[发明专利]一种电力负荷短期预测方法、模型、装置及系统

说明书

本发明公开了一种电力负荷短期预测方法、模型、装置及系统，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；采用小波分解对历史负荷数据进行处理，进行多尺度分解得到四个历史负荷重构数据序列，分别与影响因素数据进行相关性度量，得到各重构负荷特征与影响因素的相关特征数据集合；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，并对初步预测结果进行进一步的优化，最终获取电力短期负荷预测值，作为电力负荷调度参考数据。

技术领域

本公开属于电力系统的技术领域，涉及一种电力负荷短期预测方法、模型、装置及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

在电力系统运营过程中，为完成输电和电能交易，并保障电力系统的安全稳定运行和电能质量，电能-负荷平衡成为电网安全稳定控制的核心环节。随着能源供给侧改革、电力市场化改革的逐步推进，电网企业面临着电网形态复杂化、电力市场化倒逼、信息经济爆发打造多变市场等挑战，电力系统供电质量直接影响电力用户对供电服务的满意度，尤其数据中心、半导体生产线、医院、高档写字楼等对供电质量的可靠性要求越来越高，然而我国能源分布在北部、西部，负荷集中在东部、南部和中部，西电东输、北电南送需求大、跨域距离远，而电能存在不能大量储存的现状，故对电力负荷预测精度要求高。

同时，绿色能源革命和能源结构转型形成能源发展新格局，可再生能源发电的比例接入与消纳、新能源电动汽车、智能家居、智能设备等大量并网导致负荷动态影响因素增多，其随机性、间歇性对电网安全稳定运行带来重大挑战，随机扰动冲击、暂态、动态、频率、电压、功角等多种稳定性问题耦合交织，用电负荷的不确定性和波动性对运行状态影响大，电网稳定控制难度高，亟需利用负荷预测通过破解能源生产和消费的不同步性，使能源在时间和空间上具有可平移性，在多尺度实现源-网-荷-储协调运行，进而避免大停电事故发生，保证电网具备稳定控制措施和调峰调频的优质供电服务。

当前电力负荷预测主要基于历史用电数据预测未来的用电需求，传统预测方法主要为三次指数平滑法，即基于上一时间段电力负荷数据，结合当前时间步长数据中包含的季节、政策等信息，由一个可调整的参数来控制新旧数据权重，权值呈指数级递减的移动平均，且呈现固定时间段的季节性变化，通过自动识别数据模式的变化而加以调整生成短期电力负荷预测数据，然而该方法对数据的突变点缺乏检测能力及自适应学习能力，且预测精度难以保证；长短期记忆神经网络(long short-termmemory networks，LSTM)作为深度学习框架的热门模型，因其学习能力强、善于拟合时间序列数据成为解决短期预测问题的理想解决方案，然而高预测精准度导致隐藏层级增多的同时带来模型的高复杂度，不仅造成参数过多导致模型训练学习困难，更使模型存在脆弱性、稳健性差和泛化性低等问题，尤其对细节扰动缺乏甄别力，脱离预期的误差数据往往导致模型预测产生不可估量错误。

发明内容

针对现有技术中存在的不足，本公开的一个或多个实施例提供了一种电力负荷短期预测方法、模型、装置及系统，结合影响因素分析、小波分解特征放大、三次指数平滑时间序列分析及长短期记忆神经网络，通过构建的电力负荷短期预测模型进行电力负荷短期预测，有效提高负荷预测的准确性。

根据本公开的一个或多个实施例的一个方面，提供一种电力负荷短期预测方法。

一种电力负荷短期预测方法，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样本所属行业类别数据，对影响因素采用与负荷数据相对应的量化方法进行量化；