一种短期负荷预测方法、装置及存储介质与流程

1.本发明涉及一种短期负荷预测方法、装置及存储介质，属于电网负荷预测领域。


背景技术：

2.负荷预测是智能电网规划建设的依据，随着分布式电源和电动汽车的普及，对负荷预测的准确性提出了更大的挑战，当前短期负荷预测算法虽然众多，但是在样本数据选择方面并未基于用电负荷进行多重的筛选，同时也会存在预测模型复杂以及预测模型构建时间较长的问题。


技术实现要素：

3.本发明的目的在于克服现有技术中的不足，提供一种短期负荷预测方法、装置及存储介质，解决负荷预测精度的技术问题，提升样本与被预测时段负荷的关联性。
4.为达到上述目的/为解决上述技术问题，本发明是采用下述技术方案实现的：
5.第一方面，本发明提供了一种短期负荷预测方法，包括如下步骤：
6.根据预设置的待预测时段进行负荷数据采样，获取当天的气象特征，以及根据预设置的每日用电特征时段对所述负荷数据进行子序列子集划分，获取划分后的子集；
7.对所述子集采用k-均值聚类算法进行聚类分析，通过分析各子集聚类与待预测时段用电特征及气象特征的相似性，选出相似性最强的子集聚类样本；
8.依据所述相似性最强的子集聚类样本，采用改进的最小二乘法进行短期负荷预测，获取预测结果。
9.结合第一方面，进一步地，所述待预测时段分为预测开始时间至预测结束时间；
10.所述每日用电特征时段将24小时划分为7个时段，具体为0:00-6:00、6:00-8:00、8:00-12:00、12:00-15:00、15:00-22:00、22:00-23:00、23:00-24:00。
11.结合第一方面，进一步地，所述待预测时段负荷数据采样过程包括：
12.对过去一天、过去一周的同一日、过去一个月的同一日、过去一季度的同一日以及过去五年的同一日进行负荷数据采样；
13.将所述负荷数据依次赋予日、周、月、季度、年的特征；同时依据所述负荷数据的实际日期记录当天的气象特征。
14.结合第一方面，进一步地，所述根据预设置的每日用电特征时段对所述负荷数据进行子序列子集划分，获取划分后的子集，包括：
15.依据每日用电特征时段将所述负荷数据划分为对应的子序列，并对子序列赋予日期特征及气象特征，形成({vi},d,w)三元组，通过所述三元组组成划分后的子集；
16.其中，{vi}表示为用电特征时段i中采集到负荷数据形成的序列；d表示为日期特征；w表示为气象特征。
17.结合第一方面，进一步地，所述对所述子集采用k-均值聚类算法进行聚类分析，包括：
18.对灰色关联分析算法融合斜率矩阵进行距离计算，实现k-均值聚类。
19.结合第一方面，进一步地，对灰色关联分析算法融合斜率矩阵进行距离计算，实现k-均值聚类，包括：
20.选择子集中最新时间节点的某三元组数据序列为比较序列；
21.对其余三元组的数据序列分别设置为参考序列；
22.采用如下公式计算参考序列与比较序列各分量的斜率，组成斜率矩阵：
[0023][0024]
其中，表示为参考序列的第k个特征值与比较序列i的第k个特征值的斜率；分别表示为参考序列的第k个分量和第k+1个分量；分别表示为第i个比较序列的第k个分量和第k+1个分量；
[0025]
采用如下公式计算斜率相似性灰色关联度：
[0026][0027]
其中，表示为比较序列i和参考序列的第k个分量的斜率相似性灰色关联度；表示为参考序列的第k个特征值与比较序列i的第k个特征值的斜率；
[0028]
将所计算的斜率相似性灰色关联度与设定的斜率相似性灰色关联度阈值区间进行比较，满足阈值要求的即为同一聚类。
[0029]
结合第一方面，进一步地，以每个子集子序列所处的日期及当日气象为特征值，确认各子集聚类与待预测时段用电特征及气象特征的相似性，选择一致性最强的子集聚类样本。
[0030]
结合第一方面，进一步地，还包括采用下述方法对预测结果进行优化，将所述子集聚类样本基于时间顺序拼接成负荷样本数据，将所述拼接的负荷样本数据采用改进的最小二乘法进行样本数据拟合；
[0031]
将所述拟合的负荷样本数据的相对误差基于误差结果数值划分多个状态，依据预构建的马尔科夫链模型的状态转移矩阵，并通过概率加权法对预测结果进行优化。
[0032]
结合第一方面，进一步地，所述通过概率加权法对预测结果进行优化，包括：
[0033]
对所述拼接的负荷样本数据进行自相关分析获取自相关系数，其表达式为：
[0034][0035]
其中，rk表示为第k阶的自相关系数；xi表示为i时刻的拼接的负荷样本数据；表示为拼接的负荷样本数据均值；
