CN102779223A - 短期电力负荷预测的方法及装置 - Google Patents

Abstract

本发明实施例公开了短期电力负荷预测的方法及装置，所述方法包括：获取用于学习的历史电力负荷数据；对所述历史电力负荷数据进行压缩；对压缩后的历史电力负荷数据进行过滤，并采用过滤后的历史电力负荷数据训练预测模型；根据所述预测模型预测目标电力负荷。本发明实施例公开的方法或装置，能够降低短期电力负荷预测的复杂化程度，进一步的，还能保证预测结果的准确性和精确性。

Description

短期电力负荷预测的方法及装置

技术领域

本发明一般地涉及电力数据处理领域，尤其是短期电力负荷预测的方法及装置。

背景技术

电力负荷预测是电力系统规划的重要组成部分，也是电力系统经济运行的基础，其对电力系统规划和运行都极其重要。而短期电力负荷预测(ShortTerm Load Forecasting)的目的是预测超过了一天或一周内系统的负载，也为电力系统的控制和调度运作奠定了基础，同时短期电力负荷预测的结果也可以作为对用电量进一步分析的基础。

现有技术中短期电力负荷预测的方法，其原理都是基本上通过选择不同的预测模型来提高预测精度，例如线性回归、指数平滑、随机过程、自回归移动平均(ARMA)模型、数据挖掘模型以及广泛使用的人工神经网络(ANN)模型。但是，上述不同的模型存在不同的问题。例如，线性回归模型在自我学习能力上存在不足，而时间序列方法，例如自回归移动平均模型，其预测结果在很大程度上依赖历史数据的大小和质量。

此外，现有技术进行短期电力负荷预测时，也会因为历史数据的质量不好或者历史数据量过大，而导致预测不够准确或精确；同时，如果采用现有技术中基于上述预测模型的各种短期电力负荷预测的方法进行电力预测，其结果很可能会由于各种模型本身的缺陷或者历史数据的原因而不够准确或精确，这样不仅无法对电力短期内的负荷情况进行准确估计，也使得短期电力负荷预测的过程过于复杂和繁琐。

总之，现有技术中短期电力负荷预测因为历史数据本身以及预测模型的原因，存在预测结果不够准确或精确的问题，同时，短期电力负荷预测的过程也存在复杂化的问题。

发明内容

有鉴于此，本发明实施例提供了短期电力负荷预测的方法及装置，能够降低短期电力负荷预测的复杂化程度，进一步的，还能保证预测结果的准确性和精确性。

根据本发明实施例的一个方面，提供了一种短期电力负荷预测的方法，包括：获取用于学习的历史电力负荷数据；对所述历史电力负荷数据进行压缩；对压缩后的历史电力负荷数据进行过滤，并采用过滤后的历史电力负荷数据训练预测模型；根据所述预测模型预测目标电力负荷。

根据本发明实施例的另一个方面，提供了一种短期电力负荷预测的装置，包括：第一获取模块，用于获取用于学习的历史电力负荷数据；第一压缩模块，用于对所述历史电力负荷数据进行压缩；第一过滤模块，用于对压缩后的历史电力负荷数据进行过滤；训练模块，用于采用过滤后的历史电力负荷数据训练预测模型；预测模块，用于根据所述预测模型预测目标电力负荷。

另外，根据本发明的另一方面，还提供了一种存储介质。所述存储介质包括机器可读的程序代码，当在信息处理设备上执行所述程序代码时，所述程序代码使得所述信息处理设备执行根据本发明的上述短期电力负荷预测的方法。

此外，根据本发明的再一方面，还提供了一种程序产品。所述程序产品包括机器可执行的指令，当在信息处理设备上执行所述指令时，所述指令使得所述信息处理设备执行根据本发明的上述短期电力负荷预测的方法。

根据本发明实施例的上述一种方法，可以通过对历史电力负荷数据的压缩缩小历史电力负荷数据的数据规模，在此基础上再进行短期电力负荷的预测，就能够降低现有技术中短期电力负荷预测的复杂化程度，进一步的，还能保证预测结果的准确性和精确性。

