[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

说明书

本申请提供了一种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。该方法包括：获取训练数据，训练数据包括历史负荷数据和工作日变量，工作日变量包括第一时间变量和第二时间变量，第一时间变量表示一周中的某一天，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，概率预测模型为分位数LSTM预测模型，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；应用概率预测模型对训练数据进行训练，概率预测模型的输入是历史负荷数据和工作日变量，概率预测模型的输出是预测分位数；根据预测分位数预测极端因素影响下的电力系统短期负荷。

技术领域

本申请涉及电力负荷预测领域，具体而言，涉及一种极端因素影响下的电力系统短期负荷预测方法、预测装置、计算机可读存储介质与处理器。

背景技术

目前气候突变导致气象预测的准确性下降，进而影响电网负荷预测准确率，快速增长的分布式光伏出力、煤改电等负荷所导致的难以预见的电网负荷特性变化，影响日前负荷预测准确率的各方面干扰因素叠加，导致传统的“回归/外推”和“神经网络”等负荷预测方法越来越难适用于现有的日前负荷预测工作。

趋势外推法是根据预测对象本身的历史数据寻找其变化规律，而相关因素法则是研究负荷与其它因素之间的相互关系，根据未来其它因素的变化，判断未来的负荷变化趋势。短期负荷预测一般考虑相同类型的日负荷及其周期性规律，结合气象变化条件进行预测，受环境因素影响较大。

国内来看，目前负荷预测研究工作，主要集中于预测方法，其中包括灰色预测法、回归分析法、时间序列法、人工智能法等。为了提高预测精度，组合模型也是一个重要的方向。但是，这些研究比较忽视对不同类别自身的规律性的深层次分析，忽视内在规律性的深层次挖掘对预测精度提升的重要作用，缺乏体系化的规律性数值化分析方法研究，缺乏适用于当地电力需求发展规律性的预测算法择优机制。特别地，目前，对于雷雨、大风等极端气象影响下的电网负荷预测的准确度较差。

发明内容

本申请的主要目的在于提供一种极端因素影响下的电力系统短期负荷预测方法、预测装置、计算机可读存储介质与处理器，以解决现有技术中对于雷雨、大风等极端气象影响下的电网负荷预测的准确度较差的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种极端因素影响下的电力系统短期负荷预测方法，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。

进一步地，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。

进一步地，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。

进一步地，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。