[发明专利]一种考虑需求响应的负荷预测方法

权利要求书

1.一种考虑需求响应的负荷预测方法，其特征是，包括以下步骤：

对历史样本数据进行聚类分析，筛选出与待预测日当天的影响因素相似的历史时段，将其作为历史相似日；

将历史相似日和待预测日的影响因素数据输入预先训练的负荷预测模型，对需求响应负荷和基础负荷分别进行预测，对两部分预测结果进行加和，得到最终的负荷预测结果；

其中，所述负荷预测模型的训练方法包括：基于TCN算法建立负荷预测模型，将已知负荷结果的影响因素数据作为数据样本，对所建立的负荷预测模型进行训练，直至收敛；

所述数据样本的已知负荷结果包括需求响应负荷和基础负荷，其中，需求响应负荷数据通过建立需求响应数据模拟数学模型模拟生成；基础负荷数据通过实际负荷数据减去模拟生成的需求响应负荷数据获得；

所述需求响应数据模拟数学模型为：

式(1)中，P_DR(t)为可直接获得的预估需求响应计划数据，P₀(t)为随机误差部分负荷；φ_i(ε(t-i))P_DR(t-i)为t-i时刻各外部影响因素对t-i时刻的响应计划负荷影响后，对t时刻实际响应负荷产生的影响，φ_i(ε(t-i))为该部分负荷占t-i时刻响应计划负荷的百分比，ε(t-i)为在t-i时刻对用户响应产生影响的外部影响因素向量，n为t时刻实际响应负荷产生影响的连续时刻数；

负荷预测模型的建立包括：确定影响负荷波动的主要影响因素，利用最大信息系数MIC计算各影响因素对负荷的影响程度；

利用最大信息系数MIC计算各影响因素对负荷的影响程度包括：对负荷变化的影响因素利用最大信息系数MIC进行相关性分析，对影响因素和负荷组成二维数据集，并进行网格划分，求取每一单元的概率分布并进行归一化处理得到MIC值，MIC值越大，则代表相关性越强；

所述相关性分析包括：对影响因素和负荷组成二维数据集D，并将D划分为x列y行的网格，求取网格每一单元的概率分布，求得最大互信息maxI(D_G)，将其保存为^*I[D(x,y)]，得到^*I[D(x,y)]＝maxI(D_G)，并进行归一化处理得到最大互信息系数MIC值，如下所示：

式(2)中，n为采样样本数量，B(n)为样本函数，样本函数为n^0.6，MIC的取值在[0,1]之间，取值越大，则代表相关性越强，在将影响因素全部进行相关性分析后，根据结果选择相关性较大的影响因素作为预测特征输入。

2.根据权利要求1所述的考虑需求响应的负荷预测方法，其特征是，所述对所建立的负荷预测模型进行训练包括：对基础负荷和需求响应负荷分别进行预测，将两部分负荷预测结果进行加和，形成最终的负荷预测结果；

其中，基础负荷考虑日类型、温度、湿度、风速、天气情况的影响，需求响应负荷考虑日类型、电价的影响。

3.根据权利要求2所述的考虑需求响应的负荷预测方法，其特征是，所述负荷预测模型的训练方法包括：

读取数据集，并将数据集按照比例划分为训练集和测试集；

设定相关参数，包括输入和输出数据长度,训练批次数量、卷积核尺寸和数量、扩张因子大小、激活函数选取、训练样本次数、迭代次数、卷积步长、损失函数；

准备标签数据，所述标签数据为训练预测输出的目标数据，并确定预测视野长度，得出需要预测的时间跨度；

输入历史负荷数据和影响因素，其中需要将基础负荷部分和需求响应负荷部分以及各自的影响因素分别输入模型进行训练，以分别获得适应基础负荷和需求响应负荷的预测模型，利用均方差损失函数计算误差，并自动更新相关参数，直至收敛。