CN111160625B - 电力负荷预测方法、装置、计算机设备及存储介质 - Google Patents
电力负荷预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111160625B CN111160625B CN201911255382.1A CN201911255382A CN111160625B CN 111160625 B CN111160625 B CN 111160625B CN 201911255382 A CN201911255382 A CN 201911255382A CN 111160625 B CN111160625 B CN 111160625B
- Authority
- CN
- China
- Prior art keywords
- day
- target day
- parameter
- holiday
- power load
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 239000011159 matrix material Substances 0.000 claims description 76
- 238000004590 computer program Methods 0.000 claims description 25
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 30
- 239000002245 particle Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000009467 reduction Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000012847 principal component analysis method Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种电力负荷预测方法、装置、计算机设备及存储介质。涉及数据处理技术领域，该电力负荷预测方法包括：获取待预测的目标日的特征值，特征值包括目标日的气象参数、目标日对应的星期参数、目标日对应的假日参数和目标日对应的相似日参数，其中，气象参数用于表征目标日的气象信息，星期参数用于表征目标日的星期类型，假日参数用于表征目标日对应的假日类型，相似日参数用于表征与目标日相似的日期的历史负荷信息；将目标日的特征值输入至电力负荷预测模型，得到电力负荷预测模型输出的目标日的电力负荷预测值。本申请实施例提供的电力负荷预测方法可以提高电力负荷预测的预测结果的准确度。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种电力负荷预测方法、装置、计算机设备及存储介质。
背景技术
随着社会的发展，电已经逐渐成为人们生活的主要能源。人们对于电的需求量越来越大，虽然电网系统的电力供应能力逐年增强，但仍不能满足人们的用电需求，为了解决这个问题，电网系统需要进行电力调配以保持电力供应与用电需求之间的平衡。在电力调配过程中，准确的电力负荷预测可以为电力调配提供可靠的指导。
相关技术中，进行电力负荷预测的方法是：获取一定时长内的电力负荷的历史数据，从历史数据中获取短期电力负荷样本数据，并基于短期电力负荷样本数据进行神经网络模型训练，运用训练好的电力负荷预测模型对短期的电力负荷进行预测。
然而，在实际应用中，影响电力负荷的因素有很多种，上述方法中，仅从电力负荷的历史数据这一个维度进行电力负荷预测，而忽略了其他影响因素，因此存在预测结果准确度较低的问题。
发明内容
基于此，有必要针对上述存在的预测结果准确度较低的问题，提供一种电力负荷预测方法、装置、计算机设备及存储介质。
第一方面，本申请实施例提供了一种电力负荷预测方法，该方法包括：
获取待预测的目标日的特征值，特征值包括目标日的气象参数、目标日对应的星期参数、目标日对应的假日参数和目标日对应的相似日参数，其中，气象参数用于表征目标日的气象信息，星期参数用于表征目标日的星期类型，假日参数用于表征目标日对应的假日类型，相似日参数用于表征与目标日相似的日期的历史负荷信息；
将目标日的特征值输入至电力负荷预测模型，得到电力负荷预测模型输出的目标日的电力负荷预测值。
在其中一个实施例中，获取待预测的目标日的特征值，特征值包括目标日的气象参数，包括：
获取气象数据集合，气象数据集合包括目标日的气象数据和多个历史日的气象数据；
对气象数据集合进行核主成分分析，获取目标日的气象参数。
在其中一个实施例中，获取待预测的目标日的特征值，特征值包括目标日对应的星期参数，包括：
建立星期类型与星期参数的对应关系，不同星期类型对应于不同的星期参数；
获取目标日的星期类型；
根据目标日的星期类型和对应关系确定目标日的星期参数。
在其中一个实施例中，获取待预测的目标日的特征值，目标日对应的假日参数，包括：
获取目标日对应的假日类型，假日类型包括非假日、一般假日、次要假日和重要假日；
根据目标日的假日类型和预设的各假日类型与假日参数的映射关系确定目标日的假日参数。
在其中一个实施例中，获取待预测的目标日的特征值，特征值包括目标日对应的相似日参数，包括：
获取多个历史日的参数集合，参数集合包括历史日的气象参数、星期参数和假日参数；
获取目标日的参数集合，目标日的参数集合包括目标日的气象参数、星期参数和假日参数；
根据目标日的参数集合与各历史日的参数集合，分别计算各历史日与目标日的相似度；
对最大相似度对应的历史日的电力负荷值进行集合经验模态分解，得到目标日对应的相似日参数。
在其中一个实施例中，根据目标日的参数集合与各历史日的参数集合，分别计算各历史日与目标日的相似度，包括：
对于每个历史日，根据目标日的参数集合与历史日的参数集合采用灰色相关投影法计算相关系数，得到第一灰色关联判断矩阵；
获取目标日的参数集合对应的权向量，根据权向量和第一灰色关联判断矩阵得到第二灰色关联判断矩阵，权向量包括目标日的参数集合中各参数项对应的权重系数；
根据第二灰色关联判断矩阵计算目标日与各历史日的相似度。
在其中一个实施例中，将目标日的特征值输入至电力负荷预测模型，包括：
对目标日的特征值进行归一化处理；
将归一化处理后的特征值输入至电力负荷预测模型。
第二方面，本申请实施例提供了一种电力负荷预测装置，该装置包括：
获取模块，用于获取待预测的目标日的特征值，特征值包括目标日的气象参数、目标日对应的星期参数、目标日对应的假日参数和目标日对应的相似日参数，其中，气象参数用于表征目标日的气象信息，星期参数用于表征目标日的星期类型，假日参数用于表征目标日对应的假日类型，相似日参数用于表征与目标日相似的日期的历史负荷信息；
预测模块，用于将目标日的特征值输入至电力负荷预测模型，得到电力负荷预测模型输出的日期的电力负荷预测值。
第三方面，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该计算机程序被该处理器执行时实现上述第一方面的方法的步骤。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面的方法的步骤。
本申请实施例提供的技术方案带来的有益效果至少包括：
本申请实施例提供一种电力负荷预测方法、装置、计算机设备及存储介质，可以提高电力负荷预测的预测结果的准确度。该电力负荷预测方法中，获取待预测的目标日的特征值，特征值包括目标日的气象参数、目标日对应的星期参数、目标日对应的假日参数和目标日对应的相似日参数；然后将目标日的特征值输入至电力负荷预测模型中，得到目标日的电力负荷预测值。可见，本申请实施例中，从目标日的气象参数获取了目标日的气象信息，从目标日的星期参数获取目标日的星期类型，从目标日的假日参数获取目标日的假日类型，从目标日对应的相似日参数中获取了与目标日相似的日期的历史负荷信息，然后将目标日的气象信息、星期类型、假期类型和相似日的历史负荷信息四个维度综合起来预测目标日的电力负荷，相比于现有技术从单一角度进行预测，本申请实施例综合了更多的可参考因素，因此得到的电力负荷预测结果较为精准，能够很好地知道电力供应。
附图说明
图1为本申请实施例提供的电力负荷预测方法的实施环境的示意图；
图2为本申请实施例提供的一种电力负荷预测方法的流程图；
图3为本申请实施例提供的温度与电力负荷的关系示意图；
图4为本申请实施例提供的另一种电力负荷预测方法的流程图；
图5为本申请实施例提供的星期与电力负荷的关系示意图；
图6为本申请实施例提供的另一种电力负荷预测方法的流程图；
图7为本申请实施例提供的另一种电力负荷预测方法的流程图；
图8为本申请实施例提供的另一种电力负荷预测方法的流程图；
图9为本申请实施例提供的电力负荷预测模型的网络结构示意图；
图10为本申请实施例提供的一种电力负荷预测装置的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
在智能电网和电力市场中，精确的电力负荷预测是实现需求响应和资源分配的关键。此外，准确的电力负荷预测也可以指导电力工作人员的电力供应工作，有利于能源的综合利用。电力系统负荷预测是一种优化发电机组启动成本的重要手段，也可以节省建设所需电力设施的投资。
目前提出了多种电力负荷预测的方法，其中，第一种是：回归分析法，该方法把历史负荷数据和影响电力负荷变化的因素作为自变量，把待预测的目标日的数据作为因变量，由此来找寻自变量与因变量之间的关系并求出其回归方程。由于电力负荷的数据非线性特性使得线性回归分析法预测出的结果精度不尽如人意。第二种是：时间序列法，该方法是把历史电力负荷数据按一定的时间间隔进行采样，利用这样的时间序列直接进行负荷的预测。该方法对较为平稳的时间序列进行预测，其效果较为良好，然而电力负荷的数据不平稳，波动较大，并且有着许多不确定的突发因素，因此，时间序列法预测的结果不够准确。第三种：多层前馈的BP(英文：back propagation；中文：反向传播)神经网络是把所挑选处理后的特征值输入至网络，经过输入层、隐含层以及输出层后得到初步的预测结果，然后为了使目标函数(误差)获得最小值，BP神经网络把初步预测结果与真实值进行误差计算，然后把这个误差进行反向传播，利用梯度下降法来对网络中的权值以及阈值参数进行调整。但是，该方法学习的速度较为缓慢，容易陷入局部的极小值使得无法找到全局最优的解，故最终预测结果的精确度也因此受到了一定的影响。
综述可知，上述现有技术提出的技术方案中均存在电力负荷预测结果精度准确度不够的问题。
本申请实施例提供一种电力负荷预测方法、装置、计算机设备及存储介质，可以提高电力负荷预测的预测结果的准确度。该电力负荷预测方法中，获取待预测的目标日的特征值，特征值包括目标日的气象参数、目标日对应的星期参数、目标日对应的假日参数和目标日对应的相似日参数；然后将目标日的特征值输入至电力负荷预测模型中，得到目标日的电力负荷预测值。可见，本申请实施例中，从目标日的气象参数获取了目标日的气象信息，从目标日的星期参数获取目标日的星期类型，从目标日的假日参数获取目标日的假日类型，从目标日对应的相似日参数中获取了与目标日相似的日期的历史负荷信息，然后将目标日的气象信息、星期类型、假期类型和相似日的历史负荷信息四个维度综合起来预测目标日的电力负荷，相比于现有技术从单一角度进行预测，本申请实施例综合了更多的可参考因素，因此得到的电力负荷预测结果较为精准，能够很好地知道电力供应。
下面，将对本申请实施例提供的电力负荷预测方法所涉及到的实施环境进行简要说明。
请参考图1，本申请提供的电力负荷预测方法可以应用于如图1所示的计算机设备中，该计算机设备可以是服务器，其内部结构图可以如图1所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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和计算机程序。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电力负荷预测方法。
图1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1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。
请参考图2，其示出了本申请实施例提供的一种电力负荷预测方法的流程图，该电力负荷预测方法可以应用于图1所示的计算机设备中。如图2所示，该电力负荷预测方法可以包括以下步骤：
步骤201、计算机设备获取待预测的目标日的特征值。
其中，目标日为待预测的日期。特征值包括目标日的气象参数、目标日对应的星期参数、目标日对应的假日参数和目标日对应的相似日参数。其中，气象参数用于表征目标日的气象信息，星期参数用于表征目标日的星期类型，假日参数用于表征目标日对应的假日类型，相似日参数用于表征与目标日相似的日期的历史负荷信息。
本申请实施例中，下面将对获取目标日的气象参数、目标日对应的星期参数、目标日对应的假日参数和目标日对应的相似日参数的过程分别进行详细叙述。
第一种：获取目标日的气象参数。
气候因素对于电力负荷的走势有着较为显著的影响，如图3所示的日最高温度与日负荷的关系图可知(日负荷即每一日的电力负荷值)，温度是影响电力负荷的重要因素。相似的，其他的气候因素对电力负荷也具有影响，故本申请为了进一步地提高电力负荷预测模型的精度，挖掘了更多的气候因素。可选的：如图4所示，计算机设备获取目标日的气象参数的过程可以包括以下步骤：
步骤401、计算机设备获取气象数据集合。
气象数据集合包括目标日的气象数据和多个历史日的气象数据。
其中，多个历史日可以是指目标日之前的某一连续时间段内的多个日期。
目标日的气象数据可以包括目标日的最高温度、最低温度、平均温度、风速、降雨量、紫外线强度、最大湿度、最小湿度、平均湿度、气压、云量，共11项。历史日的气象数据与目标日的气象数据包括的内容是相同的。需要说明的是，气象数据还可以包括更多种类，在此不进行穷举。
计算机设备可以获取目标日的气象数据和多个历史日的气象数据，并将目标日的气象数据和多个历史日的气象数据组合起来，得到气象数据集合。
步骤402、计算机设备对气象数据集合进行核主成分分析，获取目标日的气象参数。
通过上述目标日的气象数据包括的内容可以看出，气候因素的种类繁多。而对于极限学习机模型，若输入特征值的数据类型过多，会使得预测精度下降。并且气象数据是非线性的，并不能对数据进行线性分析，因此不能直接用于电力负荷预存模型中。为了解决这个问题，本申请实施例中，采用了核主成分分析法对气象数据集合进行降维处理，利用非线性映射把气象数据集合映射到高维的特征空间，然后对映射后的数据进行线性分析。
本申请实施例中，计算机设备对气象数据集合进行核主成分分析的过程可以包括以下内容：
步骤A1：选定核函数，将原始矩阵输入到核函数中，得到第一核函数矩阵K。
将气象数据集合组成原始矩阵X，原始矩阵X的每一行对应一个日期，每一列对应一项气象数据。例如原始矩阵X行可以表示为x1,x2,…,xn，其中n表示气象数据包括的参数项的数量。例如步骤301中罗列出来的气象数据包括有11项，那么n可以是指11。
采用非线性变化函数Φ将原始矩阵映射到特征矩阵Φ(x1),Φ(x2),…,Φ(xn)，假设特征矩阵满足中心化，即公式(1)所示：
对特征矩阵进行协方差运算，得到协方差矩阵：
依照主成分分析法的思路，通过公式(3)对协方差矩阵C进行特征值λ和特征向量v的求解，其中
在公式(3)两边同时左乘以ΦT(xk)，如公式(4)所示：
公式(4)中的特征向量v可以由Φ(xj)线性表示，其形式如公式(5)所示：
联立公式(2)(4)(5)可以得到公式(6)：
其中X＝[x1 x2 … xn],α＝[α1 α2 … αn]T，α表示特征向量。
那么，可以得到n×n的矩阵，该n×n的矩阵为第一核函数矩阵K，可以用公式(7)表示：
K＝ΦT(X)Φ(X) 公式(7)
联立(6)(7)可以得到公式(8)：
nλKα＝K2α 公式(8)
对于任何非零的特征值，则所有能满足公式(9)的解都能使公式(8)成立：
其中，ω＝nλ。
步骤A2：将第一核函数矩阵K转换为第二核函数矩阵
由于公式(1)为一种理想情况，在一般情况下是不成立的，本申请实施例中，采用公式(10)将第一核函数矩阵K转换为第二核函数矩阵
其中，公式(10)如下：
其中
(In×n为单位矩阵)。
步骤A3：根据第二核函数矩阵，获取第二核函数矩阵对应的特征值和特征向量。
其中，第二核函数矩阵对应的特征值ω和特征向量αn×1可以通过公式(9)计算得到。
将公式(9)中的第一核函数矩阵K使用第二核函数矩阵
替代，得到新的公式(11)
步骤A4：根据第二核函数矩阵对应的特征值ω和特征向量αn×1，得到降维后的气象参数矩阵。
具体的，对特征向量αn×1按照其所对应的特征值ω的大小从大到小排列，得到重新排序的特征向量αT，。特征向量矩阵的每一行包括n各特征向量，且每一行对应一个特征值ω。然后根据特征值ω计算累计贡献率。特征向量矩阵中每一行对应一个特征值，每一列表示该特征值的一个特征向量。
本申请实施例中，可以设置累计贡献率阈值，一般累计贡献率阈值可以是85％～95％之间取值。
例如，可以按照排序将特征值累加，当第m个特征值和前m-1个特征值的累加和大于贡献率阈值，那么提取特征向量矩阵中的前m行数据形成新的矩阵，即降维后的气象参数矩阵，可以如公式(12)所示：
然后从降维后的气象参数矩阵中将目标日对应的特征向量提取出来，即得到目标日的气象参数。
需要说明的是，本申请实施例中，原始矩阵中每一行表示一个日期的气象数据，经过降维处理后，变为每一列表示一个日期的气象参数。通过原始矩阵中目标日所在的位置确定经过降维后的气象参数矩阵中，目标日对应的气象参数。
第二种：获取目标日对应的星期参数。
如图5所示，图5示出了电力负荷与星期类型的关系，从图5中可以看出，在工作日期间(星期一至星期五)，公司、工厂等用电单位处于工作状态，则在此期间用电量稳定且较大。而在休息日期间(星期六和星期日)，按照国内的工作制度，大部分公司、工厂等用电单位处于休息状态，则用电量也因此下降。因此发现星期类型也是一种可以影响电力负荷变化的因素，故需要作为电力负荷预测模型需要考虑的因素之一。
本申请实施例中，如图6所示，计算机设备获取目标日对应的星期参数的过程可以包括以下步骤：
步骤601：建立星期类型与星期参数的对应关系。
不同星期类型对应于不同的星期参数。
对于星期因素的映射，可以将星期一到星期日划分为两类、或者五类或者七类。其中，划分为两类，可以是星期一至星期五为一类，星期六至星期日为一类。划分为五类，可以是：星期一为一类、星期二至星期四为一类，星期五为一类，星期六为一类，星期日为一类。划分为七类是指每一天作为一类。
本申请实施例中，以划分为五类为例进行说明：五分类法考虑到了部分工厂会在星期六加班以及休息日刚结束或临近休息日时工厂的电力负荷会略微的下降等情况，因此把星期类型划分为星期一，星期二至星期四，星期五，星期六，星期日。如此划分既提高了预测的精度又不会使预测时间过长。最后再对这五类星期类型映射上相应的数值即可。
以将星期划分为五类为例，星期类型与星期参数的对应关系可以如表1所示。
表1
| 星期类型 | 星期参数 |
| 星期一 | 0.1 |
| 星期二 | 0.2 |
| 星期三 | 0.2 |
| 星期四 | 0.2 |
| 星期五 | 0.3 |
| 星期六 | 3.2 |
| 星期日 | 3.5 |
同一星期类型对应的星期参数相同。
步骤602：获取目标日的星期类型。
例如目标日的星期类型为星期三。
步骤603：根据目标日的星期类型和对应关系确定目标日的星期参数。
承接上文举例，目标日的星期类型为星期三，结合表1中的星期类型与星期参数的对应关系可知，目标日的形成参数为0.2。
第三种：获取目标日对应的假日参数。
本申请实施例中，如图7所示，计算机设备获取目标日对应的假日参数的过程可以包括以下步骤：
步骤701:获取目标日对应的假日类型。
假日类型包括非假日、一般假日、次要假日和重要假日。
现有技术中，假日类型的分类大多数是划分为节假日和非节假日，其中，大多数方法对节假日的量化只取0与1，若是节假日则量化为1，非节假日则量化为0。由于不同的节假日的电力负荷量是存在差别的，若把所有节假日都量化为1，即认为所有节假日对电力负荷走势是基本一样的，这样必然会导致最终的电力负荷预测结果出现偏差，预测结果准确度不高，精度差。对于现有技术存在的问题，本申请实施例中，首先对各种节假日进行分类，将节假日期间使用的电力负荷量相似的节假日归为一类，然后再对不同类型的节假日进行量化，这样量化更具有表征作用，因此可以提高预测结果的准确性。
可选的，本申请实施例中的节假日可以包括法定节假日如国庆节、传统节假日如重阳节、网络节假日例如双十一、外国的重大节假日例如圣诞节。
可选的，本申请实施例可以运用K-means聚类分析法对节假日进行分类，分类过程如下：
(1)获取每个节假日的历史电力负荷量，并随机选取初始聚类中心：随机在已知数据(已知数据即每个节假日的历史电力负荷量)中选取K个点作为初始的聚类中心。K为假日类型包括的种类。
(2)进行簇的分配：以距离公式(13)为依据，判断剩余数据应分配到哪一个簇中。
其中，x(i)表示样本数据的位置，μk表示聚类中心的位置。
(3)移动聚类中心：将各个聚类中心移动到其对应簇的均值处。
(4)重复步骤(2)(3)直到聚类中不再变化时结束聚类。
通过分类，给每个节假日标定了假日类型，例如国庆节为重要假日。重阳节为一般假日。本申请实施例中，可以将K设置为3，即将所有节假日划分为三类，具体可以是一般假日、次要假日和重要假日。本申请实施例中，假日类型还包括非假日，因此假日类型总体可以包括非假日、一般假日、次要假日和重要假日。
步骤702:根据目标日的假日类型和预设的各假日类型与假日参数的映射关系确定目标日的假日参数。
本申请实施例中，预先设置有各种假日类型与假日参数的对应关系，如表2所示。
表2
| 假日类型 | 假日参数 |
| 非节假日 | 0 |
| 一般节假日 | 0.3 |
| 次要节假日 | 0.6 |
| 重要节假日 | 1 |
获取目标日的假日类型，例如目标日为重阳节，重阳节为一般假日，那么目标日对应的假日参数为0.3。
第四种：获取目标日对应的相似日参数。
本申请实施例通过目标日的气候、星期和节假日因素数据来寻找历史中与其最为相似的相似日，然后对相似日的历史电力负荷进行集合经验模态分解。
可选的，如图8所示，计算机设备通过目标日的气候、星期和节假日因素数据来寻找历史中与其最为相似的相似日的过程可以包括以下步骤：
本申请实施例中，采用用灰色相关投影法作为关联性的评价方案，其原理如下所示：
步骤801、计算机设备获取多个历史日的参数集合。
参数集合包括历史日的气象参数、星期参数和假日参数。
本申请实施例中，选取多个历史日的影响电力负荷量的关键因素，也即气象信息例如：温度、降雨量、湿度、风速，历史日的气象参数的获取可以参考上述第一种情况所示的方法。星期参数的获取可以参考上述第二种情况所示的方法，假日参数的获取可以参考上述第三种情况所示的方法。将各个历史日的气象参数、星期参数和假日参数组成第i个历史日的特征向量。其表示方式如公式(14)所示：
Yi＝[yi1 yi2 … yim]i＝1,2,…,n 公式(14)
其中，n为关键影响因素的总数量，yim表示第i天的第m个关键影响因素。
步骤802、计算机设备获取目标日的参数集合。
目标日的参数集合包括目标日的气象参数、星期参数和假日参数。将目标日的气象参数、星期参数和假日参数组成目标日的特征向量。待预测的目标日的特征向量可以如公式(15)所示：
Y0＝[y01 y02 … y0m] 公式(15)
步骤803、计算机设备根据目标日的参数集合与各历史日的参数集合，分别计算各历史日与目标日的相似度。
可选的，本申请实施例中，计算机设备计算各历史日与目标日的相似度的过程可以包括以下步骤：
步骤D1、对于每个历史日，计算机设备根据目标日的参数集合与历史日的参数集合采用灰色相关投影法计算相关系数，得到第一灰色关联判断矩阵。
构建灰色关联判断矩阵。把目标日的特征向量Y0＝[y01 y02 … y0m]作为母序列，把第i个历史日的特征向量Yi＝[yi1 yi2 … yim]i＝1,2,…,n作为子序列，定义Y0与Yi在j点处的相关系数为ri(j)，ri(j)其可以如公式(16)所示：
其中μ一般取0.5。
算出所有的ri(j)后，把其组合成第一灰色关联判断矩阵F，第一灰色关联判断矩阵可以如公式(17)所示：
其中，F01＝F02＝…＝F0m＝1表示目标日自己与自己求取相关系数，因此相关系数均为1，Fij＝ri(j)。
步骤D2、计算机设备获取目标日的参数集合对应的权向量，根据权向量和第一灰色关联判断矩阵得到第二灰色关联判断矩阵。
权向量包括目标日的参数集合中各参数项对应的权重系数。
可选的，本申请实施例中，采用熵权法确立各影响因素的权重，得到的权向量ω如公式(18)所示：
ω＝[ω1 ω2 … ωm] 公式(18)
用上述权向量ω对第一灰色关联判断矩阵F加权可以的到第二灰色关联判断矩阵F'，如公式(19)所示：
F'＝F·ω' 公式(19)
其中，
步骤D3、计算机设备根据第二灰色关联判断矩阵计算目标日与各历史日的相似度。
计算机设备根据第二灰色关联判断矩阵F'算出目标日的加权灰色关联判断向量F0'与各历史日的加权灰色关联判断向量Fi'之间的夹角θi，并根据夹角θi计算出Fi'在F0'上的灰色投影值Di：
对夹角θi由余弦定理，如公式(20)所示：
那么，Di可以如公式(21)所示：
本申请实施例中，灰色投影值可以用于表征目标日与各历史日的相似度。灰色投影值越大，则相似度越高，灰色投影值越小，则相似度越低。
步骤804、对最大相似度对应的历史日的电力负荷值进行集合经验模态分解，得到目标日对应的相似日参数。
本申请实施例中，可以根据各个历史日对应的灰色投影值Di按照从大到小的排序。
可选的，可以设置灰色投影值的阈值，取灰色投影值超过阈值的q个历史日作为最大相似度对应的历史日。
可选的，可以将最大灰色投影值对应的历史日作为最大相似度对应的历史日。
本申请实施例采用集合经验模态分解(英文：Ensemble Empirical ModeDecomposition；简写：EEMD)算法对相似日的电力负荷值进行分解，得到相似日参数。
可选的，集合经验模态分解算法中，以相似日的电力负荷值为原始信号，对原始信号加入白噪声，具体的，将白噪声加入至待分解的原始信号中，使得不同时间尺度的原始信号会自动分布到适合的参考尺度上，并且因为白噪声的零均值噪声的特性，经过多次平均后，白噪声将相互抵消。
本申请实施例中，原始信号中加入白噪声后的信号可以如公式(22)所示：
xk(t)＝x(t)+ek(t)k＝1,2,…,m 公式(22)
其中，xk(t)表示在原始信号中加入第k种白噪声后的到的信号，x(t)表示原始信号，ek(t)表示第k种白噪声信号。
对信号xk(t)进行EMD分解，如公式(23)所示：
其中，
表示对加入第k种白噪声的原始信号xk(t)进行经验模态分解EMD(英文：Empirical Mode Decomposition；简写：EMD)分解得到的第i个IMF(英文：Intrinsic ModeFunction；中文：本征模态函数)，rk表示对加入第k种白噪声的原始信号xk(t)进行EMD分解得到的RES(英文：residual；中文：残差)。
获取m组IMF与RES的均值，如公式(24)和公式(25)所示：
获取对原始信号x(t)进行EEMD分解的最终结果，如公式(26)所示：
其中
是原始信号经过EEMD算法最终分解出的IMF，
是原始信号经过EEMD算法最终分解出的RES。
需要说明的是，对相似日的电力负荷曲线进行EEMD分解可以得到若干个IMF曲线与RES曲线，IMF与RES都是时域的函数，每个采样时刻点可以在若干个IMF曲线与RES曲线上分别找到对应的值。
步骤202、计算机设备将目标日的特征值输入至电力负荷预测模型，得到电力负荷预测模型输出的目标日的电力负荷预测值。
本申请实施例中，电力负荷预测模型为基于核函数的极限学习机。极限学习机是一种基于单隐含层的前馈神经算法，其输入层与隐含层之间的权值以及隐含层的阈值都是随机生成的。因此相比于传统的神经网络，极限学习机大幅度减少了需要设置的参数，故其大幅度减少了寻参的时间并提高了学习的效率。为了更进一步地提高模型的精确度，本申请实施例在极限学习机中加入了核函数，设电力负荷预测模型为核极限学习机模型。
在一种可选的实现方式中，将目标日的特征值输入至电力负荷预测模型包括将目标日的特征值进行归一化处理，将归一化处理后的特征值输入至电力负荷预测模型。
在一种可选的实现方式中，电力负荷预测模型可以是极限学习机。
下面本申请实施例对极限学习机进行简单说明：
(a)设输入至电力负荷预测模型的特征值为矩阵Xn×Q，矩阵Xn×Q如公式(27)所示：
其中，n为样本个数，Q为特征值个数。
模型预测输出值为矩阵Yn×m，矩阵Yn×m可以如公式(28)所示：
其中m为输出结果的个数。
训练样本的真实输出值为矩阵Tn×m，矩阵Tn×m可以如公式(29)所示：
隐含层的节点个数设置为L，输入层与隐含层之间的权值由系统随机产生，设置为ωL×Q，权值ωL×Q可以如公式(30)所示：
隐含层的阈值由系统随机产生，设置为bL×1，阈值阈bL×1可以如公式(31)所示：
bL×1＝[b1 b2 … bL]T 公式(31)
(b)隐含层的输出数据HL×n由公式(32)可以得出：
其中g(x)为激活函数。
(c)隐含层与输出层之间的权重矩阵β：
与传统的学习算法不同，极限学习机ELM(英文：Extreme Learning Machine；简写：ELM)不仅具有最小的训练误差，而且具有最小的输出权重范数。根据Bartlett(中文：巴特莱特)的理论，对于训练误差较小的前馈神经网络，权重的范数越小，其泛化性能越好。ELM的目标是将训练误差和输出权重的范数最小化，如公式(33)所示。
Minimize:||Hβ-T||and||β|| 公式(33)
在训练集中对公式(33)进行最小二乘法计算可以的出最佳的β，如公式(34)所示：
其中
称为广义逆矩阵，βL×m为隐含层与输出层之间的权值，可以如公式(35)所示：
(d)由正交投影法得出
的值，但只有在以下情况下才能利用正交投影法计算
(i)当HTH为非奇异矩阵时，
(ii)当HHT为非奇异矩阵时，
但是由于HTH或HHT常难以满足非奇异矩阵的条件。所以引入正则化系C来构造出一个非奇异矩阵，由此来求β，如公式(36)所示：
(e)步骤(c)(d)所述的β，是极限学习机在训练集中求得的最佳β参数，由此最佳β参数放入预测模型中就可以得到预测的值，如公式(37)所示：
在一种可选的实现方式中，电力负荷预测模型还可以是核极限学习机模型。具体的，在上述步骤(a)至(e)的基础上，本申请实施例中在极限学习机中引入核函数，得到核极限学习机模型(即电力负荷预测模型)，核极限学习机模型在预测精度上要优于极限学习机，其网络结构图如图9所示，以下为核函数极限学习机的原理：
公式(37)表示出了极限学习机所预测出的结果，引入核函数后，可以用核函数K(x,xi)来替代隐含层所输出的特征矩阵Hn×L，则最终的预测结果可以如公式(38)所示：
在本发明中选用了高斯核函数，高斯核函数可以如公式(39)所示：
其中，σ为核参数。
本申请实施例中，在核函数极限学习机中仍有核参数σ与正则化系数C需要确定，本申请实施例采用了粒子群算法来寻找最优参数。以下为粒子群算法的原理：
(a)在空间中任意散播m个随机粒子，其在空间中的位置可以表示为x1 i＝(xi1,xi2,...,xin)T，并给予每个粒子初始的迭代速度v1 i＝(vi1,vi2,...,vin)T，其中i＝1,2,...,m。把初始时的第i个粒子的个体历史最优位置设为pbest1 i＝x1 i；把初始时的全局历史最优位置的设为gbest1 i，当
k∈{1,2,...,m}时
(b)粒子根据公式(40)(41)来更新自己的速度与位置：
vt+1 id＝ωvt id+c1randt 1(pbestt id-xt id)+c2randt 2(gbestt d-xt id) 公式(40)
xt+1 id＝xt id+vt+1 id 公式(41)
其中t表示第t次迭代；ω表示惯性权重，c1、c2表示学习因子，rand1、rand2是介于[0,1]之间的随机数。在本发明中学习因子取c1＝c2＝2，惯性权重用自适应调整的方法来选取，如公式(42)所示：
其中f为粒子当前的目标函数值；favg、fmin分别为当前所有粒子的平均目标值和最小目标值。
(c)粒子群迭代的终止条件一般设为最大迭代次数Tmax或计算精度ε。
通过粒子群算法，可以确定核参数σ与正则化系数C。将正则化系数C代入公式(36)中确定最佳β参数，根据最佳β参数、核参数σ以及公式(38)可以确定出本申请实施例中电力负荷预测模型的预测结果。
在一种可选的实现方式中，利用电力负荷预测模型预测目标日的电力负荷预测值的过程可以是：
本申请实施例中，每15分钟对电力负荷数据进行一次采样，可以把一天24小时分解为96个采样点，对待预测的目标日的电力负荷进行预测其实质是对目标日的96个时刻点分别进行预测，以获取目标日的电力负荷走势曲线，通过目标日的电力负荷走势曲线可以获取预测日的电力负荷值。
本申请实施例中，将步骤201中获取的目标日的气象参数、星期参数、假日参数和相似日参数放入核极限学习机中，核极限学习机可以基于上述公式(27)至公式(42)中的内容获取电力负荷预测值。
需要说明的是，在经验模态分解中可能会把相似日的历史负荷数据分解为N个本征模态分量以及一个残余分量，当对第i个采样时刻进行电力负荷预测时，可以对第i个采样时刻的N+1个分量分别进行预测，并对预测结果求和，即得到第i个采样时刻的电力负荷预测值。其中，目标日的第t时刻与相似日的第t时刻可以认为是同一时刻。
本申请实施例提供的电力负荷预测方法可以提高电力负荷预测的预测结果的准确度。该电力负荷预测方法，挖掘选取对电力负荷影响较为突出的因素，并对这些因素进行一系列适当地处理。通过核主成分分析法对非线性的气候因素进行降维处理；通过映射值对星期因素进行映射处理；通过K-means聚类分析以及量化对节假日因素进行量化处理；通过相似日的方法查找出与预测日相似的历史时期并对其进行集合经验模态分解。最后把这些特征值输入至核函数极限学习机并通过粒子群算法寻找最佳参数来进行短期的电力负荷预测。相比于现有技术从单一角度进行预测，本申请实施例综合了更多的可参考因素，因此得到的电力负荷预测结果较为精准，能够很好地知道电力供应。
请参考图10，其示出了本申请实施例提供的一种电力负荷预测装置的框图，该电力负荷预测装置可以配置在图1所示实施环境中中。如图10所示，该电力负荷预测装置可以包括获取模块1001和预测模块1002。
获取模块1001，用于获取待预测的目标日的特征值，特征值包括目标日的气象参数、目标日对应的星期参数、目标日对应的假日参数和目标日对应的相似日参数，其中，气象参数用于表征目标日的气象信息，星期参数用于表征目标日的星期类型，假日参数用于表征目标日对应的假日类型，相似日参数用于表征与目标日相似的日期的历史负荷信息；
预测模块1002，用于将目标日的特征值输入至电力负荷预测模型，得到电力负荷预测模型输出的日期的电力负荷预测值。
在本申请的一个实施例中，获取模块1001还用于获取气象数据集合，气象数据集合包括目标日的气象数据和多个历史日的气象数据；对气象数据集合进行核主成分分析，获取目标日的气象参数。
在本申请的一个实施例中，获取模块1001还用于建立星期类型与星期参数的对应关系，不同星期类型对应于不同的星期参数；获取目标日的星期类型；根据目标日的星期类型和对应关系确定目标日的星期参数。
在本申请的一个实施例中，获取模块1001还用于获取目标日对应的假日类型，假日类型包括非假日、一般假日、次要假日和重要假日；根据目标日的假日类型和预设的各假日类型与假日参数的映射关系确定目标日的假日参数。
在本申请的一个实施例中，获取模块1001还用于获取多个历史日的参数集合，参数集合包括历史日的气象参数、星期参数和假日参数；获取目标日的参数集合，目标日的参数集合包括目标日的气象参数、星期参数和假日参数；根据目标日的参数集合与各历史日的参数集合，分别计算各历史日与目标日的相似度；对最大相似度对应的历史日的电力负荷值进行集合经验模态分解，得到目标日对应的相似日参数。
在本申请的一个实施例中，获取模块1001还用于对于每个历史日，根据目标日的参数集合与历史日的参数集合采用灰色相关投影法计算相关系数，得到第一灰色关联判断矩阵；获取目标日的参数集合对应的权向量，根据权向量和第一灰色关联判断矩阵得到第二灰色关联判断矩阵，权向量包括目标日的参数集合中各参数项对应的权重系数；根据第二灰色关联判断矩阵计算目标日与各历史日的相似度。
在本申请的一个实施例中，预测模块1002还用于对目标日的特征值进行归一化处理；将归一化处理后的特征值输入至电力负荷预测模型。
