[发明专利]一种负荷聚合商短期负荷预测方法、装置及设备

说明书

本申请公开了一种负荷聚合商短期负荷预测方法、装置及设备，通过DBSCAN聚类法得到历史日负荷日曲线的聚类结果，聚类结果中包括总类数，再将对应历史日负荷日曲线的历史日日期类型和历史日气温通过高斯分类器与聚类结果中的类数进行对应，得到训练后的高斯分类器，从而使得能够根据预测日日期类型和预测日气温，通过训练后的高斯分类器得到对应的类数，最后根据类数，利用训练后的LSTM网络得到预测日负荷日曲线，解决了短期电力负荷预测受到天气、季节、节假日和经济等多种因素影响，负荷变化具有随机性、自相似性、突发性、混沌性，导致的预测结果与实际需求有一定的差距的技术问题。

技术领域

本申请涉及负荷预测技术领域，尤其涉及一种负荷聚合商短期负荷预测方法、装置及设备。

背景技术

电力系统短期负荷预测是根据电力系统的运行情况、气象因素条件、增容策略、节假日规律以及经济影响等诸多因素，在满足尽量高精度的要求下，预测未来某特定时刻某地区全社会的电力需求量。很多研究人员以时间为间隔将电力负荷预测分为三类：长期电力负荷预测(1年到10年)；中期电力负荷预测(1个月到1年)和短期电力负荷预测(1个小时到1天或一个星期)。其中在每日层面的预测均属于短期负荷预测。负荷预测需要根据电力负荷的过去值去推算其未来的数值，负荷的数值作为随机事件事件，这使得负荷预测具有不确定性、条件性、时间性、多方案性等特点。短期电力负荷预测是保障电网安全稳定运行和提高市场配置电能资源的主要依据，准确预测短期电力负荷可以优化整个系统供用电模式，因此准确、及时的短期电力负荷预测是成为当前电力市场主体共同关注的焦点。

目前已经提出了一些统计模型，传统短期电力负荷预测方法主要有回归分析、趋势外推和时问序列等。这些方法基于线性建模，然而，短期电力负荷预测受到天气、季节、节假日和经济等多种因素影响，负荷变化具有随机性、自相似性、突发性、混沌性，导致了预测结果与实际需求有一定的差距的技术问题。

发明内容

本申请实施例提供了一种负荷聚合商短期负荷预测方法、装置及设备，解决了短期电力负荷预测受到天气、季节、节假日和经济等多种因素影响，负荷变化具有随机性、自相似性、突发性、混沌性，导致的预测结果与实际需求有一定的差距的技术问题。

有鉴于此，本申请第一方面提供了一种负荷聚合商短期负荷预测方法，所述方法包括：

获取历史数据集，所述历史数据集包括历史日负荷日曲线、历史日日期类型和历史日气温；

利用DBSCAN聚类法对所述历史日负荷日曲线进行聚类分析，得到包括总类数的聚类结果；

通过所述历史日日期类型、所述历史日气温以及所述聚类结果对高斯分类器进行训练，得到训练后的高斯分类器；

构建LSTM网络，并利用所述训练后的高斯分类器的输出以及所述历史日负荷日曲线对所述LSTM网络进行训练，得到训练后的LSTM网络；

根据预测日日期类型和预测日气温，利用所述训练后的高斯分类器以及所述训练后的LSTM网络，生成预测日负荷日曲线。

可选地，所述通过所述历史日日期类型、所述历史日气温以及所述聚类结果对高斯分类器进行训练，得到训练后的高斯分类器具体包括：

以所述历史日日期类型和所述历史日气温作为高斯分类器的输入，将所述聚类结果为输出目标对所述高斯分类器进行训练，得到训练后的高斯分类器。

可选地，所述构建LSTM网络，并利用所述训练后的高斯分类器的输出以及所述历史日负荷日曲线对所述LSTM网络进行训练，得到训练后的LSTM网络具体包括：

构建深度LSTM网络，所述深度LSTM网络包括两层LSTM网络与单层感知器网络；

利用所述训练后的高斯分类器的输出的类数以及所述历史日负荷日曲线对所述深度LSTM网络进行训练，得到训练后的深度LSTM网络；