[发明专利]基于融合模型的电力负荷短期预测方法、装置及相关介质

说明书

本发明公开了基于融合模型的电力负荷短期预测方法、装置及相关介质，该方法包括：获取电力负荷数据，并进行特征归一化处理，得到对应的电力负荷序列；采用支持向量回归模型对电力负荷序列进行训练及预测，得到对应的电力负荷预测值，并根据电力负荷序列和电力负荷预测值得到一残差序列；采用动力学模态分解模型对残差序列进行训练及预测，得到第一残差序列预测值；利用灰色灾变预测模型对残差序列进行异常值检测校准，以得到第二残差序列预测值；将电力负荷预测值与所述第二残差序列预测值进行叠加，并将叠加结果作为最终的电力负荷短期预测结果。本发明能够解决力负荷存在的非平稳、波动性强等问题，以提高电力负荷短期预测的准确率和稳定性。

技术领域

本发明涉及电力预测技术领域，特别涉及基于融合模型的电力负荷短期预测方法、装置及相关介质。

背景技术

随着经济社会的快速发展，全球电力需求不断增加，电力负荷在变电所、发电厂和电力系统的运行中扮演着越来越重要的作用。电力负荷预测可以指导电力系统的规划管理、制定电力建设计划等，提高发电设备的利用率和有效性，进而带来巨大的经济和社会效益。电力负荷预测通常可根据时间划分为超短期(几分钟到几小时)、短期(一天到几周)、中期(几个月到一年)和长期(几年)预测。其中，电力负荷短期预测(Short-term electricalload forecasting，STLF)直接影响着电厂和电网的经济利益，在实际的负荷管理中起着关键的作用。然而，电力负荷受环境变化的影响较大(如气候变化、需求响应等)，具有显著的随机性、周期性及非平稳特性，这很大程度上增加了短期负荷预测的难度。同时，储能、电动汽车和可再生能源等的大规模接入，进一步增加了负荷数据的波动性，使得当前的短期预测模型普遍存在准确性低、稳定性差等问题。因此，如何科学有效地建立预测模型，解决负荷数据存在的非平稳、波动性强等问题，是一项极具挑战且具有重要应用价值的工作。

现有的STLF方法可划分为两大类：(1)基于单一模型的预测方法；(2)融合多个模型的预测方法。基于单个模型的方法包括：统计方法(如AIRMA、MLR)、机器学习方法(如SVR、LSTM)等。其中，支持向量回归(SVR)因其强大的非线性和小样本高维数据预测能力，被广泛用于电力负荷预测。即便如此，单一的SVR模型在处理更加复杂的短期电力负荷序列时，很难保证预测准确率，同时存在优化过程复杂、收敛速度慢等缺点。通过SVR模型与分解模型融合(如EMD-SVR，等)，可以很好解决电力负荷的非线性及非平稳波动问题，提高预测准确性，保障电力系统安全。然而，当前大部分研究专注于提高预测模型的准确性和速度，往往忽略模型的稳定性，致力于改善模型稳定性的方法还相对较少。此外，一些基于纠错技术的模型融合方法在一定程度上改善了预测结果，但忽略了误差数据的重要性。因此，如何有效利用误差数据，对预测获取的残差序列进行自适应校准，建立准确率高、稳定性强的融合模型，是模型构建的面临主要挑战。

发明内容

本发明实施例提供了一种基于融合模型的电力负荷短期预测方法、装置、计算机设备及存储介质，旨在解决力负荷存在的非平稳、波动性强等问题，以提高电力负荷短期预测的准确率和稳定性。

第一方面，本发明实施例提供了一种基于融合模型的电力负荷短期预测方法，包括：

获取电力负荷数据，并对所述电力负荷数据进行特征归一化处理，得到对应的电力负荷序列；

采用支持向量回归模型对所述电力负荷序列进行训练及预测，得到对应的电力负荷预测值，并根据所述电力负荷序列和所述电力负荷预测值得到一残差序列；

采用动力学模态分解模型对所述残差序列进行训练及预测，得到第一残差序列预测值；

利用灰色灾变预测模型对所述残差序列进行异常值检测校准，以得到第二残差序列预测值；

将所述电力负荷预测值与所述第二残差序列预测值进行叠加，并将叠加结果作为最终的电力负荷短期预测结果。

第二方面，本发明实施例提供了一种基于融合模型的电力负荷短期预测装置，包括：