CN104820876A - 一种短期负荷预测方法和系统 - Google Patents

Abstract

本发明实施例提供一种短期负荷预测方法和系统，其中，方法包括：获取相似日的负荷曲线集合，并利用小波变换对该负荷曲线集合内所有负荷曲线进行分解重构，得到负荷子曲线集合；对该负荷子曲线集合内所有负荷曲线进行负荷特性分析，将负荷特性分析结果通过组合负荷预测模型进行预测，得到初步负荷预测结果；将所述初步负荷预测结果通过误差预测模型进行校正，将输出的校正结果作为所述预测日的负荷预测结果。提高了短期负荷预测结果的精度，使得到精度较高的负荷预测结果。

Description

一种短期负荷预测方法和系统

技术领域

本发明涉及电力工程技术领域，特别是涉及一种短期负荷预测方法和系统。

背景技术

短期负荷预测主要是指预报未来1～7日的电力负荷。只有在不同层次负荷预测的基础上，了解未来负荷的发展变化，才能有针对性地提出需求侧管理措施，改善负荷曲线。而目前，由于需求侧管理工作本身主观性，在具体实施中具有的不确定性，和具体实施效果的量化难度等复杂的条件因素，影响了一些负荷预测的理论基础，增加了短期负荷预测的难度，造成短期负荷预测的结果精度较低。

发明内容

有鉴于此，本发明实施例提供一种短期负荷预测方法和系统，以解决现有技术中造成短期负荷预测的结果精度较低的问题。

为实现上述目的，本发明实施例提供如下技术方案：

一种短期负荷预测方法，包括：

获取预测日的相似日的负荷曲线集合，并利用小波变换对所述负荷曲线集合内所有负荷曲线进行分解重构，得到负荷子曲线集合；

对所述负荷子曲线集合内所有负荷曲线进行负荷特性分析，将负荷特性分析结果通过组合负荷预测模型进行预测，得到初步负荷预测结果；其中，所述组合负荷预测模型包括至少两个单一负荷预测模型；

将所述初步负荷预测结果通过误差预测模型进行校正，将输出的校正结果作为所述预测日的负荷预测结果；其中，误差预测模块通过获取历史用电负荷数据，将所述历史用电负荷信息通过所述组合负荷预测模块得到预测值，得到所述预测值与真实值之间的误差序列，通过所述误差序列训练生成。

