一种短期用电负荷预测方法及系统技术方案

本发明专利技术涉及一种短期用电负荷预测方法及系统，包括以下步骤：采集历史短期电力负荷数据以及每个短期电力负荷的历史影响因子数据；通过孤立森林算法对历史短期电力负荷数据以及每个短期电力负荷的历史影响因子数据进行异常数据处理，得到历史短期电力负荷数据训练集；建立

【技术实现步骤摘要】
一种短期用电负荷预测方法及系统


[0001]本专利技术涉及一种短期用电负荷预测方法及系统，属于电力信息

。

技术介绍

[0002]“双碳”战略背景下，能源的可持续发展成为社会一大热点
。
电能既是一种经济
、
实用
、
清洁且容易控制和转换的能源形态，又是电力部门向电力用户提供由发
、
供
、
用三方共同保证质量的一种特殊产品
。
电能被广泛应用在动力
、
照明
、
化学
、
纺织
、
通信
、
广播等各个领域，是科学技术发展
、
人民经济飞跃的主要动力
。
在不同的时间段下，企业用电往往会在阶段出现用电量不同的状况，例如：社会突发时间，用电高峰期，电力潮流堵塞，无法有效提供电能，电力负荷预测系统可以引导企业提前制定用电计划，缓解电网压力
。
[0003]因此，对电力系统负荷数据的预测是电力系统稳定运行
、
能源导向型企业平稳发展的有效保证
。
对于电力负荷预测，因受到动态运行
、
噪声干扰
、
传感器异常
、
通信中断等多种因素的影响
,
实际电力负荷的运行数据可能存在数据异常等问题影响负荷预测的准确性
。
常用的处理方法是通过箱线图
、
标准差检测等进行异常数据分析，这类方法只适用于低维场景，但是电力负荷的影响因子包含历史负荷
、
温湿度等气象数据
、
时间特征等高维数据，导致异常检测不精准，预测精度不高
。
同时，对于预测模型，传统神经网络模型在短期负荷预测中预测精度也不理想
。

