[發明專利]一種電力負荷預測方法、系統、設備和計算機可讀存儲介質

在審

• 申請號: 202010155061.0
• 申請日: 2020-03-06
• 公開（公告）號: CN111382906A
• 公開（公告）日: 2020-07-07
• 發明（設計）人: 卞海紅;王倩;曾彥鑫;張宇辰
• 申請（專利權）人: 南京工程學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 南京睿之博知識產權代理有限公司 32296
• 代理人: 劉菊蘭

本發明公開了一種電力負荷預測方法、系統、設備和計算機可讀存儲介質，方法包括如下步驟：采集電力負荷數據以及與負荷有關的氣象數據；對氣象因素與負荷、時間進行關聯度分析，保留與負荷關聯度較高的氣象因素；將保留的氣象數據分為時序性和非時序性氣象數據；利用經驗模態分解算法對非時序性氣象數據進行分解；利用時間卷積網絡模型對時序性氣象數據進行降維，得到負荷的最優估計值；將分解后的氣象數據、負荷的最優估計值和負荷數據代入GRNN模型進行訓練，利用訓練好的模型進行預測，得到預測結果。本發明的方法可以有效的去除噪聲、提高負荷預測精度、降低建模任務量，從而驗證了所提模型的可行性。

技術領域

本發明屬于電力負荷預測技術領域，特別涉及一種電力負荷預測方法、系統、設備和計算機可讀存儲介質。

背景技術

負荷預測是維持電網可靠、經濟運行的重要工具。電力負荷預測是一個非線性的時間序列預測問題。影響電力負荷的因素繁復，主要有歷史負荷數據、溫度等，因此，負荷預測的準確性與影響因素密切相關。現有的短期電力負荷預測方法大多采用傳統的預測方法，而隨著人工智能技術的發展，人們對這些技術在負荷預測問題上的應用進行了研究，人工智能在負荷預測中的表現優于傳統方法。

公布號為CN110570023A的專利文獻中公開了一種基于SARIMA-GRNN-SVM的短期商業電力負荷預測方法，包括如下步驟：通過對負荷曲線的分析得出商業電力負荷波動的影響因素；對商業電力負荷時間序列預測與多因素回歸預測構建單一預測模型；構建SVM模型，并利用訓練樣本對SVM模型進行參數優化與訓練，通過網格搜索與交叉驗證法進行SVM模型的參數優化；將SARIMA模型、GRNN模型得出的預測日的預測值輸入到訓練后的SVM模型中，即得到預測日的商業電力負荷預測值。本發明克服了單一預測模型無法綜合考慮商業負荷的周期性變化與影響因素導致預測結果易發生較大誤差的問題，提升了預測精確度與魯棒性。

發明內容

發明目的：針對現有技術中存在的問題，本發明公開了一種新的電力負荷預測方法、系統、設備和計算機可讀存儲介質，其方法基于負荷數據和氣象數據，依次對數據進行關聯度分析、分解、降維處理，最后利用GRNN模型進行預測，大大增強了預測的準確性。

技術方案：本發明采用如下技術方案：一種電力負荷預測方法，其特征在于，包括如下步驟：

步驟A、采集電力負荷數據以及與負荷有關的氣象數據；

步驟B、對氣象因素與負荷、時間進行關聯度分析，剔除與負荷關聯度較低的氣象因素，保留與負荷關聯度較高的氣象因素；

步驟C、將保留的氣象數據分為時序性和非時序性氣象數據；

步驟D、利用經驗模態分解算法對非時序性氣象數據進行分解；

步驟E、利用時間卷積網絡模型對時序性氣象數據進行降維，得到負荷的最優估計值；

步驟F、以步驟D中分解后的氣象數據和步驟E中負荷的最優估計值為輸入，負荷數據為輸出，代入GRNN模型進行訓練，利用訓練好的模型進行預測，得到預測結果。

優選的，所述步驟A中，采集的氣象數據為溫度數據和降雨量數據，溫度數據包括最高氣溫、平均氣溫和最低氣溫。

優選的，所述步驟B中，關聯度分析過程如下：

步驟B1、確定反映系統行為特征的參考數列和影響系統行為的比較數列，其中，參考數列為負荷數據，比較數列為任意兩種氣象數據；

步驟B2、利用均值化處理，將比較數列中每種類型的氣象數據進行無量綱化；

步驟B3、計算關聯度的三個指標，即支持度、置信度和提升度，得出任意兩種氣象因素中與負荷關聯度較高的因素。

優選的，所述步驟D中，利用經驗模態分解算法對非時序性氣象數據進行分解過程如下：