一种超短期负荷预测方法、装置及电子设备制造方法及图纸

本发明专利技术提供一种超短期负荷预测方法、装置及电子设备，本发明专利技术中，调用目标负荷预测模型对目标历史负荷数据进行处理，以得到初始历史负荷数据对应的超短期负荷预测结果。即通过本发明专利技术，能够进行超短期负荷预测。进一步，目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；参考负荷预测模型为参考预测输入数据长度对应、且基于参考预测输入数据长度对应的质心向量生成，也即，目标负荷预测模型是从参考负荷预测模型中筛选出的较优的参考负荷预测模型，则基于该目标负荷预测模型进行超短期负荷预测，预测准确度高。预测准确度高。预测准确度高。

【技术实现步骤摘要】
一种超短期负荷预测方法、装置及电子设备


[0001]本专利技术涉及负荷预测领域，更具体的说，涉及一种超短期负荷预测方法、装置及电子设备。

技术介绍

[0002]微电网是由分布式发电、储能系统和负荷组成的可控供能系统，受到相关政策的鼓励，具有广泛、可观的发展前景。
[0003]超短期负荷预测在整个微电网能量调度管理系统中不可或缺，是对储能系统、柴油发电机及风力发电机等可控微源进行优化调度的基础。此外超短期负荷预测的结果也会影响整个微电网的安全稳定运行和优化策略的实施。如何实现超短期负荷预测，是本领域技术人员亟需解决的技术问题。

