一种电力负荷预测方法技术

本发明专利技术属于电力负荷预测领域，为了解决现有的没有考虑多种影响因素对负荷的影响的问题，以及负荷的聚类分析中存在聚类不准确的问题，提供了一种电力负荷预测方法

【技术实现步骤摘要】
一种电力负荷预测方法、系统、介质及设备


[0001]本专利技术属于电力负荷预测
，具体涉及一种电力负荷预测方法
、
系统
、
介质及设备
。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术
。
[0003]关于电力负荷预测的研究很多
。
根据预测时间范围，主要分为超短期
、
短期
、
中期和长期
。
超短期负荷预测指短于一天的负荷预测，主要用于电力的实时调度和日间调度；短期负荷预测指一天到一周的负荷预测，用于电力系统的日间运行，如能源交易和电力系统安全研究；中期负荷预测指几周至一年的预测，用于燃料供应调度和基础设施调整；长期负荷预测通常超过一年的预测，用于长期电力系统规划
。
[0004]目前，现有的基于深度学习的关于电力负荷预测的方法多以单一的影响因素进行分析预测，并未考虑综合考虑影响电力负荷各种因素，从而使得电力负荷预测精度不足，此外，即使有考虑多种影响因素的，但是在聚类分析时也存在聚类效果不好，导致的后续电力负荷预测精度不准确的问题
。

技术实现思路

[0005]为了解决上述问题，本专利技术提出了一种电力负荷预测方法
、
系统
、
介质及设备，本专利技术基于影响电力负荷预测的各种关联因素进行历史负荷数据聚类，在精简了数据量的同时，还提高了电力负荷预测的精度
。
[0006]根据一些实施例，本专利技术的第一方案提供了一种电力负荷预测方法，采用如下技术方案：一种电力负荷预测方法，包括：获取历史负荷数据以及对应时刻的各种关联影响因素并进行预处理；基于各种关联影响因素对预处理后的历史负荷数据通过改进的谱聚类算法进行聚类；所述改进的谱聚类算法基于
kantorovich
距离的同步回代消除法进行改进；基于聚类后的历史负荷数据按照时序进行融合，得到融合后的历史负荷数据；基于融合后的历史负荷数据，利用预先训练好的电力负荷预测模型进行负荷预测，得到电力负荷预测结果；其中，所述利用预先训练好的电力负荷预测模型进行负荷预测，得到电力负荷预测结果，具体为：基于聚类后的历史负荷数据提取数据关键特征；根据数据关键特征进行负荷预测；得到电力负荷预测结果
。
[0007]进一步地，所述获取历史负荷数据以及对应时刻的各种关联影响因素并进行预处
理，具体为：获取历史负荷数据以及对应时刻的各种关联影响因素；对历史负荷数据进行数据补全；对补全后的历史负荷数据进行归一化处理；得到预处理后的历史负荷数据
。
[0008]进一步地，所述历史负荷数据包括设定获取周期内的负荷特征性指标
。
[0009]进一步地，所述关联影响因素包括环境因素，社会因素以及电力政策
。
[0010]进一步地，基于各种关联影响因素对预处理后的历史负荷数据通过改进的谱聚类算法进行聚类，具体为：基于预处理后的历史负荷数据，按照关联影响因素分类；每个关联影响因素选择一组历史负荷数据；对每一组历史负荷数据构建相似矩阵；根据相似矩阵构建相似度矩阵；计算相似度矩阵的特征值，并按照降序排列；计算相似度矩阵的本征间隙序列自动确定聚类数据；计算规范化的拉普拉斯矩阵的特征值，并按升序排列；选取范化的拉普拉斯矩阵的前
k
最小特征值对应的特征向量构建特征向量空间，其中，
k
为整数且大于0；利用基于
kantorovich
距离的同步回代消除法对特征向量空间中的数据点进行聚类；将所得结果映射回原样本集合，得到每一组历史负荷的聚类结果
。
[0011]进一步地，所述电力负荷预测模型的训练过程，具体为：获取历史负荷样本数据以及对应时刻的关联影响因素；计算历史负荷样本数据与对应时刻的关联影响因素的相关度；保留相关度大于阈值的影响因素数据，作为训练因素数据；基于历史负荷样本数据以及训练因素数据之间的相关度，训练卷积神经网络模型；以历史负荷样本数据的分类损失和训练因素数据的分类损失作为总损失，重复训练过程，直到达到收敛条件；保存起最小损失值时的网络模型作为最终的训练结果
。
[0012]进一步地，所述基于聚类后的历史负荷数据按照时序进行融合，得到融合后的历史负荷数据，具体为：获取聚类后的历史负荷数据中的时序标记；基于时序标记顺序将聚类还走的历史负荷数据进行一一排序；得到融合后的历史负荷数据
。
[0013]根据一些实施例，本专利技术的第二方案提供了一种电力负荷预测系统，采用如下技术方案：一种电力负荷预测系统，包括：数据获取模块，被配置为获取历史负荷数据以及对应时刻的各种关联影响因素并
进行预处理；数据聚类模块，被配置为基于各种关联影响因素对预处理后的历史负荷数据通过改进的谱聚类算法进行聚类；所述改进的谱聚类算法基于
kantorovich
距离的同步回代消除法进行改进；数据融合模块，被配置为基于聚类后的历史负荷数据按照时序进行融合，得到融合后的历史负荷数据；电力负荷预测模块，被配置为基于融合后的历史负荷数据，利用预先训练好的电力负荷预测模型进行负荷预测，得到电力负荷预测结果；其中，所述利用预先训练好的电力负荷预测模型进行负荷预测，得到电力负荷预测结果，具体为：基于聚类后的历史负荷数据提取数据关键特征；根据数据关键特征进行负荷预测；得到电力负荷预测结果
。
[0014]根据一些实施例，本专利技术的第三方案提供了一种计算机可读存储介质
。
[0015]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的一种电力负荷预测方法中的步骤
。
[0016]根据一些实施例，本专利技术的第四方案提供了一种计算机设备
。
[0017]一种计算机设备，包括存储器
、
处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的一种电力负荷预测方法中的步骤
。
[0018]与现有技术相比，本专利技术的有益效果为：本专利技术基于影响电力负荷预测的各种关联因素进行历史负荷数据聚类，然后根据聚类后的数据时序进行融合，再基于深度学习模型进行电力负荷预测，在精简了数据量的同时，还提高了电力负荷预测的精度，解决了现有技术中并未考虑综合考虑影响电力负荷各种因素，从而使得电力负荷预测精度不足，而且采用基于
kantorovich
距离的同步回代消除法对谱聚类算法进行改进，使负荷聚类效果更好，提高后续负荷预测的精度
。
附图说明
[0019]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定
。
[0020]图1是本专利技术实施例中一种电力负荷预测方法本文档来自技高网...

