一种负荷预测方法、装置、设备及存储介质与流程

本发明涉及电力负荷，尤其是涉及一种负荷预测方法、装置、设备及存储介质。

背景技术：

1、电力负荷预测对于电力公司有效地管理需求响应至关重要，用于指导电力公司对发电机组的调度及能源分配管理。电力负荷变化受多重因素影响，其中气候影响最明显。电力负荷呈现出强烈的非平稳性、非线性的特点，但是局部又表现出周期性的特性，为负荷预测带来了挑战。而对于社会环境影响，不同地区的人口数量差异，经济发达程度对于电力需求的差异也会有导致电力负荷的变化。精准的负荷预测对于提高电力规划和电网稳定性有着重要意义。但是由于影响负荷的因素众多，且各影响因素之间存在复杂的相互作用，使得合理构建负荷预测模型尤为困难。传统的负荷预测方法存在难以捕捉天气、社会环境等因素与负荷之间复杂关系的缺点，因此并没有考虑气象和社会环境因素对于电力负荷的影响，致使预测精度不高。

2、现有技术中，例如中国专利cn115293326a上公开的“电力负荷预测模型的训练方法、装置及电力负荷预测方法”，电力负荷预测模型包括全卷积神经网络fcn和长短期记忆网络lstm，该训练方法包括：获取当前训练周期的训练数据集，其中，训练数据集包括历史负荷的时间序列数据；将训练数据集中的时间序列数据输入当前训练周期的电力负荷预测模型，得到当前训练周期的电力负荷预测值；基于当前训练周期的电力负荷预测值和当前训练周期的电力负荷真实值，确定当前训练周期的损失函数；根据当前训练周期的损失函数调整当前训练周期的电力负荷预测模型的参数。该技术只通过历史电力负荷数据训练得到电力负荷预测模型后，进行负荷的预测，并没有考虑电力负荷与气象和社会环境因素之间的影响关系，因此预测精度不高。

技术实现思路

1、本发明提供一种负荷预测方法、装置、设备及存储介质，以解决现有的电力负荷的预测没有考虑气象因素和社会环境因素对电力负荷的影响，导致预测精度不高的技术问题，通过对历史电力负荷数据进行经验模态分解得到若干个分量序列，找到每个分量序列对应的主影响因素，得到每个分量序列对应的分量预测模型，以所有分量预测模型融合得到电力负荷预测模型，可以更准确地预测电力负荷。

2、为了解决上述技术问题，本发明实施例提供了一种负荷预测方法，包括：

3、分别获取目标区域内的每一子区域对应的历史电力负荷数据和影响因素数据，其中，所述影响因素数据的类型至少包括日最高温度、日最低温度、单月累计高温天数、单月累计低温天数、城镇化率、常住人口、经济增速和产业用电结构；

4、根据经验模态分解技术，分别对每一所述历史电力负荷数据进行处理，得到对应的分量序列数据；

5、基于每一所述影响因素数据与各个所述分量序列数据之间的相似度，确定各个所述分量序列数据对应的主影响因素数据；

6、以所述主影响因素数据和所述分量序列数据构建对应的分量预测模型；

7、根据所有所述分量预测模型的分量预测结果，确定目标区域的电力负荷预测结果。

8、作为其中一种优选方案，所述根据经验模态分解技术，分别对每一所述历史电力负荷数据进行处理，得到对应的分量序列数据，具体包括：

9、对待分解电力负荷数据添加预设次数的高斯白噪声，构成多个待分解子序列；

10、在进行经验模态分解时，对所述待分解子序列进行经验模态分解，将得到的第一个模态分量的平均值作为待分解电力负荷数据的第一模态分量序列，并计算得到对应的第一残余信号；

11、在所述第一残余信号中添加高斯白噪声的第一模态分量后继续进行经验模态分解，将得到的第二个模态分量的平均值作为待分解电力负荷数据的第二模态分量序列，并计算得到对应的第二残余信号；

