一种需求侧动态响应的中短期用电需求预测分析方法与流程

本发明涉及电力行业需求响应，尤其涉及一种需求侧动态响应的中短期用电需求预测分析方法。

背景技术：

1、电力系统的稳定运行要求发电量能随时紧跟系统负荷的变化，即发电站发出的电能能够平衡线路负荷，如果不事先预测负荷，或负荷预测不准，将会导致大量的电能浪费。准确预测负荷，对确定日运行方式有重要作用，也有助于确定机组组合方案、地区间功率输送方案和负荷调度方案。

2、同时，计算的实时性要求越来越高，高速和海量成为了电力行业的典型数据特征。面对这项挑战，使用传统的数据流处理方式出现了许多的问题。一方面由于数据流到达时间不可预知，这给传统的批量作业方式带来了挑战；另一方面，数据流的规模变化很大，使得传统的数据处理方式无法保证处理的实时性完整性和正确性。

3、随着国内外短期负荷预测领域的不断推进，短期负荷预测技术正逐步趋于成熟，具体表现为短期负荷预测的相关理论及其内涵不断丰富，实际的负荷预测水平也有了大幅度提高，预测精度基本能够满足现代电力系统发展的需要，某些高效的短期负荷预测方法已在实际的电力系统中得到了广泛的应用。从当前的发展状况来看，短期负荷预测的理论和实践已经较为成熟和完备，但是以发展的眼光来看，由于电力系统是一个多元复杂的动态系统，既有的研究成果并不能让短期负荷预测工作一劳永逸，追求高精度、零误差预测目标的理想从未止步。随着未来智能电网的进一步发展和升级，短期负荷预测技术必然会面临新的挑战和考验，电力系统将会对预测模型的准确性和适应性等方面提出更高水平的要求。

4、由于实际的短期负荷预测过程考虑的不只是单纯的负荷数据问题，还包括对气象因素、日类型等其它复杂因素交叉影响的综合考量。面向这些规律复杂的非线性数据，传统的数理统计方法无法很好地进行消化，从而导致适应性差、预测精度低、无法做到更科学更有效的预测。

技术实现思路

1、本发明所述的一种需求侧动态响应的中短期用电需求预测分析方法，解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种需求侧动态响应的中短期用电需求预测分析方法，包括以下步骤：

3、s1：负荷预测特征提取并对预测数据进行预处理，所述预测数据包括：历史负荷数据、气象因素、季节性因素、工作日/周末/节假日和附加影响因素；

4、s2：构建中短期用电负荷预测模型，用于对中短期用电负荷进行预测并从输出实时中短期用电负荷预测结果；

5、s3：根据中短期用电负荷预测模型输出的预测结果生成结合短期用电需求的负荷动态响应实时响应清单。

6、优选的，所述步骤s1中所述的数据预处理具体为：

7、s101：首先进行数据清洗，所述数据清洗包括错误数据的修补、重复项的删除、规格的统一、逻辑修正、数据压缩、补足空值、删除数据和删除属性；

8、s102：进行数据去噪；

9、s103：进行数据标准化，具体为将用户全天用电负荷均值作为基准值后，将各时刻的功率变换成标么值，以消除不同用户在负荷幅度上的差异。

10、优选的，所述步骤s102中的数据去噪具体使用小波变换分析方法具体为：通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分。

11、优选的，所述步骤s2中的所述的构建中短期用电负荷预测模型为基于prophet算法的负荷预测模型构建，prophet模型把一个时间序列看做由3种主要成分组成：趋势项、季节项、假期项，具体公式如下：

12、y(t)＝g(t)+s(t)+h(t)+εt

13、其中趋势项模拟了时间序列的非周期变化，季节项模拟了时间序列的周期性变化，假期项模拟了假期或者其他突发事件的影响，为误差项。

14、优选的，所述步骤s2中的所述的构建中短期用电负荷预测模型为基于随机森林算法的负荷预测模型构建，具体为针对随机森林模型开展模型训练、模型调参、模型测试，最后通过模型评估，选择最优负荷预测模型。

15、优选的，所述针对随机森林模型开展模型训练、模型调参、模型测试，最后通过模型评估，选择最优负荷预测模型具体如下：

16、s21：划分训练集和测试集，即对整个用户集的数据样本以按照训练集和测试集7:3的比例进行划分，训练集用于模型训练，测试集用于模型检验；

17、s22：利用随机森林模型对特征指标数据进行训练，以网格搜索法搜索方式，找到最优参数，用测试集数据对模型进行测试；

18、s23：采用随机森林算法进一步分析各特征的重要程度，筛选影响较大的前n个重要性特征集合，重新优化预测模型，提升模型的准确性和泛化能力；

19、s24：对预测模型进行效果评估，选择最优的负荷预测模型。

20、优选的，所述步骤s2中的所述的构建中短期用电负荷预测模型为基于lstm算法的负荷预测模型构建，用预测日前w天的负荷曲线和负荷影响因素对预测日负荷进行预测，模型输出为预测日的预测负荷。

21、优选的，所述基于lstm算法的负荷预测模型构建包括模型训练和模型评价，

22、所述模型训练具体为采用bptt算法对用于负荷预测的lstm网络进行训练，训练目标是调整网络参数使网络输出尽可能接近真实值，训练过程如下：

23、1)初始化网络参数；

24、2)将训练数据输入网络，计算网络输出；

25、3)计算网络预测值和实际值直接的误差(损失函数)；

26、4)根据误差计算网络参数对损失函数再层级和时间2个方向上的梯度；

27、5)根据梯度对网络参数进行调整；

28、6)到达最优回合数，若未达到返回2)；

29、7)结束；

30、所述模型评价具体为：

31、01)将历史负荷数据分为训练集、验证集和测试集；

32、02)将训练集输入网络进行训练，一个回合结束后将验证集输入网络模型，并计算损失；

33、03)如果模型性能超过前面所有的回合性能，保存该回合的模型作为最优模型；

34、04)判断连续n个回合损失不减少，若减少则返回02)；

35、05)输出最优模型并对模型进行测试；

36、06)结束。

37、一种电子设备，包括：处理器和存储装置；所述存储装置上存储有程序，所述程序被所述处理器执行，实现如上所述的方法。

38、一种计算机介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上所述的方法。

39、本发明的有益效果为：

40、本发明创新性地提出了需求响应因素的短期负荷预测新方法，通过开展负荷特征预测数据预处理技术研究，开展负荷预测特征指标体系构建，实现需求侧动态响应的中短期负荷预测，这种预测方法的提出能够有效考量需求响应行为对负荷预测产生的影响，为后续实时需求响应奠定基础，为智能电网下的短期负荷预测模型改进开辟了新思路。