[发明专利]基于矩阵分解的电力负荷预测方法、装置及设备

说明书

本发明公开了一种基于矩阵分解的电力负荷预测方法，包括获取电力负荷序列数据集，分别对各用户的序列数据进行组合，得到各电能量数据矩阵；对各电能量数据矩阵进行矩阵分解，得到各用户的电能量时间序列因子矩阵和电能量时序依赖因子矩阵；利用回声状态网络计算用户的下一预设时刻的电能量时序依赖因子；通过对各用户的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各用户的下一预设时刻的电力负荷值。应用本发明实施例所提供的技术方案，增强了复杂动态性的建模能力，较大地提高了对电力负荷数据的预测精度。本发明还公开了一种基于矩阵分解的电力负荷预测装置、设备及存储介质，具有相应技术效果。

技术领域

本发明涉及电力负荷预测技术领域，特别是涉及一种基于矩阵分解的电力负荷预测方法、装置、设备及计算机可读存储介质。

背景技术

电力负荷预测是经济调度、调度安排以及决定负荷高峰使机组安全运行决策的重要基础，同时也为市场环境下合理地安排电量生产及供电调度等提供了重要保证。电力负荷值由于受到电力系统运行状况、本地用电消费水平、市场供求关系变化等因素的交互式影响，这些因素构成了电力系统的非线性特性。

由于神经网络具有很强的自学习和非线性拟合能力，很适合用来解决电力负荷预测问题，所以近年来，很多研究利用神经网络技术的优势，来解决负荷预测问题。例如，将BP神经网络，RBF神经网络和小波神经网络等应用于电力负荷预测。上述几种神经网络虽然建立了模型，对电力负荷进行预测，但是没有考虑序列间的关联信息，对电力负荷数据的预测精度低。

综上所述，如何有效地解决现有的对电力负荷数据的预测方式没有考虑序列间的关联信息，对电力负荷数据的预测精度低等问题，是目前本领域技术人员急需解决的问题。

发明内容

本发明的目的是提供一种基于矩阵分解的电力负荷预测方法，该方法增强了复杂动态性的建模能力，较大地提高了对电力负荷数据的预测精度；本发明的另一目的是提供一种基于矩阵分解的电力负荷预测装置、设备及计算机可读存储介质。

为解决上述技术问题，本发明提供如下技术方案：

一种基于矩阵分解的电力负荷预测方法，包括：

获取电力负荷序列数据集，并分别对所述电力负荷序列数据集中各用户的序列数据进行组合，得到各所述用户分别对应的电能量数据矩阵；

分别对各所述电能量数据矩阵进行矩阵分解，得到各所述用户分别对应的电能量时间序列因子矩阵和电能量时序依赖因子矩阵；

分别将各所述用户对应的电能量时序依赖因子矩阵输入到回声状态网络中，计算得到各所述用户分别对应的下一预设时刻的电能量时序依赖因子；

分别通过对各所述用户对应的电能量时间序列因子矩阵和下一预设时刻的电能量时序依赖因子进行矩阵运算，预测各所述用户分别对应的下一预设时刻的电力负荷值。

在本发明的一种具体实施方式中，当存在电能量数据矩阵中的电力负荷数据的数量级或量纲不一致时，在得到各所述用户分别对应的电能量数据矩阵之后，分别对各所述电能量数据矩阵进行矩阵分解之前，还包括：

将电力负荷数据的数量级或量纲不一致的电能量数据矩阵确定为目标矩阵；

对所述目标矩阵中的各所述电力负荷数据进行归一化操作。

在本发明的一种具体实施方式中，分别对各所述电能量数据矩阵进行矩阵分解，包括：

利用非负矩阵分解算法分别对各所述电能量数据矩阵进行矩阵分解。

在本发明的一种具体实施方式中，在预测各所述用户分别对应的下一预设时刻的电力负荷值之后，还包括：

分别获取各所述用户下一预设时刻的真实电力负荷值；