一种电力负荷短期预测方法、模型、装置及系统制造方法及图纸

本发明专利技术公开了一种电力负荷短期预测方法、模型、装置及系统，该方法包括：接收负荷数据，并对其缺失数据进行数据补全；接收影响因素数据，所述影响因素数据包括气温数据、节假日数据和行业数据，对影响因素采用与负荷数据相对应的量化方法进行量化；采用小波分解对负荷数据进行处理，并进行消噪和特征提取得到四个序列，分别与影响因素数据进行相关性分析，得到负荷特征与影响因素的相关对的集合；将根据负荷数据得到的四个序列采用三次指数平滑算法进行初步预测，将负荷特征与影响因素的相关对的集合采用ARIMA‑GARCH法预测得到调整因子，将初步预测结果与调整因子输入长短期记忆网络得到最终预测结果。

【技术实现步骤摘要】
一种电力负荷短期预测方法、模型、装置及系统
本公开属于电力系统的
，涉及一种电力负荷短期预测方法、模型、装置及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。电力是国民经济的命脉，它对经济建设、国家安全、社会稳定具有至关重要的作用。近年来，随着电力市场改革的深入开展，用电用户的电量和负荷对电力系统输送的电能质量的要求也越来越高。由于电能不能大量的储存，这就要求发电出力应该与电量和负荷的变化保持动态平衡。否则，轻则影响供电质量，重则危及系统的安全和稳定。因此，对负荷的变化进行预测估计是电力系统运行与发展的重要内容。电力负荷预测是电力市场的重要组成部分，是经济调度和电力生产规划的重要依据，也是电力市场顺利发展的必需数据。电力负荷预测从已知的用电需求出发，充分考虑政治、经济、气候等相关因素的影响，预测未来的用电需求。负荷预测的准确程度将直接影响到投资、网络布局和运行的合理性，若负荷及电量预测不足，电网的发展便不能适应实际发展的需要，无法满足用户正常用电需求，甚至还可能缺电；另一方面，若负荷及电量预测过高，则又会导致一些过多而不能充分利用的设备，从而引起投资的浪费。
技术实现思路
针对现有技术中存在的不足，本公开的一个或多个实施例提供了一种电力负荷短期预测方法、模型、装置及系统，结合影响因素分析、小波分解特征抽取、三次指数平滑时间序列分析及长短期记忆网络，通过构建的电力负荷短期预测模型进行电力负荷短期预测，有效提高负荷预测的准确性。根据本公开的一个或多个实施例的一个方面，提供一种电力负荷短期预测方法。一种电力负荷短期预测方法，该方法包括：接收负荷数据，并对其缺失数据进行数据补全；接收影响因素数据，所述影响因素数据包括气温数据、节假日数据和行业数据，对影响因素采用与负荷数据相对应的量化方法进行量化；采用小波分解对负荷数据进行处理，并进行消噪和特征提取得到四个序列，分别与影响因素数据进行相关性分析，得到负荷特征与影响因素的相关对的集合；将根据负荷数据得到的四个序列采用三次指数平滑算法进行初步预测，将负荷特征与影响因素的相关对的集合采用ARIMA-GARCH法预测得到调整因子，将初步预测结果与调整因子输入长短期记忆网络得到最终预测结果。进一步地，在该方法中，对负荷数据的缺失数据釆用改进kNNI法进行数据补全，所述改进kNNI法进行数据补全是通过分析接收的负荷数据内部之间的关系，得到负荷数据之间存在的规律性，推测缺失的数据进行数据补全。进一步地，所述改进kNNI法的具体步骤包括：基于接收的负荷数据对用户进行聚类；选择某一日期且与负荷数据待补全用户同类簇的用户负荷曲线，计算其他用户负荷曲线与待补全用户的负荷曲线的弗雷歇距离，并按从小到大的顺序排序，选择前k个用户的负荷曲线作为计算缺失值的源数据；将前k个用户与待补全用户的弗雷歇距离进行归一化处理，得到归一化序列，并与1做差作为每条负荷数据的权重；将k条数据与缺失数据同一时刻的负荷值加权求和作为补全值，对负荷数据的缺失数据进行数据补全。