[0036]
将所述获取的自相关系数进行归一化处理，获取各阶权重，其表达式为：
[0037][0038]
其中m表示为按预测需要计算到的最大阶数；wk表示为各阶权重；
[0039]
选取离预测时间最近的多个时间点，将所述多个时间点的相对误差所在的状态作为初始状态，通过最终状态转移概率确定最终的预测结果所处的状态，其表达式为：
[0040][0041]
其中，pi最大值所对应的i即为预测时刻相对误差所在的状态；p
i(k)
表示为状态概率；
[0042]
基于所述预测时刻相对误差所在状态的上界和下界，获取优化后的预测值，其表达式为：
[0043][0044]
其中，d
1i
、d
2i
表示为状态ei的上界和下界；表示为最小二乘法拟合的预测结果。
[0045]
结合第一方面，进一步地，所述同时段的负荷预测还包括：
[0046]
对所述每日用电特征时段的整点时刻分别取各自子集聚类的平均值进行连接点优化。
[0047]
第二方面，本发明提供了一种短期负荷预测装置，包括：
[0048]
参数设置模块，用于根据预设置的待预测时段进行负荷数据采样，并获取当天的气象特征以及根据预设置的每日用电特征时段对所述负荷数据进行子序列子集划分，获取划分后的子集；
[0049]
分析模块，用于对所述子集采用k-均值聚类算法进行聚类分析，通过分析各子集聚类与待预测时段用电特征及气象特征的相似性，选出相似性最强的子集聚类样本；
[0050]
预测模块，用于依据所述相似性最强的子集聚类样本，采用改进的最小二乘法进行短期负荷预测，获取预测结果。
[0051]
第三方面，本发明还提供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第一方面任一项所述方法的步骤。
[0052]
与现有技术相比，本发明所达到的有益效果：
[0053]
本发明实施例设置待预测时段和每日用电特征，基于待预测时段进行负荷数据采样，获取日、周、月、季度、年特征以及气象特征；基于每日用电特征时段对负荷数据进行子集划分，以便获取划分后的子集；通过划分后的子集采用k-均值聚类算法进行聚类分析，通过分析各子集聚类与待预测时段用电特征的相似性进行二次聚类筛选，筛选出最强的子集聚类样本；依据最强的子集聚类样本，采用改进的最小二乘法对负荷进行短期负荷预测，提升了负荷预测的精度，以及采用概率加权法对预测结果进一步优化。
附图说明
[0054]
图1是本发明实施例提供的一种短期负荷预测方法的流程图；
[0055]
图2是本发明实施例提供的一种短期符合预测装置的流程图。
具体实施方式
[0056]
下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本技术实施例以及实施例中的具体特征是对本技术技术方案的详细的说明，而不是对本技术技术方案的限定，在不冲突的情况下，本技术实施例以及实施例中的技术特征可以相互组合。
[0057]
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符"/"，一般表示前后关联对象是一种“或”的关系。
[0058]
实施例一：
[0059]
图1是本发明实施例一中的一种短期预测方法的流程图。本流程图仅仅示出了本实施例所述方法的逻辑顺序，在互不冲突的前提下，在本发明其它可能的实施例中，可以以不同于图1所示的顺序完成所示出或描述的步骤。
[0060]
参见图1，本实施例的方法具体包括如下步骤：
[0061]
根据预设置的待预测时段进行负荷数据采样，获取当天的气象特征，以及根据预设置的每日用电特征时段对负荷数据进行子序列子集划分，获取划分后的子集；
[0062]
对所述子集采用k-均值聚类算法进行聚类分析，通过分析各子集聚类与待预测时段用电特征及气象因素的相似性，选出相似性最强的子集聚类样本；
[0063]
依据所述相似性最强的子集聚类样本，采用改进的最小二乘法进行短期负荷预测，获取预测结果。
[0064]
设置每日用电特征时段及待预测时段，将每日的24小时划分为7个时间段，具体为0:00-6:00、6:00-8:00、8:00-12:00、12:00-15:00、15:00-22:00、22:00-23:00、23:00-24:00；设置待预测时段的开始时间至结束时间，例如：2022.12.20 00:00至2022.12.20 23:59。
[0065]
