短期负荷区间预测方法及装置

技术领域

本申请属于电力系统负荷预测技术领域，具体涉及一种短期负荷区间预测方法及装置。

背景技术

电力系统短期负荷预测是电力负荷预测的重要组成部分，其重要性早已被人们所认识。然而只有相对准确的预测结果才具有指导意义，因此，国内外学者对负荷预测方法的研究从未间断，现已形成以时间序列法为代表的传统方法和以人工神经网络法ANN(artificial neural network)为代表的人工智能方法。近年来，支持向量机SVM(supportvector machine)等新的机器学习算法，也在电力负荷预测中得到了越来越广泛的应用。然而上述方法都只能得到确定的点预测结果，只给出一个确定的数值，无法确定预测结果可能的波动范围。而实际电力系统中蕴含了各种不确定因素，点预测结果必然存在不同程度的误差，从而使决策工作面临一定程度的风险。相关技术中，使用概率式预测法进行区间负荷预测。概率式预测法多为基于Copula理论，该方法对负荷值、气象数据的相关性进行分析，并选择最优的Copula函数描述风电功率实际值和预测值分布特性的联合分布函数建模，因而可以更为方便地得出任意置信水平下的区间预测结果。但由于在进行区间预测时同等地考虑了历史上每个预测值，由于每个预测值的条件不同，导致最终形成的预测区间不合理。

发明内容

为至少在一定程度上克服传统基于概率式区间负荷预测法在进行区间预测时同等地考虑了历史上每个预测值，由于每个预测值的条件不同，导致最终形成的预测区间不合理的问题，本申请提供一种短期负荷区间预测方法及装置。

第一方面，本申请提供一种短期负荷区间预测方法，包括：

获取当前输入数据，所述当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷；

将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值；

将当前日的预测负荷值输入基于欧氏距离的Copula函数模型，以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间。

进一步的，所述将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值，包括：

获取历史输入数据，所述历史输入数据包括历史日类型数据、历史负荷数据和历史气象数据；

将所述历史输入数据拆分为互斥的三组数据集；所述数据集包括训练集、验证集和测试集；

将训练集中数据输入基于人工神经网络的短期负荷值预测模型进行模型训练；

将验证集中数据输入基于人工神经网络的短期负荷值预测模型进行超参数调优得到最终基于人工神经网络的短期负荷值预测模型；

将测试集中数据输入基于人工神经网络的短期负荷值预测模型进行模型测试；

将当前输入数据输入到测试后的基于人工神经网络的短期负荷值预测模型以输出当前日的预测负荷值。

进一步的，所述将训练集中数据输入基于人工神经网络的短期负荷值预测模型进行模型训练，包括：

根据输入层节点、输出层节点和隐含层节点数构建基于人工神经网络的短期负荷值预测模型，输入层节点包括输入的负荷点、最高气温、最低气温、平均气温、相对湿度、降雨量和风速，输出层节点数为负荷点数量，隐含层节点数为

初始化神经网络权值和随机梯度下降优化算法参数；

将训练集中数据中对应的输入层节点数据输入基于人工神经网络的短期负荷值预测模型，输出层节点输出训练结果；

进一步的，还包括：

归一化训练集、验证集和测试集中数据；

归一化公式为：

其中，X

进一步的，还包括：

将基于人工神经网络的短期负荷值预测模型对验证集进行预测得到的预测结果行反归一化处理，反归一化公式如下：

Y＝(T

其中，Y

进一步的，所述将当前日的预测负荷值输入基于欧氏距离的Copula函数模型，以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间，包括：

收集负荷实际值p

统计负荷实际值p

分别将收集到的负荷实际值及其预测值通过其概率分布函数计算其分位数：

根据u

给定的负荷预测

其中x表示实际负荷对应的随机变量，y表示预测值对应的随机变量，预测误差为e＝y-x，设x与y之间的联合概率分布函数为F

由条件概率密度，计算指定置信度下的置信区间：

P

其中：α是显著性水平，P

进一步的，所述统计负荷实际值p

根据日类型、气象数据和负荷数据构造特征向量；

对特征向量进行归一化；

计算当前日的特征向量与历史区间段内每日的特征向量的欧式距离dis

根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离dis

根据重要性系数确定负荷实际值p

进一步的，所述根据重要性系数确定负荷实际值p

确定设选控制参数c，

计算历史区间段内每日预测偏差；

在历史区间段内任一日预测偏差大于设选控制参数c时，剔除大于设选控制参数c的预测偏差对应的历史输入数据；

根据重要性系数和设选控制参数c确定负荷实际值p

其中，mape

进一步的，所述确定设选控制参数c，包括：

设选控制参数c＝q

其中，q

第二方面，本申请提供一种短期负荷区间预测装置，包括：

获取模块，用于获取当前输入数据，所述当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷；

第一输出模块，用于将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值；

第二输出模块，用于将当前日的预测负荷值输入基于欧氏距离的Copula函数模型，以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间。

