一种电力负荷的短期预测方法及装置制造方法及图纸

本申请涉及电力系统自动化技术领域，具体涉及一种电力负荷的短期预测方法及装置，该方法包括构建电力系统的历史样本数据集；该历史样本数据集包括历史负荷数据、历史气象预测数据及每日负荷曲线类型；对该历史样本数据集进行预处理，并获取预处理结果；将预处理后的该历史样本数据集输入至目标Fedformer预测模型，并对该目标Fedformer预测模型进行训练及优化，以获取最优Fedformer预测模型；获取该电力系统的负荷预测样本，并通过该最优Fedformer预测模型对该负荷预测样本进行预测，以获取该负荷预测样本的负荷预测值。上述方案可以提高电力负荷短期预测技术的预测精度，并缩短其计算时间。并缩短其计算时间。并缩短其计算时间。

【技术实现步骤摘要】
一种电力负荷的短期预测方法及装置


[0001]本申请涉及电力系统负荷预测
，具体涉及一种电力负荷的短期预测方法及装置。

技术介绍

[0002]电力负荷作为电力系统的关键一环，其短期预测对于电力系统的安全稳定性和经济可靠性至关重要。电力负荷的短期预测属于长时间序列预测问题，通常需要对电力系统未来1
‑
8天(时间分辨率为15分钟，96
‑
768个时段)的负荷水平进行预测，并且由于电力系统具备高度不确定性，难以保证电力负荷短期预测的准确性。
[0003]近年来，随着电力系统的快速发展，虚拟电厂、需求响应、负荷聚合商等新技术和新成员的引入，电动汽车、新能源、储能等分布式元件的大量接入，电力系统的复杂性和不确定性愈加严重，给电力负荷短期预测带来了更大的挑战。近年来，在机器学习的基础上，深度学习的理论和方法得到长足的发展和进步，由于电力负荷数据是具有一定周期性变化规律的时间序列数据，CNN(卷积神经网络)、RNN(循环神经网络)和LSTM(长短期记忆人工神经网络)等深度模型在负荷短期预测方面的应用最为广泛，在预测精度上相比于机器学习虽然有所提高，但是仍存在长期记忆遗忘和计算复杂度过高等问题。而基于Transformer模型及其改良模型的最先进深度学习方法尽管可以有效改善短期负荷预测的长期信息丢失问题，使得预测精度得到进一步提升，但是依然存在计算效率较低、无法捕捉负荷整体变化趋势、未考虑由不明原因造成的负荷突变等问题。
[0004]因此，亟需提升现有的电力负荷短期预测技术的预测精度，并缩短其计算时间。

