一种负荷日前预测与超短期预测的协同预测方法及系统与流程

1.本发明涉及负荷预测技术领域，特别涉及一种负荷日前预测与超短期预测的协同预测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
3.电力负荷预测是电力系统管理中的一项基本任务。但由于电力负荷数据具有随机性强、干扰因素多等特点，预测精度无法显著提升。其中，日前负荷预测由于时间跨度大，预测精度普遍较低；而超短期负荷预测又存在固有性的时滞问题，使其难以做到精细化预测。
4.发明人发现，负荷预测的优化方法多为单独的超短期负荷预测或日前负荷预测的技术修正，单独的预测结果往往准确度较低，不能实现较为稳定的高精度负荷预测。


技术实现要素：

5.为了解决现有技术的不足，本发明提供了一种负荷日前预测与超短期预测的协同预测方法及系统，考虑了超短期负荷预测和日前负荷预测的优势与劣势，将两者综合运用、相互协同，提高了超短期负荷预测与日前负荷预测的精度。
6.为了实现上述目的，本发明采用如下技术方案：
7.本发明第一方面提供了一种负荷日前预测与超短期预测的协同预测方法。
8.一种负荷日前预测与超短期预测的协同预测方法，包括以下过程：
9.获取气象数据和日期特征数据；
10.根据气象数据、日期特征数据和预设门控循环单元(gru)模型，得到日前负荷预测结果；
11.将日前负荷预测结果的序列扩充数据、历史负荷数据以及气象数据和日期特征数据一起输入到预设卷积神经网络-门控循环单元(cnn-gru)超短期负荷预测模型中，得到超短期负荷预测结果；
12.利用超短期负荷预测结果对日前负荷预测结果进行修正，得到修正后的日前负荷预测结果。
13.本发明第二方面提供了一种负荷日前预测与超短期预测的协同预测系统。
14.一种负荷日前预测与超短期预测的协同预测系统，包括：
15.数据获取模块，被配置为：获取气象数据和日期特征数据；
16.日前预测模块，被配置为：根据气象数据、日期特征数据和预设门控循环单元模型，得到日前负荷预测结果；
17.超短期负荷预测模块，被配置为：将日前负荷预测结果的序列扩充数据、历史负荷数据以及气象数据和日期特征数据一起输入到预设卷积神经网络-门控循环单元超短期负荷预测模型中，得到超短期负荷预测结果；
18.结果修正模块，被配置为：利用超短期负荷预测结果对日前负荷预测结果进行修
正，得到修正后的日前负荷预测结果。
19.本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的负荷日前预测与超短期预测的协同预测方法中的步骤。
20.本发明第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的负荷日前预测与超短期预测的协同预测方法中的步骤。
21.与现有技术相比，本发明的有益效果是：
22.1、本发明提供的负荷日前预测与超短期预测的协同预测方法及系统，考虑了超短期负荷预测和日前负荷预测的优势与劣势，将两者综合运用、相互协同，提高了超短期负荷预测与日前负荷预测的精度。
23.2、本发明针对超短期负荷预测普遍存在的时滞问题，使用日前负荷预测结果进行辅助模型训练已达到提高预测精度的目的；同时针对日前预测时间跨度大、精度难以提升的问题，反过来使用超短期负荷预测的精细化结果对日前负荷预测结果进行指导修正，使得日前负荷预测精度也得到提升。
附图说明
24.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
25.图1为本发明实施例1提供的负荷日前预测与超短期预测的协同预测方法的流程示意图。
26.图2为本发明实施例1提供的日前负荷预测模型结构示意图。
27.图3为本发明实施例1提供的超短期负荷预测模型结构示意图。
具体实施方式
28.下面结合附图与实施例对本发明作进一步说明。
29.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
30.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
31.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
32.实施例1：
33.如图1所示，本发明实施例1提供了一种负荷日前预测与超短期预测的协同预测方法，包括以下过程：
34.获取气象数据和日期特征数据；
35.根据气象数据、日期特征数据和预设门控循环单元(gru)模型，得到日前负荷预测
结果；
36.将日前负荷预测结果的序列扩充数据、历史负荷数据以及气象数据和日期特征数据一起输入到预设卷积神经网络-门控循环单元(cnn-gru)超短期负荷预测模型中，得到超短期负荷预测结果；
