CN110909936A - 预测负荷获取方法、装置、计算机设备和存储介质 - Google Patents

预测负荷获取方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110909936A
CN110909936A CN201911146195.XA CN201911146195A CN110909936A CN 110909936 A CN110909936 A CN 110909936A CN 201911146195 A CN201911146195 A CN 201911146195A CN 110909936 A CN110909936 A CN 110909936A
Authority
CN
China
Prior art keywords
load
data
historical
predicted
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911146195.XA
Other languages
English (en)
Other versions
CN110909936B (zh
Inventor
徐辉
许苑
李涛
岑海凤
林琳
陈坤
孙开元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Power Supply Bureau Co Ltd filed Critical Guangzhou Power Supply Bureau Co Ltd
Priority to CN201911146195.XA priority Critical patent/CN110909936B/zh
Publication of CN110909936A publication Critical patent/CN110909936A/zh
Application granted granted Critical
Publication of CN110909936B publication Critical patent/CN110909936B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种预测负荷获取方法、装置、计算机设备和存储介质。所述方法包括：对第一和第二历史负荷数据进行数据处理，得到特征数据；第一历史负荷数据为预测负荷的历史数据，第二历史负荷数据为非预测负荷的历史数据；根据特征数据，得到目标第二历史负荷数据；根据特征数据、第一初始负荷数据以及目标第二初始负荷数据构建预测负荷函数，得到预测负荷；第一初始负荷数据为根据传统预测模型得到的预测负荷的预测数据，目标第二初始负荷数据为根据传统预测模型得到的目标非预测负荷的预测数据，目标非预测负荷为目标第二历史负荷数据对应的非预测负荷。采用本方法能够降低单一负荷历史数据误差变化对预测结果的影响，提高预测负荷的准确性。

Description

预测负荷获取方法、装置、计算机设备和存储介质
技术领域
本申请涉及能源系统技术领域，特别是涉及一种预测负荷获取方法、装置、计算机设备和存储介质。
背景技术
基于用户侧的负荷预测分析是区域分布式能源系统规划的基础条件，影响着分布式能源系统的设计及后期的运行控制。只有充分掌握区域内全年用户的冷、热、电、气需求情况，实现设备接近满负荷稳定运行的系统效率才能最大化。
传统负荷预测采用两种方式进行，第一种是直接从预测机理的角度将单一预测模型进行组合，这种技术在短期预测中比较常见，例如神经网络模型与小波分析的结合、神经网络模型与专家系统的结合等，第二种是单一模型预测结果直接加权组合，其主要出发点是，不同方法的预测结果一般都有差异，应设法在这些预测结果的基础上综合判断，给每个预测模型赋予不同权重，由此得到一个预测效果更好的综合模型。
然而上述预测方法的负荷预测均是基于单一负荷的历史数据，对该负荷进行针对性预测，使得预测结果对于单一历史数据的依懒性大，单一历史数据的误差变化会对预测结果造成很大影响，从而降低了预测结果的准确性。
发明内容
基于此，有必要针对上述技术问题，提供一种预测负荷获取方法、装置、计算机设备和存储介质。
一方面，本申请提供一种预测负荷的获取方法，所述方法包括：
对第一历史负荷数据和第二历史负荷数据进行数据处理，得到特征数据；其中，所述第一历史负荷数据为预测负荷的历史数据，所述第二历史负荷数据为非预测负荷的历史数据，所述特征数据用于表征所述第一历史负荷数据与所述第二历史负荷数据的数据关系；
根据所述特征数据，得到目标第二历史负荷数据；
根据所述特征数据、第一初始负荷数据以及目标第二初始负荷数据构建预测负荷函数，得到所述预测负荷；其中，所述第一初始负荷数据为根据传统预测模型得到的所述预测负荷的预测数据，所述目标第二初始负荷数据为根据所述传统预测模型得到的目标非预测负荷的预测数据，所述目标非预测负荷为所述目标第二历史负荷数据对应的所述非预测负荷。
在其中一个实施例中，所述对第一历史负荷数据和第二历史负荷数据进行数据处理，得到特征数据，包括：
将所述第一历史负荷数据减所述第二历史负荷数据，得到负荷差；
将所述第一历史负荷数据除所述第二历史负荷数据，得到负荷比；
将所述负荷差和负荷比作为所述特征数据。
在其中一个实施例中，所述根据所述特征数据，得到目标第二历史负荷数据，包括：
将所述特征数据进行聚类分析，得到所述第一历史负荷数据与所述第二历史负荷数据之间的关联程度；
根据所述关联程度，从所述第二历史负荷数据中获取目标第二历史负荷数据；其中，所述目标第二历史负荷数据为与所述第一历史负荷数据的所述关联程度最大的所述第二历史负荷数据。
在其中一个实施例中，所述根据所述特征数据、第一初始负荷数据以及目标第二初始负荷数据构建预测负荷函数，得到所述预测负荷，包括：
将所述第一初始负荷数据作为第一负荷；
将所述目标第二初始负荷数据与目标负荷差的和作为第二负荷；其中，所述目标负荷差为所述第一历史负荷数据与所述目标第二历史负荷数据之差；
将所述目标第二初始负荷数据与目标负荷比的积作为第三负荷；其中，所述目标负荷比为所述第一历史负荷数据与所述目标第二历史负荷数据之比；
将所述第一负荷和第一权重的积、所述第二负荷和第二权重的积以及所述第三负荷和第三权重的积之和，作为所述预测负荷函数；其中，所述第一权重为所述第一负荷在所述预测负荷中所占的比例，所述第二权重为所述第二负荷在所述预测负荷中所占的比例，所述第三权重为所述第三负荷在所述预测负荷中所占的比例，所述第一权重、所述第二权重以及所述第三权重之和为1；
根据所述预测负荷函数，得到所述预测负荷。
在其中一个实施例中，所述根据所述预测负荷函数，得到所述预测负荷，包括：
结合负荷影响因子对所述预测负荷函数进行回归分析，得到优化负荷函数；其中，所述负荷影响因子为对所述预测负荷的用量具有影响的因素；
根据所述优化负荷函数，得到所述预测负荷。
在其中一个实施例中，在所述根据所述优化负荷函数，得到所述预测负荷，之后还包括：
根据系统转换负荷量、负荷自身转换效率以及负荷间转换效率，得到所述预测负荷的转出实际最大转移负荷量和转入实际最大转移负荷量；其中，所述系统转移负荷量和所述负荷自身转换效率由提供负荷的能源系统本身决定，所述负荷自身转换效率用于表征负荷自身转换的利用率，所述负荷间转效率用于表征所述预测负荷与所述目标非预测负荷之间的转换程度；
将所述预测负荷加所述转出实际最大转移负荷量，得到最大优化预测负荷；