技术实现思路

[0004]为了解决上述现有技术中存在的问题，本专利技术提出了一种短期用电负荷预测方法及系统
。
[0005]本专利技术的技术方案如下：
[0006]一方面，本专利技术提供了一种短期用电负荷预测方法，包括以下步骤：
[0007]采集历史短期电力负荷数据以及每个短期电力负荷的历史影响因子数据，其中影响因子包括多个影响因素；
[0008]通过孤立森林算法对历史短期电力负荷数据以及每个短期电力负荷的历史影响因子数据进行异常数据处理，得到历史短期电力负荷数据训练集；
[0009]建立
DBiLSTM
预测模型，通过历史短期电力负荷数据训练集对
DBiLSTM
预测模型进行训练；
[0010]使用改进
PSO
算法对训练完成的
DBiLSTM
预测模型进行优化，得到
PSO
‑
DBiLSTM
预测模型；
[0011]利用
PSO
‑
DBiLSTM
预测模型对未来短期电力负荷进行预测
。
[0012]作为本专利技术的优选实施方式，所述异常数据处理具体步骤为：
[0013]对每个短期电力负荷构建维度为
k
的短期电力负荷影响因素历史数据集，包括
n
个历史影响因子数据，每个历史影响因子数据包括
k
个影响因素，随机选取
Ψ
个短期电力负荷影响因素历史数据集，每个短期电力负荷影响因素历史数据集用于训练一棵孤立树；
[0014]利用训练完成的
Ψ
棵孤立树，对于每个短期电力负荷影响因素历史数据集，将数据集中的每个历史影响因子数据遍历
Ψ
棵孤立树，将每个历史影响因子数据在每棵孤立树上从根节点到最终所在叶节点处的路径长度取平均值，并归一化得到每个历史影响因子数据的异常分数
s
，具体如下式所示：
[0015][0016][0017]H(n
‑
1)≈ln(n
‑
1)+
γ
[0018]其中，
x
i
为短期电力负荷影响因素历史数据集中的单个历史影响因子数据；
n
为短期电力负荷影响因素历史数据集的个数；
c(n)
为短期电力负荷影响因素历史数据集个数为
n
的孤立树的平均搜索路径长度；
h
j
(x
i
)
为数据
x
i
在第
j
棵孤立树上的路径长度；
E(h
j
(x
i
))
为数据
x
i
在各棵孤立树上的路径长度平均值；
H(n
‑
1)
为谐波数；
γ
为欧拉常数；
[0019]将异常分数大于阈值的数据视为异常数据，并将该数据所对应的历史数据从短期电力负荷影响因素历史数据集中移除；
[0020]最后将所有短期电力负荷影响因素历史数据集组合为历史短期电力负荷数据训练集
。
[0021]作为本专利技术的优选实施方式，所述孤立树训练步骤为：
[0022]随机选取一个短期电力负荷影响因素历史数据集，该数据集包含
k
个维度，每个维度有
n
条数据，将数据集放置在根节点，从根节点开始，在每个节点处随机选取
k
个维度上的某个维度
k
j
，并在该维度范围内选择一个分隔值
p
j
，将当前节点处数据集的按照当前分隔值
p
j
进行二叉切分，直至孤立树中每个叶节点都只有一个数据，完成训练
。
[0023]作为本专利技术的优选实施方式，所述
DBiLSTM
预测模型由隐藏层
、Dense
层以及输出层构成，其中隐藏层由多层
BiLSTM
网络单元构成，每个
BiLSTM
网络单元包括一个正向
LSTM
网络单元与一个反向
LSTM
网络单元
。
[0024]作为本专利技术的优选实施方式，所述
DBiLSTM
预测模型训练步骤为：
[0025]将历史短期电力负荷数据训练集输入
DBiLSTM
预测模型中，当训练集中的一个短期电力负荷影响因素历史数据集经过第一层
BiLSTM
网络单元时，通过正向
LSTM
网络单元与反向
LSTM
网络单元对数据集中的数据进行正向与反向计算，再将每个数据的正向与反向计算结果组合为一个数据，将每个数据的正向与反向计算结果的组合组成一个新数据集具体表示如下式所示：
[0026][0027]其中：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种短期用电负荷预测方法，其特征在于，包括以下步骤：采集历史短期电力负荷数据以及每个短期电力负荷的历史影响因子数据，其中影响因子包括多个影响因素；通过孤立森林算法对历史短期电力负荷数据以及每个短期电力负荷的历史影响因子数据进行异常数据处理，得到历史短期电力负荷数据训练集；建立
DBiLSTM
预测模型，通过历史短期电力负荷数据训练集对
DBiLSTM
预测模型进行训练；使用改进
PSO
算法对训练完成的
DBiLSTM
预测模型进行优化，得到
PSO
‑
DBiLSTM
预测模型；利用
PSO
‑
DBiLSTM
预测模型对未来短期电力负荷进行预测
。2.
根据权利要求1所述的一种短期用电负荷预测方法，其特征在于，所述异常数据处理具体步骤为：对每个短期电力负荷构建维度为
k
的短期电力负荷影响因素历史数据集，包括
n
个历史影响因子数据，每个历史影响因子数据包括
k
个影响因素，随机选取
Ψ
个短期电力负荷影响因素历史数据集，每个短期电力负荷影响因素历史数据集用于训练一棵孤立树；利用训练完成的
Ψ
棵孤立树，对于每个短期电力负荷影响因素历史数据集，将数据集中的每个历史影响因子数据遍历
Ψ
棵孤立树，将每个历史影响因子数据在每棵孤立树上从根节点到最终所在叶节点处的路径长度取平均值，并归一化得到每个历史影响因子数据的异常分数
s
，具体如下式所示：，具体如下式所示：
H(n
‑
1)≈ln(n
‑
1)+
γ
其中，
x
i
为短期电力负荷影响因素历史数据集中的单个历史影响因子数据；
n
为短期电力负荷影响因素历史数据集的个数；
c(n)
为短期电力负荷影响因素历史数据集个数为
n
的孤立树的平均搜索路径长度；
h
j
(x
i
)
为数据
x
i
在第
j
棵孤立树上的路径长度；
E(h
j
(x
i
))
为数据
x
i
在各棵孤立树上的路径长度平均值；
H(n
‑
1)
为谐波数；
γ
为欧拉常数；将异常分数大于阈值的数据视为异常数据，并将该数据所对应的历史数据从短期电力负荷影响因素历史数据集中移除；最后将所有短期电力负荷影响因素历史数据集组合为历史短期电力负荷数据训练集
。3.
根据权利要求2所述的一种短期用电负荷预测方法，其特征在于，所述孤立树训练步骤为：随机选取一个短期电力负荷影响因素历史数据集，该数据集包含
k
个维度，每个维度有
n
条数据，将数据集放置在根节点，从根节点开始，在每个节点处随机选取
k
个维度上的某个维度
k
j
，并在该维度范围内选择一个分隔值
p
j
，将当前节点处数据集的按照当前分隔值
p
j
进行二叉切分，直至孤立树中每个叶节点都只有一个数据，完成训练
。4.
根据权利要求1所述的一种短期用电负荷预测方法，其特征在于，所述
DBiLSTM
预测
模型由隐藏层
、Dense
层以及输出层构成，其中隐藏层由多层
BiLSTM
网络单元构成，每个
BiLSTM
网络单元包括一个正向
LSTM
网络单元与一个反向
LSTM
网络单元
。5.
根据权利要求1所述的一种短期用电负荷预测方法，其特征在于，所述
DBiLSTM
预测模型训练步骤为：将历史短期电力负荷数据训练集输入
DBiLSTM
预测模型中，当训练集中的一个短期电力负荷影响因素历史数据集经过第一层
BiLSTM
网络单元时，通过正向
LSTM
网络单元与反向
LSTM
网络单元对数据集中的数据进行正向与反向计算，再将每个数据的正向与反向计算结果组合为一个数据，将每个数据的正向与反向计算结果的组合组成一个新数据集具体表示如下式所示：其中：
f...

【专利技术属性】
技术研发人员：张伟骏，陈大玮，李智诚，邓超平，张抒凌，高统彤，黄霆，林国栋，晁武杰，林少真，郭健生，戴立宇，
申请(专利权)人：国网福建省电力有限公司电力科学研究院，
类型：发明
国别省市：