一种基于数据衍生的电力负荷预测方法技术

本发明专利技术公开了一种基于数据衍生的电力负荷预测方法，包括获取历史用电数据；将所述历史用电数据带入正态分布函数进行衍生拓展，得出拓展衍生得出的数据，历史用电数据与拓展衍生得出的数据共同作为用电负荷数据；将用电负荷数据划分成训练集与验证集；将训练集数据作为输入带入预设结构的模型，以输入固定时间的实际负荷作为输出进行训练，并在训练过程中带入验证集数据进行验证，得到预测模型；将一个时间段的用电负荷数据带入预测模型，得出下一个时间段的用电负荷预测结果，本发明专利技术提出的方法通过对将历史用电数据带入正态分布函数进行衍生拓展，增大了进行预测的数据量，进而提高了用电负荷预测的准确性。

A power load forecasting method based on data derivation

【技术实现步骤摘要】
一种基于数据衍生的电力负荷预测方法
本专利技术涉及智能用电
，特别是指一种基于数据衍生的电力负荷预测方法。
技术介绍
当前电力行业在开放售电环境下需要更加准确的用电负荷预测，辅助电网进行更好的管理，调离调配以及市场营销，为了能够提高预测的精度，有很多的预测技术提出，过去主要是基于统计学的原理以及专业经验的预测和预判。随着人工智能技术的发展，逐渐把人工智能技术应用到电力市场预测领域。采用人工智能技术进行电力预测对数据的依赖比较强，但由于智能电表的推广较晚，通过电表统计得到的用户用电数据还是有限，尤其是一些偏远地区还没有进行智能电表的普及，用电数据的采集主要还是依靠人工记录，而且人工记录的数据遗失的情况较多，造成用电数据的样本数不足，对于用电负荷的预测的准确性会有一定的制约和限制。
技术实现思路
有鉴于此，本专利技术的目的在于提出一种基于数据衍生的电力负荷预测方法，用以解决用电数据样本数不足，进而影响预测准确性的问题。基于上述目的本专利技术提供的一种基于数据衍生的电力负荷预测方法，步骤为：获取历史用电数据；将所述历史用电数据带入正态分布函数进行衍生拓展，得出符合正态分布的历史用电数据，将符合正态分布的历史用电数据作为拓展衍生得出的数据，历史用电数据与拓展衍生得出的数据共同作为用电负荷数据；将用电负荷数据划分成训练集与验证集；将训练集数据作为输入带入预设结构的模型，以输入固定时间的实际负荷作为输出进行训练，并在训练过程中带入验证集数据进行验证，得到预测模型；将一个时间段的用电负荷数据带入预测模型，得出下一个时间段的用电负荷预测结果。可选的，所述正态分布函数为：其中，x为历史用电数据，μ为历史用电数据的平均数，σ为标准差，f(x)为正态分布函数。可选的，所述历史用电数据与拓展衍生得出的数据共同作为用电负荷数据之后还包括对用电负荷数据进行预处理。可选的，所述对用电负荷数据进行预处理包括:对历史用电数据去除噪声、进行数据优化；获取历史用电数据时间段内的气象信息、节假日信息与重大事件的日期并进行标记；根据标记情况对历史用电数据进行包括但不限于去冗余、缺失值均值插补、数据标准化的处理。可选的，所述将训练集数据作为输入带入预设结构的模型，以输入固定时间的实际负荷作为输出进行训练，并在训练过程中带入验证集数据进行验证，得到预测模型的步骤包括：构造空洞卷积神经网络模型作为预设结构的模型；选取训练集数据作为模型输入，以输入固定时间的实际负荷作为模型输出的训练目标，通过多次迭代训练空洞卷积神经网络模型至收敛；在训练过程中使用验证集数据验证训练好的模型，调整模型参数，使模型最优化，得出预测模型。可选的，所述构造空洞卷积神经网络模型的方法包括：建立标准卷积神经网络模型，并确定卷积核大小；在卷积核元素之间插入空格，得出空洞卷积的卷积核大小；设定空洞卷积的卷积核的空洞率。可选的，所述空洞卷积的卷积核大小公式为：n＝k+(k-1)*(d-1)其中，n为空洞卷积的卷积核大小，k为标准卷积神经网络模型的卷积核大小，d为空洞率，d-1为插入的空格数。可选的，所述将用电负荷数据划分成训练集与验证集包括：将用电负荷数据划分成训练集、验证集与测试集，其中，训练集数据作为预设结构的模型的输入，验证集数据用于在模型训练过程中进行验证，测试集的数据用于验证训练好的预测模型。可选的，所述用电负荷数据的60-80％划分为训练集，剩余的用电负荷数据均分为验证集与测试集。从上面所述可以看出，本专利技术提出的基于数据衍生的电力负荷预测方法，通过对将历史用电数据带入正态分布函数进行衍生拓展，增大了进行预测的数据量，进而提高了用电负荷预测的准确性。附图说明图1为本专利技术的实施例的基于数据衍生的电力负荷预测方法的流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。基于上述目的，本专利技术提供一种基于数据衍生的电力负荷预测方法，作为本专利技术的一种实施方式，如图1所示，具体步骤为：S101获取历史用电数据；其中，历史用电数据包括一个地区一年的用电数据，或者更久时间的用电数据；S102将所述历史用电数据带入正态分布函数进行衍生拓展，得出符合正态分布的历史用电数据，将符合正态分布的历史用电数据作为拓展衍生得出的数据，历史用电数据与拓展衍生得出的数据共同作为用电负荷数据；S103将用电负荷数据划分成训练集与验证集；S104将训练集数据作为输入带入预设结构的模型，以输入固定时间的实际负荷作为输出进行训练，并在训练过程中带入验证集数据进行验证，得到预测模型；S105将一个时间段的用电负荷数据带入预测模型，得出下一个时间段的用电负荷预测结果。本专利技术采用的电力负荷预测方法，通过将历史用电数据带入正态分布函数进行衍生拓展，衍生出更早一段时间的历史用电数据，增大了进行预测的数据量，进而提高了用电负荷预测的准确性。在一种实施方式中，步骤S102中的正态分布函数为：其中，x为历史用电数据，μ为历史用电数据的平均数，σ为标准差，f(x)为正态分布函数，根据实际应用选取一个标准差或两个标准差内的数据作为衍生数据。在一种实施方式中，S102中的所述历史用电数据与拓展衍生得出的数据共同作为用电负荷数据之后还包括对用电负荷数据进行预处理。其中，需要进行预处理的数据包括之前采集的历史用电数据，同时也包括拓展衍生得出的数据。具体的说，所述对用电负荷数据进行预处理包括:对历史用电数据去除噪声、进行数据优化，减少噪声对预测效果的影响；获取历史用电数据时间段内的气象信息、节假日信息与重大事件的日期并进行标记；气象的不同以及节假日、重大事件都会影响用电量，比如每年的春节都不一样，有的时候是1月份，有的时候是2月份，又比如有的年份存在天气的特殊情况，比如冬季是暖冬的情况，或者夏天降雨特别多等情况，针对这些时间段的用电数据要进行特殊标记，并进行处理。根据标记情况对历史用电数据进行包括但不限于去冗余、缺失值均值插补、数据标准化的处理。在一种实施方式中，步骤S104具体包括：构造空洞卷积神经网络模型作为预设结构的模型；空洞卷积在卷积的时候，会在卷积核元素之间插入空格，空洞卷积很好的提高了特征图片的感受野，抽取更大的数据用电特征，能够对于预测效率进行有效的提升；选取训练集数据作为模型输入，以输入固定时间的实际负荷作为模型输出的训练目标，通过多次迭代训练空洞卷积神经网络模型至收敛；在训练过程中使用验证集数据验证训练好的模型，调整模型参数，使模型最优化，得出预测模型。验证集的设置是为了防止模型的过拟合。具体的说，所述构造空洞卷积神经网络模型的方法包括：本文档来自技高网...

