考虑商业建筑用能行为的日前负荷预测方法及系统技术方案

本公开提供了一种考虑商业建筑用能行为的日前负荷预测方法及系统，获取待预测日之前预设时间段的历史电力负荷数据；根据获取的数据构建负荷预测模型，得到待预测日的初始负荷预测结果；根据获取的数据提取电力负荷数据的特征点，与用能行为匹配后输入到预设长短期记忆网络中，得到辅助预测结果；根据辅助预测结果的特征点的时间值，在初始负荷预测结果中挑选相应的点，比较二者的纵坐标值，如果二者做差的归一化结果不在阈值范围内，则用辅助预测结果取代初始负荷预测结果，否则，以初始负荷预测结果为最终预测结果；本公开在考虑用户用电时序数据周期性和季节性的同时，又结合用户行为习惯挖掘负荷数据特征点并建立辅助模型，提高了日前电力负荷预测的准确度。提高了日前电力负荷预测的准确度。提高了日前电力负荷预测的准确度。

【技术实现步骤摘要】
考虑商业建筑用能行为的日前负荷预测方法及系统


[0001]本公开涉及负荷预测
，特别涉及一种考虑商业建筑用能行为的日前负荷预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
，并不必然构成现有技术。
[0003]作为电网系统运行调度的重要一环，精准的日前电力负荷预测技术能够保证电网安全、稳定运行。一直以来，电力负荷预测受数据强随机性、干扰因素多等困扰，预测精度无法显著提升。尤其是日前电力负荷预测，时间跨度大，相比超短期电力负荷，其预测精度更难提升。
[0004]专利技术人发现，现有技术中的负荷预测，多为普适性的日前电力负荷预测技术，无法针对单一用电类型区域进行精准预测；此外，现有技术中提到的日前电力负荷预测技术缺乏对用户用能行为习惯的分析，难以突破负荷预测精度的瓶颈。

