[发明专利]用于智能用电监测终端的异常日负荷需求预测系统与方法

说明书

本发明公开了一种用于智能用电监测终端的异常日负荷需求预测系统与方法，包括数据预处理层、数据解构层、多元神经网络、数据重构层与预测结果整合输出层；数据预处理层根据相关性分析算法从与异常日负荷数据关联的外生变量数据中，筛选出与异常日负荷数据关联度较大的指标数据，并能将异常日负荷数据与相应的指标数据构建为样本数据；预测结果整合输出层用于根据修正整合算法将各个负荷预测值整合为一个负荷预测修正值，并作为异常日负荷需求的预测结果进行输出；将外生变量数据输入训练完成的预测系统中以预测未来的异常日负荷需求。本发明解决如何综合优化预测系统整体预测性能的技术问题，考虑了各个预测模型的性能差异，提高预测结果准确性。

技术领域

本发明涉及电力负荷预测领域，具体涉及用于智能用电监测终端的异常日负荷需求预测系统与方法。

背景技术

泛在电力物联网的大力建设推进了用户侧计量装置的研发与应用。在物联网技术的发展下，配电物联网的智能感知能力得到了大幅提升，用户侧的监测终端能够实现海量电力数据的智能监测，并构建用户用电大数据池，如何从中挖掘负荷数据实现更为精准的以用户为中心的负荷需求预测，对推进实现智能用电具有一定的意义。

电力系统负荷预测是一种通过某种计算方法分析历史负荷数据，以此推测未来负荷的变化和发展趋势的工程方法。日负荷预测，即短时负荷预测与电网调度、电价调整、维修计划等电网运行问题息息相关，准确的日负荷预测结果能确保电力系统安全稳定运行，正确引导电网规划建设，实现经济与社会效益最大化。

随着可再生能源的不断接入与负荷容量的不断增加，易受自然条件、社会因素变化影响的传统日负荷预测方法变得不再适用，而基于机器学习负荷预测方法因其可通过训练精确模拟负载和影响变量之间未指定的非线性关系的特点受到广泛的关注与研究。机器学习方面的技术较多，主要包括人工神经网络、SVM支持向量机、深度学习等。

目前基于机器学习的日负荷预测方法在选定的几个时间点内预测性能表现良好，但在较长时间跨度中的预测性能表现不够稳定，在节假日等负荷表现异常日中出现较大的偏差，不能很好地指导电网调度运行。此外，由于特定机器学习方法存在局限性，单个模型在更换预测场景后的日负荷预测表现也可能出现偏离，影响电网运行，带来经济损失。虽然，出现了一些基于多个预测模型进行综合预测的电力负荷预测技术，例如中国发明专利“基于同源异构神经网络的电流负荷概率预测方法及装置(CN1112226877A)”，但是只是简单的将多个预测模型的预测结果取平均值，并没有考虑到各个预测模型的性能差异，不能取长补短的进行综合性优化。

发明内容

针对上述技术的不足，本发明提供了一种用于智能用电监测终端的异常日负荷需求预测系统，解决如何综合优化预测系统整体预测性能的技术问题，考虑了各个预测模型的性能差异，提高预测结果准确性。

为解决上述技术问题，本发明提供一种用于智能用电监测终端的异常日负荷需求预测系统，包括数据预处理层、数据解构层、多元神经网络、数据重构层以及预测结果整合输出层；

所述数据预处理层用于根据相关性分析算法从与异常日负荷数据关联的外生变量数据中，筛选出与异常日负荷数据关联程度较大的指标数据，并能将异常日负荷数据与相应的指标数据构建为样本数据；

所述数据解构层用于将输入的指标数据或样本数据解构为离散数据，并发送给多元神经网络；

所述多元神经网络包括若干并行的不同类型的子神经网络，各个子神经网络同步接收数据解构层输出的离散数据，并能够根据所述离散数据输出相应的预测数据；

所述数据重构层用于对多元神经网络中的各个子神经网络的预测数据进行重构，以将预测数据还原为相应的负荷预测值；

所述预测结果整合输出层用于根据修正整合算法将各个负荷预测值整合为一个负荷预测修正值，并作为异常日负荷需求的预测结果进行输出；修正整合算法采用如下公式计算负荷预测修正值：