37.利用超短期负荷预测结果对日前负荷预测结果进行修正，得到修正后的日前负荷预测结果。
38.具体的，包括以下过程：
39.s1：数据预处理
40.本实施例中，日前预测使用的预测输入数据有：日气温预测序列(1h)，日天气预测序列(1h，归一化为数值序列)，日期特征值(含星期数、节假日等信息)。超短期预测使用预测点前24h的负荷序列(15min)。
41.对以上数据均施以以下处理：
42.数据填补：利用前后加权均值法推算缺失的实际值进行填补，填补方式如下式。
[0043][0044]
式中，xh为序列第h位缺失数据，为数据为距离xh最近的未缺失数据an为数据权值，此处按时间间隔反比分配权值。
[0045]
数据滤波：利用卷积深度置信网络(cdbn)分离噪声，提取有效数据。
[0046]
s2：建立日前负荷预测模型
[0047]
首先使用传统建模方法，基于气象预测数据(1h)建立三层gru日前负荷预测模型(图2)。对于该模型的预测结果序列(1h)，同样使用前后加权均值法填充成为15min分辨率的负荷序列方便用于校正超短期预测模型，此处：
[0048][0049]
式中，为日气象序列的第h与第h 1小时间的第i位填补数据，xh为原序列第h小时的数据，bn为数据权值，此处按时间间隔反比分配权值。
[0050]
s3：建立超短期负荷预测模型
[0051]
将填充后的序列与历史负荷序列、用能行为特征(包括日期特征，天气类型，以及温、湿度特征值)一同作为cnn-gru神经网络(图3)的输入，建立精细化的超短期预测模型，得到精度矫正后的超短期负荷预测数据，即接下来15min后的瞬时负荷量。
[0052]
s4：模型结合处理
[0053]
利用高精度的超短期负荷预测数据，反过来对于指导修正日前负荷预测数据的关键节点与数据填充。后续的数据填充以此为依据使用相似值填补法，若已存在相似条件的超短期预测数据，则取历史精细化超短期负荷预测数据中气象条件与负荷趋势相似的负荷数据对1h分辩率的日前负荷预测序列进行填充，此时不再采用前后加权均值法填充，增加填充数据的准确度。
[0054]
s5：预测性能评估
[0055]
使用均方根误差(rmse)、均方误差(mse)和平均绝对误差(mae)三项指标，对于日前负荷预测模型计算一月间的预测结果的三个性能指标的平均值作为评估指标。对于超短
期负荷预测模型则取一日内的预测结果的三个性能指标的平均值作为评估指标。
[0056]
实施例2：
[0057]
本发明实施例2提供了一种负荷日前预测与超短期预测的协同预测系统，包括：
[0058]
数据获取模块，被配置为：获取气象数据和日期特征数据；
[0059]
日前预测模块，被配置为：根据气象数据、日期特征数据和预设门控循环单元模型，得到日前负荷预测结果；
[0060]
超短期负荷预测模块，被配置为：将日前负荷预测结果的序列扩充数据、历史负荷数据以及气象数据和日期特征数据一起输入到预设卷积神经网络-门控循环单元超短期负荷预测模型中，得到超短期负荷预测结果；
[0061]
结果修正模块，被配置为：利用超短期负荷预测结果对日前负荷预测结果进行修正，得到修正后的日前负荷预测结果。
[0062]
所述系统的工作方法与实施例1提供的负荷日前预测与超短期预测的协同预测方法相同，这里不再赘述。
[0063]
实施例3：
[0064]
本发明实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的负荷日前预测与超短期预测的协同预测方法中的步骤。
[0065]
实施例4：
[0066]
本发明实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例1所述的负荷日前预测与超短期预测的协同预测方法中的步骤。
[0067]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0068]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0069]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0070]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0071]
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。
[0072]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。