考虑日历特征和负荷特征的年日均负荷预测曲线获取方法

本发明涉及电力负荷预测，具体涉及一种考虑日历特征和负荷特征的年日均负荷预测曲线获取方法。

背景技术：

1、年日均负荷曲线预测有利于供电企业掌握目标区域在未来预测年内的时序用电规律，为供电企业布局规划、优化资源配置和业扩报装策略制定等提供决策依据。受日历效应、负荷曲线复杂度、需求波动以及气候等随机因素影响，有必要研究能综合计及多种影响因素的年日均负荷曲线预测方法，提供更先进的预测理论和更准确的预测结果，帮助电力系统调度决策人员做出科学决策。

2、在年日均负荷曲线预测中，日历特征对年日均负荷形状因子曲线变化具有重要的解释意义。在特定节假日中，日均负荷具有固定规律的变化模式，例如节假日的日均负荷普遍低于工作日，然而农历节假日(如春节、端午、中秋节等)对应的公历日期并不一致，这使得不同年份的日均负荷变化规律因日历特征差异并不完全相同。另一方面，因预测时间跨度长，可用的历史年样本数少。在中短期负荷预测领域效果较好的机器学习预测模型，因无法获得足量样本时而无法直接用于年日均负荷曲线预测。因此，有效整合具有不同日历特征的历史年负荷时间序列共性规律，是少样本条件下实现负荷曲线预测的可行解决方案之一。doi为10.1016/j.patcog.2010.09.013的论文文献提出一种基于迭代过程的dtw平均质心法(dtw barycenter averaging，dba)，使质心均值序列尽可能与多条已知样本序列变化趋势相似，从而整合序列集的普遍性时序规律。然而，传统的dba方法无法处理时序样本内部特殊时点的动态对齐问题，因此难以有效应对年日均负荷曲线预测时的日历特征差异。

3、此外，年日均负荷曲线预测更加注重整体的准确度，包括日均负荷的年峰值和月均值负荷是否符合电力规划和年内时序变化规律。在获得未修正的年日均负荷预测曲线后，结合已知的典型特征预测值进行典型特征约束修正，能使修正的年日均负荷预测曲线的年峰值和月均值负荷符合规划要求。

技术实现思路

1、本发明的目的是为了解决年日均负荷曲线预测可用样本少，预测结果不满足电力规划需求，传统dba方法难以有效应对日历特征差异的技术问题，而提出的考虑日历特征和负荷特征的年日均负荷预测曲线获取方法。

2、为了解决上述技术问题，本发明采用的技术方案为：

3、考虑日历特征和负荷特征的年日均负荷预测曲线获取方法，包括以下步骤：

4、步骤1：采集目标地区的实际负荷数据集和日历信息数据；

5、步骤2：利用标么化方法和周期平滑方法分离负荷序列的周期性和趋势性影响；

6、步骤3：根据历史和预测年的日历关系，利用动态时间锚点方法建立时间锚点矩阵；

7、步骤4：利用动态时间锚点soft-dba方法获得预测年的日均负荷形状因子预测曲线；

8、步骤5：根据已知的电力电量特征预测值，对反标么化和反周期平滑处理后的日均负荷形状因子预测曲线进行典型特征约束修正，得到与电力规划相吻合且满足年内时序变化规律的年日均负荷预测曲线。

9、在步骤2中，利用标么化方法和周期平滑方法分离负荷序列的周期性和趋势性影响时，包括以下子步骤：

10、步骤2.1：输入目标地区的历史负荷数据集，假设历史年的日均负荷序列集s＝{s1,s2,...si,...,sn}，si＝[pi,1,pi,2,…,pi,m]，n是序列个数，m是序列长度(365或366)，p是日均负荷值；

11、步骤2.2：采用移动平均方法按7天周期对日均负荷序列平滑处理，进一步将n条序列s按时序重构为一维向量sv，计算分离周周期性影响后的日均负荷序列s'v＝{p'1,p'2,…p'i,…,p'n}：

