一种基于时段划分的日负荷预测方法及相关装置与流程

1.本技术涉及负荷预测技术领域，尤其涉及一种基于时段划分的日负荷预测方法及相关装置。


背景技术：

2.电力系统短期、中远期日负荷曲线预测在电网的安全、稳定和经济运行、设备检修计划制定、电网结构合理性评估和优化、以及电网远期规划等方面发挥着重要作用，提高电力系统日负荷曲线预测的精度是一项重要的工作。基于电力系统负荷的时序性和非线性特点，目前负荷预测主要是统计模型分析法、通用神经网络模型和具有时序特性的长短时记忆网络。
3.现有的几种方法能够在一定程度上完成负荷预测任务，但是仍然存在一些较为突出的技术问题，例如统计模型分析法对非线性负荷的拟合能力较差，而通用神经网络则会忽略负荷的时序性特点，随机性较强，长短时记忆网络虽然注重时序特性，但是，较长的时序信号的输入会导致部分弱关联特征信息丢失，影响负荷预测的准确度。


技术实现要素：

4.本技术提供了一种基于时段划分的日负荷预测方法及相关装置，用于解决现有技术对负荷时序特性和内部关联特性针对性较弱，导致负荷预测结果准确度和可靠性较低的技术问题。
5.有鉴于此，本技术第一方面提供了一种基于时段划分的日负荷预测方法，包括：
6.按照预置日时段将预置历史体感温度序列样本进行序列划分，得到分段体感温度序列集，每个所述预置历史体感温度序列样本对应一个历史负荷序列样本；
7.在计算得到每个所述分段体感温度序列集的历史体感温差序列集后，根据所述历史体感温差序列集与目标日体感温差序列进行相似度计算，得到历史相似度矩阵；
8.依据最大历史相似度原则选取出最优历史体感温差序列后，根据所述历史体感温差序列集和所述最优历史体感温差序列提取小波包系数组，所述小波包系数组包括历史体感温度系数、历史负荷系数和最优体感温度系数；
9.将所述小波包系数组重构、整合后输入初始径向基神经网络模型中进行模型训练，得到预置径向基神经网络模型；
10.将重构、整合后的目标小波包系数组输入所述预置径向基神经网络模型中进行预测，得到目标负荷差序列，所述目标小波包系数组是根据所述目标日体感温差序列获取到的；
11.基于预置数学模型，根据所述目标负荷差序列进行负荷计算，得到目标负荷预测值。
12.优选地，所述预置日时段包括负荷高峰时段和负荷低谷时段，相应的，所述按照预置日时段将预置历史体感温度序列样本进行序列划分，得到分段体感温度序列集，每个所
述预置历史体感温度序列样本对应一个历史负荷序列样本，包括：
13.按照所述负荷高峰时段和所述负荷低谷时段将预置历史体感温度序列样本中的每个序列均划分为高峰体感温度序列和低谷体感温度序列，得到高峰体感温度序列集和低谷体感温度序列集；
14.所述分段体感温度序列集包括所述高峰体感温度序列集和所述低谷体感温度序列集，每个所述预置历史体感温度序列样本对应一个历史负荷序列样本。
15.优选地，所述在计算得到每个所述分段体感温度序列集的历史体感温差序列集后，根据所述历史体感温差序列集与目标日体感温差序列进行相似度计算，得到历史相似度矩阵，之前还包括：
16.根据气象预报或者预置体感温度预测算法获取目标日体感温度序列，所述目标日体感温度序列包括多个目标日体感温度；
17.按照时间顺序将相邻的两个所述目标日体感温度作差，得到目标日体感温差序列。
18.优选地，所述预置数学模型为：
[0019][0020]
其中，t为时间，t
x
为目标日体感温度序列，t
j
为基准体感温度序列，t
j
为所述基准体感温度序列中各个温度值对应的时刻，δp(t
j
,t
x
‑
t
j
)表示所述目标负荷差序列，p(t
j
,t
j
)表示基准负荷序列，μ为修正系数。
[0021]
本技术第二方面提供了一种基于时段划分的日负荷预测装置，包括：
[0022]
时段划分模块，用于按照预置日时段将预置历史体感温度序列样本进行序列划分，得到分段体感温度序列集，每个所述预置历史体感温度序列样本对应一个历史负荷序列样本；
[0023]
相似计算模块，用于在计算得到每个所述分段体感温度序列集的历史体感温差序列集后，根据所述历史体感温差序列集与目标日体感温差序列进行相似度计算，得到历史相似度矩阵；
[0024]
系数提取模块，用于依据最大历史相似度原则选取出最优历史体感温差序列后，根据所述历史体感温差序列集和所述最优历史体感温差序列提取小波包系数组，所述小波包系数组包括历史体感温度系数、历史负荷系数和最优体感温度系数；
[0025]
