一种长期负荷预测方法及终端技术

本发明专利技术公开了一种长期负荷预测方法及终端，对长期负荷与各个外部影响因素变量进行距离相关分析，得到长期负荷与每一外部影响因素变量之间的距离相关系数，基于距离相关系数从各个外部影响因素变量中确定主要影响因素变量，使用主要影响因素变量对集成学习模型进行训练，得到长期负荷预测模型，使用长期负荷预测模型进行负荷预测，得到长期负荷预测结果，以此利用距离相关分析筛选得到影响长期负荷变化的主要驱动因素，可以更全面地分析各变量之间的耦合关系，同时采用集成学习模型作为长期负荷预测模型能够综合多个预测模型的结果来降低预测误差，从而有效提高长期负荷预测的精度

【技术实现步骤摘要】
一种长期负荷预测方法及终端


[0001]本专利技术涉及电力系统负荷预测
，尤其涉及一种长期负荷预测方法及终端
。

技术介绍

[0002]负荷预测对于电力系统的规划以及调度工作具有重要的意义
。
在“双碳”的建设背景下，分布式电源
、
电动汽车等新兴主体日益发展，并对电力系统的负荷预测工作产生了显著影响：一方面，分布式电源和电动汽车具有明显的不确定性；另一方面，分布式电源与负荷之间存在一定的互补特性
。
电力系统的源荷不确定性与互补性的存在，对负荷预测工作提出了新的要求与挑战
。
[0003]长期负荷预测可实现未来5‑
10
年的负荷预测，其预测结果可用于指导配电网的网架规划和机组投产等工作
。
长期负荷预测工作难度较高，预测结果受到人口
、
经济等多种因素的影响，同时由于预测时间跨度较长，其结果也存在较大的不确定性，需要选择合适的预测方法
。
长期负荷预测方法可分为传统方法和人工智能方法两类
。
传统的长期负荷预测方法有灰色模型法
、
回归分析法
、
趋势外推法等，这类方法无法实现考虑多维影响因素的负荷预测，所以预测精度难以达到理想效果
。
人工智能方法有神经网络法
、
集成学习法
、
决策树法等，这类方法适用于考虑多种影响因素的预测场景，但是单一的神经网络法
、
决策树法在进行预测工作时容易出现过拟合问题，且预测结果对输入数据的质量比较敏感
。
同时，考虑到长期负荷影响因素较多，需要进行特征选择来减少预测模型的输入变量
。
传统的皮尔森相关性分析
、
卡方验证等方法无法分析影响因素之间的非线性关系，且受异常值的影响较大
。

技术实现思路

[0004]本专利技术所要解决的技术问题是：提供一种长期负荷预测方法及终端，能够有效提高长期负荷预测的精度
。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：
[0006]一种长期负荷预测方法，包括步骤：
[0007]对长期负荷与各个外部影响因素变量进行距离相关分析，得到所述长期负荷与每一所述外部影响因素变量之间的距离相关系数；
[0008]基于所述距离相关系数从所述各个外部影响因素变量中确定主要影响因素变量；
[0009]使用所述主要影响因素变量对集成学习模型进行训练，得到长期负荷预测模型；
[0010]使用所述长期负荷预测模型进行负荷预测，得到长期负荷预测结果
。
[0011]为了解决上述技术问题，本专利技术采用的另一种技术方案为：
[0012]一种长期负荷预测终端，包括存储器
、
处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0013]对长期负荷与各个外部影响因素变量进行距离相关分析，得到所述长期负荷与每
一所述外部影响因素变量之间的距离相关系数；
[0014]基于所述距离相关系数从所述各个外部影响因素变量中确定主要影响因素变量；
[0015]使用所述主要影响因素变量对集成学习模型进行训练，得到长期负荷预测模型；
[0016]使用所述长期负荷预测模型进行负荷预测，得到长期负荷预测结果
。
[0017]本专利技术的有益效果在于：对长期负荷与各个外部影响因素变量进行距离相关分析，得到长期负荷与每一外部影响因素变量之间的距离相关系数，基于距离相关系数从各个外部影响因素变量中确定主要影响因素变量，使用主要影响因素变量对集成学习模型进行训练，得到长期负荷预测模型，使用长期负荷预测模型进行负荷预测，得到长期负荷预测结果，以此利用距离相关分析筛选得到影响长期负荷变化的主要驱动因素，可以更全面地分析各变量之间的耦合关系，同时采用集成学习模型作为长期负荷预测模型能够综合多个预测模型的结果来降低预测误差，从而有效提高长期负荷预测的精度
。
附图说明
[0018]图1为本专利技术实施例的一种长期负荷预测方法的步骤流程图；
[0019]图2为本专利技术实施例的一种长期负荷预测终端的结构示意图；
[0020]图3为本专利技术实施例的长期负荷预测方法中的集成学习模型结构示意图；
[0021]图4为本专利技术实施例的长期负荷预测方法中的年用电量长期负荷预测示意图；
[0022]图5为本专利技术实施例的长期负荷预测方法中的不同影响因素与用电量的相关性结果；
[0023]图6为本专利技术实施例的长期负荷预测方法中的不同模型的预测结果
。
具体实施方式
[0024]为详细说明本专利技术的
技术实现思路

