[发明专利]一种短期负荷预测方法及系统

说明书

本发明实施例提供一种短期负荷预测方法及系统，该方法包括：计算每一历史气象数据与目标电网的历史负荷数据之间的相关系数；计算每一历史气象数据对应的相关系数的可信度，将相关系数大于第一预设阈值、且可信度大于第二预设阈值的历史气象数据作为备选气象数据；计算每一备选气象数据与所述目标电网的历史负荷数据之间的偏相关系数；计算每一备选气象数据对应的偏相关系数的可信度，将偏相关系数大于第一预设阈值、且可信度大于第二预设阈值的备选气象数据作为目标行业的关键气象数据；根据目标行业在预测时间的关键气象数据，对目标电网进行负荷预测。本发明实施例有效提高机器学习有效性，从而提高目标电网短期负荷预测精度。

技术领域

本发明涉及电子技术领域，尤其涉及一种短期负荷预测方法及系统。

背景技术

短期负荷预测是负荷预测的重要组成部分，它对于机组最优组合、经济调度、最优潮流、电力市场交易等都有着重要意义，负荷预测精度越高，越有利于提高发电设备的利用率和加强经济调度的有效性。

BP神经网络等机器学习算法作为常用的短期负荷预测方法，具有很强的自学习能力和复杂的非线性函数拟合能力，对大量非结构性、非精确性规律具有自适应能力，具有信息记忆、自主学习、知识推理和优化计算的特点。但输入样本的选取对训练结果能否体现电力负荷的运行规律具有重要作用，输入量过少会影响模型的精确性，过多则会影响训练的收敛速度与收敛性。

此外，在目前的短期负荷预测方法中，关于利用气象因素来提高预测精度是常用的方法之一。然而，气象因素对负荷预测的影响较为复杂：一是气象因素种类众多，如最高温度、最低温度、平均温度、平均湿度、平均降雨量、平均气压等，全部作为输入数据会影响训练的收敛速度和收敛性；二是各类气象因素在不同季节及不同行业的背景下，对负荷预测效果的影响有所不同。

因此，亟需一种关键气象因素提取方法，从而来提高短期负荷预测精度。

发明内容

为了解决上述问题，本发明实施例提供一种短期负荷预测方法及系统。

第一方面，本发明实施例提供一种短期负荷预测方法，包括：

获取目标行业中目标电网的历史负荷数据和若干历史气象数据；

计算每一历史气象数据与所述目标电网的历史负荷数据之间的相关系数，获取每一历史气象数据对应的相关系数；

计算每一历史气象数据对应的相关系数的可信度，将相关系数大于第一预设阈值、且可信度大于第二预设阈值的历史气象数据作为备选气象数据；

计算每一备选气象数据与所述目标电网的历史负荷数据之间的偏相关系数，获取每一备选气象数据对应的偏相关系数；

计算每一备选气象数据对应的偏相关系数的可信度，将偏相关系数大于所述第一预设阈值、且可信度大于所述第二预设阈值的备选气象数据作为所述目标行业的关键气象数据；

根据所述目标行业在预测时间的关键气象数据，对所述目标电网进行负荷预测。

优选地，所述获取目标行业中目标电网的历史负荷数据和若干历史气象数据之前还包括：

获取所述目标行业中所述目标电网的初始历史负荷数据和若干初始历史气象数据；

对所述目标电网的初始历史负荷数据和若干初始历史气象数据进行缺失值补全、异常值修正或剔除处理；

将预处理后的初始历史负荷数据作为所述目标电网的历史负荷数据，将预处理后的初始历史气象数据作为所述历史气象数据。

优选地，所述计算每一历史气象数据与所述目标电网的历史负荷数据之间的相关系数，获取每一历史气象数据对应的相关系数，具体包括：