CN110610280A - 一种电力负荷短期预测方法、模型、装置及系统 - Google Patents

Abstract

本发明公开了一种电力负荷短期预测方法、模型、装置及系统，该方法包括：接收负荷数据，并对其缺失数据进行数据补全；接收影响因素数据，所述影响因素数据包括气温数据、节假日数据和电力用户所属行业类别数据，对影响因素采用与负荷数据相对应的量化方法进行量化；采用小波分解对历史负荷数据进行处理，进行多尺度分解得到四个历史负荷重构数据序列，分别与影响因素数据进行相关性度量，得到各重构负荷特征与影响因素的相关特征数据集合；将根据负荷数据得到的四个序列采用三次指数平滑算法进行初步预测，并对初步预测结果进行进一步的优化，最终获取电力短期负荷预测值，作为电力负荷调度参考数据。

Description

一种电力负荷短期预测方法、模型、装置及系统

技术领域

本公开属于电力系统的技术领域，涉及一种电力负荷短期预测方法、模型、装置及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

在电力系统运营过程中，为完成输电和电能交易，并保障电力系统的安全稳定运行和电能质量，电能-负荷平衡成为电网安全稳定控制的核心环节。随着能源供给侧改革、电力市场化改革的逐步推进，电网企业面临着电网形态复杂化、电力市场化倒逼、信息经济爆发打造多变市场等挑战，电力系统供电质量直接影响电力用户对供电服务的满意度，尤其数据中心、半导体生产线、医院、高档写字楼等对供电质量的可靠性要求越来越高，然而我国能源分布在北部、西部，负荷集中在东部、南部和中部，西电东输、北电南送需求大、跨域距离远，而电能存在不能大量储存的现状，故对电力负荷预测精度要求高。

同时，绿色能源革命和能源结构转型形成能源发展新格局，可再生能源发电的比例接入与消纳、新能源电动汽车、智能家居、智能设备等大量并网导致负荷动态影响因素增多，其随机性、间歇性对电网安全稳定运行带来重大挑战，随机扰动冲击、暂态、动态、频率、电压、功角等多种稳定性问题耦合交织，用电负荷的不确定性和波动性对运行状态影响大，电网稳定控制难度高，亟需利用负荷预测通过破解能源生产和消费的不同步性，使能源在时间和空间上具有可平移性，在多尺度实现源-网-荷-储协调运行，进而避免大停电事故发生，保证电网具备稳定控制措施和调峰调频的优质供电服务。

当前电力负荷预测主要基于历史用电数据预测未来的用电需求，传统预测方法主要为三次指数平滑法，即基于上一时间段电力负荷数据，结合当前时间步长数据中包含的季节、政策等信息，由一个可调整的参数来控制新旧数据权重，权值呈指数级递减的移动平均，且呈现固定时间段的季节性变化，通过自动识别数据模式的变化而加以调整生成短期电力负荷预测数据，然而该方法对数据的突变点缺乏检测能力及自适应学习能力，且预测精度难以保证；长短期记忆神经网络(long short-termmemory networks，LSTM)作为深度学习框架的热门模型，因其学习能力强、善于拟合时间序列数据成为解决短期预测问题的理想解决方案，然而高预测精准度导致隐藏层级增多的同时带来模型的高复杂度，不仅造成参数过多导致模型训练学习困难，更使模型存在脆弱性、稳健性差和泛化性低等问题，尤其对细节扰动缺乏甄别力，脱离预期的误差数据往往导致模型预测产生不可估量错误。

发明内容

针对现有技术中存在的不足，本公开的一个或多个实施例提供了一种电力负荷短期预测方法、模型、装置及系统，结合影响因素分析、小波分解特征放大、三次指数平滑时间序列分析及长短期记忆神经网络，通过构建的电力负荷短期预测模型进行电力负荷短期预测，有效提高负荷预测的准确性。

根据本公开的一个或多个实施例的一个方面，提供一种电力负荷短期预测方法。

一种电力负荷短期预测方法，该方法包括：

接收负荷数据，并对其缺失数据进行数据补全；

接收影响因素数据，所述影响因素数据包括气温数据、节假日数据和电力用户样本所属行业类别数据，对影响因素采用与负荷数据相对应的量化方法进行量化；

采用小波分解对历史负荷数据进行处理，进行多尺度分解得到四个历史负荷重构数据序列，分别与影响因素数据进行相关性度量，得到各重构负荷特征与影响因素的相关特征数据集合；

将根据负荷数据得到的四个序列采用三次指数平滑算法进行初步预测，以单层LSTM算法提取电力负荷预测的规则学习框架，并将负荷特征与影响因素的相关特征数据采用广义自回归条件异方差模型(Generalized AutoRegressive ConditionalHeteroskedasticity，GARCH)处理获取数据长期记忆中的特征调整因子，随后，将历史负荷重构数据与相关特征数据作为多层LSTM预测模型的数据输入，以特征调整因子调节特征权值，以规则学习框架作为历史负荷数据的传输参数，输出负荷重构预测数据，并以小波逆变换进行重构预测数据重组，最终获取电力短期负荷预测值，作为电力负荷调度参考数据。