将所述预测负荷减所述转入实际最大转移负荷量，得到最小优化预测负荷；
将所述最小优化预测负荷和所述最大优化预测负荷构成的数值范围作为所述预测负荷的优化预测负荷。
在其中一个实施例中，所述系统转移负荷量包括提供所述预测负荷的第一负荷系统转移负荷量，和提供所述目标非预测负荷的第二负荷系统转移量，所述负荷自身转换效率包括所述预测负荷自身的第一自身转换效率，和所述目标非预测负荷的第二自身转换效率，所述根据系统转移负荷量、负荷转换效率以及负荷间转换约束，得到所述预测负荷的转出实际最大转移负荷量和转入实际最大转移负荷量，包括：
将所述第一负荷系统转移负荷量与所述第一自身转换效率的积，作为转出最大转移负荷量；
将所述第二负荷系统转移负荷量与所述第二自身转换效率的积，作为转入最大转移负荷量；
将所述转出最大转移负荷量与所述负荷间转换效率的积，作为所述转出实际最大转移负荷量；
将所述转入最大转移负荷量与所述负荷间转换约束的积，作为所述转入实际最大转移负荷量。
另一方面，本申请提供了一种预测负荷获取装置，所述装置包括：
数据处理模块，用于对第一历史负荷数据和第二历史负荷数据进行数据处理，得到特征数据；其中，所述第一历史负荷数据为预测负荷的历史数据，所述第二历史负荷数据为非预测负荷的历史数据，所述特征数据用于表征所述第一历史负荷数据和所述第二历史负荷数据的数据关系；
目标获取模块，用于根据所述特征数据，得到目标第二历史负荷数据；
负荷获取模块，同于根据所述特征数据、第一初始负荷数据以及目标第二初始负荷数据构建预测负荷函数，得到所述预测负荷；其中，所述第一初始负荷数据为根据传统预测负荷模型得到的预测负荷数据，所述目标第二初始负荷数据为根据传统预测负荷模型得到的所述目标第二历史负荷数据的预测负荷数据。
另一方面，本申请提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
另一方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
上述预测负荷获取方法、装置、计算机设备和存储介质中，所述预测负荷获取方法包括根据所述第一历史负荷数据与所述第二历史负荷数据之间的特征数据，得出所述目标第二历史负荷数据，以此将所述预测负荷与所述非预测负荷相结合，明确所述预测负荷与所述非预测负荷之间的数据关系，确定所述目标非预测负荷。通过传统预测模型获取所述预测负荷的预测数据与所述目标非预测负荷的预测数据，具体通过所述特征数据结合所述目标非预测负荷的预测数据，得出不同所述特征数据下的所述预测负荷的数据，再结合根据传统预测模型得到的所述预测负荷的预测数据，得到所述预测负荷模型，以获取所述预测负荷。整体上考虑预测负荷本身数据的变化，以及与目标非预测负荷之间的数据变化关系，借助于与第一历史数据具有特征数据关系的目标第二历史数据构建预测负荷函数，降低了单一负荷历史数据误差变化对预测结果的影响，提高了预测负荷的准确性，进而可根据预测负荷对负荷系统进行规划建设，以在满足用户实际负荷需求的情况下，实现负荷系统的高效配置和优化运行。
附图说明
图1为一个实施例中预测负荷的获取方法的流程示意图；
图2为一个实施例中步骤101的流程示意图；
图3为一个实施例中步骤102的流程示意图；
图4为一个实施例中步骤103的流程示意图；
图5为一个实施例中步骤405的流程示意图；
图6为一个实施例中步骤502之后的流程示意图；
图7为一个实施例中电负荷、热负荷以及气负荷之间的互补转换关系图；
图8为一个实施例中步骤601的流程示意图；
图9为一个实施例中预测负荷装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的预测负荷获取方法，可以应用于以获取到的预测负荷为数据依据对提供该负荷类型的负荷系统进行规划建设，以在满足用户实际负荷需求的情况下，实现负荷系统的高效配置和优化运行。
在一个实施例中，如图1所示，提供了一种预测负荷的获取方法，所述方法包括以下步骤：
步骤101、对第一历史负荷数据和第二历史负荷数据进行数据处理，得到特征数据。
其中，所述第一历史负荷数据为预测负荷的历史数据，所述第二历史负荷数据为非预测负荷的历史数据，所述特征数据用于表征所述第一历史负荷数据与所述第二历史负荷数据的数据关系。
进一步地，用户日常生活中使用到负荷类型包括冷负荷、热负荷、电负荷以及气负荷，相应负荷类型的历史数据包括历史冷负荷、历史热负荷、历史电负荷以及历史气负荷。其中，所述预测负荷为所要获取的负荷类型，可以是冷负荷、热负荷、电负荷以及气负荷中的任一种，则所述非预测负荷为除过所述预测负荷以外的至少一种负荷。
具体地，以所述第一历史负荷数据为历史电负荷，即所述预测负荷为电负荷，第二历史负荷数据为历史冷负荷、历史热负荷以及历史气负荷，即非预测负荷为冷负荷、热负荷以及气负荷为例，计算机设备对上述第一历史负荷数据与上述第二历史负荷数据进行数据处理，得到所述历史电负荷分别与所述历史冷负荷、历史热负荷以及历史气负荷之间的特征数据。其中，所述数据处理包括：取所述历史电负荷与对应分析时间的其他种类历史负荷(历史冷负荷、历史热负荷以及历史气负荷)之差(电冷差、电热差以及电气差)、取所述历史电负荷与对应分析时间的其他种类历史负荷的比值(电冷比、电热比以及电气比)，以这种历史电负荷与其他种类历史负荷之间的融合负荷形态指标，作为所述历史电负荷分别与所述历史冷负荷、历史热负荷以及历史气负荷之间的特征数据，具体可参见表1，表1为电负荷、热负荷以及冷负荷之间的特征数据分析表。
表1负荷指标综合计算分析表
Figure BDA0002282274480000061
Figure BDA0002282274480000071
进一步地，所述数据处理还可以包括：取历史电负荷的绝对值、历史电负荷的变化速度、历史电负荷在所述分析时间内的最大值和最小值、历史电负荷的在所述分析时间段内的方差，以这种单独负荷形态指标作为辅助特征数据。
步骤102、根据所述特征数据，得到目标第二历史负荷数据。
其中，所述目标第二历史负荷数据为与所述第一历史负荷数据之间具有特定数据关系的所述第二历史负荷数据。
具体地，计算机设备根据所述特征数据得到所述第一历史负荷数据与所述第二历史负荷数据之间的数据关系，将与所述第一历史负荷数据具有特定所述数据关系的所述第二历史负荷数据，作为所述目标第二历史负荷数据。其中，所述特定数据关系包括：在相同分析时间内，所述第一历史负荷数据随时间的变化与所述第二历史负荷数据随时间的变化之间具有高相似性，或所述第一历史负荷数据随时间的变化与所述第二历史负荷数据随时间的变化之间具有高关联性。例如，计算机设备以所述第一历史负荷数据随时间的变化与所述第二历史负荷数据随时间的变化之间具有高关联性作为所述特定特征数据。在获取预测电负荷时，所述第一历史负荷数据为历史电负荷，第二历史负荷数据为历史冷负荷、历史热负荷以及历史气负荷，计算机设备根据历史电负荷与历史冷负荷之间的特征数据，历史电负荷与历史热负荷之间的特征数据，历史电负荷与历史气负荷之间的特征数据，得出历史冷负荷随时间的变化与历史电负荷随时间的变化之间具有高关联性，即所述历史冷负荷与所述历史电负荷之间具有所述特定数据关系，则计算机设备将所述第二历史负荷数据中的历史冷负荷作为所述目标第二历史负荷数据。
步骤103、根据所述特征数据、第一初始负荷数据以及目标第二初始负荷数据构建预测负荷函数，得到所述预测负荷。
