一种基于异常修复的电力负荷预测方法及系统技术方案

本发明专利技术涉及一种基于异常修复的电力负荷预测方法及系统，所述方法包括以下步骤：1)基于电力负荷样本数据训练获得一电力负荷预测模型；2)获取当前电力负荷数据，利用所述电力负荷预测模型预测获得t+1时刻预测值，t为当前时刻；3)获取t+1时刻实际值，比较所述t+1时刻预测值和t+1时刻实际值的差异，基于所述差异判断是否存在异常，若是，则对异常进行修复后返回步骤2)，若否，则直接返回步骤2)。与现有技术相比，本发明专利技术具有可实现异常修复、预测准确率高等优点。

【技术实现步骤摘要】
一种基于异常修复的电力负荷预测方法及系统
本专利技术涉及一种电力负荷预测方法，尤其是涉及一种基于异常修复的电力负荷预测方法及系统。
技术介绍
电力负荷预测是智能电网的一项重要功能。精准的短期电力负荷预测可以合理安排电力系统中的设备的维护方案，进而节省能源。由于电力负荷预测依赖于大量历史数据，原始负荷数据时间序列的可靠程度对任何方法的预报结果都有很大影响。在进行负荷预测的同时进行实时的异常检测和处理可以提高数据的可靠程度从而提高预测算法的准确性和稳定性。因此，研究负荷预测和异常修复算法对提高智能电网的性能有着重大意义。传统的电力负荷预测算法有移动平均线(MA)、指数平滑法(ES)、差分整合移动平均自回归模型(ARIMA)等，但是由于这些算法是在时间序列是线性相关的假设前提下进行预测的，不能准确捕捉到数据之间的相关性从而导致预测精度不高且不具备学习和自适应的功能。近年来，随着大数据、人工智能、物联网等技术的不断突破，许多基于神经网络的电力负荷预测研究不断涌现，尤其是对序列的非线性特征进行学习时具有一定优势的长短期记忆网络(LSTM)的模型，如专利申请CN110659775A公开的一种基于LSTM改进的电力短时负荷预测算法。使用这种方法来进行短期电力负荷预测，充分考虑到了负荷数据的相关性，可以达到较高的精度和系统稳定性。然而，已有的基于LSTM的电力负荷预测技术只考虑了真实数据无异常的情况，而没有考虑到由于电力系统故障或其他突发情况下的异常数据，从而不具备检测异常数据和自适应地修复异常的能力。在数据出现异常时，会出现预测误差高、抗干扰能力差的问题，因此无法在实际电力系统中运用。
技术实现思路
本专利技术的目的在于克服上述现有技术存在的缺陷而提供一种准确率高的基于异常修复的电力负荷预测方法及系统。本专利技术的目的可以通过以下技术方案来实现：一种基于异常修复的电力负荷预测方法，包括以下步骤：1)基于电力负荷样本数据训练获得一电力负荷预测模型；2)获取当前电力负荷数据，利用所述电力负荷预测模型预测获得t+1时刻预测值，t为当前时刻；3)获取t+1时刻实际值，比较所述t+1时刻预测值和t+1时刻实际值的差异，基于所述差异判断是否存在异常，若是，则对异常进行修复后返回步骤2)，若否，则直接返回步骤2)。进一步地，所述电力负荷预测模型为基于长短期记忆网络的预测模型。进一步地，所述基于长短期记忆网络的预测模型包括一层输入层、二层LSTM隐藏层和一层输出层，且每一层的神经元数量由交叉验证获得。进一步地，基于所述差异判断是否存在异常具体为：31)判断t+1时刻预测值Ypred和t+1时刻实际值Ytrue的绝对差是否满足|Ytrue-Ypred|≤T1，T1为第一设定阈值，若是，则判定当前实际负荷值无异常，若否，则执行步骤32)；32)判断t时刻实际值Ytruepre和t+1时刻实际值Ytrue的绝对差是否满足|Ytrue-Ytruepre|≤T2，T2为第二设定阈值，若是，则判定当前实际负荷值无异常，电力负荷预测模型存在误差，若否，则判定当前实际负荷值存在异常。进一步地，所述对异常进行修复具体为：在当前实际负荷值存在异常时，以t+1时刻预测值替代t+1时刻实际值进行下一次预测；在电力负荷预测模型存在误差时，对电力负荷预测模型进行调整后再进行下一次预测。进一步地，所述第一设定阈值通过以下步骤确定：311)获取历史负荷异常数据，包括异常负荷值和其对应的时间点；312)假设异常负荷值对应的时间点的值未知，使用所述电力负荷预测模型预测该时间点的负荷预测值；313)计算所有异常负荷值与负荷预测值之间的绝对差并求平均值，即：其中，是负荷预测值，Y’是异常负荷值，m是总异常样本数，Avg1表示求得的平均值；314)对该平均值向上取整并设为第一设定阈值T1＝「Avg1]。进一步地，所述第二设定阈值通过以下步骤确定：321)计算所有标准样本数据的前后时刻负荷值的绝对差并求平均值，即：其中，Xi是i时刻的标准样本负荷值，Xi-1是i-1时刻的标准样本负荷，n是总样本数，Avg2表示求得的平均值；322)对该平均值向上取整并设为阈值进一步地，训练所述电力负荷预测模型时，对电力负荷样本数据进行0均值预处理。本专利技术还提供一种基于异常修复的电力负荷预测系统，包括：存储部，用于存储当前电力负荷数据、电力负荷预测模型和计算机程序；处理部，调用所述计算机程序执行如所述电力负荷预测方法的步骤。与现有技术相比，本专利技术具有如下有益效果：1、本专利技术在预测过程中对预测值及实际值进行比较，预测过程中实时判定是否存在异常，及时对异常进行处理，提高预测准确性。2、本专利技术对异常情况进行全面考虑，包括实际值异常或预测模型误差，进一步提高准确性。3、本专利技术基于历史数据设定异常判定阈值，更为符合实际情况，提高异常检测准确性。附图说明图1为本专利技术实施例中使用的电力负荷数据按时间的分布图；图2为本专利技术的基本流程图；图3为本专利技术方法中使用的LSTM模型整体结构图；图4为本专利技术实施例中数据异常情况下的预测和修复结果，其中，(a)、(b)是对完全缺失数据不加修复和修复后的预测结果，(c)、(d)是对极大极小值数据不加修复和修复后的预测结果。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例1如图2所示，本实施例提供一种基于异常修复的电力负荷预测方法，包括：步骤1：基于电力负荷样本数据训练获得一电力负荷预测模型。本实施例采用的训练样本为某预测地区半年内每小时的电力负荷值，电力负荷数据按时间的分布如图1所示。由于训练样本中的数据全部为标准数据，没有异常样本。因为在实际实施中，人为引入异常样本。异常样本的具体构造方法分为两种，完全缺失数据的构造和极大极小值数据的构造。对完全缺失数据，可以在测试数据中随机将一段时间的负荷值设为0。本实施例将数据中的随机连续5个时间序列设置为0，其他不变。对于极大极小值，同样在测试数据中随机取一个时间点，将该时间点的前一时刻设为极大值，该时间点的后一时刻设为极小值即可。本实施例的电力负荷预测模型为基于长短期记忆网络(LSTM)的预测模型，其结构如图3所示，包括一层输入层、二层LSTM隐藏层和一层输出层，且每一层的神经元数量由交叉验证获得。本实施例中，通过交叉验证将第一层隐藏层设置100个神经元，第二层隐藏层设置50个神经元。两个隐藏层的丢弃率设为0.2。采用样本的95％为训练数据用于LSTM模型的训练，5％为测试数据用于交叉验证。在模型训练前，对训练数据进行预处理，具体方式为：<本文档来自技高网...