在下面的说明书部分中给出本发明实施例的其他方面，其中，详细说明用于充分地公开本发明实施例的优选实施例，而不对其施加限定。

附图说明

下面结合具体的实施例，并参照附图，对本发明实施例的上述和其它目的和优点做进一步的描述。在附图中，相同的或对应的技术特征或部件将采用相同或对应的附图标记来表示。

图1是示出作为本发明实施例提供的一种方法的流程图；

图2是图1所示的上述一种方法中步骤103的流程图；

图3是示出作为本发明实施例提供的另一方法的流程图；

图4是示出上述另一方法中步骤304的替换步骤的流程图；

图5是示出作为本发明实施例提供的另一方法的流程图；

图6是示出作为本发明实施例提供的另一方法的流程图；

图7是示出作为本发明实施例提供的第一装置的示意图；

图8是所述第一装置中第一过滤模块703的示意图；

图9是示出作为本发明实施例提供的第二装置的示意图；

图10是示出作为本发明实施例提供的第三装置的示意图；

图11是示出作为本发明实施例提供的第四装置的示意图；

图12是示出作为本发明的实施例中所采用的信息处理设备的个人计算机的示例性结构的框图。

具体实施方式

下面参照附图来说明本发明的实施例。

针对现有技术中短期电力负荷预测方法存在的预测结果不够准确或精确的问题，以及，短期电力负荷预测的过程存在的复杂化问题，本发明实施例提供了相应的解决方法。

具体的，参见图1，本发明实施例提供的短期电力负荷预测的方法可以包括：

S101：获取用于学习的历史电力负荷数据。

首先获取历史电力负荷数据，这里的历史电力负荷数据可以是从原始电力负荷数据中直接选取得到的，例如，以天为单位的电力负荷曲线，也可以是以其他时间为单位的电力负荷曲线。

同时，在选择出一系列原始历史电力负荷数据之后，还可以利用日期类型和/或天气类型信息提取出具有相同日期类型或/和相同天气类型的历史电力负荷数据，作为用于学习的历史电力负荷数据。例如，提取出全部星期一的电力负荷数据作为用于学习的历史电力负荷数据；或者提取出温度在18～20摄氏度之间的电力负荷数据作为用于学习的历史电力负荷数据；或者提取出即是星期一且温度又满足在18～20摄氏度之间的电力负荷数据作为用于学习的历史电力负荷数据；等等。

S102：对所述历史电力负荷数据进行压缩。

因为步骤S101中获取到的用于学习的历史电力负荷数据的数据规模可能会很大，例如历史电力负荷数据的总数据量过大，或者历史电力负荷数据的各组电力负荷曲线都具有较多的节点等，基于这样的历史电力负荷数据进行电力负荷的预测时，就会因为计算量巨大而导致速度的降低和计算的复杂化，所以本步骤现对获取到的所述历史电力负荷数据进行压缩，这样就可以提高计算速度从而加快电力负荷的预测速度。

为了方便本领域技术人员对本步骤有清楚的理解，在此给出压缩历史电力负荷数据的一个具体例子：给定n组历史电力负荷数据X₁，X₂，…，X_n，每组数据是一个m维向量，即是一条m个数值点的电力负荷曲线，其中，X_i＝{x_i1，x_i2，…，x_im}。那么首先按照公式(1)计算各条电力负荷曲线聚类中心。

$c_j=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}---\left(1\right)$

在本实施例中具体进行压缩过程时，可以通过计算给定的历史电力负荷数据的统计信息(par)，并根据该par与待处理的时间序列及聚类中心上的每一个节点比较的结果对原始的历史电力负荷数据进行压缩，从而将对应的原始的历史电力负荷数据时间序列变换为二进制形式的编码串。其中，par可以根据需要可以采用不同的数值，例如人为定义的阈值，或历史电力负荷数据中可能导致异常的平均值。则采用公式(2)将所述电力负荷曲线上的各个节点值转换为二进制形式的初始压缩数据：

${x_{\mathrm{ij}}}^{\′}=\left\{\begin{array}{c}1,\mathrm{if}{x}_{\mathrm{ij}}>\mathrm{par}\\ 0,\mathrm{otherwise}\end{array}\right.---\left(2\right)$

其中，所述x_ij′为压缩后的历史电力负荷数据，所述x_ij为压缩前的历史电力负荷数据。

另外，因为所述电力负荷曲线的聚类中心的平均值c_ave是具有代表性并能取得较好效果的统计信息，所以在本实施例中将c_ave作为par。而c_ave的计算方式可以采用公式(3)计算：

$c_{\mathrm{ave}}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{c}_j---\left(3\right)$

则依据得到的平均值c_ave，再按照公式(4)将所述电力负荷曲线上的各个节点值转换为二进制形式的初始压缩数据：

${x_{\mathrm{ij}}}^{\′}=\left\{\begin{array}{c}1,\mathrm{if}{x}_{\mathrm{ij}}>c_{\mathrm{ave}}\\ 0,\mathrm{otherwise}\end{array}\right.---\left(4\right)$

