[发明专利]一种电力负荷短期预测方法、模型、装置及系统

权利要求书

1.一种电力负荷短期预测方法，其特征在于，该方法包括：

接收负荷数据，并对其缺失数据进行数据补全；

接收影响因素数据，所述影响因素数据包括气温数据、节假日数据和电力用户所属行业类别数据，对影响因素采用与负荷数据相对应的量化方法进行量化；

采用小波分解对负荷数据进行处理，并进行消噪和特征提取得到四个序列，分别与影响因素数据进行相关性分析，得到负荷特征与影响因素的相关对的集合；

将根据负荷数据得到的四个序列采用三次指数平滑算法进行初步预测，将负荷特征与影响因素的相关对的集合采用ARIMA-GARCH法预测得到调整因子，将初步预测结果与调整因子输入长短期记忆网络得到最终预测结果，以作为电力负荷调度参考数据；

在该方法中，所述相关性分析中，对于气温数据和节假日数据相关性分析中采用皮尔森相关系数分析法分别对小波分解后的各重构子序列与量化后的气温数据和节假日数据做相关性度量，得到重构子序列与气温数据和节假日数据的相关特征数据集合；

在该方法中，对负荷数据的缺失数据釆用改进kNNI法进行数据补全，所述改进kNNI法进行数据补全是通过分析接收的负荷数据内部之间的关系，得到负荷数据之间存在的规律性，推测缺失的数据进行数据补全。

2.如权利要求1所述的一种电力负荷短期预测方法，其特征在于，

所述改进kNNI法的具体步骤包括：

基于接收的负荷数据对用户进行聚类；

选择某一日期且与负荷数据待补全用户同类簇的用户负荷曲线，计算其他用户负荷曲线与待补全用户的负荷曲线的弗雷歇距离，并按从小到大的顺序排序，选择前k个用户的负荷曲线作为计算缺失值的源数据；

将前k个用户与待补全用户的弗雷歇距离进行归一化处理，得到归一化序列，并与1做差作为每条负荷数据的权重；

将k条数据与缺失数据同一时刻的负荷值加权求和作为补全值，对负荷数据的缺失数据进行数据补全。

3.如权利要求1所述的一种电力负荷短期预测方法，其特征在于，在该方法中，所述对影响因素采用与负荷数据相对应的量化方法进行量化包括对气温数据的处理和对节假日数据的处理；

对气温数据的处理的具体步骤包括：

获取每日24点的气温值作为初始气温数据的气温集合、相对湿度集合、风力集合和采集天数集合；

用户户每日所用总负荷表示为基础用电负荷和气温敏感负荷之和，基础用电负荷为春秋季平稳负荷序列平均值，利用用户户每日所用总负荷与基础用电负荷计算气温敏感负荷，得到量化后的气温数据；

对节假日数据的处理的具体步骤包括：

获取所述负荷数据对应节假日和周末的负荷数据，将节假日和周末负荷数据按每天24个时间段划分，将节假日每一时段与节假日之前与节假日之后的相同时段比较，得到量化后的节假日数据。

4.如权利要求1所述的一种电力负荷短期预测方法，其特征在于，在该方法中，具体采用小波3层分解重构处理负荷数据，基于Haar小波采用Mallat算法对负荷数据进行分解和重构，将信号分解为不同频带分量，得到重构子序列。

5.如权利要求1所述的一种电力负荷短期预测方法，其特征在于，对于电力用户所属行业类别数据与用户样本用电负荷数据相关性分析中，将各类电力用户样本用电负荷特征数据进行归一化，对于同一类型标签下的所有用户的重构子序列，分别按照四个重构子序列采用自组织映射神经网络聚类法进行聚类，得到重构子序列与电力用户所属行业类别的相关对集合，形成各类行业典型负荷数据。

6.如权利要求1所述的一种电力负荷短期预测方法，其特征在于，在该方法中，将根据负荷数据得到的四个序列采用累乘的三次指数平滑算法进行初步预测，得到初步预测结果；

将负荷特征与影响因素的相关对的集合采用ARIMA-GARCH法预测每个序列的方差波动，将此结果作为各因素调整因子；

将初步预测结果与调整因子作为长短期记忆网络的输入进行回归拟合，通过小波逆变换得到最终预测结果。