[发明专利]能源负荷短期预测方法、装置、计算机设备及存储介质

说明书

本发明公开了能源负荷短期预测方法、装置、计算机设备及存储介质。该方法包括：利用组合小波变换对原始能源负荷数据进行分解，获取二阶近似分量、二阶细节分量和一阶细节分量；获取与能源负荷短期预测相关的外生变量，并将所述外生变量与二阶近似分量、二阶细节分量和一阶细节分量进行结合，得到Arima模型样本集和RNN模型样本集；利用Arima模型对Arima模型样本集进行学习并得到趋势预测结果；利用RNN模型对RNN模型样本集进行学习并得到细节预测结果；将所述趋势预测结果与所述细节预测结果进行综合，得到最终的能源负荷短期预测结果。本发明在整体短期预测精度上具有明显的改善。

技术领域

本发明涉及能源负荷预测领域，尤其涉及能源负荷短期预测方法、装置、计算机设备及存储介质。

背景技术

随着社会的发展和人们生活水平的提高，能源消费呈现持续快速增长趋势，但发展的同时也面临着能源管网如何设计优化、能源设施如何建设、能源公司购进能源与实际市场使用量不匹配等难题。针对上述问题，研究一套合理的能源负荷预测方法及系统十分必要。能源负荷的中长期预测通常以月或年为计时单位，为确定生产力、宏观决策提供依据；短期预测通常以日为计时单位，直接关系能源采购与存储计划，但其受温度、节假日、天气、突发事件、历史信息等多种因素同时影响表现出非线性，预测更加复杂。

目前用于能源负荷短期预测的方法主要包括专家预测、回归预测、时间序列分析、神经网络预测和组合预测等，这些方法各有优劣，主要表现在以下几个方面：

专家预测系统是指由专家团队构成的人工预测系统，他们利用丰富的业务积累、专业的技术经验支撑起能源负荷预测任务，往往可以考虑十分全面、预测十分准确。但打造这样一个团队需要巨大的人力成本，而且城市地区间情况有所差异，维护这样一个团队的优越性需要不断扩充知识体系，同时依赖于个人的系统不能充分地保障稳定性也不能完全摒弃主观因素的影响。

回归预测是确定自变量与因变量定量关系的一种统计分析方法，其通过分析历史数据确定变量间的内在规律与联系，并由给定的自变量推测因变量。对于能源负荷预测问题，负荷显然是因变量，而自变量则涉及温度、节假日、天气、突发事件、地区发展水平、用户规模、城镇规划目标、工业产出计划等相关因素，想要寻找一个合适的模型来拟合这种多变量的非线性关系是十分困难的，同时全部获取这些信息也是不可能的，比如工业产出计划就可能涉及到企业商业机密。

时间序列分析法建立在数据变化平稳、预测时间内数据发展变化趋势不变的基础上，通过对历史信息进行统计分析来预测未来的发展趋势。其在解决短期预测问题时表现突出，最经典的模型便是自回归移动平均模型(ARIMA,Autoregressive IntegratedMoving Average Model)，广泛应用于各个领域。然而，该方法也存在一定的局限性，它要求时序数据是平稳的或者差分处理后是平稳的，同时该线性模型本质上不能捕捉非线性关系，这就导致其不能很好地解决复杂外生变量引起的非线性和高频抖动问题。

深度学习自被提出以来，已为各个领域取得突破性进展，无论是有监督的计算机视觉、语音信号处理、自然语言处理，无监督的聚类、特征提取，还是强化学习的AlphaGo、游戏脚本、自动驾驶，大有无所不能的架势。但不能忽视的是网络深度、宽度换来的高度表达能力建立在大数据、复杂计算的基础上，同时其作为一个黑盒可解释性往往较差且存在过拟合的可能性。如果想利用神经网络进行能源负荷预测，分析清内生变量和外生变量的关系，建立合理的样本集模型和标签，选择合适的神经网络模型和训练方法，让网络学习到正确的特征是十分必要的。

无论是上述哪一种预测方式，对于能源负荷的短期预测仍无法达到较好的预测精度。

发明内容

本发明实施例提供了一种能源负荷短期预测方法、装置、计算机设备及存储介质，旨在解决现有能源负荷短期预测方法预测精度不足的问题。

第一方面，本发明实施例提供一种能源负荷短期预测方法，其包括：