作为一种应用参考，还包括以下步骤：

根据某区域的电力短期负荷预测值，作为电力负荷调度参考数据；

获取当前区域内电力系统运行数据及状态信息，确认运行数据与电力负荷调度参考数据的差值；

根据状态信息和电力系统模型，确定所述区域内的所有运行能效发电机模型和备用发电机模型，基于所述差值确定各备用发电机模型需要分摊的有、无功功率备用容量；

将各个能效发电机所分摊的有、无功功率备用容量代入对应的能效发电机模型，获取组成该能效发电机模型的同类负荷的调控量；

根据各类负荷的调控量，调整可调度负荷的运行定值。

进一步地，在该方法中，对历史负荷数据的缺失数据釆用改进最近邻填充(k-Nearest Neighbor Imputation，kNNI)算法进行数据补全，所述改进kNNI算法进行数据补全是通过分析接收的历史负荷数据距离，得到历史负荷数据之间存在的分布特性，对缺失数据补全。

进一步地，所述改进kNNI算法的具体步骤包括：

基于接收的历史负荷数据对用户进行聚类；

选择某一日期且与负荷数据待补全用户同类簇的用户负荷曲线，计算其他用户负荷曲线与待补全用户的负荷曲线的弗雷歇距离，并按从小到大的顺序排序，选择前k个用户的负荷曲线作为计算缺失值的源数据；

将前k个用户与待补全用户的弗雷歇距离进行归一化处理，得到归一化序列，并与1做差作为每条负荷数据的权重；

将k条数据与缺失数据同一时刻的负荷值加权求和作为补全值，对负荷数据的缺失数据进行数据补全。

进一步地，在该方法中，所述对影响因素采用与历史负荷数据相对应的量化方法进行量化包括对气温数据的处理和对节假日数据的处理；

对气温数据的处理的具体步骤包括：

获取每日24点的气温值作为初始气温数据的气温集合、相对湿度集合、风力集合和采集天数集合；

用户每日所用总负荷表示为基础用电负荷和气温敏感负荷之和，基础用电负荷为春秋季平稳负荷序列平均值，利用用户每日所用总负荷与基础用电负荷计算气温敏感负荷，得到量化后的气温数据；

对节假日数据的处理的具体步骤包括：

获取所述负荷数据对应节假日和周末的负荷数据，将节假日和周末负荷数据按每天24个时间段划分，将节假日每一时段与节假日之前与节假日之后的相同时段比较，得到量化后的节假日数据。

进一步地，在该方法中，具体采用小波3层分解重构处理负荷数据，基于哈尔(Haar)小波采用马拉特(Mallat)算法对历史负荷数据进行分解和重构，将信号分解为不同频带分量，得到重构子序列。

进一步地，在该方法中，所述相关性分析中，对于气温数据和节假日数据相关性分析中采用皮尔森相关系数分析法分别对小波分解后的各重构子序列与量化后的气温数据和节假日数据做相关性分析，得到重构子序列与气温数据和节假日数据的相关特征数据集合；

对于电力用户样本所属行业类别及用电负荷数据相关性分析中，将各类电力用户样本用电负荷特征数据进行归一化，对于同一类电力用户样本标签下的所有用户样本的重构子序列，分别按照四个重构子序列采用自组织映射神经网络(self-organizing map，SOM)聚类法进行用户样本聚类，得到重构子序列与电力用户所属行业类别数据的相关特征数据集合，即各类行业典型负荷数据。

进一步地，电力用户所属类别包括但不限于：国家权力机构、银行业、中等教育机构、人民法院/人民检察院等。所述分类的标准参照电力系统用户分类的标准即可，在此并不赘述。

进一步地，在该方法中，将根据历史负荷数据得到的四个历史负荷重构子序列采用累乘的三次指数平滑算法进行初步预测，得到初步预测结果；

将负荷特征与影响因素的相关对的集合采用GARCH算法预测每个序列的方差波动，将此结果作为各相关特征调整因子；

将历史负荷重构数据与相关特征数据作为LSTM预测模型的数据输入，以特征调整因子调节特征权值，以规则学习框架作为历史负荷数据的传输参数，输出负荷重构预测数据，并以小波逆变换进行重构预测数据重组，最终获取电力短期负荷预测值，作为电力负荷调度参考数据。

根据本公开的一个或多个实施例的另一个方面，还提供一种电力负荷短期预测模型。

一种电力负荷短期预测模型，基于所述的一种电力负荷短期预测方法构建电力负荷短期预测模型。

根据本公开的一个或多个实施例的另一个方面，还提供一种计算机可读存储介质。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种电力负荷短期预测方法。

