CN115687950A - 一种电力系统负荷波动分析方法和系统 - Google Patents

Abstract

本发明涉及一种电力系统负荷波动分析方法和系统，包括：获取目标区域的多个用电单位的历史用电信息序列；基于所述多个用电单位的历史用电信息序列，对所述多个用电单位进行聚类，确定多个用电单位簇；对于每个所述用电单位簇，获取所述用电单位簇对应的多个训练样本；基于所述多个训练样本，生成并训练所述用电单位簇对应的负荷预测模型；对于所述单位簇的每个所述用电单位，通过所述用电单位簇对应的负荷预测模型，基于所述用电单位在多个相关时间点的用电相关信息，逐次预测所述用电单位在未来时间段的多个时间点的用电相关信息；基于预测的所述用电单位在未来时间段的多个时间点的用电需求，确定所述目标区域在所述未来时间段的负荷波动情况。

Description

一种电力系统负荷波动分析方法和系统

技术领域

本发明涉及电力系统技术领域，具体涉及一种电力系统负荷波动分析方法和系统。

背景技术

电网短期电力负荷是依靠历史负荷的波动规律，及时有效的电力负荷预测对电网电力的安排调度、电力系统智能化水平的提高有着指导性的作用。因此，有必要研究一种基于大数据的电力系统负荷波动预测方法及系统，用于提高电力负荷预测的效率及精确度。

发明内容

本发明的目的在于提出一种电力系统负荷波动分析方法，以提高电力负荷预测的效率及精确度。

为实现上述目的，本发明的实施例提出一种电力系统负荷波动分析方法，包括：

获取目标区域的多个用电单位的历史用电信息序列，其中，所述历史用电信息序列由所述用电单位在至少一个历史时间段的历史用电相关信息组成；

基于所述多个用电单位的历史用电信息序列，对所述多个用电单位进行聚类，确定多个用电单位簇；

对于每个所述用电单位簇，获取所述用电单位簇对应的多个训练样本；

基于所述多个训练样本，生成并训练所述用电单位簇对应的负荷预测模型；

对于所述单位簇的每个所述用电单位，通过所述用电单位簇对应的负荷预测模型，基于所述用电单位在多个相关时间点的用电相关信息，逐次预测所述用电单位在未来时间段的多个时间点的用电相关信息，其中，所述用电相关信息至少包括用电需求；

基于预测的所述用电单位在未来时间段的多个时间点的用电需求，确定所述目标区域在所述未来时间段的负荷波动情况。

优选地，所述历史用电相关信息包括所述用电单位在所述历史时间段的电力负荷曲线及所述用电单位在所述历史时间段使用的用电设备的相关信息，其中，所述用电设备的相关信息至少包括用电设备的类型、用电参数及运行时长。