模型训练模块，用于将所述小波包系数组重构、整合后输入初始径向基神经网络模型中进行模型训练，得到预置径向基神经网络模型；
[0026]
负荷预测模块，用于将重构、整合后的目标小波包系数组输入所述预置径向基神经网络模型中进行预测，得到目标负荷差序列，所述目标小波包系数组是根据所述目标日体感温差序列获取到的；
[0027]
负荷计算模块，用于基于预置数学模型，根据所述目标负荷差序列进行负荷计算，得到目标负荷预测值。
[0028]
优选地，所述预置日时段包括负荷高峰时段和负荷低谷时段，相应的，所述时段划分模块具体用于：
[0029]
按照所述负荷高峰时段和所述负荷低谷时段将预置历史体感温度序列样本中的
每个序列均划分为高峰体感温度序列和低谷体感温度序列，得到高峰体感温度序列集和低谷体感温度序列集；
[0030]
所述分段体感温度序列集包括所述高峰体感温度序列集和所述低谷体感温度序列集，每个所述预置历史体感温度序列样本对应一个历史负荷序列样本。
[0031]
优选地，还包括：
[0032]
获取模块，用于根据气象预报或者预置体感温度预测算法获取目标日体感温度序列，所述目标日体感温度序列包括多个目标日体感温度；
[0033]
差值模块，用于按照时间顺序将相邻的两个所述目标日体感温度作差，得到目标日体感温差序列。
[0034]
优选地，所述预置数学模型为：
[0035][0036]
其中，t为时间，t
x
为目标日体感温度序列，t
j
为基准体感温度序列，t
j
为所述基准体感温度序列中各个温度值对应的时刻，δp(t
j
,t
x
‑
t
j
)表示所述目标负荷差序列，p(t
j
,t
j
)表示基准负荷序列，μ为修正系数。
[0037]
本技术第三方面提供了一种基于时段划分的日负荷预测设备，所述设备包括处理器以及存储器；
[0038]
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0039]
所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于时段划分的日负荷预测方法。
[0040]
本技术第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的基于时段划分的日负荷预测方法。
[0041]
从以上技术方案可以看出，本技术实施例具有以下优点：
[0042]
本技术中，提供了一种基于时段划分的日负荷预测方法，包括：按照预置日时段将预置历史体感温度序列样本进行序列划分，得到分段体感温度序列集，每个预置历史体感温度序列样本对应一个历史负荷序列样本；在计算得到每个分段体感温度序列集的历史体感温差序列集后，根据历史体感温差序列集与目标日体感温差序列进行相似度计算，得到历史相似度矩阵；依据最大历史相似度原则选取出最优历史体感温差序列后，根据历史体感温差序列集和最优历史体感温差序列提取小波包系数组，小波包系数组包括历史体感温度系数、历史负荷系数和最优体感温度系数；将小波包系数组重构、整合后输入初始径向基神经网络模型中进行模型训练，得到预置径向基神经网络模型；将重构、整合后的目标小波包系数组输入预置径向基神经网络模型中进行预测，得到目标负荷差序列，目标小波包系数组是根据目标日体感温差序列获取到的；基于预置数学模型，根据目标负荷差序列进行负荷计算，得到目标负荷预测值。
[0043]
本技术提供的基于时段划分的日负荷预测方法，将获取的预置历史体感温度序列样本进行预置日时段划分，也就是根据每天的负荷时段特性进行样本划分，这样很符合实际负荷的时序特性分布特点，能够相似特性负荷分布在一个时段中；另外，通过计算历史体感温差序列与目标日体感温差序列的相似度确定最优的历史体感温差序列，将相似度和关联性最强的历史序列找出，用于目标日的负荷预测中，从而提升了负荷预测结果的准确性
和可靠性；采用小波包系数组而不是直接的温度序列进行模型训练也可以较大程度的较少计算压力，提升训练效率。因此，本技术能够解决现有技术对负荷时序特性和内部关联特性针对性较弱，导致负荷预测结果准确度和可靠性较低的技术问题。
附图说明
[0044]
图1为本技术实施例提供的一种基于时段划分的日负荷预测方法的流程示意图；
[0045]
图2为本技术实施例提供的一种基于时段划分的日负荷预测装置的结构示意图；
[0046]
图3为本技术实施例提供的最优历史体感温差序列与目标日体感温差序列的曲线图；
[0047]
