本发明专利技术涉及数据预测领域，公开了一种电力负荷预测方法、装置、计算机设备及存储介质，该方法包括：获取负荷历史数据和与负荷预测结果相关的影响因素历史数据；将负荷历史数据输入到预先训练好的负荷预测模型，得到负荷初始预测结果；获取实际负荷数据，并计算负荷初始预测结果和实际负荷数据的差值，得到误差数据；基于预先训练好的误差预测模型，对误差数据进行集合经验模态分解，得到误差预测结果；计算负荷初始预测结果和误差预测结果的相加结果，得到最终负荷预测结果，本发明专利技术利用负荷预测模型和误差预测模型进行负荷预测，根据误差预测结果修正负荷初始预测结果，从而提高负荷预测结果的准确性。结果的准确性。结果的准确性。
【技术实现步骤摘要】
一种电力负荷预测方法、装置、计算机设备及存储介质
[0001]本专利技术涉及数据预测
，具体涉及一种电力负荷预测方法、装置、计算机设备及存储介质。
技术介绍
[0002]随着电力行业的不断发展，电力负荷预测对电力系统运行的重要性逐渐提高。电力负荷预测成为经济调度、储能管理及电厂维护的基础，电力负荷预测结果的准确性直接影响到电力系统的运行性能，预测值偏大会导致电力生产过量，造成能源浪费，预测值偏小会导致电力生产不足，影响人们生活。
[0003]在现有技术中，通常采用回归分析法、时间序列法以及指数平滑法等方法预测电力负荷，回归分析法通过建立反映因果关系的数据模型进行预测，时间序列法通过对历史负荷数据进行曲线拟合和参数估计，建立数学模型，指数平滑法通过指数加权组合来实现。这些方法虽然可以表达自变量和因变量的关系，但在处理非平稳时间序列特征时，该方法的预测性能较差。
技术实现思路
[0004]有鉴于此，本专利技术提供了一种电力负荷预测方法、装置、计算机设备及存储介质，以解决对电力负荷进行精准预测的问题。
[0005]第一方面，本专利技术提供了一种电力负荷预测方法，该方法包括：
[0006]获取负荷历史数据和与负荷预测结果相关的影响因素历史数据；
[0007]将所述负荷历史数据输入到预先训练好的负荷预测模型，得到负荷初始预测结果，所述负荷预测模型为利用LSTNeT网络以预设历史时段内的负荷历史数据和影响因素历史数据为数据集训练的模型；
[0008]获取实际负荷数据，并计算所述负荷初始预测结果和所述实际负荷数据的差值，得到误差数据；
[0009]基于预先训练好的误差预测模型，对所述误差数据进行集合经验模态分解，得到误差预测结果，所述误差预测模型为利用LSTNeT网络以预设历史时段内对应的历史误差数据为数据集训练的模型；
[0010]计算所述负荷初始预测结果和所述误差预测结果的相加结果，得到最终负荷预测结果。
[0011]本专利技术通过利用负荷预测模型得到负荷初始预测结果，以根据负荷历史数据初步预测负荷数据，基于误差预测模型，以及实际负荷和负荷初始预测结果之间的差值误差数据进行集合经验模态分解，得到误差预测结果，以得到未来预设时段内的误差预测结果，利用负荷预测模型和差预测模型进行负荷预测，以在非平稳时间序列特征，依然可以进行预测，根据误差预测结果修正负荷初始预测结果，从而提高负荷预测结果的准确性。
[0012]在一种可选的实施方式中，所述基于预先训练好的误差预测模型，对所述误差数
据进行集合经验模态分解，得到误差预测结果，包括：
[0013]对所述误差数据进行集合经验模态分解，得到误差序列；
[0014]将误差序列输入至预先训练好的误差预测模型中，得到误差预测结果。
[0015]本专利技术利用对误差数据进行集合经验模态分解，以分解出误差数据对应的误差序列，从而利用误差预测模型，对误差预测结果进行预测，从而利用误差数据对误差预测结果进行预测。
[0016]在一种可选的实施方式中，所述对所述误差数据进行集合经验模态分解，得到误差序列，包括：
[0017]在所述误差数据中加入噪声信号，得到噪声误差信号；
[0018]对所述噪声误差信号进行经验模态分解，得到各阶内涵模态分量和其余分量；
[0019]计算各阶内涵模态分量的均值，并将剔除高频分量处理后的内涵模态分量和其余分量叠加的结果确定为误差序列。
[0020]本专利技术通过在误差数据中加入噪声信号，以使得对加入噪声的噪声误差信号进行分析时，便于对各分量进行分离，对内涵模态分量进行高频剔除处理，以减少高频分量对预测结果造成的影响，从而提高预测结果的准确性。
[0021]在一种可选的实施方式中，按照如下公式在所述误差数据中加入噪声信号，得到噪声误差信号：
[0022]E
i
′
(t)＝E(t)+ω
i
()，i＝1,2,...,N(1)
[0023]其中，E
i
′
(t)为噪声误差信号，N为总体平均次数，E(t)为误差数据，ω(t)为具有正态分布的噪声信号，i表示第i次添加噪声。