基于待预测时段进行负荷数据采样，以上述待预测时段2022.12.20 00:00至2022.12.20 23:59为例，对过去一天，即2022.12.19,；过去一周的同一日，即2022.12.13；过去一个月的同一日，即2022.11.20；过去一季度的同一日，即2022.9.20以及过去五年的同一日，即2021.12.20、2020.12.20、2019.12.20、2018.12.20、2017.12.20进行负荷数据采样，将采集到的负荷数据依次赋予日、周、月、季度、年的特征，同时依据负荷数据的实际日期记录下当日的气象特征，该气象特征包括：晴朗、阴天、雨天、小风、飓风、风雨、雪天、雨雪、雾天以及沙尘。
[0066]
进一步地，基于每日用电特征时段对负荷数据进行子序列子集划分，依据上述设置的7个时间段(0:00-6:00、6:00-8:00、8:00-12:00、12:00-15:00、15:00-22:00、22:00-23:00、23:00-24:00)划分为7个子序列，将上述2022.12.19、2022.12.13、2022.11.20、2022.9.20、2021.12.20、2020.12.20、2019.12.20、2018.12.20、2017.12.20这几个日期的数据基于7个时间段进行划分，并对子序列赋予日期特征和气象特征，形成({vi},d,w)三元组，通过三元组组成划分后的子集。
[0067]
其中，{vi}表示为用电特征时段i中采集到负荷数据形成的序列；d表示为日期特征；w表示为气象特征。
[0068]
根据划分后的每个子集采用k-均值聚类算法进行聚类分析，对负荷数据每天相同时段的子集进行汇集，形成7个大子集，每个大子集的数据基于灰色关联分析算法融合矩阵进行距离计算，实现k-均值聚类，需要说明的，可以将k的初始值设置为7。
[0069]
具体地，实现k-均值聚类的过程包括：
[0070]
选择子集中最新时间点的某三元组数据序列为比较序列；
[0071]
对其余三元组的数据序列分别设置为参考序列；
[0072]
采用如下公式计算参考序列与比较序列各分量的斜率，组成斜率矩阵；
[0073][0074]
其中，表示为参考序列的第k个特征值与比较序列i的第k个特征值的斜率；分别表示为参考序列的第k个分量和第k+1个分量；分别表示为第i个比较序列的第k个分量和第k+1个分量；
[0075]
采用如下公式计算斜率相似性灰色关联度：
[0076][0077]
其中，表示为比较序列i和参考序列的第k个分量的斜率相似性灰色关联度；表示为参考序列的第k个特征值与比较序列i的第k个特征值的斜率；
[0078]
设置斜率相似性灰色关联度阈值区间，将上述计算得出的斜率相似性灰色关联度与之比较，如果满足阈值区间要求即为同一聚类，如果不满足阈值区间要求即不是同一聚类。
[0079]
根据上述同一聚类选出一致性最强的子集聚类样本，即在子集的各个序列中，与待预测时段在数据特征和气象特征相同的子序列数占总子序列的比例最多的子集。
[0080]
具体地，以每个子集子序列所在的日期以及当日的气象作为特征值，确定各子集聚类与待预测时段用电特征及气象特征的相似性。
[0081]
进一步地，依据选出的子集聚类样本并基于时间顺序拼接成负荷样本数据，将拼接的负荷样本数据采用改进的最小二乘法进行样本数据拟合，该拟合的样本数据的相对误差基于误差结果数值被划分为多个状态，通过预构建的马尔科夫链模型的状态转移矩阵，以及概率加权法对预测结果进行优化，具体的优化过程包括：
[0082]
将基于最小二乘法拟合的预测负荷数值与实际负荷数值的ε(k)划分为m个状态，假设ε(k)∈(d
1i
、d
2i
)，i＝1,2,
…
,m，那么第k个时间点的相对误差处于ei状态；
[0083]
其中，ε(k)表示为相对误差；ei表示为处于某种状态；d
1i
表示为状态的上界；d
2i
表示为状态的下界；
[0084]
基于预构建的马尔科夫链模型的状态转移矩阵，以及概率加权法进行加权改进，对拼接的负荷样本数据进行自相关分析获取自相关系数，其表达式为：
[0085][0086]
其中，rk表示为第k阶的自相关系数；xi表示为i时刻的拼接的负荷样本数据；表示为拼接的负荷样本数据均值；
[0087]
需要说明的是，对于自相关系数绝对值较大的，赋予较大权重。
[0088]
接着，将获取的自相关系数进行归一化处理，获取各阶的权重，其表达式为：
[0089][0090]
其中m表示为按预测需要计算到的最大阶数；wk表示为各阶权重；