图4为本技术实施例提供的最优历史负荷差序列的曲线图；
[0048]
图5为本技术实施例提供的三种不同算法的负荷预测结果曲线图。
具体实施方式
[0049]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0050]
为了便于理解，请参阅图1，本技术提供的一种基于时段划分的日负荷预测方法的实施例，包括：
[0051]
步骤101、按照预置日时段将预置历史体感温度序列样本进行序列划分，得到分段体感温度序列集，每个预置历史体感温度序列样本对应一个历史负荷序列样本。
[0052]
预置日时段就是将一天划分为不同的时段，一般情况下是按照负荷特性进行时段划分，这样可以针对不同时段进行特性分析；另外由于每个预置历史体感温度序列样本都对应各历史负荷序列样本，所以在进行体感温度序列划分后，历史负荷序列样本也会以同样的标准进行划分，历史负荷序列样本中的负荷与预置历史体感温度序列样本中的体感温度一一对应。
[0053]
预置历史体感温度序列样本是以天为单位，即获取的历史中n天的数据，就有n个预置历史体感温度序列，一天记作一个序列样本，一个序列中存在多个体感温度值；所以可以将预置历史体感温度序列的样本记作p＝[p
1 p
2 p
3 p
i ... p
n
]；那么与预置历史体感温度序列样本对应的历史负荷序列的样本可以记作t＝[t
1 t
2 t
3 t
i ... t
n
]；可以理解的是，其中p
i
和t
i
均为多维数据序列，具体的序列维数根据实际采样情况确定，不作赘述。
[0054]
进一步地，预置日时段包括负荷高峰时段和负荷低谷时段，相应的，步骤101，包括：
[0055]
按照负荷高峰时段和负荷低谷时段将预置历史体感温度序列样本中的每个序列均划分为高峰体感温度序列和低谷体感温度序列，得到高峰体感温度序列集和低谷体感温度序列集；
[0056]
分段体感温度序列集包括高峰体感温度序列集和低谷体感温度序列集，每个预置历史体感温度序列样本对应一个历史负荷序列样本。
[0057]
基于动态补偿功率与体感温差耦合效应的时段差异化特性，为提高负荷预测的精
度；将预置日时段定义为负荷高峰时段和负荷低谷时段，具体的本实施例定义一天中0至7时为负荷低谷时段，7至24时为负荷高峰时段，也可以采用其他的负荷特性定义方法，或者划分三端，甚至更多时段，合理即可，在此不作限定。
[0058]
每个序列都是一天的数据信息，都可以采样上述方法进行序列划分，得到最终的分段序列集。每个段的序列集可以分别采用下述的分析方法进行负荷预测处理，得到每个段对应的负荷预测结果。
[0059]
步骤102、在计算得到每个分段体感温度序列集的历史体感温差序列集后，根据历史体感温差序列集与目标日体感温差序列进行相似度计算，得到历史相似度矩阵。
[0060]
历史体感温差序列集是相邻两个体感温度序列作差得到的结果，也就是序列与序列之间对应位置体感温度值作差得到的结果，即：
[0061][0062]
式中，δt
i(i
‑
1)
＝t
i
‑
t
(i
‑
1)
，其中，2≤i≤n。
[0063]
相应的，历史负荷序列集也可以求得历史负荷差序列集：
[0064][0065]
式中，δp
i(i
‑
1)
＝p
i
‑
p
(i
‑
1)
。
[0066]
进一步地，步骤102，之前还包括：
[0067]
根据气象预报或者预置体感温度预测算法获取目标日体感温度序列，目标日体感温度序列包括多个目标日体感温度；
[0068]
按照时间顺序将相邻的两个目标日体感温度作差，得到目标日体感温差序列。
[0069]
目标日体感温差序列δt
x
也就是需要预测的未来的某一天的体感温度序列，是可以通过气象预报或者预置体感温度预测算法等不同手段获取到的可知数据，该序列的体感温差值的计算方式与上述历史体感温差序列的计算方式一致，数据量也是相同的。而相似度计算的是两种序列中对应位置的体感温差值之间相似性。具体的计算是δt
t
与δt
x
之间计算相似度，可以得到历史相似度矩阵：
[0070][0071]
步骤103、依据最大历史相似度原则选取出最优历史体感温差序列后，根据历史体感温差序列集和最优历史体感温差序列提取小波包系数组，小波包系数组包括历史体感温度系数、历史负荷系数和最优体感温度系数。
[0072]
在历史相似度矩阵中获取最大历史相似度值：
[0073]
ρ
ij
＝max(ρ)
[0074]
最大历史相似度值即为历史体感温差序列集中第i个序列δt
