[发明专利]一种城市饱和负荷预测方法及系统

权利要求书

1.一种城市饱和负荷预测方法，其特征在于，包括：

获取对城市分区后每个区域内变电站的历史负荷数据和对应时间段的气象数据构建训练样本集；

采用线性聚类算法对训练样本集进行平滑度处理，以处理后的训练样本集对基于时间序列的饱和负荷预测模型进行训练；

采用训练后的饱和负荷预测模型对待测区域变电站的待测时间段的气象数据进行预测，根据同一时间段内每个区域的变电站饱和负荷预测结果得到城市总饱和负荷预测结果。

2.如权利要求1所述的一种城市饱和负荷预测方法，其特征在于，所述采用线性聚类算法对训练样本集进行平滑度处理包括：

对训练样本集的每个数据序列构建线性拟合模型，并计算拟合均方根误差；

将拟合均方根误差最大的数据序列与其他数据序列逐个求和，并对每个和序列构建新的线性拟合模型，计算每个和序列的拟合均方根误差；

判断是否有和序列的拟合均方根误差小于两条加数序列，若有，则将最小的拟合均方根误差的和序列代替两个加数序列，继续迭代，直至不存在和序列的拟合均方根误差小于两条加数序列；若没有则迭代停止。

3.如权利要求1所述的一种城市饱和负荷预测方法，其特征在于，所述基于时间序列的饱和负荷预测模型的预测过程包括：

通过差分将待测样本数据序列转换为静态序列；

对静态序列构建不同阶数的ARIMA模型；

基于ARIMA模型分别对待测样本每个数据序列进行预测，将所有数据序列的预测结果相加后，得到待测样本的预测结果。

4.如权利要求3所述的一种城市饱和负荷预测方法，其特征在于，所述通过差分将待测样本数据序列转换为静态序列包括：

对待测样本数据序列进行单位根测试，判断是否为字典序，将非字典序的数据序列通过差分转化为字典序。

5.如权利要求3所述的一种城市饱和负荷预测方法，其特征在于，对所述ARIMA模型根据赤池信息量选择最优ARIMA模型。

6.如权利要求1所述的一种城市饱和负荷预测方法，其特征在于，所述基于时间序列的饱和负荷预测模型包括自动回归模块和滑动平均模块，所述自动回归模块记录历史特征，所述滑动平均模块反映当前噪声的影响。

7.如权利要求1所述的一种城市饱和负荷预测方法，其特征在于，所述气象数据包括但不限于短波辐射、长波辐射、气温、湿度、风向、风速、气压、云量、降水率。

8.一种城市饱和负荷预测系统，其特征在于，包括：

数据获取模块，用于获取对城市分区后每个区域内变电站的历史负荷数据和对应时间段的气象数据构建训练样本集；

训练模块，用于采用线性聚类算法对训练样本集进行平滑度处理，以处理后的训练样本集对基于时间序列的饱和负荷预测模型进行训练；

预测模块，用于采用训练后的饱和负荷预测模型对待测区域变电站的待测时间段的气象数据进行预测，根据同一时间段内每个区域的变电站饱和负荷预测结果得到城市总饱和负荷预测结果。

9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。