其中，所述获取预测日的相似日的负荷曲线集合包括：

选择相似日；

获取所有所述相似日的历史用电负荷数据；

通过聚类方法的方法提取各个所述相似日的历史用电负荷数据的负荷曲线，得到所有所述相似日的负荷曲线集合。

其中，所述选择相似日包括：

获取历史用电负荷数据，确定影响所述历史用电负荷数据的各个影响因素；

将所述各个影响因素作为所述历史负荷数据的日特征向量，通过模糊化规则将所述各个因素转换为数值，根据所述数值确定相似日。

其中，所述组合负荷预测模型包括两个单一负荷预测模型。

其中，所述利用小波变换对所述负荷曲线集合内所有负荷曲线进行分解重构，得到负荷子曲线集合包括：

利用小波变换将所述负荷曲线集合内所有负荷曲线分解重构为高频部分和低频部分；

分别得到高频负荷曲线和低频负荷曲线。

其中，所述对所述负荷子曲线集合内所有负荷曲线进行负荷特性分析，将负荷特性分析结果通过组合负荷预测模型进行预测，得到初步负荷预测结果；包括：

对所述高频负荷曲线和低频负荷曲线均进行负荷特性分析；

将所述高频负荷曲线的负荷特性分析结果通过BP神经网络模型进行负荷预测，得到高频初步负荷预测结果；

将所述低频负荷曲线的负荷特性分析结果通过自回归积分滑动平均ARIMA模型进行负荷预测，得到低频初步负荷预测结果；

根据预设权重，将所述高频初步负荷预测结果和所述低频初步负荷预测结果进行百分比相加，得到初步负荷预测结果。

其中，所述将所述初步负荷预测结果通过误差预测模型进行校正包括：

将所述初步负荷预测结果通过误差预测模型，得到所述初步负荷预测结果的误差曲线；

将所述初步负荷预测结果的初步负荷曲线和所述误差曲线进行叠加，将叠加后曲线进行输出。

其中，所述将输出的校正结果作为所述预测日的负荷预测结果后还包括：

获取所述预测日的实际负荷数据，计算所述实际负荷数据和所述负荷预测结果的预测负荷数据间的残差；

判断所述残差是否均小于预定数值，若不是，则根据所述残差训练得到新的组合预测模型，根据所述新的误差预测模型进行短期负荷预测。

一种短期负荷预测系统，包括：获取分解模块、初步预测模块和校正模块；其中，

所述获取分解模块，用于获取预测日的相似日的负荷曲线集合，并利用小波变换对所述负荷曲线集合内所有负荷曲线进行分解重构，得到负荷子曲线集合；

所述初步预测模块，用于对所述负荷子曲线集合内所有负荷曲线进行负荷特性分析，将负荷特性分析结果通过组合负荷预测模型进行预测，得到初步负荷预测结果；其中，所述组合负荷预测模型包括至少两个单一负荷预测模型；

所述校准模块，用于将所述初步负荷预测结果通过误差预测模型进行校正，将输出的校正结果作为所述预测日的负荷预测结果；其中，误差预测模块通过获取历史用电负荷数据，将所述历史用电负荷信息通过所述组合负荷预测模块得到预测值，得到所述预测值与真实值之间的误差序列，通过所述误差序列训练生成。

其中，所述短期负荷预测系统还包括：检测模块，用于

获取所述预测日的实际负荷数据，计算所述实际负荷数据和所述负荷预测结果的预测负荷数据间的残差；

判断所述残差是否均小于预定数值，若不是，则根据所述残差训练得到新的组合预测模型，根据所述新的误差预测模型进行短期负荷预测。

基于上述技术方案，本发明实施例提供的短期负荷预测方法和系统，其中，方法包括：获取预测日的相似日的负荷曲线集合，并利用小波变换对所述负荷曲线集合内所有负荷曲线进行分解重构，得到负荷子曲线集合；对所述负荷子曲线集合内所有负荷曲线进行负荷特性分析，将负荷特性分析结果通过组合负荷预测模型进行预测，得到初步负荷预测结果；其中，所述组合负荷预测模型包括至少两个单一负荷预测模型；将所述初步负荷预测结果通过误差预测模型进行校正，将输出的校正结果作为所述预测日的负荷预测结果；其中，误差预测模块通过获取历史用电负荷数据，将所述历史用电负荷信息通过所述组合负荷预测模块得到预测值，得到所述预测值与真实值之间的误差序列，通过所述误差序列训练生成。获取预测日的相似日的负荷曲线集合得到负荷子曲线集合后，通过组合负荷预测模型得进行初步预测，得到初步负荷预测结果，然后通过误差预测模型对获得的初步负荷预测结果进行校正，将校正后的负荷预测结果作为预测日的负荷预测结果，提高了短期负荷预测结果的精度，得到精度较高的负荷预测结果。

附图说明

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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的短期负荷预测方法的流程图；

图2为本发明实施例提供的短期负荷预测方法中获取预测日的相似日的负荷曲线集合的方法流程图；

图3为本发明实施例提供的短期负荷预测方法中选择相似日的方法流程图；

图4为本发明实施例提供的短期负荷预测方法中得到负荷子曲线集合的方法流程图；

图5为本发明实施例提供的短期负荷预测方法中得到初步负荷预测结果的方法流程图；

图6为本发明实施例提供的短期负荷预测方法中将初步负荷预测结果通过误差预测模型进行校正的方法流程图；

图7为本发明实施例提供的短期负荷预测方法中对得到的负荷预测结果进行检验的方法流程图；

图8为本发明实施例提供的短期负荷预测系统的系统框图；

图9为本发明实施例提供的短期负荷预测系统的另一系统框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的短期负荷预测方法的流程图，获取预测日的相似日的负荷曲线集合得到负荷子曲线集合后，通过组合负荷预测模型得进行初步预测，得到初步负荷预测结果，然后通过误差预测模型对获得的初步负荷预测结果进行校正，将校正后的负荷预测结果作为预测日的负荷预测结果，提高了短期负荷预测结果的精度，得到精度较高的负荷预测结果；参照图1，该短期负荷预测方法可以包括：