根据本公开的一个或多个实施例的另一个方面，还提供一种终端设备。

一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种电力负荷短期预测方法。

根据本公开的一个或多个实施例的另一个方面，还提供一种电力负荷短期预测系统。

一种电力负荷短期预测系统，基于所述的一种电力负荷短期预测方法，包括：

数据爬取模块和所述的终端设备；

数据爬取模块，被配置为从用电信息采集系统采集海量的负荷数据和电力用户所属行业类别数据，爬取气温数据、节假日数据电力用户所属行业类别数据，并发送至所述终端设备。

本公开的有益效果：

(1)本公开所述的一种电力负荷短期预测方法、模型、装置及系统，充分考虑气温数据、节假日数据、电力用户样本所属行业类别及用电负荷特征数据对电力短期负荷预测的影响，首先针对采集数据，基于改进kNNI的方法进行数据补全，提高底层数据的可用性，随后，采用小波3层分解重构对历史负荷数据进行多尺度分解放大信号本质特征得到的四个重构数据子序列，并分别与气温数据、节假日数据和电力用户样本所属行业类别数据进行相关性度量，对满足相关性阈值的特征数据，采用GARCH方法的方差预测序列作为各影响因素调整因子，最后，以重构数据构建四个LTSM数据预测模块，输出四个重构数据预测结果，并以小波逆变换获取最终电力负荷预测数据，从而以时域和频域相结合的方式，实现电力负荷预测的动态灵活调整，有效提高负荷预测的准确性。

(2)针对基于LSTM实现时序数据拟合预测存在训练学习难度大、泛化性低的问题，本专利对气温数据、节假日数据、电力用户样本所属行业类别和基于负荷数据的各重构数据进行相关性度量，通过相关度实现稀疏通信，LSTM循环单元仅在具有相关性的时间步处进行动态特性更新，即一个LSTM模块与动态数据存在高相关性而进行数据拟合变化时，其他模块无此相关性变化需求，故可保持不变，该方法针对多类别的独立同分布负荷预测，采用灵活重用和合成的模块独立机制进行模型训练，通过小波分解历史数据实现模型模块化分解建模，以相关性度量实现稀疏交互降低模型学习难度，减少模型参数总量和复杂度，专变化结构提升模型在大量不同负荷预测类别上的泛化性能，模块化设计提升计算精度和目标化调节优势同时，降低了模型训练对系统硬件设备的性能要求；

(3)针对基于LSTM实现时序数据拟合预测的模型存在脆弱性、稳健性差问题，本专利首先采用三次指数平滑算法生成初步预测数据，采用简化单层LSTM算法提取其学习规则框架，降低模型训练难度的同时，保证对整体预测数据的方向性，从而避免不可预测误差偏移的产生，该方法通过前期数据处理固化学习规则，强化预测目标针对性和鲁棒性，降低模型对低级别细节数据的响应，从而以规则框架和自学习能力相结合的方式提高模型抵抗力。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1是根据一个或多个实施例的一种电力负荷短期预测方法流程图；

图2是根据一个或多个实施例的长短期记忆网络结构图；

图3是根据一个或多个实施例的电力负荷短期预测模型整体框架图；

图4是根据一个或多个实施例的体感温度量化曲线图；

图5是根据一个或多个实施例的工作日节假日量化曲线图；

图6是部分电力用户行业类别代表性的电力负荷趋势图示例；

图7是根据一个或多个实施例的公变台区中单个预测结果图；

图8是根据一个或多个实施例的公变台区中全省低压台区预测结果图；

图9是根据一个或多个实施例的高压用户预测结果图；

图10是根据一个或多个实施例的夏季预测结果图；

图11是根据一个或多个实施例的冬季预测结果图。

具体实施方式：

下面将结合本公开的一个或多个实施例中的附图，对本公开的一个或多个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。基于本公开的一个或多个实施例，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。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

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申请的示例性实施方式。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。

需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合，下面结合附图与实施例对本公开作进一步说明。

针对现有技术中存在的不足，本公开的一个或多个实施例提供了一种电力负荷短期预测方法、模型、装置及系统，结合影响因素分析、小波分解特征抽取、三次指数平滑时间序列分析对采集数据进行前期处理，以长短期记忆网络，模块化建模，构建的电力负荷短期预测模型进行电力负荷短期预测，有效提高负荷预测的准确性。

根据本公开的一个或多个实施例的一个方面，提供一种电力负荷短期预测方法。方法包括：接收负荷数据，并对其缺失数据进行数据补全；接收影响因素数据，所述影响因素数据包括气温数据、节假日数据和电力用户样本所属行业类别数据，对影响因素采用与负荷数据相对应的量化方法进行量化；采用小波分解对历史负荷数据进行处理，进行多尺度分解得到四个历史负荷重构数据序列，分别与影响因素数据进行相关性度量，得到各重构负荷特征与影响因素的相关特征数据集合；将根据负荷数据得到的四个序列采用三次指数平滑算法进行初步预测，以单层LSTM算法提取电力负荷预测的规则学习框架，并将负荷特征与影响因素的相关特征数据采用GARCH算法处理获取数据长期记忆中的特征调整因子，随后，将历史负荷重构数据与相关特征数据作为多层LSTM预测模型的数据输入，以特征调整因子调节特征权值，以规则学习框架作为历史负荷数据的传输参数，输出负荷重构预测数据，并以小波逆变换进行重构预测数据重组，最终获取电力短期负荷预测值，作为电力负荷调度参考数据。

如图1所示，一种电力负荷短期预测方法，该方法包括：

步骤(1)：接收历史负荷数据，并对其缺失数据进行数据补全；

步骤(2)：接收影响因素数据，所述影响因素数据包括气温数据、节假日数据和电力用户样本所属行业类别数据，对影响因素采用与负荷数据相对应的量化方法进行量化；

步骤(3)：采用小波分解对负荷数据进行处理，进行多尺度分解得到四个历史负荷重构子序列数据，分别与影响因素数据进行相关性度量，得到各重构负荷特征与影响因素的相关特征数据集合；