【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：获取历史负荷数据以及对应时刻的各种关联影响因素并进行预处理；基于各种关联影响因素对预处理后的历史负荷数据通过改进的谱聚类算法进行聚类；所述改进的谱聚类算法基于
kantorovich
距离的同步回代消除法进行改进；基于聚类后的历史负荷数据按照时序进行融合，得到融合后的历史负荷数据；基于融合后的历史负荷数据，利用预先训练好的电力负荷预测模型进行负荷预测，得到电力负荷预测结果；其中，所述利用预先训练好的电力负荷预测模型进行负荷预测，得到电力负荷预测结果，具体为：基于聚类后的历史负荷数据提取数据关键特征；根据数据关键特征进行负荷预测；得到电力负荷预测结果
。2.
如权利要求1所述的一种电力负荷预测方法，其特征在于，所述获取历史负荷数据以及对应时刻的各种关联影响因素并进行预处理，具体为：获取历史负荷数据以及对应时刻的各种关联影响因素；对历史负荷数据进行数据补全；对补全后的历史负荷数据进行归一化处理；得到预处理后的历史负荷数据
。3.
如权利要求1所述的一种电力负荷预测方法，其特征在于，所述历史负荷数据包括设定获取周期内的负荷特征性指标
。4.
如权利要求1所述的一种电力负荷预测方法，其特征在于，所述关联影响因素包括环境因素，社会因素以及电力政策
。5.
如权利要求1所述的一种电力负荷预测方法，其特征在于，基于各种关联影响因素对预处理后的历史负荷数据通过改进的谱聚类算法进行聚类，具体为：基于预处理后的历史负荷数据，按照关联影响因素分类；每个关联影响因素选择一组历史负荷数据；对每一组历史负荷数据构建相似矩阵；根据相似矩阵构建相似度矩阵；计算相似度矩阵的特征值，并按照降序排列；计算相似度矩阵的本征间隙序列自动确定聚类数据；计算规范化的拉普拉斯矩阵的特征值，并按升序排列；选取范化的拉普拉斯矩阵的前
k
最小特征值对应的特征向量构建特征向量空间，其中，
k
为整数且大于0；利用基于
kantorovich
距离的同步回代消除法对特征向量空间中的数据点进行聚类；将所得结果映射回原样本集合，得到每一组历史负荷的聚类结果<...

【专利技术属性】
技术研发人员：陈强，赵阳，张红梅，丁亮，王金肖，郭鹏，张絮，
申请(专利权)人：国网山东省电力公司曲阜市供电公司，
类型：发明
国别省市：