其中，所述第一初始负荷数据为根据传统预测模型得到的所述预测负荷的预测数据，所述目标第二初始负荷数据为根据所述传统预测模型得到的目标非预测负荷的预测数据，所述目标非预测负荷为所述目标第二历史负荷数据对应的所述非预测负荷。
进一步地，所述传统预测模型包括单一预测模型，如神经网络预测模型、小波分析预测模型、专家系统预测、自组织理论预测模型、时间序列分析预测模型等，以及从预测机理的角度将单一预测模型进行组合得到的组合预测模型，如神经网络与小波分析的组合预测模型、神经网络专家系统的组合预测模型、自由组织理论与时间序列分析的组合预测模型等，还包括将各种单一预测模型进行加权组合得到的预测模型。
具体地，计算机设备通过传统预测模型得到所述预测负荷和所述目标非预测负荷的预测数据，通过所述特征数据与所述预测负荷的预测数据以及所述目标非预测负荷的预测数据进行融合，例如相加求平均，得到所述预测负荷函数，从而根据所述预测负荷函数得到所述预测负荷。
本实施例中，根据所述第一历史负荷数据与所述第二历史负荷数据之间的特征数据，得出所述第二历史负荷数据中与所述第一历史负荷数据之间具有特定数据关系的所述目标第二历史负荷数据，以此将所述预测负荷与所述非预测负荷相结合，明确所述预测负荷与所述非预测负荷之间的数据关系，确定所述目标非预测负荷。通过传统预测模型获取所述预测负荷的预测数据与所述目标非预测负荷的预测数据，具体通过所述特征数据结合所述目标非预测负荷的预测数据，得出不同所述特征数据下的所述预测负荷的数据，再结合根据传统预测模型得到的所述预测负荷的预测数据，得到所述预测负荷模型，以获取所述预测负荷。整体上考虑预测负荷本身数据的变化，以及与目标非预测负荷之间的数据变化关系，借助于与第一历史数据具有特征数据关系的目标第二历史数据构建预测负荷函数，降低了单一负荷历史数据误差变化对预测结果的影响，提高了预测负荷的准确性，进而可根据预测负荷对负荷系统进行规划建设，以在满足用户实际负荷需求的情况下，实现负荷系统的高效配置和优化运行。
在另一实施例中，如图2所示，所述步骤101、对第一历史负荷数据和第二历史负荷数据进行数据处理，得到特征数据，包括：
步骤201、将所述第一历史负荷数据减所述第二历史负荷数据，得到负荷差。
具体地，以所要获取的预测预测为电负荷为例，所述第一历史负荷数据为历史电负荷，所述第二历史负荷数据为历史冷负荷、历史热负荷以及历史气负荷。计算机设备在获取电负荷的预测负荷时，在相同分析时间内，将时间对应的历史电负荷减去历史冷负荷，得到电冷负荷差，将时间对应的历史电负荷减去历史热负荷，得到电热负荷差，将时间对应的历史电负荷减去历史气负荷，得到电气负荷差。
步骤202、将所述第一历史负荷数据除所述第二历史负荷数据，得到负荷比。
具体地，计算机设备继续在相同分析时间内，将时间对应的历史电负荷除历史冷负荷，得到电冷负荷比，将时间对应的历史电负荷除历史热负荷，得到电热负荷比，将时间对应的历史电负荷除历史气负荷，得到电气负荷比。
步骤203、将所述负荷差和负荷比作为所述特征数据。
具体地，计算机设备将上述电冷负荷差、电热负荷差、电气负荷差，和上述电冷负荷比、电热负荷比、电气负荷比作为电负荷的特征数据。
本实施例中，具体采用所述第一历史负荷数据减去所述第二历史负荷数据得到的负荷差，和所述第一历史负荷数据除所述第二历史负荷数据得到的负荷比作为所述特征数据，以所述负荷差与所述负荷比表征在相同分析时间内，所述第一历史负荷数据与所述第二历史负荷数据随时间的数据变化关系。其中，所述负荷差和所述负荷比可直观且清晰的表现出所述第一历史负荷数据与所述第二历史负荷数据之间随时间变化的数据关系，例如，所述负荷差随时间的变化不大，则所述第一历史负荷数据与所述第二历史负荷数据之间具有数据高相似性，所述负荷比随时间的变化不大，则所述第一历史负荷数据与所述第二历史负荷数据之间具有变化高相似性。可将该数据关系作为分析所述第一历史负荷数据与所述第二历史负荷数据之间关联关系的分析依据，为后续得出所述目标第二历史负荷数据做好数据基础，以此达到提高预测负荷的准确性的目的。
另一实施例中，如图3所示，所述步骤102、所述根据所述特征数据，得到目标第二历史负荷数据，包括：
步骤301、将所述特征数据进行聚类分析，得到所述第一历史负荷数据与所述第二历史负荷数据之间的关联程度。
其中，所述聚类分析用于根据所述特征数据对所述第一历史负荷数据与所述第二历史负荷数据进行分类，根据分类结果得出所述第一历史负荷数据与所述第二历史负荷数据之间数据的关联程度。
具体地，计算机设备采用K-means聚类算法对所述特征数据以及所述辅助特征数据进行聚类分析，得到所述第一历史负荷数据与所述第二历史负荷数据之间数据的关联程度。例如，同样以所述第一历史负荷数据为历史电负荷，所述第二历史负荷数据为历史冷负荷、历史热负荷以及历史气负荷为例，计算机设备采用聚类算法得到历史电负荷与历史冷负荷之间的电冷关联程度，得到历史电负荷与历史热负荷之间的电热关联程度，得到历史电负荷与历史气负荷之间的电气关联程度。综上，在获取电负荷的预测负荷时，基于所述历史电负荷分别与历史冷负荷、历史热负荷以及历史气负荷之间的特征数据，采用聚类算法进行聚类分析后，可得到电冷关联程度、电热关联程度以及电气关联程度。
步骤302、获取目标第二历史负荷数据。
其中，所述目标第二历史负荷数据为与所述第一历史负荷数据的所述关联程度最大的所述第二历史负荷数据。
其中，所述关联程度最大用于表征，在相同分析时间内，所述第一历史负荷数据随时间的变化与所述第二历史负荷数据随时间的变化具有特定变化规律。例如，在相同的分析时间内，第一历史负荷数据随时间变化为先增长再下降，第二历史负荷数据在对应时间的变化为先下降再增长，则计算机设备认为第一历史负荷数据与第二历史负荷数据之间具有特定变化规律。
具体地，计算机设备比较得到的所述第一历史负荷数据与所述第二历史负荷数据之间的关联程度，将与所述第一历史负荷数据之间具有最大所述关联程度的所述第二历史负荷数据，作为所述目标第二历史负荷数据。例如，计算机设备比较得到的电冷关联程度、电热关联程度以及电气关联程度，得出电冷关联程度最大，则计算机设备将所述第二历史负荷数据中的历史冷负荷作为所述目标第二历史负荷数据。
本身实施例中，采用聚类算法对所述特征数据进行分类，提高了分类的准确性，以得出所述第一历史负荷数据与所述第二历史负荷数据之间的准确性高的关联程度，并将与所述第一历史负荷数据的所述关联程度最大的所述第二历史负荷数据作为所述目标第二历史负荷数据，从而确定出所述第二历史负荷数据中与所述第一历史负荷数据高度关联的所述目标第二历史负荷数据。其中，采用了第一历史负荷数据与目标第二历史负荷数据结合的方式对所述预测负荷进行预测，降低了单一负荷历史数据误差变化对预测结果的影响，整体上采用基于准确分类和准确关联程度得到的所述目标第二历史负荷数据对所述预测负荷进行预测，进一步提高了预测结果的准确性。
另一实施例中，如图4所示，所述步骤103、所述根据所述特征数据、第一初始负荷数据以及目标第二初始负荷数据构建预测负荷函数，得到所述预测负荷，包括：
步骤401、将所述第一初始负荷数据作为第一负荷。
具体地，同样以所要获取的预测负荷为电负荷为例，所述第一初始负荷数据即为通过传统预测模型得到的所述电负荷的预测数据。计算机设备将所述电负荷的预测数据作为所述第一负荷。其中，所述第一负荷L1满足下式：
L1＝L’e
其中，L’e为通过传统预测模型得到的电负荷的预测数据。
步骤402、将所述目标第二初始负荷数据与目标负荷差的和作为第二负荷。