步骤(4)：将根据负荷数据得到的四个序列采用三次指数平滑算法进行初步预测，LSTM算法提取电力负荷预测的规则学习框架，并将负荷特征与影响因素的相关特征数据采用GARCH处理获取数据长期记忆中的特征调整因子，随后，将历史负荷重构数据与相关特征数据作为LSTM预测模型的数据输入，以特征调整因子调节特征权值，以规则学习框架作为历史负荷数据的传输参数，输出负荷重构预测数据，并以小波逆变换进行重构预测数据重组，最终获取电力短期负荷预测值，作为电力负荷调度参考数据。

在所述步骤(1)中，对历史负荷数据的缺失数据釆用改进kNNI法进行数据补全，所述改进kNNI法进行数据补全是通过分析接收的历史负荷数据距离，得到历史负荷数据之间存在的分布特性，对缺失数据补全。

所述改进kNNI法的具体步骤包括：

步骤(1-1)：基于用户样本的历史负荷数据值对用户进行简单聚类，采用K均值(K-means)聚类对用户样本集进行分类；

步骤(1-2)：选择日期Date_A且与历史负荷数据待补全用户样本User_A同类簇的用户样本负荷曲线，计算其他用户样本负荷曲线与用户样本User_A的负荷曲线的弗雷歇距离D，并按从小到大的顺序排序，选择前k个用户样本(User₁,User₂,User₃,…User_k)的历史负荷曲线作为计算缺失值的源数据；

步骤(1-3)：将步骤(1-2)中选取的k个用户样本与用户样本User_A的弗雷歇距离(D₁，D₂，D₃，…D_k)进行归一化处理，归一化公式为：

得到归一化序列(d₁，d₂，d₃，…d_k)，并将处理后的值与1做差，作为每条负荷数据的权重，即：

w_i＝1-d_i

步骤(1-4)：将k条数据与缺失数据同一时刻的历史负荷值加权求和作为补全值MV_kNNI，即

在所述步骤(2)中，获取气温、节假日的影响因素中，具体包括从网页爬取相关日期每日24点的气温数据和节假日日期数据，电力用户样本所属行业类别及用电负荷特征数据从用电信息采集系统电力用户特征数据库中获取，采用一种与历史负荷数据相对应的量化方法进行量化。

所述对影响因素采用与历史负荷数据相对应的量化方法进行量化包括对气温数据的处理和对节假日数据的处理；

对气温数据的处理的具体步骤包括：

采集每日24点的气温值作为初始气温数据输入集合为相对湿度集合为风力集合为采集天数集合为W，k∈W。

将电网负荷视为具有气温相关性的负荷，则电网负荷中的气温敏感负荷可表征人体体感温度的变化。用户样本每日所用总负荷可表示为基础用电负荷(E_L)和气温敏感负荷(E_T)之和，即：E＝E_L+E_T。基础用电负荷可看做用户样本正常生活以及基础设施所造成的负荷消耗，这部分可视为一常数值，气温相关负荷为气温的变化所带来的空调用电负荷和供暖用电负荷，统计每日电网负荷，将春秋季平稳负荷序列视为与气温无关，将周末和节假日等异常数据剔除，选取春秋季平稳历史负荷序列平均值作为基础用电负荷，即：

其中，h为春秋季标签，当h＝1时，为春季平稳负荷序列第k日第i个时间段的用电负荷，视为春夏季节(4-9月)每日第i个时间段的基础用电负荷，当h＝2时，为秋季平稳负荷序列第i日第i个时间段用电负荷，为秋冬季节(10-次年3月)每日第i个时间段的基础用电负荷，n为平稳序列天数。气温的相关负荷为：

对节假日数据的处理的具体步骤包括：

获取所述负荷数据对应节假日(春节、清明、劳动节、端午、国庆节、中秋节、元旦)和周末的负荷数据，将节假日和周末负荷数据按每天24个时间段划分，从而与负荷数据相对应。

将节假日每一时段与节假日之前与节假日之后的相同时段比较，得到量化后的节假日数据。定义

其中，m为每一段节假日或周末的标号，m-1为节假日开始的前一天，m+1为节假日结束的后一天，每一段节假日或周末由k天组成，为第m段节假日中第k天第i个时间段的用电负荷，为节假日结束的后一天第i个时间段的用电负荷，为节假日开始的前一天第i个时间段的用电负荷。由和的定义可知，若该节假日负荷为异常值(即显著小于工作日)，则和的值都显著大于0，则的值显著小于1，取为一阈值，则对节假日每个时间段的权值作以下处理：

在所述步骤(3)中，采用小波分解对历史负荷数据进行处理，小波分解具有多分辨率的特点，能够较好的处理负荷数据这种非平稳信号。在消噪的同时，能够将趋势分量与波动分量分离开，提取出数据的内部特征。由于小波分解后的低频和高频分量表示数据不同的内部特征，因此与气温、节假日和用户类型做相关性分析，可以得到每个影响因素与各特征子序列的相关性。