步骤S100：获取预测日的相似日的负荷曲线集合，并利用小波变换对所述负荷曲线集合内所有负荷曲线进行分解重构，得到负荷子曲线集合；

预测日的相似日是指，与该预测日具有相同类型的日子，并且在同一时段内，相似日的负荷变化与预测日呈现相似的变换规律。由于每天负荷发生“突变”的时刻不完全相同，所以在负荷发生突变时，负荷的预测误差也可能会很大。通过观测负荷曲线，发现相似日相同时段的负荷曲线变化不大，并且，距离预测日最近的几个同类型日的同一时段内，相似日的负荷更是呈现相近的变化规律。因此使用相似日数据来进行负荷预测能够提高预测结果的精度。

在一段固定时间内，由于预测日的相似日可能不止一日，因此，需要获取全部相似日的负荷曲线，即负荷曲线集合内。也就是说，负荷曲线集合内包括至少一条相似日的负荷去。

可选的，可以获取预测日在过去一个月内的所有相似日的负荷曲线，得到负荷曲线集合。

可选的，可以通过先选择相似日，然后获取所有所述相似日的历史用电负荷数据，最后通过聚类方法的方法提取各个所述相似日的历史用电负荷数据的负荷曲线，得到所有所述相似日的负荷曲线集合。

可选的，可以通过获取历史用电负荷数据，确定影响该历史用电负荷数据的各个影响因素，然后将各个影响因素作为该历史负荷数据的日特征向量，通过模糊化规则将所述各个因素转换为数值，根据所述数值来确定相似日。其中，确定影响该历史用电负荷数据的各个影响因素，由于影响历史用电负荷数据的影响因素可能很多，因此，可以为仅仅确定影响该历史用电负荷数据的几个主要影响因素。

采用小波变换对相似日的负荷曲线集合进行分解，将各频率小波系数序列单独重构，生成相应的时域子负荷序列，然后对各时域子序列进行预测，将各预测结果相加得到最终的预测结果。由于各个子负荷序列的规律性更为明显，得到的预测结果也就更为精确，其精确性比直接用原负荷序列进行预测有较大提高。将小波变换分析重构得到的所有曲线称为负荷子曲线集合。

可选的，可以通过小波变换将获得的负荷曲线集合内所有负荷曲线分解重构为高频部分和低频部分，分别得到高频负荷曲线和低频负荷曲线。其中，需要说明的是，高频是指频率大于3兆赫兹的频率。

步骤S110：对所述负荷子曲线集合内所有负荷曲线进行负荷特性分析，将负荷特性分析结果通过组合负荷预测模型进行预测，得到初步负荷预测结果；

其中，所述组合负荷预测模型包括至少两个单一负荷预测模型。

可选的，组合负荷预测模型可以为包括两个单一负荷预测模型的组合预测模型。

可选的，当组合负荷预测模型为包括两个单一负荷预测模型的组合预测模型时，两个单一负荷预测模块可以分别为BP神经网络模型和自回归积分滑动平均模型ARIMA模型。

可选的，当组合负荷预测模型为包括两个单一负荷预测模型的组合预测模型，并且小波变换将获得的负荷曲线集合内所有负荷曲线分解重构为高频部分和低频部分，分别得到高频负荷曲线和低频负荷曲线时，可以通过对得到的高频负荷曲线和低频负荷曲线均进行负荷特性分析，将高频负荷曲线的负荷特性分析结果通过BP神经网络模型进行负荷预测，得到高频初步负荷预测结果；将低频负荷曲线的负荷特性分析结果通过ARIMA模型进行负荷预测，得到低频初步负荷预测结果，然后根据预设权重，将所述高频初步负荷预测结果和所述低频初步负荷预测结果进行百分比相加，得到初步负荷预测结果。

步骤S120：将所述初步负荷预测结果通过误差预测模型进行校正，将输出的校正结果作为所述预测日的负荷预测结果。

其中，误差预测模块通过获取历史用电负荷数据，将所述历史用电负荷信息通过所述组合负荷预测模块得到预测值，得到所述预测值与真实值之间的误差序列，通过所述误差序列训练生成。

可选的，可以通过将所述初步负荷预测结果通过误差预测模型，得到所述初步负荷预测结果的误差曲线，将所述初步负荷预测结果的初步负荷曲线和所述误差曲线进行叠加，将叠加后曲线进行输出，来将初步负荷预测结果通过误差预测模型进行校正。