本申请的实施例提供的技术方案可以包括以下有益效果：

本发明实施例提供的短期负荷区间预测方法及装置，通过获取当前输入数据，当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷；将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值；将当前日的预测负荷值输入基于欧氏距离的Copula函数模型，以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间，不仅可以实现短期负荷区间预测，并且，通过根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间可以提高预测区间的合理性，为电力调度人员进行调度决策提供了更确定性的依据。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请一个实施例提供的一种短期负荷区间预测方法的流程图。

图2为本申请另一个实施例提供的一种短期负荷区间预测方法的流程图。

图3为本申请一个实施例提供的一种80％的置信度下短期负荷区间预测方法的预测结果图。

图4为本申请一个实施例提供的一种90％的置信度下短期负荷区间预测方法的预测结果图。

图5为本申请一个实施例提供的一种95％的置信度下传统方法预测结果图。

图6为本申请一个实施例提供的一种95％的置信度下短期负荷区间预测方法的预测结果图。

图7为本申请一个实施例提供的一种短期负荷区间预测装置的功能结构图。

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，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。

图1为本申请一个实施例提供的短期负荷区间预测方法的流程图，如图1所示，该短期负荷区间预测方法，包括：

S11：获取当前输入数据，所述当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷；

S12：将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值；

S13：将当前日的预测负荷值输入基于欧氏距离的Copula函数模型，以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间。

传统负荷预测方法都只能得到确定的点预测结果，只给出一个确定的数值，无法确定预测结果可能的波动范围。而实际电力系统中蕴含了各种不确定因素，点预测结果必然存在不同程度的误差，从而使决策工作面临一定程度的风险。相关技术中，使用概率式预测法进行区间负荷预测，但由于在进行区间预测时同等地考虑了历史上每个预测值，由于每个预测值的条件不同，导致最终形成的预测区间不合理。

在进行时序预测时，预测结果并不符合独立同分布的假设，预测结果的分布是由多个未知的分布叠加而成的一个复杂的分布。在进行区间预测时同等地考虑每个预测值，形成最终的预测区间是不合理的。因此需要根据要预测的区间，有区别的对待历史上的预测值。根据经验，在相同的条件(如气象水平类似，负荷水平类似)下，趋向于有类似的预测结果(如预测偏高或者偏低)。因此在进行数据分布统计时需要区别的对待每个历史上的预测结果。

通过计算当前日的特征向量与历史区间段内每日的特征向量的欧式距离，统计数据分布时给不同样本以不同的权重，也就是和待预测日相似的样本更大的权重，因此可以使预测结果更加合理。

本实施例中，通过获取当前输入数据，当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷；将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值，将当前日的预测负荷值输入基于欧氏距离的Copula函数模型，以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间，不仅可以实现短期负荷区间预测，并且，通过根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间可以提高预测区间的合理性，为电力调度人员进行调度决策提供了更确定性的依据。

图2为本申请另一个实施例提供的一种短期负荷区间预测方法的流程图，如图2所示，该短期负荷区间预测方法，包括：

S201：获取当前输入数据，所述当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷；

日类型包括周几，月份，年份，是否为节假日，是否为调休日，是否节假日等标记信息；

气象数据包括每日最高气温、最低气温、平均气温、相对湿度、降雨量和风速等。

S202：将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值；

一些实施例中，将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值，包括：

S2021：获取历史输入数据，所述历史输入数据包括历史日类型数据、历史负荷数据和历史气象数据；

S2022：将所述历史输入数据拆分为互斥的三组数据集；所述数据集包括训练集、验证集和测试集；

S2023：归一化训练集、验证集和测试集中数据；

归一化公式为：

其中，X

S2024：将训练集中数据输入基于人工神经网络的短期负荷值预测模型进行模型训练；

一些实施例中，将训练集中数据输入基于人工神经网络的短期负荷值预测模型进行模型训练，包括：

根据输入层节点、输出层节点和隐含层节点数构建基于人工神经网络的短期负荷值预测模型，输入层节点包括输入的负荷点、最高气温、最低气温、平均气温、相对湿度、降雨量和风速，输出层节点数为负荷点数量，隐含层节点数为