关于电力负荷预测装置的具体限定可以参见上文中对于电力负荷预测方法的限定，在此不再赘述。上述电力负荷预测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。
在本申请的一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取待预测的目标日的特征值，特征值包括目标日的气象参数、目标日对应的星期参数、目标日对应的假日参数和目标日对应的相似日参数，其中，气象参数用于表征目标日的气象信息，星期参数用于表征目标日的星期类型，假日参数用于表征目标日对应的假日类型，相似日参数用于表征与目标日相似的日期的历史负荷信息；将目标日的特征值输入至电力负荷预测模型，得到电力负荷预测模型输出的目标日的电力负荷预测值。
在本申请的一个实施例中，处理器执行计算机程序时还可以实现以下步骤：获取气象数据集合，气象数据集合包括目标日的气象数据和多个历史日的气象数据；对气象数据集合进行核主成分分析，获取目标日的气象参数。
在本申请的一个实施例中，处理器执行计算机程序时还可以实现以下步骤：建立星期类型与星期参数的对应关系，不同星期类型对应于不同的星期参数；获取目标日的星期类型；根据目标日的星期类型和对应关系确定目标日的星期参数。
在本申请的一个实施例中，处理器执行计算机程序时还可以实现以下步骤：获取目标日对应的假日类型，假日类型包括非假日、一般假日、次要假日和重要假日；根据目标日的假日类型和预设的各假日类型与假日参数的映射关系确定目标日的假日参数。
在本申请的一个实施例中，处理器执行计算机程序时还可以实现以下步骤：获取多个历史日的参数集合，参数集合包括历史日的气象参数、星期参数和假日参数；获取目标日的参数集合，目标日的参数集合包括目标日的气象参数、星期参数和假日参数；根据目标日的参数集合与各历史日的参数集合，分别计算各历史日与目标日的相似度；对最大相似度对应的历史日的电力负荷值进行集合经验模态分解，得到目标日对应的相似日参数。
在本申请的一个实施例中，处理器执行计算机程序时还可以实现以下步骤：对于每个历史日，根据目标日的参数集合与历史日的参数集合采用灰色相关投影法计算相关系数，得到第一灰色关联判断矩阵；获取目标日的参数集合对应的权向量，根据权向量和第一灰色关联判断矩阵得到第二灰色关联判断矩阵，权向量包括目标日的参数集合中各参数项对应的权重系数；根据第二灰色关联判断矩阵计算目标日与各历史日的相似度。
在本申请的一个实施例中，处理器执行计算机程序时还可以实现以下步骤：对目标日的特征值进行归一化处理；将归一化处理后的特征值输入至电力负荷预测模型。
本申请实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在本申请的一个实施例中，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：
获取待预测的目标日的特征值，特征值包括目标日的气象参数、目标日对应的星期参数、目标日对应的假日参数和目标日对应的相似日参数，其中，气象参数用于表征目标日的气象信息，星期参数用于表征目标日的星期类型，假日参数用于表征目标日对应的假日类型，相似日参数用于表征与目标日相似的日期的历史负荷信息；将目标日的特征值输入至电力负荷预测模型，得到电力负荷预测模型输出的目标日的电力负荷预测值。
在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：获取气象数据集合，气象数据集合包括目标日的气象数据和多个历史日的气象数据；对气象数据集合进行核主成分分析，获取目标日的气象参数。
在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：建立星期类型与星期参数的对应关系，不同星期类型对应于不同的星期参数；获取目标日的星期类型；根据目标日的星期类型和对应关系确定目标日的星期参数。
在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：获取目标日对应的假日类型，假日类型包括非假日、一般假日、次要假日和重要假日；根据目标日的假日类型和预设的各假日类型与假日参数的映射关系确定目标日的假日参数。
在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：获取多个历史日的参数集合，参数集合包括历史日的气象参数、星期参数和假日参数；获取目标日的参数集合，目标日的参数集合包括目标日的气象参数、星期参数和假日参数；根据目标日的参数集合与各历史日的参数集合，分别计算各历史日与目标日的相似度；对最大相似度对应的历史日的电力负荷值进行集合经验模态分解，得到目标日对应的相似日参数。
在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：对于每个历史日，根据目标日的参数集合与历史日的参数集合采用灰色相关投影法计算相关系数，得到第一灰色关联判断矩阵；获取目标日的参数集合对应的权向量，根据权向量和第一灰色关联判断矩阵得到第二灰色关联判断矩阵，权向量包括目标日的参数集合中各参数项对应的权重系数；根据第二灰色关联判断矩阵计算目标日与各历史日的相似度。
在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：对目标日的特征值进行归一化处理；将归一化处理后的特征值输入至电力负荷预测模型。
本申请实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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。
以上所述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申请专利范围的限制。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 (9)
1.一种电力负荷预测方法，其特征在于，所述方法包括：
获取待预测的目标日的特征值，所述特征值包括所述目标日的气象参数、所述目标日对应的星期参数、所述目标日对应的假日参数和所述目标日对应的相似日参数，其中，所述气象参数用于表征所述目标日的气象信息，所述星期参数用于表征所述目标日的星期类型，所述假日参数用于表征所述目标日对应的假日类型，所述相似日参数用于表征与所述目标日相似的日期的历史负荷信息，所述相似日参数是通过对最大相似度对应的历史日的电力负荷值进行集合经验模态分解得到的，所述最大相似度对应的历史日是根据各所述历史日与所述目标日的相似度确定的，各所述历史日与所述目标日的相似度是根据所述目标日的参数集合与各所述历史日的参数集合计算得到的，所述目标日的参数集合包括所述目标日的气象参数、星期参数和假日参数；所述历史日的参数集合包括所述历史日的气象参数、星期参数和假日参数；
将所述目标日的特征值输入至电力负荷预测模型，得到所述电力负荷预测模型输出的所述目标日的电力负荷预测值。
2.根据权利要求1所述的方法，其特征在于，所述获取待预测的目标日的特征值，所述特征值包括所述目标日的气象参数，包括：
获取气象数据集合，所述气象数据集合包括所述目标日的气象数据和多个历史日的气象数据；
对所述气象数据集合进行核主成分分析，获取所述目标日的气象参数。
3.根据权利要求1所述的方法，其特征在于，所述获取待预测的目标日的特征值，所述特征值包括所述目标日对应的星期参数，包括：