在公开的一个或多个实施例中，采用小波3层分解重构处理负荷数据，基于Haar小波采用Mallat算法对历史负荷数据进行分解和重构，将信号分解为不同频带分量，得到重构子序列。在进行n层小波分解后的聚类之前，对每个用户样本的小波系数进行归一化，采用的方法是使每个用户样本的系数特征的模为1，Mallat分解过程所依据的公式如下：

d_j＝ld_j+1，j＝1，2，…，N

g_j＝hg_j+1，j＝1，2，…，N

式中，l为低通滤波器，h为高通滤波器，d_j+1表示原始信号在2^-(j+1)分辨率下的低频分量，g_j+1表示原始信号在2^-(j+1)分辨率下的高频分量，将原始离散信号d_n分解为g₁，d₁，d₂，…，d_j,，分别表示第一层高频信号，第一层低频信号，第二层低频信号,…,第j层低频信号，N为最大分解层数。将负荷信号进行分解重构得到的最高层高频序列以及每层低频序列为[CA3，CD1，CD2，CD3]。

在所述步骤(3)中，所述相关性分析中，通过SOM聚类分析获得子序列与用户类型的相关用电负荷特征数据集合，通过皮尔逊相关系数分析判断气温、节假日与各重构子序列的关系并获得相关特征数据集合，即行业典型负荷数据。

对于气温数据和节假日数据相关性分析中采用皮尔森相关系数分析法分别对小波分解后的各重构子序列与量化后的气温数据和节假日数据做相关性分析，判断该重构子序列是否受气温和节假日因素影响，从而输出重构子序列与气温数据和节假日数据的相关特征数据集合；

以计算气温相关性为例，所用皮尔森公式为：

其中，x_k为重构子序列的值，t′为体感温度序列，和分别是重构子序列和体感气温的平均值，设定阈值当时，该序列与气温相关。节假日与各子序列相关性和气温相关性求解类似。经过相关性分析，可得到各序列与气温以及节假日之间的关系，从而得到气温和节假日与子序列的相关对集合。

在所述步骤(3)中，对于电力用户样本所属行业类别与负荷特征数据相关性分析中，将各类电力用户样本负荷特征数据进行归一化，对于同一类用户样本集标签下的所有用户样本的重构子序列，分别按照四个重构子序列采用SOM聚类法进行SOM聚类，得到重构子序列与各行业典型负荷数据的相关特征数据集合。采用基于SOM算法对用户样本进行聚类，能够直观的显示聚类情况，且无需设置聚类数目，若按照某序列能够聚成显著的一簇，即最大类中包含的用户样本的数目最多，则说明该序列与该用户行业类别相关。对于电力用户样本负荷特征数据分析采用SOM聚类方法，SOM聚类能够把高维空间的输入数据映射到低维(通常是一维或二维)的神经元网格上，并保持原来的拓扑次序。由于传统的SOM训练权值时，是通过欧氏距离判断距离，距离越近则权值越大，而本发明是要将趋势变化相同的视为距离相近，因此对输入向量要进行归一化，使得后面以欧氏距离判断距离的方式能够代表趋势相近，对于SOM的一个输入向量X＝[x₁(t),x₂(t),…x_n(t)]^T，对该输入进行归一化，即

随后对于同一类用户样本集标签下的所有用户样本的重构子序列，分别按照四个重构子序列进行SOM聚类，通过聚类结果的可视化显示，若按照某序列的聚类结果里的最大类中包含的用户的数目最多，则说明该类型的用户与该序列相关，从而得到子序列与各用户样本类别的相关特征数据集合。

进一步地，电力用户所属类别包括但不限于：国家权力机构、银行业、中等教育机构、人民法院/人民检察院等。所述分类的标准参照电力系统用户分类的标准即可，在此并不赘述。如图6所示，为部分电力用户行业类别典型的电力负荷趋势图示例。

在所述步骤(4)中，具体步骤包括：

步骤(4-1)：将根据历史负荷数据得到的四个序列采用累乘的三次指数平滑算法进行初步预测，得到初步预测结果；

步骤(4-2)：将负荷特征与影响因素的相关特征数据采用GARCH预测每个序列的方差波动，将此结果作为各因素调整因子；

步骤(4-3)：将根据负荷数据得到的四个序列采用三次指数平滑算法进行初步预测，以LSTM算法提取电力负荷预测的规则学习框架，并将负荷特征与影响因素的相关特征数据采用GARCH处理获取数据长期记忆中的特征调整因子，随后，将历史负荷重构数据与相关特征数据作为LSTM预测模型的数据输入，以特征调整因子调节特征权值，以规则学习框架作为历史负荷数据的传输参数，输出负荷重构预测数据，并以小波逆变换进行重构预测数据重组，最终获取电力短期负荷预测值，作为电力负荷调度参考数据。

