【技术实现步骤摘要】
本专利技术属于用电电荷预测，具体涉及一种考虑环境因素的超短期预测方法、装置、设备及介质。
技术介绍
1、在能源领域，随着人们对清洁能源和可持续发展的认识不断加深，对能源生产、传输和消费等方面的智能化管理呼声也越来越高。而系统超短期预测算法作为一种基于数据挖掘和人工智能技术的高效预测方法，凭借其精度高、效率快等优势，在能源领域得到了广泛的研究和应用。
2、系统超短期预测用电负荷算法的研究与应用也是一个研究热点。通过对历史用电负荷数据的分析和建模，结合天气、节假日、工作日等影响因素，可以利用时间序列分析、神经网络算法、机器学习算法等方法，对未来短时间内的用电负荷进行预测，以便电力系统进行调度和管理。电力负荷预测算法的研究和应用将会更加广泛和重要，为保障电力系统的平稳运行和可持续发展提供支持和保障。
3、中国专利cn202110605659.x公开了公开一种用于预测用电负荷的方法方法，包括：获取预设时期内多个家用电器的用电负荷数据，以及与用电负荷数据所对应的环境变量数据，并对用电负荷数据和环境变量数据进行预处理；将预处理后的气象数据与预处理后的用电负荷数据进行关联性分析，确定目标气象数据；将预处理后的用电负荷数据、时间属性数据以及目标气象数据整合形成最终数据集，然后输入到神经网络，建立预测模型；将实际环境变量数据输入到预测模型得到用电负荷的预测值。该专利关联度计算存在对差异值的敏感性、对权重参数的依赖、对极端值的处理敏感、无法考虑其他因素等问题；虽然给定的关联度计算方法具有一定的可行性，但在实际应用中需要谨慎使
4、相关技术中，目前主要存在，时间序列分析法、神经网络算法、机器学习算法、统计回归分析法、混合模型法等常见的超短期预测用电负荷方法。但是上述的不同预测方法适用于不同的场景和数据，如果不能选择合适的预测方法，会降低测精度，导致在电力系统的调度和管理上存在动荡。
技术实现思路
1、有鉴于此，本专利技术的目的在于克服现有技术的不足，提供一种考虑环境因素的超短期预测方法、装置、设备及介质，针对超短期预测用电负荷中不同的场景不能很好匹配合适预测方法导致预测精度差的问题，采用适合不同场景下的数据建立预测建模，进而实现预测。
2、为实现以上目的，本专利技术采用如下技术方案：一种考虑环境因素的超短期预测方法，包括：
3、获取历史数据；所述历史数据包括历史负荷数据及对应的环境因素数据；所述环境因素数据包括时间数据和气象数据；
4、对所述历史数据及进行预处理，得到待处理数据；
5、选择待预测系统类型，根据待预测系统类型预设的特征构造需求，根据所述待处理数据进行特征构造，得到负荷特征、时间特征及气象特征；
6、采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集；
7、将所述特征子集进行处理后作为训练集，将所述训练集输入至预构建的lstm神经网络中进行训练，得到预测模型；
8、将待预测数据输入至所述预测模型中，得到负荷预测结果。
9、进一步的，对所述历史负荷数据进行预处理，包括：
10、判断所述历史负荷数据中是否存在缺失值，若存在，则采用线性差值方式对所述缺失值所在位置进行补充；
11、判断所述历史负荷数据中是否存在异常值，若存在，则采用箱形图筛选出所述异常值，并对所述异常值进行修正。
12、进一步的，所述采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集，包括：
13、采用有抽样放回的方法从样本集中抽取m次，每次选取n个样本作为一个训练集，通过训练集生成m棵决策树；
14、计算每个特征对每棵决策树的贡献值的平均值；所述贡献值的平均值用于表示特征的重要性；
15、对所有特征的重要性从大到小进行排序，选择出特征重要性较高的n个特征作为特征子集。
16、进一步的，所述贡献值采用基尼指数作为评价指标进行衡量，采用以下方式计算贡献值，
17、假设一共有k个特征，即特征序列为x＝{x1,x2,x3,...xk}，第i棵树节点q的基尼指数计算方式为：
18、
19、其中，c表示样本类别个数，pqc表示节点q在类别c所占的比例；
20、节点q分枝前后的基尼指数变化量，即特征xj在第i棵树节点q的重要性vim，为：
21、
22、其中，和分别表示节点q在分支后产生的两个新节点l和r的基尼指数；假设在第i棵树中，特征xj出现q次，则特征xj在第i棵树的重要性为：
23、
24、特征xj在m棵树上重要性为：
25、
