次日分时电量预测值，包括：若次日更新停产/增产信息，则将第一类用户中各个用户的次日休假安排信息、实时电量数据、次日生产排期信息和次日气象预报数据编码成多维矩阵，并分别输入到循环神经网络模型和多元线性回归模型，输出得到第一类用户中各个用户的次日分时电量预测值；若次日未更新停产/增产信息，则将第一类用户中各个用户的次日休假安排信息、实时电量数据和次日气象预报数据编码成多维矩阵，并分别输入到循环神经网络模型和多元线性回归模型，输出得到第一类用户中各个用户的次日分时电量预测值。
92.可选地，算法服务模块10还用于：将第二类用户中各个用户的次日休假安排信息、次日气象预报数据和第二类用户中各个用户在预设时段的分时电量数据编码成多维矩阵，并输入到多元线性回归模型，输出得到第二类用户所有用户总的分时电量预测值。
93.可选地，算法服务模块10还用于：将第一类用户中各个用户次日分时电量预测值和第二类用户所有用户总的分时电量预测值相加得到电网侧次日分时电量。
94.可选地，第一类用户为需要参加需求响应电力辅助服务活动的终端用户，第二类用户为不需要参加需求响应电力辅助服务活动的终端用户。
95.可选地，算法服务模块10还用于：根据电网侧次日分时电量的确定方法完成电网侧次月所有日期的分时电量预测；并将次月所有日期的分时电量预测值相加，得到电网侧次月总电量。
96.可选地，还包括数据获取单元，用于：获取所有用户的历史休假安排信息和历史气象预报数据，第一类用户中各个用户的历史分时电量数据和历史生产排期信息，以及第二类用户在预设时段之前的历史分时电量数据；
97.第一训练单元，用于将第一类用户中各个用户的历史休假安排信息、历史分时电量数据、历史生产排期信息和历史气象数据分别输入到循环神经网络模型和多元线性回归模型训练；
98.第二训练单元，用于将第二类用户中各个用户的历史休假安排信息、历史气象数据以及在预设时段之前的历史分时电量数据分别输入到循环神经网络模型和多元线性回归模型训练。
99.图6是本发明实施例中提供的基于云边协同的电网侧负荷预测方法的运行逻辑示意图。可选地，参考图6，首先，可以预先设定好法定节假日和调休日a，可以从本地数据库调取天气信息b、已安装智能表计用户的实时数据c、用户更新停产/增产信息d以及未安装智能表计用户的预设时段的总负荷数据e。然后，判断用户是否更新停产/增产信息，如果用户更新停产/增产信息，则将法定节假日和调休日a、天气信息b、已安装智能表计用户的实时数据c和用户更新停产/增产信息d预处理得到多维结构化数据并分别输入到循环神经网络模型和多元线性回归模块，通过模型融合输出单用户(第一类用户)预测值；如果用户未更新停产/增产信息，则将法定节假日和调休日a、天气信息b和已安装智能表计用户的实时数据c预处理得到多维结构化数据并分别输入到循环神经网络模型和多元线性回归模块，通
过模型融合输出单用户预测值。并且，将法定节假日和调休日a、天气信息b和未安装智能表计用户的预设时段的总负荷数据e预处理得到多维结构化数据并输入到多元线性回归模块，输出其他用户(第二类用户)总负荷预测值。然后，判断电网侧的负荷预测是否为单用户预测服务，如果是，则直接输出通过模型融合输出的单用户预测值，即可实现对单用户进行预测。如果否，则将他用户(第二类用户)总负荷预测值与模型融合输出的单用户预测值求和得到电网侧次日总的电量预测值。进一步的，根据电网侧次日总的电量预测值的计算方法求得电网侧次月总电量预测值。由此，可以实现对第一类用户的单个用户次日分时电量、第二类用户总的分时电量、电网侧次日分时电量进行综合预测，可以在实现多种预测的同时增加预测需求的选择性，扩大适用范围，提高适用性。
100.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
101.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。