基于小波分解和三次指数平滑算法的短期负荷预测模型的预测过程包括：

对现有的用户每天24点的数据做小波n层分解，得到第n层的低频系数和高频系数；

对第n层的低频系数和高频系数进行小波系数重构；

对重构后的小波系数采用三次指数平滑算法进行预测，将每部分预测结果累乘即为最终短期负荷预测结果。

在步骤(4-1)中，对于小波分解重构后的各子序列，采用三次指数平滑算法进行初始预测，三次指数平滑有累加和累乘两种方法，本文采用累乘的三次指数平滑，下式为累乘的三次指数平滑：

s_i＝αx_i/p_i-k+(1-α)(S_i-1+t_i-1)

t_i＝β(s_i-S_i-1)+(1-β)t_i-1

p_i＝γx_i/s_i+(1-γ)p_i-k

其中k为周期，累乘三次指数平滑的预测公式为：

x_i+h＝(s_i+ht_i)p_i-k+(h mod k)

α，β，γ的值都位于[0，1]之间，s，t，p初始值取值为s₀＝x₀，t₀＝x₁-x₀，p＝1。经过三次指数平滑预测得到的各子序列的预测结果为

[CA3_pre，CD1_pre，CD2_pre，CD3_pre]

在步骤(4-2)中，对于与温度数据、节假日数据以及用户行业类别特征数据具有相关性的重构子序列，本发明采用基于GARCH的方法预测每个重构序列的方差波动，并将此结果作为各影响因素的调节特征权值，通过d阶差分方法将非平稳时间序列{y_t}转化为平稳时间序列{y′_t}，然后对{y′_t}建立ARMA(p,q)模型：

式中，ca为常数，p和q都是非负的整数，分别表示模型中自回归项和移动平均项的阶数，为第i个自回归项的系数，θ_j为第j个移动平均项的系数，εt为残差项，是独立同分布的随机变量，服从均值为0的正态分布。由于残差序列具有异方差性，GARCH是对异方差序列的二阶条件矩建模的一种常用方法，GARCH模型假设残差序列ε_t具有非常数方差。在时间序列建模中，假设残差序列ε_t遵循GARCH(u,v)模型，定义如下：

e_t:lN(0，1)

其中，t是时间索引，h_t是t时刻的条件方差，基于t-1及其以前信息所做的一步预测，u是GARCH过程的自回归序，u>0，v是GARCH的移动平均序列，v>0，a0为一正常数系数，a_i,i-1,…,v是滞后样本系数ε_i-1 ²的非负系数，β_i,i-1,…,v是滞后条件方差的非负系数，e_t是具有零均值和单位方差的独立正态变量，如1N(0,1)。本发明基于各序列的预测残差结果采用GARCH(1,1)模型对各残差序列进行建模，预测出所预测日每个时间段的条件方差序列，该结果可视为不同影响因素对负荷变化的影响程度，将此结果作为气温调制因子δ₁、节假日调制因子δ₂和用户类型调整因子δ₃。

在步骤(4-3)中，采用LSTM回归拟合负荷预测模型将三次指数平滑预测出的各序列结果[CA3_pre,CD1_pre,CD2_pre,CD3_pre]与气温调制因子δ₁、节假日调制因子δ₂和用户类型调整因子δ₃作为LSTM神经网络的输入进行训练，具体过程如图2所示：

第一阶段，首先采用三次指数平滑算法生成初步预测数据，采用LSTM算法提取其学习规则框架，即以重构历史数据为输入，以其对应初步预测数据为输出进行模型训练，LSTM模型为单隐层，从而针对目标预测方向加快参数训练，训练完成后提取其各门值参数和记忆单元参数作为学习规则框架；

第二阶段，随后基于学习规则框架，对包含气温数据调整因子、节假日数据调整因子、行业典型负荷特征数据调整因子作为多层LSTM模型的初始参数，如图2模型示意图输入数据放大所示，黑色为相关影响因素的激活特征，输入值为灰色代表特征数据与调整因子的乘积，白色为无关影响特征；

第三阶段，以气温数据、节假日数据、行业典型负荷特征数据作为LSTM模型输入门和遗忘门数据输入，重构历史子序列数据作为LSTM模型的状态传输线数据输入，输入层为100个神经元，隐藏层采用3层结构，输出层为一维输出，输出重构数据预测值，其中，最低频重构子序列为趋势预测，其不受各影响因素变动影响，故训练数据为最近的100日为单位的历史负荷采集数据；高频重构子序列代表数据波动性，故体现气温数据、节假日数据和行业典型负荷特征数据的影响变动性，神经元为体现显著波动性的间隔日期采样数据，训练过程涉及365天24点为单位的采集数据，最终完成参数调节；中间二层的重构子序列体现历史负荷数据和气温数据、节假日数据和行业典型负荷特征数据，训练数据为365天采集数据；4个LSTM预测模块分别根据各用电类型的动态特征相关性实现重构数据预测；

第四阶段，负荷重构预测数据，并以小波逆变换对4个重构预测数据重组，最终获取电力短期负荷预测值，作为电力负荷调度参考数据。

根据本公开的一个或多个实施例的另一个方面，还提供一种电力负荷短期预测模型。

一种电力负荷短期预测模型，基于所述的一种电力负荷短期预测方法构建电力负荷短期预测模型，如图3所示。

根据本公开的一个或多个实施例的另一个方面，还提供一种计算机可读存储介质。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种电力负荷短期预测方法。