【技术保护点】
1.一种基于异常修复的电力负荷预测方法，其特征在于，包括以下步骤：/n1)基于电力负荷样本数据训练获得一电力负荷预测模型；/n2)获取当前电力负荷数据，利用所述电力负荷预测模型预测获得t+1时刻预测值，t为当前时刻；/n3)获取t+1时刻实际值，比较所述t+1时刻预测值和t+1时刻实际值的差异，基于所述差异判断是否存在异常，若是，则对异常进行修复后返回步骤2)，若否，则直接返回步骤2)。/n

【技术特征摘要】
1.一种基于异常修复的电力负荷预测方法，其特征在于，包括以下步骤：
1)基于电力负荷样本数据训练获得一电力负荷预测模型；
2)获取当前电力负荷数据，利用所述电力负荷预测模型预测获得t+1时刻预测值，t为当前时刻；
3)获取t+1时刻实际值，比较所述t+1时刻预测值和t+1时刻实际值的差异，基于所述差异判断是否存在异常，若是，则对异常进行修复后返回步骤2)，若否，则直接返回步骤2)。


2.根据权利要求1所述的基于异常修复的电力负荷预测方法，其特征在于，所述电力负荷预测模型为基于长短期记忆网络的预测模型。


3.根据权利要求2所述的基于异常修复的电力负荷预测方法，其特征在于，所述基于长短期记忆网络的预测模型包括一层输入层、二层LSTM隐藏层和一层输出层，且每一层的神经元数量由交叉验证获得。


4.根据权利要求1所述的基于异常修复的电力负荷预测方法，其特征在于，基于所述差异判断是否存在异常具体为：
31)判断t+1时刻预测值Ypred和t+1时刻实际值Ytrue的绝对差是否满足|Ytrue-Ypred|≤T1，T1为第一设定阈值，若是，则判定当前实际负荷值无异常，若否，则执行步骤32)；
32)判断t时刻实际值Ytruepre和t+1时刻实际值Ytrue的绝对差是否满足|Ytrue-Ytruepre|≤T2，T2为第二设定阈值，若是，则判定当前实际负荷值无异常，电力负荷预测模型存在误差，若否，则判定当前实际负荷值存在异常。


5.根据权利要求4所述的基于异常修复的电力负荷预测方法，其特征在于，所述对异常进行修复具体为：
在当前实际负荷...

【专利技术属性】
技术研发人员：张蕾，顾承昱，杨心刚，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：上海;31