初始化神经网络权值和随机梯度下降优化算法参数；

将训练集中数据中对应的输入层节点数据输入基于人工神经网络的短期负荷值预测模型，输出层节点输出训练结果；

S2025：将验证集中数据输入基于人工神经网络的短期负荷值预测模型进行超参数调优得到最终基于人工神经网络的短期负荷值预测模型；

S2026：将基于人工神经网络的短期负荷值预测模型对验证集进行预测得到的预测结果行反归一化处理，反归一化公式如下：

Y＝(T

其中，Y

通过归一化和反归一化处理，可以降低数据计算复杂度，提高计算效率。

S2027：将测试集中数据输入基于人工神经网络的短期负荷值预测模型进行模型测试；

S2028：将当前输入数据输入到测试后的基于人工神经网络的短期负荷值预测模型以输出当前日的预测负荷值。

S203：收集负荷实际值p

S204：统计负荷实际值p

一些实施例中，统计负荷实际值p

S2041：根据日类型、气象数据和负荷数据构造特征向量；

S2042：对特征向量进行归一化；

S2043：计算当前日的特征向量与历史区间段内每日的特征向量的欧式距离dis

S2044：根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离dis

通过计算当前日的特征向量与历史区间段内每日的特征向量的欧式距离，统计数据分布时给不同样本以不同的权重，也就是和待预测日相似的样本更大的权重，因此可以使预测结果更加合理。

S2045：根据重要性系数确定负荷实际值p

一些实施例中，根据重要性系数确定负荷实际值p

确定设选控制参数c，

计算历史区间段内每日预测偏差；

在历史区间段内任一日预测偏差大于设选控制参数c时，剔除大于设选控制参数c的预测偏差对应的历史输入数据；

根据重要性系数和设选控制参数c确定负荷实际值p

其中，mape

进一步的，所述确定设选控制参数c，包括：

设选控制参数c＝q

其中，q

考虑到历史上可能因为数据异常等因素，导致算法预测偏差过大，因此，应考虑在计算分布时去除这些异常值的影响，通过设选控制参数c。当某日的预测偏差过大时，应不考虑此样本，以避免在历史上由于数据异常等因素导致预测偏差过大的情况。

S205：分别将收集到的负荷实际值及其预测值通过其概率分布函数计算其分位数：

S206：根据u

S207：给定的负荷预测

其中x表示实际负荷对应的随机变量，y表示预测值对应的随机变量，预测误差为e＝y-x，设x与y之间的联合概率分布函数为F

S208：由条件概率密度，计算指定置信度下的置信区间：

P

其中：α是显著性水平，P

根据指定置信度进行区间预测时，由图3和图4可知,本实施例提高的预测方法随着置信度参数的增大，区间宽度逐渐增加，在置信度为80的情况下，区间覆盖率(区间覆盖率为实际值落在区间内部的点数除以总点数)达到了84.2％平均带宽为10.2。在置信度为90的情况下，区间覆盖率达到了94.2％平均带宽为13.6。

由图5和图6可知，在95％的置信度下，传统方法的区间覆盖率(达到了100％。本实施例提供的方法的区间覆盖率同样达到了100％，但是本实施例提供的方法平均带宽为16.8314，而传统方法的平均带宽为24.0193。因此本实施例提供的方法区间相对较窄，这为电力调度人员进行调度决策提供了更确定性的依据。

本实施例中，通过计算当前日的特征向量与历史区间段内每日的特征向量的欧式距离，统计数据分布时给不同样本以不同的权重，同时，设选控制参数，当某日的预测偏差过大时，剔除此样本，以避免在历史上由于数据异常等因素导致预测偏差过大的情况，实现区间窄同时区间覆盖率更高，为电力调度人员进行调度决策提供了更确定性的依据。

本发明实施例提供一种短期负荷区间预测装置，如图7所示的功能结构图，该短期负荷区间预测装置包括：

获取模块71，用于获取当前输入数据，所述当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷；

第一输出模块72，用于将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值；

第二输出模块73，用于将当前日的预测负荷值输入基于欧氏距离的Copula函数模型，以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间。

本实施例中，通过获取模块获取当前输入数据，当前输入数据包括当前日类型、当前气象数据和前一日的实际负荷，第一输出模块将当前输入数据输入到基于人工神经网络的短期负荷值预测模型输出当前日的预测负荷值，第二输出模块将当前日的预测负荷值输入基于欧氏距离的Copula函数模型，以根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间，不仅可以实现短期负荷区间预测，并且，通过根据当前日的特征向量与历史区间段内每日的特征向量的欧式距离输出预测区间可以提高预测区间的合理性，为电力调度人员进行调度决策提供了更确定性的依据。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能组件的形式实现。所述集成的模块如果以软件功能组件的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

需要说明的是，本发明不局限于上述最佳实施方式，本领域技术人员在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。