S103：对压缩后的历史电力负荷数据进行过滤。

因为实际中获取到的历史电力负荷数据可能会有很多噪声信息的存在，例如，因为某些时刻的电力使用情况特殊所以电力负荷曲线上的某些节点值存在异常现象，或者某一天的电力负荷曲线并不是正常情况下的用电情况的反映，那么这些电力负荷曲线就会成为历史电力负荷数据的噪声电力曲线。因此，在对历史电力负荷数据进行压缩之后，本步骤需要对压缩后的历史电力负荷数据进行过滤。

参考图2所示，在具体实施时，本步骤可以包括：

S201：计算所述压缩后的历史电力负荷数据的压缩聚类中心。

首先针对压缩后的历史电力负荷数据，计算历史电力负荷数据的压缩聚类中心。具体的，针对压缩后的历史电力负荷数据x_ij’，其压缩聚类中心上的各个节点值可以采用公式(5)进行计算：

${c_j}^{\′}=\left\{\begin{array}{c}1,\mathrm{if}{c}_j>c_{\mathrm{ave}}\\ 0,\mathrm{otherwise}\end{array}\right.---\left(5\right)$

其中，所述c_ave为所述电力负荷曲线的平均值，所述c_j为压缩前的聚类中心的节点值，所述c_j′为压缩后的聚类中心的节点值。

S202：计算所述压缩聚类中心与所述压缩后的历史电力负荷数据中各个电力负荷曲线之间的距离。

具体的，计算压缩聚类中心与所述压缩后的历史电力负荷数据中各个电力负荷曲线之间的距离，可以采用公式(6)进行计算：

$d({X_i}^{\′},C^{\′})=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}d({X_{\mathrm{ij}}}^{\′},{C_j}^{\′})---\left(6\right)$

同时，还可以采用公式(7)来计算压缩后的电负荷曲线的各个节点与压缩聚类中心的各个节点的距离：

$d({x_{\mathrm{ij}}}^{\′},{c_j}^{\′})=\left\{\begin{array}{c}1,\mathrm{if}{x_{\mathrm{ij}}}^{\′}={c_j}^{\′}\\ 0,\mathrm{otherwise}\end{array}\right.---\left(7\right)$

S203：过滤所述距离大于预设阈值的电力负荷曲线。

如果某条压缩后的电力负荷曲线与压缩聚类中心的距离过大，例如大于一个预设阈值，则认为该条压缩后的电力负荷曲线为异常曲线。该预设阈值可以根据实际情况进行调整，例如可以取2倍或3倍平均距离d_ave。平均距离可以采用公式(8)进行计算：

$d_{\mathrm{ave}}=\frac{1}{n}{\mathrm{\Σ}}_{i=1}^{n}d(X_i,C)---\left(8\right)$

S104：采用过滤后的历史电力负荷数据训练预测模型。

在得到了过滤掉异常电力负荷曲线的历史电力负荷数据之后，采用过滤后的历史电力负荷数据训练预测模型。

S105：根据所述预测模型预测目标电力负荷。

最后根据基于过滤后的历史电力负荷数据得到的预测模型预测短期内的电力负荷。因为步骤S104和S105与现有技术相同，因此不再赘述。

总之，通过本发明实施例提供的上述方法，可以通过对历史电力负荷数据的压缩缩小历史电力负荷数据的数据规模，在此基础上再进行短期电力负荷的预测，就能够降低现有技术中短期电力负荷预测的复杂化程度，进一步的，还能保证预测结果的准确性和精确性。本发明实施例的方法能够将不正常的电力负荷数据过滤掉，并通过分析正常的历史电力负荷数据来预测短期电力负荷，从而保证了预测性能。

具体的，参见图3，本发明实施例提供了另一种短期电力负荷预测的方法，可以包括：

S301：获取用于学习的历史电力负荷数据。

这里的历史电力负荷数据的获取方式可以是：在给定的一系列原始历史电力负荷数据之后，利用日期类型和/或天气类型信息提取出具有相同日期类型或/和相同天气类型的历史电力负荷数据作为用于学习的历史电力负荷数据。

S302：判断所述历史电力负荷数据的数据规模是否大于预设阈值，如果是，则进入步骤S203。

在本实施例中，因为实际得到的用于学习的历史电力负荷数据的数据规模也有可能较小，因此首先判断用于学习的历史电力负荷数据的数据规模是否比预设阈值还要大，如果是的话，再对该历史电力负荷数据进行压缩，就可以使本实施例的方式不仅能减少计算量，还能够适应于各种类型的历史电力负荷数据。

