【技术实现步骤摘要】
本专利技术涉及电力系统负荷预测技术，尤其涉及一种基于时序特性的负荷预测方法、系统、设备及介质。
技术介绍
1、准确的负荷预测是电力系统资源优化配置和调度的基础，可以更好地协调可再生能源的并网，减少弃风弃光现象，提高可再生能源利用率，并且负荷预测结果可以用于指导储能系统的充放电策略，实现能量的高效存储和释放，及实现调度和资源配置的合理优化，进一步提高电网的灵活性和可靠性。负荷预测的精确化、稳定化，将进一步完善电网调度系统自动化程度和提高经济调度的程度；将成为电力现货市场系统制定出清计划的重要依据，影响着出清计划的可靠性；将成为新一代电网智能调度系统的坚实基础，为上层决策提供可靠的负荷需求情况。
2、现阶段负荷预测方法主要有两个发展方向：其一为时序神经网络路线，其主要路线为基于负荷历史数据，结合负荷相关气象、节假日等信息拟合负荷时序变化，但随着当前新能源发电的影响不断加大，使得负荷的变化受气象因素影响更为明显，气象要素之间互相耦合，使得负荷呈现不同的变化规律，即多场景，各个场景下负荷样本较少，使得时序神经网络无法较好拟合多场景下负荷变化规律，影响了模型的准确率。其二为以xgboost为代表的树模型架构，主要考虑因素与神经网络路线类似，但由于树模型架构难以考虑负荷的时序规律变化，以及各个相关要素的耦合性，因此需要增加额外的相关特征变量以提高模型对负荷规律的捕捉，带来了额外的计算消耗，且也难以捕捉负荷的时序变化性，例如随经济发展负荷呈现连续增长，每年创下新高，模型的拟合能力较差。
技术实现思路b>
1、专利技术目的：本专利技术旨在提供一种采用时序残差神经网络捕捉负荷时序特征，解决xgboost模型对时序特征捕捉较弱的缺陷，缓解传统lstm时序神经网络对多场景下负荷变化拟合的滞后性的负荷预测方法；本专利技术的另一目的是提供一种基于时序特性的负荷预测系统、设备及介质。
2、技术方案：本专利技术所述的基于时序特性的负荷预测方法，包括以下步骤：
3、将地区负荷历史数据和历史气象数据按时序进行对齐；
4、清洗时序对齐后的地区负荷历史数据和历史气象数据后，将历史负荷数据与历史气象数据进行时序拼接，构建负荷预测历史样本集；
5、根据历史负荷变化对历史样本集进行基本特征构建，得到基础样本集；
6、对基础样本集进行预处理，采用lstm与attention机制构建时序残差神经网络，通过预处理后的基础样本集对时序残差神经网络进行训练筛选，采用筛选后的时序残差神经网络对基础样本集进行时序特征提取，得到时序样本集；
7、将时序样本集与基础样本集进行拼接得到负荷预测特征数据集，使用负荷预测特征数据集训练xgboost模型，得到最优模型，进行负荷预测。
8、进一步的，根据历史负荷变化对历史样本集进行基本特征构建，得到基础样本集，具体如下：
9、根据每日或每周负荷波动性构建对应的负荷波动周期特征；
10、根据负荷场景差别构建场景区分onehot编码特征。
11、进一步的，对基础样本集进行预处理，采用lstm与attention机制构建时序残差神经网络，通过预处理后的基础样本集对时序残差神经网络进行训练筛选，采用筛选后的时序残差神经网络对基础样本集进行时序特征提取，得到时序样本集，具体如下：
12、对基础样本集进行归一化处理后，进行周期性分析，根据周期性分析对基础样本集按最小周期采样，得到基础数据集；
13、对基础数据集进行分割；得到基础训练集和基础验证集；
14、基于基础训练集，对lstm及attention构建时序残差神经网络进行训练，使用基础验证集对模型进行筛选；
15、使用时序残差神经网络对基础样本集进行时序特征提取，提取特征与基础样本集进行时序拼接得到时序样本集。
16、进一步的，对基础样本集进行周期性分析，根据周期性分析对基础样本集按最小周期采样得到基础数据集，具体如下：
17、采用小波变换提取负荷历史数据周期，从所有分解层次中找到周期最短的层，定义为负荷最小周期；
18、根据负荷最小周期对基础数据集进行均匀采样，得到基础数据集。
19、进一步的，基于基础训练集，对使用lstm及attention构建时序残差神经网络进行训练，使用基础验证集对模型进行筛选，具体如下：
20、通过嵌入层、attention、lstm及残差连接构建负荷时序特征提取块，得到负荷时序特征；
21、通过嵌入层、attention、双向lstm及残差连接构建气象时序特征提取块，得到气象时序特征；
22、将负荷时序特征提取特征与气象时序特征进行拼接，对下个周期负荷数据进行拟合；
23、基于基础数据集调整输入序列长度为最小周期的整数倍，并保存不同输入序列长度得到的时序特征提取模型；
24、根据验证集对每个时序特征提取模型的拟合程度进行评估，确定最佳时序特征提取模型。
25、进一步的，采用最佳时序特征提取模型对基础样本集进行时序特征提取，并将提取特征按时序排列，得到时序样本集。
