一种考虑气象因素的需求响应基线负荷预测方法及装置制造方法及图纸

本发明专利技术公开了一种考虑气象因素的需求响应基线负荷预测方法及装置，该方法包括：获取历史负荷数据；基于历史负荷数据构建的树森林确定历史负荷数据中的异常数据；基于KNN算法对历史负荷数据中将异常数据删除后的缺失数据进行填补；基于主成分分析法确定与基线负荷预测相关的气象因素中的主要气象因素；基于采用填补后的历史负荷数据以及主要气象因素数据构建的模型进行基线负荷预测。通过构建的树森林以及KNN算法实现了对异常数据的识别和缺失数据的填补；同时考虑气象因素对负荷预测的影响，使得最终获得的基线负荷预测结果更准确，运用主成分分析法分析出气象因素中贡献率较大的因素，避免了考虑所有气象因素导致算法计算速度慢的缺陷。计算速度慢的缺陷。计算速度慢的缺陷。

【技术实现步骤摘要】
一种考虑气象因素的需求响应基线负荷预测方法及装置


[0001]本专利技术涉及负荷预测
，具体涉及一种考虑气象因素的需求响应基线负荷预测方法及装置。

技术介绍

[0002]用户基线负荷是用户参与需求响应项目执行效果的重要参考，受到负荷环境、用户用电行为习惯等多种因素的影响。基线负荷为定量评价用户负荷削减程度提供了数据参考，是需求响应实施机构对客户实行奖惩的依据，是评价需求响应项目实施效果的衡量指标。但需求响应实施机构只能获得用户在需求响应后的负荷数据，无法获得用户在其不进行需求响应下的基线负荷数据，因而无法得知用户具体的需求响应量。
[0003]准确的基线负荷估计对于激励型需求响应的实施非常重要，因为它直接影响需求响应实施者和参与者双方的经济利益。在激励型需求响应中，需要估计两种不同空间层级的基线负荷：个体和集群。个体层级的基线负荷是指单个用户的基线负荷，其估计结果主要用于负荷聚合商与需求响应参与者之间的补偿金结算；集群基线负荷(aggregated baseline load，ABL)是指负荷聚合商代理的所有CBL(用户基线负荷，customerbaselineload，)之和，其估计结果既是系统运营商与负荷聚合商之间结算的依据，又是量化整个需求响应项目实施效果的基础。
[0004]传统的需求响应基线负荷预测方法一般是通过对样本负荷数据进行处理而获得预测的数据依据，如采用典型比例因子修正法来选取样本负荷数据、基于时间序列和卡尔曼滤波组合的负荷预测方法，预测时考虑的因素不够全面。即目前在进行需求响应基线负荷预测时，未考虑气象因素对负荷中可调负荷的影响，仅仅通过历史负荷数据对基线负荷进行预测，导致最终获得的基线负荷的精度不够高。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供了涉及一种考虑气象因素的需求响应基线负荷预测方法及装置，以解决现有技术中基线负荷的精度不高的技术问题。
[0006]本专利技术提出的技术方案如下：
[0007]本专利技术实施例第一方面提供一种考虑气象因素的需求响应基线负荷预测方法，包括：获取历史负荷数据；基于所述历史负荷数据构建的树森林确定所述历史负荷数据中的异常数据；基于KNN算法对所述历史负荷数据中将异常数据删除后的缺失数据进行填补；基于主成分分析法确定与基线负荷预测相关的气象因素中的主要气象因素；基于采用填补后的历史负荷数据以及主要气象因素数据构建的模型进行基线负荷预测。
[0008]可选地，基于所述历史负荷数据构建的树森林确定所述历史负荷数据中的异常数据，包括：基于所述历史负荷数据以及所述历史负荷数据与预设切割点数值的关系确定树森林的根节点和叶节点；计算每个历史负荷数据在树森林中每棵树的高度；基于所有高度的平均值以及预设切割点数据计算每个历史负荷数据的异常评分；基于异常评分确定所述
历史负荷数据是否为异常数据。
[0009]可选地，基于所述历史负荷数据以及所述历史负荷数据与预设切割点数值的关系确定树森林的根节点和叶节点，包括：将历史负荷数据中的样本数据作为树森林中每棵树的根节点；基于样本数据中任一维度数据与预设切割点数值的大小关系将任一维度数据置于左叶节点或右叶节点；当树森林中每棵树满足预设条件时停止生成新的叶节点。
[0010]可选地，基于KNN算法对所述历史负荷数据中将异常数据删除后的缺失数据进行填补，包括：将确定的异常数据删除，生成缺失数据；基于历史负荷数据构建的数据集矩阵计算每个缺失数据的欧式距离；基于所述欧式距离选取的k近邻数据以及其权重计算缺失数据的替代值进行填补。
[0011]可选地，基于主成分分析法确定与基线负荷预测相关的气象因素中的主要气象因素，包括：将与基线负荷预测相关的气象因素数据进行标准化处理；计算标准化处理后的气象因素数据的特征值和特征向量；基于采用特征向量计算的主成分得分以及采用特征值计算的累计贡献率确定主要气象因素。
[0012]可选地，基于采用填补后的历史负荷数据以及主要气象因素数据构建的模型进行基线负荷预测，包括：对填补后的历史负荷数据解耦得到不可调负荷数据、不包含空调负荷的可调负荷数据以及可调负荷数据；采用不可调负荷数据、不包含空调负荷的可调负荷数据、可调负荷数据以及主要气象因素数据构建的模型进行基线负荷预测。
