本發(fā)明涉及電力負載預(yù)測，特別是一種基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、隨著電力系統(tǒng)的發(fā)展，電力負載預(yù)測工作的重要性日益突出。準確的電力負載預(yù)測，對電網(wǎng)的經(jīng)濟運行與安全調(diào)度具有重要意義。傳統(tǒng)的電力負載預(yù)測主要依賴于人工經(jīng)驗進行預(yù)測，預(yù)測結(jié)果的準確性難以保證。為提高電力負載預(yù)測的準確性，許多學者探索了各種新的預(yù)測方法。

2、目前較為常見的電力負載預(yù)測方法主要有回歸分析法、時間序列法、神經(jīng)網(wǎng)絡(luò)法等?；貧w分析法以影響負載的各種因素建立統(tǒng)計模型，通過變量之間的數(shù)量關(guān)系進行預(yù)測。但這種方法對復(fù)合體的非線性關(guān)系擬合效果較差。時間序列法如arma、arima等利用時間序列本身的規(guī)律進行預(yù)測，能較好地反映負載的周期性變化規(guī)律，但對隨機因素的影響考慮不足。神經(jīng)網(wǎng)絡(luò)法如bp神經(jīng)網(wǎng)絡(luò)具有自學習和自適應(yīng)能力，能夠擬合復(fù)雜的非線性關(guān)系，但其“黑盒”運行機制使結(jié)果難以解釋。

技術(shù)實現(xiàn)思路

1、鑒于現(xiàn)有的電力負載預(yù)測中存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明所要解決的問題在于傳統(tǒng)的電力負載預(yù)測主要依賴于人工經(jīng)驗進行預(yù)測，預(yù)測結(jié)果的準確性難以保證，現(xiàn)有技術(shù)中非線性擬合較差。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明實施例提供了一種基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法，其包括，

5、創(chuàng)建數(shù)據(jù)集，將數(shù)據(jù)集劃分為訓練集和驗證集；

6、構(gòu)建prophet和gbdt模型，得到預(yù)測結(jié)果；

7、將預(yù)測結(jié)果整理為新的數(shù)據(jù)集，訓練meta模型，得到最終的融合預(yù)測結(jié)果，并代入負載率公式計算預(yù)測負載率。

8、作為本發(fā)明所述基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法的一種優(yōu)選方案，其中：所述prophet模型如下式所示：

9、y(t)＝g(t)+s(t)+h(t)

10、其中，g(t)表示趨勢項，表示時間序列在非周期上面的變化趨勢，s(t)表示周期項，或者稱為季節(jié)項，以周或者年為單位；h(t)表示節(jié)假日項，表示時間序列中那些潛在的具有非固定周期的節(jié)假日對預(yù)測值造成的影響；

11、所述趨勢項基于分段線性函數(shù)，如下式所示：

12、g(t)＝(k+a(t)tδ)·t+(m+a(t)tγ)

13、a(t)＝(a1(t),...,as(t))t,δ＝(δ1,...,δs)t,γ＝(γ1,...,γs)t

14、其中，k表示增長率，δ表示增長率的變化量，m表示偏移量，γ是每個changepoint點對應(yīng)的偏移量。

15、作為本發(fā)明所述基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法的一種優(yōu)選方案，其中：所述周期項的傅里葉級數(shù)形式如下式所示：

16、

17、其中，n表示希望在模型中使用的這種周期的個數(shù)，p表示時間序列的周期；

18、當p＝7，n＝10時：

19、

20、當p＝7，n＝3時：

21、

22、所述周期項如下式所示：

23、s(t)＝x(t)β

24、其中，β的初始化是β～normal(0,σ2)，x(t)是時間序列的周期性函數(shù)，β表示季節(jié)的效應(yīng)影響。

25、作為本發(fā)明所述基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法的一種優(yōu)選方案，其中：所述節(jié)假日項如下式所示：

26、

27、其中，和κ＝(κ1,...,κl)t，di表示該節(jié)假日的前后一段時間，κi表示節(jié)假日的影響范圍，l為節(jié)假日數(shù)量，z(t)為節(jié)假日的時間表示，t為節(jié)假日的次數(shù)。

28、作為本發(fā)明所述基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法的一種優(yōu)選方案，其中：所述gdbt模型包括初始化學習器、計算殘差、計算最佳擬合值以及更新強學習器；

29、所述初始化學習器如下式所示：

30、

31、其中，f0(x)為第0棵數(shù)的模型，yi為真實值，c為殘差。

32、作為本發(fā)明所述基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法的一種優(yōu)選方案，其中：所述計算殘差如下式所示：

33、

34、其中，m為數(shù)據(jù)訓練集，最大迭代次數(shù)為m；

35、所述計算最佳擬合值如下式所示：

36、

37、其中，yi為真實值，fm-1(xi)+γ為殘差；

38、所述更新強學習器如下式所示：

39、

40、整理上述得到最終gdbt模型，如下式所示：

41、

42、作為本發(fā)明所述基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法的一種優(yōu)選方案，其中：得到所述最終融合預(yù)測結(jié)果包括以下步驟：

