用于短期负荷预测的相似日选取方法及装置与流程

1.本发明属于电力市场技术领域，具体涉及一种用于短期负荷预测的相似日选取方法及装置。


背景技术：

2.电能的生产、传输、分配和使用是同时进行的，由于电能不能够大量地存储，电力供给与需求必须保持实时平衡，电力调度需要根据未来的负荷需求提前制定机组的启停和电力设备的检修计划，因此准确的负荷预测对电网调度运行具有重要的意义，负荷预测水平直接影响电力系统的经济效益和社会效益。
3.短期负荷预测一般是指提前1～7日对未来的负荷需求进行预测。在短期负荷预测中，合理地选取相似日是提高负荷预测精度的有效途径。
4.相关技术中，由于电力负荷受天气、社会事件、电价以及电力负荷自身状况等多种因素的影响，相似日的选取是一个复杂的工作。传统的根据人工经验选取相似日的方法受人员经验水平影响，专家经验难以量化，预测效果依赖预测人员的水平，导致预测效果不理想。


技术实现要素：

5.有鉴于此，本发明的目的在于克服现有技术的不足，提供一种用于短期负荷预测的相似日选取方法及装置，以解决现有技术中预测效果依赖预测人员的水平，导致预测效果不理想的问题。
6.为实现以上目的，本发明采用如下技术方案：一种用于短期负荷预测的相似日选取方法，包括：
7.获取负荷、气象因素的历史数据并根据所述历史数据以特征互换和构建无偏差样本的方式获取训练样本集；
8.采用所述训练样本集对机器学习模型进行训练，得到相似度预测模型；所述相似度预测模型用于表示样本特征与负荷相似度之间的关系；
9.通过所述相似度预测模型分别计算所述待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，得到预测相似度；
10.根据所述预测相似度确定相似日。
11.进一步的，所述气象因素包括：
12.平均温度、最高温度、最低温度、湿度以及天气类型。
13.进一步的，所述根据所述历史数据以特征互换和构建无偏差样本的方式构建训练样本集，包括：
14.选取待预测日之前的第二预设天数的历史日作为第一集合，从所述第一集合中选取第一日期；
15.选取所述第一日期之前的第三预设天数的历史日作为第二集合，从所述第二集合
中选取第二日期；
16.第一集合中的每个第一日期和第二集合中对应的第二日期构成样本，所述样本中包括样本特征和样本目标值；
17.以构建无偏差样本的方式遍历第一集合获取无偏差样本以及对以特征互换的方式对所述第一集合内的每个日期构造补充样本；
18.所述无偏差样本与补充样本构成训练样本集。
19.进一步的，所述特征互换为将第一日期的特征与第二日期的特征进行位置互换后构成新的样本以扩充样本；其中，第一集合中的每个第一日期和第二集合中对应的第二日期构成的样本与特征互换后得到的新的样本构成补充样本；
20.所述构建无偏差样本的方式为从所述第一集合中获取第三日期，并再次获取第三日期，所述第三日期与第三日期构造为无偏差样本。
21.进一步的，所述采用所述训练样本集对机器学习模型进行训练，得到相似度预测模型，包括：
22.将训练样本集划分为训练集和测试集；
23.采用所述训练集训练机器学习模型并采用测试集对所述机器学习模型进行参数优选，以确定所述机器学习模型的超参数；
24.得到相似度预测模型。
25.进一步的，所述通过所述相似度预测模型分别计算所述待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，包括：
26.所述待预测日之前的第一预设天数的历史日中选取多个历史日与待预测日组成样本特征，构建第一预测样本集合；
27.将所述第一预测样本集合输入到相似度预测模型中，得到多个历史日和待预测日的第一预测相似度结果；
28.所述待预测日与所述待预测日之前的第一预设天数的历史日选取的多个历史日组成样本特征，构建第二预测样本；
29.将所述第二预测样本集合输入到相似度预测模型中，得到待预测日和多个历史日的第二预测相似度结果；
30.将所述待预测日与多个历史日的第一预测相似度结果和第二预测相似度结果求平均值，得到最终的预测相似度结果。
31.进一步的，所述预测相似度包括多个。
32.进一步的，所述根据所述预测相似度确定相似日，包括：
33.将预测相似度最高的日期确定为待预测日的相似日。
34.本技术实施例提供一种用于短期负荷预测的相似日选取装置，包括：
35.获取模块，用于获取负荷、气象因素的历史数据并根据所述历史数据获取训练样本集；
36.训练模块，用于采用所述训练样本集对机器学习模型进行训练，得到相似度预测模型；所述相似度预测模型用于表示样本特征与负荷相似度之间的关系；
37.计算模块，用于通过所述相似度预测模型计算所述待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，得到预测相似度；
38.确定模块，用于根据所述预测相似度确定相似日。
39.本发明采用以上技术方案，能够达到的有益效果包括：
40.本发明提供一种用于短期负荷预测的相似日选取方法及装置，所述方法包括获取负荷、气象因素的历史数据并根据所述历史数据获取训练样本集；采用所述训练样本集对机器学习模型进行训练，得到相似度预测模型；所述相似度预测模型用于表示样本特征与负荷相似度之间的关系；通过所述相似度预测模型分别计算所述待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，得到预测相似度；根据所述预测相似度确定相似日。本发明提供的技术方案是基于机器学习算法构建的数据驱动的模型，使得相似日的计算更加简单，提高了预测精确度，预测效果更佳。
附图说明