优选地，所述基于所述多个用电单位的历史用电信息序列，对所述多个用电单位进行聚类，确定多个用电单位簇，包括：

对于任意的两个所述用电单位，基于两个所述用电单位的历史用电信息序列，确定两个所述用电单位的用电相似度；

基于所述用电相似度，对所述多个用电单位进行聚类，确定所述多个用电单位簇。

优选地，所述训练样本包括所述用电单位簇包括的一个用电单位在一个历史时间点的用电相关信息，所述训练样本的标签为所述用电单位在所述历史时间点的用电需求。

优选地，所述基于所述多个训练样本，生成并训练所述用电单位簇对应的负荷预测模型，包括：

通过所述用电单位簇对应的多个训练样本对初始负荷预测模型进行训练，更新初始负荷预测模型的参数，直至训练后的初始负荷预测模型满足预设条件；

将满足所述预设条件的训练后的初始负荷预测模型作为所述用电单位簇对应的负荷预测模型。

优选地，所述用电单位在所述相关时间点的用电相关信息包括所述用电单位在所述相关时间点的用电需求、气象信息及所述用电单位在所述相关时间点使用的用电设备的状态信息。

优选地，所述基于所述用电单位在多个相关时间点的用电相关信息，逐次预测所述用电单位在未来时间段的多个时间点的用电相关信息，包括：

对所述用电单位在多个相关时间点的用电相关信息进行异常数据检测及修订；

基于用电单位在多个相关时间点的修订后的用电相关信息，逐次预测所述用电单位在未来时间段的多个时间点的用电相关信息。

优选地，所述对所述用电单位在多个相关时间点的用电相关信息进行异常数据检测及修订，包括：

对于任意所述相关时间点，基于时间窗口，确定所述相关时间点的多个关联时间点，基于所述多个关联时间点的用电相关信息，确定所述相关时间点的用电相关信息是否异常；

当判断所述相关时间点的用电相关信息异常时，通过关系图谱对所述相关时间点的用电相关信息进行修订。

优选地，所述通过所述用电单位簇对应的负荷预测模型，基于所述用电单位在多个相关时间点的用电相关信息，逐次预测所述用电单位在未来时间段的多个时间点的用电相关信息，包括：

对于所述未来时间段的任意一个时间点，基于所述用电单位在多个相关时间点的用电相关信息和/或所述用电单位簇对应的负荷预测模型预测的至少一个在先时间点的用电相关信息，生成输入序列，其中，所述至少一个在先时间点位于所述未来时间段内；

通过所述用电单位簇对应的负荷预测模型基于所述输入序列，预测所述用电单位在所述时间点的用电相关信息。

本发明的实施例还提出一种基于大数据的电力系统负荷波动预测系统，包括：

信息获取模块，用于获取目标区域的多个用电单位的历史用电信息序列，其中，所述历史用电信息序列由所述用电单位在至少一个历史时间段的历史用电相关信息组成；

负荷聚类模块，用于基于所述多个用电单位的历史用电信息序列，对所述多个用电单位进行聚类，确定多个用电单位簇；

波动预测模块，用于对于每个所述用电单位簇，获取所述用电单位簇对应的多个训练样本，基于所述多个训练样本，生成并训练所述用电单位簇对应的负荷预测模型；对于所述单位簇的每个所述用电单位，通过所述用电单位簇对应的负荷预测模型，基于所述用电单位在多个相关时间点的用电相关信息，逐次预测所述用电单位在未来时间段的多个时间点的用电需求；还用于基于预测的所述用电单位在未来时间段的多个时间点的用电需求，确定所述目标区域的负荷波动情况。

本发明的实施例具有以下有益效果：

本发明的实施例提出了一种基于大数据的电力系统负荷波动分析方法和系统，通过对用电单位的历史用电信息进行聚类分析，根据聚类分析结果训练负荷预测模型，进一步进行用电单位的用电需求预测，确定所述目标区域的负荷波动情况，能够提高电力负荷预测的效率及精确度。

本发明的其它特征和优点将在随后的具体实施方式中阐述。

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一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明一些实施例所示的电力系统负荷波动预测系统的应用场景示意图。

图2是本发明一些实施例所示的电力系统负荷波动预测系统的示例性框架结构图。

图3是本发明一些实施例所示的基于大数据的电力系统负荷波动预测方法的示例性流程图。

图中标记：

110-处理设备；120-网络；130-用户终端；140-存储设备。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。另外，为了更好的说明本发明，在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的手段未作详细描述，以便于凸显本发明的主旨。

参阅图1，本发明的实施例提出一种电力系统负荷波动分析方法，包括：

图1是根据本说明书一些实施例所示的基于大数据的电力系统负荷波动预测系统的应用场景示意图。

如图1所示，应用场景可以包括处理设备110、网络120、用户终端130、存储设备140、数据获取设备150、液晶显示屏160及投影组件170。应用场景可以通过实施本说明书中披露的方法和/或过程控制汽车信息显示。