i
与目标日体感温差序列δt
x
相似度最大，是最优的历史体感温差序列，那么可以构建出包含最优历史体感温差序列的历史体感温差序列样本集，以及对应的历史负荷差序列样本集，即最优动态补偿
功率曲线，请参阅图3和图4示例：
[0075][0076]
此时，分别提取δp、δt、δt
i
的小波包系数，即可得到小波包系数组w
δp
、w
δt
、即历史体感温度系数、历史负荷系数和最优体感温度系数。
[0077]
小波包系数组提取和重构过程是：首先，将δp、δt进行转置，分别得到(n
‑
1)
×
l1、(n
‑
1)
×
l2维的数据序列，其中，l1和l2分别为δp、δt中各个序列的维数；然后，利用db5小波分别对两种数据序列进行4层小波分解，分别得到16个节点小波包系数；最后，按照节点先后顺序分别对每个节点小波包系数进行重构，并计算总能量特征系数，即可分别得到对应的w
δp
、w
δt
。与δt
i
的的小波包系数整合即可得到48维系数序列，即模型输入序列。
[0078]
步骤104、将小波包系数组重构、整合后输入初始径向基神经网络模型中进行模型训练，得到预置径向基神经网络模型。
[0079]
采用具有关联针对性的数据集进行负荷预测训练，能够使得模型具有良好的负荷特征提取能力。径向基神经网络是一种性能良好的前向网络，具有最佳逼近、训练简洁、学习收敛速度快以及克服局部最小值问题的性能；还可以将低维的模式输入数据转换到高位空间内，使得在低维空间内的线性不可分为题在高维空间内线性可分。径向基神经网络的优势可以克服非线性负荷的变化特性，提升负荷预测的准确性。
[0080]
步骤105、将重构、整合后的目标小波包系数组输入预置径向基神经网络模型中进行预测，得到目标负荷差序列，目标小波包系数组是根据目标日体感温差序列获取到的。
[0081]
根据上述公式的样本集构建方法，根据目标日体感温差序列也可以构建待预测日的样本集：
[0082][0083]
可以发现，构建的体感温度序列集是采用的历史体感温度序列样本集，但是目标日的负荷差序列是未知的，需要通过已经训练好的预置径向基神经网络模型进行预测，那么测试集与训练集的形式需要保持一致，也就是需要提取δp、δt、δt
x
的小波包系数，可得到小波包系数组w
δp
、w
δt
、即目标小波包系数组。预测得到的目标负荷差序列表示为δp
x
。
[0084]
步骤106、基于预置数学模型，根据目标负荷差序列进行负荷计算，得到目标负荷预测值。
[0085]
进一步地，预置数学模型为：
[0086][0087]
其中，t为时间，t
x
为目标日体感温度序列，t
j
为基准体感温度序列，t
j
为基准体感
温度序列中各个温度值对应的时刻，δp(t
j
,t
x
‑
t
j
)表示目标负荷差序列，即δp
x
＝δp(t
j
,t
x
‑
t
j
)，p(t
j
,t
j
)表示基准负荷序列，μ为修正系数。μ的具体计算过程为：
[0088]
μ＝r(1 r1)(1r2)
…
(1r
i
)
[0089]
其中，r为负荷所属地区gdp与电力负荷之间的pearson相关系数，r
i
为第i年相应季度的同比经济增长率，当本实施例的方案用于短期电力负荷预测时，修正系数μ＝1。
[0090]
为了验证本实施例方法的准确度，以图3和图4示例的实验为基础，与非线性自回归神经网络(narx)算法和自回归积分滑动平均
‑
长短期记忆网络(arima
‑
lstm)算法进行负荷预测比对，预测结果请参阅图5，令本实施例中的修正系数μ＝r(1 r1)，pearson相关系数r＝0.968，同比经济增长率r1＝7.1％。对于三种方法进行误差指标计算，得到的结果如表1所示。
[0091][0092]
其中rmse为均方根误差、mae为平均绝对误差、mre为平均相对误差。从表1结果分析可知，采用本实施例方法、narx算法和arima
‑
lstm算法对进行中期负荷预测时，平均相对误差分别为1.02％、2.69％和2.16％，可见本实施例方法较narx算法和arima
‑
lstm算法的预测结果均有50％以上的精度提升，中期负荷预测结果的准确度得到了提升。而且，短期负荷预测、远期负荷预测与本例的中期负荷预测的过程一致。
[0093]
