用于短期负荷预测的相似日选取方法及装置制造方法及图纸

本发明专利技术涉及一种用于短期负荷预测的相似日选取方法及装置，所述方法包括获取负荷、气象因素的历史数据并根据所述历史数据获取训练样本集；采用所述训练样本集对机器学习模型进行训练，得到相似度预测模型；所述相似度预测模型用于表示样本特征与负荷相似度之间的关系；通过所述相似度预测模型计算所述待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，得到预测相似度；根据所述预测相似度确定相似日。本发明专利技术提供的技术方案是基于机器学习算法构建的数据驱动的模型，使得相似日的计算更加简单，提高了预测精确度，预测效果更佳。预测效果更佳。预测效果更佳。

Method and device for selecting similar days for short-term load forecasting

【技术实现步骤摘要】
用于短期负荷预测的相似日选取方法及装置


[0001]本专利技术属于电力市场
，具体涉及一种用于短期负荷预测的相似日选取方法及装置。

技术介绍

[0002]电能的生产、传输、分配和使用是同时进行的，由于电能不能够大量地存储，电力供给与需求必须保持实时平衡，电力调度需要根据未来的负荷需求提前制定机组的启停和电力设备的检修计划，因此准确的负荷预测对电网调度运行具有重要的意义，负荷预测水平直接影响电力系统的经济效益和社会效益。
[0003]短期负荷预测一般是指提前1～7日对未来的负荷需求进行预测。在短期负荷预测中，合理地选取相似日是提高负荷预测精度的有效途径。
[0004]相关技术中，由于电力负荷受天气、社会事件、电价以及电力负荷自身状况等多种因素的影响，相似日的选取是一个复杂的工作。传统的根据人工经验选取相似日的方法受人员经验水平影响，专家经验难以量化，预测效果依赖预测人员的水平，导致预测效果不理想。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于克服现有技术的不足，提供一种用于短期负荷预测的相似日选取方法及装置，以解决现有技术中预测效果依赖预测人员的水平，导致预测效果不理想的问题。
[0006]为实现以上目的，本专利技术采用如下技术方案：一种用于短期负荷预测的相似日选取方法，包括：
[0007]获取负荷、气象因素的历史数据并根据所述历史数据以特征互换和构建无偏差样本的方式获取训练样本集；
[0008]采用所述训练样本集对机器学习模型进行训练，得到相似度预测模型；所述相似度预测模型用于表示样本特征与负荷相似度之间的关系；
[0009]通过所述相似度预测模型分别计算所述待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，得到预测相似度；
[0010]根据所述预测相似度确定相似日。
[0011]进一步的，所述气象因素包括：
[0012]平均温度、最高温度、最低温度、湿度以及天气类型。
[0013]进一步的，所述根据所述历史数据以特征互换和构建无偏差样本的方式构建训练样本集，包括：
[0014]选取待预测日之前的第二预设天数的历史日作为第一集合，从所述第一集合中选取第一日期；
[0015]选取所述第一日期之前的第三预设天数的历史日作为第二集合，从所述第二集合
中选取第二日期；
[0016]第一集合中的每个第一日期和第二集合中对应的第二日期构成样本，所述样本中包括样本特征和样本目标值；
[0017]以构建无偏差样本的方式遍历第一集合获取无偏差样本以及对以特征互换的方式对所述第一集合内的每个日期构造补充样本；
[0018]所述无偏差样本与补充样本构成训练样本集。
[0019]进一步的，所述特征互换为将第一日期的特征与第二日期的特征进行位置互换后构成新的样本以扩充样本；其中，第一集合中的每个第一日期和第二集合中对应的第二日期构成的样本与特征互换后得到的新的样本构成补充样本；
[0020]所述构建无偏差样本的方式为从所述第一集合中获取第三日期，并再次获取第三日期，所述第三日期与第三日期构造为无偏差样本。
[0021]进一步的，所述采用所述训练样本集对机器学习模型进行训练，得到相似度预测模型，包括：
[0022]将训练样本集划分为训练集和测试集；
[0023]采用所述训练集训练机器学习模型并采用测试集对所述机器学习模型进行参数优选，以确定所述机器学习模型的超参数；
[0024]得到相似度预测模型。
[0025]进一步的，所述通过所述相似度预测模型分别计算所述待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，包括：
[0026]所述待预测日之前的第一预设天数的历史日中选取多个历史日与待预测日组成样本特征，构建第一预测样本集合；