43、將gdbt模型和prophet模型的預(yù)測結(jié)果作為新的特征構(gòu)建數(shù)據(jù)集；

44、使用新構(gòu)建的數(shù)據(jù)集訓練meta模型；

45、驗證meta模型，調(diào)整超參數(shù)；

46、使用meta模型對未知數(shù)據(jù)進行預(yù)測。

47、第二方面，本發(fā)明實施例提供了一種基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測系統(tǒng)，其包括：

48、數(shù)據(jù)準備模塊，用于構(gòu)建訓練數(shù)據(jù)集，通過接入多源異構(gòu)數(shù)據(jù)，生成包含歷史負載、天氣、節(jié)假日特征的數(shù)據(jù)集；

49、基模型訓練模塊，用于訓練prophet和gbdt兩個基礎(chǔ)預(yù)測模型；

50、模型融合模塊，用于將基模型的預(yù)測結(jié)果作為新特征，訓練meta回歸模型進行結(jié)果融合，得到最終預(yù)測；

51、負載率計算模塊，用于根據(jù)電流值和線路參數(shù)計算得到預(yù)測的負載率。

52、第三方面，本發(fā)明實施例提供了一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其中：所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述的基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法的任一步驟。

53、第四方面，本發(fā)明實施例提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其中：所述計算機程序被處理器執(zhí)行時實現(xiàn)上述的基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法的任一步驟。

54、本發(fā)明有益效果為結(jié)合了prophet和gbdt兩個不同類型的模型，實現(xiàn)了模型ensemble，可以提升預(yù)測的準確性。prophet適合捕捉時間序列的趨勢和周期性模式，gbdt適合擬合復(fù)雜的非線性關(guān)系。兩者結(jié)合可以使模型更加強大和通用。通過構(gòu)建新的特征數(shù)據(jù)集，訓練meta模型對prophet和gbdt的預(yù)測結(jié)果進行整合，可以學習到兩個模型之間的互補信息，實現(xiàn)更好的預(yù)測。并且prophet模型加入了節(jié)假日項，可以更好地考慮節(jié)假日對負載的影響，提高預(yù)測的準確性。prophet模型加入了節(jié)假日項，可以更好地考慮節(jié)假日對負載的影響，提高預(yù)測的準確性。

技術(shù)特征：

1.一種基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法，其特征在于：包括，

2.如權(quán)利要求1所述的基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法，其特征在于：所述prophet模型如下式所示：

3.如權(quán)利要求2所述的基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法，其特征在于：所述周期項的傅里葉級數(shù)形式如下式所示：

4.如權(quán)利要求3所述的基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法，其特征在于：所述節(jié)假日項如下式所示：

5.如權(quán)利要求4所述的基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法，其特征在于：所述gdbt模型包括初始化學習器、計算殘差、計算最佳擬合值以及更新強學習器；

6.如權(quán)利要求5所述的基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法，其特征在于：所述計算殘差如下式所示：

7.如權(quán)利要求6所述的基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法，其特征在于：得到所述最終融合預(yù)測結(jié)果包括以下步驟：

8.一種基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測系統(tǒng)，基于權(quán)利要求1～7任一所述的基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法，其特征在于：包括，

9.一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于：所述處理器執(zhí)行所述計算機程序時實現(xiàn)權(quán)利要求1～7任一所述的基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法的步驟。

10.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于：所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1～7任一所述的基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開了一種基于電網(wǎng)運行數(shù)據(jù)的負載率趨勢預(yù)測方法及系統(tǒng)，涉及電力負載預(yù)測技術(shù)領(lǐng)域，包括創(chuàng)建數(shù)據(jù)集，將數(shù)據(jù)集劃分為訓練集和驗證集；構(gòu)建Prophet和GBDT模型，得到預(yù)測結(jié)果；將預(yù)測結(jié)果整理為新的數(shù)據(jù)集，訓練Meta模型，得到最終的融合預(yù)測結(jié)果，并代入負載率公式計算預(yù)測負載率。本發(fā)明結(jié)合了Prophet和GBDT兩個不同類型的模型，實現(xiàn)了模型ensemble，可以提升預(yù)測的準確性。Prophet適合捕捉時間序列的趨勢和周期性模式，GBDT適合擬合復(fù)雜的非線性關(guān)系。兩者結(jié)合可以使模型更加強大和通用。通過構(gòu)建新的特征數(shù)據(jù)集，訓練Meta模型對Prophet和GBDT的預(yù)測結(jié)果進行整合，可以學習到兩個模型之間的互補信息，實現(xiàn)更好的預(yù)測。

技術(shù)研發(fā)人員：張敏,嚴涵,楊再鶴,朱余啟,高道春,杜凡,莫熙,蔣迪,張凌云,陶亦然,葉華,盧欣辰
受保護的技術(shù)使用者：云南電網(wǎng)有限責任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9