[发明专利]电力系统短期负荷预测方法、系统、设备及介质

说明书

本发明属于电力系统调度控制领域，公开了一种电力系统短期负荷预测方法、系统、设备及介质，包括：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。基于时间卷积网络模型负荷预测网络模型，能够进行并行执行数据处理，极大的提升电力系统负荷预测的速度；同时，采用基于时间卷积网络模型的负荷预测网络模型进行预测，相较于现有的LSTM模型能够保留更多的历史信息，进而保证电力系统短期负荷预测的高准确性要求。

技术领域

本发明属于电力系统调度控制领域，涉及一种电力系统短期负荷预测方法、系统、设备及介质。

背景技术

电力系统负荷预测通过研究分析历史上电力负荷的变化情况，以经济、天气等影响因素的变化趋势为依据，对电力需求作出预先的估计与推测，其对电力系统运行产生很大影响。随着电力市场化的深入推进，系统负荷预测与电力市场的供需关系联系越来越紧密，直接影响电网运行的安全与经济。负荷预测分为长期、中期、短期和超短期预测，其中，短期预测指预测出日内每个时刻的负荷，在停电计划、发电计划安排中起到重要作用。

目前，短期预测主要基于循环神经网络、长短时记忆网络(long short-termmemory network, LSTM)等深度学习理论进行负荷预测。随着深度学习的蓬勃发展，相关算法被越来越多地应用到了电网调度控制领域，其中，循环神经网络也被成功应用到了电力系统负荷预测中，循环神经网络通过对序列数据进行建模，将历史信息与当前输入共同作为当前输出的影响因素，从而对数据的时序变化信息进行表征，比如，公开文献：电力市场中基于Attention-LSTM的短期负荷预测模型[J]. 电网技术, 2019(5):1745-1751.中公开的，基于Attention-LSTM的短期负荷预测模型，以及公开专利：CN111697560A中提供的一种基于LSTM预测电力系统负荷的方法及系统，均有效提高了负荷预测的准确率。

但是，上述方法中均采用的长短时记忆网络，然而长短时记忆网络采用时间序列模型，时间t时刻要依赖时间t-1时刻信息，不能并行执行，因此其预测的速度较慢，并且内部的遗忘门会逐渐遗漏一些历史信息，导致降低预测的准确性。

发明内容

本发明的目的在于克服上述现有技术中，现有电力系统短期负荷预测的速度慢，准确性低的缺点，提供一种电力系统短期负荷预测方法、系统、设备及介质。

为达到上述目的，本发明采用以下技术方案予以实现：

本发明第一方面，一种电力系统短期负荷预测方法，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。

本发明电力系统短期负荷预测方法进一步的改进在于：

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。

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。