[发明专利]一种区域电力负荷预测方法

说明书

本申请公开一种区域电力负荷预测方法，包括：根据用电区域的历史负荷数据，构造N组不同时间间隔步长的时间序列特征数据；分别对N组时间序列特征数据进行相关性检验，得到M组通过检验的相关序列；所述相关序列具有序列自相关性；将M组所述相关序列输入多序列长短期记忆网络预测模型中，集成所述多序列长短期记忆网络预测模型的输出结果，预测目标时间点的负荷数据。本申请提供的多序列长短期记忆网络预测模型，基于多个相关序列并捕获负荷数据的长距离依赖性，捕捉如相邻时间点相关性、日相关性、周相关性、月相关性之间的联系，建立特征与负荷之间的非线性关系，提高了负荷预测的准确性，同时还可防止负荷数据样本过度拟合。

技术领域

本申请涉及电力系统技术领域，尤其涉及一种区域电力负荷预测方法。

背景技术

作为使电网更智能化的关键环节之一，区域电力负荷预测在电力系统的规划和运行中起着重要作用。诸如专家系统、灰色系统理论和人工神经网络等许多方法被用于负荷预测，然而由于其负荷预测是一种极其不稳定的时间序列模型，这些方法建立的预测模型很难达到理想的效果，因此需探索一种更优化的负荷预测方法。

相关技术中提出由粒子群优化算法优化的最小二乘支持向量机模型、基于支持向量机的分销网络方法，或者使用随机的基于森林的集成系统等负荷预测方法，这些方法虽然已在传统时间序列模型的基础上，提高了函数的拟合能力并提高了样本的训练效率，但没有考虑到时间序列数据之间的相关性，导致负荷预测的准确性仍旧较低。此外，上述预测方法仅建立特征与负荷之间的非线性映射关系，忽略连续负荷数据样本之间的相关关系，并且存在负荷数据样本过度拟合的问题。

发明内容

本申请提供一种区域电力负荷预测方法，以解决负荷预测准确性低的问题。

本申请提供一种区域电力负荷预测方法，包括：

根据用电区域的历史负荷数据，构造N组不同时间间隔步长的时间序列特征数据；

分别对N组时间序列特征数据进行相关性检验，得到M组通过检验的相关序列，M≦N；所述相关序列具有序列自相关性；

将M组所述相关序列输入多序列长短期记忆网络预测模型中，集成所述多序列长短期记忆网络预测模型的输出结果，预测目标时间点的负荷数据；其中，所述多序列长短期记忆网络预测模型包括若干组长短期记忆网络预测模型。

可选地，所述时间序列特征数据为：

E_i＝{e_t-Ki+1，e_t-2×Ki+1，...，e_t-j×Ki+1，...，e_t-n×Ki+1}

式中，E_i表示时间序列特征数据，Ki为时间间隔步长，n为时间序列特征数据的维度，e_t-j×Ki+1为E_i中第j个时间点对应的负荷变量；i＝1，2…，N；j＝1，2…，n。

可选地，所述分别对N组时间序列特征数据进行相关性检验，包括：

根据所述时间序列特征数据中任意两个负荷变量之间的Spearman相关系数，以及所述时间序列特征数据的维度n，计算t检验统计量T；

判断t检验统计量T是否大于或等于阈值t_α,v，所述阈值t_α,v是与显著性水平α和自由度v有关的参数；

如果t检验统计量T大于或等于阈值t_α,v，则所述时间序列特征数据中任意两个负荷变量之间具备相关性；反之，则所述时间序列特征数据中任意两个负荷变量不相关。

可选地，所述得到M组通过检验的相关序列，包括：