S303：对数据规模大于预设阈值的历史电力负荷数据进行压缩。

当得到历史电力负荷数据的数据规模大于预设阈值的结果之后，再对历史电力负荷数据进行压缩。例如，得到的压缩后的二进制形式的初始压缩数据可以形如：

0000000000000000000000111111111111001000111111111111111111111111

S304：计算压缩后的历史电力负荷数据的压缩聚类中心。

本步骤在上一个实施例中已经详细介绍，参见前面的描述即可。

S305：计算所述压缩聚类中心与所述压缩后的历史电力负荷数据中各个电力负荷曲线之间的距离。

S306：过滤所述距离大于预设阈值的电力负荷曲线。

因为压缩聚类中心与压缩后的各个电力负荷曲线之间的距离可能会很大，本实施例在具体实施时，可以根据需求预设一个阈值，当距离大于这个预设阈值时，就认为对应的那条原始电力负荷曲线是一个异常数据，此时就将滤除距离大于预设阈值的电力负荷曲线。

S307：采用过滤后的历史电力负荷数据训练预测模型。

S308：根据所述预测模型预测目标电力负荷。

需要说明的是，在计算压缩后的历史电力负荷数据的压缩聚类中心时，所述步骤304也可以替换为如下步骤：

S401：统计所述二进制形式的初始压缩数据中相邻的0和1的个数。

在得到压缩后的初始压缩数据时，首先统计二进制形式的初始压缩数据中相邻的0和1的个数。

S402：根据统计结果进一步压缩所述初始压缩数据。

根据相邻的0和1的个数的统计结果，可将步骤303得到的二进制数据转化为：22#0，11#1，2#0，1#1，3#0，24#1，这表示初始压缩数据中，存在22个相邻的0，接着是11个相邻的1，在接着是2个相邻的0，以此类推。

在实际应用中，由于每位只有0或1这两个数值，可进一步上述压缩后的初始压缩数据压缩为如下形式：22#0，11，2，1，3，24。或者，二进制编码的0和1分别用不同的两个字符代替，例如和！，则可变换为：22，！11，2，！1，3，！24。

S403：计算压缩后的历史电力负荷数据的压缩聚类中心。

需要说明的是，虽然在步骤S401和S402中对初始压缩数据进一步进行了压缩，但是具体在计算压缩后的历史电力负荷数据的压缩聚类中心，还是采用步骤303的压缩结果。步骤S401和S402的执行是为了在存储历史电力负荷数据的时候，能够节省数据的存储空间，所以本实施例在实际应用中还能够节省存储资源。

总之，通过本发明实施例提供的上述第二种短期电力负荷预测的方法，能够通过对历史电力负荷数据的数据规模的大小进行判断，在数据规模大的情况下，先对历史电力负荷数据进行压缩，再基于压缩的历史电力负荷数据进行短期电力负荷预测，这就能进一步减少计算量，从而提升性能。

具体的，参见图5，本发明实施例提供了另一种短期电力负荷预测的方法，可以包括：

S501：获取用于学习的历史电力负荷数据。

S502：判断所述历史电力负荷数据的数据规模是否大于预设阈值，如果否，则进入步骤S503。

在本实施例中，获得的用于学习的历史电力负荷数据的数据规模小于预设阈值。

S503：获取所述历史电力负荷数据中包括的所有电力负荷曲线的初始聚类中心。

在所述历史电力负荷数据的数据规模小于预设阈值的情况下，则不需要对所述历史电力负荷数据进行压缩，因此，本步骤直接获取到所有原始电力负荷曲线的初始聚类中心，可以采用前述公式(1)进行计算。

S504：计算所述历史电力负荷数据中的每一个电力负荷曲线与所述初始聚类中心的距离。

在本实施例中，得到了初始聚类中心之后，就直接计算每组电力负荷曲线与所述初始聚类中心的距离。可以采用公式(9)：

$d(X_i,C)=\sqrt{{\mathrm{\Σ}}_{j=1}^m{(x_j-c_j)}^2}---\left(9\right)$

S505：过滤所述历史电力负荷数据中的异常电力曲线，所述异常电力负荷曲线到所述初始聚类中心的距离大于预定阈值。

再判断哪些距离是大于预定阈值的，与初始聚类中心的距离大于预定阈值的原始电力负荷曲线，可以认为是历史电力负荷数据中的异常电力符合曲线，因此，将其进行滤除。

S506：采用过滤后的历史电力负荷数据训练预测模型。

S507：根据所述预测模型预测目标电力负荷。

总之，在本实施例中，当历史电力负荷数据的数据规模并不大时，则直接对原始的历史电力负荷数据进行过滤，这样就节省了预测电力负荷的步骤，缩短了流程，从而能够提升预测电力负荷的性能。

