专利名称：

发明

融合非量化气象条件变化因素的电力负荷预测方法及系统

申请公布号：

CN117856230A

申请公布日：

2024-04-09

申请号：

2023117921949

申请日：

2023-12-25

申请人：

国网湖北省电力有限公司信息通信公司,武汉大学,

地址：

430070 湖北省武汉市洪山区徐东大街341号

发明人：

刘芬,许静宇,胡欢君,王逸兮,宁昊,王正,陈军,

分类号：

H02J3/00(2006.01);G06F18/10(2023.01);G06F18/214(2023.01);G06N3/048(2023.01);G06N3/08(2023.01);

专利代理机构：

武汉市首臻知识产权代理有限公司 42229

代理人：

朱迪

最终专利权人：

摘要：

融合气温因素和非量化气象条件变化因素的电力负荷预测方法及系统，采用预处理‑训练‑预测的思路。在预处理阶段，对负荷数据进行预处理，并对复杂气象条件变化这类不可直接量化的因素进行数值化；使用完全自适应噪声集合经验模态分解方法对剔除后的台区负荷数据进行分解；在训练阶段，将分解得到的数据与气温以及量化后的气象条件变化因素进行连接，并输入到GRU神经网络进行训练。在预测阶段，对预处理阶段得到的每个分解数据做预测，并对预测结果进行加和得到总的电力负荷预测结果。本发明不仅根据电力负荷的周期性特点选择模型；而且，通过融合气温因素和非量化气象条件变化因素，从天气纬度对电力负荷预测进行补充，提高预测性能。

