[发明专利]一种电力负荷预测方法、系统、设备和计算机可读存储介质

权利要求书

1.一种电力负荷预测方法，其特征在于，包括如下步骤：

步骤A、采集电力负荷数据以及与负荷有关的气象数据；

步骤B、对气象因素与负荷、时间进行关联度分析，剔除与负荷关联度较低的气象因素，保留与负荷关联度较高的气象因素；

步骤C、将保留的气象数据分为时序性和非时序性气象数据；

步骤D、利用经验模态分解算法对非时序性气象数据进行分解；

步骤E、利用时间卷积网络模型对时序性气象数据进行降维，得到负荷的最优估计值；

步骤F、以步骤D中分解后的气象数据和步骤E中负荷的最优估计值为输入，负荷数据为输出，代入GRNN模型进行训练，利用训练好的模型进行预测，得到预测结果。

2.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述步骤A中，采集的气象数据为温度数据和降雨量数据，温度数据包括最高气温、平均气温和最低气温。

3.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述步骤B中，关联度分析过程如下：

步骤B1、确定反映系统行为特征的参考数列和影响系统行为的比较数列，其中，参考数列为负荷数据，比较数列为任意两种气象数据；

步骤B2、利用均值化处理，将比较数列中每种类型的气象数据进行无量纲化；

步骤B3、计算关联度的三个指标，即支持度、置信度和提升度，得出任意两种气象因素中与负荷关联度较高的因素。

4.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述步骤D中，利用经验模态分解算法对非时序性气象数据进行分解过程如下：

步骤D1、将初始数据中所有的局部极大值点用三次样条函数连接作为上包络线，所有局部极小值点用三次样条函数连接作为下包络线；

步骤D2、求解上、下包络线的均值以及初始数据与均值之间的差值h₁(t)；

步骤D3、判断初始数据与均值之间的差值h₁(t)是否满足IMF分量序列的条件，若不满足，令当前差值作为筛选后新的初始数据，重复步骤D1、D2和D3；若满足，当前差值为最高频率IMF分量，令初始数据减去当前差值后的余项作为筛选后新的初始数据，重复步骤D1、D2和D3，直到余项变成具有单调性的函数或者常数；

步骤D4、若余项变成具有单调性的函数或者常数时，在之前的迭代过程中已生成若干最高频率IMF分量，则初始数据被分解为若干最高频率IMF分量和最终的余项之和。

5.根据权利要求4所述的一种电力负荷预测方法，其特征在于，所述步骤D3中，当前差值成为最高频率IMF分量的条件为：

其中，h_1(k-1)(t)和h_1k(t)分别是在对数据进行第k-1和第k次筛选后得到的数据子集，D_k为0.2～0.3。

6.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述步骤E中，时间卷积网络模型以时序性气象数据为输入、负荷数据为输出，以损失函数值最小为目标按照阶梯下降最快的方向不断的迭代训练，最终训练得到负荷数据与输入的时序性气象数据之间的非线性隐含关系，进而得到负荷的最优估计值。

7.一种实现权利要求1至6任一所述的电力负荷预测方法的系统，其特征在于，所述系统包括采集模块、关联度模块、时序分解模块、分解模块、降维模块和预测模块，其中，

采集模块用于采集负荷数据和气象数据；

关联度模块用于对气象数据与负荷数据、时间进行关联度分析；

时序分解模块用于将保留的气象数据分为时序性和非时序性气象数据；

分解模块用于利用经验模态分解算法对非时序性气象数据进行分解；

降维模块用于利用时间卷积网络模型对时序性气象数据进行降维，得到负荷的最优估计值；

预测模块用于以分解后的气象数据和负荷的最优估计值为输入，负荷数据为输出，代入GRNN模型进行训练，利用训练好的模型进行预测，获得预测结果。