[0027]将所述第一预测样本集合输入到相似度预测模型中，得到多个历史日和待预测日的第一预测相似度结果；
[0028]所述待预测日与所述待预测日之前的第一预设天数的历史日选取的多个历史日组成样本特征，构建第二预测样本；
[0029]将所述第二预测样本集合输入到相似度预测模型中，得到待预测日和多个历史日的第二预测相似度结果；
[0030]将所述待预测日与多个历史日的第一预测相似度结果和第二预测相似度结果求平均值，得到最终的预测相似度结果。
[0031]进一步的，所述预测相似度包括多个。
[0032]进一步的，所述根据所述预测相似度确定相似日，包括：
[0033]将预测相似度最高的日期确定为待预测日的相似日。
[0034]本申请实施例提供一种用于短期负荷预测的相似日选取装置，包括：
[0035]获取模块，用于获取负荷、气象因素的历史数据并根据所述历史数据获取训练样本集；
[0036]训练模块，用于采用所述训练样本集对机器学习模型进行训练，得到相似度预测模型；所述相似度预测模型用于表示样本特征与负荷相似度之间的关系；
[0037]计算模块，用于通过所述相似度预测模型计算所述待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，得到预测相似度；
[0038]确定模块，用于根据所述预测相似度确定相似日。
[0039]本专利技术采用以上技术方案，能够达到的有益效果包括：
[0040]本专利技术提供一种用于短期负荷预测的相似日选取方法及装置，所述方法包括获取负荷、气象因素的历史数据并根据所述历史数据获取训练样本集；采用所述训练样本集对机器学习模型进行训练，得到相似度预测模型；所述相似度预测模型用于表示样本特征与负荷相似度之间的关系；通过所述相似度预测模型分别计算所述待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，得到预测相似度；根据所述预测相似度确定相似日。本专利技术提供的技术方案是基于机器学习算法构建的数据驱动的模型，使得相似日的计算更加简单，提高了预测精确度，预测效果更佳。
附图说明
[0041]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]图1为本专利技术用于短期负荷预测的相似日选取方法的步骤示意图；
[0043]图2为本专利技术用于短期负荷预测的相似日选取装置的结构示意图。
具体实施方式
[0044]为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的技术方案进行详细的描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本专利技术所保护的范围。
[0045]下面结合附图介本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于短期负荷预测的相似日选取方法，其特征在于，包括：获取负荷、气象因素的历史数据并根据所述历史数据以特征互换和构建无偏差样本的方式构建训练样本集；采用所述训练样本集对机器学习模型进行训练，得到相似度预测模型；所述相似度预测模型用于表示样本特征与负荷相似度之间的关系；通过所述相似度预测模型分别计算待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，得到预测相似度；根据所述预测相似度确定相似日。2.根据权利要求1所述的方法，其特征在于，所述气象因素包括：平均温度、最高温度、最低温度、湿度以及天气类型。3.根据权利要求1所述的方法，其特征在于，所述根据所述历史数据以特征互换和构建无偏差样本的方式构建训练样本集，包括：选取待预测日之前的第二预设天数的历史日作为第一集合，从所述第一集合中选取第一日期；选取所述第一日期之前的第三预设天数的历史日作为第二集合，从所述第二集合中选取第二日期；第一集合中的每个第一日期和第二集合中对应的第二日期构成样本，所述样本中包括样本特征和样本目标值；以构建无偏差样本的方式遍历第一集合获取无偏差样本以及对以特征互换的方式对所述第一集合内的每个日期构造补充样本；所述无偏差样本与补充样本构成训练样本集。4.根据权利要求3所述的方法，其特征在于，所述特征互换为将第一日期的特征与第二日期的特征进行位置互换后构成新的样本以扩充样本；其中，第一集合中的每个第一日期和第二集合中对应的第二日期构成的样本与特征互换后得到的新的样本构成补充样本；所述构建无偏差样本的方式为从所述第一集合中获取第三日期，并再次获取第三日期，所述第三日期与第三日期构造为无偏差样本。5.根据权利要求1所述的方法，其特征在于，所述采用所述...

【专利技术属性】
技术研发人员：周新生，赵梓州，张磊，
申请(专利权)人：北京清大科越股份有限公司，
类型：发明
国别省市：