具体的，参见图6，本发明实施例提供了另一种短期电力负荷预测的方法，包括：

S601：获取用于学习的历史电力负荷数据。

S602：获取所述历史电力负荷数据中包括的所有电力负荷曲线的初始聚类中心。

S603：对于每条电力负荷曲线上的各个原始节点，计算所述各个原始节点到所述初始聚类中心上的对应节点的距离。

在得到初始聚类中心之后，对于每条电力负荷曲线上的各个原始节点，再计算各个原始节点到所述初始聚类中心上的对应节点的距离；因为在现有技术中存在很多计算两个节点之间距离的方式，且不影响本发明的实现，因此，本实施例中就不做详细介绍。

S604：将距离超过预设阈值的原始节点作为所述电力负荷曲线的奇异点。

如果两个节点的距离超过了预设阈值，则认为对应的原始节点是其电力负荷曲线上的奇异点。

S605：判断各组电力负荷曲线上的奇异点个数是否超过预设阈值，如果是，则进入步骤S606。

在得到电力负荷曲线上的所有奇异点之后，针对各组电力负荷曲线，判断每一组电力负荷曲线上的奇异点个数是否超过预设阈值。

S606：将该组电力负荷曲线作为噪声电力负荷曲线并滤除。

如果某条电力负荷曲线上的奇异点个数超过了预设阈值，则认为该组电力负荷曲线是噪声电力负荷曲线，噪声电力负荷曲线会影响电力负荷预测的准确性，所以将其滤除。

本实施例中的S602～S606是过滤奇异点的过程，在进行历史电力负荷数据的压缩之前，现将噪声电力负荷曲线滤除掉，就能进一步减少电力负荷预测的计算量。

S607：将滤除了噪声电力负荷曲线的历史电力负荷数据作为用于学习的历史电力负荷数据。

S608：判断所述历史电力负荷数据的数据规模是否大于预设阈值，如果是，则进入步骤609.

将滤除了噪声电力负荷曲线的历史电力负荷数据作为用于学习的历史电力负荷数据，并判断所述历史电力负荷数据的数据规模是否大于预设阈值。

S609：对所述历史电力负荷数据进行压缩。

S610：对压缩后的历史电力负荷数据进行过滤。

S611：采用过滤后的历史电力负荷数据训练预测模型。

S612：根据所述预测模型预测目标电力负荷。

总之，通过本发明实施例公开的先过滤奇异点再对数据进行压缩并且进一步过滤压缩后的历史电力负荷数据的方式，可以使训练的预测模型更为准确或精确，在减少计算量且提升性能的同时，也能够降低方法的复杂化程度。

与本发明实施例提供的第一种短期电力负荷预测的方法相对应，本发明实施例还提供了一种短期电力负荷预测的装置，参见图7，该装置具体可以包括：

第一获取模块701，用于获取用于学习的历史电力负荷数据。

在实际应用中，所述第一获取模块701具体可以配置为：

对于给定的一系列原始历史电力负荷数据，利用日期类型和/或天气变化信息提取出一组具有相同日期集合或/和相同天气的历史电力负荷数据作为用于学习的历史电力负荷数据。

第一压缩模块702，用于对所述历史电力负荷数据进行压缩。

在实际应用中，所述第一压缩模块具体可以配置为：针对所述历史电力负荷数据中各个电力负荷曲线，按照公式(4)将所述电力负荷曲线上的各个节点值转换为二进制形式的初始压缩数据。

其中，所述c_ave为所述电力负荷曲线的平均值，所述x_ij为原始历史电力负荷数据，所述x_ij′为压缩后的历史电力负荷数据。

第一过滤模块703，用于对压缩后的历史电力负荷数据进行过滤。

参考图8所示，在实际应用中，所述第一过滤模块703具体可以包括：

第一计算子模块801，用于计算所述压缩后的历史电力负荷数据的压缩聚类中心；

第二计算子模块802，用于计算所述压缩聚类中心与所述压缩后的历史电力负荷数据中各个电力负荷曲线之间的距离；

过滤子模块803，用于过滤所述距离大于预设阈值的电力负荷曲线。

训练模块704，用于采用过滤后的历史电力负荷数据训练预测模型。

预测模块705，用于根据所述预测模型预测目标电力负荷。

通过本发明实施例提供的上述装置，通过对历史电力负荷数据的压缩缩小历史电力负荷数据的数据规模，在此基础上再进行短期电力负荷的预测，就能够降低现有技术中短期电力负荷预测的复杂化程度，进一步的，还能保证预测结果的准确性和精确性。本发明实施例的装置能够将不正常的电力负荷数据过滤掉，并通过分析正常的历史电力负荷数据来预测短期电力负荷，从而保证了预测性能。