[0091]
然后，选取离预测时间最近的多个时间点，将多个时间点的相对误差所在的状态作为初始状态，结合相应的马尔科夫链模型的状态转移矩阵预测出该时刻的状态概率，将相同状态的各预测概率进行加权和处理，获得最终状态转移概率，并通过最终状态转移概率确定最终的预测结果所处的状态，其表达式为：
[0092][0093]
其中，pi最大值所对应的i即为预测时刻相对误差所在的状态；p
i(k)
表示为状态概率；
[0094]
最后，基于所述预测时刻相对误差所在状态的上界和下界，获取优化后的预测值，其表达式为：
[0095][0096]
其中，d
1i
、d
2i
表示为状态ei的上界和下界；表示为最小二乘法拟合的预测结果。
[0097]
实施例二：
[0098]
上述实施例一考虑的是相同时段负荷预测，如果考虑不同时段负荷预测的情况具体为：
[0099]
以两个聚类均值的平均值进行连接点优化，分别取0:00、6:00、8:00、12:00、15:00、22:00、23:00这7个整点时刻实现曲线平滑，通过这种方式减少了两个子集聚类结果的波动性。
[0100]
实施例三：
[0101]
参见图2，本发明实施例提供一种短期负荷预测装置，该装置可以用于实现实施例一所述的方法，所述装置包括：
[0102]
参数设置模块，用于根据预设置的待预测时段进行负荷数据采样，并获取当天的气象特征以及根据预设置的每日用电特征时段对所述负荷数据进行子序列子集划分，获取划分后的子集；
[0103]
分析模块，用于对所述子集采用k-均值聚类算法进行聚类分析，通过分析各子集聚类与待预测时段用电特征及气象特征的相似性，选出相似性最强的子集聚类样本；
[0104]
预测模块，用于依据所述相似性最强的子集聚类样本，采用改进的最小二乘法进行短期负荷预测，获取预测结果。
[0105]
实施例四：
[0106]
本发明还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实施例一所述方法的步骤。
[0107]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0108]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0109]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0110]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0111]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

技术特征：
1.一种短期负荷预测方法，其特征在于，包括：根据预设置的待预测时段进行负荷数据采样，获取当天的气象特征，以及根据预设置的每日用电特征时段对所述负荷数据进行子序列子集划分，获取划分后的子集；对所述子集采用k-均值聚类算法进行聚类分析，通过分析各子集聚类与待预测时段用电特征及气象特征的相似性，选出相似性最强的子集聚类样本；依据所述相似性最强的子集聚类样本，采用改进的最小二乘法进行短期负荷预测，获取预测结果。2.根据权利要求1所述的短期负荷预测方法，其特征在于，所述待预测时段分为预测开始时间至预测结束时间；所述每日用电特征时段将24小时划分为7个时段，具体为0:00-6:00、6:00-8:00、8:00-12:00、12:00-15:00、15:00-22:00、22:00-23:00、23:00-24:00。3.根据权利要求1所述的短期负荷预测方法，其特征在于，所述待预测时段负荷数据采样过程包括：对过去一天、过去一周的同一日、过去一个月的同一日、过去一季度的同一日以及过去五年的同一日进行负荷数据采样；将所述负荷数据依次赋予日、周、月、季度、年的特征；同时依据所述负荷数据的实际日期记录当天的气象特征。4.根据权利要求1至3任一项所述的短期负荷预测方法，其特征在于，所述根据预设置的每日用电特征时段对所述负荷数据进行子序列子集划分，获取划分后的子集，包括：依据每日用电特征时段将所述负荷数据划分为对应的子序列，并对子序列赋予日期特征及气象特征，形成({v
i
},d,w)三元组，通过所述三元组组成划分后的子集；其中，{v
i
