本發明涉及電力系統短期負荷預測,尤其涉及一種短期負荷預測方法及系統。
背景技術:
1、電力負荷預測技術的不斷發展和完善,使得預測結果更加準確可靠,對電力行業的可持續發展具有重要意義。隨著大數據、人工智能等技術的不斷應用,電力負荷預測技術也在不斷創新和升級。基于機器學習的負荷預測模型可以自動學習歷史數據中的規律,預測未來負荷的變化趨勢。同時,深度學習等技術也被引入到電力負荷預測中,通過構建復雜的神經網絡模型,可以更加準確地捕捉負荷數據的復雜特征,提高預測精度。
2、除了技術創新,電力負荷預測還需要結合實際需求進行個性化定制。不同地區、不同季節、不同行業的電力負荷特點都有所不同,因此需要針對具體應用場景制定合適的預測模型。例如,對于工業園區等用電集中的區域,需要考慮負荷的集中性和波動性,采用更加靈活的預測方法;對于居民用電等分散性較強的場景,則需要考慮負荷的多樣性和不確定性,采用更加穩健的預測策略。
3、總的來說,電力負荷預測作為電力領域研究的重要方向,將在未來繼續發揮重要作用。隨著技術的不斷進步和應用場景的不斷拓展,電力負荷預測將更加精準可靠,為電力行業的可持續發展提供有力支持。
技術實現思路
1、本部分的目的在于概述本發明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本技術的說明書摘要和發明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發明名稱的目的模糊,而這種簡化或省略不能用于限制本發明的范圍。
2、鑒于上述現有存在的問題,提出了本發明。
3、因此,本發明提供了一種短期負荷預測方法及系統,能夠解決背景技術中提到的問題。
4、為解決上述技術問題,本發明提供如下技術方案:
5、第一方面,本發明提供了一種短期負荷預測方法,包括:
6、獲取目標電力系統歷史負荷相關數據,并對所述歷史負荷相關數據進行預處理;
7、將預處理后的歷史負荷相關數據作為輸入,輸入至基于改進神經網絡算法的第一負荷預測模型以及基于改進決策樹算法的第二負荷預測模型中,歷史負荷值作為第一負荷預測模型以及第二負荷預測模型的輸出;
8、建立基于第一負荷預測模型以及第二負荷預測模型的第三負荷預測模型;
9、將實時目標電力系統負荷相關數據所述第三負荷預測模型,判斷第三負荷預測模型的輸出預測值是否滿足需求,若滿足,則完成第三負荷預測模型建立。
10、作為本發明所述的短期負荷預測方法的一種優選方案,其中:還包括:若不滿足,則根據第一預設更新策略,更新第三負荷預測模型,直至第三負荷預測模型滿足需求。
11、作為本發明所述的短期負荷預測方法的一種優選方案,其中:所述獲取目標電力系統歷史負荷相關數據,并對所述歷史負荷相關數據進行預處理包括:
12、所述目標電力系統歷史負荷相關數據包括時間序列數據、電力負荷值、天氣條件以及特定事件標記;
13、所述預處理包括對目標電力系統歷史負荷相關數據去除異常值,并進行缺失值進行填補后再進行歸一化處理;
14、所述缺失值的填補邏輯表示為:
15、
16、其中,fht表示t時刻待填補負荷,fht-1表示t-1時刻的負荷值,fht+2表示t+2時刻的負荷值,fht+1表示t+1時刻的負荷值,fht-2表示t-2時刻的負荷值。
17、作為本發明所述的短期負荷預測方法的一種優選方案,其中:所述將預處理后的歷史負荷相關數據作為輸入,輸入至基于改進神經網絡算法的第一負荷預測模型以及基于改進決策樹算法的第二負荷預測模型中,歷史負荷值作為第一負荷預測模型以及第二負荷預測模型的輸出包括:
18、所述第一負荷預測模型的目標函數表示為:
19、ltcl=λmselmse+λccllccl+λtfpltfp
20、其中,lmse表示標準均方差,lccl表示懲罰周期性偏差,ltfp表示比較模型預測的趨勢斜率與真實趨勢斜率的差距,λmse、λccl、λtfp分別表示對應的權重。
21、作為本發明所述的短期負荷預測方法的一種優選方案,其中:所述將預處理后的歷史負荷相關數據作為輸入,輸入至基于改進神經網絡算法的第一負荷預測模型以及基于改進決策樹算法的第二負荷預測模型中,歷史負荷值作為第一負荷預測模型以及第二負荷預測模型的輸出還包括:
22、所述第二負荷預測模型的目標函數表示為:
23、ldwal=lweighted_mse+λadaptladaptivity
24、其中,lweighted_mse表示加權均方誤差,ladaptivity表示適應性誤差,λadapt表示適應性誤差的權重。
25、作為本發明所述的短期負荷預測方法的一種優選方案,其中:所述建立基于第一負荷預測模型以及第二負荷預測模型的第三負荷預測模型包括:
26、記li表示第一負荷預測模型在第i個時間步長的預測值,xi表示第二負荷預測模型在第i個時間步的預測值,pi表示第三負荷預測模型在第i個時間步的預測值,則有:
27、pi=w1li+w2xi
28、其中,w1和w2分別是第一負荷預測模型和第二負荷預測模型的權重,滿足:
29、
30、其中,ε1和ε2分別是第一負荷預測模型和第二負荷預測模型的預測誤差。
31、作為本發明所述的短期負荷預測方法的一種優選方案,其中:所述第一預設更新策略包括:
32、若第三負荷預測模型的預測值與實際值差值不大于第一閾值,則此時判斷第一負荷預測模型的權重和第二負荷預測模型的權重大小,按照第一預設步長減少權重值低的負荷預測模型對應的權重;
33、若權重值大小相等,則任意選擇一個負荷預測模型按照第一預設步長減少其權重后,再判斷第三負荷預測模型的預測值與實際值差值關系;
34、若第三負荷預測模型的預測值與實際值差值大于第一閾值且不大于第二閾值,則此時判斷第一負荷預測模型的權重和第二負荷預測模型的權重大小,按照第二預設步長增加權重值高的負荷預測模型對應的權重;
35、若權重值大小相等,則任意選擇一個負荷預測模型按照第二預設步長增加其權重后,再判斷第三負荷預測模型的預測值與實際值差值關系;
36、若第三負荷預測模型的預測值與實際值差值大于第二閾值,則判斷產生差值大于第二閾值的歷史負荷相關數據是否存在特定天氣條件或特定事件標記;
37、若不存在,則重新按照預設權重調整邏輯,更新第一負荷預測模型以及第二負荷預測模型的目標函數中的權重值,并重新獲取第三負荷預測模型;
38、若存在,則判斷第一負荷預測模型以及第二負荷預測模型在該特定天氣條件或特定事件標記下的預測結果,按照第一預設步長減少受特定天氣條件或特定事件標記限制的負荷預測模型對應的權重,并重新獲取第三負荷預測模型。
39、第二方面,本發明提供了一種短期負荷預測系統,包括:
40、數據處理模塊,用于獲取目標電力系統歷史負荷相關數據,并對所述歷史負荷相關數據進行預處理;
41、模型建立模塊,用于將預處理后的歷史負荷相關數據作為輸入,輸入至基于改進神經網絡算法的第一負荷預測模型以及基于改進決策樹算法的第二負荷預測模型中,歷史負荷值作為第一負荷預測模型以及第二負荷預測模型的輸出;
42、模型綜合模塊,用于建立基于第一負荷預測模型以及第二負荷預測模型的第三負荷預測模型;
43、判斷模塊,用于將實時目標電力系統負荷相關數據所述第三負荷預測模型,判斷第三負荷預測模型的輸出預測值是否滿足需求,若滿足,則完成第三負荷預測模型建立。
44、第三方面,本發明提供了一種計算機設備,包括存儲器和處理器,所述存儲器存儲有計算機程序,所述處理器執行所述計算機程序時實現如上所述的方法的步驟。
45、第四方面,本發明提供了一種計算機可讀存儲介質,其上存儲有計算機程序,所述計算機程序被處理器執行時實現如上所述的方法的步驟。
46、與現有技術相比,本發明的有益效果:本發明提出一種短期負荷預測方法及系統,獲取目標電力系統歷史負荷相關數據,并對所述歷史負荷相關數據進行預處理;將預處理后的歷史負荷相關數據作為輸入,輸入至基于改進神經網絡算法的第一負荷預測模型以及基于改進決策樹算法的第二負荷預測模型中,歷史負荷值作為第一負荷預測模型以及第二負荷預測模型的輸出;建立基于第一負荷預測模型以及第二負荷預測模型的第三負荷預測模型;將實時目標電力系統負荷相關數據所述第三負荷預測模型,判斷第三負荷預測模型的輸出預測值是否滿足需求,若滿足,則完成第三負荷預測模型建立。該方法首先根據歷史負荷預測結果的準確性和實時數據的波動性,動態調整第一負荷預測模型和第二負荷預測模型在第三負荷預測模型中的權重。通過不斷優化和調整,可以使得第三負荷預測模型更加準確地適應電力系統的實際運行狀況,提高預測精度和穩定性。