建立星期类型与星期参数的对应关系，不同星期类型对应于不同的星期参数；
获取所述目标日的星期类型；
根据所述目标日的星期类型和所述对应关系确定所述目标日的星期参数。
4.根据权利要求1所述的方法，其特征在于，所述获取待预测的目标日的特征值，所述目标日对应的假日参数，包括：
获取所述目标日对应的假日类型，所述假日类型包括非假日、一般假日、次要假日和重要假日；
根据所述目标日的假日类型和预设的各假日类型与假日参数的映射关系确定所述目标日的假日参数。
5.根据权利要求1所述的方法，其特征在于，根据所述目标日的参数集合与各所述历史日的参数集合计算各所述历史日与所述目标日的相似度，包括：
对于每个历史日，根据所述目标日的参数集合与所述历史日的参数集合采用灰色相关投影法计算相关系数，得到第一灰色关联判断矩阵；
获取所述目标日的参数集合对应的权向量，根据所述权向量和所述第一灰色关联判断矩阵得到第二灰色关联判断矩阵，所述权向量包括所述目标日的参数集合中各参数项对应的权重系数；
根据所述第二灰色关联判断矩阵采用灰色相关投影法计算所述目标日与各所述历史日的相似度。
6.根据权利要求1所述的方法，其特征在于，所述将所述目标日的特征值输入至电力负荷预测模型，包括：
对所述目标日的特征值进行归一化处理；
将归一化处理后的所述特征值输入至所述电力负荷预测模型。
7.一种电力负荷预测装置，其特征在于，所述装置包括：
获取模块，用于获取待预测的目标日的特征值，所述特征值包括所述目标日的气象参数、所述目标日对应的星期参数、所述目标日对应的假日参数和所述目标日对应的相似日参数，其中，所述气象参数用于表征所述目标日的气象信息，所述星期参数用于表征所述目标日的星期类型，所述假日参数用于表征所述目标日对应的假日类型，所述相似日参数用于表征与所述目标日相似的日期的历史负荷信息，所述相似日参数是通过对最大相似度对应的历史日的电力负荷值进行集合经验模态分解得到的，所述最大相似度对应的历史日是根据各所述历史日与所述目标日的相似度确定的，各所述历史日与所述目标日的相似度是根据所述目标日的参数集合与各所述历史日的参数集合计算得到的，所述目标日的参数集合包括所述目标日的气象参数、星期参数和假日参数；所述历史日的参数集合包括所述历史日的气象参数、星期参数和假日参数；
预测模块，用于将所述目标日的特征值输入至电力负荷预测模型，得到所述电力负荷预测模型输出的所述日期的电力负荷预测值。
8.一种计算机设备，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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911255382.1A CN111160625B (zh) | 2019-12-10 | 2019-12-10 | 电力负荷预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911255382.1A CN111160625B (zh) | 2019-12-10 | 2019-12-10 | 电力负荷预测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111160625A CN111160625A (zh) | 2020-05-15 |
| CN111160625B true CN111160625B (zh) | 2020-10-27 |
Family
ID=70556580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911255382.1A Active CN111160625B (zh) | 2019-12-10 | 2019-12-10 | 电力负荷预测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160625B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529262A (zh) * | 2020-11-27 | 2021-03-19 | 北京京能高安屯燃气热电有限责任公司 | 短期功率预测方法、装置、计算机设备和存储介质 |
| CN112465250B (zh) * | 2020-12-08 | 2024-08-20 | 深圳供电局有限公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
| CN112700043B (zh) * | 2020-12-31 | 2024-03-08 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
| CN113222270A (zh) * | 2021-05-25 | 2021-08-06 | 苏州沃联新能源有限公司 | 耗电负荷的预测方法、装置、电子设备及存储介质 |
| CN113191574A (zh) * | 2021-05-28 | 2021-07-30 | 上海申瑞继保电气有限公司 | 单一产品生产线的日用电预测方法 |
| CN113379143B (zh) * | 2021-06-23 | 2024-10-18 | 合肥零碳技术有限公司 | 一种典型气象年的构建方法、发电量预测方法及相关装置 |
| CN114064755A (zh) * | 2021-11-15 | 2022-02-18 | 珠海格力电器股份有限公司 | 太阳辐射量的估计方法、装置、设备及存储介质 |
| CN115018195A (zh) * | 2022-07-01 | 2022-09-06 | 广东电网有限责任公司 | 一种用于建筑负荷预测的特征工程建立方法及相关装置 |
| CN115271274B (zh) * | 2022-09-30 | 2022-12-27 | 华中科技大学 | 电力系统短期日负荷预测方法及相关设备 |
| CN115800273A (zh) * | 2023-02-07 | 2023-03-14 | 四川智源能诚售电有限公司 | 基于大数据的电力负荷曲线预测方法、装置及存储介质 |
| CN116151129A (zh) * | 2023-04-18 | 2023-05-23 | 石家庄科林电气股份有限公司 | 一种基于极限学习机的电力调度系统故障诊断方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
| CN105404939A (zh) * | 2015-12-04 | 2016-03-16 | 河南许继仪表有限公司 | 一种短期电力负荷预测方法 |
| CN105976077A (zh) * | 2016-03-04 | 2016-09-28 | 国家电网公司 | 一种输变电工程造价动态控制目标计算系统及计算方法 |
| CN110458316A (zh) * | 2019-05-21 | 2019-11-15 | 武汉大学 | 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101414366B (zh) * | 2008-10-22 | 2011-11-16 | 西安交通大学 | 基于改进极端学习机方法的电力系统短期负荷预测方法 |