进一步地，在该方法中，所述对影响因素采用与负荷数据相对应的量化方法进行量化包括对气温数据的处理和对节假日数据的处理；对气温数据的处理的具体步骤包括：获取每日24点的气温值作为初始气温数据的气温集合、相对湿度集合、风力集合和采集天数集合；用户户每日所用总负荷表示为基础用电负荷和气温敏感负荷之和，基础用电负荷为春秋季平稳负荷序列平均值，利用用户户每日所用总负荷与基础用电负荷计算气温敏感负荷，得到量化后的气温数据；对节假日数据的处理的具体步骤包括：获取所述负荷数据对应节假日和周末的负荷数据，将节假日和周末负荷数据按每天24个时间段划分，将节假日每一时段与节假日之前与节假日之后的相同时段比较，得到量化后的节假日数据。进一步地，在该方法中，具体采用小波3层分解重构处理负荷数据，基于Haar小波采用Mallat算法对负荷数据进行分解和重构，将信号分解为不同频带分量，得到重构子序列。进一步地，在该方法中，所述相关性分析中，对于气温数据和节假日数据相关性分析中采用皮尔森相关系数分析法分别对小波分解后的各重构子序列与量化后的气温数据和节假日数据做相关性分析，得到重构子序列与气温数据和节假日数据的相关对集合；对于行业数据相关性分析中，将行业数据进行归一化，对于同一行业标签下的所有用户的重构子序列，分别按照四个重构子序列采用SOM聚类法进行SOM聚类，得到重构子序列与行业数据的相关对集合。进一步地，在该方法中，将根据负荷数据得到的四个序列采用累乘的三次指数平滑算法进行初步预测，得到初步预测结果；将负荷特征与影响因素的相关对的集合采用ARIMA-GARCH法预测每个序列的方差波动，将此结果作为各因素调整因子；将初步预测结果与调整因子作为长短期记忆网络的输入进行回归拟合，通过小波逆变换得到最终预测结果。根据本公开的一个或多个实施例的另一个方面，还提供一种电力负荷短期预测模型。一种电力负荷短期预测模型，基于所述的一种电力负荷短期预测方法构建电力负荷短期预测模型。根据本公开的一个或多个实施例的另一个方面，还提供一种计算机可读存储介质。一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种电力负荷短期预测方法。根据本公开的一个或多个实施例的另一个方面，还提供一种终端设备。一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种电力负荷短期预测方法。根据本公开的一个或多个实施例的另一个方面，还提供一种电力负荷短期预测系统。一种电力负荷短期预测系统，基于所述的一种电力负荷短期预测方法，包括：数据爬取模块和所述的终端设备；数据爬取模块，被配置为从用电信息采集系统采集海量的负荷数据，爬取气温数据、节假日数据和行业数据，并发送至所述终端设备。本公开的有益效果：(1)本公开所述的一种电力负荷短期预测方法、模型、装置及系统，在充分考虑一些重要的系统运行特性、增容决策、自然条件和社会影响的条件下，有效预测未来某些特定时刻的负荷数据，有利于计划用电管理，合理安排电网运行方式和建立机组检修计划，有利于节煤、节油，减少能耗和降低发电成本，有利于合理的安排电网的增容和改建、决定电网的建设和发展，有利于提高电力系统的经济效益和社会效益。(2)本公开所述的一种电力负荷短期预测方法、模型、装置及系统，将获取到的海量负荷数据，对其存在部分缺失的负荷数据釆用基于改进kNNI的方法进行数据补全，针对传统kNNI算法的不足，改进了kNNI算法使之适用于电力负荷数据且补全值准确性高，从而提高负荷预测的准确性。(3)本公开所述的一种电力负荷短期预测方法、模型、装置及系统，采用小波3层分解重构对负荷数据处理，有效解决海量负荷数据中蕴含大量噪声的问题，并进行消噪和特征提取，得到的四个序列，分别与气温、节假日和行业数据进行相关性分析；小波分解后的低频和高频分量表示数据不同的内部特征，与气温、节假日和行业做相关性分析后，可以得到每个影响因素与各特征子序列的相关性。(4)本公开所述的一种电力负荷短期预测方法、模型、装置及本文档来自技高网...