其中，所述目标负荷差为所述第一历史负荷数据与所述目标第二历史负荷数据之差。
具体地，继续步骤401中的例子，设定目标非预测负荷为冷负荷，所述目标第二初始负荷数据即为通过传统预测模型得到的所述冷负荷的预测数据，则所述目标负荷差为历史电负荷与历史冷负荷之差，即电冷负荷差。计算机设备将所述冷负荷的预测数据加上电冷负荷差，得到所述第二负荷。其中，所述第二负荷L2满足下式：
L2＝L’c+L’e-c
其中，L’c为通过传统预测模型得到的冷负荷的预测数据，L’e-c为历史电负荷减去历史冷负荷得到的电冷负荷差。
步骤403、将所述目标第二初始负荷数据与目标负荷比的积作为第三负荷。
其中，所述目标负荷比为所述第一历史负荷数据与所述目标第二历史负荷数据之比。
具体地，继续步骤402中的例子，所述目标负荷比为历史电负荷与历史冷负荷之比，即电冷负荷比。计算机设备将所述冷负荷的预测数据乘上电冷负荷比，得到所述第三负荷。其中，所述第三负荷L3满足下式：
L3＝L’c·L’e/c
其中，L’c为通过传统预测模型得到的冷负荷的预测数据，L’e/c为历史电负荷除历史冷负荷得到的电冷负荷比。
步骤404、将所述第一负荷和第一权重的积、所述第二负荷和第二权重的积以及所述第三负荷和第三权重的积之和，作为所述预测负荷函数。
其中，所述第一权重为所述第一负荷在所述预测负荷中所占的比例，所述第二权重为所述第二负荷在所述预测负荷中所占的比例，所述第三权重为所述第三负荷在所述预测负荷中所占的比例，所述第一权重、所述第二权重以及所述第三权重之和为1。
具体地，计算机设备对第一负荷乘第一权重，第二负荷乘第二权重以及第三负荷乘第三权重求和，作为所述预测负荷函数。其中，所述预测负荷函数L满足下式：
L＝αL1+βL2+γL3＝αL’e+β(L’c+L’e-c)+γL’c·L’e/c
α+β+γ＝1
0＜α＜1，0＜β＜1，0＜γ＜1
其中，α为第一权重，β为第二权重，γ为第三权重。
步骤405、根据所述预测负荷函数，得到所述预测负荷。
具体地，计算机设备将根据所述第一历史负荷数据和所述目标第二历史负荷数据得到所述目标负荷差和所述目标负荷比，以及第一初始负荷数据和所述目标第二初始负荷数据输入所述预测负荷函数，得到所述分析时间长度的所述预测负荷，每一时间对应所述预测负荷为一范围值，该范围具体通过不断改变第一权重、第二权重以及第三权重的数值得到。例如，分析时间为一年，预测负荷为电负荷，目标非预测负荷为冷负荷，计算机设备将一传统电负荷预测值，一传统冷负荷预测值，输入所述预测负荷函数，并分别输入一年的历史电负荷和历史冷负荷中的每一个数据，及对应的电冷负荷差和电冷负荷比，即可得到一年时间的电负荷的预测负荷数据，再通过改变模型中的参数值(即第一权重、第二权重以及第三权重)，即可得到一年时间内每一电负荷的预测负荷数据的范围值。
本实施例中，将通过传统预测模型得到的所述第一初始负荷数据作为所述预测负荷的一部分，即所述第一负荷，将通过所述目标第二历史负荷数据加上所述目标负荷差得到的所述预测负荷的另一部分，即所述第二负荷，将通过所述目标第二历史负荷数据乘上所述目标负荷比得到的所述预测负荷的再一部分，即所述第三负荷。通过上述方法将所述预测负荷的分为三部分，所述预测负荷的获取不仅仅依赖于所述预测负荷的历史数据，同时还依赖于所述目标非预测负荷的历史数据，从而降低单一负荷历史数据误差变化对预测结果的影响。进一步对所述第一负荷、第二负荷以及第三负荷赋予对应的第一权重、第二权重以及第三权重，通过改变所述第一权重、所述第二权重以及所述第三权重的数值，以得到所述第一负荷、所述第二负荷以及所述第三负荷中所述预测负荷中占据不同比例时的所述预测负荷，得到所述预测负荷的范围值，实现对所述预测负荷的范围性预测，从而提高所述预测负荷准确的概率。
另一实施例中，如图5所示，所述步骤405、所述根据所述预测负荷函数，得到所述预测负荷，包括：
步骤501、结合负荷影响因子对所述预测负荷函数进行回归分析，得到优化负荷函数。
其中，所述负荷影响因子为对用户负荷的用量以及种类具有影响的因素。例如，负荷使用费用成本、产业结构需求负荷类型、负荷能耗和能效等因素。
具体地，计算机设备对上述负荷影响因子进行处理，如平稳性验证、同阶单整处理等，以将所述负荷影响因子与所述预测负荷函数结合，拟合得到拟合负荷函数。其中，所述拟合负荷函数为关于上述负荷影响因子、所述第一历史负荷数据、目标第二历史负荷数据、第一初始负荷数据以及目标第二初始负荷数据的函数关系式。计算机设备以所述负荷影像因子作为自变量，以该拟合负荷函数得到的拟预测负荷作为因变量，进行回归分析，得到所述优化负荷函数。
步骤502、根据所述优化负荷函数，得到所述预测负荷。
具体地，计算机设备所述目标负荷差和所述目标负荷比，以及第一初始负荷数据和所述目标第二初始负荷数据输入所述优化负荷函数，得到所述预测负荷。
本实施例中，计算机设备将影响用户的负荷用量及负荷种类的因素均作为所述负荷影响因子，对所述负荷影响因子进行处理后与所述预测负荷函数结合，得到关于上述负荷影响因子、所述第一历史负荷数据、目标第二历史负荷数据、第一初始负荷数据以及目标第二初始负荷数据的拟合负荷函数，以此在预测负荷的获取过程中充分考虑外部因素对所述预测负荷造成的影响，使得获取到的所述预测负荷更接近真实情况，提高所述预测负荷的可信度。
另一实施例中，如图6所示，所述步骤502、根据所述优化负荷函数，得到所述预测负荷，之后还包括：
步骤601、根据系统转换负荷量、负荷自身转换效率以及负荷间转换效率，得到所述预测负荷的转出实际最大转移负荷量和转入施加最大转移负荷量。
其中，所述系统转移负荷量和所述负荷自身转换效率由提供负荷的能源系统本身决定，所述负荷自身转换效率用于表征负荷自身转换的利用率，所述负荷间转换效率用于表征所述预测负荷与所述目标非预测负荷之间的转换程度。
在实际应用场景中，不同类型的负荷之间在一定的转移量，因此在预测负荷的获取时，需考虑转移的情况。如图7所示，基于能源系统需求响应分析，不同负荷之间在某些时段存在一定互补转换，以电负荷、热负荷以及气负荷为例，确定转移负荷量时不仅要考虑负荷自身转换约束如转换效率下的转换量，还要考虑负荷之间互补转换，如热电负荷互补、气电负荷互补以及气热负荷互补，所带来的负荷之间的转换程度约束。
进一步地，所述目标第二历史负荷数据为与所述第一历史负荷数据之间具有最大关联程序的所述第二历史负荷数据，则认为所述第一历史负荷数据与所述目标第二历史负荷数据之间存在转移关系。所述转移关系可以是由所述第一历史负荷数据转出一定负荷量至所述目标第二历史负荷数据，相对于所述第一历史负荷数据而言是转出一定负荷量即所述转出实际最大转移负荷量，也可以是由所述目标第二历史负荷数据量转出一定负荷量至所述第一历史负荷数据，相对于所述第一历史负荷数据而言是转入一定负荷量即所述转入实际最大转移负荷量。
具体地，计算机设备根据所述系统转换负荷量、、负荷自身转换效率以及负荷间转换效率，得到所述预测负荷的所述转出实际最大转移负荷量和所述转入实际最大转移负荷量。
步骤602、将所述预测负荷加所述转出实际最大转移负荷量，得到最大优化预测负荷。
步骤603、将所述预测负荷减所述转入实际最大转移负荷量，得到最小优化预测负荷。
步骤604、将所述最小优化预测负荷和所述最大优化预测负荷构成的数值范围作为所述预测负荷的优化预测负荷。