26、对所有特征的特征重要性从大到小进行排序，选择出特征重要性较高n个特征作为特征子集。
27、进一步的，对所述异常值进行修正，包括：
28、获取第t天i时刻前m个点作为待匹配时段数据part_pre，以及获取t天的前7日、前一年同日的同时段数据作为历史匹配数据part_history，利用余弦相似度方式进行相似度计算，得到相似度；
29、取相似度最大的时段作为相似时段part_historyd，则修正后的第t天i时刻的负荷值为xt-d,i。
30、进一步的，采用以下方式计算相似度，
31、
32、part_pre＝[xt,i-1,xt,i-2,…,xt,i-m]
33、part_h istory＝[xt-d,i-1,xt-d,i-2,…,xt-d,i-m]。
34、其中，i为缺失值对应时刻点，d为缺失值所在日的前7日、前一年同日中的一天，part_pre为第t天i时刻前m个点的实际数据，part_h istory为相似度较高的日期对应的i时刻前m个点的历史负荷，j为i时刻前m个点中的一个时刻，j＝i-1,i-2,…,i-m。
35、进一步的，对特征子集进行归一化。
36、本申请实施例提供一种考虑环境因素的超短期预测装置，包括：
37、获取模块，用于获取历史数据；所述历史数据包括历史负荷数据及对应的环境因素数据；所述环境因素数据包括时间数据和气象数据；
38、预处理模块，用于对所述历史数据及进行预处理，得到待处理数据；
39、构造模块，用于选择待预测系统类型，根据待预测系统类型预设的特征构造需求，根据所述待处理数据进行特征构造，得到负荷特征、时间特征及气象特征；
40、分析模块，用于采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集；
41、训练模块，用于将所述特征子集进行处理后作为训练集，将所述训练集输入至预构建的lstm神经网络中进行训练，得到预测本文档来自技高网...
【技术保护点】
1.考虑环境因素的超短期负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的考虑环境因素的超短期负荷预测方法，其特征在于，对所述历史负荷数据进行预处理，包括：
3.根据权利要求1或2所述的考虑环境因素的超短期负荷预测方法，其特征在于，所述采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集，包括：
4.根据权利要求3所述的考虑环境因素的超短期负荷预测方法，其特征在于，所述贡献值采用基尼指数作为评价指标进行衡量，采用以下方式计算贡献值，
5.根据权利要求2所述的考虑环境因素的超短期负荷预测方法，其特征在于，对所述异常值进行修正，包括：
6.根据权利要求5所述的一种考虑环境因素的超短期负荷预测方法，其特征在于，采用以下方式计算相似度，
7.根据权利要求1所述的一种考虑环境因素的超短期负荷预测方法，其特征在于，将所述特征子集进行处理，包括：
8.考虑环境因素的超短期预测装置，其特征在于，包括：
9.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器存
10.一种计算机存储介质，其特征在于：存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的考虑环境因素的超短期预测方法。
...【技术特征摘要】
1.考虑环境因素的超短期负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的考虑环境因素的超短期负荷预测方法，其特征在于，对所述历史负荷数据进行预处理，包括：
3.根据权利要求1或2所述的考虑环境因素的超短期负荷预测方法，其特征在于，所述采用随机森林算法对所述负荷特征、时间特征及气象特征进行重要性分析，确定特征子集，包括：
4.根据权利要求3所述的考虑环境因素的超短期负荷预测方法，其特征在于，所述贡献值采用基尼指数作为评价指标进行衡量，采用以下方式计算贡献值，
5.根据权利要求2所述的考虑环境因素的超短期负荷预测方法，其特征在于，对所述异常值进行修正，包括：
6.根据权利要求5...
【专利技术属性】
技术研发人员：李培恺，傅源，潘连荣，吕嘉，韦洪波，李嘉安，杨加意，巫聪云，陈彬彬，唐佳，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。