[发明专利]一种短期电力负荷预测方法及装置

说明书

本申请提供一种短期电力负荷预测方法及装置，所述预测方法包括：根据需要预测的待测时间段确定用于预测的历史时间段；按照预设采样间隔，获取历史序列；将所述历史序列输入预先构建的电力负荷预测模型，得到预测序列，所述预测序列为所述待测时间段内每个预测时间点所对应的预测电力负荷值组成的序列，任意两个相邻的预测时间点之间的时间间隔等于所述预设采样间隔，所述电力负荷预测模型用于对所述历史序列进行分解后，获取多个历史序列分量，以及分别对每个历史序列分量进行预测，获得所述待测时间段内的多个预测序列分量，以及将多个预测序列分量进行叠加，获得所述预测序列。本申请解决了现有短期电力负荷预测方法预测准确性低的技术问题。

技术领域

本发明涉及电力系统调度领域，特别涉及一种短期电力负荷预测方法及装置。

背景技术

电力负荷预测指的是对未来某一时段的电力需求量(功率)进行的预测。根据预测的未来时段的长短，电力负荷预测可分为超短期预测、短期预测、中期预测和长期预测，其中，短期预测主要用于预测未来几天至一个月的电力负荷，对于调度安排开停机计划、机组最优组合、经济调度、最优潮流、电力市场交易均有着重要的意义。电力负荷预测精度越高，越有利于提高发电设备的利用率和经济调度的有效性，因此对电力负荷进行准确地预测具有十分重要的意义。

对短期电力负荷进行预测，通常可以采用短期预测模型，其中，短期预测模型可以为EMD-LSTM组合模型。EMD-LSTM组合模型依次包括经验模态分解(Empirical ModeDecomposition，EMD)子模型和长短时记忆神经网络(Long Short Term Memory，LSTM)子模型，EMD-LSTM组合模型首先利用EMD子模型将历史负荷数据构成的时间序列信号分解为多个本征模函数(Intrinsic Mode Function，IMF)分量和趋势分量，然后利用LSTM子模型能够长期学习历史负荷数据中的有用信息并且去除无用信息的特性，对每个提取的IMF分量和趋势分量分别进行预测，最后将所有分量的预测值累加得到未来时段的电力负荷预测结果。

但是，由于时间序列信号中都会掺杂着噪声和间断信号，在EMD子模型处理到这些间断信号时，会因为局部极值在很短的时间间隔内发生多次跳变而导致分解的分量出现模态混叠问题，最终导致分解失去意义；同时，由于LSTM子模型的计算量过大，也会造成计算时间长、序列特征信息丢失、数据结构信息紊乱的问题。因此，采用上述EMD-LSTM组合模型进行短期电力负荷预测，预测的准确性较低。

发明内容

本申请实施例提供了一种短期电力负荷预测方法及装置，可用于解决现有短期电力负荷预测方法预测准确性低的技术问题。

第一方面，本申请实施例提供一种短期电力负荷预测方法，包括：

根据需要预测的待测时间段确定用于预测的历史时间段，所述历史时间段的结束时间点和所述待测时间段的起始时间点一致；

按照预设采样间隔，获取历史序列，所述历史序列为所述历史时间段内每个采样时间点所对应的历史电力负荷值组成的序列；

将所述历史序列输入预先构建的电力负荷预测模型，得到预测序列，所述预测序列为所述待测时间段内每个预测时间点所对应的预测电力负荷值组成的序列，任意两个相邻的预测时间点之间的时间间隔等于所述预设采样间隔，所述电力负荷预测模型用于对所述历史序列进行分解后，获取多个历史序列分量，以及分别对每个历史序列分量进行预测，获得所述待测时间段内的多个预测序列分量，以及将多个预测序列分量进行叠加，获得所述预测序列。

在第一方面的一种可实现方式中，所述将所述历史序列输入预先构建的电力负荷预测模型，得到预测序列，包括：

对所述历史序列进行分解，获取多个历史序列分量；

分别对每个历史序列分量进行预测，获得所述待测时间段内的多个预测序列分量；

将多个预测序列分量进行叠加，获得所述预测序列。