与本发明实施例提供的第二种短期电力负荷预测的方法相对应，本发明实施例还提供了另一种短期电力负荷预测的装置，除了图7所示的模块之外，参见图9，所述装置还包括：

第一判断模块901，用于判断所述历史电力负荷数据的数据规模是否大于预设阈值；

则相应的所述第一压缩模块702，具体用于当所述第一判断模块的结果为是时，对所述历史电力负荷数据进行压缩。

本发明实施例还提供了另一种短期电力负荷预测的装置，参考图10所示，所述装置还可以包括：

统计模块1001，用于统计所述二进制形式的初始压缩数据中相邻的0和1的个数；

第二压缩模块1002，用于根据统计结果进一步压缩所述初始压缩数据。

本发明实施例还提供了另一种短期电力负荷预测的装置，参考图11，上述装置还可以包括：

第二获取模块1101，用于获取所述历史电力负荷数据中包括的所有电力负荷曲线的初始聚类中心；

第一计算模块1102，用于对于所述所有电力负荷曲线上的各个原始节点，计算所述各个原始节点到所述初始聚类中心上对应的聚类点的距离；

第二判断模块1103，用于将距离超过预设阈值的原始节点作为电力负荷曲线的奇异点，并判断各组电力负荷曲线上的奇异点个数是否超过预设阈值；

第二过滤模块1104，用于在所述第二判断模块的结果为是的情况下，将该组电力负荷曲线作为噪声电力负荷曲线并过滤，并将过滤掉噪声电力负荷曲线的历史电力负荷数据作为用于学习的历史电力负荷数据。

通过本发明实施例公开的上述装置，该装置先过滤奇异点再对数据进行压缩并且进一步过滤压缩后的历史电力负荷数据，可以使训练的预测模型更为准确或精确，在减少计算量且提升性能的同时，也能够降低方法的复杂化程度。

另外，还应该指出的是，上述系列处理和装置也可以通过软件和/或固件实现。在通过软件和/或固件实现的情况下，从存储介质或网络向具有专用硬件结构的计算机，例如图12所示的通用个人计算机1200安装构成该软件的程序，该计算机在安装有各种程序时，能够执行各种功能等等。

在图12中，中央处理单元(CPU)1201根据只读存储器(ROM)1202中存储的程序或从存储部分1208加载到随机存取存储器(RAM)1203的程序执行各种处理。在RAM 1203中，也根据需要存储当CPU 1201执行各种处理等等时所需的数据。

CPU 1201、ROM 1202和RAM 1203经由总线1204彼此连接。输入/输出接口1205也连接到总线1204。

下述部件连接到输入/输出接口1205：输入部分1206，包括键盘、鼠标等等；输出部分1207，包括显示器，比如阴极射线管(CRT)、液晶显示器(LCD)等等，和扬声器等等；存储部分1208，包括硬盘等等；和通信部分1209，包括网络接口卡比如LAN卡、调制解调器等等。通信部分1209经由网络比如因特网执行通信处理。

根据需要，驱动器1210也连接到输入/输出接口1205。可拆卸介质1211比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器1210上，使得从中读出的计算机程序根据需要被安装到存储部分1208中。

在通过软件实现上述系列处理的情况下，从网络比如因特网或存储介质比如可拆卸介质1211安装构成软件的程序。

本领域的技术人员应当理解，这种存储介质不局限于图12所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质1211。可拆卸介质1211的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者，存储介质可以是ROM 1202、存储部分1208中包含的硬盘等等，其中存有程序，并且与包含它们的设备一起被分发给用户。

还需要指出的是，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。

虽然已经详细说明了本发明及其优点，但是应当理解在不脱离由所附的权利要求所限定的本发明的精神和范围的情况下可以进行各种改变、替代和变换。而且，本发明实施例的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

