电力系统分区负荷需求预测方法、系统、设备及存储介质与流程

本发明属于电力系统运行与控制领域，具体涉及一种电力系统分区负荷需求预测方法、系统、设备及存储介质。

背景技术：

1、电力系统调度是确保电力系统安全、稳定和经济运行的重要工作。在电力系统调度中，调度员通过监视和控制电力系统的运行状态，根据用电需求和能源供应情况，调整发电厂的输出功率和线路的潮流，以实现电力系统的供需平衡和安全稳定运行。

2、电力系统调度涉及的环节包括发电、输电、变电、配电和用电等。调度员需要根据用电需求和能源供应情况，制定调度计划，并根据实际情况进行调整。在调度过程中，调度员需要掌握电力系统的运行状态，包括负荷情况、设备状态、能源供应等，同时需要掌握电力系统的安全运行条件和稳定性要求。电力系统调度的任务包括保持发电与负荷的平衡、保障电能质量和可靠供电、优化调度策略等。为了实现这些任务，调度员需要掌握先进的调度技术和工具，并根据实际情况进行灵活应用。例如，调度员需要使用自动化系统和智能算法进行数据分析和决策，以及实时监控和调整电力系统的运行状态。

3、电力系统调度需要与发电厂、输电线路、配电网等各个部门紧密配合，以确保电力系统的安全稳定和经济运行。同时，调度员还需要与其他相关行业保持联系，如政府部门、能源供应商等，以协调电力资源的合理配置和利用。总之，电力系统调度是一项复杂而重要的工作，需要具备专业的知识和技能，并具备高度的责任心和职业素养。

4、分区负荷是电力系统负荷的一种形式，指的是在电力系统中将不同的区域或部分作为独立的系统进行管理和运行。各个区域的负荷为其区域内的电力负荷元件有功总加以及无功值总加。这些分区可以按照地理位置进行划分，比如，将一个城市或地区划分为不同的区域，每个区域都有自己的电力系统和负荷设备。如果主系统发生故障，可以迅速切换到分区负荷系统，确保电力供应不断。此外，电力系统分区负荷还可以根据电力系统的特点和应用场景进行划分。比如，可以将一个大型工业企业的用电网络划分为不同的区域，每个区域都有自己的电力系统和负荷设备。如果主系统发生故障，可以迅速切换到分区负荷系统，从而确保企业的生产不受影响。随着电力系统的快速发展和复杂化，电力系统的运行和调度面临着越来越多的挑战。其中，如何精确预测各区域的负荷需求是关键问题之一。负荷需求是指系统中额外的电力供应，以应对突发的电力需求波动。传统的预测方法主要基于统计模型和机器学习模型，然而这些模型的预测精度并不高，尤其对于具有时序性和复杂性的电力数据。

技术实现思路

1、本发明的目的在于针对上述现有技术中的问题，提供一种电力系统分区负荷需求预测方法、系统、设备及存储介质，采用长短期记忆网络(lstm)模型进行预测，可以不断提高预测精度，从而提前安排相应的负荷能源和设备，保证电力系统的稳定和可靠。

2、为了实现上述目的，本发明有如下的技术方案：

3、第一方面，提供一种电力系统分区负荷需求预测方法，其特征在于，包括：

4、根据预先建立的电力系统分区负荷模型，收集电力系统各分区的历史负荷需求数据和实时运行数据，进行数据预处理之后，分别得到训练数据集和测试数据集；

5、利用训练数据集对长短期记忆网络模型进行训练，得到分区负荷需求预测模型；

6、将测试数据集输入分区负荷需求预测模型，计算得到各电力系统分区的未来负荷预测值；

7、对计算得到的各电力系统分区的未来负荷预测值进行评估，根据评估结果调整电力系统分区负荷模型和分区负荷需求预测模型相关参数以及电力系统分区方案，求解得到实时运行数据对应的电力系统分区负荷需求。

