[发明专利]一种城中村配变短期电力负荷预测方法和系统

说明书

本发明公开了一种城中村配变短期电力负荷预测方法和系统，利用LSTM模型和Prophet模型构成Prophet‑LSTM组合的短期电力负荷预测模型，将获取到的目标城中村台区的气温数据、负荷数据以及对应的节假日数据输入到短期电力负荷预测模型中，将LSTM模型输出的预测负荷值乘以第一权重，将Prophet模型输出的预测负荷值乘以第二权重，然后将二者叠加，得到最终的预测负荷值作为短期电力负荷预测模型的输出。本发明提供的负荷预测方法负荷预测的准确度在70％以上，最高可达92.86％，提高了城中村台区电力负荷预测的准确性和可靠性。

技术领域

本发明涉及电力负荷预测技术领域，尤其涉及一种城中村配变短期电力负荷预测方法和系统。

背景技术

电力负荷短期预测指的是一年之中以月为单位的负荷预测，同时，还可以指以周、天、小时为单位的负荷预测。常用的负荷预测方法有时间序列法、线性外推法和人工神经网络法，时间序列法将电力负荷数据看作随机变量，建立数学模型描述随机变量的变化过程，并在此基础上建立负荷预测的表达式，计算速度快，能够反应一端时间内负荷变化的连续性，但易受气候、政策和人口变化等因素的影响，预测精度较差；线性外推法是根据历史负荷资料拟合出一条曲线，反应负荷本身变化趋势，然后根据这个变化趋势估计未来时刻的负荷值，但在节假日或者天气剧烈变化时预测精度会下降；人工神经网络法通过基本的神经元相互连接，通过对样本数据进行训练从而得出结果，建模简单，容错性强，但开发时间较长，需要的数据量大。

城中村地区与规划较好的市中心地区不同，其内部流动量大、变化大，人员数量极不稳定，尤其在夏季用电高峰时节，负荷经常呈骤增趋势。根据历史资料显示，城中村台区的负荷预测准确率低于60％，城中村人口的流动性大、规划及管控混乱，给负荷预测带来了极大的困难，常规的时间序列法、线性外推法和人工神经网络法难以很好地预测城中村的台区负荷。因此，需要提供一种针对于城中村台区的电力负荷预测方式，用于提高城中村台区电力负荷预测的准确性和可靠性。

发明内容

本发明提供了一种城中村配变短期电力负荷预测方法和系统，用于提高城中村台区电力负荷预测的准确性和可靠性。

有鉴于此，本发明第一方面提供了一种城中村配变短期电力负荷预测方法，包括：

构建短期电力负荷预测模型，所述短期电力负荷预测模型包括LSTM模型和Prophet模型，所述电力负荷预测模型的输出为第一权重倍的所述LSTM模型的输出负荷值与第二权重倍的所述Prophet模型的输出负荷值的叠加；

获取目标城中村区域的气温数据、目标城中村区域的负荷数据和对应的节假日数据；

将所述气温数据和所述负荷数据输入所述LSTM模型，将所述气温数据、所述负荷数据和所述节假日数据输入所述Prophet模型，得到所述短期电力负荷预测模型输出的预测负荷值。

可选地，所述第一权重为0.3，所述第二权重为0.7。

可选地，所述构建短期电力负荷预测模型，包括：

获取目标城中村区域的历史气温数据、历史负荷数据和对应的节假日数据；

对所述历史气温数据、所述历史负荷数据和所述节假日数据进行预处理；

初始化第一所述第一权重为1，第二权重为0，迭代次数为1，将预处理后的数据输入初始短期电力负荷预测模型，得到所述初始短期电力负荷预测模型输出的预测负荷值，其中，所述初始短期短期电力负荷预测模型包括LSTM模型和Prophet模型，所述初始电力负荷预测模型的输出为第一权重倍的所述LSTM模型的输出负荷值与第二权重倍的所述Prophet模型的输出负荷值的叠加；

根据所述初始短期电力负荷预测模型输出的预测负荷值计算均方根误差和平均绝对百分比误差；