关于包括以上实施例的实施方式，还公开下述附记：

附记1、一种短期电力负荷预测的方法，包括：

获取用于学习的历史电力负荷数据；

对所述历史电力负荷数据进行压缩；

对压缩后的历史电力负荷数据进行过滤，并采用过滤后的历史电力负荷数据训练预测模型；

根据所述预测模型预测目标电力负荷。

2、根据权利要求1所述的方法，其中对所述历史电力负荷数据进行压缩进一步包括：

判断所述历史电力负荷数据的数据规模是否大于预设阈值；以及

如果是，则对所述历史电力负荷数据进行压缩。

3、根据附记1所述的方法，其中对所述历史电力负荷数据进行压缩的步骤，包括：

针对所述历史电力负荷数据中各个电力负荷曲线，按照以下公式将所述电力负荷曲线上的各个节点值转换为二进制形式的初始压缩数据：

${x_{\mathrm{ij}}}^{\′}=\left\{\begin{array}{c}1,\mathrm{if}{x}_{\mathrm{ij}}>\mathrm{par}\\ 0,\mathrm{otherwise}\end{array}\right.$

其中，所述par为统计得到的阈值，所述x_ij为原始历史电力负荷数据，所述x_ij′为压缩后的历史电力负荷数据。

4、根据附记3所述的方法，所述par具体为所述电力负荷曲线的聚类中心的平均值c_ave。

5、根据权利要求3所述的方法，还包括：

统计所述二进制形式的初始压缩数据中相邻的0和1的个数；以及

根据统计结果进一步压缩所述初始压缩数据。

6、根据附记1所述的方法，其中对压缩后的历史电力负荷数据进行过滤的步骤，包括：

计算所述压缩后的历史电力负荷数据的压缩聚类中心；

计算所述压缩聚类中心与所述压缩后的历史电力负荷数据中各个电力负荷曲线之间的距离；以及

过滤所述距离大于预设阈值的电力负荷曲线。

7、根据附记1所述的方法，所述获取用于学习的历史电力负荷数据之后，还包括：

获取所述历史电力负荷数据中包括的所有电力负荷曲线的初始聚类中心；

对于每条电力负荷曲线上的各个原始节点，计算所述各个原始节点到所述初始聚类中心上的对应节点的距离；

将距离超过预设阈值的原始节点作为所述电力负荷曲线的奇异点；

判断各组电力负荷曲线上的奇异点个数是否超过预设阈值；以及

如果是，则将该组电力负荷曲线作为噪声电力负荷曲线并滤除，并将滤除了噪声电力负荷曲线的历史电力负荷数据作为用于学习的历史电力负荷数据。

8、根据附记1所述的方法，其中获取用于学习的历史电力负荷数据的步骤，包括：

对于给定的一系列原始历史电力负荷数据，利用日期类型和/或天气类型信息提取出具有相同日期类型或/和相同天气类型的历史电力负荷数据作为用于学习的历史电力负荷数据。

9、一种短期电力负荷预测的装置，包括：

第一获取模块，用于获取用于学习的历史电力负荷数据；

第一压缩模块，用于对所述历史电力负荷数据进行压缩；

第一过滤模块，用于对压缩后的历史电力负荷数据进行过滤；

训练模块，用于采用过滤后的历史电力负荷数据训练预测模型；

预测模块，用于根据所述预测模型预测目标电力负荷。

10、根据附记9所述的装置，所述装置还包括：

第一判断模块，用于判断所述历史电力负荷数据的数据规模是否大于预设阈值；

则所述第一压缩模块，用于当所述第一判断模块的结果为是时，对所述历史电力负荷数据进行压缩。

11、根据附记9所述的装置，所述第一压缩模块具体配置为：

针对所述历史电力负荷数据中各个电力负荷曲线，按照以下公式将所述电力负荷曲线上的各个节点值转换为二进制形式的初始压缩数据：

${x_{\mathrm{ij}}}^{\′}=\left\{\begin{array}{c}1,\mathrm{if}{x}_{\mathrm{ij}}>\mathrm{par}\\ 0,\mathrm{otherwise}\end{array}\right.$

