[发明专利]一种基于天气因素的电力负荷的预测方法和预测系统

说明书

本申请提供了一种基于天气因素的电力负荷的预测方法和预测系统，涉及数据处理领域。该方法包括：获取电路负荷数据，以及与所述电路负荷数据相对应的天气数据，所述电路负荷数据为待预测时间之前的电路负荷数据；将所述电路负荷数据作为输入数据进行监督学习，获取样本；获取经过设置的Bi‑LSTM神经网络超参数，根据所述样本的训练集进行Bi‑LSTM神经网络训练，获取经过训练的Bi‑LSTM模型；将所述样本的测试集添加到所述经过训练的Bi‑LSTM模型，获取作为输出数据的待测试时间的测试结果。本申请可以准确的预测短时间内的电力负荷。

技术领域

本申请属于数据处理领域，尤其涉及一种基于天气因素的电力负荷的预测方法和预测系统。

背景技术

随着智能电表的日益普及，智能电网技术的日益成熟，可靠的电力负荷预测技术能有效地对调度问题和运行规划起到重要作用，减少能源损耗。居民用电是所有用电中不可忽视的部分，针对居民用电的电力负荷预测能大大减少电路损耗，具有节约能源和降低成本等优点。

电力负荷预测的问题可以分成：超短期、短期、中期、长期；超短期预测是预测几秒或者几分钟到小时，短期一般范围是以小时为主，有可能到天，中期、长期预测一般是指月或者年。居民用电的短期预测在考虑到人为因素和天气因素的情况下，具有周期性、波动性和时变性等特点，因此现有技术并不能准确的预测短期的电力负荷。

发明内容

本发明实施例的主要目的在于提供一种基于天气因素的电力负荷的预测方法和预测系统，通过本发明实施例的方案，可以准确的预测短时间内的电力负荷。

第一方面，提供了一种基于天气因素的电力负荷的预测方法，包括：

获取电路负荷数据，以及与所述电路负荷数据相对应的天气数据，所述电路负荷数据为待预测时间之前的电路负荷数据；

将所述电路负荷数据作为输入数据进行监督学习，获取样本；

获取经过设置的Bi-LSTM神经网络超参数，根据所述样本的训练集进行Bi-LSTM神经网络训练，获取经过训练的Bi-LSTM模型；

将所述样本的测试集添加到所述经过训练的Bi-LSTM模型，获取作为输出数据的待测试时间的测试结果。

在一个可能的实现方式中，所述天气数据包括：温度、湿度、风速、露点。

在另一个可能的实现方式中，所述Bi-LSTM神经网络超参数，包括：用Keras搭建Bi-LSTM神经网络，通过实验来确定需要Bi-LSTM的层数，输入层、Bi-LSTM层、输出层的节点数，选择MAE作为损失函数，选择adam作为优化器，选择relu函数作为激活函数。

在又一个可能的实现方式中，所述预测方法还包括：

对所述电路负荷数据进行归一化处理，补充所述电路负荷数据的缺失值。

在又一个可能的实现方式中，所述样本的训练集与测试集的比例为4：1。

第二方面，提供了一种基于天气因素的电力负荷的预测系统，所述预测系统包括：

数据获取模块，用于获取电路负荷数据，以及与所述电路负荷数据相对应的天气数据，所述电路负荷数据为待预测时间之前的电路负荷数据；

样本获取模块，用于将所述电路负荷数据作为输入数据进行监督学习，获取样本；

Bi-LSTM模型获取模块，用于获取经过设置的Bi-LSTM神经网络超参数，根据所述样本的训练集进行Bi-LSTM神经网络训练，获取经过训练的Bi-LSTM模型；

测试结果获取模块，用于将所述样本的测试集添加到所述经过训练的Bi-LSTM模型，获取作为输出数据的待测试时间的测试结果。