[发明专利]一种电力负荷预测方法及预测装置

权利要求书

1.一种电力负荷预测方法，其特征在于，包括：

获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型；

对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类，将电力负荷曲线特性相似的公变台区聚为一簇；

构建LSTM-Attention神经网络模型，其中，LSTM表示长短期记忆网络，Attention表示注意力机制；

获取待预测的公变台区，确定所述待预测的公变台区所属的簇；

根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型，采用迭代预测的方式，对待预测的公变台区的每相电力负荷进行预测；

每相电力负荷数据包括：区县单位、负荷值、日期、台区唯一标识、供电单位、台区名称、台区容量、电流互感器变比、电压互感器变比、行业类型、公专变标志、线路编号、线路名称；

所述气象数据包括：台站编号、日期、温度、气压、湿度、风速；

所述获取多个公变台区的三相电力负荷数据及其对应的气象数据包括：

获取多个公变台区的三相电力负荷数据和气象数据；

确定第一公变台区内的公共变压器的台站编号信息，将所述台站编号信息对应的气象数据作为影响第一公变台区的每相电力负荷的区域气象数据，其中，第一公变台区为任一公变台区；

将日期相同的第一公变台区的每相电力负荷数据与所述区域气象数据进行合并，得到第一公变台区的三相电力负荷数据及其对应的气象数据；

所述根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型，采用迭代预测的方式，对待预测的公变台区的每相电力负荷进行预测包括：

根据所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型，以预设天数为一个时间窗口进行循环迭代，对构建的LSTM-Attention神经网络模型进行训练、并预测待预测的公变台区的每相电力负荷数据。

2.根据权利要求1所述的电力负荷预测方法，其特征在于，在确定第一公变台区内的公共变压器的台站编号信息，将所述台站编号信息对应的气象数据作为影响第一公变台区的每相电力负荷的区域气象数据之前，所述方法还包括：

对获取的多个公变台区的三相电力负荷数据和气象数据进行数据清洗，其中，所述数据清洗包括：缺失数据处理、异常数据处理和重复数据处理；

对数据清洗过的三相电力负荷数据和气象数据进行质量检查，若不符合预设的要求，则按照数据清洗中的异常数据处理方式进行数据处理，直到满足预设的要求。

3.根据权利要求1所述的电力负荷预测方法，其特征在于，在获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型之后，所述方法还包括：

通过Hadoop分布式文件系统对获取的多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型进行分布式存储。

4.根据权利要求1所述的电力负荷预测方法，其特征在于，所述对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类，将电力负荷曲线特性相似的公变台区聚为一簇包括：

提取每个公变台区每相电力负荷值，确定每个公变台区每相的年平均电力负荷值作为该公变台区该相的聚类样本；

统计所有的公变台区的同一相的聚类样本作为聚类数据集；

基于Spark引擎，采用K-means聚类算法对所述聚类数据集进行K-均值聚类，将电力负荷曲线特性相似的公变台区聚为一簇，得到簇集合。

5.根据权利要求1所述的电力负荷预测方法，其特征在于，所述构建LSTM-Attention神经网络模型并进行训练包括：

采用单模型多变量方法，构建LSTM-Attention神经网络模型。

6.一种电力负荷预测装置，其特征在于，包括：

第一获取模块，用于获取多个公变台区的三相电力负荷数据及其对应的气象数据、星期类型；

聚类模块，用于对获取的所有公变台区的同一相的电力负荷数据中的电力负荷值进行聚类，将电力负荷曲线特性相似的公变台区聚为一簇；

构建模块，用于构建LSTM-Attention神经网络模型，其中，LSTM表示长短期记忆网络，Attention表示注意力机制；

第二获取模块，用于获取待预测的公变台区，确定所述待预测的公变台区所属的簇；

预测模块，用于根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型，采用迭代预测的方式，对待预测的公变台区的每相电力负荷进行预测；

每相电力负荷数据包括：区县单位、负荷值、日期、台区唯一标识、供电单位、台区名称、台区容量、电流互感器变比、电压互感器变比、行业类型、公专变标志、线路编号、线路名称；所述气象数据包括：台站编号、日期、温度、气压、湿度、风速；

所述获取多个公变台区的三相电力负荷数据及其对应的气象数据包括：

获取多个公变台区的三相电力负荷数据和气象数据；确定第一公变台区内的公共变压器的台站编号信息，将所述台站编号信息对应的气象数据作为影响第一公变台区的每相电力负荷的区域气象数据，其中，第一公变台区为任一公变台区；将日期相同的第一公变台区的每相电力负荷数据与所述区域气象数据进行合并，得到第一公变台区的三相电力负荷数据及其对应的气象数据；

所述根据构建的LSTM-Attention神经网络模型及所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型，采用迭代预测的方式，对待预测的公变台区的每相电力负荷进行预测包括：根据所述待预测的公变台区所属的簇中的相似性公变台区对应的三相电力负荷数据、气象数据和星期类型，以预设天数为一个时间窗口进行循环迭代，对构建的LSTM-Attention神经网络模型进行训练、并预测待预测的公变台区的每相电力负荷数据。