12、

13、式中，r是时间索引点到时间锚点t的距离，x和y分别是时间索引点的横、纵坐标，分别对应t矩阵的列和行，dt,i是历史第i年第t个节假日索引编号，dft是预测年第t个节假日索引编号。

14、步骤2.3：假设年均负荷已知，周期平滑处理后的某年日均负荷序列s'＝[p'1,p'2,…,p'm]按下式标么化为负荷形状因子曲线q＝[q1,q2,…,qm]：

15、

16、式中，e是历史年的年均负荷，s'是对原始日均负荷序列s周期平滑处理后的日均负荷序列，q是对s'标么化处理后的日均负荷序列；

17、当预测年需从日均负荷形状因子预测曲线获得日均负荷预测曲线时，采用反标么计算：

18、ff＝qf·ef

19、式中，qf是预测年日均负荷形状因子曲线，ef是预测年的年均负荷值，ff是通过反标么化得到预测年日均负荷曲线，其中f代表预测年。

20、在步骤2.2中，当预测年需要将分离周期性影响的日均负荷预测序列还原到含周期性影响的日均负荷预测序列时，采用如下的反周期平滑操作：

21、首先，建立历史年原始序列与平滑序列的比值序列w：

22、

23、式中，sv是n条序列s按时序重构后的一维向量，s'v是sv去除周周期性后的日均负荷序列；

24、然后，按日历表中周一至周日的顺序，将w重构为k×7矩阵w'，k为历史样本总周数：

25、

26、式中，w是日均负荷序列分离周周期性影响前后的负荷比值；

27、最后，计算w'中每列均值获得周周期尺度因子根据预测年每日的周类型从中选择对应周类型的周周期尺度因子形成预测年的周周期尺度因子向量；加入周周期性的日均负荷预测曲线由未计及周期性的日均负荷预测曲线反周期平滑计算得到：

28、pf＝ff⊙wf

29、式中，ff是未计及周期性影响的日均负荷预测曲线，wf是预测年的周周期尺度因子向量，pf是加入周周期性影响的日均负荷预测曲线，其中f代表预测年。

30、在步骤3中，构建动态时间锚点矩阵时，采用以下子步骤：

31、步骤3.1：输入中国某实际地区的历史负荷数据集与该地区的日历信息数据，假设历史第i年和预测年的日历信息集分别是di＝{d1,d2,...,d6}i、df＝{df1,df2,...,df6}，其中dt和dft为对应年的第t个节假日索引编号；

32、步骤3.2：以at,i为中心，建立半径为r的时间锚点影响权重惩罚矩阵tt,i＝[tx,y]t,i；

33、

34、

35、式中，r是时间索引点到时间锚点t的距离，x和y分别是时间索引点的横、纵坐标，分别对应t矩阵的列和行，dt,i是历史第i年第t个节假日索引编号，dft是预测年第t个节假日索引编号。

36、步骤3.3：最后，根据历史年和预测年的日历信息di和df建立完整的多时间锚点矩阵tai＝[t1,i,t2,i,...,t6,i]。

37、5.根据权利要求1至4其中之一所述的方法，其特征在于，在步骤4中，在利用动态时间锚点soft-dba预测目标的形状因子曲线时，采用以下步骤：

38、步骤4.1：输入动态时间锚点soft-dba方法所需的数据，包括周期平滑和标么化处理后的年日均负荷形状因子曲线集q＝{q1,q2,…,qn}、历史年对预测年的动态时间锚点矩阵集ta＝{ta1,ta2,…,tan}和最大迭代参数imax；

39、步骤4.2：将q中全部历史年的日均负荷形状因子曲线平均，得到预测年天数等长的均值序列，作为初始质心qf(0)＝[q1,q2,…,qm]f(0)，迭代次数i＝1；

40、步骤4.3：考虑步骤3中历史年对预测年的时间锚点权重惩罚tai＝{t1,i,t2,i,...,t6,i}(i＝1,...,n)，计算历史年的日均负荷形状因子曲线qi＝[q1,q2,...,qm]i与前次迭代质心qf(i-1)间的soft-dtw距离矩阵mi(i-1)；

