[發(fā)明專利]一種電力負(fù)荷預(yù)測方法、系統(tǒng)、設(shè)備和計算機可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010155061.0
• 申請日: 2020-03-06
• 公開（公告）號: CN111382906A
• 公開（公告）日: 2020-07-07
• 發(fā)明（設(shè)計）人: 卞海紅;王倩;曾彥鑫;張宇辰
• 申請（專利權(quán)）人: 南京工程學(xué)院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 南京睿之博知識產(chǎn)權(quán)代理有限公司 32296
• 代理人: 劉菊蘭

1.一種電力負(fù)荷預(yù)測方法，其特征在于，包括如下步驟：

步驟A、采集電力負(fù)荷數(shù)據(jù)以及與負(fù)荷有關(guān)的氣象數(shù)據(jù)；

步驟B、對氣象因素與負(fù)荷、時間進(jìn)行關(guān)聯(lián)度分析，剔除與負(fù)荷關(guān)聯(lián)度較低的氣象因素，保留與負(fù)荷關(guān)聯(lián)度較高的氣象因素；

步驟C、將保留的氣象數(shù)據(jù)分為時序性和非時序性氣象數(shù)據(jù)；

步驟D、利用經(jīng)驗?zāi)B(tài)分解算法對非時序性氣象數(shù)據(jù)進(jìn)行分解；

步驟E、利用時間卷積網(wǎng)絡(luò)模型對時序性氣象數(shù)據(jù)進(jìn)行降維，得到負(fù)荷的最優(yōu)估計值；

步驟F、以步驟D中分解后的氣象數(shù)據(jù)和步驟E中負(fù)荷的最優(yōu)估計值為輸入，負(fù)荷數(shù)據(jù)為輸出，代入GRNN模型進(jìn)行訓(xùn)練，利用訓(xùn)練好的模型進(jìn)行預(yù)測，得到預(yù)測結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種電力負(fù)荷預(yù)測方法，其特征在于，所述步驟A中，采集的氣象數(shù)據(jù)為溫度數(shù)據(jù)和降雨量數(shù)據(jù)，溫度數(shù)據(jù)包括最高氣溫、平均氣溫和最低氣溫。

3.根據(jù)權(quán)利要求1所述的一種電力負(fù)荷預(yù)測方法，其特征在于，所述步驟B中，關(guān)聯(lián)度分析過程如下：

步驟B1、確定反映系統(tǒng)行為特征的參考數(shù)列和影響系統(tǒng)行為的比較數(shù)列，其中，參考數(shù)列為負(fù)荷數(shù)據(jù)，比較數(shù)列為任意兩種氣象數(shù)據(jù)；

步驟B2、利用均值化處理，將比較數(shù)列中每種類型的氣象數(shù)據(jù)進(jìn)行無量綱化；

步驟B3、計算關(guān)聯(lián)度的三個指標(biāo)，即支持度、置信度和提升度，得出任意兩種氣象因素中與負(fù)荷關(guān)聯(lián)度較高的因素。

4.根據(jù)權(quán)利要求1所述的一種電力負(fù)荷預(yù)測方法，其特征在于，所述步驟D中，利用經(jīng)驗?zāi)B(tài)分解算法對非時序性氣象數(shù)據(jù)進(jìn)行分解過程如下：

步驟D1、將初始數(shù)據(jù)中所有的局部極大值點用三次樣條函數(shù)連接作為上包絡(luò)線，所有局部極小值點用三次樣條函數(shù)連接作為下包絡(luò)線；

步驟D2、求解上、下包絡(luò)線的均值以及初始數(shù)據(jù)與均值之間的差值h₁(t)；

步驟D3、判斷初始數(shù)據(jù)與均值之間的差值h₁(t)是否滿足IMF分量序列的條件，若不滿足，令當(dāng)前差值作為篩選后新的初始數(shù)據(jù)，重復(fù)步驟D1、D2和D3；若滿足，當(dāng)前差值為最高頻率IMF分量，令初始數(shù)據(jù)減去當(dāng)前差值后的余項作為篩選后新的初始數(shù)據(jù)，重復(fù)步驟D1、D2和D3，直到余項變成具有單調(diào)性的函數(shù)或者常數(shù)；

步驟D4、若余項變成具有單調(diào)性的函數(shù)或者常數(shù)時，在之前的迭代過程中已生成若干最高頻率IMF分量，則初始數(shù)據(jù)被分解為若干最高頻率IMF分量和最終的余項之和。

5.根據(jù)權(quán)利要求4所述的一種電力負(fù)荷預(yù)測方法，其特征在于，所述步驟D3中，當(dāng)前差值成為最高頻率IMF分量的條件為：

其中，h_1(k-1)(t)和h_1k(t)分別是在對數(shù)據(jù)進(jìn)行第k-1和第k次篩選后得到的數(shù)據(jù)子集，D_k為0.2～0.3。

6.根據(jù)權(quán)利要求1所述的一種電力負(fù)荷預(yù)測方法，其特征在于，所述步驟E中，時間卷積網(wǎng)絡(luò)模型以時序性氣象數(shù)據(jù)為輸入、負(fù)荷數(shù)據(jù)為輸出，以損失函數(shù)值最小為目標(biāo)按照階梯下降最快的方向不斷的迭代訓(xùn)練，最終訓(xùn)練得到負(fù)荷數(shù)據(jù)與輸入的時序性氣象數(shù)據(jù)之間的非線性隱含關(guān)系，進(jìn)而得到負(fù)荷的最優(yōu)估計值。

7.一種實現(xiàn)權(quán)利要求1至6任一所述的電力負(fù)荷預(yù)測方法的系統(tǒng)，其特征在于，所述系統(tǒng)包括采集模塊、關(guān)聯(lián)度模塊、時序分解模塊、分解模塊、降維模塊和預(yù)測模塊，其中，

采集模塊用于采集負(fù)荷數(shù)據(jù)和氣象數(shù)據(jù)；

關(guān)聯(lián)度模塊用于對氣象數(shù)據(jù)與負(fù)荷數(shù)據(jù)、時間進(jìn)行關(guān)聯(lián)度分析；

時序分解模塊用于將保留的氣象數(shù)據(jù)分為時序性和非時序性氣象數(shù)據(jù)；

分解模塊用于利用經(jīng)驗?zāi)B(tài)分解算法對非時序性氣象數(shù)據(jù)進(jìn)行分解；

降維模塊用于利用時間卷積網(wǎng)絡(luò)模型對時序性氣象數(shù)據(jù)進(jìn)行降維，得到負(fù)荷的最優(yōu)估計值；

預(yù)測模塊用于以分解后的氣象數(shù)據(jù)和負(fù)荷的最優(yōu)估計值為輸入，負(fù)荷數(shù)據(jù)為輸出，代入GRNN模型進(jìn)行訓(xùn)練，利用訓(xùn)練好的模型進(jìn)行預(yù)測，獲得預(yù)測結(jié)果。