具体地，计算机设备将所述预测负荷加上由所述第一历史负荷数据转移至所述目标第二历史负荷数据的转移负荷量即所述转出实际最大转移负荷量，得到最大优化预测负荷，将所述预测负荷减去由所述目标第二历史负荷数据转移至所述第一历史负荷数据的转移负荷量即转入实际最大转移负荷量，得到最小优化预测负荷，以此得到由所述最小优化预测负荷和所述最大优化预测负荷构成的数值范围最为所述预测负荷的优化预测负荷。
本实施例中，在所述预测负荷获取的过程中进一步考虑负荷间转换影响，认为具有所述特定数据关系的所述第一历史负荷数据与所述目标第二历史负荷数据之间存在转换关系。对得到的所述预测负荷加上由所述第一历史负荷数据转出至所述目标第二历史负荷数据的所述转出实际最大转移负荷量，得到最大优化预测负荷，对得到的所述预测负荷减去由所述目标第二历史负荷数据转出至所述第一历史负荷数据的所述转入实际最大转移负荷量，得到最小优化预测负荷。以此得到考虑了负荷间转换关系情况下，具有范围区间的所述优化预测负荷，实现对所述预测负荷的进一步优化，得到的所述优化预测负荷跟接近真实情况，进一步提高了预测结果的准确性。
另一实施例中，所述系统转移负荷量包括提供所述预测负荷的第一负荷系统转移负荷量，和提供所述目标非预测负荷的第二负荷系统转移量，所述负荷自身转换效率包括所述预测负荷自身的第一自身转换效率，和所述目标非预测负荷的第二自身转换效率，如图8所示，所述步骤601、根据系统转移负荷量、负荷转换效率以及负荷间转换约束，得到所述预测负荷的转出实际最大转移负荷量和转入实际最大转移负荷量，包括：
步骤801、将所述第一负荷系统转移负荷量与所述第一自身转换效率的积，作为转出最大转移负荷量。
具体地，以所述预测负荷为电负荷，所述目标非预测负荷为冷负荷为例，则所述第一历史负荷数据为历史电负荷，所述负荷间转换效率则为能量转换设备带来的所述电负荷与所述冷负荷之间的转换。根据提供所述电负荷的能源系统得知，所述第一负荷系统转移量为20，所述第一自身转换效率为98％，则所述转出最大转移负荷量＝20*98％＝19.6。
步骤802、将所述第二负荷系统转移负荷量与所述第二自身转换效率的积，作为转入最大转移负荷量。
具体地，同样以所述预测负荷为电负荷，所述目标非预测负荷为冷负荷为例，根据提供所述冷负荷的能源系统得知，所述第二负荷系统转移量为30，所述第二自身转换效率为97％，则所述转出最大转移负荷量＝30*97％＝29.1。
步骤803、将所述转出最大转移负荷量与所述负荷间转换效率的积，作为所述转出实际最大转移负荷量。
其中，电冷负荷间转出实际最大转移负荷量满足下式：
Selec＝γ*selec
s.t.selec(min)≤selec≤selec(max)
γ(min)≤γ≤γ(max)其中，Selec为电冷负荷间从电负荷转出的转出实际最大转移负荷量，scold为电负荷的转出最大转移负荷量，满足提供电负荷的能源系统所能提供的转出最大转移负荷量的约束selec(min)≤selec≤selec(max)，γ为电负荷与冷负荷之间的负荷间转换效率，满足电冷负荷间转换效率的约束γ(min)≤γ≤γ(max)。
具体地，本实施例中，取scold＝scold(max)，γ＝γ(max)，则所述转出实际最大转移负荷量maxScold＝γ(max)*scold(max)。例如，电负荷能源系统所能提供的转出最大转移负荷量的最大值scold(max)＝19.6，电冷负荷间转换效率最大值γ(max)＝85％，所述转出实际最大转移负荷量max Scold＝scold(max)*γ(max)＝19.6*85％＝16.66。
步骤804、将所述转入最大转移负荷量与所述负荷间转换效率的积，作为所述转入实际最大转移负荷量。
其中，电冷负荷间转入实际最大转移负荷量满足下式：
S’cold＝γ’*s’cold
s.t.s’cold(min)≤s’cold≤s’cold(max)
γ’(min)≤γ’≤γ’(max)
其中，S’cold为电冷负荷间由冷负荷转入的转入实际最大转移负荷量，s’cold为冷负荷的转入最大转移负荷量，满足提供冷负荷的能源系统所能提供的转入最大转移负荷量的约束s’cold(min)≤s’cold≤s’cold(max)，γ为电负荷与冷负荷之间的负荷间转换效率，满足电冷负荷间转换效率的约束γ’(min)≤γ’≤γ’(max)。
具体地，本实施例中，取s’cold＝s’cold(max)，γ’＝γ’(max)，则所述转出实际最大转移负荷量maxS’cold＝γ’(max)*s’cold(max)。例如，冷负荷能源系统所能提供的转入最大转移负荷量的最大值s’cold(max)＝29.1，电冷负荷间转换效率最大值γ’(max)＝85％，所述转出实际最大转移负荷量maxS’cold＝s’cold(max)*γ’(max)＝29.1*85％＝24.735。
本实施例中，根据提供负荷的能源系统可提供的系统转换负荷量与负荷自身转换效率以及负荷间转换效率，同时考虑所述第一历史负荷数据中存在转出一定负荷量和转入一定负荷量的情况，从而得到具有范围约束的所述预测负荷，进一步实现所述预测负荷的范围性预测，提高所述预测负荷准确的概率。
应该理解的是，虽然图1-8中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种预测负荷获取装置，包括：
数据处理模块910，用于对第一历史负荷数据和第二历史负荷数据进行数据处理，得到特征数据；其中，所述第一历史负荷数据为预测负荷的历史数据，所述第二历史负荷数据为非预测负荷的历史数据，所述特征数据用于表征所述第一历史负荷数据和所述第二历史负荷数据的数据关系；
目标获取模块920，用于根据所述特征数据，得到目标第二历史负荷数据；
负荷获取模块930，同于根据所述特征数据、第一初始负荷数据以及目标第二初始负荷数据构建预测负荷函数，得到所述预测负荷；其中，所述第一初始负荷数据为根据传统预测负荷模型得到的预测负荷数据，所述目标第二初始负荷数据为根据传统预测负荷模型得到的所述目标第二历史负荷数据的预测负荷数据。
关于所述预测负荷获取装置的具体限定可以参见上文中对于预测负荷获取方法的限定，在此不再赘述。上述预测负荷获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储进行预测负荷获取的历史负荷数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种预测负荷获取方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
对第一历史负荷数据和第二历史负荷数据进行数据处理，得到特征数据；其中，所述第一历史负荷数据为预测负荷的历史数据，所述第二历史负荷数据为非预测负荷的历史数据，所述特征数据用于表征所述第一历史负荷数据与所述第二历史负荷数据的数据关系；
根据所述特征数据，得到目标第二历史负荷数据；
根据所述特征数据、第一初始负荷数据以及目标第二初始负荷数据构建预测负荷函数，得到所述预测负荷；其中，所述第一初始负荷数据为根据传统预测模型得到的所述预测负荷的预测数据，所述目标第二初始负荷数据为根据所述传统预测模型得到的目标非预测负荷的预测数据，所述目标非预测负荷为所述目标第二历史负荷数据对应的所述非预测负荷。
另一实施例中，该处理器执行计算机程序时实现以下步骤：
将所述第一历史负荷数据减所述第二历史负荷数据，得到负荷差；
将所述第一历史负荷数据除所述第二历史负荷数据，得到负荷比；
将所述负荷差和负荷比作为所述特征数据。
另一实施例中，该处理器执行计算机程序时实现以下步骤：
