[发明专利]一种基于TCN-BP的短期负荷预测方法、系统及设备

说明书

本发明公开了一种基于TCN‑BP的短期负荷预测方法、系统及设备，包括如下步骤：采集负荷数据及主要气象因素数据；对数据进行预处理和灰色关联度分析；将气象因素数据分为时序性和非时序性数据，对历史时序性数据进行TCN降维处理；以降维处理后的数据和非时序性数据为输入，负荷数据为输出，代入BP神经网络进行训练直到网络收敛；利用训练完成的反传网络完成负荷预测，输出负荷预测数据。本发明基于传统的BP神经网络，融合TCN时间卷积神经网络对短期负荷进行预测，可以克服传统BP神经网络基于梯度训练的缺点，同时能够有效提高收敛速度，可有效提高短期负荷预测的精度。

技术领域

本发明属于电力负荷预测技术领域，特别涉及一种基于TCN-BP的短期负荷预测方法、系统及设备。

背景技术

随着电力工业的迅速发展以及智能电网技术的普及，电力负荷预测在发电和配电等能源规划中发挥着重要作用，为电力市场化改革以及能源互联网进一步推进提供重要的技术支撑，电力系统的负荷预测，尤其是短期负荷预测，是电力调度部门的用电计划、电力市场的发电报价的重要依据以及电网安全稳定运行的重要前提。电网运行的安全性、经济性以及电能质量的好坏将直接依赖于电力系统短期负荷预测精度的高低，特别是随着社会电力市场的完善，短期负荷预测在电力系统调度运营部门中扮演着越来越重要的角色。

发明内容

发明目的：针对现有技术中存在的问题，本发明公开了一种基于TCN-BP的短期负荷预测方法、系统及设备，能够方便、灵活、准确和有效的预测未来负荷模型，有利于电力系统安全、稳定运行。

技术方案：本发明采用如下技术方案：一种基于TCN-BP的短期负荷预测方法，其特征在于，包括如下步骤：

步骤A、采集负荷数据及主要气象因素数据；

步骤B、对数据进行预处理，并采用灰色关联分析法对数据进行分析，剔除与负荷关联度较低的气象因素；

步骤C、采用离散化温度修正模型对日最高温度、日平均温度和日最低温度进行修正；

步骤D、将气象因素数据分为时序性和非时序性数据，对时序性数据进行TCN降维处理；

步骤E、以临近训练日的负荷数据、训练日多种气象因素的非时序性数据以及经过降维处理后的时序性数据为输入，训练日的负荷数据为输出，代入BP神经网络进行训练直到BP神经网络收敛；

步骤F、利用训练完成的BP神经网络完成负荷预测，输入临近待预测日的负荷数据和待预测日的多种气象因素数据，经过时序性和非时序性数据划分、时序性数据的TCN降维和BP神经网络后，输出待预测日的负荷预测数据。

优选的，所述步骤A中，气象因素包括日最高温度、日平均温度、日最低温度和降雨量。

优选的，所述步骤B中，预处理包括缺失数据补全处理和归一化处理，其中，

缺失数据补全处理采取平均相邻负载方法，计算方法如下：

其中，x_i-1和x_i+1分别为相邻时刻i-1和i+1的数据，x′_i为时刻i的估计数据；若实际数据x_i和估计数据x′_i满足其中σ为事先设定的阈值，则时刻i的数据为x_i；否则，时刻i的数据由x_i改为x′_i；

归一化处理采取Min-Max方法，计算方法如下：

其中，为归一化后的数据，x_i为原始数据，x_max和x_min分别是最大和最小的原始数据。