[发明专利]负荷预测方法、装置、设备和存储介质

说明书

本发明适用于电力系统技术领域，提供了一种负荷预测方法、装置、设备和存储介质，该方法包括：获取预设时段内影响目标电力系统的电力负荷的多组变量数据；根据时差相关分析算法，分别计算每组变量数据中各个变量值与电力负荷的相关系数；按照预设方式从目标组变量数据中确定至少一个目标变量值；其中，目标组变量数据中存在至少一个相关系数大于第一预设阈值的变量值，目标变量值的相关系数大于本组变量数据中其余变量值的相关系数；将目标变量值输入至预设预测模型，得到目标电力系统的预测负荷。采用本发明，可以提高负荷预测准确率。

技术领域

本发明属于电力系统技术领域，尤其涉及一种负荷预测方法、装置、设备和存储介质。

背景技术

电力系统的负荷预测是电力系统规划、决策和经济运行的前提和基础，电力负荷的准确预测对电力系统安全经济运行和区域国民经济发展具有重要意义。传统的负荷预测主要依靠调度员或专家进行主观判断。随着人工智能技术的发展，一系列智能算法被应用到电力负荷预测中，如神经网络、遗传灰色径向基函数模型、增量优化极值学习机、正则化极值学习机、支持向量机等。

然而，目前的电力负荷的预测方式，通常是在预测算法的复杂度上进行优化，预测准确率很难有明显的提升，导致预测准确率较低。

发明内容

有鉴于此，本发明实施例提供了一种负荷预测方法、装置、设备和存储介质，以解决现有技术中预测准确率较低的问题。

本发明实施例的第一方面提供了一种负荷预测方法，包括：

获取预设时段内影响目标电力系统的电力负荷的多组变量数据；

根据时差相关分析算法，分别计算每组变量数据中各个变量值与电力负荷的相关系数；

按照预设方式从目标组变量数据中确定至少一个目标变量值；其中，目标组变量数据中存在至少一个相关系数大于第一预设阈值的变量值，目标变量值的相关系数大于本组变量数据中其余变量值的相关系数；

将目标变量值输入至预设预测模型，得到目标电力系统的预测负荷；其中，预设预测模型基于极值梯度提升算法训练得到，预设预测模型的目标函数以损失函数和正则项同时最小化为目标。

可选的，按照预设方式从目标组变量数据中确定至少一个目标变量值，包括：

将目标组变量数据中相关系数大于第二预设阈值的变量值，确定为目标变量值；

或者，将目标组变量数据中预设比例的变量值，确定为目标变量值；其中，预设比例的变量值的相关系数大于本组变量数据中其余变量值的相关系数。

可选的，损失函数为由一阶项和二次项组成的均方误差函数。

可选的，多组变量数据至少包括经济数据、气象数据、上下游产业链数据、日历数据以及电网数据中的一种；

其中，经济数据至少包括国民生产总值、固定资产投资额、进出口额以及三产增加值中的一种；

气象数据至少包括温度、湿度、降雨量以及风速中的一种；

上下游产业链数据至少包括汽车产量、钢铁产量、煤炭价格以及钢铁价格中的一种；

日历数据至少包括星期类型或节假日中的一种；

电网数据至少包括检修数据或者口径数据中的一种。

本发明实施例的第二方面提供了一种负荷预测装置，包括：

获取模块，用于获取预设时段内影响目标电力系统的电力负荷的多组变量数据；

计算模块，用于根据时差相关分析算法，分别计算每组变量数据中各个变量值与电力负荷的相关系数；