【技术实现步骤摘要】
本专利技术涉及电力负荷预测，尤其涉及一种特殊节假目的电力负荷预测方法、系统、装置及介质。
技术介绍
1、电力系统负荷预测是电力调度部门经济调度、电力现货交易的重要基础，尤其现阶段新能源发电并网容量占比呈现迅猛增加态势，其来带的发电波动性、不确定性严重影响电力供需平衡，因此对负荷预测精准度提出了更高要求。目前，电力系统负荷预测方法的研究主要针对常规日负荷曲线的预测，且普遍具有较高的精度。
2、然而，特殊节假日和常规日的电力负荷变化特性具有明显的差异：其工业负荷明显下降，居民日常用电曲线趋势也与常规日有明显的不同；同时因城市活动、人口流动以及调休政策导致特殊节假日的负荷趋势会与往年有很大差异；此外，同一节假日负荷数据稀缺，导致数据模型训练不充分。另一方面，目前主流的负荷预测方法主要仅倾向时序性的特征提取，忽略了特征提取过程中各状态变量的相关性，没有有效利用数据的特征信息。因此，用常规日负荷预测方法去预测特殊节假日负荷，其预测误差往往比较大。
技术实现思路
1、为此，本专利技术实施例提供了一种特殊节假日的电力负荷预测方法、系统、装置及介质，用于解决现有技术中针对特殊节假日电力负荷预测未考虑其特殊的负荷特性，同一节假日负荷数据稀缺，以及数据特征信息没有有效利用的问题。
2、为了解决上述问题，本专利技术实施例提供一种特殊节假日的电力负荷预测方法，所述方法包括：
3、s1：按一定时间间隔采集各状态变量数据，构建特殊节假日负荷数据，其中状态变量数据包括电力负荷
4、s2：对特殊节假日负荷数据进行数据处理，所述数据处理包括剔除各状态变量数据异常点，采用插值法补充异常点数据；
5、s3：对处理后的数据进行相关性分析，筛选出与负荷变化相关性较大的状态变量；
6、s4：对筛选出的状态变量进行归一化处理，并构建数据集；
7、s5：对所述数据集进行主成分分析网络特征学习，提取各状态变量局部相关性特征信息，同时对所述数据集进行时间卷积网络特征学习，提取各状态变量时序性特征信息；
8、s6：对所述局部相关性特征信息和所述时序性特征信息进行特征融合，利用lstm网络模型对融合后的特征信息进行学习，得到下一时刻电力负荷预测值。
9、优选地，步骤s2中，剔除各状态变量数据异常点的方法，具体包括：
10、采用拉依达准则对样本数据进行异常点剔除操作，采用如下辨别式进行剔除选择：
11、
12、式中，设样本数据中某一状态变量为g＝{gv|gv∈r}v＝1，...，z，z为该状态变量在样本数据中的个数，gv为状态变量样本数值；若γ＞3，则该样本属于奇异点。
13、优选地，步骤s3中，对处理后的数据进行相关性分析的方法，具体包括：
14、采用皮尔逊相关系数法对处理后的数据进行相关性分析，其公式为：
15、
16、式中，cov()为协方差计算，为状态变量g1的方差，为状态变量g2的方差，ρ为相关值，当计算结果大于0.1，即表示为相关。
17、优选地，步骤s4中，对筛选出的状态变量进行归一化处理的方法，具体包括：
18、采用如下计算公式对筛选出的状态变量进行归一化处理：
19、
20、式中，g＝{gv|gv∈r}v＝1，...，z为状态变量，z为该状态变量在样本数据中的个数，g′v为归一化后的状态变量样本数值。
21、优选地，步骤s5中，对所述数据集进行主成分分析网络特征学习，提取各状态变量局部相关性特征信息的方法，具体包括：
22、采用如下计算公式处理得到主成分滤波器：
23、
24、基于上式提取矩阵xxt的前l1个最大特征值对应的特征向量从而组成特征映射矩阵，其中，是一个将图转化为矩阵的函数，而ql(xxt)为矩阵xxt的第l个主成分特征向量，k1，k2为滤波器尺寸，w即为所得主成分滤波器；
25、然后采用主成分滤波器对输入数据集进行卷积操作，得到输出样本，基于主成分分析网络输出层对对第二层所得输出矩阵进行二值化哈希编码，并计算每个块的直方图信息，将直方图特征进行级联得到向量，将得到l1个的向量的合集来表示各状态变量的局部相关性特征信息。
26、优选地，步骤s5中，对所述数据集进行时间卷积网络特征学习，提取各状态变量时序性特征信息的方法，具体包括：
27、采用如下计算公式进行时间卷积网络特征学习：
28、
29、式中，gn为第n个状态变量序列元素，x为数据集对应的时间序列，δ为尺寸为kt的过滤器，d为膨胀系数，*为卷积运算，gn-d·i为卷积方向。
30、优选地，步骤s6中，对所述局部相关性特征信息和所述时序性特征信息进行特征融合，利用lstm网络模型对融合后的特征信息进行学习，得到下一时刻电力负荷预测值的方法，具体包括：
31、对所述局部相关性特征信息和所述时序性特征信息进行主成分分析法降维，使其特征信息维度一致，并融合特征信息，然后进行lstm神经网络对融合后的特征信息进行预测学习，预测结果即为下一时刻电力负荷预测值。