技术实现思路

[0005]为了解决现有技术的不足，本公开提供了一种考虑商业建筑用能行为的日前负荷预测方法及系统，在考虑用户用电时序数据周期性和季节性的同时，又结合用户行为习惯挖掘负荷数据特征点并建立辅助模型，提高了日前电力负荷预测的准确度。
[0006]为了实现上述目的，本公开采用如下技术方案：
[0007]本公开第一方面提供了一种考虑商业建筑用能行为的日前负荷预测方法。
[0008]一种考虑商业建筑用能行为的日前负荷预测方法，包括以下步骤：
[0009]获取待预测日之前预设时间段的历史电力负荷数据；
[0010]根据获取的数据构建负荷预测模型，得到待预测日的初始负荷预测结果；
[0011]根据获取的数据提取电力负荷数据的特征点，与用能行为匹配后输入到预设长短期记忆网络中，得到辅助预测结果；
[0012]根据辅助预测结果的特征点的时间值，在初始负荷预测结果中挑选相应的点，比较二者的纵坐标值，如果二者做差的归一化结果不在阈值范围内，则用辅助预测结果取代初始负荷预测结果，否则，以初始负荷预测结果为最终预测结果。
[0013]作为可选的一些实现方式，历史电力负荷数据包括工作日历史电力负荷数据和休息日历史电力负荷数据，根据获取的数据分别构建工作日预测模型和休息日预测模型，用于工作日和休息日的负荷预测。
[0014]作为可选的一些实现方式，对获取的历史电力负荷数据进行预处理，利用决策树归纳法推算缺失值，修改超出阈值的异常数据并用该点当月历史数据平均值替代。
[0015]作为进一步的限定，利用分箱法处理噪声数据，检查噪声数据位置，根据噪声数据周围的邻近值来做局部光滑处理。
[0016]作为可选的一些实现方式，利用Holt
‑
Winter算法构建工作日预测模型和/或休息
日预测模型。
[0017]作为可选的一些实现方式，电力负荷数据的特征点至少包括拐点、极值点、最值点和过零点，用能行为习惯至少包括上班、午休、下班和加班。
[0018]作为可选的一些实现方式，预测结果的评估，包括：计算每一日预测结果的均方根误差、均方误差和平均绝对误差，以月为单位，计算均方根误差、均方误差和平均绝对误差三个性能指标的平均值。
[0019]本公开第二方面提供了一种考虑商业建筑用能行为的日前负荷预测系统。
[0020]一种考虑商业建筑用能行为的日前负荷预测系统，包括：
[0021]数据获取模块，被配置为：获取待预测日之前预设时间段的历史电力负荷数据；
[0022]初始预测模块，被配置为：根据获取的数据构建负荷预测模型，得到待预测日的初始负荷预测结果；
[0023]辅助预测模块，被配置为：根据获取的数据提取电力负荷数据的特征点，与用能行为匹配后输入到预设长短期记忆网络中，得到辅助预测结果；
[0024]预测融合模块，被配置为：根据辅助预测结果的特征点的时间值，在初始负荷预测结果中挑选相应的点，比较二者的纵坐标值，如果二者做差的归一化结果不在阈值范围内，则用辅助预测结果取代初始负荷预测结果，否则，以初始负荷预测结果为最终预测结果。
[0025]本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的考虑商业建筑用能行为的日前负荷预测方法中的步骤。
[0026]本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的考虑商业建筑用能行为的日前负荷预测方法中的步骤。
[0027]与现有技术相比，本公开的有益效果是：
[0028]本公开所述的方法、系统、介质或电子设备，在考虑负荷时序性数据周期性和季节性建立主模型的同时，通过辅助模型校验、纠正主模型得到的结果，从而进一步的提高了日前电力负荷预测的准确性。
[0029]本公开所述的方法、系统、介质或电子设备，在传统单一使用HW算法预测或单一使用LSTM网络预测的基础上进行了升级，创新性的将用户用能行为分析融合到预测方法中，将HW作为主预测方法，将LSTM作为辅助预测修正主预测的结果；充分发挥了多种算法各自的优势，考虑用户用能行为，提高预测精度。
[0030]本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
[0031]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0032]图1为本公开实施例1提供的考虑商业建筑用能行为的日前负荷预测方法的流程示意图。
具体实施方式
[0033]下面结合附图与实施例对本公开作进一步说明。
[0034]应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0035]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0036]在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0037]实施例1：
[0038]如图1所示，本公开实施例1提供了一种考虑商业建筑用能行为的日前负荷预测方法，基于工作日历史电力负荷数据和休息日历史电力负荷数据分别建立主预测模型，同时挖掘负荷时序数据的特征点单独训练建立辅助预测模型。
[0039]首先，发挥HW算法处理周期性和季节性时序数据的优势，利用HW算法分析用户用电行为的周期性，根据分析结果，分别建立工作日电力负荷预测模型和休息日电力负荷预测模型；
[0040]然后，利用基于统计特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑商业建筑用能行为的日前负荷预测方法，其特征在于：包括以下步骤：获取待预测日之前预设时间段的历史电力负荷数据；根据获取的数据构建负荷预测模型，得到待预测日的初始负荷预测结果；根据获取的数据提取电力负荷数据的特征点，与用能行为匹配后输入到预设长短期记忆网络中，得到辅助预测结果；根据辅助预测结果的特征点的时间值，在初始负荷预测结果中挑选相应的点，比较二者的纵坐标值，如果二者做差的归一化结果不在阈值范围内，则用辅助预测结果取代初始负荷预测结果，否则，以初始负荷预测结果为最终预测结果。2.如权利要求1所述的考虑商业建筑用能行为的日前负荷预测方法，其特征在于：历史电力负荷数据包括工作日历史电力负荷数据和休息日历史电力负荷数据，根据获取的数据分别构建工作日预测模型和休息日预测模型，用于工作日和休息日的负荷预测。3.如权利要求1所述的考虑商业建筑用能行为的日前负荷预测方法，其特征在于：对获取的历史电力负荷数据进行预处理，利用决策树归纳法推算缺失值，修改超出阈值的异常数据并用该点当月历史数据平均值替代。4.如权利要求3所述的考虑商业建筑用能行为的日前负荷预测方法，其特征在于：利用分箱法处理噪声数据，检查噪声数据位置，根据噪声数据周围的邻近值来做局部光滑处理。5.如权利要求1所述的考虑商业建筑用能行为的日前负荷预测方法，其特征在于：利用Holt
‑
Winter算法构建工作日预测模型和/或休息日预测模型。6.如权利要求1所述的考虑商业建筑用能行为的日前负荷预测方法，其特征在于：电力负...

【专利技术属性】
技术研发人员：孙波，于彬彬，李建靖，张承慧，郑刚，
申请(专利权)人：山东大学，
类型：发明
国别省市：