一种基于人工智能的电网负荷预测方法与流程

1.本发明属于电力负荷检测技术领域，具体地说，是涉及一种基于人工智能的电网负荷预测方法。


背景技术：

2.碳中和(carbon neutrality)，节能减排术语，是指企业、团体或个人测算在一定时间内，直接或间接产生的温室气体排放总量，通过植树造林、节能减排等形式，抵消自身产生的二氧化碳排放，实现二氧化碳的“零排放”。而碳达峰则指的是碳排放进入平台期后，进入平稳下降阶段。简单地说，也就是让二氧化碳排放量“收支相抵”。
3.全球变暖是人类的行为造成地球气候变化的后果。“碳”就是石油、煤炭、木材等由碳元素构成的自然资源。“碳”耗用得多，导致地球暖化的元凶“二氧化碳”也制造得多。随着人类的活动，全球变暖也在改变和影响着人们的生活方式，带来越来越多的问题。减少二氧化碳排放量的手段，一是碳封存，主要由土壤、森林和海洋等天然碳会吸收储存空气中的二氧化碳，人类所能做的是植树造林；二是碳抵消，通过投资开发可再生能源和低碳清洁技术，减少一个行业的二氧化碳排放量来抵消另一个行业的排放量，抵消量的计算单位是二氧化碳当量吨数。一旦彻底消除二氧化碳排放，我们就能进入净零碳社会。
4.而对于实现碳中和目标而言，最大的问题就是对于能源使用的预测与调控，而其中电力是普通民众最直观、最直接的能源需求，电网作为电力调度的基本单元，其使用负荷直接关联生产生活发展水平。因此，对电网的负荷进行预测，能有效发挥电网的调度能力，保障正常供电的基础上减少能源的浪费。为早日实现碳中和助一份力。
5.传统的电力负荷预测方法主要分为经典预测方法和现代预测方法，目前常用的电力负荷预测方法对线性问题的拟合效果控制起来比较复杂，得出的预测结果往往准确度不高；某些算法模型建立起来需要消耗较长的时间，对计算机的性能要求也很严苛，且经常会出现过拟合的现象。因此，有必要提出一种基于人工智能的电网负荷预测方法。