41.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1为本发明用于短期负荷预测的相似日选取方法的步骤示意图；
43.图2为本发明用于短期负荷预测的相似日选取装置的结构示意图。
具体实施方式
44.为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
45.下面结合附图介绍本技术实施例中提供的一个具体的用于短期负荷预测的相似日选取方法及装置。
46.如图1所示，本技术实施例中提供的用于短期负荷预测的相似日选取方法，包括：
47.s101，获取负荷、气象因素的历史数据并根据所述历史数据获取训练样本集；
48.s102，采用所述训练样本集对机器学习模型进行训练，得到相似度预测模型；所述相似度预测模型用于表示样本特征与负荷相似度之间的关系；
49.s103，通过所述相似度预测模型分别计算所述待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，得到预测相似度；
50.s104，根据所述预测相似度确定相似日。
51.用于短期负荷预测的相似日选取方法的工作原理为：首先获取负荷、气象因素的历史数据并根据所述历史数据获取训练样本集；采用所述训练样本集对机器学习模型进行训练，得到相似度预测模型；所述相似度预测模型用于表示样本特征与负荷相似度之间的关系；通过所述相似度预测模型计算所述待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，得到预测相似度；根据所述预测相似度确定相似日。其中，负荷相似度定义：两天的日96点负荷曲线相对偏差值，公式如下
[0052][0053]
其中：
[0054]
d1表示日期1，d2表示日期2；
[0055]
t表示每日时段数，如24、96等；
[0056]
load
d1,t
表示日期1在t时段的负荷；
[0057]
load
d2,t
表示日期2在t时段的负荷；
[0058]
优选的，所述气象因素包括：
[0059]
平均温度、最高温度、最低温度、湿度以及天气类型。
[0060]
优选的，所述根据所述历史数据以特征互换和构建无偏差样本的方式构建训练样本集，包括：
[0061]
选取待预测日之前的第二预设天数的历史日作为第一集合，从所述第一集合中选取第一日期；
[0062]
选取所述第一日期之前的第三预设天数的历史日作为第二集合，从所述第二集合中选取第二日期；
[0063]
第一集合中的每个第一日期和第二集合中对应的第二日期构成样本，所述样本中包括样本特征和样本目标值；
[0064]
以构建无偏差样本的方式遍历第一集合获取无偏差样本以及对以特征互换的方式对所述第一集合内的每个日期构造补充样本；
[0065]
所述无偏差样本与补充样本构成训练样本集。
[0066]
可以理解的是，本技术读取负荷和气象因素的历史数据，以及待预测日的气象预测数据，相关因素包括平均温度、最高温度、最低温度、湿度、天气类型等。
[0067]
优选的，所述特征互换为将第一日期的特征与第二日期的特征进行位置互换后构成新的样本以扩充样本；其中，第一集合中的每个第一日期和第二集合中对应的第二日期构成的样本与特征互换后得到的新的样本构成补充样本；
[0068]
所述构建无偏差样本的方式为从所述第一集合中获取第三日期，并再次获取第三日期，所述第三日期与第三日期构造为无偏差样本。
[0069]
具体的，构建机器学习模型的训练样本集：每个训练样本ei＝(xi，yi)包含两个部分，一是样本特征xi，二是样本目标值gi；
[0070]
a，选取待预测日之前的n1个历史日作为集合s1，从s1中选取一个日期d，再选取日期d之前n2个历史日作为集合由中的日期d
′
分别与日期d组成样本，每个d
′
与d可构成2个样本e1＝(x1，y1)和e2＝(x2，y2)，样本特征和目标值计算方法如下：
[0071]
yi＝sd′
，d
；
[0072]
yi＝s
d，d
′
；
[0073]
x表示样本的特征，即两个日期的特征的集合；y表示样本的目标值，即两个日期的相似度。
[0074]
其中，日期特征包含内容如下表
[0075][0076]
b，按照以上步骤遍历集合s1共可构成2*n1*n2个无偏差样本；如此，x1和x2通过特征互换的方式构成了两个样本，可以使得原来的样本升为2倍，扩充了样本。
[0077]
c，对集合s1内的每个日期，构造n1个补充样本e＝(x，y)如下
[0078]
x＝[日期d的特征，日期d的特征]，y＝s
d，d
＝0；
[0079]
具体的，本技术中先获取一个日期，然后取出相同的日期，两个日期构成无偏差样本，这样使得两个不同日期具有的特征非常小时也能够显示出，提高了模型的准确度。
[0080]
d，将无偏差样本与补充样本构成训练样本集。
[0081]
优选的，所述采用所述训练样本集对机器学习模型进行训练，得到相似度预测模型，包括：
[0082]
将训练样本集划分为训练集和测试集；
[0083]
采用所述训练集训练机器学习模型并采用测试集对所述机器学习模型进行参数优选，以确定所述机器学习模型的超参数；
[0084]
得到相似度预测模型。
[0085]
具体的，本技术训练相似度预测模型m，具体流程为：
[0086]
将训练样本划分为训练集、测试集；
[0087]
使用xgboost机器学习模型，在相似度样本上进行训练，并在测试集上进行参数优选，以确定模型超参数，得到相似度预测模型m，给模型m输入样本特征即可得到预测的相似度。
[0088]
