集群负荷预测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种集群负荷预测方法、装置及存储介质，其方法包括：获取待预测集群对应的样本集群中每个个体的历史用电数据以及同一时期的外部数据；通过机器学习算法学习拟合个体的历史用电数据与同一时期的外部数据，形成个体的用电负荷预测模型；获取待预测集群的外部数据，基于所述待预测集群的外部数据，并通过个体的用电负荷预测模型，对待预测集群总体负荷进行预测，其中，还可以结合个体的用电负荷预测模型及误差修正模型，对待预测集群总体负荷进行预测。本发明专利技术提高了集群负荷预测的精细化程度和预测效果。

Cluster load forecasting method, device and storage medium

【技术实现步骤摘要】
集群负荷预测方法、装置及存储介质
本专利技术涉及电力
，尤其涉及一种基于分布式用电数据与外部信息的集群负荷预测方法、装置及存储介质。
技术介绍
电力系统负荷预测对于电力系统运行调度以及发电计划安排是非常重要的内容，它既是保证电力系统安全经济运行和实现电网科学管理及调度的重要方面，又是能量管理系统的组成部分，也是今后进行电网商业化运营所必需的内容。传统研究是从总体负荷及外部数据去进行分析预测，但存在预测粗略忽略细节的问题，影响集群负荷预测的精细化程度。
技术实现思路
本专利技术的主要目的在于提供一种集群负荷预测方法、装置及存储介质，旨在提高集群负荷预测的精细化程度及预测效果。为实现上述目的，本专利技术提供的一种集群负荷预测方法，包括：获取待预测集群对应的样本集群中每个个体的历史用电数据以及同一时期的外部数据；通过机器学习算法学习拟合所述个体的历史用电数据与所述同一时期的外部数据，形成个体的用电负荷预测模型；获取待预测集群的外部数据，基于所述待预测集群的外部数据，并通过所述个体的用电负荷预测模型，对待预测集群总体负荷进行预测，输出集群负荷预测值。可选地，所述获取待预测集群的外部数据，基于所述待预测集群的外部数据，并通过所述个体的用电负荷预测模型，对待预测集群总体负荷进行预测，输出集群负荷预测值的步骤之前还包括：创建个体的用电负荷与集群总体负荷间的误差修正模型；所述获取待预测集群的外部数据，基于所述待预测集群的外部数据，并通过所述个体的用电负荷预测模型，对待预测集群总体负荷进行预测，输出集群负荷预测值的步骤包括：结合所述个体的用电负荷预测模型及误差修正模型，对待预测集群总体负荷进行预测，输出集群负荷预测值。可选地，所述创建个体的用电负荷与集群总体负荷间的误差修正模型的步骤包括：获取与所述每个个体的历史用电数据同一时期的个体所属集群的历史总负荷，作为所述待预测集群对应的样本集群总体负荷；基于所述个体的用电负荷预测模型对待预测集群对应的样本集群中个体的用电负荷进行预测，得到各个个体的用电负荷预测值；累计各个个体的用电负荷预测值，得到个体的负荷预测累加值；分析所述个体的负荷预测累加值与所述样本集群总体负荷的数据关联关系，形成个体的用电负荷与集群总体负荷间的误差修正模型。可选地，所述获取待预测集群对应的样本集群中每个个体的历史用电数据以及同一时期的外部数据的步骤之后，还包括：对所述个体的历史用电数据以及同一时期的外部数据进行预处理；所述通过机器学习算法学习拟合所述个体的历史用电数据与同一时期的外部数据，形成个体的用电负荷预测模型的步骤包括：通过机器学习算法学习拟合预处理后的个体的历史用电数据与同一时期的外部数据，形成个体的用电负荷预测模型。可选地，所述外部数据包括：气象数据、经济数据、社会信息中的一种或多种；所述个体的用电负荷预测模型为神经网络模型或线性回归模型；所述误差修正模型为线性回归模型或极限学习机模型。可选地，所述方法还包括：将所述集群负荷预测值输出至电力业务平台，为所述电力业务平台提供数据支持；或者，基于所述集群负荷预测值进行异常用电行为检测。此外，本专利技术实施例还提出一种集群负荷预测装置，包括：数据获取模块，用于获取待预测集群对应的样本集群中每个个体的历史用电数据以及同一时期的外部数据；负荷预测模型创建模块，用于通过机器学习算法学习拟合所述个体的历史用电数据与同一时期的外部数据，形成个体的用电负荷预测模型；预测模块，用于获取待预测集群的外部数据，基于所述待预测集群的外部数据，并通过所述个体的用电负荷预测模型，对待预测集群总体负荷进行预测，输出集群负荷预测值。可选地，所述装置还包括：误差修正模型创建模块，用于创建个体的用电负荷与集群总体负荷间的误差修正模型；所述预测模块，还用于获取待预测集群的外部数据，基于所述待预测集群的外部数据，并结合所述个体的用电负荷预测模型及误差修正模型，对待预测集群总体负荷进行预测，输出集群负荷预测值。本专利技术实施例还提出一种集群负荷预测装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的集群负荷预测方法的步骤。本专利技术实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的集群负荷预测方法的步骤。本专利技术实施例提出的一种集群负荷预测方法、装置及存储介质，通过获取待预测集群对应的样本集群中每个个体的历史用电数据以及同一时期的外部数据；通过机器学习算法学习拟合个体的历史用电数据与同一时期的外部数据，形成个体的用电负荷预测模型；获取待预测集群的外部数据，基于所述待预测集群的外部数据，并通过个体的用电负荷预测模型，对待预测集群总体负荷进行预测，输出集群负荷预测值，实现对异常用户的快速准确判别，为电力调度和发电计划安排等电力业务提供数据支撑；此外还可以结合个体的用电负荷预测模型及误差修正模型，对待预测集群总体负荷进行预测。相比现有技术，本专利技术将集群负荷预测这个大任务分解成对于大量个体的负荷预测子任务，充分利用了电力系统中的精细化量测数据，从而通过对个体数据的微观研究分析为宏观负荷预测提供帮助，将更多的量测数据考虑进负荷预测中，利用精细化影响因素提高了集群负荷预测的精细化程度，而且通过机器学习算法挖掘个体与集群负荷间的数据误差，结合个体用电数据与气象和节假日等外部信息，综合考虑负荷变化趋势，提高了集群负荷的预测效果；此外，利用机器学习算法加快了负荷预测的速度，可以实现短期负荷预测的快速更新。附图说明图1是本专利技术集群负荷预测方法第一实施例的流程示意图；图2是本专利技术集群负荷预测方法第二实施例的流程示意图；图3是本专利技术集群负荷预测方法第三实施例的流程示意图；图4是本专利技术实施例涉及的集群负荷预测原理框图；图5是本专利技术实施例涉及的集群负荷预测流程示意图；图6是本专利技术实施例集群负荷预测方法的居民用户负荷预测与实际测量对比示意图；图7是本专利技术实施例集群负荷预测方法的在测试数据中预测精度与其他方法的对比示意图；图8是本专利技术实例1中涉及的人工神经网络结构示意图；图9是采用图8所示的人工神经网络进行测试的测试结果示意图；图10是本专利技术实例1中集群用户负荷误差修正时将预测结果累加后与真实集群负荷用电量进行对比示意图；图11是图10中经过误差修正后的数据结果示意图；图12是本专利技术实例2中个体负荷预测算法训练中数据回归预测效果示意图；图13是本专利技术实例2中集群用户负荷误差修正测试结果示意图；图14是本专利技术实例3中个体负荷预测结果示意图；图15是本专利技术实例3中集群用户负荷误差修正测试结果示意图；图16是本专利技术实例4中集群用户负荷误差修正测试结果本文档来自技高网...

