电力系统夏季负荷预测方法及系统技术方案

本发明专利技术公开了一种电力系统夏季负荷预测方法，包括获取目标电力系统的历史负荷数据信息并处理得到训练数据集和测试数据集；构建夏季负荷预测初始模型并进行训练和测试得到夏季负荷预测模型；构建目标电力系统在不同场景下的未来负荷数据集并采用夏季负荷预测模型，完成目标电力系统的未来夏季负荷预测

【技术实现步骤摘要】
电力系统夏季负荷预测方法及系统


[0001]本专利技术属于电气自动化领域，具体涉及一种电力系统夏季负荷预测方法及系统
。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利
。
因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一
。
[0003]目前，夏季高温天气愈演愈烈，电力系统在夏季迎来了巨大的负荷挑战
。
电力系统为了保证夏季电能的供应，就需要对整个夏季的负荷情况进行整体且精确的预测，从而提早制定对应的生产
、
运行计划
。
因此，电力系统对于夏季负荷的预测，就显得尤为重要
。
[0004]目前，电力系统传统的负荷预测方案，一般只能够预测未来
40
天左右的负荷数据，而夏季负荷预测需要预测未来至少
60
天的负荷数据，这使得现有的负荷预测方案并无法直接应用于夏季负荷预测；而且，现有的负荷预测方案，在预测夏季负荷这种时效性极强的电力负荷时，还存在准确性和可靠性较差的问题
。