将所述特征数据进行聚类分析，得到所述第一历史负荷数据与所述第二历史负荷数据之间的关联程度；
根据所述关联程度，从所述第二历史负荷数据中获取目标第二历史负荷数据；其中，所述目标第二历史负荷数据为与所述第一历史负荷数据的所述关联程度最大的所述第二历史负荷数据。
另一实施例中，该处理器执行计算机程序时实现以下步骤：
将所述第一初始负荷数据作为第一负荷；
将所述目标第二初始负荷数据与目标负荷差的和作为第二负荷；其中，所述目标负荷差为所述第一历史负荷数据与所述目标第二历史负荷数据之差；
将所述目标第二初始负荷数据与目标负荷比的积作为第三负荷；其中，所述目标负荷比为所述第一历史负荷数据与所述目标第二历史负荷数据之比；
将所述第一负荷和第一权重的积、所述第二负荷和第二权重的积以及所述第三负荷和第三权重的积之和，作为所述预测负荷函数；其中，所述第一权重为所述第一负荷在所述预测负荷中所占的比例，所述第二权重为所述第二负荷在所述预测负荷中所占的比例，所述第三权重为所述第三负荷在所述预测负荷中所占的比例，所述第一权重、所述第二权重以及所述第三权重之和为1；
根据所述预测负荷函数，得到所述预测负荷。
另一实施例中，该处理器执行计算机程序时实现以下步骤：
结合负荷影响因子对所述预测负荷函数进行回归分析，得到优化负荷函数；其中，所述负荷影响因子为对所述预测负荷的用量具有影响的因素；
根据所述优化负荷函数，得到所述预测负荷。
另一实施例中，该处理器执行计算机程序时实现以下步骤：
根据系统转换负荷量、负荷自身转换效率以及负荷间转换效率，得到所述预测负荷的转出实际最大转移负荷量和转入实际最大转移负荷量；其中，所述系统转移负荷量和所述负荷自身转换效率由提供负荷的能源系统本身决定，所述负荷自身转换效率用于表征负荷自身转换的利用率，所述负荷间转效率用于表征所述预测负荷与所述目标非预测负荷之间的转换程度；
将所述预测负荷加所述转出实际最大转移负荷量，得到最大优化预测负荷；
将所述预测负荷减所述转入实际最大转移负荷量，得到最小优化预测负荷；
将所述最小优化预测负荷和所述最大优化预测负荷构成的数值范围作为所述预测负荷的优化预测负荷。
另一实施例中，该处理器执行计算机程序时实现以下步骤：
所述系统转移负荷量包括提供所述预测负荷的第一负荷系统转移负荷量，和提供所述目标非预测负荷的第二负荷系统转移量，所述负荷自身转换效率包括所述预测负荷自身的第一自身转换效率，和所述目标非预测负荷的第二自身转换效率；
将所述第一负荷系统转移负荷量与所述第一自身转换效率的积，作为转出最大转移负荷量；
将所述第二负荷系统转移负荷量与所述第二自身转换效率的积，作为转入最大转移负荷量；
将所述转出最大转移负荷量与所述负荷间转换效率的积，作为所述转出实际最大转移负荷量；
将所述转入最大转移负荷量与所述负荷间转换约束的积，作为所述转入实际最大转移负荷量。在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
对第一历史负荷数据和第二历史负荷数据进行数据处理，得到特征数据；其中，所述第一历史负荷数据为预测负荷的历史数据，所述第二历史负荷数据为非预测负荷的历史数据，所述特征数据用于表征所述第一历史负荷数据与所述第二历史负荷数据的数据关系；
根据所述特征数据，得到目标第二历史负荷数据；
根据所述特征数据、第一初始负荷数据以及目标第二初始负荷数据构建预测负荷函数，得到所述预测负荷；其中，所述第一初始负荷数据为根据传统预测模型得到的所述预测负荷的预测数据，所述目标第二初始负荷数据为根据所述传统预测模型得到的目标非预测负荷的预测数据，所述目标非预测负荷为所述目标第二历史负荷数据对应的所述非预测负荷。
另一实施例中，计算机程序被处理器执行时实现以下步骤：
将所述第一历史负荷数据减所述第二历史负荷数据，得到负荷差；
将所述第一历史负荷数据除所述第二历史负荷数据，得到负荷比；
将所述负荷差和负荷比作为所述特征数据。
另一实施例中，计算机程序被处理器执行时实现以下步骤：
将所述特征数据进行聚类分析，得到所述第一历史负荷数据与所述第二历史负荷数据之间的关联程度；
根据所述关联程度，从所述第二历史负荷数据中获取目标第二历史负荷数据；其中，所述目标第二历史负荷数据为与所述第一历史负荷数据的所述关联程度最大的所述第二历史负荷数据。
另一实施例中，计算机程序被处理器执行时实现以下步骤：
将所述第一初始负荷数据作为第一负荷；
将所述目标第二初始负荷数据与目标负荷差的和作为第二负荷；其中，所述目标负荷差为所述第一历史负荷数据与所述目标第二历史负荷数据之差；
将所述目标第二初始负荷数据与目标负荷比的积作为第三负荷；其中，所述目标负荷比为所述第一历史负荷数据与所述目标第二历史负荷数据之比；
将所述第一负荷和第一权重的积、所述第二负荷和第二权重的积以及所述第三负荷和第三权重的积之和，作为所述预测负荷函数；其中，所述第一权重为所述第一负荷在所述预测负荷中所占的比例，所述第二权重为所述第二负荷在所述预测负荷中所占的比例，所述第三权重为所述第三负荷在所述预测负荷中所占的比例，所述第一权重、所述第二权重以及所述第三权重之和为1；
根据所述预测负荷函数，得到所述预测负荷。
另一实施例中，计算机程序被处理器执行时实现以下步骤：
结合负荷影响因子对所述预测负荷函数进行回归分析，得到优化负荷函数；其中，所述负荷影响因子为对所述预测负荷的用量具有影响的因素；
根据所述优化负荷函数，得到所述预测负荷。
另一实施例中，计算机程序被处理器执行时实现以下步骤：
根据系统转换负荷量、负荷自身转换效率以及负荷间转换效率，得到所述预测负荷的转出实际最大转移负荷量和转入实际最大转移负荷量；其中，所述系统转移负荷量和所述负荷自身转换效率由提供负荷的能源系统本身决定，所述负荷自身转换效率用于表征负荷自身转换的利用率，所述负荷间转效率用于表征所述预测负荷与所述目标非预测负荷之间的转换程度；
将所述预测负荷加所述转出实际最大转移负荷量，得到最大优化预测负荷；
将所述预测负荷减所述转入实际最大转移负荷量，得到最小优化预测负荷；
将所述最小优化预测负荷和所述最大优化预测负荷构成的数值范围作为所述预测负荷的优化预测负荷。
另一实施例中，计算机程序被处理器执行时实现以下步骤：
所述系统转移负荷量包括提供所述预测负荷的第一负荷系统转移负荷量，和提供所述目标非预测负荷的第二负荷系统转移量，所述负荷自身转换效率包括所述预测负荷自身的第一自身转换效率，和所述目标非预测负荷的第二自身转换效率；
将所述第一负荷系统转移负荷量与所述第一自身转换效率的积，作为转出最大转移负荷量；
将所述第二负荷系统转移负荷量与所述第二自身转换效率的积，作为转入最大转移负荷量；
将所述转出最大转移负荷量与所述负荷间转换效率的积，作为所述转出实际最大转移负荷量；
将所述转入最大转移负荷量与所述负荷间转换约束的积，作为所述转入实际最大转移负荷量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种预测负荷的获取方法，其特征在于，所述方法包括：
对第一历史负荷数据和第二历史负荷数据进行数据处理，得到特征数据；其中，所述第一历史负荷数据为预测负荷的历史数据，所述第二历史负荷数据为非预测负荷的历史数据，所述特征数据用于表征所述第一历史负荷数据与所述第二历史负荷数据的数据关系；
根据所述特征数据，得到目标第二历史负荷数据；
