现货市场环境下超短期电力负荷的预测方法及装置制造方法及图纸

本发明专利技术公开了现货市场环境下超短期电力负荷的预测方法及装置，方法包括：获取电力负荷的原始数据；将电力负荷的原始数据构建为高频分量、低频分量和残差分量；将高频分量输入到长短期记忆人工神经模型中进行预测，得到第一预测结果；将低频分量和残差分量输入到极致梯度提升树模型中进行预测，得到第二预测结果；将第一预测结果和第二预测结果进行加和，得到最终的预测结果。得到最终的预测结果。得到最终的预测结果。

【技术实现步骤摘要】
现货市场环境下超短期电力负荷的预测方法及装置


[0001]本专利技术涉及电力预测
，尤其涉及一种现货市场环境下超短期电力负荷的预测方法、装置、计算设备及可读存储介质。

技术介绍

[0002]电力负荷预测是基于对技术、经济、政策以及气象等多维因素的识别，探究各类相关因素对电力负荷的影响机理及内在逻辑关系，结合电力负荷历史数据的演化趋势及发展规律，实现对未来电力负荷精准、科学的预测。从时间尺度来看，电力负荷预测又可进一步划分为中长期电力负荷预测、短期电力负荷预测以及超短期电力负荷预测。其中，超短期电力负荷预测的时间尺度主要为15分钟或者小时级，精准的超短期电力负荷预测有助于解决电力系统实时调度和电力市场实时交易等问题。
[0003]统计学理论和机器学习方法是电力负荷预测中常用的方法，应用的模型主要包含ARIMA、最小二乘支持向量机(least squares support vector machine，LSSVM)以及随机森林等。随着新型电力系统的不断发展，电力用户的用电数据呈现指数级增长态势，源
‑
网
‑
荷
‑
储之间的交互性、互动性进一步增强，大大增加了用户侧负荷需求的多样性与随机性。因此，也有部分学者将深度学习算法引入到电力负荷预测当中，以期提高预测精度。张宇帆等人提出了一种基于深度长短时记忆网络模型(long short
‑
term memory，LSTM)的区域级负荷预测方法，相比于支持向量回归和梯度提升回归树等模型具有较高的预测精度，然而LSTM算法存在难以并行处理和运算效率较低等缺陷。高翱等人构建了基于门控循环单元(gated recurrent unit，GRU)的短期电力负荷预测模型，改善了循环神经网络梯度下降和LSTM计算时间较长等问题，然而对于梯度消失和并行计算等问题仍难以彻底解决。尽管前人在负荷预测算法方面不断纵深，但单一模型的弊端难以规避。
[0004]为此，本专利技术提供了一种现货市场环境下超短期电力负荷的预测方案，以解决现有技术中的问题。