【技术保护点】
1.一种集群负荷预测方法，其特征在于，包括：/n获取待预测集群对应的样本集群中每个个体的历史用电数据以及同一时期的外部数据；/n通过机器学习算法学习拟合所述个体的历史用电数据与所述同一时期的外部数据，形成个体的用电负荷预测模型；/n获取待预测集群的外部数据，基于所述待预测集群的外部数据，并通过所述个体的用电负荷预测模型，对待预测集群总体负荷进行预测，输出集群负荷预测值。/n

【技术特征摘要】
1.一种集群负荷预测方法，其特征在于，包括：
获取待预测集群对应的样本集群中每个个体的历史用电数据以及同一时期的外部数据；
通过机器学习算法学习拟合所述个体的历史用电数据与所述同一时期的外部数据，形成个体的用电负荷预测模型；
获取待预测集群的外部数据，基于所述待预测集群的外部数据，并通过所述个体的用电负荷预测模型，对待预测集群总体负荷进行预测，输出集群负荷预测值。


2.根据权利要求1所述的方法，其特征在于，所述获取待预测集群的外部数据，基于所述待预测集群的外部数据，并通过所述个体的用电负荷预测模型，对待预测集群总体负荷进行预测，输出集群负荷预测值的步骤之前还包括：
创建个体的用电负荷与集群总体负荷间的误差修正模型；
所述获取待预测集群的外部数据，基于所述待预测集群的外部数据，并通过所述个体的用电负荷预测模型，对待预测集群总体负荷进行预测，输出集群负荷预测值的步骤包括：
获取待预测集群的外部数据，基于所述待预测集群的外部数据，并结合所述个体的用电负荷预测模型及误差修正模型，对待预测集群总体负荷进行预测，输出集群负荷预测值。


3.根据权利要求2所述的方法，其特征在于，所述创建个体的用电负荷与集群总体负荷间的误差修正模型的步骤包括：
获取与所述每个个体的历史用电数据同一时期的个体所属集群的历史总负荷，作为所述待预测集群对应的样本集群总体负荷；
基于所述个体的用电负荷预测模型对待预测集群对应的样本集群中个体的用电负荷进行预测，得到各个个体的用电负荷预测值；
累计各个个体的用电负荷预测值，得到个体的负荷预测累加值；
分析所述个体的负荷预测累加值与所述样本集群总体负荷的数据关联关系，形成个体的用电负荷与集群总体负荷间的误差修正模型。


4.根据权利要求1-3中任一项所述的方法，其特征在于，所述获取待预测集群对应的样本集群中每个个体的历史用电数据以及同一时期的外部数据的步骤之后，还包括：
对所述个体的历史用电数据以及同一时期的外部数据进行预处理；
所述通过机器学习算法学习拟合所述个体的历史用电数据与同一时期...

【专利技术属性】
技术研发人员：黎昱，汪建，汤奕，崔晗，
申请(专利权)人：中兴通讯股份有限公司，
类型：发明
国别省市：广东;44