[发明专利]一种包含误差修正的超短期负荷预测方法及系统

说明书

本发明公开了一种包含误差修正的超短期负荷预测方法及系统，所述方法包括：获取用户负荷历史数据，所述用户负荷历史数据包括训练数据集和指定时段的测试集；基于训练数据集训练Holt‑Winter预测器，并基于所述Holt‑Winter预测器对所述指定时段的用户负荷进行预测；根据所述指定时段的预测值和测试集，得到误差预测训练集；基于误差预测训练集训练基于超限学习机的误差预测器；基于Holt‑Winter预测器和误差预测器得到组合预测模型，进行负荷预测。本发明综合考虑了符合数据的周期性规律和用电的不确定性，保证了预测精度。

技术领域

本发明属于电力负荷预测技术领域，尤其涉及一种包含误差修正的超短期负荷预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

多能互补综合能源系统融合风、光、地热等多种可再生能源，采用分布式供能方式，可有效提高可再生能源消纳率和能源综合利用率，是城市未来能源供应的重要手段。

精准的负荷预测可以抑制负荷不确定性的不良影响，更好地支撑综合能源系统的规划、运行和服务，是实现综合能源系统优化运行的重要基础。因此研究超短期负荷预测方法，提升负荷预测精度对系统经济、高效、稳定运行有着重要意义。但由于综合能源系统不再仅仅以电能作为研究对象，涵盖了更为广泛的热(冷)、气、油等多种能源形式，需要直接应对不同用户的多元化用能需求，多种负荷变化的随机性对负荷的精准预测提出了更大的挑战。

现有的负荷预测方法主要分为统计模型和机器学习模型两种，统计模型中线性回归(例如ARIMA、Holt-Winter等)、卡尔曼滤波等方法应用较为普遍，这类方法可以总结负荷曲线自身较为规律的变化(如周期性、季节性等)，但对于价格、天气、政策等多种对负荷的影响很难建立精确的数学模型，从而难以获得令人满意的结果。机器学习方法在分析过程中无需建立对象的精确模型，可以抽象诸多外在影响因素与负荷的内在联系，越来越多的被应用于负荷预测。常见的方法有支持向量机(SVM)、卷积神经网络(CNN)、长短期记忆网络(LSTM)等。尽管采用机器学习方法进行负荷预测得到了较好的结果，但上述方法忽略了负荷本身的周期性和季节性特点，预测精度难以进一步提高。

检索发现，中国发明专利CN109615117A《一种基于ARIMA模型的煤改电电力负荷预测方法》利用ARIMA模型实现负荷预测，有利于电网负载的均衡化，避免能源的浪费。中国发明专利CN103295075B《一种超短期电力负荷预测与预警方法》提出了一种基于卡尔曼滤波和小波回声状态网络的超短期负荷预测与预警方法，实现大型企业负荷预测。中国发明专利CN109934392A《一种基于深度学习的微电网短期负荷预测方法》提出了一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的机器学习预测方法，深度挖掘负荷数据存在的特征和关系，以提高预测精度和可靠性。但是上述发明都是通过单一采用统计模型或机器学习模型实现负荷预测，没能有效结合两种模型的优势。

发明内容

为克服上述现有技术的不足，本发明提供了一种包含误差修正的超短期负荷预测方法及系统，综合考虑了符合数据的周期性规律和用电的不确定性，保证了预测精度。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种包含误差修正的超短期负荷预测方法，包括以下步骤：

获取用户负荷历史数据，所述用户负荷历史数据包括训练数据集和指定时段的测试集；

基于训练数据集训练Holt-Winter预测器，并基于所述Holt-Winter预测器对所述指定时段的用户负荷进行预测；

根据所述指定时段的预测值和测试集，得到误差预测训练集；

基于误差预测训练集训练基于超限学习机的误差预测器；