根据所述特征数据、第一初始负荷数据以及目标第二初始负荷数据构建预测负荷函数，得到所述预测负荷；其中，所述第一初始负荷数据为根据传统预测模型得到的所述预测负荷的预测数据，所述目标第二初始负荷数据为根据所述传统预测模型得到的目标非预测负荷的预测数据，所述目标非预测负荷为所述目标第二历史负荷数据对应的所述非预测负荷。
2.根据权利要求1所述的方法，其特征在于，所述对第一历史负荷数据和第二历史负荷数据进行数据处理，得到特征数据，包括：
将所述第一历史负荷数据减所述第二历史负荷数据，得到负荷差；
将所述第一历史负荷数据除所述第二历史负荷数据，得到负荷比；
将所述负荷差和负荷比作为所述特征数据。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述特征数据，得到目标第二历史负荷数据，包括：
将所述特征数据进行聚类分析，得到所述第一历史负荷数据与所述第二历史负荷数据之间的关联程度；
根据所述关联程度，从所述第二历史负荷数据中获取目标第二历史负荷数据；其中，所述目标第二历史负荷数据为与所述第一历史负荷数据的所述关联程度最大的所述第二历史负荷数据。
4.根据权利要求1所述的方法，其特征在于，所述根据所述特征数据、第一初始负荷数据以及目标第二初始负荷数据构建预测负荷函数，得到所述预测负荷，包括：
将所述第一初始负荷数据作为第一负荷；
将所述目标第二初始负荷数据与目标负荷差的和作为第二负荷；其中，所述目标负荷差为所述第一历史负荷数据与所述目标第二历史负荷数据之差；
将所述目标第二初始负荷数据与目标负荷比的积作为第三负荷；其中，所述目标负荷比为所述第一历史负荷数据与所述目标第二历史负荷数据之比；
将所述第一负荷和第一权重的积、所述第二负荷和第二权重的积以及所述第三负荷和第三权重的积之和，作为所述预测负荷函数；其中，所述第一权重为所述第一负荷在所述预测负荷中所占的比例，所述第二权重为所述第二负荷在所述预测负荷中所占的比例，所述第三权重为所述第三负荷在所述预测负荷中所占的比例，所述第一权重、所述第二权重以及所述第三权重之和为1；
根据所述预测负荷函数，得到所述预测负荷。
5.根据权利要求4所述的方法，其特征在于，所述根据所述预测负荷函数，得到所述预测负荷，包括：
结合负荷影响因子对所述预测负荷函数进行回归分析，得到优化负荷函数；其中，所述负荷影响因子为对所述预测负荷的用量具有影响的因素；
根据所述优化负荷函数，得到所述预测负荷。
6.根据权利要求5所述的方法，其特征在于，在所述根据所述优化负荷函数，得到所述预测负荷，之后还包括：
根据系统转换负荷量、负荷自身转换效率以及负荷间转换效率，得到所述预测负荷的转出实际最大转移负荷量和转入实际最大转移负荷量；其中，所述系统转移负荷量和所述负荷自身转换效率由提供负荷的能源系统本身决定，所述负荷自身转换效率用于表征负荷自身转换的利用率，所述负荷间转效率用于表征所述预测负荷与所述目标非预测负荷之间的转换程度；
将所述预测负荷加所述转出实际最大转移负荷量，得到最大优化预测负荷；
将所述预测负荷减所述转入实际最大转移负荷量，得到最小优化预测负荷；
将所述最小优化预测负荷和所述最大优化预测负荷构成的数值范围作为所述预测负荷的优化预测负荷。
7.根据权利要求6所述的方法，其特征在于，所述系统转移负荷量包括提供所述预测负荷的第一负荷系统转移负荷量，和提供所述目标非预测负荷的第二负荷系统转移量，所述负荷自身转换效率包括所述预测负荷自身的第一自身转换效率，和所述目标非预测负荷的第二自身转换效率；
所述根据系统转移负荷量、负荷转换效率以及负荷间转换约束，得到所述预测负荷的转出实际最大转移负荷量和转入实际最大转移负荷量，包括：
将所述第一负荷系统转移负荷量与所述第一自身转换效率的积，作为转出最大转移负荷量；
将所述第二负荷系统转移负荷量与所述第二自身转换效率的积，作为转入最大转移负荷量；
将所述转出最大转移负荷量与所述负荷间转换效率的积，作为所述转出实际最大转移负荷量；
将所述转入最大转移负荷量与所述负荷间转换约束的积，作为所述转入实际最大转移负荷量。
8.一种预测负荷获取装置，其特征在于，所述装置包括：
数据处理模块，用于对第一历史负荷数据和第二历史负荷数据进行数据处理，得到特征数据；其中，所述第一历史负荷数据为预测负荷的历史数据，所述第二历史负荷数据为非预测负荷的历史数据，所述特征数据用于表征所述第一历史负荷数据和所述第二历史负荷数据的数据关系；
目标获取模块，用于根据所述特征数据，得到目标第二历史负荷数据；
负荷获取模块，同于根据所述特征数据、第一初始负荷数据以及目标第二初始负荷数据构建预测负荷函数，得到所述预测负荷；其中，所述第一初始负荷数据为根据传统预测负荷模型得到的预测负荷数据，所述目标第二初始负荷数据为根据传统预测负荷模型得到的所述目标第二历史负荷数据的预测负荷数据。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201911146195.XA 2019-11-21 2019-11-21 预测负荷获取方法、装置、计算机设备和存储介质 Active CN110909936B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911146195.XA CN110909936B (zh) 2019-11-21 2019-11-21 预测负荷获取方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911146195.XA CN110909936B (zh) 2019-11-21 2019-11-21 预测负荷获取方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110909936A true CN110909936A (zh) 2020-03-24
CN110909936B CN110909936B (zh) 2021-12-17

Family

ID=69818540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911146195.XA Active CN110909936B (zh) 2019-11-21 2019-11-21 预测负荷获取方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110909936B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768066A (zh) * 2020-05-09 2020-10-13 国网江苏省电力有限公司无锡供电分公司 基于融合特征的园区电热负荷耦合关系分析方法及装置
CN111915082A (zh) * 2020-08-03 2020-11-10 深圳集智数字科技有限公司 一种预测方法、装置、存储介质及设备
CN112598156A (zh) * 2020-11-27 2021-04-02 国网浙江海宁市供电有限公司 一种提升变电所全停全转负荷校验准确率的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104571068A (zh) * 2015-01-30 2015-04-29 中国华电集团科学技术研究总院有限公司 一种分布式能源系统的运行优化控制方法及系统