一些实施例中，通过所述相似度预测模型分别计算所述待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，得到预测相似度，包括：
[0089]
所述待预测日之前的第一预设天数的历史日中选取多个历史日与待预测日组成样本特征，构建第一预测样本集合；
[0090]
将所述第一预测样本集合输入到相似度预测模型中，得到多个历史日和待预测日的第一预测相似度结果；
[0091]
所述待预测日与所述待预测日之前的第一预设天数的历史日选取的多个历史日组成样本特征，构建第二预测样本；
[0092]
将所述第二预测样本集合输入到相似度预测模型中，得到待预测日和多个历史日的第二预测相似度结果；
[0093]
将所述待预测日与多个历史日的第一预测相似度结果和第二预测相似度结果求平均值，得到最终的预测相似度结果。
[0094]
可以理解的是，选取的历史日为多个，因此可得到多个历史日与待预测日的预测
相似度，所以可得到多个预测相似度个。举例说明，将待预测日之前的第一预设天数的历史日数据作为a，预获取的待预测日预测数据作为b，本技术中先计算a和b的相似度，再计算b和a的相似度，然后求两个相似度的平均，作为二者最终的相似度。
[0095]
优选的，所述根据所述预测相似度确定相似日，包括：
[0096]
将预测相似度最高的日期确定为待预测日的相似日。
[0097]
具体的，计算历史日与待预测日的相似度的步骤为，从待预测日之前的n1个历史日中选取一个历史日与待预测日d
predict
一起组合特征，构建预测样本，历史日d与待预测日d
predict
组合特征如下
[0098][0099][0100]
将x1和x2送入预测模型m，得到预测的相似度s1和s2，取二者均值作为d与d
predict
的相似度；
[0101]
根据预测相似度选取相似日。
[0102]
依次选取待预测日之前的n1个历史日，按照上述步骤计算该历史日与待预测日的相似度，选取相似度最高的日期作为待预测日的相似日。
[0103]
本技术提供的技术方案中相似日的预测模型是基于机器学习算法的数据驱动的模型，预测效果更佳精确稳定。且训练样本构建中，增加了补充样本构建环节，从而可以保证模型的稳定性。
[0104]
如图2所示，本技术实施例提供一种用于短期负荷预测的相似日选取装置，包括：
[0105]
获取模块201，用于获取负荷、气象因素的历史数据并根据所述历史数据获取训练样本集；
[0106]
训练模块202，用于采用所述训练样本集对机器学习模型进行训练，得到相似度预测模型；所述相似度预测模型用于表示样本特征与负荷相似度之间的关系；
[0107]
计算模块203，用于通过所述相似度预测模型计算所述待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，得到预测相似度；
[0108]
确定模块204，用于根据所述预测相似度确定相似日。
[0109]
本技术实施例提供的用于短期负荷预测的相似日选取装置的工作原理为，获取模块201获取负荷、气象因素的历史数据并根据所述历史数据获取训练样本集；训练模块202采用所述训练样本集对机器学习模型进行训练，得到相似度预测模型；所述相似度预测模型用于表示样本特征与负荷相似度之间的关系；计算模块203通过所述相似度预测模型计算所述待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，得到预测相似度；确定模块204根据所述预测相似度确定相似日。
[0110]
本技术实施例提供一种计算机设备，包括处理器，以及与处理器连接的存储器；
[0111]
存储器用于存储计算机程序，计算机程序用于执行上述任一实施例提供的用于短期负荷预测的相似日选取方法；
[0112]
处理器用于调用并执行存储器中的计算机程序。
[0113]
综上所述，本发明提供一种用于短期负荷预测的相似日选取方法及装置，所述方法包括获取负荷、气象因素的历史数据并根据所述历史数据获取训练样本集；采用所述训
练样本集对机器学习模型进行训练，得到相似度预测模型；所述相似度预测模型用于表示样本特征与负荷相似度之间的关系；通过所述相似度预测模型计算所述待预测日之前的第一预设天数的历史日数据与预获取的待预测日预测数据的相似度，得到预测相似度；根据所述预测相似度确定相似日。本发明提供的技术方案是基于机器学习算法构建的数据驱动的模型，使得相似日的计算更加简单，提高了预测精确度，预测效果更佳。
[0114]
可以理解的是，上述提供的方法实施例与上述的装置实施例对应，相应的具体内容可以相互参考，在此不再赘述。
[0115]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术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。
[0116]
本技术是参照根据本技术实施例的方法、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。
[0117]
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方法的制造品，该指令方法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。
[0118]
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。
[0119]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。