技术实现思路

[0005]本申请提供了一种电力负荷的短期预测方法，可以提高电力负荷短期预测技术的预测精度，并缩短其计算时间，该技术方案如下。
[0006]一方面，提供了一种电力负荷的短期预测方法，所述方法包括：
[0007]构建电力系统的历史样本数据集；所述历史样本数据集包括历史负荷数据、历史气象预测数据及每日负荷曲线类型；
[0008]对所述历史样本数据集进行预处理，并获取预处理结果；所述预处理包括特征编码处理及归一化处理；
[0009]将预处理后的所述历史样本数据集输入至目标Fedformer预测模型，并对所述目标Fedformer预测模型进行训练及优化，以获取最优Fedformer预测模型；
[0010]获取所述电力系统的负荷预测样本，并通过所述最优Fedformer预测模型对所述负荷预测样本进行预测，以获取所述负荷预测样本的负荷预测值。
[0011]又一方面，提供了一种电力负荷的短期预测装置，所述装置包括：
[0012]历史样本数据集构建模块，用于构建电力系统的历史样本数据集；所述历史样本数据集包括历史负荷数据、历史气象预测数据及每日负荷曲线类型；
[0013]预处理结果获取模块，用于对所述历史样本数据集进行预处理，并获取预处理结果；所述预处理包括特征编码处理及归一化处理；
[0014]训练及优化模块，用于将预处理后的所述历史样本数据集输入至目标Fedformer预测模型，并对所述目标Fedformer预测模型进行训练及优化，以获取最优Fedformer预测模型；
[0015]负荷预测值获取模块，用于获取所述电力系统的负荷预测样本，并通过所述最优Fedformer预测模型对所述负荷预测样本进行预测，以获取所述负荷预测样本的负荷预测值。
[0016]在一种可能的实施方式中，所述历史样本数据集构建模块，还用于：
[0017]获取电力系统的历史负荷数据及历史气象预测数据；
[0018]根据日期属性对每日的所述历史负荷数据进行分类，以获取每日负荷曲线类型；所述日期属性包括工作日、双休日、法定节假日和非法定节假日；
[0019]根据所述历史负荷数据、所述历史气象预测数据及所述每日负荷曲线类型，构建所述历史样本数据集。
[0020]在一种可能的实施方式中，所述装置还用于：
[0021]根据指定比例，将所述历史样本数据集划分成训练样本集、测试样本集及验证样本集。
[0022]在一种可能的实施方式中，所述训练及优化模块，还用于：
[0023]将预处理后的所述训练样本集输入至所述目标Fedformer预测模型，并对所述目标Fedformer预测模型进行训练；
[0024]通过预处理后的所述验证样本集对训练好的所述目标Fedformer预测模型进行优化，以获取最优Fedformer预测模型。
[0025]在一种可能的实施方式中，所述装置还用于：
[0026]将预处理后的所述测试样本集输入至所述最优Fedformer预测模型，以获取所述测试样本集的负荷测试值；
[0027]根据所述负荷测试值的均方误差分析结果，对所述最优Fedformer预测模型的预测准确率进行评估。
[0028]在一种可能的实施方式中，所述负荷预测值获取模块，还用于：
[0029]对所述负荷预测样本进行预处理，以获取所述负荷预测样本的负荷预测特征；
[0030]将所述负荷预测样本的负荷预测特征输入至所述最优Fedformer预测模型，以获取所述负荷预测样本的负荷预测值。
[0031]在一种可能的实施方式中，所述装置还用于：
[0032]获取所述历史样本数据集对应的历史负荷时间序列数据，对所述历史负荷时间序列数据进行指定比例的滑窗处理，以获取训练样本集；所述训练样本集中每个训练样本包括输入负荷序列及预测的输出负荷序列；
[0033]对所述训练样本进行负荷局部差异计算，并获取局部差异计算结果；
[0034]根据所述局部差异计算结果，对每个所述训练样本进行分配损失权重，以对所述目标Fedformer预测模型的损失函数进行改进。
[0035]在一种可能的实施方式中，所述装置还用于：
[0036]对局部差异绝对值较大的训练样本，降低所述训练样本的损失权重。
[0037]再一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述的一种电力负荷的短期预测方法。
[0038]又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述的一种电力负荷的短期预测方法。
[0039]再一方面，提供了一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质中读取所述计算机指令，处理器执行所述计算机指令，使得所述计算机设备执行上述一种电力负荷的短期预测方法。
[0040]本申请提供的技术方案可以包括以下有益效果：
[0041]本申请采用Fedformer预测模型对电力负荷进行短期预测，在保证预测性能的同时，提升预测效率；其次，由于真实的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力负荷的短期预测方法，其特征在于，所述方法包括：构建电力系统的历史样本数据集；所述历史样本数据集包括历史负荷数据、历史气象预测数据及每日负荷曲线类型；对所述历史样本数据集进行预处理，并获取预处理结果；所述预处理包括特征编码处理及归一化处理；将预处理后的所述历史样本数据集输入至目标Fedformer预测模型，并对所述目标Fedformer预测模型进行训练及优化，以获取最优Fedformer预测模型；获取所述电力系统的负荷预测样本，并通过所述最优Fedformer预测模型对所述负荷预测样本进行预测，以获取所述负荷预测样本的负荷预测值。2.根据权利要求1所述的方法，其特征在于，所述构建电力系统的历史样本数据集，包括：获取电力系统的历史负荷数据及历史气象预测数据；根据日期属性对每日的所述历史负荷数据进行分类，以获取每日负荷曲线类型；所述日期属性包括工作日、双休日、法定节假日和非法定节假日；根据所述历史负荷数据、所述历史气象预测数据及所述每日负荷曲线类型，构建所述历史样本数据集。3.根据权利要求1所述的方法，其特征在于，在所述构建电力系统的历史样本数据集后，所述方法还包括：根据指定比例，将所述历史样本数据集划分成训练样本集、测试样本集及验证样本集。4.根据权利要求3所述的方法，其特征在于，所述将预处理后的所述历史样本数据集输入至目标Fedformer预测模型，并对所述目标Fedformer预测模型进行训练及优化，包括：将预处理后的所述训练样本集输入至所述目标Fedformer预测模型，并对所述目标Fedformer预测模型进行训练；通过预处理后的所述验证样本集对训练好的所述目标Fedformer预测模型进行优化，以获取最优Fedformer预测模型。5.根据权利要求4所述的方法，其特征在于，在所述获取最优Fedformer预测模型后，所述方法还包括：将预处理后的所述测试样本集输入至所述最优Fedformer预测模型，以获取所述测试样本集的负荷测试值；根据所述负荷测试值的均方误差分析结果，对所述最优Fedformer预测模型的预测准确率进行评估。6.根据权利要求1所述的方法，其特征在于，所述通...

【专利技术属性】
技术研发人员：熊正勇，方刚，曾维波，张衡，孙展展，
申请(专利权)人：固德威技术股份有限公司，
类型：发明
国别省市：