CN110210995A (zh) * 2019-06-04 2019-09-06 国网安徽省电力有限公司经济技术研究院 一种基于小波包与神经网络的综合能源负荷预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104571068A (zh) * 2015-01-30 2015-04-29 中国华电集团科学技术研究总院有限公司 一种分布式能源系统的运行优化控制方法及系统
CN110210995A (zh) * 2019-06-04 2019-09-06 国网安徽省电力有限公司经济技术研究院 一种基于小波包与神经网络的综合能源负荷预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768066A (zh) * 2020-05-09 2020-10-13 国网江苏省电力有限公司无锡供电分公司 基于融合特征的园区电热负荷耦合关系分析方法及装置
CN111768066B (zh) * 2020-05-09 2022-09-09 国网江苏省电力有限公司无锡供电分公司 基于融合特征的园区电热负荷耦合关系分析方法及装置
CN111915082A (zh) * 2020-08-03 2020-11-10 深圳集智数字科技有限公司 一种预测方法、装置、存储介质及设备
CN111915082B (zh) * 2020-08-03 2024-03-29 深圳集智数字科技有限公司 一种预测方法、装置、存储介质及设备
CN112598156A (zh) * 2020-11-27 2021-04-02 国网浙江海宁市供电有限公司 一种提升变电所全停全转负荷校验准确率的方法

Also Published As

Publication number Publication date
CN110909936B (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN110909936B (zh) 预测负荷获取方法、装置、计算机设备和存储介质
Fan et al. Forecasting short-term electricity load using hybrid support vector regression with grey catastrophe and random forest modeling
CN108470233B (zh) 一种智能电网的需求响应能力评估方法和计算设备
Zhang et al. Energy clearing price prediction and confidence interval estimation with cascaded neural networks
Hsiao et al. Random coefficient models
Amjady et al. Midterm demand prediction of electrical power systems using a new hybrid forecast technique
Mateo et al. Machine learning methods to forecast temperature in buildings
CN111160625B (zh) 电力负荷预测方法、装置、计算机设备及存储介质
Hedayati-Mehdiabadi et al. Reserve policy optimization for scheduling wind energy and reserve
Gao et al. Forecasting residential electricity consumption using a hybrid machine learning model with online search data
JP2004086896A (ja) 適応的予測モデル構築方法及び適応的予測モデル構築システム
Ruan et al. Estimating demand flexibility using Siamese LSTM neural networks
Jang et al. Optimal HVAC system operation using online learning of interconnected neural networks
Xiong et al. Distributionally robust optimization for energy and reserve toward a low-carbon electricity market
CN115564152A (zh) 基于stirpat模型的碳排放量预测方法及装置
Tajmouati et al. Applying k‐nearest neighbors to time series forecasting: Two new approaches
Kavaklioglu Principal components based robust vector autoregression prediction of Turkey’s electricity consumption
Nadimi et al. A hybrid TSK-FR model to study short-term variations of the electricity demand versus the temperature changes
WO2019165692A1 (zh) 碳期货价格预测方法、装置、计算机设备和存储介质
Sonnekalb et al. Smart hot water control with learned human behavior for minimal energy consumption
CN108764553B (zh) 用户规模预测方法、装置及计算机设备
CN111242423A (zh) 主动需求响应潜力分析方法、装置、设备以及存储介质
Son et al. Prediction of government-owned building energy consumption based on an RReliefF and support vector machine model
CN113627677A (zh) 多区域能源需求预测方法、装置、终端设备及存储介质
Şişman A comparison of ARIMA and grey models for electricity consumption demand forecasting: The case of Turkey

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20200923

Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No.

Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd.

Address before: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No.

Applicant before: GUANGZHOU POWER SUPPLY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant