电网负荷预测模型的训练方法及装置制造方法及图纸

本申请提出一种电网负荷预测模型的训练方法及装置，方法包括：获取历史负荷数据，其中，历史负荷数据包括过去预设时长内各时刻点的负荷数据；在任一时刻点的负荷数据缺失的情况下，对任一时刻点的负荷数据进行补齐；基于补齐后的各时刻点负荷数据，确定各日期的负荷数据；在任一日期的负荷数据存在缺失的情况下，根据日期类型及年电力负荷增长率，对任一日期的负荷数据进行补齐；根据补齐后各日期的负荷数据，确定各月的负荷数据；根据各月的负荷数据，确定每个训练月对应的输入数据；将每个训练月对应的输入数据，输入至初始核SVR测模型中进行求解训练，以得到核SVR模型。该方法适合具有强非线性中长期用电负荷预测，能提升中长期电负荷预测精度。中长期电负荷预测精度。中长期电负荷预测精度。

【技术实现步骤摘要】
电网负荷预测模型的训练方法及装置


[0001]本申请涉及电网
，尤其涉及一种电网负荷预测模型的训练方法及装置。

技术介绍

[0002]电网企业制定合理的调度计划是保障电网安全经济运行的重要一环。其中，准确的负荷预测可辅助电网制定最优的调度计划，有效地降低发电成本，提高经济效益和社会效益。对发售电公司而言，中长期负荷预测可辅助企业提前预判未来月度、季度及年度的社会用电量、最大负荷及最小负荷的可能走向，对电力现货市场形势进行预判，从而辅助制定中长期交易策略。
[0003]因此，如何准确有效地预测全网中长期负荷，对电网企业和售电企业都具有重要意义。