[0013]可选地，采用不可调负荷数据、不包含空调负荷的可调负荷数据、可调负荷数据以及主要气象因素数据构建的模型进行基线负荷预测，包括：采用历史负荷中总负荷数据、不包含空调负荷的可调负荷数据以及主要气象因素数据作为输入、不可调负荷与空调负荷之和所占总负荷比例作为输出构建比例预测模型；采用不可调负荷、空调负荷以及主要气象因素数据作为输入、不可调负荷和空调负荷的基线负荷值作为输出构建负荷预测模型；基于所述负荷预测模型预测的基线负荷以及比例预测模型预测的比例的比值确定总基线负荷。
[0014]本专利技术实施例第二方面提供一种考虑气象因素的需求响应基线负荷预测装置，包括：数据获取模块，用于获取历史负荷数据；异常数据判断模块，用于基于所述历史负荷数据构建的树森林确定所述历史负荷数据中的异常数据；填补模块，用于基于KNN算法对所述历史负荷数据中将异常数据删除后的缺失数据进行填补；主成分分析模块，用于基于主成分分析法确定与基线负荷预测相关的气象因素中的主要气象因素；预测模块，用于基于采用填补后的历史负荷数据以及主要气象因素数据构建的模型进行基线负荷预测。
[0015]本专利技术实施例第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本专利技术实施例第一方面及第一方面任一项所述的考虑气象因素的需求响应基线负荷预测方法。
[0016]本专利技术实施例第四方面提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本专利技术实施例第一方面及第一方面任一项所述的考虑气象因素的需求响应基线负荷预测方法。
[0017]本专利技术提供的技术方案，具有如下效果：
[0018]本专利技术实施例提供的考虑气象因素的需求响应基线负荷预测方法及装置，通过获
取历史负荷数据；基于历史负荷数据构建的树森林确定历史负荷数据中的异常数据；基于KNN算法对历史负荷数据中将异常数据删除后的缺失数据进行填补；基于主成分分析法确定与基线负荷预测相关的气象因素中的主要气象因素；基于采用填补后的历史负荷数据以及主要气象因素数据构建的模型进行基线负荷预测。由此，通过构建的树森林以及KNN算法实现了对异常数据的识别和填补，使得后续预测结果更加准确；同时在进行需求响应基线负荷预测的过程中考虑气象因素对负荷预测的影响，使得最终获得的基线负荷预测结果更准确，另外运用主成分分析法分析出影响负荷预测的气象因素中贡献率较大的因素，避免了考虑所有气象因素导致算法计算速度慢的缺陷。
附图说明
[0019]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑气象因素的需求响应基线负荷预测方法，其特征在于，包括：获取历史负荷数据；基于所述历史负荷数据构建的树森林确定所述历史负荷数据中的异常数据；基于KNN算法对所述历史负荷数据中将异常数据删除后的缺失数据进行填补；基于主成分分析法确定与基线负荷预测相关的气象因素中的主要气象因素；基于采用填补后的历史负荷数据以及主要气象因素数据构建的模型进行基线负荷预测。2.根据权利要求1所述的考虑气象因素的需求响应基线负荷预测方法，其特征在于，基于所述历史负荷数据构建的树森林确定所述历史负荷数据中的异常数据，包括：基于所述历史负荷数据以及所述历史负荷数据与预设切割点数值的关系确定树森林的根节点和叶节点；计算每个历史负荷数据在树森林中每棵树的高度；基于所有高度的平均值以及预设切割点数据计算每个历史负荷数据的异常评分；基于异常评分确定所述历史负荷数据是否为异常数据。3.根据权利要求2所述的考虑气象因素的需求响应基线负荷预测方法，其特征在于，基于所述历史负荷数据以及所述历史负荷数据与预设切割点数值的关系确定树森林的根节点和叶节点，包括：将历史负荷数据中的样本数据作为树森林中每棵树的根节点；基于样本数据中任一维度数据与预设切割点数值的大小关系将任一维度数据置于左叶节点或右叶节点；当树森林中每棵树满足预设条件时停止生成新的叶节点。4.根据权利要求1所述的考虑气象因素的需求响应基线负荷预测方法，其特征在于，基于KNN算法对所述历史负荷数据中将异常数据删除后的缺失数据进行填补，包括：将确定的异常数据删除，生成缺失数据；基于历史负荷数据构建的数据集矩阵计算每个缺失数据的欧式距离；基于所述欧式距离选取的k近邻数据以及其权重计算缺失数据的替代值进行填补。5.根据权利要求1所述的考虑气象因素的需求响应基线负荷预测方法，其特征在于，基于主成分分析法确定与基线负荷预测相关的气象因素中的主要气象因素，包括：将与基线负荷预测相关的气象因素数据进行标准化处理；计算标准化处理后的气象因素数据的特征值和特征向量；基于采用特征向量计算的主成分得分以及采用特征值计算的累计贡献率确定主要气象因素。6....

【专利技术属性】
技术研发人员：郭明星，王素，王晓晖，蓝国卉，吕冉，刘盼盼，刘莹，刘川，
申请(专利权)人：国网智能电网研究院有限公司，
类型：发明
国别省市：