可选的，在将输出的校正结果作为所述预测日的负荷预测结果后，还可以通过获取预测日的实际负荷数据，计算所述实际负荷数据和所述负荷预测结果的预测负荷数据间的残差，判断该残差是否均小于预定数值，来判断得到的负荷预测结果是否合格。若存在不小于预定数值的残差，则说明得到的负荷预测结果不合格，可以根据该残差训练得到新的组合预测模型，根据该新的误差预测模型进行短期负荷预测。若得到的所有残差均小于预定数值，则说明书负荷预测结果合格。

基于上述技术方案，本发明实施例提供的短期负荷预测方法和系统，其中，方法包括：获取预测日的相似日的负荷曲线集合，并利用小波变换对所述负荷曲线集合内所有负荷曲线进行分解重构，得到负荷子曲线集合；对所述负荷子曲线集合内所有负荷曲线进行负荷特性分析，将负荷特性分析结果通过组合负荷预测模型进行预测，得到初步负荷预测结果；其中，所述组合负荷预测模型包括至少两个单一负荷预测模型；将所述初步负荷预测结果通过误差预测模型进行校正，将输出的校正结果作为所述预测日的负荷预测结果；其中，误差预测模块通过获取历史用电负荷数据，将所述历史用电负荷信息通过所述组合负荷预测模块得到预测值，得到所述预测值与真实值之间的误差序列，通过所述误差序列训练生成。获取预测日的相似日的负荷曲线集合得到负荷子曲线集合后，通过组合负荷预测模型得进行初步预测，得到初步负荷预测结果，然后通过误差预测模型对获得的初步负荷预测结果进行校正，将校正后的负荷预测结果作为预测日的负荷预测结果，提高了短期负荷预测结果的精度，得到精度较高的负荷预测结果。

可选的，图2示出了本发明实施例提供的短期负荷预测方法中获取预测日的相似日的负荷曲线集合的方法流程图，参照图2，该获取预测日的相似日的负荷曲线集合的方法可以包括：

步骤S200：选择相似日；

预测日的相似日是指，与预测日具有相同类型的日子，并且在同一时段内，相似日的负荷变化与预测日呈现相似的变换规律。由于每天负荷发生“突变”的时刻不完全相同，所以在负荷发生突变时，负荷的预测误差也可能会很大。通过观测负荷曲线，发现相似日相同时段的负荷曲线变化不大，并且，距离预测日最近的几个同类型日的同一时段内，相似日的负荷更是呈现相近的变化规律。因此使用相似日数据来进行负荷预测能够提高预测结果的精度。

可选的，可以通过获取历史用电负荷数据，确定影响所述历史用电负荷数据的各个影响因素，将所述各个影响因素作为所述历史负荷数据的日特征向量，通过模糊化规则将所述各个因素转换为数值，然后根据该数值来确定相似日。

步骤S210：获取所有所述相似日的历史用电负荷数据；

获取所有相似日的历史用电负荷数据后，可以根据获取得到的所有相似日的历史用电负荷数据来得到各个相似日的负荷曲线。

步骤S220：通过聚类方法的方法提取各个所述相似日的历史用电负荷数据的负荷曲线，得到所有所述相似日的负荷曲线集合。

可选的，可以通过获取用户所在用电系统内所有用户的用电负荷曲线，确定所述所有用户的用电曲线的所有可能聚类类别数，将每个所述可能聚类类别数分别作为模糊C-均值聚类算法的聚类类别数，对所述用电负荷曲线进行模糊聚类，分别得到一个聚类结果，然后利用预定的有效性指标对所有得到的聚类结果进行评估，得到最佳聚类结果，然后确定该用户在所述最佳聚类结果中所属的聚类类别，提取该类别的典型负荷曲线，来得到各个相似日的负荷曲线。