41、首先，计算qi与qf(i-1)的欧式距离矩阵：

42、

43、式中，qfm(i-1)是第i-1次迭代中质心序列第m个的值，qi,m是第i个历史年的第m个值，d(qfm(i-1),qi,m)是两者间的欧式距离，di(i-1)是qi与qf(i-1)的欧式距离矩阵；

44、然后，将di(i-1)与tai点乘，计算mi(i-1)；

45、

46、式中，di(i-1)是qi与qf(i-1)的欧式距离矩阵，tai是第i个历史年对预测年的时间锚点权重惩罚矩阵，mi(i-1)是考虑时间锚点权重惩罚后的距离矩阵；

47、步骤4.4：将mi(i-1)作为新的距离矩阵，根据soft-dtw的动态规整过程生成qi到qf(i-1)间的最优路径li(i-1)，并根据路径坐标，遍历序列qi全部时点对应的qf(i-1)，生成qi与qf(i-1)之间的质心序列qfi(i)；

48、步骤4.5：遍历q中的全部历史序列，按步骤4.2～4.3生成质心序列集{qf1(i),qf2(i),…qfi(i),…,qfn(i)}，计算均值以整合全部历史序列的共性时序规律，生成第i次迭代的质心序列：

49、

50、式中，qf(i)是第i次迭代生成的质心序列，qfi(i)是第i次迭代过程中第i个历史年对预测年的质心序列，n是历史年序列个数；

51、步骤4.6：i＝i+1，重复步骤4.2～4.4；当i＝imax时，输出年日均负荷形状因子预测曲线qf＝qf(i)。

52、在步骤5中，利用已知的电力电量特征值对年日均负荷曲线进行约束修正时，采用以下步骤：

53、步骤5.1：输入待修正的年日均负荷预测曲线pf＝[p1,p2,...,pm]，电力规划部门已提供预测年的电力电量特征，包括预测年的月均负荷em＝[e1,e2,...,e12]和年最大、最小日均负荷emax和emin；预测年的每月天数{h1,h2,...,h12}；

54、步骤5.2：根据电力规划部门已提供预测年的电力电量特征，对年日均负荷曲线进行特征约束修正；

55、根据已知电力电量特征的不同，可细分为三种情况：

56、情况1：若已知月均负荷em，则特征约束修正过程如下：

57、1)基于pf统计原始月均负荷efm＝[ef1,ef2,...,ef12]；

58、2)以对应月份的原始efi为基准，结合对应月份的目标ei生成基于月均负荷特征约束修正的日均负荷曲线p'fm＝[p'1,p'2,...,p'm]fm，其中：

59、

60、式中：p和p'分别是月均负荷特征约束修正前后的负荷值，hi为预测年第i月天数，i＝1,...,12，h0＝0；

61、情况2：若已知预测年最大、最小日均负荷目标值，则特征约束修正过程如下：

62、1)统计pf中原始负荷的最大值和均值，结合目标emax生成基于年最大负荷特征约束修正的日均负荷曲线：

63、

64、式中，efmax和efm分别是待修正的年日均负荷预测曲线pf的最大值和均值，emax是电力规划部门提供的预测年最大日均负荷，pfymax是年最大负荷特征约束修正的日均负荷曲线；

65、2)为避免后续修正步骤对已修正的emax产生影响，统计pfymax中小于均值efm的负荷集合pfy-＝{pz<efm|z∈z-}作为需继续修正最小日均负荷的局部子序列；其中，z-为pfymax中小于均值efm的时点下标集合；

66、3)统计pfy-中负荷的最小值和均值，结合目标emin生成基于年最小负荷特征约束修正的局部子序列：

67、

68、式中，efymin和efym分别是pfy-的最小值和均值，emin是电力规划部门提供的预测年最小日均负荷，pfymin是年最小负荷特征约束修正的日均负荷曲线；