32、本专利技术实施例还提供了一种特殊节假日的电力负荷预测系统，所述系统用于实现上述所述的特殊节假目的电力负荷预测方法，具体包括：
33、数据采集模块，用于按一定时间间隔采集各状态变量数据，构建特殊节假日负荷数据，其中状态变量数据包括电力负荷数据、气象数据、交通客流数据、日期数据、假期标记、非特殊节假日的标记、春节假期标记；
34、数据异常点处理模块，用于对特殊节假日负荷数据进行数据处理，所述数据处理包括剔除各状态变量数据异常点，采用插值法补充异常点数据；
35、数据相关性分析模块，用于对处理后的数据进行相关性分析，筛选出与负荷变化相关性较大的状态变量；
36、数据归一化模块，用于对筛选出的状态变量进行归一化处理，并构建数据集；
37、特征提取模块，用于对所述数据集进行主成分分析网络特征学习，提取各状态变量局部相关性特征信息，同时对所述数据集进行时间卷积网络特征学习，提取各状态变量时序性特征信息；
38、预测模块，用于对所述局部相关性特征信息和所述时序性特征信息进行特征融合，利用lstm网络模型对融合后的特征信息进行学习，得到下一时刻电力负荷预测值。
39、本专利技术实施例还提供了一种电子装置，所述电子装置包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现上述所述的特殊节假日的电力负荷预测方法。
40、本专利技术实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以本文档来自技高网...
【技术保护点】
1.一种特殊节假日的电力负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的特殊节假日的电力负荷预测方法，其特征在于，步骤S2中，剔除各状态变量数据异常点的方法，具体包括：
3.根据权利要求1所述的特殊节假日的电力负荷预测方法，其特征在于，步骤S3中，对处理后的数据进行相关性分析的方法，具体包括：
4.根据权利要求1所述的特殊节假日的电力负荷预测方法，其特征在于，步骤S4中，对筛选出的状态变量进行归一化处理的方法，具体包括：
5.根据权利要求1所述的特殊节假日的电力负荷预测方法，其特征在于，步骤S5中，对所述数据集进行主成分分析网络特征学习，提取各状态变量局部相关性特征信息的方法，具体包括：
6.根据权利要求1所述的特殊节假日的电力负荷预测方法，其特征在于，步骤S5中，对所述数据集进行时间卷积网络特征学习，提取各状态变量时序性特征信息的方法，具体包括：
7.根据权利要求1所述的特殊节假日的电力负荷预测方法，其特征在于，步骤S6中，对所述局部相关性特征信息和所述时序性特征信息进行特征融合，利用LSTM网络
8.一种特殊节假日的电力负荷预测系统，其特征在于，所述系统用于实现权利要求1至7任意一项所述的特殊节假日的电力负荷预测方法，具体包括：
9.一种电子装置，其特征在于，所述电子装置包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现权利要求1至7任意一项所述的特殊节假日的电力负荷预测方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行权利要求1至7任意一项所述的特殊节假日的电力负荷预测方法。
...【技术特征摘要】
1.一种特殊节假日的电力负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的特殊节假日的电力负荷预测方法，其特征在于，步骤s2中，剔除各状态变量数据异常点的方法，具体包括：
3.根据权利要求1所述的特殊节假日的电力负荷预测方法，其特征在于，步骤s3中，对处理后的数据进行相关性分析的方法，具体包括：
4.根据权利要求1所述的特殊节假日的电力负荷预测方法，其特征在于，步骤s4中，对筛选出的状态变量进行归一化处理的方法，具体包括：
5.根据权利要求1所述的特殊节假日的电力负荷预测方法，其特征在于，步骤s5中，对所述数据集进行主成分分析网络特征学习，提取各状态变量局部相关性特征信息的方法，具体包括：
6.根据权利要求1所述的特殊节假日的电力负荷预测方法，其特征在于，步骤s5中，对所述数据集进行时间卷积网络特征学习，提取各状态变量时序性特征信息的方法，具体包括：
<...【专利技术属性】
技术研发人员：闫俊，刘泽辉，郭嫣然，尹旭佳，周策，郝丽花，雷达，白志刚，刘志兵，付可，
申请(专利权)人：国网山西省电力公司电力科学研究院，
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。