一种用于建筑的电力负荷预测方法、系统、设备及介质与流程

本发明涉及电力负荷预测，特别是涉及一种用于建筑的电力负荷预测方法、系统、设备及介质。

背景技术：

1、目前，短期负荷预测是电力系统经济调度、能源交易等方面的基础与关键。用户需求的多样性和分布式发电的集成复杂性对短期负荷预测的准确性、可靠性和智能性提出了新的挑战，不准确的负荷预测会带来不必要的经济损失。短期负荷预测精度主要受两方面影响：输入变量及预测方法。

2、输入变量通常指负荷所受的外界影响因素，如天气、经济和节假日等。良好的输入特征不仅能避免维度灾难的发生，而且有利于降低计算复杂提高模型性能。人工神经网络以其良好的泛化能力受到了广泛关注。而一种应用于复杂环境下的深度置信网络短期预测方法，验证了模型的有效性；一种基于递归信念网络的短期负荷预测方法，有效地提高了波动过程中的预测误差。但这两种方法所使用的单一模型虽具有一定的预测精度，无法适用于所有负荷预测情景；并且目前有关于建筑负荷预测的大多数研究中，针对峰值负荷预测的预测研究相对较少。因此，亟需一种方案解决上述问题。

技术实现思路

1、本发明提供一种用于建筑的电力负荷预测方法、系统、设备及介质，解决现有技术中单一模型的负荷预测情景少，且缺少针对建筑的峰值负荷预测的问题。

2、为解决上述技术问题，本发明第一方面提供一种用于建筑的电力负荷预测方法，包括：

3、获取建筑中的天气数据；所述天气数据至少包括温度和湿度；

4、计算所述天气数据中的相关变量与二元指示变量；所述相关变量为与所述建筑的电力负荷相关度高的天气数据；所述二元指示变量为所述建筑在峰值电力负荷下的天气数据对应的风险阈值；

5、根据所述相关变量与二元指示变量构造特征集；

6、将所述特征集输入至卷积双向长短期神经网络分位数回归模型中进行建筑电力负荷预测，得到短期建筑电力负荷预测结果；所述卷积双向长短期神经网络分位数回归模型包括输入层、卷积神经网络cnn层、双向长短期神经网络层、注意力层和输出层。

7、进一步地，计算所述天气数据中的相关变量，包括：

8、通过copula函数计算所述天气数据与所述建筑的电力负荷间的相关性，得到多个第一相关性系数；

9、按从大到小顺序将多个所述第一相关性系数排序，对多个所述第一相关性系数进行筛选并将满足筛选条件的所述第一相关性系数对应的天气数据作为相关变量；所述筛选条件包括与所述建筑的电力负荷的相关度。

10、进一步地，计算所述天气数据中的二元指示变量，包括：

11、分别计算所述天气数据与所述建筑的电力负荷间的正态copula函数，得到第二相关性系数；

12、通过蒙特卡罗算法计算所述第二相关性系数的逆函数；

13、根据所述第二相关性系数的逆函数，得到所述二元指示变量。

14、进一步地，将所述特征集输入至卷积双向长短期神经网络分位数回归模型中进行建筑电力负荷预测，得到短期建筑电力负荷预测结果，包括：

15、通过所述输入层输入所述特征集；

16、通过所述卷积神经网络cnn层对所述特征集进行卷积和池化处理，得到处理后的特征集；

17、通过所述双向长短期神经网络层对处理后的特征集进行特征提取，得到特征数据；

18、通过所述注意力层将所述特征数据的权重转移至所述相关变量与二元指示变量；

19、通过所述输出层对所述特征数据进行建筑电力负荷预测，得到短期建筑负电力荷预测结果并输出。

20、进一步地，所述建筑电力负荷预测包括日前预测和周前预测；所述日前预测以天为周期，并以当天为基准，对应的预测结果为下一天的短期建筑电力负荷数据；所述周前预测以周为周期，并以本周为基准，对应的预测结果为下周的短期建筑电力负荷数据。

21、进一步地，所述日前预测对应的特征集包括当天及其前七天内的天气数据、相关变量和二元指示变量。

22、进一步地，所述周前预测对应的特征集包括本周及其前三周内的天气数据、相关变量和二元指示变量。

23、本发明第二方面提供一种用于建筑的电力负荷预测系统，包括：

24、数据获取模块，用于获取建筑中的天气数据；所述天气数据至少包括温度和湿度；

25、变量计算模块，用于计算所述天气数据中的相关变量与二元指示变量；所述相关变量为与所述建筑的电力负荷相关度高的天气数据；所述二元指示变量为所述建筑在电力负荷峰值下的天气数据对应的风险阈值；