技术实现思路

[0005]本专利技术的目的之一在于提供一种可靠性高
、
精确性好且客观科学的电力系统夏季负荷预测方法
。
[0006]本专利技术的目的之二在于提供一种实现所述电力系统夏季负荷预测方法的系统
。
[0007]本专利技术提供的这种电力系统夏季负荷预测方法，包括如下步骤：
[0008]S1.
获取目标电力系统的历史负荷数据信息；
[0009]S2.
对步骤
S1
获取的历史负荷数据信息进行处理，构建得到训练数据集和测试数据集；
[0010]S3.
基于
LightGBM
模型，构建夏季负荷预测初始模型；
[0011]S4.
采用步骤
S2
构建的训练数据集对步骤
S3
构建的夏季负荷预测初始模型进行训练，得到夏季负荷预测测试模型；
[0012]S5.
采用步骤
S3
构建的测试数据集对步骤
S4
得到的夏季负荷预测测试模型进行测试，得到夏季负荷预测模型；
[0013]S6.
根据步骤
S1
获取的目标电力系统的历史负荷数据信息，构建目标电力系统在不同场景下的未来负荷数据集；
[0014]S7.
基于步骤
S6
构建的未来负荷数据集，采用步骤
S5
得到的夏季负荷预测模型，完成目标电力系统的未来夏季负荷预测
。
[0015]步骤
S1
所述的获取目标电力系统的历史负荷数据信息，具体包括如下步骤：
[0016]获取的数据包括历史气象数据
、
历史日历数据和历史负荷数据；
[0017]历史气象数据包括历史日内
24
小时的实时温度数据
C
i
、
历史日内的最高气温历史日内的最低气温历史日的前一日内的最高气温
[0018]历史日历数据包括历史日的时刻数据
T
i
、
历史日的星期数据
W
k
；
[0019]历史负荷数据包括历史日前一天的时刻负荷数据
L
i
‑
24
；
[0020]其中，
i
表示历史日中的第
i
时刻；
k
表示一周7天内的第
k
天
。
[0021]步骤
S2
所述的对步骤
S1
获取的历史负荷数据信息进行处理，构建得到训练数据集和测试数据集，具体包括如下步骤：
[0022]对步骤
S1
获取的历史负荷数据，进行数据清理和数据插值处理，得到完成的历史负荷数据的集合；
[0023]构建数据集
H
为
H
＝
[H
x
,H
y
]，其中
H
x
为自变量历史数据集且
H
y
为因变量历史数据集且
H
y
＝
[L
i
]，
L
i
为历史日的时刻负荷数据；
[0024]将构建的数据集
H
按照设定的比例划分为训练数据集和测试数据集
。
[0025]步骤
S3
所述的基于
LightGBM
模型，构建夏季负荷预测初始模型，具体包括如下步骤：
[0026]采用如下算式作为夏季负荷预测初始模型的目标函数：
[0027][0028]式中
Obj
(kk)
为第
kk
次迭代时的目标函数值；
NN
为变量因素的总数；
y
ii
为当前迭代下的模型预测值；为第
kk
‑1步时的模型预测值；为平方损失函数且
g
ii
为第一中间变量且为第一中间变量且表示对求一阶导数；
f
kk
(x
ii
)
为第
kk
步添加的模型拟合函数；
h
ii
为第二中间变量且量且表示对求二阶导数；
Ω
(f
kk
)
为第
k
次迭代时对应的正则项；
constant
为设定的常数项
。
[0029]步骤
S5
所述的采用步骤
S3
构建的测试数据集对步骤
S4
得到的夏季负荷预测测试模型进行测试，得到夏季负荷预测模型，具体包括如下步骤：
[0030]采用步骤
S3
构建的测试数据集对步骤
S4
得到的夏季负荷预测测试模型进行测试；
[0031]采用如下算式计算夏季负荷预测测试模型的精度
R2：
[0032][0033]式中
N
t
为测试的天数；
L
tj
为时刻
j
的电力负荷预测值；为时刻
j
的电力负荷真实值；为测试数据集中的电力负荷平均值；
[0034]对夏季负荷预测测试模型进行判定：
[0035]若精度值
R2大于或等于设定的阈值，则表示夏季负荷预测测试模型符合设定的要
求；将对应的夏季负荷预测测试模型作为最终的夏季负荷预测模型；
[0036]若精度值
R本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电力系统夏季负荷预测方法，包括如下步骤：
S1.
获取目标电力系统的历史负荷数据信息；
S2.
对步骤
S1
获取的历史负荷数据信息进行处理，构建得到训练数据集和测试数据集；
S3.
基于
LightGBM
模型，构建夏季负荷预测初始模型；
S4.
采用步骤
S2
构建的训练数据集对步骤
S3
构建的夏季负荷预测初始模型进行训练，得到夏季负荷预测测试模型；
S5.
采用步骤
S3
构建的测试数据集对步骤
S4
得到的夏季负荷预测测试模型进行测试，得到夏季负荷预测模型；
S6.
根据步骤
S1
获取的目标电力系统的历史负荷数据信息，构建目标电力系统在不同场景下的未来负荷数据集；
S7.
基于步骤
S6
构建的未来负荷数据集，采用步骤
S5
得到的夏季负荷预测模型，完成目标电力系统的未来夏季负荷预测
。2.
根据权利要求1所述的电力系统夏季负荷预测方法，其特征在于步骤
S1
所述的获取目标电力系统的历史负荷数据信息，具体包括如下步骤：获取的数据包括历史气象数据
、
历史日历数据和历史负荷数据；历史气象数据包括历史日内
24
小时的实时温度数据
C
i
、
历史日内的最高气温历史日内的最低气温历史日的前一日内的最高气温历史日历数据包括历史日的时刻数据
T
i
、
历史日的星期数据
W
k
；历史负荷数据包括历史日前一天的时刻负荷数据
L
i
‑
24
；其中，
i
表示历史日中的第
i
时刻；
k
表示一周7天内的第
k
天
。3.
根据权利要求2所述的电力系统夏季负荷预测方法，其特征在于步骤
S2
所述的对步骤
S1
获取的历史负荷数据信息进行处理，构建得到训练数据集和测试数据集，具体包括如下步骤：对步骤
S1
获取的历史负荷数据，进行数据清理和数据插值处理，得到完成的历史负荷数据的集合；构建数据集
H
为
H
＝
[H
x
,H
y
]
，其中
H
x
为自变量历史数据集且
H
y
为因变量历史数据集且
H
y
＝
[L
i
]
，
L
i
为历史日的时刻负荷数据；将构建的数据集
H
按照设定的比例划分为训练数据集和测试数据集
。4.
根据权利要求3所述的电力系统夏季负荷预测方法，其特征在于步骤
S3
所述的基于
LightGBM
模型，构建夏季负荷预测初始模型，具体包括如下步骤：采用如下算式作为夏季负荷预测初始模型的目标函数：式中
Obj
(kk)
为第
kk
次迭代时的目标函数值；
NN
为变量因素的总数；
y
ii
为当前迭代下的模型预测值；为第
kk
‑1步时的模型预测值；为平方损失函数且
g
ii
为第一中间变量且为第一中间变量且表示对求一阶导数；
f
kk
(x
ii
)
为第
kk
步添加的模型拟合函数；
h
ii
为第二中间变量且量且表示对求二阶导数；
Ω
(f
kk
)
为第
k
次迭代时对应的正则项；
constant
为设定的常数项
。5.
根据权利要求4所述的电力系统夏季负荷预测方法，其特征在于步骤
S5
所述的采用步骤
S3
构建的测试数据集对步骤
S4
得到的夏季负荷预测测试模型进行测试，得到夏季负荷预测模型，具体包括如下步骤：采用步骤
S3
构建的测试数据集对步骤
S4
得到的夏季负荷预测测试模型进行测试；采用如下算式计算夏季负荷预测测试模型的精度
R2：式中
N
t
为测试的天数；
L
tj
为时刻
j
的电力负荷预测值；为时刻
j
的电力负荷真实值；为测试数据集中的电力负荷平均值；对夏季负荷预测测试模型进行判定：若精度值
R2大于或等于设定的阈值，则表示夏季负荷预测测试模型符合设定的要求；将对应的夏季负荷预测测试模型作为最终的夏季负荷预测模型；若精度值
R2小于设定的阈值，则重复步骤
S4
～
S5
直至夏季负荷预测测试模型的精度值

【专利技术属性】
技术研发人员：于宗超，文明，周年光，周卓敏，谢欣涛，李文英，廖晔，潘馨，钟原，
申请(专利权)人：国网湖南省电力有限公司经济技术研究院国家电网有限公司，
类型：发明
国别省市：