可选的，图3示出了本发明实施例提供的短期负荷预测方法中选择相似日的方法流程图，参照图3，该选择相似日的方法可以包括：

步骤S300：获取历史用电负荷数据，确定影响所述历史用电负荷数据的各个影响因素；

可选的，影响历史用电负荷数据的影响因素可以包括：用户用电量、电价、气候、温度(最大温度和平均温度等)和湿度(最大湿度和平均湿度等)等。

步骤S310：将所述各个影响因素作为所述历史负荷数据的日特征向量，通过模糊化规则将所述各个因素转换为数值，根据所述数值确定相似日。

可选的，可以设选择相似日的主要原则为：

(1)日类型(D)：周一、周六、周日取1，周二至周五取2；

(2)最高气温(Tmax)：小于0℃取1，0-10℃取2，10-20℃取3，30-40摄氏度取4；

(3)最低气温(Tmin)：小于0℃取1，0-10℃取2，10-20℃取3，30-40摄氏度取4；

(4)降雨(R)：无雨取1、小雨取2、中雨取3、大雨取4。

那么，便可以得到日特征向量：

X＝(D,T_max,T_min,R)。

可选的，还可以加入生产计划等影响因素构成日特征向量。

可选的，图4示出了本发明实施例提供的短期负荷预测方法中得到负荷子曲线集合的方法流程图，参照图4，该得到负荷子曲线集合的方法可以包括：

步骤S400：利用小波变换将所述负荷曲线集合内所有负荷曲线分解重构为高频部分和低频部分；

采用小波变换对相似日的负荷曲线集合进行分解，将各频率小波系数序列单独重构，生成相应的时域子负荷序列，然后对各时域子序列进行预测，将各预测结果相加得到最终的预测结果。由于各个子负荷序列的规律性更为明显，得到的预测结果也就更为精确，其精确性比直接用原负荷序列进行预测有较大提高。将小波变换分析重构得到的所有曲线称为负荷子曲线集合。

步骤S410：分别得到高频负荷曲线和低频负荷曲线。

即利用小波变换将负荷曲线集合内所有负荷曲线分解重构为高频部分和低频部分后，将得到的高频部分称为高频负荷曲线，将得到的低频部分称为低频负荷曲线。

其中，高频是指频率大于3兆赫兹的频率。

可选的，图5示出了本发明实施例提供的短期负荷预测方法中得到初步负荷预测结果的方法流程图，参照图5，该得到初步负荷预测结果的方法可以包括：

步骤S500：对所述高频负荷曲线和低频负荷曲线均进行负荷特性分析；

可选的，可以通过确定高频负荷曲线和低频负荷曲线的负荷曲线类别，分别获取该类别的典型负荷曲线，利用多元线性回归方程计算得到的典型负荷曲线与预定外界因素的关联关系，确定该典型负荷曲线受各个所述预定外界因素的影响程度，构建用电负荷特性指标体系，并根据该用电负荷特性指标体系确定所述典型负荷曲线的各个用电负荷特性指标值，根据典型负荷曲线受各个所述预定外界因素的影响程度和所述典型负荷曲线的各个用电负荷特性指标值对得到的两个典型负荷曲线特性进行分析，来得到高频负荷曲线和低频负荷曲线的负荷特性分析结果。

步骤S510：将所述高频负荷曲线的负荷特性分析结果通过BP神经网络模型进行负荷预测，得到高频初步负荷预测结果；

BP神经网络，即误差反向传播神经网络，是神经网络模型中使用最广泛的一类。BP神经网络是一种典型的多层神经网络，由输入层、隐含层、输出层组成，层与层之间一般采用全连接的方式，同一层单元之间不存在连接。BP网络可以看做是一个从输入到输出的高度非线性映射，它可以通过“模式顺传播”、“误差逆传播”、“记忆训练”、“学习收敛”四个过程，实现多层网络学习的设想。

BP网络的设计主要包括输入层设计、输出层的设计、隐含层结构设计。

步骤S520：将所述低频负荷曲线的负荷特性分析结果通过自回归积分滑动平均ARIMA模型进行负荷预测，得到低频初步负荷预测结果；

ARIMA模型是时间序列模型的一种，把时间序列看做随机过程描述，假设时间序列由某随机过程产生的，利用时间序列的原始数据建立描述该过程的模型，并估计参数，再利用所建立的模型及过去和现在的观测值对未来值进行预测。

ARIMA模型可以通过差分计算将非平稳时间序列平稳化。

步骤S530：根据预设权重，将所述高频初步负荷预测结果和所述低频初步负荷预测结果进行百分比相加，得到初步负荷预测结果。

可选的，高频初步负荷预测结果和低频初步负荷预测结果的权重均为50％，那么，此时，则将高频初步负荷预测结果的50％加上低频初步负荷预测结果的50％来得到初步负荷预测结果。

可选的，图6示出了本发明实施例提供的短期负荷预测方法中将初步负荷预测结果通过误差预测模型进行校正的方法流程图，参照图6，该将初步负荷预测结果通过误差预测模型进行校正的方法可以包括：

