[发明专利]一种短期负荷预测方法

说明书

技术领域

本发明涉及电力系统技术领域，尤其涉及一种短期负荷预测方法。

背景技术

短期负荷预测一向是电力系统的重要操作和规划途径，它影响着电力系统的 诸多决策，如经济调度、自动发电控制、安全评估等。准确的电力负荷预测能够 经济合理地安排电力系统发电机组启停，对于保持电网运行的安全稳定、保持社 会的正常生产和生活、有效降低发电成本有着重要作用。

在大数据时代，随着电网智能化程度的加深，用电数据存储规模将从目前的 GB级增长到TB级，甚至PB级。同时，为了保证精细化、准确化控制，数据 维度也从几十向上百过渡。

现有的短期负荷预测方法，如基于支持向量机、BP神经网络的预测方法等 在面临海量高维的训练数据时，会面临训练时间过长、困于局部极小值、容易过 拟合等问题。同时，如何从海量数据中排除噪声数据，提取有效信息也是一个难 点。

发明内容

本发明所要解决的技术问题在于克服现有技术不足，提供一种短期负荷预测 方法，可有效去除海量历史数据中的噪声，同时避免常规神经网络所易于出现的 过拟合和局部极小值问题，从而实现准确、快速的短期负荷预测。

本发明具体采用以下技术方案解决上述技术问题：

一种短期负荷预测方法，包括预测模型构建阶段和预测阶段，所述预测模型 构建阶段包括以下步骤：

步骤1、通过聚类分析方法将历史日负荷数据分为不同的类型，并以每一类 型的聚类中心作为该类型的典型日负荷数据；

步骤2、对每一个历史日负荷数据，以其所对应的日负荷数据类型相关因素 的数据作为输入，以该历史日负荷数据所属类型作为期望输出，构建分类器训练 集；利用所述分类器训练集对深度学习神经网络进行训练，得到日负荷分类器；

步骤3、对一日中的每个时刻，分别训练预测器，具体如下：对于该时刻所 对应的每一个历史时刻负荷数据，首先根据该历史时刻负荷数据所在的历史日负 荷数据所属类型确定相应的典型日负荷数据，然后以该典型日负荷数据中对应时 刻的负荷数据作为该历史时刻负荷数据所对应的典型时刻负荷数据，并以该历史 时刻负荷数据所对应的时刻负荷数据相关因素的数据以及该历史时刻负荷数据 所对应的典型时刻负荷数据作为输入，以该历史时刻负荷数据作为期望输出，构 建该时刻的预测训练集；利用该时刻的预测训练集训练一个深度学习神经网络， 得到该时刻所对应的预测器；

所述预测阶段包括以下步骤：

步骤4、将待预测日的日负荷数据类型相关因素的数据输入所述日负荷分类 器，得到待预测日的日负荷数据类型；

步骤5、首先根据待预测日的日负荷数据类型确定相应的典型日负荷数据， 然后以该典型日负荷数据中与待预测日待预测时刻相对应时刻的负荷数据作为 待预测日待预测时刻所对应的典型时刻负荷数据，将待预测日中待预测时刻的时 刻负荷数据相关因素的数据以及待预测日待预测时刻所对应的典型时刻负荷数 据输入与该待预测时刻相对应的预测器，预测器的输出即为待预测日中待预测时 刻的预测负荷。

所述日负荷数据类型相关因素可采用现有负荷预测技术中所常用的相关因 素，例如气候数据、星期属性等，优选地，所述日负荷数据类型相关因素包括以 下因素中的至少一种：星期属性、前1日的日负荷数据类型、前1日的最大负荷、 上周对应日的日负荷数据类型、当日的气温、前1日的气温。

所述时刻负荷数据类型相关因素可采用现有负荷预测技术中所常用的相关 因素，例如气候数据、星期属性等，优选地，所述时刻负荷数据相关因素包括以 下因素中的至少一种：星期属性、前1日对应时刻负荷、前1日上一时刻负荷、 上周对应日的对应时刻负荷、当日的气温、前1日的气温。

所述聚类分析可采用现有的各种聚类分析方法，优选地，所述聚类分析方法 为k-means聚类分析方法。

优选地，用于训练日负荷分类器的深度学习神经网络为深度置信网络，用于 训练预测器的深度学习神经网络为深度自编码器网络。

为了提高整个预测流程的效率，进一步地，所述预测模型构建阶段基于Spark 分布式内存计算框架实现。

相比现有技术，本发明具有以下有益效果：