[发明专利]电力系统短期负荷预测方法、系统、设备及介质

权利要求书

1.一种电力系统短期负荷预测方法，其特征在于，包括以下步骤：

获取电力系统待预测时段前预设时段的负荷数据及负荷影响数据；

获取电力系统待预测时段的负荷影响数据；

根据电力系统待预测时段的负荷影响数据，以及电力系统待预测时段前预设时段的负荷数据及负荷影响数据，通过预设的负荷预测网络模型进行预测，得到电力系统待预测时段的负荷预测结果；

其中，预设的负荷预测网络模型通过采用电力系统的历史数据训练时间卷积网络模型得到。

2.根据权利要求1所述的电力系统短期负荷预测方法，其特征在于，所述负荷影响数据包括气象数据或气象数据和节假日数据。

3.根据权利要求1所述的电力系统短期负荷预测方法，其特征在于，所述采用电力系统的历史数据训练时间卷积网络模型的具体方法为：

获取电力系统的历史数据，历史数据包括历史负荷数据及历史负荷影响数据；

将电力系统的历史数据划分为训练集和测试集；

通过训练集训练时间卷积网络模型，得到初始负荷预测网络模型；

通过测试集测试初始负荷预测网络模型，得到测试结果，根据测试结果评价初始负荷预测网络模型，将满足预设评价指标的初始负荷预测网络模型作为负荷预测网络模型。

4.根据权利要求3所述的电力系统短期负荷预测方法，其特征在于，所述将电力系统的历史数据划分为训练集和测试集的具体方法为：

将电力系统的历史数据进行预处理，得到预处理数据；

将预处理数据按照预设比例划分为训练集和测试集。

5.根据权利要求4所述的电力系统短期负荷预测方法，其特征在于，所述将电力系统的历史数据进行预处理，得到预处理数据的具体方法为：

获取电力系统的历史数据中各数据的类型；

当数据的类型为连续型变量时，将数据进行归一化处理得到预处理数据；

当数据的类型为离散型变量时，将数据进行编码处理映射为二进制向量，得到预处理数据。

6.根据权利要求3所述的电力系统短期负荷预测方法，其特征在于，所述通过训练集训练时间卷积网络模型前，还包括：

获取训练集内各数据的数据类型；

当数据类型为稀疏特征数据时，通过人工神经网络将数据进行降维处理至预设维度。

7.根据权利要求6所述的电力系统短期负荷预测方法，其特征在于，所述通过人工神经网络将预处理数据进行降维处理时，将人工神经网络的各隐含层均进行随机失活处理。

8.根据权利要求3所述的电力系统短期负荷预测方法，其特征在于，所述根据测试结果评价初始负荷预测网络模型的具体方法为：

根据电力系统的历史数据及测试结果，得到测试结果的平均绝对百分误差和均方误差，当平均绝对百分误差和均方误差均小于预设的平均绝对百分误差值及均方误差值时，初始负荷预测网络模型满足预设评价指标。

9.根据权利要求3所述的电力系统短期负荷预测方法，其特征在于，所述通过训练集训练时间卷积网络模型时，将时间卷积网络模型的各卷积层均进行随机失活处理。

10.根据权利要求3所述的电力系统短期负荷预测方法，其特征在于，所述通过训练集训练时间卷积网络模型时，将时间卷积网络模型内当前卷积层输出的卷积结果进行批标准化处理后输入下一卷积层。

11.根据权利要求3所述的电力系统短期负荷预测方法，其特征在于，所述通过训练集训练时间卷积网络模型时，将时间卷积网络模型内最后一个卷积层输出的卷积结果根据注意力机制进行加权处理，将加权处理后的卷积结果进行全连接映射，得到映射结果并根据映射结果优化时间卷积网络模型。