技术实现思路

[0004]有鉴于此，本专利技术提供一种超短期负荷预测方法、装置及电子设备，以解决亟需实现超短期负荷预测的问题。
[0005]为解决上述技术问题，本专利技术采用了如下技术方案：
[0006]一种超短期负荷预测方法，包括：
[0007]获取预先确定出的目标负荷预测模型对应的目标预测输入数据长度，并按照所述目标预测输入数据长度，获取初始历史负荷数据；所述目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；所述参考负荷预测模型为参考预测输入数据长度对应、且基于所述参考预测输入数据长度对应的质心向量生成；
[0008]计算所述初始历史负荷数据的数据点的变化率，并基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据；<br/>[0009]调用所述目标负荷预测模型对所述目标历史负荷数据进行处理，以得到所述初始历史负荷数据对应的超短期负荷预测结果。
[0010]可选地，所述目标负荷预测模型的确定过程包括：
[0011]获取历史负荷数据样本；
[0012]对所述历史负荷数据样本进行数据预处理操作，得到目标负荷数据样本；
[0013]对所述目标负荷数据样本进行自相关系数计算，以得到多个参考预测输入数据长度；
[0014]确定所述参考预测输入数据长度对应的质心向量，并基于所述质心向量，构建所述参考预测输入数据长度对应的参考负荷预测模型；
[0015]筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型。
[0016]可选地，对所述目标负荷数据样本进行自相关系数计算，以得到多个参考预测输入数据长度，包括：
[0017]获取预先确定的预测输出数据长度；
[0018]基于所述目标负荷数据样本以及所述预测输出数据长度，确定时间长度的取值范围，所述时间长度为所述预测输出数据长度与参考预测输入数据长度之和；
[0019]确定所述目标负荷数据样本中，时间长度从取值范围的最小值逐步增加到最大值中的过程中形成的各个数据集的自相关系数；
[0020]筛选出自相关系数满足自相关系数筛选规则的目标自相关系数，并确定出所述目标自相关系数对应的参考预测输入数据长度。
[0021]可选地，确定所述参考预测输入数据长度对应的质心向量，包括：
[0022]设置种群的数量为所述参考预测输入数据长度的个数，并采用k
‑
mean聚类方法确定所述种群的初始质心向量；
[0023]将所述初始质心向量作为粒子群算法的粒子位置集合，并设置所述粒子群算法的寻优范围为所述参考预测输入数据长度的个数；
[0024]使用所述粒子群算法对所述初始质心向量进行修正操作，得到质心向量。
[0025]可选地，基于所述质心向量，构建所述参考预测输入数据长度对应的参考负荷预测模型，包括：
[0026]获取负荷预测模型；所述负荷预测模型的模型参数至少包括核函数的中心和核函数宽度参数；
[0027]将所述参考预测输入数据长度对应的质心向量作为所述核函数的中心，以及将所有质心向量的相互距离最大值作为所述核函数宽度参数，得到参考负荷预测模型。
[0028]可选地，筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型，包括：
[0029]将所述目标负荷数据样本分为训练集和验证集；
[0030]使用所述训练集对所述参考负荷预测模型进行训练，并使用所述验证集对所述参考负荷预测模型进行验证，得到预测误差；
[0031]确定是否存在预测误差符合预测误差规则的参考负荷预测模型；
[0032]若有，则筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型；
[0033]若无，则返回所述确定所述参考预测输入数据长度对应的质心向量这一步骤，并顺序进行，直至能够筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型时停止，或达到最大迭代次数时停止。
[0034]可选地，基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据，包括：
[0035]基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行异常值删除操作，得到中间历史负荷数据；
[0036]对所述中间历史负荷数据进行数据缺失值处理以及归一化处理，得到目标历史负荷数据。
[0037]可选地，基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化
率，对所述初始历史负荷数据进行异常值删除操作，得到中间历史负荷数据，包括：
[0038]计算所述初始历史负荷数据的第一平均值和第一标准差，以及计算所述初始历史负荷数据的数据点的变化率的第二平均值和第二标准差；
[0039]基于所述初始历史负荷数据、所述初始历史负荷数据的数据点的变化率、所述第一平均值、所述第一标准差、所述第二平均值和所述第二标准差，构建控制区间；
[0040]删除所述初始历史负荷数据中，不满足所述控制区间的数据点，得到中间历史负荷数据。
[0041]一种超短期负荷预测装置，包括：
[0042]数据获取模块，用于获取预先确定出的目标负荷预测模型对应的目标预测输入数据长度，并按照所述目标预测输入数据长度，获取初始历史负荷数据；所述目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；所述参考负荷预测模型为参考预测输入数据长度对应、且基于所述参考预测输入数据长度对应的质心向量生成；
[0043]数据处理模块，用于计算所述初始历史负荷数据的数据点的变化率，并基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据；
[0044]负荷预测模块，用于调用所述目标负荷预测模型对所述目标历史负荷数据进行处理，以得到所述初始历史负荷数据对应的超短期负荷预测结果。
[0045]一种电子设备，包括：存储器和处理器；
[0046]其中，所述存储器用于存储程序本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超短期负荷预测方法，其特征在于，包括：获取预先确定出的目标负荷预测模型对应的目标预测输入数据长度，并按照所述目标预测输入数据长度，获取初始历史负荷数据；所述目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；所述参考负荷预测模型为参考预测输入数据长度对应、且基于所述参考预测输入数据长度对应的质心向量生成；计算所述初始历史负荷数据的数据点的变化率，并基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据；调用所述目标负荷预测模型对所述目标历史负荷数据进行处理，以得到所述初始历史负荷数据对应的超短期负荷预测结果。2.根据权利要求1所述的超短期负荷预测方法，其特征在于，所述目标负荷预测模型的确定过程包括：获取历史负荷数据样本；对所述历史负荷数据样本进行数据预处理操作，得到目标负荷数据样本；对所述目标负荷数据样本进行自相关系数计算，以得到多个参考预测输入数据长度；确定所述参考预测输入数据长度对应的质心向量，并基于所述质心向量，构建所述参考预测输入数据长度对应的参考负荷预测模型；筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型。3.根据权利要求2所述的超短期负荷预测方法，其特征在于，对所述目标负荷数据样本进行自相关系数计算，以得到多个参考预测输入数据长度，包括：获取预先确定的预测输出数据长度；基于所述目标负荷数据样本以及所述预测输出数据长度，确定时间长度的取值范围，所述时间长度为所述预测输出数据长度与参考预测输入数据长度之和；确定所述目标负荷数据样本中，时间长度从取值范围的最小值逐步增加到最大值中的过程中形成的各个数据集的自相关系数；筛选出自相关系数满足自相关系数筛选规则的目标自相关系数，并确定出所述目标自相关系数对应的参考预测输入数据长度。4.根据权利要求2所述的超短期负荷预测方法，其特征在于，确定所述参考预测输入数据长度对应的质心向量，包括：设置种群的数量为所述参考预测输入数据长度的个数，并采用k
‑
mean聚类方法确定所述种群的初始质心向量；将所述初始质心向量作为粒子群算法的粒子位置集合，并设置所述粒子群算法的寻优范围为所述参考预测输入数据长度的个数；使用所述粒子群算法对所述初始质心向量进行修正操作，得到质心向量。5.根据权利要求2所述的超短期负荷预测方法，其特征在于，基于所述质心向量，构建所述参考预测输入数据长度对应的参考负荷预测模型，包括：获取负荷预测模型；所述负荷预测模型的模型参数至少包括核函数的中心和核函数宽度参数；
将所述参考预测输入数据长度对应的质心向量作为所述核函数的中心，以及将所有质心向量的相互距离最大值作为所述核函数宽度参数，得到参考负荷预测模型。6.根据权利要求2所述的超短期负荷...

【专利技术属性】
技术研发人员：胡伟，苏阳，
申请(专利权)人：阳光慧碳科技有限公司，
类型：发明
国别省市：