[发明专利]一种短期负荷预测方法及装置

说明书

本发明提供了一种短期负荷预测方法及装置，属于电力负荷预测领域，方法包括：对筛选出的最优额定种类的负荷预测相关因子和费歇累积气象因子归一化处理，输入至训练完毕的长短期记忆神经网络，输出预测负荷值；最优额定种类的费歇累积气象因子的获取方法，包括：将每一种气象累积效应因子的数据按照时间排列后划分成若干时间窗口；计算各时间窗口对应的费歇信息量，且将费歇信息量加权至时间窗口正中间的气象累积效应因子上，得到费歇累积气象因子；在对训练集中的实际负荷数据进行不同滞后阶数下，计算各种费歇累积气象因子与实际负荷的互相关系数，筛选出互相关系数最大的额定种类的费歇累积气象因子。本发明能够提升对负荷预测的精准度。

技术领域

本发明属于电力负荷预测领域，更具体地，涉及一种短期负荷预测方法及装置。

背景技术

短期负荷预测是电力系统负荷预测的重要组成部分，准确可靠的短期负荷预测对于电力系统负荷分配、机组最优组合、安全经济调度、电力市场交易等实际工程调度具有重要的意义。

短期负荷预测模型包含传统的短期负荷预测模型和新型人工智能模型。传统的短期负荷预测模型大多基于线性回归分析，而线性回归分析极大地依赖负荷与其先前负荷之间的相关性，在选择合适的非线性函数时面临很大困难，无法准确预测非线性负荷时间序列。随着计算机算力的提升，新型人工智能算法理论不断完善，基于机器学习算法的现代智能模型则在近年来得到了快速的发展，对改进电力系统负荷预测模型提供了新的契机。智能模型在负荷预测方面表现出更加准确的性能，尤其在解决传统算法难以解决的非线性负荷序列预测问题时。近年来，有越来越多的人工智能技术方法被提出来预测负荷，如人工神经网络、前馈多层感知器、径向基函数、模糊逻辑和专家系统等。其中，神经网络以其在复杂的非线性环境中的学习能力而备受关注。人工神经网络在过去的几十年中被广泛应用于解决电力负荷预测问题。但是基于数据驱动的人工智能网络模型依赖模型参数的选择，根据经验选择的参数难以达到模型的最大效果甚至产生新的误差。且电网负荷会受到多种因素的影响，单一的历史负荷序列难以全面描述负荷及其影响因子之间的关系，不能提高模型的精度。目前鲜少有基于多影响因子间的复杂关系、自适应噪音及智能优化方法的人工智能网络负荷预测模型。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种短期负荷预测方法及装置，旨在解决现有的电力系统负荷预测中的负荷与多种因素有关，目前缺乏全面考虑多影响因子间复杂关系建立的负荷预测模型，导致负荷预测模型的精准度较差的问题。

为实现上述目的，一方面，本发明提供了一种短期负荷预测方法，包括以下步骤：对筛选出的最优额定种类的负荷预测相关因子和费歇累积气象因子进行归一化处理，输入至训练完毕的长短期记忆神经网络，输出预测负荷值；

其中，最优额定种类的费歇累积气象因子的获取方法，包括以下步骤：

将每一种气象累积效应因子的数据按照时间排列后划分成若干时间窗口，气象累积效应因子是指连续累积情况下会对负荷产生影响的因子，如温度，湿度等；

计算各时间窗口对应的费歇信息量，且将费歇信息量加权至所述时间窗口正中间的气象累积效应因子上，得到费歇累积气象因子；

在对训练集中的实际负荷数据进行不同滞后阶数下，计算各种所述费歇累积气象因子与实际负荷的互相关系数；

将互相关系数按照从大到小的顺序，筛选出互相关系数最大的额定种类的所述费歇累积气象因子。

优选地，时间窗口对应费歇信息量的获取方法，包括以下步骤：

将每一种气象累积效应因子的数据按照时间排列形成气象累积效应因子对应的时间序列；

设置时间窗口的宽度，将气象累积效应因子对应的时间序列进行划分，形成若干时间窗口；

再将每个时间窗口进行多个区间的划分；