技术实现要素：

6.本发明的目的在于提供一种基于人工智能的电网负荷预测方法，主要解决现有电网负荷预测方法预测算法复杂、预测结果不准确的问题。
7.为实现上述目的，本发明采用的技术方案如下：
8.一种基于人工智能的电网负荷预测方法，包括如下步骤：
9.(s1)获取自然单位的历史电力负荷数据，记录历史电力负荷峰值对应自然单位的时间区段；
10.(s2)将用电负荷峰值、用电负荷峰值时间区段及对应的气象环境数据相关联；
11.(s3)选择初始训练模型基于机器学习对关联的数据组进行训练；
12.(s4)根据数据训练获得的数据模型，建立电力负荷预测模型；
13.(s5)将气象环境预测数据输入电力负荷预测模型，获得电网负荷预测结果。
14.进一步地，在本发明中，在所述步骤(s1)中，所述自然单位为一个自然月或一个自然日。
15.进一步地，在本发明中，在所述步骤(s2)中，数据关联的具体方法包括如下步骤：
16.(s21)对自然单位中的电力负荷峰值数据进行预处理，得到所述电力负荷映射数据；
17.(s22)确定所述电力负荷映射数据与所述气象环境数据的分布特征；
18.(s23)预设电力负荷映射数据与气象环境数据关系系数，设定关联标准差；
19.(s24)选择满足关联标准差的数据组作为初始训练模型的训练集。
20.进一步地，在本发明中，在所述步骤(s3)中，关联后的数据组的训练方法包括如下步骤：
21.(s31)初始训练模型接收待训练数据组；
22.(s32)联合数据组中的待训练数据，确定每个数据组在不同影响因子下的关联特征值；其中，所述关联特征值为对异常数据与正常数据进行区分的特征；
23.(s33)根据所述关联特征值，构建得到影响因子相关性数据模型。
24.进一步地，在本发明中，所述关联特征值包括关联特征维度和关联特征系数；
25.联合各个数据组的待训练数据，确定所述待训练数据在不同影响因子下的关联特征值，包括：
26.根据所述待训练数据在不同影响因子下的关联特征值的特征维度，确定不同影响因子下的关联特征系数；
27.将不同影响因子下的数据组的关联特征维度下发给初始训练模型，所述初始训练模型基于不同影响因子下的数据组的关联特征系数；确定所述待训练数据在不同影响因子下的关联特征系数；
28.接收初始训练模型上报的不同影响因子下的关联特征系数，并根据不同影响因子下的关联特征系数确定每个数据组的关联特征值。
29.进一步地，在本发明中，建立所述电力负荷预测模型的步骤如下：
30.(s41)确定预测模型的拓扑结构，其中，所述拓扑结构包括：输入层，变换层，输出层；
31.(s42)在输入层输入关联数据组，利用傅里叶系数分解方法对电力负荷数据进行奇异值的剥离及插值估算；
32.(s43)在变换层利用卡洛变换对分解后数据及数据训练获得的数据模型进行归一化、随机化；
33.(s44)通过输出层输出得到的预测模型。
34.与现有技术相比，本发明具有以下有益效果：
35.(1)本发明通过获取历史电力负荷数据，确定历史电力负荷峰值时间区段，并对历史电力负荷峰值数据进行预处理，得到处理后的电力负荷峰值数据的映射数据与气象环境数据的分布特征，同时通过预设电力负荷映射数据与气象环境数据关系系数及关联标准差，最终确定初始训练模型的训练集。通过对训练集的数据组训练获得数据模型，建立电力负荷预测模型。从而可通过输入预测的气象环境数据对相应时间区段的电力负荷进行预测，无需进行拟合计算，同时也有效避免了现有技术中存在的过拟合现象，也避免了过拟合
现象对模型精度的影响，使得所创建的电力负荷预测模型的结构简单且拟合效果较好，有利于实现对未来的电力负荷的精确预测。
36.(2)本发明在数据组训练中，通过得到不同影响因子下的关联特征值，从而能够区分异常数据和正常数据，从而能够使电力负荷预测数据更准确。
附图说明
37.图1为本发明的整体流程示意图。
38.图2为本发明中的数据关联流程示意图。
39.图3为本发明中电力负荷预测模型建立流程示意图。
具体实施方式
40.下面结合附图说明和实施例对本发明作进一步说明，本发明的方式包括但不仅限于以下实施例。
41.实施例1
42.本实施例为本发明的一个基本实施方式，如图1、2所示，其公开了一种基于人工智能的电网负荷预测方法，包括如下步骤：
43.首先获取自然单位的历史电力负荷数据，记录历史电力负荷峰值对应自然单位的时间区段；该自然单位为一个自然月或一个自然日。由此，可以实现月负荷预测和日负荷预测，便于电网的调度。
44.根据历史用电规律，用电负荷与实际气象环境是具有紧密关系，因此在获取历史电力负荷数据后，需要将用电负荷峰值、用电负荷峰值时间区段及对应的气象环境数据相关联；首先对自然单位中的电力负荷峰值数据进行预处理，得到所述电力负荷映射数据；确定所述电力负荷映射数据与所述气象环境数据的分布特征；预设电力负荷映射数据与气象环境数据关系系数，设定关联标准差；选择满足关联标准差的数据组作为初始训练模型的训练集。