根据本公开的一个或多个实施例的另一个方面，还提供一种终端设备。

一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种电力负荷短期预测方法。

根据本公开的一个或多个实施例的另一个方面，还提供一种电力负荷短期预测系统。

一种电力负荷短期预测系统，基于所述的一种电力负荷短期预测方法，包括：

数据爬取模块和所述的终端设备；

数据爬取模块，被配置为从用电信息采集系统采集海量的负荷数据和用户样本所属行业类别数据，爬取气温数据、节假日数据并发送至所述终端设备。

在本实施例中，计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。

在本实施例中，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开内容的各个方面。

以2016年4月1日到2017年3月31日期间，国网某电力公司电力负荷监测数据样本集四万余例进行说明，一种电力负荷短期预测系统的具体工作过程如下：

A.在网站天气网抓取与负荷相对应日期2016年4月1日至2017年3月31日的天气数据，包括每日24点的气温数据、湿度以及风力数据，初步将气温数据与一些存在气温特性的负荷数据进行错略比对，发现在春夏时段气温与负荷数据存在正相关的关系，而秋冬时段存在负相关的关系，但不同的用户数据对气温变化的反应也存在明显的差异，所以后续对负荷数据与气温数据之间的关系进行较为精确的量化研究。

采用体感温度量化方法t′对天气数据进行处理，得到量化后的体感温度，以2016年8月3日上午8点至次日上午7点的体感温度量化为例，如图4所示。

将日期结合农历年识别出节假日，对节假日进行量化，经过多次实验，取阈值ξ＝0.5，某类型用户法定节假日(元旦)后的周六的日量化值如图5所示。

选用db4小波对用户曲线进行小波分解重构，各子序列分别与体感温度和节假日做相关性分析，取阈值根据此阈值判断体感温度与各序列的相关性。

B.进入小波分解模块，取用户一年365天的数据，对每天24点的数据求取平均值，得到一年的平均负荷值曲线，对该负荷曲线做3层小波分解，得到最高层高频系数CA3，最高层低频系数CD3，次高层、最底层层低频系数CD1和CD2，共四个序列，每一用电类别的用户样本分别按照四个序列进行SOM聚类，判断各序列与用电类别因素的相关性，采用皮尔森相关系数分析方法分别对小波分解后的各重构子序列与量化后的体感温度数据和节假日数据做相关性度量，判断该重构子序列是否具有明显的气温和节假日相关性。

C.从步骤B中获得负载数据主要特征与影响因素特征数据的集合，采用基于GARCH的方法预测每个序列的方差波动，并将此结果作为各因素调整因子，并对小波分解重构后的各子序列采用三次指数平滑算法进行初始预测。

D.在步骤C的基础上，将三次指数平滑预测获取的历史负荷重构数据与相关特征数据作为LSTM预测模型的数据输入，以特征调整因子调节特征权值，以规则学习框架作为历史负荷数据的传输参数，输出负荷重构预测数据，并以小波逆变换进行重构预测数据重组，最终获取电力短期负荷预测值，作为电力负荷调度参考数据，结果如图7-图11所示。

图7和图8为公变台区预测结果、单个预测结果、全省低压台区预测结果；

图9为高压用户预测结果；

图10和图11为整体数据预测结果；以某市2016年7月(夏季)和2017年3月(冬季)的数据结果。

整体上到地市的汇总负荷可以一定程度上相互之间弥补误差情况，同时当整体具有较好的特征趋势时，按用户汇总的结果也较理想。

本公开的有益效果：

(1)本公开所述的一种电力负荷短期预测方法、模型、装置及系统，充分考虑气温数据、节假日数据、电力用户所属行业类别数据对电力短期负荷预测的影响，首先针对采集数据，基于改进kNNI的方法进行数据补全，提高底层数据的可用性，随后，采用小波3层分解重构对历史负荷数据进行多尺度分解放大信号本质特征得到的四个重构数据子序列，并分别与气温数据、节假日数据和电力用户所属行业类别数据进行相关性度量，对满足相关性阈值的特征数据，采用GARCH方法的方差预测序列作为各影响因素调整因子，最后，以重构数据构建四个LTSM数据预测模块，输出四个重构数据预测结果，并以小波逆变换获取最终电力负荷预测数据，从而以时域和频域相结合的方式，实现电力负荷预测的动态灵活调整，有效提高负荷预测的准确性。

(2)针对基于LSTM实现时序数据拟合预测存在训练学习难度大、泛化性低的问题，本专利对气温数据、节假日数据、电力用户所属行业类别数据和基于负荷数据的各重构数据进行相关性度量，通过相关度实现稀疏通信，LSTM循环单元仅在具有相关性的时间步处进行动态特性更新，即一个LSTM模块与动态数据存在高相关性而进行数据拟合变化时，其他模块无此相关性变化需求，故可保持不变，该方法针对多类别的独立同分布负荷预测，采用灵活重用和合成的模块独立机制进行模型训练，通过小波分解历史数据实现模型模块化分解建模，以相关性度量实现稀疏交互降低模型学习难度，减少模型参数总量和复杂度，专变化结构提升模型在大量不同负荷预测类别上的泛化性能，模块化设计提升计算精度和目标化调节优势同时，降低了模型训练对系统硬件设备的性能要求；