69、4)将局部子序列pfymin按对应的时点标签z-对pfymax的对应元素进行更新，得到基于年最值负荷特征约束修正的日均负荷曲线p'fy；

70、情况3：若已知预测年最大、最小日均负荷目标值emax和emin及月均负荷em，则特征约束修正过程如下：

71、1)对pf按3.2节步骤基于年最值负荷的特征约束进行修正，得到p'fy；

72、2)对p'fy再按3.1节步骤基于月均负荷的特征约束进行修正，得到p'fm；

73、3)对p'fy再按3.1节步骤基于月均负荷的特征约束进行修正，得到p'fm；

74、4)考虑到步骤2会破坏步骤1的年最值负荷特征约束，对p'fm进行局部二次修正；

75、首先，找出预测年中负荷最大、最小值所在月份α和β的日均负荷曲线pα和pβ，统计各自负荷的最值eαmax、eβmin和均值eαm、eβm；

76、然后，按公式分别生成pα和pβ的修正曲线p'α和p'β，替换p'fm中第α和第β月的原月均负荷曲线，输出同时基于年最值负荷及月均负荷特征约束修正的日均负荷曲线p'f；

77、

78、

79、式中，eαmax和eαm分别是日均负荷曲线pα的最大值和均值，eβmin和eβm分别是日均负荷曲线pβ的最小值和均值，emax和emin年分别是电力规划部门提供的预测年最大、最小日均负荷，pα和pβ分别是预测年中负荷最大、最小值所在月份α和β的日均负荷曲线，p'α和p'β分别是pα和pβ的修正曲线。

80、一种获取年日均负荷形状因子预测曲线的方法，包括以下步骤：

81、步骤1：输入动态时间锚点soft-dba方法所需的数据，包括周期平滑和标么化处理后的年日均负荷形状因子曲线集q＝{q1,q2,…,qn}、历史年对预测年的动态时间锚点矩阵集ta＝{ta1,ta2,…,tan}和最大迭代参数imax；

82、步骤2：将q中全部历史年的日均负荷形状因子曲线平均，得到预测年天数等长的均值序列，作为初始质心qf(0)＝[q1,q2,…,qm]f(0)，迭代次数i＝1；

83、步骤3：考虑历史年对预测年的时间锚点权重惩罚tai＝{t1,i,t2,i,...,t6,i}(i＝1,...,n)，计算历史年的日均负荷形状因子曲线qi＝[q1,q2,...,qm]i与前次迭代质心qf(i-1)间的soft-dtw距离矩阵mi(i-1)；

84、首先，计算qi与qf(i-1)的欧式距离矩阵：

85、

86、式中，qfm(i-1)是第i-1次迭代中质心序列第m个的值，qi,m是第i个历史年的第m个值，d(qfm(i-1),qi,m)是两者间的欧式距离，di(i-1)是qi与qf(i-1)的欧式距离矩阵；

87、然后，将di(i-1)与tai点乘，计算mi(i-1)；

88、

89、式中，di(i-1)是qi与qf(i-1)的欧式距离矩阵，tai是第i个历史年对预测年的时间锚点权重惩罚矩阵，mi(i-1)是考虑时间锚点权重惩罚后的距离矩阵；

90、步骤4：将mi(i-1)作为新的距离矩阵，根据soft-dtw的动态规整过程生成qi到qf(i-1)间的最优路径li(i-1)，并根据路径坐标，遍历序列qi全部时点对应的qf(i-1)，生成qi与qf(i-1)之间的质心序列qfi(i)；

91、步骤5：遍历q中的全部历史序列，按步骤2～3生成质心序列集{qf1(i),qf2(i),…qfi(i),…,qfn(i)}，计算均值以整合全部历史序列的共性时序规律，生成第i次迭代的质心序列：

92、

93、式中，qf(i)是第i次迭代生成的质心序列，qfi(i)是第i次迭代过程中第i个历史年对预测年的质心序列，n是历史年序列个数；

94、步骤6：i＝i+1，重复步骤2～4；当i＝imax时，输出年日均负荷形状因子预测曲线qf＝qf(i)。

95、多所获得的年日均负荷曲线进行约束修正，采用以下步骤：

96、步骤1)：输入待修正的年日均负荷预测曲线pf＝[p1,p2,...,pm]，电力规划部门已提供预测年的电力电量特征，包括预测年的月均负荷em＝[e1,e2,...,e12]和年最大、最小日均负荷emax和emin；预测年的每月天数{h1,h2,...,h12}；

