[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

说明书

本发明公开了一种电力负荷预测方法、系统、设备和计算机可读存储介质，方法包括如下步骤：采集电力负荷数据以及与负荷有关的气象数据；对气象因素与负荷、时间进行关联度分析，保留与负荷关联度较高的气象因素；将保留的气象数据分为时序性和非时序性气象数据；利用经验模态分解算法对非时序性气象数据进行分解；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；将分解后的气象数据、负荷的最优估计值和负荷数据代入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。本发明的方法可以有效的去除噪声、提高负荷预测精度、降低建模任务量，从而验证了所提模型的可行性。

技术领域

本发明属于电力负荷预测技术领域，特别涉及一种电力负荷预测方法、系统、设备和计算机可读存储介质。

背景技术

负荷预测是维持电网可靠、经济运行的重要工具。电力负荷预测是一个非线性的时间序列预测问题。影响电力负荷的因素繁复，主要有历史负荷数据、温度等，因此，负荷预测的准确性与影响因素密切相关。现有的短期电力负荷预测方法大多采用传统的预测方法，而随着人工智能技术的发展，人们对这些技术在负荷预测问题上的应用进行了研究，人工智能在负荷预测中的表现优于传统方法。

公布号为CN110570023A的专利文献中公开了一种基于SARIMA-GRNN-SVM的短期商业电力负荷预测方法，包括如下步骤：通过对负荷曲线的分析得出商业电力负荷波动的影响因素；对商业电力负荷时间序列预测与多因素回归预测构建单一预测模型；构建SVM模型，并利用训练样本对SVM模型进行参数优化与训练，通过网格搜索与交叉验证法进行SVM模型的参数优化；将SARIMA模型、GRNN模型得出的预测日的预测值输入到训练后的SVM模型中，即得到预测日的商业电力负荷预测值。本发明克服了单一预测模型无法综合考虑商业负荷的周期性变化与影响因素导致预测结果易发生较大误差的问题，提升了预测精确度与鲁棒性。

发明内容

发明目的：针对现有技术中存在的问题，本发明公开了一种新的电力负荷预测方法、系统、设备和计算机可读存储介质，其方法基于负荷数据和气象数据，依次对数据进行关联度分析、分解、降维处理，最后利用GRNN模型进行预测，大大增强了预测的准确性。

技术方案：本发明采用如下技术方案：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。

优选的，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。

优选的，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。

优选的，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：