负荷数据的生成方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种负荷数据的生成方法、装置、设备及存储介质，通过基于目标园区的负荷样本数据和外部环境数据，生成第一数据集，根据第一数据集，提取目标园区的负荷周期效应；去除第一数据集中的负荷周期效应，得到第二数据集；根据第二数据集，通过元学习器和基学习器训练，构建基础负荷生成模型；基于基础负荷生成模型，生成目标园区的基础负荷数据，并将基础负荷数据与负荷周期效应结合，生成目标园区的负荷数据。利用智能算法学习提取负荷特性，降低负荷生成难度，从而有效地生成或增强园区的各类负荷数据，为园区能源系统的规划运行提供数据支撑。行提供数据支撑。行提供数据支撑。

【技术实现步骤摘要】
负荷数据的生成方法、装置、设备及存储介质


[0001]本申请涉及人工智能
，尤其涉及一种负荷数据的生成方法、装置、设备及存储介质。

技术介绍

[0002]多能互补园区作为能源互联网的重要物理载体，通过将电力与燃气、热力、冷系统进行紧密耦合，在规划、运行等过程中，对不同的能源环节实施有机协调与优化，进而形成以电为核心的能源产供销一体化系统。
[0003]多能互补园区的规划考虑到不同能源类型需求的差异，是系统能够充分发挥多能互补与梯级利用优势的重要前提，也是未来建设能源互联网以及吸引多能互补园区建设投资的有力保障。然而，目前多能互补园区的规划模型和方法需要对园区未来的冷热气电负荷数据进行长期准确的预测，冷热气电负荷数据存在负荷特性，导致增加对冷热气电负荷数据的生成难度。

