技术领域
[0001] 本
发明涉及电
力系统技术领域，尤其涉及考虑气象因素的精细化短期负荷预测方法、装置及介质。
背景技术
[0002] 短期负荷预测是
电网能量管理系统的重要功能，是电力系统安全、经济、可靠运行的
基础。负荷预测的
精度直接影响电力系统的安全性、经济性和供电
质量。因此如何提高预测精度是目前短期负荷预测技术研究的重点。
[0003]
现有技术下，用于短期负荷预测的方法主要有传统预测方法和现代预测方法两大类。
[0004] 传统预测方法包括指数平滑法、回归分析法、时间序列法、灰色预测法等。其中以时间序列法应用最为广泛。时间序列法针对一维时间序列，以历史负荷数据为依据推断未来负荷的数值变化，没有考虑气象因素对负荷的影响，造成重要信息的缺失。有些方法即使考虑了气象因素的影响，也多是分析日负荷与最高
温度、最低温度等单个气象因素的关系，不能反映所有的气象信息，容易造成分析结果出现误差，从而影响短期负荷预测的精度，难以满足地区负荷预测的需要。
[0005] 现代预测方法主要有
专家系统法、遗传
算法、神经网络法、
支持向量机等。神经网络由于
自学习能力和对复杂非线性系统处理能力，成为短期负荷预测的一种重要方法。由于神经网络的结构和参数多依据主观经验确定，因此难以保证预测的效果。合理确定神经网络的结构和参数可有效提高负荷预测的精度。
[0006] 对于以往预测方法的不足，不能解决
大数据背景下的用户精细化负荷预测问题。随着电力大数据的不断发展与积累，如何处理海量电力数据与负荷特性影响因素的关系，从而得到精细化的短期负荷预测，值得进一步探究。气象、日期类型等因素对不同类型用户的负荷特性影响程度不同，需要研究基于用户负荷特性分析的短期负荷预测。
发明内容
[0007] 本发明所要解决的技术问题在于，提供考虑气象因素的精细化短期负荷预测方法、装置及介质，能够达到对用户级的精细化负荷预测的目的，提高短期负荷预测的精度。
[0008] 为解决上述问题，本发明
实施例提供一种考虑气象因素的精细化短期负荷预测方法，包括：
[0009] S1.基于灰色关联度分析方法，定量分析气象因素对用电负荷特性的影响，并选取若干关键影响因素，作为
决策树算法的输入向量；
[0010] S2.在对用户的历史负荷数据进行
聚类分析后，为每一条日负荷曲线建立类别标签，并通过决策树算法建立分类规则，将待预测日进行分类；
[0011] S3.采用Elman神经网络对某用户进行短期负荷预测。
[0012] 优选地，步骤S1，包括：
[0013] S11.确定定量分析过程中需要使用的参考序列和比较序列；其中，所述参考序列为系统特征序列，所述比较序列为影响因素序列；
[0014] 设参考序列为Y＝(y1 y2 ... yt)T，yi(i＝1,2,...,t)代表参考序列各点的数值，t代表总的数据量，影响因素X1,X2,...,Xn构成的比较序列矩阵可以用以下形式来表示：
[0015]
[0016] 上式中，n表示在整个评估过程中，需要评价的影响因子的个数；
[0017] S12.采用最大值对数据集进行归一化处理，计算公式如下所述：
[0018]
[0019] 归一化后的所述参考序列和所述比较序列，分别为：
[0020]
[0021]
[0022] S13.将所述参考序列和所述比较序列看成多维空间中的点，在特定的t维空间中研究各个影响因素与系统特征之间的关系，差序列的计算公式如下所述：
[0023]
[0024] 则差值矩阵为Δ：
[0025]
[0026] S14.关联系数反映了系统特征序列同各影响因素序列之间在不同时间点的关联性，计算公式如下所述：
[0027]
[0028] 上式中，ρ∈(0，1)被称为分辨系数，ρ越小则分辨力越强，取ρ＝0.5；通过上述公式计算出各时间点的系统特征序列与各影响因素序列的关联系数，得到关联系数矩阵如下：
[0029]
[0030] S15.将各个时间点的关联系数进行加权求和，如下述公式所示：
[0031]
[0032] 上式中：Lj为系统特征序列与第j个影响因素的关联度，ω(i)为第i个时间点的关联系数权重；
[0033] 设置
阈值变量θ，当Lj>θ时，判定系统特征序列与影响因素j之间存在相关性，并且Lj越大，相关性越强。
[0034] 优选地，步骤S2，具体的：
[0035] 基于CART决策树算法实现对待预测日的负荷曲线类型的辨识；其中，[0036] CART决策树算法建立模型时包含了建树与
剪枝两个过程，剪枝过程用于防止
训练数据的过度拟合，CART决策树分类算法的建树过程以样本数据的基尼系数最小为目标，选择最优的类别划分，递归地建立二叉树，并且每一次
节点的分裂会产生两个
子节点；
[0037] CART决策树算法的停止条件是：节点中的样本数小于给定阈值或者基尼系数小于给定阈值。
[0038] 优选地，Elman神经网络包括
输入层、隐含层、承接层与
输出层；
[0039] 步骤S3，具体的：