、
所实现目的及效果，以下结合实施方式并配合附图予以说明
。
[0025]请参照图1，一种长期负荷预测方法，包括步骤：
[0026]对长期负荷与各个外部影响因素变量进行距离相关分析，得到所述长期负荷与每一所述外部影响因素变量之间的距离相关系数；
[0027]基于所述距离相关系数从所述各个外部影响因素变量中确定主要影响因素变量；
[0028]使用所述主要影响因素变量对集成学习模型进行训练，得到长期负荷预测模型；
[0029]使用所述长期负荷预测模型进行负荷预测，得到长期负荷预测结果
。
[0030]从上述描述可知，本专利技术的有益效果在于：对长期负荷与各个外部影响因素变量进行距离相关分析，得到长期负荷与每一外部影响因素变量之间的距离相关系数，基于距离相关系数从各个外部影响因素变量中确定主要影响因素变量，使用主要影响因素变量对集成学习模型进行训练，得到长期负荷预测模型，使用长期负荷预测模型进行负荷预测，得到长期负荷预测结果，以此利用距离相关分析筛选得到影响长期负荷变化的主要驱动因素，可以更全面地分析各变量之间的耦合关系，同时采用集成学习模型作为长期负荷预测模型能够综合多个预测模型的结果来降低预测误差，从而有效提高长期负荷预测的精度
。
[0031]进一步地，所述对长期负荷与各个外部影响因素变量进行距离相关分析，得到所述长期负荷与每一所述外部影响因素变量之间的距离相关系数包括：
[0032]计算长期负荷中各个元素间的第一距离矩阵以及每一外部影响因素变量中各个元素间的第二距离矩阵；
[0033]基于所述第一距离矩阵计算所述长期负荷的第一中心距离矩阵，并基于所述第二距离矩阵计算所述每一外部影响因素变量的第二中心距离矩阵；
[0034]根据所述第一中心距离矩阵和所述第二中心距离矩阵计算所述长期负荷与所述每一外部影响因素变量的距离协方差；
[0035]根据所述第一中心距离矩阵计算所述长期负荷的第一距离方差，并根据所述第二中心距离矩阵计算所述每一外部影响因素变量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种长期负荷预测方法，其特征在于，包括步骤：对长期负荷与各个外部影响因素变量进行距离相关分析，得到所述长期负荷与每一所述外部影响因素变量之间的距离相关系数；基于所述距离相关系数从所述各个外部影响因素变量中确定主要影响因素变量；使用所述主要影响因素变量对集成学习模型进行训练，得到长期负荷预测模型；使用所述长期负荷预测模型进行负荷预测，得到长期负荷预测结果
。2.
根据权利要求1所述的一种长期负荷预测方法，其特征在于，所述对长期负荷与各个外部影响因素变量进行距离相关分析，得到所述长期负荷与每一所述外部影响因素变量之间的距离相关系数包括：计算长期负荷中各个元素间的第一距离矩阵以及每一外部影响因素变量中各个元素间的第二距离矩阵；基于所述第一距离矩阵计算所述长期负荷的第一中心距离矩阵，并基于所述第二距离矩阵计算所述每一外部影响因素变量的第二中心距离矩阵；根据所述第一中心距离矩阵和所述第二中心距离矩阵计算所述长期负荷与所述每一外部影响因素变量的距离协方差；根据所述第一中心距离矩阵计算所述长期负荷的第一距离方差，并根据所述第二中心距离矩阵计算所述每一外部影响因素变量的第二距离方差；根据所述距离协方差
、
所述第一距离方差和所述第二距离方差计算所述长期负荷与所述每一外部影响因素变量之间的距离相关系数
。3.
根据权利要求2所述的一种长期负荷预测方法，其特征在于，所述计算长期负荷中各个元素间的第一距离矩阵以及每一外部影响因素变量中各个元素间的第二距离矩阵包括：
a
i
，
j
＝
||X
i
‑
X
j
||
，
i
，
j
＝1，2，
...
，
nb
i
，
j
＝
||Y
i
‑
Y
j
||
，
i
，
j
＝1，2，
...
，
n
式中，
a
i
，
j
表示长期负荷中第
i
元素和第
j
元素间的第一距离矩阵，
X
i
表示长期负荷中的第
i
元素，
X
j
表示长期负荷中的第
j
元素，
n
表示样本对数，
b
i
，
j
表示外部影响因素变量中第
i
元素和第
j
元素间的第二距离矩阵，
Y
i
表示外部影响因素变量中的第
i
元素，
Y
j
表示外部影响因素变量中的第
j
元素；所述基于所述第一距离矩阵计算所述长期负荷的第一中心距离矩阵包括：式中，
A
i
，
j
表示所述长期负荷的第一中心距离矩阵，表示第一距离矩阵第
i
行的平均值，表示第一距离矩阵第
j
列的平均值，表示第一距离矩阵中所有元素的平均值；所述基于所述第二距离矩阵计算所述每一外部影响因素变量的第二中心距离矩阵包括：式中，
B
i
，
j
表示所述外部影响因素变量的第二中心距离矩阵，表示第二距离矩阵第
i
行的平均值，表示第二距离矩阵第
j
列的平均值，表示第二距离矩阵中所有元素的平
均值
。4.
根据权利要求3所述的一种长期负荷预测方法，其特征在于，所述根据所述第一中心距离矩阵和所述第二中心距离矩阵计算所述长期负荷与所述每一外部影响因素变量的距...

【专利技术属性】
技术研发人员：方朝雄，陈浩，吴桂联，徐正阳，刘洪，林婷婷，王冰赛，
申请(专利权)人：国网福建省电力有限公司，
类型：发明
国别省市：