26、特征集构造模块，用于根据所述相关变量与二元指示变量构造特征集；

27、负荷预测模块，用于将所述特征集输入至卷积双向长短期神经网络分位数回归模型中进行建筑电力负荷预测，得到短期建筑电力负荷预测结果；所述卷积双向长短期神经网络分位数回归模型包括输入层、卷积神经网络cnn层、双向长短期神经网络层、注意力层和输出层。

28、本发明第三方面提供一种电子装置，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述第一方面中任意一项所述的用于建筑的电力负荷预测方法。

29、本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述第一方面中任意一项所述的用于建筑的电力负荷预测方法。

30、与现有技术相比，本发明实施例的有益效果在于：

31、本发明提供一种用于建筑的电力负荷预测方法、系统、设备及介质，其中方法包括：获取建筑中的天气数据；所述天气数据至少包括温度和湿度；计算所述天气数据中的相关变量与二元指示变量；所述相关变量为与所述建筑的电力负荷相关度高的天气数据；所述二元指示变量为所述建筑在峰值电力负荷下的天气数据对应的风险阈值；根据所述相关变量与二元指示变量构造特征集；将所述特征集输入至卷积双向长短期神经网络分位数回归模型中进行建筑电力负荷预测，得到短期建筑电力负荷预测结果；所述卷积双向长短期神经网络分位数回归模型包括输入层、卷积神经网络cnn层、双向长短期神经网络层、注意力层和输出层。本发明解决了现有技术中单一模型的负荷预测情景少，且缺少针对建筑的峰值负荷预测的问题；将特征集输入到混合神经网络预测模型中，有效的减小单一预测模型的局限性，提高了负荷预测精度；所使用的模型不仅具有良好的预测性能，而且能提供更多有关于负荷未来信息。

技术特征：

1.一种用于建筑的电力负荷预测方法，其特征在于，包括：

2.根据权利要求1所述的一种用于建筑的电力负荷预测方法，其特征在于，所述计算所述天气数据中的相关变量，包括：

3.根据权利要求1所述的一种用于建筑的电力负荷预测方法，其特征在于，所述计算所述天气数据中的二元指示变量，包括：

4.根据权利要求1所述的一种用于建筑的电力负荷预测方法，其特征在于，所述将所述特征集输入至卷积双向长短期神经网络分位数回归模型中进行建筑电力负荷预测，得到短期建筑电力负荷预测结果，包括：

5.根据权利要求1所述的一种用于建筑的电力负荷预测方法，其特征在于，所述建筑电力负荷预测包括日前预测和周前预测；所述日前预测以天为周期，并以当天为基准，对应的预测结果为下一天的短期建筑电力负荷数据；所述周前预测以周为周期，并以本周为基准，对应的预测结果为下周的短期建筑电力负荷数据。

6.根据权利要求5所述的一种用于建筑的电力负荷预测方法，其特征在于，所述日前预测对应的特征集包括当天及其前七天内的天气数据、相关变量和二元指示变量。

7.根据权利要求5所述的一种用于建筑的电力负荷预测方法，其特征在于，所述周前预测对应的特征集包括本周及其前三周内的天气数据、相关变量和二元指示变量。

8.一种用于建筑的电力负荷预测系统，其特征在于，包括：

9.一种电子设备，其特征在于，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权利要求1至7中任意一项所述的用于建筑的电力负荷预测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的用于建筑的电力负荷预测方法。

技术总结
本发明公开了一种用于建筑的电力负荷预测方法、系统、设备及介质，该方法包括：获取建筑中的天气数据；所述天气数据至少包括温度和湿度；计算所述天气数据中的相关变量与二元指示变量；所述相关变量为与所述建筑的电力负荷相关度高的天气数据；所述二元指示变量为所述建筑在电力负荷峰值下的天气数据对应的风险阈值；根据所述相关变量与二元指示变量构造特征集；将所述特征集输入至卷积双向长短期神经网络分位数回归模型中进行建筑电力负荷预测，得到短期建筑电力负荷预测结果；所述卷积双向长短期神经网络分位数回归模型包括输入层、卷积神经网络CNN层、双向长短期神经网络层、注意力层和输出层；提高了建筑的电力负荷预测精度。

技术研发人员：陈腾,阮舟,章军华,芦浩,贺耀旭,宋宇航
受保护的技术使用者：国网浙江省电力有限公司淳安县供电公司
技术研发日：
技术公布日：2024/2/21