[0040] 构造如下Elman神经网络非线性
状态空间表达式：
[0041] x(k)＝f(w1xc(k)+w2(μ(k-1))+b1)；
[0042] 上述公式中，w1代表输入层到隐含层的权值；xc(k)代表承接层的输出；x(k)代表承接层的输出；w2代表承接层到隐含层的权值；μ(k-1)代表网络模型的输入；b1为输入层的阈值；f(·)是隐含层的传递函数，常用S型函数；
[0043] xc(k)＝x(k-1)；
[0044] 上述公式代表：承接层记忆了隐含层前一时刻的输出x(k-1)；
[0045] y(k)＝g(w3x(k)+b2)；
[0046] 上述公式中，w3代表隐含层到输出层的权值；b2为隐含层的阈值；g(·)是输出层的传递函数，常用线性函数；
[0047] Elman神经网络使用误差平方和函数作为学习指标函数，计算公式如下：
[0048]
[0049] 上式中， 对应目标对象的输入向量。
[0050] 本发明实施例还提供一种考虑气象因素的精细化短期负荷预测装置，包括：
[0051] 输入单元，用于基于灰色关联度分析方法，定量分析气象因素对用电负荷特性的影响，并选取若干关键影响因素，作为决策树算法的输入向量；
[0052] 分类单元，用于在对用户的历史负荷数据进行聚类分析后，为每一条日负荷曲线建立类别标签，并通过决策树算法建立分类规则，将待预测日进行分类；
[0053] 预测单元，用于采用Elman神经网络对某用户进行短期负荷预测。
[0054] 本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的
计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的考虑气象因素的精细化短期负荷预测方法。
[0055] 实施本发明实施例具有如下有益效果：
[0056] 本发明基于聚类分析以及负荷特性影响因素的定量分析结果，根据决策树等算法建立分类规则，得到待预测日的同类型日数据集，最后，将Elman神经网络应用于短期负荷预测，作为待预测日的负荷模型，达到精细化负荷预测的目的，提高短期负荷预测的精度。
附图说明
[0057] 图1是本发明一个实施例提供的考虑气象因素的精细化短期负荷预测方法的流程示意图。
具体实施方式
[0058] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0059] 应当理解，当在本
说明书和所附
权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0060] 还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0061] 还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0062] 请参阅图1。
[0063] 本发明实施例提供一种考虑气象因素的精细化短期负荷预测方法，包括：
[0064] S1.基于灰色关联度分析方法，定量分析气象因素对用电负荷特性的影响，并选取若干关键影响因素，作为决策树算法的输入向量。
[0065] 在具体的实施例当中，对用户历史用电中的日负荷特性指标：日最大负荷、日最小负荷、日峰谷差、日峰谷差率、日负荷率以及日最小负荷率与气温(最高、最低、平均)、日平均湿度、气压(最高、最低、平均)、日最大
风速等气象因素之间进行关联分析，得到影响用户用电特性的关键影响因素。
[0066] S2.在对用户的历史负荷数据进行聚类分析后，为每一条日负荷曲线建立类别标签，并通过决策树算法建立分类规则，将待预测日进行分类。
[0067] 在具体的实施例当中，预测的待预测日一天24个时刻的负荷值，将气象因素用于挑选历史用电数据，将与待预测日同类别的历史用电数据作为训练集输入到
预测模型中。
[0068] S3.采用Elman神经网络对某用户进行短期负荷预测。
[0069] 随着智能量测系统的发展，电网运行数据的计量维度可以具体到用户。在具体的实施例当中，利用用户级的电力数据，实现对负荷特性的精准描述。本技术方案中，综合聚类分析、灰色关联度分析、CART决策树、Elman神经网络算法等多种方法，建立了考虑气象因素的精细化短期负荷预测模型，实现了对用户级的精细化负荷预测。
[0070] 通过建立的精细化负荷预测模型对于用户级的负荷预测具有参考、研究价值，同样也可以推广到区域电网(省、市级电网)的负荷预测。本发明实施例具有更广泛的适用性与普遍性。
[0071] 步骤S1，包括：
[0072] S11.确定定量分析过程中需要使用的参考序列和比较序列；其中，所述参考序列为系统特征序列，所述比较序列为影响因素序列；
[0073] 设参考序列为Y＝(y1 y2 ... yt)T，yi(i＝1,2,...,t)代表参考序列各点的数值，t代表总的数据量，影响因素X1,X2,...,Xn构成的比较序列矩阵可以用以下形式来表示：