权利要求书：

1.一种融合非量化气象条件变化因素的电力负荷预测方法，其特征在于：所述电力负荷预测方法包括以下步骤：S1.获取一段时间内用户及所在台区逐天的电力负荷数据和台区所在地的天气数据，所述天气数据包括气温和天空状况，对获取到的电力负荷数据进行预处理；S2.对获取到的天气数据中的非量化气象条件变化因素进行量化，使其数值化，并对量化后的天气数据进行最大最小归一化处理；S3.将经过预处理后的电力负荷数据使用完全自适应噪声集合经验模态分解方法进行分解，并对分解得到的不同模态的数据进行最大最小归一化处理；S4.将归一化后得到的电力数据与S2所获得的归一化的天气数据进行连接，得到融合了气温因素和非量化气象条件变化因素的电力负荷数据；S5.构建GRU神经网络，该网络的输入为一定时间长度的历史数据，输出为下一时间点的电力负荷预测值，将S4得到的分解数据分为训练组和预测组，先使用训练组数据对GRU神经网络进行训练，然后使用预测组数据来对训练完成的GRU神经网络模型进行测试，并对分解后的预测结果进行加和得到总的台区用电负荷的预测结果，比较其预测结果与实际电力负荷值，看预测误差是否满足要求。2.根据权利要求1所述的一种融合气温因素和非量化气象条件变化因素的电力负荷预测方法，其特征在于：所述S1中，对获取到的电力负荷数据进行预处理：所获取到的电力负荷数据存在数据缺失、错误现象，需对获取到的数据进行预处理：针对数据缺失现象，若发生在新用户在加入台区前，其特点为该用户记录的起始时间晚于台区数据起始时间，在该用户的起始时间后电力负荷数据逐步增加，则对其用电负荷数据采取前向补零的方式填补完整；若发生在单天数据缺失的情况，则对数据利用其前后的数据进行线性插值，以进行填补；针对数据错误现象，对错误数据直接剔除，不予采用。3.根据权利要求1或2所述的一种融合气温因素和非量化气象条件变化因素的电力负荷预测方法，其特征在于：所述S2中，对获取到的天气数据中的非量化气象条件变化因素进行量化，使其数值化：所获取到的台区所在地的天气数据为公开数据，在预处理阶段，仅根据公开数据进行数据核对；气温指的是当日温度，由当日最高温度和最低温度的平均值表示；天空状况指的是当日天空的状态，包括：晴、多云、阴、小雨、中雨、大雨、暴雨、大暴雨、雨夹雪、小雪、中雪、大雪、暴雪、大暴雪；在预处理阶段，将天空状况做量化处理，分别使用1、2、3、4、5、6、7、8、9、10、11、12、13、14对前述天空状况依次一一进行赋值；使用二维向量对一日中白天与夜晚的天空状况分别进行量化,表示为[a b]，其中a对应白天天空状况的赋值，其中b对应夜晚天空状况的赋值；使用最大最小归一化方法分别对温度、白天天空状况的赋值、夜晚天空状况的赋值进行处理。4.根据权利要求3所述的一种融合气温因素和非量化气象条件变化因素的电力负荷预测方法，其特征在于：所述S3中，将归一化处理后的电力负荷数据使用完全自适应噪声集合经验模态分解方法进行分解；S3.1在首次迭代中，对原始负荷序列D(t)添加一个服从正态分布的白噪声n(t)，形成新的序列D′(t)，公式表示为：D′(t)＝D(t)+n(t)然后对序列D′(t)进行EMD分解，得到若干个IMF序列：在分解后做以下计算：求均值：更新残差r1(t)＝D(t)‑IMF1(t)S3.2，在后续第K次迭代中，对余量序列rk‑1(t)进行EMD分解，得到若干个IMF序列：此外，添加的白噪声都是最初始白噪声n(t)的IMF分量IMFk‑1(n(t))；求平均值：更新残差：rk(t)＝rk‑1(t)‑IMFk(t)重复上述步骤，直到余量不能再被分解为止；S3.3，对于每个分量IMFk，均进行最大最小归一化处理，得到分解后的电力负荷数据。5.根据权利要求4所述的一种融合气温因素和非量化气象条件变化因素的电力负荷预测方法，其特征在于：所述S4中，将S3中得到的分解后的数据与S2处理后的天气数据进行连接；对于每个维度，电力负荷数据可视为一维向量，气温数据可视为一维向量，天空状况为二维向量，使用concatenate操作进行连接后，得到包含四维向量的数据，公式表示如下：原始的电力负荷数据的形状为：x＝x.reshape((x.shape[0],timestep,1))式中，右侧的x为分解后直接得到的某一维度的电力负荷数据，左侧为根据需求重新改变张量形状的电力负荷数据，改变后数据的内容不变；连接后的电力负荷数据的形状为：x′＝concatenate(x,weather[:,:,newaxis],axis＝2)式中，天气数据weather[:,:,newaxis]由白天天空状况数据condition_1[:,:,newaxis]，夜晚天空状况数据condition_2[:,:,newaxis]和温度数据temperature[:,:,newaxis]以同样的concatenate操作连接而来，这里newaxis为Python库numpy中的参数，表示增加一个维度，以和前面的电力负荷数据对齐，concatenate为numpy中的操作，它将电力负荷数据和天气数据两个张量连接起来，组成含天气数据的电力负荷数据，axis参数指定连接的位置，axis参数从0开始计数，由于原始的电力负荷数据的形状为(样本量，时间长度，特征)，因此这里指定在第3个位置连接，即axis＝2；最后，再对x′进行reshape操作x′＝x′.reshape((x′.shape[0],timestep,4))，式中，shape[0]为样本数量，timestep为周期性时间段的长度，4表示特征维度为4。6.根据权利要求5所述的一种融合气温因素和非量化气象条件变化因素的电力负荷预测方法，其特征在于：所述S5中，所述GRU网络，输入为S4所得的一定时间段内包含四维向量的数据，这里一定时间段设置为一周、一月或一季度以反映电力负荷的周期性，输出则为下一时间节点(以天为单位)的台区电力负荷预测值；在预测时，需对S4中分解得到的每个维度分量进行预测，最终的负荷预测值由所有维度分量的预测结果相加而来。7.一种融合气温因素和非量化气象条件变化因素的电力负荷预测系统，其特征在于：所述电力负荷预测系统包括：数据预处理模块：用于对电力负荷数据和天气数据进行预处理；天气数据归一化模块：用于将天气数据的非量化气象条件变化因素进行量化，并进行归一化处理；电力数据完全自适应噪声集合经验模态分解模块：用于将电力负荷数据进行完全自适应噪声集合经验模态分解，并进行归一化处理；数据连接模块：用于将归一化后得到的电力数据与归一化的天气数据进行连接；GRU神经网络预测模块，用于利用连接后的电力负荷数据，逐日预测电力负荷。8.一种融合气温因素和非量化气象条件变化因素的电力负荷预测设备，其特征在于：包括存储器和处理器，所述存储器，用于存储计算机程序代码，并将所述计算机程序代码传输给所述处理器；所述处理器，用于根据所述计算机程序代码中的指令执行如权利要求1至6任一项所述的方法。9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述权利要求1至6任一项中所述的方法。

主视图

日期	最新法律状态	描述
2024-04-09	公开	公开