步骤S600：将所述初步负荷预测结果通过误差预测模型，得到所述初步负荷预测结果的误差曲线；

可选的，将初步负荷预测结果通过误差预测模型，也可以为得到初步负荷预测结果的误差数据。

步骤S610：将所述初步负荷预测结果的初步负荷曲线和所述误差曲线进行叠加，将叠加后曲线进行输出。

将初步负荷预测结果的初步负荷曲线和得到的误差曲线进行叠加，将叠加后曲线进行输出，即将初步负荷预测结果的误差值不回，除去初步负荷预测结果的误差。

可选的，也可以是将初步负荷预测结果的初步负荷数据和得到的误差数据进行相加，将相加后得到的结果进行输出。

可选的，图7示出了本发明实施例提供的短期负荷预测方法中对得到的负荷预测结果进行检验的方法流程图，参照图7，该对得到的负荷预测结果进行检验的方法可以包括：

步骤S700：获取所述预测日的实际负荷数据，计算所述实际负荷数据和所述负荷预测结果的预测负荷数据间的残差；

在得到的负荷预测结果后，还可以对获取的负荷预测结果进行检验。

步骤S710：判断所述残差是否均小于预定数值，若不是，则根据所述残差训练得到新的组合预测残差模型，根据所述新的误差预测模型进行短期负荷预测。

当存在不小于预定数值的残差时，说明得到的负荷预测结果不合格，组合预测模型还需要改进，需要根据该残差训练得到新的组合预测模型，根据该新的误差预测模型进行短期负荷预测。当得到的所有残差均小于预定数值，则说明书负荷预测结果合格。

本发明实施例提供的短期负荷预测方法，获取预测日的相似日的负荷曲线集合得到负荷子曲线集合后，通过组合负荷预测模型得进行初步预测，得到初步负荷预测结果，然后通过误差预测模型对获得的初步负荷预测结果进行校正，将校正后的负荷预测结果作为预测日的负荷预测结果，提高了短期负荷预测结果的精度，得到精度较高的负荷预测结果。

下面对本发明实施例提供的短期负荷预测系统进行介绍，下文描述的短期负荷预测系统与上文描述的短期负荷预测方法可相互对应参照。

图8为本发明实施例提供的短期负荷预测系统的系统框图，参照图8，该短期负荷预测系统可以包括：获取分解模块100、初步预测模块200和校正模块300；其中，

获取分解模块100，用于获取预测日的相似日的负荷曲线集合，并利用小波变换对所述负荷曲线集合内所有负荷曲线进行分解重构，得到负荷子曲线集合；

初步预测模块200，用于对所述负荷子曲线集合内所有负荷曲线进行负荷特性分析，将负荷特性分析结果通过组合负荷预测模型进行预测，得到初步负荷预测结果；其中，所述组合负荷预测模型包括至少两个单一负荷预测模型；

校准模块300，用于将所述初步负荷预测结果通过误差预测模型进行校正，将输出的校正结果作为所述预测日的负荷预测结果；其中，误差预测模块通过获取历史用电负荷数据，将所述历史用电负荷信息通过所述组合负荷预测模块得到预测值，得到所述预测值与真实值之间的误差序列，通过所述误差序列训练生成。

可选的，图9示出了本发明实施例提供的短期负荷预测系统的另一系统框图，参照图9，该短期负荷预测系统还可以包括：检测模块400；

检测模块400，用于获取所述预测日的实际负荷数据，计算所述实际负荷数据和所述负荷预测结果的预测负荷数据间的残差；

判断所述残差是否均小于预定数值，若不是，则根据所述残差训练得到新的组合预测模型，根据所述新的误差预测模型进行短期负荷预测。

本发明实施例提供的短期负荷预测系统，获取预测日的相似日的负荷曲线集合得到负荷子曲线集合后，通过组合负荷预测模型得进行初步预测，得到初步负荷预测结果，然后通过误差预测模型对获得的初步负荷预测结果进行校正，将校正后的负荷预测结果作为预测日的负荷预测结果，提高了短期负荷预测结果的精度，得到精度较高的负荷预测结果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种短期负荷预测方法，其特征在于，包括：

获取预测日的相似日的负荷曲线集合，并利用小波变换对所述负荷曲线集合内所有负荷曲线进行分解重构，得到负荷子曲线集合；

对所述负荷子曲线集合内所有负荷曲线进行负荷特性分析，将负荷特性分析结果通过组合负荷预测模型进行预测，得到初步负荷预测结果；其中，所述组合负荷预测模型包括至少两个单一负荷预测模型；