45.为了降低初始训练模型的算法复杂度，选择初始训练模型基于机器学习对关联的数据组进行训练；初始训练模型接收待训练数据组；联合数据组中的待训练数据，确定每个数据组在不同影响因子下的关联特征值；其中，所述关联特征值为对异常数据与正常数据进行区分的特征；根据所述关联特征值，构建得到影响因子相关性数据模型。
46.其中，所述关联特征值包括关联特征维度和关联特征系数；联合各个数据组的待训练数据，确定所述待训练数据在不同影响因子下的关联特征值，包括：
47.根据所述待训练数据在不同影响因子下的关联特征值的特征维度，确定不同影响因子下的关联特征系数；
48.将不同影响因子下的数据组的关联特征维度下发给初始训练模型，所述初始训练模型基于不同影响因子下的数据组的关联特征系数；确定所述待训练数据在不同影响因子下的关联特征系数；
49.接收初始训练模型上报的不同影响因子下的关联特征系数，并根据不同影响因子下的关联特征系数确定每个数据组的关联特征值。
50.在上述方式中，通过在不同影响因子下的关联特征值的特征维度，确定不同影响
因子下的关联特征系数，能使数据训练获得的数据模型达到更好的关联度，从而能够更加均衡的利用各个特征维度的数据特征关联待训练数据，提高电力负荷预测的准确性。
51.然后，根据数据训练获得的数据模型，建立电力负荷预测模型。
52.最后，将气象环境预测数据输入电力负荷预测模型，电力负荷预测模型自动匹配对应时间区段的预测结果。
53.通过上述设计，本发明通过获取历史电力负荷数据，确定历史电力负荷峰值时间区段，并对历史电力负荷峰值数据进行预处理，得到处理后的电力负荷峰值数据的映射数据与气象环境数据的分布特征，同时通过预设电力负荷映射数据与气象环境数据关系系数及关联标准差，最终确定初始训练模型的训练集。通过对训练集的数据组训练获得数据模型，建立电力负荷预测模型。从而可通过输入预测的气象环境数据对相应时间区段的电力负荷进行预测，无需进行拟合计算，同时也有效避免了现有技术中存在的过拟合现象，也避免了过拟合现象对模型精度的影响，使得所创建的电力负荷预测模型的结构简单且拟合效果较好，有利于实现对未来的电力负荷的精确预测。
54.实施例2
55.本实施例为本发明的一个基本实施方式，如图1～3所示，其公开了一种基于人工智能的电网负荷预测方法，包括如下步骤：
56.首先获取自然单位的历史电力负荷数据，记录历史电力负荷峰值对应自然单位的时间区段；该自然单位为一个自然月或一个自然日。由此，可以实现月负荷预测和日负荷预测，便于电网的调度。
57.根据历史用电规律，用电负荷与实际气象环境是具有紧密关系，因此在获取历史电力负荷数据后，需要将用电负荷峰值、用电负荷峰值时间区段及对应的气象环境数据相关联；首先对自然单位中的电力负荷峰值数据进行预处理，得到所述电力负荷映射数据；确定所述电力负荷映射数据与所述气象环境数据的分布特征；预设电力负荷映射数据与气象环境数据关系系数，设定关联标准差；选择满足关联标准差的数据组作为初始训练模型的训练集。
58.为了降低初始训练模型的算法复杂度，选择初始训练模型基于机器学习对关联的数据组进行训练；初始训练模型接收待训练数据组；联合数据组中的待训练数据，确定每个数据组在不同影响因子下的关联特征值；其中，所述关联特征值为对异常数据与正常数据进行区分的特征；根据所述关联特征值，构建得到影响因子相关性数据模型。
59.其中，所述关联特征值包括关联特征维度和关联特征系数；联合各个数据组的待训练数据，确定所述待训练数据在不同影响因子下的关联特征值，包括：
60.根据所述待训练数据在不同影响因子下的关联特征值的特征维度，确定不同影响因子下的关联特征系数；
61.将不同影响因子下的数据组的关联特征维度下发给初始训练模型，所述初始训练模型基于不同影响因子下的数据组的关联特征系数；确定所述待训练数据在不同影响因子下的关联特征系数；
62.接收初始训练模型上报的不同影响因子下的关联特征系数，并根据不同影响因子下的关联特征系数确定每个数据组的关联特征值。
63.在上述方式中，通过在不同影响因子下的关联特征值的特征维度，确定不同影响
因子下的关联特征系数，能使数据训练获得的数据模型达到更好的关联度，从而能够更加均衡的利用各个特征维度的数据特征关联待训练数据，提高电力负荷预测的准确性。
64.然后，根据数据训练获得的数据模型，建立电力负荷预测模型。在本实施例中，电力负荷预测模型的建立步骤具体为：首先确定预测模型的拓扑结构，其中，所述拓扑结构包括：输入层，变换层，输出层。
65.在输入层输入关联数据组，利用傅里叶系数分解方法对电力负荷数据进行奇异值的剥离及插值估算；随后在变换层利用卡洛变换对分解后数据及数据训练获得的数据模型进行归一化、随机化；最后通过输出层输出得到的预测模型。
66.最后，将气象环境预测数据输入电力负荷预测模型，电力负荷预测模型自动匹配对应时间区段的预测结果。
67.上述实施例仅为本发明的优选实施方式之一，不应当用于限制本发明的保护范围，但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色，其所解决的技术问题仍然与本发明一致的，均应当包含在本发明的保护范围之内。