处理设备110可以用于处理来自应用场景的至少一个组件或外部数据源(例如，云数据中心)的数据和/或信息。处理设备110可以通过网络120从用户终端130和/或存储设备140访问数据和/或信息。处理设备110可以直接连接用户终端130和/或存储设备140以访问信息和/或数据。例如，处理设备110可以从存储设备140目标区域的多个用电单位的历史用电信息序列，其中，历史用电信息序列由用电单位在至少一个历史时间段的历史用电相关信息组成；基于多个用电单位的历史用电信息序列，对多个用电单位进行聚类，确定多个用电单位簇；对于每个用电单位簇，获取用电单位簇对应的多个训练样本；基于多个训练样本，生成并训练用电单位簇对应的负荷预测模型；对于单位簇的每个用电单位，通过用电单位簇对应的负荷预测模型，基于用电单位在多个相关时间点的用电相关信息，逐次预测用电单位在未来时间段的多个时间点的用电相关信息，其中，用电相关信息至少包括用电需求；基于预测的用电单位在未来时间段的多个时间点的用电需求，确定目标区域的负荷波动情况。在一些实施例中，处理设备110可以是单个服务器或服务器组。处理设备110可以是本地的、远程的。

网络120可以包括提供能够促进应用场景的信息和/或数据交换的任何合适的网络。在一些实施例中，应用场景的一个或多个组件(例如，处理设备110、用户终端130和/或存储设备140)之间可以通过网络120交换信息和/或数据。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如，基站和/或网络交换点，通过这些网络接入点，应用场景的一个或多个组件可连接到网络120以交换数据和/或信息。

用户终端130指用户(例如，电力系统的工作人员等)所使用的一个或多个终端或软件。在一些实施例中，用户终端130可以包含但不限于智能电话、平板电脑、膝上型计算机、台式计算机等。在一些实施例中，用户终端130可以通过网络120与应用场景中的其他组件交互。例如，用户终端130可以从处理设备110获取目标区域的负荷波动情况。

存储设备140可以用于存储数据、指令和/或任何其他信息。在一些实施例中，存储设备140可以存储从处理设备110、用户终端130和/或外部数据源获取的数据和/或信息。在一些实施例中，存储设备140可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取内存(DRAM)、双倍数据速率同步动态随机存取内存(DDR SDRAM)、静态随机存取内存(SRAM)、晶闸管随机存取内存(T-RAM)和零电容随机存取内存(Z-RAM)等。示例性ROM可以包括掩模型只读内存(MROM)、可编程只读内存(PROM)、可擦除可编程只读内存(EPROM)、电可擦除可编程只读内存(EEPROM)、光盘只读内存(CD-ROM)和数字多功能磁盘只读内存等。在一些实施例中，存储设备140可在云端平台上执行。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

应当注意应用场景仅仅是为了说明的目的而提供的，并不意图限制本说明书的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，应用场景还可以包括数据库。然而，这些变化和修改不会背离本说明书的范围。

图2是根据本说明书一些实施例所示的基于大数据的电力系统负荷波动预测系统的示例性框图。如图2所示，基于大数据的电力系统负荷波动预测系统可以包括数据获取模块、负荷聚类模块及波动预测模块。

信息获取模块可以用于获取目标区域的多个用电单位的历史用电信息序列，其中，历史用电信息序列由用电单位在至少一个历史时间段的历史用电相关信息组成。

负荷聚类模块可以用于基于多个用电单位的历史用电信息序列，对多个用电单位进行聚类，确定多个用电单位簇。在一些实施例中，负荷聚类模块还可以用于对于任意的两个用电单位，基于两个用电单位的历史用电信息序列，确定两个用电单位的用电相似度，基于用电相似度，对多个用电单位进行聚类，确定多个用电单位簇。

波动预测模块可以用于对于每个用电单位簇，获取用电单位簇对应的多个训练样本，基于多个训练样本，生成并训练用电单位簇对应的负荷预测模型；对于单位簇的每个用电单位，通过用电单位簇对应的负荷预测模型，基于用电单位在多个相关时间点的用电相关信息，逐次预测用电单位在未来时间段的多个时间点的用电需求。波动预测模块还可以用于基于预测的用电单位在未来时间段的多个时间点的用电需求，确定目标区域的负荷波动情况。

在一些实施例中，波动预测模块还可以用于通过用电单位簇对应的多个训练样本对初始负荷预测模型进行训练，更新初始负荷预测模型的参数，直至训练后的初始负荷预测模型满足预设条件，将满足预设条件的训练后的初始负荷预测模型作为用电单位簇对应的负荷预测模型。