}表示为用电特征时段i中采集到负荷数据形成的序列；d表示为日期特征；w表示为气象特征。5.根据权利要求4所述的短期负荷预测方法，其特征在于，所述对所述子集采用k-均值聚类算法进行聚类分析，包括：对灰色关联分析算法融合斜率矩阵进行距离计算，实现k-均值聚类。6.根据权利要求5所述的短期负荷预测方法，其特征在于，对灰色关联分析算法融合斜率矩阵进行距离计算，实现k-均值聚类，包括：选择子集中最新时间节点的某三元组数据序列为比较序列；对其余三元组的数据序列分别设置为参考序列；采用如下公式计算参考序列与比较序列各分量的斜率，组成斜率矩阵：其中，表示为参考序列的第k个特征值与比较序列i的第k个特征值的斜率；分别表示为参考序列的第k个分量和第k+1个分量；分别表示为第i个比较序列的第k个分量和第k+1个分量；采用如下公式计算斜率相似性灰色关联度：
其中，表示为比较序列i和参考序列的第k个分量的斜率相似性灰色关联度；表示为参考序列的第k个特征值与比较序列i的第k个特征值的斜率；将所计算的斜率相似性灰色关联度与设定的斜率相似性灰色关联度阈值区间进行比较，满足阈值要求的即为同一聚类。7.根据权利要求6所述的短期负荷预测方法，其特征在于，以每个子集子序列所处的日期及当日气象为特征值，确认各子集聚类与待预测时段用电特征及气象特征的相似性，选择一致性最强的子集聚类样本。8.根据权利要求1所述的短期负荷预测方法，其特征在于，还包括采用下述方法对预测结果进行优化，将所述子集聚类样本基于时间顺序拼接成负荷样本数据，将所述拼接的负荷样本数据采用改进的最小二乘法进行样本数据拟合；将所述拟合的负荷样本数据的相对误差基于误差结果数值划分多个状态，依据预构建的马尔科夫链模型的状态转移矩阵，并通过概率加权法对预测结果进行优化。9.根据权利要求8所述的短期负荷预测方法，其特征在于，所述通过概率加权法对预测结果进行优化，包括：对所述拼接的负荷样本数据进行自相关分析获取自相关系数，其表达式为：其中，r
k
表示为第k阶的自相关系数；x
i
表示为i时刻的拼接的负荷样本数据；表示为拼接的负荷样本数据均值；将所述获取的自相关系数进行归一化处理，获取各阶权重，其表达式为：其中m表示为按预测需要计算到的最大阶数；w
k
表示为各阶权重；选取离预测时间最近的多个时间点，将所述多个时间点的相对误差所在的状态作为初始状态，通过最终状态转移概率确定最终的预测结果所处的状态，其表达式为：其中，p
i
最大值所对应的i即为预测时刻相对误差所在的状态；p
i(k)
表示为状态概率；基于所述预测时刻相对误差所在状态的上界和下界，获取优化后的预测值，其表达式为：
其中，d
1i
、d
2i
表示为状态e
i
的上界和下界；表示为最小二乘法拟合的预测结果。10.根据权利要求1所述的短期负荷预测方法，其特征在于，所述不同时段的负荷预测还包括：对所述每日用电特征时段的整点时刻分别取各自子集聚类的平均值进行连接点优化。11.一种短期负荷预测装置，其特征在于，包括：参数设置模块，用于根据预设置的待预测时段进行负荷数据采样，并获取当天的气象特征以及根据预设置的每日用电特征时段对所述负荷数据进行子序列子集划分，获取划分后的子集；分析模块，用于对所述子集采用k-均值聚类算法进行聚类分析，通过分析各子集聚类与待预测时段用电特征及气象特征的相似性，选出相似性最强的子集聚类样本；预测模块，用于依据所述相似性最强的子集聚类样本，采用改进的最小二乘法进行短期负荷预测，获取预测结果。12.一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，该程序被处理器执行时实现权利要求1～10任一项所述方法的步骤。

技术总结
本发明公开了电网负荷预测领域的一种短期负荷预测方法，旨在解决负荷预测精度的技术问题。其包括：根据预设置的待预测时段进行负荷数据采样及气象信息获取，根据预设置的每日用电特征时段对所述负荷数据进行子序列子集划分，获取划分后的子集；对所述子集采用k-均值聚类算法进行聚类分析，通过分析各子集聚类与待预测时段用电特征及气象特征的相似性，选出相似性最强的子集聚类样本；依据所述相似性最强的子集聚类样本，采用改进的最小二乘法进行短期负荷预测，获取预测结果。本发明参考历史负荷中最相似的样本进行短期负荷预测，提高了预测的准确率，同时通过聚类算法也能排除不同负荷的干扰。同负荷的干扰。同负荷的干扰。


技术研发人员：齐敬先 庞郑宁 曹越峰 刘振 王琪 顾叶青 张守田
受保护的技术使用者：南京南瑞信息通信科技有限公司
技术研发日：2023.06.02
技术公布日：2023/10/15