[发明专利]一种多节点电力负荷预测方法

说明书

本发明公开了一种多节点电力负荷预测方法，包括以下步骤：步骤一，电力负荷数据采集：获取电力系统中待预测负荷节点及其上层节点的历史负荷数据，构建多节点电力负荷原始数据集；步骤二，数据预处理：构建多节点负荷样本数据集；步骤三，构建多节点电力负荷预测模型；步骤四，多节点电力负荷预测：将多节点负荷样本输入到多节点电力负荷预测模型进行在线预测，一次性得到多节点电力负荷的预测结果。本发明增加了上层节点负荷与待预测节点负荷相关性的考虑，并通过多个节点网络的组成的多节点电力负荷预测模型对多节点时间序列数据进行挖掘，同时预测多个节点的负荷，采用同时预测每个节点的方式替代传统的逐一单点预测方法，使得预测更为高效。

技术领域

本发明涉及电力负荷预测技术领域，特别涉及一种多节点电力负荷预测方法。

背景技术

精准的电力负荷预测是电力系统调度、实时控制、运行规划的关键，是保持电力系统供需平衡的基础。随着电力负荷总量的大幅提高、电网结构不断变化，涉及潮流分析和紧急情况的供电恢复等系统分析需要更详尽的负荷数据支撑，这需要对结构规模快速变化的电力系统进行多节点负荷预测。如果不了解电力系统多个节点的电力负荷变化，就不能对系统进行各种动态和静态分析来确定能源供应质量和稳定性，例如角度稳定、电压稳定等。事实上，短期的多节点负荷预测对于电力系统运行优化具有重要意义，它是系统精细化控制和紧急状态处理的基础。

现有的短期负荷预测方法更多的是对于单一节点的负荷预测，忽略它的上层节点与它的时空相关性，导致多节点电力负荷预测精度不高。目前处理多节点电力负荷预测问题大多是基于单一预测任务出发，主要分为两种：

第一：单点预测：单点预测集中在从节点本身的负荷序列角度上挖掘自身的负荷变化特性，忽视系统其他节点对它的影响，例如上层节点和待预测节点间的时空相关性。通过单点预测实现多节点电力负荷预测需要训练多个预测模型并且难以做到一次性预测，这也会导致预测效率低下和多节点预测系统维护难度增加。

第二：两阶段预测，将电力系统割裂为上层负荷节点和待预测负荷节点，首先进行上层节点负荷预测，然后利用待预测节点负荷在上层节点负荷中的占比即负荷因子，与预测的上层节点负荷相乘实现对待预测节点负荷的预测。这种方法利用负荷因子解释总负荷与子节点法线性耦合关系，将具有较强规律的上层节点负荷特性拓展到待预测节点。这种两阶段预测方法不能获取节点间的非线性耦合关系和产生误差积累，导致多节点负荷预测的精度不高。

虽然上述两类方法都可以达到多节点负荷预测的目标，但是由于不能很好地挖掘节点间的相互关系，往往预测的精度和自适应能力不高。实际上根据网络物理法则，每个负载节点不是相互独立的，并且各层之间存在紧密的物理关系，要得到精度更高的多节点负荷预测结果，就需要深度挖掘节点间的相关特征。

发明内容

为了解决上述技术问题，本发明提供一种算法简单、预测精度高的多节点电力负荷预测方法。

本发明解决上述问题的技术方案是：一种多节点电力负荷预测方法，包括以下步骤：

步骤一，电力负荷数据采集：获取电力系统中待预测负荷节点及其上层节点的历史负荷数据，构建多节点电力负荷原始数据集；

步骤二，数据预处理：对多节点电力负荷原始数据中的缺失数据进行填充并归一化，构建多节点负荷样本数据集；

步骤三，构建多节点电力负荷预测模型：由对应各个节点的神经网络构成多节点电力负荷预测模型，每个节点神经网络包含特征融合层和学习层，特征融合层自动将上层节点和待预测节点的负荷特征融合作为学习层的输入特征，学习层再对输入特征进行深度时序特征挖掘实现节点负荷预测，采用多任务学习对预测模型进行训练；

步骤四，多节点电力负荷预测：将多节点负荷样本输入到多节点电力负荷预测模型进行在线预测，一次性得到多节点电力负荷的预测结果。