一种电力负荷预测方法及相关设备技术

本发明专利技术涉及一种电力负荷预测方法及相关设备

【技术实现步骤摘要】
一种电力负荷预测方法及相关设备


[0001]本专利技术涉及电力系统
，特别涉及一种电力负荷预测方法及相关设备
。

技术介绍

[0002]随着全球对环境保护和可持续发展的关注增加，各行各业都在努力适应双碳目标，其中包括电力行业
。
在双碳背景下，准确预测电力负荷变化对于实现高效能源调度和降低碳排放具有重要意义
。
然而，由于双碳背景下影响电力负荷的因素更加复杂，负荷模式可能发生较大变化，电力负荷的波动性增加，传统的电力负荷预测方法很难准确预测未来的负荷变化趋势
。
因此，如何预测双碳背景下的电力负荷变化趋势是十分必要的
。

技术实现思路

[0003]本专利技术提供一种电力负荷预测方法及相关设备，能够适应双碳背景下电力负荷模式的变化，提高电力负荷预测准确度
。
[0004]为实现上述目的，本专利技术提供如下技术方案：
[0005]本专利技术提供了一种电力负荷预测方法，包括：
[0006]获取待预测数据；其中，所述待预测数据包括：电力负荷当前数据
、
新能源发电当前数据及电力负荷影响因素当前数据；
[0007]将所述待预测数据输入电力负荷预测模型，得到电力负荷预测结果；
[0008]其中，所述电力负荷预测模型的训练过程包括：
[0009]获取待训练数据；其中，所述待训练数据包括：电力负荷历史数据
、
新能源发电历史数据及电力负荷影响因素历史数据；/>[0010]将所述待训练数据输入自回归滑动平均模型中进行训练，得到所述电力负荷预测模型
。
[0011]可选的，所述将所述待训练数据输入自回归滑动平均模型中进行训练，得到所述电力负荷预测模型，包括：
[0012]将所述待训练数据输入所述自回归滑动平均模型，采用贝叶斯信息准则确定所述自回归滑动平均模型的阶数，得到目标阶数；
[0013]基于所述目标阶数得到所述电力负荷预测模型
。
[0014]可选的，所述将所述待训练数据输入所述自回归滑动平均模型，采用贝叶斯信息准则确定所述自回归滑动平均模型的阶数，得到目标阶数，包括：
[0015]在预设阶数范围内进行多个阶数的选取；
[0016]针对每一个选取出的阶数均构建自回归滑动平均模型，得到多个构建模型；
[0017]基于所述待训练数据计算各所述构建模型的贝叶斯信息准则值，得到多个贝叶斯信息准则值；
[0018]将多个所述贝叶斯信息准则值中最小值对应的阶数作为目标阶数
。
[0019]可选的，在所述获取待训练数据之后，所述方法，还包括：
[0020]对所述待训练数据采用根检验方法进行平稳化检验，得到检验后的数据；
[0021]对所述检验后的数据进行平稳化处理，得到平稳化处理后的数据
。
[0022]可选的，在所述对所述待训练数据采用根检验方法进行平稳化检验之前，所述方法，还包括：
[0023]对所述待训练数据进行特征提取，并从提取的特征中筛选出对电力负荷预测产生影响的数据特征，得到目标数据特征
。
[0024]可选的，在所述对所述待训练数据进行特征提取之前，所述方法，还包括：
[0025]对所述待训练数据进行去除重复数据处理
、
去除异常数据处理和去除缺失数据处理中的一种或多种，得到清洗后的数据；
[0026]对所述清洗后的数据进行归一化处理
、
标准化处理和离散化处理中的一种或多种，得到预处理后的数据
。
[0027]本专利技术还提供一种电力负荷预测系统，包括：
[0028]数据获取模块，用于获取待预测数据；其中，所述待预测数据包括：电力负荷当前数据
、
新能源发电当前数据及电力负荷影响因素当前数据；
[0029]模型预测模块，用于将所述待预测数据输入电力负荷预测模型，得到电力负荷预测结果；
[0030]其中，所述模型预测模块，包括：
[0031]模型训练模块，用于训练所述电力负荷预测模型；
[0032]所述模型训练模块，包括：
[0033]数据获取单元，用于获取待训练数据；其中，所述待训练数据包括：电力负荷历史数据
、
新能源发电历史数据及电力负荷影响因素历史数据；
[0034]模型训练单元，用于将所述待训练数据输入自回归滑动平均模型中进行训练，得到所述电力负荷预测模型
。
[0035]可选的，所述模型训练单元，包括：