将所述初步负荷预测结果通过误差预测模型进行校正，将输出的校正结果作为所述预测日的负荷预测结果；其中，误差预测模块通过获取历史用电负荷数据，将所述历史用电负荷信息通过所述组合负荷预测模块得到预测值，得到所述预测值与真实值之间的误差序列，通过所述误差序列训练生成。

2.根据权利要求1所述的短期负荷预测方法，其特征在于，所述获取预测日的相似日的负荷曲线集合包括：

选择相似日；

获取所有所述相似日的历史用电负荷数据；

通过聚类方法的方法提取各个所述相似日的历史用电负荷数据的负荷曲线，得到所有所述相似日的负荷曲线集合。

3.根据权利要求2所述的短期负荷预测方法，其特征在于，所述选择相似日包括：

获取历史用电负荷数据，确定影响所述历史用电负荷数据的各个影响因素；

将所述各个影响因素作为所述历史负荷数据的日特征向量，通过模糊化规则将所述各个因素转换为数值，根据所述数值确定相似日。

4.根据权利要求1所述的短期负荷预测方法，其特征在于，所述组合负荷预测模型包括两个单一负荷预测模型。

5.根据权利要求4所述的短期负荷预测方法，其特征在于，所述利用小波变换对所述负荷曲线集合内所有负荷曲线进行分解重构，得到负荷子曲线集合包括：

利用小波变换将所述负荷曲线集合内所有负荷曲线分解重构为高频部分和低频部分；

分别得到高频负荷曲线和低频负荷曲线。

6.根据权利要求5所述的短期负荷预测方法，其特征在于，所述对所述负荷子曲线集合内所有负荷曲线进行负荷特性分析，将负荷特性分析结果通过组合负荷预测模型进行预测，得到初步负荷预测结果；包括：

对所述高频负荷曲线和低频负荷曲线均进行负荷特性分析；

将所述高频负荷曲线的负荷特性分析结果通过BP神经网络模型进行负荷预测，得到高频初步负荷预测结果；

将所述低频负荷曲线的负荷特性分析结果通过自回归积分滑动平均ARIMA模型进行负荷预测，得到低频初步负荷预测结果；

根据预设权重，将所述高频初步负荷预测结果和所述低频初步负荷预测结果进行百分比相加，得到初步负荷预测结果。

7.根据权利要求1所述的短期负荷预测方法，其特征在于，所述将所述初步负荷预测结果通过误差预测模型进行校正包括：

将所述初步负荷预测结果通过误差预测模型，得到所述初步负荷预测结果的误差曲线；

将所述初步负荷预测结果的初步负荷曲线和所述误差曲线进行叠加，将叠加后曲线进行输出。

8.根据权利要求1所述的短期负荷预测方法，其特征在于，所述将输出的校正结果作为所述预测日的负荷预测结果后还包括：

获取所述预测日的实际负荷数据，计算所述实际负荷数据和所述负荷预测结果的预测负荷数据间的残差；

判断所述残差是否均小于预定数值，若不是，则根据所述残差训练得到新的组合预测模型，根据所述新的误差预测模型进行短期负荷预测。

9.一种短期负荷预测系统，其特征在于，包括：获取分解模块、初步预测模块和校正模块；其中，

所述获取分解模块，用于获取预测日的相似日的负荷曲线集合，并利用小波变换对所述负荷曲线集合内所有负荷曲线进行分解重构，得到负荷子曲线集合；

所述初步预测模块，用于对所述负荷子曲线集合内所有负荷曲线进行负荷特性分析，将负荷特性分析结果通过组合负荷预测模型进行预测，得到初步负荷预测结果；其中，所述组合负荷预测模型包括至少两个单一负荷预测模型；

所述校准模块，用于将所述初步负荷预测结果通过误差预测模型进行校正，将输出的校正结果作为所述预测日的负荷预测结果；其中，误差预测模块通过获取历史用电负荷数据，将所述历史用电负荷信息通过所述组合负荷预测模块得到预测值，得到所述预测值与真实值之间的误差序列，通过所述误差序列训练生成。

10.根据权利要求9所述的短期负荷预测系统，其特征在于，还包括：检测模块，用于

获取所述预测日的实际负荷数据，计算所述实际负荷数据和所述负荷预测结果的预测负荷数据间的残差；

判断所述残差是否均小于预定数值，若不是，则根据所述残差训练得到新的组合预测模型，根据所述新的误差预测模型进行短期负荷预测。