8、作为一种优选的方案，所述电力系统分区负荷模型划分负荷区域，选择预测输入数据类型，构建输入数据与各区域的映射关系。

9、作为一种优选的方案，所述数据预处理的操作包括数据清洗、归一化，整理成适合长短期记忆网络模型输入的格式。

10、作为一种优选的方案，在所述利用训练数据集对长短期记忆网络模型进行训练的步骤中，长短期记忆网络模型进行以下调整：

11、选择长短期记忆网络层数、输入输出维度和神经元个数；

12、确定长短期记忆网络模型的batch size和epoch数，batch size的大小决定每个训练批次样本数，而epoch数是指全部数据迭代训练的次数；

13、选择长短期记忆网络模型的优化器和学习率；

14、确定长短期记忆网络模型的dropout rate；

15、确定长短期记忆网络模型的激活函数和损失函数。

16、作为一种优选的方案，在确定长短期记忆网络模型的batch size和epoch数的步骤中，batch size的值使用2的指数倍。

17、作为一种优选的方案，在选择长短期记忆网络模型的优化器和学习率的步骤中，优化器选择adam或rmsprop，学习率通过网格搜索或随机搜索进行选择。

18、作为一种优选的方案，所述确定长短期记忆网络模型的dropout rate的步骤中，使用交叉验证的方法来对dropout rate进行调整。

19、作为一种优选的方案，所述确定长短期记忆网络模型的激活函数和损失函数的步骤中，激活函数使用relu函数，对于二分类问题使用sigmoid函数，多分类问题使用softmax函数，损失函数根据不同的任务来选择。

20、第二方面，提供一种电力系统分区负荷需求预测系统，包括：

21、数据收集模块，用于根据预先建立的电力系统分区负荷模型，收集电力系统各分区的历史负荷需求数据和实时运行数据，进行数据预处理之后，分别得到训练数据集和测试数据集；

22、预测模型训练模块，用于利用训练数据集对长短期记忆网络模型进行训练，得到分区负荷需求预测模型；

23、负荷预测值计算模块，用于将测试数据集输入分区负荷需求预测模型，计算得到各电力系统分区的未来负荷预测值；

24、模型调整及分区负荷需求获取模块，用于对计算得到的各电力系统分区的未来负荷预测值进行评估，根据评估结果调整电力系统分区负荷模型和分区负荷需求预测模型相关参数以及电力系统分区方案，求解得到实时运行数据对应的电力系统分区负荷需求。

25、作为一种优选的方案，数据收集模块进行数据预处理的操作包括数据清洗、归一化，整理成适合长短期记忆网络模型输入的格式。

26、作为一种优选的方案，所述预测模型训练模块在利用训练数据集对长短期记忆网络模型进行训练时，对长短期记忆网络模型进行以下调整：

27、选择长短期记忆网络层数、输入输出维度和神经元个数；

28、确定长短期记忆网络模型的batch size和epoch数，batch size的大小决定每个训练批次样本数，而epoch数是指全部数据迭代训练的次数；

29、选择长短期记忆网络模型的优化器和学习率；

30、确定长短期记忆网络模型的dropout rate；

31、确定长短期记忆网络模型的激活函数和损失函数。

32、第三方面，提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时实现所述的电力系统分区负荷需求预测方法。

33、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存储有计算机程序，所述的计算机程序被处理器执行时实现所述的电力系统分区负荷需求预测方法。

34、相较于现有技术，本发明的第一方面至少具有如下的有益效果：

35、利用训练数据集对长短期记忆网络模型进行训练，得到分区负荷需求预测模型，长短期记忆网络(lstm)是一种特殊的循环神经网络(rnn)，它通过引入长期依赖和短期依赖的概念，有效地解决了传统rnn在处理时序数据时的梯度消失和梯度爆炸问题，因此，本发明利用长短期记忆网络(lstm)得到分区负荷需求预测模型，在时序预测领域具有很大的潜力。传统的电力系统分区负荷需求预测方法主要基于统计模型和机器学习模型，然而，这些模型的预测精度并不高，尤其对于具有时序性和复杂性的电力数据。因此，传统的电力系统分区负荷需求预测方法预测精度并不高，尤其对于具有时序性和复杂性特点的电力数据。本发明根据评估结果调整电力系统分区负荷模型和分区负荷需求预测模型相关参数以及电力系统分区方案，可以不断提高预测精度，最后求解得到实时运行数据对应的电力系统分区负荷需求，指导提前安排相应的负荷能源和设备，保证电力系统的稳定和可靠。本发明电力系统分区负荷需求预测方法获得优化解速度快，并且性能稳定，预测速度受输入数据的影响小，例如，网络阻塞对计算时间影响较小。同时，本发明预测方法较传统方法精度高。

36、可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。