其中，所述par为统计得到的阈值，所述x_ij为原始历史电力负荷数据，所述x_ij′为压缩后的历史电力负荷数据。

12、根据附记11所述的装置，所述par具体为所述电力负荷曲线的聚类中心的平均值c_ave。

13、根据附记11所述的装置，还包括：

统计模块，用于统计所述二进制形式的初始压缩数据中相邻的0和1的个数；

第二压缩模块，用于根据统计结果进一步压缩所述初始压缩数据。

14、根据附记9所述的装置，所述第一过滤模块具体包括：

第一计算子模块，用于计算所述压缩后的历史电力负荷数据的压缩聚类中心；

第二计算所述压缩聚类中心与所述压缩后的历史电力负荷数据中各个电力负荷曲线之间的距离；

过滤子模块，用于过滤所述距离大于预设阈值的电力负荷曲线。

15、根据附记9所述的装置，还包括：

第二获取模块，用于获取所述历史电力负荷数据中包括的所有电力负荷曲线的初始聚类中心；

第一计算模块，用于对于所述所有电力负荷曲线上的各个原始节点，计算所述各个原始节点到所述初始聚类中心上对应的聚类点的距离；

第二判断模块，用于将距离超过预设阈值的原始节点作为电力负荷曲线的奇异点，并判断各组电力负荷曲线上的奇异点个数是否超过预设阈值；

第二过滤模块，用于在所述第二判断模块的结果为是的情况下，将该组电力负荷曲线作为噪声电力负荷曲线并过滤，并将过滤掉噪声电力负荷曲线的历史电力负荷数据作为用于学习的历史电力负荷数据。

16、根据附记9所述的装置，所述第一获取模块具体配置为：

对于给定的一系列原始历史电力负荷数据，利用日期类型和/或天气变化信息提取出一组具有相同日期集合或/和相同天气的历史电力负荷数据作为用于学习的历史电力负荷数据。

Claims (10)

1.一种短期电力负荷预测的方法，包括：

获取用于学习的历史电力负荷数据；

对所述历史电力负荷数据进行压缩；

对压缩后的历史电力负荷数据进行过滤，并采用过滤后的历史电力负荷数据训练预测模型；

根据所述预测模型预测目标电力负荷。

2.根据权利要求1所述的方法，其中对所述历史电力负荷数据进行压缩进一步包括：

判断所述历史电力负荷数据的数据规模是否大于预设阈值；以及

如果是，则对所述历史电力负荷数据进行压缩。

3.根据权利要求1所述的方法，其中对所述历史电力负荷数据进行压缩的步骤，包括：

针对所述历史电力负荷数据中各个电力负荷曲线，按照以下公式将所述电力负荷曲线上的各个节点值转换为二进制形式的初始压缩数据：

${x_{\mathrm{ij}}}^{\′}=\left\{\begin{array}{c}1,\mathrm{if}{x}_{\mathrm{ij}}>\mathrm{par}\\ 0,\mathrm{otherwise}\end{array}\right.$

其中，所述par为统计得到的阈值，所述x_ij为压缩前的历史电力负荷数据，所述x_ij′为压缩后的历史电力负荷数据。

4.根据权利要求3所述的方法，所述par具体为所述电力负荷曲线的聚类中心的平均值c_ave。

5.根据权利要求3所述的方法，还包括：

统计所述二进制形式的初始压缩数据中相邻的0和1的个数；以及

根据统计结果进一步压缩所述初始压缩数据。

6.根据权利要求1所述的方法，其中对压缩后的历史电力负荷数据进行过滤的步骤，包括：

计算所述压缩后的历史电力负荷数据的压缩聚类中心；

计算所述压缩聚类中心与所述压缩后的历史电力负荷数据中各个电力负荷曲线之间的距离；以及

过滤所述距离大于预设阈值的电力负荷曲线。

7.一种短期电力负荷预测的装置，包括：

第一获取模块，用于获取用于学习的历史电力负荷数据；

第一压缩模块，用于对所述历史电力负荷数据进行压缩；

第一过滤模块，用于对压缩后的历史电力负荷数据进行过滤；

训练模块，用于采用过滤后的历史电力负荷数据训练预测模型；

预测模块，用于根据所述预测模型预测目标电力负荷。

8.根据权利要求7所述的装置，所述装置还包括：

第一判断模块，用于判断所述历史电力负荷数据的数据规模是否大于预设阈值；

则所述第一压缩模块，用于当所述第一判断模块的结果为是时，对所述历史电力负荷数据进行压缩。

9.根据权利要求6所述的装置，所述第一压缩模块具体配置为：

针对所述历史电力负荷数据中各个电力负荷曲线，按照以下公式将所述电力负荷曲线上的各个节点值转换为二进制形式的初始压缩数据：

${x_{\mathrm{ij}}}^{\′}=\left\{\begin{array}{c}1,\mathrm{if}{x}_{\mathrm{ij}}>\mathrm{par}\\ 0,\mathrm{otherwise}\end{array}\right.$

其中，所述par为统计得到的阈值，所述x_ij为压缩前的历史电力负荷数据，所述x_ij′为压缩后的历史电力负荷数据。

10.根据权利要求8所述的装置，还包括：

统计模块，用于统计所述二进制形式的初始压缩数据中相邻的0和1的个数；

第二压缩模块，用于根据统计结果进一步压缩所述初始压缩数据。

Images