12、重复上述经验模态分解，直至满足经验模态分解停止条件。

13、作为其中一种优选方案，所述基于每一所述影响因素数据与各个所述分量序列数据之间的相似度，确定各个所述分量序列数据对应的主影响因素数据，具体包括：

14、基于时间轴顺序，对各个所述影响因素数据进行排序，得到对应的影响因素序列；

15、对所述影响因素序列进行标准化处理；

16、分别计算所述分量序列数据与每一标准化处理后的所述影响因素序列之间的相似度；

17、将相似度结果大于预设的相似度阈值对应的所述影响因素序列确定为主影响因素数据。

18、作为其中一种优选方案，所述分别计算所述分量序列数据与每一标准化处理后的所述影响因素序列之间的相似度，具体包括：

19、根据如下累计距离公式计算分量序列和影响因素序列之间的相似度：

20、γ(i,j)＝d(fi,pj)+min{γ(i-1,j-1),γ(i-1,j),γ(i,j+1)}

21、其中，γ为累计距离，fi为分量序列f中的第i个标准化后的分量值，分量序列f＝{f1,f2,…,fi,…,fn}，pj为影响因素序列p中的第j个标准化后的分量值，影响因素序列p＝{p1,p2,…,pj,…,pm}，d(fi,pj)为分量序列f和影响因素序列p中每个分量相互之间的距离。

22、作为其中一种优选方案，所述以所述主影响因素数据和所述分量序列数据构建对应的分量预测模型，具体包括：

23、将所述分量序列数据和所述主影响因素数据组成的集合分为训练集和测试集；

24、将所述训练集的样本输入到神经网络模型中进行训练，以均方误差作为训练指标，选择均方误差最小时对应的参数生成分量预测模型，并通过所述测试集进行评估。

25、作为其中一种优选方案，所述通过所述测试集进行评估，具体包括：

26、根据如下公式计算得到的平均绝对误差百分比和均方误差进行评估：

27、

28、

29、其中，mape为平均绝对误差百分比，mse为均方误差，n为数据个数，yi为真实数据，为预测数据。

30、作为其中一种优选方案，所述根据所有所述分量预测模型的分量预测结果，确定目标区域的电力负荷预测结果，具体包括：

31、得到每一所述分量预测模型对应的分量预测结果；

32、将所有所述分量预测结果进行求和处理，得到目标区域的电力负荷预测结果。

33、本发明另一实施例提供了一种负荷预测装置，包括：

34、数据获取模块，用于分别获取目标区域内的每一子区域对应的历史电力负荷数据和影响因素数据，其中，所述影响因素数据的类型至少包括日最高温度、日最低温度、单月累计高温天数、单月累计低温天数、城镇化率、常住人口、经济增速和产业用电结构；

35、分解模块，用于根据经验模态分解技术，分别对每一所述历史电力负荷数据进行处理，得到对应的分量序列数据；

36、主影响因素模块，用于基于每一所述影响因素数据与各个所述分量序列数据之间的相似度，确定各个所述分量序列数据对应的主影响因素数据；

37、模型构建模块，用于以所述主影响因素数据和所述分量序列数据构建对应的分量预测模型；

38、负荷预测模块，用于根据所有所述分量预测模型的分量预测结果，确定目标区域的电力负荷预测结果。

39、本发明又一实施例提供了一种负荷预测设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的负荷预测方法。

40、本发明再一实施例提供了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，其中，所述计算机可读存储介质所在设备执行所述计算机程序时，实现如上所述的负荷预测方法。

41、相比于现有技术，本发明实施例的有益效果在于以下所述中的至少一点：

42、(1)在本发明中，考虑到电力负荷数据除了受到气象数据和社会环境因素的影响外，也会因为地理位置的不同而产生差异，因此按照地理位置分类得到各个子区域，并针对每个子区域的地理位置得到其对应的电力负荷预测模型进行负荷预测，相比于对大范围的整体电力负荷预测，按照地理位置的地市差异化预测结果更加精确；

43、(2)在本发明中，考虑到对电力负荷数据的影响因素种类繁多且关联性存在大小差异，只用一个模型来考虑众多的影响因素对电力负荷数据进行预测其关系复杂难以厘清，所以先将电力负荷数据分解为不同的分量序列，每个分量序列也会有各自对应的影响程度较大的影响因素，因此计算分量序列和影响因素序列的相似度，选择满足条件的影响因素作为能够影响分量序列的主影响因素，从而提高后续预测的准确率；

44、(3)通过对历史电力负荷数据进行经验模态分解得到若干个分量序列，对每个分量序列找到匹配它的主影响因素，以此得到每个分量序列对应的分量预测模型，每个分量预测模型都包含有不同的对于电力负荷的影响因素，以所有分量预测模型融合得到的电力负荷预测模型，可以在考虑气象和社会环境因素的情况下更准确地预测电力负荷。