中长期电力负荷预测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种中长期电力负荷预测方法、装置、计算机设备及存储介质，所述方法包括：对历史日用电量数据进行小波变换预处理得到对应的近似分量和细节分量；对近似分量和所述细节分量进行特征提取，得到特征数据；将近似分量的特征数据输入至基于加性模型的时间序列预测模型进行学习，得到预测结果；将细节分量的特征数据输入至基于时间的卷积神经网络模型进行学习，得到输出结果；将输出结果作为目标特征，并利用轻量梯度提升决策树模型对目标特征进行学习，得到预测结果；对近似分量的预测结果和细节分量的预测结果进行汇总，得到最终的用电量预测结果，从而构建关于中长期电力负荷的预测模型。本发明专利技术可有效提高中长期电力负荷预测精度。

【技术实现步骤摘要】
中长期电力负荷预测方法、装置、计算机设备及存储介质
本专利技术涉及电力预测领域，特别涉及中长期电力负荷预测方法、装置、计算机设备及存储介质。
技术介绍
目前，市场上针对电力负荷的主流预测大都是短时预测，其以日为计时单位。而中长期预测通常以周、旬或月为计时单位，现大多发电厂需提前一周甚至一月进行电量预测，从而合理控制电网运输电力，这直接关系电厂的经济效益和电网的用电安全。但是中长期预测涉及时间范围长，温度、天气等变量预测不确定性高，而导致这类变量无法被使用，预测难度大。传统的中长期预测方法更多依托于专家经验，专家团队利用丰富的业务积累、专业的技术经验支撑起能源负荷预测任务，往往可以考虑十分全面，但打造这样一个专家团队需要巨大的人力成本和维护成本，可复制性、稳定性也不能有保障。而其他的像回归法、ARIMA(差分整合移动平均自回归模型)时间序列法和人工神经网络等，因为变量的局限性，难以捕捉其复杂的数据特征，并缺少对时序数据时间相关性的考虑，想要寻找一个合适的模型来拟合这种多变量的非线性关系是十分困难的，因此预测精度十分有限。专本文档来自技高网...

【技术保护点】
1.一种中长期电力负荷预测方法，其特征在于，包括：/n获取历史日用电量数据，并对所述历史日用电量数据进行小波变换预处理，得到对应的近似分量和细节分量；/n对所述近似分量和所述细节分量分别进行特征提取，得到所述近似分量的特征数据和所述细节分量的特征数据；/n将所述近似分量的特征数据输入至基于加性模型的时间序列预测模型进行训练学习，得到所述近似分量的预测结果；/n将所述细节分量的特征数据输入至基于时间的卷积神经网络模型进行训练学习，得到所述细节分量对应的输出结果；/n将所述细节分量对应的输出结果作为所述细节分量的目标特征，并利用轻量梯度提升决策树模型对所述目标特征进行训练学习，从而得到所述细节分量...

【技术特征摘要】
1.一种中长期电力负荷预测方法，其特征在于，包括：
获取历史日用电量数据，并对所述历史日用电量数据进行小波变换预处理，得到对应的近似分量和细节分量；
对所述近似分量和所述细节分量分别进行特征提取，得到所述近似分量的特征数据和所述细节分量的特征数据；
将所述近似分量的特征数据输入至基于加性模型的时间序列预测模型进行训练学习，得到所述近似分量的预测结果；
将所述细节分量的特征数据输入至基于时间的卷积神经网络模型进行训练学习，得到所述细节分量对应的输出结果；
将所述细节分量对应的输出结果作为所述细节分量的目标特征，并利用轻量梯度提升决策树模型对所述目标特征进行训练学习，从而得到所述细节分量的预测结果；
对所述近似分量的预测结果和所述细节分量的预测结果进行累加汇总，得到最终的用电量预测结果，从而构建关于中长期电力负荷的预测模型；
利用所述预测模型对指定时间的用电量数据进行预测。


2.根据权利要求1所述的中长期电力负荷预测方法，其特征在于，所述获取历史日用电量数据，并对所述历史日用电量数据进行小波变换预处理，得到对应的近似分量和细节分量，包括：
获取历史日用电量数据，利用小波变换对所述历史日用电量数据进行分解，并对分解后的历史日用电量数据进行还原，得到低频子序列和高频子序列，然后将所述低频子序列作为近似分量，将所述高频子序列作为细节分量。


3.根据权利要求1所述的中长期电力负荷预测方法，其特征在于，所述对所述近似分量和所述细节分量分别进行特征提取，得到所述近似分量的特征数据和所述细节分量的特征数据，包括：
对所述近似分量进行特征提取，得到所述近似分量的特征数据；
设置周期性日期的时间窗口和非周期性日期的时间窗口；
根据周期性日期的时间窗口和非周期性日期的时间窗口，利用指数模型对各日期形成矩阵Z(t)，其中，Z(t)＝[1(t∈D1),1(t∈D2),···,1(t∈DL)]，t为待预测的日期，D为对应的时间窗口；
对每一非周期性日期分配一用于表示变化的参数κ，κ～Normal(0，ν2)，式中，参数κ服从正态分布，v2为参数κ的标准差，从而得到表示周期性日期和非周期性日期的模型：h(t)＝Z(t)κ；
根据所述表示周期性日期和非周期性日期的模型对所述近似分量的特征数据进行划分，作为所述近似分量的特征数据。


4.根据权利要求1所述的中长期电力负荷预测方法，其特征在于，所述对所述近似分量和所述细节分量分别进行特征处理，得到所述近似分量的特征数据和所述细节分量的特征数据，还包括：
对所述细节分量中的每日数据进行切分，并将切分后的每日数据汇总为以周、旬或月为单位的用电量数据，然后根据以周、旬或月为单位的用电量数据生成所述细节分量的特征数据。


5.根据权利要求1所述的中长期电力负荷预测方法，其特征在于，所述将所述近似分量的特征数据输入至基于加性模型的时间序列预测模型进行训练学习，得到所述近似分量的预测结果，包括：
利用下述公式计算得到所述近似分量的日预测结果：
Y(t)＝g(t)+s(t)+ε(t)
式中，Y(t)为日预...

【专利技术属性】
技术研发人员：熊娇，刘雨桐，石强，张健，王国勋，
申请(专利权)人：润联软件系统深圳有限公司，
类型：发明
国别省市：广东;44