(3)针对基于LSTM实现时序数据拟合预测的模型存在脆弱性、稳健性差问题，本专利首先采用三次指数平滑算法生成初步预测数据，采用简化单层LSTM算法提取其学习规则框架，降低模型训练难度的同时，保证对整体预测数据的方向性，从而避免不可预测误差偏移的产生，该方法通过前期数据处理固化学习规则，强化预测目标针对性和鲁棒性，降低模型对低级别细节数据的响应，从而以规则框架和自学习能力相结合的方式提高模型抵抗力。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。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)

1.一种电力负荷短期预测方法，其特征在于，该方法包括：

接收负荷数据，并对其缺失数据进行数据补全；

接收影响因素数据，所述影响因素数据包括气温数据、节假日数据和电力用户所属行业类别数据，对影响因素采用与负荷数据相对应的量化方法进行量化；

采用小波分解对负荷数据进行处理，并进行消噪和特征提取得到四个序列，分别与影响因素数据进行相关性分析，得到负荷特征与影响因素的相关对的集合；

将根据负荷数据得到的四个序列采用三次指数平滑算法进行初步预测，将负荷特征与影响因素的相关对的集合采用ARIMA-GARCH法预测得到调整因子，将初步预测结果与调整因子输入长短期记忆网络得到最终预测结果，以作为电力负荷调度参考数据。

2.如权利要求1所述的一种电力负荷短期预测方法，其特征在于，在该方法中，对负荷数据的缺失数据釆用改进kNNI法进行数据补全，所述改进kNNI法进行数据补全是通过分析接收的负荷数据内部之间的关系，得到负荷数据之间存在的规律性，推测缺失的数据进行数据补全。

进一步地，所述改进kNNI法的具体步骤包括：

基于接收的负荷数据对用户进行聚类；

选择某一日期且与负荷数据待补全用户同类簇的用户负荷曲线，计算其他用户负荷曲线与待补全用户的负荷曲线的弗雷歇距离，并按从小到大的顺序排序，选择前k个用户的负荷曲线作为计算缺失值的源数据；

将前k个用户与待补全用户的弗雷歇距离进行归一化处理，得到归一化序列，并与1做差作为每条负荷数据的权重；

将k条数据与缺失数据同一时刻的负荷值加权求和作为补全值，对负荷数据的缺失数据进行数据补全。

3.如权利要求1所述的一种电力负荷短期预测方法，其特征在于，在该方法中，所述对影响因素采用与负荷数据相对应的量化方法进行量化包括对气温数据的处理和对节假日数据的处理；

对气温数据的处理的具体步骤包括：

获取每日24点的气温值作为初始气温数据的气温集合、相对湿度集合、风力集合和采集天数集合；

用户户每日所用总负荷表示为基础用电负荷和气温敏感负荷之和，基础用电负荷为春秋季平稳负荷序列平均值，利用用户户每日所用总负荷与基础用电负荷计算气温敏感负荷，得到量化后的气温数据；

对节假日数据的处理的具体步骤包括：

获取所述负荷数据对应节假日和周末的负荷数据，将节假日和周末负荷数据按每天24个时间段划分，将节假日每一时段与节假日之前与节假日之后的相同时段比较，得到量化后的节假日数据。

4.如权利要求1所述的一种电力负荷短期预测方法，其特征在于，在该方法中，具体采用小波3层分解重构处理负荷数据，基于Haar小波采用Mallat算法对负荷数据进行分解和重构，将信号分解为不同频带分量，得到重构子序列。

5.如权利要求1所述的一种电力负荷短期预测方法，其特征在于，在该方法中，所述相关性分析中，对于气温数据和节假日数据相关性分析中采用皮尔森相关系数分析法分别对小波分解后的各重构子序列与量化后的气温数据和节假日数据做相关性度量，得到重构子序列与气温数据和节假日数据的相关特征数据集合；

对于电力用户所属行业类别数据与用户样本用电负荷数据相关性分析中，将各类电力用户样本用电负荷特征数据进行归一化，对于同一类型标签下的所有用户的重构子序列，分别按照四个重构子序列采用自组织映射神经网络聚类法进行聚类，得到重构子序列与电力用户所属行业类别的相关对集合，形成各类行业典型负荷数据。

6.如权利要求1所述的一种电力负荷短期预测方法，其特征在于，在该方法中，将根据负荷数据得到的四个序列采用累乘的三次指数平滑算法进行初步预测，得到初步预测结果；

将负荷特征与影响因素的相关对的集合采用ARIMA-GARCH法预测每个序列的方差波动，将此结果作为各因素调整因子；

将初步预测结果与调整因子作为长短期记忆网络的输入进行回归拟合，通过小波逆变换得到最终预测结果。

7.一种电力负荷短期预测模型，其特征在于，基于如权利要求1-6中任一项所述的一种电力负荷短期预测方法构建电力负荷短期预测模型。

8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1-6中任一项所述的一种电力负荷短期预测方法。

9.一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1-6中任一项所述的一种电力负荷短期预测方法。

10.一种电力负荷短期预测系统，包括：

数据爬取模块和如权利要求9所述的终端设备；

数据爬取模块，被配置为从用电信息采集系统采集海量的负荷数据和电力用户所属行业类别数据，爬取气温数据、节假日数据，并发送至所述终端设备。