【技术保护点】
1.一种电力负荷短期预测方法，其特征在于，该方法包括：接收负荷数据，并对其缺失数据进行数据补全；接收影响因素数据，所述影响因素数据包括气温数据、节假日数据和行业数据，对影响因素采用与负荷数据相对应的量化方法进行量化；采用小波分解对负荷数据进行处理，并进行消噪和特征提取得到四个序列，分别与影响因素数据进行相关性分析，得到负荷特征与影响因素的相关对的集合；将根据负荷数据得到的四个序列采用三次指数平滑算法进行初步预测，将负荷特征与影响因素的相关对的集合采用ARIMA‑GARCH法预测得到调整因子，将初步预测结果与调整因子输入长短期记忆网络得到最终预测结果。

【技术特征摘要】
1.一种电力负荷短期预测方法，其特征在于，该方法包括：接收负荷数据，并对其缺失数据进行数据补全；接收影响因素数据，所述影响因素数据包括气温数据、节假日数据和行业数据，对影响因素采用与负荷数据相对应的量化方法进行量化；采用小波分解对负荷数据进行处理，并进行消噪和特征提取得到四个序列，分别与影响因素数据进行相关性分析，得到负荷特征与影响因素的相关对的集合；将根据负荷数据得到的四个序列采用三次指数平滑算法进行初步预测，将负荷特征与影响因素的相关对的集合采用ARIMA-GARCH法预测得到调整因子，将初步预测结果与调整因子输入长短期记忆网络得到最终预测结果。2.如权利要求1所述的一种电力负荷短期预测方法，其特征在于，在该方法中，对负荷数据的缺失数据釆用改进kNNI法进行数据补全，所述改进kNNI法进行数据补全是通过分析接收的负荷数据内部之间的关系，得到负荷数据之间存在的规律性，推测缺失的数据进行数据补全。进一步地，所述改进kNNI法的具体步骤包括：基于接收的负荷数据对用户进行聚类；选择某一日期且与负荷数据待补全用户同类簇的用户负荷曲线，计算其他用户负荷曲线与待补全用户的负荷曲线的弗雷歇距离，并按从小到大的顺序排序，选择前k个用户的负荷曲线作为计算缺失值的源数据；将前k个用户与待补全用户的弗雷歇距离进行归一化处理，得到归一化序列，并与1做差作为每条负荷数据的权重；将k条数据与缺失数据同一时刻的负荷值加权求和作为补全值，对负荷数据的缺失数据进行数据补全。3.如权利要求1所述的一种电力负荷短期预测方法，其特征在于，在该方法中，所述对影响因素采用与负荷数据相对应的量化方法进行量化包括对气温数据的处理和对节假日数据的处理；对气温数据的处理的具体步骤包括：获取每日24点的气温值作为初始气温数据的气温集合、相对湿度集合、风力集合和采集天数集合；用户户每日所用总负荷表示为基础用电负荷和气温敏感负荷之和，基础用电负荷为春秋季平稳负荷序列平均值，利用用户户每日所用总负荷与基础用电负荷计算气温敏感负荷，得到量化后的气温数据；对节假日数据的处理的具体步骤包括：获取所述负荷数据对应节假日和周末的负荷数据，将节假日和周末负荷数据按每天24...

【专利技术属性】
技术研发人员：史玉良，刘月灿，王新军，郑永清，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37