[0074]
[0075] 上式中，n表示在整个评估过程中，需要评价的影响因子的个数。
[0076] 不同的序列数值差别比较大，并且各个类型数据的量纲之间不具有比较性，这会影响最终分析结果的准确性，因此需要将序列进行规范处理。
[0077] S12.采用最大值对数据集进行归一化处理，计算公式如下所述：
[0078]
[0079] 归一化后的所述参考序列和所述比较序列，分别为：
[0080]
[0081]
[0082] S13.将所述参考序列和所述比较序列看成多维空间中的点，在特定的t维空间中研究各个影响因素与系统特征之间的关系，差序列的计算公式如下所述：
[0083]
[0084] 则差值矩阵为Δ：
[0085]
[0086] S14.关联系数反映了系统特征序列同各影响因素序列之间在不同时间点的关联性，计算公式如下所述：
[0087]
[0088] 上式中，ρ∈(0，1)被称为分辨系数，ρ越小则分辨力越强，取ρ＝0.5；通过上述公式计算出各时间点的系统特征序列与各影响因素序列的关联系数，得到关联系数矩阵如下：
[0089]
[0090] 关联系数仅是比较序列与参考序列在不同时间点上的关联值，为了计算系统特征序列与各影响因素子序列之间的关联度。
[0091] S15.将各个时间点的关联系数进行加权求和，如下述公式所示：
[0092]
[0093] 上式中：Lj为系统特征序列与第j个影响因素的关联度，ω(i)为第i个时间点的关联系数权重；
[0094] 设置阈值变量θ，当Lj>θ时，判定系统特征序列与影响因素j之间存在相关性，并且Lj越大，相关性越强。
[0095] 优选地，步骤S2，具体的：
[0096] 基于CART决策树算法实现对待预测日的负荷曲线类型的辨识；其中，[0097] CART决策树算法建立模型时包含了建树与剪枝两个过程，剪枝过程用于防止训练数据的过度拟合，CART决策树分类算法的建树过程以样本数据的基尼系数最小为目标，选择最优的类别划分，递归地建立二叉树，并且每一次节点的分裂会产生两个子节点；
[0098] CART决策树算法的停止条件是：节点中的样本数小于给定阈值或者基尼系数小于给定阈值。
[0099] 决策树算法(Decision Tree)是在已知样本数据发生概率的基础上，构建决策树来得到净现值的期望大于或者等于零的概率的一种分析方法。根据输入的数据类型以及预测目标的不同，可以分为分类树与回归树：分类树可以实现对未知类型的对象的类别预测；回归树可以实现对连续型数值的预测。因此，基于CART决策树算法实现对待预测日的负荷曲线类型的辨识。
[0100] 优选地，Elman神经网络包括输入层、隐含层、承接层与输出层；
[0101] 步骤S3，具体的：
[0102] 构造如下Elman神经网络非线性状态空间表达式：
[0103] x(k)＝f(w1xc(k)+w2(μ(k-1))+b1)；
[0104] 上述公式中，w1代表输入层到隐含层的权值；xc(k)代表承接层的输出；x(k)代表承接层的输出；w2代表承接层到隐含层的权值；μ(k-1)代表网络模型的输入；b1为输入层的阈值；f(·)是隐含层的传递函数，常用S型函数；
[0105] xc(k)＝x(k-1)；
[0106] 上述公式代表：承接层记忆了隐含层前一时刻的输出x(k-1)；
[0107] y(k)＝g(w3x(k)+b2)；
[0108] 上述公式中，w3代表隐含层到输出层的权值；b2为隐含层的阈值；g(·)是输出层的传递函数，常用线性函数；
[0109] Elman神经网络使用误差平方和函数作为学习指标函数，计算公式如下：
[0110]
[0111] 上式中， 对应目标对象的输入向量。
[0112] 本发明实施例还提供一种考虑气象因素的精细化短期负荷预测装置，包括：
[0113] 输入单元，用于基于灰色关联度分析方法，定量分析气象因素对用电负荷特性的影响，并选取若干关键影响因素，作为决策树算法的输入向量。
[0114] 分类单元，用于在对用户的历史负荷数据进行聚类分析后，为每一条日负荷曲线建立类别标签，并通过决策树算法建立分类规则，将待预测日进行分类。
[0115] 预测单元，用于采用Elman神经网络对某用户进行短期负荷预测。
[0116] 本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的考虑气象因素的精细化短期负荷预测方法。
[0117] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的
硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
[0118] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
