[發明專利]一種短期負荷預測方法及系統

在審

• 申請號: 202010738511.9
• 申請日: 2020-07-28
• 公開（公告）號: CN111967655A
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 陳梓煜;和識之;梁彥杰;林慶標;王皓懷;董超
• 申請（專利權）人: 中國南方電網有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 程琛

本發明實施例提供一種短期負荷預測方法及系統，該方法包括：計算每一歷史氣象數據與目標電網的歷史負荷數據之間的相關系數；計算每一歷史氣象數據對應的相關系數的可信度，將相關系數大于第一預設閾值、且可信度大于第二預設閾值的歷史氣象數據作為備選氣象數據；計算每一備選氣象數據與所述目標電網的歷史負荷數據之間的偏相關系數；計算每一備選氣象數據對應的偏相關系數的可信度，將偏相關系數大于第一預設閾值、且可信度大于第二預設閾值的備選氣象數據作為目標行業的關鍵氣象數據；根據目標行業在預測時間的關鍵氣象數據，對目標電網進行負荷預測。本發明實施例有效提高機器學習有效性，從而提高目標電網短期負荷預測精度。

技術領域

本發明涉及電子技術領域，尤其涉及一種短期負荷預測方法及系統。

背景技術

短期負荷預測是負荷預測的重要組成部分，它對于機組最優組合、經濟調度、最優潮流、電力市場交易等都有著重要意義，負荷預測精度越高，越有利于提高發電設備的利用率和加強經濟調度的有效性。

BP神經網絡等機器學習算法作為常用的短期負荷預測方法，具有很強的自學習能力和復雜的非線性函數擬合能力，對大量非結構性、非精確性規律具有自適應能力，具有信息記憶、自主學習、知識推理和優化計算的特點。但輸入樣本的選取對訓練結果能否體現電力負荷的運行規律具有重要作用，輸入量過少會影響模型的精確性，過多則會影響訓練的收斂速度與收斂性。

此外，在目前的短期負荷預測方法中，關于利用氣象因素來提高預測精度是常用的方法之一。然而，氣象因素對負荷預測的影響較為復雜：一是氣象因素種類眾多，如最高溫度、最低溫度、平均溫度、平均濕度、平均降雨量、平均氣壓等，全部作為輸入數據會影響訓練的收斂速度和收斂性；二是各類氣象因素在不同季節及不同行業的背景下，對負荷預測效果的影響有所不同。

因此，亟需一種關鍵氣象因素提取方法，從而來提高短期負荷預測精度。

發明內容

為了解決上述問題，本發明實施例提供一種短期負荷預測方法及系統。

第一方面，本發明實施例提供一種短期負荷預測方法，包括：

獲取目標行業中目標電網的歷史負荷數據和若干歷史氣象數據；

計算每一歷史氣象數據與所述目標電網的歷史負荷數據之間的相關系數，獲取每一歷史氣象數據對應的相關系數；

計算每一歷史氣象數據對應的相關系數的可信度，將相關系數大于第一預設閾值、且可信度大于第二預設閾值的歷史氣象數據作為備選氣象數據；

計算每一備選氣象數據與所述目標電網的歷史負荷數據之間的偏相關系數，獲取每一備選氣象數據對應的偏相關系數；

計算每一備選氣象數據對應的偏相關系數的可信度，將偏相關系數大于所述第一預設閾值、且可信度大于所述第二預設閾值的備選氣象數據作為所述目標行業的關鍵氣象數據；

根據所述目標行業在預測時間的關鍵氣象數據，對所述目標電網進行負荷預測。

優選地，所述獲取目標行業中目標電網的歷史負荷數據和若干歷史氣象數據之前還包括：

獲取所述目標行業中所述目標電網的初始歷史負荷數據和若干初始歷史氣象數據；

對所述目標電網的初始歷史負荷數據和若干初始歷史氣象數據進行缺失值補全、異常值修正或剔除處理；

將預處理后的初始歷史負荷數據作為所述目標電網的歷史負荷數據，將預處理后的初始歷史氣象數據作為所述歷史氣象數據。

優選地，所述計算每一歷史氣象數據與所述目標電網的歷史負荷數據之間的相關系數，獲取每一歷史氣象數據對應的相關系數，具體包括：