[发明专利]极端因素影响下的电力系统短期负荷预测方法与预测装置

权利要求书

1.一种极端因素影响下的电力系统短期负荷预测方法，其特征在于，包括：

获取训练数据，所述训练数据包括历史负荷数据和工作日变量，所述工作日变量包括第一时间变量和第二时间变量，所述第一时间变量表示一周中的某一天，所述第二时间变量表示一天中对应的某一个或者某几个小时；

构建概率预测模型，所述概率预测模型为分位数LSTM预测模型，所述分位数LSTM预测模型是基于深度学习LSTM网络和分位数损失函数构建的；

应用所述概率预测模型对所述训练数据进行训练，所述概率预测模型的输入是所述历史负荷数据和所述工作日变量，所述概率预测模型的输出是预测分位数；

根据所述预测分位数预测极端因素影响下的电力系统短期负荷；

所述预测分位数有多个，所述分位数损失函数为所有的所述预测分位数的平均分位数损失；

所述预测方法还包括：

获取训练数据集，将所述训练数据集分为三个部分，分别为第一数据集、第二数据集和第三数据集，所述训练数据集包括所述历史负荷数据、所述工作日变量和天气条件；

将第一数据集中的所述历史负荷数据、所述工作日变量和所述天气条件作为输入特征向量训练点预测模型；

利用所述第二数据集进行虚拟预测并计算对应的预测残差；

根据所述点预测模型和所述预测残差，确定概率残差预测模型；

构建概率预测模型，包括：

构建LSTM模块，所述LSTM模块由多个LSTM单元堆叠而成，所述LSTM模块的输入是所述历史负荷数据，所述LSTM模块的输出是最后时刻的隐藏状态；

对所述第一时间变量进行编码得到第一编码向量，对所述第二时间变量进行编码得到第二编码向量；

构建全连接网络；

将所述最后时刻的隐藏状态、所述第一编码向量和所述第二编码向量输入所述全连接网络，所述全连接网络输出所述预测分位数；

根据所述点预测模型和所述预测残差，确定概率残差预测模型，包括：

根据所述点预测模型，确定点预测值；

获取所述点预测值的分位数；

获取所述预测残差的分位数；

根据所述点预测值的分位数和所述预测残差的分位数，确定所述电力系统短期负荷；根据所述点预测模型和所述预测残差，确定概率残差预测模型，包括：

根据所述点预测模型、所述第二数据集中的所述历史负荷数据和相关因子训练所述概率残差预测模型。