[0024]在一种可选的实施方式中，按照如下公式对所述噪声误差信号进行经验模态分解，得到各阶内涵模态分量和其余分量：
[0025][0026]其中，E
i
′
(t)为噪声误差信号，j表示第j个内涵模态分量，J表示经验模态分解得到的内涵模态分量总数，c
ij
(t)为第i次添加噪声后对噪声误差信号进行经验模态分解得到的第j个内涵模态分量，r
i
(t)为第i次添加噪声后对噪声误差信号进行经验模态分解得到的其余分量。
[0027]在一种可选的实施方式中，在获取负荷历史数据和与负荷预测结果相关的影响因素历史数据之后，所述方法还包括：
[0028]利用孤立森林异常检测算法对所述负荷历史数据和影响因素历史数据进行异常检测，并删除异常值。
[0029]本专利技术通过孤立森林异常检测算法进行异常检测，以减少异常值对预测结果的影响。
[0030]在一种可选的实施方式中，所述方法还包括：
[0031]对删除异常值处理后的负荷历史数据和影响因素历史数据进行归一化处理。
[0032]本专利技术对删除异常值处理后的数据进行归一化处理，以便于对数据进行处理，提高数据处理效率。
[0033]第二方面，本专利技术提供了一种电力负荷预测装置，该装置包括：
[0034]获取模块，用于获取负荷历史数据和与负荷预测结果相关的影响因素历史数据；
[0035]第一得到模块，用于将所述负荷历史数据输入到预先训练好的负荷预测模型，得到负荷初始预测结果，所述负荷预测模型为利用LSTNeT网络以预设历史时段内的负荷历史数据和影响因素历史数据为数据集训练的模型；
[0036]第二得到模块，用于获取实际负荷数据，并计算所述负荷初始预测结果和所述实际负荷数据的差值，得到误差数据；
[0037]第三得到模块，用于基于预先训练好的误差预测模型，对所述误差数据进行集合经验模态分解，得到误差预测结果，所述误差预测模型为利用LSTNeT网络以预设历史时段内对应的历史误差数据为数据集训练的模型；
[0038]第四得到模块，用于计算所述负荷初始预测结果和所述误差预测结果的相加结果，得到最终负荷预测结果。
[0039]第三方面，本专利技术提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的电力负荷预测方法。
[0040]第四方面，本专利技术提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的电力负荷预测方法。
附图说明<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种电力负荷预测方法，其特征在于，所述方法包括：获取负荷历史数据和与负荷预测结果相关的影响因素历史数据；将所述负荷历史数据输入到预先训练好的负荷预测模型，得到负荷初始预测结果，所述负荷预测模型为利用LSTNeT网络以预设历史时段内的负荷历史数据和影响因素历史数据为数据集训练的模型；获取实际负荷数据，并计算所述负荷初始预测结果和所述实际负荷数据的差值，得到误差数据；基于预先训练好的误差预测模型，对所述误差数据进行集合经验模态分解，得到误差预测结果，所述误差预测模型为利用LSTNeT网络以预设历史时段内对应的历史误差数据为数据集训练的模型；计算所述负荷初始预测结果和所述误差预测结果的相加结果，得到最终负荷预测结果。2.根据权利要求1所述的方法，其特征在于，所述基于预先训练好的误差预测模型，对所述误差数据进行集合经验模态分解，得到误差预测结果，包括：对所述误差数据进行集合经验模态分解，得到误差序列；将误差序列输入至预先训练好的误差预测模型中，得到误差预测结果。3.根据权利要求2所述的方法，其特征在于，所述对所述误差数据进行集合经验模态分解，得到误差序列，包括：在所述误差数据中加入噪声信号，得到噪声误差信号；对所述噪声误差信号进行经验模态分解，得到各阶内涵模态分量和其余分量；计算各阶内涵模态分量的均值，并将剔除高频分量处理后的内涵模态分量和其余分量叠加的结果确定为误差序列。4.根据权利要求3所述的方法，其特征在于，按照如下公式在所述误差数据中加入噪声信号，得到噪声误差信号：E
i
′
(t)＝E(t)+ω
i
()，i＝1，2，..，N(1)其中，E
i
′
(t)为噪声误差信号，N为总体平均次数，E(t)为误差数据，ω(t)为具有正态分布的噪声信号，i表示第i次添加噪声。5.根据权利要求3所述的方法，其特征在于，按照如下公式对所述噪声误差信号进行经验模态分解，得到各阶内涵模态分量和其余分量：其中，E
i
′
【专利技术属性】
技术研发人员：王兹尧，严黄宝，曾文惠，张雨欣，李佳乐，舒少龙，
申请(专利权)人：华电电力科学研究院有限公司同济大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。