在一些实施例中，波动预测模块还可以对用电单位在多个相关时间点的用电相关信息进行异常数据检测及修订，基于用电单位在多个相关时间点的修订后的用电相关信息，逐次预测用电单位在未来时间段的多个时间点的用电相关信息。在一些实施例中，负荷预测模块还可以用于对于任意相关时间点，基于时间窗口，确定相关时间点的多个关联时间点，基于多个关联时间点的用电相关信息，确定相关时间点的用电相关信息是否异常，当判断相关时间点的用电相关信息异常时，通过关系图谱对相关时间点的用电相关信息进行修订。

在一些实施例中，波动预测模块还可以用于对于未来时间段的任意一个时间点，基于用电单位在多个相关时间点的用电相关信息和/或用电单位簇对应的负荷预测模型预测的至少一个在先时间点的用电相关信息，生成输入序列，其中，至少一个在先时间点位于未来时间段内；通过用电单位簇对应的负荷预测模型基于输入序列，预测用电单位在时间点的用电相关信息。

图3是根据本说明书一些实施例所示的基于大数据的电力系统负荷波动预测方法的示例性流程图。如图3所示，基于大数据的电力系统负荷波动预测方法可以包括如下步骤。基于大数据的电力系统负荷波动预测方法可以由基于大数据的电力系统负荷波动预测系统执行。

步骤310，获取目标区域的多个用电单位的历史用电信息序列。在一些实施例中，步骤310可以由信息获取模块执行。

历史用电信息序列由用电单位在至少一个历史时间段的历史用电相关信息组成。

历史用电相关信息包括用电单位在历史时间段的电力负荷曲线及用电单位在历史时间段使用的用电设备的相关信息，其中，用电设备的相关信息至少包括用电设备的类型、用电参数(例如，工作电流、工作电压等)及运行时长。

步骤320，基于多个用电单位的历史用电信息序列，对多个用电单位进行聚类，确定多个用电单位簇。在一些实施例中，步骤320可以由负荷聚类模块执行。

在一些实施例中，基于多个用电单位的历史用电信息序列，对多个用电单位进行聚类，确定多个用电单位簇，包括：

对于任意的两个用电单位，基于两个用电单位的历史用电信息序列，确定两个用电单位的用电相似度；

基于用电相似度，对多个用电单位进行聚类，确定多个用电单位簇。

例如，负荷聚类模块可以通过K-means算法基于用电相似度，对多个用电单位进行聚类，确定多个用电单位簇。

可以理解的，聚类后每一个聚类中心对应的簇即为一个用电单位簇。

步骤330，对于每个用电单位簇，获取用电单位簇对应的多个训练样本，基于多个训练样本，生成并训练用电单位簇对应的负荷预测模型。在一些实施例中，步骤330可以由波动预测模块执行。

在一些实施例中，训练样本包括用电单位簇包括的一个用电单位在一个历史时间点的用电相关信息，训练样本的标签为用电单位在历史时间点的用电需求。其中，用电单位在历史时间点的用电相关信息可以包括用电单位在历史时间点的用电需求、气象信息及用电单位在历史时间点使用的用电设备的状态信息。

在一些实施例中，基于多个训练样本，生成并训练用电单位簇对应的负荷预测模型，包括：

通过用电单位簇对应的多个训练样本对初始负荷预测模型进行训练，更新初始负荷预测模型的参数，直至训练后的初始负荷预测模型满足预设条件；

将满足预设条件的训练后的初始负荷预测模型作为用电单位簇对应的负荷预测模型。

其中，预设条件可以为损失函数收敛、损失函数值小于预设值或迭代次数大于预设次数等；初始负荷预测模型可以为卷积神经网络(CNN)、深度神经网络(DNN)、循环神经网络(RNN)、多层神经网络(MLP)、对抗神经网络(GAN)等一种或其任意组合。例如，初始负荷预测模型可以为卷积神经网络和深度神经网络组合形成的模型。

步骤340，对于单位簇的每个用电单位，通过用电单位簇对应的负荷预测模型，基于用电单位在多个相关时间点的用电相关信息，逐次预测用电单位在未来时间段的多个时间点的用电相关信息。在一些实施例中，步骤340可以由波动预测模块执行。

用电单位在相关时间点的用电相关信息包括用电单位在相关时间点的用电需求、气象信息及用电单位在相关时间点使用的用电设备的状态信息。

用电单位在未来时间段的时间点的用电相关信息可以包括用电单位在未来时间段的时间点的用电需求、气象信息及用电单位在未来时间段的时间点使用的用电设备的状态信息。

相关时间点可以为与该未来时间段的时间间隔小于预设时间间隔(例如，三天)的历史时间点。

在一些实施例中，波动预测模块基于用电单位在多个相关时间点的用电相关信息，逐次预测用电单位在未来时间段的多个时间点的用电相关信息，可以包括：

对用电单位在多个相关时间点的用电相关信息进行异常数据检测及修订；

基于用电单位在多个相关时间点的修订后的用电相关信息，逐次预测用电单位在未来时间段的多个时间点的用电相关信息。

在一些实施例中，波动预测模块可以通过任意方式对用电单位在多个相关时间点的用电相关信息进行异常数据检测，例如，通过设置对应的阈值，判断用电单位在相关时间点的用电相关信息是否异常，仅作为示例地，当用电单位在相关时间点的用电需求大于预设用电需求阈值，则确定用电单位在该相关时间点的用电相关信息异常。

在一些实施例中，波动预测模块可以通过任意方式对异常的用电相关信息进行修订。例如，对于某个用电相关信息异常的相关时间点，可以获取与该异常相关时间点相邻的多个相关时间点的用电相关信息，基于与该异常的相关时间点相邻的多个相关时间点的用电相关信息对该异常的相关时间点的用电相关信息进行修订。

在一些实施例中，波动预测模块对用电单位在多个相关时间点的用电相关信息进行异常数据检测及修订，包括：

对于任意相关时间点，

基于时间窗口，确定相关时间点的多个关联时间点，基于多个关联时间点的用电相关信息，确定相关时间点的用电相关信息是否异常；

当判断相关时间点的用电相关信息异常时，通过关系图谱对相关时间点的用电相关信息进行修订。

例如，波动预测模块可以设定时间窗口为5个时间点，对于关联时间点A，波动预测模块可以以关联时间点A为中心，截取关联时间点A的前两个关联时间点的用电相关信息和关联时间点A的后两个关联时间点的用电相关信息，计算关联时间点A分别与关联时间点A的前两个关联时间点的用电相关信息和关联时间点A的后两个关联时间点的用电相关信息的相似度，并计算相似度均值，若相似度均值小于第一预设相似度阈值，则判断关联时间点A的用电相关信息异常。

关系图谱可以表征有多个历史时间点对应的时间节点组成，可以理解的，关联时间点也是历史时间点，即已经发生的时间点，每一个时间节点可以记载有该用电单位在某个历史时间点的用电相关信息。两个时间节点之间可以通过边连接，可以理解的，当任意两个时间节点的用电相关信息之间的相似度大于第二预设相似度阈值时，该两个时间节点可以通过边连通，边的长短可以表征两个连通的时间节点的相似度，例如，边越短，则两个连通的时间节点的相似度越大。

在一些实施例中，对于某个异常的相关时间点，波动预测模块可以选择与该关联时间点连通，且与该关联时间点对应的时间节点之间的边的长度小于预设长度阈值的时间节点对应的历史时间点的用电相关信息替换该异常的相关时间点的用电相关信息。

在一些实施例中，波动预测模块通过用电单位簇对应的负荷预测模型，基于用电单位在多个相关时间点的用电相关信息，逐次预测用电单位在未来时间段的多个时间点的用电相关信息，包括：

对于未来时间段的任意一个时间点，基于用电单位在多个相关时间点的用电相关信息和/或用电单位簇对应的负荷预测模型预测的至少一个在先时间点的用电相关信息，生成输入序列，其中，至少一个在先时间点位于未来时间段内；

通过用电单位簇对应的负荷预测模型基于输入序列，预测用电单位在时间点的用电相关信息。

输入序列可以包括固定个数的时间点的用电相关信息，例如，24个时间点。

可以理解的，当预测该未来时间段的第一个时间点的用户相关信息时，可以从多个相关时间点截取最接近该第一个时间点的24个相关时间点的用电相关信息组成第一个输入序列，以预测该用电单位在该第一个时间点的用电相关信息。

当预测该未来时间段的第二个时间点的用户相关信息时，可以从多个相关时间点截取最接近该第二个时间点的23个相关时间点的用电相关信息和第一个时间点的用电相关信息组成第二个输入序列，以预测该用电单位在该第二个时间点的用电相关信息。

当预测该未来时间段的第三个时间点的用户相关信息时，可以从多个相关时间点截取最接近该第三个时间点的22个相关时间点的用电相关信息、第一个时间点的用电相关信息和第二个时间点的用电相关信息组成第三个输入序列，以预测该用电单位在该第三个时间点的用电相关信息。

以此类推。

在一些实施例中，负荷预测模型可以包括相关信息预测模型和用电需求预测模型，其中，相关信息预测模型可以用于基于用电单位在多个相关时间点的用电相关信息，逐次预测用电单位在未来时间段的多个时间点的气象信息及用电设备的状态信息，相关信息预测模型逐次预测的用电单位在未来时间段的多个时间点的气象信息及用电设备的状态信息可以作为辅助预测序列，用电需求预测模型可以基于输入序列及辅助序列，逐次预测用电单位在未来时间段的时间点的用电相关信息。

步骤350，基于预测的用电单位在未来时间段的多个时间点的用电需求，确定目标区域在未来时间段的负荷波动情况。在一些实施例中，步骤350可以由波动预测模块执行。

在一些实施例中，根据预测的用电单位在未来时间段的多个时间点的用电需求，波动预测模块可以确定目标区域的在未来时间段的多个时间点的总的用电需求，从而确定目标区域在未来时间段的负荷波动情况，为对电网电力的安排调度提供参考。

可以理解的，通过基于多个用电单位的历史用电信息序列，对多个用电单位进行聚类，确定多个用电单位簇，对于单位簇的每个用电单位，通过用电单位簇对应的负荷预测模型，基于用电单位在多个相关时间点的用电相关信息，逐次预测用电单位在未来时间段的多个时间点的用电相关信息，其中，用电相关信息至少包括用电需求，可以实现更加精准的负荷预测。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和更换都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种电力系统负荷波动分析方法，其特征在于，包括：

获取目标区域的多个用电单位的历史用电信息序列，其中，所述历史用电信息序列由所述用电单位在至少一个历史时间段的历史用电相关信息组成；

基于所述多个用电单位的历史用电信息序列，对所述多个用电单位进行聚类，确定多个用电单位簇；

对于每个所述用电单位簇，获取所述用电单位簇对应的多个训练样本；

基于所述多个训练样本，生成并训练所述用电单位簇对应的负荷预测模型；

对于所述单位簇的每个所述用电单位，通过所述用电单位簇对应的负荷预测模型，基于所述用电单位在多个相关时间点的用电相关信息，逐次预测所述用电单位在未来时间段的多个时间点的用电相关信息，其中，所述用电相关信息至少包括用电需求；

基于预测的所述用电单位在未来时间段的多个时间点的用电需求，确定所述目标区域在所述未来时间段的负荷波动情况。

2.如权利要求1所述的基于大数据的电力系统负荷波动预测方法，其特征在于，所述历史用电相关信息包括所述用电单位在所述历史时间段的电力负荷曲线及所述用电单位在所述历史时间段使用的用电设备的相关信息，其中，所述用电设备的相关信息至少包括用电设备的类型、用电参数及运行时长。

3.如权利要求1所述的基于大数据的电力系统负荷波动预测方法，其特征在于，所述基于所述多个用电单位的历史用电信息序列，对所述多个用电单位进行聚类，确定多个用电单位簇，包括：

