一种短时负荷预测方法及装置制造方法及图纸

本发明专利技术公开了一种短时负荷预测方法及装置，该方法包括：获取包括环境数据及对应负荷数据的历史数据，并利用非参数概率密度函数估计建立环境数据及负荷数据之间的关系；基于关系获取历史数据中的自适应遗忘因子，构建基于自适应遗忘因子的时变Cook距离统计量；利用时变Cook距离统计量对历史数据中的负荷数据进行检测，如果检测出异常数据，则利用非参数概率密度函数估计基于异常数据对应的环境数据对异常数据进行修复；对修复完成的异常数据及其他历史数据进行训练得到对应的负荷预测模型，并运用MCSO算法对负荷预测模型进行优化，以利用该负荷预测模型实现短时负荷预测，从而大大提高了负荷预测模型及短时负荷预测的预测精度。

Short term load forecasting method and device

The invention discloses a short-term load forecasting method and device, the method includes: obtaining environmental data including historical data and the corresponding load data, and the relation between the establishment of environmental data and load data of non parametric probability density function; the relationship between historical data to obtain adaptive forgetting factor based on the construction of Cook distance based on adaptive forgetting factor; using time-varying Cook distance to detect the load data in historical data, if the detected abnormal data, using the nonparametric estimation of probability density function of environmental data based on abnormal data corresponding to abnormal data repair; complete the repair of abnormal data and other historical data for training forecast the corresponding load model, and use MCSO algorithm to optimize the prediction model of the load, to take advantage of the negative Load forecasting model realizes short-term load forecasting, thus greatly improving the prediction accuracy of load forecasting model and short-term load forecasting.

【技术实现步骤摘要】
一种短时负荷预测方法及装置
本专利技术涉及电力负荷预测
，更具体地说，涉及一种短时负荷预测方法及装置。
技术介绍
负荷预测是电力市场发展的必要手段之一，能够准确的预测到某一具体时刻的电力负荷值，对电力系统具有重要的经济意义和社会意义。短时负荷预测是对某日内每个时刻(例如每日的负荷曲线由24、48、96、144或288个点组成)的负荷，其目的是安排日开停机组计划和发电计划。近些年来，人工智能及机器学习在短时负荷预测研究领域得到迅猛发展，学者们通过数学建模对负荷预测进行了一系列研究，提出了许多解决负荷预测问题的方法，一般在进行上述数学建模时均需要使用到历史上产生的负荷数据，但是，如果这些负荷数据中存在异常的数据，就会对数学建模产生影响，进而导致对应预测模型的预测精度大大降低，对应的，利用这种预测模型实现负荷的预测时会出现精度较低的情况。综上所述，如何提供一种预测精度较高的短时负荷预测的技术方案，是目前本领域技术人员亟待解决的问题。
技术实现思路
本专利技术的目的是提供一种短时负荷预测方法及装置，以达到较高的预测精度。为了实现上述目的，本专利技术提供如下技术方案：一种短时负荷预测方法，包括：获取包括环境数据及对应负荷数据的历史数据，并利用非参数概率密度函数估计建立所述环境数据及所述负荷数据之间的关系；基于所述关系获取所述历史数据中的自适应遗忘因子，构建基于所述自适应遗忘因子的时变Cook距离统计量；利用所述时变Cook距离统计量对所述历史数据中的负荷数据进行检测，如果检测出异常数据，则利用非参数概率密度函数估计基于所述异常数据对应的环境数据对所述异常数据进行修复；对修复完成的所述异常数据及其他所述历史数据进行训练得到对应的负荷预测模型，并运用MCSO算法对所述负荷预测模型进行优化，以利用该负荷预测模型实现短时负荷预测。优选的，获取包括环境数据及对应负荷数据的历史数据，包括：获取包括环境数据及对应负荷数据的历史数据，其中所述环境数据包括湿度数据及温度数据。优选的，基于所述关系获取所述历史数据中的自适应遗忘因子，包括：利用递归最小二乘法基于所述关系获取所述历史数据中的自适应遗忘因子。优选的，对修复完成的所述异常数据及其他所述历史数据进行训练得到对应的负荷预测模型，包括：利用ORELM对修复完成的所述异常数据及其他所述历史数据进行训练得到对应的负荷预测模型。一种短时负荷预测装置，包括：处理模块，用于：获取包括环境数据及对应负荷数据的历史数据，并利用非参数概率密度函数估计建立所述环境数据及所述负荷数据之间的关系；构建模块，用于：基于所述关系获取所述历史数据中的自适应遗忘因子，构建基于所述自适应遗忘因子的时变Cook距离统计量；修复模块，用于：利用所述时变Cook距离统计量对所述历史数据中的负荷数据进行检测，如果检测出异常数据，则利用非参数概率密度函数估计基于所述异常数据对应的环境数据对所述异常数据进行修复；训练模块，用于：对修复完成的所述异常数据及其他所述历史数据进行训练得到对应的负荷预测模型，并运用MCSO算法对所述负荷预测模型进行优化，以利用该负荷预测模型实现短时负荷预测。优选的，所述处理模块包括：获取单元，用于：获取包括环境数据及对应负荷数据的历史数据，其中所述环境数据包括湿度数据及温度数据。优选的，所述构建模块包括：构建单元，用于：利用递归最小二乘法基于所述关系获取所述历史数据中的自适应遗忘因子。优选的，所述训练模块包括：训练单元，用于：利用ORELM对修复完成的所述异常数据及其他所述历史数据进行训练得到对应的负荷预测模型。本专利技术提供了一种短时负荷预测方法及装置，其中该方法包括：获取包括环境数据及对应负荷数据的历史数据，并利用非参数概率密度函数估计建立所述环境数据及所述负荷数据之间的关系；基于所述关系获取所述历史数据中的自适应遗忘因子，构建基于所述自适应遗忘因子的时变Cook距离统计量；利用所述时变Cook距离统计量对所述历史数据中的负荷数据进行检测，如果检测出异常数据，则利用非参数概率密度函数估计基于所述异常数据对应的环境数据对所述异常数据进行修复；对修复完成的所述异常数据及其他所述历史数据进行训练得到对应的负荷预测模型，并运用MCSO算法对所述负荷预测模型进行优化，以利用该负荷预测模型实现短时负荷预测。本专利技术实施例提供的上述技术方案，在利用获取到的历史数据进行负荷预测模型的建立前，需要利用基于自适应遗忘因子的时变Cook距离统计量检测负荷数据中是否存在异常数据，并利用非参数概率密度函数估计基于检测出的异常数据对应的环境数据对异常数据进行修复，以在修复完成后利用修复完成的异常数据及其他全部历史数据训练负荷预测模型，并运用MCSO算法对负荷预测模型进行优化，利用该负荷预测模型实现短时负荷预测，从而避免异常数据对对应的负荷预测模型产生的影响，大大提高了负荷预测模型的预测精度，进一步提高了利用该负荷预测模型实现短时负荷预测的预测精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例提供的一种短时负荷预测方法的流程图；图2为本专利技术实施例提供的一种短时负荷预测方法中不同预测方法的第一种结果示意图；图3为本专利技术实施例提供的一种短时负荷预测方法中不同预测方法的第二种结果示意图；图4为本专利技术实施例提供的一种短时负荷预测方法中预测日温度和湿度的变化情况的示意图；图5为本专利技术实施例提供的一种短时负荷预测方法中考虑累积效应前后的预测结果对比的示意图；图6为本专利技术实施例提供的一种短时负荷预测装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，其示出了本专利技术实施例提供的一种短时负荷预测方法的流程图，可以包括以下步骤：S11：获取包括环境数据及对应负荷数据的历史数据，并利用非参数概率密度函数估计建立环境数据及负荷数据之间的关系。需要说明的是历史数据即为历史上已经产生的数据，而对历史数据的数据采样频率可以为30分钟，历史数据包括环境数据及负荷数据，其中环境数据及负荷数据是对应的，也即在某一时刻的环境数据与该时刻的负荷数据相对应。利用非参数概率密度函数估计(non-parameterprobabilitydensityfunctionestimation,NPDF)建立环境数据及负荷数据之间的关系，也即获取到环境数据及负荷数据之间的对应关系，通过建立的该关系，能够通过某一时刻的环境数据得知该时刻的负荷数据；通过该关系的建立能够实现对于环境数据对负荷数据的影响的详细分析，以保证后续步骤的顺利实现。具体来说，由于负荷具有季节性的特性，即负荷在不同季节随环境因素的变化情况是不同的，因此步骤S11在获取到历史数据后，还可以将历史数据基于该历史数据的产生时间划分到不同季本文档来自技高网...