技术实现思路

[0005]为此，本专利技术提供一种现货市场环境下超短期电力负荷的预测方法、装置、计算设备及可读存储介质，以解决或至少缓解上面存在的问题。
[0006]根据本专利技术的第一个方面，提供一种现货市场环境下超短期电力负荷的预测方法，所述方法包括：获取电力负荷的原始数据；将所述电力负荷的原始数据构建为高频分量、低频分量和残差分量；将所述高频分量输入到长短期记忆人工神经模型中进行预测，得到第一预测结果；将所述低频分量和所述残差分量输入到极致梯度提升树模型中进行预测，得到第二预测结果；将所述第一预测结果和所述第二预测结果进行加和，得到最终的预测结果。
[0007]可选地，在根据本专利技术的现货市场环境下超短期电力负荷的预测方法中，将电力负荷的原始数据构建为高频分量、低频分量和残差分量，包括：在电力负荷的原始数据中加
入自适应白噪声；将加入了自适应白噪声的原始数据进行经验模态分解，得到多个本征模态函数分量，并计算每个本征模态函数分量的平均值；从所述多个本征模态函数分量中获取高频分量和低频分量；从电力负荷的原始数据中分别移除所述每个本征模态函数分量的平均值，得到残差分量。
[0008]可选地，在根据本专利技术的现货市场环境下超短期电力负荷的预测方法中，还包括：获取电力负荷的影响因素的原始数据；对所述影响因素的原始数据进行归一化处理；将归一化处理后的影响因素的原始数据输入到所述长短期记忆人工神经模型和所述极致梯度提升树模型中。
[0009]可选地，在根据本专利技术的现货市场环境下超短期电力负荷的预测方法中，还包括：对所述电力负荷的原始数据进行归一化处理。
[0010]可选地，在根据本专利技术的现货市场环境下超短期电力负荷的预测方法中，对原始数据进行归一化处理，包括：获取原始数据的均值和标准差；利用原始数据中的每项数据中与所述均值的差值除以所述标准差得到的结果替换该项数据。
[0011]可选地，在根据本专利技术的现货市场环境下超短期电力负荷的预测方法中，电力负荷的影响因素包括气象因素、电力现货市场因素和可再生能源因素。
[0012]可选地，在根据本专利技术的现货市场环境下超短期电力负荷的预测方法中，气象因素包括温度和风速指标，所述电力现货市场因素包括日前出清价格和实时市场价格指标，所述可再生能源因素包括风电出力和光伏出力指标。
[0013]根据本专利技术的第二个方面，提供一种现货市场环境下超短期电力负荷的预测装置，包括：数据获取模块，适于获取电力负荷的原始数据；数据分解模块，适于将所述电力负荷的原始数据构建为高频分量、低频分量和残差分量；第一预测模块，适于将所述高频分量输入到长短期记忆人工神经模型中进行预测，得到第一预测结果；第二预测模块，适于将所述低频分量和所述残差分量输入到极致梯度提升树模型中进行预测，得到第二预测结果；结果叠加模块，适于将所述第一预测结果和所述第二预测结果进行加和，得到最终的预测结果。
[0014]根据本专利技术的第三个方面，提供一种计算设备，包括：至少一个处理器；存储器，存储有程序指令，其中，程序指令被配置为适于由上述至少一个处理器执行，程序指令包括用于执行如上所述的方法的指令。
[0015]根据本专利技术的第四个方面，提供一种存储有程序指令的可读存储介质，当该程序指令被计算设备读取并执行时，使得该计算设备执行如上所述的方法。
[0016]本专利技术的技术方案，通过将电力负荷的原始数据构建为高频分量、低频分量和残差分量，将高频分量输入到长短期记忆人工神经模型中进行预测，并将低频分量和残差分量输入到极致梯度提升树模型中进行预测，实现一种多模态融合超短期电力负荷预测模型，以适应现货市场环境下电力用户行为特征及用电需求的复杂多变。通过极致梯度提升树模型和长超短期记忆神经模型对处理后的电力负荷原始数据进行组合预测，从而提升模型的预测精度。
[0017]进一步地，通过自适应噪声互补集合经验模态分解对电力负荷的原始数据进行分解，以降低电力负荷原始数据的随机性和波动性。通过多种模型组合实现优势互补，进而提高电力负荷预测的精准程度。
[0018]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0019]为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
[0020]图1示出了的计算设备100的物理组件(即，硬件)的框图；
[0021]图2示出了根据本专利技术一个实施例的现货市场环本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种现货市场环境下超短期电力负荷的预测方法，所述方法包括：获取电力负荷的原始数据；将所述电力负荷的原始数据构建为高频分量、低频分量和残差分量；将所述高频分量输入到长短期记忆人工神经模型中进行预测，得到第一预测结果；将所述低频分量和所述残差分量输入到极致梯度提升树模型中进行预测，得到第二预测结果；将所述第一预测结果和所述第二预测结果进行加和，得到最终的预测结果。2.根据权利要求1所述的方法，其中，所述将电力负荷的原始数据构建为高频分量、低频分量和残差分量，包括：在电力负荷的原始数据中加入自适应白噪声；将加入了自适应白噪声的原始数据进行经验模态分解，得到多个本征模态函数分量，并计算每个本征模态函数分量的平均值；从所述多个本征模态函数分量中获取高频分量和低频分量；从电力负荷的原始数据中分别移除所述每个本征模态函数分量的平均值，得到残差分量。3.根据权利要求1或2所述的方法，还包括：获取电力负荷的影响因素的原始数据；对所述影响因素的原始数据进行归一化处理；将归一化处理后的影响因素的原始数据输入到所述长短期记忆人工神经模型和所述极致梯度提升树模型中。4.根据权利要求1至3中任一项所述的方法，还包括：对所述电力负荷的原始数据进行归一化处理。5.根据权利要求3所述的方法，其中，对原始数据进行归一化处理，包括：获取原始数据的均值和标准差；利用原始...

【专利技术属性】
技术研发人员：赵昕，薛万磊，厉艳，李秋爽，王鹏，郑志杰，牟颖，张栋梁，刘知凡，李校莹，李晨辉，王振坤，史英，孔德秋，管大顺，白颖，胡桂彬，穆聪聪，郭森，赵一航，马万震，刘石璇，谭海生，贾怡欣，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：