采暖负荷预测方法、系统及计算机程序产品

本技术涉及采暖负荷预测领域，且特别是有关于一种采暖负荷预测方法、系统及计算机程序产品。

背景技术：

1、在新型电力系统架构下，清洁采暖负荷预测是保障电网安全经济运行的核心环节。随着“双碳”目标推进，电采暖设备大规模接入配电网，导致负荷峰谷差率显著增大，叠加光伏消纳与蓄热装置协同运行带来的源荷互动不确定性，现有技术因缺乏精准负荷预测手段，易引发台区变压器过载、电压越限等安全隐患，同时导致需求响应策略失准和能源浪费。尽管现有方案尝试通过数据处理与模型分析提升预测能力，但在数据异常检测与缺失值填充的鲁棒性、气象数据与负荷关联性分析的深度、用户行为差异分析的精细化等方面仍存在不足，导致多维度预测精度受限，难以满足新型电力系统对负荷预测的准确性和时效性需求。

2、因此，如何解决清洁采暖负荷预测中数据处理不完整、关联分析不充分及用户行为差异分析粗放导致的多属性数据预测精度下降问题，成为当前亟待突破的技术瓶颈。

技术实现思路

1、本技术旨在提供一种提高多属性数据负荷预测精度的采暖负荷预测方法、系统及计算机程序产品。

2、为达到上述目的，本技术技术方案是：

3、一种采暖负荷预测方法，包括，

4、对采集的数据进行异常值检测与缺失值填充，得到预处理数据；

5、对预处理数据进行有效数据筛选及数据增强，得到有效数据；

6、根据有效数据构建气象数据与负荷关联性分析模型，进行气象数据与负荷关联性分析，得到气象突变对负荷的影响；

7、根据有效数据进行用户用电行为差异分析，结合气象突变对负荷的影响构建每类用户行为的负荷预测模型，得到负荷预测结果。

8、可选的，所述对采集的数据进行异常值检测与缺失值填充，得到预处理数据，包括：

9、采用密度聚类算法，输入数据集、邻域半径及最小点数，进行异常值检测，将低密度区的孤立点标记为异常点；

10、遍历所有数据点识别异常点；

11、采用k近邻算法，根据邻近样本的加权平均求取填充缺失值；

12、采用长短期记忆网络挖掘动态时序数据的时间序列的长期依赖关系预测缺失值；

13、采用决策融合，将填充缺失值与预测缺失值进行融合生成最终缺失值填充结果，得到预处理数据。

14、可选的，所述对采集的数据进行异常值检测与缺失值填充，得到预处理数据之前，还包括：采用动态时间规整对数据进行对齐。

15、可选的，有效数据筛选包括：

16、室温达标率过滤；

17、气象可控性标注。

18、可选的，所述根据有效数据构建气象数据与负荷关联性分析模型，有效数据进行气象数据与负荷关联性分析，得到气象突变对负荷的影响，包括：

19、根据长短期记忆网络获得气象与负荷的长期时序模式；

20、采用注意力机制识别关键时段，对关键时段进行加权；

21、根据注意力权重采用可视化图形分析气象敏感时段；

22、其中，关键时段包括：极端天气。

23、可选的，所述根据有效数据进行用户用电行为差异分析，结合气象突变对负荷的影响构建每类用户行为的负荷预测模型，得到负荷预测结果，包括：

24、采用聚类算法根据用户行为数据将用户行为划分为不同等级的负荷模式差异显著的群体；

25、为每类用户行为构建专属负荷预测模型，得到每类用户行为的负荷预测结果。

26、可选的，所述采用聚类算法根据用户行为数据将用户行为划分为不同等级的负荷模式差异显著的群体，包括：

27、设置用户行为特征向量，表示如下：

28、ft＝[f1,f2,...fd]t

29、其中，ft为用户行为特征向量；[f1，f2，...fd]t为各组用户行为特征向量，包括：日负荷率、温度敏感系数、节假日负荷波动率及峰谷差率；

30、数据标准化，将标准化后的数据输入k均值聚类算法，表示如下：

31、

32、其中，fik为第i个样本的第k个特征，μk为第k个特征的均值，σk为第k个特征的标准差，zik为第i个样本的第k个特征标准化后的值，w(k)为k均值聚类算法的函数值，k为k均值聚类算法的类别总数，cj为第j个簇的样本集合，cj为第j个簇的中心，fi为第i个样本的特征；

33、根据用户行为数据将用户行为划分为不同等级的负荷模式差异显著的群体，包括：

34、初始化聚类中心，随机选择k个样本点作为初始聚类中心，表示如下：

35、

36、其中，为第0次迭代下第j个簇的中心，是从数据集中随机选择的第r个样本的全部特征向量，frk为第r个样本的第k个特征；

37、样本分配，计算每个样本到聚类中心的欧氏距离，表示如下：

38、

39、其中，为第t次迭代下第i个样本的分配结果，为第t次迭代下第j个簇的中心；

40、对每个簇的中心进行更新，表示如下：

41、

42、其中，即第t次迭代下第j个簇的样本集合；为第t+1次迭代下第j个簇的中心；

43、收敛判断，表示如下：

44、||c(t+1)-c(t)||f＜ε

45、其中，c(t+1)为第t+1次迭代下的样本集合，c(t)为第t次迭代下的样本集合，f为样本集合；当聚类中心移动距离小于阈值ε时，更新停止；

46、选择k均值聚类算法的函数值下降趋势减缓的拐点初步筛选最佳划分值的范围，计算范围内预选样本的轮廓系数及k均值聚类算法效果指标，对比选择综合最优解，以综合最优解作为最佳划分值，将用户行为划分为不同等级的负荷模式差异显著的群体。

47、可选的，所述根据有效数据进行用户用电行为差异分析，构建每类用户行为的负荷预测模型，得到负荷预测结果之后，还包括：对负荷预测模型进行优化，实现负荷预测结果与实际清洁采暖结合的优化方法。

48、一种采暖负荷预测系统，包括：一个或多个处理器；存储装置，用于存储一个或多个程序当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述中任一项所述的采暖负荷预测方法，并根据所述采暖负荷预测方法进行采暖负荷预测。

49、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上述中任一项所述的一种采暖负荷预测方法。

50、本技术通过密度聚类算法识别数据异常点，结合k近邻算法与长短期记忆网络融合填充缺失值以提升数据质量；构建气象数据与负荷关联性分析模型，借助长短期记忆网络捕捉长期时序模式，利用注意力机制聚焦关键时段特征，精准反映气象突变对负荷的影响；通过聚类算法划分用户用电行为群体，为每类用户行为构建专属负荷预测模型，实现用户行为差异的精细化分析，形成完整的综合数据分析与处理流程，显著增强负荷预测的准确性与效率，可提前预判负荷波动趋势，为配电网调度、多能互补及分时电价优化提供可靠支撑。

51、为让申请的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图式作详细说明如下。