[发明专利]一种配电网中期负荷分解-集合预测方法及系统

权利要求书

1.一种配电网中期负荷分解-集合预测方法，其特征在于，包括步骤：

S101、获得历史气象数据和负荷数据，在剔除异常数据和填补缺失数据后，对数据进行归一化处理，生成时间序列样本集；

S102、对时间序列样本集中的负荷时间序列进行季节分解，生成趋势、季节和随机三种分量，对气象数据和负荷数据进行相关性分析，选择与负荷相关的气象特征，生成预测模型的输入数据，作为训练样本；

S103、搭建每个分量对应的长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数；

S104、将待测试数据输入至所述长短期记忆神经网络负荷预测模型，生成趋势、季节和随机三种分量预测结果；

S105、选择与分解方法对应的集合方法，将三种分量预测结果输入集合模型，生成最终预测结果。

2.根据权利要求1所述的配电网中期负荷分解-集合预测方法，其特征在于，步骤S101的具体过程为：

S201、获取历史气象数据和负荷数据，其中所述历史气象数据包括温度、相对湿度、风速和风力；所述负荷数据为日用电量数据，所述历史气象数据和所述负荷数据均为时间序列数据；

S202、对所述历史气象数据和所述负荷数据采用箱型图法剔除异常数据，采用线性插值法填充缺失数据，生成高质量气象数据和负荷数据；

S203、对所述高质量气象数据与负荷数据进行归一化处理，生成时间序列样本集。

3.根据权利要求2所述的配电网中期负荷分解-集合预测方法，其特征在于，步骤S202中，通过箱型图法对配电网数据异常值进行检测的过程如下：依据数据偏离平均水平程度来检测配电网的异常数据，定义样本的上四分位数Q_U，下四分位数Q_L，上四分位数与下四分位数间隔Q_R，三者有如下关系：

Q_R＝Q_L-Q_U

其中，在区间[Q_U-1.5Q_R,Q_L+1.5Q_R]范围外的数据判定为异常值，将异常值替换为空值，然后采用线性插值方法填充配电网缺失数。

4.根据权利要求3所述的配电网中期负荷分解-集合预测方法，其特征在于，步骤S102的具体过程包括：

S301、对负荷时间序列进行季节分解，生成趋势分量、季节分量和随机分量共三种分量；

S302、计算随机分量与气象数据间的最大互信息系数，衡量随机分量与气象特征间的相关性，筛选相关性最大的气象特征，将筛选得到的气象特征和负荷数据一并作为预测模型的输入数据；

S303、对于趋势分量和季节分量，选择负荷数据作为对应预测模型的输入数据；

S304、选择所述耦合相关性最大的负荷作为多能预测模型的输入数据；

S305、将所述预测模型的输入数据划分为训练样本集、验证样本集、测试样本集。

5.根据权利要求4所述的配电网中期负荷分解-集合预测方法，其特征在于，步骤S302中，随机分量与气象数据间的最大互信系数的计算公式如下：

其中，x为比较对象表示所分析的负荷特征数据，y为参考对象表示所参照的负荷特征数据，n为数据样本包含的数量，p为联合概率计算，a表示表示在二维空间中x方向上划分的网格数量，b表示在二维空间中y方向上划分的网格数量，MIC(x,y)表示比较对象数据x和参考数据y之间的最大相互信息系数。

6.根据权利要求5所述的配电网中期负荷分解-集合预测方法，其特征在于，步骤S103的具体过程包括：

S401、搭建每个分量对应的长短期记忆神经网络负荷预测模型，所述长短期记忆神经网络负荷预测模型的超参数包括神经网络隐含层数量、隐含层神经元数量和学习率；

S402、将所述训练样本集作为输入数据，将对应每种分量负荷预测样本数据作为输出数据；

S403、采用Adam优化算法确定预测模型的最优超参数，在验证样本集中对超参数进行微调。