26、进一步的，将时序样本集与基础样本集拼接得到负荷预测特征数据集，使用负荷预测特征数据集训练xgboost模型，得到最优模型，进行负荷预测，具体如下：
27、将时序样本集和基础样本集进行时序拼接，得到负荷预测特征数据集。
28、将负荷预测特征数据集按比例均匀采样为训练集和验证集，保留数据集的时间先后顺序，并根据时间顺序划分最近数据为预测集；
29、基于特征数据集的时序性，引入基于样本时序加权的损失函数wloss：
30、
31、其中，yi为第i个样本的真实负荷，为第i样本的预测负荷，n为样本总数，ωi为第i个样本的权重，ωi为
32、ωi＝exp(-α·(n-i))
33、其中，α为控制衰减速率的常数；
34、使用训练集训练xgboost模型，并根据模型在验证集的表现对模型进行筛选得到最优模型，进行负荷预测。
35、本专利技术所述基于时序特性的负荷预测系统，包括：
36、数据获取对齐模块，用于获取地区负荷历史数据和历史气象数据，并将数据按时序对齐；
37、数据清洗拼接模块，用于对负荷历史数据和历史气象数据进行清洗，并将历史负荷数据与历史气象数据进行时序拼接，构建负荷预测历史样本集；
38、基本特征构建模块，用于根据历史负荷变化对历史样本集进行基本特征构建，得到基础样本集；
39、时序特征提取模块，用于根据基础样本集，采用lstm与attention机制构建时序残差神经网络提取基础数据时序特征，得到时序样本集；
40、模型验证与预测模块，用于将时序样本集与基础样本集进行拼接得到负荷预测特征数据集，使用负荷预测特征数据集训练xgboost模型，得到最优模型，本文档来自技高网...
【技术保护点】
1.一种基于时序特性的负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于时序特性的负荷预测方法，其特征在于，根据历史负荷变化对历史样本集进行基本特征构建，得到基础样本集，具体如下：
3.根据权利要求1所述基于时序特性的负荷预测方法，其特征在于，对基础样本集进行预处理，采用LSTM与Attention机制构建时序残差神经网络，通过预处理后的基础样本集对时序残差神经网络进行训练筛选，采用筛选后的时序残差神经网络对基础样本集进行时序特征提取，得到时序样本集，具体如下：
4.根据权利要求3所述基于时序特性的负荷预测方法，其特征在于，对基础样本集进行周期性分析，根据周期性分析对基础样本集按最小周期采样得到基础数据集，具体如下：
5.根据权利要求3所述基于时序特性的负荷预测方法，其特征在于，基于基础训练集，对使用LSTM及attention构建时序残差神经网络进行训练，使用基础验证集对模型进行筛选，具体如下：
6.根据权利要求5所述基于时序特性的负荷预测方法，其特征在于，采用最佳最佳时序特征提取模型对基础样本集进行
7.根据权利要求6所述基于时序特性的负荷预测方法，其特征在于，将时序样本集与基础样本集拼接得到负荷预测特征数据集，使用负荷预测特征数据集训练XGBoost模型，得到最优模型，进行负荷预测，具体如下：
8.一种基于时序特性的负荷预测系统，其特征在于，包括：
9.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1—7中任一所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1—7中任一所述方法的步骤。
...【技术特征摘要】
1.一种基于时序特性的负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于时序特性的负荷预测方法，其特征在于，根据历史负荷变化对历史样本集进行基本特征构建，得到基础样本集，具体如下：
3.根据权利要求1所述基于时序特性的负荷预测方法，其特征在于，对基础样本集进行预处理，采用lstm与attention机制构建时序残差神经网络，通过预处理后的基础样本集对时序残差神经网络进行训练筛选，采用筛选后的时序残差神经网络对基础样本集进行时序特征提取，得到时序样本集，具体如下：
4.根据权利要求3所述基于时序特性的负荷预测方法，其特征在于，对基础样本集进行周期性分析，根据周期性分析对基础样本集按最小周期采样得到基础数据集，具体如下：
5.根据权利要求3所述基于时序特性的负荷预测方法，其特征在于，基于基础训练集，对使用lstm及attention构建时序残差神经网络进行...
【专利技术属性】
技术研发人员：伍林，张琪培，旷文腾，王朝晖，王坤，夏一羽，刘刚，胡远征，陈天宇，
申请(专利权)人：国电南瑞科技股份有限公司，
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。