电力负荷预测模型的训练方法、装置及电子设备制造方法及图纸

本申请属于电力领域，提出了一种电力负荷预测模型的训练方法、装置及电子设备，该方法包括：对电力负荷的历史数据进行时频变换，对变换得到的频域特征进行筛选，根据筛选后的频域特征确定历史数据中的有效特征；获取待加入特征与已选特征的张成子空间的正交分量，计算所述正交分量与所述已选特征的拟合残差的相关系数，根据所述相关系数确定是否选用当前的待加入特征；将更新完成后的已选特征作为训练样本，对所述电力负荷预测模型进行训练。通过转换可以有效的筛选历史数据中的有效特征，通过相关系数可以选取有用特征的同时，剔除冗余特征，有效的简化预测模型，减小过拟合几率，提高预测精度。高预测精度。高预测精度。

【技术实现步骤摘要】
电力负荷预测模型的训练方法、装置及电子设备


[0001]本申请属于电力领域，尤其涉及电力负荷预测模型的训练方法、装置及电子设备。

技术介绍

[0002]电力系统负荷预测是指在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下，研究或利用一套系统地处理过去与未来负荷的数学方法，在满足一定精度要求的意义下，确定未来特定时刻的负荷数值。对电力系统负荷进行准确的预测，有利于计划用电管理，合理安排电网运行方式和机组检修计划，节煤、节油和降低发电成本，制定合理的电源建设规划，提高电力系统的经济效益和社会效益。对于售电公司来说，有利于售电公司决定自己的中长期合约签约策略，现货市场报价、交易策略，单个用户的经济测算等行为。因此，电力系统的负荷预测已成为实现电力系统管理现代化、售电公司向现货市场转型的重要内容之一。
[0003]目前的电力负荷预测工作往往针对较大的区域，各用户的随机因素导致的数据噪音累加后趋于相互抵消，比如多个独立同分布的正态随机变更累加后，标准差的增长只正比于均值的平方根。随机因素，即数据噪音所占比例随区域增大而逐渐下降，可预测性则相应增强。
[0004]但是，相对于区域预测，少量或单一用户的短时间窗口的预测，由于随机因素的数据噪音不会抵消，预测难度显著提高。并且，历史负荷数据和气象条件等相关数据中存在复杂的不可预测因素，复杂的预测模型容易受到不可预测因素带来的噪音影响，产生过拟合现象，即虽然能够很好的拟合训练数据，但因模型参数过多的包含噪音信息，不能准确的区分有效数据，不利于提升模型的预测准确率。

