本申请提供一种考虑大小样本的区域负荷预测方法及系统，所述方法包括：获取负荷预测所需的原始数据集；对原始数据集进行预处理操作；对预处理操作后的原始数据集依据特征值进行分组分类，生成典型日负荷和非典型日负荷；采用基于聚类的广义回归组合预测模型对典型日负荷进行负荷预测，获取第一模型预测结果；采用基于模式序列匹配和XGBoost组合预测模型对非典型日负荷进行负荷预测，获取第二模型预测结果；基于第一模型预测结果和第二模型预测结果，获取目标预测结果，以解决目前人工智能负荷预测方法难以匹配当前新型电力系统建设负荷预测精度要求，导致负荷预测结果的精度较低，且负荷预测过程时间过长，效率较低的问题。
1、随着国家经济发展和人民生活水平的普遍提升，区域电力负荷迅速增长，用户用电情况更加多元，复杂程度持续提升。一方面会给电力系统的稳定运行带来了巨大挑战，另一方面也会伴随着严重的生态环境问题。电能是世界上最重要的能量之一，存在难以储存的缺点，而发电过程中必须要保持发电计划与负荷需求动态平衡，才能保障电网安全稳定运行，进而进行优化调度。
2、所以为了保持发电计划与负荷需求动态平衡，需要对负荷量进行预测。现有负荷预测方法主要包括传统负荷预测方法和人工智能负荷预测方法两类，传统方法包括线性回归分析、时间序列、灰色模型等，通过数据相关性和时序性进行预测；近年来，还出现了人工智能负荷预测方法，随着人工智能负荷预测方法的逐渐出现，负荷预测的准确性得到了大幅提升。
3、然而，目前的人工智能负荷预测方法还是难以匹配当前新型电力系统建设负荷预测精度要求，导致负荷预测结果的精度较低，且负荷预测过程时间过长，效率较低。所以还需一种新的电力负荷预测系统和方法来提高负荷预测精度和处理速度。
1、本申请实施例提供了一种考虑大小样本的区域负荷预测方法及系统，以解决目前的人工智能负荷预测方法难以匹配当前新型电力系统建设负荷预测精度要求，导致负荷预测结果的精度较低，且负荷预测过程时间过长，效率较低的技术问题。
>3、获取负荷预测所需的原始数据集；4、对所述原始数据集进行预处理操作；所述预处理操作包括：异常数据处理、归一化处理、量化处理；所述异常数据处理包括：所述原始数据集的辨识、清洗、修正；
5、对预处理操作后的所述原始数据集依据特征值进行分组分类，生成典型日负荷和非典型日负荷；所述典型日负荷为大样本数据，所述非典型日负荷为小样本数据；
6、采用基于聚类的广义回归组合预测模型对所述典型日负荷进行负荷预测，获取第一模型预测结果；
7、采用基于模式序列匹配和xgboost组合预测模型对所述非典型日负荷进行负荷预测，获取第二模型预测结果；
8、基于所述第一模型预测结果和所述第二模型预测结果，获取目标预测结果。
9、在一些实施例中，所述原始数据集包括历史气候数据、区域电力负荷数据、区域用户数据。
10、在一些实施例中，所述采用基于聚类的广义回归组合预测模型对典型日负荷进行负荷预测，获取第一模型预测结果包括：
11、基于所述原始数据集，获取重要影响参数，确定聚类算法特征和模型训练特征；
12、基于k-means算法，根据聚类算法特征对典型日负荷进行分类，获取模型分类训练集数据；
13、基于所述模型分类训练集数据，根据模型训练特征构建基于广义回归神经网络的预测模型；所述广义回归神经网络的拓扑包括：输入层、模式层、求和层和输出层；
14、基于所述模型分类训练集数据和所述预测模型，获取第一模型预测结果。
15、在一些实施例中，所述采用基于模式序列匹配和xgboost组合预测模型对所述非典型日负荷进行负荷预测，获取第二模型预测结果包括：
16、基于模式序列匹配对所述非典型日负荷的比例曲线进行预测，获取待预测比例曲线；
17、基于xgboost预测模型对所述非典型日负荷的日极值进行预测，获取待预测非典型日的日极值；
18、基于所述待预测比例曲线和所述待预测非典型日的日极值，获取第二模型预测结果。
19、在一些实施例中，所述基于模式序列匹配对非典型日负荷的比例曲线进行预测，获取待预测比例曲线包括：
20、获取预测非典型日以及相似的历史日；
21、计算所述预测非典型日日前负荷的比例曲线相似度；
22、根据排序规则对相似的历史日进行排序，生成中间训练集；所述排序规则为根据所述比例曲线相似度由小到大的顺序，对所述相似的历史日进行排序；
23、基于所述中间训练集，生成目标训练集；
24、基于所述目标训练集，获取待预测比例曲线。
25、在一些实施例中，基于xgboost预测模型对非典型日负荷的日极值进行预测，获取待预测非典型日的日极值包括：
26、利用相关系数法对影响非典型日负荷的因素进行相关性分析，生成相关性分析结果；
27、基于所述相关性分析结果，获取影响非典型日日极值的特征变量；
28、利用最大最小值方法对所述特征变量进行归一化操作，构建xgboost模型目标函数；
29、基于所述xgboost模型目标函数，获取待预测非典型日的日极值。
