[发明专利]基于深度学习的新型负荷预测方法和装置

说明书

本发明公开了一种基于深度学习的新型负荷预测方法和装置。该方法包括：获取待预测的电网的输入变量，其中，输入变量用于指示待预测的电网的参数；将输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果；根据运算结果确定待预测的电网的负荷。通过本发明，达到了提高电网负荷预测方法预测的准确率的效果。

技术领域

本发明涉及电网领域，具体而言，涉及一种基于深度学习的新型负荷预测方法和装置。

背景技术

近年来，随着电力科技的飞速发展，社会对低碳环保的呼吁越来越高，智能用电的需求也逐步加大。负荷预测作为智能用电的实现方式之一，对电力企业精细化运营有着非常重要的作用。负荷预测是指参考与负荷相关的因素，在已知用户的电量需求的前提下，根据用户的历史负荷数据，合理准确地预测出用户未来的负荷情况。电网机构通过准确的负荷预测来合理地安排内部发电机组的启停，从而确保电网可以稳定运行。因此，在电力系统中，科学准确的电力负荷预测是一项重要工作。目前，电力系统对于负荷预测工作投入越来越大，对预测的准确性要求也越来越高。

过去受经济体制影响，用电计划受发电计划的限制，发多少电，用多少电。而现在电力走入了市场经济，发电计划要取决于市场的需求，准确地掌握需求侧的短期预测可以节约发电成本、提高经济效益。所以怎样提高负荷预测的准确率，成为了电力行业的一项至关重要的任务。提高负荷预测的准确度，有利于电力系统的经济效益和社会效益，为电力企业统筹规划提供良好的支撑。

负荷预测的方法有多种，大致分为两大类，一类是经典方法，一类是现代方法。经典方法主要是通过数学统计或人的经验来进行预测。代表方法有：专家意见法、负荷密度法、特尔菲法等。此类方法主要取决于负荷的历史数据和人为的主观判断，忽略了外在因素对负荷的影响，预测效率和准确性也不是很理想。现代方法指融合了机器学习，考虑了除负荷数据外影响负荷的其他因素，又叫人工智能方法。综合来看，人工智能预测方法在效率和准确度方面要优于经典方法。但是目前的人工智能方法有局部极小点和速度慢的缺点，具有一定波动性，预测结果准确率有待提高。

针对相关技术中电网负荷预测方法预测准确率低的问题，目前尚未提出有效的解决方案。

发明内容

本发明的主要目的在于提供一种基于深度学习的新型负荷预测方法和装置，以解决电网负荷预测方法预测准确率低的问题。

为了实现上述目的，根据本发明的一个方面，提供了一种负荷预测方法，该方法包括：获取待预测的电网的输入变量，其中，所述输入变量用于指示所述待预测的电网的参数；将所述输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果；根据所述运算结果确定待预测的电网的负荷。

进一步地，在将所述输入变量输入到训练好的电网负荷预测模型中进行模型运算，得到运算结果之前，所述方法还包括：获取待预测的电网的历史数据，其中，所述历史数据包括历史负荷数据，历史天气数据和电网负载数据；确定深度学习神经网络结构；将所述待预测的电网的历史数据输入到深度学习神经网络结构中进行训练，得到所述训练好的电网负荷预测模型。

进一步地，所述深度学习神经网络结构包括LSTM结构，LSTM结构包括输入层、隐藏层和输出层，所述输入层由表示输入的神经元组成，所述隐藏层由表示中间变量的神经元组成，在所述隐藏层中有输入到下一时间隐藏层的连接，所述输出层由表示输出结果的神经元组成。

进一步地，所述电网负荷预测模型的输入变量中包括学习时间参数和预测时间参数。

进一步地，在获取待预测的电网的历史数据之后，所述方法还包括：对所述历史数据进行预处理，得到处理后的数据，其中，所述预处理包括去除所述历史数据中的错误数据，重新获取所述历史数据中的缺失数据，去除所述历史数据中的重复数据；将所述处理后的数据输入到深度学习神经网络结构中进行训练。