对于任意的两个所述用电单位，基于两个所述用电单位的历史用电信息序列，确定两个所述用电单位的用电相似度；

基于所述用电相似度，对所述多个用电单位进行聚类，确定所述多个用电单位簇。

4.如权利要求1所述的基于大数据的电力系统负荷波动预测方法，其特征在于，所述训练样本包括所述用电单位簇包括的一个用电单位在一个历史时间点的用电相关信息，所述训练样本的标签为所述用电单位在所述历史时间点的用电需求。

5.如权利要求1所述的基于大数据的电力系统负荷波动预测方法，其特征在于，所述基于所述多个训练样本，生成并训练所述用电单位簇对应的负荷预测模型，包括：

通过所述用电单位簇对应的多个训练样本对初始负荷预测模型进行训练，更新初始负荷预测模型的参数，直至训练后的初始负荷预测模型满足预设条件；

将满足所述预设条件的训练后的初始负荷预测模型作为所述用电单位簇对应的负荷预测模型。

6.如权利要求1-5任意一项所述的基于大数据的电力系统负荷波动预测方法，其特征在于，所述用电单位在所述相关时间点的用电相关信息包括所述用电单位在所述相关时间点的用电需求、气象信息及所述用电单位在所述相关时间点使用的用电设备的状态信息。

7.如权利要求6所述的基于大数据的电力系统负荷波动预测方法，其特征在于，所述基于所述用电单位在多个相关时间点的用电相关信息，逐次预测所述用电单位在未来时间段的多个时间点的用电相关信息，包括：

对所述用电单位在多个相关时间点的用电相关信息进行异常数据检测及修订；

基于用电单位在多个相关时间点的修订后的用电相关信息，逐次预测所述用电单位在未来时间段的多个时间点的用电相关信息。

8.如权利要求7所述的基于大数据的电力系统负荷波动预测方法，其特征在于，所述对所述用电单位在多个相关时间点的用电相关信息进行异常数据检测及修订，包括：

对于任意所述相关时间点，基于时间窗口，确定所述相关时间点的多个关联时间点，基于所述多个关联时间点的用电相关信息，确定所述相关时间点的用电相关信息是否异常；

当判断所述相关时间点的用电相关信息异常时，通过关系图谱对所述相关时间点的用电相关信息进行修订。

9.如权利要求1-5任意一项所述的基于大数据的电力系统负荷波动预测方法，其特征在于，所述通过所述用电单位簇对应的负荷预测模型，基于所述用电单位在多个相关时间点的用电相关信息，逐次预测所述用电单位在未来时间段的多个时间点的用电相关信息，包括：

对于所述未来时间段的任意一个时间点，基于所述用电单位在多个相关时间点的用电相关信息和/或所述用电单位簇对应的负荷预测模型预测的至少一个在先时间点的用电相关信息，生成输入序列，其中，所述至少一个在先时间点位于所述未来时间段内；

通过所述用电单位簇对应的负荷预测模型基于所述输入序列，预测所述用电单位在所述时间点的用电相关信息。

10.一种基于大数据的电力系统负荷波动预测系统，其特征在于，包括：

信息获取模块，用于获取目标区域的多个用电单位的历史用电信息序列，其中，所述历史用电信息序列由所述用电单位在至少一个历史时间段的历史用电相关信息组成；

负荷聚类模块，用于基于所述多个用电单位的历史用电信息序列，对所述多个用电单位进行聚类，确定多个用电单位簇；

波动预测模块，用于对于每个所述用电单位簇，获取所述用电单位簇对应的多个训练样本，基于所述多个训练样本，生成并训练所述用电单位簇对应的负荷预测模型；对于所述单位簇的每个所述用电单位，通过所述用电单位簇对应的负荷预测模型，基于所述用电单位在多个相关时间点的用电相关信息，逐次预测所述用电单位在未来时间段的多个时间点的用电需求；还用于基于预测的所述用电单位在未来时间段的多个时间点的用电需求，确定所述目标区域的负荷波动情况。

Images