【技术保护点】
一种短时负荷预测方法，其特征在于，包括：获取包括环境数据及对应负荷数据的历史数据，并利用非参数概率密度函数估计建立所述环境数据及所述负荷数据之间的关系；基于所述关系获取所述历史数据中的自适应遗忘因子，构建基于所述自适应遗忘因子的时变Cook距离统计量；利用所述时变Cook距离统计量对所述历史数据中的负荷数据进行检测，如果检测出异常数据，则利用非参数概率密度函数估计基于所述异常数据对应的环境数据对所述异常数据进行修复；对修复完成的所述异常数据及其他所述历史数据进行训练得到对应的负荷预测模型，并运用MCSO算法对所述负荷预测模型进行优化，以利用该负荷预测模型实现短时负荷预测。

【技术特征摘要】
1.一种短时负荷预测方法，其特征在于，包括：获取包括环境数据及对应负荷数据的历史数据，并利用非参数概率密度函数估计建立所述环境数据及所述负荷数据之间的关系；基于所述关系获取所述历史数据中的自适应遗忘因子，构建基于所述自适应遗忘因子的时变Cook距离统计量；利用所述时变Cook距离统计量对所述历史数据中的负荷数据进行检测，如果检测出异常数据，则利用非参数概率密度函数估计基于所述异常数据对应的环境数据对所述异常数据进行修复；对修复完成的所述异常数据及其他所述历史数据进行训练得到对应的负荷预测模型，并运用MCSO算法对所述负荷预测模型进行优化，以利用该负荷预测模型实现短时负荷预测。2.根据权利要求1所述的方法，其特征在于，获取包括环境数据及对应负荷数据的历史数据，包括：获取包括环境数据及对应负荷数据的历史数据，其中所述环境数据包括湿度数据及温度数据。3.根据权利要求2所述的方法，其特征在于，基于所述关系获取所述历史数据中的自适应遗忘因子，包括：利用递归最小二乘法基于所述关系获取所述历史数据中的自适应遗忘因子。4.根据权利要求1所述的方法，其特征在于，对修复完成的所述异常数据及其他所述历史数据进行训练得到对应的负荷预测模型，包括：利用ORELM对修复完成的所述异常数据及其他所述历史数据进行训练得到对应的负荷预...

【专利技术属性】
技术研发人员：王星华，鲁迪，张丹，郑伟钦，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44