| CN101888087A (zh) * | 2010-05-21 | 2010-11-17 | 深圳市科陆电子科技股份有限公司 | 一种在配网终端中实现分布式超短期区域负荷预测的方法 |
| CN105184424B (zh) * | 2015-10-19 | 2017-07-07 | 国网山东省电力公司菏泽供电公司 | 实现多源异构数据融合的多核函数学习SVM的Mapreduce化短期负荷预测方法 |
| CN107016469A (zh) * | 2017-04-13 | 2017-08-04 | 重庆大学 | 电力负荷预测方法 |
| CN109740812A (zh) * | 2018-12-28 | 2019-05-10 | 广州供电局有限公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
-
2019
- 2019-12-10 CN CN201911255382.1A patent/CN111160625B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
| CN105404939A (zh) * | 2015-12-04 | 2016-03-16 | 河南许继仪表有限公司 | 一种短期电力负荷预测方法 |
| CN105976077A (zh) * | 2016-03-04 | 2016-09-28 | 国家电网公司 | 一种输变电工程造价动态控制目标计算系统及计算方法 |
| CN110458316A (zh) * | 2019-05-21 | 2019-11-15 | 武汉大学 | 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111160625A (zh) | 2020-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111160625B (zh) | 电力负荷预测方法、装置、计算机设备及存储介质 | |
| CN108229754B (zh) | 基于相似日分段和lm-bp网络的短期负荷预测方法 | |
| CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
| CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
| WO2018045642A1 (zh) | 一种母线负荷预测方法 | |
| CN101383023B (zh) | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 | |
| CN105373857A (zh) | 一种光伏电站辐照度预测方法 | |
| CN107220764A (zh) | 一种基于前导分析和因素补偿的售电量预测方法及装置 | |
| CN111915092B (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
| CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
| CN112907064B (zh) | 基于自适应窗的电量预测方法、装置、存储介质及终端 | |
| CN114117852B (zh) | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 | |
| CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
| Nejati et al. | A new solar power prediction method based on feature clustering and hybrid-classification-regression forecasting | |
| CN112348287A (zh) | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 | |
| CN113193551A (zh) | 基于多因素和改进特征筛选策略的短期电力负荷预测方法 | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| CN115169746A (zh) | 基于融合模型的电力负荷短期预测方法、装置及相关介质 | |
| CN116404631A (zh) | 一种电网负荷预测方法、装置和电子设备 | |
| CN115238948A (zh) | 小水电发电量预测方法及装置 | |
| CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
| CN114548567A (zh) | 一种负荷预测方法、装置、设备及可读存储介质 | |
| CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
| CN113222281A (zh) | 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 | |
| CN116307250A (zh) | 一种基于典型日特征选择的短期负荷预测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210422 Address after: Room 101, Block B, No. 9, Fuqian Road, Shandong Zhuang Town, Pinggu District, Beijing 101200 Patentee after: CREC EEB OPERATION MAINTENANCE CO.,LTD. Address before: 100071 building 206, No.13 yard, Jinjia village, Nankou, Wanshou Road, Fengtai District, Beijing Patentee before: CHINA RAILWAY ELECTRIFICATION BUREAU (GROUP) Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230727 Address after: 100036 electrification building, No.1, Jinjia village, Nankou, Wanshou Road, Fengtai District, Beijing Patentee after: CHINA RAILWAY ELECTRIFICATION BUREAU (GROUP) Co.,Ltd. Address before: Room 101, Block B, No. 9, Fuqian Road, Shandong Zhuang Town, Pinggu District, Beijing 101200 Patentee before: CREC EEB OPERATION MAINTENANCE CO.,LTD. |
|
| TR01 | Transfer of patent right |