技术实现思路

[0004]本申请提供了一种负荷数据的生成方法、装置、设备及存储介质，以解决当前冷热气电负荷数据存在准确生成难度大的技术问题。
[0005]为了解决上述技术问题，第一方面，本申请提供了一种负荷数据的生成方法，包括：
[0006]基于目标园区的负荷样本数据和外部环境数据，生成第一数据集；
[0007]利用Prophet算法，根据第一数据集，提取目标园区的负荷周期效应；
[0008]基于负荷周期效应，去除第一数据集中的负荷周期效应，得到第二数据集；
[0009]利用Blending集成学习算法，根据第二数据集，通过元学习器和基学习器训练，构建基础负荷生成模型；
[0010]基于基础负荷生成模型，结合外部环境数据，生成目标园区的基础负荷数据，并将基础负荷数据与负荷周期效应结合，生成目标园区的负荷数据。
[0011]作为优选，利用Prophet算法，根据第一数据集，提取目标园区的负荷周期效应，包括：
[0012]利用Prophet算法，对第一数据集进行拟合，得到目标园区的负荷周期效应，Prophet算法的表达式为：
[0013]y
i
(t)＝g
i
(t)+s
i
(t)+∈
i
(t)；
[0014]其中，y
i
(t)为第一数据集中第i种负荷样本在t时刻的实际值，g
i
(t)为第i种负荷样本在t时刻的基础值，s
i
(t)为第i种负荷样本在t时刻的周期效应值，∈
i
(t)为t时刻的第i种负荷样本与生成数据之间的误差项。
[0015]作为优选，基于负荷周期效应，去除第一数据集中的负荷季节效应，得到第二数据集，包括：
[0016]利用预设计算公式，去除第一数据集中的负荷周期效应，得到第二数据集，预设计算公式为：
[0017]d
i
(t)＝y
i
(t)
‑
s
i
(t)；
[0018]其中，d
i
(t)表示第二数据集中第i种负荷在t时刻的基础值，y
i
(t)表示第一数据集中第i种负荷样本在t时刻的实际值，s
i
(t)表示第i种负荷样本在t时刻的周期效应值。
[0019]作为优选，利用Blending集成学习算法，根据第二数据集，通过元学习器和基学习器训练，构建基础负荷生成模型，包括：
[0020]将第二数据集划分为第一数据子集和第二数据子集；
[0021]基于基学习器，对第一数据子集进行训练，直至训练结果达到第一预设收敛条件，得到基学习器负荷生成模型；
[0022]利用基学习器负荷生成模型，对第二数据子集进行计算，并将计算结果与第二数据子集生成为第三数据子集；
[0023]基于元学习器，对第三数据子集进行训练，直至训练结果达到第二预设收敛条件，得到元学习器负荷生成模型；
[0024]将基学习器负荷生成模型和元学习器负荷生成模型整合为基础负荷生成模型。
[0025]作为优选，基于基础负荷生成模型，结合外部环境数据，生成目标园区的基础负荷数据，并将基础负荷数据与负荷周期效应结合，生成目标园区的负荷数据，包括：
[0026]以目标园区在T时刻的负荷样本数据和外部环境数据作为基础负荷生成模型的输入，以使基学习器和元学习器滚动计算生成目标园区在T+1时刻至T+N时刻的基础负荷数据；
[0027]将目标园区在T+1时刻至T+N时刻的基础负荷数据与对应时刻的负荷周期效应合成为负荷数据。
[0028]作为优选，方法还包括：
[0029]基于负荷样本数据和生成的负荷数据，验证负荷生成模型的准确性。
[0030]第二方面，本申请还提供一种负荷数据的生成装置，包括：
[0031]生成模块，用于基于目标园区的负荷样本数据和外部环境数据，生成第一数据集；
[0032]提取模块，用于利用Prophet算法，根据第一数据集，提取目标园区的负荷周期效应；
[0033]去除模块，用于基于负荷周期效应，去除第一数据集的负荷周期效应，得到第二数据集；
[0034]训练模块，用于利用Blending集成学习算法，根据第二数据集，通过元学习器和基学习器训练，构建基础负荷生成模型；
[0035]预测模块，用于基于基础负荷生成模型，结合外部环境数据，生成目标园区的基础负荷数据，并将基础负荷数据与负荷周期效应结合，生成目标园区的负荷数据。
[0036]作为优选，提取模块，具体用于：
[0037]利用Prophet算法，对第一数据集进行拟合，得到目标园区的负荷周期效应，Prophet算法的表达式为：
[0038]y
i
(t)＝g
i
(t)+s
i
(t)+∈
i
(t)；
[0039]其中，y
i
(t)为第一数据集中第i种负荷样本在t时刻的实际值，g
i
(t)为第i种负荷
样本在t时刻的基础值，s
i
(t)为第i种负荷样本在t时刻的周期效应值，∈
i
(t)为t时刻的第i种负荷样本与生成数据之间的误差项。
[0040]第三方面，本申请提供一种计算机设备，包括处理器和存储器，存储器用于存储计算机程序，计算机程序被处理器执行时实现如第一方面的负荷数据的生成方法。
[0041]第四方面，本申请提供一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现如第一方面的负荷数据的生成方法。
[0042]与现有技术相比，本申请至少具备以下有益效果：
[0043]通过基于目标园区的历史负荷曲线和外部环境数据，生成第一数据集，利用Prophet算法，根据第一数据集，提取目标园区的负荷周期效应，从而考虑负荷数据的季节性、自相关性、非线性合随机性；再基于负荷周期效应，去除第一数据集中的负荷周期效应，得到第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种负荷数据的生成方法，其特征在于，包括：基于目标园区的负荷样本数据和外部环境数据，生成第一数据集；利用Prophet算法，根据所述第一数据集，提取所述目标园区的负荷周期效应；基于所述负荷周期效应，去除所述第一数据集中的负荷周期效应，得到第二数据集；利用Blending集成学习算法，根据所述第二数据集，通过元学习器和基学习器训练，构建基础负荷生成模型；基于所述基础负荷生成模型，结合所述外部环境数据，生成所述目标园区的基础负荷数据，并将所述基础负荷数据与所述负荷周期效应结合，生成所述目标园区的负荷数据。2.如权利要求1所述的负荷数据的生成方法，其特征在于，所述利用Prophet算法，根据所述第一数据集，提取所述目标园区的负荷周期效应，包括：利用所述Prophet算法，对所述第一数据集进行拟合，得到所述目标园区的负荷周期效应，所述Prophet算法的表达式为：y
i
(t)＝g
i
(t)+s
i
(t)+ε
i
(t)；其中，y
i
(t)为所述第一数据集中第i种负荷样本在t时刻的实际值，g
i
(t)为第i种负荷样本在t时刻的基础值，s
i
(t)为第i种负荷样本在t时刻的周期效应值，ε
i
(t)为t时刻的第i种负荷样本与生成数据之间的误差项。3.如权利要求1所述的负荷数据的生成方法，其特征在于，基于所述负荷周期效应，去除第一数据集中的负荷季节效应，得到第二数据集，包括：利用预设计算公式，去除所述第一数据集中的负荷周期效应，得到所述第二数据集，所述预设计算公式为：d
i
(t)＝y
i
(t)
‑
s
i
(t)；其中，d
i
(t)表示所述第二数据集中第i种负荷在t时刻的基础值，y
i
(t)表示所述第一数据集中第i种负荷样本在t时刻的实际值，s
i
(t)表示第i种负荷样本在t时刻的周期效应值。4.如权利要求1所述的负荷数据的生成方法，其特征在于，所述利用Blending集成学习算法，根据所述第二数据集，通过元学习器和基学习器训练，构建基础负荷生成模型，包括：将所述第二数据集划分为第一数据子集和第二数据子集；基于所述基学习器，对所述第一数据子集进行训练，直至训练结果达到第一预设收敛条件，得到基学习器负荷生成模型；利用所述基学习器负荷生成模型，对所述第二数据子集进行计算，并将计算结果与第二数据子集生成为第三数据子集；基于所述元学习器，对所述第三数据子集进行训练，...

【专利技术属性】
技术研发人员：郇嘉嘉，李代猛，张璇，沈欣炜，乔百豪，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：