30、在一些实施例中，所述基于所述待预测比例曲线和所述预测日极值，获取第二模型预测结果包括：
31、将所述待预测比例曲线和所述预测日极值进行融合，获取中间模型预测结果；
32、对所述中间模型预测结果进行修正，获取第二模型预测结果。
33、在一些实施例中，所述基于所述第一模型预测结果和所述第二模型预测结果，获取目标预测结果包括：
34、基于所述第一模型预测结果和所述第二模型预测结果，利用加和融合的方法获取目标预测结果。
35、本申请第二方面提供了一种考虑大小样本的区域负荷预测系统，包括：
36、第一获取模块，用于获取负荷预测所需的原始数据集；
37、操作模块，用于对所述原始数据集进行预处理操作；所述预处理操作包括：异常数据处理、归一化处理、量化处理；所述异常数据处理包括：所述原始数据集的辨识、清洗、修正；
38、生成模块，用于对预处理操作后的所述原始数据集依据特征值进行分组分类，生成典型日负荷和非典型日负荷；
39、第二获取模块，被配置为采用基于聚类的广义回归组合预测模型对所述典型日负荷进行负荷预测，获取第一模型预测结果；
40、第三获取模块，被配置为采用基于模式序列匹配和xgboost组合预测模型对所述非典型日负荷进行负荷预测，获取第二模型预测结果；
41、第四获取模块，被配置为基于所述第一模型预测结果和所述第二模型预测结果，获取目标预测结果。
42、在一些实施例中，所述第二获取模块包括：
43、确定单元，被配置为基于所述原始数据集，获取重要影响参数，确定聚类算法特征和模型训练特征；
44、第一获取单元，被配置为基于k-means算法，根据聚类算法特征对典型日负荷进行分类，获取模型分类训练集数据；
45、构建单元，被配置为基于所述模型分类训练集数据，根据模型训练特征构建基于广义回归神经网络的预测模型；所述广义回归神经网络的拓扑包括：输入层、模式层、求和层和输出层；
46、第二获取单元，被配置为基于所述模型分类训练集数据和所本文档来自技高网...
【技术保护点】
1.一种考虑大小样本的区域负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的一种考虑大小样本的区域负荷预测方法，其特征在于，所述原始数据集包括历史气候数据、区域电力负荷数据、区域用户数据。
3.根据权利要求1所述的一种考虑大小样本的区域负荷预测方法，其特征在于，所述采用基于聚类的广义回归组合预测模型对典型日负荷进行负荷预测，获取第一模型预测结果包括：
4.根据权利要求1所述的一种考虑大小样本的区域负荷预测方法，其特征在于，所述采用基于模式序列匹配和XGBoost组合预测模型对所述非典型日负荷进行负荷预测，获取第二模型预测结果包括：
5.根据权利要求4所述的一种考虑大小样本的区域负荷预测方法，其特征在于，所述基于模式序列匹配对非典型日负荷的比例曲线进行预测，获取待预测比例曲线包括：
6.根据权利要求4所述的一种考虑大小样本的区域负荷预测方法，其特征在于，基于XGBoost预测模型对非典型日负荷的日极值进行预测，获取待预测非典型日的日极值包括：
7.根据权利要求4所述的一种考虑大小样本的区域负荷预测方法，其特征在于，所述基于所述待预测比例曲线和所述预测日极值，获取第二模型预测结果包括：
8.根据权利要求1所述的一种考虑大小样本的区域负荷预测方法，其特征在于，所述基于所述第一模型预测结果和所述第二模型预测结果，获取目标预测结果包括：
9.一种考虑大小样本的区域负荷预测系统，其特征在于，包括：
10.根据权利要求9所述的一种考虑大小样本的区域负荷预测系统，其特征在于，所述第二获取模块(4)包括：
...
【技术特征摘要】
1.一种考虑大小样本的区域负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的一种考虑大小样本的区域负荷预测方法，其特征在于，所述原始数据集包括历史气候数据、区域电力负荷数据、区域用户数据。
3.根据权利要求1所述的一种考虑大小样本的区域负荷预测方法，其特征在于，所述采用基于聚类的广义回归组合预测模型对典型日负荷进行负荷预测，获取第一模型预测结果包括：
4.根据权利要求1所述的一种考虑大小样本的区域负荷预测方法，其特征在于，所述采用基于模式序列匹配和xgboost组合预测模型对所述非典型日负荷进行负荷预测，获取第二模型预测结果包括：
5.根据权利要求4所述的一种考虑大小样本的区域负荷预测方法，其特征在于，所述基于模式序列匹配对非典型日负荷的比例曲线进...
【专利技术属性】
技术研发人员：王炜，苏适，谢青洋，李远，杜肖，和学豪，陈炯，杨碧磊，杨洲，
申请(专利权)人：云南电网有限责任公司大理供电局，
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。