一种节假日短期负荷预测方法及系统技术方案

本发明专利技术提供一种节假日短期负荷预测方法及系统，包括以下步骤：S1：获取分析数据，对分析数据进行预处理，获得日负荷数据；S2：对日负荷数据进行分解，获得趋势曲线和日极值；S3：对趋势曲线进行趋势预测，获得趋势曲线预测值；S4：对日极值进行极值预测，获得日极值预测值；S5：将趋势曲线预测值和日极值预测值进行融合，获得负荷预测结果。本发明专利技术将日负荷数据分解为趋势曲线和日极值，通过对趋势曲线和日极值分别进行预测和融合以提高最终负荷预测结果的精确度；引入节假日编码实现趋势曲线的预测；通过特征筛选及节假日分类实现日极值的预测，在预测过程中考虑节假日的负荷特性，提升负荷预测的准确性。负荷预测的准确性。负荷预测的准确性。

【技术实现步骤摘要】
一种节假日短期负荷预测方法及系统


[0001]本专利技术涉及负荷预测领域，尤其涉及一种节假日短期负荷预测方法及系统。

技术介绍

[0002]在我国电网如火如荼发展的同时，电力供应不平衡现象也一直困扰着我们，部分地区电能过剩，有些地区却频繁出现电荒。电力系统进行决策的主要依据就是电力负荷的预测结果，电力负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因素，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据，其中负荷按照采样时间周期的长短可分为电力需求量(功率)或用电量，采样周期为15分钟时表示电力需求量，采样周期为1天时则表示本日总的用电量。负荷预测的准确性与电力系统的决策正确性息息相关。在当前电网市场蓬勃发展的大背景下，追求电能利用率的最大化，开展精准短期负荷预测工作具有非常重要的理论意义和工程实用价值。
[0003]负荷预测的方法大致可以分为两类：机器学习和统计方法。前者可以集成天气和地理位置等多维数据，但需要足够的数据来进行模型训练。机器学习主要包括支持向量机、随机森林回归和长短期记忆神经网络等方法。后者需要一些专业知识来定义不同变量之间的相互作用，但计算时间较短。代表性的方法有多元线性回归(MLR)和卡尔曼滤波。
[0004]上述方法对典型日负荷曲线的短期预测是有效的，具有较高的精度。然而，在节假日的情况下，负荷预测往往不那么乐观。与平时相比，节假日的日负荷预测更加困难。节假日负荷与工作日有较大差别。在负荷结构方面，假日期间工业负荷明显下降，导致假日负荷规模缩小，趋势与平日不同。此外，假期一年只有一次，用于模型训练的样本极其不足，因此很难清楚地挖掘假期的模式。工作日负荷具有周期性，负荷曲线具有相同的变化规律。节假日由于工业生产安排不同，人们的生活方式与正常工作日有着明显的差异，节假日负荷明显低于工作日，且受气象等因素和随机干扰因子的影响，负荷的周期性规律被打破。
[0005]在传统负荷预测中，一般把节假日看作是众多影响因素的一部分，但对于节假日的负荷特性、气象和负荷之间的耦合关系以及国家调休政策等因素考虑得不够充分。这也使得通用的负荷预测模型已不适合节假日场景，若直接使用这些通用模型对节假日负荷进行预测，预测结果误差将会较大。