技术实现思路

[0004]本申请提出一种电网负荷预测模型的训练方法及装置。
[0005]本申请一方面实施例提出了一种电网负荷预测模型的训练方法，包括：
[0006]获取历史负荷数据，其中，历史负荷数据包括过去预设时长内各时刻点的负荷数据；
[0007]在任一时刻点的负荷数据缺失的情况下，对所述任一时刻点的负荷数据进行补齐；
[0008]基于补齐后的各时刻点负荷数据，确定各日期的负荷数据；
[0009]在任一日期的负荷数据存在缺失的情况下，根据日期类型及年电力负荷增长率，对所述任一日期的负荷数据进行补齐；
[0010]根据补齐后各日期的负荷数据，确定各月的负荷数据；
[0011]根据所述各月的负荷数据，确定每个训练月对应的输入数据；
[0012]将每个训练月对应的输入数据，输入至初始核支持向量回归(Support Vector Regression，SVR)预测模型中进行求解训练，以得到核SVR模型。
[0013]本申请另一方面实施例提出了一种电网负荷预测模型的训练装置，包括：
[0014]第一获取模块，用于获取历史负荷数据，其中，历史负荷数据包括过去预设时长内各时刻点的负荷数据；
[0015]第一补齐模块，用于在任一时刻点的负荷数据缺失的情况下，对所述任一时刻点的负荷数据进行补齐；
[0016]第一确定模块，用于基于补齐后的各时刻点的负荷数据，确定各日期的负荷数据；
[0017]第二补齐模块，用于在任一日期的负荷数据存在缺失的情况下，根据日期类型及年电力负荷增长率，对所述任一日期的负荷数据进行补齐；
[0018]第二确定模块，用于根据补齐后各日期的负荷数据，确定各月的负荷数据；
[0019]第三确定模块，用于根据所述各月的负荷数据，确定每个训练月对应的输入数据；
[0020]训练模块，用于将每个训练月对应的输入数据，输入至初始核支持向量回归SVR预测模型中进行求解训练，以得到核SVR模型。
[0021]本申请另一方面实施例提出了一种计算机设备，包括处理器和存储器；
[0022]其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上述一方面实施例所述的电网负荷预测模型的训练方法。
[0023]本申请另一方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述一方面实施例所述的电网负荷预测模型的训练方法。
[0024]本申请实施例的电网负荷预测模型的训练方法及装置，通过基于各时刻点的历史负荷数据，构造了输入数据，训练得到核SVR模型，同时对缺失时刻点的负荷数据进行补齐，并利用年用电负荷增长率对缺失日期的负荷数据进行补齐，并且训练得到的核SVR模型可以适合应用于具有强非线性的中长期用电负荷的预测，从而能够提升中长期电负荷预测的精度。
[0025]本申请附加的方面和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，或通过本申请的实践了解到。
附图说明
[0026]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0027]图1为本申请实施例所提供的一种电网负荷预测模型的训练方法的流程示意图；
[0028]图2为本申请实施例提供的另一种电网负荷预测模型的训练方法的流程示意图；
[0029]图3为本申请实施例提供的基于插值法及核SVR算法的负荷预测方法过程示意图；
[0030]图4为本申请实施例提供的一种高斯核SVR模型训练预测过程图；
[0031]图5为本申请实施例提供的一种电网负荷预测模型的训练装置的结构示意图
具体实施方式
[0032]下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0033]下面参考附图描述本申请实施例的电网负荷预测模型的训练方法及装置。
[0034]图1为本申请实施例提供的一种电网负荷预测模型的训练方法的流程示意图。
[0035]本申请实施例的电网负荷预测模型的训练方法，可由本申请实施例提供的电网负荷预测模型的训练装置执行，该装置可配置于计算机设备中，通过基于各时刻点的历史负荷数据，构造了输入数据，训练得到核SVR模型，同时对缺失时刻点的负荷数据进行补齐，并利用年用电负荷增长率对缺失日期的负荷数据进行补齐，并且训练得到的核SVR模型可以适合应用于具有强非线性的中长期用电负荷预测，以提升中长期电负荷预测的精度。
[0036]如图1所示，该电网负荷预测模型的训练方法可包括：
[0037]步骤101，获取历史负荷数据，其中，历史负荷数据包括过去预设时长内各时刻点
的负荷数据。
[0038]本申请中，可以通过解析市场披露信息中的负荷数据，以获取历史负荷数据。其中，历史负荷数据可以包括过去预设时长内各时刻点的负荷数据。
[0039]本申请中的时刻点可以是指96时刻点，其中，96时刻点是指将每天的时间按照15分钟一个点分、可以分割96个点。或者，也可以按照其他方式划分时刻点，比如，按照每30分钟一个点分，或者45分钟一个点分等。本申请对时刻点的划分不作限定。
[0040]步骤102，在任一时刻点的负荷数据缺失的情况下，对任一时刻点的负荷数据进行补齐。
[0041]在实际应用中，可能会存在某时刻点的负荷数据缺失的情况。因此，本申请中，可先判断各时刻点的负荷数据是否存在缺失。在任一时刻点的负荷数据缺失的情况下，对任一时刻点的负荷数据进行补齐。
[0042]在对任一时刻点的负荷数据进行补齐时，可以根据与任一时刻点相邻的已知时刻点的负荷数据，对任一时刻点的负荷数据进行补齐。这里与任一时刻点相邻的已知时刻点的负荷数据，可以是任一时刻点前面或后面或者前后的已知时刻点的负荷数据。从而，丰富了缺失负荷数据的补齐方式。
[0043]比如，某日期的0点的负荷数据缺失，可以根据该日期的0点15分的负荷数据和0点30分的负荷数据，对缺失的0点的负本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电网负荷预测模型的训练方法，其特征在于，包括：获取历史负荷数据，其中，历史负荷数据包括过去预设时长内各时刻点的负荷数据；在任一时刻点的负荷数据缺失的情况下，对所述任一时刻点的负荷数据进行补齐；基于补齐后的各时刻点的负荷数据，确定各日期的负荷数据；在任一日期的负荷数据存在缺失的情况下，根据日期类型及年电力负荷增长率，对所述任一日期的负荷数据进行补齐；根据补齐后各日期的负荷数据，确定各月的负荷数据；根据所述各月的负荷数据，确定每个训练月对应的输入数据；将每个训练月对应的输入数据，输入至初始核支持向量回归SVR预测模型中进行求解训练，以得到核SVR模型。2.如权利要求1所述的方法，其特征在于，所述对所述任一时刻点的负荷数据进行补齐，包括：根据与所述任一时刻点相邻的已知时刻点的负荷数据，对所述任一时刻点的负荷数据进行补齐。3.如权利要求1所述的方法，其特征在于，所述根据日期类型及年电力负荷增长率，对所述任一日期的负荷数据进行补齐，包括：根据现货交易规则及负荷特性，确定日期类型；根据日期类型及年电力负荷增长率，确定所述任一日期的负荷数据。4.如权利要求3所述的方法，其特征在于，所述根据日期类型及年电力负荷增长率，确定所述任一日期的负荷数据，包括：根据日期类型，将与所述任一日期所属月份同类型的日期负荷数据的均值作为所述任一日期的负荷数据；若所述任一日期所属月份同类型的日期负荷数据均缺失，根据过去同期同类型的负荷均数据和年电力负荷增长率，确定所述任一日期的负荷数据。5.如权利要求1
‑
4任一所述的方法，其特征在于，所述每个训练月对应的输入数据包括：训练月份及过去预设数量月份的各负荷数据。6.如权利要求5所述的方法，其特征在于，在所述将每个训练月对应的输入数据，输入至初始核支持向量回归SVR预测模型中进行求解训练之前，包括：根据各个训练月对应的过去预设数量月份的各负荷数据，确定...

【专利技术属性】
技术研发人员：戴碧艳，周乃康，李璟涛，袁建丽，周勇，杨洋，杨晗，王菲，黄雷，尤姗姗，
申请(专利权)人：国家电投集团科学技术研究院有限公司，
类型：发明
国别省市：