97、步骤2)：根据电力规划部门已提供预测年的电力电量特征，对年日均负荷曲线进行特征约束修正；

98、根据已知电力电量特征的不同，可细分为三种情况：

99、情况1：若已知月均负荷em，则特征约束修正过程如下：

100、(1)基于pf统计原始月均负荷efm＝[ef1,ef2,...,ef12]；

101、(2)以对应月份的原始efi为基准，结合对应月份的目标ei生成基于月均负荷特征约束修正的日均负荷曲线p'fm＝[p'1,p'2,...,p'm]fm，其中：

102、

103、式中：p和p'分别是月均负荷特征约束修正前后的负荷值，hi为预测年第i月天数，i＝1,...,12，h0＝0；

104、情况2：若已知预测年最大、最小日均负荷目标值，则特征约束修正过程如下：

105、(1)统计pf中原始负荷的最大值和均值，结合目标emax生成基于年最大负荷特征约束修正的日均负荷曲线：

106、

107、式中，efmax和efm分别是待修正的年日均负荷预测曲线pf的最大值和均值，emax是电力规划部门提供的预测年最大日均负荷，pfymax是年最大负荷特征约束修正的日均负荷曲线；

108、(2)为避免后续修正步骤对已修正的emax产生影响，统计pfymax中小于均值efm的负荷集合pfy-＝{pz<efm|z∈z-}作为需继续修正最小日均负荷的局部子序列；其中，z-为pfymax中小于均值efm的时点下标集合；

109、(3)统计pfy-中负荷的最小值和均值，结合目标emin生成基于年最小负荷特征约束修正的局部子序列：

110、

111、式中，efymin和efym分别是pfy-的最小值和均值，emin是电力规划部门提供的预测年最小日均负荷，pfymin是年最小负荷特征约束修正的日均负荷曲线；

112、(4)将局部子序列pfymin按对应的时点标签z-对pfymax的对应元素进行更新，得到基于年最值负荷特征约束修正的日均负荷曲线p'fy；

113、情况3：若已知预测年最大、最小日均负荷目标值emax和emin及月均负荷em，则特征约束修正过程如下：

114、1)基于年最值负荷的特征约束进行修正，得到p'fy；

115、2)基于月均负荷的特征约束进行修正，得到p'fm；

116、3)基于月均负荷的特征约束进行修正，得到p'fm；

117、4)对p'fm进行局部二次修正；

118、首先，找出预测年中负荷最大、最小值所在月份α和β的日均负荷曲线pα和pβ，统计各自负荷的最值eαmax、eβmin和均值eαm、eβm；

119、然后，按公式分别生成pα和pβ的修正曲线p'α和p'β，替换p'fm中第α和第β月的原月均负荷曲线，输出同时基于年最值负荷及月均负荷特征约束修正的日均负荷曲线p'f；

120、

121、

122、式中，eαmax和eαm分别是日均负荷曲线pα的最大值和均值，eβmin和eβm分别是日均负荷曲线pβ的最小值和均值，emax和emin年分别是电力规划部门提供的预测年最大、最小日均负荷，pα和pβ分别是预测年中负荷最大、最小值所在月份α和β的日均负荷曲线，p'α和p'β分别是pα和pβ的修正曲线。

123、与现有技术相比，本发明具有如下技术效果：

124、1)本发明提出动态时间锚点soft-dba方法，基于预测目标和历史年节假日日历特征之间的关联关系构建时间锚点，科学整合历史负荷形状因子曲线的共性规律，能准确预测目标年的负荷形状因子曲线；

125、2)本发明根据电力规划部门提供的特征预测值对日均负荷曲线进行典型特征约束修正，可使日均负荷曲线的典型特征更接近目标年的真实情况；

126、3)实际算例结果表明，本文方法预测的年日均负荷曲线不仅具有较高的预测精度，而且预测结果与电力规划相吻合，能为电网运行人员科学决策提供更加准确和丰富的信息，提升电力系统的安全性和经济性。