技术实现思路

[0006]为解决上述技术问题，本专利技术提供一种节假日短期负荷预测方法，包括以下步骤：
[0007]S1：获取分析数据，对分析数据进行预处理，获得日负荷数据；
[0008]S2：对日负荷数据进行分解，获得趋势曲线和日极值；
[0009]S3：对趋势曲线进行趋势预测，获得趋势曲线预测值；
[0010]S4：对日极值进行极值预测，获得日极值预测值；
[0011]S5：将趋势曲线预测值和日极值预测值进行融合，获得负荷预测结果。
[0012]优选的，步骤S1具体为：
[0013]获得的分析数据包括：节假日历史负荷数据和气象数据；
[0014]依次对分析数据进行数据缺失值填补与异常值处理，天气类型量化处理，数据归一化处理，获得日负荷数据。
[0015]优选的，步骤S2具体为：
[0016]S21：通过历史假期的趋势来预测日负荷数据的负荷趋势，获得趋势曲线，趋势曲线p
i
中的负荷百分比定义为：
[0017][0018]其中，i为年份，t为时刻，p
t
是t时刻的负荷百分比；P
t
是t时刻负荷的实际值；max(P
t
)和min(P
t
)分别是每日实际功率的最大值和最小值；
[0019]S22：从历史负荷数据中筛选出日极值，包括：每日负荷的极大值和极小值。
[0020]优选的，步骤S3具体为：
[0021]S31：以节假日的特征对各节假日进行编码，特征的类型包括：假期类型、假期长度、假期位置、年份、季节和法定节假日；
[0022]S32：选择最近N年编码相同的趋势曲线计算获得趋势曲线预测值，计算公式为：
[0023][0024]其中，i为年份，p
i
为第i年的趋势曲线，为趋势曲线预测值。
[0025]优选的，步骤S4具体为：
[0026]S41：对日极值进行数据归一化，获得归一化的日极值；
[0027]S42：通过节假日负荷的影响因素对归一化的日极值进行分类，获得节假日的负荷极值；
[0028]S43：通过XGBoost对节假日的负荷极值进行预测，获得日极值预测值。
[0029]优选的，负荷预测结果的表达式为：
[0030][0031]其中，是日极值预测值中的极大值，是日极值预测值中的极小值，是趋势曲线预测值，为负荷预测结果。
[0032]一种节假日短期负荷预测系统，包括以下模块：
[0033]日负荷数据获取模块，用于获取分析数据，对分析数据进行预处理，获得日负荷数据；
[0034]日负荷数据分解模块，用于对日负荷数据进行分解，获得趋势曲线和日极值；
[0035]趋势曲线预测模块，用于对趋势曲线进行趋势预测，获得趋势曲线预测值；
[0036]日极值预测模块，用于对日极值进行极值预测，获得日极值预测值；
[0037]负荷预测模块，用于将趋势曲线预测值和日极值预测值进行融合，获得负荷预测结果。
[0038]本专利技术具有以下有益效果：
[0039]本专利技术将日负荷数据分解为趋势曲线和日极值，通过对趋势曲线和日极值分别进
行预测和融合以提高最终负荷预测结果的精确度；引入节假日编码实现趋势曲线的预测；通过特征筛选及节假日分类实现日极值的预测，在预测过程中考虑节假日的负荷特性，提升负荷预测的准确性。
附图说明
[0040]图1为本专利技术实施例方法流程图；
[0041]图2为2019年至2021年元旦日负荷曲线；
[0042]图3为2019年至2021年元旦日负荷极值；
[0043]图4为2020年12月31日负荷成分；
[0044]图5为2021年1月1日负荷成分；
[0045]图6为元旦负荷预测结果；
[0046]图7为春节负荷预测结果；
[0047]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0048]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0049]参照图1，本专利技术提供一种节假日短期负荷预测方法，包括以下步骤：
[0050]S1：获取分析数据，对分析数据进行预处理，获得日负荷数据；
[0051]S2：对日负荷数据进行分解，获得趋势曲线和日极值；
[0052]S3：对趋势曲线进行趋势预测，获得趋势曲线预测值；
[0053]S4：对日极值进行极值预测，获得日极值预测值；
[0054]S5：将趋势曲线预测值和日极值预测值进行融本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种节假日短期负荷预测方法，其特征在于，包括以下步骤：S1：获取分析数据，对分析数据进行预处理，获得日负荷数据；S2：对日负荷数据进行分解，获得趋势曲线和日极值；S3：对趋势曲线进行趋势预测，获得趋势曲线预测值；S4：对日极值进行极值预测，获得日极值预测值；S5：将趋势曲线预测值和日极值预测值进行融合，获得负荷预测结果。2.根据权利要求1所述的节假日短期负荷预测方法，其特征在于，步骤S1具体为：获得的分析数据包括：节假日历史负荷数据和气象数据；依次对分析数据进行数据缺失值填补与异常值处理，天气类型量化处理，数据归一化处理，获得日负荷数据。3.根据权利要求1所述的节假日短期负荷预测方法，其特征在于，步骤S2具体为：S21：通过历史假期的趋势来预测日负荷数据的负荷趋势，获得趋势曲线，趋势曲线p
i
中的负荷百分比定义为：其中，i为年份，t为时刻，p
t
是t时刻的负荷百分比；P
t
是t时刻负荷的实际值；max(P
t
)和min(P
t
)分别是每日实际功率的最大值和最小值；S22：从历史负荷数据中筛选出日极值，包括：每日负荷的极大值和极小值。4.根据权利要求1所述的节假日短期负荷预测方法，其特征在于，步骤S3具体为：S...

【专利技术属性】
技术研发人员：丁敏，吕佶，李泉慧，方支剑，李丹云，王庆义，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：