本技术提供的基于时段划分的日负荷预测方法，将获取的预置历史体感温度序列样本进行预置日时段划分，也就是根据每天的负荷时段特性进行样本划分，这样很符合实际负荷的时序特性分布特点，能够相似特性负荷分布在一个时段中；另外，通过计算历史体感温差序列与目标日体感温差序列的相似度确定最优的历史体感温差序列，将相似度和关联性最强的历史序列找出，用于目标日的负荷预测中，从而提升了负荷预测结果的准确性和可靠性；采用小波包系数组而不是直接的温度序列进行模型训练也可以较大程度的较少计算压力，提升训练效率。因此，本技术能够解决现有技术对负荷时序特性和内部关联特性针对性较弱，导致负荷预测结果准确度和可靠性较低的技术问题。。
[0094]
为了便于理解，请参阅图2，本技术提供了一种基于时段划分的日负荷预测装置的实施例，包括：
[0095]
时段划分模块201，用于按照预置日时段将预置历史体感温度序列样本进行序列划分，得到分段体感温度序列集，每个预置历史体感温度序列样本对应一个历史负荷序列样本；
[0096]
相似计算模块202，用于在计算得到每个分段体感温度序列集的历史体感温差序列集后，根据历史体感温差序列集与目标日体感温差序列进行相似度计算，得到历史相似度矩阵；
[0097]
系数提取模块203，用于依据最大历史相似度原则选取出最优历史体感温差序列后，根据历史体感温差序列集和最优历史体感温差序列提取小波包系数组，小波包系数组
包括历史体感温度系数、历史负荷系数和最优体感温度系数；
[0098]
模型训练模块204，用于将小波包系数组重构、整合后输入初始径向基神经网络模型中进行模型训练，得到预置径向基神经网络模型；
[0099]
负荷预测模块205，用于将重构、整合后的目标小波包系数组输入预置径向基神经网络模型中进行预测，得到目标负荷差序列，目标小波包系数组是根据目标日体感温差序列获取到的；
[0100]
负荷计算模块206，用于基于预置数学模型，根据目标负荷差序列进行负荷计算，得到目标负荷预测值。
[0101]
进一步地，预置日时段包括负荷高峰时段和负荷低谷时段，相应的，时段划分模块201具体用于：
[0102]
按照负荷高峰时段和负荷低谷时段将预置历史体感温度序列样本中的每个序列均划分为高峰体感温度序列和低谷体感温度序列，得到高峰体感温度序列集和低谷体感温度序列集；
[0103]
分段体感温度序列集包括高峰体感温度序列集和低谷体感温度序列集，每个预置历史体感温度序列样本对应一个历史负荷序列样本。
[0104]
进一步地，还包括：
[0105]
获取模块207，用于根据气象预报或者预置体感温度预测算法获取目标日体感温度序列，目标日体感温度序列包括多个目标日体感温度；
[0106]
差值模块208，用于按照时间顺序将相邻的两个目标日体感温度作差，得到目标日体感温差序列。
[0107]
进一步地，预置数学模型为：
[0108][0109]
其中，t为时间，t
x
为目标日体感温度序列，t
j
为基准体感温度序列，t
j
为基准体感温度序列中各个温度值对应的时刻，δp(t
j
,t
x
‑
t
j
)表示目标负荷差序列，p(t
j
,t
j
)表示基准负荷序列，μ为修正系数。
[0110]
本技术还提供了一种基于时段划分的日负荷预测设备，设备包括处理器以及存储器；
[0111]
存储器用于存储程序代码，并将程序代码传输给处理器；
[0112]
处理器用于根据程序代码中的指令执行上述方法实施例中的基于时段划分的日负荷预测方法。
[0113]
本技术还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行上述方法实施例中的基于时段划分的日负荷预测方法。
[0114]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0115]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0116]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0117]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文全称：read
‑
only memory，英文缩写：rom)、随机存取存储器(英文全称：randomaccess memory，英文缩写：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0118]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。