技术实现思路

[0005]有鉴于此，本申请实施例提供了一种电力负荷预测模型的训练方法、装置及电力设备，以解决现有技术中对于少量或单一用户的短时间窗口的预测，预测难度高，不利于提升模型的预测准确率的问题。
[0006]本申请实施例的第一方面提供了一种电力负荷预测模型的训练方法，所述方法包括：
[0007]对电力负荷的历史数据进行时频变换，对变换得到的频域特征进行筛选，根据筛选后的频域特征确定历史数据中的有效特征；
[0008]确定所述有效特征中的已选特征和待加入特征，获取所述待加入特征与所述已选特征的张成子空间的正交分量，计算所述正交分量与所述已选特征的拟合残差的相关系数，根据所述相关系数确定是否选用当前的待加入特征，对所述已选特征进行更新；
[0009]将更新完成后的已选特征作为训练样本，对所述电力负荷预测模型进行训练。
[0010]结合第一方面，在第一方面的第一种可能实现方式中，所述电力负荷预测模型为支持向量回归机模型，将更新完成后的已选特征作为训练样本，对所述电力负荷预测模型
进行训练，包括：
[0011]将更新完成后的已选特征作为训练数据，根据预测时所用的数据与训练数据的马氏距离确定支持向量回归机模型的目标函数中的惩罚因子；
[0012]根据所述训练数据对所确定的支持向量回归机模型进行训练。
[0013]结合第一方面的第一种可能实现方式，在第一方面的第二种可能实现方式中，根据预测时所用的数据与训练数据的马氏距离确定支持向量回归机模型的目标函数中的惩罚因子，包括：
[0014]根据公式：或确定所述惩罚因子，其中，C
i
为惩罚因子，d
i
为预测时所用的数据与第i个训练数据的马氏距离，d
min
为所述马氏距离的最小值，μ根据预测结果与实际数据的偏差确定，比如，可以根据预测结果与实际数据的偏差，调整μ的数值，对比多次调整后的预测结果与实际数据的偏差，确定在偏差最小时所选择的μ值进行惩罚因子的计算。
[0015]结合第一方面，在第一方面的第三种可能实现方式中，对电力负荷的历史数据进行时频变换，对变换得到的频域特征进行筛选，根据筛选后的频域特征确定历史数据中的有效特征，包括：
[0016]根据所述电力负荷的历史数据作时频变换处理，得到频域数据；
[0017]确定所述频域数据中的显著频域数据；
[0018]将所述显著频域数据作变换为时域数据，得到历史数据中的有效特征。
[0019]结合第一方面的第三种可能实现方式，在第一方面的第四种可能实现方式中，在根据所述电力负荷的历史数据作时频变换处理，得到频域数据之前，所述方法还包括：
[0020]对所述电力负荷的历史数据作去趋势处理；
[0021]在将所述显著频域数据作变换为时域数据之后，所述方法还包括：
[0022]将变换后的时域数据进行加趋势处理。
[0023]结合第一方面的第三种可能实现方式，在第一方面的第五种可能实现方式中，确定所述频域数据中的显著频域数据，包括：
[0024]确定数值大于预设的频域阈值的频域数据为显著频域数据，所述频域阈值根据所述频域数据均值和标准差确定。
[0025]结合第一方面，在第一方面的第六种可能实现方式中，计算所述正交分量与所述已选特征的拟合残差的相关系数，包括：
[0026]根据公式：确定正交分量与所述已选特征的拟合残差的相关系数，其中，cov为协方差计算，Q为正交分量，Y为拟合残差。
[0027]本申请实施例的第二方面提供了一种电力负荷预测方法，所述方法包括：
[0028]获取待预测数据；
[0029]将所述待预测数据输入到第一方面任一项所述力电负荷预测模型的训练方法所训练的电力负荷预测模型进行预测计算，得到所述电力负荷的预测结果。
[0030]本申请实施例的第三方面提供了一种电力负荷预测模型的训练装置，所述装置包括：
[0031]有效特征筛选单元，用于对电力负荷的历史数据进行时频变换，对变换得到的频域特征进行筛选，根据筛选后的频域特征确定历史数据中的有效特征；
[0032]特征选用单元，用于确定所述有效特征中的已选特征和待加入特征，获取所述待加入特征与所述已选特征的张成子空间的正交分量，计算所述正交分量与所述已选特征的拟合残差的相关系数，根据所述相关系数确定是否选用当前的待加入特征，对所述已选特征进行更新；
[0033]训练单元，用于将更新完成后的已选特征作为训练样本，对所述电力负荷预测模型进行训练。
[0034]本申请实施例的第四方面提供了电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。
[0035]本申请实施例的第五方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。
[0036]本申请实施例与现有技术相比存在的有益效果是：本申请实施例通过对历史数据进行时频转换，筛选历史数据中的有效特征，增强数据表示能力；再基于有效特征中的待加入特征与已选特征的相关系数，确定是否选用当前的待加入特征，从而在选取有用特征的同时，剔除冗余特征，从而能够有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力负荷预测模型的训练方法，其特征在于，所述方法包括：对电力负荷的历史数据进行时频变换，对变换得到的频域特征进行筛选，根据筛选后的频域特征确定历史数据中的有效特征；确定所述有效特征中的已选特征和待加入特征，获取所述待加入特征与所述已选特征的张成子空间的正交分量，计算所述正交分量与所述已选特征的拟合残差的相关系数，根据所述相关系数确定是否选用当前的待加入特征，对所述已选特征进行更新；将更新完成后的已选特征作为训练样本，对所述电力负荷预测模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述电力负荷预测模型为支持向量回归机模型，将更新完成后的已选特征作为训练样本，对所述电力负荷预测模型进行训练，包括：将更新完成后的已选特征作为训练数据，根据预测时所用的数据与训练数据的马氏距离确定支持向量回归机模型的目标函数中的惩罚因子；根据所述训练数据对所确定的支持向量回归机模型进行训练。3.根据权利要求2所述的方法，其特征在于，根据预测时所用的数据与训练数据的马氏距离确定支持向量回归机模型的目标函数中的惩罚因子，包括：根据公式：或确定所述惩罚因子，其中，C
i
为惩罚因子，d
i
为预测时所用的数据与第i个训练数据的马氏距离，d
min
为所述马氏距离的最小值，μ根据预测结果与实际数据的偏差确定。4.根据权利要求1所述的方法，其特征在于，对电力负荷的历史数据进行时频变换，对变换得到的频域特征进行筛选，根据筛选后的频域特征确定历史数据中的有效特征，包括：根据所述电力负荷的历史数据作时频变换处理，得到频域数据；确定所述频域数据中的显著频域数据；将所述显著频域数据作变换为时域数据，得到历史数据中的有效特征。5.根据权利要求4所述的方法，其特征在于，在根据所述...

【专利技术属性】
技术研发人员：于洋，刘典安，江克宜，梁立全，江泽志，刘滨，伍景阳，
申请(专利权)人：深电能科技集团有限公司，
类型：发明
国别省市：