[发明专利]一种基于历史数据的大用户月度用电量预测方法及系统

说明书

本发明涉及一种基于历史数据的大用户月度用电量预测方法及系统，属于电网调控和电力市场领域。方法包括以下步骤：采集大用户用电量历史数据，对所述历史数据进行预处理，所述历史数据包括日负荷历史数据和/或月负荷历史数据；将所述预处理后的历史数据划分成为训练集和测试集，利用所述训练集对预设类型的模型进行训练，得到大用户月度用电量预测模型；根据所述大用户月度用电量预测模型和所述大用户用电量历史数据，预测并输出所述大用户未来一个月的月度用电量预测值。本发明预测准确度高，能够反映大用户用电变化趋势，为电力公司制定生产计划提供了可靠依据。

技术领域

本发明属于电力系统自动化领域，尤其涉及一种基于历史数据的大用户月度用电量预测方法及系统。

背景技术

负荷预测是电力市场和电网运行中不可或缺的环节，其必要性不言而喻。大用户作为电网的重要客户，不仅用电量占地区总用电量的比重较高，而且负荷曲线对地区电网的负荷曲线也有相当大的影响。对大用户进行用电量预测，提前一天至一周至一个月预测系统负荷值，不但对确定电网日运行方式有重要的作用，而且也是确定机组组合方案、企业与区域电网功率输送方案和负荷调度方案所不可缺少的。因此近来很多地方电力公司要求大用户提供次日负荷曲线为电力公司制定生产计划提供依据。精确的负荷和用电量预测可以真正反映用电变化趋势，保证了电网的安全经济运行。

目前用电量预测方法大致可以分为基于传统方法的预测方法和基于智能算法的预测方法两大类。传统方法主要包含回归分析法、时间序列法、用电量求导法、指数平滑法、卡尔曼滤波法等；智能方法主要包含专家系统法、人工神经网络法、综合模型预测法、数据挖掘法等。然而针对大用户月度用电量预测是一个比较复杂的问题，通常需要考虑多方面的因素，才可以获得比较高的预测精度。如何准确有效地预测大用户月度用电量，是亟需解决的问题。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于历史数据的大用户月度用电量预测方法及系统，对大用户用电量的日负荷历史数据和/或月负荷历史数据进行预处理，并利用预处理的数据对预设类型的模型进行训练得到大用户月度用电量预测模型，通过该预测模型预测大用户未来一个月的月度用电量，预测准确度高，能够反映大用户用电变化趋势，为电力公司制定生产计划提供了可靠依据。

根据本发明的一个方面，本发明提供了一种基于历史数据的大用户月度用电量预测方法，所述方法包括以下步骤：

S1:采集大用户用电量历史数据，对所述历史数据进行预处理，所述历史数据包括日负荷历史数据和/或月负荷历史数据；

S2:将所述预处理后的历史数据划分成为训练集和测试集，利用所述训练集对预设类型的模型进行训练，得到大用户月度用电量预测模型；

S3:根据所述大用户月度用电量预测模型和所述大用户用电量历史数据，预测并输出所述大用户未来一个月的月度用电量预测值。

优选地，所述对所述历史数据进行预处理包括：

对缺失的数据进行填补，对异常数据进行识别和修正，并进行归一化处理。

优选地，当所述历史数据为日负荷历史数据时，所述预设类型的模型为长短期神经网络LSTM模型；当所述历史数据为月负荷历史数据时，所述预设类型的模型为多元线性回归模型。

优选地，当所述预设类型的模型为长短期神经网络LSTM模型时，利用所述训练集对预设类型的模型进行训练，得到大用户月度用电量预测模型包括：

所述LSTM模型的超参数采取梯度下降调整方式，代价函数为平方重构误差；将所述训练集数据输入到所述LSTM模型中进行迭代并计算误差，判断所述误差是否小于预设阈值且迭代次数是否超过最大限制次数，若否，则继续执行迭代操作，否是，则将所述测试集数据输入所述LSTM模型中进行校验，完成模型训练，得到所述大用户月度用电量预测模型。