【技术保护点】
1.一种基于数据衍生的电力负荷预测方法，其特征在于，步骤为：/n获取历史用电数据；/n将所述历史用电数据带入正态分布函数进行衍生拓展，得出符合正态分布的历史用电数据，将符合正态分布的历史用电数据作为拓展衍生得出的数据，历史用电数据与拓展衍生得出的数据共同作为用电负荷数据；/n将用电负荷数据划分成训练集与验证集；/n将训练集数据作为输入带入预设结构的模型，以输入固定时间的实际负荷作为输出进行训练，并在训练过程中带入验证集数据进行验证，得到预测模型；/n将一个时间段的用电负荷数据带入预测模型，得出下一个时间段的用电负荷预测结果。/n

【技术特征摘要】
1.一种基于数据衍生的电力负荷预测方法，其特征在于，步骤为：
获取历史用电数据；
将所述历史用电数据带入正态分布函数进行衍生拓展，得出符合正态分布的历史用电数据，将符合正态分布的历史用电数据作为拓展衍生得出的数据，历史用电数据与拓展衍生得出的数据共同作为用电负荷数据；
将用电负荷数据划分成训练集与验证集；
将训练集数据作为输入带入预设结构的模型，以输入固定时间的实际负荷作为输出进行训练，并在训练过程中带入验证集数据进行验证，得到预测模型；
将一个时间段的用电负荷数据带入预测模型，得出下一个时间段的用电负荷预测结果。


2.根据权利要求1所述的基于数据衍生的电力负荷预测方法，其特征在于，
所述正态分布函数为：



其中，x为历史用电数据，μ为历史用电数据的平均数，σ为标准差，f(x)为正态分布函数。


3.根据权利要求1所述的基于数据衍生的电力负荷预测方法，其特征在于，所述历史用电数据与拓展衍生得出的数据共同作为用电负荷数据之后还包括对用电负荷数据进行预处理。


4.根据权利要求3所述的基于数据衍生的电力负荷预测方法，其特征在于，所述对用电负荷数据进行预处理包括:
对历史用电数据去除噪声、进行数据优化；
获取历史用电数据时间段内的气象信息、节假日信息与重大事件的日期并进行标记；
根据标记情况对历史用电数据进行包括但不限于去冗余、缺失值均值插补、数据标准化的处理。


5.根据权利要求1所述的基于数据衍生的电力负荷预测方法，其特征在于，所述将训练集数据作为输入...

【专利技术属性】
技术研发人员：毛永泉，庄斌，唐新忠，李天杰，李迪，于志远，高立忠，王艳如，马明明，杜晔，
申请(专利权)人：北京国电通网络技术有限公司，国网浙江省电力有限公司电力科学研究院，国网信息通信产业集团有限公司，
类型：发明
国别省市：北京;11