[发明专利]基于双端自动编码的日前电力负荷预测方法及装置

说明书

本发明涉及基于双端自动编码的日前电力负荷预测方法，包括如下步骤：获取需要考虑的对电力负荷产生影响的影响因素特征，形成历史电力负荷及影响因素特征数据库；构建自编码器1，并对其进行训练，将历史电力负荷特征数据输入到训练后的自编码器1中，得到融合后的数据集；构建神经网络，并对其进行训练，将得到的融合后的数据集输入到训练后的神经网络中进行电力负荷预测；构建自编码器2，并对其进行训练；将得到的电力负荷预测数据输入到训练后的自编码器2中；对得到的解码后的电力负荷预测数据进行反向归一化，得到最终的日前电力负荷数据；本发明克服了日前负荷预测中的维度问题，提高了日前负荷预测的精度。

技术领域

本发明属于智能配用电技术领域，尤其涉及基于双端自动编码的日前电力负荷预测方法及装置。

背景技术

负荷预测既是大电网能量管理和优化调度的重要基础性分析工具，能指导电力公司经济合理地安排发电机组的启停与检修计划，保障社会的正常生产和生活，有效地降低发电成本，提高经济效益和社会效益。同时，负荷预测也是智能配用电的基础功能和重要分析工具。智能配用电发展建设以安全可靠、优质高效、灵活互动为主要目标，对负荷预测提出了新的更加精细化的需求。

传统的预测方法虽然比较成熟，预测结果具有一定的参考价值，但要使负荷预测更好地服务于智能电网建设，满足安全可靠、优质高效、灵活互动电网的新需求，就需要对传统负荷预测方法进行全面的革新，进一步提高负荷预测的精度。随着现代科学理论与技术的不断进步，理论研究的逐步深入，以深度学习为代表的新兴交叉学科理论的出现，也为负荷预测的飞速发展提供了坚实的理论依据和数学基础。目前，负荷预测从时间尺度上主要可以分为超短期负荷预测及日前负荷预测。其中，日前负荷预测主要服务于次日的机组启停计划、储能充放电规划等业务，与电力系统的安全稳定运行密切相关。

日前负荷预测的主要问题在于，负荷的运行具有时间上的依赖关系，过去一段时间的负荷变化往往会对次日的负荷产生较大的影响。而将历史负荷作为特征，其维度很高，且特征冗余严重，已有模型很难准确建模。此外，随着电力系统量测频率的提高，日前负荷预测也面临着预测结果维度膨胀的挑战。

因此，考虑到这些问题，本发明提供一种基于双端自动编码的日前电力负荷预测方法，在特征输入段，通过编码器能够将过去较长一段时间的负荷变化作为特征输入，通过无监督学习实现历史负荷特征的自动降维，在模型预测结果输出端，通过解码器将预测结果进行翻译扩充，从而克服了日前负荷预测中的维度问题，提高了日前负荷预测的精度。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于双端自动编码的日前电力负荷预测方法，在特征输入段，通过编码器能够将过去较长一段时间的负荷变化作为特征输入，通过无监督学习实现历史负荷特征的自动降维，在模型预测结果输出端，通过解码器将预测结果进行翻译扩充，从而克服了日前负荷预测中的维度问题，提高了日前负荷预测的精度。

本发明解决其技术问题是采取以下技术方案实现的：

基于双端自动编码的日前电力负荷预测方法，所述日前负荷预测方法包括如下步骤：

S1、获取待预测日前M天历史电力负荷数据及需要考虑的对电力负荷产生影响的影响因素特征，形成历史电力负荷及影响因素特征数据库；

S2、构建自编码器1，使用步骤S1得到的前M天的历史负荷数据对其进行训练，将前N天的历史负荷数据输入到训练后的自编码器1中，自编码器1对输入的历史电力负荷特征数据进行维度削减，将维度削减后的历史电力负荷特征数据与步骤S1中得到的影响因素特征数据进行融合，得到电力负荷、影响因素融合数据；

S3、构建预测神经网络模型