[0036]阶数确定子单元，用于将所述待训练数据输入所述自回归滑动平均模型，采用贝叶斯信息准则确定所述自回归滑动平均模型的阶数，得到目标阶数；
[0037]模型生成子单元，用于基于所述目标阶数得到所述电力负荷预测模型
。
[0038]本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有程序，所述程序被处理器执行时实现如上所述的电力负荷预测方法
。
[0039]本专利技术还提供一种电子设备，包括：
[0040]至少一个处理器
、
以及与所述处理器连接的至少一个存储器
、
总线；
[0041]所述处理器
、
所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如上所述的电力负荷预测方法
。
[0042]由以上技术方案可以看出，本专利技术中公开了一种电力负荷预测方法及相关设备，通过获取电力负荷当前数据
、
新能源发电当前数据及电力负荷影响因素当前数据，将待预测数据输入电力负荷预测模型，可以得到电力负荷预测结果；在电力负荷预测模型的训练过程中，将电力负荷历史数据
、
新能源发电历史数据及电力负荷影响因素历史数据输入自回归滑动平均模型中进行训练，得到电力负荷预测模型
。
本专利技术不仅考虑了电力负荷数据，还考虑了新能源发电数据和电力负荷影响因素数据，并且在模型训练时采用自回归滑动平
均模型，能够适应双碳背景下电力负荷模式的变化，提高电力负荷预测的准确度
。
[0043]当然，实施本专利技术的任一产品或方法必不一定需要同时达到以上的所有优点
。
附图说明
[0044]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0045]图1为本专利技术实施例提供的一种电力负荷预测方法流程图；
[0046]图2为本专利技术实施例提供的一种电力负荷预测系统结构图；
[0047]图3为本专利技术实施例提供的一种电子设备的结构示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电力负荷预测方法，其特征在于，包括：获取待预测数据；其中，所述待预测数据包括：电力负荷当前数据
、
新能源发电当前数据及电力负荷影响因素当前数据；将所述待预测数据输入电力负荷预测模型，得到电力负荷预测结果；其中，所述电力负荷预测模型的训练过程包括：获取待训练数据；其中，所述待训练数据包括：电力负荷历史数据
、
新能源发电历史数据及电力负荷影响因素历史数据；将所述待训练数据输入自回归滑动平均模型中进行训练，得到所述电力负荷预测模型
。2.
根据权利要求1所述的电力负荷预测方法，其特征在于，所述将所述待训练数据输入自回归滑动平均模型中进行训练，得到所述电力负荷预测模型，包括：将所述待训练数据输入所述自回归滑动平均模型，采用贝叶斯信息准则确定所述自回归滑动平均模型的阶数，得到目标阶数；基于所述目标阶数得到所述电力负荷预测模型
。3.
根据权利要求2所述的电力负荷预测方法，其特征在于，所述将所述待训练数据输入所述自回归滑动平均模型，采用贝叶斯信息准则确定所述自回归滑动平均模型的阶数，得到目标阶数，包括：在预设阶数范围内进行多个阶数的选取；针对每一个选取出的阶数均构建自回归滑动平均模型，得到多个构建模型；基于所述待训练数据计算各所述构建模型的贝叶斯信息准则值，得到多个贝叶斯信息准则值；将多个所述贝叶斯信息准则值中最小值对应的阶数作为目标阶数
。4.
根据权利要求1所述的电力负荷预测方法，其特征在于，在所述获取待训练数据之后，所述方法，还包括：对所述待训练数据采用根检验方法进行平稳化检验，得到检验后的数据；对所述检验后的数据进行平稳化处理，得到平稳化处理后的数据
。5.
根据权利要求4所述的电力负荷预测方法，其特征在于，在所述对所述待训练数据采用根检验方法进行平稳化检验之前，所述方法，还包括：对所述待训练数据进行特征提取，并从提取的特征中筛选出对电力负荷预测产生影响的数据特征，得到目标数据特征
。6.
根据权利要求5所述的电力负荷预测方...

【专利技术属性】
技术研发人员：岳恒，李鑫，祁伟鹏，金鑫，李梦媛，
申请(专利权)人：国网汇通金财北京信息科技有限公司，
类型：发明
国别省市：