[发明专利]基于人工智能的电网负荷预测方法及系统

说明书

本发明涉及人工智能技术领域，具体涉及基于人工智能的电网负荷预测方法及系统。该方法包括以下步骤：采集电网的历史负荷数据，在不同周期下对历史负荷数据进行周期性的相关性分析；根据相关性分析的结果利用预测神经网络获取目标日在不同周期下的预测负荷序列；选取同一目标日在不同周期下的预测负荷序列，对其进行波动分解，获取对应的趋势分量、周期分量以及随机分量，进而组成特征序列，利用特征序列得到该目标日的准确预测负荷。本发明实施例通过不同周期的电网负荷互相关性来进行电网负荷的预测，能够学习到不同周期的规律，尽可能减少误差，提高负荷预测的精度。

技术领域

本发明涉及人工智能技术领域，具体涉及基于人工智能的电网负荷预测方法及系统。

背景技术

负荷预测在现代能源系统（通常称为智能电网（SG）系统）中的电网运行规划和管理中起着至关重要的作用。随着智能电表和先进的计量基础设施（AMI）在SG的出现，能源和数据的双向流动显著增加。因此，最近出现了许多数据分析应用，例如SG系统中的负荷预测。负荷预测对于电网的许多能源管理任务至关重要，如发电容量调度、供需规划和最小化能源交易成本。近年来，随着电力系统和智能电网的不断发展，负荷预测的重要性显著扩大。此外，准确的负荷预测通过减少能源浪费和购买，对环境和经济产生了有益的影响。

传统的负荷预测技术是利用过去的消费模式进行单值负荷预测负载需求。然而，这些技术无法评估内在的负荷需求的不确定性，无法捕捉动态消费模式的变化。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的电网负荷预测方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的电网负荷预测方法，该方法包括以下步骤：

采集电网的历史负荷数据，在不同周期下对所述历史负荷数据进行周期性的相关性分析；

根据所述相关性分析的结果利用预测神经网络获取目标日在不同周期下的预测负荷序列；

选取同一目标日在不同周期下的所述预测负荷序列，对其进行波动分解，获取对应的趋势分量、周期分量以及随机分量，进而组成特征序列，利用所述特征序列得到该目标日的准确预测负荷。

优选的，所述相关性分析，包括：

通过去趋势互相关法分析所述历史负荷数据的相关性，得到所述历史负荷数据在相邻周期之间的趋势相关性和去趋势相关性。

优选的，所述通过去趋势互相关法分析所述历史负荷数据的相关性，包括：

获取所述历史负荷数据在每个周期下的数据序列，将所述数据序列顺序累加，得到累加序列；

对所述累加序列划分窗口，拟合出每个窗口的局部趋势；

获取消除所述局部趋势的残差序列，根据所述残差序列和所述局部趋势计算所述趋势相关性和所述去趋势相关性。

优选的，所述预测负荷序列的获取步骤包括：

在每个周期下，利用对应的所述趋势相关性和所述去趋势相关性得到互相关特征向量；同时利用所述历史负荷数据得到负荷特征向量；

将所述互相关特征向量和所述负荷特征向量相互融合，利用全连接网络进行拟合和特征映射得到当前周期下的所述预测负荷序列。

优选的，所述残差序列的获取过程包括：

将所述窗口内的所述累加序列与所述局部趋势相减，得到所述残差序列。

第二方面，本发明另一个实施例提供了一种基于人工智能的电网负荷预测系统，该系统包括以下模块：

相关性分析模块，用于采集电网的历史负荷数据，在不同周期下对所述历史负荷数据进行周期性的相关性分析；