[发明专利]一种基于大数据的负荷预测方法、设备及介质

说明书

本申请公开了一种基于大数据的负荷预测方法、设备及介质，主要涉及数据预测技术领域，用以解决现有的负荷预测的负荷预测精度较低以及处理速度较慢技术问题。方法包括：获取预设历史时间段内电力系统对应的负荷数据、气象数据以及节假数据；获得负荷数据对应的波动时间段，进而确定波动时间段对应的已维持时间段和可预测时间段；获得已维持时间段对应的第一基准数据以及可预测时间段对应的第二基准数据；获得可预测时间段内的气象校正数据以及节假校正数据；通过第二基准数据、气象校正数据以及节假校正数据，获得电力系统在可预测时间段内的预测负荷数据。本申请通过上述方法提高了可预测时间段内关于负荷的预测精度以及速度。

技术领域

本申请涉及数据预测技术领域，尤其涉及一种基于大数据的负荷预测方法、设备及介质。

背景技术

电力系统负荷预测是电网安全稳定运行、优化调度、电力市场运营的重要依据。

现有的负荷预测的方法主要是：通过建立历史数据与未来数据的影响关系，实现对电力系统的短期负荷预测。

但是，随着经济快速发展和电力市场的建立与完善，用户对电能质量和电力供应的需求日益增长，电网负荷时间序列以及部署的环境都变得更加多样且复杂，在保证电能实时供需平衡的情况，对负荷预测的负荷预测精度以及处理速度提出了更高要求。

发明内容

针对现有技术的上述不足，本发明提供一种基于大数据的负荷预测方法、设备及介质，以解决上述技术问题。

第一方面，本申请实施例提供了一种基于大数据的负荷预测方法，方法包括：获取预设历史时间段内电力系统对应的负荷数据、气象数据以及节假数据；将负荷数据，导入训练好的随机赋权神经网络，以获得负荷数据对应的波动时间段，进而确定波动时间段对应的已维持时间段和可预测时间段；确定已维持时间段内的负荷数据对应的走势曲线，以获得已维持时间段对应的第一基准数据以及可预测时间段对应的第二基准数据；根据预设非线性算法、预设维度数据库、第一基准数据、负荷数据、气象数据以及节假数据，获得可预测时间段内的气象校正数据以及节假校正数据；通过第二基准数据、气象校正数据以及节假校正数据，获得电力系统在可预测时间段内的预测负荷数据。

在本申请的一种实现方式中，在将负荷数据，导入训练好的随机赋权神经网络之前，方法还包括：对预设参考时间段内的负荷数据进行标记处理，以获得具有波动时间段的训练数据；基于训练样本数据，对随机赋权神经网络对应的公式：进行训练，以确定随机赋权神经网络对应的权重和偏置，进而完成随机赋权神经网络的训练；其中，t_i为预测的波动时间段，w_i为预测权重；β_i为权重；b_i为偏置；j＝1,2,...,M；M为设训练数据的数量。

在本申请的一种实现方式中，将负荷数据，导入训练好的随机赋权神经网络，以获得负荷数据对应的波动时间段，进而确定波动时间段对应的已维持时间段和可预测时间段，具体包括：将负荷数据导入训练好的随机赋权神经网络，确定负荷数据对应波动曲线，进而确定波动曲线对应的波动时间段；通过波动时间段，确定已维持时间段以及剩余维持时间段，以确实剩余维持时间段为可预测时间段。

在本申请的一种实现方式中，确定已维持时间段内负荷数据对应的走势曲线，以获得已维持时间段对应的第一基准数据以及可预测时间段对应的第二基准数据，具体包括：将已维持时间段对应的日期、已维持时间段对应的负荷数据作为横纵坐标，生成时间-负荷走势曲线；通过时间-负荷走势曲线以及预设的曲线求解算法，确定时间-负荷走势曲线对应的负荷计算公式；根据负荷计算公式，确定已维持时间段内对应的若干负荷计算值为第一基准数据，以及确定推出可预测时间段内对应的若干负荷计算值为第二基准数据。

在本申请的一种实现方式中，在获得可预测时间段内的气象校正数据以及节假校正数据之前，方法还包括：基于负荷计算公式以及预设计算公式F＝Z+AX+BY，确定X、Y的值；其中，F为负荷数据；Z为第一基准数据；A为气象维度值；B为节假维度值；X为气象影响系数；Y为节假影响系数。