[发明专利]配电网短期负荷预测方法、装置、终端及存储介质

说明书

本发明适用于电力负荷预测技术领域，提供了一种配电网短期负荷预测方法、装置、终端及存储介质，该方法包括：基于历史日负荷数据集、历史日气象数据集以及待预测日气象数据，确定待预测日中各个时段对应的参考日负荷数据集，获取鲁棒极限学习机的隐含层数目和激活函数，对激活函数中各个隐含层的输入权值及偏置进行优化，获得使鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置，根据各个时段对应的参考日负荷数据集，对获得最优输入权值及最优偏置后的鲁棒极限学习机进行训练，获得各个时段对应的短期负荷预测模型，根据各个时段对应的短期负荷预测模型，对待预测日进行负荷预测。本发明能够提高短期负荷预测模型输出结果的准确性。

技术领域

本发明属于电力负荷预测技术领域，尤其涉及一种配电网短期负荷预测方法、装置、终端及存储介质。

背景技术

短期负荷预测主要是指预报未来几小时、一天至几天的电力负荷。高精度的短期用电负荷预测有助于合理地安排电网设备调度及检修计划，提高电力系统运行的稳定性，减少电网的发电成本，提高电力系统的经济效益和社会效益。

目前，关于短期负荷预测的方法主要分为基于统计理论的方法和基于机器学习的方法。基于统计理论的方法主要包括卡尔曼滤波法、自回归积分滑动平均法、回归分析法、时间序列法等。国内外专家在短期负荷预测领域进行了大量的研究，张群洪采用集成智能模型集成随机森林与支持向量机进行短期负荷预测，该模型集成了两个不同学习器的优势，将预测的精确度提高；张铁岩等人针对复杂影响因素下综合能源系统月度负荷预测精度低的问题，提出基于时间序列特征分解的月度负荷预测模型；郭占伍等人通过回归分析方法分别提取了温度和湿度两个因素对电采暖负荷的灵敏度系数，提出了以温度因素为主，湿度因素为修正的电采暖负荷预测方法，经与实测数据对比，证明该预测方法具有更高的精准度；庞昊等人利用不同深度神经网络的优势，提高深度学习算法对短期负荷的预测能力，提出一种基于多神经网络融合的短期负荷预测方法。

然而，虽然已有大量负荷预测方法涌现，但是由于影响负荷的因素众多，不同时间、不同环境条件乃至不同负荷预测算法都会影响负荷预测输出的准确性，现有负荷预测方法的预测准确度还有待提高。

发明内容

有鉴于此，本发明实施例提供了一种配电网短期负荷预测方法、装置、终端及存储介质，旨在解决现有技术中配电网短期负荷预测方法的准确度不够的问题。

第一方面，本发明实施例提供了一种配电网短期负荷预测方法，包括：

基于历史日负荷数据集、历史日气象数据集以及待预测日气象数据，确定待预测日中各个时段对应的参考日负荷数据集；

获取鲁棒极限学习机的隐含层数目和激活函数；

对所述激活函数中各个隐含层的输入权值及偏置进行优化，获得使所述鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置；

根据各个时段对应的参考日负荷数据集，对获得最优输入权值及最优偏置后的鲁棒极限学习机进行训练，获得各个时段对应的短期负荷预测模型；

根据各个时段对应的短期负荷预测模型，对所述待预测日进行负荷预测。

第二方面，本发明实施例提供了一种配电网短期负荷预测装置，包括：

第一获取模块，用于基于历史日负荷数据集、历史日气象数据集以及待预测日气象数据，确定待预测日中各个时段对应的参考日负荷数据集；

第二获取模块，用于获取鲁棒极限学习机的隐含层数目和激活函数；

优化模块，用于对所述激活函数中各个隐含层的输入权值及偏置进行优化，获得使所述鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置；

训练模块，用于根据各个时段对应的参考日负荷数据集，对获得最优输入权值及最优偏置后的鲁棒极限学习机进行训练，获得各个时段对应的短期负荷预测模型；